專利名稱：圖像處理方法和圖像處理裝置的制作方法
技術領域：
本發(fā)明涉及輸出從輸入圖像強調(diào)了特定圖案后的輸出圖像的圖像 處理方法和圖像處理裝置。
背景技術：
以前，具有使用以下這樣的識別器進行圖案(pattern)識別的方 法，即人工智能網(wǎng)絡(以下簡稱為ANN)、支持向量機(s叩port vector machine )等那樣的，使用被稱為教師數(shù)據(jù)的學習用的采樣數(shù)據(jù)學習具 有特征形狀、模樣、色彩、濃度、大小等的特定圖案的識別器。開發(fā)出了以下這樣的裝置即利用該方法，對在醫(yī)療領域中從通 過檢查攝影而得到的醫(yī)用圖像中預測為病變部分的陰影(將其稱為異 常陰影)的圖像區(qū)域進行圖案識別，而檢測為異常陰影的候選區(qū)域。 該裝置被稱為CAD (Computer Aided Diagnosis:計算機診斷支持裝 置)。通常，例如在通過ANN的識別器進行圖案識別的情況下，準備希 望檢測的異常陰影的圖案圖像，將該異常陰影的圖像區(qū)域中的平均像 素值、分散值等統(tǒng)計量、或由大小、圓形度等形狀特征量構成的圖像 特征量作為教師數(shù)據(jù)輸入到ANN，如果是與該異常陰影圖像的特征接 近的圖案，則使ANN進行學習使得輸出接近1的輸出值。同樣，使 用正常組織的陰影(將其稱為正常陰影)的圖案圖像，使ANN進行 學習使得如果是接近該正常陰影圖像的特征的圖案，則輸出接近0的 輸出值。由此，如果使上述ANN輸入了針對檢測對象的圖像的圖像 特征量，則根據(jù)該圖像特征量得到0~1的輸出值，如果該輸出值接近 1,則是異常陰影的可能性高，如果接近0，則是正常陰影的可能性高。 以前，在CAD中，根據(jù)通過這樣的方法得到的輸出值檢測出異常陰影候選。但是，在上述方法中，1個輸出值與1個教師圖像(輸入值)對 應，該輸出值強烈地依存于所學習的特定圖案的特征，因此對未學習 數(shù)據(jù)的識別性能低，為了提高檢測精度，需要學習很多特定圖案。針對這樣的問題點，開發(fā)出了以下這樣的ANN的方法對每個某 區(qū)域劃分圖案識別對象的圖像，將該區(qū)域內(nèi)的各像素的像素值作為輸 入值輸入，將表示與特定圖案的類似度的"O ~ l"的連續(xù)值作為位于該 區(qū)域中心的關注像素的像素值而輸出(例如參考專利文獻l、 2)。在 該方法中，針對某像素使用其周圍像素的信息，與構成特定圖案的像 素的特征進行比較，并使ANN進行學習，使得如果與構成特定圖案 的像素的特征接近，則輸出接近"l"的值，如果不是則輸出接近"0"的 值。即，根據(jù)來自ANN的輸出值構成強調(diào)了特定圖案的圖像。根據(jù)該方法，針對某關注像素，還包含其周圍區(qū)域的信息(像素 值)地進行特定圖案的學習，因此能夠根據(jù)一個教師圖像得到許多輸 入值、許多輸出值。因此，能夠用少數(shù)的教師圖像進行高精度的圖案 識別。另外，由于輸入到識別器的信息量增加，所以提高了學習精度。專利文獻l:美國專利第68197卯號說明書專利文獻2:美國專利第6754380號說明書但是，在上述專利文獻l、 2所記栽的方法中，識別器的分析要素 少，難以黑盒子性高地對從識別器得到的輸出值從輸入值受到怎樣的 影響而被輸出的過程進行邏輯分析。因此，為了作為CAD的算法而 采用等而面向?qū)嵱没乩?，在設計的自由度這一點上有可能受到限 制。發(fā)明內(nèi)容因此，本發(fā)明鑒于上述問題點，其目的在于提供一種具有高通 用性和學習精度、并且設計的自由度高的圖像處理方法和圖像處理裝 置。通過以下的結(jié)構實現(xiàn)本發(fā)明的上述目的。(1) 所記載的發(fā)明是在圖像處理方法中，其特征在于包括使用 具有特定圖案的教師圖像，即由輸入到識別器的教師輸入圖像和與該 教師輸入圖像對應的教師輸出圖像構成的教師圖像，使上述識別器學 習上述特定圖像的學習步驟；由上述識別器作成從處理對象圖像強調(diào) 了上述特定圖案的強調(diào)圖像的強調(diào)步驟。(2) 所記載的發(fā)明是在(1)記栽的圖像處理方法中，其特征在 于在上述學習步驟中，將構成上述教師輸入圖像的像素的像素值輸 入到上述識別器，將構成上述教師輸出圖像的像素的像素值作為與該 輸入對應的識別器的學習目標值，而進行該識別器的學習。(3) 所記栽的發(fā)明是在(1)或(2)記栽的圖像處理方法中，其 特征在于在上述教師輸入圖像中包含對該教師輸入圖像實施圖像處 理而作成的多個教師特征圖像，在上述學習步猓中，將在上述多個教 師輸入圖像的各個中存在于對應的位置上的關注像素的像素值輸入到 上述識別器，將在上述教師輸出圖像中與上述關注像素對應的像素的 像素值作為與該輸入對應的識別器的學習目標值。(4) 所記載的發(fā)明是在(3)記載的圖像處理方法中，其特征在 于通過不同的圖像處理，作成多個上述教師特征圖像。(5) 所記載的發(fā)明是在(4)記栽的圖像處理方法中，其特征在 于在上述強調(diào)步驟中，對處理對象圖像實施不同的圖像處理而作成 多個特征圖像，將在包含該多個特征圖像的處理對象圖像的各個中位 于對應的位置上的關注像素的像素值輸入到上迷識別器，將根據(jù)該輸 入值由該識別器輸出的輸出值作為與上述關注像素對應的像素的像素 值，構成強調(diào)圖像。(6) 所記載的發(fā)明是在(1) ~ (5)的任意一個記栽的圖像處理 方法中，其特征在于上述教師輸出圖像是對上述教師輸入圖像進行 加工而作成的圖像。(7) 所記載的發(fā)明是在(1) ~ (5)的任意一個記栽的圖像處理 方法中，其特征在于上述教師輸出圖像是對上述特定圖案進行函數(shù) 化后的圖案數(shù)據(jù)。8(8) 所記載的發(fā)明是在(6)或(7)記載的圖像處理方法中，其 特征在于上述教師輸出圖像的像素值是連續(xù)值。(9) 所記栽的發(fā)明是在(6)或(7)記載的圖像處理方法中，其 特征在于上述教師輸出圖像的像素值是離散值。(10) 所記載的發(fā)明是在(3) ~ (5)的任意一個記栽的圖像處 理方法中，其特征在于在上述學習步驟中，根據(jù)對上述教師特征圖 像實施的圖像處理的特性對各教師特征圖像進行分組，與該組(group ) 對應地進行上述識別器的學習。(11) 所記栽的發(fā)明是在(1) ~ (10)的任意一個記栽的圖像處 理方法中，其特征在于上述教師圖像是醫(yī)用圖像。