JPH09179977A - 医用画像の階調自動処理装置 - Google Patents

Abstract

(57)【要約】 【課題】 画像種の違いに左右されることなく、適切な
階調変換特性の設定を実現する。 【解決手段】 この発明の医用画像の階調自動処理装置
は、医用画像の入力画素の濃度値状況に基づき階調変換
特性を設定するための階調設定用パラメータを算定する
パラメータ算定部ＣＬ１，…，ＣＬＮを複数列備え、各
パラメータ算定部が、対応画像種の手本画像をそれぞれ
学習するとともに、画像種判別部５の判別結果に従って
入力される医用画像の階調設定用パラメータを階調変換
部７に送出する一方、階調変換部７が適切に設定した階
調変換特性に従って医用画像に対する階調変換が実行さ
れるよう構成されている。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】この発明は、核磁気共鳴断層
撮影装置（ＭＲＩ装置）やＸ線ＣＴ装置、エミッション
ＣＴ装置（核医学装置）などを始めとする画像診断機器
で得られた医用画像の入力画素の濃度値が階調変換特性
に従って出力画素の濃度値へ自動的に変換される医用画
像の階調自動処理装置（以下、適宜「階調自動処理装
置」と略記）に関し、特に、画像種の如何にかかわらず
入力画素の濃度値を適切に階調変換してコントラストの
良好な医用画像表示を実現するための技術に関する。

【０００２】

【従来の技術】病院等で現在使われている画像診断機器
のひとつであるＭＲＩ装置には、階調処理装置が組み込
まれており、この装置により、患者の患部を撮影した医
用画像の入力画素の濃度値を階調変換特性に従って出力
画素の濃度値へ変換してから医用画像としてモニタ等に
表示する構成になっている。このような階調変換処理を
自動的に行なう装置として、例えば特開平５−６１９７
３号公報に記載の装置がある。この従来の階調自動処理
装置は、ニューラルネットを使った学習機能を装置自体
に持たせておき、手本となる医用画像（手本画像）をニ
ューラルネットに予め学習させた後、そのニューラルネ
ットを使って、実際に階調変換を施す対象である医用画
像（以下、適宜「対象画像」と言う）の入力画素の濃度
値状況を調べた結果に基づき階調変換特性を設定し、そ
の階調変換特性に従って処理画像の入力画素の濃度値を
出力画素の濃度値へ自動的に変換してゆく。

【０００３】

【発明が解決しようとする課題】しかしながら、従来の
階調自動処理装置では、手本画像をニューラルネットに
予め学習させておいても、医用画像の画像種の違いに原
因して階調変換特性が適切には設定されないという問題
がある。

【０００４】ＭＲＩ装置を例にとってみると、いわゆる
アンギオ法、ＩＲ（インバージョンリカバリー）法、Ｓ
Ｅ（スピンエコー）法、ＦＥ（フィールドエコー）法な
どの画像種がある。このように様々な画像種がある場
合、学習画像数の少ない画像種については学習不足のた
めに適切な階調変換特性が設定されない。例えば、５０
枚の手本画像の学習を行った画像種については適切な階
調変換特性を設定することが設定出来ても、５枚の手本
画像の学習しか行っていない画像種に対しては、適切な
階調変換特性を設定することは期待しがたい。

【０００５】それだけでなく、各画像種それぞれについ
て十分な数の手本画像を学習した場合でも、異なる画像
種間での相互干渉により適切な階調変換特性の設定が妨
げられる。ニューラルネットを使った学習の場合、特定
の手本画像だけでなく全手本画像が学習結果に反映され
るからである。二つの異なる画像種それぞれについて５
０枚の手本画像の学習を行った場合、端的に言えば、両
画像種の中間的な画像種に対しては適切な階調変換特性
に出来るが、もともとの手本画像の画像種に対しては適
切な階調変換特性には出来なくなる。

【０００６】この発明は、上記の事情に鑑み、画像種の
違いに左右されることなく、適切な階調変換特性を設定
できる医用画像の階調自動処理装置を提供することを課
題とする。

