分類プロセスへの空間的知見の組込み
発明者は対象の空間的位置に基づく複数の異なる分類子を使用することを提案する。このアプローチの背景には、複数の分類子の方が特徴空間全体をカバーする“ユニバーサル”分類子よりも正確に局所コンセプトを学習できるのではないか、という直感的なアイデアがある。局所分類子を採用すれば、特定の類に属する複数の対象がこの特定類中において互いに高度の類似性を有することになる。局所分類子の採用は、特に分類子がカーネル方式である場合、メモリー、ストレージ及び性能全般の向上にもつながる。ここで使用する語“カーネル方式分類子”とは元の訓練データを、分類タスクを容易にする、より高い次元の空間にマップするためにマッピング機能（即ち、カーネル）が使用されている分類子を意味する。
【発明の詳細な説明】
【関連出願との相互参照】
【０００１】
本願は、全部を本願の一部として引用する、２００３年８月１３日付米国仮出願第６０/４９４，６４６号に基づく優先権を主張する。
【背景技術】
【０００２】
【技術分野】
【０００３】
本発明は機械分類の分野に係わり、特に、分類プロセスへの空間的知見の組込みに係わる。
【公知技術の説明】
【０００４】
対象を２つ以上の類に分類（即ち、分離）するのに分類子が使用される。分類子の例を以下に述べる。ここではＡ＋とＡ−と呼ぶことにする２つの対称群（即ち、類）から成る１組の対象Ａがここにあると想定する。ここで使用する語“対象”は母集団中の１つまたは２つ以上のエレメントを指す。分類子Ａは、Ａ中のすべてのエレメントを取り出し、エレメントがどの群に属するかに応じて標識“＋”または“−”をリターンする機能Ｆである。即ち、分類子は、ＦＵＮＣＴＩＯＮ Ｆ（Ａ）→｛−１、１｝で表すことができる。但し、−１はＡ−を表す数値であり、＋１はＡ＋を表す数値である。分類子Ａ＋及びＡ−は２つの別々の母集団を表すことができる。例えば、Ａ＋は肺中の構造（例えば、脈管、気管支）を表し、Ａ−は小結節を表すことができる。機能Ｆが訓練データ（即ち、既知分類を有するデータ）から訓練され、機能Ｆを利用することによって新しい及び未観測データを予見することができる。例えば、医師から得られた１０，０００個の既知対象で分類子を訓練することができる。この既知対象は一般に“グラウンド・トゥルース（ground truth）”と呼称される。グラウンド・トゥルースからの訓練に基づき、分類子を利用することによって、新しい且つ未観測の病状を自動診断することができる。
【０００５】
従来の分類子は同じ類に属する対象は同じような特徴値を有する、即ち、特徴空間中の同じ分布に属するとの想定に基づいて対象を類に分類する。しかし、同じ類に属する対象がその空間的位置に応じて異なる特徴値を有する場合が多い。ここで使用する語“特徴”は特定の類に属する対象を表す１つまたは２つ以上の属性を指す。例えば、小結節はサイズ、直径、真球度などのような多数の属性を含むベクトルで表すことができる。ベクトルはここで“特徴値”と呼称する属性値を含むことがある。
【０００６】
上記問題に対する既存の解決策は高い自由度を有する比較的複雑な分類子を使用するというものである。複雑な分類子を作成する１つの方法として、カーネル・マッピングを使用してデータをより高次元の特徴空間中にマッピングする方法である。即ち、機能Ｋ（即ち、カーネル）はオリジナル・データを取出してより高次元の特徴空間（即ち、より多くの特徴を有する特徴空間）にマッピングし、分類機能を見出すタスクの達成を容易にする。
【０００７】
例えば、オリジナル・データが幾つかの特徴を分析する単一の症例であるとする。もしオリジナル・データが１０個の特徴を有するとすれば、オリジナル・データに対応するベクトルは１０次元の特徴空間である。また、他の１，０００件の症例に対応する同様のデータがあれば、オリジナル・データと他の１，０００件の症例のそれぞれとの相似度を示す値となる相似関数を算出することができる。即ち、１０次元の特徴空間から１，０００次元の特徴空間が得られる。
【０００８】
ここで使用する語“自由度”とは統計値の最終計算における可変値の数を意味する。より複雑な分類子を形成する他の方法は、それぞれが異なる特徴群を利用して訓練され多数の単純な分類子を直列または並列に組み合わせる方法である。組み合わせた結果をまとめて分類子の集合体を形成する。
【０００９】
以上に述べたアプローチ及びこれと同様のアプローチには、同じ汎化性能を得るのに必要な高い自由度を満たす代わりに訓練用の症例を増やさねばならないという欠点がある。ここで使用する語“汎化性能”とは新規及び未観察データに対する分類子の性能を意味する。多くの理由から、汎化性能が低下する可能性がある。例えば、回帰分析の場合と同様に、分類のための学習（即ち、訓練)プロセスにおいて、訓練データをオーバーフィットする恐れがあり、その結果、新規及び未観察症例に対する予測性能が低くなる。
【発明の概要】
【００１０】
第１実施態様として、本発明は画像中のキャンディデイトを分類する方法を提供する。この方法は、第１キャンディデイトの空間的位置に特異な訓練データを利用して訓練される第１分類子を使用して画像の第１キャンディデイトを分類し；第２キャンディデイトの空間的位置に特異な訓練データを利用して訓練される第２分類子を使用して画像の第２キャンディデイトを分類するステップを含み、第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的である。
ことを特徴とする前記方法。
【００１１】
第２実施態様として、本発明は画像上の小結節を自動検出する方法を提供する。この方法は画像を得；画像上の互いに排他的な第１空間的位置及び第２空間的位置を識別し；第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；第１空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して第１キャンディデイトが小結節であるかどうかを分類し；第２空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して第２キャンディデイトが小結節であるかどうかを分類するステップを含み；第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的である。