(12) 所記栽的發(fā)明是在(11)記載的圖像處理方法中，其特征 在于上述教師圖像是從醫(yī)用圖像中部分地抽出的部分圖像。(13) 所記栽的發(fā)明是在(11)或(12)記載的圖像處理方法中， 其幹征在于上述特定圖案是表示異常陰影的圖案。(14) 所記栽的發(fā)明是在(1) ~ (13)的任意一個記栽的圖像處 理方法中，其特征在于包括使用上述強調(diào)圖像實施異常陰影候選的 檢測處理的檢測步驟。(15 )所記載的發(fā)明是在一種圖像處理裝置中，其特征在于包括 使用具有特定圖案的教師圖像，即由輸入到識別器的教師輸入圖像和 與該教師輸入圖像對應的教師輸出圖像構成的教師圖像，使上述識別 器學習上述特定圖案的學習單元；由上述識別器作成從處理對象圖像 強調(diào)了上述特定圖案的強調(diào)圖像的強調(diào)單元。(16) 所記栽的發(fā)明是在(15)記載的圖像處理裝置中，其特征 在于上述學習單元將構成上述教師輸入圖像的像素的像素值輸入到 上述識別器，將構成上述教師輸出圖像的像素的像素值作為識別器對 該輸入的學習目標值，而進行該識別器的學習。(17) 所記栽的發(fā)明是在(15)或(16)記栽的圖像處理裝置中， 其特征在于在上述教師輸入圖像中包含對該教師輸入圖像實施圖像 處理而作成的多個教師特征圖像，上述學習單元將在上述多個教師輸入圖像的各個中存在于對應的位置上的關注像素的像素值輸入到上述 識別器，將在上述教師輸出圖像中與上述關注像素對應的像素的像素 值作為識別器對該輸入的學習目標值。(18) 所記栽的發(fā)明是在(17)記載的圖像處理裝置中，其特征 在于通過不同的圖像處理，作成多個上述教師特征圖像。(19) 所記栽的發(fā)明是在(18)記栽的圖像處理裝置中，其特征 在于上述強調(diào)單元對處理對象圖像實施不同的圖像處理而作成多個 特征圖像，將在包含該多個特征圖像的處理對象圖像的各個中位于對 應的位置上的關注像素的像素值輸入到上述識別器，將根據(jù)該輸入值 由該識別器輸出的輸出值作為與上述關注像素對應的像素的像素值， 構成強調(diào)圖像。(20) 所記栽的發(fā)明是在(15) ~ (19)的任意一個記栽的圖像 處理裝置中，其特征在于上述教師輸出圖像是對上述教師輸入圖像 進行加工而作成的圖像。(21) 所記栽的發(fā)明是在(15) ~ (19)的任意一個記載的圖像 處理裝置中，其特征在于上述教師輸出圖像是對包含在上述教師輸 入圖像中的特定圖案進行函數(shù)化后的圖案數(shù)據(jù)。(22) 所記栽的發(fā)明是在(20)或(21)記載的圖像處理裝置中， 其特征在于上述教師輸出圖像的像素值是連續(xù)值。(23) 所記栽的發(fā)明是在(20)或(21)記栽的圖像處理裝置中， 其特征在于上述教師輸出圖像的像素值是離散值。(24) 所記栽的發(fā)明是在(17) ~ (19)的任意一個記栽的圖像 處理裝置中，其特征在于上述學習單元根據(jù)對上述教師特征圖像實 施的圖像處理的特性對各教師特征圖像進行分組，與該組對應地進行 上迷識別器的學習。(25) 所記栽的發(fā)明是在(15) ~ (24)的任意一個記載的圖像 處理裝置中，其特征在于上述教師圖像是醫(yī)用圖像。(26) 所記栽的發(fā)明是在(25)記栽的圖像處理裝置中，其特征 在于上述教師圖像是從醫(yī)用圖像中部分地抽出的部分圖像。(27) 所記載的發(fā)明是在(25)或(26)記載的圖像處理裝置中， 其特征在于上述特定圖案是表示異常陰影的圖案。(28) 所記栽的發(fā)明是在(15) ~ (27)的任意一個記栽的圖像 處理裝置中，其特征在于包括使用上述強調(diào)圖像實施異常陰影候選 的檢測處理的異常陰影候選檢測單元。根據(jù)(1) ~ (5) 、 (15) ~ (19)所記載的發(fā)明，根據(jù)一個教 師輸入圖像能夠得到多個輸入值(教師特征圖像的像素值)和與其對 應的輸出值(教師輸出圖像的像素值)。另外，輸入值具有各種各樣 的特征，因此能夠進行多方面的圖案識別。因此，能夠以少的教師數(shù) 據(jù)個數(shù)提高識別器的學習精度，提高識別器中的圖案識別能力。另外， 能夠輸出通過這樣的識別器強調(diào)了特定圖案的強調(diào)圖像，根據(jù)該強調(diào) 圖像容易檢測特定圖案。進而，通過有意圖地選擇所使用的教師特征 圖像能夠調(diào)整識別器的圖案識別精度，設計的自由度高。根據(jù)(6) ~ (9) 、 (20) ~ (23)所記栽的發(fā)明，能夠與希望 強調(diào)的特定圖案對應地有意圖地作成教師輸出圖像，能夠提高識別器 的設計的自由度。根據(jù)(10) 、 (24)所記栽的發(fā)明，能夠與適合于特定圖案的圖 圖案識別的圖像處理的組對應地有意圖地調(diào)整識別器的學習方法等， 能夠構筑對特定圖案的靈敏度高的識別器。根據(jù)(11) ~ (14) 、 (25) ~ (28)所記栽的發(fā)明，能夠通過 強調(diào)了異常陰影圖案的強調(diào)圖像支持醫(yī)生的異常陰影的檢測作業(yè)。另 外，在異常陰影候選的檢測處理中使用強調(diào)圖像的情況下，能夠預先 根據(jù)強調(diào)圖像刪除偽陽性候選，能夠謀求檢測精度的提高。


圖l是表示本實施例的圖像處理裝置的功能結(jié)構的圖。 圖2是說明圖像處理裝置所執(zhí)行的學習處理的流程圖。 圖3是表示教師特征圖像的一個例子的圖。 圖4是表示教師輸入圖像和教師輸出圖像的一個例子的圖。圖5是用于說明識別器的學習的圖。圖6是對教師輸入圖像的標準化值進行繪圖后的圖。圖7是表示教師輸出圖像的其他例子的圖。圖8是說明由圖像處理裝置執(zhí)行的強調(diào)處理的流程圖。圖9是表示由識別器根據(jù)處理對象圖像作成強調(diào)圖像的例子的圖。圖IO是表示強調(diào)圖像的一個例子的圖。 圖ll是表示強調(diào)圖像的一個例子的圖。 圖12是表示強調(diào)圖像的一個例子的圖。 圖13是表示強調(diào)圖像的一個例子的圖。 圖14是表示識別器的其他結(jié)構例子的圖。 圖15是說明基于組學習的圖案強調(diào)的圖。圖16是對基于全圖像學習和組學習的強調(diào)處理結(jié)果進行了比較 的圖。符號說明10:圖像處理裝置；11:控制部件；12:操作部件；13:顯示部 件；14:通信部件；15:存儲部件；16:圖像處理部件；17:異常陰 影候選檢測部件；18:學習數(shù)據(jù)存儲器具體實施方式
