DE3840257C2 - Verfahren zur automatischen Beurteilung von Unterschieden zwischen normalen und abnormalen Lungen - Google Patents

Verfahren zur automatischen Beurteilung von Unterschieden zwischen normalen und abnormalen Lungen

Info

Publication number
DE3840257C2
DE3840257C2 DE3840257A DE3840257A DE3840257C2 DE 3840257 C2 DE3840257 C2 DE 3840257C2 DE 3840257 A DE3840257 A DE 3840257A DE 3840257 A DE3840257 A DE 3840257A DE 3840257 C2 DE3840257 C2 DE 3840257C2
Authority
DE
Germany
Prior art keywords
abnormal
ibs
lungs
normal
threshold
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
DE3840257A
Other languages
English (en)
Other versions
DE3840257A1 (de
Inventor
Kunio Doi
Shigehiko Katsuragawa
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Chicago
Original Assignee
University of Chicago
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Chicago filed Critical University of Chicago
Publication of DE3840257A1 publication Critical patent/DE3840257A1/de
Application granted granted Critical
Publication of DE3840257C2 publication Critical patent/DE3840257C2/de
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/08Detecting, measuring or recording devices for evaluating the respiratory organs
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/40Analysis of texture
    • G06T7/41Analysis of texture based on statistical description of texture
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00ICT specially adapted for the handling or processing of medical images
    • G16H30/20ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00ICT specially adapted for the handling or processing of medical references
    • G16H70/60ICT specially adapted for the handling or processing of medical references relating to pathologies
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30061Lung
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10STECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S378/00X-ray or gamma ray systems or devices
    • Y10S378/901Computer tomography program or processor

