【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、医用画像から病状を診断するためのニューラルネットワークに関する。

【０００２】

【従来の技術】疾病のコンピュータ支援診断は、Ｘ線診断における重要なテーマである。 米国においては、胸の癌によって毎年四万四千人が死亡しており、乳房Ｘ線撮影は、胸の癌の早期発見のための主たる診断手順であることが証明されてきた。 胸部の悪性腫瘍の３０〜５０％
は乳房Ｘ線画像で微小石灰質化を示し、悪性腫瘍の６０
から８０％は、顕微組織検査で微小石灰質化を示すことが明らかである。 したがって、乳房Ｘ線画像における群生した微小石灰質化部は、胸部の悪性腫瘍の検出においては、重要なサインである。

【０００３】チャン(Chan)． Ｈ． Ｐらによる「読影者の乳房Ｘ線画像における群生した微小石灰質化の検出の改善: コンピュータ支援診断の可能性」Invest. Radiol.
25,1102-1111 (1990) や、後に参照するニシカワらによる「乳房Ｘ線画像における微小石灰質化の自動検出: 形態学的フィルターを用いる新規な特徴抽出」Medicaland
Biological Engineering and Computing (1993受理)
に述べられているようなフィルタリングと特徴抽出に基づくコンピュータ診断支援装置（Computer-aided diagn
osis; ＣＡＤ）が開発されてきた。 しかしながら、このようなシステムは、検出された擬陽性の除去に適さないことが示された。 このＣＡＤ装置は、群生した微小石灰質化の可能性のある微小な領域を特定し、次に、デジタル乳房Ｘ線画像上にその位置を示す。 ７８例の乳房Ｘ線画像の解析で８５％の真の群生部が、１画像あたり擬陽性数１．５個の割合で検出された。 すべての真陽性を検出するためにシステムの感度を向上させることが望まれるが、そのことによって、擬陽性を検出する事が増えることになり結局、性能が低下することになる。

【０００４】病状を診断し、画像を処理する事について、ニューラルネットワークが有用なものとして提案されてきた。 なぜならニューラルネットワークは、学習サンプルから学ぶという能力を有しており、この能力によってノイズの多い信号やデータが欠落していても正確な非線形の応答を作り出すことができるからである。 ニューラルネットワーク全般については、パンカ メーラ(P
ankaj Mehra)、ベンジャミン(Benjamin) W. ワー(Wah)
著「人工ニューラルネットワーク: 概念と理論」に述べられている。 以下これを参照する。 画像処理にニューラルネットワークを用いることは、ワイドマン(Weideman)
による米国特許明細書第4,941,122 号に述べられており、ニューラルネットワークの学習方法については、ウッド(Wood)による米国特許明細書第4,912,647 号および、ラムエルハルト(Rumelhart）、ヒントン(Hinton
）、ウイリアムズ(Williams)著「平行分散処理」の第８章、「エラープロパゲーションによる学習内部表現」
MIT Press,Cambridge Mass,. 1986 に述べられている。
これらの特許ならびに「平行分散処理」を以下の説明において参照する。

【０００５】コンピュータ支援診断システムとニューラルネットワークの課題を解決するためにＣＡＤシステムは、ツァン(Zhang), W. らによる「シフト不変人工ニューラルネットワークを用いたデジタル乳房Ｘ線画像における群生した微小石灰質化部のコンピュータ化された検出」Med. Phys. 21,517-524 (1994)に述べられているように、人工ニューラルネットワークと併せて使用される。 この文献は以下で参照とする。 また以下では、「群生した微小石灰質化のコンピュータ化された検出」とする。 これはまた米国特許出願第08/060,531号でも扱われており、これについても以下の説明で参照する。 ＣＡＤ
システムによって示される関心領域（Region of intere
srt;ＲＯＩ）は、背景傾向補正および画素値規格化により前処理され、シフト不変人工ニューラルネットワーク（Shift Invariant Artificial Neural Network;ＳＩＡ
ＮＮ）に入力された。

【０００６】ＳＩＡＮＮは、与えられたＲＯＩ内で個々の孤立した微小石灰質化部を検出するように学習がなされ、ＲＯＩは、そのＲＯＩで検出された微小石灰質化部の数がある値よりも大きければ陽性のＲＯＩとして分類された。 この組み合わせは、これまでのルールベースＣ
ＡＤシステムによって検出された真陽性の群生部を失うことなく擬陽性のおよそ５５％を取り除くことができた。 この組み合わせは、ＣＡＤシステム単独の場合よりも優れた能力を示すが、システムの精度は、画像の中で微小石灰質化が生じている面積と、学習時においてＳＩ
ＡＮＮに入力された関心領域の大きさとに関係している。 そして、ＲＯＩの大きさが学習時と異なっているとエラーが生じてしまうという問題がある。

