JPH0458943A - デジタル放射線画像の画像認識装置 - 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画像認識装置に関し、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たデータから被写体の撮影
部位や撮影体位なとを認識し得る装置に関する。

〈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、例えは以下のようなものがある。

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、この蛍光体が前記吸収に
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ものがあ
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
像とする必要があるが、人体における撮影部位や撮影体
位の違いによって、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が変化してしまうことがある。

従って、階調処理や空間周波数処理などの画像処理を施
す前に、オリジナルのデジタル放射線画像から撮影体位
を自動的に判別しそれぞれの体位に最適な画像処理を施
すことが要求され、そのため、従来から画像データの濃
度ヒストグラムや画像データ中の画像所定方向に沿った
信号レベル分布などを用いて撮影体位を自動判別てきる
ようにした方法・装置が種々提案されている（特開昭６
３−２６２１２８号公報、特開昭６３−２６２１３２号
公報等参照）。

〈発明が解決しようとする課題〉 しかしながら、従来の撮影体位判別では、撮影部位を一
部位に限定した上で、撮影体位か正面であるか側面であ
るかを判別できる程度であり、撮影部位及び撮影体位の
識別か限定されてしまうという問題かあった。

かかる問題点を解決するために、−殻内な画像認識の技
術を用い、複数の特徴量を抽出してこの特徴量の組み合
わせなどによって判別を行おうとしても、処理の流れや
判定に用いる計算式等が非常に複雑になってくると共に
、特徴量の辞書をそれぞれの撮影部位・撮影体位毎にマ
ツチングする必要があって多くの労力を要するために、
実用に供することが困難であった。

更に、従来の画像認識では、抽出した複数の特徴量かど
の程度認識に有効であるかということを定量的に把握す
ることか難しいために、どの特徴量を抽出して画像認識
に用いるかという選択が簡便に行えず、この点からも従
来の画像認識技術をデジタル放射線画像の認識に流用す
ることが困難であり、・撮影部位・撮影体位を限定して
の認識に留まっていたのが現状であった。

本発明は上記問題点に鑑みなされたものであり、複雑な
計算を必要とせず、然も、抽出すべき特徴量の選択や辞
書マツチングなとの労力を不要にできるデジタル放射線
画像の画像認識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と、前記デジタル
放射線画像の特徴か予め学習され、信号間引き手段の出
力を入力し、入力した画像が予め特定される複数の認識
対象のどれに該当するかを示す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
画像認識装置を構成した。

ここで、前記認識対象は、デジタル放射線画像における
被写体の撮影部位と撮影体位との少なくとも一方とする
ことができる。

また、信号間引き手段が、原画像を複数の小領域に分割
し、これら小領域それぞれでの画像信号値の平均値又は
代表値をサンプリングすることで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
縮減させるよう構成すると良い。

更に、ニューラルネジ１〜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
を複数備えるようにして、これら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識別信号の中の
最も数の多いものを最終的に出力するよう構成すること
が好ましい。

ここで、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。

〈作用〉 かかる構成のデジタル放射線画像の画像認識装置による
と、デジタル放射線画像の原画像データが、まず、信号
間引き手段において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処理を施される。このよ
うにしてデータ量が縮減されたデジタル放射線画像は、
デジタル放射線画像の特徴か予め学習されているニュー
ラルネットワークに入力される。ニューラルネットワー
クは、予め行われている学習に沿って入力信号を処理し
、入力した画像が予め特定される複数の認識対象のどれ
に該当するかを示す識別信号を出力する。

即ち、信号間引き手段で処理した信号を入力させたとき
に複数の認識対象に識別できるように、予めニューラル
ネットワークを学習させておくことにより、デジタル放
射線画像から特微量を抽出したり、特微量の辞書を作成
したりといった労力を必要とせず、ニューラルネジ１〜
ワークに信号間引き手段でデータ量を縮減した画像信号
を入力させればその画像が識別されることになる。

ここで、前記認識対象として、デジタル放射線画像で必
要になるのは例えば被写体の撮影部位と撮影体位との少
なくとも一方であり、この場合ニューラルネットワーク
は、撮影部位が何処であるかを示す識別信号、又は、撮
影体位が正面や側面などのうちのどれであるを示す識別
信号を出力する。