【０００７】

【課題を解決するための手段】この発明は、上述の課題
を達成するため、次のような構成をとる。すなわち、こ
の発明に係る医用画像の階調自動処理装置では、画像診
断機器で得られた医用画像の入力画素の濃度値が階調変
換特性に従って出力画素の濃度値へ自動的に変換される
よう構成されている装置において、前記医用画像の種類
を判別する画像種判別手段と、前記画像種判別手段の判
別結果に従って入力される医用画像の入力画素の濃度値
状況に基づき前記階調変換特性を設定するための階調設
定用パラメータを算定する複数列のパラメータ算定手段
と、前記階調設定用パラメータに基づいて前記階調変換
特性の設定を行う階調変換設定手段とを備えるととも
に、前記パラメータ算定手段おのおのが、入力画素の濃
度ヒストグラムを作成するヒストグラム作成手段と、前
記濃度ヒストグラムを入力して前記階調設定用パラメー
タを算定するニューラルネットと、前記ニューラルネッ
ト内における重みを、対応画像種の手本画像についてニ
ューラルネットが実際に算定した階調設定用試算パラメ
ータと前記手本画像について別途適切と定められた階調
設定用教師パラメータとのずれに基づく学習をニューラ
ルネットに行わせることにより決定する学習手段とを有
するというものである。

【０００８】

【作用】この発明の医用画像の階調自動処理装置におけ
る階調変換特性設定の際の作用について説明する。実際
に医用画像の階調変換を実施する前に、階調変換特性を
設定するための階調設定用パラメータを算定するパラメ
ータ算定手段に予め学習をさせなければならない。画像
種ごとに設けられている各パラメータ算定手段それぞれ
に対応画像種の手本画像を十分に学習させるのである。

【０００９】学習の際、特定のパラメータ算定手段で
は、ヒストグラム作成手段が先ず対応画像種に属する手
本画像の入力画素の濃度ヒストグラムを作成するととも
に作成された濃度ヒストグラムに基づいてニューラルネ
ットが手本画像についての階調設定用試算パラメータを
算定する。一方、手本画像については、専門家によって
別途適切と定められた階調設定用教師パラメータが用意
されており、パラメータ算定手段に設けられている学習
手段が、手本画像についての階調設定用試算パラメータ
と階調設定用教師パラメータとのずれに基づく学習をニ
ューラルネットに行わせることによりニューラルネット
内における重みを変更する。同一画像種の手本画像多数
について上記の学習が繰り返し行われ、ニューラルネッ
ト内の重みが対応画像種に適した値に決定されるとひと
つのパラメータ算定手段の学習が終了する。続いて、他
のパラメータ算定手段でも他とは異なる対応画像種の手
本画像の学習がそれぞれ同様に行われて、全ニューラル
ネット内の重みが全て決定すると学習は完全に終わり、
実際に医用画像に対する階調変換が実行できる。

【００１０】階調変換を実行する場合、画像種判別手段
が先ず対象画像の画像種を判別し、対象画像が属する画
像種についてのパラメータ算定手段へ対象画像を送り込
む。パラメータ算定手段は、ヒストグラム作成手段が対
象画像の入力画素の濃度ヒストグラムを作成してニュー
ラルネットへ送出するとともに、ニューラルネットが学
習により決定した重みと濃度ヒストグラムとに基づき荷
重和を求めて対象画像についての階調設定用パラメータ
を算定し階調変換設定手段へ出力する。一方、階調変換
設定手段の方は算定された階調設定用パラメータに基づ
いて対象画像についての階調変換特性の設定を行う。こ
のようにして設定された階調変換特性に従って対象画像
の入力画素の濃度値が出力画素の濃度値へ自動的に変換
されてゆくことになる。

【００１１】

【発明の実施の形態】続いて、図面を参照しながら、こ
の発明の一実施例を説明する。図１は、ＭＲＩ装置と一
体化された実施例に係る階調自動処理装置の概略構成を
示すブロック図である。ＭＲＩ装置１は被検体より放出
される核磁気共鳴信号を受信して断層撮像を行う装置で
あり、計測された像は画像再構成部２に３次元のかたち
でまず保持されており、スライス部位が指定されると対
応する医用画像を画像再構成部２より階調自動処理装置
へ送り出し、階調自動処理装置によって医用画像に適正
な階調変換を施してからモニタ３に表示したり、あるい
は、フィルムに焼き付けたりする構成となっている。

