JP2005521502A - 胸部および腹部の画像モダリティの重ね合わせ - Google Patents

Abstract

本開示は、解剖学的医用画像と機能的医用画像とを重ね合わせる改良方法を提供する。一例として、Ｘ線コンピュータ断層撮影画像と、陽電子放出断層撮影画像との重ね合わせを扱う。プロセスは、コンピュータ計算および演算のための遅延時間が最小限に抑えられた、臨床的に有用な重ね合わせを特徴とする。予備的な粗い重ね合わせおよび最終的な精密重ね合わせの両方で、非剛体Ｂ−スプライン自由形状変形が使用される。精確かつ完全な重ね合わせを保証するために、追加工程が使用される。

Description

本発明は、陽電子放出断層撮影（ＰＥＴ：ｐｏｓｉｔｒｏｎ ｅｍｉｓｓｉｏｎ ｔｏｍｏｇｒａｐｈｙ）およびコンピュータ断層撮影（ＣＴ：ｃｏｍｐｕｔｅｒ ｔｏｍｏｇｒａｐｈｙ）によって得られる臨床的な胸部および腹部の画像を相関させる方法に関する。

関連出願の相互参照
本出願は、２００２年４月３日に出願された米国仮特許出願第６０／３６９，６８１号の優先権を請求するものである。
連邦政府委託研究または開発に関する報告
該当なし。
「マイクロフィッシュ付属書類」の参照
該当なし。
米国特許法施行規則（３７ＣＦＲ）１．９７条および１．９８条に基づいて開示された情報を含む関連技術の説明
Ｘ線像を使用するコンピュータ断層撮影法ＣＴ、および解剖学的構造の化学組成に基づいて画像を生成する磁気共鳴映像法（ＭＲＩ：ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ）は、ともに、骨の輪郭がはっきり示され、臓器の輪郭が骨よりもはっきり示された、または骨ほどはっきり示されていない、よく見かける解剖学的画像を生成する。他方、陽電子放出断層撮影法（ＰＥＴ）は、予め患者に静脈注射される、放射性活性物質で標識された代謝性化合物の代謝による取込み、例えば、フッ素１８標識されたフルオロデオキシグルコース（１８ＦＤＧ）の取込みに基づいて画像を提供する。この化合物は、グルコース類似体であり、原発性および転移性の癌の病変部に特異的に集まることが示されている。臨床医が、患者の解剖構造のどこに１８ＦＤＧが集まってくるかを決定して、患者の処置および予後を決定できるように、ＣＴ画像およびＰＥＴ画像を相関させ、または重ね合わせる（ｒｅｇｉｓｔｅｒ）ことが、臨床的に重要である。
１８ＦＤＧが静脈注射される小さな分子であるという事実は、ＰＥＴによって特定される位置が、ＣＴによって得られる画像に比べて、あまりはっきり描かれないと予想されることを示唆している。加えて、画像を取得するプロセスも、重ね合わせの難しさをもたらす。ほとんどの場合、ＣＴ画像およびＰＥＴ画像は、別個の機器によって異なる時間に患者から取得される。ＣＴ画像は、通常、患者が両腕を頭の上に上げた状態で、かつ患者が呼吸を止めている間に、数秒間のうちに取得される。対照的に、ＰＥＴ画像は、患者が両腕を体の側部に置いた非常に楽な姿勢をとり、必然的に通常の呼吸をしている状態で、かなり長い時間、約３０分間かけて患者から取得される。このことが、ＰＥＴ測定の際の内臓の相当な動きを引き起こす。実際、ＰＥＴ画像は、ある期間にわたって統合された、動いている臓器の画像である。
ＣＴ画像とＰＥＴ画像との重ね合わせの問題は、胸部および腹部の画像に関するときには、呼吸、心臓の動き、および腹部の臓器の動きがすべて関与し、重ね合わせを混乱させる働きをするので、特に深刻である。
本特許出願は、肺、肝臓、および腎臓のＣＴ画像とＰＥＴ画像とを重ね合わせる、改良方法を開示する。
重ね合わせ方法の概説は、Ｍａｉｔｚらの文献に見られる。Ｍａｉｎｔｚ，Ｊ．Ｂ．Ａ．およびＶｉｅｒｇｅｖｅｒ，Ｍ．Ａ．のＡ ｓｕｒｖｅｙ ｏｆ ｍｅｄｉｃａｌ ｉｍａｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ．、Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ａｎａｌｙｓｉｓ、第２巻、第１号（１９９８）、１〜３６頁参照。
Ｔａｉらは、非剛体ＣＴおよび全身ＰＥＴ技術を開発し、評価した。この方法の固有の問題の１つは、それがＣＴ画像収集と放出型ＰＥＴ画像収集との間の患者の動きを考慮しないことである。Ｔａｉ，Ｙ−Ｃ．、Ｌｉｎ，Ｋ．Ｐ．、Ｈｏｈ，Ｃ．Ｋ．、Ｈｅｎｒｙ Ｈｕａｎｔ，Ｓ．Ｃ．、およびＨｏｆｆｍａｎ，Ｅ．Ｊ．のＵｔｉｌｉｚａｔｉｏｎ ｏｆ ３−Ｄ Ｅｌａｓｔｉｃ Ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｉｎ ｔｈｅ Ｒｅｇｉｓｔｒａｔｉｏｎ ｏｆ ｃｈｅｓｔ Ｘ−ｒａｙ ＣＴ ａｎｄ Ｗｈｏｌｅ Ｂｏｄｙ ＰＥＴ．、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｕｃｌｅａｒ Ｓｃｉｅｎｃｅ、第４４巻、第４号（１９９７年８月）、１６０６〜１６１２頁参照。
