JP2003225231A - 肺疾患検出のための方法及びシステム - Google Patents
肺疾患検出のための方法及びシステムInfo
- Publication number
- JP2003225231A JP2003225231A JP2002335867A JP2002335867A JP2003225231A JP 2003225231 A JP2003225231 A JP 2003225231A JP 2002335867 A JP2002335867 A JP 2002335867A JP 2002335867 A JP2002335867 A JP 2002335867A JP 2003225231 A JP2003225231 A JP 2003225231A
- Authority
- JP
- Japan
- Prior art keywords
- anatomical
- image
- model
- information
- lung
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 114
- 208000019693 Lung disease Diseases 0.000 title claims description 17
- 201000010099 disease Diseases 0.000 claims abstract description 53
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 238000002591 computed tomography Methods 0.000 claims description 49
- 210000004072 lung Anatomy 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 34
- 210000003281 pleural cavity Anatomy 0.000 claims description 16
- 206010058467 Lung neoplasm malignant Diseases 0.000 claims description 13
- 210000003484 anatomy Anatomy 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 13
- 201000005202 lung cancer Diseases 0.000 claims description 13
- 208000020816 lung neoplasm Diseases 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 13
- 206010056342 Pulmonary mass Diseases 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 210000005166 vasculature Anatomy 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 claims description 6
- 238000002600 positron emission tomography Methods 0.000 claims description 6
- 238000002604 ultrasonography Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 210000000936 intestine Anatomy 0.000 claims description 4
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 210000000481 breast Anatomy 0.000 claims description 3
- 230000002860 competitive effect Effects 0.000 claims description 3
- 210000003414 extremity Anatomy 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 230000001747 exhibiting effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 claims 1
- 230000002685 pulmonary effect Effects 0.000 claims 1
- 238000013480 data collection Methods 0.000 abstract 1
- 210000001519 tissue Anatomy 0.000 description 32
- 230000011218 segmentation Effects 0.000 description 15
- 230000015654 memory Effects 0.000 description 14
- 210000004204 blood vessel Anatomy 0.000 description 13
- 238000009826 distribution Methods 0.000 description 8
- 230000015572 biosynthetic process Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000003708 edge detection Methods 0.000 description 6
- 238000002059 diagnostic imaging Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 206010014561 Emphysema Diseases 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 210000002216 heart Anatomy 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013334 tissue model Methods 0.000 description 2
- 102100030872 28S ribosomal protein S15, mitochondrial Human genes 0.000 description 1
- 241000208140 Acer Species 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 102100029235 Histone-lysine N-methyltransferase NSD3 Human genes 0.000 description 1
- 101100041177 Homo sapiens MRPS15 gene Proteins 0.000 description 1
- 101100461044 Homo sapiens NSD3 gene Proteins 0.000 description 1
- 241000221035 Santalaceae Species 0.000 description 1
- 235000008632 Santalum album Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000013123 lung function test Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Quality & Reliability (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- High Energy & Nuclear Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Nuclear Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
(57)【要約】
【課題】 画像データを処理して、疾患についての専門
的知識、並びにスキャナの性能及び特性に基づいて画像
解釈の結果を与える。 【解決手段】 解剖学的モデル、及び医用画像（２４
０）を取得するのに用いた画像取得装置（１１０）の信
号情報についての信号モデルから成る階層（４００）に
基づいて医用画像内の関心領域を分類する。解剖学的モ
デルは、所与の疾患を示す解剖学的情報を表わすように
導出されている。疾患の診断及び検出に用いられる計算
機支援システムのプロセッサ（１２０）は、信号モデル
及び解剖学的モデルから成る階層に基づいて画像データ
集合内の選択された組織種別を分類し、疾患の診断及び
検出に用いられる分類された組織種別の解剖学的コンテ
クストを差別化する。
的知識、並びにスキャナの性能及び特性に基づいて画像
解釈の結果を与える。 【解決手段】 解剖学的モデル、及び医用画像（２４
０）を取得するのに用いた画像取得装置（１１０）の信
号情報についての信号モデルから成る階層（４００）に
基づいて医用画像内の関心領域を分類する。解剖学的モ
デルは、所与の疾患を示す解剖学的情報を表わすように
導出されている。疾患の診断及び検出に用いられる計算
機支援システムのプロセッサ（１２０）は、信号モデル
及び解剖学的モデルから成る階層に基づいて画像データ
集合内の選択された組織種別を分類し、疾患の診断及び
検出に用いられる分類された組織種別の解剖学的コンテ
クストを差別化する。
Description
【０００１】
【発明の背景】本発明は、疾患の検出及び診断を支援す
るために医用画像データを処理する方法及びシステムに
関し、さらに具体的には、Ｘ線計算機式断層写真法（Ｃ
Ｔ）システムから得られる医用画像において肺疾患を検
出する方法及びシステムに関する。
るために医用画像データを処理する方法及びシステムに
関し、さらに具体的には、Ｘ線計算機式断層写真法（Ｃ
Ｔ）システムから得られる医用画像において肺疾患を検
出する方法及びシステムに関する。
【０００２】Ｘ線胸部放射線撮影システムは、人体の肺
疾患を検出する目的に有用であり、より広く用いられて
いる診断ツールである。胸部放射線撮影及びＣＴでは、
気管支炎、肺気腫及び肺ガンのような肺疾患も検出可能
である。しかしながら、ＣＴシステムは一般的には、単
一回のＣＴ走査で８０を超える別個の画像を形成し、こ
れにより、放射線科医師に対し、画像の解釈、及び疾患
を示している可能性のある疑わしい領域の検出に用いら
れる相当な量の情報を与える。
疾患を検出する目的に有用であり、より広く用いられて
いる診断ツールである。胸部放射線撮影及びＣＴでは、
気管支炎、肺気腫及び肺ガンのような肺疾患も検出可能
である。しかしながら、ＣＴシステムは一般的には、単
一回のＣＴ走査で８０を超える別個の画像を形成し、こ
れにより、放射線科医師に対し、画像の解釈、及び疾患
を示している可能性のある疑わしい領域の検出に用いら
れる相当な量の情報を与える。
【０００３】疑わしい領域とは、熟練した放射線科医師
が、引き続き診断撮像、生検、肺機能試験又は他の方法
を行なうよう勧告する領域として定義される。単一回の
ＣＴ走査によって与えられるかなりの量のデータは、放
射線科医師に長時間を要する過程を課す。従来の肺ガン
スクリーニングは一般的には、放射線科医師による８０
以上の画像の手動解釈を必要とする。従って、疲労は人
間による読影の感度及び特異性に影響を与える重要な因
子となる。また、肺気腫のような他の疾患では、放射線
科医師がＣＴ画像を単に観察するだけでは疾患の進行程
度を分類することは難しい。解剖学的構造の定量的解析
が必要とされる。
が、引き続き診断撮像、生検、肺機能試験又は他の方法
を行なうよう勧告する領域として定義される。単一回の
ＣＴ走査によって与えられるかなりの量のデータは、放
射線科医師に長時間を要する過程を課す。従来の肺ガン
スクリーニングは一般的には、放射線科医師による８０
以上の画像の手動解釈を必要とする。従って、疲労は人
間による読影の感度及び特異性に影響を与える重要な因
子となる。また、肺気腫のような他の疾患では、放射線
科医師がＣＴ画像を単に観察するだけでは疾患の進行程
度を分類することは難しい。解剖学的構造の定量的解析
が必要とされる。
【０００４】ＣＴ走査において肺ガン及び肺気腫の検出
を自動化する試みは、様々な小結節（nodule）検出及び
分類手法、並びに肺実質計量を基礎としている。新たな
分野として、計算機支援診断又は代替的には計算機支援
検出（ＣＡＤ）と呼ばれるものがある。ＣＴ走査におい
て肺ガン検出を自動化する方法については多くの文献が
提出されている。一般的には、小結節検出は、肺セグメ
ント分割、血管抽出、並びに最終的な小結節候補の検出
及び分類の三つの工程で行なわれている。
を自動化する試みは、様々な小結節（nodule）検出及び
分類手法、並びに肺実質計量を基礎としている。新たな
分野として、計算機支援診断又は代替的には計算機支援
検出（ＣＡＤ）と呼ばれるものがある。ＣＴ走査におい
て肺ガン検出を自動化する方法については多くの文献が
提出されている。一般的には、小結節検出は、肺セグメ
ント分割、血管抽出、並びに最終的な小結節候補の検出
及び分類の三つの工程で行なわれている。
【０００５】血管抽出は、グレイ・レベル閾値処理、フ
ァジー・クラスタ分割、及び三次元シード式領域成長を
用いて試みられている。小結節検出は、テンプレート一
致、遺伝的アルゴリズム、グレイ・レベル閾値処理、N-
Quoitフィルタ、領域成長、及びエッジ勾配の各手法を
用いて行なわれている。
ァジー・クラスタ分割、及び三次元シード式領域成長を
用いて試みられている。小結節検出は、テンプレート一
致、遺伝的アルゴリズム、グレイ・レベル閾値処理、N-
Quoitフィルタ、領域成長、及びエッジ勾配の各手法を
用いて行なわれている。
【０００６】一旦、以上の方法のいずれかで小結節候補
が生成されたら、ルール・ベース型方法、ニューラル・
ネットワーク分類、ファジー論理、並びに要素解析及び
線形識別解析を含む統計的手法によって分類を具現化す
る。
が生成されたら、ルール・ベース型方法、ニューラル・
ネットワーク分類、ファジー論理、並びに要素解析及び
線形識別解析を含む統計的手法によって分類を具現化す
る。
【０００７】
【発明が解決しようとする課題】しかしながら、現在ま
でに提出されている上述の方法は、ＣＴ走査で疑わしい
病変を識別することに焦点を当てている場合が多く、肺
の構造の正確な差別化及びこれらの構造の寸法の正確な
測定値を得ることには直接的には対処していない。加え
て、上述の手法は一般的には、結果の解釈上の性質に関
して制限されている。典型的には、上述の手法を用いた
病変の識別及び分類は、小結節の陽性確定を行なうこと
はできるが、放射線科医師が結果をさらに定性的に検討
して解釈することが一般的に必要とされる。例えば、放
射線科医師は、医用画像を解釈するときに様々な異常構
造及び正常構造の病理学的特徴及び解剖学的特徴に対す
る豊富な経験又は専門的知識に大きく頼っている。さら
に、形式、ピクセル強度及び信号インパルス応答のよう
な走査装置の特性も画像データの表示に影響を及ぼす。
また、放射線科医師による医用画像の解釈は一般的に
は、所与のスキャナに対する医師の豊富な経験にも頼っ
ている。前述の手法では、形成された画像の解析時に走
査装置の形式又は特性に対処する明確な評価が存在して
いない。
でに提出されている上述の方法は、ＣＴ走査で疑わしい
病変を識別することに焦点を当てている場合が多く、肺
の構造の正確な差別化及びこれらの構造の寸法の正確な
測定値を得ることには直接的には対処していない。加え
て、上述の手法は一般的には、結果の解釈上の性質に関
して制限されている。典型的には、上述の手法を用いた
病変の識別及び分類は、小結節の陽性確定を行なうこと
はできるが、放射線科医師が結果をさらに定性的に検討
して解釈することが一般的に必要とされる。例えば、放
射線科医師は、医用画像を解釈するときに様々な異常構
造及び正常構造の病理学的特徴及び解剖学的特徴に対す
る豊富な経験又は専門的知識に大きく頼っている。さら
に、形式、ピクセル強度及び信号インパルス応答のよう
な走査装置の特性も画像データの表示に影響を及ぼす。
また、放射線科医師による医用画像の解釈は一般的に
は、所与のスキャナに対する医師の豊富な経験にも頼っ
ている。前述の手法では、形成された画像の解析時に走
査装置の形式又は特性に対処する明確な評価が存在して
いない。
【０００８】従って、疾患を検出するのに用いられる定
量的データを生成するために画像データを処理するロバ
ストな方法及びシステムが必要とされている。さらに、
疾患についての専門的知識、並びにスキャナの性能及び
特性に基づいて解釈結果を与える方法及びシステムが必
要とされている。加えて、薬物療法による疾患の進行／
後退を追跡する能力に対する要求も存在している。
量的データを生成するために画像データを処理するロバ
ストな方法及びシステムが必要とされている。さらに、
疾患についての専門的知識、並びにスキャナの性能及び
特性に基づいて解釈結果を与える方法及びシステムが必
要とされている。加えて、薬物療法による疾患の進行／
後退を追跡する能力に対する要求も存在している。
【０００９】
【課題を解決するための手段】第一の観点では、疾患の
検出及び診断に用いられる医用画像を処理する方法を提
供する。この方法は、解剖学的モデル、及び医用画像を
取得するのに用いた画像取得装置の信号情報の信号モデ
ルから成る階層に基づいて医用画像内の関心領域を分類
する工程を含んでいる。解剖学的モデルは、所与の疾患
を示す解剖学的情報を表わすように導出される。
検出及び診断に用いられる医用画像を処理する方法を提
供する。この方法は、解剖学的モデル、及び医用画像を
取得するのに用いた画像取得装置の信号情報の信号モデ
ルから成る階層に基づいて医用画像内の関心領域を分類
する工程を含んでいる。解剖学的モデルは、所与の疾患
を示す解剖学的情報を表わすように導出される。
【００１０】第二の観点では、疾患の診断及び検出に用
いられる計算機支援システムを提供する。このシステム
は、複数の画像データ集合を取得する画像取得装置と、
画像データ集合を処理するように構成されているプロセ
ッサとを含んでいる。プロセッサは、信号モデル及び解
剖学的モデルから成る階層に基づいて画像データ集合内
の選択された組織種別を分類するように構成されてお
り、プロセッサはさらに、疾患の診断及び検出に用いる
ために分類された組織種別の解剖学的コンテクスト（周
囲状況）を差別化するように構成されている。
いられる計算機支援システムを提供する。このシステム
は、複数の画像データ集合を取得する画像取得装置と、
画像データ集合を処理するように構成されているプロセ
ッサとを含んでいる。プロセッサは、信号モデル及び解
剖学的モデルから成る階層に基づいて画像データ集合内
の選択された組織種別を分類するように構成されてお
り、プロセッサはさらに、疾患の診断及び検出に用いる
ために分類された組織種別の解剖学的コンテクスト（周
囲状況）を差別化するように構成されている。
【００１１】本発明の諸特徴及び利点は、添付図面と共
に以下の本発明の詳細な説明を参照することにより明ら
かとなろう。
に以下の本発明の詳細な説明を参照することにより明ら
かとなろう。
【００１２】
【発明の実施の形態】図１には、疾患検出のためのシス
テム１００の全体的なブロック図が示されている。シス
テム１００は撮像装置１１０を含んでおり、撮像装置１
１０は、複数の画像を形成する当技術分野で公知の多く
の医用撮像装置から選択することができる。最も一般的
には、計算機式断層写真法（ＣＴ）システム及び磁気共
鳴イメージング（ＭＲＩ）システムを用いて複数の医用
画像を形成する。
テム１００の全体的なブロック図が示されている。シス
テム１００は撮像装置１１０を含んでおり、撮像装置１
１０は、複数の画像を形成する当技術分野で公知の多く
の医用撮像装置から選択することができる。最も一般的
には、計算機式断層写真法（ＣＴ）システム及び磁気共
鳴イメージング（ＭＲＩ）システムを用いて複数の医用
画像を形成する。
【００１３】ＣＴ撮像セッション時には、患者が水平に
横臥して複数のＸ線の照射を受け、一連のＸ線検出器に
よってＸ線を測定する。Ｘ線のビームは患者の特定の薄
い断面又は「スライス」を透過する。検出器は放射線透
過量を測定する。この情報を用いて、体内の標本点につ
いてのＸ線減弱係数を算出する。次いで、算出したＸ線
減弱係数に基づいてグレイ・スケール画像を構成する。
画像のグレイの陰影は、スライス内の各点のＸ線吸収量
を対比的に示している。ＣＴセッション時に得られるス
ライスを再構成すると、Ｘ線に照射された体内の関心区
域について解剖学的に正確な表現を形成することができ
る。
横臥して複数のＸ線の照射を受け、一連のＸ線検出器に
よってＸ線を測定する。Ｘ線のビームは患者の特定の薄
い断面又は「スライス」を透過する。検出器は放射線透
過量を測定する。この情報を用いて、体内の標本点につ
いてのＸ線減弱係数を算出する。次いで、算出したＸ線
減弱係数に基づいてグレイ・スケール画像を構成する。