【０００７】

【発明が解決しようとする課題】本発明の目的は、上記あるいはその他の欠点を克服し、下記のようなシフト不変人工ニューラルネットワークを提供することである。 (1) デジタル画像中における疾病検出のための改良された人工不変ニューラルネットワーク。

【０００８】(2) 病変組織をコンピュータによって検出するためのシフト不変人工ニューラルネットワーク。 (3) 学習用画像、所要出力を用いて学習され、また、如何なるニューロンのグループへもゼロ平均重みを接続重みのために用いるシフト不変人工ニューラルネットワーク。

【０００９】(4) 学習中において「学習フリーゾーン（学習の対象にされない領域）」を用い、病変組織を検出するためにシフト不変人工ニューラルネットワークを学習させる新規なシステム。

【００１０】(5) ニューラルネットワークの学習過度を避けるために、ネットワーク能力に係る受信動作特性（Receiver Operating Characteristics; ＲＯＣ）解析に基づくクロス評価学習技術が適用されたシフト不変人工ニューラルネットワーク。

【００１１】(6) 学習用画像、所要出力およびゼロ平均接続重みを用いて学習され、フィルタされた画像を出力するシフト不変人工ニューラルネットワーク。 このネットワークは、順次、領域に分割され、あらかじめ決められた閾値サイズよりも大きい候補領域要素又は所定の閾値よりも大きな直線性を有する候補領域要素を廃棄し、
残りの候補領域の数が所定の閾値よりも大きいかどうかを決定することによって、病変組織又は正常組織として候補領域を抽出するために解析されるフィルタ画像を出力する。

【００１２】

【課題を解決するための手段】上述の目的は本発明の第１の実施例に従った方法とシステムによって達成される。 すなわち、シフト不変ニューラルネットワークを学習させるための学習用デジタル乳房Ｘ線画像と所要出力を得ることである。 このシフト不変ニューラルネットワークは、入力層、少なくともひとつの隠蔽層および出力層を含んでおり、出力層は、少なくともひとつのニューロンを含んでおり、各隠蔽層は、少なくともひとつの隠蔽グループを含んでいる。 少なくともひとつの隠蔽ユニットがある隠蔽グループの各々は、少なくともひとつのニューロンを含んでいる。 グループの重みの平均が所定値になるようにするエラーバックプロパゲーションアルゴリズムを用いる学習は、隣接している層にある２つのグループの間の各ニューロンの接続重みが同じであることを必要とする。

【００１３】また、本発明は患者のデジタル乳房Ｘ線画像を得て、微小石灰質化部が含まれている疑いのある患者のデジタル乳房Ｘ線画像で関心領域を抽出し、この関心領域を数値データに変換して、この数値データを学習済みのニューラルネットワークに入力し、フィルタリング処理された画像を出力し、この出力を使って、微小石灰質化部を検出する手段を備えている。

【００１４】デジタル乳房Ｘ線画像において、微小石灰質化部を検出するための第１の実施例に従ったシステムは、シフト不変ニューラルネットワークと、デジタル化された学習用乳房Ｘ線画像を得るための手段と、デジタル乳房Ｘ線画像において疑わしい微小石灰質化部を検出するために、この装置に接続された検出器と、疑わしい微小石灰質化部に対応したデジタル乳房Ｘ線画像から複数の学習用関心領域を抽出する手段と、関心領域を処理する装置と、処理された関心領域をスケーリングするための入力データスケーラーと、数値的にスケーリングされた関心領域を用いるシフト不変ニューラルネットワークを学習させる手段と、対応する画像を出力し、このシフト不変ニューラルネットワークを用いて微小石灰質化部を検出する手段を含んでいる。

【００１５】上記の目的は、本発明の第２の実施例に従ったシステムによって達成される。 これは、学習済みのデジタル乳房Ｘ線画像とシフト不変ニューラルネットワークの学習のための学習フリーゾーンとして示されている領域を含んでいる望ましい出力を引き出すことによってなされる。 このシフト不変ニューラルネットワークは、入力層、少なくともひとつの隠蔽層および出力層を含んでおり、出力層は、少なくともひとつのニューロンを含んでおり、各隠蔽層は、少なくともひとつの隠蔽グループを含んでいる。 少なくともひとつの隠蔽ユニットがある隠蔽グループの各々は、少なくともひとつのニューロンを含んでいる。 グループの重みの平均が所定値になるようにするエラーバックプロパゲーションアルゴリズムを用いる学習は、隣接している層にある２つのグループの間の各ニューロンの接続重みが同じであることを要する。 また本発明は、患者のデジタル乳房Ｘ線画像を得て、微小石灰質化部が含まれている疑いのある患者のデジタル乳房Ｘ線画像で関心領域を抽出し、この関心領域を数値データに変換して、この数値データを学習済みのニューラルネットワークに入力し、フィルタリング処理された画像を出力し、この出力を使い微小石灰質化部を検出する手段を備えている。

