JPH0458942A - デジタル放射線画像の撮影体位判別装置 - 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】 〈産業上の利用分野〉 本発明はデジタル放射線画像の撮影体位判別装置に関し
、詳しくは、被写体を透過した放射線量として撮影され
る放射線画像をデジタル信号化して各種の信号処理を行
うときの処理条件決定のために撮影体位を自動的に判別
する装置に関する。

〈従来の技術〉 Ｘ線画像のような放射線画像は医療用として多く用いら
れており、この放射線画像を電気画像信号として得る方
法として、例えば以下のようなものかある。

即ち、被写体としての人体を通過した放射線をある種の
蛍光体に吸収させ、その後、この蛍光体を光又は熱エネ
ルギーで励起することにより、この蛍光体か前記吸収に
より蓄積していた放射線エネルギーを蛍光として放射さ
せ、この蛍光を光電変換素子で検出して放射線画像情報
を電気的に得るものであり、かかる放射線画像信号をデ
ジタル化してから、階調処理や空間周波数処理を施して
ＣＲＴ等に出力して可視化するようにしている（特開昭
６３−１８９８５３号公報等参照）。

ところで、上記のようにデジタル放射線画像信号を可視
像として出力する前の処理段階においては、上記のよう
に階調処理や空間周波数処理を施して読影に適した可視
像とする必要かあるが、人体における同一部位の画像デ
ータであっても、撮影体位（被写体である人体の向き）
を変えて撮影する場合には、それぞれの再生画像におい
て該部位中の関心領域の濃度か変化してしまうことがあ
る。

例えは胸椎を診断するために、第６図に示すように人体
胸部を正面から撮影した場合には、関心領域である胸椎
は放射線の透過し難い縦隔部と重なるが、第７図に示す
ように側面から撮影した場合には、放射線の透過し易い
肺野と重なることになる。従って、これらのような画像
データを同一の画像処理条件で処理してから再生させる
と、正面画像においては胸椎部分か比較的低濃度となり
、側面画像においては比較的高濃度となってしまう。

そこで、前記画像データかとのような体位で撮影された
かを自動的に判別することによって、それぞれの体位に
最適な画像処理を施すことができるようにした方法及び
装置か種々提案されている。

この方法及び装置としては、例えは画像データの濃度ヒ
ストグラムを用いるものと、画像データ中の画像所定方
向に沿った信号レベル分布（以下、プロジェクションと
いう。）を用いるものとかあり、それぞれについて、累
積操作を行うもの（特開昭６３−２６２１２８号公報、
特開昭６３−２６２１３２号公報、特開昭６３−２６２
１３４号公報、特開昭６３−２６２１３９号公報等参照
）、双峰性ピークの分離度を求めるもの（特開昭６３２
６２１２９号公報、特開昭６３−２６２１３５号公報等
参照）、関数近似を行うもの（特開昭６３−１０６６４
２号公報２特開昭６３−２６２１３０号公報、特開昭６
３−２６２１３１号公報特開昭６３−２６２１３７号公
報、特開昭６３２６２１３８号公報等参照）かある。

更に、濃度ヒストグラムから代表値や特性値を求めるも
の（特開昭６３−１０６６４１号公報等参照）や、濃度
ヒストグラムの分散を求めるもの（特開昭６３−２６２
１３３号公報等参照）、プロジェクションの左右方向の
中央部付近の信号値の総和を求めるもの（特開昭６３−
２６２１３６号公報等参照）などが提案されている。

〈発明か解決しようとする課題〉 ところで、上記のように２次元のデジタル放射線画像信
号から各種特徴量を抽出し、これらの特徴量と閾値との
比較などによって体位判別を行おうとすると、各撮影体
位別に複数の特徴量の辞書（特徴量を判別するための閾
値）をそれぞれ予め設定しておく必要などかあり、また
、処理の流れや判定に用いる計算式等が非常に複雑にな
るために、実用的なものになり難い場合か多かった。更
に、デジタル放射線画像から得られた特徴がどの程度認
識に有効であるかということを定毒的に把握することか
難しいため、撮影体位の判別のために抽出する特徴をと
れにするかの選択か簡便に行えず、この点からも画像認
識による撮影体位の判別を困難にしていた。

即ち、放射線画像を細かく識別しようとして、抽出する
特徴量を増大させると、該特徴量を判別するための閾値
の設定がそれたけ困難になり、また、複数の特徴量を組
み合わせて１つの識別結果を出そうとする場合には、特
徴量の組み合わせを容易に決定することかできず、更に
、複数の特徴量か抽出されたときにとの特徴量を選択す
べきかの判断か困難てあったものである。

本発明は上記問題点に鑑みなされたちのてあり、少ない
計算量で、かつ、特徴量の閾値設定や特徴量の選択など
に煩わされることなく、然も、精度良くデジタル放射線
画像における被写体の撮影体位を判別できる装置を提供
することを目的とする。

