JP2005506140A - コンピュータ支援の３次元病変検出方法 - Google Patents

Abstract

【課題】コンピュータ支援の３次元病変検出方法
【解決手段】目的器官の内面、外面、および関与組織を取り囲む被検査領域内の少なくとも１つの３次元的に拡大された病変を識別するための方法、システム、およびコンピュータプログラム製品。前記方法には、（１）目的の器官の断面画像セットからスキャンされた全体撮像部位を表すボクセルのセットを生成すること、（２）分割を実行して、スキャンされた全体撮像部位を表すボクセルのセットから厚い被検査領域を表すボクセルのセットを抽出すること、（３）被検査領域を表すボクセルのセット内の各ボクセルの幾何学的特性値に基づいて、病変候補のセットを検出すること、および（４）病変候補のセット内の各病変の撮像部位、形態、および組織特性値の少なくとも１つに基づき、病変候補のセットから少なくとも１つの３次元的に拡大された病変を選択することを含む。
【選択図】図１

Description

【技術分野】
【０００１】
本出願は、出願日２００１年１０月１６日、米国仮出願第６０／３２９，３２２号に関連し、優先権を請求するものである。前記出願の内容は、引用文献としてここに組み込まれる。
本発明は、一般に、コンピュータ支援の３次元的に拡大された器官病変の検出システムおよび方法に関する。
【０００２】
また、本発明は一般に、異常な解剖学的領域を検出するための自動化技法に関するものであり、詳細には、これら方法については、例えば、米国特許第４，９０７，１５６号、同第５，１３３，０２０号、同第５，８３２，１０３号、および同第６，１３８，０４５号の1つまたは複数内に開示されており、これら特許のすべては引用文献としてここに組み込まれる。
【０００３】
また、本発明は一般に、ディジタル画像を自動分析するためのコンピュータ化技法に関するものであり、例えば、米国特許第４，８３９，８０７号、同第４，８４１，５５５号、同第４，８５１，９８４号、同第４，８７５，１６５号、同第４，９１８，５３４号、同第５，０７２，３８４号、同第５，１５０，２９２号、同第５，２２４，１７７号、同第５，２８９，３７４号、同第５，３１９，５４９号、同第５，３４３，３９０号、同第５，３５９，５１３号、同第５，４５２，３６７号、同第５，４６３，５４８号、同第５，４９１，６２７号、同第５，５３７，４８５号、同第５，５９８，４８１号、同第５，６２２，１７１号、同第５，６３８，４５８号、同第５，６５７，３６２号、同第５，６６６，４３４号、同第５，６７３，３３２号、同第５，６６８，８８８号、同第５，７３２，６９７号、同第５，７４０，２６８号、同第５，７９０，６９０号、同第５，８７３，８２４号、同第５，８８１，１２４号、同第５，９３１，７８０号、同第５，９７４，１６５号、同第５，９８２，９１５号、同第５，９８４，８７０号、同第５，９８７，３４５号、同第６，０１１，８６２号、同第６，０５８，３２２号、同第６，０６７，３７３号、同第６，０７５，８７８号、同第６，０７８，６８０号、同第６，０８８，４７３号、同第６，１１２，１１２号、同第６，１４１，４３７号、同第６，１８５，３２０号、同第６，２０５，３４８号、同第６，２４０，２０１号、同第６，２８２，３０５号、同第６，２８２，３０７号、同第６，３１７，６１７号、ならびに米国特許出願第０８／１７３，９３５号、同第０８／３９８，３０７号（ＰＣＴ公報ＷＯ ９６／２７８４６）、同第０８／５３６，１４９号、同第０８／９００，１８９号、同第０９／０２７，４６８号、同第０９／１４１，５３５号、同第０９／４７１，０８８号、同第０９／６９２，２１８号、同第０９／７１６，３３５号、同第０９／７５９，３３３号、同第０９／７６０，８５４号、同第０９／７７３，６３６号、同第０９／８１６，２１７号、同第０９／８３０，５６２号、同第０９／８１８，８３１号、同第０９／８４２，８６０号、同第０９／８６０，５７４号、同第６０／１６０，７９０号、同第６０／１７６，３０４号、同第０９／９９０，３１１号、同第０９／９９０，３１０号、同第０９／９９０，３７７号および同第６０／３３１，９９５号ならびにＰＣＴ特許出願ＰＣＴ／ＵＳ９８／１５１６５、ＰＣＴ／ＵＳ９８／２４９３３、ＰＣＴ／ＵＳ９９／０３２８７、ＰＣＴ／ＵＳ００／４１２９９、ＰＣＴ／ＵＳ０１／００６８０、ＰＣＴ／ＵＳ０１／０１４７８およびＰＣＴ／ＵＳ０１／０１４７９、の１つまたは複数において開示されており、これらすべては引用文献としてここに組み込まれる。
【０００４】
本発明は、前記の米国特許および特許出願内で参照および記載されている様々な技法、ならびに著者および発行年による以下の参考文献一覧内に明記され、括弧内のそれぞれの参考文献の番号の参照による明細事項全体を通して相互参照される参照文献に記載されている様々な技法の使用を含む。
【０００５】
前記一覧の各関連特許および特許出願、ならびに参考文献一覧に記載された各参考文献の内容全体は、引用文献としてここに組み込まれる。
参考文献一覧
[1] J. D. Potter, M. L. Slattery, R. M. Bostick, and S. M. Gapstur, "Colon cancer: a review of the epidemiology," Epidemiol Rev, vol. 15, pp. 499-545, 1993.
[2] K. Doi, H. MacMahon, M. L. Giger, and K. R. Hoffmann, "Computer-aided diagnosis in medical imaging," in Excerpta Medica: International Congress Series 1182. Amsterdam: Elsevier, 1999.
[3] M. J. O'Brien, S. J. Winawer, A. G． Zauber, L. S. Gottlieb, S. S. Steinberg, B. Diaz, G. R. Dickersin, S. Ewing, S. Geller, D. Kasimian, and et al., "The national polyp study: patient and polyp characteristics associated with high-grade dysplasia in colorectal adenomas," Gastroenterology, vol. 98, pp. 37 1-9, 1990.
[4] S. J. Winawer, R. H. Fletcher, L. Miller, F. Godlee, M. H. Stolar, C. D. Muirow, S. H. Woolf, S. N. Glick, T. G Ganiats, J. H. Bond, L. Rosen, J. G Zapka, S. J. Olsen, F. M. Giardiello, J. E. Sisk, R. Van Antwerp, C. Brown-Davis, D. A. Marciniak, and R J. Mayer, "Colorectal cancer screening: clinical guidelines and rationale," Gastroenterology, vol. 112, pp. 594-642, 1997.
[5] C. D. Johnson and A. H. Dachman, "CT colonography: the next colon screening examination?," Radiology, vol. 216, pp. 331-41, 2000.
[6] J. T. Ferrucci, "Colon cancer screening with virtual colonoscopy: promise, polyps, politics," AJRAm JRoentgenol, vol. 177, pp. 975-88, 2001.
[7] P. M. McMahon and G S. Gazelle, "Colorectal cancer screening issues: a role for CT colonography?," Abdominal Imaging, vol. 27, pp. 235-243, 2002.
[8] P. Pescatore, T. Glucker, J. Delarive, R. Meuli, D. Pantoflickova, B. Duvoisin, P. Schnyder, A. L. Blum, and G Dorta, "Diagnostic accuracy and interobserver agreement of CT colonography (virtual colonoscopy)," Gut, vol. 47, pp. 126-130, 2000.
[9] J. G Fletcher, C. D. Johnson, T. J. Welch, R. L. MacCarty, D. A. Ahiquist, J. E. Reed, W. S. Harmsen, and L. A. Wilson, "Optimization of CT colonography technique: prospective trial in 180 patients," Radiology, vol. 216, pp. 704-11, 2000.
[10] G D. Rubin, C. F. Beaulieu, V. Argiro, H. Ringl, A. M. Norbash, J. F. Feller, M. D. Dake, R. B. Jeffrey, and S. Napel, "Perspective volume rendering of CT and MR images: applications for endoscopic imaging," Radiology, vol. 199, pp. 321-30., 1996.
[11] A. H. Dachman, J. K. Kunjyoshi, C. M. Boyle, Y Samara, K. R. Hoffmann, D. T. Rubin, and I. Hanan, "CT colonography with three-dimensional problem solving for detection of colonic polyps," Am JRoentgenol, vol. 171, pp. 989-95, 1998.
[12] A. Sonnenberg, F. Delco, and J. M. Inadomi, "Cost-effectiveness of colonoscopy in screening for colorectal cancer," Ann Intern Med, vol. 133, pp. 573-84., 2000.
[13] J. Yee, G. A. Akerkar, R. K. Hung, A. M. Steinauer-Gebauer, S. D. Wall, and K. R. McQuaid, "Colorectal neoplasia: performance characteristics of CT colonography for detection in 300 patients," Radiology, vol. 219, pp. 685-92., 2001.
[14] A. H. Dachman, "Diagnostic performance of virtual colonoscopy," Abdominal Imaging, vol. 27, pp. 260-267, 2002.
[15] D. K. Rex, D. Vining, and K. K. Kopecky, "An initial experience with screening for colon polyps using spiral CT with and without CT colography (virtual colonoscopy)," Gastrointest Endosc, vol. 50, pp. 309-13., 1999.
[16] H. Yoshida and J. Nappi, "Three-dimensional computer-aided diagnosis scheme for detection of colonic polyps," IEEE Transactions on Medial Imaging, vol. 20, pp. 1261-1274, 2001.
[17] H. Yoshida, Y Masutani, P. MacEneaney, D. T. Rubin, and A. H. Dachman, "Computerized detection of colonic polyps at CT colonography on the basis of volumetric features: pilot study," Radiology, vol. 222, pp. 327-36, 2002.
[18] H. Yoshida, J. Nappi, P. MacEneaney, D. T. Rubin, and A. H. D. AH, "Computer-aided diagnosis scheme for the detection of polyps in CT colonography.," RadioGraphics, vol. 22, pp. 963-979, 2002.
[19] J. G. Fletcher, C. D. Johnson, R. L. MacCarty, T. J. Welch, J. E. Reed, and A. K. Hara, "CT colonography: potential pitfalls and problem-solving techniques," Am J Roentgenol, vol. 172, pp. 1271-8, 1999.
[20] M. Macan and A. J. Megibow, "Pitfalls of using three-dimensional CT colonography with two- dimensional imaging correlation," Am JRoentgenol, vol. 176, pp. 137-43., 2001.
[21] R. M. Summers, C. D. Johnson, L. M. Pusanik, J. D. Malley, A. M. Youssef, and J. E. Reed, "Automated polyp detection at CT colonography: feasibility assessment in a human population," Radiology, vol. 219, pp. 51-9., 2001.
[22] S. B. Gokturk, C. Tomasi, B. Acar, C. F. Beaulieu, D. S. Paik, R. B. Jeffrey, Jr., J. Yee, and S. Napel, "A statistical 3-D pattern processing method for computer-aided detection of polyps in CT colonography," IEEE Trans Med Imaging, vol. 20, pp. 1251-60, 2001.
[23] G. Kiss, J. Van Cleynenbreugel, M. Thomeer, P. Suetens, and G. Marchal, "Computer-aided diagnosis in virtual colonography via combination of surface normal and sphere fitting methods," Eur Radiol, vol. 12, pp. 77-81, 2002.
[24] D. J. Vining, Y Ge, D. K. Ahn, and D. R. Stelts, "Virtual colonoscopy with computer-assisted polyp detection," in Computer-Aided Diagnosis in Medical Imaging: Proceedings of the First International Workshop on Computer-A ided Diagnosis, K. Doi, H. MacMahon, M. L. Giger, and K. R. Hoffmann, Eds.: Elsevier Science B.V., 1999, pp. 445-452.
[25] R. M. Summers, C. F. Beaulieu, L. M. Pusanik, J. D. Malley, R. B. Jeffrey, Jr., D. I. Glazer, and S. Napel, "Automated polyp detector for CT colonography: feasibility study," Radiology, vol. 216, pp. 284-90, 2000.
[26] D. S. Paik, C. F. Beaulieu, R. B. Jeffrey, C. Karadi, and S. Napel, "Detection of polyps in CT colonography: a companision of a computer-aided detection algorithm to 3D visualization methods," Radiology, vol. 213(P), pp. 193, 1999.
[27] D. S. Paik, C. F. Beaulieu, R. B. Jeffrey, J. Yee, A. M. Steinauer-Gebauer, and S. Napel, "Computer aided detection of polyps in CT colonography: method and free-response ROC evaluation of performance," Radiology, vol. 217(P), pp. 370, 2000.
[28] D. Chen, Z. Liang, M. R. Wax, L. Li, B. Li, and A. E. Kaufman, "A novel approach to extract colon lumen from CT images for virtual colonoscopy," IEEE Trans Med Imaging, vol. 19, pp. 1220-6., 2000.
[29] C. L. Wyatt, Y. Ge, and D. J. Vining, "Automatic segmentation of the colon for virtual colonoscopy," Comput Med Imaging Graph, vol. 24, pp. 1-9, 2000.
[30] L. Hong, Z. Liang, A. Viswambharan, A. Kaufman, and M. Wax, "Reconstruction and visualization of 3D models of colonic surface," IEEE Transactions on Nuclear Science, vol. 44, pp. 1297-1302, 1997.
[31] Y. Masutani, H. Yoshida, P. MacEneaney, and A. Dachman, "Automated segmentation of colonic walls for computerized detection of polyps in CT colonography," Journal of Computer Assisted Tomography, vol. 25, pp. 629-638, 2001.
[32] J. Nappi, A. H. Dachman, P. MacEneaney, and H. Yoshida, "Automated knowledge-guided segmentation of colonic walls for computerized detection of polyps in CT colonography," J Comput Assist Tomogr, vol. 26, pp. 493-504, 2002. [33] J. Serra, "Image Analysis and Mathematical Morphology," 1982.
[34] A. K. Jain, Fundamentals of Digital Image Processing. New Jersey: Prentice Hall, 1989.
[35] S. Z. Li, Markov Random Field: Modeling in Computer Vision. New York: Spinger-Verlag, 1995.
[36] E. R. Dougherty, An Introduction to Morphological Image Processing: Society of Photo-optical Instrumentation Engineers, 1992.
[37] J. C. Russ, The Image Processing Handbook, Third Edition: CRC Press, 1999.
[38] J. J. Koenderink, Solid shape. Cambridge, Massachusetts: MIT Press, 1990.
[39] C. Dorai and A. K. Jam, "COSMOS - A representation scheme for 3D free-form objects," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 19, pp. 1115-1130, 1997.
[40] S. Kobayashi and K. Nomizu, Foundations of differential geometiy I, vol. I: Interscience Press, 1963.
[41] G. Lohmann, Volumetric image analysis: John Wiley & Son Ltd, 1998.
[42] 0. Faugeras, Three-dimensional computer vision: a geometric viewpoint. Cambridge, Massachusetts: MIT Press, 1993.
[43] F. Hoppner, F. Klawonn, R. Kruse, and T. Runkler, Fuzzy cluster analysis: methods for class fication, data analysis, and image recognition. New York: John Wiley & Sons, 1999.
[44] P. Arabie, L. J. Hubert, and G. D. Soete, "Clustering and Classification," World Scientific Pub Co, 1996.
[45] J. Nappi and H. Yoshida, "Automated detection of polyps with CT colonography: evaluation of volumetric features for reduction of false-positive findings," Acad Radiol, vol. 9, pp. 386-97, 2002.
[46] J. Nappi and H. Yoshida, "Feature-guided analysis for reduction of false positives in CAD of polyps for CT colonography," Medical Physics, pp. (submitted), 2002.
[47] K. Fukunaga, Introduction to statistical pattern recognition. San Diego: Academic Press, 1990.
[48] S. Haykin, Neural networks: A comprehensive foundation. New Jersey: Prentice Hall, 1999.
[49] N. Cristianini and J. Shawe-Taylor, An Introduction to Support Vector Machines and Other Kernel-based Learning Methods: Cambridge University Press, 2002.
