JPH03170130A - 画像処理方法および装置 - 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】 ［発明の目的］ （産業上の利用分野） 本発明は、画像処理方法及びシステム、具体的には、特
徴抽出法を用いて医用画像を自動処理するための方法お
よび装置に係り、特にディジタル医用画像の異常領域の
自動検出および分類方注に関するものである。

（従来の技術） 胸部放射線写真、いわゆる乳房Ｘ線像から塊や実質歪曲
などの異常病巣や歪曲を検出および分類するのは、放射
線技師にとって最も重要かつ困難な作業である。

乳癌は、女性に最もありがちな悪性腫瘍であり、その発
病率は増加傾向にある。乳癌は、一生の間に、およそ１
０人に１人の割合で女性に発病する。

現在、乳癌の早期発見には、乳房撮影が最も効果的な方
法である。研究によると、触知不可能な癌のうち２６％
は乳房Ｘ線像に塊として示され、１８％は塊と微小石炭
変性の両方として示される。

従って、乳癌は、放射線撮影の塊病巣の検出を基にして
、手術生検によって発見されることが多い。悪性病巣か
良性病巣かを識別するための視覚的特徴として、放射線
技師が一般に採用しているのは、塊の輪郭分析、実質退
縮と歪曲の程度分析、塊の密度分析などである。

乳房病巣の良性と悪性の識別法については一般規定があ
るが、一般的なＸ線撮影の特徴づけ法では、この病巣分
類にかなりの誤りが生じてる。平均すると、手術による
乳房生検で検出した塊で、実際に悪性なのはわずか１０
〜２０％である。

手術による生検は、患者にとっては高価で精神的ショッ
クの大きい、侵略的な検査法であり、しかも身体に廠痕
が残り、後に診断する際の妨げとなることがある（Ｘ線
撮影でその廠痕が腫瘍の可能性があるとして、更に生検
を繰り返すことになる）。また、Ｘ線写真による悪性病
巣検出の失敗率は１２〜３０％に及ぶ。良性病巣と悪性
病巣の特性、および実質歪曲の検出ならびに分析が可能
なコンピューターを採用すれば、悪性腫瘍診断の偽陰性
と偽陽性の数を削減するので、実質的に放射線技師の役
に立つ。また、手術による生検数とその複雑さだけでな
く、患者の死亡率も減少することができる。

患者の長期研究から、乳癌の予後は、治療開始時の腫瘍
の大きさによって異なることが分かっている。様々な研
究によって、定期的な乳房撮影スクリーニングで、女性
の乳癌の死亡率をη１１減できることが証明されてい．
る。

米国癌協会では、乳癌を早期発見するために乳房撮影を
取り入れるよう強く勧めている。現在、同協会は、４０
〜４９才の女性の年２回の検診、および５０才以上の女
性の年１回の検診の他に、兆候のない３６才以上の女性
すべてのベースライン乳房Ｘ線撮影を推奨している。従
って、乳房撮影は、放射線技師が日常最も多量に分析す
べきＸ線作業の一つとなるだろう。放射線技師が、病巣
を検出し、診断結果を出す際に、非常に役立つコンピュ
ーターシステムを使用すれば、実質的にスクリーニング
作業の効率ならびに効果が上がることは明らかである。

（発明が解決しようとする課題） 何人かの研究員が、コンピューターで乳房撮影の異常性
分析を試みている（　Ｖｌｎｓｂｅｒｇ等のＲａｄｉｏ
ｌｏｇｉｙ　（放射線）　、８９：２１１−２１５、１
９６７年；　Ａｃｋｅｒｍａｎ等のＣａｎｃｅｒ　（癌
）　　３０：３４２−３５２、１９７３年；　ＦＯＸ等
のＰｒｏｃ．ＩＥＥＥ　５版、パターン識別に関する国
際会議＝６２４−６３１、１９８０年；　Ｍａｇｎｉｎ
等、Ｏｐｔｊｃａｌ　Ｅｎｇｊｎｅｅｒｓ　　（光工学
）　、２５　：　７８０−７８４、１９８６年）。

これらの試みの中では、特徴抽出法が採用されていたが
、左右の乳房ｘｌ像の左右相称については述べられてい
ない。また、疑いのある病巣のスピキュレーション（　
Ｓｐｉｃｕｌａｔｊｏｎ）の空間的頻度特性についても
考慮されていなかった。基本的に、周知の研究では、臨
床応用できるだけの精度には達していない。Ｃｈａｎ等
によるＰｒｏｃ．　ＳＰＩＥ７　６　７　：３６７−３
７０、１９８７年では、ディジタル乳房Ｘ線像で微小石
炭変性の検出に或功したことが報告されているが、病巣
と実質歪曲は検出されていない。

したがって、本発明の目的は、ディジタル医用画像に生
じる異常病巣および実質歪曲を検出、分類、表示するた
めの画像処理方法および装置を提供することにある。

本発明のさらに目的とするところは、信頼性のある、異
常な解剖学的病巣および実質歪曲の早期診断するための
自動方法および装置を提供することにある。

本発明の別の目的は、特徴抽出法を適用する前に、同じ
被検体（つまり、解剖的部分）または対称な対応物（つ
まり、左右の胸、肺、肝臓等）の２つ以上の画像の、組
織化した解剖学的背景を相互に関連させることにより、
異常病巣および実質歪曲を選択および表示するための自
動方法および装置を提供することにある。

本発明の更に別の目的は、当該画像の累積グレイレベル
ヒストグラムを適合することにより、２つ以上の画像の
グレイレベル頻度分布を適合するための方法および装置
を提供することにある。

本発明の他の目的は、疑いのある病巣および実質歪曲の
境界線の分布分析によって、異常病巣および実質歪曲を
分類および表示するための自動方法および装置を提供す
ることにある。

［発明の構成］ （課題を解決するための手段） すなわち、本発明は、下記の項に示すような構成によっ
て達成される。

第１の発明は、以下１項〜４５項にて開示されるもので
ある。

〈　１項　〉 被検体の１つ以上の選択部分を撮影した少なくとも第一
および第二ディジタル画像のそれぞれから少なくとも第
一および第二画像データを生成し、少なくとも前記の第
一および第二画像データを相関して、正常な解剖学的構
造の背景を取り除くことを特徴とする、ディジタル画像
を用いて、病巣および実質歪曲の形で異常性を自動分析
する方法。

〈　２項　〉 前記１項に記載の方法において、設定基準を一つ以上用
いて、前記相関データを検索し、前記ディジタル画像の
少なくとも一つで、前記の設定規準に合う前記相関デー
タの一部に示される以上領域を識別し、一つ以上の前記
ディジタル画像で、前記異常領域の位置を表示すること
を特徴とする。

〈　３項　〉 前記２項に記載の方法における前記生成ステップは、 少なくとも前記の第一および第二ディジタル画像それぞ
れの少なくとも第二ヒストグラムを求め、少なくとも前
記第一および第二ヒストグラムそれぞれの、少なくとも
第一および第二累積ヒストグラムを出し、少なくとも第
一および第二累積ヒストグラムのデータと、前記第二デ
ィジタル画像の修正画素値に対応する前記第二画像デー
タと、第一ディジタル画像の画素値に対応する前記第一
画像データの、規定の関係を基にして、少なくとも第二
ディジタル画像の画素値データを修正することにより、
少なくとも第二累積ヒストグラムを第−累積ヒストグラ
ムに適合することを特徴とする。

〈　４項　〉 前記３項に記載の方法における前記生或ステップは、 Ｎの少なくとも第一および第二閾値を求め、前記の少な
くとも第一および第二ディジタル画像の各画素を、前記
のＮの少なくとも第一および第二閾値のそれぞれと比較
し、前記画素が閾値を超えると、前記の各画素に第一設
定値を割り当て、前記画素が閾値と、Ｎの第一閾値画像
に対応するＮの画像データとなっている前記の第一画像
データと、Ｎの第二閾値画像に対応するＮの画像データ
となっている第二画像データ未満になると、前記の各画
像に第二設定値を割り当てることにより、前記の少なく
とも第一および第二ディジタル画像それぞれの、Ｎの少
なくとも第一および第二閾値画像を求めることを特徴と
する。

〈　５項　〉 前記４項に記載の方法における前記のＮの少なくとも第
一および第二閾値画像を求める前記ステップは、 画素値が前記閾値を超えるまたはそれ未満の場合に、前
記の少なくとも第一および第二ディジタル画像の前記画
素それぞれに、既定の第一定数値または第二定数値を割
り当てることを特徴とする。

く　　　６項　　　〉 前記４項に記載の方法における前記Ｎの少なくとも第一
および第二閾値画像を求める前記ステップは、 画素値が前記閾値を超えると、前記の少なくとも第一お
よび第二ディジタル画像のそれぞれに、各ディジタル画
像の画素値を割り当て、画素値が前記閾値未満になると
、前記の少なくとも第一および第二ディジタル画像の前
記画素それぞれに、既定の定数値を割り当てることを特
徴とする。

〈　７項　〉 前記４項に記載の方法における前記Ｎの少なくとも第一
および第二閾値を求める前記ステップは、前記の少なく
とも第一および第二ディジタル画像それぞれの、少なく
とも第一および第二ヒストグラムを求め、前記Ｎの少な
くとも第一および第二閾値を、前記の少なくとも第一お
よび第二ヒストグラムそれぞれの還択パーセンテージで
の画素値と限定とすることを特徴とする。

く　　　８項　　　〉 前記１項に記載の方法における前記相関ステップは、 前記の第一および第二画像データの差を基にした相違画
像を生成することを特徴とする。

〈　９項　〉 前記３項に記載一の方法における前記相関ステップは、 前記の第一および第二画像データの差を基にした相違画
像を生成することを特徴とする。

〈　１０項　〉 前記４項に記載の方法における前記相関ステップは、 Ｎの第一閾値画像とＮの各第二閾値画像との差を基にし
たＮの相違画像を生成することを特徴とする。

く　　　１　１　項　　〉 前記１０項に記載の方広における前記相関ステップは、 第一経時画像の各画素が、前記Ｎの相違画像と同じ画素
位置に対応し、前記Ｎの相違画像の連続順序に、既定の
正の値の前記同一画素の最大値による値が割り当てられ
る第一経時画像を生成し、第二経時画像の画素が、前記
Ｎ画像と同じ画素位置に対応し、前．？Ｃ！　Ｎの相違
画像の連続順序に、既定の負の値の前記同一画素の最大
値による値が割り当てられる第二経時画像を生成するこ
とを特徴とする。

く　　　１　２項　　　〉 前記９項に記載の方法における前記検索ステップは、 前記相違画像の各画素値を既定の閾値と比較し、該既定
閾値を超える画素値の連結によって形成される各領域を
異常領域と識別することを特徴とする。

く　　　１　３項　　　〉 前記１２項に記載の方法における前記検索ステップは、 識別した各異常領域の大きさを求め、更に、先に異常領
域の可能性があると識別され、しかも既定の大きさを超
える領域のみを、異常領域と識別することを特徴とする
。

く　　　１　４項　　〉 前記１２項に記載の方法における前記検索ステップは、 前記識別した異常領域の中で、前記相違画像の境界線領
域内にあるものを求め、更に、先に異常領域の可能性が
あると識別され、しかも前記境界線領域外の領域のみを
、異常領域と識別することを特徴とする。

く　　　１　５項　　　〉 前記１２項に記載の方法において、 前記生成、相関、検索ステップを繰り返して、前記第一
および第二ディジタル画像の前記被検体の異なる角度を
表す第三および第四ディジタル画像の前記被検体の異常
領域を識別すると共に、前記検索ステップは、前記第一
および第二ディジタル画像から識別した前記異常領域の
中で、前記第三および第四ディジタル画像から識別した
異常領域と空間的に対応するものを求め、更に、前記第
三および第四ディジタル画像から識別した前記異常領域
に空間的に対応している、前記第一および第二ディジタ
ル画像から識別した前記異常領域のみを、異常領域と識
別することを特徴とする。

く　　　１　６項　　　〉 前記１３項に記載の方法における前記検索ステップは、 前記識別した異常領域の中で、前記相違画像の境界線領
域内にあるものを求め、更に、先に異常領域と識別され
、しかも前記境界線領域外の領域のみを、異常領域と識
別することを特徴とする。

