JP2005506140A - コンピュータ支援の3次元病変検出方法 - Google Patents
コンピュータ支援の3次元病変検出方法 Download PDFInfo
- Publication number
- JP2005506140A JP2005506140A JP2003536840A JP2003536840A JP2005506140A JP 2005506140 A JP2005506140 A JP 2005506140A JP 2003536840 A JP2003536840 A JP 2003536840A JP 2003536840 A JP2003536840 A JP 2003536840A JP 2005506140 A JP2005506140 A JP 2005506140A
- Authority
- JP
- Japan
- Prior art keywords
- voxels
- voxel
- lesion
- representing
- region
- 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.)
- Pending
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30028—Colon; Small intestine
- G06T2207/30032—Colon polyp
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
【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
【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、LA、LL、LFおよびLM)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、Ra、RbおよびRl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。TCT(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LA、LL、LFおよびLMを得る。次に、RaがTCT(−∞,(LA+LF)/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、LLは肺の局部ヒストグラムのピークCT値である(図6)。点PLおよび点PR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(Ra、Rb、およびRl)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={pi}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、|pi|は構成要素pi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|PL|≧|pj|について、構成要素PL∈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Rfc=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、Rfc=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。ri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(CaおよびCd)の間の対称性は、CaとCd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、250,000mm3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R3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k1≠k2である。SIおよびCVにまで広がる空間は、主曲率k1およびk2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(k1,k2)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R0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Rj−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R0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Rpを決定するために、Rjを得るためにRi−1に追加したボクセルの量Ni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R0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Mf=||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Ciに対してメンバーシップ関数θi(p)∈[0,1]を定義することである。θi(p)の値が大きい場合、pはクラスタCiに属すると予測される。
【0102】
si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siの中心はクラスタ中心の初期予測中心として使用し、p∈siの場合はθi(p)=1、そうでない場合はθi(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θi(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、θi(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38mm3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、Rmax)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Fj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TFjを超える。しきい値TFj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。siはポリープ候補を表わし、fi(j)(j=1、...,Ni)はsiのNi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、mkはsi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、si=(si 1,si 2,...si N)はポリープ候補siのN次元特性ベクトルを表わし、要素si 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{si}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(si;w)RN→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(si;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CTPと偽陽性クラスCFPに分類される。
【0129】
【数38】
ポリープのクラスCP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(Az)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Az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、Az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Az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)。Az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Az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Az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Az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Az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Az値が増加する。ただし、平均(SI)がそれに関して0.92の高いAz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Az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Az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、Az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Az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、TSI∈[0.5,0.9](SI∈[0,1])、TGC∈[0.0,0.5](GC∈[−1,1])、およびTCT∈[−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TMGC∈[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(TSI,TGC,TCT)=(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(TSI,TMGC,TCT)=(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(LA)、脂肪(LF)および筋肉(LM)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PRおよびPL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LL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100mm3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)
