| 【発明の名称】 |
骨粗鬆症診断支援装置および方法、骨粗鬆症診断支援プログラム、骨粗鬆症診断支援プログラムを記録したコンピュータ読み取り可能な記録媒体、骨粗鬆症診断支援用ＬＳＩ |
| 【発明者】 |
【氏名】浅野 晃
【氏名】田口 明
【氏名】中元 崇
【氏名】谷本 啓二
【氏名】アグス・ザイナル・アリフィン
|
| 【要約】 |
【課題】歯科用パノラマＸ線写真を用いた骨粗鬆症スクリーニングの判定精度の向上を図る。
【構成】ファジィ論理に基づくしきい値処理で、各特徴量ごとに、仮に「低骨密度」か「正常」かを判別するしきい値を決定する。このしきい値をもとに、３つのファジィ集合を設定する。各ファジィ集合へのメンバーシップ値の積を入力とし、「低骨密度」または「正常」を出力とする３層ニューラルネットワークの結合重みを決定する。ある未判別の画像の特徴量が与えられたとき、上記ファジィ集合へのメンバーシップ値の積を上記ニューラルネットワークに入力し、「低骨密度」か「正常」かの出力を得る。 |
【特許請求の範囲】
【請求項１】
皮質骨に関する特徴量を用いて骨粗鬆症の判定を行う装置であって、
皮質骨に関する３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の各々について「低骨密度」か「正常」かを判別するためのしきい値を、学習用データを用いて、ファジィ論理に基づくしきい値処理により決定するしきい値決定部と、
前記３つの特徴量の各々に対して複数のファジィ集合を設定し、当該ファジィ集合のメンバーシップ関数を前記しきい値に基づいて設定するファジィ集合設定部と、
前記３つの特徴量の各々に対して設定された各ファジィ集合へのメンバーシップ値の積を入力とし、「低骨密度」または「正常」を出力とするニューラルネットワーク部と、
前記ニューラルネットワーク部の結合重みを前記学習用データを用いて決定する結合重み決定部と、
皮質骨部分を含むパノラマＸ線写真から「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」を取得する特徴量取得部と、
前記特徴量取得部により取得された「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の前記各ファジィ集合へのメンバーシップ値の積を前記ニューラルネットワーク部に入力する入力部とを備える、
ことを特徴とする骨粗鬆症診断支援装置。
【請求項２】
請求項１において、
前記しきい値決定部は、
前記３つの特徴量の各々について、「低骨密度」のファジィ集合と「正常」のファジィ集合とを設定し、それらのメンバーシップ関数を、両メンバーシップ関数の交点を移動させるパラメータ（ｔ）を用いて定義し、
前記学習用データについてファジィネスの合計を求め、このファジィネスを最小化する（ｔ）を前記しきい値（Ｔ）とする、
ことを特徴とする骨粗鬆症診断支援装置。
【請求項３】
請求項２において、
前記ファジィ集合設定部は、
前記各特徴量に対して前記しきい値（Ｔ）をもとに３つのファジィ集合（Ｌ，Ｍ，Ｈ）を設定するものであり、
前記各特徴量について、前記学習用データを前記しきい値（Ｔ）で判別したときに誤って判別されたもののうち最小の値をＴｌ、最大の値をＴｈとしたときに、
前記ファジィ集合（Ｌ）のメンバーシップ関数（μＬ）は、Ｔｌで最大、Ｔで最小となり、Ｔｌ〜Ｔの区間は単調減少となるものであり、
前記ファジィ集合（Ｍ）のメンバーシップ関数（μＭ）は、Ｔで最大、ＴｌおよびＴｈで最小となり、Ｔｌ〜Ｔの区間は単調増加、Ｔ〜Ｔｈの区間は単調減少となるものであり、
前記ファジィ集合（Ｈ）のメンバーシップ関数（μＨ）は、Ｔで最小、Ｔｈで最大となり、Ｔ〜Ｔｈの区間は単調増加となるものである、
ことを特徴とする骨粗鬆症診断支援装置。
【請求項４】
請求項３において、
前記ファジィ集合設定部は、
前記メンバーシップ関数（μＬ，μＭ，μＨ）の交点で前記各特徴量を３区間（ｌ，ｍ，ｈ）に分け、
前記学習用データの各々を、３つの特徴量がそれぞれ前記３区間（ｌ，ｍ，ｈ）のいずれの区間に属するかによって２７通りに分類し、
前記各分類に１つでも「低骨密度」の学習用データが含まれていればその分類に「低骨密度」のラベルを付け、それ以外の分類には「正常」のラベルを付け、
前記区間（ｌ，ｍ，ｈ）を前記ファジィ集合（Ｌ，Ｍ，Ｈ）に対応づけることにより２７通りのファジィルールを設定し、
前記２７通りの各ルール中の各ファジィ集合へのメンバーシップ値の積を前記ニューラルネットワーク部へ入力する、
ことを特徴とする骨粗鬆症診断支援装置。
【請求項５】
皮質骨に関する特徴量を用いて骨粗鬆症の判定を行う方法であって、
皮質骨に関する３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の各々について「低骨密度」か「正常」かを判別するためのしきい値を、学習用データを用いて、ファジィ論理に基づくしきい値処理により決定するステップと、
前記３つの特徴量の各々に対して複数のファジィ集合を設定し、当該ファジィ集合のメンバーシップ関数を前記しきい値に基づいて設定するステップと、
前記３つの特徴量の各々に対して設定された各ファジィ集合へのメンバーシップ値の積を入力とし、「低骨密度」または「正常」を出力とするニューラルネットワーク手段の結合重みを前記学習用データを用いて決定するステップと、
皮質骨部分を含むパノラマＸ線写真から「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」を取得するステップと、
前記パノラマＸ線写真から取得された「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の前記各ファジィ集合へのメンバーシップ値の積を前記ニューラルネットワーク手段に入力するステップとを備える、
ことを特徴とする骨粗鬆症診断支援方法。
【請求項６】
皮質骨に関する特徴量を用いて骨粗鬆症の判定を行うためのコンピュータプログラムであって、
コンピュータを、
皮質骨に関する３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の各々について「低骨密度」か「正常」かを判別するためのしきい値を、学習用データを用いて、ファジィ論理に基づくしきい値処理により決定する手段、
前記３つの特徴量の各々に対して複数のファジィ集合を設定し、当該ファジィ集合のメンバーシップ関数を前記しきい値に基づいて設定する手段、
前記３つの特徴量の各々に対して設定された各ファジィ集合へのメンバーシップ値の積を入力とし、「低骨密度」または「正常」を出力とするニューラルネットワーク手段、
前記ニューラルネットワーク手段の結合重みを前記学習用データを用いて決定する手段、
