JP2004174232A - 画像セットのコンピュータ支援診断 - Google Patents

Abstract

【課題】 二重エネルギ（「ＤＥ」）又は多重エネルギ画像、並びに放射線撮影画像、コンピュータ断層撮影画像、及びトモシンセシス画像のコンピュータ支援検出及び診断の方法及びシステムを提供する。
【解決手段】 Ｘ線投射イメージング、Ｘ線コンピュータ断層撮影法、又はＸ線トモシンセシスから収集された画像セットを含むデータ源（２１０、７１０、９１０）を得る段階と、該画像セット（２１５、４１５、５４０、７１５、９１５）からの１つ又はそれ以上の画像内に関心領域（２２０）を定める段階と、該関心領域（２２０）から特徴尺度を抽出（２３０）する段階と、該関心領域（２２０）に関する少なくとも１つの該特徴尺度を報告（２６０）する段階とを含む。該方法は、骨折、疾病、障害、又は他の任意の病状の識別に使用することができる。
【選択図】 図６

Description

本発明は、一般に、画像セットのコンピュータ支援検出及び診断（ＣＡＤ）に関する。より詳細には、本発明は、二重エネルギ（「ＤＥ」）又は多重エネルギ画像、並びに放射線撮影画像、コンピュータ断層撮影画像、及びトモシンセシス画像のコンピュータ支援検出及び診断の方法及びシステムに関する。

古典的な放射線撮影すなわち「Ｘ線」画像は、撮像される被検体をＸ線照射器と写真フィルムから作られたＸ線検出器との間に位置付けることにより得られる。照射されたＸ線は被検体を透過してフィルムを感光させ、フィルムの種々の点での感光の度合いは、主としてＸ線の経路に沿った被検体の密度によって決まる。

現在では、フィルム検出器に代えて、固体デジタルＸ線検出器（例えば、スイッチング素子及びフォトダイオードのような光電素子のアレイ）を利用するのが一般的である。検出器の種々の点上におけるＸ線によって生成された電荷は、読み取られて処理され、写真フィルム上のアナログ画像ではなくて、電子的形態で被検体のデジタル画像を生成する。デジタル・イメージングは、後で画像を他の場所に電子的に送信することができ、診断アルゴリズムで処理して撮像された被検体の特性を求めることができるなどの理由から有利である。

デジタルＸ線の二重エネルギ（ＤＥ）イメージングは、一方が高いエネルギスペクトルを有し、他方が低いエネルギスペクトルを有する、異なるエネルギレベルの２つの連続照射からの情報を結合する。デジタルＸ線検出器を用いると、これらの２つの画像は連続的に収集され、各々が所定の組織種の減弱を表す、例えば骨画像と軟組織画像のような２つの追加画像を得るように処理される。多重エネルギメージングシステムは、組織を解剖学的に更に分解するように使用できるものを構築することができる。異なるエネルギ／ｋＶｐｓ（エネルギ１、・・・エネルギｎ）での一連の画像を、急速なシーケンスで収集して、異なる組織種（組織１、・・・組織ｎ）に分解することができる。

コンピュータ断層撮影（ＣＴ）システムは、典型的には、撮像される被検体を透過して配向され、Ｘ線検出器アレイによって受信される扇形ビームを形成するようにコリメートされたＸ線源を含む。Ｘ線源、扇形ビーム、及び検出器アレイは、「イメージング平面」と呼ばれる、デカルト座標系のｘ−ｙ平面内に存在するように配向される。Ｘ線源及び検出器アレイは、撮像される被検体の周りに、従ってデカルト座標系のｚ軸の周りに、イメージング平面内のガントリー上で共に回転することができる。

検出器アレイは、各々がＸ線源から特定の検出器素子に投影された線束経路に沿って透過放射線の強度を計測する検出器素子からなる。各ガントリー角度で、検出器素子の各々からの強度信号からなる投射が得られる。次いで、ガントリーは新しいガントリー角度まで回転し、該プロセスが多くのガントリー角度に沿った多くの投射を収集するように繰り返されて、断層投射セットが形成される。得られた断層投射セットの各々は、公知のアルゴリズムに従って断面画像を再構成する後のコンピュータ処理のために数値形式で格納することができる。再構成された画像は、従来型のＣＲＴやフラットパネル薄膜トランジスタアレイ上に表示することができ、或いは、コンピュータ制御カメラを用いてフィルム記録に変換することができる。

扇形ビームを濾過（フィルタリング）して、Ｘ線放射のエネルギを高エネルギ及び低エネルギに集中させることができる。従って、各ガントリー角度において１つが高Ｘ線エネルギで１つが低Ｘ線エネルギの、２つの投射セットを収集することができる。投射セットのこれらの対は、各ガントリー角度で、高Ｘ線エネルギと低Ｘ線エネルギとの間を交互に収集することができ、その結果患者の移動がごく小さな問題となる。或いは、各投射セットを、ガントリー回転の個別のサイクルで収集することができ、これによりＸ線管電圧及び濾過（フィルタ）を常に切り替えることが不要となる。
米国特許第６，１７３，０３４号

放射線撮影画像、コンピュータ断層撮影画像、及び他の医用画像による診断は、伝統的に目視作業となっている。この作業が主観的な性質を有することに起因して、診断は読影者の変動性の影響を受け易い。更に、関心病理に関連する下側組織及び重なり組織により、目視評価が困難となる可能性がある。胸部における僅かな肋骨骨折、石灰化、及び転移性骨病変（転移）は、標準的な胸部Ｘ線では検出することが困難な可能性がある。付加的な例として、現在のところ肺結節の５−２５％だけが胸部Ｘ線撮影で検出されるが、遡及すると３５−５０％が可視性である。ＣＴ収集においては、撮像被検体の異なる領域は、全体の減弱（すなわちＣＴ数及びピクセル値）が同一となるように密度の異なる様々な組織から構成されることができる。これらの２つの領域は、画像内で等しい描出を有するであろうし、従って区別することはできないであろう。二重エネルギＣＴは、２つの組織種を区別する能力を提供する。伝統的に、この区別は現在でも目視作業事である。

上述及び他の欠点及び欠陥は、二重或いは多重エネルギ画像のコンピュータ支援処理のための方法によって克服又は軽減され、該方法は、高エネルギ画像と、低エネルギ画像と、骨画像と、及び軟組織画像とを含む二重或いは多重エネルギ画像セットを含むデータ源を採用し、該二重或いは多重エネルギ画像セットからの画像内で関心領域を定め、該関心領域から特徴尺度を抽出し、該関心領域に関する少なくとも１つの特徴尺度を報告することを含む。

他の実施形態において、二重エネルギ画像のコンピュータ支援処理のためのシステムは、組織を透過する第１のエネルギレベルのフォトンを表す第１の画像と組織を透過する第２のエネルギレベルのフォトンを表す第２の画像とを生成する検出器と、該検出器に結合され、第１の画像と第２の画像とを格納するメモリと、該メモリに結合され、第１の画像及び第２の画像からの、第１の分解画像と、第２の分解画像と、高エネルギ画像と、低エネルギ画像とを含む二重エネルギ画像セットを処理し、該二重エネルギ画像セットをデータ源として該メモリ内に格納し、該二重エネルギ画像セットからの画像内に関心領域を定め、該関心領域から特徴尺度を抽出する処理回路と、該処理回路に結合され、特徴尺度の少なくとも１つを報告する報告デバイスとを備える。