- 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。 - 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。 - 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。 - 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。 - 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。
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
- 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。
- 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。
- 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。 - 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。 - 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。 - 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。 - 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。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US32932201P | 2001-10-16 | 2001-10-16 | |
PCT/US2002/031578 WO2003034176A2 (en) | 2001-10-16 | 2002-10-16 | Computer-aided detection of three-dimensional lesions |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2005506140A true JP2005506140A (ja) | 2005-03-03 |
JP2005506140A5 JP2005506140A5 (ja) | 2005-12-22 |
Family
ID=23284853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2003536840A Pending JP2005506140A (ja) | 2001-10-16 | 2002-10-16 | コンピュータ支援の3次元病変検出方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US7379572B2 (ja) |
EP (1) | EP1436771B1 (ja) |
JP (1) | JP2005506140A (ja) |
AT (1) | ATE514144T1 (ja) |
AU (1) | AU2002356539A1 (ja) |
WO (1) | WO2003034176A2 (ja) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007014483A (ja) * | 2005-07-06 | 2007-01-25 | Toshiba Corp | 医用診断装置及び診断支援装置 |
JP2007209538A (ja) * | 2006-02-09 | 2007-08-23 | Ziosoft Inc | 画像処理方法および画像処理プログラム |
WO2007102295A1 (ja) * | 2006-03-08 | 2007-09-13 | Olympus Medical Systems Corp. | 医療用画像処理装置及び医療用画像処理方法 |
WO2007102296A1 (ja) * | 2006-03-08 | 2007-09-13 | Olympus Medical Systems Corp. | 医療用画像処理装置及び医療用画像処理方法 |
WO2007111050A1 (ja) * | 2006-03-28 | 2007-10-04 | Olympus Medical Systems Corp. | 医療用画像処理装置及び医療用画像処理方法 |
JP2008510565A (ja) * | 2004-08-24 | 2008-04-10 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 標識された糞便または虚脱結腸領域の存在下で結腸壁を抽出するためのシステムおよび方法 |
WO2008044365A1 (fr) * | 2006-10-12 | 2008-04-17 | Olympus Medical Systems Corp. | Dispositif de traitement d'image médicale et procédé de traitement d'image médicale |
JP2009512479A (ja) * | 2005-10-21 | 2009-03-26 | 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 | レンダリング方法及び装置 |
JP2009518143A (ja) * | 2005-12-09 | 2009-05-07 | ブラウン ユニバーシティ | 表示データ内の関心対象物を識別するための方法および装置 |
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 |
JP2010504794A (ja) * | 2006-09-29 | 2010-02-18 | 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 | 突起検出方法、システム及びコンピュータプログラム |
US8086005B2 (en) | 2006-03-08 | 2011-12-27 | Olympus Medical Systems Corp. | Medical image processing apparatus and medical image processing method |
JP4879028B2 (ja) * | 2004-02-23 | 2012-02-15 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 画像処理方法および画像解析方法ならびにプログラム記憶媒体 |
JP2013508035A (ja) * | 2009-10-15 | 2013-03-07 | ザ・チャールズ・スターク・ドレイパ・ラボラトリー・インコーポレイテッド | 網膜の異常を検出するためのシステムおよび方法 |
WO2017179255A1 (ja) * | 2016-04-13 | 2017-10-19 | 日本メジフィジックス株式会社 | Ct画像中の骨領域の自動推定方法、装置、およびコンピュータプログラム |
JP2020503628A (ja) * | 2016-11-23 | 2020-01-30 | 3ディー システムズ インコーポレイテッド | 複雑なデータのリアルタイムレンダリングのためのシステムおよび方法 |
Families Citing this family (145)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002356539A1 (en) | 2001-10-16 | 2003-04-28 | Abraham Dachman | Computer-aided detection of three-dimensional lesions |
JP2003141548A (ja) * | 2001-10-22 | 2003-05-16 | Ge Medical Systems Global Technology Co Llc | 3次元ラベリング装置及びその方法 |
US7561971B2 (en) * | 2002-03-28 | 2009-07-14 | Exagen Diagnostics, Inc. | Methods and devices relating to estimating classifier performance |
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 |
US8594410B2 (en) * | 2006-08-28 | 2013-11-26 | Definiens Ag | Context driven image mining to generate image-based biomarkers |
US7873223B2 (en) * | 2002-10-15 | 2011-01-18 | Definiens Ag | Cognition integrator and language |
US6912309B2 (en) * | 2003-03-06 | 2005-06-28 | Lockheed Martin Corporation | Method and system for identifying objects in an image |