【００１６】デジタル乳房Ｘ線画像において、微小石灰質化部を検出するための第２の実施例に従ったシステムは、シフト不変ニューラルネットワークと、デジタル化された学習用乳房Ｘ線画像を得るための手段と、デジタル乳房Ｘ線画像において疑わしい微小石灰質化部を検出するために、この装置に接続された検出器と、疑わしい微小石灰質化部に対応したデジタル乳房Ｘ線画像から複数の学習用関心領域を抽出する手段と、関心領域を処理する装置と、処理された関心領域をスケーリングするための入力データスケーラーと、数値的にスケーリングされた関心領域を用いるシフト不変ニューラルネットワークを学習させる手段と、学習フリーゾーンを示す手段と、対応する画像を出力し、このシフト不変ニューラルネットワークを用いて微小石灰質化部を検出する手段を含んでいる。

【００１７】本発明は、シフト不変ニューラルネットワークを用いたコンピュータ支援診断を行う。 さらに、特に、デジタル乳房Ｘ線画像において群生した微小石灰質化部を検出するために乳房Ｘ線画像のデータを、学習フリーゾーンを有するかあるいは有さないで解析するようにゼロ平均制約を用いて学習がなされたシフト不変人工ニューラルネットワークを用いるコンピュータ支援診断である。 群生した微小石灰質化部が生じる面積は３０〜
２００画素（３〜２０ｍｍ）の間で変化することが知られていたので、本発明は、ＳＩＡＮＮ解析に対して、異なった大きさのＲＯＩを用いることができる。 小さな群生部に対しては小さなＲＯＩを大きな群生部に対しては、大きなＲＯＩを用いる。

【００１８】

【発明の実施の形態】以下、図面を参照しながら本発明の実施形態を説明する。 いくつかの図について同一の参照数字は、同一部分または対応部分を示している。 図１
（ａ）（ｂ）は、入力層と２つの隠蔽層と出力層を有しているフィードフォワードニューラルネットワークの全体配置を示した図である。 ２つの隠蔽層の各々は、複数のグループを含んでいる。 各隠蔽層ごとに４つのグループが示されている。 出力層と隠蔽層の各々は、複数のニューラルネットワークユニットを含んでおり、各ユニットは前段の層の入力を受け取り、この入力値に対応する接続重みを乗じ、この積の総和を求め、重み平均を得て、この重み平均をユニットバイアスに沿って非線形関数に適用しユニットの出力値を計算する。

【００１９】隣接した層にあるグループ間の接続の例として、図１（ｂ）は、第１の層の特定の受容領域から入力を受け取る(l+1) 番目の層にあるユニットａとｂを示している。 シフト不変応答を得るために、前の層にあるグループから、一つのグループにあるニューロンへの入力の際の接続重みは、同一になるように束縛される。 一般に、W(i,j;x,y)で位置(i,j) にある前の層とそれに続く層にあるユニット(x,y) の間の接続重みを表すとするとシフト不変接続重みは、次の式で記述できる。

【００２０】 W(i,j; x,y) = W(ix, jy) …(1) このようにして、各２グループ間の接続重みは、コンボリューションカーネルまたは、フィルターとして考えることができ、ＳＩＡＮＮは、学習によって全てのフィルターが設計される、多層、多チャンネル、非線形のフィルターバンクと見なすことができる。 図１（ａ）に示された多グループ、多層ニューラルネットワークの場合、
同じ層にあるが異なるグループに属しているユニットは、同じ大きさの受容領域を有しているが、異なった接続重みのパターンを有している。 入力画像においてエッジの効果を避けるために、連続した層の各グループにあるユニットの数が受容領域の大きさに合わせて減らされる。 L 番目の層にあるグループのユニットの数をN ×N
として、l+1 番目の層にある受容領域の大きさをM ×N
とすると、l+1 番目の層にあるグループのユニットの数は、(N-M+1 × N-M+1)になる。

