JPH03102477A - 放射線画像処理装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 （産業」二の利用分野） 本発明は、放射線画像処理装置、さらに詳し７くは、放
射線画像データに基づいて、照射野の認識、先読み画像
データに裁づく本読みの画像読取条件の決定、画像処理
条件の決定、異常陰影の検出等のデータ処理を、ニュー
ラルネットワークを用いて行なう放射線画像処理装置に
関するものである。

（従来の技術） 記録された放射線画像を読み取って画像信号を得、この
画像信号に適切な画像処理を施した後、画像を再生記録
することは種々の分野で行なわれている。たとえば、後
の画像処理に適合するように設計されたガンマ値の低い
Ｘ線フィルムを用いてＸ線画像を記録し、このＸ線画像
が記録されたフィルムからＸ線画像を読み取って電気信
号に変換し、この電気信号（画像信号）に画像処理を施
した後コピー写真等に可視像として再生することにより
、コントラスト，シャープネス，粒状性等の画質性能の
良好な再生画像を得ることが行なわ５ ６ れている（特公昭ＢＩ．−５１９３号公報参照）。

また本願出願人により、放射線（Ｘ線，α線，β線，γ
線，電子線，紫外線等）を照剃するとこの放射線エネル
ギーの一部が蓄積され、その後可視光等の励起光を照則
すると蓄積されたエネルギーに応じて輝尽発光を示す蓄
積性蛍光体（輝尽性蛍光体）を利川して、人体等の被写
体の放射線画像情報を一旦シート状の蓄積性蛍光体に記
録し、この蓄積性蛍光体ンートをレーザー光等の励起光
で走査して輝尽発光光を生ぜしめ、得られた輝尽発光光
を九電的に読み取って画像信号を得、この画像データに
基づき被写体の放射線画像を写真感光材料等の記録材料
、ＣＲＴ等に可視像として出力させる放射線画像記録再
生システムがすでに提案されている（特開昭５５−１．
２４２９号，同５Ｂ−１１３９５号同５５−１６３４７
２号，同５８−１０４１３４５号，同５５−　１１Ｈ４
０号等）。

このシステムは、従来の銀塩写真を用いる放ａ・ｔ線写
真システムと比較して極めて広い放射線露出域にわたっ
て画像を記録しうるという夷用的な利点を有している。

すなわち、蓄積性蛍光体においては、放射線露光量に対
して蓄私後に励起によって輝尽発光する発光光の光量か
他めて広い範囲にわたって比例することが認められてお
り、従って種々の撮影条件により放射線露光量がかなり
大幅に変動しても、蓄積性蛍光体シートより放射される
輝尽発光光の光量を読取ゲインを適当な値に設定して光
電変換手段により読み取って電気信号に変換し、この電
気信号を用いて写真感光祠料等の記録祠料、ＣＲＴ等の
表示装置に放射線画像を可視像として出力させることに
よって、族剃線露光量の変動に影響されない放則線画像
を得ることができる。

上記システムにおいて、蓄積性蛍光体シートに照射され
た放射線の線量等に応じて最適な読取条件で読み取って
画像信号を得る前に、予め低レベルの光ビームにより蓄
積性蛍光体シーＩ・を走査してこのシートに記録された
放則線画像の概略を読み取る先読みを行ない、この先読
みにより得られた先読画像信号を分析し、その後上記シ
ートに高７ ８ レベルの光ビームを照射して走査し、この放射線画像に
最適な読取条件で読み取って画像信号を得る本読みを行
なうように構成されたシステムもある。

ここで読取条件とは、読取りにおける輝尽発光光の光量
と読取装置の出力との関係に影饗を与える各種の条件を
総称するものであり、例えば人出力の関係を定める読取
ゲイン，スケールファクタあるいは、読取りにおける励
起光のパワー等を意味するものである。

また、光ビームの高レベル／低レベルとは、それぞれ、
上記シートの単位面積当りに照射される光ビームのエネ
ルギーの大／小、もしくは上記シトから発せられる輝尽
発光光のエネルギーが上記光ビームの波長に依存する（
波長感度分布を有する）場合は、上記シートの単位面積
当りに照射される光ビームのエネルギーを上記波長感度
で重みづけした後の重みづけエネルギーの大〆小をいい
、光ビームのレベルを変える方法としては、異なる波長
の光ビームを用いる方法、レーザ光源等から発せられる
光ビームの強度そのものを変える方法、光ビームの光路
」二にＮＤフィルター等を挿入，除去することにより光
ビームの強度を変える方法、光ビームのビーム径を変え
て走査密度を変える方法、走査速度を変える方法等、公
知の種々の方法を用いることができる。

また、この先読みを行なうシステムか先読みを行なわな
いシステムかによらず、得られた画像信号（先読画像信
号を含む）を分析し、画像信号に画像処理を施す際の最
適な画像処理条件を決定するようにしたシステムもある
。ここで画像処理条件とは、画像信号に基づく再生画像
の階調や感度等に影響を及ほす処理を該画像信号に施す
際の各種の条件を総称するものである。この画像信号に
基づいて最適な画像処理条件を決定する方法は、蓄積性
蛍光体シートを用いるシステムに限られず、たとえば従
来のＸ線フィルム等の記録シートに記録された放射線画
像から画像信号を得るシステムにも適用されている。

上記画像信号（先読画像信号を含む）に基づい９ １０ て読取条件及び／又は画像処理条件（以下、読取条件等
と呼ぶ。）を求める演算は、あらかじめ多数の放射線画
像を統計的に処理した結果からそのアルゴリズムが定め
られている（たとえば、特開昭６０−１８５９４４号公
報，特開昭６１．−２８０１６３号公報参照）。

この従来採用されているアルゴリズムは、一般的には画
像信号のヒストグラムを求め、ヒストグラム上における
画像信号の最大値、最小値、画像信号の出現頻度が最大
となる点の画像信号の値等の種々の特徴点を求め、この
特徴点に基づいて読取条件等を求めるものである。

ところが、近年、上記のようなアルゴリズムとは全く異
なるニューラルネットワークなる考え方が出現し、種々
の分野に適用されつつある。

このニューラルネットワークは、ある入力信号を与えた
ときに出力された出力信号が正しい信号であるか誤った
信号であるかという情報（教師信号）を入力することに
より、ニューラルネットワーク内部の各ユニット間の結
合の重み（シナプス結合のウェイト）を修正するという
誤差逆伝幡学習（パックプロバゲーンヨン）機能を備え
たものであり、繰り返し゛学習′　させることにより、
新たな信号が入力されたときに正解を出力する確率を高
めることができるものである。（例えば、ｒＤ．Ｅ．Ｒ
ｕｍｅｌｈａｒｔ．Ｇ．Ｅ．Ｈｉｎｔｏｎ　ａｎｄ　Ｒ
ｊ．ＷｉｌｌｉａＴｌｓ：Ｌｅａｒｎｉｎｇ　ｒｅｐｒ
ｅｓｅｎｔａｔｉ．ｏｎｓ　ｂｙ　ｂａｃｋ−ｐｒｏｐ
ａｇａ．ｔｆ．ｎｇｅｒｒｏｒｓ．Ｎａｔｕｒｅ，８２
３−９，５３３−３５６．１９８６ａＪ　，　　ｒ麻生
英樹二バックブ口バゲーションＣｏｍｐｕｔｒｏｌ　Ｎ
０．２４　５３−６０Ｊ，　　ｒ合原一幸著　ニューラ
ルコンピュータ東京電機大学出版局」参照）。

このニューラルネットワークを読取条件等の決定にも適
用することが可能であり、画像信号等をニューラルネッ
トワークに入力することにより読取条件等を出力させる
ことができる。

また、上記Ｘ線フイルムや蓄積性蛍光体ンート等を用い
たシステム、特に人体の医療診断用として構成されたシ
ステムにおいて、近年、単に観察（診断）に適した良好
な画質性能を備えた再生画像を得ることに加えて、画像
の自動認識が行なわ１１ １２ れてきている（たとえば特開昭６２−１２５４８１号公
報参照）。

ここで画像の自動認識とは、画像データに種々の処理を
施すことにより、複雑な放射線画像から目的とするパタ
ーンを抽出する操作をいい、たとえば人体の胸部Ｘ線画
像のような種々の線状，円形状のパターンの入り混じっ
た非常に複雑な画像から、たとえば腫瘍に対応する陰影
を抽出する操作等をいう。

このように複雑な放射線画像（たとえば人体の胸部Ｘ線
画像）において目的とするパターン（たとえば腫瘍影）
を抽出し、その抽出したパターンを明示した可視画像を
再生表示することにより、観察者の観察の補助（たとえ
ば医師の診断の補助）を行なわせることができる。

（発明が解決しようとする課題） 読取条件等決定に上記ニューラルネットワークを用いる
と、あらかじめ繰り返し　゜学習“　させることにより
次第に正しい読取条件等を求めることができるようにな
るが、このニューラルネットワークとして万能のもの、
例えば人体の肩を被写体としたＸ線画像を取扱うシステ
ムにおいて、種々の変動、例えば右肩と左肩（画像の反
転）、拡大された画像と縮小された画像、正立と横向き
と倒立、位置ずれが生じている画像等があっても正しい
読取条件等を求めることができるニューラルネットワー
クを構築しようとすると、非常に多数のユニットを備え
たニューラルネットワークを用いる必要があり、各ユニ
ッ１・間の結合の重みを記憶しておく記憶装置の記憶容
量も厖大なものが必要となり、また゜学習′を行なわせ
る際極めて多数回学習を繰り返す必要が生じるという問
題がある。

そこで、本件出願人は、上記問題に鑑み、入力される画
像が種々に変動しても比較的少数のユニットを備えたニ
ューラルネットワークを用いて正しい読取条件等を求め
ることのできる放射線画像読取条件及び／又は画像処理
条件決定装置を提案した。（特願平２−１０２０１５号
） これは、ひとつには、蓄積性蛍光体シートを用い、いわ
ゆる先読みを行なうシステムに適用され１３ １４ るもので、放射線画像が記録された蓄積性蛍光体シート
に励起光を照財し該蓄積性蛍光体シートから発せられた
輝尽発光光を読み取って得られた前記放射線画像を表わ
す第一の画像信号に基づいて、前記蓄積性蛍光体シート
に再度励起光を照射し該蓄積性蛍光体シートから発せら
れた輝尽発光光を読み取って前記放射線画像を表わす第
二の画像信号を得る際の読取条件及び／又は得られた前
記第二の画像信号に画像処理を施す際の画像処理条件を
求める放射線画像読取条件及び／又は画像処理条件決定
装置において、 放射線画像の標準的なパターンを記憶しておく記憶手段
と、 前記第一の画像信号が担持する前記放射線画像を前記標
準的なパターンに変換して、該変換された放射線画像を
担持する変換画像信号を求める信号変換手段と、 前記変換画像信号を入力とし前記読取条件及び／又は前
記画像処理条件を出力とするニューラルネットワークか
らなる条件決定手段とを備えたことを特徴とするもので
ある。

また、もうひとつには、蓄積性蛍光体シートには限定さ
れるものではなく、また画像処理条件を求めるもので、
放射線画像を表わす画像信号に基づいて、該画像信号に
画像処理を施す際の画像処理条件を求める放射線画像処
理条件決定装置において、 放射線画像の標準的なパターンを記憶しておく記憶手段
と、 前記画像信号が担持する放射線画像を前記標準的なパタ
ーンに変換して、該変換された放射線画像を担持する変
換画像信号を求める信号変換手段と、 前記変換画像信号を入力とし前記画像処理条件を出力と
するニューラルネットワークからなる条件決定手段とを
備えたことを特徴とするものである。

しかし、例えば人体の放射線画像は非常に複雑であり、
特に診断に供するものの場合は、前述のようにニューラ
ルネットによりあらかじめ学習し１５ １　６ て得たデータ処理能力により決定された読取条件や画像
処理条件であっても、専門の医師等のユーザがさらにこ
れを訂正したい場合がある。このような場合は、前記ニ
ューラルネットを装置に実装した後であっても、病院等
において、これに再学習させることが望まれる。

また、前記異常陰影検出装置に関しては、特開昭６２−
１２５４８１号公報に、たとえば人体の胸部Ｘ線画像上
を、この画像上の位置により変化しない特定のフィルタ
を用いて走査し、円形パターンと線形パターンを抽出し
、この円形パターンを腫瘍候補、線形パターンを血管の
陰影として表示する装置が記載されている。

しかし人体の放射線画像は非１１（に複雑であり、たと
えば胸部Ｘ線画像において腫瘍の陰影が肋骨のすぐ脇に
現われる場合と、肋骨と肋骨の中間部に現われる場合と
ではそのパターンが異なっている等、上記のように単純
な構成の装置では認識洩れや腫瘍でもないパターンを腫
瘍として認識してしまうことが多いという問題点がある
。たとえば医療用システムにおいて画像の自動認識が行
なわれると、医師が再生画像を観察して診断を行なう際
、その自動認識されたパターンに目を奪われがちとなり
、自動認識に洩れがあるとそのまま医師が見逃がしてし
まう可能性が高く重大な問題となる。

これを避けるためには放射線画像上を走査するフィルタ
等を工夫して少しでも腫瘍等の候補と考えられるパター
ンを洩れなく抽出することが考えられる。しかし、この
ように少しでも腫瘍の候補と考えられるパターンを洩れ
なく抽出すると、腫瘍ではないパターン（ノイズ）も多
く抽出されることになる。これでも洩れがあるよりはよ
いが、あまりにもノイズが多いと自動認識システムの信
頼性が低下し、また診断する医師がかえって疲労してし
まうことにもなる。

また、これまで自動認識のない、たεえばＸ線フイルム
に記録された胸部Ｘ線画像を観察（診断）する医師は、
それまでの知識，経験に基づいて、腫瘍が画像上のどの
位置にあってもそのパターン１７ １８ が多少変形していてもかなり適確に腫瘍を抽出している
という事実がある。

一方、互いに同様な画像形成観察システムであっても、
そのシステムが設置される施設等により画像の平均的な
性質が異なる場合があり、画像を観察する観察者によっ
ても微妙に判断が異なる場合がある。たとえば、胸部Ｘ
線画像撮影診断システムにおいて、そのシステムが設置
された病院により撮影時のＸ線のエネルギーや照射量が
多少異なり、平均的に多少異なった胸部Ｘ線画像が形成
されることや、再生された胸部Ｘ線画像を観察する医師
により、たとえば正常と判断するか再検査が必要と判断
するかという微妙な食い違いが生じることも考えられる
。