〈課題を解決するための手段〉 そのため本発明では、第１図に示すように、デジタル放
射線画像信号の画像所定方向に沿ったレベル分布を検出
するレベル分布検出手段と、このレベル分布検出手段で
検出されたレベル分布の信号レベルと複数種の信号レベ
ル閾値とをそれぞれに比較し、それぞれの閾値に対する
信号レベルの大小の変化パターンを前記画像所定方向に
沿って求める大小変化パターン検出手段と、この大小変
化パターン検出手段で検出されたそれぞれの閾値に対す
る大小変化パターンの種類別の数を入力して被写体の撮
影体位識別信号を出力するニューラルネットワークと、
を含んでデジタル放射線画像の撮影体位判別装置を構成
するようにした。

ここで、前記ニューラルネットワークが、予め学習デー
タ集合の内容を変えながら複数回学習して得られた学習
結果を複数備え、これらの複数の学習結果それぞれに基
づき処理されて出力された複数の撮影体位識別信号の中
の最も数の多い識別信号を最終的な識別信号として出力
するよう構成することができる。

上記のように、学習結果を複数行るに当たっては、未学
習初期値を用いて最初のニューラルネットワーク学習を
行わせ、２回目以降の学習においては前回の学習結果を
初期値として学習を行わせることによって複数の学習結
果を得るよう構成すると良い。

一方、レベル分布検出手段が、レベル分布を検出する画
像所定方向に略直交する画素列それぞれの信号レベルの
合計値又は平均値を用いて信号レベルの分布を検出する
ようにすると良い。

また、レベル分布検出手段が、レベル分布を検出する前
記画像所定方向に沿った画素列それぞれの信号レベルを
そのまま用いて信号レベルの分布を検出するよう構成す
ることもてきる。

更に、第１図点線量のように、デジタル放射線画像の画
素数と信号の量子化ステップ数との少なくとも一方を縮
減させる信号間引き手段を備えるようにして、レベル分
布検出手段がこの信号間引き手段で画素数と信号の量子
化ステップ数との少なくとも一方が縮減されたデジタル
放射線画像信号に基づいてレベル分布を検出するよう構
成すると良い。

また、第１図点線量のように、デジタル放射線画像の濃
度ヒスＩ・ダラムの分布が広がるようにコントラストを
強調する補正をデジタル放射線画像信号に施すコントラ
スト強調補正手段を備えるようにして、レベル分布検出
手段かこのコントラスト強調補正手段で補正されたデジ
タル放射線画像信号に基づいてレベル分布を検出するよ
うにすると良い。

また、第１図点線量のように、レベル分布検出手段で検
出されたレベル分布を平滑化処理するレベル分布平滑化
手段を備えるようにして、大小変化パターン検出手段が
このレベル分布平滑化手段で平滑化されたレベル分布に
基づいて大小の変化パターンを求めるようにすることが
好ましい。

〈作用〉 かかる構成のデジタル放射線画像の撮影体位判別装置に
よると、画像所定方向に沿ったレベル分布の信号レベル
と複数の信号レベル閾値とが比較され、それぞれの信号
レベル閾値に対する信号レベルの大小の変化パターンが
検出され、この特徴量としての大小変化パターンの種類
別の数かニューラルネットワークに入力される。そして
、前記大小変化パターンの種類別の数に基づいて撮影体
位を識別するよう予め学習されている前記ニューラルネ
ットワークは、入力された大小変化パターンの種類別の
数を処理し、入力データに対応する撮影体位を識別して
被写体の撮影体位識別信号を出力する。

従って、ニューラルネットワークに対する入力データは
、信号レベルの画像所定方向に沿った大小変化の様子を
表すものであるが、特に複雑な計算を要するものではな
く、また、前記ニューラルネットワークにおいては、例
えは予め所定撮影体位に対応するデータを人力させたと
きに教師信号である前記所定撮影体位に対応する識別信
号か出力されるようにするなとして学習させてあれば、
特徴量である大小変化パターンの種類別の数の閾値を設
定したり、大小変化パターンの種類を選択したり、更に
複数種の大小変化パターンの数の組み合わせを設定する
ことなどを必要とせず、簡便な入力データの設定に基づ
いて精度良く撮影体位を判別てきるものである。

ここで、ニューラルネットワークにおいては予め学習デ
ータ集合の内容を変えながら複数回学習されることにな
るが、かかる学習によって得られた学習結果を複数備え
るようにして、それぞれの学習結果を用いて処理され出
力された識別信号の多数決を取るようにすれば、１つの
学習結果に基づくニューラルネットワークの１つの識別
結果を最終結果とする場合よりも、撮影体位の認識率を
向上させることかできる。

また、上記のように複数の学習結果を備えるようにする
場合に、未学習初期値を用いて最初のニューラルネット
ワーク学習を行わせ、２回目以降の学習においては前回
の学習結果を初期値として学習を行わせて複数の学習結
果を得るようにすれば、それぞれ未学習値を初期として
学習を行わせる場合に比べ学習時間を短縮てきる。

一方、デジタル画像信号の所定画像方向のレベル分布を
検出するときには、前記画像所定方向に略直交する画素
列それぞれの信号レベルの合計値又は平均値を用いても
良いし、前記画像所定方向に沿った画素列それぞれの信
号レベルをそのまま用いても良い。