皮質骨部分を含むパノラマＸ線写真から「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」を取得する手段、
前記パノラマＸ線写真から取得された「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の前記各ファジィ集合へのメンバーシップ値の積を前記ニューラルネットワーク手段に入力する手段、
として機能させるためのプログラム。
【請求項７】
骨粗鬆症診断支援プログラムを記録したコンピュータ読み取り可能な記録媒体であって、
前記プログラムは、コンピュータを、
皮質骨に関する３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の各々について「低骨密度」か「正常」かを判別するためのしきい値を、学習用データを用いて、ファジィ論理に基づくしきい値処理により決定する手段、
前記３つの特徴量の各々に対して複数のファジィ集合を設定し、当該ファジィ集合のメンバーシップ関数を前記しきい値に基づいて設定する手段、
前記３つの特徴量の各々に対して設定された各ファジィ集合へのメンバーシップ値の積を入力とし、「低骨密度」または「正常」を出力とするニューラルネットワーク手段、
前記ニューラルネットワーク手段の結合重みを前記学習用データを用いて決定する手段、
皮質骨部分を含むパノラマＸ線写真から「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」を取得する手段、
前記パノラマＸ線写真から取得された「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の前記各ファジィ集合へのメンバーシップ値の積を前記ニューラルネットワーク手段に入力する手段、
として機能させるためのプログラムである、
ことを特徴とする記録媒体。
【請求項８】
皮質骨に関する特徴量を用いて骨粗鬆症の判定を行うＬＳＩであって、
皮質骨に関する３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の各々について「低骨密度」か「正常」かを判別するためのしきい値を、学習用データを用いて、ファジィ論理に基づくしきい値処理により決定する回路と、
前記３つの特徴量の各々に対して複数のファジィ集合を設定し、当該ファジィ集合のメンバーシップ関数を前記しきい値に基づいて設定する回路と、
前記３つの特徴量の各々に対して設定された各ファジィ集合へのメンバーシップ値の積を入力とし、「低骨密度」または「正常」を出力とするニューラルネットワーク回路と、
前記ニューラルネットワーク回路の結合重みを前記学習用データを用いて決定する回路と、
皮質骨部分を含むパノラマＸ線写真から「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」を取得する回路と、
前記パノラマＸ線写真から取得された「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の前記各ファジィ集合へのメンバーシップ値の積を前記ニューラルネットワーク回路に入力する回路とを備える、
ことを特徴とする骨粗鬆症診断支援用ＬＳＩ。
|
【発明の詳細な説明】【技術分野】
【０００１】
本発明は、歯科用パノラマＸ線写真を用いた骨粗鬆症スクリーニング技術に関する。
【背景技術】
【０００２】
骨密度が低下して骨がもろくなり骨折しやすくなる骨粗鬆症が近年問題になっている。今後の社会のさらなる高齢化に伴い、骨粗鬆症に起因した骨折による患者の生活の質の低下、死亡率の上昇、国民医療費の増大などが予想されている。しかしながら骨粗鬆症患者の大多数を占める閉経後女性のほとんどは自覚症状がないまま骨折リスクの高い生活を送っており、できるだけ早い時期にこの疾患を見つけ骨折の発症を防止することが重要視されている。
【０００３】
骨粗鬆症の診断は大腿骨の骨密度測定によるものが一般的である。ところが自覚症状のない人がわざわざ大腿骨の骨密度測定を受診する例は少なく、そのため、骨折等の大事に至るまで骨粗鬆症が発見されないのが実情である。その一方、自覚症状のない潜在的な骨粗鬆症患者が歯科疾患の治療のために歯科を受診する機会は多いと考えられる。今日歯科では、顎全体が総覧できるパノラマＸ線写真により、歯やその周囲の歯槽骨を診断し、歯科疾患の治療に役立てている。これまでの研究により、歯科用パノラマＸ線写真で観察される下顎の皮質骨の厚さ測定および形態解析が閉経後骨粗鬆症患者のスクリーニングに極めて有用であることが明らかとなっている。これらの研究では、皮質骨の厚さが特定のしきい値以下の場合は骨密度が低下しており骨粗鬆症の疑いが高く、それ以外は骨密度が正常であり骨粗鬆症の疑いが低いことが示されている。また、皮質骨が粗鬆化している場合は通常の皮質骨の場合よりも骨密度が低く骨粗鬆症の疑いが高いことが示されている。パノラマＸ線写真撮影装置はどこの歯科医院にでもあるため、これを骨粗鬆症患者のスクリーニングに活用すれば、歯科医・整形外科医の連携による骨粗鬆症の早期発見・早期治療に役立ち、コストの面でも有用である。また、歯科用パノラマＸ線写真を用いることができれば、大量のＸ線写真を簡単に収集することができるので、骨粗鬆症についての疫学的な調査も行える。
【０００４】
上述の歯科用パノラマＸ線写真を用いた骨粗鬆症診断を支援する装置としては、パノラマＸ線写真上での下顎骨下縁皮質骨の粗鬆化の程度をスケルトン（数理形態学的画像処理手法の１つ）を用いて識別し骨粗鬆症患者をスクリーニングするもの［特許文献１、非特許文献９］、パノラマＸ線写真上の下顎骨下縁皮質骨の厚さをセミオートで正確に測定できるコンピュータシステム［特許文献２、非特許文献６］が存在する。これらを利用すれば、骨粗鬆症診断に関わる術者の特別な技能や経験等を要することなく、簡便な方法で骨粗鬆症の診断を正確に行うことができる。
【特許文献１】特開２００４−２０９０８９号公報
【特許文献２】国際公開第２００６／０４３５２３号パンフレット
【非特許文献１】Bone health and osteoporosis: a surgeon general’s report. (2004).Available: http://www.surgeongeneral.gov/reportspublications.html
【非特許文献２】J. A. Kanis, “Requirement for DXA for the management of osteoporosisin Europe”. OsteoporosisInternational, vol. 16, pp. 229-238, 2005.