したがって画像の自動認識においてら、洩れのないよう
に抽出した腫瘍等の候補から、単純なフィルタリング処
理では行なうことのできない過去の知見等に基づく高度
な処理を施して極力ノイズを低減させることが望ましく
、また、この画像の自動認識システムが設置された施設
や観察者に応じてさらに知見を積み重ねその施設や観察
者等のユーザにより適合するように再学習をさせられ、
自らを変えていくシステムであることが望ましい。

本発明は、このような要望に鑑み、ニューラルネッＩ・
を装置に実装した後であっても、病院等において、ニュ
ーラルネットのあらかじめ学習して得た処理能力により
決定された読取条件や画像処理条件、あるいは検出され
た異常陰影等を、ユーザが不適切と判断した場合には修
正して再学習させることができるようし、これにより、
使用中に精度をさらに向」ニさせていくことのできる放
射線画像処理装置を提供することを目的とするものであ
る。

（課題を解決するための手段） 本発明による放射線画像処理装置は、放射線画像データ
に基づいて、照射野の認識、先読み画像データに基づく
本読みの画像読取条件の決定、画像処理条件の決定、異
常陰影の検出等のデータ処理を、ニューラルネットワー
クを用いて行なう放射線画像処理装置において、 １９ ２０ 学習済の前記ニューラルネットワークを装置に実装後、
ユーザが前記ニューラルネットワークによるデータ処理
が不適切である場合に、これを修正し再学習させること
ができるように、実装後もユーザが修正情報を前記ニュ
ーラルネットワークに入力することができるように入力
手段を設けたことを特徴とするものである。

さらに具体的には、放射線画像が記録された蓄積性蛍光
体シートに励起光を照則し該蓄積性蛍光体シートから発
せられた輝尽発光光を読み取って得られた前記放射線画
像を表わす第一の画像信号に基づいて、前記蓄積性蛍光
体シートに再度励起光を照射し該蓄積性蛍光体シートか
ら発せられた輝尽発光光を読み取って前記放射線画像を
表わす第二の画像信号を得る際の読取条件及び／又は得
られた前記第二の画像信号に画像処理を施す際の画像処
理条件を求める放射線画像読取条件及び／又は画像処理
条件決定装置において、 放射線画像の標準的なパターンを記憶しておく記憶手段
と、 前記第一の画像信号が担持する前記放射線画像を前記標
準的なパターンに変換して、該変換された放射線画像を
担持する変換画像信号を求める信号変換手段と、 前記変換画像信号を入力とし前記読取条件及び／又は前
記画像処理条件を出力とするニューラルネットワークか
らなる条件決定手段と、前記条件決定手段により出力さ
れた前記読取条件及び／又は前記画像処理条件に基づい
て読取及び／又は画像処理された放射線画像を可視画像
として表示する表示手段と、 前記表示手段により表示された可視画像を、より適正な
可視画像に変換するための補正情報を前記条件決定手段
に入力する入力手段とからなり、前記条件決定手段が、
前記入力手段から入力された前記補正情報に基づいて、
前記変換画像信号を入力とし、読取条件及び／又は前記
画像処理条件を出力とするニューラルネットワークの演
算を変更する学習機能を倫えたことを特徴とする放則線
画像読取条件及び／又は画像処理条件決定装置２１ ２２ を提供するものである。

また、放射線画像を表わす画像信号に基づいて、該画像
信号に画像処理を施す際の画像処理条件を求める放射線
画像処理条件決定装置において、放射線画像の標準的な
パターンを記憶しておく記憶手段と、 前記画像信号が担持する放射線画像を前記標準的なパタ
ーンに変換して、該変換された放射線画像を担持する変
換画像信号を求める信号変換手段と、 前記変換画像信号を入力とし前記画像処理条件を出力と
するニューラルネットワークからなる条件決定手段と、 前記条件決定手段により出力された前記読取条件及び／
又は前記画像処理条件に基づいて読取及び／又は画像処
理された放射線画像を可視画像として表示する表示手段
と、 前記表示手段により表示された可視画像を、より適正な
可視画像に変換するための補正情報を前記条件決定手段
に入力する入力手段とからなり、前記条件決定手段が、
前記入力手段から入力ざれた前記補正情報に基づいて、
前記変換画像信号を入力とし、読取条件及び／又は前記
画像処理条件を出力とするニューラルネットワークの演
算を変更する学習機能を備えたことを特徴とする放射線
画像処理装置を提供するちのである。

さらに、被写体の放則線画像を表わす画像データに基づ
いて前記放躬線画像上の異常陰影を検出する異常陰影検
出装置において、 前記画像データに基づいて、前記異常陰影の候補を抽出
する第一の候補抽出手段、 前記第一の候補抽出手段により抽出された前記候補の近
傍の前記画像データに基づいて、該各候補毎に複数の特
徴量を求める特徴量演算手段、前記特徴量演算手段によ
り求められた前記複数の特徴量に基づいて、前記候補の
うち前記異常陰影である蓋然性の高い候補を抽出する第
二の候補抽出手段、 前記画像データと、前記蓋然性の高い候補を表わすデー
タとに基づいて、該候補を明示した可視２３ ２４ 画像を表示する表示手段、及び 前記可視画像に明示された前記候補が前記異常陰影であ
るか否かの情報を入カする入カ手段からなり、 前記第二の候補抽出手段が、前記入力手段から入力され
た前記情報に基づいて、前記第一の候補抽出手段で抽出
された前記候補から前記蓋然性の高い候補を抽出する演
算を変更する学習機能を備えたことを特徴とする異常陰
影検出装置を提供するものである。

ここで、前記第二の候補抽出手段は、前記情報を教師信
号とする誤差逆伝播学習機能を有するニュートラルネッ
トワークを備えたものとしてもよい。

なお、ここで前記「放射線画像の標準的なパターン」に
関し、どのようなパターンを標準的なパターンとするか
は、本発明においては特定のパターンに限られるもので
はなく、設計思想等に基づいて任意に定めることができ
る車項である。

また、本発明において、「前記標準的なバターンに変換
する」とは、特定の操作に限られるものではないが、例
えば前記第一の画像信号が担持する放射線画像の反転、
回転、位置調整、拡大、縮小等をいう。

（作用および効果） 本発明は、上記のようなニューラルネッ１・ワクを用い
た放射線画像処理装置において、学習済の前記ニューラ
ルネットワークを装置に実装後、ユーザが修正情報を前
記ニューラルネットワークに入力することができるよう
に入力手段を設けたものであるから、ユーザが前記ニュ
ーラルネットワークによるデータ処理か不適切である場
合に、これを修正し再学習させることができ、これによ
り、使用中に精度をさらに向上させていくことができる
。

（実　施　例） 以下、図面により本発明の構戊を説明する。

第１図は本発明の基本的構成を説明するためのブロック
図である。

入力部により放射線画像処理装置に入力された２５ ２６ 放射線画像データは、この装置内の演算部に送られる。

この演算部には学習済のニューラルネットワークが実装
されており、ここでは、入力された画像データに基づい
て照射野の認識、先読み画像データに基づく本読みの画
像読取条件の決定、画像処理条件の決定、異常陰影の検
出等のデータ処理が、前記ニューラルネットワークを用
いて行なわれる。ここで演算されて得られた照射野、画
像読取条件、画像処理条件、異常陰影等のデータによっ
て処理された最終的な画像が、出力部に出力され、可視
画像として表示される。

この放射線画像処理装置を利用する医師等のユザは、そ
の表示装置に表示された画像を見て、それが適正なもの
の場合は何もしない。もし、その表示画像が不適正の場
合は、それを適正にするため、前記ニューラルネットワ
ークによるデータ処理を修正し再学習させるための修正
情報を修正入力手段により前記ニューラルネッＩ・ワー
クに入力する。

このようにして、ニューラルネットワークの実装後、ユ
ーザは前記ニューラルネットワークによるデータ処理が
不適切である場合に、これを修正し再学習させることが
でき、これにより、使用中に精度をさらに向」ニさせて
いくことができる次に、本発明の実施例について図面を
参照して詳細に説明する。なお、ここでは前述した蓄積
性蛍光体シートを用い、人体の肩部のＸ線画像を取扱う
例について説明する。

第５図は、Ｘ線撮影装置の一例の概略図である。

このＸ線撮影装置１のＸ線源２からＸ線３が人体４の肩
部４ａに向けて照射され、人体４を透過したＸ線３ａが
蓄積性蛍光体シ一ト１１に照射されることにより、人体
の肩部４ａの透過Ｘ線画像が蓄積性蛍光体シ一ト１１に
蓄積記録される。

第２Ａ図，第２Ｂ図は、蓄積性蛍光体シート」二に蓄積
記録された肩部Ｘ線画像の一例を模式的に表わした図で
ある。

第２Ａ図，第２Ｂ図はそれぞれ右肩，左肩のＸ線画像を
表わし、それぞれ人体の陰影が記録された被写体部５の
ほか、被写体に照１１されないＸ線２７ ２８ が直接蓄積性蛍光体シート１工に照射された直接Ｘ線部
６が形成されている。

第６図は、Ｘ線画像読取装置の一例、および本発明の一
例を内包したコンピュータシステムの一例を示した斜視
図である。このシステムは前述した蓄積性蛍光体シート
を用い、先読みを行なうシステムである。

Ｘ線画像が記録された蓄積性蛍光体シ一トｌｌは、まず
弱い光ビームで走査してこの蓄積性蛍光体シト１］に蓄
積された放躬線エネルギーの一部のみを放出させて先読
みを行なう先読手段１００の所定位置にセットされる。

この所定位置にセットされた蓄積性蛍光体シ一ト１１は
、モータｌ２により駆動されるエンドレスベルト等のシ
ート搬送手段１３により、矢印Ｙ方向に搬送（副走査）
される。一方、レーザー光源１４から発せられた弱い光
ビームエ５はモータ２３により駆動され矢印方向に高速
回転ずる回転多面鏡１６によって反射偏向され、ｆθレ
ンズ等の集束レンズ１７を通過した後、ミラーｌ８によ
り光路を変えて前記蓄積性蛍光体シ一ト１ｌに入射し副
走査の方向（矢印Ｙ方向）と略垂直な矢印Ｘ方向に主走
査する。蓄積性蛍光体シ一ト１１の、この光ビームｌ５
が照射された箇所からは、蓄積記録されている放射線画
像情報に応じた光量の輝尽発光光１９が発散され、この
輝尽発光光１９は光ガイド２０によって導かれ、フォ１
・マルチプライヤ（光電子増倍管）２王によって光電的
に検出される。上記光ガイド２０はアクリル板等の導光
性祠料を成形して作られたものであり、直線状をなす入
射端面２Ｄａが蓄積性蛍光体シ一ト１１上の主走査線に
沿って延びるように配され、円環状に形成された射出端
面２０ｂに上記フォトマルチプライヤ２１の受光面が結
合されている。上記人Ｉ１１端面２０ａから光ガイド２
０内に入射した輝尽発光光土９は、該光ガイド２０の内
部を全反射を繰り返して進み、射出端面２０ｂから射出
してフォＩ・マルチプライヤ２１に受光され、放射線画
像を表わす輝尽発光光１９の光量がフォトマルチブライ
ヤ２１によって電気信号に変換される。

フォトマルチプライヤ２１から出力されたアナログ出力
信号Ｓは対数増幅器２Ｂで対数的に増幅され、２９ ３０ Ａ／Ｄ変換器２７でディジタル化され、先読画像信号Ｓ
ｐが得られる。この先読画像信号Ｓｐの信号レベルは、
シート↓１の各画素から発せられた輝尽発光光の光量の
対数と比例している。

上記先読みにおいては、蓄積性蛍光体シ一ト１１に蓄積
された放射線エネルギーの広い領域にわたって読み取る
ことができるように、読取条件即ちフォトマルチプライ
ヤ２工に印加する電圧値や対数増幅器２６の増幅率等が
定められている。

得られた先読画像信号Ｓｐは、コンピュータシステム４
０に入力される。このコンピュータシステム４０は、本
発明の一例を内包するものであり、ＣＰＵおよび内部メ
モリが内蔵された本体部４１，補助メモリとしてのフロ
ッピィディスクが押入されドライブされるドライブ部４
２，オペレータがこのコンピュータシステム４０に必要
な指示等を入力するためのキーボード４３および必要な
情報を表示するためのＣＲＴディスプレイ４４から構成
されている。

このコンピュータシステム４０内では、後述するように
して本読みの際の読取条件、即ち本読みの際の感度およ
びコントラス１・が求められ、この感度，ラチュードに
従ってたとえばフォトマルチプライヤ２１′　に印加す
る電圧値や対数増幅器２６′の増幅率等が制御される。

ここでコントラストとは、本読みの際に画像信号に変換
される最も微弱な輝尽発光光に幻する最も強大な輝尽発
光光の光量比に対応するものであり、感度とは所定の光
量の輝尽発光光をどのレベルの画像信号とするかを定め
る光電変換率をいう。

先読みの終了した蓄積性蛍光体シーｈｌＬ’　は、本読
手段１００′の所定位置にセットされ、上記先読みに使
用した光ビームより強い光ビーム１５′　によりシート
１１′が走査され、先読画像信号Ｓｐに基づいて求めら
れた読取条件により画像信号が得られるが、本読手段１
００′の構成は上記先読手段１００の構成と略同一であ
るため、先読手段１００の各構成要素と対応する構戊要
素には先読手段１００で用いた番号にダッシュを付して
示し、説明は省略する。

３１ ３２ Ａ／Ｄ変換器２７′でディジタル化されることにより得
られた画像信号ＳＱは、再度コンピュータシステム４０
に入力される。コンピュータシステム４０内では画像信
号ＳＱに適切な画像処理が施され、この画像処理の施さ
れた画像信号は図示しない再生装置に送られ、再生装置
においてこの画像信号に基づくＸ線画像が再生表示され
る。

次に、コンピュータシステム４０内で先読画像信号Ｓｐ
に基づいて本読みの際の読取条件を求める方法について
説明する。

ここでは肩部のＸ線を取り扱っているため、第２Ａ図，
第２Ｂ図に示すように略左右反転した画像が得られるこ
とがある。そこで以下のようにして右肩の画像（第２Ａ
図）であるか左肩の画像（第２Ｂ図）であるかが判定さ
れる。尚本実施例では右肩の画像（第２Ａ図）が本発明
にいう標準的なパターンと観念される。