【００１２】画像再構成部２から送出されるディジタル
信号形態の医用画像は、多値画像メモリ４に記憶される
と同時に、画像種判別部５に送られて画像種が判別され
る。画像種判別部５での判別結果に基づいてスイッチＳ
Ａ〜ＳＣに接点閉成制御信号を送る。医用画像が画像種
Ｖｎと判別されるとスイッチＳＡの接点ＳＡｎ，スイッ
チＳＢの接点ＳＢｎ，スイッチＳＣの接点ＳＣｎ（但し
ｎ＝１，２，・・・Ｎのうちの一つ）が閉じられる。図
１には医用画像が画像種Ｖ１である場合が示されてい
る。スイッチＳＡの後段には、Ｎ列のパラメータ算定部
ＣＬ１，ＣＬ２，・・，ＣＬＮが設けられており、ここ
では画像種判別部５の判別結果に従って入力された医用
画像の入力画素の濃度値状況から階調変換特性を設定す
るための階調設定用パラメータが算定されることにな
る。

【００１３】スイッチＳＢの前段には教師入力部６が設
けられていて、見本画像による学習の際、パラメータ算
定部ＣＬ１，ＣＬ２，・・，ＣＬＮの中の手本画像が入
力されるパラメータ算定部へは、教師入力部６からもス
イッチＳＢを介して手本画像の階調設定用教師パラメー
ターが送り込まれる。この階調設定用教師パラメーター
は、医師やオペレータなどの専門家が手本画像を予め観
察して別途に適切と定めたパラメータである。各パラメ
ータ算定部ＣＬ１，ＣＬ２，・・，ＣＬＮの構成は詳し
くは後述するが実質的に同じ構成とみなせるものであ
る。

【００１４】パラメータ算定部ＣＬ１，ＣＬ２，・・，
ＣＬＮの後段にはスイッチＳＣを介して階調変換部７が
接続されていて、この階調変換部７では、各パラメータ
算定部により送られてきた階調設定用パラメーターに従
って階調変換特性が設定される。階調変換部７で階調変
換特性が設定されると、医用画像の入力画素の濃度値が
階調変換部７で出力画素の濃度値に逐次変換されて出力
画像メモリ８に格納される一方、出力画素の濃度値がＤ
Ａ変換器９でアナログ化されてからモニタ３に送出され
て医用画像が表示されることになる。以下、各部の構成
をより具体的に説明する。

【００１５】多値画像メモリ４は医用画像の入力画素の
濃度値を記憶するものであり、記憶される濃度値は、例
えば、−４０００〜＋８０００の広い範囲にある。ま
た、画像種判別部５は、被検体の氏名・撮影年月日など
の情報と共に医用画像のデータに付随している画像種の
識別データを読み取り、画像種を判別する。ＭＲＩ装置
の場合、アンギオ法やＩＲ法、ＳＥ法、ＦＥ法などの画
像種がある。

【００１６】次に、パラメータ算定部の説明に入る前
に、この発明における階調変換特性および階調設定用パ
ラメータについて説明しておく。多値画像メモリ４に格
納される医用画像の入力画素の濃度値は上記のように−
４０００〜＋８０００の広い範囲である一方、出力画素
の濃度値は例えば０〜２５５のより狭い範囲である。し
たがって、医用画像中の関心部位の入力画素の濃度値を
出力画素の濃度値に合わせるべく階調変換が行われる。
図２のグラフ中の折れ線が階調変換特性を示しており、
この折れ線はウィンドウレベルＬとウィンドウ幅Ｗとで
規定される。

【００１７】この例ではウィンドウレベルＬのところの
入力画素の濃度値は、出力画素の中間の濃度値（明る
さ）に対応する。一方、ウィンドウ幅Ｗの上限以上の入
力画素の濃度値は全て出力画素の上限の濃度値である２
５５となり、ウィンドウ幅Ｗの下限以下の入力画素の濃
度値は全て出力画素の下限の濃度値（黒レベル）である
０になる。ウィンドウレベルＬとウィンドウ幅Ｗが適切
（最適）に設定されたなら、関心部位の入力画素の濃度
値の範囲がうまく出力画素の濃度値の範囲に照応し医用
画像のコントラストはすこぶる良好なものとなる。した
がって、実行段階ではパラメータ算定部が階調設定用パ
ラメータとして、最適なウィンドウレベルＬと最適なウ
ィンドウ幅Ｗを算定して階調変換部７に送出することに
なる。

