JP2973016B2 - デジタル放射線画像の画像認識装置 - Google Patents

Description

【発明の詳細な説明】 ＜産業上の利用分野＞ 本発明はデジタル放射線画像の画像認識装置に関し、
詳しくは、被写体を透過した放射線量として撮影される
放射線画像をデジタル信号化したデータから被写体の撮
影部位や撮影体位などを認識し得る装置に関する。

＜従来の技術＞ Ｘ線画像のような放射線画像は医療用として多く用い
られており、この放射線画像を電気画像信号として得る
方法として、例えば以下のようなものがある。

即ち、被写体としての人体を通過した放射線をある種
の蛍光体に吸収させ、その後、この蛍光体を光又は熱エ
ネルギーで励起することにより、この蛍光体が前記吸収
により蓄積していた放射線エネルギーを蛍光として放射
させ、この蛍光を光電変換素子で検出して放射線画像情
報を電気的に得るものであり、かかる放射線画像信号を
デジタル化してから、階調処理や空間周波数処理を施し
てCRT等に出力して可視化するようにしているものがあ
る（特開昭63−189853号公報等参照）。

ところで、上記のようにデジタル放射線画像信号を可
視像として出力する前の処理段階においては、上記のよ
うに階調処理や空間周波数処理を施して読影に適した可
視像とする必要があるが、人体における撮影部位や撮影
体位の違いによって、それぞれの再生画像において該部
位中の関心領域の濃度が変化してしまうことがある。

従って、階調処理や空間周波数処理などの画像処理を
施す前に、オリジナルのデジタル放射線画像から撮影体
位を自動的に判別しそれぞれの体位に最適な画像処理を
施すことが要求され、そのため、従来から画像データの
濃度ヒストグラムや画像データ中の画像所定方向に沿っ
た信号レベル分布などを用いて撮影体位を自動判別でき
るようにした方法・装置が種々提案されている（特開昭
63−262128号公報，特開昭63−262132号公報等参照）。

＜発明が解決しようとする課題＞ しかしながら、従来の撮影体位判別では、撮影部位を
一部位に限定した上で、撮影体位が正面であるか側面で
あるかを判別できる程度であり、撮影部位及び撮影体位
の識別が限定されてしまうという問題があった。

かかる問題点を解決するために、一般的な画像認識の
技術を用い、複数の特徴量を抽出してこの特徴量の組み
合わせなどによって判別を行おうとしても、処理の流れ
や判定に用いる計算式が等非常に複雑になってくると共
に、特徴量の辞書をそれぞれの撮影部位・撮影体位毎に
マッチングする必要があって多くの労力を要するため
に、実用に供することが困難であった。

更に、従来の画像認識では、抽出した複数の特徴量が
どの程度認識に有効であるかということを定量的に把握
することが難しいために、どの特徴量を抽出して画像認
識に用いるかという選択が簡便に行えず、この点からも
従来の画像認識技術をデジタル放射線画像の認識に流用
することが困難であり、撮影部位・撮影体位を限定して
の認識に留まっていたのが現状であった。

本発明は上記問題点に鑑みなされたものであり、複雑
な計算を必要とせず、然も、抽出すべき特徴量の選択や
辞書マッチングなどの労力を不要にできるデジタル放射
線画像の画像認識装置を提供することを目的とする。

＜課題を解決するための手段＞ そのため本発明では、第１図に示すように、デジタル
放射線画像の画素数と信号の量子化ステップ数との少な
くとも一方を縮減させる信号間引き手段と、前記デジタ
ル放射線画像の特徴が予め学習され、信号間引き手段の
出力を入力し、入力した画像が予め特定される複数の認
識対象のどれに該当するかを示す識別信号を出力するニ
ューラルネットワークと、前記ニューラルネットワーク
を用いて学習データ集合の内容を変えて複数回学習する
ことにより得られた学習結果を複数記憶する学習結果記
憶手段と、該記憶された複数の学習結果それぞれに基づ
き前記信号間引き手段の出力が複数の認識対象のどれに
対応するか判別を行い、前記各々の学習結果から導かれ
る複数の識別信号の中の最も多いものを最終的に出力す
る判別手段と、を含んでデジタル放射線画像の画像認識
装置を構成した。