く　　　１　７項　　〉 前記１３項に記載の方法において、 前記生成、相関、検索ステップを繰り返して、前記第一
および第二ディジタル画像の前記被検体の異なる角度を
表す第三および第四ディジタル画像の前記被検体の異常
領域を識別すると共に、前記検索ステップは、前記第一
および第二ディジタル画像から識別した前記異常領域の
中で、前記第三および第四ディジタル画像から識別した
異常領域と空間的に対応するものを求め、更に、前記第
一および第二ディジタル画像で異常領域と識別され、し
かも前記第三および第四ディジタル画像から識別した前
記異常領域に空間的に対応している領域のみを、異常領
域と識別することを特徴とする。

く　　　　　１　　８　項　　　　　〉前記１４項に記
載の方法において、 前記生成、相関、検索ステップを繰り返して、前記第一
および第二ディジタル画像の前記被検体の異なる角度を
表す第三および第四ディジタル画像の前記被検体の異常
領域を識別すると共に、前記検索ステップは、前記第一
および第二ディジタル画像から識別した前記異常領域の
中で、前記第三および第四ディジタル画像から識別した
異常領域と空間的に対応するものを求め、更に、前記第
一および第二ディジタル画像で異常領域と識別され、し
かも前記第三および第四ディジタル画像から識別した前
記異常領域に空間的に対応している領域のみを、異常領
域と識別することを特徴とする。

く　　　１　９項　　　〉 前記１６項に記載の方法において、 前記生成、相関、検索ステップを繰り返して、前記第一
および第二ディジタル画像の前記被検体の異なる角度を
表す第三および第四ディジタル画像の前記被検体の異常
領域を識別すると共に、前記検索ステップは、前記第一
および第二ディジタル画像から識別した前記異常領域の
中で、前記第三および第四ディジタル画像から識別した
異常領域と空間的に対応するものを求め、更に、前記第
一および第二ディジタル画像で異常領域と識別され、し
かも前記第三および第四ディジタル画像から識別した前
記異常領域に空間的に対応している領域のみを、異常領
域と識別することを特徴とする。

〈　２０項　〉 前記１１項に記載の方法における前記検索ステップは、 前記第一経時相違画像の各画素値を既定の閾値と比較し
、該既定閾値を超える画素値の連結によって形戊される
各領域を、異常領域と識別することを特徴とする。

〈　２１項　〉 前記２０項に記載の方法における前記検索ステップは、 識別した各異常領域の大きさを求め、更に、先に異常領
域と識別され、しかも既定の大きさを超える領域のみを
、異常領域と識別することを特徴とする。

〈　２２項　〉 前記２０項に記載の方法における前記検索ステップは、 前記識別異常領域の中で、前記第一経時画像の境界線領
域内にあるものを求め、更に、先に異常領域と識別され
、しかも前記境界線領域外の領域のみを、異常領域と識
別することを特徴とする。

〈　２３項　〉 前記２０項に記載の方法において、 前記生成、相関、検索ステップを繰り返して、前記第一
および第二ディジタル画像における前記被検体の異なる
視野像を表す第三および第四ディジタル画像中に現れた
前記被検体の異常領域を識別すると共に、 前記検索ステップは、前記第一および第二ディジタル画
像から識別した前記異常領域の中で、前記第三および第
四ディジタル画像から識別した異常領域と空間的に対応
するものを求め、更に、前記第三および第四ディジタル
画像から識別した前記異常領域に空間的に対応している
、前記第一および第二ディジタル画像から識別した前記
異常領域のみを．、異常領域と識別することを特徴とす
る〈　２４項　〉 前記２１項に記載の方法における前記検索ステップは、 前記異常領域の中で、前記相違画像の境界線領域内にあ
るものを求め、更に、先に異常領域と識別され、しかも
前記境界腺領域外の領域のみを、異常領域と識別するこ
とを特徴とする。

〈　２５項　〉 前記２１項に記載の方法において、 前記生成、相関、検索ステップを繰り返して、前記第一
および第二ディジタル画像における前記被検体の異なる
視野像を表す第三および第四ディジタル画像中に現れた
前記被検体の異常領域を識別すると共に、 前記検索ステップは、前記第一および第二ディジタル画
像から識別した前記異常領域の中で、前記第三および第
四ディジタル画像から識別した異常領域と空間的に対応
するものを求め、更に、前記第三および第四ディジタル
画像から識別した前記異常領域に空間的に対応している
、前記第一および第二ディジタル画像から識別した前記
異常領域のみを、異常領域と識別することを特徴とする
。

く　　　２　６項　　〉 前記２２項に記載の方法において、 前記生成、相関、検索ステップを繰り返して、前記第一
および第二ディジタル画像における前記被検体の異なる
視野像を表す第三および第四ディジタル画像中に現れた
前記被検体の異常領域を識別すると共に、 前記検索ステップは、前記第一および第二ディジタル画
像から識別した前記異常領域の中で、前記第三および第
四ディジタル画像から識別した異常領域と空間的に対応
するものを求め、更に、前記第三および第四ディジタル
画像から識別した前記異常領域に空間的に対応している
、前記第一および第二ディジタル画像から識別した前記
異常領域のみを、異常領域と識別することを特徴とする
。

〈　２７項　〉 前記２４項に記載の方法において、 前記生成、相関、検索ステップを繰り返して、前記第一
および第二ディジタル画像における前記被検体の異なる
視野像を表す第三および第四ディジタル画像中に現れた
前記被検体の異常領域を識別すると共に、 前記検索ステップは、前記第一および第二ディジタル画
像から識別した前記異常領域の中で、前記第三および第
四ディジタル画像から識別した異常領域と空間的に対応
するものを求め、更に、前記第三および第四ディジタル
画像から識別した前記異常領域に空間的に対応している
、前記第一および第二ディジタル画像から識別した前記
異常領域のみを、異常領域と識別することを特徴とする
。

く　　　２　８項　　　〉 前記１１項に記載の方法における前記検索ステップは、 前記第二経時画像の各画素値を既定の閾値と比較し、該
既定閾値を超える画素値の連結によって形戊される各領
域を、異常領域と識別することを特徴とする。

く　　　２　９項　　　〉 前記２８項に記載の方法における前記検索ステップは、 識別した各異常領域の大きさを求め、更に、先に異常領
域と識別され、しかも既定の大きさを超える領域のみを
、異常領域と識別することを特徴とする。

＜　　３０項　〉 前記２８項に記載の方法における前記検索ステップは、 前記識別異常領域の中で、荊記第二経時画像の境界線領
域内にあるものを求め、更に、先に異常領域と識別され
、しかも前記境界線領域外の領域のみを、異常領域と識
別することを特徴とする。

〈　３１項　〉 前記２８項に記載の方法において、 前記生成、相関、検索ステップを繰り返して、前記第一
および第二ディジタル画像における前記被検体の異なる
視野像を表す第三および第四ディジタル画像中に現れた
前記被検体の異常領域を識別すると共に、 前記検索ステップは、前記第一および第二ディジタル画
像から識別した前記異常領域の中で、前記第三および第
四ディジタル画像から識別した異常領域と空間的に対応
するものを求め、更に、前記第三および第四ディジタル
画像から識別した前記異常領域に空間的に対応している
、前記第一および第二ディジタル画像から識別した前記
異常領域のみを、異常領域と識別することを特徴とする
。

〈　３２項　〉 前記２９項に記載の方法における前記検索ステップは、 前記異常領域の中で、前記第二経時画像の境界線領域内
にあるものを求め、更に、先に異常領域と識別され、し
かも前記境界線領域外の領域のみを、異常項域と識別す
ることを特徴とする。

く　　　３　３項　　　〉 前記２９項に記載の方法において、 前記生成、相関、検索ステップを繰り返して、前記第一
および第二ディジタル画像における前記被検体について
の異なる視野像を表す第三および第四ディジタル画像中
の前記被検体の異常領域を識別すると共に、 前記検索ステップは、前記第一および第二ディジタル画
像から識別した前記異常領域の中で、前記第三および第
四ディジタル画像から識別した異常領域と空間的に対応
するものを求め、更に、前記第三および第四ディジタル
画像から識別した前記異常領域に空間的に対応している
、前記第一および第二ディジタル画像から識別した前記
異常領域のみを、異常領域と識別することを特徴とする
。

く　　　３　４　項　　　〉 前記３０項に記載の方広において、 前記生成、相関、検索ステップを繰り返して、前記第一
および第二ディジタル画像における前記被検体の異なる
視野像を表す第三および第四ディジタル画像中に現れた
前記被検体の異常領域を識別すると共に、 前記検索ステップは、前記第一および第二ディジタル画
像から識別した前記異常領域の中で、前記第三および第
四ディジタル画像から識別した異常領域と空間的に対応
するものを求め、更に、前記第三および第四ディジタル
画像から識別した前記異常領域に空間的に対応している
、前記第一および第二ディジタル画像から識別した前記
異常領域のみを、異常領域と識別することを特゛徴とす
る。

〈　３５項　〉 前記３２項に記載の方法において、 前記生成、相関、検索ステップを繰り返して、前記第一
および第二ディジタル画像における前記被検体の異なる
視野像を表す第三および第四ディジタル画像中に現れた
前記被検体の異常領域を識別すると共に、 前記検索ステップは、前記第一および第二ディジタル画
像から識別した前記異常領域の中で、前記第三および第
四ディジタル画像から識別した異常領域と空間的に対応
するものを求め、更に、前記第三および第四ディジタル
画像から識別した前記異常領域に空間的に対応している
、前記第一および第二ディジタル画像から識別した前記
異常領域のみを、異常領域と識別することを特徴とする
。

〈　３６項　〉 前記１項に記載の方法における前記相関ステップを実行
する前に、前記ディジタル画像を互いに整合することを
特徴とする。

〈　３７項　〉 前記２項に記載する方法における前記表示ステップは、
前記異常領域の中心を示すことを特徴とする。

〈　３８項　〉 前記２項に記載する方法において、更に、異常領域を悪
性または良性に分類し、前記表示ステップは、前記分類
ステップの結果を表示することを特徴とする。

〈　３９項　〉 前記２項に記載する方法における前記異常領域を悪性ま
たは良性に分類し、前記領域のスピキュレーションの程
度を求め、そのスピキュレーションの程度を基にして、
前記異常領域を悪性または良性と判断することを特徴と
する。

〈　４０項　〉 前記３９項に記載する方法における前記異常領域のスピ
キュレーションの程度を求める前記ステップは、 前記異常領域の中心を求め、前記第一および第二ディジ
タル画像の少なくとも一方で、前記異常領域を取り囲む
増幅値の範囲を定め、前記異常領域の中心周囲で連結し
ている連結画素、ならびに前記増幅値範囲内の値を有す
る連結画素をすべて算出し、この連結画素によって前記
異常領域の進行画像を限定することを特徴とする。

〈　４１項　〉 前記４０項に記載する方法において、更に、前記進行画
像の境界線を求めることを特徴とする。

く　　　４　２項　　　〉 前記３９項に記載の方法において、更に、前記分類ステ
ップは、 前記異常領域の境界線を求め、前記異常領域の前記境界
線の空間的位置を平滑化して、境界線を滑らかにし、前
記異常領域の該境界線と前記平滑化境界線との差を出し
、前記異常領域の該境界線と前記平滑化境界線との差の
パワースペクトルの第一モーメントおよびＲＭＳ変動値
を求め、ＲＭＳ変動値とパワースペクトルの第一モーメ
ントの関係を基にして、前記異常領域を悪性または良性
と判断することを特徴とする。

〈　４３項　〉 前記３９項に記載の方法における前記分類ステップは、 前記異常領域を曇らせてその範囲を限定し、該異常領域
の面積と前記曇らせた領域の面積を求め、該異常領域の
面積と前記曇らせた領域の面積の差を出し、前記面積の
差を基にして、該異常領域を悪性または良性と判断する
ことを特徴とする。

〈　３９項　〉 前記３９項に記載の方法における前記分類ステツブは、 該異常領域の境界線を求め、空間的なフィルターに通す
ことによって、該異常領域を曇らせて、その範囲を限定
し、前記曇らせた領域の境界線を求め、該異常領域の該
境界線と前記曇らせた領域の境界線の差を出し、該異常
領域の該境界線と前記曇らせた領域の境界線の差のパワ
ースペクトルの第一モーメントとＲＭＳ変動値を出し、
ＲＭＳ変動値とパワースペクトルの第一モーメントの関
係を基にして、前記異常領域を悪性または良性と判断す
ることを特徴とする。