[50] R. 0. Duda, P. E. Hart, and D. G Stork, Pattern Recognition: John Wiley & Sons, 2001.
[51] C. E. Metz, "Fundamental ROC analysis," in Handbook of Medical Imaging, vol. 1, J. Beutel, H. L. Kundel, and R. L. V. Metter, Eds. Bellingham, Washington USA: SPIE Press, 2000, pp. 751-770.
[52] C. E. Metz, B. A. Herman, and J. H. Shen, "Maximum likelihood estimation of receiver operating characteristic (ROC) curves from continuously-distributed data," Stat Med, vol. 17,pp. 1033-53, 1998.
[53] E. Efron, The jackknife, the bootstrap, and other resampling plans. Philadelphia: Society for Industrial and Applied Mathematics, 1982.
[54] B. Efron and R. J. Tibshirani, An introduction to the bootstrap, vol. 57. New York: Chapman & Hall, 1993.
【背景技術】
【０００６】
研究によれば、人体器官の病変の早期検出および除去により、ガンの危険性を減少し、様々な形態のガンによる全体的な死亡率を減少できることが明らかになっている［１］。さらに、目的の器官のＸ線写真画像に基づく病変のコンピュータ支援検出は、放射線専門医を支援する重要な医療ツールになりつつある［２］。
【０００７】
特に、米国では、結腸ガンはガンによる死亡原因では２番目であり、毎年約６０，０００人が死亡している［１、３］。ポリープの早期検出および除去は、結腸ガンの危険性を減少し、結果的に直腸結腸ガンによる死亡率を減少させる［４］。コンピュータ断層コロノグラフィ（ＣＴＣ）または仮想結腸内視術は、清浄化され空気膨張された結腸のＣＴスキャンの使用による、結腸直腸の腫瘍を検出するための技法である［５〜７］。現在のＣＴ技術により、結腸の画像の１セットを２０〜３０秒で収集できる。この画像セットにより、他のスクリーニングテストで利用できる検査に比べて、簡単で苦痛のない検査が可能になる。この結果、ＣＴＣは結腸直腸癌腫のマススクリーニングを可能にする、有望な技法として支持されている［５〜７］。
【０００８】
結腸ガンに対するスクリーニングの臨床上の実際の方法であるＣＴＣについては、この技法は、時間効率の良い方法で大量の画像の分析、および高精度でポリープならびに塊体の検出が実行可能である必要がある。しかし、現在は、ＣＴＣ検査全体の分析は時間を要する［５、８、９］。一般的なＣＴＣ検査は、仰臥位および腹臥位の画像データセットに対してそれぞれ、１５０〜３５０のアキシャルＣＴ画像を生成し、患者１人当たり合計３００〜７００の画像を作成する。画像表示技術における最近の進歩に拘わらず［１０］、調査が示す結果によると、症例の分析時間は、読み取りが腹部画像診断の専門家により実行される場合でさえ、いまだに、１５分〜４０分を要する［５、６、１１］。ＣＴＣ検査全体の分析時間は、ＣＴＣが研究領域から通常の臨床上の実施、特にスクリーニングの設定に移行される前に、大幅に減少されるべきである［１２］。加えて、ＣＴＣ診断の実行は、現在未決定のままであり、知覚誤りを発生する傾向がある。いくつかの研究では、ポリープの検出において、８０〜１００％の高感度および８０〜９０％の特定性を示しており［９、１３、１４］、それに対して、他の研究では、４０〜７０％の比較的低感度、および７０〜８０％の特定性が報告されている［８、１５］。ＣＴＣの感度および特定性において報告された差の一部は、ＣＴＣの分析に対して学習曲線が定義されていないことに起因する［１５］。さらに、ポリープの可視性および誘目性、したがってポリープ検出の正確さは、画像収集パラメータおよび表示方法に依存し、これらの両方は、いまだに調査中である。これらの要因のため、経験のある放射線専門医でさえ知覚誤りが増加する。
【０００９】
ＣＴＣにおける前述の難点を克服する可能性があるため、ポリープのコンピュータ支援検出（ＣＡＤ）は魅力的である［１６〜１８］。ＣＡＤ方式は、ＣＴＣ画像におけるポリープおよび塊体を自動的に検出し、放射線専門医に疑いのあるポリープの位置を提供する。ＣＡＤ方式により提供される「第２の評価」は、（１）放射線専門医の分析時間を短縮し、（２）ポリープの検出における放射線専門医の診断能力を向上させる可能性を有することである。
【００１０】
放射線専門医がＣＡＤ方式により示された少数の領域を重点的に分析すると、分析時間の短縮が実現できる。放射線専門医は、正常と想定される結腸の大部分を迅速に調べることができる。ＣＡＤが放射専門医の知覚誤りを減少できるため、検出能力の向上が実現できる。これらの知覚誤りは、ポリープに似た正常な構造の存在およびポリープの変動する誘目性により引き起こされる可能性があり、使用される表示方法に依存する［１１、１９］。粘膜の色の変化などの結腸内視術に通常存在する視覚の手がかりがないこと、および各患者の大量の画像もまた、画像分析を長引かせ、知覚誤りを起こしやすくする。大量の画像による知覚誤りは、高品質の画像を生成するために薄いコリメーションおよび再構成間隔を使用する傾向がある理由から、より重要になっている［２０］。さらに、ＣＡＤ方式は客観的および一貫性のある結果を提供し、ＣＴＣでのポリープの識別における放射線専門医の技術および経験の差を減少するために有効である。
【００１１】
過去数年間に、研究者らはＣＡＤ方式の試作機を開発した［１６〜１８、２１〜２４］。これらＣＡＤ方式の試作機は、模擬のポリープに適用したときの検出性能が高かったため、ＣＴＣでのポリープの検出の可能性を示していた。しかし、これらの既存の方式は、臨床上の症例に適用されたとき、低い感度または高い偽陽性率のどちらかに悩まされていた。臨床上の症例に基づき評価されていたＣＡＤの試作品の間では、Ｓｕｍｍｅｒｓら［２１、２５］が結腸壁の表面の曲率に基づくＣＡＤ方式を開発した。この方式は、１ｃｍより大きな２８のポリープがある２０人の患者に基づき、結腸当たり６の偽陽性（ＦＰ）検出率で、６４％の感度を得た。大きく拡大した部分におけるポリープのみを考慮する場合は、感度は７１％にまでできた。ＦＰ率は、ＣＴ減衰機能の使用により患者１人当たり３．５ＦＰ検出に減少できた。Ｐｅｉｋら［２６、２７］は、空気から組織への法線ベクトルの方向に基づく、輪郭垂直方法に基づいたＣＡＤ方式を提案し、８．５ｍｍより大きい１４のポリープがある５１人の患者に基づき、この方式を評価した。この方式は、結腸当たり７．９ＦＰ検出において９２．９％の感度を得た。Ｇｏｋｔｕｒｋら［２２］はこの方式に対して不規則な直交形状断面方法を適用し、ＦＰ検出の数を実質的に減少させた。Ｖｉｎｉｎｇら［２４］は、表面の湾曲および壁の厚さに基づいたＣＡＤ方式を開発した。５ｍｍより大きな１５のポリープがある１０人の患者の分析では、患者当たり、ほぼ５０ＦＰ検出で、感度は７３％であった。Ｋｉｓｓら［２３］は、凸面状および球状に基づいたＣＡＤ方式を報告した。この方式は、１８人の患者において５ｍｍより大きな１５のポリープのデータセット当たり、８．２ＦＰ検出において８０％の感度を得た。Ｙｏｓｈｉｄａら［１６〜１８］は、３次元で得られた幾何学的および被検査特性に基づいたＣＡＤ体系を開発した。これらの方法では、最初に、結腸全体を取り囲む厚い被検査領域がＣＴＣデータから抽出される。その後、ポリープの候補は幾何学的および被検査特性を用いて抽出される。最後に、組織特性および統計的な選別器を使用して、偽陽性が除去される。５ｍｍより大きなポリープがある１４の症例およびポリープのない５７の症例を含む、７１の症例の分析では、本発明者らの方式は、症例当たり２．０ＦＰで１００％の感度を得た。
【００１２】
ＣＡＤ方式の開発の努力と平行して、結腸の分割のいくつかの方法が開発されている［２８〜３２］。以前に提案された方法の大半は、結腸壁の内面の抽出のための表面生成法を使用するが［２８、３０］、これは、ポリープの一部分、特にポリープの内部構造を失う危険性を有する。さらにこれら方法の大半は、手動で配置されたシード点に依存し、したがって、半自動的な方法である。いくつかの完全自動化方法のみが、本発明において開示されている方法を除いて報告されている［２８、２９］。
【００１３】
１つの方法は結腸を分割する領域拡張技術を使用し、シードボクセルの自動選別は、距離変換の使用に基づいていた［１９］。この方法は、経口造影剤により強化された結腸の体液を用いて、１．０〜２．５ｍｍの間隔において再構築された２０のデータセットにより評価されていた。伝えられるところによると、結腸は、十分に分割されていたが、少量の腸または胃が分割の大部分に存在し、最適化されていない種類の技術は計算に６０分かかった。別の方法では、ＣＴ撮像部位のボクセルは、ベクトル量子化によりラベル付けされ、結腸の壁は、ラベル付けされたボクセルに基づいた領域拡張により分割される［２８］。この方法は、経口造影剤により強化された結腸の便および体液を用いて、１ｍｍの間隔で再構成された２１のＣＴＣデータセットにより評価された。分割は１５データセットでは十分だったが、６つのデータセットにおいて問題があった。
【００１４】
Ｎａｐｐｉらは、結腸全体を取り囲む厚い領域の完全自動抽出用に考案された、知覚誘導される分割方法を開発した［３２］。この方法の第１工程は、結腸壁の摘出のために結腸につながっていない正常な組織を除去することである［３１］。第２工程は、第１工程において識別された結腸壁により囲まれている結腸の内腔に、自己調整の容積拡張方法を適用する。この容積拡張領域と結腸壁の交差は、これらの付着する結腸外の組織を除去し、その結果、結腸のみを取り囲む最終的な領域を決定する。
【発明の開示】
【発明が解決しようとする課題】
【００１５】
これらの点から、本発明の目的は、目的の器官の内面、外面および介在する組織を取り囲む被検査（volumetric）領域を画定する断面画像セットを分析処理するための、方法、システムおよびコンピュータプログラム製品を提供することである。
本発明の別の目的は、目的の器官の分割を実行するための、方法、システムおよびコンピュータプログラム製品を提供することである。
【００１６】
本発明の別の目的は、目的の器官を取り囲む厚い被検査領域を表すボクセルのセットにおいて、各ボクセルの３次元の幾何学的な特性値に基づいて、病変候補のセットを検出するための、方法、システムおよびコンピュータプログラム製品を提供することである。
【００１７】
本発明の別の目的は、病変候補のセットにおいて各病変候補の、被検査部位（volumetric）特性値および形態特性値の少なくとも１つに基づいて、病変候補のセットから真に陽性の病変のセットを選択するための、方法、システムおよびコンピュータプログラム製品を提供することである。
【００１８】
本発明の別の目的は、目的の器官の内面、外面および介在する組織を取り囲む被検査領域を表すボクセルのセットから少なくとも１つの３次元的に拡大した病変を識別するための、方法、システムおよびコンピュータプログラム製品を提供することである。
さらに別の目的は、患者の結腸の分割を示す画像信号を提供することである。
【課題を解決するための手段】
【００１９】
前記および他の目的は、目的の器官の内面、外面および介在する組織を取り囲む被検査領域を定義する断面画像セットを分析処理する、本発明による方法、システムおよびコンピュータプログラム製品を提供することにより達成される。本発明の方法には、（１）目的の器官の断面画像セットからスキャンされた全体撮像部位（volume）を表すボクセルのセットを得ることと、（２）分割を実行して、スキャンされた全体撮像部位を表すボクセルのセットから厚い被検査領域を表すボクセルのセットを抽出することが含まれる。
【００２０】
本発明によれば、分割の実行の方法は、（１）目的の器官に特有の値を用いて、スキャンされた全体撮像部位を表すボクセルのセットをしきい値処理することにより、第１の分割ボクセルのセットを作成することと、（２）第１の分割ボクセルのセットの器官に基づいた分析を実行して、第２の分割ボクセルのセットを得ることと、（３）第１の分割ボクセルのセットおよび第２の分割ボクセルの交差を決定して、目的の器官の内面、外面および介在する組織を取り囲む被検査領域を表すボクセルのセットを得ることと、を含む。前記の工程を実行するようにそれぞれ構成された、システムおよびコンピュータプログラム製品も提供される。
【００２１】
本発明によれば、厚い被検査領域を表すボクセルのセットにおいて、各ボクセルの幾何学的特性値に基づいた病変候補のセットを検出する方法は、（１）被検査領域を表すボクセルのセット内の各ボクセルに対して幾何学的特性値を計算することと、（２）前記計算工程において計算される幾何学的特性値を使用して、初期の病変候補のセットを作成することと、（３）初期の病変候補のセットをクラスタ化して、病変候補のセットを生成することとを含む。前記の工程を実行するようにそれぞれ構成された、システムおよびコンピュータプログラム製品も提供される。
【００２２】
本発明によれば、病変候補のセットにおいて各病変の３次元の被検査部位特性値に基づいた、病変候補のセットから真陽性の病変のセットを選択する方法は、（１）病変候補のセットを表すボクセルのセット内の各ボクセルに対して少なくとも１つの特性値を計算することと、（２）病変候補のセット内の各病変に対して前記少なくとも１つの特性値の統計値を計算することと、（３）前記計算工程において計算された前記少なくとも１つの特性値の統計値の分析に基づいて、病変候補のセットを偽陽性の病変のセットおよび真陽性の病変のセットに分割することとを含む。前記工程を実行するようにそれぞれ構成された、システムおよびコンピュータプログラム製品も提供される。
【００２３】
本発明によれば、目的の器官の内面、外面および介在する組織を取り囲む被検査領域を表すボクセルのセットから、少なくとも１つの３次元的に拡大した病変を識別する方法は、（１）被検査領域を表すボクセルのセット内の各ボクセルの３次元の幾何学的特性値に基づいて、病変候補のセットを検出することと、（２）病変候補のセット内の各病変の被検査部位特性値に基づき、病変候補のセットから前記少なくとも１つの３次元的に拡大した病変を選択することと、（３）前記選択する工程において選択された、前記少なくとも１つの３次元的に拡大した病変を表すボクセルのセットを出力することとを含む。前記工程を実行するようにそれぞれ構成された、システムおよびコンピュータプログラム製品も提供される。
【００２４】
さらに、本発明はまた、器官の３次元の分割を表す画像信号を提供する。この画像信号は前記器官の断面画像セットから導かれ、（１）前記器官の内面を表す第１の信号部分と、（２）前記器官の外面を表す第２の信号部分と、（３）前記器官の前記内面と前記外面の間に位置する組織を表す第３の信号部分とを含む。
【００２５】
さらに、本発明は、器官の分割を表す画像信号を提供し、この画像信号は、（１）前記器官の断面画像セットを得る工程と、（２）断面画像セットにおいて隣接する画像上で対応するピクセルを決定する工程と、（３）前記対応するピクセルを連結して、スキャンされた全体撮像部位を表すボクセルのセットを得る工程と、（４）スキャンされた全体撮像部位を表すボクセルのセットから前記器官の３次元の分割を表すボクセルのセットを抽出する工程と、を実行することにより生成される。
【００２６】
本発明の１つの態様は、病変の検出に対して３次元的に導き出される幾何学的な新しい特性値の計算である。これらの幾何学的特性値は特に、ひだおよび目的の器官の壁から病変を差別化するために用いられ、したがって、それらの値は感度を最大化するのに有効である。
【００２７】
本発明の別の態様は、３次元的に導き出される被検査部位特性値、方向勾配の密度の計算であり、これは、病変およびひだの内部構造の特徴を決定し、偽陽性を減少させるのに有効である。
本発明の別の態様では、線形または非線形選別器により３次元的に導き出される被検査部位特性値を、個々に使用する代わりに結合して使用することにより、偽陽性を減少させる。
【００２８】
本発明の完全な評価および発明に付随する多くの利点は、添付図面に関連づけて考察される場合、以下の詳細な説明を参照することにより、十分に理解され、容易に得られるであろう。
【発明を実施するための最良の形態】
【００２９】
次に、同一の参照符号がいくつかの図を通して同一部分または対応する部分を示している図を参照して説明する。図１は、本発明による、目的の器官を取り囲む厚い被検査領域内の、３次元的に拡大された病変のコンピュータ支援検出における工程を示したフローチャートである。
【００３０】
最初に、ステップ１０１では、スキャンされた全体撮像部位を表すボクセルのセットが、目的の器官の断面画像セットから作成される。この説明文において、「セット」には、少なくとも１つの画像が含まれていることを意味することに注意されたい。
次に、ステップ１０２では、分割はスキャンされた全体撮像部位を表すボクセルのセットから厚い被検査領域を表すボクセルのセットの抽出が実行される。
【００３１】
ステップ１０３では、病変候補のセットが、厚い被検査領域を表すボクセルのセット内の各ボクセルの３次元的に導き出される幾何学的特性値に基づいて検出される。
ステップ１０４では、病変候補のセット内の各病変の、３次元的に導き出される幾何学的特性値、形態的特性値、および／または組織特性値に基づいて、少なくとも１つの３次元的に拡大された病変が病変候補のセットから選択される。
【００３２】
最終的に、ステップ１０５では、該少なくとも１つの３次元拡大された病変を表すボクセルのセットが出力される。
図１に示される方法はあらゆる目的の器官における病変の識別に適用できるが、ステップ１０１〜１０５は３次元拡大された結腸のポリープを識別する特定の方法に関して、さらに以下で詳細な説明がなされる。ただし、当業者には、下記の方法および構造は他の器官内の他の種類の病変への応用に容易に適合でき、この方法が結腸のポリープの識別のみに限定されないことは認識されるであろう。さらに、本発明は、様々な修正が本発明の精神および範囲から逸脱することなく可能であるため、以下に開示される図１の各工程の特定の実施形態に限定されない。
【００３３】
通常、結腸を示した画像データは、空間の空気を結腸に注入後に、仰臥位および腹臥位の状態になった患者について得られる。本発明の方法の性能の評価研究において、データは、コリメーション５ｍｍ、ピッチ１．５〜１．７、および再構成の間隔２．５〜３．５ｍｍで、ヘリカルＣＴ（ＧＥ ＣＴｉ ９８００；ＧＥ Ｍｅｄｉｃａｌ Ｓｙｓｔｅｍｓ，Ｍｉｌｗａｕｋｅｅ，ＷＩ，Ｕ．Ｓ．Ａ）を用いて得た。患者は、浅い呼吸の後の単一の呼吸停止状態でスキャンされた。データセットは、本来、５１２×５１２マトリックスにおける１５０〜２５０のスライス画像で構成され、アキシャル方向に直線的に補間して、５１２×５１２×５００−６００マトリックスにおいて等方性の撮像部位を生成した。代替として、さらに多数のスライスの画像を得ることにより、補間の必要性を無くすることができる。データの画像化範囲は、横隔膜から直腸までであり、そのため、結腸全体が撮像部位データ内に含まれる。
【００３４】
この説明の目的に対して、画像を定義して物理的状態を表示する必要があり、この場合には、画像は特定の画像化技術により生成される。画像化技術の例には、テレビジョンまたはＣＣＤカメラまたはＸ線、ソナーまたは超音波画像化装置、ＣＴまたはＭＲＩ装置などが挙げられる。画像が記録される最初の媒体は、電子固体デバイス、写真フィルム、または光励起蛍光体などのその他のデバイスである。その後、記録された画像は、電子的手段（ＣＣＤ信号の場合など）、または機械的／光学手段（写真フィルムのデジタル化または光励起蛍光体からのデータのディジタル化の場合など）の組み合わせにより、ディジタル形式に変換される。画像が有する次元の数は、１次元（例えば音響信号）、２次元（例えばＸ線放射線画像）またはそれ以上の次元（例えば核磁気共鳴画像）である。
【００３５】
本発明は、好ましくはコンピュータを実装しており、および、画像収集装置から直接に、または、画像ディジタイザまたは画像保管装置からのどちらかからも画像データを受け取るように構成される。画像保管装置は、例えば、画像収集装置または画像ディジタイザに結合される装置としてローカルであってもよく、または遠隔にあって、本発明による処理のためにアクセスされる際に、画像データがネットワーク、例えばＰＡＣＳ（Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｙｓｔｅｍ）またはその他のネットワークを介して伝送されてもよい。
【００３６】
また、データソースはＸ線機器、ＣＴ装置またはＭＲＩ装置など、適当な画像収集装置であってもよい。代替として、取得され、処理される画像データソースは、画像収集装置により生成されたデータを保存する画像保管装置であってもよい。Ｘ線写真画像はディジタル化されてディジタル化画像を生成し、ユーザが希望するとおり、後続の再生および処理のために画像保管装置に格納される。ただし、Ｘ線写真画像が、直接ディジタル画像化装置を用いて得られると、その後、ディジタル化の必要はないことは明らかである。
【００３７】
直線補間により生成された等方性の撮像部位は、結腸以外の大量の解剖学上の構造を含む。結腸内のポリープの検索空間を制限し、また結腸外の構造のために偽陽性を発生するのを避けるために、完全に自動化された知覚誘導される方法を使用することにより結腸全体を分割する。詳細には、結腸壁全体を取り囲む厚い領域のセットが抽出される。別の方法では、結腸の表面のみの抽出を試みるが、半自動方法であっても、表面生成処理［２５、２８、３０］においてポリープの一部を失う危険性がある。
【００３８】
図２は、本発明による、目的の器官の分割における工程を図示するフローチャートである。
ステップ２０１では、第１セットの分割ボクセルが、目的の器官に特有の値を用いて、スキャンされた全体撮像部位を表すボクセルセットをしきい値処理することにより、生成される。
【００３９】
次に、ステップ２０２では、第１セットの分割ボクセルの器官に基づく分析が、第２セットの分割ボクセルを得るために実行される。
最後に、ステップ２０３では、第１セットの分割ボクセルおよび第２セットの分割ボクセルの交差を決定して、厚い被検査領域を表すボクセルのセットを得る。
【００４０】
図２に示されている方法は目的の器官の分割に適用できるが、ステップ２０１〜２０３は、結腸を分割する特定の方法に関して、以下に詳しく説明される。ただし、当業者には、下記の方法および構造は他の器官の分割に容易に適合でき、この方法が結腸の分割のみに限定されないことは認識されるであろう。さらに、本発明は、様々な修正が本発明の精神および範囲から逸脱することなく可能であるため、以下に開示される図２の各工程の特定の実施形態に限定されない。
【００４１】
結腸壁の信頼性のある分割のために、解剖学的方法［３１］および解剖学に基づいた抽出（ＡＢＥ）方法［３２］（ステップ２０２）を用いて、目的の器官以外の解剖学上の対象を分割する。ＡＢＥ方法は、（１）身体の領域を取り囲む空気（「外部の空気」）、（２）骨、および（３）肺の底部、を除去することにより結腸を分割する。分割方法は、しきい値処理、領域生成、つながっている構成要素の分析（ラベル付け）、ガウス平滑化、エッジ検出（勾配のフィルタリング）、および３次元空間における数学的形態の操作［３３］、を含む。結腸壁は、結腸壁に対応するＣＴ値および勾配の大きさの値の範囲のしきい値処理により、残りの領域から分割される。加えて、ＡＢＥ方法は、実際の結腸壁の一部が画像化された撮像部位の外側に残されている場合のような、特定の状態において、約５％まで分割された結腸壁の領域を広げる。
【００４２】
結果として得た撮像部位は結腸外の構成要素（ＥＣ）を含むが、これらの方法はほぼすべての可視の結腸壁を抽出する。特に、分割された領域は、結腸壁に付着するか、または曲がった環状の結腸に覆われている、少量の腸を含む。したがって、結腸に基づいた分析（ＣＢＡ）方法（ステップ２０２）は、ＡＢＥ分割を使用して、ＥＣが除外される結腸の代替の分割を生成する。最終の分割はＡＢＥ分割およびＣＢＡ分割の交差により得られる。
【００４３】
図３は、本発明による結腸の分割の方法において生成される一連の分割を示し、（ａ）オリジナルのＣＴ撮像部位、（ｂ）分割された外部の空気（体を示す）、（ｃ）分割された骨、（ｄ）分割された肺の底部、および（ｅ）結腸に基づいた分析後の最終的な分割、を含む。図３ｆは結腸の３次元分割を表す信号を示し、結腸の内面を表す第１の信号部分、結腸の外面を表す第２の信号部分、および結腸の前記内面と前記外面の間に位置する組織を表す第３の信号部分を含む。
【００４４】
さらに、図８は、（ａ）オリジナルの等方性のＣＴ撮像部位、（ｂ）赤色で着色された結腸外の構成要素を用いたＡＢＥ工程により分割された領域、および（ｃ）結腸外の構成要素がＡＢＥ工程およびＣＢＡ工程により作成された分割を交差することにより除去される完全な分割、の３次元表示の図である。
【００４５】
【数１】