画像のグレイの陰影は、スライス内の各点のＸ線吸収量
を対比的に示している。ＣＴセッション時に得られるス
ライスを再構成すると、Ｘ線に照射された体内の関心区
域について解剖学的に正確な表現を形成することができ
る。
【００１４】ＭＲ撮像セッション時には、大型の磁石に
よって形成される強磁場内に患者を載置する。患者の体
内で磁化した水素原子等のプロトンが、磁石によって形
成された磁場に整列する。患者の特定のスライスを、主
磁場に垂直な振動磁場を形成する無線波で照射する。撮
像セッションを実行している医師又は技師（以下「操作
者」と呼ぶ）が選択した任意の平面でのスライスを採取
することができる。患者の体内のプロトンは、無線波を
先ず吸収した後に、磁場に対する整列から外れることに
より無線波を放出する。プロトンがその本来の状態（励
起前の）に戻ると同時に、患者の身体によって放出され
る無線波に基づく診断画像が形成される。ＣＴ画像スラ
イスと同様に、ＭＲ画像スライスを再構成して身体の関
心区域の全体的な画像を形成することができる。強い信
号を発生する身体部分はＭＲ画像では白く表示され、最
も弱い信号の部分は黒く表示される。強弱の間で変動す
る信号強度を有する他の身体部分は幾分かのグレイの陰
影として表示される。
よって形成される強磁場内に患者を載置する。患者の体
内で磁化した水素原子等のプロトンが、磁石によって形
成された磁場に整列する。患者の特定のスライスを、主
磁場に垂直な振動磁場を形成する無線波で照射する。撮
像セッションを実行している医師又は技師（以下「操作
者」と呼ぶ）が選択した任意の平面でのスライスを採取
することができる。患者の体内のプロトンは、無線波を
先ず吸収した後に、磁場に対する整列から外れることに
より無線波を放出する。プロトンがその本来の状態（励
起前の）に戻ると同時に、患者の身体によって放出され
る無線波に基づく診断画像が形成される。ＣＴ画像スラ
イスと同様に、ＭＲ画像スライスを再構成して身体の関
心区域の全体的な画像を形成することができる。強い信
号を発生する身体部分はＭＲ画像では白く表示され、最
も弱い信号の部分は黒く表示される。強弱の間で変動す
る信号強度を有する他の身体部分は幾分かのグレイの陰
影として表示される。
【００１５】一旦、ＭＲ又はＣＴの初期画像が得られた
ら、画像は全体的にセグメント分割される。セグメント
分割過程では、画像のピクセル又はボクセルを、何らか
の特性（すなわち強度及びテクスチャ（地組織）等）に
関して均一である一定数のクラスに分類する。例えば、
脳のセグメント分割後の画像では、脳の物質を灰白質、
白質及び脳脊髄液の三つのクラスに範疇分類することが
できる。セグメント分割が完了した後に、各々のクラス
に属する領域を個々の色を用いて標識することができ
る。一旦、セグメント分割した画像が展開されたら、外
科医師がセグメント分割後の画像を用いて外科手法を立
案することができる。
ら、画像は全体的にセグメント分割される。セグメント
分割過程では、画像のピクセル又はボクセルを、何らか
の特性（すなわち強度及びテクスチャ（地組織）等）に
関して均一である一定数のクラスに分類する。例えば、
脳のセグメント分割後の画像では、脳の物質を灰白質、
白質及び脳脊髄液の三つのクラスに範疇分類することが
できる。セグメント分割が完了した後に、各々のクラス
に属する領域を個々の色を用いて標識することができ
る。一旦、セグメント分割した画像が展開されたら、外
科医師がセグメント分割後の画像を用いて外科手法を立
案することができる。
【００１６】一般的には、セグメント分割したＣＴ画像
又はＭＲ画像を作成するためには幾つかの工程が必要で
ある。ＣＴ又はＭＲのデータのスライスを取得すること
によりデータ集合が生成される。次いで、セグメント分
割過程によって、データ集合の各々の点にグレイ・スケ
ール値を割り当てると、異なる種別の組織が異なるグレ
イ・スケール値を有するようになる。データにおいては
物質の各々の種別に特定の値が割り当てられているの
で、所定の物質の各々の発生箇所が同じグレイ・スケー
ル値を有する。例えば、特定の画像における骨の発生箇
所はすべて、明るい灰色の特定の陰影として現われ得
る。この配色標準によって、画像を個々に観察すること
により画像に表現されている物体を容易に理解すること
が可能になる。
又はＭＲ画像を作成するためには幾つかの工程が必要で
ある。ＣＴ又はＭＲのデータのスライスを取得すること
によりデータ集合が生成される。次いで、セグメント分
割過程によって、データ集合の各々の点にグレイ・スケ
ール値を割り当てると、異なる種別の組織が異なるグレ
イ・スケール値を有するようになる。データにおいては
物質の各々の種別に特定の値が割り当てられているの
で、所定の物質の各々の発生箇所が同じグレイ・スケー
ル値を有する。例えば、特定の画像における骨の発生箇
所はすべて、明るい灰色の特定の陰影として現われ得
る。この配色標準によって、画像を個々に観察すること
により画像に表現されている物体を容易に理解すること
が可能になる。
【００１７】図１は、本発明の実施形態を適用すること
のできる医用イメージング・システム１００を示してい
る。このシステムは、撮像装置１１０と、プロセッサ１
２０と、インタフェイス・ユニット１３０とを含んでい
る。撮像装置１１０は、複数の画像データ集合２４０を
生成するように構成されており、例えば計算機式断層写
真法（ＣＴ）スキャナ又は磁気共鳴（ＭＲ）スキャナで
ある。ＣＴ又はＭＲの場合には、画像データの取得を一
般に「走査」と呼ぶ。プロセッサ１２０は、図２〜図４
を参照して後に詳述する本発明の実施形態に従って計算
を行なうように構成されている。プロセッサ１２０はま
た、再構成、画像データ・メモリ記憶、及びセグメント
分割等の周知の画像処理手法のための計算機能及び制御
機能を実行するように構成されている。プロセッサ１２
０は、マイクロプロセッサのような単一の集積回路等の
中央処理ユニット（ＣＰＵ）を含んでいてもよいし、或
いは中央処理ユニットの諸機能を実現するように協働す
る任意の適当な数の集積回路素子及び／又は回路基板を
含んでいてもよい。プロセッサ１２０はメモリを含んで
いると望ましい。プロセッサ１２０内のメモリは、当業
者に公知の任意の形式のメモリを含んでいてよい。かか
るメモリとしては、ダイナミック・ランダム・アクセス
・メモリ（ＤＲＡＭ）、スタティックＲＡＭ（ＳＲＡ
Ｍ）、フラッシュ・メモリ、キャッシュ・メモリ等があ
る。図１には明示的に示していないが、メモリは単一の
形式のメモリ要素であってもよいし、或いは多くの異な
る形式のメモリ要素で構成されていてもよい。プロセッ
サ１２０はまた、メモリに格納されているプログラムを
実行する能力、並びにこれらのプログラム、又は画像取
得及び画像観察の過程で生じ得る他の動作に応じて動作
する能力を有する。本書で用いられる「構成されてい
る」等の用語は、各要素が所載の効果を奏すべく協働し
得るようにする諸要素間の機械的接続又は構造的接続を
指すものとする。これらの用語はまた、アナログ若しく
はディジタル計算機、又は特定応用向け素子（例えば特
定応用向け集積回路（ＡＳＩＣ）等）のように、所与の
入力信号に応じた出力を供給するという帰結を実現する
ようにプログラムされている電気的素子の動作能力も指
すものとする。
のできる医用イメージング・システム１００を示してい
る。このシステムは、撮像装置１１０と、プロセッサ１
２０と、インタフェイス・ユニット１３０とを含んでい
る。撮像装置１１０は、複数の画像データ集合２４０を
生成するように構成されており、例えば計算機式断層写
真法（ＣＴ）スキャナ又は磁気共鳴（ＭＲ）スキャナで
ある。ＣＴ又はＭＲの場合には、画像データの取得を一
般に「走査」と呼ぶ。プロセッサ１２０は、図２〜図４
を参照して後に詳述する本発明の実施形態に従って計算
を行なうように構成されている。プロセッサ１２０はま
た、再構成、画像データ・メモリ記憶、及びセグメント
分割等の周知の画像処理手法のための計算機能及び制御
機能を実行するように構成されている。プロセッサ１２
０は、マイクロプロセッサのような単一の集積回路等の
中央処理ユニット（ＣＰＵ）を含んでいてもよいし、或
いは中央処理ユニットの諸機能を実現するように協働す
る任意の適当な数の集積回路素子及び／又は回路基板を
含んでいてもよい。プロセッサ１２０はメモリを含んで
いると望ましい。プロセッサ１２０内のメモリは、当業
者に公知の任意の形式のメモリを含んでいてよい。かか
るメモリとしては、ダイナミック・ランダム・アクセス
・メモリ（ＤＲＡＭ）、スタティックＲＡＭ（ＳＲＡ
Ｍ）、フラッシュ・メモリ、キャッシュ・メモリ等があ
る。図１には明示的に示していないが、メモリは単一の
形式のメモリ要素であってもよいし、或いは多くの異な
る形式のメモリ要素で構成されていてもよい。プロセッ
サ１２０はまた、メモリに格納されているプログラムを
実行する能力、並びにこれらのプログラム、又は画像取
得及び画像観察の過程で生じ得る他の動作に応じて動作
する能力を有する。本書で用いられる「構成されてい
る」等の用語は、各要素が所載の効果を奏すべく協働し
得るようにする諸要素間の機械的接続又は構造的接続を
指すものとする。これらの用語はまた、アナログ若しく
はディジタル計算機、又は特定応用向け素子（例えば特
定応用向け集積回路（ＡＳＩＣ）等）のように、所与の
入力信号に応じた出力を供給するという帰結を実現する
ようにプログラムされている電気的素子の動作能力も指
すものとする。
【００１８】インタフェイス・ユニット１３０はプロセ
ッサ１２０に結合されており、利用者がシステム１００
と交信することを可能にするように構成されている。プ
ロセッサ１２０はさらに、送信される情報を利用者が解
釈できるような整合の取れた態様で、インタフェイス・
ユニット１３０に送信された計算を実行するように構成
されている。送信される情報は２Ｄ又は３Ｄの画像、カ
ラー及びグレイ・スケール画像、並びに診断情報及び検
出情報に関するテキスト・メッセージを含んでいてよ
い。インタフェイス・ユニット１３０は、パーソナル・
コンピュータ、画像ワークステーション、携帯型画像表
示ユニット、又はＣＴシステム若しくはＭＲＩシステム
の一部として一般に分類される従来の任意の画像表示プ
ラットホームであってよい。
ッサ１２０に結合されており、利用者がシステム１００
と交信することを可能にするように構成されている。プ
ロセッサ１２０はさらに、送信される情報を利用者が解
釈できるような整合の取れた態様で、インタフェイス・
ユニット１３０に送信された計算を実行するように構成
されている。送信される情報は２Ｄ又は３Ｄの画像、カ
ラー及びグレイ・スケール画像、並びに診断情報及び検
出情報に関するテキスト・メッセージを含んでいてよ
い。インタフェイス・ユニット１３０は、パーソナル・
コンピュータ、画像ワークステーション、携帯型画像表
示ユニット、又はＣＴシステム若しくはＭＲＩシステム
の一部として一般に分類される従来の任意の画像表示プ
ラットホームであってよい。
【００１９】患者の多数回の走査で収集された全データ
を一つのデータ集合と考えるものとする。各々のデータ
集合は、ピクセル又はボクセルのいずれかのより小さい
単位に分解することができる。データ集合が二次元であ
る場合には、画像はピクセルと呼ばれる単位で構成され
る。ピクセルは、通例ではｘ及びｙの二次元座標を用い
て参照することのできる二次元空間内の点である。画像
内の各々のピクセルは他の８個のピクセルによって包囲
されており、９個のピクセルが３×３の正方形を形成す
る。中央ピクセルを包囲するこれら他の８個のピクセル
を中央ピクセルの八連結隣接点と考える。データ集合が
三次元である場合には、画像はボクセルと呼ばれる単位
で表示される。ボクセルは、通例ではｘ、ｙ及びｚの三
次元座標を用いて参照することのできる三次元空間内の
点である。各々のボクセルは他の２６個のボクセルによ
って包囲されている。これら２６個のボクセルを元のボ
クセルの２６連結隣接点と考えることができる。
を一つのデータ集合と考えるものとする。各々のデータ
集合は、ピクセル又はボクセルのいずれかのより小さい
単位に分解することができる。データ集合が二次元であ
る場合には、画像はピクセルと呼ばれる単位で構成され
る。ピクセルは、通例ではｘ及びｙの二次元座標を用い
て参照することのできる二次元空間内の点である。画像
内の各々のピクセルは他の８個のピクセルによって包囲
されており、９個のピクセルが３×３の正方形を形成す
る。中央ピクセルを包囲するこれら他の８個のピクセル
を中央ピクセルの八連結隣接点と考える。データ集合が
三次元である場合には、画像はボクセルと呼ばれる単位
で表示される。ボクセルは、通例ではｘ、ｙ及びｚの三
次元座標を用いて参照することのできる三次元空間内の
点である。各々のボクセルは他の２６個のボクセルによ
って包囲されている。これら２６個のボクセルを元のボ
クセルの２６連結隣接点と考えることができる。
【００２０】本発明の一実施形態では、疾患の診断及び
検出に用いられる計算機支援システムが、複数の画像デ
ータ集合を取得する画像取得装置と、信号モデル及び解
剖学的モデルから成る階層に基づいて画像データ集合内
の選択された組織種別を分類するように構成されている
プロセッサとを含んでいる。プロセッサはさらに、選択
された疾患の診断及び検出に用いるために分類された組
織種別の解剖学的コンテクストを差別化するように構成
されている。システムはさらに、画像データ集合内の分
類された組織種別、及び分類された組織種別の解剖学的
コンテクストを、処理済の画像データ集合の解釈を支援
すべく表示するインタフェイス・ユニットを含んでい
る。解剖学的モデルは、解剖学的組織のパラメータによ
る数学的表現である。解剖学的コンテクストは、肺ガン
を示す肺小結節、健全肺組織、慢性閉塞性肺疾患（ＣＯ
ＰＤ）を示す疾患肺組織、及び放射線科医師によって特
徴付けされてさらに数学的にモデル化することのできる
組織のその他の病理学的記述の１以上を含んでいる。解
剖学的コンテクスト又は数学的モデリングについては図
４を参照して後に詳述する。
検出に用いられる計算機支援システムが、複数の画像デ
ータ集合を取得する画像取得装置と、信号モデル及び解
剖学的モデルから成る階層に基づいて画像データ集合内
の選択された組織種別を分類するように構成されている
プロセッサとを含んでいる。プロセッサはさらに、選択
された疾患の診断及び検出に用いるために分類された組
織種別の解剖学的コンテクストを差別化するように構成
されている。システムはさらに、画像データ集合内の分
類された組織種別、及び分類された組織種別の解剖学的
コンテクストを、処理済の画像データ集合の解釈を支援
すべく表示するインタフェイス・ユニットを含んでい
る。解剖学的モデルは、解剖学的組織のパラメータによ
る数学的表現である。解剖学的コンテクストは、肺ガン
を示す肺小結節、健全肺組織、慢性閉塞性肺疾患（ＣＯ
ＰＤ）を示す疾患肺組織、及び放射線科医師によって特
徴付けされてさらに数学的にモデル化することのできる
組織のその他の病理学的記述の１以上を含んでいる。解
剖学的コンテクスト又は数学的モデリングについては図
４を参照して後に詳述する。
【００２１】実施形態の一例では、撮像装置はＸ線ＣＴ
スキャナである。ＣＴシステムは、関心領域の複数の画
像又は代替的にはスライスを取得するのに特に適したよ
うに構成されている。また、本実施形態例では、被撮像
物体は肺である。但し、磁気共鳴（ＭＲ）のような複数
の画像を形成する他の撮像装置も本発明の実施形態の成
果を享受することを理解されたい。また、例えば心臓、
腸、四肢、***又は脳のように肺以外の関心領域を被撮
像物体としてよいことを理解されたい。プロセッサ１２
０によって実行される処理機能は、これら他の被撮像物
体の関心のある組織種別を分類するように構成されるこ
とになる。
スキャナである。ＣＴシステムは、関心領域の複数の画
像又は代替的にはスライスを取得するのに特に適したよ
うに構成されている。また、本実施形態例では、被撮像
物体は肺である。但し、磁気共鳴（ＭＲ）のような複数
の画像を形成する他の撮像装置も本発明の実施形態の成
果を享受することを理解されたい。また、例えば心臓、
腸、四肢、***又は脳のように肺以外の関心領域を被撮
像物体としてよいことを理解されたい。プロセッサ１２
０によって実行される処理機能は、これら他の被撮像物
体の関心のある組織種別を分類するように構成されるこ
とになる。
【００２２】複数の医用画像から疾患を検出する方法の
一実施形態は、画像データを取得する工程と、取得され
た画像データを処理して肺領域を画定する工程と、撮像
装置及び撮像方法の既知の特性を用いて画像の低レベル
の特徴を算出する工程と、画像の特徴、及び画像の特徴
を記述する情報オブジェクト階層に基づいて画像の各領
域を解剖学的構造にグループ分けする工程と、グループ
分けした領域のいずれかが、肺疾患が疑われる区域を表
わしているか否かを判定する工程とを含んでいる。この
方法はさらに、肺疾患が疑われると識別された区域を表
示する工程を含んでいる。表示する工程は、解剖学的コ
ンテクスト（例えば肺小結節、疾患組織、健全組織）
と、疑わしい区域を識別した判定過程とを表示する工程
を含んでいる。領域のグループ分けは、ベイズ（Baye
s）因子を用いた信号モデル及び解剖学的モデルの比較
を用いて行なわれる。さらにもう一つの実施形態では、
疾患の診断及び検出に用いられる医用画像において組織
の特徴を決定する方法が、解剖学的組織の特徴を決定す
るために複雑さの増す情報オブジェクト階層を算出する
工程を含んでいる。オブジェクト階層は、画像を取得す
るのに用いる画像取得装置の特性、並びに選択された関
心領域及び所定の疾患の解剖学的特徴に基づくモデル又
は代替的には数学的表現を含んでいる。グループ分け、
オブジェクト階層及びベイズ因子比較については、図４
を参照して後に詳述する。
一実施形態は、画像データを取得する工程と、取得され
た画像データを処理して肺領域を画定する工程と、撮像
装置及び撮像方法の既知の特性を用いて画像の低レベル
の特徴を算出する工程と、画像の特徴、及び画像の特徴
を記述する情報オブジェクト階層に基づいて画像の各領
域を解剖学的構造にグループ分けする工程と、グループ
分けした領域のいずれかが、肺疾患が疑われる区域を表
わしているか否かを判定する工程とを含んでいる。この
方法はさらに、肺疾患が疑われると識別された区域を表
示する工程を含んでいる。表示する工程は、解剖学的コ
ンテクスト（例えば肺小結節、疾患組織、健全組織）
と、疑わしい区域を識別した判定過程とを表示する工程
を含んでいる。領域のグループ分けは、ベイズ（Baye
s）因子を用いた信号モデル及び解剖学的モデルの比較
を用いて行なわれる。さらにもう一つの実施形態では、
疾患の診断及び検出に用いられる医用画像において組織
の特徴を決定する方法が、解剖学的組織の特徴を決定す
るために複雑さの増す情報オブジェクト階層を算出する
工程を含んでいる。オブジェクト階層は、画像を取得す
るのに用いる画像取得装置の特性、並びに選択された関
心領域及び所定の疾患の解剖学的特徴に基づくモデル又
は代替的には数学的表現を含んでいる。グループ分け、
オブジェクト階層及びベイズ因子比較については、図４
を参照して後に詳述する。
【００２３】図２には、疾患を検出するのに用いられる
画像データを処理する方法の実施形態のさらに詳細な流
れ図が示されている。ステップ２１０で画像データを取
得する。これらの画像はプロセッサ１２０（図１）へ渡
されて、図２のステップ２２０〜２８０での処理を行な
う。ステップ２２０では、肺を表わす画像の区域を、様
々な公知のセグメント分割手法の選択によって決定する
か、又は代替的には、図３を参照して後に詳述する胸膜
空間セグメント分割の実施形態の一例によって決定す
る。ステップ２２０からの結果として、ＣＴ走査による
入力ピクセルが先ず、肺腔に属するか、又は肺の外部に
位置するかのいずれかに分類される。入力ピクセルは二
次元ＣＴ走査データ集合か、又は代替的には三次元ＣＴ
走査データ集合から取得される。次いで、ステップ２３
０では、プロセッサ１２０は、画像の肺領域内部のグレ
イ・スケール値から低レベル信号モデルを算出する。こ
れらのモデルは例えば、稠密な明るい物体、稠密な暗い
物体、及び長く明るい物体を包含し得る（但しこれらに
限定されない）。低レベル信号モデルは、スキャナの測
定過程によって修正された後の撮像された構造の数学的
記述である。ステップ２５０では信号モデル処理が続行
して、画像のピクセル領域に関するさらに多くの情報を
得る。ステップ２５０の信号モデル処理の一実施形態で
は、画像のピクセルの領域を最良に説明するために、異
なる信号モデルを互いに競合させる。競合は、公知のベ
イズ因子の統計式過程を用いて信号モデルの間での比較
を実行することにより行なわれると望ましい。他の判定
方法又は統計式方法を用いてもよいことを理解された
い。ベイズ因子を用いた実施形態の一例は図４を参照し
て後に詳述する。
画像データを処理する方法の実施形態のさらに詳細な流
れ図が示されている。ステップ２１０で画像データを取
得する。これらの画像はプロセッサ１２０（図１）へ渡
されて、図２のステップ２２０〜２８０での処理を行な
う。ステップ２２０では、肺を表わす画像の区域を、様
々な公知のセグメント分割手法の選択によって決定する
か、又は代替的には、図３を参照して後に詳述する胸膜