【００１２】
第３実施態様として、本発明は画像中のキャンディデイトを分類する方法をプロセッサーに実行させるための命令を記憶させた機械可読媒体を提供する。この方法は第１キャンディデイトの空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して画像の第１キャンディデイトを分類し；第２キャンディデイトの空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して画像の第２キャンディデイトを分類するステップを含み；第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置が互いに排他的である。
【００１３】
第４実施態様として、本発明は画像上小結節を自動検出する方法をプロセッサーに実行させるための命令を記憶させた機械可読媒体を提供する。この方法は画像を得；画像上の互いに排他的な第１空間的位置及び第２空間的位置を識別し；第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；第１空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して第１キャンディデイトが小結節であるかどうかを分類し；第２空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して第２キャンディデイトが小結節であるかどうかを分類するステップを含み；第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的である。
ことを特徴とする前記機械可読媒体。
【実施例】
【００１４】
本発明の図示実施例を以下に説明する。煩雑になることを避けるため、本明細書では実施可能な態様のすべての細部までは説明することはしない。当然のことながら、具体的な実施態様の開発に際して、それぞれの開発者に固有の目的を達成するには、例えば、システムに関連する条件及び業務に関連する条件と整合させるなど、種々の判断を下さねばならず、これらの条件は実施態様毎に異なる。また、このような開発努力は複雑であり、多大の時間を要するが、本発明の開示内容を活用する当業者にとっては当然のことである。
【００１５】
本発明には多様な変更や形態選択が考えられるが、ここでは特定の実施態様を図示し、その詳細を説明する。但し、本発明は以下に述べるこれら特定の実施例によって制限されるものではなく、添付の請求項が規定する本発明の思想及び範囲を逸脱しない変更態様、等価態様及び代替形態のすべてを包含する。
【００１６】
ここに述べるシステム及び方法は種々の形態のハードウエア、ソフトウエア、ファームウエア、特殊目的のプロセッサー、またはこれらの複合体において実施することができる。具体的には、本発明の少なくとも一部は、１つまたは２つ以上のプログラム記憶装置（例えば、ハード・ディスク、磁気フロッピーディスク、ＲＡＭ、ＲＯＭ、ＣＤＲＯＭ、など）で具体化され、適当な構造を有する装置またはマシーン、例えば、プロセッサー、メモリー、及び入/出力インターフェースを有する汎用ディジタルコンピューターによって実行可能なプログラム命令から成るアプリケーションとして実施することが好ましい。また、添付の図面に示すシステム構成成分及び方法ステップの幾つかはソフトウエアにおいて実施することが好ましいから、システム・モジュール間の（または方法ステップの論理流れの）接続は本発明をプログラムする態様に応じて異なることがある。当業者ならば、ここに開示する内容に基づいて、本発明の図示実施態様及び同様の実施態様を案出することができるであろう。
【００１７】
発明者は単一の複合分類子を使用するのではなく、対象の空間的位置に基づく複数の異なる分類子を使用することを提案する。このアプローチの背景には、複数の分類子の方が特徴空間全体をカバーする“ユニバーサル”分類子よりも正確に局所コンセプトを学習できるのではないか、という直感的なアイデアがある。局所分類子を採用すれば、特定の類に属する複数の対象がこの特定類中において互いに高度の類似性を有することになる。局所分類子の採用は、特に分類子がカーネル方式である場合、メモリー、ストレージ及び性能全般の向上にもつながる。ここで使用する語“カーネル方式分類子”とは元の訓練データを、分類タスクを容易にする、より高い次元の空間にマップするためにマッピング機能（即ち、カーネル）が使用されている分類子を意味する。
【００１８】
図１は本発明の一実施例として、対象の空間的位置に基づいてこの対象を分類する方法１００を示す。この方法１００が画像を得るステップ（１０５）は人体の物理的な走査、例えば、コンピューター断層撮像（“ＣＴ”）、磁気共鳴撮像（“ＭＲＩ”）または超音波撮像によって行うことができる。さらに他の実施態様として、衛星画像システムから得ることもできる。尚、画像を得るためには、当業者が考え得る多様な方法、装置のうちから選択された任意の方法、装置を利用することができる。
【００１９】
方法１００は画像上のエレメントの空間的位置を識別する（１１０）。例えば、肺の画像において問題となりそうな分類子としては、肺壁に密着しているエレメントを表わす壁密着分類子、気管支に密着しているエレメントを表わす気管支密着分類子、及び肺内部のエレメントを表す肺内部分類子などがある。例えば、心臓のような人体画像を利用することもできる。他の例として、衛星画像を陸塊のタイプ（例えば、山岳、砂漠、降雨林）に分類することも可能である。空間的位置は、例えば、グラフィカル・ユーザー・インターフェースを介して識別することができる。空間的位置はまた、例えば、画像上の種々の位置に関する予備知識を利用して自動的に識別することも可能である。他にも、空間的位置の識別に利用できる種々の自動的な方法（例えば、パターン・マッチング）があることは当業者のよく知るところである。