第３Ａ図，第３Ｂ図は、コンピュータシステム４０内に
あらかじめ記憶された、それぞれ標準パターンおよび反
転パターンを表わした図である。

これらの標準パターン，反転パターンは、第２Ａ図，第
２Ｂ図に示すＸ線画像の被写体部５に対応する先読画像
信号Ｓｐの平均的な値を有する第一の領域７と、第２Ａ
図，第２Ｂ図に示すＸ線画像の直接Ｘ線部６から読み取
った先読画像信号Ｓｐの平均的な値を有する第二の領域
８とから構成されている。

先読画像信号Ｓｐがコンピュータシステム４０内に入力
されると、画像信号上でこの先読画像信号Ｓｐと、第３
Ａ図に示す標準パターンおよび第３Ｂ図に示す反転パタ
ーンのそれぞれとのパターンマッチングがとられ、入力
された先読画像信号Ｓｐが右肩のＸ線画像を表わす信号
であるか左肩のＸ線画像を表わす信号であるかが判定さ
れる。

ここでは、このパターンマッチングは、標準パターン，
反転パターン（第３Ａ図，第３Ｂ図）を担持する信号を
それぞれＳｓ．ＳＲとしたとき、互いに対応する各画素
毎に先読画像信号Ｓｐとの差分の二乗値（Ｓｓ　　Ｓｐ
）　２．　　（ＳＲ　　Ｓｌ））　ｚが求められ、これ
を画像全面にわたって加算した３３ ３４ 量ＱＳ．ＱＲが ＱＳ　＝Σ　（Ｓｓ　　　３ｐ）２　　　　　　　　　
＝−（１）ＱＲ　一Σ　（ＳＲ　　　Ｓｌｌｌ　）　２
　　　　　　　　　・・・（２）が求められ、先読画像
信号ｓｐが担持するＸ線画像はこれらのｆｆｉＱｓ，Ｑ
Ｒのいずれか値の小さい方に対応した画像であると判断
される。

このようにして判断された、先読画像信号Ｓｐが担持す
る画像が左肩のＸ線画像（第２Ｂ図）であった場合、先
読画像信号Ｓｐ上でＸ線画像を裏返す（反転させる）操
作を行う。これにより以下に示すニューラルネットワー
クには常に第２Ａ図の右肩の画像、もしくはこれとほほ
同様なパターンである反転された左肩の画像が入力され
る。

このように入力される画像のパターンをあらかじめ定め
られた標準的なパターン（ここでは右肩のパターン）に
調整した上でニューラルネットワクに入力することによ
り、ニューラルネットワークを構成するユニットの数を
減らすことができ、各ユニット間の結合の度合を示す重
み係数を記憶しておく容量も少なくて済み、さらに学習
を比較的短時間で行なわせることができる。

第４図は誤差逆伝播学習（パックブロパゲーション）機
能を備えたニューラルネットワークの一例を表わした図
である。誤差逆伝播学習（バックプロパゲーション）と
は、前述したように、ニューラルネットワークの出力を
正解（教師信号）と比べることにより、出力側から入力
側に向かって順次結合の重み（シナプス結合のウエイ１
・）を修正するという″学習”アルゴリズムをいう。

図に示すように、このニューラルネツ１・ワークの第１
層（入力層），拍２層（中間層），第３層（出力層）は
それぞれｎ１個，ｎ２個，２個のユニットから構成され
る。第１層（入力層）に入力される各信号Ｆｌ，Ｆ２，
・・・・・＋ＦｎｌはＸ線画像（左肩の場合は反転され
た画像をいう）の各画素に対応する先読画像信号Ｓｐで
あり、第３層（出力層）からの２つの出力ｙ？　ｒ　　
！／２は本読みの際のそれそれ感度およびコン１・ラス
１・に対応した信号である。第１（層のｉ番Ｉ」のユニ
ッ１・を３５ ｕｉ、該ユニットｕｋｌへの各入力をＸｋｌ、各出力を
３’７、ｕ：から　７”１への結合の重みをＷｋｌｉ＋
１とし、各ユニット　７は同一の特性関数１ を有するものとする。このとき、各ユニ・ントｕ：の入
力ｘ：、出力ｙ：は、 Ｘ：一ΣＷ；−１７，ｙ７−”　　　　・・・（４）Ｖ
７　＝ｆ　（Ｘ７） ・・（５） となる。ただし入力層を構成する各ユニットｕ１（＋＝
１．２，−＝，　　ｎｓ　）　ヘの各入力Ｆ１　＋　　
Ｆ２　＋　”’Ｆ．，１は重みづけされずにそのまま各
ユニットｕ：　（］＝１，２＋・・・，ｎ１〉に入力さ
れる。入力されたｎ１個の信号Ｆ１　，　　Ｆ２　，　
・−，　　Ｆｎ＋は、各結合３６ の重みｗ　ｋ　ｋ　＋　ｌ　　によって重み付けられな
がら最終的な出力ｙ？，ｙ２にまで伝達され、これによ
り本読みの際の読取条件（感度とコントラスト）か求め
られる。

ここで、上記各結合の重みＷｋＴＩ　　の決定方法につ
いて説明する。先ず乱数により各結合の重みＷｋ　ｋ　
＋　ｌ　　の初期値が与えられる。このとき、入力Ｆ　
１　”’−　Ｆ　ｎ　１が赦大に褒動しても、出力Ｙ”
＋ｒＹ！ｒが所定範囲内の値またはこれに近い値となる
ように、その乱数の範囲を制限しておくことか好ましい
。

最適な読取条件が既知の多数の右肩のＸ線画像もしくは
左肩のＸ線画像か記録された蓄積性蛍光体シートを前述
したようにして読み取って先読画像信号Ｓｐを得、さら
に左肩のＸ線画像の場合は得られた先読画像信号Ｓｐが
反転され、これにより上記ｎ１個の入力Ｆ１＋ＦＺ＋　
・・＋Ｆｎｌか求められる。この０１個の入力Ｆ１，．
Ｆ２，・・・＋Ｆｎｌが第４図に示すニューラルネット
ワークに入力さ３７ ３８ ？、各ユニッｌ■　ｕ〒の出力ｙ〒かモニタされる。

各出力ｙｉが求められると、最終的な出力であるｙｉ’
，ｙｚと、この画像に関し正しい読取条件べ としての教師信号（感度ｙ，およびコントラストバ）と
の二乗誤差 のように各結合の重みＷ：７”か修疋される。ここでη
は学習係数と］ｌ；Ｊ：ばれる係数である。

ここで、 ２ が求められる。これらの二乗誤差Ｅ１，Ｅ２がそれぞれ
最小となるように、以下のようにして各結合の重みＷ’
＋’＋”が修正される。尚、以下ｙ，の出力に関して述
べ、ｙ：についてはｙｉと同様であるため、ここでは省
略する。

二乗誤差Ｅ１を最小にするには、このＥ１はであり、（
４，）式より Ｘｌ”　一ΣＷ１，゛　　・ｙ であるから、（９）式は、 となる。

ここで、（６）式より、 ・・（４＋’ ｗ：：　＋１の関数であるから ３つ ４０ （５）式を用いてこの（１ｉ）式を変形すると、となる
。この（１６）式に従って、Ｗ　？　？　（　ｉ．　−
　１−　．　２　．ｎｘ）の各結合の重みが修正される
。

ここで、（３）式より、 ｆ’　（ｘ）　−ｆ　　（ｘ）　　（１−ｆ　　（ｘ）
　）であるから、 ・・・（１３） であるから、 この（工７）式に（４）　， （５）式を代入して、 ｆ’　（Ｘ？　）　＝ＹＩ’　・　（１となる。

（１０）式にいてｋ＝２と置き、 （１０）式に代入すると、 ｙ＋） （１２） （工４〉 （】４） 式を ここで（１３）式より、 ｆ’　（Ｘ：）　一Ｙ’＋　　”　（１　　’！ｌ’４
　）　　　・−（１９）であるから、この（工９）式と
、（１．２），　（１４）式を（１８）式に代入して、 ・・・（１５） この（工５）式を（８）式に代入して、Ｗｌ　ｌ　＝Ｗ
＋　？ η・　（Ｖｌｌ’ ｄ）・ｙ？ （１　　ｙ？）　・ｙ′ ・・・（１６） ４１ ４２ （１０〉式におイテｌ（−１と置き、（２ｏ）式を（１
ｏ）式に代入すると、 一（ｙ１一冫）・ｙｊ・（１−バ） ・ｙ』　・（１−ｙ丁）・Ｃ　？　＊　ｙ”・・・（２
１） この（２｛）式を（８）式に代入すると、ｋ　−　１と
置いて、Ｗ｝〒＝Ｗ｛〒−η・（ｙｉ’　　ｙ？）・ｙ
？・（１　　ｙ：）・パ・（Ｉ　　Ｙ？）・ｙ｝゜Ｗ』
　１　　　　　　　　　　　　　　　　　　　・・・〈
２２〉となり、（１６）式で修正されたｗ？　？　（ｉ
−１．２．・・・ｎ１）がこの（２２）式に代入され、
Ｗ｝丁（ｉ−１．２，・・・，　　ｎｌ　　；ｊ−１．
２．・コ　ｎｚ）が修正される。

尚、理論的には（１６）式，　（２２）式を用い、学習
係数ηを十分小さくとって学習回数を十分に多くするこ
とにより、各結合の重みｗ　ｋ　ｋ　＋　ｌを所定の値
に集束させ得るが、学習係数ηをあまり小さくすること
は学習の進みを遅くするため現実的ではない。一方学習
係数ηを大きくとると学習か振動してしまう（上記結合
の重みが所定の値に収束しない）ことがある。そこで実
際には、結合の重みの修正量に次式のような慣性項を加
えて振動を抑え、学習係数ηはある程度大きな値に設定
される。

（例えば、Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ，Ｇｉ．Ｅ．Ｈ
ｔｎｔｏｎ　ａｎｄ　Ｒ．Ｊ．Ｗｉｌｌｉａｍｓ：Ｌｅ
ａｒｎｉｎｇ　ｉｎｔｅｒｎａｌ　ｒｅｐｒｅｓｅｎｔ
ａｔｉｏｎｓｂｙ　ｅｒｒｏｒ　ｐｒｏｌ）ａｇａｔｉ
ｏｎ　Ｉｎ　Ｐａｒａｌｌｅｌ　Ｄｉｓｔｒｉｂｕｔｅ
ｄＰｒｏｃｅｓｓｉｎｇ，Ｖｏｌｕｍｅ　　１．Ｊ．Ｌ
．ＭｃＣｌｅｌｌ　　ａｎｄ．　　Ｄ．Ｅ．Ｒｕｍｅｌ
ｈａ．ｒｔ　ａｎｄ　Ｔｈｅ　ＰＤＰ　Ｒｅｓｅａｒｃ
ｈ　Ｇｒｏｕｐ．ＭＩＴＰｒｅｓｓ，１９８６ｂ　Ｊ参
照） ΔＷ口　（ｔ＋１）一α・Δｗ７　’；＋１（Ｂ　＋た
だしΔＷｉｉ”　（１）は、ｔ回目の学習における、修
正後の結合重みＷｉｉ”１から修正前の該結合の重みＷ
　７　７　”　ｌを引いた修正量を表わす。ま４３ ４４ た、αは、慣性項と呼ばれる係数である。

慣性項α、学習係数ηとしてたとえばα−０，９η−０
．２５を用いて各結合の重みＷ〒１゛１の修正（学習）
をたとえば２０万回行ない、その後は、各結合の重みｗ
　ｋ　ｋ　＋　ｌは最終の値に固定される。この学習の
終了時には、２つの出力！／；’＋３’２は本読みの際
のそれぞれ感度、コントラストを正しく表わす信号とな
る。

そこで学習が終了した後は、今度は本読みの際の読取条
件がＸ線画像を表わす先読画像信号Ｓｐが求められ、こ
れが第４図に示すニューラルネットワークに入力され、
それにより得られた出力）’？＋！／：　　がそのＸ線
画像に対する本読みの読取条件（感度とコントラスト）
を表わす信号となる。この信号は、上記のようにして学
習を行なった後のものであるため、本読みの際の読取条
件を精度良く表わしている。

尚、上記ニューラルネットワークは３層構造のものに限
られるものではなく、さらに多層にしてもよいことはも
ちろんである。また各層のユニットの数も、入力される
先読画像信号Ｓｐの画素の数、必要とする読取条件の精
度等に応じた任意の数のユニットで各層を構或し得るこ
とももちろんである。

上記のようにしてニューラルネットワークにより求めら
れた読取条件に従って本読手段１００′のフォトマルチ
プライヤ２１’　に印加する電圧や増幅器２Ｂ’　の増
幅率等が制御され、この制御された条件に従って本読み
が行なわれる。

このようにして読取条件を求めることができるようにな
ったニューラルネットワークは、前記Ｘ線画像読取装置
に実装され、上述のように読取条件を決定する機能を有
する。

このＸ線画像読取装置は、上記のように決定された読取
条件に基づいて本読みして得られた画像信号を、前述の
ように前記図示しない再生装置に送るとともに、前記コ
ンピュータシステムに再度入力し、ここで前記ＣＲＴデ
ィスプレイ４４に本読みにより得られた画像を表示する
。したがって、ユーザは、この本読みにより得られた画
像を見て、４５ ４６ 前記キーボード４３を使って、この装置内の二＝−ラル
ネットワークに再び誤差逆伝播学習をさせることができ
る。

これにより、実装後も、現場の医師等によってニューラ
ルネットワークにさらに学習をさせて、読取り条件決定
の精度を向」ニさせることができる。

なお、上記実施例では肩部のＸ線画像について、ニュー
ラルネットワークに入力するに先立って第３Ａ図．第３
Ｂ図に示したようなパターンとパターンマッチングをと
ることによって標準画像（右肩の画像）であるか反転画
像（左肩の画像）であるかを判断し、反転画像（左肩の
画像）の場合に標準画像（右肩の画像）に合わせるべく
画像を反転する操作を行なったが、本発明は左右の反転
を取扱う場合であっても肩部の画像のみに限られるもの
ではなく、例えば、左右の手足の画像、右向き／左向き
の頭部，腹部等の画像等を取扱うシステムにも適用でき
るものである。