他の実施形態において、機械可読コンピュータプログラムコードで符号化された記憶媒体は、二重或いは多重エネルギ画像の処理を支援するための方法をコンピュータに実行させる命令を含み、該方法は、第１の分解画像と、第２の分解画像と、高エネルギ画像と、低エネルギ画像とを有する二重或いは多重エネルギ画像を含むデータ源を採用し、該二重或いは多重エネルギ画像セットからの画像内に関心領域を定め、該関心領域から特徴尺度を抽出し、特徴の最適セットを識別するために該特徴尺度に関して特徴選択アルゴリズムを使用することを含む。

他の実施形態において、骨折、石灰化、又は転移を検出するための方法は、二重或いは多重エネルギ画像セットからの骨画像を利用し、該骨画像内に関心領域を選択して、石灰化、骨折、びらん、又は転移性骨病変を探索し、該骨画像の背景から骨を分割し、石灰化、骨折、又は転移性骨病変の候補として該骨内の候補領域を識別することを含む。

他の実施形態において、肺疾患を検出するための方法は、二重或いは多重エネルギ画像セットからの軟組織画像を利用し、該軟組織画像内に関心領域を選択して疾病の徴候を探索し、該軟組織画像の背景から該関心領域を分割し、軟組織画像内の関心領域に関連する骨画像内の候補領域を識別し、該骨画像内の候補領域から特徴を抽出し、骨画像から抽出した該特徴を用いて軟組織疾病の候補として軟組織画像内の関心領域を分類することを含む。

他の実施形態において、コンピュータ断層撮影画像のコンピュータ支援処理のための方法は、二重エネルギ・コンピュータ断層撮影画像の画像セットを収集し、該画像セットを含むデータ源を採用し、該画像セットからの画像内に関心領域を定め、該関心領域から特徴尺度を抽出し、該関心領域に関する特徴尺度の少なくとも１つを報告することを含む。

他の実施形態において、ボリューム・コンピュータ断層撮影画像のコンピュータ支援処理のための方法は、組織の異なる角度で取り込まれた投射からボリューム・コンピュータ断層撮影画像の画像セットを収集し、該画像セットを含むデータ源を採用し、該画像セットからの画像内に関心領域を定め、該関心領域から特徴尺度を抽出し、該関心領域に関する特徴尺度の少なくとも１つを報告することを含む。

他の実施形態において、トモシンセシス画像のコンピュータ支援処理のための方法は、トモシンセシス画像の画像セットを収集し、該画像セットを含むデータ源を採用し、該画像セットからの画像内に関心領域を定め、該関心領域から特徴尺度を抽出し、該関心領域に関する特徴尺度の少なくとも１つを報告することを含む。

本発明の上述及び他の特徴と利点は、以下の発明の詳細な説明及び図面により当業者には認識され理解されるであろう。

幾つかの図面において同じ要素には同じ参照符号が付してある例示的な図を参照する。

図１は例示的なＸ線イメージングシステム１００を示している。イメージングシステム１００は、Ｘ線源１０２及びコリメータ１０４を含み、これらによって検査用組織１０６がＸ線フォトンに晒される。例証として、Ｘ線源１０２はＸ線管とすることができ、検査用組織１０６は、患者、試験ファントム又は他の試験用無生物物体とすることができる。Ｘ線源１０２は、第１のエネルギレベルのフォトンと、第１のエネルギレベルとは異なる少なくとも第２のエネルギレベルのフォトンとを発生することができる。また、２つよりも多い複数のエネルギレベルも、本発明の方法及びシステムの範囲内である。

また、Ｘ線イメージングシステム１００は、処理回路１１０に結合されたイメージセンサ１０８を含む。処理回路１１０（例えばマイクロコントローラ、マイクロプロセッサ、カスタムＡＳＩＣなど）は、メモリ１１２及びディスプレイ１１４に結合される。ディスプレイ１１４は、タッチスクリーン・インターフェースを備えたタッチスクリーン・モニタのようなディスプレイ装置を含むことができる。当該技術分野で知られているように、システム１００はディスプレイ１１４を含むコンピュータ又はコンピュータ類似物を含むことができる。コンピュータ又はコンピュータ類似物は、ＳＣＳＩバス、エンハンストＩＤＥバス、ＰＣＩバスなどのような適切なデバイスバスを使用して接続されたハードディスク又は他の固定の高密度媒体ドライブ、すなわちフレキシブル・ディスク・ドライブ、テープ又はＣＤ媒体を含むテープドライブ又はＣＤ−ＲＯＭドライブ、或いは磁気光学媒体のような他のリムーバブル媒体デバイスなどと、マザーボードとを含むことができる。マザーボードは、例えば、プロセッサ、ＲＡＭ及びＲＯＭ、イメージセンサ１０８との結合に使用されるＩ／Ｏポート、及び音声処理、画像処理、信号処理、ニューラルネットワーク処理等やマイクロホン及び１つ又は複数のスピーカのような特殊化されたハードウェア／ソフトウェア機能を実行するための任意選択的な特殊化ハードウェアを含む。コンピュータ或いはコンピュータ類似物に付属するものとしては、データ入力のためのキーボード、マウスのようなポインティングデバイス、及びマウスパッド又はデジタルパッドとすることができる。本発明のシステム及び方法は、コンピュータのハードウェアを制御しコンピュータとユーザとのやりとりを可能にする上述の記憶媒体（コンピュータ可読媒体）の何れか１つに格納されたプログラミングを含む。このようなプログラミングは、これらに限定されないが、デバイスドライバ、オペレーティングシステム、及びユーザアプリケーションを実行するソフトウェアを含むことができる。このようなコンピュータ可読媒体は、本発明のシステム及び方法に従った実行を汎用コンピュータに命令するためのプログラミング又はソフトウェア命令を更に含む。メモリ１１２（例えば、１つ又はそれ以上のハードディスク、フレキシブルディスク、ＣＤＲＯＭ、ＥＰＲＯＭなどを含む）は、高エネルギレベル画像１１６（例えば、１１０−１４０ｋＶｐ５ｍＡｓ照射後にイメージセンサ１０８から読み出された画像）と、低エネルギレベル画像１１８（例えば、７０ｋＶｐ２５ｍＡｓ照射後に読み出された画像）とを格納する。処理回路１１０は、デバイス１１４に表示するための画像１２０を供給する。本明細書で更に詳細に説明されるように、画像１２０は異なる組織（例えば軟組織、骨組織）を表すことができる。イメージセンサ１０８は、例えばフラットパネル固体イメージセンサとすることができるが、メモリ１１２にデジタル形式で格納される従来型のフィルム画像もまた、以下で更に開示されるように同様に処理することができる。

次に、図１のシステムの動作が、図２−図６を参照して以下に説明される。図２は、図１のシステムによって実行される例示的な処理のハイレベル・フローチャートを示す。処理は、ステップ１０において画像収集で開始する。例示的な画像収集ルーチンは図３に示される。図３に示されるように、画像収集ルーチンは技術最適化ステップ１１を含み、これはｋＶｐ（高い及び低い）、ｍＡｓ、付加的な濾過（ｆｉｌｔｒａｔｉｏｎ：例えば、銅又はアルミニウム）、タイミングなどのような収集パラメータの自動選択のような処理を含む。収集パラメータは、ユーザによって提供される変数（患者の大きさのような）、又はシステムによって自動的に得られる変数（低線量「プレショット」によって決定される変数のような）に基づくことができる。収集パラメータの選択は、残留組織、肺／心臓の運動、分解のアーチファクト及びコントラストのような問題に対処することができる。

収集パラメータが決定されると、ステップ１２で心臓ゲーティングが用いられる。心臓ゲーティングは、心臓サイクルの特定のポイントで検出器１０８による画像の収集をトリガーする技法である。この技法は、心臓を含むビュー内の心臓の運動によるアーチファクトを低減させ、同様に肺の運動のような心臓の運動に間接的に関係するアーチファクトを低減させる。心臓ゲーティングは、心臓／大動脈拍動に基づく、肺／心臓運動によるアーチファクト（モーション・アーチファクト）に対処する。