US7333644B2 (en) * | 2003-03-11 | 2008-02-19 | Siemens Medical Solutions Usa, Inc. | Systems and methods for providing automatic 3D lesion segmentation and measurements |
US7343030B2 (en) * | 2003-08-05 | 2008-03-11 | Imquant, Inc. | Dynamic tumor treatment system |
CN100423029C (zh) * | 2003-08-13 | 2008-10-01 | 美国西门子医疗解决公司 | 用于分析曲率分布的局部模式的方法 |
US7412084B2 (en) | 2003-08-13 | 2008-08-12 | Siemens Medical Solutions Usa, Inc. | Method of analysis of local patterns of curvature distributions |
US20050244042A1 (en) * | 2004-04-29 | 2005-11-03 | General Electric Company | Filtering and visualization of a multidimensional volumetric dataset |
US8165358B2 (en) * | 2004-01-12 | 2012-04-24 | Ge Medical Systems Global Technology Co., Llc | System and method for overlaying color cues on a virtual representation of an anatomical structure |
EP1685522A1 (en) * | 2003-11-12 | 2006-08-02 | Siemens Corporate Research, Inc. | A system and method for filtering and automatic detection of candidate anatomical structures in medical images |
JP4118786B2 (ja) * | 2003-11-14 | 2008-07-16 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | 画像撮影診断支援システム |
US7310435B2 (en) * | 2003-11-25 | 2007-12-18 | General Electric Company | Method and apparatus for extracting multi-dimensional structures using dynamic constraints |
US7480412B2 (en) * | 2003-12-16 | 2009-01-20 | Siemens Medical Solutions Usa, Inc. | Toboggan-based shape characterization |
US7515743B2 (en) * | 2004-01-08 | 2009-04-07 | Siemens Medical Solutions Usa, Inc. | System and method for filtering a medical image |
US20050177040A1 (en) * | 2004-02-06 | 2005-08-11 | Glenn Fung | System and method for an iterative technique to determine fisher discriminant using heterogenous kernels |
WO2005083635A1 (en) * | 2004-02-27 | 2005-09-09 | National University Of Singapore | Method and system for detection of bone fractures |
US7634133B2 (en) * | 2004-03-04 | 2009-12-15 | Siemens Medical Solutions Usa, Inc. | Segmentation of structures based on curvature slope |
CA2564240C (en) * | 2004-04-26 | 2014-10-07 | David F. Yankelevitz | Medical imaging system for accurate measurement evaluation of changes in a target lesion |
US7565009B2 (en) * | 2004-06-07 | 2009-07-21 | Siemens Medical Solutions Usa, Inc. | System and method for dynamic fast tobogganing |
DE102004027708B4 (de) * | 2004-06-07 | 2006-07-27 | Siemens Ag | Verfahren zur medizinischen 3D-Bilddarstellung und -verarbeitung, Computertomografiegerät, Arbeitsstation und Computerprogrammprodukt |
US7609887B2 (en) * | 2004-06-07 | 2009-10-27 | Siemens Medical Solutions Usa, Inc. | System and method for toboggan-based object segmentation using distance transform |
US8326006B2 (en) | 2004-07-09 | 2012-12-04 | Suri Jasjit S | Method for breast screening in fused mammography |
US20060018524A1 (en) * | 2004-07-15 | 2006-01-26 | Uc Tech | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT |
US20060018549A1 (en) * | 2004-07-20 | 2006-01-26 | Jianming Liang | System and method for object characterization of toboggan-based clusters |
US7627173B2 (en) * | 2004-08-02 | 2009-12-01 | Siemens Medical Solutions Usa, Inc. | GGN segmentation in pulmonary images for accuracy and consistency |
US7283654B2 (en) * | 2004-08-26 | 2007-10-16 | Lumeniq, Inc. | Dynamic contrast visualization (DCV) |
DE102004043677B4 (de) * | 2004-09-09 | 2013-11-14 | Siemens Aktiengesellschaft | Verfahren zur Segmentierung anatomischer Strukturen aus 4D-Bilddatensätzen |
US7583829B2 (en) * | 2004-09-13 | 2009-09-01 | Siemens Medical Solutions Usa, Inc. | Method and apparatus for embolism analysis |
WO2006042077A2 (en) * | 2004-10-09 | 2006-04-20 | Viatronix Incorporated | Sampling medical images for virtual histology |
US20060209063A1 (en) * | 2004-10-12 | 2006-09-21 | Jianming Liang | Toboggan-based method for automatic detection and segmentation of objects in image data |
US7127095B2 (en) | 2004-10-15 | 2006-10-24 | The Brigham And Women's Hospital, Inc. | Factor analysis in medical imaging |
US8515200B2 (en) * | 2004-10-29 | 2013-08-20 | New York University | System, software arrangement and method for segmenting an image |
JP4188900B2 (ja) * | 2004-11-15 | 2008-12-03 | ザイオソフト株式会社 | 医療画像処理プログラム |
US7209536B2 (en) * | 2004-11-19 | 2007-04-24 | General Electric Company | CT colonography system |
US7599465B2 (en) | 2004-11-19 | 2009-10-06 | General Electric Company | Detection of thrombi in CT using energy discrimination |
JP4959574B2 (ja) * | 2004-11-26 | 2012-06-27 | 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 | 関心ボリュームの選択 |