ここで、前記認識対象は、デジタル放射線画像におけ
る被写体の撮影部位と撮影体位との少なくとも一方とす
ることができる。

また、信号間引き手段が、原画像を複数の小領域に分
割し、これら小領域それぞれでの画像信号値の平均値又
は代表値をサンプリングすることでデジタル放射線画像
の画素数と信号の量子変ステップ数との少なくとも一方
を縮減させるよう構成すると良い。

ここで、上記のように複数の学習結果を備えるように
する場合には、未学習初期値を用いて最初のニューラル
ネットワーク学習を行わせ、２回目以降の学習において
は前回の学習結果を初期値として学習を行わせることに
よって複数の学習結果を得るよう構成すると良い。

＜作用＞ かかる構成のデジタル放射線画像の画像認識装置によ
ると、デジタル放射線画像の原画像データが、まず、信
号間引き手段において画素数と信号の量子化ステップ数
との少なくとも一方を縮減させる処理を施される。この
ようにしてデータ量が縮減されたデジタル放射線画像
は、デジタル放射線画像の特徴が予め学習されているニ
ューラルネットワークに入力される。ニューラルネット
ワークは、予め行われている学習に沿って入力信号を処
理し、入力した画像が予め特定される複数の認識対象の
どれに該当するかを示す識別信号を出力する。

即ち、信号間引き手段で処理した信号を入力させたと
きに複数の認識対象に識別できるように、予めニューラ
ルネットワークを学習させておくことにより、デジタル
放射線画像から特徴量を抽出したり、特徴量の辞書を作
成したりといった労力を必要とせず、ニューラルネット
ワークに信号間引き手段でデータ量を縮減した画像信号
を入力させればその画像が識別されることになる。

更に、ニューラルネットワークにおいては予め学習デ
ータ集合の内容を変えながら複数回学習されることにな
るが、かかる学習によって得られた学習結果を複数備え
るようにして、それぞれの学習結果を用いて処理され出
力された識別信号の多数決を取るようにすれば、１つの
学習結果に基づくニューラルネットワークの１つの認識
結果を最終結果とする場合よりも、デジタル放射線画像
の認識率を向上させることができる。

ここで、前記認識対象として、デジタル放射線画像で
必要になるのは例えば被写体の撮影部位と撮影体位との
少なくとも一方であり、この場合ニューラルネットワー
クは、撮影部位が何処であるかを示す識別信号、又は、
撮影体位が正面や側面などのうちのどれであるを示す識
別信号を出力する。

また、信号間引き手段で、デジタル放射線画像の画素
数と信号の量子化ステップ数との少なくとも一方を縮減
させるには、原画像を複数に分割した小領域それぞれの
画像信号値の平均値又は代表値をサンプリングさせるよ
うにすれば、複雑な計算式や多大な計算量を必要とする
ことなく、簡便にデータ量を縮減させてニューラルネッ
トワークに入力させることができる。

また、上記のように複数の学習結果を備えるようにす
る場合に、未学習初期値を用いて最初のニューラルネッ
トワーク学習を行わせ、２回目以降の学習においては前
回の学習結果を初期値として学習を行わせて複数の学習
結果を得るようにすれば、それぞれ未学習値を初期とし
て学習を行わせる場合に比べ学習時間を短縮できる。

＜実施例＞ 以下に本発明の実施例を説明する。

第２図は本発明にかかるデジタル放射線画像の画像認
識装置の一実施例を示すものである。

ここで、画像入力部１は、蓄積性蛍光体上に記憶（蓄
積）された放射線画像の潜像をレーザ光で走査して読み
取るよう構成されたデジタルＸ線撮影装置や、Ｘ線フィ
ルムをデジタル信号化するイメージスキャナ、或いは、
既にデジタル放射線画像データが複数記録されているフ
ァイリングシステルなどである。

画像入力部１から入力されるオリジナルのデジタル放
射線画動データｆ（x,y）は、まず、信号間引き部（信
号間引き手段）２に入力される。この信号間引き部２
は、オリジナルのデジタル画像データｆ（x,y）の画素
数及び階調数（量子化ステップ数）を間引いて、撮影体
位判別に用いる画像データ量を縮減させ、後述するニュ
ーラルネットワークに対して画像の大きな濃淡特徴が入
力されるようにする。