最小の時間間隔での高ｋＶｐと低ｋＶｐにおける２つの連続したＸ線画像の収集が、ステップ１３及びステップ１４としてそれぞれ表される。収集の間のコリメータ１０４の濾過を変更すると、Ｘ線エネルギをより大きく分離することができるようになる。ステップ１５及びステップ１６でそれぞれ高エネルギ画像及び低エネルギ画像の両方に対して検出器補正を適用することができる。このような検出器補正は、フラットパネル検出器を用いたシステムにおいて知られており、不良ピクセル／ライン補正、ゲインマップ補正などの技法を含み、また遅延ピクセル補正のような二重エネルギ・イメージングに特有な補正を含む。

図２を参照して、収集ステップ１０が完了すると、フローはステップ２０に進み、収集された画像が前処理される。図４は、例示的な前処理ルーチンのフローチャートである。この前処理は、散乱補正ステップ２２を含み、これはソフトウェア／ハードウェアにおいて実行することができる。散乱補正ルーチンは各画像に個々に適用し、又は高ｋＶｐ画像及び低ｋＶｐ画像の両方からの共通の情報を利用して、その結果散乱を低減することができる。特殊な散乱防止用グリッドを含むハードウェア解決法や、或いは畳み込みベースの方法又は逆畳み込みベースの方法を用いるソフトウェア解決法のような、既存の散乱補正技法を使用することができる。加えて、ソフトウェア技法は、１つの画像からの情報を利用して他の画像についてのパラメータを調整することができる。散乱補正は、散乱Ｘ線に起因する分解アーチファクトに対処する。

散乱補正が行われると、ステップ２４でノイズ低減が行われ、ここで１つ又はそれ以上の既存のノイズ低減アルゴリズムが高ｋＶｐ画像及び低ｋＶｐ画像に対して、個々に又は同時に適用される。ノイズ補正は、ＤＥ分解に起因して増加するノイズに対処する。ステップ２６で、レジストレーションが行われて、高ｋＶｐ画像と低ｋＶｐ画像との間の動きの補正及び解剖学的組織の整列によって、モーション・アーチファクトが低減される。レジストレーション・アルゴリズムは、高ｋＶｐ画像及び低ｋＶｐ画像に適用される、既知の剛体レジストレーション又はワーピング（変形）レジストレーションのルーチンとすることができる。或いは、この技法は繰り返すことができ、この付加情報をステップ３０で作成される分解された軟組織画像及び骨画像で役立てる。レジストレーション処理は、軟組織画像及び／或いは骨画像における残留組織及び肺／心臓のモーション・アーチファクトに対処する。

図２を参照すれば、前処理ステップ２０が完了すると、フローはステップ３０に進み、ここで収集された画像が分解されて、軟組織生画像及び骨組織生画像が生成される。標準画像（標準正面（ＰＡ）画像とも称される）もまた高ｋＶｐ画像に基づいて定められる。分解は、公知のＤＥ放射線撮影技法を用いて実行することができる。このような技法は、対数サブストラクション或いは基準要素分解を含み、高エネルギ及び低エネルギ収集から軟組織生画像及び骨組織生画像が生成される。軟組織生画像及び骨組織生画像からの情報は、レジストレーション／動き補正ステップ２６で使用することができる。例えば、エッジ情報及び／或いはアーチファクト位置情報は、レジストレーション／動き補正に用いるために分解画像から導出することができる。

図２を参照すれば、分解ステップ３０が完了すると、フローはステップ４０に進み、ここで収集画像が後処理される。図５は、例示的な後処理ルーチンのフローチャートである。図５に示されるように、軟組織生画像４１及び骨組織生画像４２は類似の処理を受ける。コントラスト整合４３は、軟組織生画像４１及び骨組織生画像４２の組織のコントラストを標準画像の対応する組織に整合させる。例えば、軟組織生画像４１（例えば、胸部画像）内の軟組織のコントラストが、標準ＰＡ画像内のコントラストに整合される。コントラスト整合は、Ｘ線画像の判読を容易にするために行われる。

ステップ４４で、軟組織画像４１及び骨画像４２に１つ又はそれ以上のノイズ低減アルゴリズムを適用することができる。既存のノイズ低減アルゴリズムを使用することができる。ノイズ低減は、ＤＥ分解に起因するノイズに対処する。ステップ４５で、画像表示処理は軟組織画像４１及び骨画像４２に対して実行することができる。表示処理は、最適表示のためのエッジ強調、表示ウィンドウレベル及びウィンドウ幅の調整のような処理を含む。後処理４０の結果は、処理済軟組織画像４６及び処理済骨画像４７として表される。

図２を参照すれば、後処理ステップ４０が完了すると、フローはステップ５０に進み、ここで収集された画像が表示のために処理される。

コンピュータ支援アルゴリズムは、放射線医による目視評価と併せて用いた場合に、疾病検出の正確さ及び再現性を改善する可能性を有する。コンピュータ支援アルゴリズムは、検出（存在する或いは存在しない）又は診断（正常或いは異常）のために用いることができる。検出又は診断は、代表的サンプルデータベース上でのトレーニングによって習得された知識に基づいて行われる。アルゴリズムによってトレーニングを行うデータベースにおけるサンプルデータと該データの特徴は、ＣＡＤアルゴリズムの性能に影響するトレーニングプロセスの２つの重要な態様である。ＣＡＤアルゴリズムの正確さは、該アルゴリズムによってトレーニングを行う情報に対する改善によって向上する。従来のＸ線撮影に関しては、重なり組織及び下側組織が関連する情報を混乱させて、コンピュータ・アルゴリズムについても診断及び検出を困難にする。本明細書で説明される方法及びシステムは、特に従来型のＣＡＤ用Ｘ線撮影画像と併せて二重エネルギ画像を用いることによりこの問題に対処する。詳細には、この方法は４つの画像からの情報を結合して、コンピュータ検出アルゴリズムを支援する。

図６に示されるように、二重エネルギＣＡＤシステム２００は、データ源２１０、関心領域２２０、最適特徴選択２３０、及び分類２４０、トレーニング２５０、及び結果表示２６０を含む幾つかの部分を有する。

二重エネルギＣＡＤ２００は、全ての画像２１５からの特徴を取り込んで一度で、或いは並行して行うことができる点に留意されたい。図７に示されるように、二重エネルギＣＡＤ２０１の並行動作は、各画像２１６、２１７、２１８、２１９に関して、図６で説明されるように個々のＣＡＤ動作の実行と、合成／分類ステージ２１４における全てのＣＡＤ動作の結果の結合とを含むことになろう。すなわち、ＲＯＩ選択２２０を、各画像２１６、２１７、２１８、及び２１９に関して実行して、低エネルギ画像ＲＯＩ２２１、高エネルギ画像ＲＯＩ２２２、軟組織画像ＲＯＩ２２３、骨画像ＲＯＩ２２４を提供することができる。同様に、最適特徴抽出ステージ２３０を、各画像ＲＯＩ２２１、２２２、２２３、及び２２４に関して実行することができ、結果として低エネルギ画像特徴２３１、高エネルギ画像特徴２３２、軟組織画像特徴２３３、及び骨画像特徴２３４が生じる。合成／分類ステージ２４１において、全てのＣＡＤ動作の結果を結合することができる。従って、図６及び図７は二重エネルギＣＡＤを実行する２つの異なる方法を示すものであるが、しかしながら、ＲＯＩ選択ステージ２２０を図７に示されるように並行して実行し、且つ特徴抽出ステージ２３０を図６に示されるように結合されたＲＯＩに関して実行するような、他の方法もまた本発明の範囲内である。加えて、複数の疾病、骨折、或いは他の何らかの病状を検出するＣＡＤ動作を連続して或いは並行して実行することが可能である。