DE102004060931A1 (de) * | 2004-12-17 | 2006-07-06 | Siemens Ag | Verfahren zur Vorbereitung der Begutachtung von tomographischen Colon-Aufnahmen |
JP4827745B2 (ja) * | 2005-01-19 | 2011-11-30 | 株式会社日立メディコ | 画像診断支援装置及び画像診断支援プログラム |
US8073210B2 (en) * | 2005-02-14 | 2011-12-06 | University Of Lowa Research Foundation | Methods of smoothing segmented regions and related devices |
US20060187221A1 (en) * | 2005-02-22 | 2006-08-24 | Sarang Lakare | System and method for identifying and removing virtual objects for visualization and computer aided detection |
JP2006230910A (ja) * | 2005-02-28 | 2006-09-07 | Konica Minolta Medical & Graphic Inc | 画像処理装置及び画像処理方法 |
US20080219533A1 (en) * | 2005-03-07 | 2008-09-11 | Koninklijke Philips Electronics, N.V. | Apparatus and Method For Correlating First and Second 3D Images of Tubular Object |
US8041087B2 (en) * | 2005-04-05 | 2011-10-18 | Bradley University | Radiographic imaging display apparatus and method |
EP1880362B1 (en) * | 2005-05-03 | 2008-10-29 | Koninklijke Philips Electronics N.V. | Virtual lesion based quantification |
US7532214B2 (en) * | 2005-05-25 | 2009-05-12 | Spectra Ab | Automated medical image visualization using volume rendering with local histograms |
US8249687B2 (en) * | 2005-06-02 | 2012-08-21 | Vital Images, Inc. | Systems and methods for virtual identification of polyps |
WO2007015187A2 (en) * | 2005-08-01 | 2007-02-08 | Koninklijke Philips Electronics N.V. | Method and apparatus for matching first and second image data of a tubular object |
DE102005046385B4 (de) * | 2005-09-28 | 2012-03-22 | Siemens Ag | Verfahren und Vorrichtung zur Nachbearbeitung eines 3D-Bilddatensatzes, insbesondere für die virtuelle Kolonographie |
EP1952306A4 (en) * | 2005-10-18 | 2013-02-27 | Icad Inc | AUTOMATED METHODS FOR SELECTING VOXELS AND IMPLEMENTING A PHARMACOKINETIC AND PARAMETRIC ANALYSIS FOR DYNAMIC CONTRAST IMPROVED MRI AND CT |
US7660481B2 (en) * | 2005-11-17 | 2010-02-09 | Vital Images, Inc. | Image enhancement using anisotropic noise filtering |
WO2007062178A2 (en) * | 2005-11-21 | 2007-05-31 | The Regents Of The University Of California | Method for computing patient radiation dose in computed tomoraphy |
JP4808477B2 (ja) * | 2005-11-25 | 2011-11-02 | ザイオソフト株式会社 | 画像処理方法及び画像処理プログラム |
US7961967B2 (en) | 2005-11-30 | 2011-06-14 | The General Hospital Corporation | Adaptive density mapping in computed tomographic images |
FR2897182A1 (fr) * | 2006-02-09 | 2007-08-10 | Gen Electric | Procede de traitement d'images de projection en tomosynthese pour une detection de signes radiologiques |
ITTO20060223A1 (it) * | 2006-03-24 | 2007-09-25 | I Med S R L | Procedimento e sistema per il riconoscimento automatico di anomalie preneoplastiche in strutture anatomiche, e relativo programma per elaboratore |
DE102006014342B3 (de) * | 2006-03-28 | 2007-07-26 | Siemens Ag | Verfahren zur Korrektur eines Röntgen-Rohbildes und Röntgendiagnostiksystem |
EP2027566B1 (en) * | 2006-05-15 | 2009-12-30 | Im3D S.P.A. | Automatic recognition of preneoplastic anomalies in anatomic structures based on an improved region-growing segmentation, and computer program therefor |
JP4994737B2 (ja) * | 2006-07-27 | 2012-08-08 | オリンパスメディカルシステムズ株式会社 | 医療用画像処理装置及び医療用画像処理方法 |
US20080027315A1 (en) * | 2006-07-31 | 2008-01-31 | Icad, Inc. | Processing and presentation of electronic subtraction for tagged colonic fluid and rectal tube in computed colonography |
JP4855868B2 (ja) | 2006-08-24 | 2012-01-18 | オリンパスメディカルシステムズ株式会社 | 医療用画像処理装置 |
US7773807B2 (en) * | 2006-08-29 | 2010-08-10 | Siemens Medical Solutions Usa, Inc. | Seed segmentation using l∞ minimization |
US7873194B2 (en) | 2006-10-25 | 2011-01-18 | Rcadia Medical Imaging Ltd. | Method and system for automatic analysis of blood vessel structures and pathologies in support of a triple rule-out procedure |
US7940970B2 (en) | 2006-10-25 | 2011-05-10 | Rcadia Medical Imaging, Ltd | Method and system for automatic quality control used in computerized analysis of CT angiography |
US7940977B2 (en) | 2006-10-25 | 2011-05-10 | Rcadia Medical Imaging Ltd. | Method and system for automatic analysis of blood vessel structures to identify calcium or soft plaque pathologies |
US7983459B2 (en) | 2006-10-25 | 2011-07-19 | Rcadia Medical Imaging Ltd. | Creating a blood vessel tree from imaging data |
US7860283B2 (en) | 2006-10-25 | 2010-12-28 | Rcadia Medical Imaging Ltd. | Method and system for the presentation of blood vessel structures and identified pathologies |