また本発明は左右反転にのみ拘泥されるものではなく、
例えば撮影に際し蓄積性蛍光体ンートを斜めにセットし
てしまいその結果傾いた画像を担持する画像信号が得ら
れた場合や、読取の際の蓄積性蛍光体ンートのセッｉ・
の方向が異なり、横に傾いた画像、もしくは倒立した画
像を表わす画像信号や得られた場合にこれを正常な向き
に直すための回転を行なう場合であってもよく、また直
接Ｘ線撮影と間接Ｘ線撮影等拡大率（縮小率）の異なる
画像を補正する場合であってもよく、また所望とする被
写体が画像の端に記録された場合に該被写体が画像の中
央に配置されるように位置調整を行なう場合であっても
よい。またこれらを組合わせた複数について調整するよ
うにしてもよい。

また、上記実施例では、先読手段１００と本読手段１０
０′　とが別々に構成されているが、前述したように先
読手段１．０　０と本読手段１．００’の構成は略同一
であるため、先読手段１００と本読手段１００　’とを
一体にして兼用してもよい。この場合、先読みを行なっ
た後、蓄積性蛍光体シ一ト１１を一回バックさせ、再度
走査して本読みを行なうようにすればよい。

４７ ４８ 先読手段と本読手段とを兼用した場合、先読みの場合と
本読みの場合とで光ビームの強度を切替える必要がある
が、この切替えの方法としては、前述したように、レー
ザー光源からの光強度そのものを切替える方法等、抽々
の方法を使用することができる。

また、上記実施例では、コンピュータシステム４０で本
読みの際の読取条件を求める装置について説明したが、
本読みの際は、先読画像信号Ｓｐにかかわらず所定の読
取条件で読取ることとし、コンピュータシステム４０で
は、先読画像信号Ｓｐに基づいて、画像信号ＳＯに画像
処理を施す際の画像処理条件を求めるようにしてもよく
、また、コンピュータシステム４０で上記読取条件と画
像処理条件の双方を求めるようにしてもよい。

さらに、上記実施例は、先読みを行なう放射線画像読取
装置について説明したが、本発明は先読みを行なわず、
最初から上記本読みに相当する読取りを行なう放射線画
像読取装置にも適用することができる。この場合、読取
りの際は所定の読取条件で読み取られて画像信号が得ら
れ、この画像信号に基づいて、コンピュータシステム４
０内で画像処理条件が求められ、この求められた画像処
理条件に従って画像信号に画像処理が施される。

また、同様の思想を照則野認識やコンピュータ診断（異
常陰影検出）に適用することもできる。

すなわち、被写体の観察に必要の無い部分に放射線を照
射しないようにするため、放射線が被写体の必要な部分
および記録シー１・の一部にのみ照射されるように放射
線の凪射域を制限する照射野絞りを使用して撮影を行な
うことがあるが、このような場合には画像データを分析
して読取条件画像処理条件を求める前に、その照射野を
認識し、照射野内の画像データに基づいて読取条件，画
像処理条件を求める必要がある。本発明の方法は、この
照射野の認識や、以下に詳述する異常陰影の検出にニュ
ーラルネットを使用したシステムにも適用することがで
きる。

次に、本発明を異常陰影検出装置に適用した実施例を詳
細に説明する。

４つ ５０ 第７図は、本実施例の異′１：リ陰影検出装置の構或を
明示したブロック図である。

被写体の放射線画像を表わす画像データＳ１が、第一の
候補抽出手段１０１に入力される。

第一の候補抽出手段１０１では、入力された画像データ
Ｓ１−に、たどえば実空間フィルタリング処理等の比較
的簡単な処理が施され、上記放射線画像中の異常陰影の
候補Ｃが抽出される。

ここで「異常陰影」とは、標準的陰影には見られない、
たとえば胸部Ｘ線画像における腫瘍，石灰化１胸膜の肥
厚　気胸等の陰影をいうが、この第一の候補抽出手段１
０１　はこれらの異常陰影の全てを抽出するものである
必要はなく、たとえばＩＩ！ｌ瘍影のみを異常陰影とし
て抽出するものであってもよい。

この第一の候袖抽出手段１０１で累常陰影の候補が抽出
されずに洩れてしまうと最後まで洩れたままとなってし
まうため、この第一の候補抽出手段１０１で用いられる
抽出方法としては、多少のノイズ（対象とする異常陰影
（たとえば腫瘍影）でないものを叉常陰影候補どして抽
出ｌ７てしまうこと、またはそのようにして抽出された
実際には異常陰影ではない叉常陰影候補をいう）か混入
しても実際の叉常陰影を洩れなく抽出することのできる
方法を用いることが望ましい。

第一の候補抽出手段１０１で求められた’Ａ　７ｉ’；
陰影の候補Ｃは、画像データＳ１とともに特徴量演算千
段１０２に入力される。特徴量演算手段］０２では、こ
の候補Ｃの近傍の画像データＳ１に基づいて各候補Ｃ毎
に複数の特徴量Ｆｉ　ｔ　　Ｆ２　ｒ　　・・・・，４
ｎが求められる。

ここで「特徴量」とは、各候補Ｃの異常陰影としての確
からしぎを反映する種々の量の総称をいい、たとえば各
候補Ｃの面積，形状の不整度、各候補Ｃ内の画像データ
の平均値、画像データの分散値、各候補Ｃ内の画像デー
タの平均値とその周辺の画像データの平均値との比率（
コントラスト）等をいう。この特徴量演算手段１０２で
どのような特徴量を求めるか、いくつの特徴量を求める
かは特に限定されるものではなく、抽出すべき異常陰５
１ ５２ 影の種類、抽出すべき精度、演算時間等を考慮して定め
られるものである。

特徴量演算手段１０２において求められた複数の特徴量
Ｆ１ｒ　　Ｆ２　，・・・・・・，Ｆｎは、第二の候補
抽出手段１０３入力される。第二の候補抽出手段１０３
では、入力された複数の特徴ｆｉＦｘ　．　　Ｆ２　．
・・・・・Ｆｎに基づいて、第一の候補抽出手段１０１
で抽出された異常陰影の候補Ｃから異常陰影である蓋然
性の高い候補Ｔ（以下、この候補Ｔを異常陰影Ｔと呼ぶ
ことがある。）が抽出される。この異常陰影Ｔの抽出方
法としては、本実施例においては特定の方法に限定され
るものではないが、たとえば、上記複数の特徴ＪＴｔＦ
１　．　　ＦＺ　，・・・・・・，Ｆｎを入力とし、上
記候補Ｃが異常陰影である蓋然性の程度を表わすｆｆｉ
Ｅを出力とするニューラルネットワークを備えて各候袖
Ｃの上記蓋然性の程度を表わす量Ｅが求められ、この量
Ｅに基づいて候補Ｃが異堂陰影Ｔであるか否かの判定が
行なわれる。

なお上記複数の特徴ｆｆｉＦｘ＋Ｆｚ＋　・・・・・・
　１７１は、ニューラルネットワークの入力として用い
ることに限定されるものではなく、ＮＮ法（ｎｅａｒｅ
ｓｔｎｅｉｇｈｂｏｒ）法、単純にしきい値と各特徴量
ＦＩＦ２，・・・・・・，Ｆｎとを比較する方法、これ
ら複数の方法の絹合ぜ等種々の方法を用いることができ
る。

以上のようにして求められた異常陰影Ｔを表わすデータ
は画像データＳ１とともに表示手段１０４に入力される
。表示手段１０４では叉常陰影Ｔが明示された可視画像
が表示される。なお、異常陰影Ｔの明示の方法は特定の
方法に限られるものでなく、たとえば可視画像上に矢印
で表示する方法、異常陰影Ｔを色や濃度を変えて表示す
る方法、可視画像の端に、どの位置に異常陰影Ｔがある
かを文字，記号等で表示する方法等のいずれでもよい。

また、本実施例の異常陰影検出装置には入力手段１０５
が備えられている。この入力手段１０５は、表示手段１
０４に表示された可視画像を観察者が観察した絖果、そ
の可視画像に明示された異帝陰影Ｔか真に異常陰影であ
ったか否かの情報■を観察者か入力するものである。

５３ ５４ この情報工は、第二の候補抽出手段１０３に入力される
。この第２の候補抽出手段１０３は、入力された情報Ｉ
に基づいて、候補Ｃから異常陰影Ｔを抽出する演算を変
更する学習機能を備えている。

この学習機能は、本実施例において特定のものに限定さ
れるものではないが、たとえば第二の候補抽出手段｛０
３が上記情報Ｔを教師信号とする誤差逆伝播学習（パッ
クプロパゲーンヨン）機能を有するニューラルネットワ
ークを備えており、上記情報Ｔが入力されることにより
、結合の重み（シナプス結合のウェイト）を修正すると
いう“学習”が行なわれる（例えば、ｒＤ．Ｅ．Ｒｕｍ
ｅｌｈａｒｔ，Ｇ．Ｅ．｝１ｉｎｔｏｎ　ａｎｄ　Ｒ．
Ｊ．Ｗｉｌｌｉａｌ１ｓ：Ｌｅａｒｎｉｎｇ　ｒｅｐｒ
ｅｓｅｎｔａ−ｔｆｏｎｓ　ｂｙ　ｂａｃｋ−ｐｒｏｐ
ａｇａｔｉｎｇ　ｅｒｒｏｒｓ，Ｎａｔｕｒｅ．３２３
−９，５８３−３５６．１９８６ａ　Ｊ　，　　ｒ麻生
英樹二バックプロパゲーションＣｏｍｐｕｔｒｏｌ　Ｎ
０．２４　５３−６０Ｊ　，　　ｒ合原一幸著　ニュー
ラルコンピュータ　東京電機大学出版局」参照）。

なお、本実施例の異常陰影検出装置の各機能は、第７図
に示した各ブロック１０１〜１０５の機能毎に峻別され
る必要はなく、大質的に第７図に示した各ブロック１０
１〜１０５の機能を有していれば本尖施例に含まれるも
のであり、たとえば異常陰影の候補Ｃを抽出ずるための
丈空間フィルタリング処理を施しながら（第一の候補抽
出手段１０１の機能）、同時に異常陰影候補Ｃの面積、
形状等の特徴量Ｆｌ，Ｆ２，・・・・・・，Ｆｎを求め
る（特徴量演算手段１０３の機能）こと等も本実施例の
異常陰影検出装置に内包されるものである。

また、本実施例の一態様として、第７図に示す各ブロッ
ク１０１〜１０５の機能に加えて、披写体の解剖学的情
報を求めて第二の候袖抽出手段１０３に入力し、候補Ｃ
から異常陰影Ｔを求める際に、たとえば、この解剖学的
情報を」二記複数の特徴ＥｔＦ１＋　　Ｆ２＋　・・・
・・・，Ｆｎとともにニューラルネットワークの入力と
すること、ニューラルネットワークの出力（候補Ｃが異
常陰影である蓋然性を表わすｆｆｉＥ）をしきい値処理
して該候補Ｃが”Ａ　７ｉ’；陰影Ｔであるかどうかを
判定する際の該しきい値を上記解ハＩＪ学的情報に乱づ
いて定めること等、解剖学５５ ５６ 的情報を上記複数の特徴量Ｆ１　＋　　Ｆ２　，・・・
・・，Ｆｎとともに考慮してもよい。

ここで「解剖学的情報」とは放射線画像上に表われた、
被写体の措遣物に関する情報をいい、具体的には、たと
えば胸部Ｘ線画像における、肺野部，　Ｉｌｉｌｊｌ”
１部，肋骨，心臓，横隔膜等の位置情報等をいう。

本実施例の異常陰影検出装置は、上記構成を備えている
ため、ノイズが混入することはあっても洩れのないよう
に異常陰影候補Ｃを抽出し、複数の特徴量に基づいてこ
の抽出された候補から異常陰影Ｔを抽出することにより
、洩れの少ない異常陰影抽出を行なうことができ、しか
も異常陰影ではないパターンが異常陰影として抽出され
ることも少ない。即ち具常陰影を精度良く検出すること
ができる。

また、これは上記表示手段１０４および上記入力手段１
０５を備えており、さらに上記第二の候補抽出手段１０
３が候補Ｃから累常陰影Ｔを抽出する演算を変更する学
習機能を備えているため、たとえばこの異常陰影検出装
置か設置された施設やこの装置の表示手段１０４に表示
された可視画像を観察する観察者等に応じてさらに高精
度の検出が行なわれるようになる。

本実施例においては、上記学習機能として特定の学習機
能に限定されるものではないか、上記第二の候補抽出手
段１０３が、入力手段１０５から入力された情報Ｔを教
師信号とする誤差逆伝播学習機能を有するニューラルネ
ットワークを備えている場合は、このニューラルネット
ワークの優れた学習機能により異常陰影の検出精度をい
っそう向上させることができる。

以下、上記実施例について、図面を参照してさらに詳細
に説明する。なお、ここでは前述した蓄積性蛍光体シー
トを用い、人体の胸部のＸ線画像の肚瘍影を抽出する例
について説明する。

第８図は、蓄積性蛍光体シート上に蓄積記録された胸部
Ｘ線画像の一例を模式的に表わした図である。

中央に肺のＸ線画像Ｉ］５（以下胛部１１５と呼ぶ。

５７ ５８ 以下同様）、その両側に皮膚部１工６、さらにその両側
にＸ線が、被写体を透過せずに、直接シ一トＨ４に照射
された直接Ｘ線部１１７が形成されている。

第９図は、Ｘ線画像読取装置の一例と、本発明の異常陰
影検出装置の一実施例であるコンピュータシステムとを
表わした斜視図である。

第８図に示すようなＸ線画像が記録された蓄積性蛍光体
シートｌＬ４がＸ線画像読取装置１２０の所定位置にセ
ットされる。この所定位置にセットされた蓄積性蛍光体
シ一ト１１４は、モータ１２１により駆動されるエンド
レスベルト等のシート搬送手段１２２により、矢印Ｙ方
向に搬送（副走査）される。一方、レーザー光源１２３
から発せられた光ビム｛２４はモータ１２５により駆動
され矢印方向に高速回転する回転多面鏡１２６によって
反射偏向され、ｆθレンズ等の集束Ｉノンズ１２７を通
過した後、ミラー１２ｇにより光路を変えて前記シート
】１４に入射し副走査の方向（矢印Ｙ方向）と略垂直な
矢印Ｘ方向に主走査する。シ一ト１１４の励起光１２４
が照射された箇所からは、蓄積記録されているＸ線画像
情報に応じた光量の輝尽発光光１２９が発散され、この
輝尽発光光１２９は光ガイド１３０によって導かれ、フ
ォトマルチプライヤ（光電子増倍管）１８１によって光
電的に検出される。上記光ガイド１３０はアクリル板等
の導光性利料を戊形して作られたものであり、直線状を
なす入則端面】３０ａが蓄積性蛍光体シー目１４上の主
走査線に沿って延びるように配され、円環状に形成され
た射出端面１３０ｂにフォトマルチブライヤ１３１の受
光面が粘合されている。入射端面１３０ａから光ガイド
１３０内に入射した輝尽発光光１２９は、該光ガイド１
３０の内部を全反射を繰り返して進み、射出端面１３０
ｂから射出してフォトマルチプライヤ１３｛に受光され
、Ｘ線画像を表わす輝尽発光光１２９かフォトマルチブ
ライヤ１３１によって電気信号に変換される。