次に、図６或いは図７の何れかを参照すると、データ源２１０に関して、データは１つ又はそれ以上の供給源の組み合わせから得ることができる。ｋＶｐ（ピーク・キロボルト、これは生成されるＸ線の最大エネルギを決定し、生成される放射線の量はキロボルト数の平方に従って増加する）、ｍＡ（Ｘ線管電流はミリアンペアで計測され、ここで１ｍＡ＝０．００１Ａである）、線量（放射線の照射量の単位としてレントゲン、吸収線量の単位としてラド、及び同等吸収線量の単位としてレムで計測される）、ＳＩＤ（放射線源から画像までの距離）などのような画像収集システム情報２１２は、データ源２１０に寄与することができる。喫煙歴、性別と年齢、及び臨床症状のような、患者の人口統計学的データ／症状／病歴もデータ２１０のための供給源とすることができる。二重エネルギ画像セット２１５（高エネルギ画像２１６、低エネルギ画像２１７、骨画像２１８、軟組織画像２１９、或いは骨画像２１８及び軟組織画像２１９に代えて、別に述べられる第１及び第２の分解画像、ここで第１及び第２の分解画像は、これに限定されないが、軟組織画像及び骨画像を含む何らかの要素画像を含むことができる）は、データ源２１０のための付加的なデータ源である。

画像ベースのデータ２１５に関して、関心領域２２０が該データから定められて、特徴を計算することができる。関心領域は幾つかの方法で定めることができる。例えば、画像２１５全体を、関心領域２２０として用いることができる。或いは、肺尖部内の結節候補領域のような画像の一部を関心領域２２０として選択することができる。関心領域２２０の分割は、手動或いは自動の何れかで行うことができる。手動分割は、画像を表示し、例えばマウスを用いてユーザが領域を描出することを含むことができる。自動分割アルゴリズムは形状及び寸法のような事前知識を用いて、関心領域２２０を自動的に描出することができる。上記の２つの方法の組み合わせである半自動化法を用いることもできる。

次いで特徴選択アルゴリズム２３０を用いて候補特徴を調べ、有用なものだけを選択して、情報が無いか又は冗長的な情報を提供するものを取り除く。図８を参照すれば、特徴抽出処理或いは最適特徴抽出２３０は、データ源２１０に関する計算の実行を含む。例えば、画像に基づくデータ２１５に関して、形状、寸法、密度、曲率のような、関心領域の統計値を計算することができる。収集に基づくデータ２１２及び患者に基づくデータ２１４に関しては、該データ２１２、２１４自体が特徴として役立つことができる。図８で更に示されるように、高エネルギ画像、低エネルギ画像、軟組織画像、骨画像及びこれらの画像の組み合わせから複数の特徴尺度２７０が抽出され、該特徴尺度は、例えば、形状、寸法、きめ、強度、勾配、エッジ強度、位置、近接性、ヒストグラム、対称性、偏心度、方向性、境界、モーメント、フラクタル、エントロピーなどのような計測された特徴や、年齢、性別、喫煙歴のような患者歴、及びｋＶｐや線量のような収集データである。用語「特徴尺度」は、このように計算された特徴や、計測された特徴、及び現存する特徴をいう。多数の特徴尺度が含まれるが、しかしながら本発明の方法は、関連性のある情報を提供する特徴だけを確実に保持する。特徴選択アルゴリズム２３０内のステップ２７２は、例えば距離基準を用いて異なる分類グループを分離する能力を有する点で特徴評価２７２と称する。距離基準は、特定の特徴を用いて、使用される異なるクラスを本発明の方法によって如何に良好に分離することができるかを評価するものである。発散、バッタチャリア距離、マハラノビス距離のような、幾つかの異なる距離基準を使用することができる。これらの技法は、「Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｓｔａｔｉｓｔｉｃａｌ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，Ｋ．Ｆｕｋｕｎａｇａ，Ａｃａｄｅｍｉｃ Ｐｒｅｓｓ，２ｎｄ ｅｄ．，１９９０」で述べられている。ステップ２７４は、全ての特徴を距離基準に基づいてランク付けする。すなわち、異なる部類の間の区別を付ける能力、区別能力に基づいて特徴をランク付けする。また、特徴選択アルゴリズム２３０は、計算される特徴数が多いときに計算時間が長くなる可能性がある場合には、実用的な観点から次元を低減するために使用される。次元低減ステップ２７６は、関連特徴を排除することによってどれだけの数の特徴が削減されるかに関するものである。他の情報と同じ情報しか提供しない余分な特徴は排除される。このことは、最も高くランク付けされた特徴を選択し、次いで降順のランク付けに基づいて性能がもはや改善されないようになるまで別の特徴を付加する順方向選択ステップ２７８によって用いられる特徴セットを低減する。すなわち、別の特徴を付加することがどのような有用な情報をも提供しないところに到達するとこれ以上特徴は付加されない。この時点で出力２８０は特徴の最適セットを提供する。

形状、寸法、密度、勾配、エッジ、きめなどのような特徴が、上述のように特徴選択アルゴリズム２３０内で計算されて特徴の最適セット２８０が生成されると、トレーニング前の分類アルゴリズム２４０を用いて、関心領域２２０を良性又は悪性結節、石灰化、骨折又は転移に分類することができ、或いはどのような分類も関連する特定の病状に使用される。図９を参照すれば、特徴セット２８０は、分類アルゴリズム２４０の入力として用いられる。ステップ２８２で、関心のある既知の正常及び異常症例のデータベースから導出された特徴尺度に関して、特徴セット２８０からの特徴尺度の正規化が行われる。これはトレーニング２５０による事前知識から取り込まれる。トレーニングによる事前知識は、例えば確認された悪性結節の特徴の実例及び確認された良性結節の特徴の実例を収容することができる。トレーニング段階２５０は、例えば、既知の良性及び悪性結節の実例に関する幾つかの候補特徴の計算を含むことができる。ステップ２８４は、正規化された特徴尺度のグループ化に関する。ベイズ分類器（各クラスについての単一の確率的集計を蓄積し、該クラスを与えられた属性の条件付き独立性を仮定する教師付き学習のためのアルゴリズム）、ニューラルネットワーク（これはプロセッシングエレメント間の接続を生成することによって機能し、これにより接続の組織化と重み付けが出力を決定する。すなわちニューラルネットワークは、利用する事前実例の大きなデータベースをネットワークが有する場合に、事象を予測するのに有効であり、従って画像認識システム及び医用イメージングにおいて有用である）、規則ベース法（これは、特定の状況にどのように反応するかをシステムに命ずる条件文を用いる）、ファジイ論理（これは、単純な真値及び偽値だけではない認識を行う）、クラスタ化技法、及び類似性尺度法のような幾つかの異なる方法を用いることができる。このような技法は、「Ｆｕｎｄａｍｅｎｔａｌｓ ｏｆ Ｄｉｇｉｔａｌ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ｂｙ Ａｎｉｌ Ｋ． Ｊａｉｎ， Ｐｒｅｎｔｉｃｅ Ｈａｌｌ １９８８」に記述されている。正規化された特徴尺度がグループ化されると、分類アルゴリズム２４０はステップ２８６で特徴クラスタにラベル付けし、ステップ２８８で出力部のディスプレイに出力する。