US7840051B2 (en) * | 2006-11-22 | 2010-11-23 | Toshiba Medical Visualization Systems Europe, Limited | Medical image segmentation |
US7936922B2 (en) * | 2006-11-22 | 2011-05-03 | Adobe Systems Incorporated | Method and apparatus for segmenting images |
US7830381B2 (en) * | 2006-12-21 | 2010-11-09 | Sectra Ab | Systems for visualizing images using explicit quality prioritization of a feature(s) in multidimensional image data sets, related methods and computer products |
US8023710B2 (en) * | 2007-02-12 | 2011-09-20 | The United States Of America As Represented By The Secretary Of The Department Of Health And Human Services | Virtual colonoscopy via wavelets |
JP4493679B2 (ja) * | 2007-03-29 | 2010-06-30 | 富士フイルム株式会社 | 対象領域抽出方法および装置ならびにプログラム |
JP4902735B2 (ja) * | 2007-04-24 | 2012-03-21 | オリンパスメディカルシステムズ株式会社 | 医療用画像処理装置及び医療用画像処理方法 |
US8417033B2 (en) * | 2007-04-27 | 2013-04-09 | Hewlett-Packard Development Company, L.P. | Gradient based background segmentation and enhancement of images |
US8369590B2 (en) * | 2007-05-21 | 2013-02-05 | Cornell University | Method for segmenting objects in images |
US8989468B2 (en) * | 2007-05-25 | 2015-03-24 | Definiens Ag | Generating an anatomical model using a rule-based segmentation and classification process |
JP2008301968A (ja) | 2007-06-06 | 2008-12-18 | Olympus Medical Systems Corp | 内視鏡画像処理装置 |
JP5078486B2 (ja) * | 2007-07-26 | 2012-11-21 | オリンパスメディカルシステムズ株式会社 | 医療用画像処理装置及び医療用画像処理装置の作動方法 |
US20090060366A1 (en) * | 2007-08-27 | 2009-03-05 | Riverain Medical Group, Llc | Object segmentation in images |
US20090060305A1 (en) * | 2007-09-05 | 2009-03-05 | Autodesk, Inc. | Slice view |
US8184888B2 (en) * | 2007-09-19 | 2012-05-22 | Siemens Medical Solutions Usa, Inc. | Method and system for polyp segmentation for 3D computed tomography colonography |
US8126226B2 (en) * | 2007-09-20 | 2012-02-28 | General Electric Company | System and method to generate a selected visualization of a radiological image of an imaged subject |
US8126244B2 (en) * | 2007-09-21 | 2012-02-28 | Siemens Medical Solutions Usa, Inc. | User interface for polyp annotation, segmentation, and measurement in 3D computed tomography colonography |
EP2068281A1 (en) * | 2007-11-28 | 2009-06-10 | Dublin City University | A method for detecting flat polyps in the colon |
US8139831B2 (en) * | 2007-12-06 | 2012-03-20 | Siemens Aktiengesellschaft | System and method for unsupervised detection and gleason grading of prostate cancer whole mounts using NIR fluorscence |
CN101896912A (zh) * | 2007-12-13 | 2010-11-24 | 皇家飞利浦电子股份有限公司 | 一系列图像中的导航 |
WO2009109205A1 (de) * | 2008-03-07 | 2009-09-11 | Georg-Friedemann Rust | Bildliche darstellung in der virtuellen endoskopie |
US20100088232A1 (en) * | 2008-03-21 | 2010-04-08 | Brian Gale | Verification monitor for critical test result delivery systems |
JP4492886B2 (ja) * | 2008-04-03 | 2010-06-30 | 富士フイルム株式会社 | 3次元腹腔内領域検出装置、方法、およびプログラム |
GB2461558A (en) * | 2008-07-03 | 2010-01-06 | Medicsight Plc | Image Segmentation |
US8208707B2 (en) * | 2008-09-02 | 2012-06-26 | General Electric Company | Tissue classification in medical images |
RU2011114989A (ru) * | 2008-09-16 | 2012-10-27 | Конинклейке Филипс Электроникс Н.В. (Nl) | Трехмерная ультразвуковая визуализация с обработкой объемных данных |
US20100082506A1 (en) * | 2008-09-30 | 2010-04-01 | General Electric Company | Active Electronic Medical Record Based Support System Using Learning Machines |
US20100183210A1 (en) * | 2009-01-22 | 2010-07-22 | Van Uitert Robert L | Computer-assisted analysis of colonic polyps by morphology in medical images |
US20100189326A1 (en) * | 2009-01-29 | 2010-07-29 | Mcginnis Ryan | Computer-aided detection of folds in medical imagery of the colon |
DE102009022834A1 (de) * | 2009-05-27 | 2010-12-09 | Siemens Aktiengesellschaft | Verfahren zur automatischen Analyse von Bilddaten einer Struktur |
US20110007954A1 (en) * | 2009-07-07 | 2011-01-13 | Siemens Corporation | Method and System for Database-Guided Lesion Detection and Assessment |
US8724866B2 (en) * | 2009-09-14 | 2014-05-13 | Siemens Medical Solutions Usa, Inc. | Multi-level contextual learning of data |
US20110064289A1 (en) * | 2009-09-14 | 2011-03-17 | Siemens Medical Solutions Usa, Inc. | Systems and Methods for Multilevel Nodule Attachment Classification in 3D CT Lung Images |
CN102081697B (zh) * | 2009-11-27 | 2013-12-11 | 深圳迈瑞生物医疗电子股份有限公司 | 一种在超声成像空间中定义感兴趣容积的方法及其装置 |
US8948474B2 (en) * | 2010-01-25 | 2015-02-03 | Amcad Biomed Corporation | Quantification method of the feature of a tumor and an imaging method of the same |