コーシー＝ナビエ（Ｃａｕｃｈｙ−Ｎａｖｉｅｒ）スプライン変換を使用して、非剛体胸部医用画像の重ね合わせに関係した変形性の解剖学的挙動をモデル化する、点間マッチング法は、異なる２つのモダリティ画像から抽出されるランドマークに変換を適用する。Ｓａｔｏ，Ｍ．、Ｈａｓｓａｎｉｅｎ，Ａ−Ｅ．、およびＮａｋａｊｉｍａ，Ｍ．のＮｏｎ−ｌｉｎｅａｒ ｒｅｇｉｓｔｒａｔｉｏｎ ｏｆ ｍｅｄｉｃａｌ ｉｍａｇｅｓ ｕｓｉｎｇ Ｃａｕｃｈｙ−Ｎａｖｉｅｒ ｓｐｌｉｎｅｓ ｔｒａｎｓｆｏｒｍａｔｉｏｎ．、ＳＰＩＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ、第３３６１巻（１９９９年２月）、７７４〜７８１頁参照。
Ｍａｔｔｅｓは、制御点の規則的なグリッドをボリュームにかぶせて置くことによって定義され、その後当該制御点を移動させることによって変更される、３次Ｂ−スプラインによるモデル変形に関わる、マルチモダリティ胸部画像の重ね合わせに対する一解決策を提案した。Ｍａｔｔｅｓ，Ｄ．、Ａｕｔｏｍａｔｉｃ Ｍｕｌｔｉｍｏｄａｌｉｔｙ Ｉｍａｇｅ Ｒｅｇｉｓｔｒａｔｉｏｎ ｗｉｔｈ Ｄｅｆｏｒｍａｔｉｏｎｓ．、米国ワシントン州シアトル、ワシントン大学医療センター電気工学科２０００年度電気工学修士学位論文（Ｔｈｅｓｉｓ ｆｏｒ ｔｈｅ ｄｅｇｒｅｅ ｏｆ Ｍａｓｔｅｒ ｏｆ Ｓｃｉｅｎｃｅ ｉｎ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｗａｓｈｉｎｇｔｏｎ Ｍｅｄｉｃａｌ Ｃｅｎｔｅｒ，２０００）参照。
ＶｉｏｌａおよびＣｏｌｌｉｇｎｏｎは、画像類似度の測定を使用し、Ｐａｒｚｅｎ窓ヒストグラムを用いて相互情報量（ｍｕｔｕａｌ ｉｎｆｏｒｍａｔｉｏｎ）の推定値を算出した。Ｖｉｏｌａ，Ｐａｕｌ Ａ．、Ａｌｉｇｎｍｅｎｔ ｂｙ Ｍａｘｉｍｉｚａｔｉｏｎ ｏｆ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ．、米国マサチューセッツ州ケンブリッジ、マサチューセッツ工科大学人工知能研究所１９９５年度哲学博士学位論文（Ｔｈｅｓｉｓ ｆｏｒ ｔｈｅ ｄｅｇｒｅｅ ｏｆ Ｄｏｃｔｏｒ ｏｆ Ｐｈｉｌｏｓｏｐｈｙ，Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｌａｂｏｒａｔｏｒｙ，Ｍａｓｓａｃｈｕｓｅｔｔｓ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，１９９５）参照。Ｃｏｌｌｉｇｎｏｎ，Ａ．、Ｍａｅｓ，Ｆ．、Ｄｅｌａｅｒｅ，Ｄ．、Ｖａｎｄｅｒｍｅｕｌｅｎ，Ｄ．、Ｓｕｅｔｅｎｓ，Ｐ．、およびＭａｒｃｈａｌ，Ｇ．、「Ａｕｔｏｍａｔｅｄ Ｍｕｌｔｉ−Ｍｏｄａｌｉｔｙ Ｉｍａｇｅ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｈｅｏｒｙ．」、Ｂｉｚａｉｓ，Ｙ．ら、Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ ｉｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ（オランダ、Ｋｌｕｗｅｒ Ａｃａｄｅｍｉｃ Ｐｕｂｌｉｓｈｅｒｓ、１９９６）、２６３〜２７４頁参照。
相互情報量は、１つの画像から得られた情報が、別の画像にどれだけ多く含まれているかを表す、情報理論的指標である。Ｓｔｕｄｅｈｏｌｍｅらは、実際の画像重複量が相互情報量の指標に影響を及ぼすのを防ぐために、正規化相互情報量（ＮＭＩ：Ｎｏｒｍａｌｉｚｅｄ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ）を導入した。
Ｓｔｕｄｅｈｏｌｍｅ，Ｃ．、Ｈｉｌｌ，Ｄ．Ｌ．Ｇ．、およびＨａｗｋｅｓ，Ｄ．Ｊ．、Ａｎ ｏｖｅｒｌａｐ ｉｎｖａｒｉａｎｔ ｅｎｔｒｏｐｙ ｍｅａｓｕｒｅ ｏｆ ３Ｄ ｍｅｄｉｃａｌ ｉｍａｇｅ ａｌｉｇｎｍｅｎｔ．、Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ、第３２巻（１９９９）、７１〜８６頁参照。