フォトマルチプライヤ１３１から出力されたアナログ出
力信号ＳＯは対数増幅器１３２て対数的に増幅され、Ａ
／Ｄ変換器１３３てディジタル化され、電気信号として
の画像データＳ１が得られる。

５９ ６０ 得られた画像信号Ｓ１は、コンビュータンステム１４０
に入力される。このコンピュータシステム１４０は、本
発明の異常陰影検出装置の一例を構或するものであり、
ＣＰＵおよび内部メモリが内蔵された本体部１４ｌ，補
助メモリとしてのフロッピィディスクが挿入されドライ
ブされるドライブ部１４２，オペレータがこのコンピュ
ータシステム１４０に必要な指示等を入力するためのキ
ーボード１４３および必要な情報を表示するためのＣＲ
Ｔディスプレイ１４４から構成されている。

コンピュータシステム１４０に入力された画像データＳ
１に基づいて、Ｘ線画像上の異常陰影の検出が行なわれ
る。コンピュータシステム１４０では、その機能上、第
７図に示す各ブロック１０１〜１０３に対応する演算が
行なわれる。以下、第７図に示すブロック１０１〜１０
３をコンピュータシステムｌ４０の機能を表わすブロッ
クと考える。また、コンピュータシステム１４０のＣＲ
Ｔディスプレイ１４４およびキーボード１４３が、本発
明のそれぞれ表示手段１０４および入力手段１０５の一
例である。

第８図に示すようなＸ線画像を表わすディジタルの電気
信号としての画像データＳ１が、第７図に示す第一の候
補抽出手段Ｊ−０１　に入力される。

ここでは、人体の肺内に典型的には略球形として生じる
腫瘍の陰影を異常陰影として検出する例について説明す
る。この腫瘍は画像データＳ１に基づく可視画像上では
周囲と比べ白っぽい（ａ度が低い）略円形のパターンと
して現われる。

第一の候補抽出手段 第ｌＯ図は、第一の候補抽出手段１０１で用いられる、
上記腫瘍影を抽出する大空間フィルタの例を説明するた
めに、Ｘ線画像上の所定の画素Ｐｏを中心に該画像上に
仮想的に描いた図である。該所定の画素Ｐｏが上記腫瘍
影内の画素であるか否かが判定される。ここで示すよう
なフィルタを用いてＸ線画像上を走査することにより、
Ｘ線画像上の腫瘍影が抽出される。

第１１図は、上記所定の画素Ｐ。を中心とした、第ｌＯ
図の線分Ｌ１　とＬ５の延びる方向（Ｘ方向）のＸ線画
像のプロファイルの一例を示した図てあ６］ ６２ ？。ここでは所定の画素Ｐｏは、肋骨影｛０６の極く 近傍にある肚瘍影］０７のほほ中央にあるものとする。

腫瘍影１０７は典型的にほほは左右対称のプロファイル
として現われるが、この例のように腫瘍影１０７が肋骨
影１０６の極く近傍にある場合等には、左右対称とはな
らない場合もある。このような場合にもこの腫瘍影Ｊ０
７を抽出できることが重要である。なお第１１図の破線
１０ｇは腫瘍がない場合のプロファイルの一例である。

第ｌＯ図に示すように、Ｘ線画像内の所定の画素Ｐｏか
ら該Ｘ線画像の周囲に延びる複数（ここでは８本）の線
分Ｌ１（１　＝１．．２．・・・・・・，８）を想定し
、さらに所定の画素Ｐｏを中心とした、それぞれ半径ｒ
ｌ＋　　ｒ２＋　　ｒ３の円Ｒ＋　　（ｊ　＝Ｉ．，２
．３　）を想定する。所定の画素Ｐ。の画像データをｆ
。とじ、各線分Ｌ１と各円Ｒ，との各交点に位置する各
画素Ｐ＋１（第５図にはＰＩＩ＋　ｐ，■＋　Ｐ　１３
＋　Ｐ　５１＋Ｐ　５２＋　　Ｐ　５３について記号を
示してある。）の画像データをｆｌ，とする。

？こで、所定の画素Ｐｏの画像データｆｏと各画素ＰＩ
，の画像データｆ．との差分Δ１が、下記（２４）式に
従って求められる。

Δｌ，−　ｆ　ｌ，一ｆ。　　　　　・・（２４）（ｆ
　−１．２，・・・・・．８；ｊ　＝１，２．３　＞次
に各線分ＬＩ毎に、（２４）式で求められた差分Δ１の
最大値が求められる。即ち、線分Ｌ１，Ｌ５について例
を示すと、線分Ｌ１については、画素ＰＩ１＋　　”　
＋２＋　　Ｐ１３に対応ずる各差分ΔＩＩ”’ｆｌ■一
ｆｏ Δ１２””ｆｌ２　　ｆＱ Δ＋：＋＝ｆ＋３　ｆｏ のうちの最大値が求められる。この例では、ｆｆｉｌｌ
図に示すようにΔ，３＜Δ１■〈Δ，，く０であり、し
たがってΔ１，が最大値となる。また線分Ｌ５について
は画素Ｐ　５１＋　　Ｐ　５２＋　　Ｐ５３に対応する
各差分Δ５１−ｆ５１　　ｆｏ Δ５２＝ｆ５２　　ｆｏ Δ５３−ｆ５３　　ｆＯ のうちの最大値Δ，３が求められる。

６３ このように所定の画素Ｐ。と、各線分Ｌ，毎に複数の画
素との差分の最大値を求めるようにすることにより、種
々のサイズの腫瘍影に対処することができる。

次に、所定の画素Ｐｏから互いに反対方向に延びる２本
の線分をひと組として即ち線分Ｌ１と線分Ｌ５、線分Ｌ
２と線分Ｌ６、線分Ｌ３と線分Ｌ’ｒｓおよび線分Ｌ４
と線分ＬＢのそれぞれをひと組として、各組毎に２つの
最大値の平均値（それぞれｈＬ５．　Ｍ２６．　Ｍ３７
．　Ｍ４８）が求められる。

線分Ｌ１と線 分Ｌ５との組については、その平均値Ｍ，，は、２ として求められる。

このように所定の画素Ｐｏから互いに反対方向に延びる
２本の線分をひと組として取り扱うことにより、第１１
図に示すように腫瘍影１０７がたとえば肋骨影１０６の
近傍にあってその画像データの分６４ ？が非対称となっていてもＩｌｉｌｉ瘍影を確実に検出
することができる。

上記のようにして平均値Ｍ１５，　Ｍ２６，　Ｍ３７，
Ｍ４Ｂが求められると、これらの平均値Ｍ，，，　Ｍ２
６，Ｍ　３７，　Ｍ４Ｂに基づいて、以下のようにして
、所定の画素Ｐ。が腫瘍影内の画素であるか否かの判定
に用いる特性値Ｃ工が求められる。

第１２図は、この特性値Ｃｌの求め方を説明するための
図である。横軸は上記のようにして求めた平均値Ｍ　，
５　，　Ｍ　２　６　，　Ｍ　３　７　，　Ｍ　４　８
、縦軸はこれらの平均値に対応する各評価値ＣＩ　Ｉ＋
　　Ｃ　２６、Ｃ３■Ｃ４８である。

平均値Ｍ　１　５　，　Ｍ　２　６　，　Ｍ　３　７　
，　Ｍ　４　Ｂがある値Ｍ１より小さい場合評価値は零
、ある値Ｍ２より大きい場合評価値は１０　、Ｍｌ〜Ｍ
２の中間では、その値の大きさに応して０，０〜１．０
の間の値が評価値となる。このようにして、各平均値Ｍ
，，，　Ｍ２６Ｍ　３　７　，　Ｍ　４　Ｂにそれぞれ
対応する評価値ＣＩ５ｉ　　Ｃ２６Ｃ３７＋　　Ｃ　４
Ｂが求められ、これらの評価値ＣＩ５Ｃ　２６＋　　Ｃ
　３１＋　　Ｃ４Ｂの和６５ ６６ Ｃ　１　　＝　Ｃ　Ｉ，＋　Ｃ　２６＋　Ｃ　３７＋　
Ｃ　４８　　　・・（２６）が特性値Ｃ１とされる。即
ち、この特性値Ｃ１は最小値０、０と最大値４．０との
間のいずれかの値を有する。

この特性値０１が所定のしきい値Ｔｈｌと比較され、Ｃ
１≧Ｔｈｌであるか、Ｃｌ＜ＴＩ１１であるかにより、
所定の画素Ｐ。がそれぞれ腫瘍影内の画素であるか否か
が判定される。

上記実空間フィルタを用いてＸ線画像上を走査すること
により、即ちＸ線画像上の各画素を上記所定の画素Ｐ。

として該各画素が腫瘍影内の画素であるか否かを判定す
ることにより、Ｘ線画像上の腫瘍影が抽出される。なお
、上記フィルタの走査においては、腫瘍影と類似した腫
瘍影以外のものも抽出される可能性があり、したがって
ここでは、上記走査により抽出されたパターンを腫瘍影
の候補と呼ぶ。

第一の候補抽出手段１［１１　　（第１２図参照）にお
いて腫瘍影の候補を抽出するフィルタは、上記フィルタ
に限定されるものではない。以下に、第一の候補抽出手
段１０１で用い得るフィルタの他の例について説明する
。

第１０図の各画素Ｐ＋＋　（ｉ　＝１．２．・・・，８
．ｊ＝１２，３）の画像データｆ１のグラジェントｆｌ
，が求められる。

ここでグラジェン１・とは、Ｘ線画像上のある画素Ｐの
ｘｙ座標を（ｍ，ｎ）　、該画素ＰとＸ方向，ｙ方向に
隣接する画素Ｐ’，Ｐ’の座標をそれそれ（ｍ＋ｉ，ｎ
）　，　　（ｍ，ｎ＋１）とし、それらの画素Ｐ，Ｐ’
Ｐ′の画像データをそれぞれｆ　（ｍ，ｎ）　，　４　
（ｎ＋＋１ｎ）　，　　ｆ　（ｍ，ｎ＋１）としたとき
、ｆ　（ｍ，ｎ）　＝　（　ｆ　（ｍ＋１．．ｎ）　−
　ｆ　（ｍ．ｎ）ｆ　　（ｍ，ｎ＋１）　　−　　ｆ　
　（ｍ，ｎ）　　）　　−（２７）で表わされるベクト
ルをいう。

第１３図は、上記グラジェン１・および以下に示す演算
方法を示す図である。

グラジェントｆ１が求められた後、これらのグラジエン
トｆ１のベクトルの長さが王，０に揃えられる。即ち、
グラジェントＶｆ＋＋の大きさをＶｆ＋１１としたとき
、規格化グラジェント６７ ６８ ？ｆ＋＋／ｌｆ＋＋ｌが求められる。

次に、この規格化グラジェントｒ１／１ｆ，１の、線分
Ｌ１の方向の戒分が求められる。即ち、各画素Ｐ．から
所定の画素Ｐ。に向かう単位ベクトルを０１としたとき
、ｆ＋＋／ｌｆ１■＊ｅ．（ただし＊は内積を表わす）
が求められる。

その後、該成分について内向き（所定の画素Ｐｏの方向
）を正、外向きを負としたとき、各線分Ｌ＋　　（ｉ−
１，２．・・・・，８）毎に各最大値｛Ｖｆ．／ｌｆ１
１ｌ＊ｅ１）ｖ （ｉ一↓，２，・・・・・・，８） が求められ、さらにこれら各最大値 ｛Ｖｆ＋１／ｌ　Ｖｆ＋１１　＊ｅ＋　）Ｍを加算した
加算値 Σ　｛ｆ　＋＋／　ｌ　Ｖ　ｆ　＋＋　ｌ　＊ｅ＋　　
）　　Ｍが求められる。この加算値 Σ　｛ｆ１＋／ｌＶｆ ＊ｅ１１　　ｙ を特徴ＲＣ２として、この特徴Ｉｎ　Ｃ　２が所定のし
きい値Ｔｈ２と比較され、Ｃ２≧Ｔｈ２であるか、Ｃ２
＜Ｔｈ２であるかにより、所定の画素Ｐｏかそれぞれ腫
瘍影内の画素であるか否かが判定される。

このフィルタは、グラジェントｆ１の大きさｆ．１を規
格化し、その方向（線分Ｌ１との方向の相違の程度）の
みに注目することにより、周囲とのコントラストによら
ず形状が円形であることにより大きな値をもつ特徴量Ｃ
２が求められ、これにより肚瘍影が大きな確度をもって
抽出される。

次に、第一の候補抽出手段１０１（第１２図参照）で用
い得るフィルタのさらに異なる例について説明する。

第１０図に示すＱｏおよびＱ口（１　＝１．２，・・・
・・，８ｊ　＝１．２．３　）　　（ただし第１０図に
は、明示的にはＱｏおよびＱ＋＋・Ｑ１２・Ｑ＋３・　
Ｑ５１・Ｑ５２・Ｑ５３のみ示してある）は、それぞれ
画素Ｐ。を含む中央領域および各画素Ｐ　Ｂ　（ｉ　＝
］，２，・・・・・・，８；ｊ＝１．，２．３　）を含
む各周辺領域を表わしている。

６つ ７０ この各領域Ｑ。およびＱ＋１　（］　＝１，２，・・・
・・，８；ｊ　−１．２．３　’Ｉ毎に、該各領域Ｑ。

，Ｑ＋＋内の多数の各画素に対応する多数の各画像デー
タの平均値Ｑｏ　，　　Ｑ　．（ｉ　＝１，２ｓ・−・
，８　；　ｊ　＝］．２．３　）が求められる。なお、
ここでは簡単のため、各領域Ｑｏ　，　Ｑ　＋＋　（ｆ
　＝１．２ｓ・・−，８　；　ｊ　＝１，２．３　）を
指す記号と該各領域内の画像データの平均値を指す記号
とで同一の記号を用いている。