また、信号間引き手段で、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
せるには、原画像を複数に分割した小領域それぞれでの
画像信号値の平均値又は代表値をサンプリングさせるよ
うにすれば、複雑な計算式や多大な計算量を必要とする
ことなく、簡便にデータ量を縮減させてニューラルネッ
トワーク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つの認識結
果を最終結果とする場合よりも、デジタル放射線画像の
認識率を向上させることができる。

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画像認識
装置の一実施例を示すものである。

ここで、画像入力部１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、まず、信号間引き
部（信号間引き手段）２に入力される。

この信号間引き部２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、後述するニューラルネットワークに対し
て画像の大きな濃淡特徴か入力されるようにする。

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（ｎ画素×ｎ画素）に分割
し、各小領域に含まれる画素それぞれに対応する信号値
の平均値を算出したり、又は、各小領域に含まれる画素
に対応する信号値の中の１つを代表値として求めること
により、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を間引いた画像データｆ’（
ｘ’、ｙ’）を設定する。尚、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、第３図に示すように、５×５画素
〜ｌ０ＸＩＯ画素、２５６階調程度にまで間引いても、
撮影部位や撮影体位がある程度限定されるものであれば
充分に識別可能であり、例えば脚部の正面・側面とか頭
部の正面・側面といった部位及び体位をそれぞれ２種類
程度に限定した比較的粗い判別であれば精度は充分に高
い。

ここで、画素数の間引きを行わず、オリジナルの信号値
を、大きなステップ幅で量子化し直して階調数のみを縮
減させるようにしても良いが、後述するニューラルネッ
トワーク構造や学習を複雑化させることになるので、画
素数と階調数とを共に縮減させることが好ましい。

信号間引き部２で画素数及び階調数か縮減された画像信
号ｆ”（ｘ’、ｙ’）は、第３図に示すような構成のニ
ューラルネットワークにューロコンピュータ）３に入力
され、該ニューラルネットワーク３による演算（判別手
段３ａ）によって予め特定される複数の認識対象のとれ
に該当するかを示す識別信号が出力される。

前記複数の認識対象としては、例えば被写体を人物とし
た医療用の場合、胸部正面・胸部側面・頭部正面・頭部
側面などとする。

判別手段３ａから上記のような認識対象のどれに該当す
るかを示す識別信号か出力されると、この識別信号を受
ける画像処理部４ては、画像入力部１からのオリジナル
のデジタル画像データｆ（ｘ、　　ｙ）に対し、読影に
適した可視像に再生されるように撮影部位及び撮影体位
の判別結果に基づいて階調変換や周波数強調２輪郭抽出
なとの種々の画像処理・解析を行う。

前記画像処理部４て処理された画像データか入力される
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）の撮影部位及び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・撮影年月日などの画像情報と共に、撮影
部位及び撮影体位を画像データに対応させて記録してお
けば、後の検索に便利であると共に、繰り返し撮影部位
・撮影体位の認識を行う必要かなくなる。

ところで、前記ニューラルネジ１〜ワーク３は、「日経
エレクトロニクス　第４２７号Ｊ　１９８７年８月１０
８号の第１１５頁へ一第１２４頁などに紹介されている
ように、人間の脳を真似たネット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トか複雑に接続
し合ったもので、各ユニッＩ〜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。

本実施例におけるニューラルネットワーク３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、前記信号間引き部２て間引かれ
た画素数と同じ数のニューロンモデル（ユニット）Ｓｌ
、Ｓ２　　・・・・Ｓ６からなっており、各ニューロン
モデルＳ１．Ｓ２　　・・・・Ｓ６に対して対応する画
素の信号値かそれぞれ人力されるようになっている。尚
、前述のように、階調数をオリジナルの１０２４０２４
階調５６階調（８ピッｌ−）程度にまで減縮させてから
ニューラルネッ１〜ワーク３に入力させるようにするが
、信号値の入力層Ｓに対する入力に際しては、前記０〜
２５５の２５６階調を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、Ａ２゜・・・・Ａ、は
、入力層Ｓの各二ニーロンモデル（ユニット）Ｓ、、Ｓ
２　・・・・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。

また、中間層Ａは本実施例のように、１層でも良いが、
２層。

３層・・・と複層構造にしても良い。

出力層Ｒは、認識対象を、例えは胸部正面・胸部側面・
頭部正面・頭部側面の４種類とするときには、４つのニ
ューロンモデルＲ１〜Ｒ４て構成され、このニューロン
モデルＲ１〜Ｒ４は中間層への各ニューロンモデルＡ、
、Ａ２　・・・・Ａａ全てと結合可能である。