Description

Die Erfindung betrifft ein Verfahren gemäß Oberbegriff des Patentanspruchs 1.
In der Druckschrift "Proceedings of the 6th international Conference on Pattern Recognition, München, 19.-22.10.1982", Seiten 273 bis 275, wird ein System zum Erfassen von krankhaften Veränderungen in Lungengewebe beschrieben, bei dem die Merkmale des Oberbegriffs von Anspruch 1 Anwendung finden. Dabei werden Lungenaufnahmen mit Hilfe eines Computers ausgewertet. Im ersten Schritt wird ein Rahmen gesetzt, im zweiten werden die Lungen­ grenzen bestimmt, im dritten Rippenbilder und Schatten von Blutgefäßen in der Lunge bestimmt, um im vierten Schritt in den verbleibenden interessierenden Bereichen des Lungengewebes der mit vorgegebenen Kriterien nach Abnormitäten zu suchen.
Aus der deutschen Anmeldung DE 38 26 287 A1 ist es bekannt, Erkrankungen der Lungenzwischenräume entsprechend den physi­ kalischen Abmessungen des Lungengewebes bei digitalen Brust­ radiographien zu beurteilen. Es werden etwa 20 quadratische Bereiche von Interesse (IBs) aus Zwischenrippenräumen nach einem automatischen oder manuellen Verfahren ausgewählt und der ungleichmäßige Hintergrundtrend in jedem interessierenden Bereich (IB oder ROI) wird korrigiert, um die gesamte Lungenanatomie von der darunterliegenden Feinstruktur zu trennen, die auf Erkrankungen zurückzuführen ist. Nachdem das Potenzspektrum der Lungenzusammensetzung entsprechend der visuellen Beurteilung eines Beobachters gefiltert wurde, werden die mittlere quadratische Variation und das erste Moment des Potenzspektrums als quantitative Strukturmaße für die Größe und Grobheit (oder Feinheit) des Lungengewebes ermittelt. Darauf baut die vorliegende Erfindung auf, und zwar wurden 100 normale Lungen und 100 abnormale Lungen auf nodulare, retikulare oder wabenförmige Strukturen untersucht, um eine Datenbasis zu etablieren. Diese Datenbasis wird dann gemäß Erfindung verwendet, um Kriterien zur automatischen Beurteilung des Unterschiedes zwischen normalen Lungen und abnormalen Lungen im Hinblick auf Lungenerkrankungen heran­ zuziehen.
Es ist Aufgabe der vorliegenden Erfindung, ein neuartiges Verfahren der obigen Art zu schaffen, das noch zuverlässiger verschiedene Lungenabnormalitäten automatisch erkennen kann.
Zur Lösung dieser Aufgabe dienen die kennzeichnenden Merkmale in Verbindung mit dem Oberbegriff des Patentanspruchs 1. Vorteilhafte Ausgestaltungen der Erfindung sind in den Unteransprüchen aufgeführt.
Das Verfahren basiert auf einer Analyse von vorgegebenen physika­ lischen Strukturmaßen und außerdem auf der Datenbasis dieser Strukturmaße basieren. Die ausgewählten Strukturmaße sind die Schwankungen im quadratischen Mittelwert, R, und das erste Moment des Potenzspektrums, M, für die Lungenstruktur, die so abgeleitet werden, wie dies in der deutschen Anmeldung P 38 26 287 beschrieben ist. Zuerst werden die zwei Strukturmaße (die Schwankung im quadratischen Mittelwert, R, und das erste Moment des Potenzspektrums, M, für die Lungenstruktur) norma­ lisiert, indem die Datenbasis für normale Lungen verwendet wird. Bevorzugt wird ein einzelner Strukturindex aus den zwei normalisierten Strukturmessungen festgelegt, indem die Vertei­ lung (oder die Datenbasis), die von Strukturmessungen von abnormalen Lungen erhalten werden, zugrundegelegt werden, um die automatische Klassifizierung von normalen und abnormalen Lungen zu erleichtern. Vorzugsweise wird ein Schwellenwertstruktur­ index für die anfängliche Selektion von "abnormalen" Bereichen von Interesse (IBs) ausgewählt, der einen großen Strukturindex über dem Schwellenwert hat. Die ausgewählten abnormalen IBs können dann drei unabhängigen Tests auf (1) ein definitiv abnormales singuläres Muster, (2) lokalisierte abnormale Strukturen für zwei oder mehrere abnormal mit Clustern versehenen IBs, und (3) auf diffuse abnormale Strukturen für mehr als vier abnormale IBs, die über die Lunge verteilt sind, unterworfen werden. Ein Brustbild, das eine dieser abnormalen Struk­ turen zeigt, wird als Bild eingeordnet, das eine abnormale Lunge mit Zwischenrippenraumerkrankung darstellt.
Die Erfindung wird im folgenden anhand von Figuren näher erläutert; es zeigen:
Fig. 1 ein Fließbild des automatischen Klassifizierungs­ verfahrens zur Unterscheidung zwischen normalen Lungen und abnormalen Lungen bei Lungenerkrankungen, basierend auf einer Analyse von physikalischen Strukturmaßen,
Fig. 2 die Verteilung der zwei Strukturmaße, Schwankung im quadratischen Mittelwert (R) und erstes Moment des Potenzspektrums (M), die für normale Lungen aufge­ nommen wurden und die eine Datenbasis für normale Lungen bilden, mit welcher eine Klassifikation möglich ist;
Fig. 3 die Verteilung von normalisierten Strukturmessungen, die aus 100 Brustbildern von normalen Lungen erhalten wurden, wobei der Kreis die Standardab­ weichung von ± 1 zeigt;
Fig. 4 die Verteilung von normalisierten Strukturmessungen, die von 100 Brustbildern von abnormalen Lungen erhalten wurden, wobei die Ellipse den Bereich einer mittleren Standardabweichung von ± 1 angibt;
Fig. 5 einen einzigen Strukturindex (T), der für normalisierte Strukturmessungen festgelegt ist, um eine Computer- Klassifikation von normalen und abnormalen Lungen zu erleichtern, wobei der Strukturindex (T) in den vier Quadranten durch vorgegebene Gleichungen definiert und durch gestrichelte Pfeile angedeutet ist;
Fig. 6 Histogramme von Maximalwerten für normalisierte Schwankungen des quadratischen Mittelwerts, die bei allen IBs vorhanden sind, welche in jedem Brustbild für normale und abnormale Lungen ausgewählt werden;
Fig. 7 Histogramme von Maximalwerten von normalisierten ersten Momenten der Potenzspektren, die zu allen IBs gehören, welche in jedem Brustbild für normale und abnormale Lungen ausgewählt werden;
Fig. 8 Histogramme des Maximalwerts der Strukturindices, die unter allen IBs enthalten sind, welche bei jedem Brustbild für normale und abnormale Lungen ausge­ wählt werden;
Fig. 9 Empfänger-Betriebskennlinien (ROC) für die Unter­ scheidung zwischen normalen und abnormalen Lungen mittels Computer basierend auf den Schwankungen im quadratischen Mittelwert, dem ersten Moment des Potenzspektrums oder dem Einzelstrukturindex, wobei man erkennt, daß der Strukturindex wirksamer als jede der beiden Strukturmaße allein ist.
Fig. 10 die ROC-Kurven für die Unterscheidung zwischen normalen und abnormalen Lungen mittels Computer, während der Strukturindex zusammen mit dem lokali­ sierten und/oder diffusen Abnormalitätstest verwendet werden, woraus man erkennt, daß das Volltestschema nach Fig. 1 die besten Ergebnisse liefert;
Fig. 11 einen Vergleich der ROC-Kurven, die mittels Computer und von 12 Radiologen aus 60 ausgewählten Brustbildern erhalten werden (die nicht in der Datenbasis von Fig. 2 enthalten sind), wobei man erkennt, daß die Erfindung den Entscheidungen der Radiologen hinsicht­ lich der Unterscheidung zwischen normalen und ab­ normalen Lungen mit Zwischenrippeninfiltraten über­ legen war;
Fig. 12 eine Darstellung von drei verschiedenen Bereichen im Strukturmaßkoordinatensystem, wobei retikulare, nodulare und Waben-Muster (reticulo-nodulare Struk­ turen) durch Quadrate, Kreise und Sechsecke dar­ gestellt werden; und
Fig. 13 ein schematisches Blockdiagramm zur Verdeutlichung des Verfahrens und der Vorrichtung zur automatischen Klassifizierung von Lungenstrukturanalysen anhand von digitalen Brustbildern.
In den Zeichnungen sind gleiche Teile mit gleichen Bezugs­ zeichen versehen. Fig. 1 ist ein Fließbild zur Erläuterung des Verfahrens zur automatischen Klassifizierung der Unter­ scheidung zwischen normalen und abnormalen Lungen. Im ersten Schritt 10 wird ein digitales Bild des zu diagnostizierenden Patienten aufgenommen. Insbesondere werden etwa 20 interes­ sierende Bereiche (IBs) aus Zwischenrippenräumen durch ein automatisches oder manuelles Verfahren, beispielsweise nach der deutschen Anmeldung P 38 26 287 untersucht. Für jeden IB, der im Schritt 20 ausgewählt wird, wird die quadratische Mittelwertvariation und das erste Moment des Potenzspektrums der 2D Fourier-Transformation erhalten und entsprechend der visuellen Betrachtung gefiltert. Schließlich werden die Schwankung im quadratischen Mittelwert, R, und das erste Moment des Potenzspektrums, M, als die bemerkten quantitativen Strukturmaße für die Größe und Grobheit (oder Feinheit), des Lungengewebes bestimmt.
Im einzelnen werden die 2D-Fourier-transformierten Daten durch T (u,v) definiert, worin u und v räumliche Frequenzen in einem kartesischen Koordinatensystem sind. T (u,v) werden durch das menschliche Sehverhalten V (u,v) gefiltert, worin
um gefilterte Daten (T(u,v)V(u,v)) zu erhalten, worin u₀ und D vorgegebene Konstanten sind.