図４は、結腸に基づいた分析より前の、結腸の分割における主要な工程を示す。第１に、全体および局部のヒストグラムが得られ、分析される。通常の全体的ヒストグラムは、３つの特徴ピークを示し、それらは、図５に示されるように、空気（結腸の外および中）、脂肪、および筋肉のＣＴ値の分布に対応する。局部のヒストグラムは、上の５つのアキシャルスライスの中心において得られ、肺のＣＴ強度レベルを決定する。これら２つのヒストグラムにおいて、空気、肺、脂肪および筋肉（それぞれ、Ｌ_Ａ、Ｌ_Ｌ、Ｌ_ＦおよびＬ_Ｍ）のＣＴ値の４つのピークのレベルは、所定の範囲において、局部最大を検索することにより決定される。表１は、ピークのレベルに対するＣＴ値の検索範囲を示す。これらの値は、分割における適応しきい値の自動的決定のために使用される。
【００４６】
Ｖ、Ｒ_ａ、Ｒ_ｂおよびＲ_ｌは、オリジナルのＣＴ撮像部位、外部の空気（体の領域を囲む空気）、骨および、肺の底部をそれぞれ示すものとする。Ｔ_ＣＴ（α，β）は、ＣＴ値の範囲［α，β］をしきい値処理する操作を示す。最初に、Ｖの全体のヒストグラム分析を実行して、前述のように、空気、脂肪、および筋肉にそれぞれ対応する、ＣＴ値Ｌ_Ａ、Ｌ_Ｌ、Ｌ_ＦおよびＬ_Ｍを得る。次に、Ｒ_ａがＴ_ＣＴ（−∞，（Ｌ_Ａ＋Ｌ_Ｆ）／２）により分割され、これに続いて一連の生態学的操作および連結している構成要素の分析が行われる。まれな場合として、結腸壁は、面内の画像化範囲における不十分な有効範囲の結果として、データの再構成の限界（円形の境界）により切り取られる（図７）。この状態では、結腸内の空気は外部の空気の分割された撮像部位に含まれ、撮像部位データから除去される。結果として、結腸壁の最終的な分割の結果は、予想される値より小さい容積になり、この方法における分割の失敗が発生する。このような場合、外部の空気の分割のための第２のプロトコルが自動的に開始され、形状およびＣＴ値のようなデータの再構成の限界の既知の属性を使用する。しかし、この方法は、体の表面とデータの再構成の限界の間の小さな空気の撮像部位が除外される可能性があり、その結果、この方法は、第１プロトコルとしては使用されない。
【００４７】
次に、脊柱、骨盤、肋骨部分などの骨の構造を分割して、骨の境界における勾配値を有するボクセルを除去する。
【００４８】
【数２】

また、肺の底部も分割される。最初に肺の削除が実行されない場合、横隔膜を含む肺の境界が分割の結果に含まれていたことが判明していた。これは、注入後に、結腸の湾曲部が左の肺の下の横隔膜に達することが多い、という事実のためである。
【００４９】
【数３】

ここで、Ｌ_Ｌは肺の局部ヒストグラムのピークＣＴ値である（図６）。点Ｐ_Ｌおよび点Ｐ_Ｒにより識別される、左右の肺の底部の推定された位置の近くにある、結果として得られた連結している構成要素が除去される。２つの点の座標は、撮像部位データ内の肺がこれらの点を含むように、経験的に決定される。２つの構成要素の論理ＯＲセットは肺の容積として決定される。しきい値の値は、空気および肺のピークのレベルに基づいて決定される。
【００５０】
これら３つの構造（Ｒ_ａ、Ｒ_ｂ、およびＲ_ｌ）は、球形の核を用いた３次元の形態的操作により拡大され、結腸壁の分割のためにオリジナルの撮像部位における構造の境界をマスクする。この構造体に対する核の半径は、外部の空気に対して５．０ｍｍ、骨に対して１．５ｍｍ、および肺に対して８ｍｍであり、これらの値はこの構造から結腸への距離および構造の境界の鮮明度に従って決定した。マスキングに対するこれら３つの構造体は、半分の分解能を用いて撮像部位データにおいて分割される。この理由は、これら構造体はマスキングの目的に対しては細かく分割される必要がなく、結果として、処理を速める。
【００５１】
オリジナルのデータのガウス平滑化および外部の空気、骨、および肺を用いたデータのマスキングの後に、結腸壁はオリジナルのＣＴ値およびＣＴ勾配の大きさのしきい値化により分割される。この方法では、平滑化に対するガウス関数のスケール（シグマ）および勾配の大きさに対するしきい値の範囲を調整して、分割された結腸壁の厚さが３．０〜４．０ｍｍになるようにした。平滑化に対するガウス関数のスケールは、小さな構造を保存しノイズを減少させるために、２．０（ボクセル）に決定された。
【００５２】
【数４】

最大の連結している構成要素は、結腸壁の対象物として選択される。ただし、結腸が十分に注入されていない場合があり、結果的に結腸の構造は分割される。したがって、一定の条件を満たす場合、構成要素は、それらの撮像部位にしたがって分類され、より小さな構成要素はまた、この方法における分割結果に追加される。Ｐ＝｛ｐ_ｉ｝を結果として得られた連結している構成要素のセットとし、｜ｐ_ｉ｜は構成要素ｐ_ｉ内のボクセルの数を示すものとする。すべてのｊ≠Ｌである｜Ｐ_Ｌ｜≧｜ｐ_ｊ｜について、構成要素Ｐ_Ｌ∈Ｐは結腸の主要な領域を表す。追加の構成要素は、式１に従って含まれる。
【００５３】
【数５】

さらに、結果として得られる結腸壁の厚さは３．０〜４．０ｍｍに調整される。
外部の空気の領域の分割が不完全な場合、下にある骨板または皮膚の線の一部が、分割された結腸内に現れる（図９）。したがって、ＡＢＥ方法は外部の空気の分割の処理のために３つの追加工程を含む。第１の工程はオリジナルの外部の空気の分割を反転し、体の領域である最大の結果として得られる構成要素を除いてすべて除去される。第２の工程は容積拡張により分割された外部の空気の表面における空隙を満たす。第３の工程では、骨の構造が識別された後に、脊柱に対して背側の体の領域が除去される（図１０）。
【００５４】
ＡＢＥの別の大切な機能は、分割された結腸から除外される結腸壁の量の最小化である。特に指定されない場合、前記の方法は、結腸壁に対するしきい値処理後に得られた、最大の連結している構成要素として分割された結腸を定義する。ＡＢＥ方法の１つの実施形態では、小さな構成要素は、要素サイズが最大の大きさの構成要素のサイズであるＲ_ｆｃ＝２５％を超える場合のみ含まれる。この方法はＥＣの量を減少させるが、結腸の連結していない小さな部分、通常は直腸も除外する（図１１）。この結果、好ましいＡＢＥ方法では、Ｒ_ｆｃ＝１％になる。これは分割された領域ではＥＣの量を増やすが、ＣＢＡ工程を適用すればこのような構成要素は除去される。
【００５５】
ＣＢＡ方法は、結腸内腔内での容積拡張のための誘導としてＡＢＥにより得られる分割された結腸を使用する。ＥＣは一般に、結腸の内腔に直接つながっていないため、ＣＢＡ分割処理により削除されると予想される。概略的に、ＡＢＥ分割は「外側から内側」分割であるのに対して、ＣＢＡは「内側から外側」分割である。ＣＢＡ分割に含まれていないＥＣもまた、交差から除外されている。
【００５６】
ただし、結腸壁の分割に対するしきい値処理操作および前記ＡＢＥ工程におけるＥＣは、代替として、領域拡張方法［３３］、画像ラベリング［３４］、マルコフ・ランダム・フィールド（Ｍａｒｋｏｖ Ｒａｎｄｏｍ Ｆｉｅｌｄ）［３５］、数学的な形態学［３６］、および当業者により認識可能な［３７］に記載されているような他の画像分割方法などの、他の方法を使用することにより、達成できることを記しておく。
【００５７】
ＣＢＡ方法の適用は、結腸内の完全に虚脱領域の存在により複雑化する。これは２つの問題を引き起こす。第１の問題は、虚脱領域は、容積拡張処理が結腸内腔全体を通じて進行するのを妨害する。第２の問題は、この方法は、容積拡張処理の開始点を決定する複数のシード、すなわちボクセルを割り当てることを必要とする。この方法は完全に自動化されているため、（１）複数シードの自動化された割り当て、および（２）ＣＢＡ分割が完全かどうかを確認する基準、を必要とする。
【００５８】
シードが決定されると、容積拡張方法の適用は比較的簡単である。各反復において、そのボクセルがＡＢＥ分割の一部ではなく（図１２ａ〜１２ｂ）、結腸壁に比べて小さいＣＴおよび勾配の大きさの値を有する場合、現在分割された領域に２６連結している分割されていないボクセルが分割された領域に追加される。この処理は、分割された領域に追加されるボクセルの数が以前の反復から７５％より多く減少すると、終了する。これらの状態は、結腸壁内に延びおらず、また結腸壁内の小さな開口を超えて突出していない結腸内腔の分割を生成すると予測される。
【００５９】
ＡＢＥによる分割は、式（２）に示される形式である。
【００６０】
【数６】

式中、Ｃは実際の結腸壁を表し、ｃ⊂ＣはＡＢＥにより分割されないＣの部分であり、Ｅ’は結腸外の構成要素を表す。ポリープの検出については、ｃ＝φと仮定できる。なぜなら、観察によると、ＡＢＥにより分割されていない結腸の部分は、診断の品質ではない完全に虚脱位置内に存在するからである。一方、偽陽性のポリープの発見の最大２０％は、Ｅ’から生じていたことが判明した。この点より、Ｅ’を最小にするために、ＣＢＡ方法が開発された。この方法では、基本的に、結腸の内腔内の空気を分割する自己調整の容積拡張手法を実行する。
【００６１】
【数７】

容積拡張工程は、完全な結腸が分割されていない場合（条件は以下で説明される）、続行する必要がある。ｒ_ｉは最新の容積拡張工程により分割された領域を示すものとする。
【００６２】
【数８】