空間セグメント分割の実施形態の一例によって決定す
る。ステップ２２０からの結果として、ＣＴ走査による
入力ピクセルが先ず、肺腔に属するか、又は肺の外部に
位置するかのいずれかに分類される。入力ピクセルは二
次元ＣＴ走査データ集合か、又は代替的には三次元ＣＴ
走査データ集合から取得される。次いで、ステップ２３
０では、プロセッサ１２０は、画像の肺領域内部のグレ
イ・スケール値から低レベル信号モデルを算出する。こ
れらのモデルは例えば、稠密な明るい物体、稠密な暗い
物体、及び長く明るい物体を包含し得る（但しこれらに
限定されない）。低レベル信号モデルは、スキャナの測
定過程によって修正された後の撮像された構造の数学的
記述である。ステップ２５０では信号モデル処理が続行
して、画像のピクセル領域に関するさらに多くの情報を
得る。ステップ２５０の信号モデル処理の一実施形態で
は、画像のピクセルの領域を最良に説明するために、異
なる信号モデルを互いに競合させる。競合は、公知のベ
イズ因子の統計式過程を用いて信号モデルの間での比較
を実行することにより行なわれると望ましい。他の判定
方法又は統計式方法を用いてもよいことを理解された
い。ベイズ因子を用いた実施形態の一例は図４を参照し
て後に詳述する。
【００２４】最良の低レベル信号モデルについての判定
を行なった後に、ステップ２６０及びステップ２７０で
さらなるグループ分け過程が行なわれる。この過程は、
低レベル・モデルを肺の特定の区域のような解剖学的構
造にグループ分けすることを含んでいる。ここでも、判
定過程は、モデルの適合性について最適な判定を行なう
ために、望ましくはベイズ因子を用いて解剖学的モデル
を競合させることを含んでいる。
を行なった後に、ステップ２６０及びステップ２７０で
さらなるグループ分け過程が行なわれる。この過程は、
低レベル・モデルを肺の特定の区域のような解剖学的構
造にグループ分けすることを含んでいる。ここでも、判
定過程は、モデルの適合性について最適な判定を行なう
ために、望ましくはベイズ因子を用いて解剖学的モデル
を競合させることを含んでいる。
【００２５】最後に、ステップ２８０で結果を表示す
る。結果は、肺疾患の疑わしさに関する定性的情報及び
定量的情報を与えるために、低レベル信号モデルと解剖
学的モデルとによって与えられる情報に基づくものとな
っている。システムは低レベル信号の知識及び解剖学的
コンテクストの両方を有しているため、このレベルでの
判定は、放射線科医師が肺小結節に関して判定を行なう
場合と同じものとなる。
る。結果は、肺疾患の疑わしさに関する定性的情報及び
定量的情報を与えるために、低レベル信号モデルと解剖
学的モデルとによって与えられる情報に基づくものとな
っている。システムは低レベル信号の知識及び解剖学的
コンテクストの両方を有しているため、このレベルでの
判定は、放射線科医師が肺小結節に関して判定を行なう
場合と同じものとなる。
【００２６】図３には、ステップ２２０での肺領域を識
別する一実施形態が示されている。本実施形態では、計
算機式断層写真法（ＣＴ）データ集合における胸膜空間
の境界を自動的に識別する肺セグメント分割過程を行な
う。境界は、スライス平面の二次元（２Ｄ）輪郭線集合
か、胸膜空間の全空間を網羅する三次元（３Ｄ）三角面
のいずれかである。抽出された境界を引き続き用いて、
計算機支援検出（ＣＡＤ）法を胸膜空間に限定すること
ができる。これにより、肺小結節検出手法を胸膜空間の
外部で用いる場合に生ずる偽陽性の数を減少させる。
別する一実施形態が示されている。本実施形態では、計
算機式断層写真法（ＣＴ）データ集合における胸膜空間
の境界を自動的に識別する肺セグメント分割過程を行な
う。境界は、スライス平面の二次元（２Ｄ）輪郭線集合
か、胸膜空間の全空間を網羅する三次元（３Ｄ）三角面
のいずれかである。抽出された境界を引き続き用いて、
計算機支援検出（ＣＡＤ）法を胸膜空間に限定すること
ができる。これにより、肺小結節検出手法を胸膜空間の
外部で用いる場合に生ずる偽陽性の数を減少させる。
【００２７】さらに図３を参照すると、３Ｄ表面識別は
下記のようにして進む。
下記のようにして進む。
【００２８】３１０ 肺を網羅するＣＴデータ集合を取
得する。ＣＴ検査の範囲は、胸膜空間の領域全体を網羅
していなければならない。検査の中心線標認点は近似的
に胸郭の中心を下降していなければならない。
得する。ＣＴ検査の範囲は、胸膜空間の領域全体を網羅
していなければならない。検査の中心線標認点は近似的
に胸郭の中心を下降していなければならない。
【００２９】３１１ ＣＴデータ集合をメモリに読み込
む。効率化のためにはデータ集合は連続的なメモリに存
在すべきであるが、他のメモリ構成手段も可能である。
む。効率化のためにはデータ集合は連続的なメモリに存
在すべきであるが、他のメモリ構成手段も可能である。
【００３０】３１２ 閾値を選択する。ＣＴ調査対象
（CT study）において近似的に空気に対応する強度値を
選択する。この強度を閾値と呼ぶ。閾値は様々な手段を
用いて選択することができるが、ＣＴ肺プロトコル毎に
一回だけ選択すればよい。同じプロトコル（例えば走査
手順）を用いるすべての検査に同じ閾値を用いることが
できる。
（CT study）において近似的に空気に対応する強度値を
選択する。この強度を閾値と呼ぶ。閾値は様々な手段を
用いて選択することができるが、ＣＴ肺プロトコル毎に
一回だけ選択すればよい。同じプロトコル（例えば走査
手順）を用いるすべての検査に同じ閾値を用いることが
できる。
【００３１】３１３ 調査対象を前景領域と背景領域と
にセグメント分割する。閾値を下回る値を有するすべて
の標本は正の定数前景値で置き換える。他のすべての標
本は背景値である０で置き換える。実際の前景値は任意
である。前景値で標識された標本は空気に対応し、背景
値で標識された標本は他の組織に対応する。
にセグメント分割する。閾値を下回る値を有するすべて
の標本は正の定数前景値で置き換える。他のすべての標
本は背景値である０で置き換える。実際の前景値は任意
である。前景値で標識された標本は空気に対応し、背景
値で標識された標本は他の組織に対応する。
【００３２】３１４ ｘｙ平面、ｘｚ平面及びｙｚ平面
において島を除去する。島は、ゼロを含んでいるが非ゼ
ロの標本で包囲されている標本群である。島の値を前景
値に設定することにより島を除去する。所定の島寸法を
下回る島のみが除去される。島寸法は、血管又は気管支
通路の断面積よりも大きく、且つＣＴ再構成円の外部の
背景面積よりも小さくなるように選択する。
において島を除去する。島は、ゼロを含んでいるが非ゼ
ロの標本で包囲されている標本群である。島の値を前景
値に設定することにより島を除去する。所定の島寸法を
下回る島のみが除去される。島寸法は、血管又は気管支
通路の断面積よりも大きく、且つＣＴ再構成円の外部の
背景面積よりも小さくなるように選択する。
【００３３】３１５ 胸膜空間内でシードを選択する。
シードは、中間スライスに位置しており、画像の左から
の距離の四分の一と画像の下部からの距離の二分の一に
位置するようにする。
シードは、中間スライスに位置しており、画像の左から
の距離の四分の一と画像の下部からの距離の二分の一に
位置するようにする。
【００３４】３１６ ３Ｄ連結領域を抽出する。開始点
としてシードを用いて、シードに連結しておりシードと
同じ値を有しているすべての値を標識する。選択される
その他の連結アルゴリズムも適当である。手法の一例が
米国特許第４，７５１，６４３号“METHOD AND APPARAT
US FOR DETERMINING CONNECTED SUBSTRUCTURES WITHIN
A BODY”に開示されている。
としてシードを用いて、シードに連結しておりシードと
同じ値を有しているすべての値を標識する。選択される
その他の連結アルゴリズムも適当である。手法の一例が
米国特許第４，７５１，６４３号“METHOD AND APPARAT
US FOR DETERMINING CONNECTED SUBSTRUCTURES WITHIN
A BODY”に開示されている。
【００３５】３１７ 表面を抽出する。等値面抽出手法
を用いて三角形で構成されている表面を抽出する。等値
面は、前景値と背景値との中間の値に対応する。任意の
等値面抽出手法を用いることができる。等値面抽出手法
の一例は、米国特許第４，７１０，８７６号“SYSTEM A
ND METHOD FOR THE DISPLAY OF SURFACE STRUCTURESCON
TAINED WITHIN THE INTERIOR REGION OF A SOLID BOD
Y”に記載されているような周知のMarching Cubesアル
ゴリズムである。
を用いて三角形で構成されている表面を抽出する。等値
面は、前景値と背景値との中間の値に対応する。任意の
等値面抽出手法を用いることができる。等値面抽出手法
の一例は、米国特許第４，７１０，８７６号“SYSTEM A
ND METHOD FOR THE DISPLAY OF SURFACE STRUCTURESCON
TAINED WITHIN THE INTERIOR REGION OF A SOLID BOD
Y”に記載されているような周知のMarching Cubesアル
ゴリズムである。
【００３６】２Ｄ輪郭線識別は下記のようにして進む。
ステップ３１０〜３１６は３Ｄ表面のステップ３１０〜
３１６に対応する。
ステップ３１０〜３１６は３Ｄ表面のステップ３１０〜
３１６に対応する。
【００３７】３１０ 肺を網羅するＣＴデータ集合を取
得する。
得する。
【００３８】３１１ ＣＴデータ集合をメモリに読み込
む。
む。
【００３９】３１２ 閾値を選択する。
【００４０】３１３ 調査対象を前景領域と背景領域と
にセグメント分割する。
にセグメント分割する。
【００４１】３１４ ｘｙ平面、ｘｚ平面及びｙｚ平面
の島を除去する。
の島を除去する。
【００４２】３１５ 胸膜空間についてシードを選択す
る。
る。
【００４３】３１６ ３Ｄ連結領域を抽出する。
【００４４】３１７ 右胸膜空間に対応する立体データ
集合の切り取り部分を抽出する。切り取り領域は、固定
した百分率だけデータの中心線を超えて延在していなけ
ればならない。これは、中心線に交差している可能性の
ある胸膜腔を収容するためである。肺検査については２
０％の重なりが適当と考えられる。
集合の切り取り部分を抽出する。切り取り領域は、固定
した百分率だけデータの中心線を超えて延在していなけ
ればならない。これは、中心線に交差している可能性の
ある胸膜腔を収容するためである。肺検査については２
０％の重なりが適当と考えられる。
【００４５】３１８ 左胸膜空間の輪郭線を識別する。
輪郭線抽出手法を用いて線分で構成されている輪郭線を
抽出する。任意の輪郭線抽出手法を用いることができ
る。実施形態の一例は、米国特許第４，７１０，８７６
号“SYSTEM AND METHOD FOR THE DISPLAY OF SURFACE S
TRUCTURES”に記載されているMarching Cubesの特殊化
形態であるMarching Squaresアルゴリズムである。
輪郭線抽出手法を用いて線分で構成されている輪郭線を
抽出する。任意の輪郭線抽出手法を用いることができ
る。実施形態の一例は、米国特許第４，７１０，８７６
号“SYSTEM AND METHOD FOR THE DISPLAY OF SURFACE S
TRUCTURES”に記載されているMarching Cubesの特殊化
形態であるMarching Squaresアルゴリズムである。
【００４６】３１９ 線分数によって輪郭線を並べ換え
して、最大数の線分を有する輪郭線を保存する。この輪
郭線が右胸膜空間に対応する。
して、最大数の線分を有する輪郭線を保存する。この輪
郭線が右胸膜空間に対応する。
【００４７】３２０ 左胸膜空間に対応する立体データ
集合の切り取り部分を抽出する。この工程は、切り取り
領域が画像の右側から指定されている点を除きステップ
３１８と同じである。
集合の切り取り部分を抽出する。この工程は、切り取り
領域が画像の右側から指定されている点を除きステップ
３１８と同じである。
【００４８】３２１ 左胸膜空間の輪郭線を識別する。
この工程は、ステップ３２０での領域に適用されるステ
ップ３１８と同じ工程である。この輪郭線が左胸膜空間
に対応する。
この工程は、ステップ３２０での領域に適用されるステ
ップ３１８と同じ工程である。この輪郭線が左胸膜空間
に対応する。
【００４９】セグメント分割過程について以上に述べた
実施形態を用いると、肺の特定の解剖学的構造及びＣＴ
検査プロトコルに基づいてすべてのアルゴリズム・パラ
メータを自動的に選択することが可能になる。さらに、
島除去は、各々異なる平面について三回続けて第二の工
程を通過させることで実行される。先ず肺領域を識別す
ることにより、後続の測定での計算時間及び複雑さを減
少させ得ることが理解されよう。
実施形態を用いると、肺の特定の解剖学的構造及びＣＴ
検査プロトコルに基づいてすべてのアルゴリズム・パラ
メータを自動的に選択することが可能になる。さらに、
島除去は、各々異なる平面について三回続けて第二の工
程を通過させることで実行される。先ず肺領域を識別す
ることにより、後続の測定での計算時間及び複雑さを減
少させ得ることが理解されよう。
【００５０】図４には、図２の方法で用いられるモデル
の階層の実施形態、及び階層内での処理の方法が示され
ている。モデルの階層は、信号モデル・データ、幾何学
的モデル・データ、及び解剖学的モデル・データを含む
様々なレベルのモデルを含んでいる。ステップ２２０
（図１）で肺領域内に位置するものと分類されたピクセ
ルは、以下で階層と呼ぶモデル化構造の様々なレベルで
モデル化される。本書で用いられるモデルという用語は
一般的には、数学的表現を指しており、又は代替的に
は、数学的変換を指している。
の階層の実施形態、及び階層内での処理の方法が示され
ている。モデルの階層は、信号モデル・データ、幾何学
的モデル・データ、及び解剖学的モデル・データを含む
様々なレベルのモデルを含んでいる。ステップ２２０
（図１）で肺領域内に位置するものと分類されたピクセ
ルは、以下で階層と呼ぶモデル化構造の様々なレベルで
モデル化される。本書で用いられるモデルという用語は
一般的には、数学的表現を指しており、又は代替的に
は、数学的変換を指している。
【００５１】第一レベル又は低レベルでは、撮像装置の
特性を数学的表現へ変換する。関心のある撮像装置の特
性は、画像の表示及び分解能に一般に影響を及ぼす特
性、又は他の場合では放射線科医師による画像の領域の
解釈に影響を及ぼす特性である。例えば、スキャナの点
拡がり関数は画像形成過程の測定可能な指標であり、数
学的にモデル化することができる。画像形成過程の他の
指標としては、Ｘ線密度、輝度、分解能、及びコントラ
ストがある。
特性を数学的表現へ変換する。関心のある撮像装置の特
性は、画像の表示及び分解能に一般に影響を及ぼす特
性、又は他の場合では放射線科医師による画像の領域の
解釈に影響を及ぼす特性である。例えば、スキャナの点
拡がり関数は画像形成過程の測定可能な指標であり、数
学的にモデル化することができる。画像形成過程の他の
指標としては、Ｘ線密度、輝度、分解能、及びコントラ
ストがある。
【００５２】第二のレベル又は中間的レベルでは、適合
形状モデルを導出して様々な組織の幾何学的特徴及び強
度表面を説明する。形状及び幾何学的特徴モデル情報
は、解剖学的情報、及び放射線科医師の専門家観測から
導出され、これらのことについては図４を参照して後に
詳述する。
形状モデルを導出して様々な組織の幾何学的特徴及び強
度表面を説明する。形状及び幾何学的特徴モデル情報
は、解剖学的情報、及び放射線科医師の専門家観測から
導出され、これらのことについては図４を参照して後に
詳述する。
【００５３】階層を一回通過すると、低レベル・ピクセ
ル情報（Ｘ線密度）が解剖学的情報へ変換される。この
解剖学的情報は、全ピクセルの例えば血管、肺母組織、
及び肺ガン小結節等の肺組織種別への分類である。中間
レベルについてのモデルは一般的には、専門家情報、例
えば幾つかの種別の肺疾患の特徴を繰り返し観測したこ
とのある放射線科医師から得られる関心領域（例えば
肺）及び特定の疾患（例えば肺ガン又はＣＯＰＤ）につ
いての病理学的情報から導出される。専門家情報は望ま
しくは、関心領域及び特定の疾患の検出に経験のある放
射線科医師又は複数の放射線科医師から取得する。
ル情報（Ｘ線密度）が解剖学的情報へ変換される。この
解剖学的情報は、全ピクセルの例えば血管、肺母組織、
及び肺ガン小結節等の肺組織種別への分類である。中間
レベルについてのモデルは一般的には、専門家情報、例
えば幾つかの種別の肺疾患の特徴を繰り返し観測したこ
とのある放射線科医師から得られる関心領域（例えば
肺）及び特定の疾患（例えば肺ガン又はＣＯＰＤ）につ
いての病理学的情報から導出される。専門家情報は望ま
しくは、関心領域及び特定の疾患の検出に経験のある放
射線科医師又は複数の放射線科医師から取得する。
【００５４】上述のモデルは、放射線医学的重要性が増
す情報オブジェクトであって明示的にモデル化される情
報オブジェクトから成る階層を形成する。例えば、図４
に示すように、肺小結節及び脈管構造は肺ガンのような
肺疾患の指標となる。加えて、肺実質計量も肺疾患の指
標となる。放射線科医師の観測又は代替的には他の疾患
の専門家観測に基づいて、一組の幾何学的特徴及び形状
特徴が得られる。例えば、肺ガン小結節は一般的には、
稠密で明るい球状性質を有する。さらに、ガン化し易い
肺ガン小結節は尖鋭化する傾向がある（網目状血管構
造）。本発明の実施形態では、肺ガン小結節のような疾
患の特徴決定が、図４に示すような小結節モデル４７０
及び血管モデル４８０として数学的に表現される。さら
に関心を持たれることとしては、血管及び小結節に対し
て背景と考えられ得る肺母組織であり、本発明の実施形
態では、これらの肺母組織も肺母組織モデル４９０の数
学的表現としてモデル化されている。
す情報オブジェクトであって明示的にモデル化される情
報オブジェクトから成る階層を形成する。例えば、図４
に示すように、肺小結節及び脈管構造は肺ガンのような
肺疾患の指標となる。加えて、肺実質計量も肺疾患の指
標となる。放射線科医師の観測又は代替的には他の疾患
の専門家観測に基づいて、一組の幾何学的特徴及び形状
特徴が得られる。例えば、肺ガン小結節は一般的には、
稠密で明るい球状性質を有する。さらに、ガン化し易い
肺ガン小結節は尖鋭化する傾向がある（網目状血管構
造）。本発明の実施形態では、肺ガン小結節のような疾
患の特徴決定が、図４に示すような小結節モデル４７０
及び血管モデル４８０として数学的に表現される。さら
に関心を持たれることとしては、血管及び小結節に対し
て背景と考えられ得る肺母組織であり、本発明の実施形
態では、これらの肺母組織も肺母組織モデル４９０の数
学的表現としてモデル化されている。
【００５５】さらに図４を参照して述べると、小結節モ
デル４７０、血管モデル４８０、及び肺母組織モデル４
９０は、様々な肺組織を識別するのに用いられる階層の
高レベルでの説明に相当している。これら高レベル・モ
デルの各々は、低レベル及び中間レベルでさらに定義さ
れる。例えば、小結節は一般的には、球状で明るい（ハ
ンスフィールド単位で測定可能）。従って、強度領域形
成４４０に相当する形状モデル、及びステップ・エッジ
検出４１０についての信号モデルを数学的に導出して潜
在的な小結節の識別を可能にする。他の実例としては、
尖鋭化した小結節は、１以上の血管が流入する稠密な核
構造を有する傾向があり、また網目状構造又は尖鋭化構
造を有する。強度リボン形成４５０に相当する形状モデ
ル、及び重畳（fold）エッジ検出４２０に相当する信号
モデルが同様に、潜在的な尖鋭化小結節の識別を可能に
する。背景肺組織も同様に、地組織（テクスチャ）領域
形成モデル４６０、及び準分解能（subresolution）地
組織検出モデル４３０という低レベル及び中間レベルに
よって定義される。
デル４７０、血管モデル４８０、及び肺母組織モデル４
９０は、様々な肺組織を識別するのに用いられる階層の
高レベルでの説明に相当している。これら高レベル・モ
デルの各々は、低レベル及び中間レベルでさらに定義さ
れる。例えば、小結節は一般的には、球状で明るい（ハ
ンスフィールド単位で測定可能）。従って、強度領域形
成４４０に相当する形状モデル、及びステップ・エッジ
検出４１０についての信号モデルを数学的に導出して潜
在的な小結節の識別を可能にする。他の実例としては、
尖鋭化した小結節は、１以上の血管が流入する稠密な核
構造を有する傾向があり、また網目状構造又は尖鋭化構
造を有する。強度リボン形成４５０に相当する形状モデ
ル、及び重畳（fold）エッジ検出４２０に相当する信号
モデルが同様に、潜在的な尖鋭化小結節の識別を可能に
する。背景肺組織も同様に、地組織（テクスチャ）領域
形成モデル４６０、及び準分解能（subresolution）地
組織検出モデル４３０という低レベル及び中間レベルに
よって定義される。
【００５６】階層の各々のレベルにおいて、モデル・パ
ラメータの推定によって、各々の情報オブジェクトの特
性についての判定すなわち画像のピクセルの次第にレベ
ルの高くなる各々の説明についての判定を行なう。階層