【００２１】これらの重みは、各重みを対応する入力に乗じて、この重みと対応する入力の積の総和を求め、さらに、計算された総和に閾値を加えて、その結果を選択された非線形関数に適用する事によって、各グループおよび各出力層にある各ユニットの出力を計算するために用いられる。 例として、双極Ｓ字状関数が処理ユニットの活性化関数として用いられる。 双極Ｓ字状関数は、次の式で与えられる。

【００２２】 f(x) = 2 / ( 1 + exp(-x) ) - 1 …(2) しかしながら、連続であって全ての点を通るとともに、
減少関数ではなく[-1,1]の範囲に制限された出力値の範囲を有する関数であれば、他の関数を使うことが可能である。 他の実施例では、単極Ｓ字状関数やｔａｎｈ関数が使われる。

【００２３】病変組織を検出するためにニューラルネットワークを使用する前に、ネットワークは、関心領域と望ましい出力に対応した出力画像を表示するように学習用デジタル画像を用いて学習させられなければならない。 関心領域は、デジタル乳房Ｘ線画像から米国特許明細書第4,907,156 号に述べられているようにして抽出される。 図１（ａ）のシステムを学習させるために、一連の学習用画像が入力層への入力として使用され、第一の隠蔽層によって受け取られる。 第一の隠蔽層は、第二の隠蔽層への入力として使用される出力を生成し、第二の隠蔽層は、出力層への入力として使用される出力を生成する。 学習用画像の各々について望ましい出力と実際の出力の間の違いを調べるために学習エラーが次式により算出される。

【００２４】

【数１】

【００２５】ここで、T ^k (x,y) は、望ましい出力を表し、O ^k (x,y) は学習用入力画像kに対するニューラルネットワークの実際の出力を表している。 このエラー関数を用いて、グループ間の接続重みは、シフト不変接続束縛を用いるエラーバックプロパゲーションアルゴリズムを変形したものに基づいて、変更されていく。

【００２６】この学習のアルゴリズムについて以下に述べる。 本発明のニューラルネットワークの学習プロセスを始めるに当たって、前の層から次に続く層の中のグループのニューロンへの受容領域を作るために、ニューロン接続が、確立される。 接続重みの平均が実質的にゼロとみなせるように、接続重みの各々に値が与えられる。
非線形関数でバイアスが使用された場合、これらのバイアスもまた、最初の段階では、ゼロにセットされる。 この状態を数学的に表現するために、W ^l _p,q (x,y) により接続重みを表す。 ここで、l=(1,2,...L)は、層番号であり、p=(1,2,..p ^l ) は、第l 層のグループ番号、q=
(1,2,..p ^l+1 ) は、第(l+1) 層のグループ番号を表す。
ここで、以下の条件が成り立つ。

【００２７】

【数２】

【００２８】入力画像を処理しているとき、ＲＯＩの低空間周波数成分、特にDC成分が信号（微小石灰質化部）
と較べて非常に大きくなるので、この制約が使用される。 もし、こういった制約を行わないとすると、第２層のユニットは、カーネル内に非常にわずかなDC成分しか無くても、低周波の背景によって飽和してしまうであろう。 飽和が生じると、ネットワークの学習はアウトセットのために失敗してしまう。 他方、ゼロ平均重み束縛を用いることで、全てのDC成分はフィルター処理によって取り除かれ、ＲＯＩ内の高い空間周波数成分のみが、次の層にあるニューロンの活性化に寄与する。

【００２９】一般化デルタルールを用いるバックプロパゲーションアルゴリズムは、ニューラルネットワークを学習させるために使用され、双極Ｓ字状関数は、ニューラルネットワークにおける処理ユニットの各々に対する活性化関数として用いられた。 学習プロセスで、層間の接続のパラメータ（各ユニットの閾値を含んでいる）
は、出力値と望ましい結果の間の違いが最小になるように繰り返し調整される。 これは、以下のルールによって、達成される。

【００３０】

【数３】

【００３１】

【数４】

【００３２】ここで、N ^l _p (x,y) は、位置(x,y) にあるユニットの入力であり、W ^l _p,q (x,y) は、位置(x,y)
に対する接続重みである。 O ^l _p (x,y) は、(x,y) のユニットの出力であり、f(x)は、閾値関数である。 f'
(x) は、f(x)の導関数である。 ΔW ^l _p,q (x,y) は、接続重みの変化であり、Δb ^l _pは、バイアスの変化であり、"*" は、コンボリューション演算子である。