容積拡張処理のために使用されているすべてのシードは、空気に対応するＣＴ値を有する必要があり、以前に識別されたＥＣ（外部の空気、骨、肺）内に位置しないこともある。ＡＢＥ分割はシードを配置する処理を誘導するのに使用される。
【００６３】
第１のシードは直腸内に設定されるが、これは、直腸の位置を確実に予測できない理由による。この第１シードは全体ＣＴ撮像部位の底部の中心位置内にある。シードを設定する方法は信頼性が高い。なぜなら、ほとんどのＥＣはこの領域内に位置せず、直腸の代わりに、シードがＥＣ内に位置する可能性は小さいからである。直腸は、５０の底部のアキシャルスライス（図１３ａ）により定義される、対象の撮像部位（ＶＯＩ）を抽出することにより位置を見出せる。このＶＯＩ内でＡＢＥにより分割された領域が反転されると、少なくとも２つの連結している構成要素が得られる。最も大きな構成要素は、結腸の外側の領域を表し、２番目に大きな構成要素は、シードとして設定されている結腸の内側の空気を表す（図１３ｂ）。
【００６４】
第１シードの使用が満足すべき分割を得なかった場合、２５のスライスだけＶＯＩを上方に移動して次のシードを選択し、前述の手順を繰り返す。これは、第１の容積拡張が、直腸とＳ字結腸の間の虚脱領域のために失敗するときに発生する。
必要な場合、空気のシードのセットから追加のシードが選択される。可能な空気シードの初期のセットはＡＢＥ分割を拡大することにより定義される。このとき、有効な空気シードは、ボクセルが分割されていない結腸の内腔内に位置しているかどうかを確認する、５つの条件（図１４ａ〜１４ｅ）を満たす必要がある。この５つの条件は、（１）空気シードがＡＢＥ分割内に存在しない、（２）空気シードが、以前に識別された結腸外の構成要素内に存在しない、（３）空気シードのＣＴ値が、９００ハウンズフィールド単位を超えない、（４）空気シードが、現在のＣＢＡ分割内に存在しない、および（５）空気シードがＣＴ撮像部位を取り囲む境界の近くにないことである。次に、有効な空気シードについて、連結構成要素分析を行なう。容積拡張が続くにつれ、新しいシードはそれぞれ、最大の利用可能な連結している空気シードの構成要素から戻される。分割のために使用されたシードは、新しいシードとして利用できない。
【００６５】
結腸の最後の分割は、余分の分割を除去するためのＡＢＥ方法およびＣＢＡ方法により得られた分割された領域を交差することにより得られる。その結果、ＡＢＥ分割により決定されるのと同様に、ＣＢＡ分割が取り囲んでいる結腸壁に含まれるようにする必要がある。これは２つの工程で達成される。最初に、最も外部の層が９５％より上でＡＢＥ表面と交差するまで、いくつかの表面層がＣＢＡ分割に追加される（図１２ｃ）。第２に、最も外部の層の２５％未満がＡＢＥ分割と交差するまで、新しい表面層がＣＢＡ分割に追加される（図１２ｄ〜１２ｆ）。
【００６６】
計算時間とメモリの使用を減らすため、ＣＢＡ方法は１つまたは２倍までＣＴ撮像部位を減少させてサンプル抽出できる。ただし、最終的な結腸壁を決定する最後の工程は、最大限の分解能で実行される。なぜなら、ＣＢＡ分割とＡＢＥ分割の間の十分な整合を得るには、高精度が必要であるためである。
【００６７】
【数９】

条件のいくつかが満足されない場合、ＣＢＡ容積拡張処理は、分割に新しい構成要素を追加することができる。最初に、ＡＢＥ分割の５０％以下がＣＢＡ方法により除去される。
【００６８】
【数１０】

第２に、上方および下方の結腸（Ｃ_ａおよびＣ_ｄ）の間の対称性は、Ｃ_ａとＣ_ｄの予測される位置の間の分割されたボクセルの数の差が２０％未満であることを確認することにより検査される（図１６ａ）。第３の条件は、直腸の予測される位置内に分割された結腸が存在するかどうかを検査する。
【００６９】
【数１１】

第５の条件は、分割されていない極めて大きい空気で満たされた構成要素があるかどうかを検査する。最大の空気のシードの構成要素の大きさは、２５０，０００ｍｍ^３を超えない。
【００７０】
【数１２】

図１７は、本発明による、幾何学的特性値に基づいた病変候補のセットを検出し、被検査部位、形態的、および／または組織の特性の統計値に基づいた病変候補のセットから少なくとも１つの病変を選択する工程を示すフローチャートである。
【００７１】
第１に、ステップ１７０１では、以前の工程において抽出された目的の器官を取り囲む被検査領域を平滑化して、複数のスケールで被検査領域を生成し、その後、被検査領域を表すボクセルのセット内の各ボクセルに対して、少なくとも１つのスケールで、３次元的に導き出される幾何学的特性値を計算する。この工程は、被検査領域を表すボクセルのセットにおける各ボクセルに対して、撮像部位形状の指数および撮像部位湾曲値を決定することを含む。
【００７２】
次に、ステップ１７０２では、初期の病変候補のセットが、ステップ１７０１において計算された３次元で得られた幾何学的特性値を使用して作成される。この工程は、第１の所定範囲内の撮像部位形状の指数と第２の所定範囲内の撮像部位湾曲値とを有するシードボクセルのセットを識別し、シードボクセルのセット内のシードボクセルに近接する空間的連結しているボクセルの拡張領域を決定し、拡張領域に対して条件付きの形態的拡大を適用して拡大された拡張領域を得ることを含む。
【００７３】
ステップ１７０３では、ステップ１７０２で作成された初期の病変候補のセットが、病変候補のセットを形成するためにクラスタ化される。
最終的に、ステップ１７０４では、真の病変（陽性の病変）のセットが、ステップ１７０３で形成された病変候補のセットから選択される。
【００７４】
図１７に示されている方法は、あらゆる目的の器官において病変候補のセットを検出するのに適用できるが、ステップ１７０１〜１７０４は結腸内の候補のポリープのセットを検出する特定の方法に関して、以下に詳しく説明される。ただし、当業者に、下記の方法および構造は他の器官の病変候補のセットを検出するのに容易に適合でき、この方法が候補の結腸のポリープのセットを検出するだけに限定されないことはが理解されるであろう。さらに、本発明は、本発明の精神および範囲から逸脱することなく様々な修正が可能であるため、開示される図１７のそれぞれの工程の特定の実施形態に限定されない。
【００７５】
ステップ１７０１〜１７０４は、候補の結腸のポリープのセットを検出し、候補のセットから陽性の結腸のポリープを選択する特定の工程に関して以下に詳しく説明される。
【００７６】
【数１３】

ステップ１７０１では、知覚誘導された分割工程において抽出された結腸を取り囲む被検査の領域は、最初に、様々な核サイズを用いてガウスフィルタにより平滑化され、複数スケールで被検査領域が生成される。なお、平滑化、したがって複数スケールの被検査領域の生成は、当業者には認識されるところであるが、［５５］に述べたような別の種類の平滑化フィルタでよっても達成できる。
【００７７】
【数１４】

撮像部位形状の指数は、ボクセルの近辺の撮像部位の位相形状を特徴付ける（式（２３））。これに対して、撮像部位の湾曲は、ポリープの大きさまたは有効な曲率の大きさを表す（式（２４））。両方の量は、曲率の概念に基づいて定義される。これより、曲率の定義および計算の方法は、以下に簡単に説明される。
【００７８】
湾曲は、表面上の点に関する局部的特性である。ｈ（ｐ）は、点（ボクセル）ｐ＝（ｘ，ｙ，ｚ）におけるＣＴ値を示すものとする。次に、３次元空間Ｒ^３のレベル（ＣＴ値）における等表面Ｐは以下により求められる。
【００７９】
【数１５】

各点ｐにおいて、ｐの小さな近辺Ｕが存在し、この区域内ではｚはｘおよびｙの関数φで表わすことができる。この区域内で（ｘ，ｙ）＝（ｕ，ｖ）で示すことにより、等平面Ｐは以下の式で表わすことができる
【００８０】
【数１６】

ｕおよびｖに関してＰの偏導関数を以下の式で示すものとする。
【００８１】
【数１７】

これらの表記を用いて、表面の法線ベクトルに平行なベクトルは式（８）で定義される。
【００８２】
【数１８】

式中、Ｘは２つのベクトルの外積を示し、｜｜・｜｜はノルムを示す。これら表記を用いて、第１基本形［４０］は以下の式になる。
【００８３】
【数１９】

また、第２基本形［４０］は以下の式になる。
【００８４】
【数２０】

明確な等平面を作成せずにボクセルｐにおける曲率情報を計算することを一般に望むため、第１および第２基本形は、以下の式により、等方性撮像部位から直接計算される［４１］。
【００８５】
【数２１】

このとき、主曲率ｋ₁およびｋ₂［４０、４２］は式１８で示される。
【００８６】
【数２２】

これらの主曲率を使用して、ボクセルｐにおける撮像部位形状指数ＳＩ（ｐ）および撮像部位湾曲ＣＶ（ｐ）は、ｐを通過する等平面の局部形状指数および湾曲として定義される。ここでｋ_１≠ｋ_２である。ＳＩおよびＣＶにまで広がる空間は、主曲率ｋ_１およびｋ_２にまで広がる空間の極座標表示である。形状指数は形状の基準尺度である。平面を除くすべての明瞭な形状は、ＳＩの固有値に一致する［３８、３９］。これら形状は（ｋ_１，ｋ_２）空間内の単位円上にマッピングされる（図１８参照）。単位円は単位湾曲を持つ形状を含み、原点を通る半直線は、湾曲すなわちサイズの異なる、同一形状を含む。例えば、図１８に示されるように、５つの既知の形状クラスは形状指数、カップ（ｃｕｐ）（０．０）、ラット（ｒｕｔ）（０．２５）、サドル（ｓａｄｄｌｅ）（０．５）、リッジ（ｒｉｄｇｅ）（０．７５）、キャップ（ｃａｐ）（１．０）を有する。図により、点線の端点で示される、単位円の両側の点は相互に「負」である形状、すなわち同一形状であるが、反対特性を有する形状を表わす。したがって、すべての形状は区間ＳＩ∈［０，１］上にマッピングできる。図１８では、「負」形状は明るいグレーで表わされる。平面はゼロ曲率および不定の形状指数を有する。
【００８７】
形状指数の最も重要な利点は、１つの形状から別の形状への移行が連続的に発生し、したがって、形状指数が微妙な形状変化を効果的に表わすことができる点である。例えば、ＳＩ＝０．８７５は「ドーム」形状を表わし、このドーム形状はリッジ（ＳＩ＝０．７５）からキャップ（ＳＩ＝１．０）までの移行形状である。さらに、本明細書で導入される被検査部位形状指数定義により、明確な等平面を計算することなく、撮像部位内のすべてのボクセルにおいて形状指数を定義できる。したがって、被検査部位形状指数は、ボクセルにおける等平面の局部的形状の直感的な概念を取り込む。
【００８８】
湾曲は等平面の曲率の尺度である。湾曲の次元は長さの逆数であり、範囲は［−∞，∞］である。湾曲は形状指数に対して「２重」特性であり、形状指数は、ボクセルの近辺領域が「どの形状」を有するかの評価基準を表わすのに対し、湾曲は、近辺領域が「どれほど多くの形状」を含むかの評価基準を表わす。湾曲はスケール情報も提供する。すなわち、大きい負の値は、緩やかな変化を意味するのに対し、大きい正の値は急峻なナイフ状のエッジを意味する。
【００８９】
３次元撮像部位データでは一般に、ポリープは、結腸壁に付着する小〜中程度の湾曲を有する球状の、キャップ状の構造として現れるのに対し、ひだは、大きい湾曲値を有する細長い、突起状の構造として現れる。結腸壁は平坦に近い、カップ状の構造として現われ、小さい湾曲値を有する。したがって、形状指数および湾曲は、ポリープ、ひだおよび結腸壁の間で効果的に区別できる。
【００９０】
図１９は、結腸構造を区別するときの形状指数の有効性を示す。図１９（ａ）および（ｄ）は、ボックスで示される領域内にポリープを含むアキシャルＣＴ画像を示す。図１９（ｂ）および（ｅ）は、（ａ）および（ｄ）で示された領域の拡大図を示す。ポリープは矢印で示される。図１９（ｃ）および（ｆ）は、（ｂ）および（ｅ）の３次元内視鏡像を示しており、透視法撮像部位表現で示され、形状指数により着色されている。キャップクラスに相当する形状指数値を有するボクセルはグリーンで、突起に相当するそれはピンクで、また他のクラスに相当するそれはブラウンで着色されている。予測通り、ポリープの大部分はグリーンであるのに対し、ひだおよび結腸壁はそれぞれピンクおよびブラウンである。この着色法を用いて、ポリープ、ひだ、および結腸壁は明瞭に分離され、ポリープは他の構造体から容易に区別できる。
【００９１】
ステップ１７０２では、ポリープに対する形状指数値の特性値を用いて、ヒステリシスしきい値処理を利用してポリープ候補を分割する［４１］。最初に、所定の最小および最大間の形状指数値および湾曲値を有するボクセルが、シード領域として抽出される。形状指数に対する最小および最大しきい値を、それぞれ約０．９および１．０に設定することにより、キャップクラス内にある領域を選択する。
【００９２】
【数２３】

この処理を用いて、ポリープの主要部分に相当する大きい連結した構成要素を抽出する。この理由は、ポリープの周辺領域は通常、完全なキャップ形状であるが、ドーム状形状を示す場合もあるからである。したがって、形状指数に対する緩やかな最小しきい値（約０．８）を用いて、結腸壁またはひだの連結されたポリープのスカートを含むようにする。同様に、ポリープの周辺領域は中心領域より小さいかまたは大きい湾曲値を有する可能性がある。したがって、湾曲に対する最小および最大しきい値は、約０．０５ｍｍ^−１（有効サイズ２０ｍｍ）および約０．２５ｍｍ^−１（有効サイズ４ｍｍ）まで緩和し、臨床的に有意なポリープを識別していた。
【００９３】
表２は分割処理で用いられる主要パラメータのしきい値を集約している。
ポリープ候補の領域は反復条件付形態的拡大処理により抽出され、この処理は、前述のヒステリシスしきい値処理により検出された領域に適用される。条件付拡大の工程による拡張率が最小の領域は、ポリープまたは病変候補に最終領域として選択される。
【００９４】
この方法では、ヒステリシスしきい値処理を用いて抽出された領域が領域Ｒ_０として使用される。シード領域は条件付き形態的拡大を用いて、以下のように拡大される。
【００９５】
【数２４】

形態的拡大は前の領域Ｒ_ｊ−１の境界面をＤｍｍまで拡大し、セット差の演算が結腸内腔にまで延びる拡大された領域の部分を削除する。Ｄを各データセットのボクセル分解能（約０．５〜０．７ｍｍ）に設定して、１ボクセルの厚さの層内で領域を拡大する。
【００９６】
拡大工程の最大数Ｍは、ＭＤ≦７．５ｍｍにより制限される。すなわち、ポリープ候補の境界面は開始位置Ｒ_０から最大でも７．５ｍｍまでしか延ばせない。したがって、この方法は、最大１５ｍｍの直径のポリープまたは病変候補の全体領域を抽出できる可能性がある。これは小さいものから中位の大きさの大部分のポリープを抽出するのに十分である。
【００９７】
条件付き拡大処理の各工程において、ポリープ候補の全体領域Ｒ_ｐを決定するために、Ｒ_ｊを得るためにＲ_ｉ−１に追加したボクセルの量Ｎ_ｉが計算される。ポリープ候補の最終領域はこの拡大された領域になり、この領域に対する条件付き拡大による拡大の拡張率、またはｄＮ｜ｄＲは最小である。一般に、拡張率は最初に急速に増大し、その後拡大領域がポリープ候補の目視で認識される範囲に近付くにつれて減少する。その後、拡張率は、拡大領域がポリープ候補の実際領域を越えて器官壁内まで延びるにつれて再度増大する。したがって、最少拡張率に相当する領域は、ポリープ候補の全体領域を表すと予測される。
【００９８】
実際には、直径５ｍｍまたはそれ以下の小さいポリープはシード領域Ｒ_０にすでに含まれている可能性がある。この場合には、前述の分割方法がポリープだけでなく、ポリープを囲む領域の部分まで分割できる。したがって、条件付き拡大の反復処理を開始する前に、シード領域は１ｍｍまで縮小される。このとき、シード領域はポリープ候補の実際領域より小さくなる。拡大処理が開始されると、拡大領域は最初にシードの本来領域を復元し、ポリープ候補の実際領域を正しく識別する。
【００９９】
ポリープ候補は同一ポリープの異なる位置の複数の検出を含み、また画像ノイズに起因する多数の小さいでこぼこのある構造体を含む可能性がある。複数検出は一体化距離内にある検出を組み合わせることにより、単一候補に一体化される。一般に、複数検出は１０ｍｍより大きいポリープに発生するため、約１０ｍｍの一体化距離が用いられる。
【０１００】
ステップ１７０３では、ステップ１７０２で生成された初期病変候補のセットをクラスタ化して、病変候補を形成する。１つの実施形態では、ファジィｃ平均アルゴリズム［４３］を以下のように利用できる。ただし、ファジィクラスタ化処理は、当業者には認識されている、［４４］に記載されるような他の統計的クラスタ化方法を用いて達成することもできる。
【０１０１】
ｆ（ｐ）はデータ点ｐの特性ベクト（すなわち、ポリープ候補内のボクセル）を示すものとする。ファジィｃ平均アルゴリズムは類似ｆ（ｐ）を有するデータ点ｐをグループ化して、単一クラスタＣを形成する。２つのデータ点ｐおよびｑの類似性は、類似基準尺度Ｍ_ｆ＝｜｜ｆ（ｐ）−ｆ（ｑ）｜｜により定義される。ここで｜｜・｜｜はユークリッド距離を表わす。ファジィクラスタ化の主要な利点は、各データ点ｐおよび各クラスタＣ_ｉに対してメンバーシップ関数θ_ｉ（ｐ）∈［０，１］を定義することである。θ_ｉ（ｐ）の値が大きい場合、ｐはクラスタＣ_ｉに属すると予測される。
【０１０２】
ｓ_ｉは分割されたポリープ候補を示すものとする。ファジィクラスタ化を開始するために、各ポリープ候補ｓ_ｉの中心はクラスタ中心の初期予測中心として使用し、ｐ∈ｓ_ｉの場合はθ_ｉ（ｐ）＝１、そうでない場合はθ_ｉ（ｐ）＝０と定義する。各ｆ（ｐ）内の特性値は、この範囲に標準化される。ファジィｃ平均クラスタ化は、入力として全ｐのｆ（ｐ）を用い、クラスタ中心を、メンバーシップ関数θ_ｉ（ｐ）とクラスタ中心を反復的に更新することにより、最適位置に移動する。この最適化は、データ点のメンバーシップ関数の度合いにより重み付けされた、任意の所定のデータ点からクラスタ中心までの距離を表わす目的関数を最小化することを基本にする。
【０１０３】
特定のｊに対し、しきい値ｍより高いメンバーシップを有するデータ点ｐ、θ_ｉ（ｐ）≧ｍを維持して、最終クラスを得る。約０．８の比較的高いしきい値ｍを用いることにより、ファジィクラスタ化方法は、ノイズに起因する候補を（これら候補が周辺のボクセルの特性値と明らかに異なる特性値を有するボクセルを含まれる傾向にあるため）、小さい、分離したクラスタとして維持する。これらボクセルは候補内の低いメンバーシップを有し、したがって、前記しきい値処理操作は小さいクラスタを生成する。約３８ｍｍ^３の最少容積を用いてしきい値処理を個々のクラスタに適用し、これら小さいクラスタを除去する。この最少容積は４ｍｍのポリープの容積に相当し、この容積は５ｍｍまたはそれ以上の臨床的に有意なポリープを維持するのに十分な大きさである。
【０１０４】
表２はクラスタ化処理で用いられる主要パラメータのしきい値を要約している。
ステップ１７０４では、真の病変（真陽性（ＴＰ）の病変）のセットが、ステップ１７０３で形成された病変候補のセットから選択される。この目的のために、３次元的に導き出される特性を求めて、各ポリープ候補の特性を決定し、ＴＰから偽陽性（ＦＰ）を区別する。
【０１０５】
１つの実施形態では、３次元的に導き出される撮像部位特性、勾配集中度（ＧＣ）および方向性勾配集中度（ＤＧＣ）を用いて、ＦＰおよびＴＰ間の区別を効果的に行なう［４５］。この特性値はボクセル近辺のＣＴ値の勾配方向の密度の度合いを測定する。ＧＣ特性は以下の式で計算される。
【０１０６】
【数２５】