在本實施例中，說明作為特定圖案由識別器從醫(yī)用圖像中識別出 異常陰影圖案，并輸出對其進行了強調(diào)的強調(diào)圖像的例子。在此，特 定圖案是指具有特征性的形狀、模樣、大小、色彩、濃度等的圖像。首先，說明結(jié)構。圖1表示適用了本發(fā)明的圖像處理裝置10的裝置結(jié)構。 該圖像處理裝置10根據(jù)通過檢查攝影得到的醫(yī)用圖像生成強調(diào)了異常陰影圖案的強調(diào)圖像，并且從該強調(diào)圖像中檢測異常陰影的候選區(qū)域。在此，異常陰影圖案是指出現(xiàn)在醫(yī)用圖像上的病變部分的圖像。異常陰影根據(jù)其醫(yī)用圖像的種類或病變種類，圖像的出現(xiàn)形式不同，但例如在被認為是肺癌的一種的小結(jié)節(jié)的情況下，在胸部X射線圖像上，出現(xiàn)低濃度(白)并具有某種程度大小的大致圃形的陰影圖案。 這樣，異常陰影圖案大多具有特征性的形狀、大小、濃度分布等，大 多可以基于這樣的特征識別為其他圖像區(qū)域。另外，可以將該圖像處理裝置IO設置在經(jīng)由網(wǎng)絡與以下這些裝置連接的醫(yī)用圖像系統(tǒng)，即生成醫(yī)用圖像的圖像生成裝置、對醫(yī)用圖像 進行保存管理的服務器、為了醫(yī)生讀圖而取得保存在服務器中的醫(yī)用 圖像并顯示在顯示裝置上的讀圖終端等各種裝置。另外，在本實施例中，用圖像處理裝置IO的單體說明實現(xiàn)本發(fā)明的例子，但也可以使圖 像處理裝置10的功能分散到上述醫(yī)用圖像系統(tǒng)的各構成裝置中，用醫(yī)用圖像系統(tǒng)全體實現(xiàn)本發(fā)明。以下，詳細說明圖像處理裝置10。圖像處理裝置10如圖1所示那樣，具備控制部件11、操作部件 12、顯示部件13、通信部件14、存儲部件15、圖像處理部件16、異 常陰影候選檢測部件17、學習數(shù)據(jù)存儲器18而構成?？刂撇考?1具備CPU( Central Processing Unit )、RAM( Random Access Memory)等而構成，讀出存儲在存儲部件15中的各種控制程 序而進行各種計算，并且統(tǒng)一地控制各部件12 ~ 18的處理動作。操作部件12具備鍵盤、鼠標等，如果由操作者對他們進行操作， 則生成與該操作對應的操作信號并輸出到控制部件ll。另外，也可以 具備與顯示部件13的顯示器一體構成的觸摸屏。顯示部件13具備LCD ( Liquid Crystal Display )等顯示單元，與 來自控制部件11的指示對應地，在該顯示單元上顯示各種操作畫面、 醫(yī)用圖像以及其強調(diào)圖像等各種顯示信息。顯示部件14具備通信用接口，與網(wǎng)絡上的外部裝置進行信息的發(fā) 送接收。顯示部件14例如進行以下的通信動作，即從圖像生成裝置接 收生成的醫(yī)用圖像、將在圖像處理裝置10中作成的強調(diào)圖像發(fā)送到讀 圖終端等動作。13存儲部件15存儲有在控制部件11中使用的控制程序、在圖像處 理裝置16中使用的學習處理、強調(diào)處理、在異常陰影候選檢測部件 17中使用的異常陰影候選檢測處理等各種處理程序，另外還有執(zhí)行各 程序所需要的參數(shù)、其處理結(jié)果等數(shù)據(jù)。圖像處理部件16通過與存儲在存儲部件15中的處理程序協(xié)作， 對處理對象圖像實施各種圖像處理(灰度等級變換處理、清晰性調(diào)整 處理、動態(tài)范圍壓縮處理等)。另外，圖像處理部件16具有識別器 20，執(zhí)行后述的學習處理和強調(diào)處理，通過學習處理使該識別器20學 習特定圖案，由進行了學習的識別器20在強調(diào)處理中根據(jù)處理對象圖 像作成強調(diào)圖像.異常陰影候選檢測部件17對處理對象圖像執(zhí)行異常陰影候選檢 測處理，輸出其檢測結(jié)果。另外，作為處理對象圖像，可以使用通過 強調(diào)處理生成的強調(diào)圖像，也可以使用未處理的醫(yī)用圖像。在使用強調(diào)圖像作為異常陰影候選檢測部件17的處理對象圖像 的情況下，在強調(diào)圖像中選擇性地強調(diào)異常陰影，因此作為異常陰影 候選檢測處理的算法，可以組合使用一般已知的閾值處理、標簽 (labeling)處理等比較單純的圖像處理方法。另外，也可以與檢測目 標的異常陰影種類對應地任意選擇公知的算法。例如，在攝影了乳房 部位的乳房圖像中，進行腫瘤或微小石灰化團這樣的異常陰影的檢測， 但在腫瘤的情況下，其陰影圖案是圃形，并且具有濃度朝向中心緩慢 降低的高斯分布狀的濃度變化。因此，根據(jù)這樣的濃度特性，通過形 態(tài)學濾波器等從乳房圖像中檢測出腫瘤的異常陰影圖案。另一方面， 微小石灰化團在乳房圖像上集中出現(xiàn)具有大致圓錐形的濃度變化的低 濃度陰影(團化)，因此為了檢測具有該濃度特性的異常陰影圖案， 適用3重環(huán)形濾波器。如果作為一個例子說明3重環(huán)形濾波器(ring filter)，則3重環(huán) 形濾波器由預先決定了表示濃度變化理想化的圓錐形狀的情況下的濃 度斜率的強度成分和方向成分的3個環(huán)形濾波器構成。首先，在某關 注像素周圍，根據(jù)各環(huán)形濾波器各自的區(qū)域上的像素值，求出濃度斜率的強度成分和方向成分的代表值。另外，根據(jù)該代表值和對各環(huán)形 濾波器預先決定的濃度斜率的強度成分、方向成分的差，將具有接近 圓錐形狀的濃度變化的圖像區(qū)域檢測為候選區(qū)域。學習數(shù)據(jù)存儲器18是存儲上述識別器20的學習所需要的教師數(shù) 據(jù)的存儲器。教師數(shù)據(jù)是指用于使識別器20學習特定圖案的數(shù)據(jù)。在 本實施例中，使用包含異常陰影圖案的教師圖像作為教師數(shù)據(jù)。教師 圖像由為了學習訓練用而輸入到識別器20的教師輸入圖像和與該教 師輸入圖像對應的教師輸出圖像構成。將在后面與識別器20的學習方 法一起說明這些各教師圖像。接著，說明上述圖像處理裝置10的動作。首先，參考圖2，說明構筑識別器20的學習處理。該學習處理是 由圖像處理部件16讀入存儲在存儲部件15中的學習處理程序而執(zhí)行 的處理，另外，在以下的說明中，作為識別器20說明適用了 ANN的例子。 