また、デジタル放射線画像の画素数と信号の量子化ステ
ップ数との少なくとも一方を縮減させたり、デジタル放
射線画像の濃度ヒストグラムの分布か広がるようにコン
トラストを強調する補正を施したりしてから、レベル分
布を検出するようにすれば、少ないデータ量に基づいて
大小変化パターンを検出でき、また、撮影体位の特徴を
容易に捉えることかできる。

また、検出されたレベル分布を平滑化処理すれば、微小
なレベル変化に撮影体位の判別が影響されることを防止
できる。

〈実施例〉 以下に本発明の詳細な説明する。

第２図は本発明にかかるデジタル放射線画像の撮影体位
判別装置の一実施例を示すものである。

ここで、画像入力部ｌは、蓄積性蛍光体上に記憶（蓄積
）された放射線画像の潜像をレーザ光で走査して読み取
るよう構成されたデジタルＸ線撮影装置や、Ｘ線フィル
ムをデジタル信号化するイメージスキャナ、或いは、既
にデジタル放射線画像データが複数記録されているファ
イリングシステムなどである。

画像入力部ｌから入力されるオリジナルのデジタル放射
線画像データｆ　（ｘ、　　ｙ）は、−旦フレームメモ
リ２にストアされ、画像処理部３に渡される。前記画像
データｆ　（ｘ、ｙ）（ｘ＝１．２゜・＋、Ｎｘ、ｙ＝
１，２．−　＋、Ｎｙ）は、Ｘ。

ｙによって番地指定される画素毎の信号レベルを示すも
のであり、本実施例では、Ｘ方向（第４図における左右
方向）に伸びる画素列を「行」、ｙ方向（第４図におけ
る上下方向）に伸びる画素列を１列」と呼ぶことにする
。

画像処理部３は、本発明にかかる撮影体位判別装置に必
要な構成を備えると共に、撮影体位の判別結果に基づい
て読影に適した可視像に再生されるように階調変換や周
波数強調１輪郭抽出などの種々の画像処理・解析を行う
出力用画像処理部４を備えている。

前記出力用画像処理部４て処理された画像データが入力
される画像出力部５ては、画像処理後の画像データ（デ
ジタル放射線画像信号）を、再びファイリングシステム
内に記録したり、ＣＲＴ上に再生したり、プリンタによ
ってフィルム上に記録したりする。ここで、被写体（本
実施例では人体）の撮影体位を判別した後の画像データ
を、ファイリングシステムにファイリングする際には、
患者名・撮影部位名・撮影年月日などの画像情報と共に
、撮影体位を画像データに対応させて記録しておけは、
後の検索に便利であると共に、繰り返し撮影体位の判別
を行う必要かなくなる。

次に、本発明にかかるデジタル放射線画像の撮影体位判
別装置の実施例を、前記画像処理部３に含まれる各処理
部１１〜１６に沿って説明する。

フレームメモリ２に一旦スドアされるオリジナルのデジ
タル放射線画像データｆ　（ｘ、ｙ）は、まず、画像処
理部３内の信号間引き部（信号間引き手段）１１に人力
される。この信号間引き部１１は、オリジナルのデジタ
ル画像データｆ　（ｘ、　　ｙ）の画素数及び階調数（
量子化ステップ数）を間引いて、撮影体位判別に用いる
画像データ量を縮減させて以下の計算量を減少させるよ
うにする。

具体的には、オリジナルのデジタル画像データｆ（ｘ、
ｙ）を複数の小領域に分割し、各小領域毎の信号値の平
均値や代表値を求めることで画素数及び階調数を縮減す
る。例えば、２０４８　Ｘ　２４６４画素１０２４階調
のオリジナルのデジタル画像データｆ（ｘ、　　ｙ）を
、１２８Ｘ１５４画素、２５６階調にまで信号を間引く
処理を行っても、本発明にかかる撮影体位判別を支障な
く行わせることができる。

尚、上記信号間引き部１１で画素数及び階調数の間引き
が行われた画像データをｆ’　（ｘ’、　　ｙ’）　（
Ｘ“＝１２．・・・、ＮＸ”、　　ｙ’＝１．２．・・
・、Ｎｙ’）　　（Ｎｘ’　＜　Ｎｘ、　Ｎｙ’　＜　
Ｎｙ）とする。

但し、上記の間引き処理は、計算量か少なくて済む本発
明にかかる撮影体位判別装置における計算量を更に少な
くするためのものであり、間引き処理を省略しても良い
。

次のコントラスト強調補正部（コントラスト強調補正手
段）１２では、間引き処理後の画像データｆ’　（ｘ’
、　　ｙ’）のコントラスト強調補正手ップ数応じて行
ってコントラスト強調データｆ゛（Ｘ′。

ｙ’）を得る。これは、原画像データの信号値（濃淡値
）には、あまり濃淡の差かないことか多いため、プロジ
ェクション（画像データ中の画像所定方向に沿った信号
レベル分布）を作成した際に、分布曲線か描く山部と谷
部との高低差か小さくなることを防止するために行う処
理であり、コントラストの強調補正を施すことによって
、濃度差を強調して撮影体位判別に関わる画像データの
濃淡変化の特徴か明確に表れるようにする。