【００３３】ニューラルネットワークとその接続重みの最初の条件を示すものとして、本発明の実施例では図５
〜図６に結果を示す。 これらは、入力層を含んでいるネットワーク、２つのグループを持つ第一の隠蔽層、一つのグループを持つ第二の隠蔽層と出力層である。 ここでは、７×７のカーネルの各々の全ての重みは、−０．３
〜０．３の間のランダムなゼロ平均数で、全てのバイアスはゼロにセットされて開始される。 関心領域からの入力画像の階調レベルは、０〜１０２３というような予め決められた値の組の範囲に広がっている。 そして、第二の層でのユニットの飽和を避けるために、階調は、予め決められた割合だけ入力層で減らされた。 さらに、図に示した例では、学習速度、ηは、０．１であった。 モーメント項のコンスタントファクター、αは、０．９であった。

【００３４】上述のように、入力の学習の繰り返しは、
入力層に学習用画像を入力するステップと望ましい出力を基にして選択された画像についての学習エラーを計算するステップからなっている。 学習エラーに基づいて、
各ユニットの接続重みが、変形されたエラーバックプロパゲーション法に従って変化させられる。 このプロセスは、各学習用画像毎に繰り返される。 複数回の学習の繰り返しは、学習エラーが望ましい値より小さくなるまで、通常数千から数万回繰り返しを含んでいるようにして用いられる。 本発明の他の実施例では、受信動作特性曲線の下の面積が一つ前の繰り返しに比べてほとんど差がなくなるまで学習用の繰り返しが続けられる。 このＲ
ＯＣ曲線の下の面積( Ａ _z ) の減少は、ネットワークが学習過度を示しており、最大のＡ _zに対する重みの値が学習済みネットワークの最終値として用いられる。

【００３５】図２（ａ）〜（ｃ）は、本発明にしたがって解析される関心領域を示している。 これらの図には、
微小石灰質化部としては示されるべきではない３つの血管に沿って、３つの微小石灰質化部が示されている。

【００３６】図２（ａ）は、フジドラムスキャナーシステムを用いて、０．１×０．１ｍｍ ²の画素サイズで従来のスクリーンフィルム（コダック Min R/OM）をデジタル化する事によって得られたものである。 光学密度が０．２〜０．７５の範囲が線形に１０ビットの階調に量子化された。 この範囲以外の様々な光学密度や量子化を用いてもよい。 本発明の選択された実施例ではこのデジタル化のプロセスまたは、それ相当のことは、関心領域について解析されるデジタル乳房Ｘ線画像を生成するために用いることができる。 たとえば、フジコンピューテッドラジオグラフィーシステムから得られたデジタル乳房Ｘ線画像は、ＳＩＡＮＮのための学習用とテスト用画像を生成するために使用する事が可能である。

【００３７】図２（ｂ）に示されているように、本発明の第１の実施例では、望ましい出力を計算する際に学習用画像の全ての点が用いられる。 図２（ｃ）に示されているように、本発明の第２の実施例では、１乃至−１に等しい画素値が学習に用いられているが、周囲をとりまく「学習フリーゾーン」というラベルが付けられている第二の円の内側の画素値は、学習エラーの計算の際には使用されない。 ここで、第１の実施例のシステムの使用について解析すると、学習フリーゾーンを含んでいない上述の方法を用いて、ネットワークは学習させられている。 図２に示されているように、学習後、入力画像は、
学習済みのニューラルネットワークに適用され、その結果の出力画像が生成される。 このシフト不変人工ニューラルネットワークの出力は、関心画像の領域内の群生した微小石灰質化部の数を決定するために、分類システムに適用される。 微小石灰質化部の数を決定するために、
シフト不変ニューラルネットワークの出力は、選択された閾値画素値に対応した２値化画像を生成するための第一の閾値となる。 この閾値画素値よりも大きい領域かまたは、２値化出力画像において「白」の領域の境界は、
４−伝導率領域成長技術を用いてトレースされる。 一旦、境界がトレースされると「白」の領域は、お互いに領域分割される。 独立した「白」の領域の各々は、その特性から、微小石灰質化部が検出されるかされない候補の領域として考えられる。 血管を微小石灰質化部として検出することを避けるために、各候補領域の面積と直線性が計算される。 各候補領域の面積は、白領域の中にある画素の全数で定義される。 含んでいる画素が２個かそれ以下の面積は、ノイズかアーチファクトとして候補から除かれる。 次に、各候補領域の直線性値（Linearity
index;LS）は、次の式のように定義される。