另外，作為說明的前提，為了學習用而預先準備包含異常陰影圖案的 醫(yī)用圖像，并作為教師圖像存儲在學習數(shù)據(jù)存儲器18中。在圖2所示的學習處理中，首先輸入作為教師數(shù)據(jù)使用的醫(yī)用圖 像(步驟A1)。具體地說，在圖像處理部件16中，讀入存儲在學習 數(shù)據(jù)存儲器18中的醫(yī)用圖像(教師圖像)。接著，從輸入醫(yī)用圖像中抽出包含希望學習的特定圖案，即異常 陰影圖案的一部分圖像區(qū)域(步驟A2)。以下，將該部分地抽出的圖 像稱為部分圖像。部分圖像的抽出的結(jié)構是由醫(yī)生對教師圖像進行讀 圖，通過目視判斷包含異常陰影圖案的區(qū)域，通過操作部件12對該區(qū) 域進行指定操作，在圖像處理裝置10中，與該指定操作對應地從教師 圖像中抽出與指定的區(qū)域?qū)膮^(qū)域的圖像。另外，可以從一個教師圖像中抽出多個部分圖像。接著，對該部分圖像實施多種不同的圖像處理，作成教師特征圖 像(步驟A3)。作成的教師特征圖像被存儲在學習數(shù)據(jù)存儲器18中。 該教師特征圖像被作為教師輸入圖像使用。即，在教師輸入圖像中，包含為了學習用而準備的原來的醫(yī)用圖像(以下為了與教師特征圖像 區(qū)別而稱為原圖像)、教師特征圖像。由該原圖像和教師特征圖像構成的教師輸入圖像為了識別器20的學習訓練用而被輸入到識別器20。 作為上述圖像處理的種類，可以列舉與X、 Y方向各自有關的1 次微分處理、2次微分處理等。另外，也可以使用利用了 Sobel濾波器 或Prewitt濾波器等1次微分系濾波器的圖像處理、利用了 Laplacian 濾波器或Hessian矩陣的固有值的導出2次微分系的特征的圖像處理 等。也可以對針對上述部分圖像的濃度分布曲面求出的平均曲率、高 斯曲率等曲率的計算值或符號進行圖像化，或者對基于曲率定義的 Shapelndex、 Curvedness等的量進行圖像化。也可以在上述部分圖像 內(nèi)設定小區(qū)域， 一邊逐一地對每個像素掃描小區(qū)域， 一邊計算出平均 值(平滑化處理)，或者計算出小區(qū)域內(nèi)的標準偏差值或中間(median ) 值等其他統(tǒng)計量，進而對其結(jié)果進行圖像化。另外，也可以使用小波 (wavelet)變換處理、各種非清晰化處理等，作成將上述部分圖像分 離為多個頻率頻帶后的頻率成分圖像。另外，在上述各種圖像處理之前也可以實施前處理。作為前處理 的例子，可以列舉使用了線性或非線性的灰度等級變換特性的灰度等 級變換處理、通過利用多項式近似、帶通濾波器等而除去背景的濃度斜率等的背景交換修正處理等。圖3表示基于上述圖像處理的各教師特征圖像的例子。 在圖3中，圖像l是對原圖像、圖像2~19實施了各種圖像處理 后的教師特征圖像。教師特征圖像2 5被實施了相當于1次微分的圖像處理，圖像2 是x方向的l次微分圖像，圖像3是y方向的1次微分圖像，圖像4 是Sobel濾波器的輸出(邊緣強調(diào))，圖像5是Sobel濾波器的輸出 (邊緣的角度)。教師特征圖像6~9被實施了相當于2次微分的圖像 處理，圖6是Laplacian濾波器的輸出，圖像7是x方向的2次微分 圖像，圖像8是y方向的2次微分圖像，圖9是xy方向的2次微分圖 像。教師特征圖像IO、 ll是對曲率進行了編碼的結(jié)果，圖像10是平均曲率的編碼圖像，圖像11是高斯曲率的編碼圖像。另外，圖像12 是平滑化圖像(3x3)，圖像13是標準偏差圖像(3x3)。教師特征圖 像14~19根據(jù)小波(wavelet)變換處理被分類為每個頻率成分，圖 像14是小波(Levell ~ 3 )的高頻成分圖像，圖像15是小波(Level2 ~ 4)的高頻成分圖像，圖像16是小波(Level3~5)的中頻成分圖像， 圖像17是小波(Level4 ~ 6 )的中頻成分圖像，圖像18是小波(Level5 ~ 7)的低頻成分圖像，圖像19是小波(Level6 8)的低頻成分圖像。 這樣，各教師特征圖像2 19可以根據(jù)其圖像處理的特性而分組為每個 類似性質(zhì)。如果作成了教師特征圖像，則接著作成教師輸出圖像(步驟A4 )。 教師輸出圖像是作為與輸入到識別器20的教師輸入圖像的輸入對應 的學習目標的圖像。圖4表示教師輸入圖像和教師輸出圖像的一個例子。表示了與用符號fl表示的教師輸入圖像(原圖像)對應地作成圖 4所示的教師輸出圖像f2，通過將與異常陰影圖案相當?shù)膮^(qū)域設為"l"， 其他區(qū)域設為"O"地進行二值化而人工加工作成的教師輸出圖像的例 子。由醫(yī)生在教師輸入圖像fl中判斷該區(qū)域，通過操作部件12指定 與異常陰影圖案相當?shù)膮^(qū)域。與該指定操作對應地，在圖像處理裝置 10中，作成將指定區(qū)域的像素值設為"O"、其他區(qū)域的像素值設為"l" 的教師輸出圖像。如果這樣準備了教師輸入圖像和教師輸出圖像，則使用他們進行 識別器20的學習。識別器20是圖5所示那樣的階層型ANN。階層型ANN由以下部 分構成由接受輸入信號并分配到其他神經(jīng)元(neurone)的輸入用神 經(jīng)元所構成的輸入層；由向外部輸出輸出信號的輸出用的神經(jīng)元構成 的輸出層；由存在于輸入用和輸出用的神經(jīng)元的中間的神經(jīng)元構成的 中間層.中間層的神經(jīng)元與輸入層的全部神經(jīng)元結(jié)合，輸出層的神經(jīng) 元與中間層的全部神經(jīng)元結(jié)合。輸入層的神經(jīng)元只與中間層的神經(jīng)元結(jié)合，中間層的神經(jīng)元只與因此信號從輸入層向中間層、輸出層流動。在 輸入層中，不進行神經(jīng)元的信號處理，接受的輸入信號被原樣地輸出 到中間層的神經(jīng)元。在中間層、輸出層中，對通過設置在各神經(jīng)元中的偏置(bias)函數(shù)從前層輸入的信號實施加權等信號處理，實施了 處理的信號被輸出到后層的神經(jīng)元。在識別器20的學習時，首先針對教師輸入圖像(原圖像)設置關 注像素，并取得該關注像素的像素值。另外，在根據(jù)該原圖像作成的 多個教師特征圖像和教師輸出圖像中，取得與原圖像的關注像素對應 的像素的像素值。