〈　４５項　〉 前記３９項に記載の方法における前記分類ステップは、 空間的なフィルターに通すことによって、該異常領域を
曇らせて、その範囲を限定し、該異常領域の第一離散的
フーリエ変換と前記曇らせた領域の第二離散的フーリエ
変換を求め、前記第一および第二離散的フーリエ変換の
スペクトルの差を出し、前記スペクトルの差のパワース
ペクトルの第一モーメントおよびＲＭＳ変動値を算出し
、ＲＭＳ変動値とパワースペクトルの第一モーメント関
係を基にして、前記異常領域を悪性または良性と判断す
ることを特徴とする。

第２の発明は以下４６項〜５２項にて開示されるもので
ある。

く　　　４　６項　　〉 被検体の画像の異常領域のスピキュレーションの程度を
求め、そのスピキュレーションの程度を基にして、該異
常領域を悪性または良性と判断することを特徴とする、
前記被検体の画像の病巣または実質歪曲の形で異常領域
を自動分類する方法。

〈　４７項　〉 前記４６項に記載の方法における異常領域のスピキュレ
ーションの程度を求める前記ステップは、該異常領域の
中心を求め、前記ディジタル画像で、該異常領域を取り
囲む増幅値の範囲を定め、該異常領域の中心周囲で連結
している連結画素、ならびに前記増幅値範囲内の値を有
する連結画素をすべて算出し、この連続画素によって前
記異常領域の進行画像を限定することを特徴とする。

〈　４８項　〉 前記４７項に記載の方法において、更に、前記進行画像
の境界線を求めることを特徴とする請求項４７記載の方
法。

く　　　４　９項　　　〉 前記４６項に記載の方法におけるスピキュレーションの
程度を求めるステップは、 該異常領域の境界線を求め、該異常領域の該境界線の空
間的位置を平滑化して境界線を滑らかにし、該異常領域
の該境界線と前記平滑化境界線との差を出し、該異常領
域の該境界線と前記平滑化境界線との差のパワースペク
トルの第一モーメントおよびＲＭＳ変動値を求め、前記
判断ステップは、ＲＭＳ変動値とパワースペクトルの第
一モーメントの関係を基にして、該異常領域を悪性また
は良性と判断することを特徴とする。

く　　　５　０　項　　　〉 前記４６項に記載の方法におけるスピキュレーションの
程度を求める上記ステップは、前記異常領域を曇らせて
その範囲を限定し、該異常領域の面積と前記曇らせた領
域の面積を求め、該異常領域の面積と前記曇らせた領域
の面積の差を算出し、前記判断ステップは、前記面積の
差を基にして、該異常領域を悪性または良性と判断する
ことを特徴とする。

く　　　５　１項　　〉 前記４６項に記載する方法におけるスピキュレーション
の程度を求める前記分類ステップは、該異常領域の境界
線を求め、空間的なフィルターに通すことによって、該
異常領域を曇らせて、その範囲を限定し、前記曇らせた
領域の境界線を求め、該異常領域の該境界線と前記曇ら
せた領域の境界線の差を出し、該異常領域の該境界線と
前記曇らせた領域の境界線の差のパワースペクトルの第
一モーメントとＲＭＳ変動値を出し、前記判断ステップ
は、ＲＭＳ変動値とパワースペクトルの第一モーメント
の関係を基にして、前記異常領域を悪性または良性と判
断することを特徴とする。

〈　５２項　〉 前記４６項に記載の方法におけるスピキュレーションの
程度を求める前記分類ステップは、空間的なフィルター
に通すことによって、該異常領域を曇らせて、その範囲
を限定し、該異常領域の第一離散的フーリエ変換と前記
曇らせた領域の第二離散的フーリエ変換を求め、前記第
一および第二離散的フーリエ変換のスペクトルの差を出
し、前記スペクトルの差のパワースペクトルの第一モー
メントおよびＲＭＳ変動値を算出し、前記判断ステップ
は、ＲＭＳ変動値とパワースペクトルの第一モーメント
関係を基にして、前記異常領域を悪性または良性と判断
することをＩｅｆ徴とする。

第３の発明は以下５３項及び５４項にて開示されるもの
である。

〈　５３項　〉 少なくとも前記第一および第二ディジタル画像それぞれ
の、少なくとも第二ヒスｌ・ダラムを求め、少なくとも
前記第一および第二ヒストグラムそれぞれの、少なくと
も第一および第二累積ヒストグラムを求め、既定の少な
くとも第一および第二累積ヒストグラムのデータの関係
を基にして、少なくとも該第二ディジタル画像を修正す
ることにより、少なくとも第二累積ヒストグラムを第一
累積ヒストグラムに適合させることを特徴とする、つ以
上選択した被検体の各部分の、少なくとも第一および第
二ディジタルデー夕で表す、少なくとも第一および第二
ディジタル画像を処理する方法。

〈　５４項　〉 前記５３項に記載の方法において、 前記の少なくとも第一および第二累積ヒストグラムがそ
れぞれ、データ値を限定する第一軸、ならびに前記第一
軸上の各データ値以下のデータ値の画素の総パーセンテ
ージを限定する第二軸を有し、前記適合ステップは、前
記第二累積ヒストグラムの第一軸上の各データ値川に、
前記第二累積ヒストグラムの第二軸上の画素の各パーセ
ントを算出し、前ステップで算出した各バーセント用に
、第一累積ヒストグラムの第一軸上の値に対応する各デ
ータ値を算出し、前記第二累積ヒストグラムの特別なバ
ーセントでのデータ値を有する各画素のデータ値を前記
前算出ステップで出した前記第一累積ヒストグラムと同
じ特別バーセントでの各データ値に変換することを特徴
とする。

第４の発明は以下５５項〜９９項に開示されるものであ
る。

〈　５５項　〉 被検体の１つ以上の選択部分を撮影した少なくとも第一
または第二ディジタル画像のそれぞれからの少なくとも
第一および第二画像データを生成する手段と、少なくと
も前記第一および第二画像データを相関して、正常な解
コ１１学的構造のバックグラウンドを取り除く手段とか
らなり、ディジタル画像を用いて病巣および実質歪曲の
形で異常性を自動分析するシステム。

く　　　５　６項　　　〉 前記５５項に記載の装置において、 更に、設定規準を一つ以上用いて、前記相関データを検
索し、前記ディジタル画像の少なくとも一つで、前記設
定規準に合う前記相関データのー部に示される異常領域
を識別する手段と、一つ以上の前記ディジタル画像で、
前記穴常領域の位置を表示する手段とを含むことを特徴
とする。

〈　５７項　〉 第５６項に記載の装置における前記生成手段は、少なく
とも前記第一および第二ディジタル画像それぞれの、少
なくとも第一および第二ヒストグラムを求める手段と、
少なくとも前記第一および第二ヒストグラムそれぞれの
、少なくとも第一および第二累積ヒストグラムを出す手
段と、少なくとも第一および第二累積ヒストグラムのデ
ータと、前記第二ディジタル画像の修正画素値に対応す
る前記第二画像データと、第一ディジタル画像の画素値
に対応する前記第一画像データの、既定の関係を基にし
て、少なくとも第二ディジタル画像の画素値データを修
正することにより、少なくとも第二累積ヒストグラムを
第一累積ヒストグラムに適合する手段とを含むことを特
徴とする。

〈　５８項　〉 前記５７項に記載の装置における前記生成手段は、 Ｎの少なくとも第一および第二閾値を求める手段と、前
記の少なくとも第一および第二ディジタル画像の各画素
を、前記Ｎの少なくとも第一および第二閾値のそれぞれ
と比較し、前記画素が閾値を超えると、前記各画素に第
一設定値を割り当て、前記画素が閾値と、Ｎの第一閾値
画像に対応するＮの画像データとなっている前記第一画
像データと、Ｎの第二閾値画像に対応するＮの画像デー
タとなっている第二画像データ未満になると、前記各画
像に第二設定値を割り当てることにより、前記の少なく
とも第一および第二ディジタル画像それぞれの、Ｎの少
なくとも第一および第二閾値画像を求める手段とを含む
ことを特徴とする。

く　　　５　９項　　　〉 前記５８項に記載の装置における前記Ｎの少なくとも第
一および第二閾値画像を求める前記手段は、 画素値が前記閾値を超えるまたはそれ未満の場合に、前
記の少なくとも第一および第二ディジタル画像の前記画
素それぞれに、既定の第一定数値または第二定数値を割
り当てることを特徴とする。

く　　　６　０項　　　〉 前記５８項に記載の装置における前記Ｎの少なくとも第
一および第二閾値画像を求める前記手段は、 画素値が前記閾値を超えると、前記の少なくとも第一お
よび第二ディジタル画像のそれぞれに、各ディジタル画
像の画素値を割り当てる手段と、画素値が前記閾値未満
になると、前記の少なくとも第一および第二ディジタル
画像の前記画素それぞれに、既定の定数値を割り当てる
手段とを含むことを特徴とする。

く　　　６　１　項　　　〉 前記５８項に記載の装置における前記Ｎの少なくとも第
一および第二閾値を求める前記手段は、前記の少なくと
も第一および第二ディジタル画像それぞれの、少なくと
も第一および第二ヒストグラムを求める手段と、前記Ｎ
の少なくとも第一および第二閾値を、前記の少なくとも
第一および第二ヒストグラムそれぞれの選択パーセンテ
ージでの画素値と限定する手段とを含むことを特徴とす
る。

〈　６２項　〉 前記５５項に記載の装置における前記相関手段は、 前記第一および第二画像データの差を基にした相違両像
を生成することを特徴とする。

〈　６３項　〉 前記５７項に記載の装置における前記相関手段は、 前記第一および第二画像データの差を基にした相違画｛
象を生或することを特徴とする。

〈　６４項　〉 前記５８項に記載の装置における前記相関手段は、 Ｎの第一閾値画像とＮの第二閾値画像との差を基にした
Ｎの相違画像を生成することを特徴とする。

〈　６５項　〉 前記６４項に記載の装置における前記相関手段は、 第一経時画像の各画素が、前記Ｎの柑違画像と同じ画素
位置に対応し、前記ＮのＩｌｌ違画像の連続順序に、既
定の正の値の前記同一画素の最大値による値が割り当て
られる第一経時画像を生成する手段と、第二経時画像の
画素が、前記Ｎ画像と同じ画素位置に対応し、前記Ｎの
相違画像の連続順序に、既定の負の値の前記同一画素の
最大値による値が割り当てられる第二経時画像を生成す
る手段とを含むことを特徴とする。

〈　６６項　〉 前記６３項に記載の装置において、前記検索手段は、 前記相違画像の各画素値を既定の閾値と比較する手段と
、該既定閾値を超える画素値の連結によって形成される
各領域を異常領域と識別する手段とを含むことを特徴と
する。

〈　６７項　〉 前記６６項に記載の装置における前記検索手段は、 識別した各異常領域の大きさを求め、更に、先に異常領
域の可能性があると識別され、しかも既定の大きさを超
える領域のみを、異常領域と識別することを特徴とする
。

〈　６８項　〉 前記６６項に記載の装置における前記検索手段は、 前記識別異常領域の中で、前記相違画像の境界線領域内
にあるものを求める手段と、更に、先に異常領域の可能
性があると識別され、しかも前記境界線領域外の領域の
みを、異常領域と識別する手段とを含むことを特徴とす
る。

〈　６９項　〉 前記６６項に記載の装置において、 荊記第一および第二ディジタル画像における前記被検体
についての異なる視野像を表す第三および第四ディジタ
ル画像中の前記被検体の異常領域を識別すると共に、 前記検索ステップは、前記第一および第二ディジタル画
像から識別した前記異常領域の中で、前記第三および第
四ディジタル画像から識別した異常領域と空間的に対応
するものを求める手段と、更に、前記第三および第四デ
ィジタル画像から識別した前記異常領域に空間的に対応
している、前記第一および第二ディジタル画像から識別
した前記異常領域のみを、異常領域と識別する手段とを
含むことを特徴とする。

〈　６７項　〉 前記６７項に記載の装置における前記検索手段は、 前記識別異常領域の中で、前記相違画像の境界線領域内
にあるものを求める手段と、更に、先に異常領域と識別
され、しかも前記境界線領域外の領域のみを、異常領域
と識別する手段を特徴とする。