Die Variation im quadratischen Mittelwert, R, und das erste Moment des Potenzspektrums, M, werden dann folgendermaßen erhalten:
Nachdem R und M gemäß Fig. 1 bestimmt sind, werden im Schritt 30 die zwei Strukturmaße R und M von allen IBs eines Patienten-Brustbildes normalisiert, indem die Mittelwerte und die Standardabweichungen herangezogen werden, die aus einer Datenbasis für normale Lungen abgeleitet wurden. Diese Daten­ basis wurde von den Erfindern entwickelt, indem Strukturmaße R und M für 100 normale Lungen sowie für 100 abnormale Lungen mit nodularen, retikularen und Waben-Strukturen durchgeführt wurden. Danach wird im Schritt 40 ein einzelner Strukturindex aus den zwei normalisierten Strukturmaßen festgelegt, indem die Verteilung, d. h. die Datenbasis der von abnormalen Lungen erhaltenen Strukturmaße berücksichtigt wird. Danach werden im Schritt 50 interessierende Bereiche mit großen Strukturindices ermittelt, die über einem vorgegebenen Schwellenwert liegen. Diese ausgewählten IBs werden schließlich in den Schritten 60₁, 60₂ und 60₃ drei unabhängigen Tests auf ein definitiv abnormales Einzelmuster (Schritt 60₁), ein lokalisiertes abnormales Muster (Schritt 60₂) oder ein diffuses abnormales Muster (60₃) unterworfen. Ein Brustbild, das irgendeines der abnormalen Muster enthält, wird so klassifiziert, daß es eine abnormale Lunge mit Zwischenrippenerkrankung anzeigt, und zwar in Schritt 70. Wenn andererseits keines der abnormalen Muster vorliegt, wird die Lunge im Schritt 80 als normal klassi­ fiziert.
Die zwei Strukturmaße werden im Schritt 30 durch den Mittelwert und die Standardabweichung von Strukturmaßen normalisiert, die für normale Lungen, die in der Datenbasis enthalten sind, erhalten wurden, und zwar nach den nachfolgenden Gleichungen:
worin RN und MN die normalisierten Schwankungen in dem quadratischen Mittelwert und das normalisierte erste Moment des Potenzspektrums sind; R⁻ und M⁻ sind die mittleren Schwankungen im quadratischen Mittelwert und das mittlere erste Moment des Potenzspektrums für normale Lungen; und σR und σM sind die Standardabweichungen der quadratischen Mittelwertschwankung und der Standardabweichung des ersten Moments des Potenzspektrums für normale Lungen.
Die Verteilung der zwei Strukturmaße, die für normale Lungen erhalten wurden, ist in Fig. 2 dargestellt.
Aus dieser Verteilung wurde ermittelt, daß der Mittelwert und die Standardabweichung für die Schwankungen im quadratischen Mittelwert für normale Lungen 8,190 und 0,884 in Pixelwert­ einheiten sind und der Mittelwert und die Standardabweichung für das erste Moment des Potenzspektrums 2,577 bzw. 0,120 Schwin­ gungen/mm betragen. Die Pixelwerteinheit, die für die Schwankung im quadratischen Mittelwert verwendet wird, kann in andere Einheiten umgewandelt werden, die in Situationen zweckmäßig sind, in denen die Mittelwert-Schwankung als optische Dichte oder relative Röntgenstrahlintensität angegeben wird. Da radiographische Bilder bei dieser Studie mit einem Hochqualitäts-Trommelscanner digitalisiert wurden, wobei eine 10 Bit-Analog-Digital-Umwandlung erfolgte und wobei der optische Dichtebereich von 0,4 bis 2,2 für die Pixelwerte im Bereich von 800 bis 200 linear aufgezeichnet wurde, (d. h. 0,003 optische Dichte/Pixelwert), sind der Mittelwert und die Standardabweichung der Mittelwertschwankung für normale Lungen 0,02457 bzw. 0,002652 für die optische Dichteeinheit.
Der Mittelwert und die Standardabweichung in der mittleren Schwankung für relative Röntgenstrahlintensität läßt sich erhalten, indem diese Größen bei der optischen Dichte durch einen Faktor von 0,434G geteilt werden, worin G der Gradient der Kennlinie für ein Schirmfilmsystem ist, wie es für Bruströntgen verwendet wird. Nimmt man an, daß der mittlere Gradient 2,8 ist, dann wird vermutet, daß der Mittelwert und die Standardabweichung der Mittelwertschwankung für normale Lungen etwa 0,02 und 0,002 für die relative Röntgenstrahlintensität beträgt. Es wird darauf hingewiesen, daß diese Größen für die relative Röntgenstrahlintensität lediglich eine grobe Abschät­ zung darstellen und nur vorsichtig verwendet werden sollten, da nicht alle Kennlinien für alle Röntgenbilder bekannt sind und lediglich die gemittelte Kurve verwendet wurde, um den gemittelten Gradienten zu erhalten.
Die Verteilungen der normalisierten Strukturmaße für normale und abnormale Lungen in der Datenbasis sind in den Fig. 3 und 4 dargestellt. Die Verteilung für normale Lungen ist um den Ursprung der normalisierten Strukturmaße-Koordinaten zen­ triert, während die Verteilung für abnormale Lungen nach oben links verschoben ist. Es gibt jedoch offenbar eine beträchtliche Überlappung zwischen diesen zwei Verteilungen. Dies ist deswegen der Fall, weil Lungenstrukturen in einer abnormalen Lunge auch normale Bereiche enthalten können, sofern nicht die Erkrankung über die gesamte Lunge verbreitet ist. Es wird vermutet, daß ein Klassifikationsschema basierend auf lediglich diesen Verteilungen nicht sehr effektiv in der Unterscheidung zwischen normalen und abnormalen Lungen ist.
Da die Verteilung der Strukturmaße für abnormale Lungen einige Werte für normale Lungen enthält und somit in den zweiten Quadranten der normalisierten Strukturmaße-Koordinaten ver­ schoben ist, wird der Schritt 40 durchgeführt, um einen neuen Einzelstrukturindex (T) gemäß Fig. 5 zu formulieren und dadurch wirksam zwischen normalen und abnormalen Lungen zu unterscheiden. Die Nützlichkeit einer einzigen aussagekräf­ tigen Zahl, die durch einen verläßlichen Index geliefert wird, anstelle von zwei Parametern, liegt in der Einfachheit und Wirksamkeit der Erzielung einer genauen automatisierten Computerklassifikation, wie dies aus den später angegebenen Ergebnissen klar wird. Mathematisch wird der Einzelstruktur­ index T folgendermaßen definiert:
d. h. der Negativwert des kleineren von MN oder des Absolut­ werts von RN.
Die Nützlichkeit des Strukturindex T wird durch Vergleich der Histogramme für die Schwankungen im quadratischen Mittelwert, für die ersten Momente der Potenzspektren und für die neuen Strukturindices für normale und abnormale Lungen gemäß den Fig. 6, 7 und 8 verdeutlicht. Diese Histogramme geben die Auftrittsfrequenzen für den Maximalwert an, der in allen IBs für jedes Brustbild enthalten ist. Man erkennt, daß die Histogramme der Mittelwert-Schwankungen und das erste Moment des Potenzspektrums für abnormale Lungen sich mit jenen für normale Lungen wesentlich überlappen. Es ist daher schwierig zwischen normalen und abnormalen Lungen zu unterscheiden, wenn der Maximalwert oder entweder die Mittelwertschwankung oder das erste Moment des Potenzspektrums zu ihrer Klassifikation herangezogen wird. Die Histogramme des Einzelstrukturindex zeigen jedoch eine verbesserte Trennung zwischen den Vertei­ lungen für normale und abnormale Lungen, wodurch sie auf verbesserte Klassifikationen hinweisen. Dies ist in der Tat das Ergebnis, wenn die Empfängerbetriebskurven (ROC) gemäß Fig. 9 gezeichnet werden (zur Erläuterung einer ROC-Analyse­ technik wird auf C.E. Metz, Investigative Radiology 21: 720-733 (1986) hingewiesen)). Die ROC-Kurve gilt derzeit als das zuverlässigste Diagramm, welches die Wirksamkeit von Detektoren (oder Beobachtern) bei der Unterscheidung zwischen zwei möglichen Zuständen für Lungen, nämlich normal und abnormal, angibt. Die ROC-Kurve ist allgemein eine Wiedergabe der Beziehung zwischen dem wahren positiven Anteil, d. h. dem Anteil der korrekten Klassifikationen (oder Erkennungen) der abnormalen Lunge als abnormal, und dem falsch-positiven Teil, d. h. dem Teil der inkorrekten Klassifikationen (oder Erkennungen) der normalen Lunge als abnormal. Diese Beziehung wird durch eine Kurve anstelle eines Punktes ausgedrückt, da sich diese Teile je nach verwendetem Schwellenwert ändern können.
Bei der Erzeugung der ROC-Kurve mit der Bezeichnung "Struktur­ index" in Fig. 9 wird eine Strukturindexschwelle in bezug auf die in Fig. 8 dargestellten Histogramme eingerichtet. Für jeden möglichen Schwellenwert wird der wahre positive Anteil als das Verhältnis der Fläche unter der Kurve für das abnormale Lungenhistogramm rechts von dem Schwellenwert zum Gesamtbereich unter der Kurve für das abnormale Lungenhisto­ gramm ermittelt. In ähnlicher Weise wird der falsche positive Anteil als Verhältnis der Fläche unter der Kurve des normalen Lungenhistogramms rechts vom Schwellenwert zum Gesamtbereich unter der Kurve des normalen Lungenhistogramms ermittelt. Wenn beispielsweise der Schwellenwert abnimmt, soll der wahre positive Anteil ansteigen, aber auch der falsche positive Anteil soll ansteigen. Beim Vergleich der verschiedenen ROC-Kurven, die mit unterschiedlichen Detektoren oder Ver­ fahren erhalten werden, stellt die höhere (oder näher zur oberen linken Ecke) liegende ROC-Kurve im allgemeinen das bessere Verhalten dar. Daher weist Fig. 9 deutlich daraufhin, daß die Verwendung des Strukturindex sowohl der Verwendung der Schwankung im quadratischen Mittelwert, als auch der Verwen­ dung des ersten Moments des Potenzspektrums bei der automa­ tischen Klassifikation von Lungenstrukturen für normale Lungen und für abnormale Lungen aufgrund von Zwischenrippenerkrankung überlegen ist.