【００１８】続いて、パラメータ算定部ＣＬ１の構成を
説明する。パラメータ算定部ＣＬ１は画像種Ｖ１用であ
り、画素抽出部１１が多値画像メモリ４から送られてき
た医用画像の入力画素の中から関心部位に属する画素を
抽出する。画素抽出部１１は最終的に下記のふたつの抽
出条件Ａおよび抽出条件Ｂの両方を満たす画素を観察し
たい部位（関心部位）に関連した画素（関心画素）とし
て抽出することになる。なお、図３は画素抽出部１１の
具体的構成を示すブロック図である。

【００１９】抽出条件Ａ：図４に示すように、撮像され
た被検体内の輪郭部位Ｇに属する画素であること。診断
の際に医師が観察したい部位（関心部位）は、画像中の
変化のない一様な平坦部ではなく病変や組織の輪郭部位
Ｇであるから、輪郭部位Ｇに位置する画素を関心画素と
するのである。

【００２０】抽出条件Ｂ：図４に示すように、画像の中
央部Ｃの画素の濃度値に近い濃度値を有する画素である
こと。中央部Ｃの取り方としては、画像の縦・横それぞ
れの１／４の長さを１辺とし、画像の中心をその中心と
する正方形が例示されるが、これに限らず、円形など他
のものであってもよい。撮像はふつう関心部位が画像の
真ん中に来るように行われるので、画像の中央部Ｃの画
素の濃度値に近い濃度値の画素を抽出する。これで中央
の濃度値からかけ離れた濃度値をもつ画像周辺の不適画
素は除かれることになる。

【００２１】抽出条件Ａを満たす画像の抽出は、以下の
通りである。図３に示したＣＰＵ１６が、多値画像メモ
リ４に記憶されている医用画像の各入力画素ごとの微分
処理を行って、微分値メモリ１２に各画素ごとの微分値
を記憶する。輪郭部位Ｇでは濃度変化が大きいため、微
分値Ｄは、輪郭部位Ｇの両側の濃度変化の少ないところ
よりも高い。そのため、微分値Ｄが適当な一定値（スレ
ッショルドレベル）よりも大きい画素を取り出すと、こ
れが輪郭部位Ｇに属する画素となる。抽出メモリ１３は
多値画像メモリ４と同じマトリックス構成のメモリであ
り、抽出条件Ａを満たす各画素に対応する番地に「１」
が記憶され、他の番地には「０」が記憶される。

【００２２】抽出条件Ｂを満たす画像の抽出は、以下の
通りである。多値画像メモリ４に記憶されている医用画
像の中央部Ｃに位置する画素と同じ程度の濃度値の画素
を抽出することになる。中央部Ｃの中に位置する全画素
の濃度値の平均値Ｑ１と標準偏差Ｑ２を求めて抽出の基
準となる濃度範囲ＣＡを下記式により決定する。 （Ｑ１−Ｋ１・Ｑ２）≦ＣＡ≦（Ｑ１＋Ｋ２・Ｑ２） Ｋ１，Ｋ２は５〜１０程度の定数であり、通常は７程度
である。濃度範囲ＣＡの濃度値の画素が抽出される。抽
出メモリ１４は多値画像メモリ４と同じマトリックス構
成のメモリであり、抽出条件Ｂを満たす各画素に対応す
る番地に「１」が記憶され、他の番地には「０」が記憶
される。

【００２３】抽出条件Ａ，Ｂの両方を満たす画像は、抽
出メモリ１３，１４の双方に「１」と記憶されている画
素である。抽出メモリ１３，１４の対応する番地同士の
記憶内容のＡＮＤ演算を行い、演算結果が「１」となる
画素を関心画素として決定するとともに、各関心画素の
濃度値を関心画素メモリ１５に記憶する。上記の抽出処
理や演算処理は主としてＣＰＵ１６が実行することにな
る。関心画素の抽出は関心部位の観察しやすい医用画像
表示を実現する上で効果的である。なお、関心画素の抽
出条件は上記の態様に限られるものではなく、例えば、
抽出条件Ａ，Ｂの一方だけを抽出条件とする態様などが
ある。