式中、ｐは操作点（ＯＰ）計算するための対照方向の数である（図２１ａ）。一般に、方向の数が増加すると、計算速度は犠牲になるが、局部的な勾配集中度の予測精度が向上する。
【０１０７】
【数２６】

式（２５）から、ＧＣの値は［−１，１］範囲内にある。ＯＰにおける値は、ＯＰの方向を指す勾配ベクトルの数が増加するにつれ増加する。したがって、ＧＣ値は球形物体の中心で最大になり、この場合、ボクセル値は中心点方向に増加する（図２２ａ）。
【０１０８】
【数２７】

空間撮像部位効果により、ポリープ内の軟組織密度は結腸空気からポリープの中心の方向に増加する傾向にある。したがって、ポリープ内の大部分の勾配ベクトルはポリープの中心の方向を指す傾向がある。一方、結腸内のＦＰの主要発生源であるひだは、細長い突起状物体であり、その方向に軟組織密度が増加する単一中心を持たない。これより、ひだ内の勾配ベクトルはどの特定点にも集中しない。ＦＰの別の発生源は便であり、これは時には小さいポリープと間違われる。便の内部構造はポリープに比べて均質性が低いため、便内の密度変化により、勾配ベクトルがいずれかの特定位置でなくランダムな方向を指す傾向がある。これらの差により、ＧＣ特性はポリープをＦＰと区別する有効な手段になる。
【０１０９】
一般に、結腸壁に現れるポリープは、完全球体でなく半球形物体である。したがって、ＤＧＣ特性は、半球形密度パターンの識別精度を向上させるように設計される。ＤＧＣは半球形体に対して高い値を持つように設計されるが、完全球形体に対しては低くなる。
【０１１０】
【数２８】

この方式はｐの方向を指す勾配ベクトルが正確な半球形密度パターンを形成するかどうかを検査できないが、ＧＣの同時計算を用いて高速ＤＧＣ計算が可能になる。
【０１１１】
【数２９】

勾配ベクトルが１つの方向ではＯＰ方向を指すが、反対方向ではＯＰから離れる方向を指す場合、ＤＧＣ（ｐ）∈［−１，１］となる。これより、ＤＧＣの値の範囲は［−２，１］となる。
【０１１２】
【数３０】

ＤＧＣのスケール（すなわち、Ｒ_ｍａｘ）が最大の目的ポリープの直径より大幅に小さく設定される場合、このような状態は境界領域内で発生する。
【０１１３】
【数３１】

図２３は人工的物体に対するＧＣおよびＤＧＣ応答の例を示す。図２３ａおよびｂは、ＧＣ値が球形の中心で最高になることを示す。大きい値はまたポリープ状の半球形の中心に見られる。突起状の円筒体は中心軸に中程度に高いＧＣ値を有するが、これら値は球形および半球形体の中心より低い。この理由は中心軸方向を指す勾配ベクトルの数が少ないためである。図２３ｃは、ＤＧＣ値がポリープ状半球形の中心で高いが、球形の中心で低い。突起状の円筒体の中心軸は中程度の高さの値を有する。
【０１１４】
別の実施形態では、新規の修正された勾配集中度（ＭＧＣ）［４６］を実効的な３次元的に導き出された特性として用いて、各ポリープ候補の特性を決定し、また偽陽性と真陽性とを区別する。ＭＧＣ特性はＧＣ特性を基本とする。ＧＣ特性は、勾配方向を計算する領域の中心における操作点に関するＣＴ値の３次元勾配ベクトルの方向の特性を決定する。ＧＣ特性はＦＰから有茎性ポリープを高精度で区別できるが、ＦＰから無茎性ポリープを区別する性能は低い。したがって、ＭＧＣ特性は、ＦＰから無茎性ポリープを区別する際のＧＣ性能を向上させるように設計された。
【０１１５】
ＭＧＣ特性はＧＣ特性に基づいて定義され、ＣＴ値のガウス分布を有する球形物体に対して感度が高い。ＭＧＣの値は、ＧＣ値をＳ字関数によりマッピングすることにより計算される。
【０１１６】
【数３２】

Ｓ字関数のパラメータ、すなわち、利得ｇおよび移行ｔは経験的に決定された。
別の実施形態では、ＣＴ値（ＣＴＶ）の変化［３４］を、有効な３次元的に導き出された特性として用いて、各ポリープ候補の特性を決定し、また偽陽性と真陽性とを区別する。ＣＴＶはボクセルのＣＴ値から計算される。ポリープ候補の抽出された領域をＲとすると、ＣＴＶは以下の式で計算される。
【０１１７】
【数３３】

式（２８）で、｜Ｒ｜はＲ内のボクセルの数であり、ＣＴ（ｐ）はボクセルｐのＣＴ値、ＣＴ（Ｒ）はＲ内の平均ＣＴ値である。
好ましい実施形態では、ステップ１７０１および１７０２に述べた別の３次元的に導き出された撮像部位特性、例えば形状指数、湾曲、ＣＴ値、およびＣＴ値の勾配などを用いて、各ポリープ候補の特性を決定し、また偽陽性と真陽性とを区別する。
【０１１８】
ポリープの特性を決定する前述の特性値の有効性は、典型的なＴＰおよびＦＰポリープ候補から特性値のヒストグラムを計算することにより視覚化できる。これらヒストグラムは、典型的なＴＰおよびＦＰポリープ候補間の差である特徴パターンを示す（図２５ａ〜２５ｃ）。例えば、図２５ａでは、ＴＰポリープ候補のＳＩ値はＳＩ値の高い側に集中しているのに対し、ＦＰポリープ候補のＳＩ値は広範囲のＳＩ値にわたり分布している。
【０１１９】
ポリープ候補の大部分は、ポリープの特性である特性値、およびポリープの特性ではない特性値を含む。例えば、図２５ａでは、ＴＰおよびＦＰポリープ候補はＳＩの高い値と低い値の両方を含む。したがって、ポリープに似たまたはポリープに似ない特性値の存在だけでは、ＴＰまたはＦＰ分類に対しては十分指標にならない。ポリープ候補はまた、単一の既知の病変以外の複数の病変を表わすことがある。例えば、図２６ａは雲状物質内の小さいポリープを示す。この図では、ＳＩ値のヒストグラム（図２６ｂ）はポリープ候補のポリープに似た領域に起因するＳＩの高い値を示すだけでなく、周囲の雲状の物質に起因する広範囲の低いポリープに似ない値を示す。分割方法により抽出されたポリープ候補の全体領域内のＳＩの平均値を単に計算するだけでは、雲状の物質により発生する低い値に起因する高いポリープに似た値を低下させることになる。
【０１２０】
このように、特性誘導分析［４６］と呼ばれる方法が発達し、この方法では、各ポリープ候補に対し、特性Ｆ^ｊが、ポリープ候補の領域により決定される限定された範囲内で計算され、この範囲内では、特性の値がしきい値Ｔ_Ｆｊを超える。しきい値Ｔ_Ｆｊは各特性に対し経験的に決定される。最初に、データセット内の多数のＴＰポリープ候補の特性ヒストグラムと多数の最低ランクのＦＰポリープ候補とを目視検査して、各特性に対するしきい値の初期予測値が決定される。ここで、ＦＰポリープ候補のランクは、ポリープ候補の全体分割領域内のＳＩの平均値を基にする。次に、初期予測値の近辺で約１０個のしきい値をランダムに選択する。各特性からのしきい値の各組合わせは使用できるが、本発明では一般に、特徴誘導分析方法に対して、ＣＴＣデータセット内の高いポリープ検出感度（８６〜９５％）において本発明の方法のＦＰ率を最少にするしきい値の組合せを選択する。
【０１２１】
撮像部位、形態、および／または組織特性が計算されると、特性統計値（ＦＳ）と呼ばれる以下の９個の統計的値が、ステップ１７０２に示された条件付き形態的拡大により得られる領域内で計算される。すなわち、（１）平均、（２）最小、（３）最大、（４）分散、（５）ひずみ、（６）尖度、（７）エントロピ、（８）候補内の最高特性値を有する１０ボクセルの平均、および（９）最小と最大の比で定義されるコントラストが計算される。ｓ_ｉはポリープ候補を表わし、ｆ_ｉ（ｊ）（ｊ＝１、．．．，Ｎ_ｉ）はｓ_ｉのＮ_ｉ個のボクセルに対する特性値を表わすものとする。次に、前記９個の統計値は式（２９）〜（３７）のように定義できる。式（３７）では、ｍ_ｋはｓ_ｉ内で最高値を有するボクセルの指標を表わすものとする。代替として、［３４］に示されたモーメントなどの他の種類のＦＳを使用できることは、当業者には明らかである。
【０１２２】
【数３４】

２つの方法を用いて、ポリープ候補についてのこれら統計値を計算できる。より簡単で高速な方法（本発明者らは全体統計値と称する）は、これら統計値をポリープ候補内に含まれるＣＴ値またはそれらの勾配から直接計算することである。
【０１２３】
【数３５】

局部統計値と呼ばれる第２の方法は、ポリープ候補内の各ボクセルの小さい近辺内（一般には３×３または５×５、ただしこれに限定されない）について、統計値を局部的に計算することである。局部統計値の分布はさらに集計され、各ポリープ候補内の平均、分散、ひずみ、尖度、およびコントラスト統計値が求められる。局部統計値は第１の全体方法に比べて効率的に局部組織変化を収集でき、したがって、ポリープから便を区別するのに有効である。
【０１２４】
ステップ１７０４では、真のポリープ（またはＴＰポリープ）は、前述のＦＳのような（ただし、これに限定されない）ＦＳの少なくとも１つに基づいて、ポリープ候補のセットから選択される。この目的のために、統計的選別器を用いてポリープ候補をＴＰおよびＦＰ区分に分類することにより、ＦＰポリープを識別する。この分類は、線形識別分析（ＬＤＡ）［４７］により実現されるような線形選別器；２次識別分析（ＱＤＡ）［４７］、ニューラルネットワーク［４８］、およびサポートベクトルマシン［４９］により実現されるような非線形選別器［４７］；カーネルに基づく学習方法［４９］；参考文献［５０］に記載された統計的分類アルゴリズムに基づく任意のタイプの単一選別器、またはそれらの任意の組み合わせであってもよい。分類では、ＦＳのセットを計算し、特性ベクトルに配列する。特性ベクトルは統計的選別器の入力として使用され、ポリープ候補がＴＰおよびＦＰ区分に分類される。ＴＰは好ましい方法への最終出力、すなわち検出されたポリープを定義する。
【０１２５】
１つの実施形態では、統計的選別器としてＬＤＡおよびＱＤＡを使用する。詳細には、以下では、ＱＤＡにより実現された選別器は２次選別器（ＱＣ）と称する。同様に、ＬＤＡにより実現された選別器は線形選別器（ＬＣ）と称する。
ＮはＦＳの数を表わし、ｓ_ｉ＝（ｓ_ｉ ^１，ｓ_ｉ ^２，．．．ｓ_ｉ ^Ｎ）はポリープ候補ｓ_ｉのＮ次元特性ベクトルを表わし、要素ｓ_ｉ ^ｊはポリープ候補のｊ番目のＦＳ値を示すものとする。既知のクラスを有するトレーニングセット｛ｓ_ｉ｝を仮定すると、ＬＤＡまたはＱＤＡは、Ｎ特性にまで広がる特性空間を２つのクラス、すなわち真陽性および偽陽性クラスに適正に区分する決定境界を生成する。この目的のために,識別関数ｇ（ｓ_ｉ；ｗ）Ｒ^Ｎ→Ｒが生成され、この関数はスカラー決定可変空間にＮ次元特性空間を投影する。ここで、ｗは識別関数ｇの形式を決定する加重ベクトル（または行列）である。この加重ベクトルはトレーニングセットにより決定される。決定境界はｇ（ｓ_ｉ；ｗ）＝０により与えられる。ＬＤＡについては、決定境界は超平面を形成し、ＱＤＡについては、超２次平面を形成する。
【０１２６】
ＬＤＡは最も簡単な種類の識別関数である線形識別関数を使用し、以下の式で定義される。
【０１２７】
【数３６】

式中、ｗはＮ次元加重ベクトルである。一方ＱＤＡでは、ｇは以下の式で定義される２次識別関数である。
【０１２８】
【数３７】

式中、ＷはＮ×Ｎ行列である。
幾何学的には、識別関数ｇ(ｓ)は決定境界までの符号付き距離に比例すると解釈される。一般に、ｇ(ｓ)の値が大きくなれば、それがポリープである確率が高くなる。言い換えると、ｇ(ｓ)はポリープである確度のランク付け順序に比例する。したがって、ポリープ候補は、以下の式のように、決定変数のしきい値処理により特性空間を分割することにより、真陽性クラスＣ_ＴＰと偽陽性クラスＣ_ＦＰに分類される。
【０１２９】
【数３８】