【００２０】
分類子は空間的位置をそれぞれに対応して作成される（１１５）。例として上述した肺走査の場合には、肺壁に密着しているエレメントを表わす壁密着分類子、気管支に密着しているエレメントを表わす気管支密着分類子、及び肺内部のエレメントを表す肺内部分類子などが問題となりそうな分類子である。分類子は既知データを利用して訓練することができる。上記の肺走査を例に取ると、特定の空間的位置に関して規定されたエレメントの訓練データを利用することによって分類子を訓練することができる。訓練データは既知及び検証済みデータから構成することができる。例えば、小結節の有無を判定する医師による検証例を訓練データとして使用することができる。種々の症状を訓練用のそれぞれ異なる分類子に対応する空間位置に分離させればよい。即ち、壁密着分類子は肺壁に密着するエレメントの訓練データのみを使用して訓練されることになる。この方法の利点は、分類子が特定位置におけるエレメントの（既知及び未知の）新規性を活用できることにある。例えば、気管支におけるエレメントの分類と肺内部のエレメントの分類とを別々の分類子で行うことができる。
【００２１】
方法１００はキャンディデイトを識別する（１２０）。ここで使用する語“キャンディデイト(candidates)”とは画像中の問題のエレメント（即ち、構造）を指す。分類子はそれぞれの空間的位置に固有であるから、キャンディデイトの分類は空間的位置を考慮しない場合よりも精度が高くなる。また、このような“局所分類子”を採用することで、複合的なユニバーサル分類子を使用する場合よりもメモリー、ストレージ及び性能の向上に結びつく。キャンディデイトは当業者に公知の多様な方法及び装置を任意に選択して手動的または自動的に識別することができる。例えば、疑わしい問題部位のコンピューター援用自動識別は癌検診の分野において広く知られている。
【００２２】
方法１００はキャンディデイトが存在する空間的位置と関連する該当の分類子を利用してキャンディデイトを標識の形で分類する（１２５）。上述した肺走査を例に取ると、もしキャンディデイトが肺内部に位置するなら、キャンディデイトは肺内部分類子を使用して分類される。キャンディデイトは、画像中の構造（即ち、エレメント）が小結節であることを表す“小結節”と標識されるか、または構造が小結節でないことを表す“非-小結節”と標識されることになる。標識としては、当業者に公知の多様な標識のうちのいずれかを使用すればよい。キャンディデイトを複数の標識で分類することもできる。
【００２３】
識別を容易にするため、具体的な標識を画像上に物理的にマークすることができる。例えば、上述した肺走査を例に取ると、小結節として識別されたキャンディデイトをマークすれば、観察者（例えば、医師）が病状を容易に識別できる。当業者には公知のように、タイプ及び形状の異なる標識を使用することで、複数の分類子を区別できる。マーキングは、例えば、識別されたそれぞれの小結節を囲む正方形または円であってもよい。
【００２４】
図２Ａ及び２Ｂは本発明の一実施態様として、分類後にマークされる肺ＣＴスキャンを示す。正方形マーキングは壁密着小結節、円形マーキングは肺内部小結節を示す。
【００２５】
以上に開示したのは飽くまでも説明のための特定実施態様であり、開示内容を利用する当業者には明らかなように、変更を加え、上記実施態様とは異なるが等価の態様で実施することができる。また、以上に述べた構成またはデザインのうちの、添付の請求項に記載されている以外の細部については如何なる制限も課せられない。即ち、以上に述べた特定の実施態様に変更を加えてもよいことはいうまでもなく、これらの変更実施態様はすべて本発明の範囲と思想に包含される、従って、本発明が請求する保護の範囲は添付の請求項によってのみ規定される。
【００２６】
類似のエレメントにそれぞれ類似の参照符号を付した添付図面を参照して、本発明を以下に説明する。
【図面の簡単な説明】
【００２７】
【図１】本発明の一実施例として、対象の空間的位置に基づいて該対象を分類する方法のフローダイヤグラムである。
【図２Ａ】本発明の一実施例として、小結節分類後の肺ＣＴスキャン例の写真である。
【図２Ｂ】本発明の一実施例として、小結節分類後の肺ＣＴスキャン例の写真である。
【関連出願との相互参照】
【０００１】
本願は、全部を本願の一部として引用する、２００３年８月１３日付米国仮出願第６０/４９４，６４６号に基づく優先権を主張する。
【背景技術】
【０００２】
【技術分野】
【０００３】
本発明は機械分類の分野に係わり、特に、分類プロセスへの空間的知見の組込みに係わる。
【公知技術の説明】
【０００４】
対象を２つ以上の類に分類（即ち、分離）するのに分類子が使用される。分類子の例を以下に述べる。ここではＡ＋とＡ−と呼ぶことにする２つの対称群（即ち、類）から成る１組の対象Ａがここにあると想定する。ここで使用する語“対象”は母集団中の１つまたは２つ以上のエレメントを指す。分類子Ａは、Ａ中のすべてのエレメントを取り出し、エレメントがどの群に属するかに応じて標識“＋”または“−”をリターンする機能Ｆである。即ち、分類子は、ＦＵＮＣＴＩＯＮ Ｆ（Ａ）→｛−１、１｝で表すことができる。但し、−１はＡ−を表す数値であり、＋１はＡ＋を表す数値である。分類子Ａ＋及びＡ−は２つの別々の母集団を表すことができる。例えば、Ａ＋は肺中の構造（例えば、脈管、気管支）を表し、Ａ−は小結節を表すことができる。機能Ｆが訓練データ（即ち、既知分類を有するデータ）から訓練され、機能Ｆを利用することによって新しい及び未観測データを予見することができる。例えば、医師から得られた１０，０００個の既知対象で分類子を訓練することができる。この既知対象は一般に“グラウンド・トゥルース（ground truth）”と呼称される。グラウンド・トゥルースからの訓練に基づき、分類子を利用することによって、新しい且つ未観測の病状を自動診断することができる。