【００２４】ヒストグラム作成部１７は、関心画素メモ
リ１５に関心画素として抽出された入力画素の濃度値デ
ータから図５に示す濃度ヒストグラムを作成する。この
濃度ヒストグラムは、入力画素の濃度値範囲を例えば３
０区分（３０階級化）して濃度値の低い方の区分が原点
側となるように順に並べて横軸とする一方、各区分内の
濃度値をもつ画素の数を縦軸としたものである。そし
て、濃度ヒストグラムを次のニューラルネット１８が処
理しやすいかたちとするために、図６に示すように、濃
度ヒストグラムに対して、縦軸における最大画素数Ｙａ
が１となるような規格化処理を施して、規格濃度ヒスト
グラムを得る。

【００２５】次のニューラルネット１８は規格濃度ヒス
トグラムに基づいて階調設定用パラメーターを算定す
る。つまり、ニューラルネット１８は規格ウィンドウレ
ベルと規格ウィンドウ幅を算定する。ニューラルネット
１８は図７の概念的モデルに示すように、複数個のニュ
ーロン（神経細胞と同じような荷重和機能をもつ素子）
ＮＵを層状に備え、各ニューロンＮＵをシナプス結合と
呼ばれる結合手でネットワーク結合して構成される。こ
こでは入力層１８ａ、中間層１８ｂ、出力層１８ｃの３
層モデルとする。入力層１８ａは、図６に示した規格濃
度ヒストグラムの階級数と同じ個数（３０個）のニュー
ロンＮＵを備え、中間層１８ｂは２０個のニューロンＮ
Ｕを備え、出力層１８ｃは２個のニューロンＮＵを備え
る。出力層１８ｃのニューロン数は規格ウィンドウレベ
ルと規格ウィンドウ幅という出力項目の数の『２』にあ
わせてある。ニューラルネット１８はハードウエアで構
成することもソフトウエアで実現することもできる。

【００２６】そして、ニューラルネット１８を正しく働
かせるにはシナプス結合の重み（荷重係数）を予め決定
しておく必要がある。学習部１９はニューラルネット１
８内における重みの決定を、画像種Ｖ１に属する多数の
手本画像についてニューラルネット１８が算定した階調
設定用試算パラメータと手本画像について別途適切と定
められた階調設定用教師パラメータとのずれに基づく学
習をニューラルネットに行わせて実現するものである。
教師入力部６からは、階調設定用教師パラメータとし
て、教師ウィンドウレベルＷＬＴと教師ウィンドウ幅Ｗ
ＷＴのふたつが送られてくる。規格化処理部２０は、教
師ウィンドウレベルＷＬＴと教師ウィンドウ幅ＷＷＴを
ニューラルネット１８での学習に適した０〜１の範囲に
なるように下記の規格化処理を行う。

【００２７】規格教師ウィンドウレベルＷＬｔ＝（教師
ウィンドウレベルＷＬＴ−手本画像の最小濃度値）／
〔（手本画像の最大濃度値−手本画像の最小濃度値）×
Ｋ３〕 規格教師ウィンドウ幅ＷＷｔ＝（教師ウィンドウレベル
ＷＷｔ）／〔（手本画像の最大濃度値−手本画像の最小
濃度値）×Ｋ４〕 ただし、定数Ｋ３，Ｋ４＞１、最小濃度値，最大濃度値
は画素抽出部１１により抽出された画素の濃度値の最小
値、最大値である。

【００２８】ニューラルネット１８が算定して出力する
階調設定用試算パラメータは、試算ウィンドウレベルＷ
Ｌｍおよび試算ウィンドウ幅ＷＷｍである。試算ウィン
ドウレベルＷＬｍが規格教師ウィンドウレベルＷＬｔに
より近いほど、かつ、試算ウィンドウ幅ＷＷｍが規格教
師ウィンドウ幅ＷＷｔにより近いほどニューラルネット
１８における重みが適切である（ニューラルネットの内
部状態が適切である）ことになる。つまり、規格教師ウ
ィンドウレベルＷＬｔおよび規格教師ウィンドウ幅ＷＷ
ｔを目標値として学習部１９がニューラルネット１８に
学習をさせるのである。

【００２９】逆規格化処理部２１は、学習を終えたニュ
ーラルネット１８が出力する規格最適ウィンドウレベル
ｗｌおよび規格最適ウィンドウ幅ｗｗを入力して下記式
の変換を行い最適ウィンドウレベルＷＬおよび最適ウィ
ンドウ幅ＷＷに変える。つまり、ニューラルネット１８
から出てきたものはニューラルネットに適したかたちで
あり、これを階調変換部７に適したかたちに修正するべ
く逆規格化処理を行うのである。