〈　７１項　〉 第６７項に記載の装置において、 前記第一および第二ディジタル画像における前記被検体
についての異なる視野像を表す第三および第四ディジタ
ル画像中の前記被検体の異常領域を識別すると共に、 前記検索手段は、前記第一および第二ディジタル画像か
ら識別した前記異常領域の中で、前記第三および第四デ
ィジタル画像から識別した異常領域と空間的に対応する
ものを求める手段と、更に、前記第一および第二ディジ
タル画像で異常領域と識別され、しかも前記第三および
第四ディジタル画像から識別した前記異常領域に空間的
に対応している領域のみを、異常領域と識別する手段と
を含むことを特徴とする。

〈　７２項　〉 第６８項に記載の装置において、 前記第一および第二ディジタル画像における前記被検体
についての異なる視野像を表す第三および第四ディジタ
ル画像中の前記被検体の異常領域を識別すると共に、 前記検索手段は、前記第一および第二ディジタル画像か
ら識別した前記異常領域の中で、前記第三および第四デ
ィジタル画像から識別した異常領域と空間的に対応する
ものを求める手段と、更に、前記第一および第二ディジ
タル画像で異常領域と識別され、しかも前記第三および
第四ディジタル画像から識別した前記異常領域に空間的
に対応している領域のみを、異常領域と識別する手段と
を含むことを特徴とする。

く　　　７　３項　　　〉 第７０項に記載の装置において、 前記第一および第二ディジタル画像における前記被検体
についての異なる視野像を表す第三および第四ディジタ
ル画像中の前記被検体の異常領域を識別すると共に、 前記検索手段は、前記第一および第二ディジタル画像か
ら識別した前記異常領域の中で、前記第三および第四デ
ィジタル画像から識別した異常領域と空間的に対応する
ものを求める手段と、更に、前記第一および第二ディジ
タル画像で異常領域と識別され、しかも前記第三および
第四ディジタル画像から識別した前記異常領域に空間的
に対応している領域のみを、異常領域と識別する手段と
を含むことを特徴とする。

〈　７４項　〉 前記６８項に記載の装置における前記検索手段は、前記
第一経時相違画像の各画素値を既定の閾値と比較する手
段と、該既定閾値を超える画素値の連桔によって形成さ
れる各領域を、異常領域と識別する手段とを含むことを
特徴とする。

〈　７５項　〉 前記７４項に記載の装置における前記検索手段は、識別
した各異常領域の大きさを求める手段と、更に、先に異
常領域と識別され、しかも既定の大きさを超える領域の
みを、異常領域と識別する手段とを含むことを特徴とす
る。

〈　７６項　〉 前記７４項に記載の装置における前記検索手段は、 前記識別異常領域の中で、前記第一経時画像の境界線領
域内にあるものを求める手段と、更に、先に異常領域と
識別され、しかも前記境界線領域外の領域のみを、異常
領域と識別する手段とを含むことを特徴とする。

く　　　７　７項　　　〉 第７４項に記載の装置において、 前記第一および第二ディジタル画像における前記被検体
についての異なる視野像を表す第三および第四ディジタ
ル画像中の前記被検体の異常領域を識別すると共に、 前記検索手段は、前記第一および第二ディジタル画像か
ら識別した前記異常領域の中で、前記第三および第四デ
ィジタル画像から識別した異常領域と空間的に対応する
ものを求める手段と、更に、前記第一および第二ディジ
タル画像で異常領域と識別され、しかも前記第三および
第四ディジタル画像から識別した前記異常領域に空間的
に対応している領域のみを、異常領域と識別する手段と
を含むことを特徴とする。

〈　７８項　〉 前記７５項に記載の装置における前記検索手段は、 前記叉常領域の中で、前記ｔ目違画像の境界線領域内に
あるものを求める手段と、更に、先に異常領域と識別さ
れ、しかも前記境界線領域外の領域のみを、異常領域と
識別する手段とを含むことを特徴とする。

〈　７９項　〉 第７５項に記載の装置において、 前記第一および第二ディジタル画像における前記被検体
についての異なる視野像を表す第三および第四ディジタ
ル画像中の前記被検体の異常領域を識別すると共に、 前記検索手段は、前記第一および第二ディジタル画像か
ら識別した前記異常領域の中で、前記第三および第四デ
ィジタル画像から識別した異常領域と空間的に対応する
ものを求める手段と、更に、前記第一および第二ディジ
タル画像で異常領域と識別され、しかも前記第三および
第四ディジタル画像から識別した前記異常領域に空間的
に対応している領域のみを、異常領域と識別する手段と
を含むことを特徴とする。

＜　　８０項　〉 第７６項に記載の装置において、 前記第一および第二ディジタル画像について前記被検体
についての異なる視野像を表す第三および第四ディジタ
ル画像中の前記被検体の異常領域を識別すると共に、 前記検索手段は、前記第一および第二ディジタル画像か
ら識別した前記異常領域の中で、前記第三および第四デ
ィジタル画像から識別した異常領域と空間的に対応する
ものを求める手段と、更に、前記第一および第二ディジ
タル画像で異常領域と識別され、しかも前記第三および
第四ディジタル画像から識別した前記異常領域に空間的
に対応している領域のみを、異常領域と識別する手段と
を含むことを特徴とする。

く　　　８　１　項　　　〉 第７８項に記載の装置において、 前記第一および第二ディジタル画像における前記被検体
についての異なる視野像を表す第三および第四ディジタ
ル画像中の前記被検体の異常領域を識別すると共に、 前記検索手段は、前記第一および第二ディジタル画像か
ら識別した前記異常領域の中で、前記第三および第四デ
ィジタル画像から識別した異常領域と空間的に対応する
ものを求める手段と、更に、前記第一および第二ディジ
タル画像で異常領域と識別され、しかも荊記第三および
第四ディジタル画像から識別した前記異常領域に空間的
に対応している領域のみを、異常領域と識別する手段と
を含むことを特徴とする。

く　　　８　２項　　　〉 荊記６５項に記載の装置における前記検索手段は、 前記第二経時画像の各画素値を既定の閾値と比較する手
段と、該既定閾値を超える画素値の連結によって形或さ
れる各領域を、叉常領域と識別する手段とを含むことを
特徴とする。

〈　８３項　〉 前記８２項に記載の装置における前記検索手段は、 識別した各叉常領域の大きさを求める手段と、更に、先
に異常領域と識別され、しかも既定の大きさを超える領
域のみを、只営領域と識別する手段を特徴とする。

く　　　８　４　項　　　〉 前記８２項に記載の装置における前記検索手段は、 前記識別異常領域の中で、前記第二経時画像の境界線領
域内にあるものを求める手段と、更に、先に異常領域と
識別され、しかも前記境界線領域外の領域のみを、異常
領域と識別エする手段とを含むことを特徴とする。

〈　８５項　〉 第８２項に記載の装置において、 前記第一および第二ディジタル画像における前記被検体
についての異なる視野像を表す第三および第四ディジタ
ル画像中の前記被検体の叉常頭域を識別すると共に、 前記検索手段は、前記第一および第二ディジタル画像か
ら識別した前記異常領域の中で、前記第三および第四デ
ィジタル画像から識別した異常領域と空間的に対応する
ものを求める手段と、更に、前記第一および第二ディジ
タル画像で異常領域と識別され、しかも前記第三および
第四ディジタル画像から識別した前記異常領域に空間的
に対応している領域のみを、異常領域と識別する手段と
を含むことを特徴とする。

く　　　８　６項　　　〉 前記８３項に記載の装置における前記検索手段は、 前記異常領域の中で、前記第二経時画像の境界線領域内
にあるものを求める手段と、更に、先に異常領域と識別
され、しかも前記境界線領域外の領域のみを、異常領域
と識別する手段とを含むことを特徴とする。

〈　８７項　〉 第８３項に記載の装置において、 前記第一および第二ディジタル画像における前記被検体
についての異なる視野像を表す第三および第四ディジタ
ル画像中の前記彼検体の異常賄域を識別すると共に、 前記検索手段は、前記第一および第二ディジタル画像か
ら識別した前記異常領域の中で、前記第三および第四デ
ィジタル画像から識別した異常領域と空間的に対応する
ものを求める手段と、更に、前記第一および第二ディジ
タル画像で只常領域と識別され、しかも前記第三および
第四ディジタル画像から識別した前記異常領域に空間的
にχ１■応している領域のみを、穴常領域と識別する手
段とを含むことを特徴とする。

〈　８８項　〉 第８４項に記載の装置において、 前記第一および第二ディジタル画像における前記被検体
についての異なる視野像を表す第三および第四ディジタ
ル画像の前記被検体の異常領域を識別すると共に、 前記検索手段は、前記第一および第二ディジタル画像か
ら識別した前記異常領域の中で、前記第三および第四デ
ィジタル画像から識別した異常領域と空間的に対応する
ものを求める手段と、更に、前記第一および第二ディジ
タル画像で異常領域と識別され、しかも前記第三および
第四ディジタル画像から識別した前記異常領域に空間的
に対応している領域のみを、異常領域と識別する手段と
を含むことを特徴とする。

く　　　８　９　項　　　〉 第８６項に記載の装置において、 前記第一および第二ディジタル画像における前記被検体
についての異なる視野像を表す第三および第四ディジタ
ル画像中の前記被検体の異常領域を識別すると共に、 前記検索手段は、更に、前記第一および第二ディジタル
画像から識別した前記異常領域の中で、前記第三および
第四ディジタル画像から識別した異常領域と空間的に対
応するものを求める手段と、更に、前記第一および第二
ディジタル画像で異常領域と識別され、しかも前記第三
および第四ディジタル画像から識別した前記異常領域に
空間的に対応している領域のみを、異常領域と識別する
手段とを含むことを特徴とする。

〈　９０項　〉 前記５５項に記載の装置において、前記相関手段を実行
する前に、前記ディジタル画像を互いに整合することを
特徴とする。

〈　９１項　〉 前記５６項に記載の装置における前記表示手段は、 前記異常領域の中心を示すことを特徴とする。

〈　９２項　〉 前記５７項に記載の装置において、更に、異常領域を悪
性または良性に分類し、前記表示ステップの結果を表示
することを特徴とする。

〈　９３項　〉 前記５６項に記載の装置において、前記異常領域を悪性
または良性に分類する手段と、前記領域のスピキュレー
ションの程度を求める手段と、そのスピキュレーション
の程度を基にして、前記異常領域を悪性または良性と判
断する手段とを含むことを特徴とする。

く　　　９　４　項　　　〉 前記９３項に記裁の装置における前記異常領域のスピキ
ュレーションの程度を求める前記手段は、前記異常領域
の中心を求める手段と、前記第一および第二ディジタル
画像の少なくとも一方で、前記異常領域を取り囲む増幅
値の範囲を定める手段と、前記異常領域の中心周囲で連
結している連結両素、ならびに前記堆幅値範囲内の値を
有する連拮画素をすべて算出し、この連結画素によって
１荀１；こ異常領域の進行画像を限定する手段とを含む
ことを特徴とする。

〈　９５項　〉 前記９４項に記載の装置において、更に前記進行画像の
境界線を求める手段を含むことを特徴とする。

〈　９６項　〉 前記９３項に記載の装置において、更に、前記分類手段
は、 前記九常領域の境界線を求める手段と、前記異常領域の
前記境界線の空間的位置を平滑化して、境界線を滑らか
にする手段と、前記異常領域の該填界線と前記平滑化境
界線との差を出す手段と、前記異常領域の該境界線と前
記平滑化境界線との差のパワースペクトルの第一モーメ
ントおよびＲ　Ｍ　Ｓ変動値を求める手段と、ＲＭＳ変
動値とパワースペクトルの第一モーメントの関係を基に
して、前記異常領域を悪性または良性と判断する手段と
を含むことを特徴とする。

く　　　９　７　項　　　〉 前記９３項に記載の装置における前記分類手段は、 前記異常領域を曇らせてその範囲を限定する手段と、該
叉常領域の面積と前記曇らせた領域の面積を求める手段
と、該異常領域の面積と前記曇らせた領域の面積の差を
出す手段と、前記面積の差を基にして、該異常領域を悪
性または良性と判断する手段とを含むことを特徴とする
。