具体的には、オリジナルのデジタル画像データｆ（x,
y）を、複数の小領域（ｎ画素×ｎ画素）に分割し、各
小領域に含まれる画素それぞれに対応する信号値の平均
値を算出したり、又は、各小領域に含まれる画素に対応
する信号値の中の１つを代表値として求めることによ
り、オリジナルのデジタル画像データｆ（x,y）の画素
数及び階調数を間引いた画像データｆ′（ｘ′,y′）を
設定する。尚、2048×2464画素,1024階調のオリジナル
のデジタル画像データｆ（x,y）を、第３図に示すよう
に、５×５画素〜10×10画素,256階調程度にまで間引い
ても、撮影部位や撮影体位がある程度限定されるもので
あれば充分に識別可能であり、例えば胸部の正面・側面
とか頭部の正面・側面といった部位及び体位をそれぞれ
２種類程度に限定した比較的粗い判別であれば精度は充
分に高い。

ここで、画素数の間引きを行わず、オリジナルの信号
値を、大きなステップ幅で量子化し直して階調数のみを
縮減させるようにしても良いが、後述するニューラルネ
ットワーク構造や学習を複雑化させることになるので、
画素数と階調数とを共に縮減させることが好ましい。

信号間引き部２で画素数及び階調数が縮減された画像
信号ｆ′（ｘ′,y′）は、第３図に示すような構成のニ
ューラルネットワーク（ニューロコンピュータ）３に入
力され、該ニューラルネットワーク３による演算（判別
手段3a）によって予め特定される複数の認識対象のどれ
に該当するかを示す識別信号が出力される。

前記複数の認識対象としては、例えば被写体を人物と
した医療用の場合、胸部正面・胸部側面・頭部正面・頭
部側面などとする。

判別手段3aから上記のような認識対象のどれに該当す
るかを示す識別信号が出力されると、この識別信号を受
ける画像処理部４では、画像入力部１からのオリジナル
のデジタル画像データｆ（x,y）に対し、読影に適した
可視像に再生されるように撮影部位及び撮影体位の判別
結果に基づいて階調変換や周波数強調，輪郭抽出などの
種々の画像処理・解析を行う。

前記画像処理部４で処理された画像データが入力され
る画像出力部５では、画像処理後の画像データ（デジタ
ル放射線画像信号）を、再びファイリングシステム内に
記録したり、CRT上に再生したり、プリンタによってフ
ィルム上に記録したりする。ここで、被写体（本実施例
では人体）の撮影部位及び撮影体位を判別した後の画像
データを、ファイリングシステムにファイリングする際
には、患者名・撮影年月日などの画像情報と共に、撮影
部位及び撮影体位を画像データに対応させて記録してお
けば、後の検索に便利であると共に、繰り返し撮影部位
・撮影体位の認識を行う必要がなくなる。

ところで、前記ニューラルネットワーク３は、「日経
エレクトロニクス 第427号」1987年８月10日号の第115
頁〜第124頁などに紹介されているように、人間の脳を
真似たネットワークで脳のニューロン（神経細胞）に対
応した複数のユニットが複雑に接続し合ったもので、各
ユニット間の接続形態（結合荷重）を適宜決定すること
で、パターン認識機能などを埋め込む（学習する）こと
ができるものである。

本実施例におけるニューラルネットワーク３は、第３
図に示すように、入力層S,中間層A,出力層Ｒによって構
成され、入力層Ｓは、前記信号間引き部２で間引かれた
画素数と同じ数のニューロンモデル（ユニット）S₁,S₂,
・・・・S_sからなっており、各ニューロンモデルS₁,S₂,
・・・・S_sに対して対応する画素の信号値がそれぞれ入
力されるようになっている。尚、前述のように、階調数
をオリジナルの1024階調から256階調（８ビット）程度
にまで減縮させてからニューラルネットワーク３に入力
させるようにするが、信号値の入力層Ｓに対する入力に
際しては、前記０〜255の256階調を0.0〜1.0に正規化し
て入力させるようにする。

中間層ＡのニューロンモデルA₁,A₂,・・・・A_aは、入
力層Ｓの各ニューロンモデル（ユニット）S₁,S₂,・・・
・S_sの全てと結合可能である。該中間層Ａのニューロン
モデル数ａは経験的に決定されるが、本発明の場合、入
力層Ｓのニューロンモデル数ｓと出力層Ｒのニューロン
モデル数ｒと総和の半数程度が好ましい。また、中間層
Ａは本実施例のように、１層でも良いが、２層,3層・・
・と複層構造にしても良い。