【００３０】最適ウィンドウレベルＷＬ＝画素の最小濃
度値＋規格最適ウィンドウレベルｗｌ×〔（画素の最大
濃度値−画素の最小濃度値）×Ｋ３〕 最適ウィンドウ幅ＷＷ＝規格最適ウィンドウ幅ｗｗ×
〔（画素の最大濃度値−画素の最小濃度値）×Ｋ４〕 ただし、定数Ｋ３，Ｋ４は同一パラメータ算定部内では
前記の階調設定用教師パラメータに対する規格化処理用
の式中のＫ３，Ｋ４と一致している必要がある。また、
最小濃度値、最大濃度値は、画素抽出部１１により抽出
された画素の濃度値の最小値、最大値である。

【００３１】他のパラメータ算定部ＣＬ２〜ＣＬＮにつ
いても同様の構成である。ただ、画素抽出部での抽出条
件やヒストグラム作成部での濃度値の区分数、あるい
は、ニューラルネットでのニューロン数などは対応画像
種などによって適当に変更してもよく、全パラメータ算
定部ＣＬ１〜ＣＬＮが完全に同一構成である必要はない
のである。

【００３２】階調変換部７は、最適ウィンドウレベルＷ
Ｌおよび最適ウィンドウ幅ＷＷに従って階調変換特性を
ルック・アップ・テーブル方式で設定する。対象画像の
入力画素の濃度値が入力アドレスに対応し、各アドレス
の記憶セルに出力画素の濃度値が格納される。勿論、階
調変換特性は数式として設定されてソフトウエア的に変
換処理が行われるようでもよい。対象画像の各入力画素
の濃度値がそれぞれ階調変換されて出力画像メモリ８に
次々と格納されてゆく。

【００３３】続いて、上記実施例の階調自動処理装置に
おける学習動作および階調変換動作を説明する。まず、
学習動作を学習の流れを示す図８のフローチャートを参
照しながら説明する。 〔ステップＳ１〕 画像種Ｖ１の手本画像をＭＲＩ装置
１から多値画像メモリ４へ送出する。

【００３４】〔ステップＳ２〕 画像種判別部５が画像
種Ｖ１を判別してスイッチＳＡの接点ＳＡ１およびスイ
ッチＳＢの接点ＳＢ１を閉じる。

【００３５】〔ステップＳ３〕 手本画像がパラメータ
算定部ＣＬ１の画素抽出部１１に入力される一方、入力
した手本画像の教師ウィンドウレベルＷＬＴおよび教師
ウィンドウ幅ＷＷＴが教師入力部６からパラメータ算定
部ＣＬ１の規格化処理部２０に送り込まれる。

【００３６】〔ステップＳ４〕 画素抽出部１１が手本
画像の画素の中から抽出条件Ａおよび抽出条件Ｂの両方
を満たす関心画素を抽出する。

【００３７】〔ステップＳ５〕 規格化処理部２０は、
抽出された画素の最小濃度値と最大濃度値を用いて、教
師ウィンドウレベルＷＬＴおよび教師ウィンドウ幅ＷＷ
Ｔを規格教師ウィンドウレベルＷＬｔと規格教師ウィン
ドウ幅ＷＷｔにそれぞれ変換して学習部１９に送出す
る。

【００３８】〔ステップＳ６〕 ヒストグラム作成部１
７は抽出された関心画素についての濃度ヒストグラムを
作成するとともにその規格化処理により作成した規格濃
度ヒストグラムをニューラルネット１８に送出する。

【００３９】〔ステップＳ７〕 学習前のニューラルネ
ット１８では、重みがもちろん適切な値ではないが、規
格濃度ヒストグラムが入力されるとニューロンが荷重和
機能を発揮して、試算ウィンドウレベルＷＬｍおよび試
算ウィンドウ幅ＷＷｍを算定し、学習部１９に送出す
る。

【００４０】〔ステップＳ８〕 学習部１９は、規格教
師ウィンドウレベルＷＬｔと試算ウィンドウレベルＷＬ
ｍの差（ずれ）であるΔＷＬと、規格教師ウィンドウレ
ベルＷＬｔと試算ウィンドウ幅ＷＷｍの差（ずれ）であ
るΔＷＷとを算出し、これらをパラメータ誤差としてニ
ューラルネット１８へ送り込む。