【０００５】
従来の分類子は同じ類に属する対象は同じような特徴値を有する、即ち、特徴空間中の同じ分布に属するとの想定に基づいて対象を類に分類する。しかし、同じ類に属する対象がその空間的位置に応じて異なる特徴値を有する場合が多い。ここで使用する語“特徴”は特定の類に属する対象を表す１つまたは２つ以上の属性を指す。例えば、小結節はサイズ、直径、真球度などのような多数の属性を含むベクトルで表すことができる。ベクトルはここで“特徴値”と呼称する属性値を含むことがある。
【０００６】
上記問題に対する既存の解決策は高い自由度を有する比較的複雑な分類子を使用するというものである。複雑な分類子を作成する１つの方法として、カーネル・マッピングを使用してデータをより高次元の特徴空間中にマッピングする方法である。即ち、機能Ｋ（即ち、カーネル）はオリジナル・データを取出してより高次元の特徴空間（即ち、より多くの特徴を有する特徴空間）にマッピングし、分類機能を見出すタスクの達成を容易にする。
【０００７】
例えば、オリジナル・データが幾つかの特徴を分析する単一の症例であるとする。もしオリジナル・データが１０個の特徴を有するとすれば、オリジナル・データに対応するベクトルは１０次元の特徴空間である。また、他の１，０００件の症例に対応する同様のデータがあれば、オリジナル・データと他の１，０００件の症例のそれぞれとの相似度を示す値となる相似関数を算出することができる。即ち、１０次元の特徴空間から１，０００次元の特徴空間が得られる。
【０００８】
ここで使用する語“自由度”とは統計値の最終計算における可変値の数を意味する。より複雑な分類子を形成する他の方法は、それぞれが異なる特徴群を利用して訓練され多数の単純な分類子を直列または並列に組み合わせる方法である。組み合わせた結果をまとめて分類子の集合体を形成する。
【０００９】
以上に述べたアプローチ及びこれと同様のアプローチには、同じ汎化性能を得るのに必要な高い自由度を満たす代わりに訓練用の症例を増やさねばならないという欠点がある。ここで使用する語“汎化性能”とは新規及び未観察データに対する分類子の性能を意味する。多くの理由から、汎化性能が低下する可能性がある。例えば、回帰分析の場合と同様に、分類のための学習（即ち、訓練)プロセスにおいて、訓練データをオーバーフィットする恐れがあり、その結果、新規及び未観察症例に対する予測性能が低くなる。
【発明の概要】
【００１０】
第１実施態様として、本発明は画像中のキャンディデイトを分類する方法を提供する。この方法は、第１キャンディデイトの空間的位置に特異な訓練データを利用して訓練される第１分類子を使用して画像の第１キャンディデイトを分類し；第２キャンディデイトの空間的位置に特異な訓練データを利用して訓練される第２分類子を使用して画像の第２キャンディデイトを分類するステップを含み、第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的である。
ことを特徴とする前記方法。
【００１１】
第２実施態様として、本発明は画像上の小結節を自動検出する方法を提供する。この方法は画像を得；画像上の互いに排他的な第１空間的位置及び第２空間的位置を識別し；第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；第１空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して第１キャンディデイトが小結節であるかどうかを分類し；第２空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して第２キャンディデイトが小結節であるかどうかを分類するステップを含み；第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的である。
【００１２】
第３実施態様として、本発明は画像中のキャンディデイトを分類する方法をプロセッサーに実行させるための命令を記憶させた機械可読媒体を提供する。この方法は第１キャンディデイトの空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して画像の第１キャンディデイトを分類し；第２キャンディデイトの空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して画像の第２キャンディデイトを分類するステップを含み；第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置が互いに排他的である。
【００１３】
第４実施態様として、本発明は画像上小結節を自動検出する方法をプロセッサーに実行させるための命令を記憶させた機械可読媒体を提供する。この方法は画像を得；画像上の互いに排他的な第１空間的位置及び第２空間的位置を識別し；第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；第１空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して第１キャンディデイトが小結節であるかどうかを分類し；第２空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して第２キャンディデイトが小結節であるかどうかを分類するステップを含み；第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的である。
ことを特徴とする前記機械可読媒体。
【実施例】
【００１４】