【非特許文献３】A. Taguchi, M. Tsuda, M. Ohtsuka, I. Kodama, M. Sanada, T. Nakamoto,K. Inagaki, T. Noguchi, Y. Kudo, Y. Suei, K. Tanimoto, and A. M. Bollen, “Useof dental panoramic radiographs in identifying younger postmenopausal womenwith osteoporosis”, Osteoporosis International vol. 17, no. 3, pp. 387-394,2006
【非特許文献４】K. Lee, A. Taguchi, K. Ishii, Y. Suei, M. Fujita, T. Nakamoto, M. Ohtsuka,M. Sanada, M. Tsuda, K. Ohama, K. Tanimoto, and S. C. White, “Visual estimationof mandibular cortex on panoramic radiographs in identifying postmenopausalwomen with low bone mineral densities”, Oral Surg Oral Med Oral Pathol Oral RadiolEndod vol. 100, pp. 226-231, 2005.
【非特許文献５】A. Taguchi, Y. Suei, M. Sanada, M. Ohtsuka, T. Nakamoto, H. Sumida,K. Ohama, and K. Tanimoto, “Validation of dental panoramic radiography measuresfor identifying postmenopausal women with spinal osteoporosis”, AmericanJournal of Roentgenology, vol. 183, pp. 1755-1760, 2004.
【非特許文献６】A. Z. Arifin, A. Asano, A. Taguchi, T. Nakamoto, M. Ohtsuka, and K. Tanimoto,“Computer-aided system for measuring the mandibular cortical width on panoramicradiographs in osteoporosis diagnosis”, in Proc. SPIE Med Imaging 2005 -ImageProcessing Conference, San Diego, 2005, pp. 813-821
【非特許文献７】A. Z. Arifin, A. Asano, A. Taguchi, T. Nakamoto, M. Ohtsuka, M. Tsuda,Y.Kudo, and K. Tanimoto, “Computer-aided system for measuring the mandibularcortical width on panoramic radiographs in identifying postmenopausal womenwith low bone mineral density”. Osteoporosis International, vol. 17, pp.753-759, 2006.
【非特許文献８】A. Taguchi, M. Sanada, E. Krall, T. Nakamoto, M. Ohtsuka, Y. Suei,K. Tanimoto, I. Kodama, M. Tsuda, and K. Ohama, “Relationship between dentalpanoramic radiographic findings and biochemical markers of bone turnover”, J.Bone Miner Res., vol. 18, pp. 1689-169, 2003.
【非特許文献９】T. Nakamoto, A. Taguchi, A. Asano, M. Ohtsuka, Y. Suei, M. Fujita,M. Sanada, K. Ohama, and K. Tanimoto, "Computer-aided diagnosis oflow skeletal bone mass on panoramic radiographs," presented at the82nd General Session & Exhibition of the International Association forDental Research no. 1953, Hawaii, 2004.
【非特許文献１０】L. X. Wang, “The WM method completed: a flexible fuzzy systemapproach to data mining”, IEEE Transaction on fuzzy system, vol. 11, no. 6, pp.768-780, 2003.
【非特許文献１１】S. Horikawa, T. Furuhashi, and Y. Uchikawa, "On fuzzy modelingusing fuzzy neural network with the back-propagation algorithm". IEEETransaction on Neural Network, vol. 3, no. 5, pp. 801-806, 1992.
【非特許文献１２】Y. Lin, G.A. Cunningham III, S.V. Coggeshall, "Using fuzzypartitions to create fuzzy systems from input-output data and set the initialweights in a fuzzy neural network", IEEE Transaction on Fuzzy Systems,vol. 5, no. 4, pp. 614-621, 1997.
【非特許文献１３】M. Sezgin and B. Sankur, “Survey over image thresholding techniquesand quantitative performance evaluation”, Journal of Electronic Imaging, vol.13, no. 1, pp. 146-165, 2004.
【非特許文献１４】L. K. Huang and M. J. J. Wang , “ Image thresholding by minimizingthe measures of fuzziness”, Patter Recognition, vo. 28, no. 1, pp. 41-51, 1995.
【非特許文献１５】A.Z. Arifin and A. Asano, "Image thresholding by measuring thefuzzy sets similarity," Proc. Information and Communication TechnologySeminar 2005, pp. 189-194, 2005.
【非特許文献１６】A.Z. Arifin and A. Asano, "Image Segmentation by Histogram ThresholdingUsing Hierarchical Cluster Analysis," Pattern Recognition Letters, inpress, available online 3 May 2006.