〈　９８項　〉 前記９３項に記載の装置における前記分類手段は、 該Ｉ常領域の境界線を求める手段と、空間的なフィルタ
ーに通すことによって、該異常領域を曇らせて、その範
囲を限定する手段と、前記曇らせた領域の境界線を求め
る手段と、該異常領域の該境界線と前記曇らせた領域の
境界線の差を出す手段と、該異常領域の該境界線と前記
曇らせた領域の境界線の差のパワースペクトルの第一モ
ーメントとＲＭＳ変動値を出す手段と、ＲＭＳ変動値と
パワースペクトルの第一モーメントの関係を基にして、
前記異常領域を悪性または良性と判断する手段とを含む
ことを特徴とする。

〈　９９項　〉 前記９３項に記載の装置における前記分類手段は、 空間的なフィルターに通すことによって、該異常領域を
曇らせて、その範囲を限定する手段と、該異常領域の第
一離散的フーリエ変換と前記曇らせた領域の第二離散的
フーリエ変換を求める手段と、前記第一および第二離散
的フーリエ変換のスペクトルの差を出す手段と、前記ス
ペクトルの差のパワースペクトルの第一モーメントおよ
びＲＭＳ変動値を算出する手段と、ＲＭＳ変動値とパワ
ースペクトルの第一モーメントの関係を基にして、前記
異常領域を悪性または良性と判断する手段とを含むこと
を特徴とする。

第５の発明は以下１００項〜１０６項にて開示されるも
のである。

〈　１００項　〉 被検体のディジタル画像における異常領域のスピキュレ
ーションの程度を求める手段と、そのスピキュレーショ
ンの程度を基にして、該異常領域を悪性または良性と判
断する手段とを含み、 前記被検体のディジタル画像の病巣または実質歪曲の形
で異常領域を自動分類する装置。

〈　１０１項　〉 前記１００項に記載の装置における異常領域のスピキュ
レーションの程度を求める前記手段は、該異常領域の中
心を求める手段と、前記ディジタル画像で、該異常領域
を取り囲む増幅値の範囲を定める手段と、該異常領域の
中心周囲で連結している連結画素、ならびに前記増幅値
範囲内の値を有する連結画素をすべて算出し、この連続
画素によって前記異常領域の進行画像を限定する手段と
を含むことを特徴とする。

〈　１０２項　〉 前記１０１項に記載の装置において、更に、前記進行画
像の境界線を求めることを特徴とする。

＜　　　　１０３　項　　〉 前記１００項に記載の装置におけるスピキュレーション
の程度を求める手段は、 該異常領域の境界線を求める手段と、該異常領域の該境
界線の空間的位置を平滑化して境界線を滑らかにする手
段と、該異常領域の該境界線と前記平滑化境界線との差
を出す手段と、該異常領域の該境界線と前記平滑化境界
線との差のパワースペクトルの第一モーメントおよびＲ
ＭＳ変動値を求める手段とから或り、 前記判断ステップは、ＲＭＳ変動値とパワースペクトル
の第一モーメントの関係を基にして、該異常領域を悪性
または良性と判断ずることを特徴とする。

く　　　１　０　４項　　　〉 前記１００項に記載の装置におけるスピキュレーション
の程度を求める上記手段は、 前記異常領域を曇らせてその範囲を限定する手段と、該
異常領域の面積と前記曇らせた領域の面積を求める手段
と、該異常領域の面積と前記曇らせた領域の面積の差を
算出する手段とから戊り、前記判断ステップは、前記面
積の差を基にして、該異常領域を悪性または良性と判断
することを特徴とする。

〈　１０５項　〉 前記１００項に記載の装置におけるスピキュレーション
の程度を求める前記分類手段は、該異常領域の境界線を
求め、空間的なフィルターに通すことによって、該異常
領域を曇らせて、その範囲を限定する手段と、前記曇ら
せた領域の境界線を求める手段と、該異常領域の該境界
線と前記曇らせた領域の境界線の差を出す手段と、該異
常領域の該境界線と前記曇らせた領域の境界線の差のパ
ワースペクトルの第一モーメントとＲＭＳ変動値を出す
手段とから成り、 前記判断ステップは、ＲＭＳ変動値とパワースペクトル
の第一モーメントの関係を基にして、前記異常領域を悪
性または良性と判断することを特徴とする。

く　　　１　０　６項　　　〉 前記１００項に記載の装置におけるスピキュレーション
の程度を求める前記手段は、 空間的なフィルターに通すことによって、該異常領域を
曇らせて、その範囲を限定する手段と、該異常領域の第
一離散的フーリエ変換と前記曇らせた領域の第二離散的
フーリエ変換を求める手段と、前記第一および第二離散
的フーリエ変換のスペクトルの差を出す手段と、前記ス
ペクトルの差のパワースペクトルの第一モーメントおよ
びＲＭＳ変動値を算出する手段とから成り、前記判断ス
テップは、ＲＭＳ変動値とパワースペクトルの第一モー
メントの関係を基にして、前記異常領域を悪性または良
性と判断することを特徴とする。

第６の発明は以下１０７項及び１０８項にて開示される
ものである。

く　　　１　０　７項　　　〉 少なくとも前記第一および第二ディジタル画像それぞれ
の、少なくとも第二ヒストグラムを求める手段と、 少なくとも前記第一および第二ヒストグラムそれぞれの
、少なくとも第一および第二累積ヒストグラムを求める
手段と、 既定の少なくとも第一および第二累積ヒストグラムを求
める手段と、 既定の少なくとも第一および第二累積ヒストグラムのデ
ータの関係を基にして、少なくとも該第二ディジタル画
像を修正することにより、少なくとも第二累積ヒストグ
ラムを第一累積ヒストグラムに適合させる手段からなり
、 一つ以上選択した被検体の各部分の、少なくとも第一お
よび第二ディジタルデータで表す、少なくとも第一およ
び第二ディジタル画像を処理する装置。

〈　１０８項　〉 前記１０７項に記載の装置において、前記の少なくとも
第一および第二累積ヒストグラムがそれぞれ、データ値
を限定する第一軸、ならびに前記第一軸上の各データ値
以下のデータ値の画素の総パーセンテージを限定する第
二軸を有し、前記適合手段は、前記第二累積ヒストグラ
ムの第一軸上の各データ値用に、前記第二累積ヒストグ
ラムの第二軸上の画素の各バーセントを算出する第一手
段と、該第一算出手段で算出した各パーセント用に、第
一累積ヒストグラムの第一軸上の値に対応する各データ
値を算出する第二手段と、前記第二累積ヒストグラムの
特別なパーセントでのデータ値を有する各画素のデータ
値を該第二算出手段で出した該第一累積ヒストグラムと
同じ特別バーセントでの各データ値に変換することを特
徴とする。

（作　用） 本発明によるこれらの目的およびその他の目的は、特徴
抽出を行う前に、２つ以上の身体の同じ部分の画像（例
えば、時間や角度によって異なる）、または対称な対応
物（例えば、左右の解Ｎ学的部分）を互いに関連させる
、新規改良した自動方法およびシステムによって達成さ
れるものである。例えば、左右の乳房のＸ線像、左右の
手の画像、左右の腎臓の画像、または角度や時間を変え
た乳房Ｘ線像を相互に関連させる。従って、本発明では
、画像の相関によって比較データを出し、両方に共通す
る正常な解剖学的バックグラウンドを取り除かれる。

更に本発明では、組織化バックグランドを取り除くと、
例えば、閾値、大きさ、他の解剖学的Ｉ１１１造および
／または画像との関係を基にする特徴抽出法を行う。病
巣または実質歪曲の有無を試験するために閾値レベルを
変更する。この場合、２つの画像を何通りかに写した他
の画像、例えば、乳房Ｘ線像の左右乳房の内側側部およ
び上部後部など、との関係を考えられる。

更に本発明では、病巣または実質歪曲を検出すると、そ
の境界線の分布分析を行って、悪性腫瘍の程度を１凋べ
る。乳房Ｘ線像のスピキュレーションなどの、境界線の
変動値を出すために、検出した病巣または歪曲の相違点
および傾きが平滑かどうかが調べられる。

（実施例） 以下本発明の好ましい実施例を図面について説明する。

特に、第１図は、病巣と実質歪曲の検出および分類手順
を示す略図である。全体的な手順としては、最初に少な
くとも一対のディジタル乳房Ｘ線像を撮影（ステップ１
０）Ｌ、検出工程（ステップ２０）および分類工程（ス
テップ３０）に進む。

各工程は別に説明する。検出部分の出力には、分類部分
への入力の働きがある。手順が一通り済むと、疑いのあ
る病巣の位置と、悪性かどうかが表示される（ステップ
４０）。

第２図は、検出工程の略図である。この方法は、２つ以
上の画像で、正常な解剖学的バックグラウンドと、特に
問題のある患者とを相関させることにより、病巣または
歪曲を目立たせることから始める。乳房Ｘ線撮影では、
左右乳房の構造的な対称性を見る左右相関法を用いる。

２つ以上の画像での解剖学的バックグラウンドの相関を
含む他の適用方法には、２つの乳房の左右の構造的対称
性と組み合わせて、左右乳房の複数の角度（例えば、上
部後部と中部側部）を用いるものがある。また、悪性に
関連のある病巣の成長パターンをつくるため、検出した
病巣の変化を識別する時間に関して、複数の画像を相関
することもできる。例えば、何年間も変化しない病巣は
普通良性と判断される。

乳房撮影において、相関方法は、始めに同じ角度（例え
ば、上部後部）て左右の乳房のディジタル画像（ステッ
プ１１０）を写すことにより実現される。次に、各ディ
ジタル画像の乳房画像を互いに空間的に合わせる。これ
は、テレビカメラデジタイザーを使用するディジタル時
に実行できる。

これによって、画像のマニュアル位置決め、境界線整合
を検査するための２つ以上の画像の実時間減算およびデ
ィジタル画像の実時間観察が可能となる。尚、ディジタ
ル化した後にも、各乳房境界線の移行、回転および／ま
たはワービング（Ｉｌａｌｌのコンピュータ一画像処理
および認識（アカデミックプレス、１９７９年）を参照
）などの画像処理方法を用いて整合できる（ステップ１
２０）。

次に、複数の画像データを相関する（ステップ１３０）
。

ｋ右の画像の簡単な減算（方法１）を第３図に示す。し
かし、グレイレベルを広範囲に変動させることがある照
射線量の状態が変化するとアーチファクトが生じること
がある。また、様々な特徴抽出を適用する前に、各乳房
画像の正常な解剖学的バックグラウンドを相関する他の
３通りの相関方法（左マイナス右規則）を説明する。方
法１（第３図）では、胸部境界線を整合した後、左右相
違画像を見つけるために（ステップ２３０）、右側の画
像（２２０）を左の画像（２１０）から引く。次に特徴
抽出法（ステップ２４０）を丈行して、解３１学上正常
なバックグラウンドから疑いのある病巣を分離する。

方法２（第４図）では、正常な乳房構造の密度を一致さ
せるように減算する前に、（２つの画像の累積グレイレ
ベルヒストグラムを適合することにより）左右の乳房画
像のグレイレベル頻度分缶を適合する。まず、左側の画
像（　３　１．　０　）と右側の画像（３　２　０）の
グレイベルヒストグラムを求める（ステップ３３０）。

各グレイレベルヒストグラムから累積ヒストグラムを出
す（ステップ３４０）。

第５図は、適合する前の２つの対応する左右乳房Ｘ線像
の累積ヒス１・ダラムを示す。右側乳房Ｘ線像の各グレ
イレベルで、第５図の矢印で示すような、変位（グレイ
レベルから）を求める。例えば、右側の画像のグレイレ
ベルの補正（左側の累積ヒストグラムに適合するため）
には、グレイレベル１００の画素をずべてグレイレベル
１４２に変換することを含む。呆積ヒストグラムの値に
関する、同類の変換値を各グレイレベルごとに出す。

右側の乳房画像の累積ヒストグラムを、左側の乳房画像
の累積ヒストグラムに合わせるために（ステップ３５０
）、この関係を用いて、右側の乳房Ｘ線像の画素値のグ
レイレベル変換値を求める。

オリジナル画像（例えば、左側の乳房Ｘ線像）の一つと
池のオリジナル画像のグレイレベル補正バジョン（例え
ば、右側の乳房Ｘ線像）の差を求める（ステソブ３６０
）。異なる画像でグレイレベル閾値を求め、可能性のあ
る病巣を抽出する。