Ｒｕｅｃｋｅｒｔらは、コントラスト強調された***の磁気共鳴画像（ＭＲＩ）の非剛体重ね合わせにＮＭＩを使用した。重ね合わせは、変換の平滑度に関係したコストと画像類似度に関係したコストとの組合せを表すコスト関数を最小にすることによって達成される。この重ね合わせアルゴリズムは、剛体またはアフィン変換重ね合わせアルゴリズムよりも、***の動きおよび変形をはるかに良く補うことができる。Ｒｕｅｃｋｅｒｔ，Ｄ．、Ｓｏｎｏｄａ，Ｌ．Ｉ．、Ｈａｙｅｓ，Ｃ．、Ｈｉｌｌ，Ｄ．Ｌ．Ｇ．、Ｌｅａｃｈ，Ｍ．Ｏ．、およびＨａｗｋｅｓ，Ｄ．Ｊ．、Ｎｏｎｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｕｓｉｎｇ Ｆｒｅｅ−Ｆｏｒｍ Ｄｅｆｏｒｍａｔｉｏｎｓ：Ａｐｐｌｉｃａｔｉｏｎ ｔｏ Ｂｒｅａｓｔ ＭＲ Ｉｍａｇｅｓ．、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ、第１８巻、第８号（１９９９年８月）、７１２〜７２１頁参照。
これまで、画像処理では、ボクセルベースの方法における拘束変換の考え方、またはその考え方とセグメンテーションによって提供される情報との組合せが使用されてきた。Ｐｌｕｉｍらは、剛体またはアフィン変換による脳への適用において相互情報量と重ね合わせるべき画像の勾配に基づいた項とを組み合わせることによって、空間情報を含めて提案した。Ｐｌｕｉｍ，Ｊ．Ｐ．Ｗ．、Ｍａｉｎｔｚ，Ｊ．Ｂ．Ａ．、およびＶｉｅｒｇｅｖｅｒ，Ｍ．Ａ．、Ｉｍａｇｅ Ｒｅｇｉｓｔｒａｔｉｏｎ ｂｙ Ｍａｘｉｍｉｚａｔｉｏｎ ｏｆ Ｃｏｍｂｉｎｅｄ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｇｒａｄｉｅｎｔ Ｉｎｆｏｒｍａｔｉｏｎ．、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ、第１９巻、第８号（２０００年８月）、８０９〜８１４頁参照。
Ｈｅｌｌｉｅｒらは、非剛体脳画像の重ね合わせにおいて、皮質の解剖学的セグメンテーションを導入して、関心領域を制限し、アルゴリズムを加速させ、指定された活動領域における結果を改善した。Ｈｅｌｌｉｅｒ，Ｐ．、Ｒｅｃａｌｇｅ ｎｏｎ ｒｉｇｉｄｅ ｅｎ ｉｍａｇｅｒｉｅ ｃｅｒｅｂｒａｌｅ：ｍｅｔｈｏｄｅｓ ｅｔ ｖａｌｉｄａｔｉｏｎ．、フランス、レンヌ、レンヌ大学Ｉ２０００年度哲学博士学位論文（Ｔｈｅｓｉｓ ｆｏｒ ｔｈｅ ｄｅｇｒｅｅ ｏｆ Ｄｏｃｔｏｒ ｏｆ Ｐｈｉｌｏｓｏｐｈｙ，Ｕｎｉｖｅｒｓｉｔｅ ｄｅ Ｒｅｎｎｅｓ Ｉ，２０００）参照。
Ｍａｓｕｔａｎｉらは、２つの論文で、画像誘導式肝臓手術における非剛体重ね合わせの適用に関して、自由形状変形（ＦＦＤ：Ｆｒｅｅ Ｆｏｒｍ Ｄｅｆｏｒｍａｔｉｏｎｓ）のノードをより良く制御する方法を発展させた。彼らは、モード表示とＦＦＤとを組み合わせ、肝臓の形態を取り囲むグリッド制御点をいくつかのモード（回転、平行移動、曲げ、およびねじり）で移動させて、体積変形をもたらした。Ｍａｓｕｔａｎｉ，Ｙ．およびＫｉｍｕｒａ，Ｆ．、「Ｍｏｄａｌｌｙ Ｃｏｎｔｒｏｌｌｅｄ Ｆｒｅｅ Ｆｏｒｍ Ｄｅｆｏｒｍａｔｉｏｎ ｆｏｒ Ｎｏｎ−Ｒｉｇｉｄ Ｒｅｇｉｓｔｒａｔｉｏｎ ｉｎ Ｉｍａｇｅ−Ｇｕｉｄｅｄ Ｌｉｖｅｒ Ｓｕｒｇｅｒｙ．」、Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ−Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎｓ．（２００１）、１２７５〜１２７８頁参照。Ｍａｓｕｔａｎｉ，Ｙ．およびＫｉｍｕｒａ，Ｆ．、「Ａ ｎｅｗ ｍｏｄａｌ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ｌｉｖｅｒ ｄｅｆｏｒｍａｔｉｏｎ ｆｏｒ ｎｏｎ−ｒｉｇｉｄ ｒｅｇｉｓｔｒａｔｉｏｎ ｉｎ ｉｍａｇｅ−ｇｕｉｄｅｄ ｓｕｒｇｅｒｙ．」、Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｇｒｅｓｓ Ｓｅｒｉｅｓ、第１２３０巻（２００１）、２０〜２６頁参照。
Ｇｅｒａｕｄは、脳組織の分類用途における革新的な構造認識の考え方を発展させた。Ｇｅｒａｕｄ，Ｔ．、Ｓｅｇｍｅｎｔａｔｉｏｎ ｄｅｓ ｓｔｒｕｃｔｕｒｅｓ ｉｎｔｅｒｎｅｓ ｄｕ ｃｅｒｖｅａｕ ｅｎ ｉｍａｇｅｒｉｅ ｐａｒ ｒｅｓｏｎａｎｃｅ ｍａｇｎｅｔｉｑｕｅ．、フランス、パリ、フランス国立電気通信高等学院１９９８年度哲学博士学位論文（Ｔｈｅｓｉｓ ｆｏｒ ｔｈｅ ｄｅｇｒｅｅ ｏｆ Ｄｏｃｔｏｒ ｏｆ Ｐｈｉｌｏｓｏｐｈｙ，Ｅｃｏｌｅ ｎａｔｉｏｎａｌｅ ｓｕｐｅｒｉｅｕｒｅ ｄｅｓ ｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，１９９８）参照。