本発明の図示実施例を以下に説明する。煩雑になることを避けるため、本明細書では実施可能な態様のすべての細部までは説明することはしない。当然のことながら、具体的な実施態様の開発に際して、それぞれの開発者に固有の目的を達成するには、例えば、システムに関連する条件及び業務に関連する条件と整合させるなど、種々の判断を下さねばならず、これらの条件は実施態様毎に異なる。また、このような開発努力は複雑であり、多大の時間を要するが、本発明の開示内容を活用する当業者にとっては当然のことである。
【００１５】
本発明には多様な変更や形態選択が考えられるが、ここでは特定の実施態様を図示し、その詳細を説明する。但し、本発明は以下に述べるこれら特定の実施例によって制限されるものではなく、添付の請求項が規定する本発明の思想及び範囲を逸脱しない変更態様、等価態様及び代替形態のすべてを包含する。
【００１６】
ここに述べるシステム及び方法は種々の形態のハードウエア、ソフトウエア、ファームウエア、特殊目的のプロセッサー、またはこれらの複合体において実施することができる。具体的には、本発明の少なくとも一部は、１つまたは２つ以上のプログラム記憶装置（例えば、ハード・ディスク、磁気フロッピーディスク、ＲＡＭ、ＲＯＭ、ＣＤＲＯＭ、など）で具体化され、適当な構造を有する装置またはマシーン、例えば、プロセッサー、メモリー、及び入/出力インターフェースを有する汎用ディジタルコンピューターによって実行可能なプログラム命令から成るアプリケーションとして実施することが好ましい。また、添付の図面に示すシステム構成成分及び方法ステップの幾つかはソフトウエアにおいて実施することが好ましいから、システム・モジュール間の（または方法ステップの論理流れの）接続は本発明をプログラムする態様に応じて異なることがある。当業者ならば、ここに開示する内容に基づいて、本発明の図示実施態様及び同様の実施態様を案出することができるであろう。
【００１７】
発明者は単一の複合分類子を使用するのではなく、対象の空間的位置に基づく複数の異なる分類子を使用することを提案する。このアプローチの背景には、複数の分類子の方が特徴空間全体をカバーする“ユニバーサル”分類子よりも正確に局所コンセプトを学習できるのではないか、という直感的なアイデアがある。局所分類子を採用すれば、特定の類に属する複数の対象がこの特定類中において互いに高度の類似性を有することになる。局所分類子の採用は、特に分類子がカーネル方式である場合、メモリー、ストレージ及び性能全般の向上にもつながる。ここで使用する語“カーネル方式分類子”とは元の訓練データを、分類タスクを容易にする、より高い次元の空間にマップするためにマッピング機能（即ち、カーネル）が使用されている分類子を意味する。
【００１８】
図１は本発明の一実施例として、対象の空間的位置に基づいてこの対象を分類する方法１００を示す。この方法１００が画像を得るステップ（１０５）は人体の物理的な走査、例えば、コンピューター断層撮像（“ＣＴ”）、磁気共鳴撮像（“ＭＲＩ”）または超音波撮像によって行うことができる。さらに他の実施態様として、衛星画像システムから得ることもできる。尚、画像を得るためには、当業者が考え得る多様な方法、装置のうちから選択された任意の方法、装置を利用することができる。
【００１９】
方法１００は画像上のエレメントの空間的位置を識別する（１１０）。例えば、肺の画像において問題となりそうな分類子としては、肺壁に密着しているエレメントを表わす壁密着分類子、気管支に密着しているエレメントを表わす気管支密着分類子、及び肺内部のエレメントを表す肺内部分類子などがある。例えば、心臓のような人体画像を利用することもできる。他の例として、衛星画像を陸塊のタイプ（例えば、山岳、砂漠、降雨林）に分類することも可能である。空間的位置は、例えば、グラフィカル・ユーザー・インターフェースを介して識別することができる。空間的位置はまた、例えば、画像上の種々の位置に関する予備知識を利用して自動的に識別することも可能である。他にも、空間的位置の識別に利用できる種々の自動的な方法（例えば、パターン・マッチング）があることは当業者のよく知るところである。
【００２０】
分類子は空間的位置をそれぞれに対応して作成される（１１５）。例として上述した肺走査の場合には、肺壁に密着しているエレメントを表わす壁密着分類子、気管支に密着しているエレメントを表わす気管支密着分類子、及び肺内部のエレメントを表す肺内部分類子などが問題となりそうな分類子である。分類子は既知データを利用して訓練することができる。上記の肺走査を例に取ると、特定の空間的位置に関して規定されたエレメントの訓練データを利用することによって分類子を訓練することができる。訓練データは既知及び検証済みデータから構成することができる。例えば、小結節の有無を判定する医師による検証例を訓練データとして使用することができる。種々の症状を訓練用のそれぞれ異なる分類子に対応する空間位置に分離させればよい。即ち、壁密着分類子は肺壁に密着するエレメントの訓練データのみを使用して訓練されることになる。この方法の利点は、分類子が特定位置におけるエレメントの（既知及び未知の）新規性を活用できることにある。例えば、気管支におけるエレメントの分類と肺内部のエレメントの分類とを別々の分類子で行うことができる。
【００２１】
方法１００はキャンディデイトを識別する（１２０）。ここで使用する語“キャンディデイト(candidates)”とは画像中の問題のエレメント（即ち、構造）を指す。分類子はそれぞれの空間的位置に固有であるから、キャンディデイトの分類は空間的位置を考慮しない場合よりも精度が高くなる。また、このような“局所分類子”を採用することで、複合的なユニバーサル分類子を使用する場合よりもメモリー、ストレージ及び性能の向上に結びつく。キャンディデイトは当業者に公知の多様な方法及び装置を任意に選択して手動的または自動的に識別することができる。例えば、疑わしい問題部位のコンピューター援用自動識別は癌検診の分野において広く知られている。
【００２２】