ポリープのクラスＣ_Ｐに分類されたこれら候補は最終検出ポリープとして、本発明のシステムに報告される。
ＴＰとＦＰの分類におけるＦＳの性能およびポリープ検出の性能は、シカゴ大学において１９９７〜２００１の間に実施された７２臨床ＣＴＣ試験で得られたＣＴＣデータ［１８］に基づいて評価した。各患者は標準的な、結腸内視術に先立つ結腸浄化を受けた。各患者は仰臥位および腹臥位位置の両方でスキャンされ、結腸には空気を注入した。ＣＴＣスキャンはヘリカルＣＴスキャナ（ＧＥ９８００、ＣＴｉまたはＬｉｇｈｔＳｐｅｅｄ ＱＸ／ｉ；米国、ウィスコンシン州、ミルウォーキーのＧＥメディカルシステムズ社（ＧＥ Ｍｅｄｉｃａｌ Ｓｙｓｔｅｍｓ，Ｍｉｌｗａｕｋｅｅ，ＷＩ））を用いて仰臥位および腹臥位位置で実施した。このようにして、１４４のＣＴＣデータセットを得た。コリメーションは２．５〜５．０ｍｍ、ピッチは１．５〜１．７、再構成間隔は１．５〜２．５ｍｍであった。アキシャル画像のマトリクスサイズは５１２×５１２、空間分解能０．５ｍｍ／ピクセル〜０．７ｍｍ／ピクセルであった。１２０ｋＶｐで６０ｍＡまたは１００ｍＡに減少させた電流を用いて、放射線曝露を最少にした。各ＣＴＣデータセットは横隔膜から直腸の腹部の全体領域を範囲に含み、マトリクスサイズ５１２×５１２の１５０〜３００のＣＴ画像から成る。軸方向に直線補間後、結果として得られた等方性撮像部位のｚ方向寸法には５００〜７００ボクセルを含み、これらボクセルの物理的分解能は０．５〜０．７５ｍｍ／ボクセルであった。
【０１３０】
光学的結腸内視術はＣＴＣとして同日に実施した。１４人の患者（２７データセット）の５ｍｍより大きい、２１の結腸内視術で確認したポリープの結果を得た。放射線専門医は、ＣＴＣデータセットの結腸内視術レポート、病理レポート、および多重平面再構成像を用いて、ＣＴＣデータセット内のポリープの正確な位置を確定した。これらポリープの内の８つはＳ字結腸内にあり、下行結腸内に１つ、肝臓湾曲内に３つ、横行結腸内に１つ、左結腸曲内に１つ、上行結腸内に５つ、および盲腸内に１つあった。すべてのポリープはＣＴ画像で確認したが、３つのポリープは仰臥位または腹臥位の画像の一方だけでしか目視できない。この理由は、これらが、別の画像では、虚脱領域内にあるかまたは体液の下にあったためである。１７のポリープは直径５〜１０ｍｍ、３つのポリープは１１〜１２ｍｍ、１つのポリープは２５ｍｍと測定された。
【０１３１】
コンピュータ化検出において真および偽陽性を決定するために、各データセット内の真陽性ポリープの中心座標が、２人の放射線専門医により決定された。検出されたポリープと真ポリープの中心との距離が最大でも１０ｍｍである場合は、その検出は真陽性と考えた。その他のすべての検出は偽陽性と考えた。
【０１３２】
１つの実施形態では、特性誘導分析は無効であり、６つの特性値の性能を、ステップ１７０３で生成されたポリープ候補のＦＰおよびＴＰの区別において比較した［４５］。６つの特性値は形状指数、湾曲、ＣＴ値、ＣＴ値の勾配、勾配集中度、および方向勾配集中度であった。ＣＴ値はボクセルでのＣＴ減衰値であり、ＣＴ値の勾配はＣＴ値の３×３×３Ｐｒｅｗｉｔｔ勾配［３７］である。
【０１３３】
ＲＯＣ分析［５１］を用いて、これら特性値の性能を評価した。ＲＯＣ分析は統計的方法であり、医用画像の分析における、すなわちこの場合にはＴＰとＦＰの区別における、２元の決定方法の性能を評価するための有効な方法として広く受入れられている。この目的のために、各ポリープ候補内の特性値から９個の統計値を計算した。これら９個の特性値には、（１）平均、（２）最小、（３）最大、（４）分散、（５）ひずみ、（６）尖度、（７）エントロピ、（８）候補内の最高特性値を有する１０ボクセルの平均、および（９）最小と最大の比で定義されるコントラストが含まれる。個々の特性値に対して統計値を計算した結果、総数５４のＦＳを得て、各ポリープ候補の特性を決定した。
【０１３４】
各ＦＳの性能は、ポリープ候補から計算された値を、従法線ＲＯＣ曲線を生成するＬＡＢＲＯＣ４プログラム［５２］により試験して評価した。ＲＯＣ結果は、最も一般的に使用される、ＲＯＣ曲線の一変量集約指標［５１］である、ＲＯＣ曲線の下の面積（Ａ_z）を用いて特性決定される。一般に、高い値（最大１．０）はＴＰとＦＰの高分離を示す。
【０１３５】
０．８を超えるＡ_z値を有するＦＳは、「有効な」特性と考えることができるために、グループとしてＦＳ組合せとした。また、Ａ_zの値とそれの標準偏差の和が０．８を超える場合、そのＦＳを組合せに含めた。０．８未満のＡ_zの値を有するＦＳの分析により判明したことは、このようなＦＳの区別能力には限界があり、これらの利用は、新しい事例をデータベースに追加する場合に、潜在的に大きい誤差範囲を有するわずかな改良が得られるだけであると予測されることである。なお、個々に高性能な特性値を選択することは、ＦＳが組み合わせ体として用いられる場合には、必ずしも最適性能を得ることにならないことに注意すべきである［５１］。したがって、高性能の複数特性値を選択する必要はない。
【０１３６】
表３は、前述のＣＴＣデータベースのサブセットの分析における、ＴＰとＦＰの区別での各特性の最高性能特性値を示す（全数で８６のＣＴＣデータセットに対し４３のＣＴＣ試験；１１事例内の１２ポリープ）。Ａ_zはＳＩの平均（平均（ＳＩ））（０．９２）に対して最高の値であり、その後にＤＧＣの平均（平均（ＤＧＣ））およびＣＴ値の尖度（０．８５）が続く。勾配ＧＣおよびＣＶ特性値は、この評価では最低Ａ_z値を生成するＣＶ特性を用いて、低い値を得た。
【０１３７】
別の実験では、ＬＣまたはＱＣに対する入力としていくつかのＦＳ組合せを使用して、ＦＳ組合せの性能を評価し、ＴＰとＦＰとを区別するための識別関数を得た（図２４ａ）［４５］。識別関数の出力は決定変数を考えた、各候補に対する識別関数の値についてＲＯＣ分析を行なった。偏りのない性能を予測するために、本発明者らは、ラウンドロビン（ｒｏｕｎｄ−ｒｏｂｉｎ）（または、リーブ・ワン・アウト（ｌｅａｖｅ−ｏｎｅ−ｏｕｔ））方法［５３］と呼ばれる統計的類似方法により、ＬＤＡおよびＱＤＡについて識別器を訓練および試験した。この方法では、順に、各候補は全ポリープ候補のセットから削除される。選別器は残りの候補により訓練され、識別関数が生成され、削除候補について評価される（図２４ｂ）。次に、これら識別関数の値についてＲＯＣ分析を行い、ＲＯＣ曲線の下の面積Ａ_zが計算される。この方法の利点は、候補の訓練および試験を完全に分離でき、したがって、結果として得られる識別基準がデータベース内の事例から最少の偏りしか持たないことである。別の利点は、ポリープ候補のほとんどすべてがこの方法を利用できることである。ただし、当業者には明らかであるが、代替として、前記の統計的類似は別の方法、例えば相互確認［５３］およびブートストラッピング［５４］を用いて達成できる。
【０１３８】
表４は、ＦＳ組合せを生成するのに使用したＦＳを示す。２つまたは３つのＦＳの５９の組合せから、０．０１〜０．０２の範囲に変化するＡ_z値の標準偏差を有する、ラウンドロビンＲＯＣ分析において０．９３〜０．９６の範囲の最高のＡ_z値を得た。したがって、表５には、ラウンドロビンポリープ検出において最良の検出がなされる、ＦＳ組合せのＲＯＣ結果だけを示している。予測通り、２つまたはそれ以上のＦＳを組み合わせることにより、個々のＦＳからの値に比べてＡ_z値が増加する。ただし、平均（ＳＩ）がそれに関して０．９２の高いＡ_z値をすでに得ているため、増加分は大幅に大きくない。最高のＡ_z値を生成する組合せの多くは、ＳＩおよびＤＧＣ特性に基づくＦＳを含んでいた。最高のＡ_z値は、ＤＧＣ特性がＳＩ以外の特性と対であるときは０．９０であり、また、ＳＩ特性がＤＧＣ以外の特性と対であるときは０．９３であった。ＳＩおよびＤＧＣに基づくＦＳの組合せに第３特性を追加することにより、Ａ_z値をわずかに改良できる。ＱＣを使用すれば、一般に、ＬＣを使用するより高いＡ_z値を生成するが、差は小さい。予測通り、全サンプルを使用すれば、ラウンドロビン分析に比べて結果は改良されるが、これの差もまた小さい。
【０１３９】
最終的に検出されるポリープは、式（３８）のしきい値ｔを決定することにより得た。これより、自由応答レシーバ作動特性（ｆｒｅｅ−ｒｅｓｐｏｎｓｅ ｒｅｃｅｉｖｅｒ ｏｐｅｒａｔｉｎｇ ｃｈａｒａｃｔｅｒｉｓｔｉｃ；ＦＲＯＣ）曲線［５１］を作成した。この特性曲線は全体性能、すなわち、掃引変数としてｔを用いることにより、偽陽性率の関数としてのポリープ検出の感度を示す。２種類のＦＲＯＣ曲線を、以下の２つの方法により作成した。すなわち、（１）副次患者分析（ｂｙ−ｐａｔｉｅｎｔ ａｎａｌｙｓｉｓ）：少なくとも１つの真ポリープが患者の仰臥位または腹臥位データセットのどちらかに検出されたときに、異常と見なす事例の場合、（２）副次ポリープ分析（ｂｙ−ｐｏｌｙｐ ａｎａｌｙｓｉｓ）：患者の仰臥位または腹臥位データセットのどちらかに検出されたときに、ポリープが検出されたと見なす場合、の２つの方法により作成した。両方の方法において、本発明のシステムは、ポリープ候補を生成するのとは独立に、仰臥位およびは腹臥位撮像部位データセットを処理した。さらに、患者当たりの偽陽性の平均数を、偽陽性率の指標として計算した。
【０１４０】
各種類のＦＲＯＣ曲線を作成するとき、２つの方法、均一性評価およびラウンドロビン（または、リーブ・ワン・アウト（ｌｅａｖｅ−ｏｎｅ−ｏｕｔ））評価を用いて、選別器から識別関数を生成した。第1方法では、全ポリープ候補を使用して選別器を訓練し、ポリープ候補をＴＰおよびＦＰクラスに分類する単一決定境界を生成した。第２方法では、順に、各候補は全ポリープ候補のセットから削除され、選別器を残りの候補により訓練し、決定境界を生成する。次に、決定境界を用いてポリープ候補を分類し、ＴＰまたはＦＰとして決定境界を計算する際に、それら候補を除外した。
【０１４１】
１つの実施形態では、全体検出性能は、特性誘導分析を有するシステム（ファジィクラスタ化の備えない）と、ファジィクラスタ化を有するシステム（特性誘導分析を備えない）との比較を行なった［４６］。ここで、特性誘導分析工程のパラメータ値およびＭＧＣ特性は、ポリープのある２７のＣＴＣデータセットを使用して決定した。特性値の以下の範囲、すなわち、Ｔ_ＳＩ∈［０．５，０．９］（ＳＩ∈［０，１］）、Ｔ_ＧＣ∈［０．０，０．５］（ＧＣ∈［−１，１］）、およびＴ_ＣＴ∈［−５００，−２５０］（ＣＴ値はハンスフィールド単位で与えられる）を用いて、特性誘導分析工程のしきい値を決定した。ＭＧＣ特性のしきい値はＴ_ＭＧＣ∈［０．０，０．４］内でサンプルを取った。図２７ａ〜２７ｃは、いくつかのしきい値組合せに対する２７のＣＴＣデータセットからポリープを検出するときの、副次ポリープ検出感度の８６％、９０％、および９５％において得られたＦＰ率の変化を示す。最低ＦＰ率は、以下の３連のしきい値（Ｔ_ＳＩ，Ｔ_ＧＣ，Ｔ_ＣＴ）＝（０．７２５，０．４，−３００）を用いて得た。なお、図２７ａ〜２７ｃで明らかなように、最低ＦＰ率を生成するしきい値は、異なる検出感度レベルであってもよい。前記の３連のしきい値は、９５％の副次ポリープ感度レベルで最低ＦＰ率を生成するように選択した。ＧＣの代わりにＭＧＣ特性を使用したとき、同一感度における最低ＦＰ率は、３連の（Ｔ_ＳＩ，Ｔ_ＭＧＣ，Ｔ_ＣＴ）＝（０．７２５，０．２５，−３００）を用いて得た。
【０１４２】
ＭＧＣ特性を計算するためのＳ字関数の利得（ｇ）および移行（ｔ）パラメータは、最初は、典型的な球形（有茎性）ポリープおよび半球形（無茎性）ポリープ内のＭＧＣ特性の視覚化により予測した。最終パラメータ値は、ポリープのある２７のＣＴＣデータセットに好ましい方法を適用して決定した。パラメータ値は、−２．０≦ｇ≦−５．０および−０．１≦ｔ≦０．２内で一様に変化した。コンピュータパラメータ値（ｇ、ｔ）＝（−２．７５，０．１）により、８６〜９５％の副次ポリープ検出感度レベルにおける患者当たりＦＰ検出の最低平均数を得た。
【０１４３】
上のように確定されたパラメータを好ましい方法の特性誘導分析に使用した。結果として得たシステムを１４４のＣＴＣデータセットの全体データベースに適用することにより、全体で３４のＴＰポリープ候補および１６７０のＦＰポリープ候補を検出した。これらポリープ候補を２次識別選別機で処理した。この場合、わずか３つの特性、ＳＩの平均値、ＧＣ（またはＭＧＣ）の平均値、およびＣＴ値の分散を識別特性として用いて、最終検出されたポリープを得た。
【０１４４】
図２８では、上部の２つのＦＲＯＣ曲線評価によりポリープを検出する好ましい方法の性能を示す。ここでは、ＧＣ特性を用いて結果を得た。均一性評価では、好ましい方法では、患者当たり１．２２ＦＰのＦＰ率で検出１００％の副次患者および９５％の副次ポリープ検出感度を得た。ラウンドロビン評価では、１００％の副次患者検出感度においてＦＰ率は患者当たり１．２９ＦＰ検出であり、９５％の副次ポリープ検出感度においてＦＰ率は患者当たり１．４６ＦＰ検出であった。ＭＧＣ特性を使用することにより、わずかなに改良された結果を得た。均一性評価では、１００％の副次患者および９５％の副次ポリープ検出感度において、ＦＰ率は患者当たり１．１８ＦＰ検出であった。ラウンドロビン評価では、これに対応するＦＰ率は患者当たり１．５１ＦＰ検出であった。
【０１４５】
ファジィクラスタ化を本発明の方法に使用する場合、１９０３のＦＰポリープ候補が発生した。図２８の下部の２つのＦＲＯＣ曲線は、ファジィクラスタ化を用いるが、特性誘導分析を使用しないときの本発明の方法の性能を示す。この方法では、均一性評価結果における患者当たり４．７ＦＰ検出のＦＰ率、およびラウンドロビン評価結果における患者当たり５．３ＦＰ検出のＦＰ率において、１００％の副次患者および９５％の副次ポリープ検出感度を得た。
【０１４６】
特性誘導分析を用い、これを９０〜１００％の高い検出感度に設定すると、ファジィクラスタ化方法により生成されたＦＰ検出の７０〜７５％に減少する。ファジィクラスタ化を用いて得られる結果は、ポリープ候補の分類における特性の数を増加することにより改善できる。例えば、６つの特性を用いることにより、均一性結果のＦＰ率を、１００％副次患者感度における患者当たり１．４２ＦＰ検出にまで減少することが判明した。ただし、特性誘導分析において６つの特性結果を使用することによっても、ＦＰ率は減少する。すなわち、１００％の副次患者検出感度において、ＦＰ率は患者当たり０．８５ＦＰ検出に減少した。しかし、この調査ではわずか３つの特性を使用したが、この理由は、少数の特性を用いることが、多数の事例を追加する場合に検出性能を一般化できると予測されるからである。
【０１４７】
本発明は図２９に示されるシステムを参照して、さらに理解を深めることができる。補間ユニット２９１０は断面器官画像２９０１のデータベースを使用して、スキャンされた全体撮像部位を表すボクセルセットを得る。解剖学に基づく抽出ユニット２９２０および器官に基づく分析ユニット２９３０はスキャンされた全体撮像部位からボクセルセットを抽出し、分割された器官を表わすボクセルのデータベース（２９０２）を形成する。次に、初期病変候補選択器２９４０は分割器官データベース２９０３を使用して、３次元的に導き出される幾何的特性値を計算し、初期病変候補のデータベース（２９０３）を作成する。次に、初期病変候補を、病変候補選択器２９５０を用いて形態拡大およびクラスタ化により変換し、最終病変候補のデータベース（２９０４）に格納する。特性計算ユニット２９６０により病変候補の特性値を計算し、識別器ユニット２９７０はこの値を使用して、病変候補を分類して真陽性病変のデータベース２９０５に格納する。
【０１４８】
補間ユニット２９１０への画像データ発生源は、Ｘ線機器、ＣＴ装置、およびＭＲＩ装置などの任意の画像収集装置であってもよい。さらに、収集されたデータが、ディジタル形式でない場合は、ディジタル化できる。代替方法では、捕集し、処理する画像データ発生源は、画像収集装置により生成されるデータを格納するメモリであってもよい。このメモリは、装置の近くまたは遠隔にあってもよく、この場合には、ＰＡＣＳ（Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｙｓｔｅｍ）などのデータ通信ネットワークを利用して画像データにアクセスし、本発明による処理を実行できる。
【０１４９】
有利には、本発明は、コンピュータ技術の習熟者には明らかなように、本発明の内容に従ってプログラムされた従来の汎用コンピュータまたはマイクロプロセッサを利用して実現できる。適正なソフトウェアは、ソフトウェア技術の習熟者には明らかなように、本発明に開示する内容に基づいて通常技術のプログラマにより容易に作成できる。
【０１５０】
相互参照の米国特許出願第０９／８１８，８３１号に開示されているように、コンピュータは本発明の方法を実現し、コンピュータハウジングは、ＣＰＵ、メモリ（例えば、ＤＲＡＭ、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ＳＲＡＭ、ＳＤＲＡＭ、およびフラッシュＲＡＭ）、および他のオプションの特定用途論理デバイス（例えばＡＳＩＣＳ）または設定可能な論理デバイス（例えばＧＡＬおよびプログラマブルＦＰＧＡ）を搭載するマザーボードを収納する。コンピュータまた、複数の入力装置（例えばキーボードおよびマウス）、およびモニターを制御するディスプレイカードを含む。さらに、コンピュータは、適正なデバイスバス（例えばＳＣＳＩバス、拡張ＩＤＥバス、またはウルトラＤＭＡバス）を利用して接続できる、フロッピーディスクドライブ、他の着脱可能媒体装置（例えばコンパクトディスク、テープ、および着脱式光磁気媒体）、およびハードディスクまたは他の固定高密度媒体ドライブを含むことができる。コンピュータはまた、同一デバイスバスまたは別のデバイスバスに接続できる、コンパクトディスクリーダ、コンパクトディスクリーダ／ライタユニット、またはコンパクトディスクジュークボックスを含むこともできる。
【０１５１】
前述のように、システムは少なくとも１つのコンピュータ読取り可能媒体を含む。コンピュータ読取り可能媒体の例には、コンパクトディスク、ハードディスク、フロッピーディスク、テープ、光磁気ディスク、ＰＲＯＭ（例えばＥＰＲＯＭ、ＥＥＰＲＯＭ、フラッシュＥＰＲＯＭ）、ＤＲＡＭ、ＳＲＡＭ、ＳＤＲＡＭ等がある。本発明は、コンピュータ読取り可能媒体のいずれか１つまたは組合せに格納されるソフトウェアを含み、このソフトウェアにより、コンピュータのハードウェアを制御し、またコンピュータをユーザと対話させる。このようなソフトウェアはデバイスドライバ、オペレーティングシステムおよび開発ツールのようなユーザアプリケーション（これらに限定されない）を含むことができる。本発明のコンピュータプログラム製品は、コンピュータプログラム命令を格納する（例えばコンピュータコードデバイス）いずれかのコンピュータ読取り可能媒体を含み、前記命令を実行することにより、コンピュータが本発明の方法を遂行する。本発明のコンピュータコードデバイスは、スクリプト、インタープリタ、ダイナミックリンクライブラリ、Ｊａｖａクラス、および完全な実行可能プログラム（ただしこれに限定されない）を含む、任意の解釈可能または実行可能コード方式であってもよい。さらに、本発明処理の一部を分散して（例えば、（１）複数ＣＰＵまたは（２）少なくとも１つのＣＰＵおよび少なくとも１つの設定可能論理デバイス）、性能、信頼性および／またはコストの点で向上させることができる。例えば、アウトラインまたは画像を第１コンピュータ上で選択して第２コンピュータに送り、遠隔診断することもできる。
【０１５２】
本発明はまた、当業者には明らかなように、特定用途向け集積回路を装備するかまたは従来の構成回路の適正なネットワークを相互接続することにより実現できる。
本発明の好ましい実施形態について説明してきたが、これら説明は単に例示のためのものであり、本発明を限定するものではない。例えば、前述の本発明の実施形態は、コンピュータ支援診断および結腸直腸のポリープに対するシステムに関するものであったが、当業者には、これら開示された方法および構造は容易に、他の器官の別の種類の病変を含む広範な用途に適用できることは認識されるであろう。さらに、本発明は他の医学的異常を検出するための、多くの他の種類のＣＡＤシステムに適用できる。
【０１５３】
さらに、前述の説明により、本発明は、器官病変のコンピュータ支援検出に対して他のシステムおよび方法を上回る大きな利点を有することは理解されるであろう。また、限定された数の本発明の実施形態を説明の目的で詳細に述べてきたが、本発明の精神および範囲から逸脱することなく、様々な変更が可能であることは理解されるであろう。したがって、本発明は添付の特許請求の範囲によるものを除き、限定されないものとする。
【０１５４】
【表１】