Ｍａｅｓらは、相互情報量勾配の分析的形態を提供する３線部分体積分布補間法（ｔｒｉｌｉｎｅａｒ ｐａｒｔｉａｌ ｖｏｌｕｍｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ｉｎｔｅｒｐｏｌａｔｉｏｎ ｍｅｔｈｏｄ）の使用を提案し、勾配に基づいた技術を使用してコスト関数を最適化する可能性を認めた。Ｍａｅｓ，Ｆ．、Ｃｏｌｌｉｎｇｎｏｎ，Ａ．、Ｖａｎｄｅｒｍｅｕｌｅｎ，Ｄ．、Ｍａｒｃｈａｌ，Ｇ．、およびＳｕｅｔｅｎｓ，Ｐ．、Ｍｕｌｔｉｍｏｄａｌｉｔｙ Ｉｍａｇｅ Ｒｅｇｉｓｔｒａｔｉｏｎ ｂｙ Ｍａｘｉｍｉｚａｔｉｏｎ ｏｆ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ．、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ、第１６巻、第２号（１９９７年４月）、１８７〜１９８頁参照。
Ｓｅｇａｒｓらは、スプラインに基づいた数学的心臓トルソ（ＭＣＡＴ：Ｍａｔｈｅｍａｔｉｃａｌ Ｃａｒｄｉａｃ Ｔｏｒｓｏ）を使用して、呼吸サイクルによる胸部構造の動きをモデル化し、それによって変形に新しい制約を加えた。Ｓｅｇａｒｓ，Ｗ．Ｐ．、Ｌａｌｕｓｈ，Ｄ．Ｓ．、およびＴｓｕｉ，Ｂ．Ｍ．Ｗ．、Ｍｏｄｅｌｉｎｇ Ｒｅｓｐｉｒａｔｏｒｙ Ｍｅｃｈａｎｉｃｓ ｉｎ ｔｈｅ ＭＣＡＴ ａｎｄ Ｓｐｌｉｎｅ−Ｂａｓｅｄ ＭＣＡＴ Ｐｈａｎｔｏｍｓ．、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｕｃｌｅａｒ Ｓｃｉｅｎｃｅ、第４８巻、第１号（２００１年２月）、８９〜９７頁参照。
Ｂｌａｃｋらは、コスト関数にＭ推定量を導入して、外れ値と呼ばれる、モデルに従わない点のパーセンテージを考慮した。Ｂｌａｃｋ，Ｍ．Ｊ．およびＲａｎｇａｒａｊａｎ，Ａ．、Ｏｎ ｔｈｅ Ｕｎｉｆｉｃａｔｉｏｎ ｏｆ Ｌｉｎｅ Ｐｒｏｃｅｓｓｅｓ，Ｏｕｔｌｉｅｒ Ｒｅｊｅｃｔｉｏｎ，ａｎｄ ｒｏｂｕｓｔ Ｓｔａｔｉｓｔｉｃｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ ｉｎ Ｅａｒｌｙ Ｖｉｓｉｏｎ．、Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ、第１９巻、第１号（１９９６）、５７〜９１頁参照。
米国特許第５，２９９，２５３号は、腹部のＣＴ画像およびＭＲ画像を単光子放出コンピュータ断層撮影（ＳＰＥＣＴ：ｓｉｎｇｌｅ ｐｈｏｔｏｎ ｅｍｉｓｓｉｏｎ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ）と重ね合わせるプロセスを開示している。胴部が固定され、重ね合わせのために外部のコントラストマーカが使用される。
米国特許第５，６０８，２２１号は、ＳＰＥＣＴシステムおよび陽電子放出断層撮影（ＰＥＴ）システムを備えた、デュアルヘッド核カメラを開示している。身体における吸収の不均一は、外部源を使用して吸収のばらつきを判断し、得られるＳＰＥＣＴ画像を修正する、透過型コンピュータ断層撮影（ｔｒａｎｓｍｉｓｓｉｏｎ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ）（ＴＥＭ）によって補正される。
米国特許第５，７５０，９９１号は、減衰補正を決定して吸収の不均一を明らかにする目的で、外部線源を患者の周りの螺旋経路で移動させるシステムを開示している。個別の球状の線源が、患者の周りに巻かれたチューブ内を流体によって運ばれる。
米国特許第５，８７１，０１３号は、単光子透過型コンピュータ断層撮影（ＳＰＴＣＴ：ｓｉｎｇｌｅ ｐｈｏｔｏｎ ｔｒａｎｓｍｉｓｓｉｏｎ ｃｏｍｐｕｔｅｒｉｚｅｄ ｔｏｍｏｇｒａｐｈｙ）画像およびＳＰＥＣＴ画像を同時に生成する、同時透過／放出型断層撮影（ＳＴＥＴ：ｓｉｍｕｌｔａｎｅｏｕｓｌｙ ｔｒａｎｓｍｉｓｓｉｏｎ ａｎｄ ｅｍｉｓｓｉｏｎ ｔｏｍｏｇｒａｐｈｙ）と名付けられた装置を開示している。ＳＴＥＴ画像は、ＭＲＩ、超音波、Ｘ線ＣＴなど、他のモダリティ画像と重ね合わされる。ＳＴＥＴ画像とＣＴ画像とを重ね合わせるプロセスは、ＳＰＴＣＴ画像を取得し、それを変換してＣＴ画像と重ね合わせ、次いで、同一のパラメータを使用してＳＴＥＴ画像とＣＴ画像とを重ね合わせるものである。ＣＴおよびＳＰＴＣＴの両方に現れる体構造（骨など）が、変換の基盤を成す。
米国特許第５，９７４，１６５号は、異なる２つのモダリティから得られた画像を位置合わせして相関させる方法を開示している。放射性核種の画像と放射線画像とを重ね合わせるために、肺尖が使用される。２つの画像は、各画像で同等の有効ピクセルサイズを提供するためにスケーリングされる。