コントラストの強調は、例えば以下のような公知の技術
を用いて行う（「コンピュータ画像処理入門」田村秀行
監修、総研出版（株）発行等参照）。

強調前の信号のレベル範囲を［ａ□１□、　　ａ、、Ｘ
］、強調後の信号範囲を［ｂイ、。＋　　ｂｍａｘ］と
した場合、強調前の信号値Ｓ　ｏ　ｒ　＋□を以下の■
式又は０式によってコントラスト強調信号値Ｓ　ｐ　ｒ
。。に変換する。

（１ｏｇＳ　ｏｒｉｇ　−１ｏｇａ　、、ｔ、）十ｂ　
、、＋、、−・・■ここで、■式を用いてコントラスト
強調を行った場合には濃度が線形に変換され、０式では
非線形に濃度変換されることになる。

また、下式■のように平均濃度値ｍ、標準偏差σの濃度
ヒストグラムを、平均値ｍ。。＋ｍ、標準偏差σゎ。、
□の濃度ヒストグラムに正規化するように、強調前の信
号値Ｓ　０ｒ　：　ｘをコントラスト強調信号値Ｓ　ｐ
ｒ。。に変換するようにしても良い。

Ｓ　ＩＩＴＯｅ二□（Ｓｏ、１１−ｍ）十ｍ。。、。・
・・■σ 更に、全濃度域の画素数か均等になるように、濃度ヒス
トグラムを平坦化することによってコントラストを強調
することもてきる。

次のプロジェクション作成部（レベル分布検出手段）１
３では、信号間引き処理及びコントラスト強調補正処理
を施された画像データｆ”　（ｘ’　。

ｙ′）に基づいてプロジェクションｐ　（ｘ’）　（画
像Ｘ方向に沿った信号レベル分布）を作成する。

前記プロジェクションｐ　（ｘ’）は、画像データｆ”
　（ｘ’　、ｙ’）における次式て表されるような分布
を用いることかできる（但し、第４図に示すようにｌ≦
ｎ１≦ｎ２≦Ｎｙ’　　として、信号のサンプリング範
囲をｎｌ≦ｙ′≦ｎ２とする。）。

即ち、■式では画像データｆ”　（ｘ’　、　　ｙ’）
の画像上下方向（Ｘ方向）に伸びる画素列毎の信号値の
総和が求められ、０式では画像データｆ゛′（ｘ’　、
　　ｙ’）の画像上下方向に伸びる各画素列毎の信号値
の平均値が求められる。尚、場合によっては、画像デー
タｆ”　（ｘ’　、　ｙ’）の左右方向（Ｘ方向）に伸
びる各画素行毎の信号値の総和や平均値を用いることも
てきる。

本実施例では、上記のように、各画素列の信号値の総和
又は平均値に基づいてプロジェクションを作成するよう
にしたが、特定画素行における各画素の信号値をそのま
ま用いて画像のＸ方向（左右方向）に沿った信号レベル
変化を示すプロジェクションを作成するようにしても良
い。但し、撮影体位の特徴か明確に表れるように、前記
特定画素行を適宜選択する必要がある。

このプロジェクション部１３で得られるプロジェクショ
ンｐ　（ｘ’）には、第５図に示すように、信号値の微
小な変動か含まれているので、後述する信号レベル閾値
Ｔに対する大小変化のパターンを検出するときに、この
微小な変化を撮影体位の特徴を示す大小変化として捉え
ないように前記プロジェクションｐ　（ｘ’）を平滑化
（スムージング）する処理を、次の平滑化処理部（レベ
ル分布平滑化手段）１４て行う。

前記平滑化処理は、例えばプロジェクションｐ（Ｘ′）
内の注目点を、その近傍内における平均値で置き換える
ことによって行える。第５図に示すように、プロジェク
ションｐ　（ｘ’）内の各点の横方向における位置はＸ
′、その信号値はｐ　（ｘ’）という関数であるから、
左右ｎ個ずつの近傍処理を行う場合には、位置１におけ
る平滑処理後の値ｐ’　　（ｉ）は、 という式で表すことができ、かかる処理を複数回実行す
ることで第５図に示すような信号値の微小な変動を平滑
化することかできる。尚、前記平滑化処理部１４におけ
る平滑化処理には、近傍内の中央値を用いることもでき
る。

次に、変化パターン検出部（大小変化パターン検出手段
）１５では、前記平滑化処理されたプロジェクションｐ
’（ｘ’）の各位と複数種の信号レベル閾値Ｔとを順次
比較することによって、各信号レベル閾値Ｔに対する信
号レベルの大小変化パターンを求め、次のニューラルネ
ットワーク１６には、この大小変化パターンの種類別の
数か入力データとして出力され、ニューラルネットワー
ク１６は、予め行われている学習結果に基ういて前記入
力データを処理して被写体の撮影体位を示す識別信号を
出力する。