Um das automatisierte Klassifikationsverfahren nach der Er­ findung weiter zu verbessern, sind drei unabhängige Tests 60₁, 60₂ und 60₃ für abnormale Muster in abnormale Lungen mit Zwischenrippenerkrankung eingeschlossen. Der erste Test 60₁ dient dazu, festzustellen, ob irgendein Strukturindex, der von allen IBs aus einem Brustbild erhalten wurde, einen größeren Wert als vier hat. Wenn dies der Fall ist, wird das Brustbild als abnormal klassifiziert, da es keine normalen Lungen in der Datenbasis gibt, die einen Strukturindex von mehr als 4 haben, wie man aus Fig. 8 erkennt. Wenn das erfindungsgemäße Verfahren zur täglichen Analyse einer großen Anzahl von klinischen Fällen herangezogen wird, dann kann es einige normale Fälle geben, bei denen der Strukturindex größer als vier ist und diese werden zu einer Vergrößerung des falschen positiven Anteils beitragen. Diese Erhöhung wird jedoch im Hinblick darauf verhältnismäßig klein sein, daß keines der 100 normalen Brustbilder in der Datenbasis zu einem höheren Strukturindex als vier führte.
Der zweite Test 60₂ dient dazu, festzustellen, ob vorgewählte "abnormale" IBs mit einem Strukturindex, der relativ weit über dem Schwellenwert liegt, sich in einem bestimmten vorgegebenen Abstand (oder Durchmesser eines Kreises) sammeln. Der Schwellenwert für den Strukturindex kann durch Verwendung einer interaktiven Selektionssteuerung oder durch ein auto­ matisches Verfahren verändert werden, oder er kann auf einen vorgegebenen Wert eingestellt werden. Der Effekt des Abstandes im Bereich von 1 cm bis 5 cm auf die Bestimmung von gehäuften abnormalen IBs wurde bei der Ableitung der vorliegenden Erfindung untersucht. Es hat sich herausgestellt, daß eine Distanz von etwa 3 bis 4 cm für die Erkennung von lokali­ sierten abnormalen Strukturen, die auf eine Erkrankung zurück­ zuführen waren, wirksam ist und daß das Vorsehen dieses Tests den Wirkungsgrad deutlich verbesserte, wie dies die ROC-Kurven in Fig. 10 zeigen.
In dritter Test 60₃ untersucht, ob vorgewählte abnormale IBs aber die gesamte Lunge verteilt sind und ein diffuses abnormales Muster aufgrund von Erkrankung bilden. Im Test 60₃ wird die Gesamtzahl dieser IBs je Brustbild gezählt, die zu einem Strukturindex führen, der über dem Schwellenwert liegt. Die Resultate zeigten an, daß dann, wenn mehr als vier abnormale IBs vorlagen, das Brustbild höchstwahrscheinlich ein diffuses abnormales Muster aufgrund von Erkrankung enthielt. Die Zweckmäßigkeit des Tests 60₃ sowie das Gesamtresultat bei der Verwendung dieser drei Tests zusammen, ist in Fig. 10 dargestellt. Aus diesem Ergebnis und aus anderen Daten, die zum Vergleich mit der Leistung von Radiologen hinzugezogen werden, wird bestätigt, daß der Volltest nach Fig. 1 das beste Leistungsergebnis lieferte. Es wird darauf hingewiesen, daß die optimalen Kriterien für sowohl die Distanz (oder den Durchmesser) des lokalisierten abnormalen Gebiets als auch für die Gesamtzahl der abnormalen IBs für diese Tests Verände­ rungen unterworfen sein kann, wenn die Gesamtzahl der je Brustbild ausgewählten IBs wesentlich erhöht wird.
Die oben beschriebenen Methoden und Verfahren für die Norma­ lisierung, für den einzelnen Strukturindex und der Test auf Abnormalität wurden für jedes Brustbild auf die gesamte Lunge angewendet. Die gleichen Verfahren und Methoden können aber auch unabhängig voneinander auf ausgewählte Lungenbereiche an verschiedenen Stellen wie in der oberen, mittleren und unteren Lunge sowie in der inneren und äußeren Lunge angewendet werden. Eine Datenbasis für Lungenstrukturen für die normale und abnormale Lunge muß dann für jeden ausgewählten Bereich eingerichtet werden. Die Normalisierung der Strukturmaße wird dann unabhängig für jeden Lungenbereich erreicht, indem die Datenbasis für normale Lungen verwendet wird, die von dem entsprechenden Lungenbereich erhalten wurde. Der Strukturindex wird nach dem Verfahren gemäß Gleichungen 6-9 sowie nach Fig. 5 ermittelt. Tests für abnormale Lungen werden unabhängig in jedem Lungenbereich durchgeführt.
Es hat sich gezeigt, daß dieser Ansatz zur automatischen Klassifikation, der auf Teillungenbereiche angewendet wird, etwas empfindlicher in der Unterscheidung zwischen normalen und abnormalen Lungen ist, als wenn er auf die gesamte Lunge angewendet wird. Da jedoch die Datenbasis derzeit linitiert ist, war es nicht möglich, die statistische Bedeutung dieser geringfügigen Empfindlichkeitsverbesserung zu bestätigen. Offenbar wird eine größere Datenbasis für Strukturmaße benötigt, um diesen Ansatz hinsichtlich von Teilbereichen der Lunge zu vervollständigen.
Um die Nützlichkeit des mit Computer erfolgenden automatisierten Klassifikationsschemas zu untersuchen, wurde das erfindungs­ gemäße Verfahren auf die Analyse von klinischen Fällen angewendet, die zuvor für Studien der Wirkung eines Anzeige­ formats auf die diagnostische Neuigkeit von digitalen Brust­ röntgenbildern verwendet wurde. Diese Studie schloß einen Vergleich von Hardcopy, Video und Grauwert-Umkehrbildern ein (H. MacMahon, C.E. Metz, K. Doi, T. Kim, M.L. Giger, und H.P. Chan. Radiology 161(P): 203, 1986 (abstract)). Die für diese Studie ausgewählten 60 Brustbilder enthielten kleine Abnor­ malitäten wie pulmonare Knoten, Pneumotorax, Zwischenrippen­ raum-Infiltrate und Knochenverletzungen. Die ROC-Kurven für die Erkennung jeder dieser Abnormalitäten wurden von sechs Radiologen und sechs erfahrenen radiologischen Hilfskräften ermittelt.
Fig. 11 zeigt einen Vergleich der ROC-Kurven, die von diesen zwölf Beobachtern erstellt wurden, mit dem automatischen Klassifikationsverfahren nach der Erfindung. Man sieht, daß die Computer-Auswertung den Auswertungen eines durchschnitt­ lichen Beobachters hinsichtlich der Unterscheidung zwischen normalen und abnormalen Lungen mit Zwischenrippenraum-Infil­ traten überlegen ist. Es wird darauf hingewiesen, daß die Brustbilder, die für die Beobachter-Leistungsstudien verwendet wurden, mit Pixelgrößen von 0,3 mm und einem Trommelscanner aufbereitet wurden, der qualitativ hochwertige Hardcopybilder lieferte, während die automatische Klassifikation anhand von digitalen Bilddaten erfolgte, die mit einer Pixelgröße von 0,1 mm erhalten wurde. Man nimmt an, daß die von Radiologen erhältlichen ROC-Kurven verbessert werden können, wenn für die Beobachter-Leistungsstudien Hardcopybilder mit Pixelgrößen von 0,1 mm zur Verfügung gestellt werden. Diese Verbesserung würde jedoch nicht sehr wesentlich sein, wie bereits bei früheren Beobachterleistungsstudien hinsichtlich der Wirkung der Pixel­ größe auf die Erkennung von Infiltraten festgestellt wurde (H.M. MacMahon, C.J. Vyborny, C. E. Metz, K. Doi, V. Sabeti, und S.L. Solomon, Radiology 158: 21, (1986). Man nimmt daher an, daß die aus der Fig. 11 gezogenen Schlüsse bestehen bleiben, nämlich daß die Computerauswertung zuverlässiger als der menschliche Beobachter auf Erkrankungen zurückzuführende Abnormalitäten der Lunge feststellen kann.
Aus der Analyse von Strukturmaßen, die für abnormale Lungen in der oben erwähnten Datenbasis erhalten werden, hat sich gezeigt, daß abnormale Lungen mit einem Retikularmuster dazu neigen, eine große Schwankung in dem quadratischen Mittelwert und ein verhältnismäßig großes erstes Moment des Potenzspek­ trums im Vergleich zu normalen Lungen zu enthalten. Dieses Ergebnis entspricht der Feststellung, daß normalisierte Strukturmaße eines Retikularmusters im allgemeinen in der Nähe des oberen Teils der positiven RN-Achse verteilt sind. Für abnormale Lungen mit einem Knotenmuster wird das erste Moment des Potenzspektrums normalerweise kleiner als für normale Lungen, während die Mittelwertschwankung mit normalen Lungen vergleichbar ist. Diese Resultate entsprechen einer Verteilung von normalisierten Strukturmaßen eines Knotenmusters, das im allgemeinen in der Nähe des linken Teils der negativen MN-Achse angeordnet ist. Abnormale Lungen mit Wabenmuster und Retikulo-Nodular-Struktur tendieren dazu, eine Mittelwertschwan­ kung zu haben, die größer als für normale Lungen ist, während das erste Moment des Potenzspektrums kleiner als für normale Lungen ist. Dies impliziert, daß die normalisierten Struktur­ maße von Waben- und Retikulo-Nodular-Mustern im zweiten Quadranten der (MN- RN) Koordinaten in der Nähe von links oben von der Diagonalen liegen, die durch den Ursprung gelegt ist.