そして疑いのある病巣を様々な特徴抽出方法（下記に説
明する）で調べる（ステップ３７０）。２つ以上の画像
を使用する場合、例えば、一定時間中に複数の画像を写
した場合、画像すべてのグレイレベル頻度分布を、その
中から選択した一つにＡわせることかできる。このよう
な適合方法は、例えば、捕捉および／または照射状態の
変化によって生じた画像の変動値を削減する際に有効で
ある。複数の画像データの相関は、各画素位置での時間
に関する値すべての最大グレイレベルを算出し、各画素
位置での最小グレイレベルを算出することにより実現す
ることができる。

２つ以上の画像の累積グレイレベルヒス１・ダラムを一
致させるこの適合方法は、概して、人間および／または
コンビュータでの画像処理など応用範囲が広い。例えば
、この方法を用いて、複数のＣＴ（コンピュータ断層撮
影）断層からの画像、または時間をかえて写した画像を
、密度に関して適合することができる。

方法３（第６図）および方法４（第７図）では、個々の
オリジナル画像のグレイレベル閾値を求めてから、左右
減算を行う。このグレイレベル閾値は、前記累積ヒスト
グラム適合（説明済み）と兵にまたは別に求めることが
できる。ダレイレベレル閾値は、指定レベルの２つの画
像のそれぞれにおいて求める（例えば、１０通りの異な
る閾値レベルで求める。

方法３（第６図）および方広４（第７図）では、左右の
画像データは左右乳房について出す（ステップ４１０，
４２０−第６図；ステップ５１０，５２０一第７図）。

次に、グレイレベルヒストグラムを各画像ごとに求める
（ステップ４３０，４４０−第６図；ステップ５３０，
５４０一第７図）。このヒストグラムを算出して、最初
に求めた左右の画像の各画素と比較するＮ閾値を求める
。

各画像のグレイレベルヒストグラムの部分の規定パーセ
ンテージ（例えば各１０％）に対応ずるレベルで、各閾
値を選択する。

左右の画像のヒストグラムからグレイレベル閾値が求ま
ると、左右の画像の各画素のデータ値を各Ｎ閾値と比較
して、Ｎ閾値画像、つまり各閾値の画像（ステソプ４５
０，４６０．ステップ５５０，５６０）が得られる。方
俵３のステップ４５０，４６０では、一定閾値未満の画
素値を定数値に設定し、一定閾値以上の画素値は他の定
数値に設定する。方法４のステップ５５０，５６０では
、一定閾値未満の画素値をさらに割り当て、一定閾値を
超える画素値はそのままとする。ステップ４５０，４６
０　（方法３）およびステソプ５５０，５６０　（方法
４）が終了すると、Ｎ閾値画像になる。これは左右の各
画像のグレイレベルヒストグラムから求めた各Ｎ閾値で
ある。これは、２進数値を有する方法３のＮ閾値画像、
および一定グレイレベル閾値未満のオリジナル画像デー
タ値の定数値と、一定グレイレベル閾値を超えるオリジ
ナル画像データ値の一定値を有する方法４のＮ閾値画像
の各画素の値の場合の画像である。

方法３および４で、「左マイナス右」変換を用いて、同
一閃値で閾値を求めることにより、一対の閾値画像をそ
れぞれ出し、ここから左右用違画像を調べる（ステップ
４７０　；　５７０）。

第８図は、方法３による１０通りの左右相違画像を示す
。正常な乳房措造ならば左右共に同一になるので、この
ような類似賄域の大部分は、特別な閾値設定中はグレイ
レベル力ットオフ未満、もシくハグレイレベルパーセン
テージが等しくなる。

従って、左右相違画像の生成中に削除される。左側また
は右側の乳房で、「左マイナス右」規則によって病巣と
考えられるものには、大きな正または負の値が対応する
。

第９Ａ図および第９Ｂ図は、右側の乳房の病巣、左側の
乳房の病巣、および解剖学上正常なバックグラウンドそ
れぞれについての、方法３および方法４の左右相違画像
の関数として、特定画素位置のグレイレベルの変動を示
すものである。方注３の場合、左右相違画像の各画素位
置は３通りのグレイレベル（＋１、０、−１）の一つに
しかならないが、方法４では、各画素位置は＋２５５か
ら＝２５５の範囲のグレイレベル（８ビットオリジナル
画像の場合）となる。各画素位置で、一定グレイレベル
力ットオフ、つまり閾値レベルの場合、カットオフ以上
（負の値の場合はカットオフ以下）のグレイレベルを含
む連続左右相違画像数、つまり経時を、病巣の可能性の
指標とする。Ｎ左右相違画像から求めた左右の画像の各
画素の経時情報を使って、メモリーに保存する左右の経
時画像を生成する。１０通りの左右相違画像を使用する
場合は、］−１通りのグレイレベルを有する（ゼロを含
む）２つの画像にそれぞれ経時情報を取り入れる。一つ
の画像は、正の値の経時情報に対応し、もう一つの画像
は負の値の経時情報に対応する。

第１０図（ａ）（ｂ）図は、第８図による経時情報を含
む２つの画像（それぞれ１１通りのグレイレベルを有す
る）を示す。第１０図（ａ）（ｂ）で、色の濃い部分は
、左右乳房それぞれの疑いのある病巣および実質歪曲の
位置を示す。次に説明するように、これらの部分を特徴
抽出方法で調べる（ステップ４９０または５９０）。

４通りの方法すべてを用いて、閾値（方法１および２の
場合グレイレベル、方法３および４の場合経時に関する
）を求め（ステップ１４０）、可能性のある病巣に対応
する画素位置を抽出する。

第１１図は、方法２で求めた左右相違画像のグレイレベ
ルヒストグラムを示す。左右両方の画像の病巣を検出す
るため、グレイスケールの両端から設定する。つまり、
上端から、閾値レベル未満の画素値を、「細胞群」画像
を生じる定数値に設定し、下端から、同閾値レベルを超
える画素値（ヒストグラムの領域において等しいパーセ
ンテージに関して同一）を他の細胞群画像を生じる定数
値に設定する。例えば、第１１図のヒストグラム図に用
いる乳房Ｘ線像の場合、右側に乳房に病巣が生じていた
。これは、左マイナス右規則による、ヒストグラム下端
からの閾値設定処理中に抽出される。この細胞群は、簡
単なコンピュータ検索で自動的に位置決めされ、大きさ
、乳房境界線との関係、偽陽性検出数を削減するために
他の角度で写した乳房Ｘ線像との関係についてのテスト
などの様々なパターン認識方法に提出される。

大きさテスト（ステップ１５０）では、細胞群の一つで
構成される結合した画素数を求める。大きさ（つまり、
画素数の面積）が小さすぎると、この細胞群は病巣の可
能性があるとして削除される。第１２図は、病巣に対応
する細胞群の大きさ（画素数）の分布、および非病巣（
つまり、解剖学上正常なバックグラウンドに生じる）に
対応する細胞群の大きさの分布を示す。画素数１００の
大きさ、カットオフを使用すると、実質的に偽陽性検出
数を削減できるのは明らかである（つまり、解剖学上正
常なバックグラウンドに対応する細胞群の数を削減する
）。

検出手順の開始時に、左右の画像で各乳房の境界線を出
し、互いに空間的に整合しても、第１３図に示すように
、完全に整合できることはない。

従って、左右相違画像では、境界線付近にアーチファク
トが生じ、これが病巣の可能性があるように写ることが
ある。これは、第１４図（ａ）（ｂ）に示す。この図で
は、第１４図（ａ）に示すように左側の乳房、第１４図
（ｂ）に示すように右側の乳房の、可能性のある病巣が
示した細胞群になっている。第１４図（ａ）（ｂ）の乳
房境界線付近の細胞群は境界線アーチファクｌ・に該当
する。

このため、境界線テスト（ステップ１６０）を用いて、
２つの画像の共通境界線の細胞群内の画素位置を調べる
。境界線テストでは、乳房境界線から細胞群の各画素ま
での距離は、Ｘ方向の距離の二乗とＹ軸方向の距離の二
乗の和の平方根で求める。次に、該細胞群の各画素ごと
に求めた距離から、平均距離（画素数）を算出する。こ
の平均距離が境界線からの予定距離よりも短い場合は、
この細胞群は病巣の可能性があるとして削除される。

相関テスト（ステップ１７０）では、疑いのある病巣の
空間位置を、ある角度の乳房Ｘ線像（例えば上部後部）
の疑いのある病巣の空間的位置を、他の角度の乳房Ｘ線
像（例えば、内側側部）の疑いのある病巣の空間位置に
相関させることにより、偽陽性検出を更に削減する。こ
のテストは、病巣と非病巣について、第１５図（ａ）（
ｂ）に示す。

一定の細胞群の場合、乳房境界線の対応深さ位置ｄｘが
、他の角度の画像から検出されない場合は、この細胞群
は病巣の可能性があるとして削除される。

特徴抽出法をすべて行ったままの特徴の画素位置は、可
能性のある乳房病巣の位置として報告される（ステップ
１８０）。疑いのある病巣の位置は、病巣の推定中心（
ｘＳｙマトリクス位置）、および／または疑いのある病
巣と比較する画素位置として報告される。第１６図は、
方法４を用いて検出手順を実行する際の様々な特徴抽出
方法の効果を示す。これらの方法を用いると、偽陽性検
出を実質的に削減できるのは明らかである。

第１７図は、４種類の検出方法を示す。４種類の検出方
法それぞれの曲線は、特徴抽出方法を行う前、大きさテ
スト直後、大きさおよび境界線テスト直後、および３種
類の特徴抽出テストをすべて行った後の画像ごとの画像
ごとの偽陽性検出回数および正陽性分数に対応する４つ
のポイントから描かれた。一般に、開示の検出手順では
、一つの乳房Ｘ線像に偽陽性がおよそ２つ検出されると
いう最小偽陽性率で、病巣の検出は１００％（６対の乳
房Ｘ線像を使用）である。方法１および２よりも、方法
３および４のほうが、偽陽性の検出数が少ない。しかし
、限定データベースによる、４種類の方法の相違点に関
しては、統計的有意性を判断することはできない。従っ
て、これらの方注は病巣検出に適しているとみなされる
。

ディジタル乳房Ｘ線像がコンピュータに人力されると、
病巣と歪曲の検出行程が自動的に作動する。コンピュー
タが疑いのある病巣の位置を発見すると、検出結果が放
射線技師に表示される、また、この検出結果は全体的な
コンピュータ手順の分類行程への人力となる。第１８図
は、本発明の方法を実行するためのシステムをより詳細
に示すブロック図である。第１８図では、被検体のＸ線
測定値は、画像信号発生器から得られ、システム１１０
１へ人力されるが、例えば、蛍光透視システムのテレビ
カメラの出力、または臨床フィルム画像をディジタル化
するためのフィルムデジタイザのテレビカメラの出力な
どがある。左側の画像信号は、最初の複複数画像メモリ
ー１１０２に送られ、右側の画像信号は他の複数画像メ
モリー１１０３に送られる。これらのメモリー内の信号
は、当該画像の整合性を最高とするように、リードアド
レスジエネレータ−１１０４で移動することができる。

複数の画像からの境界線の移行、回転および／またはワ
ービングを行って、最大相関（１１０９）を出し、画像
を整合する。

画像データの相関については、第１８図の方法４に示す
。各メモリーのデータ（１１０２および１１０３）は、
グレイレベルヒストグラム？１１０７および１．　１　
０　８　）を算出するための装置を利用している閾値回
路１１０５および１１０６に送られる。ここで、各ヒス
トグラムでのグレイレベル力ットオフと領域が適合する
。左右乳房画像に対応するグレイレベル閾値画像が、減
算回路１１１０に送られる。カウンター回路（コントロ
ーラー＞１１１１を使用して、要求された閾値レベル数
のトラッキングを維持する。この数でも、減算回路１１
１０で算出し、対応メモリー位置（ｉｌ２０＋　、１１
２０■・・・１１２０Ｎ）に保存された相違画像数が決
まる。

組み込み回路１１３０は、画像メモリー１１３５に保存
した画像マトリクスの画素位置ごとの経時情報を定める
。これによって生成された画像は、疑いのある異常性が
一層目立っている。画像メモリー１　１．　３　５の疑
いのある特徴を特徴抽出回路１　１．　４　０に送る。