另外，將從原圖像和教師特征圖像取得的各像素值 作為輸入值輸入到識別器20，并且將從教師輸出圖像中取得的像素值 作為學習目標值設置到識別器20中，進行識別器20的學習，使得從 該輸入值中輸出接近該學習目標值的值(步驟A5)。另外，作為輸入到識別器20的輸入值使用的像素值被標準化為 0~1的值，使特性不同的各教師輸入圖像的輸入值的規(guī)格一定。圖6 表示對教師輸入圖像(圖3所示的原圖像1、各教師特征圖像2~19) 的某像素的像素值進行了標準化后的值的繪圖曲線圖。在圖6中，用圖像圖案(以下稱為正常陰影圖案)的像素的像素值進行了標準化后 的值，用實線連接起來的各標準化值表示構成異常陰影圖案的像素的 標準化像素值。在識別器20的學習中，首先如圖5所示那樣將教師輸入圖像的各 像素值輸入到識別器20的結(jié)果是，對從識別器20得到的輸出值和從 教師輸出圖像取得的圖像值進行比較，計算其誤差。另外，從識別器 20輸出的輸出值是0~1的連續(xù)值。另外，對中間層中的偏置函數(shù)的 參數(shù)進行最優(yōu)化，使得誤差縮小。作為用于進行最優(yōu)化的學習方法， 例如可以使用誤差逆?zhèn)魉头ǖ?。對此，如果通過最優(yōu)化而再次設定了 參數(shù)，則再次將從教師特征圖像取得的像素值輸入到識別器20，循環(huán) 多次地進行參數(shù)的最優(yōu)化，使得與教師輸出圖像的像素值的誤差變小， 由此進行異常陰影圖案的學習。然后，如果對一個關注像素結(jié)束了學習，則在原圖像中使關注像 素的位置向主掃描方向移位一個像素，針對新設定的關注像素，同樣 地進行學習。這樣，在教師輸入圖像的主掃描和副掃描方向上掃描關 注像素，如果對教師輸入圖像的全部像素結(jié)束了學習，則能夠構筑對異常陰影圖案進行了學習的識別器20。另外，教師輸出圖像并不只限于圖7(a)所示的二值(離散值)， 也可以如圖7(b)所示那樣，作成多值(連續(xù)值)的圖像。也可以在 作成圖7(a)所示的二值的圖像后，對其實施非清晰化處理而作成多 值的圖像。另外，也可以不作成圖像，而作成對異常陰影圖案進行了函數(shù)化 的圖案數(shù)據(jù)。即，作成與各像素位置對應地設定了輸出值的圖案數(shù)據(jù) (參考圖7 (c) 、 (d))。圖7 (c)所示的圖案數(shù)據(jù)是使輸出值為 離散值的結(jié)果，表示與像素位置(橫軸)對應地設定的"0"或"1"的輸 出值(縱軸)。另一方面，圖7 (d)所示的圖案數(shù)據(jù)是^f吏輸出值為連 續(xù)值的結(jié)果，表示與像素位置對應地設定的"0，， "1，，的輸出值。另夕卜， 圖7(c)、 (d)是表示某一行的設定數(shù)據(jù)的圖，實際上與主掃描和在設;案數(shù)據(jù)的輸出i為離^t值的情況下，可以期待使對強調(diào)圖 像中的異常陰影圖案的區(qū)域內(nèi)部的強調(diào)程度強制地增大的效果。另一 方面，在設圖案數(shù)據(jù)的輸出值為連續(xù)值的情況下，從陰影圖案的中心 到周圍的輸出值的變化成為高斯分布，因此即使不是學習異常陰影圖 案的大小，也能夠期待進行某種程度的對應。這可以說在使用了圖7 (a)、圖7 (b)所示那樣的圖像的情況下也一樣。接著，參考圖8說明通過結(jié)束了學習的識別器20根據(jù)處理對象的 醫(yī)用圖像作成強調(diào)圖像的強調(diào)處理.對于強調(diào)處理，與學習處理一樣， 也是通過圖像處理部件16與存儲在存儲部件15中的強調(diào)處理程序的 協(xié)作而執(zhí)行的。在圖8所示的強調(diào)處理中，首先輸入強調(diào)處理對象的醫(yī)用圖像(步 驟B1)。即，由圖像處理部件16讀入存儲在存儲部件15中的處理對象的醫(yī)用圖像。接著，分別對醫(yī)用圖像實施不同的圖像處理，作成多個特征圖像(步驟B2)。這時實施的圖像處理與作成教師特征圖像時 的圖像處理具有同樣的種類、同樣的處理條件。如果作成了特征圖像，則對原來的醫(yī)用圖像(為了將其與特征圖 像區(qū)別，稱為原圖像)設定關注像素，取得該關注像素的像素值。另 外，在特征圖像中取得位于與原圖像的關注像素對應的位置處的像素 的像素值，將對這些從原圖像和特征圖像取得的像素值標準化為0~1 的標準化值輸入到識別器20 (步驟B3)。然后，如果根據(jù)該輸入值 從識別器20取得了輸出值，則將該輸出值設定為構成強調(diào)圖像的像素 的像素值(步驟B4 )。圖9表示上述識別器20的輸入值和輸出值的關系。如圖9所示那樣，在強調(diào)圖像中，將來自識別器20的輸出值設定 為與在原圖像中設定的關注像素的位置對應的像素的像素值。這樣，如果由識別器20從處理對象圖像中取得了一個像素的輸出 值，則對全體圖像區(qū)域設定關注像素，判別是否進行了掃描(步驟B5 )。 在未掃描的情況下(步驟B5， N),使關注像素的位置向主掃描方向 移位一個像素(步驟B6)，對通過移位而新設定的關注像素循環(huán)進行 步驟B3、 B4的處理。另外，如果對全部圖像區(qū)域掃描(主掃描和副掃描)了關注像素 (步驟B5， Y)，則輸出將來自識別器20的輸出值作為像素值而構成 的強調(diào)圖像(步驟B7)。另外，用"0" "1"的連續(xù)值輸出來自識別器20的輸出值，因此在 將強調(diào)圖像輸出到顯示裝置或膠片(film)等的情況下，與這些輸出 裝置對應地將輸出值變換為亮度水平或濃度水平并輸出。在變換為亮 度值的情況下，將輸出值"O"分配為最低亮度水平Kmin(在顯示上為 黑)，將輸出值"l"分配為最高亮度水平Kmax(在顯示上為白)，將"0" ~ "1"的輸出值分配為從K曲到Kmax。另一方面，在變換為濃度值的情 況下，將輸出值"O"分配為最低濃度值D齒(在膠片上為黑)，將輸出 值"l"分配為最高濃度值Dmax (在膠片上為白)，將"0"~"1"的輸出值分配為從D咖x到Dmin。圖IO是表示強調(diào)圖像的一個例子的圖。圖10的左側(cè)所示的處理對象圖像gl是胸部X射線圖像(原圖像)， 通過對識別器20適用處理對象圖像gl，從而輸出右側(cè)所示的強調(diào)圖 像g2。在處理對象圖像gl中在用箭頭表示的位置處存在異常陰影圖 案，但在處理對象圖像gl上難以進行其判別。但是，在強調(diào)圖像g2 上，以低濃度的圓圖案明顯出現(xiàn)異常陰影圖案，可知與其他圖像區(qū)域 相比被強調(diào)了。