Basierend auf den Feststellungen für diese Bildmerkmale betreffend verschiedene abnormale Muster aufgrund von Rippen­ raumerkrankungen werden abnormale Lungenbereiche mit speziellen Markierungen (oder Symbolen) dargestellt, die einem Brustbild überlagert werden, welches zur Interpretation durch einen Radiologen angezeigt wird. Typischerweise wird ein hochauflösender Kathodenstrahlröhrenmonitor zur Anzeige verwendet; es können jedoch auch andere Anzeige-Einrichtungen, beispielsweise Filmbilder hierfür verwendet werden. Wenn ein Brustbild basierend auf dem automatisierten Schema gemäß Fig. 1 als abnormal klassifiziert wird, werden alle abnor­ malen IBs, die einen Strukturindex enthalten, der über dem Schwellenwert liegt, mit drei Typen von Symbolen angezeigt, die dem Brustbild an der Stelle der abnormalen IBs überlagert werden und die die Art und Größe jeder Abnormalität in jedem interessierenden Bereich (IB) anzeigen.
In Fig. 12 stellen die Quadrate Retikular-Muster dar, wenn abnormale Strukturmaße in dem ersten Quadranten oder in einem Drittel des zweiten Quadranten lokalisiert sind, der neben dem ersten Quadranten liegt (wie dies durch die Ordinate und die gestrichelte Linie angedeutet wird, die unter 30° gegen­ über der Ordinate liegt). Die Kreise stellen Knotenmuster für abnormale Strukturmaße dar, die im dritten Quadranten oder in einem Drittel des zweiten Quadranten liegen, der benachbart zu dem dritten Quadranten ist (wie dies durch die Abszisse und die strichpunktierte Linie angedeutet ist, die unter 30° zur Abszisse liegt). Sechsecke stellen Waben- und Reti­ kulo- nodulare Muster dar, wenn abnormale Strukturmaße in einem Drittelabschnitt des zweiten Quadranten liegen, der im Bereich zwischen der gestrichelten Linie und der strichpunk­ tierten Linie liegt. Die Größe der Abnormalität wird durch die Größe dieser Symbole angezeigt; je größer der Struktur­ index eines abnormalen IBs ist, desto größer ist der Kreis, das Sechseck oder das Quadrat. Die Mitte des Symbols liegt in der Mitte des in dem Brustbild ausgewählten IB. Die Größe eines Symbols kann im Verhältnis zu dem Strukturindex verändert werden oder durch eine andere Beziehung, die eine monotone Vergrößerung mit größer werdendem Strukturindex liefert. Die Größen und Bereiche dieser drei unterschied­ lichen Symbole werden gleichgehalten, wenn die Größen der entsprechenden Strukturindices gleichbleiben.
Andere Größen, die auf dem Bildröhren-Monitor angezeigt werden und die sehr nützlich sind, sind der wahr-positive Anteil und der falsch-positive Anteil, die aus der ROC-Kurve am Arbeitspunkt abgeleitet werden, nämlich bei dem verwendeten Schwellenstrukturindex. Dies hat wesentliche Einflüsse auf die Beurteilungskriterien betreffend die Zuverlässigkeit der Computer-Ausgabe, wenn sie eine abnormale Lunge anzeigen, da der wahr-positive Anteil und der falsch-positive Anteil die Wahrscheinlichkeit darstellen, daß eine abnormale Lunge bzw. eine normale Lunge vorliegt, wenn ein Brustbild automatisch gemäß Erfindung klassifiziert wird. Mit anderen Worten kann das erfindungsgemäße Verfahren die Wahrscheinlichkeit zeigen, daß die Lunge tatsächlich abnormal ist und auch die Wahrscheinlichkeit, daß die Lunge tatsächlich normal sein kann, selbst wenn die Computer-Ausgabe auf eine abnormale Lunge hindeutet.
Da eine ROC-Kurve, wie sie in Fig. 10 dargestellt ist, durch Veränderung des Schwellenwertes für den Strukturindex abgeleitet wird, können die Daten für diese Kurve zusammen mit dem entsprechenden Schwellenwert in dem Computer gespeichert werden. Wenn also ein Brustbild bei einem vorge­ gebenen Schwellenwert analysiert wird, können die entsprechenden Werte für den wahr-positiven Anteil und den falsch-positiven Anteil bei diesem Schwellenwert auf dem Monitor angezeigt werden, wenn das Brustbild aufgrund von Zwischenrippenraum­ erkrankung als abnormal klassifiziert wird. Ferner, wenn das Brustbild durch Veränderung des Schwellenwertes interaktiv analysiert wird, können die entsprechenden Veränderungen dieser Anteile bei verschiedenen Schwellenwerten sowie über dem Schwellenwert liegende abnormale IBs unmittelbar bei der Veränderung dieses Wertes angezeigt werden. Dieses Anzeigen der Art, Größe und Wahrscheinlichkeit von abnormalen Lungen­ strukturen erleichtern dem Radiologen die Diagnose ganz wesentlich.
Wenn ein Brustbild mit dem automatisierten Klassifikations­ verfahren als normal beurteilt wird, werden zwei wichtige Parameter auf dem Bildschirm in ähnlicher Weise wie für eine abnormale Lunge angezeigt. Diese Parameter sind die Wahrscheinlichkeit, daß die Lunge tatsächlich normal ist, d. h. der wahr-negative Anteil, der gleich eins ist, minus dem falsch-positiven Anteil, und die Wahrscheinlichkeit, daß die Lunge tatsächlich abnormal ist, d. h. der falsch-negative Anteil, der gleich eins ist, minus dem wahr-positiven Anteil. Es ist klar, daß diese Wahrscheinlichkeiten aus der ROC-Kurve ermittelt werden können und daß sie als Beurteilungskriterien betreffend die Zuverlässigkeit zweckmäßig sind, daß eine normale Lunge von dem Computer als solche bezeichnet wird.
Fig. 13 ist ein schematisches Blockdiagramm des sequen­ tiellen Arbeitsablaufs eines fest verdrahteten, automatisierten Klassifikationssystems zur Analyse von Lungenstrukturen bei digitalen Brustbildern. Zuerst werden digitale Bilddaten entsprechend einem gegebenen Bruströntgenbild mit Hilfe einer Eingabeeinrichtung 100 eingegeben und in einem Bildspeicher 105 gespeichert. Ein digitales Brustbild kann durch Digitali­ sierung eines konventionellen Röntgenfilmbildes erhalten werden. Man kann das digitale Brustbild auch auf andere Weise, beispielsweise mit einer Vorrichtung nach Picker erhalten, bei der eine digitale Zeilenabtastung erfolgt. Ein anderes Verfahren von AS digitalisiert durch punktweise Abtastung. Weitere Vorrichtungen sind ein Speicherphosphor nach Fuji oder ein Lasersystem. Die Bilderzeugung kann auch mit Hilfe von Bildverstärkern erfolgen, die mit einem digi­ talisierten TV-System gekoppelt sind. Es sind auch Selen- Platten zur bilddigitalen Bilderzeugung bekannt. Geeignete IBs werden dann von Hand oder automatisch ausgewählt, (Block 110), und Strukturmessungen R und M werden an ausgewählten IBs ermittelt (Block 120). Die Strukturmaße R, M werden in einem Normalisierungsrechner 130 normalisiert, und zwar basierend auf der Datenbasisstatistik für normale Lungen, die in dem Datenbasisspeicher 130₁ gespeichert ist. Normalisierte Strukturmaße werden dann an den Rechner 140 gelegt, der einen einzigen Strukturindex T(M,R) berechnet, wie dies anhand von Fig. 5 erläutert wurde. Der einzelne Strukturindex T(M,R) wird vom Rechner 140 an einen Vergleicher 150 gelegt, der den Strukturindex für jeden IB mit einem Schwellenwert vergleicht, der interaktiv durch eine interaktive Schwellenwert-Auswahl­ steuerung 150₁ aus gewählt werden kann. Die Steuerung 150₁ legt außerdem einen auswählbaren Schwellenwert an einen ROC-Generator 150₂, der ROC-Daten speichert und, basierend auf einem ausgewählten Schwellenwert, der von der Steuerung 150₁ angelegt wird, falsch-positive Daten und wahr-positive Daten bei dem ausgewählten Schwellenindex erzeugt. Außerdem ist ein Vergleicher 160₁ vorgesehen, der ermittelt, ob der Strukturindex für jeden IB, der den von der Steuerung 150₁ eingestellten Schwellenwert übersteigt, gemäß Entscheidung vom Vergleicher 150 größer als 4 ist; der Analysator 160₂, der feststellt, ob die IBs, die vom Vergleicher 160₁ nicht als abnormal eingeordnet wurden, sich in einem vorgegebenen Abstand (oder Durchmesser eines Kreises) häufen; und der Vergleicher 160₃, der feststellt, ob die Gesamtzahl der IBs, die den von der Steuerung 150₁ eingestellten Schwellenwert übersteigen, gemäß Feststellung durch den Vergleicher 150 größer als 4 ist. Falls einer der Vergleicher 160₁, 160₃ und der Analysator 160₂ eine positive Entscheidung liefern, dann wird von dem Klassifizierer 170 eine Klassifikation gemacht, daß eine abnormale Lunge vorliegt. Falls dies nicht der Fall ist, dann entscheidet ein Klassifizierer 180, daß eine normale Lunge vorhanden ist.
Es ist ferner ein Symbolgenerator 190 vorgesehen, der Symbole erzeugt, die auf die Art der Abnormalität hinweisen (z. B. Wabenform, Retikularform, Retikulo-Nodular-Form, Knotenform etc., wie dies bereits erläutert wurde), wobei jedes Symbol eine Größe hat, die auf das Ausmaß der Abnormalität hindeutet, d. h. im Verhältnis zu dem Strukturindex steht.
Es ist eine Anzeige 200, beispielsweise eine Bildröhre zur Anzeige des Bildes vorgesehen, wobei die vom Generator 190 erzeugten Symbole an der Stelle der abnormalen IBs ebenso wie die ROC-Information vom Generator 150₂ angezeigt werden.