前記ニューラルネットワーク１６は、　［日経エレクト
ロニクス　第４２７号Ｊ　１９８７年８月１０日号の第
１１５頁〜第１２４頁などに紹介されているように、人
間の脳を真似たネジ１〜ワークで脳のニューロン（神経
細胞）に対応した複数のユニッ１〜か複雑に接続し合っ
たもので、各ユニット間の接続形態（結合荷重）を適宜
決定することで、パターン認識機能などを埋め込む（学
習する）ことかできるものである。

例えば、人体胸部放射線画像の正面と側面との場合、第
６図及び第７図に直線して示す画像左右方向の信号値の
分布において、−殻内に正面画像、においては、左右方
向の中央部に放射線の透過し難い胸椎を表す信号レベル
の谷が存在し、その両脇に放射線を透過し易い肺野を示
す信号レベルの山が存在し、更に、左右端に放射線を透
過し難い胸郭を表す信号レベルの谷か存在する。一方、
側面画像では、左右端に放射線の素抜は部を示す信号レ
ベルの山が存在し、中央部付近では体制を示す谷となっ
て、体側部においては特徴的な波形は表れ難い。かかる
撮影体位の違いによる信号レベル変化の特徴は、直線り
に直交する方向の各画素列の信号値の総和又は平均値の
分布を取っても略同様であるので、変化パターン検出部
１５で求められる大小変化パターンに撮影体位に特有の
特徴パターンか多く含まれることなる。

従って、本実施例における前記ニューラルネットワーク
１６の学習は、撮影体位が判っている放射線画像信号か
ら得た前記大小変化パターンの種類別の数（学習用入力
データ）をニューラルネットワーク１６に入力させたと
きに、正解である撮影体位に対応する識別信号か出力さ
れるように、学習用人力データを変えなからニューラル
ネットワーク１６における各シナプスウェイト（結合荷
重）の値を出力層Ｒから学習させるものであり、かかる
学習（パックプロパゲーション則）によって被写体の撮
影体位の違いによる入力データの違いを学習させ、撮影
体位を識別したいデジタル放射線画像から求めた前記大
小変化パターンの種類別の数を入力させることで、放射
線画像の撮影体位を予め定めた複数種の何れかに識別す
るものである。

かかる大小変化パターンの検出及び撮影体位の判別を次
に具体的に説明する。

変化パターン検出部（大小変化パターン検出手段）１５
では、前記プロジェクションｐＩｘ’）の各点を端から
順に閾値Ｔと比較して、例えばプロジェクション上の値
が閾値Ｔよりも大きければ１、小さければＯを与えてい
く。ここて、■或いは０が続く長さ、即ち、１及びＯの
ラン長を無視して、１のランに関して符号１を、０のラ
ンに符号Ｏを割当てれば、符号１と０の繰り返しパター
ンが、そのプロジェクションの波形の閾値Ｔに対する変
動の様子を表していることになる。更に、閾値Ｔを予め
設定されたステップで変化させて、信号値のレンジ全体
にわたって上記のような１，０符号の設定を行えば、そ
のプロジェクションにおける波形の様子を２次元的に捉
えることかでき、そのプロジェクションの特徴となる１
、０の変化パターンが多く表れることになる。

表１ 例えば、第８図に示すように、信号値のレンジｔｏから
ｔ６までの間て、閾値Ｔを八Ｔの間隔で変化させていっ
た場合、上記表１に示すように、１、≦Ｔ＜ｔ、、＋ｌ
　　（ｎ＝０．１．　　・−−，５）の各区間て、符号
Ｏと符号１の並びの特徴パターンと、その特徴パターン
の個数か得られる。

かかる処理を、第９図〜第１３図に示すそれぞれの放射
線画像データについて行うと、正面画像である第９図で
は（０１０１０）、側面画像である第１０図では（１０
１）　、正面布ずれ画像である第１１図では（１０１０
１）　、側面布ずれ画像である第１２図では（ｌＯ）、
子供や痩せた人の正面画像である第１３図ては（１０１
０１０１）のパターンかそれぞれ多く検出されることに
なり、それぞれの画像では、上記以外のパターンは僅か
にしか存在しない。

従って、本実施例では、（０１０１０）、　（１０１０
１）、（１０１０１０１）のパターンをそれぞれ正面画
像用の特徴パターン（正面の基準大小変化パターン）と
し、（１０１）、　（１０）のパターンをそれぞれ側面
画像用の特徴パターン（側面の基準大小変化パターン）
とし、検出された大小変化パターンのうち前記それぞれ
の特徴パターンと同じてあった数を求める。そして、前
記特徴パターン毎の数かニューラルネットワーク１６の
入力層に入力される。

ニューラルネットワーク１６は、第３図に示すように、
入力層Ｓ、中間層Ａ、出力層Ｒによって構成され、入力
層Ｓは、前記特徴パターン数に対応する数のニューロン
モデル（ユニット）Ｓ、、Ｓ２・・・・Ｓ８からなって
おり、各ニューロンモデルＳ　、、　Ｓ　、、・・・・
Ｓ、に対して対応する特徴パターンの数か入力されるよ
うになっており、例えばニューロンモデルＳ１には、検
出された大小変化パターンのうち（０１０１０）と同じ
パターンであった数を入力させる。尚、それぞれのパタ
ーンの数を入力層Ｓのそれぞれのユニッ１〜に入力させ
るに当たっては、パターンの数をそれぞれ０．０〜１．
０に正規化して入力させるようにする。