二重エネルギ技法は、人間或いは機械の観測者による検査のために複数の画像収集を可能にする。ＣＡＤ技法は画像２１６、２１７、２１８、及び２１９の１つ或いは全てに関して操作することができ、各画像２１６、２１７、２１８、及び２１９に関する結果を表示２６０し、或いは単一の画像２１５上にこれらの結果を合成して表示２６０する。このことは、検査される画像の量を増やすことなく分割処理を簡素化することにより、ＣＡＤ性能を向上させる利点をもたらすであろう。この結果の表示２６０は、図２に示される表示段階５０の一部を形成する。

疑わしい候補領域の識別２３０及び分類２４０に続いて、その位置及び特徴は放射線医又は画像の検査者に表示されなければならない。非二重エネルギＣＡＤ用途においては、これは疑わしい病変部の近く又は周囲に、例えば矢印又は円のマーカを重畳することで行われる。二重エネルギＣＡＤは、４つの画像（高エネルギ画像２１６、低エネルギ画像２１７、骨画像２１８、軟組織画像２１９）の何れかにおいてコンピュータにより検出された（そして恐らくは診断された）結節に対するマーカを表示する能力をもたらす。この方法においては、検査者は、一連のＣＡＤ動作２００による結果が重畳された単一画像２１５だけを見ることができる。ＣＡＤシステム２０１は、図７に示されるように画像が別々に処理されたときにステップ２４１でこれらの結果を合成する。各ＣＡＤ動作（独自の分割（ＲＯＩ）２２０、特徴抽出２３０、及び分類手順２４０又は２４１によって定められる）は、独自のマーカ様式で表すことができる。

このような二重エネルギＣＡＤ表示の一実施例を、肺癌の胸部イメージングに関して説明する。患者が（図１−図５を参照して記述されたような）二重エネルギ検査を受け、次いでこの検査は二重エネルギＣＡＤシステム２００又は２０１を用いて処理されると仮定する。ＣＡＤ動作は、軟組織画像２１９上で悪性腫瘍の２つの疑わしい病変特徴を識別する。骨画像２１８上では、ＣＡＤ動作は石灰化結節（良性過程を示す）及び骨病変を識別する。ＲＯＩ抽出段階及び特徴抽出段階の何れか或いは両方が各画像に適用されたときに分類プロセスの一部を形成することができる合成段階において、分類２４０は、これらの結果を取り込み、軟組織結節の１つが骨画像２１８上で明確に見える石灰化結節と同じものであることを判断する。次いで検査者に、単一エネルギ胸部放射線撮影についての現在の標準方法を模倣した技法で取り込まれた、高エネルギ画像２１６である第１の画像を示すことになろう。また、検査者には、第１の画像と同じものであるが、画像データ上に重畳されたＣＡＤ動作２２０、２３０、２４０の結果を示すマーカが付いた第２の画像が提示されることになろう。この第２の画像は、第２のハードコピー画像ディスプレイ又はソフトコピー画像ディスプレイ上で同時に表示することができ、或いはソフトウェアを介してソフトコピーディスプレイ上に他の画像と切り替えることができる。第２の画像上には、例えば、悪性腫瘍の特徴を有するように分類された疑わしい肺結節の周囲に円を重畳し、良性と分類された石灰化肺結節の周囲に四角を重畳し、また検出された骨病変を指す矢印を重畳することができる。このようにして、検査者は、最適な検査のために同時に提示された各画像に関するＣＡＤ動作からの情報の利点を入手する。

別の実施例として、本発明の方法２００、２０１は、マンモグラフィにおいて使用することができる。マンモグラフィのための二重エネルギ・イメージングは、Ｃｈａｏに付与された米国特許第６，１７３，０３４号で説明されているように、既に用いられている。有利には、方法２００、２０１は、マンモグラフィについて行われた二重エネルギ・イメージングプロセスの結果を取り込み、本明細書で説明されているようなＣＡＤ技法を使用することができる。更に、上述の胸部検査に使用されるエネルギが５０−１７０ｋＶｐの範囲であるのに対して、マンモグラフィで使用されるエネルギは、２０ｋＶｐ程に低くすることができる点も留意されたい。従来のマンモグラフィは典型的には２４−３０ｋＶｐであり、ＤＥマンモグラフィは、低エネルギ画像については２４−３０ｋＶｐ、高エネルギ画像については５０−８０ｋＶｐとすることができ、この場合、値はＸ線管／発生器によって制限されることが多い。ＣＴマンモグラフィについては、エネルギはより高く、従来の単一エネルギ画像に対して約８０ｋＶｐである。

これらの方法２００及び２０１は、重なり組織を取り除いた状態で入力データを提供することにより、コンピュータ支援検出又は診断アルゴリズムの性能が向上する。また、撮像された解剖学的構造は組織の種類（軟組織又は骨組織）に基づいて分離されるので、このアルゴリズム２００は、標準的な放射線撮影よりも解剖学的構造当たりでより多くの診断特徴を抽出する可能性を有する。

従来のＣＲ（コンピュータ放射線撮影）二重エネルギ画像は、標準的な放射線撮影画像と比較してかなり低品質でノイズの多いものであり、従ってコンピュータ支援アルゴリズムはこのような画像にはこれまで使用されていない。本発明のシステム及び方法２００、２０１は、収集パラメータ及び患者情報２１４に加えて、高エネルギ画像２１６、低エネルギ画像２１７、軟組織画像２１９、及び骨画像２１８からの情報を使用する。更に、従来のＣＡＤ技法よりも画像数を増加させることなく結果を検査者に表示することができる。

上述の方法２００、２０１は石灰化、骨折、骨びらん、及び転移性骨病変の識別に付加的に利用することができる。重なり軟組織及び下側軟組織の無い骨画像を提供することによって、ＤＥイメージングは、別の方法では標準的な画像読影者によって見逃される可能性がある、微小な骨折、骨びらん、石灰化、及び転移の自動検出及び分類のための有効な機会をもたらす。

次に図１０及び図１１において、本発明の方法２００、２０１の図式化された実施例が示されている。方法３０１は、骨組織を背景から分割して、石灰化、骨折、又は転移の可能性のある候補骨領域を検出／識別する、二重エネルギ・コンピュータ支援検出／診断（ＣＡＤ）アルゴリズム３００を用いる。次いで、これらの候補領域は、対応する完全な画像セット２１５（高エネルギ２１６、低エネルギ２１７、骨組織２１８、及び軟組織２１９）から抽出された特徴に基づいて分類される。分類段階は、偽陽性と認められるものを除外するだけでなく、骨折又は病変についての付加的な情報（骨折の種類、病変の大きさなど）も提供する。次に、読影者の評価のためにこの結果を画像上に強調表示する。

図１１に示されるように、ＣＡＤアルゴリズム３００において、ＤＥ画像２１５内の石灰化、骨折、骨びらん、及び転移を検出するための最初のステップは、探索する所望の領域の選択又は関心領域（ＲＯＩ）（３１０）の選択３１０が必要である。二重エネルギ胸部検査では、典型的にはこれは全体の画像を含むが、特定の領域が疑わしい場合には、より小さな関心領域を含むことができる。関心領域（ＲＯＩ）の選択（３１０）は手動で行われることができ、或いはＲＯＩ２２０を参照して上述のようなユーザ仕様に基づいた自動化アルゴリズムによって行われることができる。

次に、骨組織の分割３２０が行われる。分割３２０の目的は、背景（非骨組織）から骨組織を分離することである。一実施形態は領域成長アルゴリズムであろう。領域成長を初期設定するために手動又は自動の方法を用いることができる。手動の方法では、ユーザがシードポイントを選択する手段が設けられる。自動化された方法では、強度範囲、勾配範囲、形状、寸法などのような骨の属性が、シードポイントの初期設定に用いられる。他の可能性のある分割法には、マルチレベル強度閾値処理が含まれる。