Claims (14)

1. Verfahren zur automatischen Klassifizierung und Unterschei­ dung zwischen normalen und abnormalen Lungen bei Erkrankun­ gen, die in digitalen Bruströntgenbildern erkennbar sind, wobei ein mit einer Röntgeneinrichtung erhaltenes Röntgen­ bild digitalisiert wird,
eine Vielzahl von interessierenden Bereichen (IBs) aus den Rippenzwischenräumen des digitalen Röntgenbildes ausgewählt werden;
digitale Daten erzeugt werden, die die Struktur jedes IB darstellen;
aus den digitalen Daten jedes ausgewählten IB Strukturmaße ermittelt werden, die die Lungenstruktur des jeweiligen IB darstellen;
dadurch gekennzeichnet, daß der Ermittlungsschritt aufweist:
Entfernen von ungleichmäßigem Hintergrundtrend in den digitalen Daten jedes IB zur Isolierung einer darunter­ liegenden Feinstruktur;
Festlegen des Potenzspektrums der darunterliegenden Fein­ struktur;
Bandpaßfilterung des festgelegten Potenzspektrums;
Ermitteln der Schwankung in dem quadratischen Mittelwert (R) und des ersten Moments (M) des bandpaßgefilterten Potenzspektrums; und
Verwendung von R und M als die vorgegebenen Strukturmaße;
daß die Strukturmaße in bezug auf vorgegebene Eigenschaften, die aus einer Datenbasis für normale Lungen abgeleitet wer­ den, normalisiert werden; und
daß die normalisierten Strukturmaße verarbeitet werden, um basierend auf den vorgegebenen Kriterien zu entscheiden, ob ein Lungenbild eine normale oder abnormale Lunge zeigt.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß der Normalisierungsschritt aufweist:
Festlegung von normalisierten Werten für RN und MN basierend auf den folgenden Beziehungen: worin R⁻ und M⁻ jeweils die mittlere Schwankung im quadrati­ schen Mittelwert und das mittlere erste Moment des Potenz­ spektrums für normale Lungen sind, wie sie aus der Daten­ basis abgeleitet sind und worin σR und σM jeweils die Stan­ dardabweichungen der Schwankung im quadratischen Mittelwert und des ersten Moments des Potenzspektrums für normale Lun­ gen sind.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, daß der Verarbeitungsschritt aufweist:
Berechnen eines einzelnen Strukturindex (T) basierend auf den normalisierten Werten von RN und MN.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, daß T in (MN, RN) Koordinaten folgendermaßen definiert ist:
T = RN für den ersten Quadranten, in dem MN < 0 und RN < 0 ist,
T = (MN² + RN²)0,5 für den zweiten Quadranten, in dem MN < 0 und RN < 0 ist,
T = -MN für den dritten Quadranten, in dem MN < 0 und RN < 0 ist, und
T = - {Min(MN, | RN |)} für den vierten Quadranten, in dem MN < 0 und RN < 0 ist.
5. Verfahren nach Anspruch 3, dadurch gekennzeichnet, daß der Verarbeitungsschritt umfaßt:
Vergleichen des Strukturindex T jedes ausgewählten IB gegen einen ersten Schwellenwert; und
Entscheiden, ob jeder IB möglicherweise abnormal ist, wenn der jeweilige Strukturindex den ersten Schwellenwert in dem Vergleichsschritt überschreitet.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, daß der Verarbeitungsschritt umfaßt:
Vergleichen des Strukturindex T für jene IBs, die mögli­ cherweise als abnormal bezeichnet wurden, gegenüber einem zweiten Schwellenwert; und
Feststellen der Existenz einer abnormalen IB-Struktur, wenn irgendein Strukturindex T den zweiten Schwellenwert über­ steigt.
7. Verfahren nach Anspruch 5 oder 6, dadurch gekennzeichnet, daß der Verarbeitungsschritt umfaßt:
Entscheiden, ob jene IB., die als potentiell abnormal er­ mittelt wurden, in einem vorgegebenen Abstand zueinander gehäuft sind; und
Feststellen der Existenz eines abnormalen IB-Musters, wenn gefunden wurde, daß sich die möglicherweise abnormalen IBs in dem vorgegebenen Abstand zueinander häufen.
8. Verfahren nach Anspruch 5 oder 7, dadurch gekennzeichnet, daß der Verarbeitungsschritt umfaßt:
Zählen der Anzahl der möglicherweise abnormalen IBs; und
Ermitteln der Existenz eines abnormalen IB-Musters, wenn die Zahl der möglicherweise abnormalen IBs einen dritten vor­ gegebenen Schwellenwert überschreitet.
9. Verfahren nach Anspruch 6, 7 oder 8, dadurch gekennzeichnet, daß der Verarbeitungsschritt umfaßt:
Feststellen, ob irgendwelche abnormalen IBs retikular, nodu­ lar, wabenförmig oder retikulo-nodular basierend auf dem jeweiligen Quadranten von (MN, RN)-Koordinaten und dem Ort innerhalb eines Quadranten der (MN, RN)-Koordinaten der IBs sind.
10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, daß
das aus dem digitalen Röntgenbild gebildete Bild angezeigt wird; und
jene IBs in dem angezeigten Bild, die einem abnormalen IB- Muster entsprechen, identifiziert werden.
11. Verfahren nach Anspruch 10, dadurch gekennzeichnet, daß jeweilige Abnormalitätssymbole, die bestimmte abnormale IBs von abnormalen IB-Mustern als retikular, nodular, wabenför­ mig oder retikulo-nodular auf dem angezeigten Bild an der Stelle des jeweiligen abnormalen IB in dem angezeigten Bild bezeichnen, angezeigt werden.
12. Verfahren nach Anspruch 11, dadurch gekennzeichnet, daß die Größe jedes abnormalen Symbols entsprechend der Größe des Strukturindex T des jeweiligen IB verändert wird.
13. Verfahren nach Anspruch 12, dadurch gekennzeichnet, daß
eine Empfängerbetriebscharakteristik (ROC)-Kurve als Funk­ tion des ersten Schwellenwertes in Bezug auf die Veränderung eines wahren positiven Anteils gegenüber einem falschen positiven Anteil von IBs, die als abnormal bezeichnet wer­ den, abgeleitet wird; und
ein wahr-positiver Anteil und ein falsch-positiver Anteil zusätzlich zu dem Bild und zu den Abnormalitätssymbolen angezeigt werden.
14. Verfahren nach Anspruch 13, dadurch gekennzeichnet, daß der erste Schwellenwert interaktiv veränderbar ist und das Bild, die Abnormalitätssymbole und der wahr-positive und der falsch-positive Anteil, wie sie für einen veränderten ersten Schwellenwert ermittelt werden, angezeigt werden.
DE3840257A 1987-11-27 1988-11-25 Verfahren zur automatischen Beurteilung von Unterschieden zwischen normalen und abnormalen Lungen Expired - Fee Related DE3840257C2 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US07/126,847 US4839807A (en) 1987-08-03 1987-11-27 Method and system for automated classification of distinction between normal lungs and abnormal lungs with interstitial disease in digital chest radiographs