次に中央領域の平均値Ｑｏと各周辺領域の平均値Ｑ．の
それぞれとの各差分Δ１）　（ｉ　＝１．２，・・・・
・，８　．　ｊ＝１．２．３　）が Δ１＋＝Ｑ＋＋　　Ｑ。　　　　・・・（２８）として
求められ、さらに各線分Ｌ，毎に、差分Δ１１の最大値
Δ１が求められる。即ち、線分ＬＩＬ５について例を示
すと、線分Ｌ１についてはΔ１、　Δ１２，Δ，３のう
ちの最大値Δ１、線分Ｌ！についてはΔ，１，Δ，２，
Δ，３のうちの最大値Δ５が求められる。

次に、最大値Δ＋　　（．ｉ　＝１〜８）を代表する第
一の特性値Ｕと最大値Δ＋（１＝ｌ〜８）のばらつきを
表わす第二の特性値■とが求められる。このために、ま
ず以下の演算式に従って各特性値Ｕ１〜Ｕ４，Ｖ１〜Ｖ
４が求められる。

Ｕ１−（Δ１＋Δ２＋Δ５＋Δ６）／４　・・（２９）
Ｕ２＝（Δ２＋Δ３＋Δ６＋Δ丁）／４　・・・（３０
）Ｕ３−（Δ３＋Δ４＋ΔＴ十Δ８）／４　・・（３ｌ
）Ｕ４−（Δ４＋Δ５＋ΔＢ＋Δ工）／４　・・（３２
）ｖ１＝Ｕ．／Ｕ３　　　　　　　　　　　　・・・（
３３）Ｖｚ　−Ｕｚ　／　Ｕａ　　　　　　　　　　　
　・＝（３４）Ｖ３　＝Ｕ３　／Ｕｌ　　　　　　　　
　　　　・・・（３５）Ｖａ＝Ｕａ／Ｕ２　　　　　　
　　　　　　・・・（３６）ここで、たとえば〈２９）
式に従って特性値Ｕ１を求める場合について説明すると
、隣接する２つの領域（Δ１とΔ２、またはΔ５とΔ６
）について加算することは平滑化を意味し、画素Ｐｏを
挾んだ互いに反対側の領域（Δ１＋Δ２とΔ５＋Δ６）
について加算することは前述した最初のフィルタと同様
に、第１１図に示すように画像データが非対称であって
も胛瘍影を検出することができるようにするためてある
。

７］ また、たとえば（３３）式に従って特性値Ｖ，を求める
場合について説明すると、特性値Ｕ１と特性値Ｕ３とは
互いに直交する方向について求めた特性値であり、した
がって第１１図に示す腫瘍影１０７が円形であればＶ１
＋１．０となり、円形から外れる場合、即ち画素Ｐ。が
肋骨影のように直線状の陰影内にある場合はＶｌは１，
０から外れることになる。

上記差分の最大値Δ１　（ｉ＝１〜８）を代表する第一
の特性値Ｕとしては、Ｕ１〜Ｕ４の最大値Ｕ−ＭＡＸ　
　（Ｕｉ　．　Ｕ２　．　Ｕ３　，　Ｕ４　）　　・＝
（３７）が採用され、上記差分の最大値Δ＋（１＝１〜
８）のばらつきを表わす第二の特性値Ｖとしては、■１
〜Ｖ４の最大値 Ｖ＝ＭＡＸ　　（Ｖ１，ｖｚ　，ｖ３，ｖ，）　　・・
・（３８）が採用される。このようにして第一および第
二の特性値Ｕ，　Ｖが求められると、所定の画素Ｐ。が
腫瘍影内の画素であるか否かを判定するための特性値Ｃ
３として、これら第一および第二の特性値の比率 ７２ Ｕ Ｃ３　＝ ・（３９） ■ が採用され、この特性値０３が所定のしきい値Ｔ１】３
と比較され、Ｃ３≧Ｔｈ３であるか、Ｃ３〈Ｔｈ３であ
るかにより、画素Ｐｏがそれそれ腫瘍影内の画素である
か否かが判定される。

以上、例を示したように、第９図に示すコンピュータシ
ステム４０の第一の候補抽出手段１０１では実空間フィ
ルタを用いてＸ線画像上を走査することにより、腫瘍影
と考えられる円形パターンの抽出が行なわれる。

なお、上記各フィルタ例においては、第｛０図に示すよ
うに８本の線分Ｌ１〜Ｌ８上の画素Ｐ目や平均値Ｑ．等
を用いたが、この線分は８本である必要はなく、たとえ
ば１６本等であってもよいことはもちろんである。また
、所定の画素Ｐｏからの距離についてもｒ１，ｒ２＋　
　ｒ３の３つの距離について演算を行なったが、これに
ついても３つの７３ ７４ 距離に限るものでもなく、抽出すべき腫瘍影の大きさが
ほぼ一定している場合は距離は１つでもよく、また、種
々の大きさの腫瘍影をさらに精度よく抽出するために、
距離をｒ１からｒ３まで連続的に変えて演算を行なって
もよい。また、第一の候補抽出手段１０１では上記各フ
ィルタに限らず、さらに異なるフィルタを用いてもよい
ものである。

ただし、ここでは確実に腫瘍影であると考えられるパタ
ーンだけを抽出するのではなく、多少のノイズ（ｆＦｆ
ｉ瘍影でないパターンを腫瘍影として抽出することまた
は抽出された腫瘍影でないパターン）が含まれていても
腫瘍影を洩らさずに抽出することが好ましく、したがっ
てこの第一の候補抽出手段１０１で用いるフィルタは、
その目的に沿ったものであることが好ましい。

なお、上記の各フィルタを用いてＸ線画像上を走査した
際、血管が密集した領域等、線状陰影の交叉部を腫瘍影
候補として抽出してしまうことがある。そこで本実施例
における第一の候補抽出手段１０１では、腫瘍影候補を
抽出した後、抽出された腫瘍影候補のうち腫瘍影ではな
い血管等の密集した領域を以下のようにして腫瘍影候補
から除外している。

第１４Ａ図，第１．４Ｂ図は、一旦腫瘍影候補として抽
出された、それぞれ真正の腫瘍影および血管等の密集し
た領域のＸ線画像を示す図である。各図において破線１
０９に囲まれた領域が一旦腫瘍影候補として抽出された
領域Ａであり、各グラフは各領域Ａ内のＸ方向，ｙ方向
のプロファイル（画像データＳ１をプロットしたもの）
である。

腫瘍影（第１４．Ａ図）は、Ｘ方向，ｙ方向とも中央付
近に谷を有する比較的平坦なプロファイルを有し、血管
等が密集した領域（第１４Ｂ図）では、ほとんどの場合
、一方向（第１４Ａ図ではＸ方向）に細かな変動を有す
るプロファイルとなり他の方向（ｙ方向）は比較的平坦
なプロファイルとなる。

そこで、ここでは、このプロファイルの相違を利用して
、一旦腫瘍影候補として抽出された血管等が密集した領
域を腫瘍影候補から除外する。即ち、Ｘ方向に並ぶ画素
をｍ　　（ｍ　＝１．２，・・・・・・）、ｙ方向７５ ７６ に並ぶ画素をｎ　　（ｎ−１．２．・・・・・・）で表
わし、（ｍ　，　ｎ）で表わされる画素の画像データを
ｆ　（ｍ．ｎ）とする。このとき、次式に示すように、
領域Ａ内の画像データの一次差分値の二乗の平均値が算
出される。

Ｚｘ　一ΣΣ　（　ｆ　（ｍ＋１．ｎ）　　−　ｆ　（
ｍ，ｎ）　）　　２／　Ｎ（ｆｆｉ．ｎ）ら＾　　　　
　　　　　　　　　　　・・・（４ｏ）Ｚ，−ΣΣ　｛
ｆ　（ＩＮ，ｎ＋１）　　−　ｆ　（ｍ，ｎ）　］　　
２／Ｎ（ｍ．ｎ）ｊ；＾　　　　　　　　　　　　　　
　−（４１）（ただしΣ　Σは領域Ａ内で一次差分値の
（ｌＩ．Ｉ１）ら＾ 加算を行なうことを表わし、Ｎは領域Ａ内の画素数を表
わす） 次に、腫瘍影候袖として存続させるか腫瘍影候補から除
外するかを判定するための特徴ｆｆｌｃｔとして、上記
ｚ８とＺｙのうち値の小さい方をｍｉｎ（２．，２，）
、値の大きな方をｍａｘ（１，Ｚ，）としたとき、 ｍａｘ　　（ＺＸ　ＩＺｙ　） が算出され、この特徴量Ｃ４を所定のしきい値Ｔｈ４と
比較し、Ｃ４≧Ｔｈ４のとき肚瘍影候補として存続させ
、Ｃａ＜Ｔｈ４のとき肚瘍影候補から除外する。

なお、上記特徴量Ｃ４としては（４２）式で算出され るものに限られず、たとえば Ｃｚ−ｌ　Ｚ　ｘ　　　Ｚ　ｙ　　ｌ　　　　　　　　
　・・・（４４）等であってもよい。また上記例ではｘ
，　　ｙの２方向の一次差分ｆ　（Ｉｎ＋ｌ，ｎ）　−
　ｆ　（ｍ．ｎ）　，　　ｆ　（ｍ，ｎ＋１）−　ｆ　
（ｍ，ｎ）を求めたが、たとえば斜め方向（Ｘ方向１　
ｙ方向のいずれとも直交しない方向）の差分を求めても
よい。

７７ ７８ 第９図のコンピュータシステム４０内の第一の候補抽出
手段１０１では、以上のようにして実空間フィルタを用
いたＸ線画像の走査により腫瘍影候補の抽出が行なわれ
、（４２）式の特徴量Ｃ４により腫瘍影候補として存続
させるか否かの判定が行なわれ、これによりさらに存続
している腫瘍影候補の領域内の各画素に１、それ以外の
領域の各画素に０を対応させた二値画像データが求めら
れる。以後（４２）式の特徴ｆｆｉ　Ｃ　ａを用いて判
定が行なわれた後の腫瘍影候補を第一の候補抽出手段１
０１て抽出された腫瘍影候補Ｃと称する。

特徴量演算手段 前述した媚一の候補抽出手段１０１で抽出された腫瘍影
候補Ｃはコンピュータシステム４０の特徴量演算手段１
０２に入力される。この特徴量演算手段１０２では、腫
瘍影候補Ｃの近傍の画像データＳ１に基づいて、各候補
Ｃ毎に複数の特徴量Ｆ１，Ｆ２，・・・・・，Ｆｎｓ即
ち、本実施例においては、以下のようにして求められる
各腫瘍影候補Ｃの面積Ｆｌ１各腫瘍影候補Ｃの形状Ｆ２
および各腫瘍影候補ＣのコントラストＦ３の３つの特徴
量Ｆ１〜Ｆ３が求められる。

第１５図は、第一の候補抽出手段１０１で抽出された腫
瘍影候補Ｃの一例を表わした図である。中央の領域７が
腫瘍影候補Ｃとして抽出された領域である。

第一の候補抽出手段１０１で抽出された腫瘍影候補Ｃの
うち、面積が小さい（たとえば２５ｍｍ２以下）の場合
は、血管のタンジェント（Ｘ線画像（第８図参照）に垂
直な方向（Ｘ線の照射方向）に延びる血管影）である可
能性が高く、特に後述するコントラストＦ３が高い場合
はその疑いが強い。また、通常見られる腫瘍影の大きさ
は、その直径が１０ｍ〜４０腑程度であり、この範囲を
越えた余りに大きい腫瘍影候補Ｃも腫瘍影でない場合が
多い。

そこで本実施例ではまず領域７Ａの面積Ｆ１が求められ
、その腫瘍影候補ＣのＩＩｉＲ　ｍ影としての確からし
さを反映する複数の特徴量のひとつとして該面積Ｆ１が
採用される。

また、本実施例ではＸ線画像上に典型的には円７９ ８０ 形として現われる腫瘍影を抽出するものであり、したが
ってこの円形の程度（形状）を表わす量が特徴量の他の
ひとつとして採用される。ここでは、領域７Ａに１、そ
の周囲にＯの値が割り当てられた二値画像データに基づ
いて、領域Ａ７の重心Ｏが求められ、該重心Ｏから周囲
に延びる多数の線分（第１５図ではＪｌｘ〜ｆ！８の８
本）が仮想されて各線分ｊ！　１（１＝Ｌ２，・・・・
・・，８）に沿って重心０から領域７Ａの周縁７ａまで
の各距離ｄ　＋　（１＝１，２，・・・・・・，８）が
求められ、次式 に従って分散Ｆ２が求められ、この分散Ｆ２が腫瘍影候
補Ｃの円形の程度（形状）を表わす特徴量として採用さ
れる。

さらに、腫瘍影候補Ｃの領域７Ａ内の画像データＳ１の
平均値Ａｙｌと領域７Ａの周囲の一定幅の帯状の領域７
Ａ’の画像データＳ１の平均Ａｙ２とが求められ、次式 ８１ Ｆ３　　−Ａｖ＋　　ＡＶ２　　　　　　　−（４０）
に従ってコントラストＦ３が求められ、このコントラス
トＦ３がさらに異なる特徴量として採用される。腫瘍影
は、肺内の略球形状の腫瘍の投影像としてＸ線画像上に
現われるものであるから、そのコントラストＦ３はある
所定値に近い場合が多く、その値から外れてコントラス
１・の低すぎる腫瘍影候補あるいはコントラストの高す
ぎる腫瘍影候補は腫瘍影ではない場合が多いため、この
コントラストＦ３を特徴量として採用し得るものである
。

なお本実施例では」二記３つの特徴ｆｆｉＦｘ〜Ｆ３が
求められるが、抽出対象とする異常陰影の種類、抽出の
精度等に応じて上記特徴ｆｆｉ　Ｆ　１〜Ｆ３とともに
、または上記特徴量Ｆ１〜Ｆ３に代えてさらに異なる種
々の特徴量を採用してもよいことはもちろんである。

第二の候補抽出手段 以上のようにして求められた３つの特徴ｆｆｉＦｘ〜Ｆ
３は、第９図のコンピュータシステム４０内の８２ 第二の抽出抽出手段１０３に入力される。本実施例にお
ける第二の候補抽出手段１０３ては、以下に述べるニュ
ーラルネットワークを採用して、特徴量抽出手段２によ
り求められた上記３つの特徴量、Ｆ１，Ｆ２，Ｆ３に基
づいて、第一の候補抽出手段１で抽出された腫瘍影候補
Ｃのうち腫瘍影である蓋然性の高い候補Ｆ（これを腫瘍
影Ｆと呼ぶことがある。）が抽出される。