US9773307B2 (en) | 2010-01-25 | 2017-09-26 | Amcad Biomed Corporation | Quantification and imaging methods and system of the echo texture feature |
TWI474284B (zh) * | 2010-01-25 | 2015-02-21 | Amcad Biomed Corp | 腫瘤特徵的量化方法及影像化方法 |
US10249037B2 (en) | 2010-01-25 | 2019-04-02 | Amcad Biomed Corporation | Echogenicity quantification method and calibration method for ultrasonic device using echogenicity index |
EP2577566A2 (en) * | 2010-05-26 | 2013-04-10 | Ambercore Software Inc. | System and method for extracting features in a medium from data having spatial coordinates |
US8693750B2 (en) * | 2011-01-14 | 2014-04-08 | Siemens Aktiengesellschaft | Method and system for automatic detection of spinal bone lesions in 3D medical image data |
US9053563B2 (en) | 2011-02-11 | 2015-06-09 | E4 Endeavors, Inc. | System and method for modeling a biopsy specimen |
US9305356B2 (en) * | 2011-02-28 | 2016-04-05 | Kabushiki Kaisha Toshiba | Image processing method and apparatus |
US8873816B1 (en) * | 2011-04-06 | 2014-10-28 | Given Imaging Ltd. | Method and system for identification of red colored pathologies in vivo |
US8929629B1 (en) | 2011-06-29 | 2015-01-06 | Given Imaging Ltd. | Method and system for image-based ulcer detection |
ITCO20110062A1 (it) * | 2011-12-13 | 2013-06-14 | Policlinico | Metodo per determinare disomogeneita' in tessuto animale e apparecchiatura che lo implementa |
US8923585B1 (en) | 2012-01-31 | 2014-12-30 | Given Imaging Ltd. | Method and system for image-based ulcer detection |
US9439622B2 (en) | 2012-05-22 | 2016-09-13 | Covidien Lp | Surgical navigation system |
US9439627B2 (en) | 2012-05-22 | 2016-09-13 | Covidien Lp | Planning system and navigation system for an ablation procedure |
US9439623B2 (en) | 2012-05-22 | 2016-09-13 | Covidien Lp | Surgical planning system and navigation system |
US8750568B2 (en) | 2012-05-22 | 2014-06-10 | Covidien Lp | System and method for conformal ablation planning |
US9498182B2 (en) | 2012-05-22 | 2016-11-22 | Covidien Lp | Systems and methods for planning and navigation |
US9378551B2 (en) | 2013-01-03 | 2016-06-28 | Siemens Aktiengesellschaft | Method and system for lesion candidate detection |
US9430827B2 (en) | 2013-05-31 | 2016-08-30 | Siemens Aktiengesellschaft | Segmentation of a calcified blood vessel |
US9406141B2 (en) * | 2013-05-31 | 2016-08-02 | Siemens Aktiengesellschaft | Segmentation of a structure |
JP6026357B2 (ja) * | 2013-06-13 | 2016-11-16 | 富士フイルム株式会社 | 仮想内視鏡画像生成装置および方法並びにプログラム |
EP3063735B1 (en) * | 2013-10-30 | 2017-12-13 | Agfa Healthcare | Vessel segmentation method |
JP6156126B2 (ja) * | 2013-12-19 | 2017-07-05 | 富士通株式会社 | 検索方法、検索プログラムおよび検索装置 |
CN105917389B (zh) * | 2014-03-21 | 2018-10-30 | 圣犹达医疗用品心脏病学部门有限公司 | 用于生成几何结构的多维表面模型的方法和*** |
TWI569778B (zh) * | 2014-11-06 | 2017-02-11 | 安克生醫股份有限公司 | 聲波散射訊號之影像強化方法與成像加速系統 |
WO2017092615A1 (zh) | 2015-11-30 | 2017-06-08 | 上海联影医疗科技有限公司 | 一种计算机辅助诊断***及方法 |
US10242444B1 (en) * | 2015-12-29 | 2019-03-26 | Kentucky Imaging Technologies, LLC | Segmentation of the colon for accurate virtual navigation |
TW201736865A (zh) * | 2016-04-13 | 2017-10-16 | Nihon Medi-Physics Co Ltd | 來自核子醫學影像的生理累積之自動去除及ct影像之自動分段 |
WO2017201494A1 (en) * | 2016-05-19 | 2017-11-23 | Avantis Medical Systems, Inc. | Methods for polyp detection |
US11373750B2 (en) * | 2017-09-08 | 2022-06-28 | The General Hospital Corporation | Systems and methods for brain hemorrhage classification in medical images using an artificial intelligence network |
WO2020033947A1 (en) | 2018-08-10 | 2020-02-13 | Covidien Lp | Systems for ablation visualization |
CN110338843A (zh) * | 2019-08-02 | 2019-10-18 | 无锡海斯凯尔医学技术有限公司 | 组织评价方法、装置、设备及计算机可读存储介质 |
US11113881B2 (en) | 2019-09-06 | 2021-09-07 | St Jude Medical, Cardiology Division, Inc. | Systems and methods for generating a three-dimensional surface from a segmented volume |
FI20195977A1 (en) * | 2019-11-15 | 2021-05-16 | Disior Oy | System and method for creating enhanced two-dimensional image data |
JP2021149145A (ja) * | 2020-03-16 | 2021-09-27 | 富士通株式会社 | 画像処理プログラム、画像処理装置、及び画像処理方法 |
CN111652308B (zh) * | 2020-05-13 | 2024-02-23 | 三峡大学 | 基于超轻量级全卷积神经网络的花卉识别方法 |
CN113870169B (zh) * | 2020-06-12 | 2023-12-01 | 杭州普健医疗科技有限公司 | 一种医学影像标注方法、介质及电子设备 |
CN113160242B (zh) * | 2021-03-17 | 2023-03-14 | 中南民族大学 | 一种基于骨盆结构的直肠癌肿瘤图像预处理方法及装置 |
US20230063422A1 (en) * | 2021-09-02 | 2023-03-02 | Nvidia Corporation | Techniques for rendering signed distance functions |