出力層Ｒにおける識別信号は、例えば胸部正面であると
識別したときには、ニューロンモデルＲの出力のみか１
となるようにしておき、とのニューロンモデルＲ７〜Ｒ
４の出力が１であるかによって画像認識（撮影部位・撮
影体位の認識）か行えるようにする。

ところで、上記のように間引き後の各画素の信号値をニ
ューラルネットワーク３に入力させて、その画像を認識
させるには、予めデジタル放射線画像の特徴を学習させ
ておいて、例えば胸部正面の画像信号が入力されたとき
には二ニーロンモデルＲ１の出力のみか１となるとよう
に予め学習させておく必要がある。

かかるニューラルネットワーク３の学習は、予め撮影部
位・撮影体位が判っているデジタル放射線画像信号を信
号間引き部２で処理してニューラルネッ１〜ワーク３に
入力させたときに、正解である撮影部位・撮影体位に対
応する識別信号が出力されるように、学習データ集合（
学習用としてニユーラルネツトワーク３に入力させる間
引き画像信号）を変えながらニューラルネットワーク３
における各シナプスウェイト（結合荷重）の値を出力層
Ｒ側から順次学習させて認識率を除々に増大させるもの
であり、かかる学習（バックプロパゲーション則）によ
って被写体の撮影部位・撮影体位の違いによる入力デー
タの違いを学習させ、撮影部位・撮影体位を識別したい
デジタル放射線画像信号を信号間引き部２て間引いた結
果をニューラルネットワーク３に入力させることで、デ
ジタル放射線画像における撮影部位・撮影体位を予め定
めた複数の認識対象の何れかに識別させるようにするも
のである。

ここで、上記ニューラルネットワーク３の特性及びパッ
クプロパゲーション則に基つ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３を構成す
る各ユニットにニューロンモデル）Ｕｉ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、Ｑｉ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ＷｉＪ（シナプスウェイｌ−）が付いている。この重
みＷＩＪは、各ユニット間の結合の強さを表すためのも
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２　セロ、負の値をとり
、ゼロは結合がないことを表す。

あるユニットＵｉか他の複数のユニッ１＝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 どなる。

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。

Ｑｉ＝ｆ　　（ＮＥＴｉ　） ｆ　（ΣＷＩＪ−Ｑｊ） 上記関数ｆは各ユニットＵｉ毎に違って良いが、一般に
は、第４図に示すようなしきい値開数又は第５図に示す
ようなｓｉｇｍｏｉｄ関数を用いる。

］　７ 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θ〜１て、入力値が大きくなるにつれ
１に、小さくなるにつれ０に近つく。入力か０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３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３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−り（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
出力値とを比へ、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が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Ｊ菊池豊彦著　１
９９０年１月２０日　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３に
対して、認識させたいデジタル放射線画像の間引きデー
タを入力させてやれば、どの撮影部位・撮影体位に近い
ものであるかを識別する演算が広範な画像で実時間で行
われ、然も、本実施例のようにニューラルネットワーク
３を用いたシステムにおいては、デジタル放射線画像か
ら特微量を抽出したり、特微量の辞書を作成したりとい
った労力を必要としないため、撮影部位及び撮影体位を
比較的限定しなくても識別可能なシステムを簡便に構築
できるものである。

即ち、ニューラルネットワーク３を用いたデジタル放射
線画像の認識においては、予めある程度認識すべき対象
の画像範囲を定め、かかる画像範囲で必要とされる識別
能力を設定すれば、あとはニューラルネットワーク３の
ユニット構成を決定し、サンプルとなる画像データをニ
ューラルネツ）・ワーク３に入力させて所望の答えが出
てくるように学習させることで、高精度にデジタル放射
線画像を認識させることができるものであり、前処理か
間引き処理たけて簡易であり、然も、かかる前処理によ
ってニューラルネットワーク３の構成も簡略化できるの
で、簡素化したシステムとなる。

尚、認識対象を多くする場合には、それだけ画像の濃淡
情報を細かくニューラルネットワーク３に入力させる必
要があるので、信号間引き部２における間引き割合を少
なくする必要があり、これに伴ってニューラルネットワ
ーク３の構成ユニット数も増大させる必要かあり、学習
にも多くの時間を要することになるので、認識対象を最
低限必要な数に限定することか好ましい。