米国特許第６，０４０，５８０号は、米国特許第５，７５０，９９１号の開示を拡張させている。
米国特許第６，１７３，２０１号は、患者の上に置かれた堅固に固定されるフレームを開示している。フレーム上に配置された、いくつかのマーカが、ＣＴまたはＭＲＩ画像をＳＰＥＣまたはＰＥＴ画像と重ね合わせる際に使用される。
米国特許第６，４０５，０７２号は、３Ｄ空間で身体の上のマーカまたは自然のランドマークを記録するカメラを備えたシステムを開示している。そのシステムは、Ｘ線、ＣＴ、ＭＲＩ、またはＰＥＴ撮像に使用される。患者の呼吸時の動きに対する対策がなされている。また、セグメンテーションも使用される。
公開されている米国特許出願第２００２／００６８８６４号は、注入された放射性溶液の左心室からの除去速度によって、心臓の状態を判定するプロセスを開示している。左心室領域の位置を特定するために、超音波、ＭＲＩ、Ｘ線、ＣＴ、ＰＥＴ、またはＳＰＥＣ画像が使用される。

本発明の目的は、胸部および腹部の解剖学的画像と機能的画像とを精確に重ね合わせる方法を提供することである。
本発明の他の目的は、最小限の演算だけを伴う、胸部および腹部の解剖学的画像と機能的画像とを精確に重ね合わせる方法を提供することである。
本発明の他の目的は、画像に描かれる臓器の動きに対処する、胸部および腹部の解剖学的画像と機能的画像とを精確に重ね合わせる方法を提供することである。
本発明の他の目的は、胸部および腹部の解剖学的画像と機能的画像とを精確に重ね合わせる非剛体的方法を提供することである。
本発明の他の目的は、臓器間の空間的関係を利用する、解剖学的画像と機能的画像とを精確に重ね合わせる方法を提供することである。
本発明の他の目的は、セグメンテーションに基づいた方法と強度に基づいた方法とを組み合わせる非剛体重ね合わせを使用する、解剖学的画像と機能的画像とを精確に重ね合わせる方法を提供することである。
本発明の最終的な目的は、高速で、最小限の演算設備しか必要とせず、操作に費用がかからない、解剖学的画像と機能的画像とを精確に重ね合わせる方法を提供することである。

一般に、画像重ね合わせ適用の目的は、１つの画像に含まれているデータを他のデータへとマッピングすることであり、ここでは、ＰＥＴによって提供される機能的情報を解剖学的に精確なＣＴスキャンへとマッピングする。これは、両方の画像の同質のボクセルに最も良く合致する幾何学変換を見つけることを意味する。重ね合わせプロセスは、数学的には次式で定義され、

式中、Ｉ、Ｊは、重ね合わされる２つの画像またはボリュームであり、

は、定義済み変換空間で重ね合わされる画像間の適切に選択された類似度指標を最大にする変換であり、Ｓは、この指標を提供する類似度関数である。
変換に関して、多くの場合、満足のいく解答は、剛体重ね合わせを用いて見つけることができ、すなわち、一部の脳適用例のように、データボリュームの１つを自由度６で平行移動および回転させるだけで、当該データボリュームが他のデータボリュームと位置合わせされる。また、画像間の全体的な相違も、１２個までの自由パラメータを備える３Ｄアフィン空間変換によってモデル化することができる。そのような適用は、脳の画像化では、画像化される臓器が相対的に固定されているので効果的である。しかし、胸部および腹部への適用では、局所的な変形、臓器の動き、および収集の大きなばらつきの理由から、自由度が著しく高い非剛体的手法が必要である。
類似度指標に関しては、一見対立するように思われる２つの手法、すなわち、セグメンテーションに基づいた手法および強度に基づいた手法が使用される。セグメンテーションに基づいた方法は、両方の画像で同一の解剖学的構造の位置を特定する予備処理工程に頼っており、その解剖学的構造を、重ね合わせを実施するためのリファレンスとして使用することができる。これらの方法は、かなり迅速でロバスト性があるが、セグメンテーションのエラーが起こり得るので、その確度には限界がある。この欠点は、特に、セグメント化された構造の解剖学的等価を保証しなければならない多モード重ね合わせの場合に悪化する。他方、強度に基づいた方法は、画像の全グレーレベル量を統合する類似度指標を使用するので、達成できる精度が大きく向上する。それにも関わらず、この精度向上は、最大化プロセスの複雑さの増大を引き起こす。これは、良好な初期設定が与えられなかった場合に、収束時間が遅くなり、極小値に陥る危険が生じることを意味する。
本特許出願は、セグメンテーションに基づいた方法の速さおよびロバスト性を利用して、呼吸によるアーチファクトに起因した変形など、好ましくない変形を補償し、その後、強度に基づいた方法を使用して結果を微調整する、両方の手法を非線形の変換フレームワーク内で統合する方法を開示する。このプロセスは、セグメンテーションに基づいた方法の利点と強度に基づいた方法の利点とを結び付けるとともに、各方法の欠点を効果的に相殺する。