US11854309B2 (en) | 2021-10-30 | 2023-12-26 | Cattron North America, Inc. | Systems and methods for remotely controlling locomotives with gestures |
US20230196639A1 (en) * | 2021-12-22 | 2023-06-22 | Covidien Lp | Systems and methods for radiographic evaluation of a nodule for malignant sensitivity |
WO2024064419A1 (en) * | 2022-09-19 | 2024-03-28 | Tencent America LLC | Three-dimensional reconstruction method and device, and storage medium |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5889881A (en) * | 1992-10-14 | 1999-03-30 | Oncometrics Imaging Corp. | Method and apparatus for automatically detecting malignancy-associated changes |
US6694163B1 (en) * | 1994-10-27 | 2004-02-17 | Wake Forest University Health Sciences | Method and system for producing interactive, three-dimensional renderings of selected body organs having hollow lumens to enable simulated movement through the lumen |
US7194117B2 (en) * | 1999-06-29 | 2007-03-20 | The Research Foundation Of State University Of New York | System and method for performing a three-dimensional virtual examination of objects, such as internal organs |
US6246784B1 (en) * | 1997-08-19 | 2001-06-12 | The United States Of America As Represented By The Department Of Health And Human Services | Method for segmenting medical images and detecting surface anomalies in anatomical structures |
US6138045A (en) | 1998-08-07 | 2000-10-24 | Arch Development Corporation | Method and system for the segmentation and classification of lesions |
US6980682B1 (en) * | 2000-11-22 | 2005-12-27 | Ge Medical Systems Group, Llc | Method and apparatus for extracting a left ventricular endocardium from MR cardiac images |
US7043064B2 (en) * | 2001-05-04 | 2006-05-09 | The Board Of Trustees Of The Leland Stanford Junior University | Method for characterizing shapes in medical images |
US7079674B2 (en) * | 2001-05-17 | 2006-07-18 | Siemens Corporate Research, Inc. | Variational approach for the segmentation of the left ventricle in MR cardiac images |
AU2002356539A1 (en) | 2001-10-16 | 2003-04-28 | Abraham Dachman | Computer-aided detection of three-dimensional lesions |
US20050152588A1 (en) * | 2003-10-28 | 2005-07-14 | University Of Chicago | Method for virtual endoscopic visualization of the colon by shape-scale signatures, centerlining, and computerized detection of masses |
-
2002
- 2002-10-16 AU AU2002356539A patent/AU2002356539A1/en not_active Abandoned
- 2002-10-16 JP JP2003536840A patent/JP2005506140A/ja active Pending
- 2002-10-16 AT AT02801654T patent/ATE514144T1/de not_active IP Right Cessation
- 2002-10-16 WO PCT/US2002/031578 patent/WO2003034176A2/en active Application Filing
- 2002-10-16 US US10/270,674 patent/US7379572B2/en active Active
- 2002-10-16 EP EP02801654A patent/EP1436771B1/en not_active Expired - Lifetime
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4879028B2 (ja) * | 2004-02-23 | 2012-02-15 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 画像処理方法および画像解析方法ならびにプログラム記憶媒体 |
JP2008510565A (ja) * | 2004-08-24 | 2008-04-10 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 標識された糞便または虚脱結腸領域の存在下で結腸壁を抽出するためのシステムおよび方法 |
JP4686279B2 (ja) * | 2005-07-06 | 2011-05-25 | 株式会社東芝 | 医用診断装置及び診断支援装置 |
JP2007014483A (ja) * | 2005-07-06 | 2007-01-25 | Toshiba Corp | 医用診断装置及び診断支援装置 |
JP2009512479A (ja) * | 2005-10-21 | 2009-03-26 | 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 | レンダリング方法及び装置 |
JP2013208433A (ja) * | 2005-10-21 | 2013-10-10 | Koninkl Philips Nv | レンダリング方法及び装置 |
JP2009518143A (ja) * | 2005-12-09 | 2009-05-07 | ブラウン ユニバーシティ | 表示データ内の関心対象物を識別するための方法および装置 |
JP4563326B2 (ja) * | 2006-02-09 | 2010-10-13 | ザイオソフト株式会社 | 画像処理方法および画像処理プログラム |
JP2007209538A (ja) * | 2006-02-09 | 2007-08-23 | Ziosoft Inc | 画像処理方法および画像処理プログラム |
WO2007102295A1 (ja) * | 2006-03-08 | 2007-09-13 | Olympus Medical Systems Corp. | 医療用画像処理装置及び医療用画像処理方法 |
WO2007102296A1 (ja) * | 2006-03-08 | 2007-09-13 | Olympus Medical Systems Corp. | 医療用画像処理装置及び医療用画像処理方法 |
US8086005B2 (en) | 2006-03-08 | 2011-12-27 | Olympus Medical Systems Corp. | Medical image processing apparatus and medical image processing method |
JP2007236629A (ja) * | 2006-03-08 | 2007-09-20 | Olympus Medical Systems Corp | 医療用画像処理装置及び医療用画像処理方法 |
US8165367B2 (en) | 2006-03-08 | 2012-04-24 | Olympus Medical Systems Corp. | Medical image processing apparatus and medical image processing method having three-dimensional model estimating |
US7830378B2 (en) | 2006-03-28 | 2010-11-09 | Olympus Medical Systems Corp. | Medical image processing apparatus and medical image processing method |