另外，圖11所示的強調(diào)圖像h2的例子是從胸部CT圖像的處理分圖像h3作為教師輸入圖像，根據(jù)該教師輸入圖像h3作成教師輸出 圖像h4，使用它們進行識別器20的學習后，由進行了該學習后的識 別器20根據(jù)處理對象圖像hl作成強調(diào)圖像h2。另外，處理對象圖像 hl是通過圖像處理只抽出了肺部區(qū)域的圖像。在該處理對象圖像hl 中，存在許多血管等容易與小結(jié)節(jié)的異常陰影搞混的正常陰影圖案， 但在強調(diào)圖像h2中，這些正常陰影圖案的特征降低了，可知只強調(diào)異 常陰影圖案是成功的。另外，如圖12所示那樣，準備顆粒性粗的低畫質(zhì)的處理對象圖像 jl,根據(jù)該處理對象圖像jl作成表示異常陰影圖案的教師輸出圖像j2， 進行識別器20的學習。另外，在向該學習后的識別器20再次輸入了 處理對象圖像jl時，輸出圖2所示那樣的強調(diào)圖像j3,如根據(jù)強調(diào)圖 像j3可知的那樣，在處理對象圖像jl中顯著的噪聲被降低了，只強 調(diào)了異常陰影圖案。另外，如圖13(a)所示那樣，對將其大小和對比度改變?yōu)楦鞣N 值而設定了多個圓形的低濃度的摹擬圖案的測試目標(test object) kl 適用本實施例的識別器20。在測試目標kl中，除了摹擬圖案，還設 置了低濃度的格子圖案。識別器20將測試目標中的任意的摹擬圖案作 為教師輸入圖像k2使用，作成與其對應的教師輸出圖像k3，進行學 習。教師輸出圖像k3作成二值。其結(jié)果是得到圖13 (b)所示那樣的強調(diào)圖像k4。如圖13 (b)所示那樣，如果利用識別器20，可以抑制 格子圖案的特征而只強調(diào)摹擬圖案。另外，在測試目標kl中的各摹擬 圖案中，以與包含在教師輸入圖像k2中的格子圖案不同的形式使格子 圖案重疊的情況下，可知如果是具有與包含在教師輸入圖像k2中的摹 擬圖案相同的特征的圖像區(qū)域，則能夠進行強調(diào)，另外，在強調(diào)圖像 k4上對任意大小的摹擬圖案全部進行強調(diào)，可知對希望強調(diào)的圖案的 大小也能夠在某種程度上對應。在強調(diào)處理后，從圖像處理部件16向異常陰影候選檢測部件17 輸出作成的強調(diào)圖像，由異常陰影候選檢測部件17進行異常陰影候選 的檢測處理。然后，如果從該強調(diào)圖像中檢測出異常陰影候選，則將 該檢測出的異常陰影候選相關的信息(例如指示異常陰影的候選區(qū)域 的位置的箭頭等標記圖像)作為醫(yī)生的診斷支持信息而顯示在顯示部 件13上。另外，也可以將作成的強調(diào)圖像原樣地提供給醫(yī)生進行讀圖。 如上所示，根據(jù)本實施例，作為教師輸入圖像，在原來的原圖像 的基礎上，還使用對該原圖像實施各種圖像處理而作成的教師特征圖 像，因此能夠從l個圖像取得許多輸入值。以前，大多構筑識別器20 使得將某教師圖像的圖像特征量作為輸入值而輸出是異常陰影的可能 性等，但在該方法中，1個輸出值對應1個輸入圖像，因此如果處理 對象圖像和教師圖像(異常陰影圖案)的特征不是大致相同，則無法 進行圖案識別，為了與包含未學習數(shù)據(jù)的各種異常陰影圖案對應，必 須準備許多教師圖像。但是，根據(jù)本實施例，從l個困像作成多個圖 像，進而將它們的像素值輸入到識別器20,因此能夠從l個學習用的 圖像得到許多輸入值和與其對應的輸出值，另外輸入值具有多種特征， 能夠進行多方面的學習。因此，能夠用少的教師數(shù)據(jù)個數(shù)提高識別器 20的學習精度，能夠提高識別器20的圖案識別能力。另夕卜，能夠使用這樣的識別器20作成強調(diào)了異常陰影圖案的強調(diào) 圖像，使用該強調(diào)圖像進行異常陰影候選的檢測處理，或者供給醫(yī)生 的讀圖等，由此能夠使異常陰影的檢測作業(yè)容易，能夠進行醫(yī)生的診斷支持。進而，可以使用從實施了各種圖像處理的教師特征圖像中得到的像素值，即表示各種特征的特征量，進行識別器20的學習，能夠進行 多方面的圖案學習。由此，能夠提高識別器20的圖案識別精度。另外，由于根據(jù)圖像處理的特性具有容易識別的圖案，所以^f艮據(jù) 在學習時使用實施了哪個圖像處理的教師特征圖像，能夠調(diào)整圖案的 識別精度。因此，通過與作為檢測目標的異常陰影圖案對應地有意圖 地選擇所使用的教師特征圖像(對原圖像實施的圖像處理)，能夠特 化為某特定的異常陰影圖案而作成強調(diào)圖像，能夠提高識別器20的設 計自由度。進而，作為異常陰影候選檢測處理的前處理，執(zhí)行強調(diào)異常陰影 圖案的強調(diào)處理，預先強調(diào)異常陰影圖案，由此消除正常陰影的圖案 的特征，因此與使用原來的醫(yī)用圖像(原圖像)檢測異常陰影候選的 情況相比，能夠大幅度減少偽陽性候選(與異常陰影相似的確信度低 的候選)的檢出個數(shù)。因此，能夠提高異常陰影候選的檢測精度。另外，上述實施例是適用本發(fā)明的適合的一個例子，并不限于此。例如，在上述實施例中，說明了適用ANN作為識別器20的例子， 但也可以適用基于判別分析方法的識別器、模糊推論、支持向量機等 通過基于教師數(shù)據(jù)的圖案學習而能夠進行圖案識別的識別器。另外， 在馬哈拉諾比斯距離等分類為2類那樣的方法的情況下，從識別器20 輸出的輸出值是二值的。另外，在實施例中，說明了檢測出包含在醫(yī)用圖像中的異常陰影 圖案的例子，但并不限于此，例如可以將本發(fā)明適用于從攝影了胸部 的醫(yī)用圖像中抽出肺部區(qū)域等的對某特定區(qū)域進行圖案識別而抽出的 分區(qū)(segmentation:區(qū)域抽出)的處理，例如還可以在對包含在攝使用。在上述實施例中，說明了使用了 2維圖像處理的例子，但同樣可 以適用于3維圖像處理。另外，在上述實施例中，說明了在強調(diào)步驟中作成了強調(diào)圖像后， 在檢測步驟中適用異常陰影候選檢測處理的例子，但也可以在從未處 理的醫(yī)用圖像中通過公知的檢測算法檢測出異常陰影候選后，將它們 判別為真陽性(真的異常陰影候選)和偽陽性(與異常陰影類似的確 信度低的候選)的判別階段中，利用本發(fā)明的圖案識別進行判別，檢 測出最終的異常陰影候選。進而，不只是醫(yī)用圖像，對于其他圖像，在希望從圖像中強調(diào)特 定圖案的情況下，也可以適用本發(fā)明。另外，在上述例子中，以強調(diào)異常陰影這樣的比較小的圖案為目但并不限于此，也可以與目的對應地將醫(yī)用圖像全體作為教師圖像。 