第ｌ６図は第二の候補抽出手段１０３で採用される、誤
差逆伝播学習（パックプロパゲーション）機能を備えた
ニューラルネットワークの一例を表わした図である。誤
差逆伝播学習（パックプロパゲーション）とは、前述し
たようにニューラルネットワークの出力を正解（教師信
号）と比べることにより、出力側から入力側に向かって
順次結合の重み（シナプス結合のウェイト）を修正する
という“学習″アルゴリズムをいう。

図に示すように、このニューラルネットワークの第１層
（入力層），第２層（隠れ層）．第３層（出力層）はそ
れぞれ３個，３個，１個のユニットから構成される。第
ｋ層の１番目のユニットをｕ７、該ユニット　７への全
入力をＸ？％全出力を”／　７　ｓ　ｕ〒から　７”１
への粘合の重みをＷ７　’Ｈ”ｈＬ、各ユニッ１・ｕ：
は同一の特性関数の第１層（入力層），第２層（隠れ層
），第３層（出力層）はそれぞれ３個，３個，１個のユ
ニットから構成される。第ｋ層のｉ番１」のユニットを
ＬＩ７、該ユニット　７への全入力をＸ７、全出力をｙ
↑、ＬＪ７から　ｋ＋ｌへの結合の重みをＷｉ１”１と
し、各ユニットｈ，は同一の特性関数１ を有するものとする。このとき、各ユニット　７の入力
Ｘ７，出力Ｙ７は、 Ｘｉ一ΣＷｉ−′：　　・　７−１　　　　・・・（４
８）８３ ８４ ｙ７　＝ｆ　（Ｘ：）　　　　　　　　・・・（４９）
となる。ただし入力層を構成する各ユニットｕ｝（１−
１．２．３）への各入力Ｆ１　＋　　Ｆ２　＋　　Ｆ３
は重みづけされずにそのまま各ユニットｕ　：　（ｉ＝
１，２，３）ｌ：入力される。入力された３つの特徴ｉ
Ｆ．，Ｆ２Ｆ３は、各結合の重みＷ７７”　　によって
重み付けられながら最終的な出力ｙ？にまで伝達される
。

ここで、上記各結合の重みｗ：：”　　の決定方法につ
いて説明する。先ず乱数により各結合の重みｗ　ｋ　ｋ
　＋　ｌ　　の初期値が与えられる。このとき、入ヵＦ
１〜Ｆ３が最大に変動しても、出カｙ？が０〜１の範囲
内の値またはこれに近い値となるように、その乱数の範
囲を制限しておくことが好ましい。

次に、ＩＭＩ瘍影の有無およびＩｈｌｉ瘍影が存在する
場合のその位置が既知の多数のＸ線画像が用意され、前
述のようにして腫瘍影候補Ｃの抽出が行なわれ、さらに
各腫瘍影候補Ｃについて上記の３つの特徴量Ｆ１，Ｆ２
，Ｆ３が求められる。この３つの特徴１ｔＦ１　，Ｆ２
　，Ｆ３が第１８図に示すニューラルネットワークに入
力され、各ユニットｕｉの出力ｙ，がモニタされる。

各出力ｙｉが求められると、最終的な出力である３／Ｉ
’と入力された特徴ｆｆｉＦ１　，Ｆ２　．Ｆ３に対応
する腫瘍影候補Ｃ（上記のように、この腫瘍影候補Ｃが
腫瘍影であるか否かは既知である。）が腫瘍影である場
合に１、腫瘍影でない場合に０の値を有する教師信号ｄ
との二乗誤差 か求められる。この二乗誤差Ｅが最小となるように、以
下のようにして各結合の重みＷ　７　７”１　が修正さ
れる。

二乗誤差Ｅを最小にするには、このＥはＷ　７　：　”
　１の関数であるから ８５ ８６ のように各結合の重みＷ〒１＋１が修正される。こここ
こで、 （４７）式より、 でηは学習係数と呼ばれる係数である。

ｆ′ （ｘ）＝ｆ （ｘ） （１−ｆ （ｘ） ） ・・（５６〉 ここで、 であるから、 ｆ’（Ｘ：） モ　ｙ （コ− ｙ＋） （５７） となる。

（５３）式にいてｌ（−２と置き、 （５５） （５７） 式を であり、 （４８）式より （５３）式に代入すると、 一ΣＷ１　　　◆　ｙ ・・・（４ｇ）’ であるから、 （５２）式は、 一（ｙ１ ｄ）・ｙ１ （１ ｙ１　）　０　ｙ ・・・（５８） この（５８）式を（５１）式に代入して、となる。

ここで、 （５０）式より、 ？１　■　−Ｗ＋　　， η・　（ｙ？ ｄ）・ｙ１ （１ ｙ＋）　　０ｙ ・・・（５９） となる。

この（５９）式に従って、Ｗテ｛ （ｉ−Ｌ２，３） （４９）式を用いてこの（５４）式を変形すると、の各
結合の重みが修正される。

次に、 ８７ ８８ であるから、 この（圓〉式に（４８） （４９〉式を代入し ＝（ｙ： ｄ）　・ｙ１ （１ ｙｙ＋） て、 ・ｙ丁　・　（１−ｙ，）・Ｗ， ０　ｙ ・・（６４〉 この（６４）式を（５１）式に代入すると、ｋ＝１と置
い て、 ｗ：．ｉ−Ｗ，？−η・　（ｙマーｄ）・ｙ１ここで（
５Ｂ）式より、 ｆ’（ｘ丁）一パ （１ ｙ＋） ・・・（６２） （１ ｙ＋）　　●ｙ，　◆　（１　　　ｙ＋）　　◆ｙであ
るから、 この（６２）式と、 （５５） （５７）式を（６１） ＊　　Ｗ，， ・・（６５） 式に代入して、 となり、 （５９）式で修正されたＷで１ （ｉ−１ ２，３） か この（６５）式に代入され、Ｗ１ （１，ｊ−１．２．３） が修 正される。

◆ｙ，　●　（Ｉ　　　Ｙ＋）　　●Ｗ，１・・・（６
３〉 （５３）式においてｋ−１と置き、 （６３）式を（５３）式 ΔＷＩ１＋（ｔ＋１）一α・ΔＷ＋　，＋１　（ｔ）　
＋に代入すると、 ８９ ９０ ただしΔｗ　ｋ　ｋ　＋　ｌ　　（ｔ）は、ｔ回ｌ」の
学習における、修正後の結合重みｗ　ｋ　ｋ　’−　１
から修正前の該結合の重みＷｋｋ＋１を引いた修正量を
表わす。また、αは、慣性項と呼ばれる係数である。

慣性項α、学習係数ηとしてたとえばα−０，９η−０
．２５を用いて各結合の重みＷｋｋ＋１の修正（学習）
をたとえば２０万回行ない、その後は、各結合の重みＷ
　７　７　”　ｌは最終の値に固定される。この学習の
終了時には、腫瘍影候補Ｃのうち腫瘍影については１に
近い値、腫瘍影候補Ｃのうち腫瘍影でないものについて
は０に近い値が出力ｙ？として出力されるようになる。

そこで学習が終了した後は、今度は腫瘍影であるか否か
が未知の腫瘍影候補Ｃが抽出され特性値Ｆ１　＋　　Ｆ
２　，　　Ｆ３が求められて、第１８図に示すニューラ
ルネットワークに入力され、それにより得られた出力ｙ
？がその腫瘍影候袖Ｃが１１１４瘍影である蓋然性の程
度を表わす信号となる。この信号は、上記のようにして
学習を行なった後のものであるため、腫瘍影候補が腫瘍
影である蓋然性を精度良く表わしている。

なお、上記ニューラルネットワークは３層措造のものに
限られるものではなく、さらに多層にしてもよいことば
ももちろんである。また各層のユニットの数も、上記実
施例における数に限定されるものではなく、入力される
特性値の数、肚瘍影である蓋然性を表わす信号の必要と
する精度等に応じた任意の数のユニットで各層を構成し
得ることももちろんである。

上記のようにして信号（出力ｙ１）が求められると、こ
の信号（出力ｙ１）か所定のしきい値９１ ９２ Ｔｈ５（たとえば０．５）と比較され、ｙｉ≧Ｔｈ５で
あるか、’／：　　＜Ｔｈ５であるかに応じて、ニュー
ラルネットワークに入力された特徴量Ｆ１，Ｆ２，Ｆ３
に対応する腫瘍影候補がそれぞれ腫瘍影である、または
腫瘍影ではないとの判定か行なわれる。

ここで、上記しきい値Ｔｈ５は固定されたものであって
もよいが、固定されたものである必要はなく、たとえば
Ｘ線画像の被写体の解剖学的情報に弘づいて、その値を
変えてもよい。以下に解剖学的情報の求め方の例を述べ
る。

１１ｉ１ｉのｌｌｒｆ瘍影は、第８図に示す中央付近の
ＩＩ，ｌｉ門部１１５ａよりもその両側にある斜線を施
した肺野部１ｌ５ｂに出やずいという性質がある。そこ
で、ここでは、以下のようにして１姉部１１５か姉門部
１１５ａと肺野部１．５ｂとに区分され、その情報は上
記出力Ｖ？としきい値Ｔｈ５との比較の際にしきい値Ｔ
１１５の値を定めるために用いられる。

第１７図に示すＸ線画像から得られた画像データＳ１の
ヒストグラムを表わした図である。横軸は画像データＳ
１の値を表わし、縦軸はその値を有する画像データＳ］
の出現頻度を表わしている。

このヒストグラムの右側の山１｛７は、第８図に示す直
接Ｘ線部｛１７に対応する。中央の山１１５は第８図に
示す肺部１１５に対応し、左側の山１１６は第８図に示
す皮膚部１１Ｂに対応ずる。なおここでは簡単のため、
互いに対応する第８図の各部と第１７図の各山とで同一
の番号を用いている。

ここで肺部１１５の面積に対する肺野部１１５ｂの面積
は略一定であるという経験則に基づき山１１５の全面積
の所定の割合（たとえば５０％）を高濃度側から求め（
沁１７図の斜線を施した領域）、この領域内の画像デー
タに対応する画素の集合が肺野部１１５ｂとされる。

このようにして肺四部１１５ａと肺野部１１５ｂとが区
分され、肺野部１１５ｂにある腫瘍影候補について腫瘍
影であるか否かを判定する際には上記しきい値Ｔｈ５が
低め（たとえば０，４）に設定され、肺門部１１５ａに
ある腫瘍影候補の判定の際には高め（たとえば０．６）
に設定される。

９３ ９４ また、ここでは、肋′ｆ’ｌ−　ｉの抽出も行なわれる
。

第１８図は、第８図に示す胸部Ｘ線画像のうちの肋骨影
（第８図には図示せず）の一部を拡大して示した図であ
る。なお、該第１３図には、第１０図に示したフィルタ
の図も同時に示されているが、これについては後述する
。

胸部Ｘ線画像には第１８図に示すように２本の肋骨影１
１５ｃの交叉した領域１１５ｄが現われ、この交叉領域
１１５ｄが腫瘍影候補として抽出されることがある。し
かもこの交叉領域１．１５ｄ内の画像データはほぼ平坦
であり、血管影の集合した領域が腫瘍影候補として抽出
された場合と異なり、前述した（４２〉式による特徴量
Ｃ４の算出およびその判定によっては腫瘍影候補から除
外されない。そこで、肋骨影を抽出し、腫瘍影候補から
腫瘍影を求める際に腫瘍影候補が肋骨影の交叉領域１１
５ｄと一致するときはその候補は腫瘍影から除外される
。

肋骨影１１５Ｃの抽出方法としては、一例として、「間
接撮影胸部Ｘ線写真における肋骨像の識別」（社団法人
電子通信学会　ｌ９７２年｛０月２６日画像工９５ 学研究会資料　資料番号ＩＴ７２−２４　　（１９γ２
−１０））に記載された方法か採用される。この方法で
は、線に敏感なフィルタを用いて胸部Ｘ線画像が走査さ
れて線図形が抽出され、その線図形のＸ線画像上の位置
、線図の延びる方向等から肋・＋１影に刻応する線が抽
出され、さらに肋骨境界線を二次関数近似することによ
り肋骨影が抽出される。

なお、上記しきい値Ｔｈ５は固定しておいて、肺野部１
１５ｂであるか肺門部１１５ａであるかの情報を特徴ｆ
ｆｉＦ．．Ｆ２，　　・，Ｆｎのひとつとして前述した
ニューラルネットワークに入力するようにしてもよい。

また、上記解剖学的情報は、異常陰影候補を抽出する際
に用いてもよい。

たとえば第９図を用いて前述した、所定の画素Ｐｏが腫
瘍影内の画素であるか否かの判定を行なう際、肋骨の位
置情報を用いて、たとえば第１２図に示す画素Ｐｏが腫
瘍影内の画素であるか否かの判定にあたっては、Ｌ．，
Ｌ３，Ｌ５，Ｌ７についてはｒ１　とｒ２の情報を用い
、Ｌ２とＬ６にっ９６ いてはｒ１〜『３の情報を用い、Ｌ４とＬ８については
ｒ１の情報のみを用いることによりこの肋骨影がこの判
定に影響を及ばずことが回避される。

以上のようにして、コンピュータシステム１４（１（第
９図参照）の第二の候補抽出手段１０３において、特徴
量演算手段１０２で求められた複数の特徴ｆｆｉＦ１，
Ｆ２，・・・・・・，Ｆｎをニューラルネットワーク（
第１６図参照）に入力して第一の候補抽出手段１（１１
で抽出された腫瘍影候補Ｃが腫瘍影である蓋然性を表 わす信号バを得、この信号バをしきい値処理して候補Ｃ
が腫瘍影Ｔであると判定された後、腫瘍影Ｔを表わすデ
ータ（たとえば腫瘍影Ｔの位置情報、形状に関する情報
等）が画像データｓ１とともに本発明の表示手段１０１
の一例であるＣＲＴディスプレイ１４４（第９図参照）
に送られ、該ＣＲＴディスプレイ１４４の画面に画像デ
ータｓ１に基づく可視画像が表示され、その画像上に腫
瘍影Ｔがたとえば矢印により明示される。