の各々のレベルでのモデル化工程は次の通りである。
ラメータの推定によって、各々の情報オブジェクトの特
性についての判定すなわち画像のピクセルの次第にレベ
ルの高くなる各々の説明についての判定を行なう。階層
の各々のレベルでのモデル化工程は次の通りである。
【００５７】（１）画像形成過程の出力としてのピクセ
ル情報、及び（２）適合形状モデルを導出して、様々な
組織の幾何学的特徴及び強度表面を説明する。
ル情報、及び（２）適合形状モデルを導出して、様々な
組織の幾何学的特徴及び強度表面を説明する。
【００５８】第一のモデル化工程（ステップ・エッジ検
出４１０）では、画像形成過程（図１及び図２の２４
０）の出力でのピクセル情報を解析する。畳み込み演算
子を用いて組織境界を識別する。小結節候補は、撮像装
置の信号インパルス応答によって定義される差分カーネ
ルで画像を畳み込みすることにより局所化される。一実
施形態では、GE LightSpeed Scannerで取得された画像
を用いると共に、平滑化パラメータを１．１ピクセルと
してCannyエッジ検出器を用いた。Cannyエッジ検出アル
ゴリズムの一実施形態はCanny86の記載にある。
出４１０）では、画像形成過程（図１及び図２の２４
０）の出力でのピクセル情報を解析する。畳み込み演算
子を用いて組織境界を識別する。小結節候補は、撮像装
置の信号インパルス応答によって定義される差分カーネ
ルで画像を畳み込みすることにより局所化される。一実
施形態では、GE LightSpeed Scannerで取得された画像
を用いると共に、平滑化パラメータを１．１ピクセルと
してCannyエッジ検出器を用いた。Cannyエッジ検出アル
ゴリズムの一実施形態はCanny86の記載にある。
【００５９】脈管構造は、重畳エッジ検出４２０を用い
て、撮像装置の信号インパルス応答によって定義される
差分カーネルで画像を畳み込みすることにより局所化さ
れる。GE LightSpeed Scannerから取得された画像を用
いた本実施形態では、平滑化パラメータを１．５ピクセ
ルとして重畳エッジ検出器を用いた。
て、撮像装置の信号インパルス応答によって定義される
差分カーネルで画像を畳み込みすることにより局所化さ
れる。GE LightSpeed Scannerから取得された画像を用
いた本実施形態では、平滑化パラメータを１．５ピクセ
ルとして重畳エッジ検出器を用いた。
【００６０】背景組織は、準分解能地組織検出４３０に
よって準分解能地組織として表現される。背景組織は、
低強度の領域を識別することにより局所化される。撮像
装置の信号インパルス応答によって定義される畳み込み
カーネルを用いて潜在的な背景領域を識別する。GE Lig
htSpeed Scannerから取得された画像を用いた本実施形
態では、平滑化パラメータを１．１ピクセルとしてCann
yエッジ検出器を用いている。この処理段階では、背景
領域のリストを平均強度５２０で閾値処理してトリミン
グする。代替的な局所化手順は、ランダムな配向を有す
る一般化した強度円筒として背景組織をモデル化するこ
とから成っている。この具現化形態では、局所化は、一
般化した円筒モデルの出力を画像強度と比較することに
より行なわれる。
よって準分解能地組織として表現される。背景組織は、
低強度の領域を識別することにより局所化される。撮像
装置の信号インパルス応答によって定義される畳み込み
カーネルを用いて潜在的な背景領域を識別する。GE Lig
htSpeed Scannerから取得された画像を用いた本実施形
態では、平滑化パラメータを１．１ピクセルとしてCann
yエッジ検出器を用いている。この処理段階では、背景
領域のリストを平均強度５２０で閾値処理してトリミン
グする。代替的な局所化手順は、ランダムな配向を有す
る一般化した強度円筒として背景組織をモデル化するこ
とから成っている。この具現化形態では、局所化は、一
般化した円筒モデルの出力を画像強度と比較することに
より行なわれる。
【００６１】第二のモデル化工程では、適合形状モデル
を用いて、様々な組織の幾何学的特徴及び強度表面を説
明する。推定による小結節候補が、強度領域形成ステッ
プ４４０において信号モデル段階の出力を複数の領域に
グループ分けすることにより形成される。領域のグルー
プ分けは、エッジ勾配に垂直なエッジ切片を補外するこ
とにより行なわれる。他のエッジに関連する頂点に近い
エッジ終端を連結して領域を形成する。この具現化形態
では、エッジ切片を連結する距離閾値は４ピクセルとす
る。
を用いて、様々な組織の幾何学的特徴及び強度表面を説
明する。推定による小結節候補が、強度領域形成ステッ
プ４４０において信号モデル段階の出力を複数の領域に
グループ分けすることにより形成される。領域のグルー
プ分けは、エッジ勾配に垂直なエッジ切片を補外するこ
とにより行なわれる。他のエッジに関連する頂点に近い
エッジ終端を連結して領域を形成する。この具現化形態
では、エッジ切片を連結する距離閾値は４ピクセルとす
る。
【００６２】脈管構造は、強度リボン形成ステップ４５
０で重畳エッジ検出４２０の出力を共に結合することに
より得られる。鎖の各々の点で、鎖の幅は、鎖方向に垂
直な方向の各々の側に位置する最近接ステップ・エッジ
を局所化することにより画定される。この掃引操作によ
って、一組の強度リボンが画定される。これらのリボン
は、全長に沿って、重畳エッジの中心線及び重畳の幅に
よって暗黙裡に画定される。これらのリボンは「血管候
補」と考えられ、すなわち階層の次のレベルで血管とし
て定義される可能性のある物体と考えられる。
０で重畳エッジ検出４２０の出力を共に結合することに
より得られる。鎖の各々の点で、鎖の幅は、鎖方向に垂
直な方向の各々の側に位置する最近接ステップ・エッジ
を局所化することにより画定される。この掃引操作によ
って、一組の強度リボンが画定される。これらのリボン
は、全長に沿って、重畳エッジの中心線及び重畳の幅に
よって暗黙裡に画定される。これらのリボンは「血管候
補」と考えられ、すなわち階層の次のレベルで血管とし
て定義される可能性のある物体と考えられる。
【００６３】ステップ４６０（地組織領域形成）では、
背景肺組織及び背景母組織をモデル化する。背景肺組織
は、信号演算器によって出力された領域を共にグループ
化することにより得られる。エッジ勾配に垂直なエッジ
切片を補外することにより領域を形成する。他のエッジ
に関連する頂点に近いエッジ終端を連結して領域を形成
する。この具現化形態では、エッジ切片を連結する距離
閾値は４ピクセルとする。
背景肺組織及び背景母組織をモデル化する。背景肺組織
は、信号演算器によって出力された領域を共にグループ
化することにより得られる。エッジ勾配に垂直なエッジ
切片を補外することにより領域を形成する。他のエッジ
に関連する頂点に近いエッジ終端を連結して領域を形成
する。この具現化形態では、エッジ切片を連結する距離
閾値は４ピクセルとする。
【００６４】ここで、モデル化工程２において見出され
た小結節候補のうちのいずれが真の肺ガン小結節である
かを判定する判定過程に移る。この時点で、ＣＴ画像に
は本質的に二つの競合するセグメント分割が存在してい
る。すなわち領域セグメント分割及びリボン・セグメン
ト分割である。各々の領域が小結節候補であるので、こ
の領域が、ピクセル強度及び領域形状に関する適当なモ
デルについて、任意の可能な血管説明又は背景説明より
も領域内ピクセルのよりよい説明となっているか否かを
判定しなければならない。これを行なうために、ベイズ
因子を用いてステップ５００で二つのモデルを比較す
る。競合枠組みは、モデル化された情報の対（ペア）単
位比較であり、すなわち小結節対血管、及び小結節対背
景の比較である。小結節が各々の競合に「勝利」した
ら、この小結節は疑わしい領域であると考えられて、そ
のように報告される。
た小結節候補のうちのいずれが真の肺ガン小結節である
かを判定する判定過程に移る。この時点で、ＣＴ画像に
は本質的に二つの競合するセグメント分割が存在してい
る。すなわち領域セグメント分割及びリボン・セグメン
ト分割である。各々の領域が小結節候補であるので、こ
の領域が、ピクセル強度及び領域形状に関する適当なモ
デルについて、任意の可能な血管説明又は背景説明より
も領域内ピクセルのよりよい説明となっているか否かを
判定しなければならない。これを行なうために、ベイズ
因子を用いてステップ５００で二つのモデルを比較す
る。競合枠組みは、モデル化された情報の対（ペア）単
位比較であり、すなわち小結節対血管、及び小結節対背
景の比較である。小結節が各々の競合に「勝利」した
ら、この小結節は疑わしい領域であると考えられて、そ
のように報告される。
【００６５】本書で用いられる「ベイズ因子」は、入力
パラメータが与えられたときに最適な判定を行なうこと
を保証する公知の判定機構を指す。本発明の実施形態に
ベイズ因子を適用することにより、放射線科医師の専門
家観測によって提供される形状及び信号の統計的モデル
が与えられたときに最適な判定を下すことが可能にな
る。この最適性は、各々の解剖学的種別の統計的モデル
が、熟練した放射線科医師に具現化されているすべての
関連知識を表わしており、放射線医師は、ベイズ因子機
構によって定義されるような合理的な態様で挙動すると
想定している。従って、情報の階層によって、領域又は
小結節に関して放射線科医師が下すものと同じ判定を処
理が下すことが可能になる。また、本書で用いられるベ
イズ因子は、本書では「ベイズ・モデル競合」という用
語と可換で用いられている。
パラメータが与えられたときに最適な判定を行なうこと
を保証する公知の判定機構を指す。本発明の実施形態に
ベイズ因子を適用することにより、放射線科医師の専門
家観測によって提供される形状及び信号の統計的モデル
が与えられたときに最適な判定を下すことが可能にな
る。この最適性は、各々の解剖学的種別の統計的モデル
が、熟練した放射線科医師に具現化されているすべての
関連知識を表わしており、放射線医師は、ベイズ因子機
構によって定義されるような合理的な態様で挙動すると
想定している。従って、情報の階層によって、領域又は
小結節に関して放射線科医師が下すものと同じ判定を処
理が下すことが可能になる。また、本書で用いられるベ
イズ因子は、本書では「ベイズ・モデル競合」という用
語と可換で用いられている。
【００６６】競合を始めるために、各々の小結節候補に
ついて、候補の周りのピクセルの小領域（パッチ）を考
察する。小結節対血管の競合では、この小領域は、小結
節候補と各々の競合相手のリボンとの連合として順に画
定される。小結節対背景の競合では、小領域は、小結節
候補と連合させて、小結節候補の幾何中心の所定半径の
範囲内で所定の強度閾値を下回る全ピクセルとして画定
される。半径は望ましくは１０ピクセルに設定され、強
度閾値は望ましくは５２０ＣＴ単位に設定される。一
旦、競合小領域が画定されたら、二つの競合の各々が同
じ態様で進行する。下記の表は、処理時に利用可能なす
べての情報を掲げている。
ついて、候補の周りのピクセルの小領域（パッチ）を考
察する。小結節対血管の競合では、この小領域は、小結
節候補と各々の競合相手のリボンとの連合として順に画
定される。小結節対背景の競合では、小領域は、小結節
候補と連合させて、小結節候補の幾何中心の所定半径の
範囲内で所定の強度閾値を下回る全ピクセルとして画定
される。半径は望ましくは１０ピクセルに設定され、強
度閾値は望ましくは５２０ＣＴ単位に設定される。一
旦、競合小領域が画定されたら、二つの競合の各々が同
じ態様で進行する。下記の表は、処理時に利用可能なす
べての情報を掲げている。
【００６７】
【表１】
【００６８】表１の各行で、ｐ（ａ｜ｂ）という表記
は、ランダムな変数ｂの値が与えられたときのランダム
な変数ａについての条件付き確率分布を示す。
は、ランダムな変数ｂの値が与えられたときのランダム
な変数ａについての条件付き確率分布を示す。
【００６９】小結節候補が正規分布として正しく、２パ
ラメータ放物面に等しい平均を有し、一定の分散を有す
る場合には、強度モデルｘiは下記のように定義され
る。
ラメータ放物面に等しい平均を有し、一定の分散を有す
る場合には、強度モデルｘiは下記のように定義され
る。
【００７０】
ｘi＝β0＋β1ｕi *2＋β2ｖi *2＋εi （１）
ここで、（ｕi，ｖi）は、二次元にある完全６パラメー
タ放物面内に位置するその他のすべてのパラメータの最
小自乗推定値を強制的にゼロにする回転及び並進を行な
った後の第ｉピクセルの二次元位置である。誤差項εi
は、ゼロ平均及び固定分散で正規分布しており、真の小
結節データからオフ・ラインで推定される。本書で用い
られる「オフ・ライン」推定とは、機会（チャンス）又
は尤度情報のように事前に習得されている又は知られて
いる既知情報を指す。
タ放物面内に位置するその他のすべてのパラメータの最
小自乗推定値を強制的にゼロにする回転及び並進を行な
った後の第ｉピクセルの二次元位置である。誤差項εi
は、ゼロ平均及び固定分散で正規分布しており、真の小
結節データからオフ・ラインで推定される。本書で用い
られる「オフ・ライン」推定とは、機会（チャンス）又
は尤度情報のように事前に習得されている又は知られて
いる既知情報を指す。
【００７１】血管が２パラメータ放物面として正しい場
合の強度モデルは下記のように定義される。
合の強度モデルは下記のように定義される。
【００７２】
ｘi＝β0＋β1ｕi *2＋εi （２）
ここで、この場合には、ｕiは重畳エッジ鎖方向に垂直
な方向の単位ベクトルとして定義されている。リボンの
重畳エッジ中心はｕi＝０として定義される。拡がりは
鎖に沿って１ピクセル離隔した位置に画定され、各々の
拡がりの強度データは上述のモデルに従って独立にモデ
ル化される。誤差項もやはり正規分布している。
な方向の単位ベクトルとして定義されている。リボンの
重畳エッジ中心はｕi＝０として定義される。拡がりは
鎖に沿って１ピクセル離隔した位置に画定され、各々の
拡がりの強度データは上述のモデルに従って独立にモデ
ル化される。誤差項もやはり正規分布している。
【００７３】背景モデルは、未知の平均及び固定分散を
有する独立正規データとして各々のピクセルにおいて定
義され、真の背景データからオフ・ラインで推定され
る。このデータは専門家によって収集されており、分散
は通常の正規モデル不偏推定値を用いて推定される。
有する独立正規データとして各々のピクセルにおいて定
義され、真の背景データからオフ・ラインで推定され
る。このデータは専門家によって収集されており、分散
は通常の正規モデル不偏推定値を用いて推定される。
【００７４】事前分布は、すべての強度モデル・パラメ
ータについて、手動でセグメント分割された強度データ
から平均及び共分散行列をオフ・ラインで推定した正規
分布として定義される。形状パラメータについての事前
分布は、小結節アスペクト比及び寸法等の主要形状特徴
についての一様分布として定義される。各々のモデルに
ついての事前確率は、受診者動作特性曲線として公知の
既知のスキャナ・パラメータによって、所定の感度及び
特異性目標に従って決定される。
ータについて、手動でセグメント分割された強度データ
から平均及び共分散行列をオフ・ラインで推定した正規
分布として定義される。形状パラメータについての事前
分布は、小結節アスペクト比及び寸法等の主要形状特徴
についての一様分布として定義される。各々のモデルに
ついての事前確率は、受診者動作特性曲線として公知の
既知のスキャナ・パラメータによって、所定の感度及び
特異性目標に従って決定される。
【００７５】各々の競合の勝利側を判定するために、ベ
イズ因子を算出する。本書で用いられるベイズ因子は、
二つの所与のモデルＭ＝１及びＭ＝２についてモデル化
階層の最後のレベル（ステップ３）で算出される強度及
び形状データが与えられたときの事後モデル確率の比を
指す。
イズ因子を算出する。本書で用いられるベイズ因子は、
二つの所与のモデルＭ＝１及びＭ＝２についてモデル化
階層の最後のレベル（ステップ３）で算出される強度及
び形状データが与えられたときの事後モデル確率の比を
指す。
【００７６】
【数３】
【００７７】この比は下記のように書くこともできる。
【００７８】
【数４】
【００７９】ここで、因子
【００８０】
【数５】
【００８１】は１に等しいと仮定される。ベイズ因子は
必ずゼロよりも大きく、因子が１よりも大きい場合には
モデル１についての根拠を示す（逆も同様である）。
必ずゼロよりも大きく、因子が１よりも大きい場合には
モデル１についての根拠を示す（逆も同様である）。
【００８２】いずれの競合でも１よりも大きいベイズ因
子を与える小結節候補は疑わしいものと見做されて、視
覚化ツール（図２の表示工程２８０）においてＣＴデー
タに重ね合わせて表示される。これらの疑わしい小結節
の特徴も後の継続管理のために記憶される。
子を与える小結節候補は疑わしいものと見做されて、視
覚化ツール（図２の表示工程２８０）においてＣＴデー
タに重ね合わせて表示される。これらの疑わしい小結節
の特徴も後の継続管理のために記憶される。
【００８３】撮像処理及び撮像装置に関する知識を解析
手法に組み入れると、画像測定値の精度及びロバスト性
が向上することが理解されよう。競合枠組みによって、
モデル選択判定を行なうロバストな方法が提供される。
画像内の解剖学的構造をモデル化すると、画像測定値の
ロバスト性が向上して、解剖学的構造のコンテクストで
結果を医師に対して表示することが可能になる。解剖学
的モデルは医師に対して容易に説明され、医師の専門家
知識はシステムに整合的に組み入れられる（解剖学的特
徴の数学的近似の形態で）。モデル化階層の最低レベル
は、時間の試験を経た画像形成手法及び画像理解手法に
依拠しており、いずれの手法も人間の視覚に着実に立脚
している。解剖学的モデルは、ベイズ因子によって選択
されて、本発明による統計的モデルが与えられた場合に
最適な判定を可能にする。訓練データ（ニューラル・ネ
ットワークに必要とされる膨大な訓練データ等）は不要
であるが、事前分布の特定に専門家知識を補うために訓
練データを用いることもできる。モデル方式アプローチ
は、放射線科医師から引き出した専門家情報の組み入れ
を可能にしている。結果は放射線科医師又は医師に対し
て、各々の疑わしい領域の解剖学的コンテクスト及び疑
わしい領域を識別した判定過程を組み入れて報告され
る。
手法に組み入れると、画像測定値の精度及びロバスト性
が向上することが理解されよう。競合枠組みによって、
モデル選択判定を行なうロバストな方法が提供される。
画像内の解剖学的構造をモデル化すると、画像測定値の
ロバスト性が向上して、解剖学的構造のコンテクストで
結果を医師に対して表示することが可能になる。解剖学
的モデルは医師に対して容易に説明され、医師の専門家
知識はシステムに整合的に組み入れられる（解剖学的特
徴の数学的近似の形態で）。モデル化階層の最低レベル
は、時間の試験を経た画像形成手法及び画像理解手法に
依拠しており、いずれの手法も人間の視覚に着実に立脚
している。解剖学的モデルは、ベイズ因子によって選択
されて、本発明による統計的モデルが与えられた場合に
最適な判定を可能にする。訓練データ（ニューラル・ネ
ットワークに必要とされる膨大な訓練データ等）は不要
であるが、事前分布の特定に専門家知識を補うために訓
練データを用いることもできる。モデル方式アプローチ
は、放射線科医師から引き出した専門家情報の組み入れ
を可能にしている。結果は放射線科医師又は医師に対し
て、各々の疑わしい領域の解剖学的コンテクスト及び疑
わしい領域を識別した判定過程を組み入れて報告され
る。
【００８４】さらにもう一つの実施形態では、結果は放
射線科医師又は医師（以下「利用者」と呼ぶ）に対し
て、解剖学的コンテクスト、領域が特定の種別（小結節
又は血管）であるか否かの判定理由、及び利用者にとっ
て重要な情報を利用者が受け取るような態様で報告され
る。放射線医学的に重要な情報は例えば、小結節の寸
法、血管数、尖鋭化の根拠、ガン又は疾患の機会／尤
度、輝度測定値、及び着目している疾患に関するその他
の特徴情報等である。図１のプロセッサ１２０は、この
報告機能をサポートするのに必要な計算を実行するよう
に構成されている。さらにもう一つの実施形態では、プ
ロセッサ１２０は、領域をポインティングする、並びに
寸法、血管数、及び選択領域の輝度のような情報を受け
付ける等の特定の関心領域に関する利用者問い合わせに
配慮して構成される。
射線科医師又は医師（以下「利用者」と呼ぶ）に対し
て、解剖学的コンテクスト、領域が特定の種別（小結節
又は血管）であるか否かの判定理由、及び利用者にとっ
て重要な情報を利用者が受け取るような態様で報告され
る。放射線医学的に重要な情報は例えば、小結節の寸
法、血管数、尖鋭化の根拠、ガン又は疾患の機会／尤
度、輝度測定値、及び着目している疾患に関するその他
の特徴情報等である。図１のプロセッサ１２０は、この
報告機能をサポートするのに必要な計算を実行するよう
に構成されている。さらにもう一つの実施形態では、プ
ロセッサ１２０は、領域をポインティングする、並びに
寸法、血管数、及び選択領域の輝度のような情報を受け
付ける等の特定の関心領域に関する利用者問い合わせに
配慮して構成される。
【００８５】以上の実施形態は、肺ガン検出に関するも
のであり、特に肺小結節と血管との間の識別に関するも
のであった。さらに他の実施形態では、一般に肺気腫の