ところで、ニューラルネットワーク３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３における体位識別処理を行わせるこ
とが一般的であるが、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３て処理して得た
（判別手段３ａで演算して得た）複数の認識結果の多数
決で最終的な体位の識別を行わせるようにすれは、より
一層識別率を向上させることが可能となる。

即ち、第２図に示すように、ニューラルネットワーク３
を学習させるためのニューラルネッ斗学習手段３ｂ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３ｃを備えるようにしておいて、信
号間引き部２て画素及び階調数を間引いたデジタル放射
線画像信号を入力して撮影部位・撮影体位を判別する判
別手段３ａでは、前記学習結果記憶手段３ｃ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複数の認識結果の多数決を取
って最終的に画像処理部４に出力させるようにする。

ここで、例えば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３ｃ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３（
判別手段３ａ）の処理で、３種類が胸部正面であると識
別し、残りの２種類で頭部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胸部正面を出力さ
せるものである。

また、通常、ニューラルネットワーク３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
せていく場合が多いが、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は、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３の学習においては、予
め学習のベースとなる複数のデジタル放射線画像を信号
間引き部２で処理した結果を間引き画像記憶部６にその
撮影部位・撮影体位と共に記憶させておき、オペレータ
がコンソール操作（第２図の学習用データ選択手段７が
相当する。）によって前記間引き画像記憶部６の中から
任意の学習データを必要なだけ読み出し、この読み出さ
れた学習データに基づいてニューラルネット学習手段３
ｂかニューラルネットワーク３におけるシナプスウェイ
トの学習を行うようにしておけば、学習の妨げとなるよ
うなデータをす１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。

尚、上記のように間引き画像記憶部６に学習用のデータ
を記憶させるようにしても、間引き画像は前述のように
５×５画素〜ｌ０ＸＩＯ画素程度で充分であるから、複
数枚の画像を学習用として記憶させるようにしても、装
置の記憶負担は軽い。

また、本実施例では、ニューラルネットワーク３によっ
て撮影部位と撮影体位との両方を認識させるようにした
が、部位・体位の一方が固定される場合には、ニューラ
ルネットワーク３によって他方の識別のみか行われるよ
うにすれは良い。

〈発明の効果〉 以上説明したように、本発明にかかるデジタル放射線画
像の画像認識装置によると、信号の間弓き処理を行った
デジタル放射線画像をニューラルネットワークに入力さ
せて認識させるようにしたので、予め抽出する特徴量を
選択したり、また、特徴量の辞書をマツチングさせる必
要かなく、簡素な画像認識システムを簡便に構築できる
一方、実際の画像認識においては、複雑な計算を必要と
せず広範な画像を実時間でかつ高い識別率で認識させる
ことができ、かかる認識によって得た撮影部位や撮影体
位の情報に基づいてその後の読影に最適な画像処理を施
すことができる。

【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（１り成を示す概略図
、第４図及び第５図はそれぞれニューラルネットワーク
の各ユニットの変化特性例を示す線図である。 １・・・画像入力部　　２・・・信号間引き部３・・・
ニューラルネットワーク　　３ａ・・・判別手段３ｂ・
・・ニューラルネット学習手段　　３Ｃ・・・学習結果
記憶手段　　４・・画像処理部　　５・・・画像出力部
　　６・・・間引き画像記憶部　　７・・・学習用デー
タ選択手段

Claims (4)

【特許請求の範囲】
1. （１）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
   と、 前記デジタル放射線画像の特徴が予め学習され、前記信
   号間引き手段の出力を入力し、入力した画像が予め特定
   される複数の認識対象のどれに該当するかを示す識別信
   号を出力するニューラルネットワークと、 を含んで構成したことを特徴とするデジタル放射線画像
   の画像認識装置。
2. （２）前記認識対象が、デジタル放射線画像における被
   写体の撮影部位と撮影体位との少なくとも一方であるこ
   とを特徴とする請求項１記載のデジタル放射線画像の画
   像認識装置。
3. （３）前記信号間引き手段が、原画像を複数の小領域に
   分割し、該小領域それぞれでの画像信号値の平均値又は
   代表値をサンプリングすることで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
   縮減させるよう構成されたことを特徴とする請求項１又
   は２のいずれかに記載のデジタル放射線画像の画像認識
   装置。
4. （４）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識別信号の中の最も数の多いも
   のを最終的に出力するよう構成されたことを特徴とする
   請求項１、２又は３のいずれかに記載のデジタル放射線
   画像の画像認識装置。（５）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４記載のデジタル放射線画像の
   画像認識装置。