【発明の開示】
【発明が解決しようとする課題】
【０００５】
本発明の目的は、歯科用パノラマＸ線写真を用いた骨粗鬆症スクリーニングの判定精度の向上を図ることである。
【課題を解決するための手段】
【０００６】
本発明による骨粗鬆症診断支援装置は、皮質骨に関する特徴量を用いて骨粗鬆症の判定を行う装置であって、
皮質骨に関する３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の各々について「低骨密度」か「正常」かを判別するためのしきい値を、学習用データを用いて、ファジィ論理に基づくしきい値処理により決定するしきい値決定部と、
前記３つの特徴量の各々に対して複数のファジィ集合を設定し、当該ファジィ集合のメンバーシップ関数を前記しきい値に基づいて設定するファジィ集合設定部と、
前記３つの特徴量の各々に対して設定された各ファジィ集合へのメンバーシップ値の積を入力とし、「低骨密度」または「正常」を出力とするニューラルネットワーク部と、
前記ニューラルネットワーク部の結合重みを前記学習用データを用いて決定する結合重み決定部と、
皮質骨部分を含むパノラマＸ線写真から「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」を取得する特徴量取得部と、
前記特徴量取得部により取得された「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の前記各ファジィ集合へのメンバーシップ値の積を前記ニューラルネットワーク部に入力する入力部とを備える、
ことを特徴とする。
【０００７】
上記骨粗鬆症診断支援装置において、
前記しきい値決定部は、
前記３つの特徴量の各々について、「低骨密度」のファジィ集合と「正常」のファジィ集合とを設定し、それらのメンバーシップ関数を、両メンバーシップ関数の交点を移動させるパラメータ（ｔ）を用いて定義し、
前記学習用データについてファジィネスの合計を求め、このファジィネスを最小化する（ｔ）を前記しきい値（Ｔ）とする、
ことが好ましい。
【０００８】
上記骨粗鬆症診断支援装置において、
前記ファジィ集合設定部は、
前記各特徴量に対して前記しきい値（Ｔ）をもとに３つのファジィ集合（Ｌ，Ｍ，Ｈ）を設定するものであり、
前記各特徴量について、前記学習用データを前記しきい値（Ｔ）で判別したときに誤って判別されたもののうち最小の値をＴｌ、最大の値をＴｈとしたときに、
前記ファジィ集合（Ｌ）のメンバーシップ関数（μＬ）は、Ｔｌで最大、Ｔで最小となり、Ｔｌ〜Ｔの区間は単調減少となるものであり、
前記ファジィ集合（Ｍ）のメンバーシップ関数（μＭ）は、Ｔで最大、ＴｌおよびＴｈで最小となり、Ｔｌ〜Ｔの区間は単調増加、Ｔ〜Ｔｈの区間は単調減少となるものであり、
前記ファジィ集合（Ｈ）のメンバーシップ関数（μＨ）は、Ｔで最小、Ｔｈで最大となり、Ｔ〜Ｔｈの区間は単調増加となるものである、
ことが好ましい。
【０００９】
上記骨粗鬆症診断支援装置において、
前記ファジィ集合設定部は、
前記メンバーシップ関数（μＬ，μＭ，μＨ）の交点で前記各特徴量を３区間（ｌ，ｍ，ｈ）に分け、
前記学習用データの各々を、３つの特徴量がそれぞれ前記３区間（ｌ，ｍ，ｈ）のいずれの区間に属するかによって２７通りに分類し、
前記各分類に１つでも「低骨密度」の学習用データが含まれていればその分類に「低骨密度」のラベルを付け、それ以外の分類には「正常」のラベルを付け、
前記区間（ｌ，ｍ，ｈ）を前記ファジィ集合（Ｌ，Ｍ，Ｈ）に対応づけることにより２７通りのファジィルールを設定し、
前記２７通りの各ルール中の各ファジィ集合へのメンバーシップ値の積を前記ニューラルネットワーク部へ入力する、
ことが好ましい。
【００１０】
本発明による骨粗鬆症診断支援方法は、皮質骨に関する特徴量を用いて骨粗鬆症の判定を行う方法であって、
皮質骨に関する３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の各々について「低骨密度」か「正常」かを判別するためのしきい値を、学習用データを用いて、ファジィ論理に基づくしきい値処理により決定するステップと、
前記３つの特徴量の各々に対して複数のファジィ集合を設定し、当該ファジィ集合のメンバーシップ関数を前記しきい値に基づいて設定するステップと、
前記３つの特徴量の各々に対して設定された各ファジィ集合へのメンバーシップ値の積を入力とし、「低骨密度」または「正常」を出力とするニューラルネットワーク手段の結合重みを前記学習用データを用いて決定するステップと、
皮質骨部分を含むパノラマＸ線写真から「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」を取得するステップと、
前記パノラマＸ線写真から取得された「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の前記各ファジィ集合へのメンバーシップ値の積を前記ニューラルネットワーク手段に入力するステップとを備える、
ことを特徴とする。
【００１１】
本発明による骨粗鬆症診断支援プログラムは、皮質骨に関する特徴量を用いて骨粗鬆症の判定を行うためのコンピュータプログラムであって、
コンピュータを、
皮質骨に関する３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の各々について「低骨密度」か「正常」かを判別するためのしきい値を、学習用データを用いて、ファジィ論理に基づくしきい値処理により決定する手段、
前記３つの特徴量の各々に対して複数のファジィ集合を設定し、当該ファジィ集合のメンバーシップ関数を前記しきい値に基づいて設定する手段、
前記３つの特徴量の各々に対して設定された各ファジィ集合へのメンバーシップ値の積を入力とし、「低骨密度」または「正常」を出力とするニューラルネットワーク手段、
前記ニューラルネットワーク手段の結合重みを前記学習用データを用いて決定する手段、
皮質骨部分を含むパノラマＸ線写真から「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」を取得する手段、
前記パノラマＸ線写真から取得された「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の前記各ファジィ集合へのメンバーシップ値の積を前記ニューラルネットワーク手段に入力する手段、
として機能させることを特徴とする。