解剖学的画像と機能的画像との重ね合わせの難しさを解決するために、各画像における各臓器の近似的グレーレベル同質性や、臓器自体の特徴よりも変形の影響を受けにくい臓器間の空間的関係など、画像のいくつか共通の特徴が利用された。
問題の一部を回避して、同一試験での解剖学的情報および機能的情報の収集、ハードウェアの提供、または機械的な剛体重ね合わせを可能にするために、スキャナの構築者によって複合型ＰＥＴ−ＣＴ機械が導入された。そのようなシステムに残っていると考えられる唯一の重ね合わせ誤差は、心臓の近傍を除いて、主に呼吸によって引き起こされる胸部の生理的動き、ならびに患者の協力不十分に起因したものである。
一般に、類似度基準の選択は、一見対立するように思われる２つの視点から取り扱われてきた。解剖学的情報に基づいた方法は、重ね合わせを確立させるいくつかの解剖学的リファレンスの抽出を、検出またはセグメンテーション工程に頼っている。これらの方法は、概念的には単純でロバスト性があるが、セグメンテーション工程によってもたらされる誤差、すなわち、医用画像のノイズの多い不精確な性質に起因した重大な誤差をその最終結果に伝播するという、共通した欠点を有する。他の方法は、最終的な重ね合わせの精度向上を、画像に含まれる全情報を考慮した特定の基準の最小化に頼っている。これらの方法は、所望の解に近い比較的狭い範囲内で初期設定されない場合、選択された基準の極小値に陥る傾向にある。
本発明では、重ね合わせプロセスの第１工程の間に、セグメンテーション方法を非剛体変形フレームワークと併せて使用して、最大の置換を粗く処理し、その結果を、全情報による方法を使用して、詳細なグレーレベル情報を用いて微調整する。この両方法の複合使用は、両方法の利点を使用するとともに、各方法の欠点を相殺する。
患者の胸部および腹部の解剖学的画像と、当該患者の胸部および腹部の機能的画像とを重ね合わせるプロセスは、以下の工程で構成された。患者の胸部および腹部の解剖学的画像を取得した。また、同一患者の胸部および腹部の機能的画像も取得した。両方の画像の解剖学的特徴をセグメント化した。機能的画像は、実際には、前述の機能的画像と、照射を患者の身体の厚さ全体に透過させることによって得られる組織密度画像とを含めた、２つの画像の組合せである。組織密度画像は、機能的画像を患者の身体による吸収について補正するために使用される。加えて、組織密度画像は、解剖学的画像および機能的画像のセグメンテーションで使用される解剖学的情報を含んでいる。解剖学的画像と機能的画像との粗い重ね合わせ（ｃｏａｒｓｅ ｒｅｇｉｓｔｒａｔｉｏｎ）は、以下の工程を含むプロセスによって得られた。解剖学的画像および機能的画像から抽出された解剖学的特徴を使用する非剛体Ｂ−スプライン自由形状変形を使用して、スキャンを変換した。変換されたスキャンおよびセグメント化された解剖学的特徴の対応するピクセルグレーレベルの２乗平均平方根の差を、最小にした。すべての制御点の位置の勾配降下（ｇｒａｄｉｅｎｔ ｄｅｓｃｅｎｔ）を最小にした。解剖学的画像および機能的画像に、以下の工程を含むプロセスで、精密重ね合わせ（ｆｉｎｅ ｒｅｇｉｓｔｒａｔｉｏｎ）を実施した。非剛体Ｂ−スプライン自由形状変形を使用して、粗い重ね合わせおよび機能的スキャンの結果を変換した。正規化相互情報量ならびに粗い重ね合わせおよび解剖学的スキャンの結果を使用して、ある画像に含まれている他の画像からの情報を最大にした。すべての制御点の位置の勾配降下を最小に抑え、最後に、重ね合わされた解剖学的画像および機能的画像を表示した。

本特許出願では、用語「解剖学的画像」は、Ｘ線、コンピュータ断層撮影（ＣＴ）、磁気共鳴映像法（ＭＲＩ）、超音波（ＵＳ）など、解剖学的特徴が高解像度で示された医用画像を取得する方法を指す。「機能的画像」は、陽電子放出断層撮影（ＰＥＴ）や単光子放出透過型コンピュータ断層撮影（ＳＰＥＣＴ）など、注入された化学物質の体内挙動に依存した方法によって画像を取得する方法を指す。図は、プロセスの略図であり、長方形が、プロセス、またはプロセス内の諸工程を表わし、矢印が、データまたはデジタル情報の流れを表わす。
本発明のプロセスは、演算ならびに演算に要する時間を最小限に抑えて、解剖学的画像と機能的画像との精確な重ね合わせを提供する。これらのプロセスは、特に、胸部および腹部に見つかる癌の診断および処置、ならびに心臓病の診断および処置に有用である。