出力層Ｒは、認識対象を、例えば胸部正面・胸部側面
・頭部正面・頭部側面の４種類とするときには、４つの
ニューロンモデルR₁〜R₄で構成され、このニューロンモ
デルR₁〜R₄は中間層Ａの各ニューロンモデルA₁,A₂,・・
・・A_a全てと結合可能である。

出力層Ｒにおける識別信号は、例えば胸部正面である
と識別したときには、ニューロンモデルR₁の出力のみが
１となるようにしておき、どのニューロンモデルR₁〜R₄
の出力が１であるかによって画像認識（撮影部位・撮影
体位の認識）が行えるようにする。

ところで、上記のように間引き後の各画素の信号値を
ニューラルネットワーク３に入力させて、その画像を認
識させるには、予めデジタル放射線画像の特徴を学習さ
せておいて、例えば胸部正面の画像信号が入力されたと
きにはニューロンモデルR₁の出力のみが１となるとよう
に予め学習させておく必要がある。

かかるニューラルネットワーク３の学習は、予め撮影
部位・撮影体位が判っているデジタル放射線画像信号を
信号間引き部２で処理してニューラルネットワーク３に
入力させたときに、正確である撮影部位・撮影体位に対
応する識別信号が出力されるように、学習データ集合
（学習用としてニューラルネットワーク３に入力させる
間引き画像信号）を変えながらニューラルネットワーク
３における各シナプスウェイト（結合荷重）の値を出力
層Ｒ側から順次学習させて認識率を除々に増大させるも
のであり、かかる学習（バックプロパゲーション則）に
よって被写体の撮影部位・撮影体位の違いによる入力デ
ータの違いを学習させ、撮影部位・撮影体位を識別した
いデジタル放射線画像信号を信号間引き部２で間引いた
結果をニューラルネットワーク３に入力させることで、
デジタル放射線画像における撮影部位・撮影体位を予め
定めた複数の認識対象の何れかに識別させるようにする
ものである。

ここで、上記ニューラルネットワーク３の特性及びバ
ックプロパゲーション則に基づく学習を更に説明する
と、第３図に示すようなニューラルネットワーク３を構
成する各ユニット（ニューロンモデル）Uiは、他のユニ
ットからの入力Qjの総和を一定の規則で変換し、Qiとす
るが、他のユニットとの結合部にはそれぞれ可変の重み
Wij（シナプスウェイト）が付いている。この重みWij
は、各ユニット間の結合の強さを表すためのもので、こ
の値を変えると接続状態を変えなくても実質的にネット
ワークの構造が変わることになる。ニューラルネットワ
ーク３の学習とは、この値を変えることであって、重み
Wijは正，ゼロ，負の値をとり、ゼロは結合がないこと
を表す。

あるユニットUiが他の複数のユニットUiから入力を受
けた場合、その入力の総和をNETで表すとすると、ユニ
ットUiの入力の総和は、 となる。

各ユニットUiは、この入力の総和NETを関数ｆに適用
し、次式に示すように出力Qiに変換する。

上記関数ｆは各ユニットUi毎に違って良いが、一般に
は、第４図に示すようなしきい値関数又は第５図に示す
ようなsigmoid関数を用いる。

このsigmoid関数は、微分可能な疑似線形関数で、 で表せる。値域は０〜１で、入力値が大きくなるにつれ
１に、小さくなるにつれ０に近づく。入力が０のときは
0.5となる。しきい値θ（バイアス）を加えて、 とする場合もある。

このようなニューラルネットワーク３において、入力
層Ｓに入力データを与えると、この信号は各ユニットで
変換され、中間層Ａに伝わり、最後に出力層Ｒから出て
くるが、望ましい出力を得るためには各ユニット間の結
合の強弱すなわち重みを適切な値に設定する必要があ
る、この重みの設定は、ニューラルネットワーク３を次
のように学習させることによって行う。

まず最初は、すべての重みをランダムに設定してお
き、入力層の各ユニットに学習用の入力データ（予め望
ましい出力の分かっているデータ）を与える。そして、
このとき出力層の各ユニットから出てきた出力値と望ま
しい出力値とを比べ、その差（誤差）を減らすように各
重みの値を、出力層側から順次修正する。そしてこれを
多数の学習データを用いて誤差が収束するまで繰り返す
ものである（「入門ニューロコンピュータ」菊池豊彦著
1990年１月20日 株式会社オーム社 発行等参照）。