【００１２】
本発明による記録媒体は、骨粗鬆症診断支援プログラムを記録したコンピュータ読み取り可能な記録媒体であって、
前記プログラムは、コンピュータを、
皮質骨に関する３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の各々について「低骨密度」か「正常」かを判別するためのしきい値を、学習用データを用いて、ファジィ論理に基づくしきい値処理により決定する手段、
前記３つの特徴量の各々に対して複数のファジィ集合を設定し、当該ファジィ集合のメンバーシップ関数を前記しきい値に基づいて設定する手段、
前記３つの特徴量の各々に対して設定された各ファジィ集合へのメンバーシップ値の積を入力とし、「低骨密度」または「正常」を出力とするニューラルネットワーク手段、
前記ニューラルネットワーク手段の結合重みを前記学習用データを用いて決定する手段、
皮質骨部分を含むパノラマＸ線写真から「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」を取得する手段、
前記パノラマＸ線写真から取得された「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の前記各ファジィ集合へのメンバーシップ値の積を前記ニューラルネットワーク手段に入力する手段、
として機能させるためのプログラムである、
ことを特徴とする。
【００１３】
本発明による骨粗鬆症診断支援用ＬＳＩは、皮質骨に関する特徴量を用いて骨粗鬆症の判定を行うＬＳＩであって、
皮質骨に関する３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の各々について「低骨密度」か「正常」かを判別するためのしきい値を、学習用データを用いて、ファジィ論理に基づくしきい値処理により決定する回路と、
前記３つの特徴量の各々に対して複数のファジィ集合を設定し、当該ファジィ集合のメンバーシップ関数を前記しきい値に基づいて設定する回路と、
前記３つの特徴量の各々に対して設定された各ファジィ集合へのメンバーシップ値の積を入力とし、「低骨密度」または「正常」を出力とするニューラルネットワーク回路と、
前記ニューラルネットワーク回路の結合重みを前記学習用データを用いて決定する回路と、
皮質骨部分を含むパノラマＸ線写真から「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」を取得する回路と、
前記パノラマＸ線写真から取得された「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の前記各ファジィ集合へのメンバーシップ値の積を前記ニューラルネットワーク回路に入力する回路とを備える、
ことを特徴とする。
【発明の効果】
【００１４】
本発明は、歯科用パノラマＸ線写真から抽出された３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」を用いて「低骨密度」か「正常」かの判定をファジィニューラルネットワークにより行うものである。このように３つの特徴量を組み合わせることには以下のような利点がある。
【００１５】
皮質骨形態と皮質骨厚みにはそれぞれ、「皮質骨形態は、女性の閉経後の骨吸収速度を示す」「皮質骨厚みは、若年時に獲得した最大骨量を主に表す」という医学的根拠があり、こららの組合せには、最大骨量から吸収された骨量の結果を表すという点で、骨粗鬆症の判別に有用となるという背景がある。上記の分析には、本来は、「皮質骨厚み」の他には「最小セグメント長」または「平均セグメント長」のどちらかの特徴量があれば十分なはずである。しかしながら、スケルトンを求める画像演算は皮質骨形態の微妙な変化の影響を受けやすく、これらの特徴量にはしばしばエラーが入るため、本発明では両方の特徴量を用いることによりこれを抑制し判定精度を向上させている。
【００１６】
また、本発明では、ファジィ論理に基づくしきい値処理により３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の各々についてしきい値を決定し、各特徴量ごとに設定した複数のファジィ集合のメンバーシップ関数を上記しきい値に基づいて定義することにより、利用可能な学習用データに応じた適切なメンバーシップ関数を得ることができ、これによってもシステムの判定精度を向上させている。
【発明を実施するための最良の形態】
【００１７】
＜骨粗鬆症診断支援システム＞
近年、歯科用パノラマＸ線写真を用いた骨粗鬆症患者のスクリーニングが注目されている。本実施形態による骨粗鬆症診断支援システムはこれを支援するものである。このシステムの全体構成を図１に示す。このシステムは、Ｘ線画像入力部１００と、皮質骨厚抽出部２００と、セグメント抽出部３００と、学習用データベース４００と、ファジィ演算部５００と、ニューラルネットワーク６００とを備えている。このシステムは、歯科用パノラマＸ線写真から抽出された３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」を用いて「低骨密度（低ＢＭＤ）」か「正常」かの判定をファジィニューラルネットワークにより行うものである。このシステムにより行われる処理は「学習フェーズ」と「判定フェーズ」とに大きく分けられる。「学習フェーズ」では、「低ＢＭＤ」か「正常」かの判定が既になされている学習用患者のパノラマＸ線写真を用いて本システムを最適化する。「判定フェーズ」では、学習フェーズにより最適化されたシステムを用いて、未判定のパノラマＸ線写真について「低ＢＭＤ」か「正常」かの判定を行う。
【００１８】
＜学習フェーズ＞
学習フェーズにおいて行われる処理の流れを図２に示す。以下、各ステップにおける処理について具体的に説明する。
【００１９】
≪ＳＴ２００≫
本システムで使用した学習用データは、本願発明者らが関与するクリニックを骨密度（ＢＭＤ）評価のために１９９６〜２００１年の間に訪れた５０歳以上で同意を得た１００人の閉経後女性から得た下顎体皮質骨のパノラマＸ線写真に基づいている。この学習用患者１００人は、本願発明者らが関与するクリニックをＤＸＡ測定のために１９９６〜２００１年の間に訪れた５３１人の閉経後女性からランダムに集めた。すなわち、この１００人については、ＤＸＡ法を用いた腰椎の骨密度データに基づく当該クリニックの判定結果（「低ＢＭＤ」あるいは「正常」）と、下顎体皮質骨のパノラマＸ線写真とが得られている。なお、上記学習用データはあくまで一例であり、本システムで使用可能な学習用データは上記のものに限定されない。学習用患者の下顎体皮質骨のパノラマＸ線写真と、その学習用患者について本システム以外の診断方法により得られた骨密度の判定結果（「低ＢＭＤ」あるいは「正常」）とがあれば学習用データとして使用可能である。