特徴とされる低密度の海綿様地組織等のその他の肺疾患
特徴を同様にモデル化する。小結節及び血管を参照して
説明したように、解剖学的特徴の記述は専門家（例えば
放射線科医師）によって得られ、階層として数学的に表
現される。さらに他の実施形態では、脳、腸及び心臓の
ような他の部位に生ずる疾患についてのモデルを導出す
る。
のであり、特に肺小結節と血管との間の識別に関するも
のであった。さらに他の実施形態では、一般に肺気腫の
特徴とされる低密度の海綿様地組織等のその他の肺疾患
特徴を同様にモデル化する。小結節及び血管を参照して
説明したように、解剖学的特徴の記述は専門家（例えば
放射線科医師）によって得られ、階層として数学的に表
現される。さらに他の実施形態では、脳、腸及び心臓の
ような他の部位に生ずる疾患についてのモデルを導出す
る。
【００８６】また、さらにもう一つの実施形態では、モ
デルの階層を公知のニューラル・ネットワーク手法にお
いて訓練データとして用いて、低レベル及び中間レベル
情報、並びに事前分布を設定してもよい。比較的高いレ
ベルではベイズ因子解析を適用して有用な解釈診断デー
タ並びに判定過程を与えると望ましい。
デルの階層を公知のニューラル・ネットワーク手法にお
いて訓練データとして用いて、低レベル及び中間レベル
情報、並びに事前分布を設定してもよい。比較的高いレ
ベルではベイズ因子解析を適用して有用な解釈診断デー
タ並びに判定過程を与えると望ましい。
【００８７】さらにもう一つの実施形態では、プロセッ
サ１２０はさらに、遠隔から検索及び取り出し（search
and retrieve）するために解剖学的コンテクスト及び
処理済画像データ集合を記憶させるように構成される。
この実施形態では、モデル階層の各レベルで展開された
情報をシステムに記憶させて、医療保管記録、医用検索
及び取り出しシステム、並びに代替的な医療疾患報告シ
ステムに利用する。さらにこの実施形態では、検索及び
取り出しされ得る情報は、疾患の諸特徴について導出さ
れた病理学的モデル及び解剖学的モデル、疾患を表わす
画像、並びにモデル階層計算結果（処理済の画像データ
集合）を含んでいる。特定の疾患組織種別についての情
報の記憶／検索を可能にすると、情報の入手方法がさら
に拡がり、例えばインターネット、病院情報システム、
放射線データ情報システム、又は他の情報伝送インフラ
ストラクチャ等で入手できるようになる。加えて、この
情報は、モデル階層計算によって与えられる情報に基づ
いて同様に分類された検査の一致検索を可能にする。
サ１２０はさらに、遠隔から検索及び取り出し（search
and retrieve）するために解剖学的コンテクスト及び
処理済画像データ集合を記憶させるように構成される。
この実施形態では、モデル階層の各レベルで展開された
情報をシステムに記憶させて、医療保管記録、医用検索
及び取り出しシステム、並びに代替的な医療疾患報告シ
ステムに利用する。さらにこの実施形態では、検索及び
取り出しされ得る情報は、疾患の諸特徴について導出さ
れた病理学的モデル及び解剖学的モデル、疾患を表わす
画像、並びにモデル階層計算結果（処理済の画像データ
集合）を含んでいる。特定の疾患組織種別についての情
報の記憶／検索を可能にすると、情報の入手方法がさら
に拡がり、例えばインターネット、病院情報システム、
放射線データ情報システム、又は他の情報伝送インフラ
ストラクチャ等で入手できるようになる。加えて、この
情報は、モデル階層計算によって与えられる情報に基づ
いて同様に分類された検査の一致検索を可能にする。
【００８８】さらに他の実施形態では、プロセッサ１２
０は、情報伝送インフラストラクチャを介して遠隔ワー
クステーション又は携帯型計算装置へ詳細な検査情報を
自動的に送付するように構成される。プロセッサ１２０
のさらにもう一つの実施形態では、プロセッサ１２０
は、送信に先立って決定される又は処理システムによっ
て適応的に決定される選択された所定の要件に一致する
詳細な検査情報を自動的に送付するように構成される。
解析プログラムをさらに調整又は調節するために、プロ
セッサ１２０はまた、以前の検査に記憶されているモデ
ル階層計算からの情報に基づいて１以上の計算機解析ア
ルゴリズムを調整するように構成される。
０は、情報伝送インフラストラクチャを介して遠隔ワー
クステーション又は携帯型計算装置へ詳細な検査情報を
自動的に送付するように構成される。プロセッサ１２０
のさらにもう一つの実施形態では、プロセッサ１２０
は、送信に先立って決定される又は処理システムによっ
て適応的に決定される選択された所定の要件に一致する
詳細な検査情報を自動的に送付するように構成される。
解析プログラムをさらに調整又は調節するために、プロ
セッサ１２０はまた、以前の検査に記憶されているモデ
ル階層計算からの情報に基づいて１以上の計算機解析ア
ルゴリズムを調整するように構成される。
【００８９】また、さらにもう一つの実施形態では、プ
ロセッサ１２０はさらに、以前の検査に記憶されている
モデル階層計算からの情報に基づいて統計的測定値を生
成して、ローカル又は遠隔の監視施設に統計的測定値の
結果を報告するように構成される。この実施形態では、
プロセッサ１２０はまた、システム性能に基づく所定の
規準に一致した場合に統計的測定値の結果を報告するよ
うに構成してもよい。
ロセッサ１２０はさらに、以前の検査に記憶されている
モデル階層計算からの情報に基づいて統計的測定値を生
成して、ローカル又は遠隔の監視施設に統計的測定値の
結果を報告するように構成される。この実施形態では、
プロセッサ１２０はまた、システム性能に基づく所定の
規準に一致した場合に統計的測定値の結果を報告するよ
うに構成してもよい。
【００９０】実施形態の一例では、最終節に概略記載し
た工程は、TargetJr画像解読ライブラリ（http://www.t
argetjr.org/）に基づくＣ＋＋コードで具現化される。
ＤＩＣＯＭ（医療におけるディジタル画像及び通信）画
像ファイルの集合をＣＴ走査の各々のスライス毎に一画
像ずつプログラムに入力すると、プログラムは元のＣＴ
データ上で視覚化されるようにして又は後の継続管理の
ために保管されるようにして疑わしい小結節を返す。当
業者に公知のその他のコード生成ソフトウェアも本発明
の要旨から逸脱しないことを理解されよう。
た工程は、TargetJr画像解読ライブラリ（http://www.t
argetjr.org/）に基づくＣ＋＋コードで具現化される。
ＤＩＣＯＭ（医療におけるディジタル画像及び通信）画
像ファイルの集合をＣＴ走査の各々のスライス毎に一画
像ずつプログラムに入力すると、プログラムは元のＣＴ
データ上で視覚化されるようにして又は後の継続管理の
ために保管されるようにして疑わしい小結節を返す。当
業者に公知のその他のコード生成ソフトウェアも本発明
の要旨から逸脱しないことを理解されよう。
【００９１】以上の各節に掲げた本発明の実施形態は、
ＣＴ肺走査において疑わしい領域の位置を突き止める問
題に焦点を当てている。階層的画像モデル化の枠組み
は、低レベルでの検出手法及び解剖学的構造の統計的分
布を設定し直すことにより、他の撮像モダリティ（例え
ばＭＲＩ、Ｘ線、超音波スキャナ、陽電子放出断層写真
法（ＰＥＴ）スキャナ等）、及び他の疾患に直接移行さ
せ得ることが理解されよう。
ＣＴ肺走査において疑わしい領域の位置を突き止める問
題に焦点を当てている。階層的画像モデル化の枠組み
は、低レベルでの検出手法及び解剖学的構造の統計的分
布を設定し直すことにより、他の撮像モダリティ（例え
ばＭＲＩ、Ｘ線、超音波スキャナ、陽電子放出断層写真
法（ＰＥＴ）スキャナ等）、及び他の疾患に直接移行さ
せ得ることが理解されよう。
【００９２】本発明の好適実施形態を図示すると共に本
書に記載したが、これらの実施形態は例示のみのために
掲げられていることは明らかであろう。当業者には、所
載の発明から逸脱しない多くの変形、変更及び置換が想
到されよう。従って、本発明は特許請求の範囲の要旨及
び範囲によってのみ限定されるものとする。
書に記載したが、これらの実施形態は例示のみのために
掲げられていることは明らかであろう。当業者には、所
載の発明から逸脱しない多くの変形、変更及び置換が想
到されよう。従って、本発明は特許請求の範囲の要旨及
び範囲によってのみ限定されるものとする。
【図１】本発明の実施形態を適用することのできる医用
イメージング・システムのブロック図である。
イメージング・システムのブロック図である。
【図２】本発明の実施形態に従って疾患を検出するのに
用いられる画像データを処理する方法の流れ図である。
用いられる画像データを処理する方法の流れ図である。
【図３】図１の医用イメージング・システムに有用なセ
グメント分割方法の流れ図である。
グメント分割方法の流れ図である。
【図４】本発明の実施形態に従って疾患を検出するのに
用いられるモデル化方法のブロック図である。
用いられるモデル化方法のブロック図である。
１００ 疾患検出システム
４００ モデル階層
─────────────────────────────────────────────────────
フロントページの続き
(51)Int.Cl.7 識別記号 ＦＩ テーマコート゛(参考）
Ｇ０１Ｔ 1/161 Ａ６１Ｂ 5/05 ３８０
Ｇ０１Ｎ 24/02 ５３０Ｙ
(72)発明者 コリン・クレイグ・マカロック
アメリカ合衆国、ニューヨーク州、チャー
ルトン、メープル・アベニュー、2208番
(72)発明者 リカード・スコット・アビラ
アメリカ合衆国、ニューヨーク州、クリフ
トン・パーク、ジャミソン・ドライブ、３
番
(72)発明者 シャノン・リー・ヘースティングズ
アメリカ合衆国、ニューヨーク州、クリフ
トン・パーク、シー・イーストウッド・ド
ライブ、127番
(72)発明者 ロバート・オーガスト・カウシク，ジュニ
ア
アメリカ合衆国、ニューヨーク州、ニスカ
ユナ、オーチャード・パーク・ドライブ、
2078番
(72)発明者 ウィリアム・エドワード・ローレンセン
アメリカ合衆国、ニューヨーク州、ボール
ストン・レイク、ハースサイド・ドライ
ブ、14番
(72)発明者 マシュー・ウィリアム・テューレック
アメリカ合衆国、ニューヨーク州、グレン
ビル、サンダルウッド・レーン、36番
Ｆターム(参考） 2G088 EE01 EE02 FF02 FF07 KK24
KK32 KK33 MM04 MM05 MM06
4C093 AA22 CA35 DA03 FD09 FF08
FF16 FF17 FF18 FF28 FF42
4C096 AA20 AB50 AC04 AD14 AD25
BA18 DC11 DC19 DC21 DC28
DC37 DD07
4C301 CC02 DD30 EE11 JC06 JC11
KK16 KK30 LL03 LL20
Claims (58)
- 【請求項１】 疾患の検出及び診断に用いられる医用画
像を処理する方法であって、 所与の疾患を示す解剖学的情報を表わす解剖学的モデル
（４００）、及び前記医用画像を取得するのに用いた画
像取得装置（１１０）の信号情報の信号モデルから成る
階層に基づいて前記医用画像内の関心領域を分類する工
程（２３０、２５０、２６０、２７０）を備えた方法。 - 【請求項２】 前記分類する工程から得られる前記関心
領域を表示する工程（２８０）をさらに含んでおり、該
表示する工程は、前記関心領域を表示する工程、複数の
判定パラメータを表示する工程、及び前記関心領域の解
剖学的コンテクストを表示する工程の１以上を含んでい
る請求項１に記載の方法。 - 【請求項３】 前記解剖学的モデルの階層は、前記所与
の疾患の専門家観測及び知識から得られ、さらに前記所
与の疾患の特徴についての専門家記述から得られる１以
上の幾何学的情報、形状情報、ピクセル強度、寸法情
報、及び解剖学的情報を含んでいる請求項１に記載の方
法。 - 【請求項４】 前記信号モデルは、前記画像取得装置の
スキャナ点拡がり関数又はインパルス応答、並びに解剖
学的構造のＸ線密度、輝度、分解能、及びコントラスト
の１以上を含んでいる請求項１に記載の方法。 - 【請求項５】 前記分類する工程は、前記画像内の組織
種別を差別化するためにベイズ因子を用いてそれぞれの
解剖学的モデルを比較する工程（５００）をさらに含ん
でいる請求項１に記載の方法。 - 【請求項６】 前記分類する工程は、画像セグメント分
割処理（２２０）をさらに含んでいる請求項１に記載の
方法。 - 【請求項７】 前記比較する工程において差別化された
組織種別の結果を表示する工程をさらに含んでいる請求
項５に記載の方法。 - 【請求項８】 前記画像取得装置（１１０）は、計算機
式断層写真法（ＣＴ）スキャナ、磁気共鳴撮像（ＭＲ
Ｉ）スキャナ、超音波スキャナ、陽電子放出断層写真法
スキャナ、及びＸ線装置の１以上から選択される請求項
１に記載の方法。 - 【請求項９】 前記解剖学的モデルは疾患肺組織の特徴
に対応している請求項１に記載の方法。 - 【請求項１０】 被検体の取得された医用画像（２４
０）内の１以上の関心のある疑わしい領域の識別の方法
であって、 解剖学的特徴及び組織特徴に対応する複数の数学的モデ
ルを、組織及び領域差別化のための解剖学的モデルの階
層にグループ分けする工程（４００）であって、前記解
剖学的モデルは、所与の疾患を示す解剖学的情報を表わ
すものとして選択されている、グループ分けする工程
（４００）と、 前記解剖学的モデルの階層に基づき、且つさらに前記医
用画像を取得するのに用いた所与の画像取得装置に対応
する信号モデルに基づいて、前記医用画像内の関心のあ
る領域を分類する工程（５００）と、 前記医用画像において疑わしい領域を識別するのに用い
るられる競合させる工程の結果を表示する工程（２８
０）とを備えた方法。 - 【請求項１１】 前記信号モデルは、前記画像取得装置
のスキャナ点拡がり関数又はインパルス応答、並びに解
剖学的構造のＸ線密度、輝度、分解能、及びコントラス
トの１以上を含んでいる請求項１０に記載の方法。 - 【請求項１２】 前記分類する工程は、前記画像内の組
織種別を差別化するためにベイズ因子を用いてそれぞれ
の解剖学的モデルを対単位で比較する工程をさらに含ん
でいる請求項１０に記載の方法。 - 【請求項１３】 前記分類する工程は、ベイズ競合及び
ニューラル・ネットワークの組み合わせにより行なわれ
る請求項１０に記載の方法。 - 【請求項１４】 前記表示する工程は、前記関心領域を
表示する工程、複数の判定パラメータを表示する工程、
及び前記医用画像内の前記疑わしい領域の解剖学的コン
テクストを表示する工程の１以上を含んでいる請求項１
０に記載の方法。 - 【請求項１５】 前記表示する工程において利用者と交
信する工程をさらに含んでおり、前記利用者は前記各々
の疑わしい領域の前記解剖学的コンテクスト及び前記判
定過程に関する問い合わせを入力する請求項１０に記載
の方法。 - 【請求項１６】 前記解剖学的モデルの階層は、前記所
与の疾患の専門家観測及び知識から得られ、さらに前記
所与の疾患の特徴についての専門家記述から得られる１
以上の幾何学的情報、形状情報、ピクセル強度、寸法情
報、及び解剖学的情報を含んでいる請求項１０に記載の
方法。 - 【請求項１７】 前記解剖学的モデルの階層は、肺小結
節、脈管構造、及び肺実質について導出される請求項１
６に記載の方法。 - 【請求項１８】 前記複数の医用画像（２４０）は画像
取得装置により取得され、該画像取得装置は、計算機式
断層写真法（ＣＴ）スキャナ、磁気共鳴撮像（ＭＲＩ）
スキャナ、Ｘ線装置、超音波スキャナ、及び陽電子放出
断層写真法（ＰＥＴ）スキャナの１以上から選択される
請求項１０に記載の方法。 - 【請求項１９】 前記医用画像は肺画像である請求項１
０に記載の方法。 - 【請求項２０】 肺疾患を診断するのに用いられる複数
の取得された医用画像から組織種別を識別して定量化す
る方法であって、 肺領域を画定するために前記取得された画像データをセ
グメント分割する工程（２２０）と、 撮像装置及び撮像過程の既知の特性を用いて前記画像の
低レベルの特徴を算出する工程（２３０）と、 前記画像の解剖学的特徴を表わす解剖学的モデルの階層
を算出する工程（２６０）と、 前記画像の領域を解剖学的構造にグループ分けする工程
（２７０）と、 前記グループ分けされた領域内で、１以上の所与の肺疾
患が疑われる区域に相当する区域を識別する工程（５０
０）とを備えた方法。 - 【請求項２１】 肺疾患が疑われるとして識別された前
記区域を表示する工程をさらに含んでいる請求項２０に
記載の方法。 - 【請求項２２】 前記表示する工程は、識別された疑わ
しい区域の解剖学的コンテクスト及び該疑わしい区域を
識別した判定過程を表示する工程を含んでいる請求項２
１に記載の方法。 - 【請求項２３】 前記医用画像は、計算機式断層写真法
（ＣＴ）スキャナ、磁気共鳴撮像（ＭＲＩ）スキャナ、
超音波スキャナ、及び陽電子放出断層写真法スキャナ、
又はＸ線装置の１以上から取得されている請求項２０に
記載の方法。 - 【請求項２４】 前記領域を解剖学的構造にグループ分
けする工程は、前記解剖学的モデルの階層に従ってベイ
ズ競合により行なわれる請求項２０に記載の方法。 - 【請求項２５】 疾患の診断及び検出に用いられる医用
画像において組織の特徴を決定する方法であって、 解剖学的組織の特徴を決定するために複雑さの増大する
情報オブジェクト階層を算出する工程（４００）であっ
て、前記オブジェクト階層は、画像取得装置の特性に基
づいたモデル、及び１以上の所与の疾患の解剖学的特徴
に基づいたモデルを含んでいる、算出する工程（４０
０）と、 疾患を示す疑わしい組織を識別するために前記オブジェ
クト階層の各レベルでベイズ因子を用いて情報を比較す
る工程（５００）とを備えた方法。 - 【請求項２６】 前記解剖学特徴は、幾何学的形状及び
強度値の１以上である請求項２５に記載の方法。 - 【請求項２７】 前記オブジェクト階層はさらに、前記
画像を取得するのに用いた画像取得装置の特性に基づく
複数の信号モデルと、選択された関心領域及び前記１以
上の所与の疾患の解剖学的特徴に基づく複数のモデルと
を含んでいる請求項２５に記載の方法。 - 【請求項２８】 前記階層は、前記画像取得装置を表わ
す信号モデルに対応する低レベルと、前記１以上の所与
の疾患の専門家観測及び知識に従って導出される解剖学
的モデルに対応する高レベルとを含んでいる請求項２５
に記載の方法。 - 【請求項２９】 前記高レベルの前記解剖学的モデルか
ら導出される幾何学的モデル、形状モデル、及び強度モ
デルを定義する複数の中間レベルをさらに含んでいる請
求項２５に記載の方法。 - 【請求項３０】 前記１以上の所与の疾患は肺疾患であ
る請求項２５に記載の方法。 - 【請求項３１】 前記高レベルの前記解剖学的モデル
は、肺疾患を示す肺小結節、脈管構造、及び肺母組織に
対応している請求項２８に記載の方法。 - 【請求項３２】 肺小結節に特徴的な形状モデル及び強
度モデルを定義する複数の中間レベルをさらに含んでい
る請求項３１に記載の方法。 - 【請求項３３】 肺脈管構造に特徴的な形状モデル及び
強度モデルを定義する複数の中間レベルをさらに含んで
いる請求項３１に記載の方法。 - 【請求項３４】 前記ベイズ因子は、二つの所与のモデ
ルＭ＝１及びＭ＝２について強度データ及び形状データ
が与えられた場合の事後モデル確率の比であり、ｘ＝強
度データ、θ1＝Ｍ＝１についての幾何学的モデル、及
びθ2＝Ｍ＝２についての幾何学的モデルである場合
に、 【数１】 と表現される請求項３１に記載の方法。 - 【請求項３５】 疾患の検出及び診断に用いられる画像
取得装置（１１０）により取得される医用画像（２４
０）を処理するシステムであって、 前記画像取得装置に結合されており、解剖学的モデル及
び信号モデルの少なくとも一方を用いて情報オブジェク
ト階層及びベイズ因子競合枠組みに基づいて前記医用画
像内の疑わしい領域を識別するように構成されているプ
ロセッサ（１２０）と、 該プロセッサに結合されており、前記プロセッサにより
識別された前記疑わしい領域に関連する情報であって診
断及び検出に用いられる情報を表示するように構成され
ているインタフェイス（１３０）とを備えたシステム。 - 【請求項３６】 前記解剖学的モデルは、肺疾患を示す
肺小結節及び脈管構造の少なくとも一方を含んでいる請
求項３５に記載のシステム。 - 【請求項３７】 前記階層は、疑わしい領域を識別する
のに用いられる複雑さの増すモデルを含んでいる請求項
３５に記載のシステム。 - 【請求項３８】 前記インタフェイス（１３０）は、前
記疑わしい領域の解剖学的コンテクスト、及び前記疑わ
しい領域の各々を識別する判定過程に関する利用者問い
合わせを受け付けるようにさらに構成されている請求項
３５に記載のシステム。 - 【請求項３９】 前記信号モデルは、前記画像取得装置
のスキャナ点拡がり関数、インパルス応答、並びに解剖
学的構造のＸ線密度、輝度、分解能、及びコントラスト
の１以上を含んでいる請求項３５に記載のシステム。 - 【請求項４０】 前記画像取得装置は、計算機式断層写
真法（ＣＴ）スキャナ、磁気共鳴撮像（ＭＲＩ）スキャ
ナ、超音波スキャナ、陽電子放出断層写真法スキャナ、
及びＸ線装置の１以上から選択される請求項３５に記載
のシステム。 - 【請求項４１】 前記ベイズ因子競合はベイズ因子を用
いており、該ベイズ因子は、二つの所与のモデルＭ＝１