【００３８】

【数５】

【００３９】ここで、S _dctは、候補領域の面積であり、S _sqrは、候補領域の最も長い軸と等しい長さの辺を持つ正方形の面積である。 図３は、高い直線性と低い直線性を持つ候補領域を示している。 高い直線性を持ち、大きな面積を持つ候補領域は、血管によるものであり、低い直線性を持つ候補領域は、微小石灰質化部である可能性が高い。 本発明のシステムで用いることができる典型的な値の実例として、誤った検出とする閾値は、
テストで面積が１００画素以上かまたは、直線性値が０．７５より大きいものとしてセットされた。 これらの値は実験的に求められたものであるが、本発明の精神の範囲からはずれることなく、他の病変や構造の検出のために変更を加えることができること言うまでもない。

【００４０】面積と直線性を評価基準として使用して候補領域が取り除かれた後、各関心領域に残っている候補領域の数が数えられる。 もし出力画像内に残っている候補領域の数が、予め決められた数、たとえば２に比べて等しいかまたは大きい場合、入力した関心領域は、陽性のＲＯＩと見なせ、そうでなければそのＲＯＩは、陰性のＲＯＩと考えられる。

【００４１】さらに、分類の前に２値化画像を生成するために用いられる最適な閾値を得るために、学習済みＳ
ＩＡＮＮからの分類の真陽性率（true positive fracti
on;ＴＰＦ）と擬陽性率（false positive fraction;Ｆ
ＰＦ）が、様々な閾値画素値で計算された。 このとき他の評価基準は固定してあった。 ＲＯＣ曲線は、ＴＰＦとＦＰＦデータをメッツ(Metz)らによって開発され、「Ｒ
ＯＣ解析における現在の課題」PROC. Chest Imaging Co
nference, (WW ペップラー(Peppler) とAAオルター
(Alter), EDS.) Madison, Wisconsin,315-336 (1988)に開示されているＲＯＣフィットプログラムを使って求められた。 最適な閾画素値は、様々な閾値画素値から得られたＲＯＣ解析の結果に基づいて実験的に決定された。

【００４２】本発明の第２の実施例では、ＳＩＡＮＮの学習アルゴリズムは、図２（ｃ）に示されているように学習フリーゾーンを含むように変更されている。 図２
（ｂ）に示されているように対応するユニットと入力層が微小石灰質化部の中央に位置しているときのみ出力層のユニットの出力が１になる第１の実施例の方法に比べて、各微小石灰質化部の中央周辺に設定された学習フリーゾーンは、これらの領域を学習プロセスから除外する。 このことによって、ＳＩＡＮＮの検出された領域への応答は残り、大きさと形が異なる微小石灰質化部に対して同じ出力をＳＩＡＮＮが与えることが可能となる。
したがって、ＳＩＡＮＮの出力は、微小石灰質化部の形を抽出する事と非常に近いものになる。 これは、次に、
面積と直線性を評価基準として用いて検出した擬陽性を減らすための後処理に用いられる。 さらに、学習フリーゾーン技術によって、学習プロセスの間、エラー値の計算が少なくなるので、学習時間が短くなる。 学習プロセスは、数千から数万回の繰り返しを必要とするので、このことによって劇的に学習時間が節約される。 学習フリーゾーンは、無視されるべき領域の形と面積をもとにして設定することができるものであり、ここで例として示したものによって制限されるものではない。 しかしながら、図５〜図６に示されている本発明の実施例においては、学習フリーゾーンは円形で直径が９画素である。

【００４３】図４に示されているように、本発明の一つの実施形態は、中央演算処理装置５とメモリ７を搭載するマザーボード３を含む汎用コンピュータ１を用いて実施される。 さらに、マザーボード３は、交換可能な蓄積装置１１（たとえば、フロッピードライブとコンパクディスク読みとり装置）と同様に固定媒体、高密度蓄積媒体９に接続されている。 汎用コンピュータ１がオペレーターに本方法の結果の画像を見せられるようにするために、コンピュータシステム１は、コンピュータモニター１３に接続されている。 システムへの通常の入力（キーボード１５およびマウス１０）もまた、使用者が学習プロセスの間に微小石灰質化部の中央を選択したり、第二の学習方法を使用する際に学習フリーゾーンを選択する事が可能なように提供されている。 図４のコンピュータ１は、処理ユニット５およびメモリ７を使ってニューラルネットワークを実行するためだけに使用されるのではなく、コンピュータ１は、コンピュータによるニューラルネットワークを動かし、学習プロセスの間ニューラルネットワークに適用される繰り返しの回数に基づいて学習エラーを計算し表示する。