【００２０】
学習用患者１００人のパノラマＸ線写真はＸ線画像入力部１００によりデジタル画像化されて皮質骨厚抽出部２００に供給される。皮質骨厚抽出部２００は、デジタル化されたパノラマＸ線画像から皮質骨厚を抽出する。この皮質骨厚抽出部２００は、［特許文献２、非特許文献６］に開示された技術を用いて実現されている。皮質骨厚抽出部２００は、パノラマＸ線写真上の左右の各オトガイ孔と下顎底を含む下顎体の一部を対象領域画像として切り出し（図３（ａ）参照）、各対象領域画像についてオトガイ孔を基準とした所定の演算処理により皮質骨厚を取得する（図３（ｂ）（ｃ）参照）。この処理の詳細については［特許文献２、非特許文献６］に開示されている。皮質骨厚抽出部２００は、左右の各対象領域画像について得られた皮質骨厚の平均値を算出し、この平均値を当該パノラマＸ線写真についての皮質骨厚として学習用データベース４００に蓄積する。
【００２１】
一方、学習用患者１００人のパノラマＸ線写真はＸ線画像入力部１００によりデジタル画像化されてセグメント抽出部３００にも供給される。セグメント抽出部３００は、デジタル化されたパノラマＸ線写真画像から最小セグメントサイズ（最小ＳＥＧ）および平均セグメントサイズ（平均ＳＥＧ）を抽出する。このセグメント抽出部３００は、［特許文献１、非特許文献９］に開示された技術を用いて実現されている。パノラマＸ線写真上の下顎骨臼歯部下縁皮質骨（図４（ａ）の点線部分）の内面は、骨密度の低下が起こっていない人では、その形態がスムーズであり、一定の厚さを有している（図４（ｂ）参照）。しかし、骨密度が低下すると、その内面が線状に吸収を起こし、粗造な構造となることが明らかになっている（図４（ｃ）参照）。このような形態の違いは、パノラマＸ線画像の皮質骨部分にスケルトン処理（数理形態学的画像処理手法の１つ）を施すことにより識別できる。皮質骨のパノラマＸ線画像（図５（ａ１），（ａ２）参照）にスケルトン処理を施すと、細かい線がいろいろな方向に走っている画像が得られる（図５（ｂ１），（ｂ２）参照）。このスケルトン画像から下顎骨下縁と平行な成分のみ取り出して２値化処理した後の画像に現れる線素（セグメント）のサイズ（画素数）や数の解析により、皮質骨の形態の違いを識別できる（図５（ｃ１），（ｃ２）参照）。上記スケルトン処理等の詳細については［特許文献１、非特許文献９］に開示されている。
【００２２】
セグメント抽出部３００は、皮質骨厚抽出部２００と同様に左右の対象領域画像を切り出し（図３（ａ）参照）、各対象領域画像の皮質骨部分から上記一連の処理によりセグメントを抽出する。セグメント抽出部３００は、左右の各対象領域画像のぞれぞれについて、得られたセグメントのサイズの最小値（最小セグメントサイズ）と平均値（平均セグメントサイズ）を算出する。セグメント抽出部３００は、最小セグメントサイズ，平均セグメントサイズの左右の平均値をそれぞれ算出し、この平均値をそれぞれ当該パノラマＸ線写真についての最小セグメントサイズ（最小ＳＥＧ），平均セグメントサイズ（平均ＳＥＧ）として学習用データベース４００に蓄積する。
【００２３】
以上の処理により学習用データベース４００には学習用患者１００人についての各種データが図６に示すように蓄積される。学習用データベース４００には、学習用患者の各々について、パノラマＸ線画像のＩＤ，ＤＸＡ法による判定結果，皮質骨厚抽出部２００により得られた皮質骨厚，セグメント抽出部３００により得られた最小セグメントサイズ（最小ＳＥＧ）および平均セグメントサイズ（平均ＳＥＧ）が対応づけて記憶される。
【００２４】
≪ＳＴ２１０≫
ファジィ演算部５００は、ファジィ推論に基づくしきい値処理により、３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の各々について、仮に「低ＢＭＤ」か「正常」かを判別するしきい値を決定する。この処理は以下のように行われる。
【００２５】
まず、各特徴量について、「低ＢＭＤ」に対応するファジィ集合（Ｌ）および「正常」に対応するファジィ集合（Ｎ）の２つのファジィ集合を考え、メンバシップ関数を［数１］に示す２次関数で定義する。
【００２６】
【数１】
【００２７】
数１において、μＬは「低ＢＭＤ」に対応するファジィメンバーシップ関数、μＮは「正常」に対応するメンバーシップ関数を示す。ｘは各特徴量の要素、ｘｍｉｎは最小値、ｘｍａｘは最大値を示す。ｔはしきい値を示し、ｘｍｉｎとｘｍａｘの間の任意の値が割り当てられる。パラメータｔは、２つのメンバシップ関数μＬ，μＮの交点を左右に動かすものである。ＺはＺ関数、ＳはＳ関数を示す。
【００２８】
次に、各特徴量ごとに、学習用データベース４００に蓄積されているデータを用いて［数２］によりファジィネス指標γＬ（ｔ），γＮ（ｔ）を求める。
【００２９】
【数２】
【００３０】
数２において、γＬ（ｔ）はファジィ集合Ｌについてのファジィネス指標、γＮ（ｔ）はファジィ集合Ｎについてのファジィネス指標を示す。ＸＬは、学習用データベース４００において「低ＢＭＤ」の判定結果に対応づけられている各特徴量の集合を示し、ＸＮは、学習用データベース４００において「正常」の判定結果に対応づけられている各特徴量の集合を示す。｜ＸＬ｜は集合ＸＬのメンバー数、｜ＸＮ｜は集合ＸＮのメンバー数を示す。ｔの値の増加とともに、ファジィネス指標γＬ（ｔ）は減少し、γＮ（ｔ）は増加する傾向を示す。
【００３１】
ファジィネス指標の一方（ここではγＬ（ｔ））を［数３］に示す正規化係数αで正規化し、［数４］に示す基準関数Ｊ（ｔ）を最小にするｔ（＝Ｔ）を求め、これをしきい値とする。
【００３２】
【数３】
【００３３】
【数４】
【００３４】
上記しきい値化手法により、「皮質骨厚」ついてしきい値Ｔｃｗ、「最小セグメントサイズ」についてしきい値Ｔｍｉｎ、「平均セグメントサイズ」についてしきい値Ｔａｖｇがそれぞれ得られる。これらのしきい値は、図７に示すように、「皮質骨厚」，「最小セグメントサイズ」，「平均セグメントサイズ」の最適なカットオフしきい値に対応している。
【００３５】
≪ＳＴ２２０≫