次いで、ステップ３３０で候補領域を識別することができる。候補領域を識別するための１つの方法はエッジ検出アルゴリズムに基づく。ノイズ及び偽エッジを取り除くために、モフォロジ侵食を用いる画像処理を続いて行うことができる。加えて、肋骨のエッジである可能性が最も高い長い線を除外するために、連結アルゴリズムを適用することができる。従って、残った画像は、これらのエッジが石灰化、骨折及び転移の候補の可能性があるものだけからなる。

次いで、ステップ３４０で、候補領域を分類することができる。残った候補領域の分類には、規則ベース手法を含むことができる。該規則は、石灰化、転移、及び骨折の識別に関して異なるものとすることができる。異なる種類の骨折に対して異な規則ルが存在し、また異なる性質の転移に対して異な規則ルが存在することが好ましいであろう。例えば、骨折については、肋骨の内側のエッジが骨折の候補である場合には、肋骨の外側のエッジと肋骨の内側のエッジとを分離することが望まれる可能性がある。また、規則は、ラインエッジの寸法計測に基づくこともできる。

次に、表示ステップすなわち結果の表示３５０において、残った候補領域をユーザ又は読影者に検査のために表示することができる。これは、矢印、円、或いは他のインジケータ又はマーカの何れかを用いて骨の原画像上の領域を強調表示することによって行うことができる。また、病変の種類又は寸法のような付加的な情報も画像上に重ねることができる。

再び図１０を参照すると、次にステップ３６０で、放射線医又は臨床医が結果の表示３５０を読影することができ、この方法３０１を用いて、ステップ３７０で例示されたような胸部放射線撮影における石灰化、僅かな肋骨骨折、僅かな骨びらん、及び転移性骨病変の検出を改善することができる。このような軽度の疾患の検出は、早期に検出することにより患者に更なる利点をもたらすことができ、臨床医による患者治療を改善することにつながる。また、重なり軟組織／下側軟組織の無い骨画像を提供する能力を用いて、骨に関連する病理の検出及び診断を大幅に改善することができる。石灰化、骨折及び転移の検出のための骨画像の使用は、これまで利用可能ではなかったＤＥイメージングの診断概念である。

肺癌胸部イメージングと、石灰化、骨折、骨びらん、及び転移の検出とを含む具体的な実施例を説明してきたが、上述の方法及びシステムは、身体の何れの部位も含むどのような病状、障害、又は疾病の検出及び／又は診断に使用することができることを理解されたい。

また、ＤＥイメージングを具体的に扱ってきたが、上述の方法を多重エネルギ画像に対して用いることも更に本発明の範囲内である。例えば、多重エネルギメージングシステム４００が図１２に示されており、これは、画像データ４１５、画像収集データ４１２、及び患者の人口統計学的データ４１４を含むデータ源４１０、関心領域の決定又は選択４２０、最適特徴の抽出４３０、合成／分類４４０、及び画像ディスプレイ上への重ね合わせ４６０を含むという点で上述のＤＥイメージングシステム２００、２０１、及び３００と同様である。また、上述のＤＥイメージングシステムにおけるように、トレーニング４５０による事前知識が最適特徴抽出段階４３０及び合成／分類段階４４０に加えられる。従って、方法４００と上述のＤＥ法との唯一の違いは、画像データ４１５の内容である。すなわち、ＤＥ法は高エネルギ画像、低エネルギ画像、軟組織画像、及び骨画像を利用するが、多重エネルギメージングシステム４００は、様々なエネルギ／ｋＶｐｓで取り込まれた一連の画像４１３（エネルギ１の画像、エネルギ２の画像、・・・エネルギＮの画像）を用いる。「Ｎ」は任意の数字であり、１つのイメージングプロセスから次のものに変わることができる点に留意されたい。これらの画像４１３が急速なシーケンスで収集され、様々な組織種の画像と骨画像４１８とに分解される場合、これらの画像もまた様々な要素の画像（要素１の画像、要素２の画像、・・・要素Ｎの画像）に分解することができ、これらは骨画像を含んでいても又は含まなくてもよい。これらの画像の１つ又はそれ以上からの情報は、種々の疾病又は病状の検出及び診断に用いることができる。一実施例として、特定の疾病の検出が必要とされた場合に、要素２の画像とエネルギ１の画像に関して、関心領域を識別して特徴を計算することができる。異なる疾病の種類については、全ての画像を使用することができる。ＤＥエネルギメージングシステムのように、関心領域の選択、最適特徴の計算、及び分類を画像データ４１５に関して連続的に、或いは並行して行うことができる。本明細書において、２つの画像は多重画像であることから、「多重」エネルギ・イメージングは二重エネルギ・イメージングを包含できることを更に留意されたい。

上述のＣＡＤシステム及び方法は、更に二重又は多重エネルギ・コンピュータ断層撮影法にまで拡張することができる。図１３及び図１４を参照すると、再構成前分析及び再構成後分析は、材料分析において二重エネルギＸ線源を使用するために一般的に認められている従来技術の技法である。再構成前分析５０２においては、信号のフローは図１３に示す通りである。システム１００は、典型的には図１に示すものと同様であり、２つの別個のエネルギレベル（すなわち二重エネルギ）で扇形ビームを生成することができるＸ線源を有する。データ収集システム５０４は、回転プラットフォーム（図示せず）の離散的角度位置で検出器アレイによって発生された信号を集め、該信号を前処理要素５０６に渡す。前処理要素５０６は、データ収集システム５０４から受け取ったデータの再並び変えを行い、後続の数学的処理のために順序を最適化する。また、前処理要素５０６は、データ収集システム５０４からのデータを検出器温度、一次ビーム強度、ゲインとオフセット、及び他の決定性誤差因子に関して補正する。最後に、前処理要素５０６は、高エネルギ・ビューに対応するデータを抽出し、これを高エネルギ・チャンネル経路５０８へ送り、低エネルギ・ビューに対応するデータを低エネルギ経路５１０に送る。投射コンピュータ５１２は、高エネルギ経路５０８及び低エネルギ経路５１０上で投射データを受け取り、Ａｒｖａｒｅｚ／Ｍａｃｏｖｓｋｉのアルゴリズム処理を実行して、走査された要素の第１のパラメータに依存する投射データの第１のストリーム５１４と、走査された要素の第２のパラメータに依存する投射データの第２のストリーム５１６とを生成する。第１のパラメータは原子番号であることが多く、第２のパラメータは要素の密度であることが多いが、他のパラメータを選択してもよい。第１の再構成コンピュータ５１８は、投射データの第１のストリーム５１４を受け取り、第１の要素パラメータに対応する一連の投射からＣＴ画像を発生させる。第２の再構成コンピュータ５２０は、投射データの第２のストリーム５１６を受け取り、第２の要素パラメータに対応する一連の投射からＣＴ画像を発生させる。

再構成後分析５０３において、信号フローは図１４に示される通りである。前処理分析５０２について本明細書で説明されるように、前処理要素５０６はデータ収集システム５０４からデータを受け取り、該データに対して幾つかの操作を実行し、高エネルギ・ビューに対応するデータを高エネルギ経路５０８に送り、低エネルギ・ビューに対応するデータを低エネルギ経路５１０に送る。第１の再構成コンピュータ５１８は、高エネルギ経路５０８から投射データを受け取り、高エネルギの一連の投射に対応するＣＴ画像を発生させる。第２の再構成コンピュータ５２０は、低エネルギ経路５１０から投射データを受け取り、低エネルギの一連の投射に対応するＣＴ画像を発生させる。投射コンピュータ５１２は、高エネルギＣＴデータ５２２及び低エネルギＣＴデータ５２４を受け取り、基準要素分解を実行して、走査された要素の第１のパラメータに依存するＣＴデータ５２６と、走査された要素の第２のパラメータに依存する投射データの第２のストリーム５２８を生成する。

