[发明专利]医用图像处理装置、医用图像处理方法以及分类器训练方法

说明书

技术领域

本实施方式涉及医用图像处理装置、医用图像处理方法以及分类器训练方法。

背景技术

解剖学界标是身体构造内部的可识别的点(识别点)。在医用图像处理中，例如，为了使相关联的图像位置对准或者重叠，将解剖学界标作为基准如点来使用。图1作为示例表示人体内部的几个解剖学界标。

解剖学界标的位置的确定的准确度很重要。例如，当为了血管追踪而使用界标时，需要5mm或者其以上的准确度。另外，界标可能需要与患者不同时或摄影方向不同时等的解剖学上的变动对应。

已知有用于识别界标的各种方法。例如，界标的识别由操作者手动进行。但是，操作者进行的界标的识别作业是花费时间的过程，其结果有时根据操作者不同而发生变动。作为代替，界标的识别也可以使用分类器来自动地实施。分类器具备算法。该算法例如是将构成图像的多个点或者点组分配给种类(类)的算法。两类分类器决定应该将点或者点组分配给第1类或者第2类的哪一个。多类分类器决定应该将点或者点组分配给多类中的哪一类。

分类器使用图像数据集进行训练。将训练所使用的图像数据集称为训练数据集。在训练数据集中包含多个图像的数据。该多个图像分别是作为对象的解剖学界标的位置已知的图像。概率分类器输出表示所提供的点位于确定的类内的可能性的参数。表示该可能性的参数例如是似然性或概率等。

为了在单一的步骤中识别图像数据集内的多个解剖学界标，已知使用多类分类器的情况。例如，多类分类器输出构成图像的多个点(或者点组)位于包含解剖学界标A的区域的概率、位于包含解剖学界标B的区域的概率、或者位于不包含解剖学界标的区域的概率。接着，能够通过将分别与多个点对应的多个概率相互进行比较，来确定作为解剖学界标A的概率高的点(或者点组)、作为解剖学界标B的概率高的点(或者点组)的位置。

为了对多类分类器进行训练，通常，在训练数据集内的多个图像的各个中，需要设定前景区域和背景区域。前景区域是包含界标的区域，背景区域是不包含界标的区域。并且，根据前景区域手动或者自动地设定训练对象的前景点(以下，称为前景训练点。)。同样地，根据背景区域手动或者自动地设定训练对象的背景点(以下，称为背景训练点。)。通常，背景区域比前景区域大。另一方面，有时背景训练点和前景训练点的数量相同。因此，有时必须使用比较少的背景训练点，大地表示多种背景区域。即，当使用多类分类器时，解剖学界标的确定的精度可能变差。

图2A是表示用于两类分类器的采样的概略图。图2A表示设定了两类分类器的训练所使用的前景训练点50和背景训练点52的图像的一个例子。前景训练点50以圆形描绘，背景训练点52以三角形描绘。前景训练点50被设定于界标上或者其附近的区域。另一方面，背景训练点52被设定于距离界标具有一定的距离或者推测为与界标关联性低的区域。图2A的前景训练点50和背景训练点52例如用于对不是嵌套型的、单一步骤的分类器进行训练。分类器必须能够区别所提供的点是包含界标的区域还是不包含界标的区域地进行训练。当分类器是概率分类器时，必须进行训练，以使得输出所提供的点是包含界标的区域的概率(似然性)或者是不包含界标的区域的概率(似然性)。

作为用于确定多个界标的位置的一个方法，存在使用多类分类器的方法。例如，假设确定3个界标的位置的情况。此时使用的多类分类器是将所提供的点分成4类的4类分类器。所谓4类是指分别与3个界标(第1界标、第2界标以及第3界标)对应的3类和与背景对应的1类。4类分类器为了将所提供的点区别为4类而进行训练。此时，如图2B所示，设定前景训练点和背景训练点。

图2B是表示用于多类分类器的采样的概略图。图2B示出设定有多类分类器的训练所使用的前景训练点和背景训练点的图像。背景训练点52以三角形描绘，第1前景训练点50以圆形描绘，第2前景训练点54以四边形描绘，第3前景训练点56以圆形描绘。第1前景训练点50设定于包含第1界标的第1前景区域。第2前景训练点54设定于包含第2界标的第2前景区域。第3前景训练点56设定于包含第3界标的第3前景区域。

然而，在使用一个多类分类器对多个界标同时进行区别的训练中，有时需要复杂的决定面。为了实现更高的精度，如图2B所示，需要将与多个界标的各个对应的多个前景训练点设定于界标周围的小的区域。然而，其结果，可能不能设定大量的前景训练点。在多类分类器的训练中，多类的各个的训练点有时需要大致数量相同。从而，在不能设定多个前景训练点数的情况下，背景训练点数也同样不能设定多个，于是，有时必须通过少数的背景训练点，表示背景区域(背景体素)中的大的变动。

发明内容