中間層ＡのニューロンモデルＡ　＋　、　Ａ　２　　・
・・・Ａ、は、入力層Ｓの各ニューロンモデル（ユニッ
ト＞　ｓ、、ｓ２．・・・・Ｓ８の全てと結合可能であ
る。該中間層Ａのニューロンモデル数ａは経験的に決定
されるが、本発明の場合、入力層Ｓのニューロンモデル
数Ｓと出力層Ｒのニューロンモデル数ｒと総和の半数程
度が好ましい。

出力層Ｒは、撮影体位を正面と側面との２種類に識別さ
せる場合には、１つのニューロンモデルＲ１で構成され
、このニューロンモデルＲ１は中間層への各ニューロン
モデルＡ、、Ａ、・・・・Ａ。

全てと結合されている。尚、第１１図及び第１２図に示
すように被写体か横方向のズした場合を区別させたり、
第１４図に示すような片肺のない場合を区別させたい場
合には、かかる体位識別数に対応させて出力層Ｒを構成
する二ニーロンモデル数を適宜増加させれは良い。更に
、前記中間層Ａは、第３図に示すように１層のみでも良
いが、２層、３層、・・と複数層で構成させるようにし
ても良い。

撮影体位を正面と側面とに識別させる場合には、前述の
ように出力層Ｒは１つのニューロンモデルＲ１て構成さ
れ、例えばかかるニューロンモデルＲ１が、撮影体位を
正面と識別したときに１．０を識別信号として出力し、
側面と識別したときに０．０を識別信号として出力する
ようにネットワークを予め学習させておけば、判別時に
０．５以上であれば正面、０．５未満であれば側面とい
うように撮影体位を判別することができる。

従って、ニューラルネットワーク１６のシナプスウェイ
ト（結合荷重）を学習させるときには、撮影体位が正面
である画像に対応する大小変化パターンのデータを入力
させたときに出力層Ｒから１．０以上か出力され、側面
の画像に対応するデータを入力させたときに出力層Ｒか
ら０．０未満か出力されるように、入力データ集合の内
容を変えながら学習を進めて行く。

尚、ここで、例えば０．７以上で正面、０．３以下で側
面、０．３〜０．７でその他の体位というように判別す
ることもてきる。

ここで、上記ニューラルネットワーク１６の特性及びパ
ックプロパゲーション則に基巧く学習を更に説明すると
、第３図に示すようなニューラルネットワーク１６を構
成する各ユニットにニューロンモデル）Ｕｌは、他のユ
ニットからの入力Ｑｊの総和を一定の規則で変換し、Ｑ
ｌとするが、他のユニットとの結合部にはそれぞれ可変
の重みＷｌｊ（シナプスウェイト）か付いている。この
重みＷｉｊは、各ユニット間の結合の強さを表すための
ちので、この値を変えると接続状態を変えなくても実質
的にネットワークの構造が変わることになる。

ニューラルネットワーク３の学習とは、この値を変える
ことであって、重みＷＩｊは正、ゼロ、負の値をとり、
ゼロは結合かないことを表す。

あるユニットＵｉか他の複数のユニットＵｉから入力を
受けた場合、その入力の総和をＮＥＴで表すとすると、
ユニットＵｉの入力の総和は、ＮＥＴｉ　＝ΣＷｉｊ−
Ｑｊ となる。

各ユニットＵｉは、この入力の総和ＮＥＴを関数ｆに適
用し、次式に示すように出力Ｑ１に変換する。

Ｑ　ｉ　＝　ｆ　　（ＮＥＴｉ　） ＝ｆ（ΣＷｉｊ−Ｑｊ） 上記関数ｆは各ユニットＵ１毎に違って良いが、一般に
は、第１６図に示すようなしきい値開数又は第１７図に
示すようなｓｉｇｍｏｉｄ関数を用いる。

このｓｉｇｍｏｉｄ関数は、微分可能な疑似線形関数で
、 で表せる。値域は０〜ｌで、入力値が大きくなるにつれ
ｌに、小さくなるにっれ０に近づく。入力かＯのときは
０．５となる。しきい値θ（バイアス）を加えて、 とする場合もある。

このようなニューラルネットワーク１６において、入力
層Ｓに入力データを与えると、この信号は各ユニットで
変換され、中間層Ａに伝わり、最後に出力層Ｒから出て
くるが、望ましい出力を得るためには各ユニット間の結
合の強弱すなわち重みを適切な値に設定する必要かある
。この重みの設定は、ニューラルネットワーク１６を次
のように学習させることによって行う。

まず最初は、すべての重みをランダムに設定しておき、
入力層の各ユニットに学習用の入力データ（予め望まし
い出力の分かっているデータ）を与える。そして、この
とき出力層の各ユニットから出てきた出力値と望ましい
出力値とを比べ、その差（誤差）を減らすように各重み
の値を、出力層側から順次修正する。そしてこれを多数
の学習データを用いて誤差か収束するまで繰り返すもの
である（「入門ニューロコンピュータ」菊池豊彦著　１
９９０年１月２０８　　株式会社オーム社　発行等参照
）。