図１５は、二重エネルギＣＴイメージングのための変更されたコンピュータ支援検出及び診断の方法２０２を示す。この方法２０２は、多重ＣＴ画像１ａ、・・・１Ｎ５３０又は５３４、及び多重ＣＴ画像２ａ、・・・２Ｎ５３２又は５３６が、図１３又は図１４の何れかに関して上述したような高エネルギ画像２１６及び低エネルギ画像２１７と置き換わって画像セット５４０を形成していることを除いては、図６に関して説明された方法２００と同様である。「Ｎ」は任意の数字を示し、図１２の「Ｎ」と同じ数字である必要はないことは理解されるべきである。また、軟組織画像２１９及び骨画像２１８が示されているが、画像データ５４０は、図６に関して上述したような第１の分解画像及び第２の分解画像を代わりに含むことができることも理解されるべきである。また、図７に示されたＣＡＤ方法２０１も、二重エネルギＣＴのため変更することができることも理解されるべきである。

また、図１５に示された実施形態は、組織画像が複数の角度から収集されるボリュームＣＴに変更することができる。ボリュームＣＴすなわちコーン（円錐）・ビームＣＴは、よく知られた２次元扇形ビーム断層撮影法の３次元拡張である。扇形ビーム断層撮影法においては、Ｘ線の扇形収集は、ポイント状Ｘ線源の前方に長く狭いスロットを備えたコリメータを配置することによって行われる。Ｘ線のコーン・ビームファミリはコリメータを取り除くことによって作成される。これにより、Ｘ線がポイント状Ｘ線源から発散して円錐様の立体角を形成することが可能になる。被検体を透過するＸ線が反対側に配置された検出器によって収集されると、発散線積分データセットが得られる。コーン・ビーム断層撮影法は、コーン・ビームのデータセットを反転して被検体内部の各ポイントの密度の推定値を形成することを含む。

現在のＣＴスキャナにおいては、被検体の一連の軸方向画像が作成され、互いの上に重ね合わせて３次元オブジェクトを形成する。マルチスライスＣＴにおいては、所定時間で複数のスライスを収集するために複数の検出器が用いられる。他方、コーン・ビーム断層撮影法においては、全体のデータが並行して収集された後に再構成される。従って、コーン・ビーム断層撮影法は、理論上はデータの空間的及び時間的分解能の両方を改善する。図１６は、ＣＡＤシステム６００を示し、これは画像データ６１５に関してボリュームＣＴ画像１・・・Ｎを使用し、その結果、データ源６１０はボリュームＣＴ画像６１５、画像収集データ２１２、及び患者の人口統計学的データ２１４を含む。その他の点では、このＣＡＤシステムは、図６に関して説明されたシステム２００と同様である。或いは、動作２２０、２３０、２４０は、図７に関して説明されたように各ボリュームＣＴ画像に対して並行して実行することができる。

別の実施形態において、図１７に示されるように、二重エネルギＣＡＤシステム７００は、画像データ７１５として、高エネルギ及び低エネルギ・ボリュームＣＴ画像１ａ・・・１Ｎ７１６及び２ａ・・・２Ｎ７１７をそれぞれ使用し、並びに軟組織画像１・・・Ｎ２１９及び骨組織１・・・Ｎ２１８（或いは第１の分解画像及び第２の分解画像）を使用し、従ってデータ源７１０は、画像データ７１５、画像収集データ２１２、及び患者の人口統計学的・データ２１４を含む。その他の点では、このＣＡＤシステム７００は図６に関して説明されたシステム２００と同様である。或いは、動作２２０、２３０、２４０は、図７に関して説明されたように各ボリュームＣＴ画像と各軟組織画像と骨画像とに対して並行して実行することができる。

ボリュームＣＴ・ＣＡＤ６００及びＤＥボリュームＣＴ・ＣＡＤ７００は図１６及び図１７に示されているが、多重エネルギボリュームＣＴ・ＣＡＤは、図１２に関して説明された方法を用いることができ、すなわち、図１７に示された方法は追加エネルギを組み込むように拡張できることが更に企図される。

別の実施形態として、限定角度Ｘ線トモシンセシス収集が実行され再構成されるイメージング方式は、上述の及び図１８に示されたようなコンピュータ支援及び検出方法と結合することができる。トモシンセシスは、デジタル検出器を用いた複数の画像、すなわち任意のレベルで断層撮影画像を再構成するために用いられる一連の低線量画像を収集することによって行われる。トモシンセシスは、直線、円形、楕円形、内サイクロイド形、及びその他を含む多くの様々なＸ線管運動を用いて行うことができる。トモシンセシスにおいては、典型的な画像の数が５ないし５０の範囲にある画像シーケンスが収集される。従って、この実施形態のイメージング部分は、必ずしも好ましいわけではないが、上述のＣＡＤ・ＣＴよりも高価ではないものとすることができる。図１８に示されるトモシンセシスＣＡＤシステム８００は、画像データ８１５がトモシンセシス画像１・・・Ｎを含み、その結果データ源８１０がトモシンセシス画像データ８１５、画像収集データ２１２、及び患者の人口統計学的データ２１４を含むことを除いては、図１６に示されるＣＴ・ＣＡＤシステムと同様である。データ源８１０以外では、このシステム８００は、図６に関して説明されたシステム２００と同様である。或いは、動作２２０、２３０、２４０は、図７に関して説明されたように各トモシンセシス画像に関して並行して実行することができる。

別の実施形態において図１９に示されるように、二重エネルギＣＡＤシステム９００は、画像データ９１５として、高エネルギ及び低エネルギ・トモシンセシス画像１ａ・・・１Ｎ９１６及び２ａ・・・２Ｎ９１７をそれぞれ使用し、並びに軟組織画像１・・・Ｎ２１９及び骨組織１・・・Ｎ２１８（或いは第１の分解画像及び第２の分解画像）を使用し、従ってデータ源９１０は、画像データ９１５、画像収集データ２１２、及び患者の人口統計学的データ２１４を含む。その他の点では、このＣＡＤシステム９００は図６に関して説明されたシステム２００と同様である。或いは、動作２２０、２３０、２４０は、図７に関して説明されたように各トモシンセシス画像及び各軟組織画像と骨画像とに対して並行して実行することができる。

トモシンセシスＣＡＤ８００及びＤＥトモシンセシスＣＡＤ９００は、図１８及び図１９に示されているが、多重エネルギ・トモシンセシスＣＡＤは、図１２に関して説明された方法を用いることができ、すなわち、図１９に示された方法は追加エネルギを組み込むように拡張できることが更に企図される。

上述の各方法の全ては、イメージングシステム１００において使用することができ、とりわけこれらをメモリ１１２内に格納して処理回路１１０によって処理することができる点に留意されたい。更に、開示された方法は、何らかのコンピュータで実行されるプロセス及び該プロセスを実施する装置の形態で具現化できることも本発明の範囲内である。また、本発明は、フレキシブルディスク、ＣＤ−ＲＯＭ、ハードドライブ、又は他の任意のコンピュータ可読記憶媒体のような有形媒体で具体化された、命令を含むコンピュータプログラムコードの形態で実現することができ、ここで、該コンピュータプログラムコードがコンピュータにロードされて実行される場合には、該コンピュータは本発明を実施する装置となる。本発明は、例えば、記憶媒体に格納されコンピュータによってロードされ及び／又は実行されるコンピュータプログラムコードか、或いは電線又はケーブル、光ファイバ、又は電磁放射線などのようなある伝送媒体を介して、変調された搬送波であれそうでなくとも、伝送されたデータ信号としてのコンピュータプログラムコードの形態で具現化することができ、ここで該コンピュータプログラムコードが、コンピュータにロードされて実行される場合には、該コンピュータは本発明を実施する装置となる。該コンピュータプログラムコードのセグメントは、汎用マイクロプロセッサ上で実行されたときに、該マイクロプロセッサが特定論理回路を生成するように構成する。