解剖学的画像および機能的画像を決定するいずれか適切な機器を、本発明のプロセスと併せて使用することができる。好ましいＣＴシステムは、米国ウィスコンシン州ウォーキシャ（Ｗａｕｋｅｓｈａ）のＧｅｎｅｒａｌ Ｅｌｅｃｔｒｉｃ Ｍｅｄｉｃａｌ Ｓｙｓｔｅｍｓから入手できるＧＥ Ｉｍａｔｒｏｎ Ｃ３００ ＥＢＴスキャナである。好ましいＰＥＴシステムは、米国ウィスコンシン州ウォーキシャのＧｅｎｅｒａｌ Ｅｌｅｃｔｒｉｃ Ｍｅｄｉｃａｌ Ｓｙｓｔｅｍｓから入手できるＧＥ Ａｄｖａｎｃｅ Ｗｈｏｌｅ Ｂｏｄｙ ＰＥＴ Ｓｙｓｔｅｍである。好ましい複合型ＰＥＴ−ＣＴ収集システムは、米国ウィスコンシン州ウォーキシャのＧｅｎｅｒａｌ Ｅｌｅｃｔｒｉｃ Ｍｅｄｉｃａｌ Ｓｙｓｔｅｍｓから入手されるＤｉｓｃｏｖｅｒｙ ＬＳ ＰＥＴ／ＣＴ Ｓｙｓｔｅｍである。
図１は、本発明のＣＴスキャンおよびＰＥＴスキャンの非剛体重ね合わせのための方法の諸工程の略図である。粗い重ね合わせ、初期設定、または第１段階１００と名付けられた概ね左側の部分は、両方のスキャンまたは画像のセグメント化された構造間の変形を最適化することによってスキャンの最初の粗い重ね合わせを見つける工程に相当する。精密重ね合わせ、最適化、または第２段階２００と名付けられた右側の部分は、全強度画像間の変形を最適化することによって重ね合わせを改善する後続工程に相当する。
操作時には、同一患者の胸部領域および腹部領域のＰＥＴスキャン１０ならびにＣＴスキャン２０から、デジタルデータを抽出した。機能的画像は、実際には、前述した機能的画像と、照射を患者の身体の厚さ全体に透過させることによって得られる組織密度画像とを含めた、２つの画像の組合せである。組織密度画像は、機能的画像を患者の身体による吸収について補正するために使用される。加えて、組織密度画像は、解剖学的画像および機能的画像のセグメンテーションで使用される解剖学的情報を含んでいる。次いで、これらのデータを解剖学的特徴の抽出６０によって処理した。このプロセスでは、可能ならば、主要な解剖学的特徴である、皮膚、肺、骨格、腎臓、および肝臓が識別される。次いで、データを第１段階１００で処理した。
第１段階１００では、データに、Ｂ−スプラインに基づいた反復自由形状変形プロセス（ＦＦＤ）１１０を実施する。すべての変形プロセスでは、ＣＴ画像は変形されないが、ＰＥＴ画像は変形される。これらのプロセスは、重ね合わせに第１近似をもたらす、ｋ−平均自動シェアホールディング（ａｕｔｏｍａｔｉｃ ｓｈａｒｅｈｏｌｄｉｎｇ）工程に関わるものである。これらのプロセスには、平行移動および回転、３つの軸での独立したスケーリング、ならびにＰＥＴ画像とＣＴ画像との間の対応がないボリューム部分のクロッピングが含まれる。
全ボリュームにわたって合計された対応するピクセルグレーレベルの２乗平均平方根（ＲＭＳ：ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ）１２０の差を最小にするように制御点を調整することによって、データをさらに改善した。
次に、すべての制御点の位置に同時に勾配降下法を反復適用することにより、勾配降下最小化（ＧＤＭ：ｇｒａｄｉｅｎｔ ｄｅｓｃｅｎｔ ｍｉｎｉｍｉｚａｔｉｏｎ）１３０で最小化することによって、粗い重ね合わせデータを最適化した。局所スプリングフォース正則化項（ｌｏｃａｌ ｓｐｒｉｎｇ ｆｏｒｃｅ ｒｅｇｕｌａｒｉｚａｔｉｏｎ ｔｅｒｍ）を適用することによって、ノードの交差を防いだ。
ＦＦＤ、ＲＭＳ、およびＧＤＭプロセスを反復して最適な粗い重ね合わせデータを取得した後、精密重ね合わせプロセスを開始した。粗い重ね合わせプロセスから精密重ね合わせプロセスへの移行は、対応するピクセルグレーレベルのＲＭＳ差が所定の最小値に達したときに開始した。
精密重ね合わせ、最適化、または第２段階２００プロセスは、第１段階１００およびＰＥＴスキャン１０からのデータのＢ−スプラインに基づいたＦＦＤ変形２１０による、さらなる処理に関する。
ＦＦＤ２１０工程からのデータおよびＣＴデータを、類似度指標として正規化相互情報量（ＮＭＩ）２２０を使用して改善した。
ＮＭＩ２２０工程からのデータを、さらに、勾配降下の最小化（ＧＤＭ）２３０によって最適化した。
ＦＦＤ、ＮＭＩ、およびＧＤＭプロセスを反復して最適な精密重ね合わせデータを取得した後、重ね合わされた画像を、重ね合わせＣＴ／ＰＥＴスキャンとして表示した（３００）。表示プロセスは、ＮＭＩ類似度指標が所定の最大値に達したときに開始した。
第２の実施形態のプロセスでは、類似度指標としてＮＭＩを用いず、代わりにＰａｒｚｅｎ窓を用い、確率密度のよりロバストな演算値を取得して、それらを平滑化し、基準導関数（ｃｒｉｔｅｒｉｏｎ ｄｅｒｉｖａｔｉｖｅ）の推定を可能にすることによって、ＦＦＤ２１０工程からのデータおよびＣＴデータを改善した。これらのデータを、さらに、第１の実施形態と同様に処理した。表示プロセスは、Ｐａｒｚｅｎ窓の確率密度が所定の最大値に達したときに開始した。