WO2007111050A1 (ja) * | 2006-03-28 | 2007-10-04 | Olympus Medical Systems Corp. | 医療用画像処理装置及び医療用画像処理方法 |
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 |
JP2010504794A (ja) * | 2006-09-29 | 2010-02-18 | 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 | 突起検出方法、システム及びコンピュータプログラム |
WO2008044365A1 (fr) * | 2006-10-12 | 2008-04-17 | Olympus Medical Systems Corp. | Dispositif de traitement d'image médicale et procédé de traitement d'image médicale |
JP2013508035A (ja) * | 2009-10-15 | 2013-03-07 | ザ・チャールズ・スターク・ドレイパ・ラボラトリー・インコーポレイテッド | 網膜の異常を検出するためのシステムおよび方法 |
WO2017179255A1 (ja) * | 2016-04-13 | 2017-10-19 | 日本メジフィジックス株式会社 | Ct画像中の骨領域の自動推定方法、装置、およびコンピュータプログラム |
JPWO2017179255A1 (ja) * | 2016-04-13 | 2019-02-21 | 日本メジフィジックス株式会社 | Ct画像中の骨領域の自動推定方法、装置、およびコンピュータプログラム |
JP2020503628A (ja) * | 2016-11-23 | 2020-01-30 | 3ディー システムズ インコーポレイテッド | 複雑なデータのリアルタイムレンダリングのためのシステムおよび方法 |
JP7039607B2 (ja) | 2016-11-23 | 2022-03-22 | 3ディー システムズ インコーポレイテッド | 複雑なデータのリアルタイムレンダリングのためのシステムおよび方法 |
Also Published As
Publication number | Publication date |
---|---|
EP1436771B1 (en) | 2011-06-22 |
US20030223627A1 (en) | 2003-12-04 |
EP1436771A2 (en) | 2004-07-14 |
AU2002356539A1 (en) | 2003-04-28 |
EP1436771A4 (en) | 2005-07-20 |
ATE514144T1 (de) | 2011-07-15 |
WO2003034176A3 (en) | 2003-12-11 |
US7379572B2 (en) | 2008-05-27 |
WO2003034176A2 (en) | 2003-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7379572B2 (en) | Method for computer-aided detection of three-dimensional lesions | |
da Silva Sousa et al. | Methodology for automatic detection of lung nodules in computerized tomography images | |
Yoshida et al. | Computerized detection of colonic polyps at CT colonography on the basis of volumetric features: pilot study | |
Li | Recent progress in computer-aided diagnosis of lung nodules on thin-section CT | |
Dheeba et al. | Computer-aided detection of breast cancer on mammograms: A swarm intelligence optimized wavelet neural network approach | |
Yoshida et al. | Computer-aided diagnosis scheme for detection of polyps at CT colonography | |
Netto et al. | Automatic segmentation of lung nodules with growing neural gas and support vector machine | |
Yoshida et al. | CAD techniques, challenges, andcontroversies in computed tomographic colonography | |
Bae et al. | Pulmonary nodules: automated detection on CT images with morphologic matching algorithm—preliminary results | |
US6898303B2 (en) | Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans | |
US20050152588A1 (en) | Method for virtual endoscopic visualization of the colon by shape-scale signatures, centerlining, and computerized detection of masses | |
Yoshida et al. | Three-dimensional computer-aided diagnosis scheme for detection of colonic polyps | |
Bağcı et al. | Computer-assisted detection of infectious lung diseases: a review | |
Ge et al. | Computer‐aided detection of lung nodules: false positive reduction using a 3D gradient field method and 3D ellipsoid fitting | |
US7305111B2 (en) | Automated method and system for the detection of lung nodules in low-dose CT images for lung-cancer screening | |
US8175348B2 (en) | Segmenting colon wall via level set techniques | |
JP2002523123A (ja) | 病変の分割および分類のための方法およびシステム | |
JP2010504129A (ja) | 肺結節の高度コンピュータ支援診断 | |
EP2208183B1 (en) | Computer-aided detection (cad) of a disease | |
Lee et al. | Potential of computer-aided diagnosis to improve CT lung cancer screening | |
Kuttan et al. | Review on computer aided breast cancer detection and diagnosis using machine learning methods on mammogram image | |
Suzuki | Pixel-based machine learning in computer-aided diagnosis of lung and colon cancer | |
Lee et al. | Differentiation of urinary stone and vascular calcifications on non-contrast CT images: an initial experience using computer aided diagnosis | |
Wang et al. | A new approach to the detection of lesions in mammography using fuzzy clustering | |
Chan et al. | Computer-aided diagnosis of breast cancer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050928 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20081007 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20090107 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20090115 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090407 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090630 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20090930 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20091007 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20100105 |