方法１００はキャンディデイトが存在する空間的位置と関連する該当の分類子を利用してキャンディデイトを標識の形で分類する（１２５）。上述した肺走査を例に取ると、もしキャンディデイトが肺内部に位置するなら、キャンディデイトは肺内部分類子を使用して分類される。キャンディデイトは、画像中の構造（即ち、エレメント）が小結節であることを表す“小結節”と標識されるか、または構造が小結節でないことを表す“非-小結節”と標識されることになる。標識としては、当業者に公知の多様な標識のうちのいずれかを使用すればよい。キャンディデイトを複数の標識で分類することもできる。
【００２３】
識別を容易にするため、具体的な標識を画像上に物理的にマークすることができる。例えば、上述した肺走査を例に取ると、小結節として識別されたキャンディデイトをマークすれば、観察者（例えば、医師）が病状を容易に識別できる。当業者には公知のように、タイプ及び形状の異なる標識を使用することで、複数の分類子を区別できる。マーキングは、例えば、識別されたそれぞれの小結節を囲む正方形または円であってもよい。
【００２４】
図２Ａ及び２Ｂは本発明の一実施態様として、分類後にマークされる肺ＣＴスキャンを示す。正方形マーキングは壁密着小結節、円形マーキングは肺内部小結節を示す。
【００２５】
以上に開示したのは飽くまでも説明のための特定実施態様であり、開示内容を利用する当業者には明らかなように、変更を加え、上記実施態様とは異なるが等価の態様で実施することができる。また、以上に述べた構成またはデザインのうちの、添付の請求項に記載されている以外の細部については如何なる制限も課せられない。即ち、以上に述べた特定の実施態様に変更を加えてもよいことはいうまでもなく、これらの変更実施態様はすべて本発明の範囲と思想に包含される、従って、本発明が請求する保護の範囲は添付の請求項によってのみ規定される。
【００２６】
類似のエレメントにそれぞれ類似の参照符号を付した添付図面を参照して、本発明を以下に説明する。
【図面の簡単な説明】
【００２７】
【図１】本発明の一実施例として、対象の空間的位置に基づいて該対象を分類する方法のフローダイヤグラムである。
【図２Ａ】本発明の一実施例として、小結節分類後の肺ＣＴスキャン例の写真である。
【図２Ｂ】本発明の一実施例として、小結節分類後の肺ＣＴスキャン例の写真である。
【特許請求の範囲】
【請求項１】
画像中のキャンディデイトを分類する方法において、
第１キャンディデイトの空間的位置に特異な訓練データを利用して訓練される第１分類子を使用して画像の第１キャンディデイトを分類し；
第２キャンディデイトの空間的位置に特異な訓練データを利用して訓練される第２分類子を使用して画像の第２キャンディデイトを分類する
ステップを含み、
第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的であることを特徴とする前記方法。
【請求項２】
画像を得るステップをも含むことを特徴とする請求項１に記載の方法。
【請求項３】
画像を得るステップが人体の少なくとも一部のＣＴ、ＭＲＩまたは超音波画像のうちの少なくとも１つを得るステップであることを特徴とする請求項２に記載の方法。
【請求項４】
画像を得るステップが衛星画像を得るステップであることを特徴とする請求項２に記載の方法。
【請求項５】
画像上の空間的位置を識別するステップをも含むことを特徴とする請求項１に記載の方法。
【請求項６】
画像上の空間的位置を識別するステップがグラフィカル・ユーザー・インターフェースを設けることによって画像上の空間的位置を手動識別するステップであることを特徴とする請求項５に記載の方法。
【請求項７】
画像上の空間的位置を識別するステップが画像上の空間的位置を自動識別するステップであることを特徴とする請求項５に記載の方法。
【請求項８】
画像上の空間的位置を自動識別するステップが空間的位置の既知情報を利用して画像上の空間的位置を自動識別するステップであることを特徴とする請求項７に記載の方法。
【請求項９】
画像上の空間的位置を自動識別するステップがパターン・マッチングを利用して画像上の空間的位置を自動識別するステップであることを特徴とする請求項７に記載の方法。
【請求項１０】
人体の少なくとも一部の画像上の空間的位置を識別することを特徴とする請求項５に記載の方法。
【請求項１１】
人体の少なくとも一部の画像上の空間的位置を識別するステップが肺の画像上の空間的位置を識別するステップであることを特徴とする請求項１０に記載の方法。
【請求項１２】
肺の画像上の空間的位置が壁密着領域、肺内部領域及び気管支領域を含むことを特徴とする請求項１１に記載の方法。
【請求項１３】
人体の少なくとも一部の画像上の空間的位置を識別するステップが心臓の画像上の空間的位置を識別するステップであることを特徴とする請求項１０に記載の方法。
【請求項１４】
画像上の第１キャンディデイト及び第２キャンディデイトを識別するステップであることを特徴とする請求項１に記載の方法。
【請求項１５】
画像上の第１キャンディデイト及び第２キャンディデイトを識別するステップがグラフィカル・ユーザー・インターフェースを設けることによって画像上の第１キャンディデイト及び第２キャンディデイトを手動識別するステップであることを特徴とする請求項１４に記載の方法。
【請求項１６】
画像上の第１キャンディデイト及び第２キャンディデイトを識別するステップが画像上の第１キャンディデイト及び第２キャンディデイトを自動識別するステップであることを特徴とする請求項１４に記載の方法。
【請求項１７】
画像上の第１キャンディデイト及び第２キャンディデイトを自動識別するステップがパターン・マッチングを利用して画像上の第１キャンディデイト及び第２キャンディデイトを自動識別するステップであることを特徴とする請求項１６に記載の方法。
【請求項１８】
第１キャンディデイトを分類するステップが第１キャンディデイトが小結節であるかどうかを自動分類するステップであり、第２キャンディデイトを分類するステップが第２キャンディデイトが小結節であるかどうかを自動分類するステップであることを特徴とする請求項１に記載の方法。
【請求項１９】
訓練データが医師によって検証されたデータであることを特徴とする請求項１に記載の方法。