次にファジィ演算部５００は、上記しきい値Ｔｃｗ，Ｔｍｉｎ，Ｔａｖｇをもとに、「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の各特徴量ごとに３つのファジィ集合Ｌ，Ｍ，Ｈを設定し、それらのメンバーシップ関数μＬ，μＭ，μＨを定義する。この処理の詳細について「皮質骨厚」の場合を例に説明する。
【００３６】
まず、学習用データベース４００（図６）に格納されている各学習用データをしきい値Ｔｃｗで判別する。具体的には、学習用データベース４００に格納されている皮質骨厚ｃ１〜ｃ１００の各々としきい値Ｔｃｗとを比較する。皮質骨厚ｃｉがしきい値Ｔｃｗ以下のときは「低ＢＭＤ」、それ以外のときは「正常」と判定する。次に、このしきい値Ｔｃｗによる判定結果と、その皮質骨厚ｃｉについてのＤＸＡ法による判定結果とを比較する。両者の判定結果が一致しない皮質骨厚のうち最小の値Ｔｌ、最大の値Ｔｈを求める。そしてファジィ集合Ｌｃｗ，Ｍｃｗ，Ｈｃｗのメンバーシップ関数μＬｃｗ，μＭｃｗ，μＨｃｗを、上記Ｔｃｗ，Ｔｌ，Ｔｈに基づいて、図８に示すような１次関数で設定する。ファジィ集合Ｌｃｗのメンバーシップ関数μＬｃｗは、Ｔｌで最大（１）、Ｔｃｗで最小（０）となり、Ｔｌ〜Ｔｃｗの区間は単調減少となる。また、ｘｍｉｎ〜Ｔｌの区間は最大値（１）をとり、ｘｍｉｎ以下およびＴｃｗ以上の区間は最小値（０）をとる。ファジィ集合Ｍｃｗのメンバーシップ関数μＭｃｗは、Ｔｃｗで最大（１）、ＴｌおよびＴｈで最小（０）となり、Ｔｌ〜Ｔｃｗの区間は単調増加、Ｔｃｗ〜Ｔｈの区間は単調減少となる。また、Ｔｌ以下およびＴｈ以上の区間は最小値（０）をとる。ファジィ集合Ｈｃｗのメンバーシップ関数μＨｃｗは、Ｔｃｗで最小（０）、Ｔｈで最大（１）となり、Ｔｃｗ〜Ｔｈの区間は単調増加となる。また、Ｔｈ〜ｘｍａｘの区間は最大値（１）をとり、Ｔｃｗ以下およびｘｍａｘ以上の区間は最小値（０）をとる。
【００３７】
上述のとおり、Ｔｃｗ，Ｔｌ，Ｔｈは、学習用データベース４００に蓄積されている学習用データを用いて算出されているため、利用可能な学習用データに応じてこれらの値も変わってくる。その結果、メンバーシップ関数μＬｃｗ，μＭｃｗ，μＨｃｗの形も、利用可能な学習用データに応じて、例えば図９に示すように変わってくる。このように本システムでは、利用可能な学習用データに応じて最適なメンバーシップ関数μＬｃｗ，μＭｃｗ，μＨｃｗが設定される。
【００３８】
しきい値Ｔｍｉｎをもとに「最小セグメントサイズ」についてのファジィ集合Ｌｍｉｎ，Ｍｍｉｎ，Ｈｍｉｎを設定しそれらのメンバーシップ関数μＬｍｉｎ，μＭｍｉｎ，μＨｍｉｎを定義する処理、および、しきい値Ｔａｖｇをもとに「平均セグメントサイズ」についてのファジィ集合Ｌａｖｇ，Ｍａｖｇ，Ｈａｖｇを設定しそれらのメンバーシップ関数μＬａｖｇ，μＭａｖｇ，μＨａｖｇを定義する処理についても上記と同様に行われる。
【００３９】
≪ＳＴ２３０≫
次にファジィ演算部５００は、図１０（ａ）に示すように、各特徴量を上記メンバーシップ関数μＬ，μＭ，μＨの交点で３区間ｌ，ｍ，ｈに分ける。これにより、皮質骨厚、最小セグメントサイズ、平均セグメントサイズで構成される３次元特徴量空間が２７（＝３×３×３）個のサブ空間に分類される［（皮質骨厚，最小ＳＥＧ，平均ＳＥＧ）が（ｌ，ｌ，ｌ），（ｌ，ｌ，ｍ），…，（ｈ，ｈ，ｍ），（ｈ，ｈ，ｈ）の２７個］。なお、利用可能な学習用データに応じてメンバーシップ関数μＬ，μＭ，μＨの形が変わるのに伴い、上記３区間ｌ，ｍ，ｈも例えば図１０（ｂ）に示すように変わってくる。また、上記３区間ｌ，ｍ，ｈは特徴量ごとにも変わってくる。
【００４０】
次にファジィ演算部５００は、学習用データベース４００（図６）に蓄積されている各学習用データを、３つの特徴量がそれぞれｌ，ｍ，ｈのいずれの区間に属するかに応じて上記２７個のサブ空間のうちの１つに分類する。この分類結果に基づいて上記各サブ空間に「低ＢＭＤ」または「正常」のラベルを付ける。具体的には、ＤＸＡ法による判定結果が「低ＢＭＤ」である学習用データが１つでも含まれていればそのサブ空間に「低ＢＭＤ」のラベルを付け、それ以外の場合には「正常」のラベルを付ける。
【００４１】
次にファジィ演算部５００は、３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」に対応する３つの入力と、「低ＢＭＤ」あるいは「正常」に対応する１つの出力とを有するファジィルールを上記ラベル付けに基づいて設定する。具体的には、上記区間ｌ，ｍ，ｈをファジィ集合Ｌ，Ｍ，Ｈに対応づけ、たとえば、「皮質骨厚」がＬｃｗかつ「最小セグメントサイズ」がＭｍｉｎかつ「平均セグメントサイズ」がＨａｖｇならばラベルは「正常」といったファジィルールを２７通り設定する。
【００４２】
次にファジィ演算部５００は、学習用データベース４００の各学習データについて、上記２７通りの各ルールごとに、ルール中の各ファジィ集合へのメンバーシップ値の積を求める。そして図１１に示すように、この２７個の積を、ニューラルネットワーク６００の入力層にある２７個のニューロンへの入力とする。ニューラルネットワーク６００の中間層のニューロンは２個、出力層のニューロンは１個であり、出力層では「正常」を０、「低ＢＭＤ」を１としている。このニューラルネットワーク６００の重みをＢＰアルゴリズムにより学習する。なお、入力層から中間層への接続重みの初期値は、上記ファジィルールを用いて定める。すなわち、あるニューロンに対応するルールでのラベルが「正常」であれば、入力層のそのニューロンと中間層のニューロンとの接続重みを０、「低ＢＭＤ」であれば重みを１とする。中間層のどちらのニューロンへの接続重みも初期値は同じである。
【００４３】
＜判定フェーズ＞
「判定フェーズ」では、上述の学習フェーズにより最適化されたシステムを用いて、未判定のパノラマＸ線写真について「低ＢＭＤ」か「正常」かの判定を以下のように行う。
【００４４】
未判定のパノラマＸ線写真はＸ線画像入力部１００によりデジタル画像化されて皮質骨厚抽出部２００およびセグメント抽出部３００に供給される。デジタル化されたパノラマＸ線画像から皮質骨厚抽出部２００により皮質骨厚が抽出され、セグメント抽出部３００により最小セグメントサイズおよび平均セグメントサイズが抽出される。皮質骨厚抽出部２００およびセグメント抽出部３００による抽出処理は上記学習フェーズにおける処理と同様である。抽出された「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」について、上述の２７通りの各ルールごとに、ルール中の各ファジィ集合へのメンバーシップ値の積がファジィ演算部５００において算出され、この２７個の積が、ニューラルネットワーク６００の入力層にある２７個のニューロンへ入力され、出力層から「低ＢＭＤ」あるいは「正常」の出力が得られる。