その可視画像を観察した観察者は、その腫瘍影Ｔが真の
腫瘍影であるかまたは実際には腫瘍影ではないものが腫
瘍影であるとして表示されたものかを区別する情報Ｔを
本発明の入力手段１ｆ）５一例であるキーボード１４３
から入力する。この情報Ｔはコンピュータシステム１４
０内の第二の候補抽出手段１０３に入力される。第二の
候補抽出手段１０３ではこの情報Ｔを受けて、この情報
Ｔが真の肚瘍影である旨の情報であった場合は教師信号
ｄ（　（５０）式参照）をｄ＝１とし、腫瘍影ではない
旨の情報であった場合はｄ　−　’Ｏとして、前述した
ニューラルネットワークの誤差逆伝播学習を行ない、次
回にはさらに正確な判断を行なうようにこれにより結合
の重み Ｗ　７　７　＋　１が変化する。

このように本発明によれば、本発明のＳコ常陰影検出装
置を実際に用いながら、この装置が設置された施設や観
察者により適合するようにさらに知見が積み重ねられる
。

９７ ９８ なお、」二記実施例では第二の候補抽出手段１．０３と
してニューラルネットワークが用いられているが、本発
明の第二の候補抽出手段１０３はニューラルネットワー
クを備えたものに限られるものではなく、ニューラルネ
ットワークに代えてまたはこれとともにたとえば以下に
述べるＮＮ　（ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒ法）を
用いて複数の特徴ｆｆｉＦ１．Ｆ２，Ｆ３に基づく判断
を行なってもよい。

上記ニューラルネットワークを用いる場合と同様に、腫
瘍影の有無および腫瘍影が存在する場合のその位置が既
知の多数のＸ線画像が用意され、腫瘍影候補Ｃの抽出が
行なわれ、さらに各腫瘍影候補Ｃについて前述した３つ
の特徴ｆａＦｚ＋Ｆｚ，Ｆ３が求められる。これらの特
徴ｆｆｉＦ１．Ｆ２，Ｆ３の組と、これら特徴員Ｆ１，
Ｆ２，Ｆ３に対応する肚瘍影候補Ｃが腫瘍影であるか否
かどいう情報とがデータベースとして第二の候袖抽出手
段１０３に蓄積される。

次にＩＭｆ瘍影であるか否かが未知の種瘍影候補Ｃから
抽出された特性値Ｆ１”　，Ｆ；　，Ｆ；と、既にデー
タベースとして入力されている多数の特性値Ｆ１　，　
　Ｆ２　，　　Ｆ３　（１−１．２，　−−−，　ｎ）
とを用いて、距離　ａ，が、 ａ｛−（Ｆ，　　Ｆ：）２＋（Ｆｚ　　Ｆ２）２十（Ｆ
３　　Ｆ；）２　　　　　　　　・・・（６４）の演算
式に従って求められる。これらの距離ａ（１−１．，２
．・・・・・・＋　ｎ）のうちの最小の跪離ａ．に対応
する特性値ＦＴ　＋　　Ｆ　”；　，Ｆ　３を有する肚
瘍影候補Ｃが腫瘍影であるか否か、およびその距離ａ。

の大きさ等により入力された特性値Ｆ１　＋　　Ｆ２　
＋Ｆ二を有する肚瘍影候補Ｃが肚瘍影である蓋然性の程
度が求められる。

このＮＮ法を用いた場合、第二の候仙抽出手段１０３で
は、キーボード１４３から入力された真の腫瘍影であっ
たか否かという悄報Ｔｌ．：＾（づいて、こ９９ １００ ？腫瘍影候補Ｃに関して求めた複数の特徴量ＦＩＦ２，
・・・・・・，Ｆｎと上記情報Ｔとがデータベースに加
えられ、これが第二の候補抽出手段１０３の学習機能と
観念される。

また、上記実施例と同様に腫瘍影の有無および腫瘍影が
存在する場合のその位置が既知の多数のＸ線画像が用意
され、腫瘍影候補Ｃの抽出が行なわれ、各腫瘍影候補Ｃ
について前述した３つの特徴ｆｆｉＦｘ　，Ｆｚ　！　
　Ｆ３が求められた後、これら特徴量Ｆ■，Ｆ２，Ｆ３
の組と、これらの特徴量Ｆ．，Ｆ２，Ｆ３に対応するｌ
ｌｊ瘍影候補Ｃが肚瘍影であるか否かという情報とに基
づいて、各特徴量Ｆ１　＋　　Ｆ２　＋　　Ｆ３につい
て腫瘍影であるか否かを区分するしきい値を求めて第二
の候補抽出手段１０３に記憶しておき、腫瘍影であるか
否かが未知の腫瘍影候補Ｃが抽出され特徴ｆｆｉＦｔ　
，　　Ｆｚ　，　　Ｆ３が求められて、第二の候補抽出
手段１０３に入力された際に、これらの特徴量をしきい
値処理して対応する肚瘍影候補Ｃが１旺瘍影であるか否
かを判定しもよい。

第二の候補抽出手段１０３がこのような単純なしきい値
処理を行なうものである場合、キーボード４３から入力
された真の腫瘍影であったか否かという情報Ｔは、この
しきい値を定めるための統計処理の基礎として使用され
、これが第二の候袖抽出手段１０３の学習機能と観念さ
れる。

このように、第二の候補抽出手段１０３ては上記各方法
およびさらに異なる公知の種々の方法のいずれか、さら
にそれらの方法の種々の組合せにより、複数の特徴ｆｆ
ｉＦｔ．Ｆｚ，・・・・・，Ｆｎに基づく、腫瘍影候ｆ
＋Ｄ　Ｃが肚瘍影であるか否かという判断が行なわれる
。

なお、以上の実施例は、典型的に円形として現われる腫
瘍影を抽出する例であるが、これは円形の腫瘍影の抽出
に限られるものではなく、また胸部Ｘ線画像に限られる
ものでもなく、さらに蓄積性蛍光体を用いるシステムに
限られるものでもなく、被写体の放射線画像を表わす画
像データに基づいて該放射線画像上の異常陰影を検出す
る際に広く用い得るものである。

１０１ １０２

【図面の簡単な説明】

第１図は本発明の．！Ｉ（本的摺成を説叩するためのブ
ロック図、 第２Ａ図．第２Ｂ図はそれぞれ右肩，左肩のＸ線画像を
表わした図、 第３Ａ図，第３Ｂ図は、それぞれ標準パターンおよび反
転パターンを表わした図、 第４図は、ニューラルネットワークの一例を表わした図
、 第５図は、Ｘ線撮影装置の一例の概略図、第６図は、Ｘ
線画像読取装置の一例、および本発明の一例を内包した
コンピュータシステムの一例を示した斜視図、 第７図は、本発明の異常陰影検出装置の構成を明示した
ブロック図、 第８図は、蓄積性蛍光体シート上に蓄積記録された胸部
Ｘ線画像の一例を模式的に表わした図、箪９図は、Ｘ線
画像読取装置の一例と、本発明の異常陰影検出装置の一
実施例であるコンピューターシステムとを衣わした斜視
図、 第１０図は、第一の候補抽出手段１て用いられる、１１
１１　１ｍ影を抽出する空間フィルタの例を説明するた
めに、Ｘ線画像上の所定の画素ｐｏを中心に該画像上に
仮想的に描いた図、 第Ｈ図は、上記所定の画素Ｐ。を中心とした、第１０図
の線分ＬｌとＬ５の延びる方向（Ｘ方向）のＸ線画像の
プロファイルの一例を示した図、第ｌ２図は、所定の画
素Ｐ○が腫瘍影内の画素であるか否かの判定に用いる特
性値の求め方を説明するための図、 第１３図は、画像データｒ１のグラジエントｆ１等のベ
クトルを示す図、 第１４Ａ図、第１４Ｂ図は、一旦ＩＩＩ瘍影の候補とし
て抽出された、それそれ真正の肚瘍影および血管等の密
集した領域のＸ線画像とそのＸ方向，ｙ方向のプロファ
イルを表わした図、 第１５図は、候袖抽出手段で抽出された腫瘍影候補の一
例を表わした図、 第１６図は、異常陰影抽出手段で採用される、誤差逆伝
播学習機能を備えたニューラルネットワ１０Ｂ １０４ クの一例を表わした図、 第１７図は、第３図に示すＸ線両像から得られた画像デ
ータのヒストグラムを表わした図、第１８図は、第３図
に示す胸部Ｘ線画像のうちの肋月影（第３図には図示せ
ず）の一部を拡大して示した図である。 １・・Ｘ線撮影装置　　　２・・・Ｘ線源５・・・被写
体部　　　　　６・・・直接Ｘ線部１１．　１１’・・
・蓄積性蛍光体シート１９．　１９’・・・輝尽発光光 ２１，　２］’　・・・フォＩ・マルチプライヤ２６．
　２６’・・・対数増幅器 ２７　　２７’・・・Ａ／Ｄ変換器 ４０・・・コンピュータシステム １００・・・先読手段　　　　　１００′・・・本読手
段１０１・・・第一の候袖抽出手段 １０２・・・特徴瓜演算手段 １０３・・・第二の候補演算手段 １０４・・・表示手段　　　１０５・・・入力手段１０
６・・・肋佃影　　　　１０７・・肚瘍影１　１　５　
−＝　Ｉｌｌｌｉ部　　　　　１　１　５ａ　−　１１
＋ｌｉ門部１　１５　ｂ・・・肺野部　　　１１６・・
・皮膚部１１７・・・直接ｘ１ｉ１部　　１２［１・・
・Ｘ線画像読取装置１２３・・・レーザ光源　　｛２Ｂ
・・・回転多面鏡１２９・・・輝尽発光光　　１３０・
・光ガイド１３１・フォトマルチプライヤ １４０・・・コンピュータシステム １０５ ］　０６ 第２Ａ図 第３Ａ図 ■ 法 歌・峡

Claims (5)

【特許請求の範囲】
1. （１）放射線画像データに基づいて、照射野の認識、先
   読み画像データに基づく本読みの画像読取条件の決定、
   画像処理条件の決定、異常陰影の検出等のデータ処理を
   、ニューラルネットワークを用いて行なう放射線画像処
   理装置において、 学習済の前記ニューラルネットワークを装置に実装後、
   前記ニューラルネットワークによるデータ処理を修正し
   再学習させるための修正情報を前記ニューラルネットワ
   ークに入力する入力手段を設けたことを特徴とする放射
   線画像処理装置。
2. （２）放射線画像が記録された蓄積性蛍光体シートに励
   起光を照射し該蓄積性蛍光体シートから発せられた輝尽
   発光光を読み取って得られた前記放射線画像を表わす第
   一の画像信号に基づいて、前記蓄積性蛍光体シートに再
   度励起光を照射し該蓄積性蛍光体シートから発せられた
   輝尽発光光を読み取って前記放射線画像を表わす第二の
   画像信号を得る際の読取条件及び／又は得られた前記第
   二の画像信号に画像処理を施す際の画像処理条件を求め
   る放射線画像読取条件及び／又は画像処理条件決定装置
   において、 放射線画像の標準的なパターンを記憶しておく記憶手段
   と、 前記第一の画像信号が担持する前記放射線画像を前記標
   準的なパターンに変換して、該変換された放射線画像を
   担持する変換画像信号を求める信号変換手段と、 前記変換画像信号を入力とし前記読取条件及び／又は前
   記画像処理条件を出力とするニューラルネットワークか
   らなる条件決定手段、 前記条件決定手段により出力された前記読取条件及び／
   又は前記画像処理条件に基づいて読取及び／又は画像処
   理された放射線画像を可視画像として表示する表示手段
   、及び 前記表示手段により表示された可視画像を、より適正な
   可視画像に変換するための補正情報を前記条件決定手段
   に入力する入力手段とからなり、前記条件決定手段が、
   前記入力手段から入力された前記補正情報に基づいて、
   前記変換画像信号を入力とし、読取条件及び／又は前記
   画像処理条件を出力とするニューラルネットワークの演
   算を変更する学習機能を備えたことを特徴とする放射線
   画像読取条件及び／又は画像処理条件決定装置。
3. （３）放射線画像を表わす画像信号に基づいて、該画像
   信号に画像処理を施す際の画像処理条件を求める放射線
   画像処理条件決定装置において、 放射線画像の標準的なパターンを記憶しておく記憶手段
   と、 前記画像信号が担持する放射線画像を前記標準的なパタ
   ーンに変換して、該変換された放射線画像を担持する変
   換画像信号を求める信号変換手段と、 前記変換画像信号を入力とし前記画像処理条件を出力と
   するニューラルネットワークからなる条件決定手段 前記条件決定手段により出力された前記読取条件及び／
   又は前記画像処理条件に基づいて読取及び／又は画像処
   理された放射線画像を可視画像として表示する表示手段
   、及び 前記表示手段により表示された可視画像を、より適正な
   可視画像に変換するための補正情報を前記条件決定手段
   に入力する入力手段とからなり、前記条件決定手段が、
   前記入力手段から入力された前記補正情報に基づいて、
   前記変換画像信号を入力とし、読取条件及び／又は前記
   画像処理条件を出力とするニューラルネットワークの演
   算を変更する学習機能を備えたことを特徴とする放射線
   画像処理装置。
4. （４）被写体の放射線画像を表わす画像データに基づい
   て前記放射線画像上の異常陰影を検出する異常陰影検出
   装置において、 前記画像データに基づいて、前記異常陰影の候補を抽出
   する第一の候補抽出手段、 前記第一の候補抽出手段により抽出された前記候補の近
   傍の前記画像データに基づいて、該各候補毎に複数の特
   徴量を求める特徴量演算手段、前記特徴量演算手段によ
   り求められた前記複数の特徴量に基づいて、前記候補の
   うち前記異常陰影である蓋然性の高い候補を抽出する第
   二の候補抽出手段、 前記画像データと、前記蓋然性の高い候補を表わすデー
   タとに基づいて、該候補を明示した可視画像を表示する
   表示手段、及び 前記可視画像に明示された前記候補が前記異常陰影であ
   るか否かの情報を入力する入力手段とからなり、 前記第二の候補抽出手段が、前記入力手段から入力され
   た前記情報に基づいて、前記第一の候補抽出手段で抽出
   された前記候補から前記蓋然性の高い候補を抽出する演
   算を変更する学習機能を備えたことを特徴とする異常陰
   影検出装置。
5. （５）前記第二の候補抽出手段が、前記情報を教師信号
   とする誤差逆伝播学習機能を有するニュートラルネット
   ワークを備えたことを特徴とする請求項４記載の異常陰
   影検出装置。