特徴抽出回路１１４０では、特徴（細胞群）の大きさ、
身体部分の境界線との関係、他の撮影角度による画像に
ある特徴との関係を測定する。ある特徴が実際に病巣で
あるか、または非病巣（解剖学上正常なバックグラウン
ドによって生じる）であるかは、予定値と比較すること
によって判断する。これらの結果は画像メモリー１１４
５に保存される。この結果は、疑いのある病巣または実
質歪曲が悪性かどうかを判断するための分類装置１１５
０に入力できる。

画像メモリー１１４５による結果は、分類装置１］５０
からの出力と共にまたは別に、オリジナル画像の重畳回
路１１５５を介して送られ、ディジタルからアナログへ
の変換器１１６０を経てから表示装置１１６５で表示さ
れる。第１９図の分類工程では、次の分析のために、乳
房Ｘ線像（６　０　０）の病巣の境界線付近の変化（つ
まりスピクレーション）を分離しようとする際に、新規
の技術が用いられている。

自動手順の分類部分への入力は、検出部分に発見された
可能性のある病巣の画素位置、もしくは放剃線技師が示
す画素位置（例えば、トラッキングホール）である（ス
テップ６１０）。画素位置は、病巣の推定中心および／
または、自動検出部分から、もしくは放射線技師が示す
ように求めた病巣の推定境界線などの形で入力できる。

分類工程用の乳房画像のディジタルデータには、病巣の
頻度の高いスピキュレーション（下記に説明する）の量
を表すために、十分な空間分解能が必要である。本明ｍ
書の結果は、臨床スクリーン／フィルム乳房Ｘ線像のデ
ィジタル化に、Ｏ．ＬＩ！Ｉｌ１のサンプリング画素の
、光学ドラムスキャナー（フィルムデジタイザー）を使
用したものである。

このような高い空間分解能は、比較的大きな大きさの病
巣のため、検出工程（説明済み）には必要とされない。

検出工程の結果は、５１２Ｘ５１２マトリクスのＴＶフ
ィルムデジタイザーを用いて出した。これにより、画素
大きさは約０．４和になった。

分類手順の主要構成要素は、当該病巣の境界線情報の抽
出および分析である（ステップ６３０）。

しかし、境界線情報を抽出する前に、病巣を周囲の解剖
学的バックグラウンドと識別する必要がある（ステップ
６２０）。解剖学的バックグラウンドから病巣を最初に
分離するには、様々な方法が利用できる。成長している
領域（下記に説明するを利用して、周囲の実質パターン
から病巣を抽出することができる。他の方法としては、
放射線技師が描いた病巣とその境界線をコンピュータに
人力する方法がある。また、当該病巣の境界線に画素値
のフォールオフを強調するために、オリジナル画像に適
用したエッジ検出ディジタルフィルター（階調度やラブ
ラシアン等）を使用している方法もある。Ｐｒａｔｔの
ディジタル画像処理、Ｗｉｌｅｙ（ニューヨーク、１９
７８年）。また、検出工程（説明済み）と共に分類を行
う場合は、検出した特徴を病巣の指標として使用するこ
とができる。周囲の実質パターンから当該病巣を抽出す
る方法（ステップ６２０）の一つは、病巣の略中心から
領域進行注を実行することである。（病巣の推定境界線
の画素位置のみを分類手順に入力すれば、該境界線の画
素位置からの中心を計算することにより略中心がわかる
。）領域進行に適したグレイレベルの間隔を定めるのに
、病巣の画像を交差する水平方向または垂直方向のプロ
フィールを計算する。乳房撮影による病巣の第２０図に
、水平方向のプロフィール例を示す。これらのプロフィ
ールから、（病巣の）中心とバックグラウンドのグレイ
レベルの差を用いて、領域進行用の間隔を求める。４つ
の値の最大値を計算することにより、簡単にバックグラ
ウンドのグレイレベルを出すことができる。この４つの
値とは、水平方向プロフィールの画素位置Ｏと５１１、
垂直方向プロフィールの画素位置Ｏと５１１である。バ
ッグラウンドを定める他の方法としては、乳房Ｘ線像の
全体的な傾向に適した多項式を用いるような方法（Ｂｅ
ｖｉｎｇｔｏｎ，物理科学用のデータ削減および誤差分
析（ＭｃＧｒａｖ−Ｈ　ｉ　］　Ｉ、１９６９年）参照
）も可能である。

標準的な進行領域のアウトラインを示す第２３Ａ図およ
び第２３Ｂ図にあるように、病巣（つまり、「進行した
」病巣）の一対の（「シルエット」）画像を得るために
、領域進行方法（Ｐｒａｔｔ，前記参照）が取り入れら
れている。領域進行では、どの画素位置が特定間隔のグ
レイレベルになっていて、しかも（病巣の）中心画素位
置に連結しているかを判断するために、８ポイント連結
を採用している。複数のグレイレベル間隔（複数のバッ
クグラウンド値に対応）を使用して、一連の進行画像を
得ることができる。該進行画像は、それぞれ境界線情報
を分析用に抽出することができる。

第２１図に示すような様々な方法を用いて、境界線情報
を進行した病巣から抽出できる（ステップ６３０）。方
法はすべて、ある種の平滑ステップを必要とし、後に平
滑データとオリジナルデータを比較する。この平滑ステ
ップは、病巣のスピキュレーションに対応する境界線の
変動を削除することを目的とする。この比較は、ある数
量差に公式化する。悪性病巣は普通、程度の高いスピキ
ュレーションを示すので、オリジナルデータと平滑デー
タの差が大きい場合は悪性の程度が高いことを示す。一
つ以上の方法による結果を組み合わせて、分類手順の精
度および信頼性を高めることができる。

方法Ａ（第２１Ａ図に示す）では、４ポイントまたは８
ポイント連結を採用しているような、簡単なコンピュー
タの境界線トラッキング方法（Ｐｒａｔｔ、前記参照）
を用いて、一対の画像の境界線（つまり、進行した病巣
）を求める（ステップ７１０）。この境界線は、デカル
ト座標または極座標に表す。第２２Ａ図および第２２Ｂ
図は、良性病巣（第２２Ａ図）および悪性病巣（第２２
Ｂ図）の、進行した病巣のトラッキング填界線を示す。

病巣の平滑境界線は、進行した病巣のトラッキング境界
線の空間的位置を平滑することから求める（ステップ７
２０）。第２３Ａ図および第２３Ｂ図は、良性病巣（第
２３Ａ図）および悪性病巣（第２３Ｂ図）の、平滑境界
線を示す。この平滑境界線は、進行した病巣のトラッキ
ング境界線の空間的位置の移動平均フィルタリングによ
って求めた。移動平均の大きさは、境界線の長さ（つま
り、境界線の画素数）の約１０％であった。

平滑境界線では悪性病巣の目立ったスピキュレーション
が削減されているのは明らかである。境界線の差（つま
り、進行した病巣の境界線および「平滑」境界線）を算
出する（ステップ７３０）。

この差は、オリジナル境界線および平滑境界線の対応ポ
イントの、ｙ位置の差とＸ位置の差の平方和の二乗根で
求めた。（境界線の垂線距離を算出するような他の方法
でも、境界線の差を求めることができる。）この差によ
って、病巣の境界線付近にスピキュレーションに対応し
た変化を生じる。

第２４Ａ図および第２４Ｂ図は、良性病巣（第２４Ａ図
）および悪性病巣（第２４Ｂ図）の、境界線変動を示す
。スピキュレーション（つまり変動）の離散的フーリエ
変換（Ｉ３ｒａｃｅｗｅｌ　ｌの、フーリエ変換および
その応用、ＭｃＧｒａｖ−１１１１１（−　ユ−ヨーク
、１９７８年））を計算し、二乗平均変動値およびパワ
ースペクトルの第一モーメント（［３ｒａｃｅｖｅｌ　
ｌ、）を求める（ステップ７４０）．二乗平均変動値の
大きな境界線変動は、スピキュレートの高い病巣、大半
は悪性腫瘍、に対応する。

第２５図は、様々な良性および悪性病巣の第一モーメン
トと二乗平均変動値を示す。例えば、進行した病巣のト
ラッキング境界線の空間位置の移動平均フィルター（Ｐ
ｒａｔｔ、前記参照）を用いることにより平滑境界線を
求めることができる。

第２１Ａ図の方法Ｂでは、進行した病巣を曇り工程（ス
テップ７５０）に入れる。進行した病巣および曇らせた
病巣の面積は画素数で求められる（ステップ７６０）。

２つの病巣の面積の差を算出し（ステップ７７０）、進
行領域の面積にＬＥ規化する（ステップ７８０）。進行
した病巣を曇らせることによって、境界線のスピキュレ
ーションが削減されるので、進行した病巣の面積よりも
平滑病巣の面積のほうが小さくなると思われる。従って
、大抵の悪性病巣は、大きな差を生じる曇り工程中に、
損失することが多い境界線スピキュレションを有するの
で、進行した病巣と曇らせた病巣の面積の大きな差は悪
性の指標となる。第２６図は、正規化した良性および悪
性病巣の寸法差を示す。例えば、伸び（半径２画素の円
形カーネル）、浸食（半径８画素の円形カーネル）、浸
食（半径６画素の円形カーネル）を繰り返す、形態学的
フィルタリング（Ｓｅｒｒａ，画像分析および数学的形
態学、Ａｃａｄｅｍｉｃ　Ｐｒｅｓｓ　（ニューヨーク
、１９８２年）参照）を用いて求めることができる。

第２１Ｃ図の方法Ｃでは、進行した病巣の境界線を、簡
単なコンピュータ境界線トラッキング法で求める（ステ
ップ８１０）。次に、平均フィルター（Ｐｒａｔｔ）ま
たは形態成形フィルター（Ｓｅｒｒａ）などの空間的フ
ィルターを使って、進行した病巣を曇らせる。そして、
平滑病巣の境界線を、前記に説明した方法と類似の境界
線トラッキング方怯を用いて求める（ステップ８３０）
。境界線の差を算出する（ステップ８４０）と、スピキ
ュレーションに対応した境界線付近の変動が生じる。こ
れらの変動の離散的フーリエ変換を計算すると、二乗平
均変動値とパワースペクトルの第一モーメントが求まる
（ステップ８５０）。

第２１Ｄ図のＤでは、病巣を曇り工程に入れる（ステッ
プ８６０）。この曇り工程で、頻度の高いスピキュレー
トした病巣が削減される。オリジナル病巣と曇らせた病
巣の二次的離散的フーリエ変換（Ｂｒａｃｅｖｅｌ　］
　％前記参照）を求める（ステップ８７０）。病巣のス
ペクトルと曇らせた病巣のスペクトルの差を出す（ステ
ップ８８０）。この「異なるスペクトル」を、頻度の高
い差の量を定めるために、第一モーメントおよび二乗平
均変動値などのパラメトリック計算（ステップ８９０）
に送る。

バラメトリックプロット（第１９図のステップ６４０）
（第２５図の方法Ａおよび第２６図の方広Ｂに示すよう
な）をクラスター図として使用すると、悪性のカットオ
フが定まる。例えば、正規化した寸法差（第２６図参照
）の正の値を有する病巣は悪性とみなされる。各病巣は
既定のカットオフ値との関係に従って分類される（ステ
ップ６５０）。本手順の感度および特異性を変えるため
には、このようなカットオフを変更できる。例えば、乳
癌の危険性の高い患者の場合、このカットオフを変更し
て、悪性と分類されている良性病巣の増加数のトレード
オフで、悪性病巣を正しく分類するための感度を高める
。また、悪性についての塊スクリーニングプログラムな
どでは、より厳密な基準を用いて、不必要な生検数を最
少限に抑えている。

第２７図は、この方法の分類部分の実行方法を詳細に示
すブロック図である。このシステムは、検出システムの
サブシステムまたはシステムそのものとみなすことがで
きる。第２７図によると、疑いのある病巣または歪曲の
画素位置は、放射線技師、もしくはデータ人力装置１２
０１による自動検出手順からの分類システムによって受
け入れられる。画像人力装置３０５からの画像信号およ
び入力データを最初のメモリー１２０３に送る。