及びＭ＝２について強度データ及び形状データが与えら
れた場合の事後モデル確率の比であり、ｘ＝強度デー
タ、θ1＝Ｍ＝１についての幾何学的モデル、及びθ2＝
Ｍ＝２についての幾何学的モデルである場合に、 【数２】 と表現される請求項３５に記載のシステム。 - 【請求項４２】 前記プロセッサは、胸膜空間を自動的
にセグメント分割するようにさらに構成されている請求
項３５に記載のシステム。 - 【請求項４３】 前記プロセッサは、複数の解剖学的モ
デル及び信号モデルを、前記競合枠組みに用いられる前
記モデルの階層にグループ分けするようにさらに構成さ
れている請求項３５に記載のシステム。 - 【請求項４４】 前記医用画像は、肺、腸、***、脳及
び四肢の１以上について取得される請求項３５に記載の
システム。 - 【請求項４５】 疾患の診断及び検出に用いられる計算
機支援システムであって、 複数の画像データ集合を取得する画像取得装置（１１
０）と、 前記画像データ集合を処理して、信号モデル及び解剖学
的モデルから成る階層（４００）に基づいて前記画像デ
ータ集合内で選択された組織種別を分類するように構成
されており、疾患の診断及び検出に用いるために前記分
類された組織種別の解剖学的コンテクストを差別化する
ようにさらに構成されているプロセッサ（１２０）とを
備えた計算機支援システム。 - 【請求項４６】 前記処理された画像データ集合の解釈
を支援するために、前記画像データ集合内の前記分類さ
れた組織種別、及び前記分類された組織種別の前記解剖
学的コンテクストを表示するインタフェイス・ユニット
（１３０）をさらに含んでいる請求項４５に記載のシス
テム。 - 【請求項４７】 前記画像取得装置（１１０）は、計算
機式断層写真法（ＣＴ）Ｘ線システム、磁気共鳴イメー
ジング（ＭＲＩ）システム、超音波スキャナ、陽電子放
出断層写真法スキャナ、及びＸ線システムの１以上であ
る請求項４５に記載のシステム。 - 【請求項４８】 前記解剖学的コンテクストは、肺ガン
を示す肺小結節及び脈管構造、健全肺組織、並びに慢性
閉塞性肺疾患（ＣＯＰＤ）を示す疾患肺組織の１以上を
含んでいる請求項４５に記載のシステム。 - 【請求項４９】 前記階層は、所与の疾患を示す領域を
識別するのに用いられる複雑さの増すモデルを含んでい
る請求項４５に記載のシステム。 - 【請求項５０】 前記インタフェイス・ユニット（１３
０）は、疑わしい領域を示す解剖学的コンテクスト、及
び該疑わしい領域を識別する判定過程に関する利用者問
い合わせを受け付けるようにさらに構成されている請求
項４６に記載のシステム。 - 【請求項５１】 前記画像データ集合は、肺、腸、乳
房、脳及び四肢の１以上について取得される請求項４５
に記載のシステム。 - 【請求項５２】 前記プロセッサ（１２０）は、前記解
剖学的コンテクスト及び処理された画像データ集合を、
インターネット、病院情報システム、放射線データ情報
システム、及び他の情報伝送インフラストラクチャの１
以上を介して検索及び取り出しすべく記憶させるように
さらに構成されている請求項４５に記載のシステム。 - 【請求項５３】 前記プロセッサ（１２０）は、情報伝
送インフラストラクチャを介して遠隔ワークステーショ
ン又は携帯型計算装置へ詳細な検査情報を自動的に送付
するようにさらに構成されている請求項４５に記載のシ
ステム。 - 【請求項５４】 前記プロセッサ（１３０）は、伝送に
先立って決定されている又は前記処理システムにより適
応的に決定されている選択された所定の要件に一致する
詳細な検査情報を自動的に送付するようにさらに構成さ
れている請求項５３に記載のシステム。 - 【請求項５５】 前記プロセッサ（１２０）は、以前の
検査に記憶されているモデル階層計算からの情報に基づ
いて１以上の計算機解析アルゴリズムを調整するように
さらに構成されている請求項４５に記載のシステム。 - 【請求項５６】 前記プロセッサ（１２０）は、以前の
検査に記憶されているモデル階層計算からの前記情報に
基づいて統計的測定値を生成するようにさらに構成され
ている請求項４５に記載のシステム。 - 【請求項５７】 前記プロセッサ（１２０）は、ローカ
ル又は遠隔の監視施設へ前記統計的測定値の結果を報告
するようにさらに構成されている請求項５６に記載のシ
ステム。 - 【請求項５８】 前記プロセッサ（１２０）は、システ
ム性能に基づく所定の規準に一致した場合に前記統計的
測定値の前記結果を報告するようにさらに構成されてい
る請求項５７に記載のシステム。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US09/683111 | 2001-11-20 | ||
| US09/683,111 US7058210B2 (en) | 2001-11-20 | 2001-11-20 | Method and system for lung disease detection |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2003225231A true JP2003225231A (ja) | 2003-08-12 |
| JP2003225231A5 JP2003225231A5 (ja) | 2006-01-12 |
| JP4310099B2 JP4310099B2 (ja) | 2009-08-05 |
Family
ID=24742614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002335867A Expired - Fee Related JP4310099B2 (ja) | 2001-11-20 | 2002-11-20 | 肺疾患検出のための方法及びシステム |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US7058210B2 (ja) |
| EP (1) | EP1315125B1 (ja) |
| JP (1) | JP4310099B2 (ja) |
| DE (1) | DE60226942D1 (ja) |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007000428A (ja) * | 2005-06-24 | 2007-01-11 | Ge Medical Systems Global Technology Co Llc | 画像判定装置、画像判定方法およびｘ線ｃｔ装置 |
| JP2007068993A (ja) * | 2005-09-07 | 2007-03-22 | General Electric Co <Ge> | 解剖学的構造内の疾患に関する疾患関連の変化の患者特異的解析を実行するための方法及びシステム |
| JP2007090077A (ja) * | 2005-09-29 | 2007-04-12 | General Electric Co <Ge> | カテゴリー型インデクスから疾患の進行及び治療を追跡するシステム、方法及び装置 |
| JP2007105461A (ja) * | 2005-09-29 | 2007-04-26 | General Electric Co <Ge> | 分類インデックスから病気の診断を行うためのシステム、方法及び装置 |
| JP2007125370A (ja) * | 2005-09-29 | 2007-05-24 | General Electric Co <Ge> | カテゴリー型インデクスからの画像のデータベースの作成のためのシステム、方法及び装置 |
| JP2007209762A (ja) * | 2006-02-11 | 2007-08-23 | General Electric Co <Ge> | 多様なモダリティおよび多様なフェーズを有する３次元画像中の構造を扱うシステム、方法および機器 |
| JP2007209761A (ja) * | 2006-02-11 | 2007-08-23 | General Electric Co <Ge> | ３次元画像中の構造を扱うシステム、方法および機器 |
| JP2008507372A (ja) * | 2004-07-26 | 2008-03-13 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 自動化された疑わしいオブジェクト境界判定のためのシステム及び方法 |
| JP2008080121A (ja) * | 2006-09-28 | 2008-04-10 | General Electric Co <Ge> | 画像内の領域を識別する方法及びシステム |
| JP2008126065A (ja) * | 2006-11-17 | 2008-06-05 | General Electric Co <Ge> | 少なくとも１つの血管を輪郭付けする方法および装置 |
| JP2008521468A (ja) * | 2004-11-29 | 2008-06-26 | メディックサイト ピーエルシー | デジタル医療画像分析 |
| JP2008542891A (ja) * | 2005-05-30 | 2008-11-27 | コミッサリア ア レネルジ アトミック | 特に薬理学的画像における一連の三次元画像の区分方法 |
| KR100882275B1 (ko) | 2007-05-25 | 2009-02-06 | 전남대학교산학협력단 | 얼굴영상을 이용한 질병분류시스템 |
| JP2010504129A (ja) * | 2006-09-22 | 2010-02-12 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 肺結節の高度コンピュータ支援診断 |
| WO2011108262A1 (ja) | 2010-03-05 | 2011-09-09 | 富士フイルム株式会社 | 画像診断支援装置、方法およびプログラム |
| JP2011177517A (ja) * | 2010-03-03 | 2011-09-15 | Medicsight Plc | 画像処理方法、画像処理装置、コンピュータが読取り可能な媒体及びコンピュータプログラム |
| JP2012506719A (ja) * | 2008-09-26 | 2012-03-22 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 解剖学的構造によって画定される自動化ｃｐｒ生成 |
| JP2012525907A (ja) * | 2009-05-08 | 2012-10-25 | カトリック ユニバーシティ インダストリー アカデミック コーオペレイション ファウンデーション | 医療映像処理システム及び処理方法 |
| WO2013114823A1 (ja) | 2012-01-31 | 2013-08-08 | 富士フイルム株式会社 | 手術支援装置、手術支援方法および手術支援プログラム |
| US8626263B2 (en) | 2006-04-13 | 2014-01-07 | General Electric Company | Methods and apparatus for relative perfusion and/or viability |
| WO2014017041A1 (ja) | 2012-07-24 | 2014-01-30 | 富士フイルム株式会社 | 手術支援装置、方法およびプログラム |
| US8907949B2 (en) | 2010-08-23 | 2014-12-09 | Fujifilm Corporation | Image display apparatus, method and program |
| WO2015126023A1 (ko) * | 2014-02-21 | 2015-08-27 | 전북대학교산학협력단 | 의료 영상에서 관심 부위 검출/선택 방법 및 이를 적용한 시스템 |
| JP2015530206A (ja) * | 2012-10-09 | 2015-10-15 | コーニンクレッカ フィリップス エヌ ヴェ | マルチ構造アトラス及び／又はその使用 |
| KR101576058B1 (ko) | 2014-03-26 | 2015-12-10 | 전북대학교산학협력단 | Mri/mra 영상 특성을 활용한 관심부위 선택방법 및 이를 적용한 시스템 |
| JP2017510406A (ja) * | 2014-03-27 | 2017-04-13 | リべレイン テクノロジーズ エルエルシー | 画像内における血管構造の抑制 |
| CN106659453A (zh) * | 2014-07-02 | 2017-05-10 | 柯惠有限合伙公司 | 用于分割肺部的***和方法 |
| JP2018175217A (ja) * | 2017-04-10 | 2018-11-15 | 富士フイルム株式会社 | 画像処理装置および方法並びにプログラム |
| JP2019193776A (ja) * | 2018-03-16 | 2019-11-07 | インファーヴィジョンＩｎｆｅｒｖｉｓｉｏｎ | ディープラーニングに基づいたコンピュータ断層撮影肺結節検出法 |
| US10504252B2 (en) | 2014-12-15 | 2019-12-10 | Canon Medical Systems Corporation | Method of, and apparatus for, registration and segmentation of medical imaging data |
Families Citing this family (94)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6941323B1 (en) * | 1999-08-09 | 2005-09-06 | Almen Laboratories, Inc. | System and method for image comparison and retrieval by enhancing, defining, and parameterizing objects in images |
| US7020316B2 (en) * | 2001-12-05 | 2006-03-28 | Siemens Corporate Research, Inc. | Vessel-feeding pulmonary nodule detection by volume projection analysis |
| JP3697233B2 (ja) * | 2002-04-03 | 2005-09-21 | キヤノン株式会社 | 放射線画像処理方法及び放射線画像処理装置 |
| JP2004041694A (ja) * | 2002-05-13 | 2004-02-12 | Fuji Photo Film Co Ltd | 画像生成装置およびプログラム、画像選択装置、画像出力装置、画像提供サービスシステム |
| US7116810B2 (en) * | 2002-11-27 | 2006-10-03 | General Electric Company | Method and system for airway measurement |
| US7221786B2 (en) * | 2002-12-10 | 2007-05-22 | Eastman Kodak Company | Method for automatic construction of 2D statistical shape model for the lung regions |
| US7221787B2 (en) * | 2002-12-10 | 2007-05-22 | Eastman Kodak Company | Method for automated analysis of digital chest radiographs |
| US7450983B2 (en) * | 2003-03-18 | 2008-11-11 | University Of Cincinnati | Automated brain MRI and CT prescriptions in Talairach space |
| US7346203B2 (en) * | 2003-11-19 | 2008-03-18 | General Electric Company | Methods and apparatus for processing image data to aid in detecting disease |
| DE10357205A1 (de) * | 2003-12-08 | 2005-07-14 | Siemens Ag | Verfahren zur Erzeugung von Ergebnis-Bildern eines Untersuchungsobjekts |
| EP1714249A1 (en) * | 2004-01-30 | 2006-10-25 | Cedara Software Corp. | System and method for applying active appearance models to image analysis |
| US7653227B2 (en) * | 2004-02-09 | 2010-01-26 | Siemens Medical Solutions Usa, Inc. | Hierarchical modeling in medical abnormality detection |
| JP4675633B2 (ja) * | 2004-03-09 | 2011-04-27 | 株式会社東芝 | 放射線レポートシステム |
| US7127095B2 (en) * | 2004-10-15 | 2006-10-24 | The Brigham And Women's Hospital, Inc. | Factor analysis in medical imaging |
| US7590271B2 (en) * | 2004-10-28 | 2009-09-15 | Siemens Medical Solutions Usa, Inc. | System and method for automatic detection and localization of 3D bumps in medical images |
| US8064663B2 (en) | 2004-12-02 | 2011-11-22 | Lieven Van Hoe | Image evaluation system, methods and database |
| WO2006058738A1 (en) * | 2004-12-02 | 2006-06-08 | Lieven Van Hoe | Image evaluation system, methods and database |
| US20060217925A1 (en) * | 2005-03-23 | 2006-09-28 | Taron Maxime G | Methods for entity identification |
| US7991242B2 (en) | 2005-05-11 | 2011-08-02 | Optosecurity Inc. | Apparatus, method and system for screening receptacles and persons, having image distortion correction functionality |
| EP1886257A1 (en) | 2005-05-11 | 2008-02-13 | Optosecurity Inc. | Method and system for screening luggage items, cargo containers or persons |
| JP2008541824A (ja) * | 2005-05-23 | 2008-11-27 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 器官モデルの配置のための自動化された器官リンク付け |
| US7801348B2 (en) * | 2005-07-18 | 2010-09-21 | Analogic Corporation | Method of and system for classifying objects using local distributions of multi-energy computed tomography images |
| US7929737B2 (en) | 2005-09-29 | 2011-04-19 | General Electric Company | Method and system for automatically generating a disease severity index |
| US20070092864A1 (en) * | 2005-09-30 | 2007-04-26 | The University Of Iowa Research Foundation | Treatment planning methods, devices and systems |