このように予め学習されたニューラルネットワーク１６
に対して、撮影体位を識別したい放射線画像から求めた
大小変化パターンの数を特徴パターン別に入力させてや
れば、どの特徴パターンの数が多いかによる撮影体位の
識別か行われ、換言すれば、入力データかとの撮影体位
の特徴に最も近いかの判別か行われる。従って、ニュー
ラルネットワーク１６においては、撮影体位か判ってい
る学習用大小変化パターンのデータかあって予め学習が
完了していれば、実際の体位識別においては、特徴パタ
ーンの数を判別するための閾値等を必要とせず、また、
複数の特徴パターンの数を組み合わせての判別等を考慮
する必要かないので、労力を大幅に減少させ得るもので
ある。

ニューラルネットワーク１６のシナプスウェイト学習に
おいては、１つの学習結果のみを用いてニューラルネッ
トワーク１６における体位識別処理を行わせることか一
般的であるが、シナプスウェイトの学習結果を複数記憶
させておき、それぞれの学習結果に基づきネットワーク
されたニューラルネットワーク１６で処理して得た複数
の識別結果の多数決で最終的な体位の識別を行わせるよ
うにしても良い。

即ち、第１５図に示すように、ニューラルネットワーク
１６を学習させるための学習手段２１によって学習され
た結果（各シナプスウェイト値）を記憶する学習結果記
憶手段２２を備えるようにしておいて、変化パターン検
出部１５で検出された大小変化パターンの種類別の数を
入力して撮影体位を判別する第３図に示すような構成の
判別手段２３では、フレームメモリ２４にストアさせて
おいた大小変化パターンの種類別の数を、前記学習結果
記憶手段２２に記憶されている各学習結果に基づいてそ
れぞれに処理し、それぞれの学習結果から導かれる判別
結果の多数決を取って最終的に出力用画像処理部４に出
力させるようにする。ここで、例えは５種類の学習結果
（シナプスウェイト）か学習結果記憶手段２２に記憶さ
れていたとすると、それぞれの学習結果を用いたニュー
ラルネットワーク１６（判別手段２３）の処理で、３種
類が正面であると識別し、残りの２種類で側面であると
識別した場合には、最終的な識別結果として数の多い正
面を出力させるものである。

また、通常、ニューラルネットワーク１６のシナプスウ
ェイトの学習においては、各シナプスウェイトの未学習
初期値として乱数を用いて、該乱数を学習によって変更
させていく場合か多いが、上記のように同じ処理に供す
る学習結果を複数設定させる場合には、初期値を乱数と
して学習させた結果を、次の学習の初期値として用いる
ようにして、次々に前回の学習結果を初期値として更に
学習させるようにすれば、それぞれ乱数を初期値として
学習を開始させる場合に比べ複数の学習結果を得る場合
に学習時間を大幅に短縮できる。

更に、ニューラルネットワーク１６の学習においては、
予め基本画像となるべき複数のデジタル放射線画像にお
ける前記大小変化パターンを撮影体位と共に記憶媒体（
第１５図のフレームメモリ２４）に記憶させておき、オ
ペレータかコンソール操作（第１５図の学習用データ選
択手段２５か相当する。）によって前記記憶媒体（フレ
ームメモリ２４）の中から任意のデータを必要なたけ読
み出して学習させることができるようにすれは、学習の
妨げとなるようなデータを排除しつつ、オペレータの要
求に合った学習を容易に行わせることができる。

上記のようにニューラルネットワーク１６によって撮影
体位の判別か行われると、その結果か出力用画像処理部
４に出力される。出力用画像処理部４では、フレームメ
モリ２内のオリジナル画像データｆ　（ｘ、　　ｙ）を
直接取り込み、撮影体位に適合する変換方法で階調変換
や周波数強調などの処理を行って画像データＦ　（ｘ、
　　ｙ）を得て、この画像データＦ　（ｘ、　　ｙ）を
画像出力部５に出力する。

画像出力部５では、出力用画像処理部４から撮影体位に
応じた処理を施された画像データＦ（ｘｙ）をファイリ
ングシステム内に記録したり、ＣＲＴ上に再生したり、
プリンタによってＸ線フィルム上に記録したりする。こ
こで、画像出力部５では、画像データがその画像の撮影
体位に応じた処理を施されているから、再生される画像
を読影に適した可視像とすることができる。

〈発明の効果〉 以」二説明したように、本発明にかかるデジタル放射線
画像の撮影体位判別装置によると、所定画像方向に沿っ
た信号レベル分布を求め、このレベル分布の複数信号レ
ベル閾値に対する大小変化パターンの種類別の数（特徴
量）を検出し、これをニューラルネットワークに入力さ
せて撮影体位を識別させるようにしたので、ニューラル
ネットワークに入力させるデータを作るための計算量が
少なく、然も、かかる入力データが各撮影体位の特徴を
精度良く含んだものとなり、ニューラルネットワークで
の撮影体位識別に適したデータを簡便に入力させること
かできる一方、ニューラルネットワークで前記特徴量を
処理することで特徴量の閾値設定や特徴量の選択などに
煩わされることないという効果かある。