このように予め学習されたニューラルネットワーク３
に対して、認識させたいデジタル放射線画像の間引きデ
ータを入力させてやれば、どの撮影部位・撮影体位に近
いものであるかを識別する演算が広範な画像で実時間で
行われ、然も、本実施例のようにニューラルネットワー
ク３を用いたシステムにおいては、デジタル放射線画像
から特徴量を抽出したり、特徴量の辞書を作成したりと
いった労力を必要としないため、撮影部位及び撮影体位
を比較的限定しなくても識別可能なシステムを簡便に構
築できるものである。

即ち、ニューラルネットワーク３を用いたデジタル放
射線画像の認識においては、予めある程度認識すべき対
象の画像範囲を定め、かかる画像範囲で必要とされる識
別能力を設定すれば、あとはニューラルネットワーク３
のユニット構成を決定し、サンプルとなる画像データを
ニューラルネットワーク３に入力させて所望の答えが出
てくるように学習させることで、高精度にデジタル放射
線画像を認識させることができるものであり、前処理が
間引き処理だけで簡易であり、然も、かかる前処理によ
ってニューラルネットワーク３の構成も簡略化できるの
で、簡素化したシステムとなる。

尚、認識対象を多くする場合には、それだけ画像の濃
淡情報を細かくニューラルネットワーク３に入力させる
必要があるので、信号間引き部２における間引き割合を
少なくする必要があり、これに伴ってニューラルネット
ワーク３の構成ユニット数も増大させる必要があり、学
習にも多くの時間を要することになるので、認識対象を
最低限必要な数に限定することが好ましい。

ところで、ニューラルネットワーク３のシナプスウェ
イト学習においては、１つの学習結果のみを用いてニュ
ーラルネットワーク３における体位識別処理を行わせる
ことが一般的であるが、シナプスウェイトの学習結果を
複数記憶させておき、それぞれの学習結果に基づきネッ
トワークされたニューラルネットワーク３で処理して得
た（判別手段3aで演算して得た）複数の認識結果の多数
決で最終的な体位の識別を行わせるようにすれば、より
一層識別率を向上させることが可能となる。

即ち、第２図に示すように、ニューラルネットワーク
３を学習させるためのニューラルネット学習手段3bによ
って学習された結果（各シナプスウェイト値）を記憶す
る学習結果記憶手段3cを備えるようにしておいて、信号
間引き部２で画素及び階調数を間引いたデジタル放射線
画像信号を入力して撮影部位・撮影体位を判別する判別
手段3aでは、前記学習結果記憶手段3cに記憶されている
各学習結果に基づいてそれぞれに処理し、それぞれの学
習結果から導かれる複数の認識結果の多数決を取って最
終的に画像処理部４に出力させるようにする。

ここで、例えば５種類の学習結果（シナプスウェイ
ト）が学習結果記憶手段3cに記憶されていたとすると、
それぞれの学習結果を用いたニューラルネットワーク３
（判別手段3a）の処理で、３種類が胸部正面であると識
別し、残りの２種類で頭部側面であると識別した場合に
は、最終的な識別結果として数の多い胸部正面を出力さ
せるものである。

また、通常、ニューラルネットワーク３のシナプスウ
ェイトの学習においては、各シナプスウェイトの未学習
初期値として乱数を用いて、該乱数を学習によって変更
させていく場合が多いが、上記のように同じ処理に供す
る学習結果を複数設定させる場合には、初期値を乱数と
して学習させた結果を、次の学習の初期値として用いる
ようにして、次々に前回の学習結果を初期値として更に
学習させるようにすれば、それぞれ乱数を初期値として
学習を開始させる場合に比べ複数の学習結果を得る場合
に学習時間を大幅に短縮できる。

更に、ニューラルネットワーク３の学習においては、
予め学習のベースとなる複数のデジタル放射線画像を信
号間引き部２で処理した結果を間引き画像記憶部６にそ
の撮影部位・撮影体位と共に記憶させておき、オペレー
タがコンソール操作（第２図の学習用データ選択手段７
が相当する。）によって前記間引き画像記憶部６の中か
ら任意の学習データを必要なだけ読み出し、この読み出
された学習データに基づいてニューラルネット学習手段
3bがニューラルネットワーク３におけるシナプスシェイ
トの学習を行うようにしておけば、学習の妨げとなるよ
うなデータを排除しつつ、オペレータの要求に合った学
習を容易に合わせることができる。