本発明は好ましい実施形態を参照して説明されてきたが、本発明の範囲を逸脱することなく様々な変更を行うことができ、また均等物を本発明の要素と置き換えることができることを当業者は理解するであろう。加えて、本発明の本質的な範囲を逸脱することなく、特定状況又は要素を本発明の教示に適合させるために多くの変更を行うことができる。従って、本発明は、本発明を実施するために企図される最良のものとして開示された特定の実施形態に限定されるものではなく、特許請求の範囲に含まれる全ての実施形態を含むことが意図されている。更に、第１、第２などの用語の使用は、どのような順序又は重要性をも意味するものではなく、むしろこの第１、第２などの用語は１つの要素を他と識別するために使用される。

例示的なＸ線イメージングシステムのブロック図。 例示的なＸ線画像収集及び処理プロセスの高レベルのフローチャート。 例示的な画像収集処理のフローチャート。 例示的な画像前処理のフローチャート。 例示的な画像後処理のフローチャート。 二重エネルギ画像の検出及び診断のコンピュータ支援プロセスのフローチャート。 二重エネルギ画像の検出及び診断の別のコンピュータ支援プロセスのフローチャート。 図６及び図７のコンピュータ支援プロセスで用いる例示的な特徴選択アルゴリズムのフローチャート。 図６及び図７のコンピュータ支援プロセスで用いる例示的な分類アルゴリズムのフローチャート。 骨画像内の、石灰化、骨折、びらん、及び転移を検出するコンピュータ支援プロセスのフローチャート。 図１０のプロセスで用いるコンピュータ支援アルゴリズムのフローチャート。 多重エネルギ画像の検出及び診断のコンピュータ支援プロセスのフローチャート。 再構成前分析を行うことができるシステムの信号フロー図。 再構成後分析を行うことができるシステムの信号フロー図。 二重エネルギＣＴ画像の検出及び診断のコンピュータ支援処理のフローチャートである。 ボリュームＣＴ画像の検出及び診断のコンピュータ支援プロセスのフローチャート。 二重エネルギボリュームＣＴ画像の検出及び診断のコンピュータ支援プロセスのフローチャート。 トモシンセシス画像の検出及び診断のコンピュータ支援プロセスのフローチャート。 二重エネルギ・トモシンセシス画像の検出及び診断のコンピュータ支援プロセスのフローチャート。

符号の説明

２１５ 画像セット
２１０ データ源
２２０ 関心領域
２３０ 最適特徴抽出
２４０ 分類
２６０ 画像表示への重ね合わせ

Claims (10)

1. 二重或いは多重エネルギ画像のコンピュータ支援処理のための方法（２００、２０１、２０２、３００、４００、７００、９００）であって、
   高エネルギ画像（２１６、５３０、５３４、７１６、９１６）と、低エネルギ画像（２１７、５３２、５３６、７１７、９１７）と、骨画像（２１８）と、軟組織画像（２１９）とを含む二重或いは多重エネルギ画像セット（２１５、４１５、５４０、７１５、９１５）を含むデータ源（２１０、４１０、７１０、９１０）を採用し、
   前記二重或いは多重エネルギ画像セット（２１５、４１５、５４０、７１５、９１５）からの画像内で関心領域（２２０）を定め、
   前記関心領域（２２０）から特徴尺度を抽出（２３０）し、
   前記関心領域（２２０）に関する少なくとも１つの前記特徴尺度を報告（２６０）する、
   ことを含む方法。
2. 投射Ｘ線撮影イメージングを用いて前記画像セット（２１５）を収集することを更に含む請求項１に記載の方法（２００、２０１）。
3. Ｘ線コンピュータ断層撮影法を用いて前記画像セット（５４０）を収集することを更に含む請求項１に記載の方法（２０２）。
4. デジタルＸ線トモシンセシスを用いて前記画像セット（９１５）を収集することを更に含む請求項１に記載の方法（９０２）。
5. 前記関心領域（２２０）に関して特徴選択アルゴリズムを使用し、前記関心領域（２２０）を分類する（２４０）ことを更に含む請求項１に記載の方法（２００、２０１、２０２、３００、４００、７００、９００）。
6. 二重エネルギ画像のコンピュータ支援処理のためのシステム（１００）であって、
   組織（１０６）を透過する高エネルギレベルのフォトンを表す第１の画像と、前記組織（１０６）を透過する低エネルギレベルのフォトンを表す第２の画像とを生成する検出器（１０８）と、
   前記検出器（１０８）に結合され、前記第１の画像と前記第２の画像とを格納するメモリ（１１２）と、
   前記メモリ（１１２）に結合され、前記第１の画像及び前記第２の画像からの、第１の分解画像と、第２の分解画像と、高エネルギ画像と、低エネルギ画像とを含む二重エネルギ画像セット（２１５、４１５、５４０、７１５、９１５）を処理し、前記二重エネルギ画像セットをデータ源（２１０）として前記メモリ（１１２）内に格納し、前記二重エネルギ画像セット（２１５、４１５、５４０、７１５、９１５）からの画像内に関心領域（２２０）を定め、前記関心領域（２２０）から特徴尺度を抽出（２３０）する処理回路（１１０）と、
   前記処理回路（１１０）に結合され、前記特徴尺度の少なくとも１つを報告する報告デバイス（１１４）と、
   を備えることを特徴とするシステム。
7. 前記システム（１００）が、投射Ｘ線撮影イメージングシステムであることを特徴とする、請求項６に記載のシステム（１００）。
8. 前記システム（１００）が、Ｘ線コンピュータ断層撮影法であり、更に前記検出器（１０８）が、異なった角度で前記組織から得られた、複数の第１の画像と複数の第２の画像とを生成することを特徴とする請求項６に記載のシステム（１００）。
9. 複数の高エネルギ画像及び複数の低エネルギ画像を含む二重エネルギ画像セットを処理することを特徴とする、請求項８に記載のシステム（１００）
10. 二重エネルギ画像のコンピュータ支援処理のためのシステム（１００）であって、
    組織（１０６）を透過する第１のエネルギレベルのフォトンを表す第１の画像と前記組織（１０６）を透過する第２のエネルギレベルのフォトンを表す第２の画像とを生成する検出器（１０８）と、
    前記第１の画像と前記第２の画像と（２１５、４１５、５４０、７１５、９１５）を格納するための記憶手段（１１２）と、
    前記第１の画像及び前記第２の画像からの、第１の分解画像と、第２の分解画像と、高エネルギ画像と、低エネルギ画像とを含む二重エネルギ画像セット（２１５、４１５、５４０、７１５、９１５）を処理し、前記二重画像セットをデータ源（２１０）として前記メモリ（１１２）内に格納し、前記二重エネルギ画像セット（２１５、４１５、５４０、７１５、９１５）からの画像内に関心領域（２２０）を定め、前記関心領域（２２０）から特徴尺度を抽出（２３０）し、前記特徴尺度のセットに関して特徴選択アルゴリズムを使用（２３０）して特徴の最適セットを識別し、前記特徴の最適セットを分類（２４０）し、トレーニングからの事前知識（２５０）を前記特徴尺度の最適セットを分類（２４０）することに取り入れるための処理手段（１１０）と、
    前記分類された特徴の最適セットを表示するための表示手段と、
    を備えることを特徴とするシステム。

Images