【００４４】異なった技術の間の精度の比較解析によって、本発明は、ルールベース法およびルールベース法と古いＳＩＡＮＮを組み合わせた方法よりも改善されていることが示された。 最初の３９例の乳房Ｘ線画像の組で、ルールベース法によって合計６９個の群生部が報告された。 それらのうち、３５個は真の群生部であり、３
７個は擬陽性の群生部であった。 いくつかの大きな群生部（３５個中２１個）は、２つのＲＯＩに分けられた。
なぜならＲＯＩの大きさが比較的小さかったからである。 陽性のＲＯＩの各々は、少なくとも３つの微小石灰質化部を含んでいる。 ４９×４９画素（約４．９×４．
９ｍｍ ² ）の５６個のＲＯＩは、検出された群生部の中心の周囲で目視によって選択された。 擬陽性の群生部の場合は、４９×４９画素（各擬陽性の群生部あたり４）
の１３６個の陰性のＲＯＩが検出された群生部の中心付近に選択された。 これらのＲＯＩの中で、３１個の陽性のＲＯＩと７５個の陰性のＲＯＩがランダムに学習グループに対して選択された。 また、残りの２５個の陽性と６１個の陰性のＲＯＩが評価グループとして使われた。

【００４５】第２の５０例の乳房Ｘ線画像の組では、合計３５個の真陽性の群生部と７２個の擬陽性の群生部がルールベース法によって報告され、１４５×１４５画素（およそ１４．５×１４．５ｍｍ ² ）の１０７個のＲＯ
Ｉが検出部位の中心付近で選択され、ＳＩＡＮＮの学習用のセットとして使用された。 大きなＲＯＩを用いることによって、テストの条件は、実際の条件により近づく。 なぜならば、微小石灰質化部の群生部は、しはしば４．９×４．９ｍｍ ²よりも大きいからである。 さらに、大きなＲＯＩを使用することによって、本発明のＳ
ＩＡＮＮが学習に使用された大きさとは異なった大きさのＲＯＩを扱うことができることが示されてきた。 従来のＳＩＡＮＮ技術では、もし、ＲＯＩが学習に使用されたものと異なった大きさ、特に大きい場合、背景傾向補正プロセスのために、ＳＩＡＮＮの能力が低下してしまっていた。

【００４６】図５（ａ）に示されているように、ニューラルネットワークの精度は、ニューラルネットワークが学習しすぎたか否かを決定する際の補助となるクロス評価技術を用いてテストする事ができる。 ここでは、０〜
１０，０００回の反復学習を用い、エラーの結果は、対応している学習済みネットワークと、学習用画像とは異なったテスト画像を用いる評価テストの間に生じたものである。

【００４７】図５（ａ）は、学習の繰り返しの間に、繰り返し回数が２０００回になるまでは、繰り返し回数が増えるにつれて学習エラーが減ることを示している。 学習エラーは、次に、２０００回から８０００回の繰り返しの間よりゆっくりと減少していくが８０００回の繰り返しのあとでも多くエラーが残っている。 このことは、
ニューラルネットワークが内部では、重みファクターがいまだ変化し続けているが、その変化が役に立つものではないことを示している。

【００４８】一方、図５（ｂ）は、２０００回の繰り返しを用いた学習と評価で０．８２のAz値が、６０００回の繰り返しで０．９０のＡz 値が得られたことを示している。 しかしながら、６０００回の繰り返しのあとのＡ
z 値は、ニューラルネットワークの効率又は精度が実際には低下していくことを示している。 したがって、望ましい接続重みは、Ａz 値が最大の時の重み、すなわち学習を６０００回の繰り返した時の重みが選択されるべきである。 なお、ここで用いたのは、図５（ａ）のシステムに用いたものと同じ画像である。 すなわち、ゼロから１０，０００回の反復学習を用い、エラーの結果は、対応している学習済みネットワークと、学習用画像とは異なったテスト画像を用いる評価テストの間に生じたものである。

【００４９】本発明の有用性を示すために、図６は、Ｒ
ＯＩを用いた従来技術のＳＩＡＮＮシステムによって得られたＲＯＣ曲線を示している。 これは、背景傾向補正で最初の前処理がなされ、ＳＩＡＮＮに入力される前に、画素値が規格化される。 画像特徴を用いることのない本発明のシステムのＳＩＡＮＮによって得られたＲＯ
Ｃ曲線と、新規な画像フリーゾーンと特徴解析を用いた新規なＳＩＡＮＮのＲＯＣ曲線も示している。 ＲＯＣ曲線の下側の面積は、それぞれ、０．９０，０．８８，
０．７４であった。 表１に示されているように、本発明によって検出される擬陽性の数は、従来のＳＩＡＮＮに比べて減少する。 表１からわかるように、ルールベース法によって特定された擬陽性のＲＯＩのおよそ６２％
は、新しいＳＩＡＮＮによって真陽性のＲＯＩをロスすることなく、取り除くことができる。 しかしながら、全ての真陽性のＲＯＩを保ったまま、従来のＳＩＡＮＮで擬陽性ＲＯＩのおよそ２１％を、取り除くことができた。