例如在將本發(fā)明適用于分區(qū)的情況下，大多抽出臟器等比較大的區(qū)域。 因此，不需要部分地抽出圖像，可以將醫(yī)用圖像全體作為教師圖像而 使用，在上述實施例中，輸出層的神經(jīng)元的個數(shù)為1，即在學習步驟中 使用的教師輸出圖像的個數(shù)對于一個部分圖像只有一個，但輸出層的神經(jīng)元的個數(shù)也可以是2以上，即是使用了多個教師輸出圖像的結(jié)構。 例如，在應用于圖案分類時，在目的是將包含在圖像中的陰影分 類為3種特定圖案A、 B、 C的情況下，作為教師輸出圖像，分別作成 對圖案A的強調(diào)有效的教師輸出圖像、對圖案B的強調(diào)有效的教師輸 出圖像、對圖案C的強調(diào)有效的教師輸出圖像，將它們與輸出層的3 個神經(jīng)元對應起來進行學習。在強調(diào)步驟中，通過輸入一個處理對象 圖像，而輸出3個強調(diào)圖像，因此從它們中選擇強調(diào)程度最強的強調(diào) 圖像，將與該強調(diào)圖像對應的圖案的種類作為分類結(jié)果。作為強調(diào)程 度的指標，例如可以使用產(chǎn)生強調(diào)圖像的像素值的平均值或規(guī)定的累 計直方圖值的像素值等的統(tǒng)計量。另外，教師特征圖像根據(jù)其圖像處理的特性具有容易識別的圖案， 因此也可以根據(jù)圖像處理的特性對教師特征圖像進行分組，與該組對 應地進行識別器的學習。24例如在圖3所示的教師特征圖像的例子中，使用圖像1 19作成 以下所示的5個組(group)。即，由圖像l和1次微分系的圖像2~ 5組成的組1、由圖像1和2次微分系的圖像6 9組成的組2、由圖 像1和曲率系的圖像10、 11組成的組3、由圖像l和使用了統(tǒng)計量的 圖像12、 13組成的組4、由圖像1和小波系的圖像14 ~ 19組成的組5。 在此，作為原圖像的圖像l重復地包含在全部組中。與這些組對應地進行識別器的學習(以下稱為組學習)。在此， 說明如圖14所示那樣，在對每個組準備個別的識別器(1次識別器)， 將從各組的1次識別器輸出的輸出值進而輸入到2次識別器而得到統(tǒng) 一的輸出值那樣的階層式的識別器群的結(jié)構的基礎上，分為2個階段 進行識別器的學習的實施例。首先，使用各組的教師輸入圖像，進行 各個l次識別器的學習。在該情況下，對從l次識別器得到的輸出值、 教師輸出圖像的像素值進行比較而進行學習。接著，將與上述教師輸 入圖像相同的圖像作為處理對象圖像適用到結(jié)束了學習的各個1次識 別器中，作成l次強調(diào)圖像。接著，將作成的5種1次強調(diào)圖像作為 教師輸入圖像使用，進行2次識別器的學習。在該情況下，對從2次 識別器得到的輸出值、教師輸出圖像的像素值進行比較而進行學習。 另外，在圖14中，也用ANN的例子表示了 1次識別器和2次識別器， 但也可以是不同方法的識別器(例如1次識別器是ANN， 2次識別器 基于判別分析)。例如，在根據(jù)圖15(a)所示的原圖像ml作成用圖3的2 19的 圖像編號所示的教師特征圖像，用上述5組對各圖像1 ~ 19進行分組 后，進行了 1次和2次識別器的組學習的情況下，如果將原圖像ml 輸入到該學習后的識別器，則從各組的1次識別器輸出圖15 (b)所 示那樣的1次強調(diào)圖像m2 m6。如圖15 (b)所示那樣，各1次強 調(diào)圖像m2 m6分別為強調(diào)了不同特征的圖像。如果將這些1次強調(diào) 圖像m2 m6進而輸入到2次識別器，則得到圖16所示那樣的2次強 調(diào)圖像n3。圖16表示為了比較而使用1個識別器對2次強調(diào)圖像n3、原圖像nl以及不進行分組的全圖像進行了學習的情況下(基于實施例所示 的方法的學習，以下稱為全圖像學習)的強調(diào)圖像n2。如圖16所示 那樣，可知通過組學習得到的2次強調(diào)圖像n3表現(xiàn)出與基于全圖像學 習的強調(diào)圖像n2不同的特征。另外，圖16是圓形的單純圖案的學習 結(jié)果，但在組學習的情況下，隨著所學習的圖案變得復雜，對圖案的 靈敏度提高，提高了基于組學習的效果。作為其他實施例，也可以如圖5所示那樣使用一個識別器，與上 述組對應地進行識別器20的學習。具體地說，對輸入層和中間層的神 經(jīng)元之間的結(jié)合系數(shù)加以限制，相對地減弱特定組合的結(jié)合或者切斷 結(jié)合。例如對中間層的神經(jīng)元1的結(jié)合加以限制，使得與不屬于組1 的教師特征圖像所對應的輸入層的神經(jīng)元的結(jié)合減弱，對于中間層的 神經(jīng)元2的結(jié)合系數(shù)加以限制，使得與不屬于組2的教師特征圖像所 對應的輸入層的神經(jīng)元的結(jié)合減弱。在這樣的條件下，執(zhí)行識別器20 的學習。通過這樣設置為與組對應的識別器，能夠構筑對作為檢測目標的 特定圖案的靈敏度高的識別器20，能夠作成對特定圖案的圖案識別能 力更高的強調(diào)圖像。即，能夠與使用目的對應地靈活地設計識別器， 即是自由度高的結(jié)構，因此是實用的。進而，在將具有比較復雜圖案 的圖〗象作為處理對象的情況下，也能夠期待高效果，另外，可以考慮各種各樣的在教師特征圖像的作成中使用的圖像 處理的種類，通過根據(jù)希望強調(diào)的圖案的特征，選擇被認為是對圖案 的強調(diào)有效的圖像處理，或者進行選擇使得包含對圖案的強調(diào)有效的 圖像處理和對圖案的減弱有效的圖像處理的組合，由此能夠構筑對特 定圖案特化了的識別器20。另外，也可以從許多教師特征圖像中，與 希望強調(diào)的圖案對應地，使用逐次選擇法、遺傳算法等最優(yōu)化方法， 進行特征圖像的選擇。
權利要求
1.一種圖像處理方法，其特征在于包括使用具有特定圖案的教師圖像，即由輸入到識別器的教師輸入圖像和與該教師輸入圖像對應的教師輸出圖像構成的教師圖像，使上述識別器學習上述特定圖像的學習步驟；由上述識別器作成從處理對象圖像強調(diào)了上述特定圖案的強調(diào)圖像的強調(diào)步驟。
2. 根據(jù)權利要求l所述的圖像處理方法，其特征在于 在上述學習步驟中，將構成上述教師輸入圖像的像素的像素值輸入到上述識別器，將構成上述教師輸出圖像的像素的像素值作為識別 器對該輸入的學習目標值，而進行該識別器的學習。