尚、上記のように間引き画像記憶部６に学習用のデー
タを記憶させるようにしても、間引き画像は前述のよう
に５×５画素〜10×10画素程度で充分であるから、複数
枚の画像を学習用として記憶させるようにしても、装置
の記憶負担は軽い。

また、本実施例では、ニューラルネットワーク３によ
って撮影部位と撮影体位との両方を認識させるようにし
たが、部位・体位の一方が固定される場合には、ニュー
ラルネットワーク３によって他方の識別のみが行われる
ようにすれば良い。

＜発明の効果＞ 以上説明したように、本発明にかかるデジタル放射線
画像の画像認識装置によると、信号の間引き処理を行っ
たデシタル放射線画像をニューラルネットワークに入力
させて認識させるようにしたので、予め抽出する特徴量
を選択したり、また、特徴量の辞書をマッチングさせる
必要がなく、簡素な画像認識システムを簡便に構築でき
る一方、実際の画像認識においては、複雑な計算を必要
とせず広範な画像を実時間でかつ高い識別率で認識させ
ることができ、かかる認識によって得た撮影部位や撮影
体位の情報に基づいてその後の読影に最適な画像処理を
施すことができる。

【図面の簡単な説明】

第１図は本発明の構成を示すブロック図、第２図は本発
明の一実施例を示すシステムブロック図、第３図は第２
図示のニューラルネットワークの構成を示す概略図、第
４図及び第５図はそれぞれニューラルネットワークの各
ユニットの変化特性例を示す線図である。 １……画像入力部、２……信号間引き部３……ニューラ
ルネットワーク、3a……判別手段、3b……ニューラルネ
ット学習手段、3c……学習結果記憶手段、４……画像処
理部、５……画像出力部、６……間引き画像記憶部、７
……学習用データ選択手段

───────────────────────────────────────────────────── フロントページの続き (72)発明者 田島 弘明 東京都日野市さくら町１番地 コニカ株 式会社内 (56)参考文献 特開 昭63−262137（ＪＰ，Ａ) 特開 昭63−262139（ＪＰ，Ａ) 特開 平２−96283（ＪＰ，Ａ) 「医用画像処理」（1982−２−25) 朝倉書店 Ｐ．112−113 (58)調査した分野(Int.Cl.⁶，ＤＢ名) A61B 6/00 - 6/14

Claims (4)

(57)【特許請求の範囲】
1. 【請求項１】デジタル放射線画像の画素数と信号の量子
   化ステップ数との少なくとも一方を縮減させる信号間引
   き手段と、 前記デジタル放射線画像の特徴が予め学習され、前記信
   号間引き手段の出力を入力し、入力した画像が予め特定
   される複数の認識対象のどれに該当するかを示す識別信
   号を出力するニューラルネットワークと、 前記ニューラルネットワークを用いて学習データ集合の
   内容を変えて複数回学習することにより得られた学習結
   果を複数記憶する学習結果記憶手段と、 該記憶された複数の学習結果それぞれに基づき前記信号
   間引き手段の出力が複数の認識対象の中の最も多いもの
   を最終的に出力する判別手段と、 を含んで構成したことを特徴とするデジタル放射線画像
   の画像認識装置。
2. 【請求項２】前記認識対象が、デジタル放射線画像にお
   ける被写体の撮影部位と撮影体位との少なくとも一方で
   あることを特徴とする請求項１記載のデジタル放射線画
   像の画像認識装置。
3. 【請求項３】前記信号間引き手段が、原画像を複数の小
   領域に分割し、該小領域それぞれの画像信号値の平均値
   又は代表値をサンプリングすることでデジタル放射線画
   像の画素数と信号の量子化ステップ数との少なくとも一
   方を縮減させるよう構成されたことを特徴とする請求項
   １又は２のいずれかに記載のデジタル放射線画像の画像
   認識装置。
4. 【請求項４】未学習初期値を用いて最初のニューラルネ
   ットワーク学習を行わせ、２回目以降の学習においては
   前回の学習結果を初期値として学習を行わせることによ
   って複数の学習結果を得るよう構成したことを特徴とす
   る請求項１〜３のいずれか１つに記載のデジタル放射線
   画像の画像認識装置。