| US7756316B2 (en) * | 2005-12-05 | 2010-07-13 | Siemens Medicals Solutions USA, Inc. | Method and system for automatic lung segmentation |
| DE102006018198A1 (de) * | 2006-04-19 | 2007-10-25 | Dräger Medical AG & Co. KG | Verfahren und Vorrichtung zur Lungenventilation |
| CA2584683A1 (en) * | 2006-04-20 | 2007-10-20 | Optosecurity Inc. | Apparatus, method and system for screening receptacles and persons |
| US8243999B2 (en) * | 2006-05-03 | 2012-08-14 | Ut-Battelle, Llc | Method and system for the diagnosis of disease using retinal image content and an archive of diagnosed human patient data |
| US7899232B2 (en) | 2006-05-11 | 2011-03-01 | Optosecurity Inc. | Method and apparatus for providing threat image projection (TIP) in a luggage screening system, and luggage screening system implementing same |
| US7672496B2 (en) * | 2006-06-21 | 2010-03-02 | Icad, Inc. | Forming three dimensional objects using a decision rule in medical image data |
| US8494210B2 (en) | 2007-03-30 | 2013-07-23 | Optosecurity Inc. | User interface for use in security screening providing image enhancement capabilities and apparatus for implementing same |
| WO2008017984A2 (en) * | 2006-08-09 | 2008-02-14 | Koninklijke Philips Electronics N.V. | A method, apparatus, graphical user interface, computer-readable medium, and use for quantification of a structure in an object of an image dataset |
| US7920729B2 (en) * | 2006-08-10 | 2011-04-05 | General Electric Co. | Classification methods and apparatus |
| EP2129435A1 (en) * | 2007-03-30 | 2009-12-09 | Koninklijke Philips Electronics N.V. | Improved treatment plan evaluation in radiotherapy by stochastic analysis of delineation uncertainty |
| US8989468B2 (en) * | 2007-05-25 | 2015-03-24 | Definiens Ag | Generating an anatomical model using a rule-based segmentation and classification process |
| US8150135B2 (en) * | 2007-06-04 | 2012-04-03 | Siemens Computer Aided Diagnosis Ltd. | Identifying ribs in lung X-rays |
| US8265367B2 (en) * | 2007-06-04 | 2012-09-11 | Siemens Computer Aided Diagnostics, Ltd. | Identifying blood vessels in lung x-ray radiographs |
| WO2009003128A2 (en) * | 2007-06-26 | 2008-12-31 | University Of Rochester | Method and system for detecting lung tumors and nodules |
| US8126229B2 (en) * | 2007-08-03 | 2012-02-28 | Siemens Medical Solutions Usa, Inc. | Reduction of lymph tissue false positives in pulmonary embolism detection |
| US20090082637A1 (en) * | 2007-09-21 | 2009-03-26 | Michael Galperin | Multi-modality fusion classifier with integrated non-imaging factors |
| WO2009063363A2 (en) * | 2007-11-14 | 2009-05-22 | Koninklijke Philips Electronics N.V. | Computer-aided detection (cad) of a disease |
| US20090136111A1 (en) * | 2007-11-25 | 2009-05-28 | General Electric Company | System and method of diagnosing a medical condition |
| US7925653B2 (en) * | 2008-02-27 | 2011-04-12 | General Electric Company | Method and system for accessing a group of objects in an electronic document |
| TR201807301T4 (tr) * | 2008-05-14 | 2018-06-21 | Koninklijke Philips Nv | Görüntü bölütlemesine dayanan görüntü sınıflandırması. |
| EP2228009B1 (en) * | 2009-03-09 | 2018-05-16 | Drägerwerk AG & Co. KGaA | Apparatus and method to determine functional lung characteristics |
| JP5308973B2 (ja) | 2009-09-16 | 2013-10-09 | 富士フイルム株式会社 | 医用画像情報表示装置および方法並びにプログラム |
| JP2011092681A (ja) | 2009-09-30 | 2011-05-12 | Fujifilm Corp | 医用画像処理装置および方法並びにプログラム |
| CN101713776B (zh) * | 2009-11-13 | 2013-04-03 | 长春迪瑞医疗科技股份有限公司 | 一种基于神经网络的尿液中有形成分识别分类方法 |
| CN102918558A (zh) | 2010-01-28 | 2013-02-06 | 拉德罗吉克斯公司 | 用于对医学图像进行分析、优先级划分、显现和报告的方法和*** |
| WO2011106440A1 (en) * | 2010-02-23 | 2011-09-01 | Loma Linda University Medical Center | Method of analyzing a medical image |
| CN102243759B (zh) * | 2010-05-10 | 2014-05-07 | 东北大学 | 一种基于几何形变模型的三维肺血管图像分割方法 |
| JP2012161460A (ja) | 2011-02-07 | 2012-08-30 | Fujifilm Corp | 画像処理装置および画像処理方法、並びに、画像処理プログラム |
| US20130308849A1 (en) * | 2011-02-11 | 2013-11-21 | Emory University | Systems, methods and computer readable storage mediums storing instructions for 3d registration of medical images |
| JP5395823B2 (ja) | 2011-02-15 | 2014-01-22 | 富士フイルム株式会社 | 手術支援装置、手術支援方法および手術支援プログラム |
| WO2012127761A1 (ja) * | 2011-03-22 | 2012-09-27 | 株式会社日立メディコ | Ｘ線ｃｔ装置、および方法 |
| JP5263997B2 (ja) | 2011-03-30 | 2013-08-14 | 富士フイルム株式会社 | 医用レポート作成装置、医用レポート作成方法および医用レポート作成プログラム |
| KR102067367B1 (ko) | 2011-09-07 | 2020-02-11 | 라피스캔 시스템스, 인코포레이티드 | 적하목록 데이터를 이미징/검출 프로세싱에 통합시킨 x-선 검사 방법 |
| DE102012200225A1 (de) * | 2012-01-10 | 2013-07-11 | Siemens Aktiengesellschaft | Verfahren zum Verarbeiten von Patientenbilddaten und Bildbetrachtungsvorrichtung |
| JP5662962B2 (ja) * | 2012-04-19 | 2015-02-04 | 富士フイルム株式会社 | 画像処理装置、方法及びプログラム |
| WO2013170053A1 (en) | 2012-05-09 | 2013-11-14 | The Regents Of The University Of Michigan | Linear magnetic drive transducer for ultrasound imaging |
| US8781202B2 (en) * | 2012-07-26 | 2014-07-15 | International Business Machines Corporation | Tumor classification based on an analysis of a related ultrasonic attenuation map |
| US9204853B2 (en) * | 2012-10-11 | 2015-12-08 | Carestream Health, Inc. | Method and system for quantitative imaging |
| EP4151146A1 (en) * | 2013-04-23 | 2023-03-22 | University of Maine System Board of Trustees | Improved methods of cancer detection |
| CN103955610B (zh) * | 2014-04-22 | 2017-04-26 | 青岛大学附属医院 | 一种医学影像计算机辅助分析方法 |
| KR20160037023A (ko) * | 2014-09-26 | 2016-04-05 | 삼성전자주식회사 | 컴퓨터 보조 진단 지원 장치 및 방법 |
| EP3247300B1 (en) * | 2015-01-09 | 2020-07-15 | Azevedo Da Silva, Sara Isabel | Orthopedic surgery planning system |
| CN104732086A (zh) * | 2015-03-23 | 2015-06-24 | 深圳市智影医疗科技有限公司 | 基于云计算的疾病计算机辅助检测*** |
| US10064594B2 (en) * | 2015-08-06 | 2018-09-04 | Case Western Reserve University | Characterizing disease and treatment response with quantitative vessel tortuosity radiomics |
| CN105701799B (zh) * | 2015-12-31 | 2018-10-30 | 东软集团股份有限公司 | 从肺部掩膜影像中分割肺血管的方法和装置 |
| EP3772702A3 (en) | 2016-02-22 | 2021-05-19 | Rapiscan Systems, Inc. | Methods for processing radiographic images |
| US10453200B2 (en) * | 2016-11-02 | 2019-10-22 | General Electric Company | Automated segmentation using deep learned priors |
| CN106682424A (zh) | 2016-12-28 | 2017-05-17 | 上海联影医疗科技有限公司 | 医学图像的调节方法及其*** |
| CN106909778B (zh) * | 2017-02-09 | 2019-08-27 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
| US10492723B2 (en) | 2017-02-27 | 2019-12-03 | Case Western Reserve University | Predicting immunotherapy response in non-small cell lung cancer patients with quantitative vessel tortuosity |
| US20180293727A1 (en) * | 2017-04-10 | 2018-10-11 | Siemens Healthcare Gmbh | Rib unfolding from magnetic resonance images |
| US10169874B2 (en) * | 2017-05-30 | 2019-01-01 | International Business Machines Corporation | Surface-based object identification |
| EP3460712A1 (en) * | 2017-09-22 | 2019-03-27 | Koninklijke Philips N.V. | Determining regions of hyperdense lung tissue in an image of a lung |
| US10918346B2 (en) | 2017-09-06 | 2021-02-16 | General Electric Company | Virtual positioning image for use in imaging |
| EP3513731A1 (en) * | 2018-01-23 | 2019-07-24 | Koninklijke Philips N.V. | Device and method for obtaining anatomical measurements from an ultrasound image |
| CN110163834B (zh) * | 2018-05-14 | 2023-08-25 | 腾讯科技（深圳）有限公司 | 对象识别方法和装置及存储介质 |
| CN108815721B (zh) * | 2018-05-18 | 2021-06-25 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 一种照射剂量确定方法及*** |
| US11705238B2 (en) * | 2018-07-26 | 2023-07-18 | Covidien Lp | Systems and methods for providing assistance during surgery |
| US11071591B2 (en) * | 2018-07-26 | 2021-07-27 | Covidien Lp | Modeling a collapsed lung using CT data |
| JP7308258B2 (ja) * | 2019-02-19 | 2023-07-13 | 富士フイルム株式会社 | 医療画像処理装置及び医療画像処理装置の作動方法 |
| CN109978886B (zh) * | 2019-04-01 | 2021-11-09 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN111820948B (zh) * | 2019-04-20 | 2022-03-18 | 无锡祥生医疗科技股份有限公司 | 胎儿生长参数测量方法、***及超声设备 |
| JP7336766B2 (ja) * | 2019-09-30 | 2023-09-01 | 龍一 中原 | 超音波診断装置、超音波診断方法および超音波診断プログラム |
| CN111261284A (zh) * | 2020-02-05 | 2020-06-09 | 杭州依图医疗技术有限公司 | 一种基于医学影像的诊断信息处理方法、装置及存储介质 |
| CN111160812B (zh) * | 2020-02-17 | 2023-08-29 | 杭州依图医疗技术有限公司 | 诊断信息评估方法、显示方法及存储介质 |
| CN111353407B (zh) * | 2020-02-24 | 2023-10-31 | 中南大学湘雅医院 | 医学图像处理方法、装置、计算机设备和存储介质 |
| WO2021222103A1 (en) * | 2020-04-27 | 2021-11-04 | Bfly Operations, Inc. | Methods and apparatuses for enhancing ultrasound data |
| CN111666886A (zh) * | 2020-06-08 | 2020-09-15 | 成都知识视觉科技有限公司 | 一种医疗单证结构化知识提取的图像预处理方法 |
| CN111739615A (zh) * | 2020-07-03 | 2020-10-02 | 桓光健 | 一种ai医学诊断影像图片电脑输入方法 |
| CN115115570A (zh) * | 2021-03-22 | 2022-09-27 | 深圳科亚医疗科技有限公司 | 医学图像分析方法和装置、计算机设备及存储介质 |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4710876A (en) * | 1985-06-05 | 1987-12-01 | General Electric Company | System and method for the display of surface structures contained within the interior region of a solid body |
| US4751643A (en) * | 1986-08-04 | 1988-06-14 | General Electric Company | Method and apparatus for determining connected substructures within a body |
| US4907156A (en) * | 1987-06-30 | 1990-03-06 | University Of Chicago | Method and system for enhancement and detection of abnormal anatomic regions in a digital image |
| WO1992000567A1 (en) * | 1990-07-02 | 1992-01-09 | Varian Associates, Inc. | Computed tomography apparatus using image intensifier detector |