【００４１】〔ステップＳ９〕 ニューラルネット１８
では、パラメータ誤差ΔＷＬ，ΔＷＷに基づき周知のバ
ックプロパゲーション法の学習を実行する。バックプロ
パゲーション法の場合、先のパラメータ試算過程と逆行
する向きに学習信号を求める。つまり、パラメータ誤差
ΔＷＬ，ΔＷＷから出力層１８ｃのニューロンでの学習
信号を求めるとともに、この結果から出力層１８ｂのニ
ューロンの誤差とそれに応じた学習信号を求めたあと、
この結果から出力層１８ａのニューロンの誤差とそれに
応じた学習信号をも求め、最終的にこれらの学習信号に
基づき誤差が少なくなるようにニューラルネット１８内
の重みを変更する。なお、このバックプロパゲーション
法の学習に関しては、特開平５−６１９７３号公報など
にも記載されている。

【００４２】〔ステップＳ１０〕 ニューラルネット１
８内の重みの変更がなされると今回入力したひとつの手
本画像の学習は終わりであり、さらに学習すべき手本画
像が残っていればステップＳ１に戻る。準備した一連の
手本画像の学習がひとまわり済み手本画像が残っていな
ければステップＳ１０に進む。

【００４３】〔ステップＳ１１〕 画像種Ｖ１の全手本
画像を順にステップＳ１〜Ｓ１０に従って学習するのを
一回の学習サイクルとして、実行した学習サイクルの数
が、予定のサイクル数に達していれば、ステップＳ１３
に進む。予定のサイクル数に達していなければ、ステッ
プＳ１２に進む。

【００４４】〔ステップＳ１２〕 画像種Ｖ１の手本画
像の順序を入れ変えてステップＳ１に戻る。

【００４５】〔ステップＳ１３〕 未学習の画像種があ
れば、ステップＳ１４に進む。未学習の画像種がなく、
全画像種についての学習が終了していれば、〔ステップ
ＥＮＤ〕に行く。

【００４６】〔ステップＳ１４〕 手本画像の画像種を
変更してステップＳ１に戻る。

【００４７】〔ステップＥＮＤ〕 パラメータ算定部で
の全学習が完了（ＥＮＤ）であり、実際の医用画像に対
する階調変換を実行する準備が出来たことになる。な
お、上記の学習過程では、ひとつの画像種については、
例えば１００枚の手本画像が用意され、１００枚の手本
画像を連続して学習するという１学習サイクルが、手本
画像の入力順序を変更しながら１０００〜１００００回
ほど繰り返される。

【００４８】次に学習段階を終えた階調自動処理装置に
よる階調変換動作を、階調変換の流れを示す図９のフロ
ーチャートを参照しながら説明する。 〔ステップＴ１〕 実際に階調変換を施す対象である医
用画像をＭＲＩ装置１から多値画像メモリ４へ送出す
る。

【００４９】〔ステップＴ２〕 画像種判別部５が例え
ば画像種Ｖ１と判別すると、画像種判別部５から制御信
号が出されてスイッチＳＡの接点ＳＡ１およびスイッチ
ＳＣの接点ＳＣ１が閉じられる。

【００５０】〔ステップＴ３〕 医用画像がパラメータ
算定部ＣＬ１の画素抽出部１１に入力される。

【００５１】〔ステップＴ４〕 画素抽出部１１が医用
画像の画素の中から抽出条件Ａおよび抽出条件Ｂの両方
を満たす関心画素を抽出する。

【００５２】〔ステップＴ５〕 ヒストグラム作成部１
７は抽出された関心画素についての濃度ヒストグラムを
作成するとともにその規格化処理により作成した規格濃
度ヒストグラムをニューラルネット１８へ送出する。

【００５３】〔ステップＴ６〕 学習後のニューラルネ
ット１８では、重みがもちろん適切な値であり、規格濃
度ヒストグラムが入力されるとニューロンＮＵが荷重和
機能を発揮して、規格最適ウィンドウレベルｗｌおよび
規格最適ウィンドウ幅ｗｗを逆規格化処理部２１へ送出
する。