【０１５５】
【表２】

【０１５６】
【表３】

【０１５７】
【表４】

【０１５８】
【表５】

【図面の簡単な説明】
【０１５９】
【図１】本発明による、目的の器官を取り囲む厚い被検査領域内の、少なくとも１つの３次元的に拡大した病変を識別する工程を図示するフローチャートである。
【図２】本発明による、目的の器官の知覚誘導される分割における工程を図示するフローチャートである。
【図３ａ】オリジナルのＣＴ撮像部位を示す結腸分割の図である。
【図３ｂ】分割された外部の空気（体を示す）を示す結腸分割の図である。
【図３ｃ】分割された骨を示す結腸分割の図である。
【図３ｄ】分割された肺の底を示す結腸分割の図である。
【図３ｅ】解剖学に基づいた抽出後の分割を示す結腸分割の図である。
【図３ｆ】結腸に基づいた分析後の最後の分割を示す結腸分割の図である。
【図４】解剖学に基づいた抽出（ＡＢＥ）方法による結腸の分割における工程を示すフローチャートである。
【図５】空気（Ｌ_Ａ）、脂肪（Ｌ_Ｆ）および筋肉（Ｌ_Ｍ）に対して３つの特徴的なピークを示す、ＣＴコロノグラフィ（ＣＴＣ）の一般的なヒストグラムである。
【図６ａ】肺の連結している構成要素の選択に使用される、２点Ｐ_ＲおよびＰ_Ｌを示す肺の局部ヒストグラム収集のための対象の撮像部位を示す図である。
【図６ｂ】肺Ｌ_Ｌに対するピークを示す局部ヒストグラムを示す図である。
【図７】結腸がデータの再構成の制限により切り取られているため、第２プロトコルが結腸の分割において適用される場合の例を示す。
【図８ａ】オリジナルの等方性のＣＴ撮像部位の図である。
【図８ｂ】赤で着色された結腸外の構成要素を有する、ＡＢＥ工程により分割された領域の図である。
【図８ｃ】結腸外の構成要素がＡＢＥ工程およびＣＢＡ工程により生成された分割を交差することにより除去された完全な分割の図である。
【図９ａ】矢印により示されている、複数の外部の空気の物体を含む、オリジナルのＣＴ撮像部位の図である。
【図９ｂ】矢印により示されている、余分の構成要素を残す、外部の空気の物体の部分を除去できていない第２の分割方法の図である。
【図９ｃ】完全に外部の空気の領域を除去する、より好ましい解剖学に基づいた抽出方法の図である。
【図１０ａ】表記（１）により示されたとおり、分割された骨の領域の上部５つのアキシャルスライスにおいて脊柱の空間の位置の決定により（結腸を含んでいない）背面の体の領域を除去した図である。
【図１０ｂ】表記（１）により示されたとおり、分割された骨の領域の上部５つのアキシャルスライスにおいて脊柱の空間の位置の決定により（結腸を含んでいない）背面の体の領域を除去した図である。
【図１０ｃ】表記（１）により示されたとおり、分割された骨の領域の上部５つのアキシャルスライスにおいて脊柱の空間の位置の決定により（結腸を含んでいない）背面の体の領域を除去した図である。
【図１０ｄ】表記（１）により示されたとおり、分割された骨の領域の上部５つのアキシャルスライスにおいて脊柱の空間の位置の決定により（結腸を含んでいない）背面の体の領域を除去した図である。
【図１１】好ましいＡＢＥ工程（シアン）が、分割された領域において正確に直腸を含み、結腸全体を含むために対象のより大きな体積を作成する一方、直腸（矢印）のような結腸の小さな切断された領域を除外する、第２の分割方法（黄色）の図である。
【図１２ａ】オリジナルのＣＴスライスのアキシャル像の図である。
【図１２ｂ】ＡＢＥ方法により得られた分割された結腸（シアン）のアキシャル像の図である。
【図１２ｃ】撮像部位生成による結腸の病変の分割（青）のアキシャル像の図である。
【図１２ｄ】分割された結腸の病変の拡大のアキシャル像の図である。
【図１２ｅ】ＡＢＥおよびＣＢＡにより分割された領域の横断面のアキシャル像の図である。
【図１２ｆ】最終的な完全な分割（緑）およびＡＢＥ工程により除去された領域（赤）の同時表示のアキシャル像の図である。
【図１３ａ】直腸の位置を特定するために対象の撮像部位（点線のボックス）を定義する第１の５０の尾部のスライスを有する、ＣＴ撮像部位のコロナルおよびサジタル像である。
【図１３ｂ】直腸を含む対象の撮像部位のコロナルおよびサジタル像（上列）、「Ｒ」によりしるしを付けられた直腸による反転されたマスク（中央の列、およびシードボクセルの可能な位置を示す「ｓ」を有する最終的な分割された直腸（底辺の列）である。
【図１４ａ】空気シードがＡＢＥ分割の中に存在しない、（無効な領域が、赤に着色され、矢印が（ｆ）内に可能な箇所を示す）空気シードを選択する状態の図である。
【図１４ｂ】空気シードが以前に識別された結腸外の構成要素内に存在しない、（無効な領域が、赤に着色され、矢印が（ｆ）内に可能な箇所を示す）空気シードを選択する状態の図である。
【図１４ｃ】空気シードがハウンズフィールド単位が９００を超えないＣＴ値を有する、（無効な領域が、赤に着色され、矢印が（ｆ）内に可能な箇所を示す）空気シードを選択する状態の図である。
【図１４ｄ】空気シードが現在のＣＢＡ分割の中に存在しない、（無効な領域が、赤に着色され、矢印が（ｆ）内に可能な箇所を示す）空気シードを選択する状態の図である。
【図１４ｅ】空気シードが囲まれているＣＴ撮像部位の境界に近くに存在しない、（無効な領域が、赤に着色され、矢印が（ｆ）内に可能な箇所を示す）空気シードを選択する状態の図である。
【図１４ｆ】空気シードを選択する状態の図であり、無効な領域が、赤に着色され、矢印が可能な箇所を示す。
【図１５ａ】上部２５％および底辺５％のスライス（点線の白いボックス）を削除して形成され、かつ分割された結腸が関連する６つのゾーンに分割されている、対象の撮像部位（立体の白いボックス）の図である。
【図１５ｂ】ゾーンの４つの内容の例の図である。
【図１６ａ】「Ａ」および「Ｂ」と表記された部分において分割されたボクセルの数を比較することにより、上方および下方に向かう結腸が存在するかどうか確認することを含む、結腸の完全な分割が満たすべき状態の図である。
【図１６ｂ】少なくとも１００ｍｍ^３のボクセルが点線のボックスにより示されている領域の中で分割されているかどうか確認することによりＳ字結腸の存在を検査することを含む、結腸の完全な分割が満たすべき状態の図である。
【図１７】本発明による、幾何学的な特性値に基づいた病変候補のセットを検出する工程と、撮像部位、形態的、および／または組織の特性統計値に基づいた病変候補のセットから少なくとも１つの病変を選択する工程と、を図示するフローチャートである。
【図１８】撮像部位形状の指数値に対する代表的形状の関係を示す図である。
【図１９ａ】ポリープ、ひだ、および病変の間の違いを示す被検査部位形状指数の影響の図であり、ボックス内のポリープのアキシャル画像を示す。
【図１９ｂ】ポリープ、ひだ、および病変の間の違いを示す被検査部位形状指数の影響の図であり、矢印により示されたポリープおよび被検査部位形状の指数値により着色されたポリープの３次元の腔内端図のアキシャル画像を示す。
【図１９ｃ】ポリープ、ひだ、および病変の間の違いを示す被検査部位形状指数の影響の図であり、被検査部位形状の指数値により着色されたアキシャル画像を示す。
【図１９ｄ】ポリープ、ひだ、および病変の間の違いを示す被検査部位形状指数の影響の図であり、ボックス内のポリープのアキシャル画像を示す。
【図１９ｅ】ポリープ、ひだ、および病変の間の違いを示す被検査部位形状指数の影響の図であり、矢印により示されたポリープおよび被検査部位形状の指数値により着色されたポリープの３次元の腔内端図のアキシャル画像を示す。
【図１９ｆ】ポリープ、ひだ、および病変の間の違いを示す被検査部位形状指数の影響の図であり、被検査部位形状の指数値により着色されたアキシャル画像を示す。
【図２０ａ】完全なガウス球体およびガウス半球を有するファントムの断面図である。
【図２０ｂ】ＥＣ応答の断面図である。
【図２０ｃ】ＤＥＣ応答の断面図である。
【図２１ａ】勾配の密度の計算において、方向の数の増加により局部的な勾配の密度の予測を向上させる方法を示す４つの２次元の図である。
【図２１ｂ】方向性の勾配の密度（ＤＧＣ）の計算に使用される係数の計算の図である。
【図２２ａ】密度がガウス関数と同様に中心方向に増加し、かつ全ベクトルが中心を指している、円状の密度を示す、勾配集中度の２次元の例の図である。
【図２２ｂ】傾斜ベクトルが、対象の体積の半分のみ中心を指す、半球の密度を示す、勾配集中度の２次元の例の図である。
【図２２ｃ】勾配ベクトル（存在する場合）がランダムな方向に指す状態を示す、勾配集中度の２次元の例の図である。
【図２２ｄ】境界領域内に発生するとき、勾配ベクトルが同一方向を指す状態を示す、勾配集中度の２次元の例の図である。
【図２２ｅ】勾配ベクトルが中心から離れる方向を指す状態を示す、勾配集中度の２次元の例の図である。
【図２２ｆ】いくつかの勾配ベクトルは中心を指しているが、正確な半球の密度パターンを形成しない、非特異的な状態を示す、勾配集中度の２次元の例の図である。
【図２３ａ】ガウスのウエッジ、球体および半球を有するファントムを示す図である。
【図２３ｂ】勾配集中度に基づいて着色されたファントムの断面図を示す図である。
【図２３ｃ】方向性の勾配集中度に基づいて着色されたファントムの断面図を示す図である。
【図２４ａ】撮像部位形状指数の平均値およびポリープ候補の方向性密度を示す２Ｄ平面の分割を示す２次判別式の分析の図である。
【図２４ｂ】ラウンドロビン評価法で作成される複数の分割を示す２次判別式の分析の図である。
【図２５ａ】ＴＰポリープ候補（左）およびＦＰポリープ候補（右）内の特性値のヒストグラムであり、ＳＩ特性を示す。
【図２５ｂ】ＴＰポリープ候補（左）およびＦＰポリープ候補（右）内の特性値のヒストグラムであり、ＧＣ特性を示す。
【図２５ｃ】ＴＰポリープ候補（左）およびＦＰポリープ候補（右）内の特性値のヒストグラムであり、（ハウンズフィールド単位での）ＣＴ値特性を示す。
【図２６ａ】雲状の背景の物質に分解するポリープ（矢印）のアキシャル、コロナル、およびサジカル像の図である。
【図２６ｂ】ＳＩ値のヒストグラムの上端（矢印）において、実際のポリープの領域が微妙なポリープ状のパターンを示すが、取り囲む雲状の物質がＳＩの最低値に延びるＳＩ値のテール部を形成する図である。
【図２７ａ】ヒストグラムに基づく特性分析工程において使用される、ＳＩ、ＧＣ、およびＣＴ値のしきい値のポリープ感度８６％、９０％および９５％において２７のＣＴＣデータセットから２１のポリープの検出において得られた、患者１人あたりのＦＰの平均数の変化を図示するものであり、ＧＣ＝０．４およびＣＴ＝−３００Ｈｕの場合のＳＩしきい値の影響の図である。
【図２７ｂ】ヒストグラムに基づく特性分析工程において使用される、ＳＩ、ＧＣ，およびＣＴ値のしきい値のポリープ感度８６％、９０％および９５％において２７のＣＴＣデータセットから２１のポリープの検出において得られた、患者１人あたりのＦＰの平均数の変化を図示するものであり、ＳＩ＝０．７２５およびＣＴ＝−３００Ｈｕの場合のＧＣしきい値の影響の図である。
【図２７ｃ】ヒストグラムに基づく特性分析工程において使用される、ＳＩ、ＧＣ，およびＣＴ値のしきい値のポリープ感度８６％、９０％および９５％において２７のＣＴＣデータセットから２１のポリープの検出において得られた、患者１人あたりのＦＰの平均数の変化を図示するものであり、ＳＩ＝０．７２５およびＧＣ＝０．４の場合のＣＴ値のしきい値の影響の図である。
【図２８】２１のポリープを有する１４人の患者を含む、患者７２人（１４４データセット）に基づいた、患者によるおよびポリープによる分析のための本発明の方法のＦＲＯＣ曲線であり、特性誘導分析を用いて得られるＦＲＯＣ曲線は、ファジィクラスタリングを用いて得られる曲線に比べて、高い検出性能を示す。
【図２９】本発明による、目的の器官を取り囲む厚い被検査領域内の少なくとも１つの３次元的に拡大した病変を識別するためのシステムを示す図である。

Claims (43)