| DE69131681T2 (de) * | 1990-11-22 | 2000-06-08 | Toshiba Kawasaki Kk | Rechnergestütztes System zur Diagnose für medizinischen Gebrauch |
| 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 |
| US5779634A (en) * | 1991-05-10 | 1998-07-14 | Kabushiki Kaisha Toshiba | Medical information processing system for supporting diagnosis |
| US5437279A (en) * | 1992-07-02 | 1995-08-01 | Board Of Regents, The University Of Texas System | Method of predicting carcinomic metastases |
| US5359513A (en) * | 1992-11-25 | 1994-10-25 | Arch Development Corporation | Method and system for detection of interval change in temporally sequential chest images |
| ATE239273T1 (de) * | 1993-11-29 | 2003-05-15 | Arch Dev Corp | Automatisches verfahren und system zur verbesserten computerisierten erkennung und klassifizierung von massen in mammogrammen |
| US5881124A (en) * | 1994-03-31 | 1999-03-09 | Arch Development Corporation | Automated method and system for the detection of lesions in medical computed tomographic scans |
| US6125194A (en) * | 1996-02-06 | 2000-09-26 | Caelum Research Corporation | Method and system for re-screening nodules in radiological images using multi-resolution processing, neural network, and image processing |
| JP3688822B2 (ja) * | 1996-09-03 | 2005-08-31 | 株式会社東芝 | 電子カルテシステム |
| US5987094A (en) * | 1996-10-30 | 1999-11-16 | University Of South Florida | Computer-assisted method and apparatus for the detection of lung nodules |
| US5987345A (en) * | 1996-11-29 | 1999-11-16 | Arch Development Corporation | Method and system for displaying medical images |
| AU6688598A (en) * | 1997-03-07 | 1998-09-22 | University Of Florida | Method for diagnosing and staging prostate cancer |
| US5943435A (en) * | 1997-10-07 | 1999-08-24 | Eastman Kodak Company | Body part recognition in radiographic images |
| US6574304B1 (en) * | 2002-09-13 | 2003-06-03 | Ge Medical Systems Global Technology Company, Llc | Computer aided acquisition of medical images |
-
2001
- 2001-11-20 US US09/683,111 patent/US7058210B2/en not_active Expired - Fee Related
-
2002
- 2002-11-14 EP EP02257868A patent/EP1315125B1/en not_active Expired - Fee Related
- 2002-11-14 DE DE60226942T patent/DE60226942D1/de not_active Expired - Lifetime
- 2002-11-20 JP JP2002335867A patent/JP4310099B2/ja not_active Expired - Fee Related
Cited By (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008507372A (ja) * | 2004-07-26 | 2008-03-13 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 自動化された疑わしいオブジェクト境界判定のためのシステム及び方法 |
| JP2008521468A (ja) * | 2004-11-29 | 2008-06-26 | メディックサイト ピーエルシー | デジタル医療画像分析 |
| JP2008542891A (ja) * | 2005-05-30 | 2008-11-27 | コミッサリア ア レネルジ アトミック | 特に薬理学的画像における一連の三次元画像の区分方法 |
| JP4841623B2 (ja) * | 2005-05-30 | 2011-12-21 | コミッサリア ア レネルジ アトミック エ オー エネルジ アルターネイティブス | 特に薬理学的画像における一連の三次元画像の区分方法 |
| JP2007000428A (ja) * | 2005-06-24 | 2007-01-11 | Ge Medical Systems Global Technology Co Llc | 画像判定装置、画像判定方法およびｘ線ｃｔ装置 |
| JP2007068993A (ja) * | 2005-09-07 | 2007-03-22 | General Electric Co <Ge> | 解剖学的構造内の疾患に関する疾患関連の変化の患者特異的解析を実行するための方法及びシステム |
| JP2007105461A (ja) * | 2005-09-29 | 2007-04-26 | General Electric Co <Ge> | 分類インデックスから病気の診断を行うためのシステム、方法及び装置 |
| JP2007125370A (ja) * | 2005-09-29 | 2007-05-24 | General Electric Co <Ge> | カテゴリー型インデクスからの画像のデータベースの作成のためのシステム、方法及び装置 |
| JP2007090077A (ja) * | 2005-09-29 | 2007-04-12 | General Electric Co <Ge> | カテゴリー型インデクスから疾患の進行及び治療を追跡するシステム、方法及び装置 |
| JP2007209761A (ja) * | 2006-02-11 | 2007-08-23 | General Electric Co <Ge> | ３次元画像中の構造を扱うシステム、方法および機器 |
| JP2007209762A (ja) * | 2006-02-11 | 2007-08-23 | General Electric Co <Ge> | 多様なモダリティおよび多様なフェーズを有する３次元画像中の構造を扱うシステム、方法および機器 |
| US8626263B2 (en) | 2006-04-13 | 2014-01-07 | General Electric Company | Methods and apparatus for relative perfusion and/or viability |
| JP2010504129A (ja) * | 2006-09-22 | 2010-02-12 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 肺結節の高度コンピュータ支援診断 |
| JP2008080121A (ja) * | 2006-09-28 | 2008-04-10 | General Electric Co <Ge> | 画像内の領域を識別する方法及びシステム |
| US8923577B2 (en) | 2006-09-28 | 2014-12-30 | General Electric Company | Method and system for identifying regions in an image |
| JP2008126065A (ja) * | 2006-11-17 | 2008-06-05 | General Electric Co <Ge> | 少なくとも１つの血管を輪郭付けする方法および装置 |
| KR100882275B1 (ko) | 2007-05-25 | 2009-02-06 | 전남대학교산학협력단 | 얼굴영상을 이용한 질병분류시스템 |
| JP2012506719A (ja) * | 2008-09-26 | 2012-03-22 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 解剖学的構造によって画定される自動化ｃｐｒ生成 |
| JP2012525907A (ja) * | 2009-05-08 | 2012-10-25 | カトリック ユニバーシティ インダストリー アカデミック コーオペレイション ファウンデーション | 医療映像処理システム及び処理方法 |
| JP2011177517A (ja) * | 2010-03-03 | 2011-09-15 | Medicsight Plc | 画像処理方法、画像処理装置、コンピュータが読取り可能な媒体及びコンピュータプログラム |
| US8594402B2 (en) | 2010-03-05 | 2013-11-26 | Fujifilm Corporation | Image diagnosis support apparatus, method and program |
| WO2011108262A1 (ja) | 2010-03-05 | 2011-09-09 | 富士フイルム株式会社 | 画像診断支援装置、方法およびプログラム |
| US8907949B2 (en) | 2010-08-23 | 2014-12-09 | Fujifilm Corporation | Image display apparatus, method and program |
| WO2013114823A1 (ja) | 2012-01-31 | 2013-08-08 | 富士フイルム株式会社 | 手術支援装置、手術支援方法および手術支援プログラム |
| US10524823B2 (en) | 2012-07-24 | 2020-01-07 | Fujifilm Corporation | Surgery assistance apparatus, method and program |
| WO2014017041A1 (ja) | 2012-07-24 | 2014-01-30 | 富士フイルム株式会社 | 手術支援装置、方法およびプログラム |
| JP2015530206A (ja) * | 2012-10-09 | 2015-10-15 | コーニンクレッカ フィリップス エヌ ヴェ | マルチ構造アトラス及び／又はその使用 |
| WO2015126023A1 (ko) * | 2014-02-21 | 2015-08-27 | 전북대학교산학협력단 | 의료 영상에서 관심 부위 검출/선택 방법 및 이를 적용한 시스템 |
| KR101576058B1 (ko) | 2014-03-26 | 2015-12-10 | 전북대학교산학협력단 | Mri/mra 영상 특성을 활용한 관심부위 선택방법 및 이를 적용한 시스템 |
| JP2017510406A (ja) * | 2014-03-27 | 2017-04-13 | リべレイン テクノロジーズ エルエルシー | 画像内における血管構造の抑制 |
| CN106659453A (zh) * | 2014-07-02 | 2017-05-10 | 柯惠有限合伙公司 | 用于分割肺部的***和方法 |
| JP2017522952A (ja) * | 2014-07-02 | 2017-08-17 | コヴィディエン リミテッド パートナーシップ | 肺のセグメント化のためのシステムおよび方法 |
| CN106659453B (zh) * | 2014-07-02 | 2020-05-26 | 柯惠有限合伙公司 | 用于分割肺部的***和方法 |
| US10504252B2 (en) | 2014-12-15 | 2019-12-10 | Canon Medical Systems Corporation | Method of, and apparatus for, registration and segmentation of medical imaging data |
| JP2018175217A (ja) * | 2017-04-10 | 2018-11-15 | 富士フイルム株式会社 | 画像処理装置および方法並びにプログラム |
| JP2019193776A (ja) * | 2018-03-16 | 2019-11-07 | インファーヴィジョンＩｎｆｅｒｖｉｓｉｏｎ | ディープラーニングに基づいたコンピュータ断層撮影肺結節検出法 |
| JP6993371B2 (ja) | 2018-03-16 | 2022-01-13 | インファービジョン メディカル テクノロジー カンパニー リミテッド | ディープラーニングに基づいたコンピュータ断層撮影肺結節検出法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20030095692A1 (en) | 2003-05-22 |
| EP1315125A3 (en) | 2003-07-09 |
| DE60226942D1 (de) | 2008-07-17 |
| US7058210B2 (en) | 2006-06-06 |
| JP4310099B2 (ja) | 2009-08-05 |
| EP1315125B1 (en) | 2008-06-04 |
| EP1315125A2 (en) | 2003-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4310099B2 (ja) | 肺疾患検出のための方法及びシステム | |
| US8229200B2 (en) | Methods and systems for monitoring tumor burden | |
| US8335359B2 (en) | Systems, apparatus and processes for automated medical image segmentation | |
| US7349563B2 (en) | System and method for polyp visualization | |
| JP7139479B2 (ja) | 画像処理装置、医用画像診断装置、及びプログラム | |
| US8150120B2 (en) | Method for determining a bounding surface for segmentation of an anatomical object of interest | |
| US20020028008A1 (en) | Automatic detection of lung nodules from high resolution CT images | |
| US9014456B2 (en) | Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules | |
| WO2002085211A2 (en) | Method and system for automatically detecting lung nodules from multi-slice high resolution computed tomography (mshr ct) images | |
| EP3796210A1 (en) | Spatial distribution of pathological image patterns in 3d image data | |
| US8150121B2 (en) | Information collection for segmentation of an anatomical object of interest | |
| AU2019285392A1 (en) | Immediate workup | |
| JP2005526583A (ja) | 車輪状投影分析を用いた肺結節検出 | |
| EP2208183B1 (en) | Computer-aided detection (cad) of a disease | |
| JP5048233B2 (ja) | Ｃａｄシステムにおける解剖学的形状の検出のための方法及びシステム | |
| US20050002548A1 (en) | Automatic detection of growing nodules | |
| CA2531871C (en) | System and method for detecting a protrusion in a medical image | |
| JP7318058B2 (ja) | 画像処理装置 | |
| JP2007534352A (ja) | すりガラス様小結節（ｇｇｎ）セグメンテーションを行うためのシステムおよび方法 | |
| WO2005002432A2 (en) | System and method for polyp visualization | |
| Farag | Lung nodule modeling and detection for computerized image analysis of low dose CT imaging of the chest |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20051117 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20051117 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080108 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080201 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080812 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080916 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090317 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090326 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20090326 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20090326 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20090421 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090511 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120515 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120515 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130515 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140515 Year of fee payment: 5 |
|
| LAPS | Cancellation because of no payment of annual fees |