【請求項２０】
画像上の小結節を自動検出する方法において、
画像を得；
画像上の互いに排他的な第１空間的位置及び第２空間的位置を識別し；
第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；
第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；
第１空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して第１キャンディデイトが小結節であるかどうかを分類し；
第２空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して第２キャンディデイトが小結節であるかどうかを分類するステップを含み；
第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的であることを特徴とする前記方法。
【請求項２１】
第１キャンディデイトが小結節なら第１キャンディデイトをマークし；
第２キャンディデイトが小結節なら第２キャンディデイトをマークする
ステップをも含むことを特徴とする請求項２０に記載の方法。
【請求項２２】
画像中のキャンディデイトを分類する方法をプロセッサーに実行させるための命令を記憶させた機械可読媒体において、前記方法が
第１キャンディデイトの空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して画像の第１キャンディデイトを分類し；
第２キャンディデイトの空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して画像の第２キャンディデイトを分類する
ステップを含み；
第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置が互いに排他的であることを特徴とする前記機械可読媒体。
【請求項２３】
画像上小結節を自動検出する方法をプロセッサーに実行させるための命令を記憶させた機械可読媒体において、前記方法が
画像を得；
画像上の互いに排他的な第１空間的位置及び第２空間的位置を識別し；
第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；
第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；
第１空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して第１キャンディデイトが小結節であるかどうかを分類し；
第２空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して第２キャンディデイトが小結節であるかどうかを分類する
ステップを含み；
第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的であることを特徴とする前記機械可読媒体。
【請求項１】
画像中のキャンディデイトを分類する方法において、
第１キャンディデイトの空間的位置に特異な訓練データを利用して訓練される第１分類子を使用して画像の第１キャンディデイトを分類し；
第２キャンディデイトの空間的位置に特異な訓練データを利用して訓練される第２分類子を使用して画像の第２キャンディデイトを分類する
ステップを含み、
第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的であることを特徴とする前記方法。
【請求項２】
画像を得るステップをも含むことを特徴とする請求項１に記載の方法。
【請求項３】
画像を得るステップが人体の少なくとも一部のＣＴ、ＭＲＩまたは超音波画像のうちの少なくとも１つを得るステップであることを特徴とする請求項２に記載の方法。
【請求項４】
画像を得るステップが衛星画像を得るステップであることを特徴とする請求項２に記載の方法。
【請求項５】
画像上の空間的位置を識別するステップをも含むことを特徴とする請求項１に記載の方法。
【請求項６】
画像上の空間的位置を識別するステップがグラフィカル・ユーザー・インターフェースを設けることによって画像上の空間的位置を手動識別するステップであることを特徴とする請求項５に記載の方法。
【請求項７】
画像上の空間的位置を識別するステップが画像上の空間的位置を自動識別するステップであることを特徴とする請求項５に記載の方法。
【請求項８】
画像上の空間的位置を自動識別するステップが空間的位置の既知情報を利用して画像上の空間的位置を自動識別するステップであることを特徴とする請求項７に記載の方法。
【請求項９】
画像上の空間的位置を自動識別するステップがパターン・マッチングを利用して画像上の空間的位置を自動識別するステップであることを特徴とする請求項７に記載の方法。
【請求項１０】
人体の少なくとも一部の画像上の空間的位置を識別することを特徴とする請求項５に記載の方法。
【請求項１１】
人体の少なくとも一部の画像上の空間的位置を識別するステップが肺の画像上の空間的位置を識別するステップであることを特徴とする請求項１０に記載の方法。
【請求項１２】
肺の画像上の空間的位置が壁密着領域、肺内部領域及び気管支領域を含むことを特徴とする請求項１１に記載の方法。
【請求項１３】
人体の少なくとも一部の画像上の空間的位置を識別するステップが心臓の画像上の空間的位置を識別するステップであることを特徴とする請求項１０に記載の方法。
【請求項１４】
画像上の第１キャンディデイト及び第２キャンディデイトを識別するステップであることを特徴とする請求項１に記載の方法。
【請求項１５】
画像上の第１キャンディデイト及び第２キャンディデイトを識別するステップがグラフィカル・ユーザー・インターフェースを設けることによって画像上の第１キャンディデイト及び第２キャンディデイトを手動識別するステップであることを特徴とする請求項１４に記載の方法。