1. 目的器官の内面、外面、および関与組織を取り囲む被検査領域を画定する断面画像のセットを処理する方法であって、
   目的器官の前記断面画像のセットからスキャンされた全体撮像部位を表すボクセルのセットを取得することと、
   分割を実行して、スキャンされた全体撮像部位を表す前記ボクセルのセットから被検査領域を表すボクセルのセットを抽出することと、
   を含む方法。
2. 前記取得する工程は、
   目的器官の前記断面画像のセットにおいて隣接する画像上で対応するピクセルを決定することと、
   前記対応するピクセルを連結して、スキャンされた全体撮像部位を表すボクセルのセットを得ることと、
   を含む請求項１に記載の方法。
3. 前記分割を実行する工程は、
   目的器官に特有の値を用いて、スキャンされた全体撮像部位を表す前記ボクセルセットをしきい値処理することにより第１セットの分割ボクセルを生成することと、
   前記第１セットの分割ボクセルに器官に基づく分析を実行して、第２セットの分割ボクセルを取得することと、
   前記第１セットの分割ボクセルおよび第２セットの分割ボクセルの交差を決定して、目的器官の内面、外面、および関与組織を取り囲む被検査領域を表わすボクセルのセットを取得することと、
   を含む請求項１に記載の方法。
4. 前記器官に基づく分析を実行する工程は、
   空気シードボクセルを選択することと、
   所定の条件のセットを満足する場合は、前記第２セットの分割ボクセル内にある前記空気シードボクセルの近辺内の空間的に連結されたボクセルを指定することと、
   前記第２セットの分割ボクセル内で指定されたボクセルの数が、前記の指定工程に含まれるボクセルの数を所定のパーセンテージを超えて減少するまで、前記選択および指定工程を繰り返すことと、
   を含む請求項３に記載の方法。
5. 前記繰返し工程は、前記第２セットの分割ボクセル内で指定されたボクセルの数が所定数を超えて減少するまで、前記選択および指定工程を繰り返すことを含む請求項４に記載の方法。
6. 前記指定工程は、前記所定条件として、
   （１）空間的に連結されたボクセルの領域内の各ボクセルが前記第１セットの分割ボクセル内に存在しないかどうか、および
   （２）空間的に連結されたボクセルの領域内の各ボクセルが、関連ボクセル値およびボクセル勾配を有し、各ボクセルの前記値が目的器官の壁に関連する所定の値より低い値であるかどうかを判断することを含む請求項４に記載の方法。
7. 前記第２セットの分割ボクセル内にある表面ボクセルの領域を指定することと、
   表面ボクセルの前記領域が前記第１セットの分割ボクセル内のボクセルの層の第１の所定のパーセンテージより多い層と交差するまで、前記指定工程を繰り返すことと、
   表面ボクセルの前記領域が前記第１セットの分割ボクセル内のボクセルの層の第２の所定のパーセンテージより少ない層と交差するまで、前記の指定工程を繰り返すことと、
   をさらに含む請求項４に記載の方法。
8. 前記空気シードボクセル選択工程は、
   （１）前記第１セットの分割ボクセル内に存在しない、（２）所定の値より小さいボクセル値を有する、（３）前記第２セットの分割ボクセル内に存在しない、および（４）前記スキャンされた全体撮像部位の境界に近接しない、ボクセルを選択することを含む請求項４に記載の方法。
9. 被検査領域を表す前記ボクセルのセット内の各ボクセルにおける幾何学的特性値に基づいて候補病変のセットを検出することと、
   前記候補病変のセット内の各病変候補の被検査部位特性値および形態特性値の少なくとも１つに基づき、前記病変候補のセットから少なくとも１つの３次元的に拡大された病変を選択することと、
   前記選択工程において選択された、前記少なくとも１つの３次元的に拡大された病変を表すボクセルのセットを出力することと、
   をさらに含む請求項１に記載の方法。
10. 前記検出工程は、
    被検査領域を表す前記ボクセルのセット内の各ボクセルに対して幾何学的特性値を計算することと、
    前記計算工程において計算された幾何学的特性値を使用して、初期の病変候補のセットを生成することと、
    前記初期の病変候補のセットをクラスタ化して、病変候補のセットを生成することと、
    を含む請求項９に記載の方法。
11. 前記計算工程は、
    被検査領域を平滑化して、複数のスケールで被検査領域を生成することと、
    被検査領域を表す前記ボクセルのセット内の各ボクセルに対して、少なくとも１つのスケールで、撮像部位形状指数を決定することと、
    被検査領域を表す前記ボクセルのセット内の各ボクセルに対して、前記少なくとも１つのスケールで、撮像部位湾曲値を決定することと、
    を含む請求項９に記載の方法。
12. 初期病変候補のセットを生成する前記工程は、
    第１の所定範囲内の撮像部位形状指数と第２の所定範囲内の撮像部位湾曲値とを有するシードボクセルのセットを識別することと、
    前記シードボクセルのセット内のシードボクセルに近接する空間的に連結しているボクセルの拡張領域を決定することと、
    前記拡張領域に対して条件付きの形態的拡大を適用して拡大された拡張領域を取得することと、
    前記拡大された拡張領域を前記初期病変候補のセット内の初期病変候補として指定することと、
    前記シードボクセルのセット内の各シードボクセルに対して、前記の決定、適用、および指定工程を繰り返すことと、
    を含む請求項１０に記載の方法。
13. 条件付き形態拡大を適用する前記工程は、
    拡大された領域が目的器官の境界に達するまで、形態拡大により前記拡張領域を拡大することと、
    前記拡大工程の間に前記拡張領域の拡張率を測定することと、
    最少拡張率の拡張領域を前記拡大された拡張領域として指定することと、
    を含む請求項１２に記載の方法。
14. 前記クラスタ化の工程は、
    前記初期病変候補のセット内の、相互に所定距離以内にある初期病変候補を一体化して、減少した病変候補のセットを取得することと、
    前記減少した病変候補のセットをグループ化して、病変クラスタのセットを取得することと、
    前記病変クラスタのセットから、所定の最少撮像部位より小さい全体撮像部位を有する病変クラスタを削除して、候補病変のセットを取得することと、
    を含む請求項１０に記載の方法。
15. 前記選択工程は、
    前記病変候補のセット内の真陽性病変のセットを選択することと、
    前記真陽性病変のセットを前記少なくとも１つの３次元的に拡大された拡大病変として出力することと、
    を含む請求項９に記載の方法。
16. 真陽性病変のセットを選択する前記工程は、
    前記病変候補のセットを表わすボクセルセット内の各ボクセルに対して少なくとも１つの特性値を計算することと、
    前記病変候補のセット内の各病変に対して前記少なくとも１つの特性値の統計値を計算することと、
    前記の計算工程で計算された前記少なくとも１つの特性値の統計値の分析に基づいて、前記病変候補のセットを偽陽性病変のセットおよび真陽性病変のセットに区分することと、
    を含む請求項１５に記載の方法。
17. 少なくとも１つの特性値を計算する前記工程は、
    病変候補のセットを表わす前記ボクセルセット内の各ボクセルに対して勾配集中度特性値を計算することと、
    病変候補のセットを表わす前記ボクセルセット内の各ボクセルに対して、撮像部位形状指数、撮像部位湾曲値、およびボクセル値の勾配の内の少なくとも１つを計算することと、
    所定の範囲内に特性値を有するボクセルのセットを識別して、病変候補の限定されたセットを生成することと、
    病変候補の前記限定されたセットを表わすボクセルセットに対して、勾配集中度特性値、撮像部位形状指数、撮像部位湾曲値、およびボクセル値の勾配の内の少なくとも１つを計算することと、
    を含む請求項１６に記載の方法。
18. 少なくとも１つの特性値の統計値を計算する前記工程は、
    前記拡大された病変候補のセット中の各病変候補内の全ボクセルの特性値を使用して、平均、最小、最大、分散、標準偏差、ひずみ、尖度、および最小と最大の比の内の少なくとも１つを決定することを含む請求項１６に記載の方法。
19. 前記区分工程は、
    線形識別選別器、２次識別選別器、ニューラルネットワーク、およびサポートベクトルマシンの内の少なくとも１つを使用して、前記病変候補のセットを区別することを含む請求項１６に記載の方法。
20. 勾配集中度特性を計算する前記工程は、
    病変候補の拡大されたセットを表わす前記ボクセルセット内の各ボクセルに対して、ボクセル値の勾配ベクトルを決定することと、
    病変候補の拡大されたセットを表わす前記ボクセルセット内の各ボクセルに対して、前記勾配ベクトルの集中度を計算することと、
    を含む請求項１７に記載の方法。
21. 前記取得する工程は、
    結腸の断面コンピュータトモグラフ画像のセットからスキャンされた全体撮像部位を表わすボクセルのセットを取得することを含む請求項１に記載の方法。
22. 分割を実行する前記工程は、
    結腸に特有の値を用いて、スキャンされた全体撮像部位を表す前記ボクセルセットをしきい値処理することにより第１セットの分割ボクセルを生成することと、
    前記第１セットの分割ボクセルに結腸に基づく分析を実行して、第２セットの分割ボクセルを取得することと、
    前記第１セットの分割ボクセルおよび第２セットの分割ボクセルの交差を決定して、結腸の内面、外面、および関与組織を取り囲む被検査領域を表わすボクセルのセットを取得することと、
    を含む請求項１に記載の方法。
23. 分割を実行する前記工程は、
    スキャンされた全体撮像部位を表わす前記ボクセルセットから目的器官以外の器官を表わすボクセルを削除することを含む請求項１に記載の方法。
24. 目的器官の内面、外面、および関与組織を取り囲む被検査領域を表わすボクセルセットから少なくとも１つの３次元的に拡大された病変を識別する方法であって、
    被検査領域を表す前記ボクセルのセット内の各ボクセルにおける幾何学的特性値に基づいて候補病変のセットを検出することと、
    前記候補病変のセット内の各病変候補の被検査部位特性値および形態特性値の少なくとも１つに基づき、前記病変候補のセットから前記少なくとも１つの３次元的に拡大された病変を選択することと、
    前記選択工程において選択された、前記少なくとも１つの３次元的に拡大された病変を表わすボクセルのセットを出力することと、
    を含む方法。
25. 前記検出工程は、
    被検査領域を表す前記ボクセルセット内の各ボクセルに対して幾何学的特性値を計算することと、
    前記計算工程において計算された前記幾何学的特性値を使用して、初期の病変候補のセットを生成することと、
    前記初期の病変候補のセットをクラスタ化して、病変候補のセットを生成することと、を含む請求項２４に記載の方法。
26. 前記計算工程は、
    被検査領域を平滑化して、複数のスケールで被検査領域を生成することと、
    被検査領域を表す前記ボクセルのセット内の各ボクセルに対して、少なくとも１つのスケールで、撮像部位形状指数を決定することと、
    被検査領域を表す前記ボクセルのセット内の各ボクセルに対して、前記少なくとも１つのスケールで、撮像部位湾曲値を決定することと、
    を含む請求項２５に記載の方法。
27. 初期病変候補のセットを生成する前記工程は、
    第１の所定範囲内の撮像部位形状指数と第２の所定範囲内の撮像部位湾曲値とを有するシードボクセルのセットを識別することと、
    前記シードボクセルのセット内のシードボクセルに近接する空間的に連結しているボクセルの拡張領域を決定することと、
    前記拡張領域に対して条件付きの形態的拡大を適用して、拡大された拡張領域を取得することと、
    前記拡大された拡張領域を前記初期病変候補のセット内の初期病変候補として指定することと、
    前記シードボクセル内の各シードボクセルに対して、前記の決定、適用、および指定工程を繰り返すことと、
    を含む請求項２５に記載の方法。
28. 条件付き形態拡大を適用する前記工程は、
    拡大された領域が目的器官の境界に達するまで、形態拡大により前記拡張領域を拡大することと、
    前記拡大工程の間に拡張領域の拡張率を測定することと、
    最少拡張率の拡張領域を前記拡大された拡張領域として指定することと、
    を含む請求項２７に記載の方法。
29. 前記クラスタ化の工程は、
    前記初期病変候補のセット内の、相互に所定距離以内にある初期病変候補を一体化して、減少した病変候補のセットを取得することと、
    前記減少した病変候補のセットをグループ化して、病変クラスタのセットを取得することと、
    前記病変クラスタのセットから、所定の最少撮像部位より小さい全体撮像部位を有する病変クラスタを削除して、病変候補のセットを取得することと、
    を含む請求項２５に記載の方法。
30. 前記選択工程は、
    前記病変候補のセットから真陽性病変のセットを選択することと、
    前記真陽性病変のセットを前記少なくとも１つの３次元的に拡大された拡大病変として出力することと、
    を含む請求項２４に記載の方法。
31. 真陽性病変のセットを選択する前記工程は、
    病変候補のセットを表わす前記ボクセルセット内の各ボクセルに対して少なくとも１つの特性値を計算することと、
    前記病変候補のセット内の各病変に対して少なくとも１つの特性値の統計値を計算することと、
    前記計算工程で計算された前記少なくとも１つの特性値の統計値の分析に基づいて、前記病変候補のセットを偽陽性病変のセットおよび真陽性病変のセットに区分することと、を含む請求項３０に記載の方法。
32. 少なくとも１つの特性値を計算する前記工程は、
    病変候補のセットを表わす前記ボクセルセット内の各ボクセルに対して勾配集中度特性値を計算することと、
    病変候補のセットを表わす前記ボクセルセット内の各ボクセルに対して、撮像部位形状指数、撮像部位湾曲値、およびボクセル値の勾配の内の少なくとも１つを計算することと、
    所定の範囲内に特性値を有するボクセルのセットを識別して、病変候補の限定されたセットを生成することと、
    病変候補の前記限定されたセットを表わすボクセルセットに対して、勾配集中度特性値、撮像部位形状指数、撮像部位湾曲値、およびボクセル値の勾配の内の少なくとも１つを計算することと、
    を含む請求項３１に記載の方法。
33. 少なくとも１つの特性値の統計値を計算する前記工程は、
    前記拡大された病変候補のセット中の各病変候補内の全ボクセルの特性値を使用して、平均、最小、最大、分散、標準偏差、ひずみ、尖度、および最小と最大の比の内の少なくとも１つを決定することを含む請求項３１に記載の方法。
34. 前記区分工程は、
    線形識別選別器、２次識別選別器、ニューラルネットワーク、およびサポートベクトルマシンの内の少なくとも１つを使用して、前記病変候補のセットを区別することを含む請求項３１に記載の方法。
35. 勾配集中度特性を計算する前記工程は、
    病変候補の拡大されたセットを表わす前記ボクセルセット内の各ボクセルに対して、ボクセル値の勾配ベクトルを決定することと、
    病変候補の拡大されたセットを表わす前記ボクセルセット内の各ボクセルに対して、前記勾配ベクトルの集中度を計算することと、
    を含む請求項３２に記載の方法。
36. 複数のコンピュータプログラム命令を格納し、この命令をコンピュータが実行することにより、コンピュータが請求項１乃至３５のいずれか１項に記載の工程を実行するように構成された、コンピュータプログラム製品。
37. 請求項１乃至２３のいずれか１項に記載の工程を実行することにより、目的器官の内面、外面、および関与組織を取り囲む被検査領域を画定する断面画像のセットを処理するように構成されたシステム。
38. 請求項２４乃至３５のいずれか１項に記載の工程を実行することにより、目的器官の内面、外面、および関与組織を取り囲む厚い被検査領域内の少なくとも１つの３次元的に拡大された病変を識別するように構成されたシステム。
39. 器官の断面画像のセットから導き出される、この器官の３次元分割を表わす信号であって、
    前記器官の内面を表わす第１信号部分と、
    前記器官の外面を表わす第２信号部分と、
    前記器官の前記内面と前記外面との間にある組織を表わす第３信号部分と、
    を含む信号。
40. 前記第１信号部分は、
    前記断面画像のセット内の近接画像上の対応するピクセルを決定する工程と、
    前記対応するピクセルを連結して、スキャンされた全体撮像部位を表わすボクセルのセットを取得する工程と、
    前記スキャンされた全体撮像部位を表わすボクセルのセットから前記器官以外の器官を表わすボクセルを削除して、減少した撮像部位を表わすボクセルのセットを取得する工程と、
    前記減少した撮像部位を表わすボクセルのセットに対して器官に基づく分析を実行して、第１信号部分を取得する工程と、
    を実行することにより得られる、請求項３９に記載の信号。
41. 前記第２信号部分は、
    前記断面画像のセット内の近接画像上の対応するピクセルを決定する工程と、
    前記対応するピクセルを連結して、スキャンされた全体撮像部位を表わすボクセルのセットを取得する工程と、
    前記スキャンされた全体撮像部位を表わすボクセルのセットから前記器官以外の器官を表わすボクセルを削除して、減少した撮像部位を表わすボクセルのセットを取得する工程と、
    前記器官の外面に特有の値を用いて減少した撮像部位を表わす前記ボクセルのセットをしきい値処理することにより第２信号部分を生成する工程と、
    を実行することにより得られる、請求項３９に記載の信号。
42. 前記第３信号部分は、
    断面画像のセット内の近接画像上の対応するピクセルを決定する工程と、
    前記対応するピクセルを連結して、スキャンされた全体撮像部位を表わすボクセルのセットを取得する工程と、
    前記スキャンされた全体撮像部位を表わすボクセルのセットから前記器官以外の器官を表わすボクセルを削除して、減少した撮像部位を表わすボクセルのセットを取得する工程と、
    前記減少した撮像部位を表わすボクセルのセットに対して器官に基づく分析を実行して、第３信号部分を取得する工程と、
    を実行することにより得られる、請求項３９に記載の信号。
43. 器官の３次元分割を表わす信号であって、
    前記器官の断面画像のセットを取得する工程と、
    前記断面画像のセット内の近接画像上の対応するピクセルを決定する工程と、
    前記対応するピクセルを連結して、スキャンされた全体撮像部位を表わすボクセルのセットを取得する工程と、
    前記スキャンされた全体撮像部位を表わすボクセルのセットから、前記器官の３次元分割を表わす信号を抽出する工程と、
    を実行することにより生成される信号。

Images