【００４５】
＜本システムの利点＞
以上に説明したように、本実施形態による骨粗鬆症診断支援システムは、歯科用パノラマＸ線写真から抽出された３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」を用いて「低骨密度」か「正常」かの判定をファジィニューラルネットワークにより行うものである。このように３つの特徴量を組み合わせることには以下のような利点がある。
【００４６】
皮質骨形態と皮質骨厚みにはそれぞれ、「皮質骨形態は、女性の閉経後の骨吸収速度を示す」「皮質骨厚みは、若年時に獲得した最大骨量を主に表す」という医学的根拠があり、こららの組合せには、最大骨量から吸収された骨量の結果を表すという点で、骨粗鬆症の判別に有用となるという背景がある。上記の分析には、本来は、「皮質骨厚み」の他には「最小セグメント長」または「平均セグメント長」のどちらかの特徴量があれば十分なはずである。しかしながら、スケルトンを求める画像演算は皮質骨形態の微妙な変化の影響を受けやすく、これらの特徴量にはしばしばエラーが入るため、本システムでは両方の特徴量を用いることによりこれを抑制し判定精度を向上させている。
【００４７】
また、本システムでは、ファジィ論理に基づくしきい値処理により３つの特徴量「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」の各々についてしきい値を決定し（ＳＴ２１０）、各特徴量ごとに設定した３つのファジィ集合のメンバーシップ関数を上記しきい値に基づいて定義する（ＳＴ２２０）ことにより、利用可能な学習用データに応じた適切なメンバーシップ関数を得ることができ、これによってもシステムの判定精度を向上させている。
【００４８】
＜実験結果＞
本システムを用いた実験結果を図１２に示す。ここでは感度（Sensitivity）と特異度（Specificity）の項目でパフォーマンスを評価している。５０人分の学習用データを用いてシステムを最適化し、５０人の実験対象者のパノラマＸ線写真について「低ＢＭＤ」か「正常」の判定を行った。学習用データおよび実験対象者はランダムに選択し、異なる組合せで１０回繰り返した。図１２に示す感度（Sensitivity）および特異度（Specificity）は１０回の平均値である。比較として、しきい値化アルゴリズム（ＳＴ２１０）を用いないファジィニューラルネットワーク方法、および、ニューラルネットワーク（ＳＴ２３０）を用いないファジィ推論システム方法による結果を示す。しきい値化アルゴリズム、ファジィ推論システム、ニューラルネットワークを組み入れた本システムによる感度（Sensitivity）および特異度（Specificity）それぞれ９０.９２％、６３.６９％である。このパフォーマンスの優位性は、メンバーシップ関数を最適化する良いアルゴリズムを設計することの重要性およびニューラルネットワークを使用した学習ステップの重要性を示していると考えられる。
【００４９】
＜その他の実施形態＞
本実施形態による骨粗鬆症診断支援システムはコンピュータシステムとして実現可能である他、コンピュータプログラムとして、また、当該プログラムを記録したコンピュータ読み取り可能な記録媒体としても実現可能である。さらには、本実施形態で説明した機能を実行する専用ＬＳＩとしても実現可能である。
【産業上の利用可能性】
【００５０】
本発明を用いれば、歯科医と整形外科医が連携し、歯科医院で撮影される顎骨のパノラマＸ線写真を用いて骨粗鬆症患者を発見し整形外科医の受診を勧めることができ、適切な骨粗鬆症の治療を大事に至る前に行うことができる。
【図面の簡単な説明】
【００５１】
【図１】本発明の実施形態による骨粗鬆症診断支援システムの全体構成を示すブロック図
【図２】学習フェーズにおいて行われる処理の流れを示すフローチャート
【図３】（ａ）歯科用パノラマＸ線写真の一例、（ｂ）（ｃ）皮質骨厚の一例
【図４】パノラマＸ線写真上での皮質骨の形態変化の例
【図５】セグメント抽出処理過程を示す図
【図６】学習用データベースに蓄積されるデータ例
【図７】「皮質骨厚」「最小セグメントサイズ」「平均セグメントサイズ」についてのファジィ指標
【図８】「皮質骨厚」についてのファジィ集合Ｌｃｗ，Ｍｃｗ，Ｈｃｗのメンバーシップ関数の一例
【図９】「皮質骨厚」についてのファジィ集合Ｌｃｗ，Ｍｃｗ，Ｈｃｗのメンバーシップ関数の一例
【図１０】各特徴量をメンバーシップ関数の交点で３区間ｌ，ｍ，ｈに分ける一例
【図１１】ニューラルネットワークの構成例
【図１２】本実施形態のシステムを用いた実験結果
【符号の説明】
【００５２】
１００ Ｘ線画像入力部
２００ 皮質骨厚抽出部
３００ セグメント抽出部
４００ 学習用データベース
５００ ファジィ演算部
６００ ニューラルネットワーク
|
| 【出願人】 |
【識別番号】５０４１３６５６８
【氏名又は名称】国立大学法人広島大学
|
| 【出願日】 |
平成１８年８月４日（２００６．８．４） |
| 【代理人】 |
【識別番号】１０００７７９３１
【弁理士】
【氏名又は名称】前田 弘
【識別番号】１００１１０９３９
【弁理士】
【氏名又は名称】竹内 宏
【識別番号】１００１１０９４０
【弁理士】
【氏名又は名称】嶋田 高久
【識別番号】１００１１３２６２
【弁理士】
【氏名又は名称】竹内 祐二
【識別番号】１００１１５０５９
【弁理士】
【氏名又は名称】今江 克実
【識別番号】１００１１５６９１
【弁理士】
【氏名又は名称】藤田 篤史
【識別番号】１００１１７５８１
【弁理士】
【氏名又は名称】二宮 克也
【識別番号】１００１１７７１０
【弁理士】
【氏名又は名称】原田 智雄
【識別番号】１００１２１７２８
【弁理士】
【氏名又は名称】井関 勝守
【識別番号】１００１２４６７１
【弁理士】
【氏名又は名称】関 啓
【識別番号】１００１３１０６０
【弁理士】
【氏名又は名称】杉浦 靖也
|
| 【公開番号】 |
特開２００８−３６０６８（Ｐ２００８−３６０６８Ａ） |
| 【公開日】 |
平成２０年２月２１日（２００８．２．２１） |
| 【出願番号】 |
特願２００６−２１３２５９（Ｐ２００６−２１３２５９） |
|