Publications (2)

Publication Number Publication Date
DE3840257A1 DE3840257A1 (de) 1989-06-15
DE3840257C2 true DE3840257C2 (de) 1997-07-24

Family

ID=22426994

Family Applications (1)

Application Number Title Priority Date Filing Date
DE3840257A Expired - Fee Related DE3840257C2 (de) 1987-11-27 1988-11-25 Verfahren zur automatischen Beurteilung von Unterschieden zwischen normalen und abnormalen Lungen

Country Status (2)

Country Link
US (1) US4839807A (de)
DE (1) DE3840257C2 (de)

Families Citing this family (57)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5185809A (en) * 1987-08-14 1993-02-09 The General Hospital Corporation Morphometric analysis of anatomical tomographic data
US5544650A (en) * 1988-04-08 1996-08-13 Neuromedical Systems, Inc. Automated specimen classification system and method
US5740270A (en) * 1988-04-08 1998-04-14 Neuromedical Systems, Inc. Automated cytological specimen classification system and method
US5024230A (en) * 1988-11-23 1991-06-18 Picker International, Inc. Dual flow/lambda display for xenon enhanced tomography
US5016173A (en) * 1989-04-13 1991-05-14 Vanguard Imaging Ltd. Apparatus and method for monitoring visually accessible surfaces of the body
US5224036A (en) * 1989-06-26 1993-06-29 Fuji Photo Film Co., Ltd. Pattern recognition apparatus
JP2571129B2 (ja) * 1989-06-26 1997-01-16 富士写真フイルム株式会社 放射線画像診断装置
US5850465A (en) * 1989-06-26 1998-12-15 Fuji Photo Film Co., Ltd. Abnormnal pattern detecting or judging apparatus, circular pattern judging apparatus, and image finding apparatus
US5341439A (en) * 1989-09-21 1994-08-23 Hsu Shin Yi System for texture-based automatic detection of man-made objects in representations of sensed natural environmental scenes
US5274715A (en) * 1989-09-21 1993-12-28 Hsu Shin Yi Characterizing image texture
US5123054A (en) * 1989-10-19 1992-06-16 Fuji Photo Film Co., Ltd. Abnormal pattern detecting apparatus
US5212637A (en) * 1989-11-22 1993-05-18 Stereometrix Corporation Method of investigating mammograms for masses and calcifications, and apparatus for practicing such method
JP3231810B2 (ja) * 1990-08-28 2001-11-26 アーチ・デベロップメント・コーポレーション ニューラル・ネットワークを用いた鑑別診断支援方法
US5235510A (en) * 1990-11-22 1993-08-10 Kabushiki Kaisha Toshiba Computer-aided diagnosis system for medical use
US5331550A (en) * 1991-03-05 1994-07-19 E. I. Du Pont De Nemours And Company Application of neural networks as an aid in medical diagnosis and general anomaly detection
US5913822A (en) * 1991-09-25 1999-06-22 Siemens Medical Systems, Inc. Optimization of parameters in nuclear medicine studies before the studies are concluded
US5289374A (en) * 1992-02-28 1994-02-22 Arch Development Corporation Method and system for analysis of false positives produced by an automated scheme for the detection of lung nodules in digital chest radiographs
US5343390A (en) * 1992-02-28 1994-08-30 Arch Development Corporation Method and system for automated selection of regions of interest and detection of septal lines in digital chest radiographs
US5319549A (en) * 1992-11-25 1994-06-07 Arch Development Corporation Method and system for determining geometric pattern features of interstitial infiltrates in chest images
DE69432089T2 (de) * 1993-03-01 2004-02-12 Kabushiki Kaisha Toshiba, Kawasaki System zur Verarbeitung von medizinischen Daten zur Unterstützung der Diagnose
US5491627A (en) * 1993-05-13 1996-02-13 Arch Development Corporation Method and system for the detection of microcalcifications in digital mammograms
CA2132138C (en) * 1993-09-29 2004-01-06 Shih-Ping Wang Computer-aided diagnosis system and method
US5729620A (en) * 1993-09-29 1998-03-17 Wang; Shih-Ping Computer-aided diagnosis system and method
US5848198A (en) * 1993-10-08 1998-12-08 Penn; Alan Irvin Method of and apparatus for analyzing images and deriving binary image representations
US5426684A (en) * 1993-11-15 1995-06-20 Eastman Kodak Company Technique for finding the histogram region of interest for improved tone scale reproduction of digital radiographic images
US5627907A (en) * 1994-12-01 1997-05-06 University Of Pittsburgh Computerized detection of masses and microcalcifications in digital mammograms
US5790690A (en) * 1995-04-25 1998-08-04 Arch Development Corporation Computer-aided method for automated image feature analysis and diagnosis of medical images
WO1997011350A2 (en) * 1995-09-19 1997-03-27 Morphometrix Technologies Inc. A neural network assisted multi-spectral segmentation system
US5872859A (en) 1995-11-02 1999-02-16 University Of Pittsburgh Training/optimization of computer aided detection schemes based on measures of overall image quality
US6067372A (en) * 1996-02-22 2000-05-23 University Of Pittsburgh Method and system to enhance robust identification of abnormal regions in radiographs
US5815591A (en) * 1996-07-10 1998-09-29 R2 Technology, Inc. Method and apparatus for fast detection of spiculated lesions in digital mammograms
US6263092B1 (en) * 1996-07-10 2001-07-17 R2 Technology, Inc. Method and apparatus for fast detection of spiculated lesions in digital mammograms
US5917929A (en) * 1996-07-23 1999-06-29 R2 Technology, Inc. User interface for computer aided diagnosis system
US5987345A (en) * 1996-11-29 1999-11-16 Arch Development Corporation Method and system for displaying medical images
US6466687B1 (en) * 1997-02-12 2002-10-15 The University Of Iowa Research Foundation Method and apparatus for analyzing CT images to determine the presence of pulmonary tissue pathology
US6246782B1 (en) 1997-06-06 2001-06-12 Lockheed Martin Corporation System for automated detection of cancerous masses in mammograms
US6078680A (en) * 1997-07-25 2000-06-20 Arch Development Corporation Method, apparatus, and storage medium for detection of nodules in biological tissue using wavelet snakes to characterize features in radiographic images
US6058322A (en) * 1997-07-25 2000-05-02 Arch Development Corporation Methods for improving the accuracy in differential diagnosis on radiologic examinations
US6018590A (en) * 1997-10-07 2000-01-25 Eastman Kodak Company Technique for finding the histogram region of interest based on landmark detection for improved tonescale reproduction of digital radiographic images
JP2001525581A (ja) * 1997-11-28 2001-12-11 シー−ピン ウォン, コンピュータ支援診断システム及び方法
US6282307B1 (en) 1998-02-23 2001-08-28 Arch Development Corporation Method and system for the automated delineation of lung regions and costophrenic angles in chest radiographs
US20020009215A1 (en) 2000-01-18 2002-01-24 Arch Development Corporation Automated method and system for the segmentation of lung regions in computed tomography scans
US6898303B2 (en) 2000-01-18 2005-05-24 Arch Development Corporation Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans
JP2002172117A (ja) * 2000-09-05 2002-06-18 Fuji Photo Film Co Ltd 光断層画像診断情報出力装置
US6675039B2 (en) 2001-08-31 2004-01-06 Ge Medical Systems Global Technology Company, Llc Computed tomography scan protocol
WO2005033620A2 (en) * 2003-09-12 2005-04-14 Biopticon Corporation Methods and systems for measuring the size and volume of features on live tissue
WO2006093523A2 (en) * 2004-07-15 2006-09-08 Kenji Suzuki Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose ct
US7929737B2 (en) 2005-09-29 2011-04-19 General Electric Company Method and system for automatically generating a disease severity index
US20070081699A1 (en) * 2005-09-29 2007-04-12 General Electric Company Systems, methods and apparatus for diagnosis of disease from categorical indices
US20070081701A1 (en) * 2005-09-29 2007-04-12 General Electric Company Systems, methods and apparatus for tracking progression and tracking treatment of disease from categorical indices
US20070081700A1 (en) * 2005-09-29 2007-04-12 General Electric Company Systems, methods and apparatus for creation of a database of images from categorical indices
US8755053B2 (en) 2005-10-14 2014-06-17 Applied Research Associates Nz Limited Method of monitoring a surface feature and apparatus therefor
US9179844B2 (en) 2011-11-28 2015-11-10 Aranz Healthcare Limited Handheld skin measuring or monitoring device
US10013527B2 (en) 2016-05-02 2018-07-03 Aranz Healthcare Limited Automatically assessing an anatomical surface feature and securely managing information related to the same
US11116407B2 (en) 2016-11-17 2021-09-14 Aranz Healthcare Limited Anatomical surface assessment methods, devices and systems
US11903723B2 (en) 2017-04-04 2024-02-20 Aranz Healthcare Limited Anatomical surface assessment methods, devices and systems
US11049606B2 (en) 2018-04-25 2021-06-29 Sota Precision Optics, Inc. Dental imaging system utilizing artificial intelligence