【請求項１６】
画像上の第１キャンディデイト及び第２キャンディデイトを識別するステップが画像上の第１キャンディデイト及び第２キャンディデイトを自動識別するステップであることを特徴とする請求項１４に記載の方法。
【請求項１７】
画像上の第１キャンディデイト及び第２キャンディデイトを自動識別するステップがパターン・マッチングを利用して画像上の第１キャンディデイト及び第２キャンディデイトを自動識別するステップであることを特徴とする請求項１６に記載の方法。
【請求項１８】
第１キャンディデイトを分類するステップが第１キャンディデイトが小結節であるかどうかを自動分類するステップであり、第２キャンディデイトを分類するステップが第２キャンディデイトが小結節であるかどうかを自動分類するステップであることを特徴とする請求項１に記載の方法。
【請求項１９】
訓練データが医師によって検証されたデータであることを特徴とする請求項１に記載の方法。
【請求項２０】
画像上の小結節を自動検出する方法において、
画像を得；
画像上の互いに排他的な第１空間的位置及び第２空間的位置を識別し；
第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；
第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；
第１空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して第１キャンディデイトが小結節であるかどうかを分類し；
第２空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して第２キャンディデイトが小結節であるかどうかを分類するステップを含み；
第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的であることを特徴とする前記方法。
【請求項２１】
第１キャンディデイトが小結節なら第１キャンディデイトをマークし；
第２キャンディデイトが小結節なら第２キャンディデイトをマークする
ステップをも含むことを特徴とする請求項２０に記載の方法。
【請求項２２】
画像中のキャンディデイトを分類する方法をプロセッサーに実行させるための命令を記憶させた機械可読媒体において、前記方法が
第１キャンディデイトの空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して画像の第１キャンディデイトを分類し；
第２キャンディデイトの空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して画像の第２キャンディデイトを分類する
ステップを含み；
第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置が互いに排他的であることを特徴とする前記機械可読媒体。
【請求項２３】
画像上小結節を自動検出する方法をプロセッサーに実行させるための命令を記憶させた機械可読媒体において、前記方法が
画像を得；
画像上の互いに排他的な第１空間的位置及び第２空間的位置を識別し；
第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；
第１空間的位置における第１キャンディデイト及び第２空間的位置における第２キャンディデイトを識別し；
第１空間的位置に特異な訓練データを使用して訓練される第１分類子を利用して第１キャンディデイトが小結節であるかどうかを分類し；
第２空間的位置に特異な訓練データを使用して訓練される第２分類子を利用して第２キャンディデイトが小結節であるかどうかを分類する
ステップを含み；
第１キャンディデイトの空間的位置と第２キャンディデイトの空間的位置とが互いに排他的であることを特徴とする前記機械可読媒体。
【図１】
【図２Ａ】
【図２Ｂ】
【図２Ａ】
【図２Ｂ】
【公表番号】特表２００７−５０２１７３（Ｐ２００７−５０２１７３Ａ）
【公表日】平成１９年２月８日（２００７．２．８）
【国際特許分類】
【出願番号】特願２００６−５２３４２４（Ｐ２００６−５２３４２４）
【出願日】平成１６年８月１３日（２００４．８．１３）
【国際出願番号】ＰＣＴ／ＵＳ２００４／０２６４２５
【国際公開番号】ＷＯ２００５／０１７８１５
【国際公開日】平成１７年２月２４日（２００５．２．２４）
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．フロッピー
【出願人】（５９３０６３１０５）シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド (156)
【氏名又は名称原語表記】Ｓｉｅｍｅｎｓ Ｍｅｄｉｃａｌ Ｓｏｌｕｔｉｏｎｓ ＵＳＡ，Ｉｎｃ．
【住所又は居所原語表記】５１ Ｖａｌｌｅｙ Ｓｔｒｅａｍ Ｐａｒｋｗａｙ，Ｍａｌｖｅｒｎ，ＰＡ １９３５５−１４０６，Ｕ．Ｓ．Ａ．
【Ｆターム（参考）】
【公表日】平成１９年２月８日（２００７．２．８）
【国際特許分類】
【出願日】平成１６年８月１３日（２００４．８．１３）
【国際出願番号】ＰＣＴ／ＵＳ２００４／０２６４２５
【国際公開番号】ＷＯ２００５／０１７８１５
【国際公開日】平成１７年２月２４日（２００５．２．２４）
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．フロッピー
【出願人】（５９３０６３１０５）シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド (156)
【氏名又は名称原語表記】Ｓｉｅｍｅｎｓ Ｍｅｄｉｃａｌ Ｓｏｌｕｔｉｏｎｓ ＵＳＡ，Ｉｎｃ．
【住所又は居所原語表記】５１ Ｖａｌｌｅｙ Ｓｔｒｅａｍ Ｐａｒｋｗａｙ，Ｍａｌｖｅｒｎ，ＰＡ １９３５５−１４０６，Ｕ．Ｓ．Ａ．
【Ｆターム（参考）】
[ Back to top ]