【００５４】〔ステップＴ７〕 逆規格化処理部２１は
規格最適ウィンドウレベルｗｌおよび規格最適ウィンド
ウ幅ｗｗを逆規格化処理して最適ウィンドウレベルＷＬ
および最適ウィンドウ幅ＷＷに変換してから、スイッチ
ＳＣを介して階調変換部７へ送出する。

【００５５】〔ステップＴ８〕 階調変換部７では受信
した最適ウィンドウレベルＷＬおよび最適ウィンドウ幅
ＷＷに従って最適な階調変換特性が設定される。

【００５６】〔ステップＴ９〕 医用画像の入力画素の
濃度値が設定された階調変換特性に従って出力画素の濃
度値に変換されて出力画像メモリ８に格納される。

【００５７】〔ステップＴ１０〕 出力画像メモリ８の
出力画素の濃度値はＤＡ変換部９で逐次アナログ化され
て送出されてモニタ３の画面にコントラストのよい医用
画像が映し出される。

【００５８】この発明は、上記実施例に限られるもので
はなく、例えば、以下のように変形実施できる。 （１）上記実施例では、階調自動処理装置とＭＲＩ装置
とが一体化された構成であったが、階調自動処理装置と
ＭＲＩ装置とが全く別体の構成となっていて、階調変換
対象の医用画像を磁気ディスクなどで供給する構成のも
のが他の実施例として挙げられる。

【００５９】（２）上記実施例では、医用機器がＭＲＩ
装置であったが、医用機器がＸ線ＣＴ装置など種類の違
う機器であってもよいことは言うまでもない。

【００６０】

【発明の効果】この発明の医用画像の階調自動処理装置
によれば、手本画像の学習機能を備えたパラメータ算定
手段が画像種ごとに設けられているため、異なる画像種
間での相互干渉を生じることなく各画像種の手本画像を
十分に学習し画像種の違いに左右されずに適正な階調変
換特性の設定を実行してコントラストのよい十分な画像
表示を実現することができる。

【図面の簡単な説明】

【図１】実施例の階調自動処理装置の概略構成を示すブ
ロック図である。

【図２】医用画像に適用される階調変換特性を説明する
グラフである。

【図３】実施例装置の画素抽出部の構成を示すブロック
図である。

【図４】医用画像例を模擬的に示す平面図である。

【図５】濃度ヒストグラムを示すグラフである。

【図６】規格濃度ヒストグラムを示すグラフである。

【図７】実施例装置でのニューラルネットの構成を示す
模式図である。

【図８】実施例装置での学習動作の流れを示すフローチ
ャートである。

【図９】実施例装置での階調変換動作の流れを示すフロ
ーチャートである。

【符号の説明】

１…医用機器としてのＭＲＩ装置 ５…画像種判別部 ７…階調変換部 １１…画素抽出部 １７…ヒストグラム作成部 １８…ニューラルネット １９…学習部 ＣＬ１…パラメータ算定部 ＣＬ２…パラメータ算定部 ＣＬＮ…パラメータ算定部

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｈ０４Ｎ 1/405 Ｈ０４Ｎ 1/40 Ｂ

Claims (1)

【特許請求の範囲】
1. 【請求項１】 画像診断機器で得られた医用画像の入力
   画素の濃度値が階調変換特性に従って出力画素の濃度値
   へ自動的に変換されるよう構成されている医用画像の階
   調自動処理装置において、前記医用画像の種類を判別す
   る画像種判別手段と、前記画像種判別手段の判別結果に
   従って入力される医用画像の入力画素の濃度値状況に基
   づき前記階調変換特性を設定するための階調設定用パラ
   メータを算定する複数列のパラメータ算定手段と、前記
   階調設定用パラメータに基づいて前記階調変換特性の設
   定を行う階調変換設定手段とを備えるとともに、前記パ
   ラメータ算定手段おのおのが、入力画素の濃度ヒストグ
   ラムを作成するヒストグラム作成手段と、前記濃度ヒス
   トグラムを入力して前記階調設定用パラメータを算定す
   るニューラルネットと、前記ニューラルネット内におけ
   る重みを、対応画像種の手本画像についてニューラルネ
   ットが実際に算定した階調設定用試算パラメータと前記
   手本画像について別途適切と定められた階調設定用教師
   パラメータとのずれに基づく学習をニューラルネットに
   行わせることにより決定する学習手段とを有することを
   特徴とする医用画像の階調自動処理装置。