【図面の簡単な説明】

第１図は本発明の構成を示すブロック図、第２図は本発
明の一実施例を示すシステムブロック図、第３図は第２
図示のニューラルネットワークの構成を示す概略図、第
４図は同上実施例における画像データの表し方を示す線
図、第５図は同上実施例における平滑処理前のプロジェ
クションの様子を示す線図、第６図及び第７図はそれぞ
れ撮影体位による信号レベル分布の特徴の違いを説明す
るための線図、第８図は同上実施例におけるプロジェク
ションに基づく大小変化パターンの検出の様子を示す線
図、第９図〜第１４図はそれぞれ撮影体位による信号レ
ベルの大小変化パターンの違いを説明するための線図、
第１５図はニューラルネットワークにおける学習手順を
詳細に説明するだめのブロック図、第１６図及び第１７
図はそれぞれ本実施例におけるニューラルネットワーク
の変換特性例を示す線図である。 １・・・画像入力部　　２・・・フレームメモリ３・・
・画像処理部　　４・・・出力用画像処理部５・・・画
像出力部　　１１・・・信号間引き部　　１２・・・コ
ントラスト強調補正部　　１３・・・プロジェクション
作成部　　１４・・・平滑化処理部　　１５・・・変化
パターン検出部　　１６・・・ニューラルネットワーク
２１・・・学習手段　　２２・・・学習結果記憶手段　
　２３・・・判別手段　　２４・・・フレームメモリ　
　２５・・・学習用データ選択手段

Claims (8)

【特許請求の範囲】
1. （１）デジタル放射線画像信号の画像所定方向に沿った
   レベル分布を検出するレベル分布検出手段と、該レベル
   分布検出手段で検出されたレベル分布の信号レベルと複
   数種の信号レベル閾値とをそれぞれに比較し、それぞれ
   の閾値に対する信号レベルの大小の変化パターンを前記
   画像所定方向に沿って求める大小変化パターン検出手段
   と、 該大小変化パターン検出手段で検出されたそれぞれの閾
   値に対する大小変化パターンの種類別の数を入力して被
   写体の撮影体位識別信号を出力するニューラルネットワ
   ークと、 を含んで構成されたことを特徴とするデジタル放射線画
   像の撮影体位判別装置。
2. （２）前記ニューラルネットワークが、予め学習データ
   集合の内容を変えながら複数回学習して得られた学習結
   果を複数備え、該複数の学習結果それぞれに基づき処理
   されて出力された複数の撮影体位識別信号の中の最も数
   の多い識別信号を最終的な識別信号として出力するよう
   構成されたことを特徴とする請求項１記載のデジタル放
   射線画像の撮影体位判別装置。
3. （３）未学習初期値を用いて最初のニューラルネットワ
   ーク学習を行わせ、２回目以降の学習においては前回の
   学習結果を初期値として学習を行わせることによって複
   数の学習結果を得るよう構成したことを特徴とする請求
   項２記載のデジタル放射線画像の撮影体位判別装置。
4. （４）前記レベル分布検出手段が、レベル分布を検出す
   る前記画像所定方向に略直交する画素列それぞれの信号
   レベルの合計値又は平均値を用いて信号レベルの分布を
   検出することを特徴とする請求項１、２又は３のいずれ
   かに記載のデジタル放射線画像の撮影体位判別装置。
5. （５）前記レベル分布検出手段が、レベル分布を検出す
   る前記画像所定方向に沿った画素列それぞれの信号レベ
   ルをそのまま用いて信号レベルの分布を検出することを
   特徴とする請求項１、２又は３のいずれかに記載のデジ
   タル放射線画像の撮影体位判別装置。
6. （６）デジタル放射線画像の画素数と信号の量子化ステ
   ップ数との少なくとも一方を縮減させる信号間引き手段
   を備え、前記レベル分布検出手段が該信号間引き手段で
   画素数と信号の量子化ステップ数との少なくとも一方が
   縮減されたデジタル放射線画像信号に基づいてレベル分
   布を検出することを特徴とする請求項１、２、３、４又
   は５のいずれかに記載のデジタル放射線画像の撮影体位
   判別装置。
7. （７）デジタル放射線画像の濃度ヒストグラムの分布が
   広がるようにコントラストを強調する補正をデジタル放
   射線画像信号に施すコントラスト強調補正手段を備え、
   前記レベル分布検出手段が前記コントラスト強調補正手
   段で補正されたデジタル放射線画像信号に基づいてレベ
   ル分布を検出することを特徴とする請求項１、２、３、
   ４、５又は６のいずれかに記載のデジタル放射線画像の
   撮影体位判別装置。
8. （８）前記レベル分布検出手段で検出されたレベル分布
   を平滑化処理するレベル分布平滑化手段を備え、前記大
   小変化パターン検出手段が前記レベル分布平滑化手段で
   平滑化されたレベル分布に基づいて大小の変化パターン
   を求めるようにしたことを特徴とする請求項１、２、３
   、４、５、６又は７のいずれかに記載のデジタル放射線
   画像の撮影体位判別装置。