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3980885A (en) * 1974-09-06 1976-09-14 Vincent William Steward Diagnosis by proton bombardment
US4411270A (en) * 1978-11-20 1983-10-25 Damadian Raymond V Apparatus and method for nuclear magnetic resonance scanning and mapping
US4437161A (en) * 1981-06-29 1984-03-13 Siemens Gammasonics Inc. Medical imaging apparatus
JPS58139241A (ja) * 1982-02-10 1983-08-18 Toshiba Corp 画像メモリアクセス方式
JPS59111738A (ja) * 1982-12-16 1984-06-28 株式会社東芝 X線断層撮影装置
DE3342353A1 (de) * 1983-11-23 1985-05-30 Siemens AG, 1000 Berlin und 8000 München Verfahren zum betrieb eines computertomographen
DE3426830A1 (de) * 1984-03-12 1985-09-12 Siemens AG, 1000 Berlin und 8000 München Roentgendiagnostikeinrichtung
US4682291A (en) * 1984-10-26 1987-07-21 Elscint Ltd. Noise artifacts reduction
JPH0613027B2 (ja) * 1985-06-26 1994-02-23 富士通株式会社 超音波媒体特性値測定装置
JPS62125481A (ja) * 1985-11-26 1987-06-06 インターナショナル・ビジネス・マシーンズ・コーポレーション パタ−ン認識装置
US4851984A (en) * 1987-08-03 1989-07-25 University Of Chicago Method and system for localization of inter-rib spaces and automated lung texture analysis in digital chest radiographs

Also Published As

Publication number Publication date
US4839807A (en) 1989-06-13
DE3840257A1 (de) 1989-06-15

Similar Documents

Publication Publication Date Title
DE3840257C2 (de) Verfahren zur automatischen Beurteilung von Unterschieden zwischen normalen und abnormalen Lungen
DE3826287C2 (de) Verfahren und Vorrichtung zur automatischen Analyse von Lungengewebe aus einem röntgenologischen Brustbild
DE69432995T2 (de) Automatisches Verfahren und System zur Segmentierung medizinischer Bilder
DE69630935T2 (de) Bilverarbeitungsverfahren und -vorrichtung zur automatischen Erfassung von Bereichen eines vorbestimmten Krebstyps in einem Intensitätsbild
DE69034160T2 (de) Rechnerbasiertes verfahren um die untersuchung von menschlischen brustgewebe nach malignität zu unterstützen
DE2952422C3 (de) Verfahren und Vorrichtung zum Verarbeiten eines Röntgenbildes bei einem Röntgenbild-Kopiersystem
DE60212917T2 (de) Vorrichtung zur Berechnung eines Index von örtlichen Blutflüssen
DE69629445T2 (de) Automatische Tonskalenabstimmung mittels Bildaktivitätsmessungen
DE19916612B4 (de) Verfahren und System zur Verbesserung diskreter Pixelbilder
DE102005049602B3 (de) Verfahren und Vorrichtung zur Segmentierung zumindest einer Substanz in einem Röntgenbild
DE69629732T2 (de) Vorrichtung zur rechnerunterstützten Diagnose
DE102005037367B3 (de) Verfahren für eine Röntgeneinrichtung
DE10306300A1 (de) Computergestützte Erfassung (CAD) für eine digitale 3D-Mammographie
EP3332710B1 (de) Charakterisierung von plaque
DE19521346A1 (de) Bilduntersuchungs/Erkennungsverfahren, darin verwendetes Verfahren zur Erzeugung von Referenzdaten und Vorrichtungen dafür
DE102004057026A1 (de) Erfassung zeitlicher Bildveränderungen und Darstellungsverfahren und -vorrichtung
EP0014857A1 (de) Verfahren zum automatischen Markieren von Zellen und zur Bestimmung der Merkmale von Zellen aus zytologischen Abstrichpräparaten
EP0938063B1 (de) Verfahren zur zweidimensionalen Abbildung von Strukturen für die medizinische Diagnostik
DE102007026803A1 (de) Verfahren zur Verarbeitung von radiologischen Bildern bei der Tomosynthese zur Erfassung radiologischer Auffälligkeiten
DE10043725A1 (de) Verfahren und Vorrichtung zur Zwei-Durchlauf-Kegelstrahlbildrekonstruktion
DE102007056480B4 (de) Verfahren und Gerät zur Unterdrückung von markiertem Material bei der vorbereitungslosen CT-Kolonographie
DE102006015454A1 (de) Verfahren und Vorrichtung zur automatischen Differenzierung von Nierensteintypen mittels Computertomographie
DE10054814A1 (de) Verfahren und Vorrichtung zur Registrierung von Bildern
DE102005047539A1 (de) Bildverarbeitungsverfahren zur Fensterung und/oder Dosisregelung für medizinische Diagnostikeinrichtungen
DE10155089C1 (de) Verfahren zur Entfernung von Ringen und Teilringen in Computertomographie-Bildern

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
8128 New person/name/address of the agent

Representative=s name: STOLBERG-WERNIGERODE, GRAF ZU, U., DIPL.-CHEM. DR.

8125 Change of the main classification

Ipc: G06T 7/40

D2 Grant after examination
8364 No opposition during term of opposition
8339 Ceased/non-payment of the annual fee