【００５０】

【表１】

【００５１】表２は、異なったＲＯＩの大きさでテストデータの組に対して、ＳＩＡＮＮのＲＯＣ曲線の下の面積の比較を示している。 新しい、ＳＩＡＮＮと以前のＳ
ＩＡＮＮのどちらも４９×４９画素の大きさのＲＯＩで学習させられ、同じ大きさのＲＯＩのテストデータセットに対しては、よい性能（それぞれ０．９１と０．９
２）を示した。 しかしながら、以前のＳＩＡＮＮの能力は、ＲＯＩの大きさが増加すると背景傾向補正による階調が圧縮されるため、急激に低下する。 ＲＯＩが大きくなると、擬陽性の群生部を生成する確率が増えるために、新規なＳＩＡＮＮの能力は、わずかに減少する。

【００５２】

【表２】

【００５３】最後に、図７および図８は、学習フリーゾーンを用いないかまたは用いる本発明の一般的な方法を示している。 しかし、本発明の多くの改変が上記の内容のもとで可能である。 従って本発明は、以下のクレームの範囲内ではあれば、ここに記述したもの以外の形で実施し得るものであることが理解されるべきである。

【００５４】

【発明の効果】以上説明したように本発明によれば、下記に示すようなシフト不変人工ニューラルネットワークを提供できる。 (1) デジタル画像中における疾病検出のための改良されたシフト不変人工ニューラルネットワーク。

【００５５】(2) 病変組織をコンピュータによって検出するためのシフト不変人工ニューラルネットワーク。 (3) 学習用画像、所要出力を用いて学習され、また、如何なるニューロンのグループへもゼロ平均重みを接続重みのために用いるシフト不変人工ニューラルネットワーク。

【００５６】(4) 学習中において「学習フリーゾーン（学習の対象にされない領域）」を用い、病変組織を検出するためにシフト不変人工ニューラルネットワークを学習させる新規なシステム。

【００５７】(5) ニューラルネットワークの学習過度を避けるために、シフト不変人工ニューラルネットワークの能力の受信動作特性に基づくクロス評価学習技術。 (6) 学習用画像、所要出力およびゼロ平均接続重みを用いて学習され、フィルタされた画像を出力するシフト不変人工ニューラルネットワーク。

【図面の簡単な説明】

【図１】（ａ）は本発明の第１の実施例に係るニューラルネットワークの層状構成図、（ｂ）は隣接する二つの層の間のシフト不変接続を示す層状構成図。

【図２】（ａ）はオリジナルの関心領域の画像を模式的に示す図、（ｂ）は学習プロセス中における本発明の第１の実施例から得られた対応する望ましい出力画像を模式的に示す図、（ｃ）は本発明の第２の実施例から得られた第２の望ましい出力画像を模式的に示す図。

【図３】本発明の一つの観点に従って検出オブジェクトの直線性が如何にして決定されるかを示す概略図。

【図４】本発明の方法をインプリメントするためのコンピュータシステムの概略図。

【図５】（ａ）は、学習用の画像と望ましい出力の組を用いて学習させられたニューラルネットワークの学習エラーを示すグラフ、（ｂ）は、ネットワークを学習させる際の受信応答特性（ＲＯＣ）曲線の下側の領域Ａz を示すグラフ。

【図６】画像データをＳＩＡＮＮに入力する前に、背景傾向補正および画素値規格化を用いたシステムのＲＯＣ
曲線の結果を示すグラフであって、学習フリーゾーンを用いて学習させられるＳＩＡＮＮ、学習フリーゾーンを用いて学習させられる特徴解析有りのＳＩＡＮＮを示すグラフ。

【図７】ＳＩＡＮＮの学習の方法とそのＳＩＡＮＮを用いて健康な組織と病気の組織を検出する方法の全体を示すフローチャート。

【図８】学習フリーゾーンを用いたＳＩＡＮＮの学習の方法とそのＳＩＡＮＮを用いて健康な組織と病気の組織を検出する方法全体を示すフローチャート。

───────────────────────────────────────────────────── フロントページの続き (72)発明者 土井 邦雄 アメリカ合衆国、 イリノイ州 60521、 ウイローブルック、 レーン・コート 6415