問題の病巣によるグレイレベル数を算出するためのプロ
フィール方法を用いて、病巣抽出方を実行する。メモリ
ー１２０３からのデータは、垂直方法および水平方向の
プロフィールを求めるために、装置１２０５および１２
０７にそれぞれ人力される。プロフィール分析器１２０
９は病巣中心のグレイレベル、ならびにバックグラウン
ドのグレイレベルを算出する。グレイレベルの間隔を利
用して、周囲のバックグラウンドから病巣の空間位置を
抽出し、病巣の一対の画像を生成する。複数のグレイレ
ベル間隔を利用して、分析に提出するための一連の対画
像を生成する。変換器１２１１は、最適なバックグラウ
ンドレベルを算出し、領域進行の最適グレイレベル間隔
を求める。

領域分析器１２１５によって、画像データ上で一領域進
行を実行する。その後、領域進行画像は水準メモリー１
２２０に保存される。

平滑回路１２３０は、問題の病巣からの境界線情報を抽
出するために、必要な平滑化を行う。例えば、第２１Ａ
図の方法Ａに示すように、平滑回路１２３０は、境界線
画素位置を平滑化する。変換器１２４０は、オリジナル
データと平滑データの差を算出する。例えば、第２１Ａ
図の方法Ａに示すように、該変換器はオリジナル境界線
画素と平滑境界線画素の差を算出する。変換器１２４０
で求めた差を数量化するバラメーターが、数量化装置１
２５０で算出される。このような例としては、二乗平均
変動値およびパワースペクトルの第一モーメント（方法
Ａ）、および正規化した面積差パラメータが−ある。次
に、差のバラメーターは、異常正判断装置１２６０に人
力される。ここで、設定値と比較することにより、ある
病巣が悪性か良性かどうか判断される。

様々な比較テストの結果が、重畳回路を介して、表示装
置に送られる。その結果のみ、または検出装置の結果と
合わせたものが表示される。

以上のように、本発明の好ましい実施例は、ディジタル
画像を用いて、病巣と実質歪曲の形で異常性を自動分析
するための方法であり、被検体の一つ以上の選択部分を
撮影した各ディジタル画像、例えば、左右の乳房Ｘ線像
の画像データを生成する。次に、各ディジタル画像から
の画像データを相関して、正常な解剖学的組織化バック
グラウンドを取り除いた相関データを出す。一つ以上の
設定規準を用いてこの相関データを検索し、一つ以上の
ディジタル画像の中から、設定規準に合う相関データに
よって示される異常領域を識別する。

異常領域の位置が表示されると、その表示位置は分類処
理され、その異常領域が良性か悪性か判断される。識別
した異常領域のスピキュレーションの程度を基にして分
類する。また異常領域の検索処理を向上させるには、一
つの実施例で、問題の画像の累積グレイレベルヒストグ
ラムを適合させることにより、２つ以上のグレイレベル
分布頻度を適合させることができる。

［発明の効果］ 以上のように本発明によれば、ディジタル医用画像中に
おける異常病巣又は実質歪曲の検出、分類、表示を、自
動的になし得る画像処理方法および装置を提供できるも
のである。

【図面の簡単な説明】

第１図は本発明による乳房像における病巣と実質歪曲の
検出および分類の自動方法を示す略図である。 第２図は本発明による乳房撮影における病巣と実質歪曲
の自動検出方法のみを詳細に示す略図である。 第３図は複数（左右）の画像データ（方法１）の相関方
法を示す略図である。 第４図は複数（左右）の画像データ（方法２）を相関す
るための別の方法を示す略図である。 第５図は左側の乳房Ｘ線像と右側の乳房Ｘ線像の累積グ
レイレベルヒストグラムを示すグラフである。 第６図は複数（左右）の画像データ（方法３）を相関す
るための別の方法を示す略図である。 第７図は複数（左右）の画像データ（方法４）を相関す
るための別の方法を示す略図である。 第８図（ａ）（ｂ）（ｃ）（ｄ）（ｅ）（ｆ）（ｇ）（
ｈ）（ｉ）（ｊ）はそれぞれ、方法３の１０種類の左右
相違画像を示すものであって、グレイレベルは−１．０
，　＋１であり、各画素位置で値が＋１（又は−１）の
連続画像数が記録された図である。 第９Ａ図および第９Ｂ図は方法３および方法４による正
常な乳房，左側の乳房の病巣，右側の乳房の病巣の画像
によって異なるグレイレベルの変化を示す図である。 第１０図（ａ）（ｂ）は第８図の画像による経時情報か
ら出した２つの画像を示す図であって、第１０図（ａ）
は左右の乳房の疑いのある病巣が陽性（＋１）値の場合
を示す図、第１０図（ｂ）は陰性（−１）値の場合を示
す図である。 第１１図は方法２による左右相違画像のヒストグラムを
示すグラフである。 第１２図は大きさテスト用にカットオフを調べる際に使
用する病巣および非病巣によって生じる細胞群の面積を
示すグラフである。 第１３図は左右の乳房画像でトラッキングした境界線を
示す図である。 第１４図（ａ）（ｂ）はフィルム画像から描き出した境
界線テスト前の閾値画像を示すものであって、第１３図
に示す乳房境界線の重複が完全でない場合に生じる可能
性のあるアーチファクトを示し、第１４図（ａ）は左側
の乳房の疑いのある部分を示す図、第１４図（ｂ）は右
側の乳房の疑いのある部分を示す図である。 第１５図（ａ）（ｂ）は偽陽性検出をなくすための相関
テストの効果を示すものであって、同じ乳房の２種類の
面で相関検出することによる偽陽性検出の数を削減する
ために行う相関テストを示し、第１５図（ａ）は内側側
部の図、第１５図（ｂ）は上部後部の図である。 第１６図は複数の画像データを相関するための様々な方
法を用いて検出スキームの実行を比較するものであって
、乳房病巣の検出（Ｆ−Ｅテストの効果、ＧＬ　：　５
００）を示すグラフである。 第１７図は様々な特徴抽出法（大きさテスト、境界線テ
スト、相関テスト）を組み合わせた検出スキームの実行
を比較するグラフである。 第１８図は第２図に示す病巣および実質歪曲に自動検出
方法を実行するための検出装置を示すブロック図である
。 第１９図は本発明による病巣と実質歪曲の自動分類方法
のみを詳細に示す略図である。 第２０図は乳房撮影による病巣の周囲領域の水平方向の
プロフィールを示すグラフである。 第２１Ａ図，第２１Ｂ図，第２１Ｃ図，第２１Ｄ図は当
該病巣の境界線情報を抽出するための方法Ａ，Ｂ，Ｃ，
Ｄを示す略図である。 第２２Ａ図および第２２Ｂ図はトラッキングした良性病
巣（第２２Ａ図）と悪性病巣（第２２Ｂ図）の境界線を
示す図である。 第２３Ａ図および第２３Ｂ図は良性病巣（第２３Ａ図）
と悪性病巣（第２３Ｂ図）の平滑な境界線を示す図であ
る。 第２４Ａ図および第２４Ｂ図は良性病巣（第２４Ａ図）
と悪性病巣（第２４Ｂ図）との病巣境界線と平滑な境界
線との正規化した差を示す図である。 第２５図は良性と悪性の乳房病巣の境界線変動を算出し
たバラメーター（正規化二乗平均変動値および第一モー
メント）を示すグラフである。 第２６図は良性と悪性の乳房病巣を算出したバラメータ
ー（正規化した面積の差）のクラスターを示すグラフで
ある。 第２７図は第１９図の自動分類方法を実行するための装
置を示すブロック図である。 １１０１・・・画像入力システム、１１０２・・・左側
画像メモリ、１１０３・・・右側画像メモリ、１１０４
・・・リードアドレスジェネレー夕、１１０５．１１０
６・・・閾値回路、１１０７．１１０８・・・ヒストグ
ラム、１１０９・・・相関回路、コ１１０・・・減算回
路、１１１１・・・カウンタ回路、１１２０，，・・・
，１１２０Ｎ・・・相違画像（メモリ）、１１３０・・
・組込み回路、１１３５・・・画像メモリ（疑いのある
病巣を含む）、１１４０・・・特徴抽出回路、１１４５
・・・画像メモリ（偽陽性を削減）、１１５０・・・分
類回路、１１５５・・・重畳回路、１１６０・・・Ｄ／
Ａ　（ディジタル／アナログ変換器）、１１６５・・・
ＴＶモニタ、１２０１・・・データ人力装置、１２０３
・・・第１メモリ、１２０５・・・垂直方向プロフィー
ル、１２０７・・・水平方向プロフィール、１２０９・
・・プロフィール分析器、１２１１・・・比較器、１２
１５・・・領域分析器、１２２０・・・ブレーンメモリ
、１２３０・・・平滑回路、１２４０・・・比較器、１
２５０・・・差の量子化装置、１２６０・・・異常判断
装置。 第 １ 図 第 ２ 図 第 ３ 図 第 ４ 図 第 ５ 図 （ｂ） （９） 口　グレイレベル＋１ 旺３　グレイレベル０ ■　グレイレベルー１ 第１０図 グレイレベル 左側の乳房 第１３ 図 境界線ア→ファクト （ａ） （ｂ） 第１４図 （ａ） （ｂ） 第１５図 乳房Ｘ線像毎の偽礒性 乳房Ｘ線像毎の偶陽性 第１７図 第１９図 特殊位置 第２０図 第２１Ａ図 第２１Ｄ図 ？位置■ 第２２Ａ図 ？位宜■ ？位１■ Ｘ位置 第２３Ｂ図 空間的位置のアウトライン 第２４Ａ図 パワースペクトルの第一モーメント

Claims (1)

1. 【特許請求の範囲】 （１）被検体の１つ以上の選択部分を撮影して得た少な
   くとも第一および第二ディジタル画像それぞれに対応し
   て少なくとも第一および第二画像データを生成し、 正常な解剖学的構造背景の除去された関連データを生成
   すべく前記少なくとも前記第一および第二画像データを
   関連付けすることを特徴とするディジタル画像を用いて
   病巣および実質歪曲の形で異常性を自動分析する画像処
   理方法。 （２）被検体のディジタル画像に現れた異常領域のスピ
   キュレーションの程度を求め、 そのスピキュレーションの程度に基づき該異常領域を悪
   性または良性と判断することを特徴とする、 被検体のディジタル画像における病巣または実質歪曲の
   形で異常領域を自動分類する画像処理方法。 （３）少なくとも前記第一および第二ディジタル画像そ
   れぞれの少なくとも第一および第二ヒストグラムを求め
   、 少なくとも前記第一および第二ヒストグラムそれぞれの
   少なくとも第一および第二累積ヒストグラムを求め、 既定の少なくとも第一および第二累積ヒストグラムのデ
   ータの関係を基にして少なくとも該第二ディジタル画像
   を修正することにより少なくとも第二累積ヒストグラム
   を第一累積ヒストグラムに適合させることを特徴とする
   、 一つ以上選択した被検体の各部分の少なくとも第一およ
   び第二ディジタルデータで表す少なくとも第一および第
   二ディジタル画像を処理する画像処理方法。 （４）被検体の１つ以上の選択部分を撮影して得た少な
   くとも第一および第二ディジタル画像それぞれに対応し
   て少なくとも第一および第二画像データを生成する手段
   と、 少なくとも前記第一および第二画像データを相関して正
   常な解剖学的構造背景を取り除く手段とからなり、 ディジタル画像を用いて病巣および実質歪曲の形で異常
   性を自動分析する画像処理装置。（５）被検体のディジ
   タル画像に現れた異常領域のスピキュレーションの程度
   を求める手段と、そのスピキュレーションの程度を基に
   して該異常領域を悪性または良性と判断する手段とから
   なり、 被検体のディジタル画像の病巣または実質歪曲の形で異
   常領域を自動分類する画像処理装置。 （６）少なくとも前記第一および第二ディジタル画像そ
   れぞれの少なくとも第一および第二ヒストグラムを求め
   る手段と、 少なくとも前記第一および第二ヒストグラムそれぞれの
   少なくとも第一および第二累積ヒストグラムを求める手
   段と、 既定の少なくとも第一および第二累積ヒストグラムのデ
   ータの関係を基にして少なくとも該第二ディジタル画像
   を修正することにより少なくとも第二累積ヒストグラム
   を第一累積ヒストグラムに適合させる手段とからなり、 一つ以上選択した被検体の各部分の少なくとも第一およ
   び第二ディジタルデータで表す少なくとも第一および第
   二ディジタル画像を処理する画像処理装置。