3. 根據(jù)權利要求1或2所述的圖像處理方法，其特征在于 在上述教師輸入圖像中包含對該教師輸入圖像實施圖像處理而作成的多個教師特征圖像，在上述學習步驟中，將在上述多個教師輸入圖像的各個中存在于 對應的位置上的關注像素的像素值輸入到上述識別器，將在上述教師 輸出圖像中與上述關注像素對應的像素的像素值作為識別器對該輸入 的學習目標值。
4. 根據(jù)權利要求3所述的圖像處理方法，其特征在于 通過不同的圖像處理，作成多個上述教師特征圖像。
5. 根據(jù)權利要求4所述的圖像處理方法，其特征在于 在上述強調(diào)步驟中，對處理對象圖像實施不同的圖像處理而作成多個特征圖像，將在包含該多個特征圖像的處理對象圖像的各個中位 于對應的位置上的關注像素的像素值輸入到上述識別器，將根據(jù)該輸 入值由該識別器輸出的輸出值作為與上述關注像素對應的像素的像素 值，構成強調(diào)圖像。
6. 根據(jù)權利要求1~5的任意一個所述的圖像處理方法，其特征 在于上述教師輸出圖像是對上述教師輸入圖像進行加工而作成的圖像。
7. 根據(jù)權利要求1~5的任意一個所述的圖像處理方法，其特征 在于上述教師輸出圖像是對上述特定圖案進行函數(shù)化后的圖案數(shù)據(jù)。
8. 根據(jù)權利要求6或7所述的圖像處理方法，其特征在于 上迷教師輸出圖像的像素值是連續(xù)值。
9. 根據(jù)權利要求6或7所述的圖像處理方法，其特征在于 上述教師輸出圖像的像素值是離散值。
10. 根據(jù)權利要求3 5的任意一個所述的圖像處理方法，其特征 在于在上述學習步驟中，根據(jù)對上述教師特征圖像實施的圖像處理的 特性對各教師特征圖像進行分組，與該組對應地進行上述識別器的學 習。
11. 根據(jù)權利要求1~10的任意一個所述的圖像處理方法，其特 征在于上述教師圖像是醫(yī)用圖像。
12. 根據(jù)權利要求11所述的圖像處理方法，其特征在于 上述教師圖像是從醫(yī)用圖像中部分地抽出的部分圖像。
13. 根據(jù)權利要求ll或12所述的圖像處理方法，其特征在于 上述特定圖案是表示異常陰影的圖案。
14. 根據(jù)權利要求1~13的任意一個所述的圖像處理方法，其特 征在于包括使用上述強調(diào)圖像實施異常陰影候選的檢測處理的檢測步驟。
15. —種圖像處理裝置，其特征在于包括使用具有特定圖案的教師圖像，即由輸入到識別器的教師輸入圖 像和與該教師輸入圖像對應的教師輸出圖像構成的教師圖像，使上述 識別器學習上述特定圖案的學習單元；由上述識別器作成從處理對象圖像強調(diào)了上述特定圖案的強調(diào)圖像的強調(diào)單元。
16. 根據(jù)權利要求15所述的圖像處理裝置，其特征在于 上述學習單元將構成上述教師輸入圖像的像素的像素值輸入到上述識別器，將構成上述教師輸出圖像的像素的像素值作為識別器對該 輸入的學習目標值，而進行該識別器的學習。
17. 根據(jù)權利要求15或16所述的圖像處理裝置，其特征在于 在上述教師輸入圖像中包含對該教師輸入圖像實施圖像處理而作成的多個教師特征圖像，上述學習單元將在上述多個教師輸入圖像的各個中存在于對應的 位置上的關注像素的像素值輸入到上述識別器，將在上述教師輸出圖 像中與上述關注像素對應的像素的像素值作為識別器對該輸入的學習 目標值。
18. 根據(jù)權利要求17所述的圖像處理裝置，其特征在于 通過不同的圖像處理，作成多個上述教師特征圖像。
19. 根據(jù)權利要求18所述的圖像處理裝置，其特征在于 上述強調(diào)單元對處理對象圖像實施不同的圖像處理而作成多個特征圖像，將在包含該多個特征圖像的處理對象圖像的各個中位于對應 的位置上的關注像素的像素值輸入到上述識別器，將根據(jù)該輸入值由 該識別器輸出的輸出值作為與上述關注像素對應的像素的像素值，構 成強調(diào)圖像。
20. 根據(jù)權利要求15 19的任意一個所述的圖像處理裝置，其特 征在于上述教師輸出圖像是對上述教師輸入圖像進行加工而作成的圖像。
21. 根據(jù)權利要求15~19的任意一個所述的圖像處理裝置，其特 征在于上述教師輸出圖像是對包含在上述教師輸入圖像中的特定圖案進 行函數(shù)化后的圖案數(shù)據(jù)。
22. 根據(jù)權利要求20或21所述的圖像處理裝置，其特征在于上述教師輸出圖像的像素值是連續(xù)值。
23. 根據(jù)權利要求20或21所述的圖像處理裝置，其特征在于 上述教師輸出圖像的像素值是離散值。
24. 根據(jù)權利要求17~19的任意一個所述的圖像處理裝置，其特 征在于上述學習單元根據(jù)對上述教師特征圖像實施的圖像處理的特性對 各教師特征圖像進行分組，與該組對應地進行上述識別器的學習。
25. 根據(jù)權利要求15~24的任意一個所述的圖像處理裝置，其特征在于上述教師圖像是醫(yī)用圖像。
26. 根據(jù)權利要求25所述的圖像處理裝置，其特征在于 上述教師圖像是從醫(yī)用圖像中部分地抽出的部分圖像。
27. 根據(jù)權利要求25或26所述的圖像處理裝置，其特征在于 上述特定圖案是表示異常陰影的圖案。
28. 根據(jù)權利要求15~27的任意一個所述的圖像處理裝置，其特 征在于包括檢測單元，
全文摘要
本發(fā)明提供一種具有高通用性和學習精度、并且設計的自由度高的圖像處理方法和圖像處理裝置。在該圖像處理方法和圖像處理裝置中，首先在學習時，分別對作為教師輸入圖像準備的醫(yī)用圖像實施不同的多個圖像處理，作成多個教師特征圖像。另外，根據(jù)該醫(yī)用圖像作成教師輸出圖像。另外，將包含多個教師特征圖像的教師輸入圖像的同一位置上的像素的像素值輸入到識別器(20)，進行識別器20的學習使得從識別器20得到的輸出值與教師輸出圖像中的上述像素位置的像素值的誤差縮小。另外，在強調(diào)時，根據(jù)處理對象圖像作成特征圖像，將這些多個圖像的同一位置上的像素的像素值輸入到識別器(20)，輸出將從該識別器(20)輸出的輸出值設定為上述像素位置上的像素的像素值的強調(diào)圖像。
文檔編號A61B5/00GK101252884SQ20068003201
公開日2008年8月27日 申請日期2006年8月18日 優(yōu)先權日2005年9月5日
發(fā)明者山本惠, 川下郁生, 柳田亞紀子, 石田隆行, 秋山實利 申請人:柯尼卡美能達醫(yī)療印刷器材株式會社