精密重ね合わせプロセス２００の諸工程を、最適な重ね合わせが得られるまで繰り返した。その結果を重ね合わせＣＴ／ＰＥＴスキャンとして表示した（３００）。
Ｂ−スプライン自由形状変形（ＦＦＤ）１１０に基づいた非剛体変換を使用して、粗い重ね合わせにおいてスキャン間の対応を確立し、同一のプロセス２１０を使用して、粗い重ね合わせを改善し、全強度画像の形態のスキャン間の対応を確立した。
このＦＦＤ方法は、胸部および腹部の解剖学的構造のばらつきが大きいという理由から、より多くの制約付きパラメトリックモデルにわたって選択された。ＦＦＤは、その下にある解剖構造についての仮定を立てない。実際の重ね合わせ方法適用時には、重ね合わせプロセスにデータ収集プロセスよりも長い時間がかかることはない。ＦＦＤ方法の演算時間要件が比較的短いので、このＦＦＤ方法は、弾性モデルや流体モデルなど、他のより現実的かつ時間のかかる変形フレームワークよりも好ましいものになっている。
対象ボリュームの変形は、その下にある制御点のメッシュを調整することによって達成される。次いで、制御点置換を補間して、滑らかな連続Ｃ２変換を得る。Ｂ−スプラインに基づいたＦＦＤは、１次元の３次Ｂ−スプラインの３Ｄテンソル積として記述される。間隔δで均一に離隔された制御点φ_{ｉ，ｊ，ｋ}のｎ_ｘ×ｎ_ｙ×ｎ_ｚグリッドをΦとする。ここで、−１≦ｉ＜ｎ_ｘ−１、−１≦ｊ＜ｎ_ｙ−１、−１≦ｋ＜ｎ_ｚ−１である。これで、各像点ｘ、ｙ、ｚに関する弾性変換が次式によって算出される。

ここで、ｉ、ｊ、およびｋは、（ｘ，ｙ，ｚ）を含む制御点セルの添字を表し、ｕ、ｖ、およびｗは、１Ｄ３次Ｂ−スプラインであるＢ_０〜Ｂ_３の３つの次元における（ｘ，ｙ，ｚ）の相対位置である。
単一次元（ｕｎｉｄｉｍｅｎｓｉｏｎ）の３次Ｂ−スプラインは、次式で定義される。
Ｂ_０＝（１−ｕ）^３／６
Ｂ_ｌ＝（３ｕ^３−６ｕ^２＋４）／６
Ｂ_２＝（−３ｕ^３＋３ｕ^２＋３ｕ＋１）／６
Ｂ_３＝ｕ^３／６
Ｂ−スプラインの非常に都合のよい特性は、それらの台（ｓｕｐｐｏｒｔ）が限られているので、変換の局所的制御が可能であり、それによって最適化プロセスの間に必要な演算量が大幅に低減されることである。このコンパクトな台をテンソル積として分離できるので、Ｂ−スプラインを事前に計算し、配列に格納して、計算プロセスを加速させることができる。
第１段階。粗い重ね合わせ。
第１段階１００の目標は、画像の解剖学的情報を可能な限り利用して、次の第２段階２００に進む広範囲の解の探索を制約することである。第１段階は、主要な解剖学的構造を除いたすべてのデータをフィルタリングする、解剖学的多重解像度の工程と見なすことができる。第１段階の重ね合わせの結果は、第２段階へと送られて、より精密な解剖学的詳細が検討される。
第１段階の効率は、ＣＴスキャンおよびＰＥＴスキャンのデータから抽出できる解剖学的情報に依存した。セグメンテーションによって進められる重ね合わせ方法とは異なり、セグメンテーション工程の間にもたらされた誤差は、第２段階の精密重ね合わせによって補正されるので、最終的に得られる重ね合わせには伝播しなかった。したがって、システムがＣＴスキャンおよびＰＥＴスキャンを必ずしも完全に自動的にセグメント化する必要はなかったが、両方のスキャンで見られる解剖学的構造の適度に近い近似、またはこれらの構造に関して検出できる可能な限り多くのリファレンスが必要であった。第１段階の目的は、確度でなく、速さおよび信頼性であった。
セグメンテーションの速度と質との間の妥協案として、最もはっきり識別できる特徴からの情報を使用し、あまりはっきり見えない特徴のセグメンテーションを制限する、様々な解剖学的構造を漸進的に分類することを目的としたいくつかのセグメンテーション工程から成る階層的手順が開発された。考慮すべき解剖学的特徴は、重要度の高いものから順に、皮膚、肺、骨格、腎臓、および肝臓である。
前述の臓器のセグメンテーションは、一連のいくつかのｋ−平均自動閾値設定工程を実施し、続いて、後述する数学的形態学的工程を実施することによって達成される。各閾値設定工程に続いて、寸法、体積、密度など、抽出された臓器の特定のパラメータを検査してそれらが予想範囲内にあることを確認する、結果の整合性の検証が実施される。
例えば、皮膚、骨格、および肺が検出された後に、腎臓を次のようにセグメント化した。初めに、骨格のセグメンテーションで得られた胸郭寸法を使用して、探索領域を軸平面に制限した。ｚ軸の上限および下限は、横隔膜の位置および肺の寸法から概算した。また、ほとんど必要とされないが、背骨軸を使用することもできる。定義された領域内で、第１自動閾値設定工程が実施され、その後、検出された最大の構成要素の寸法および体積が検証された。必要ならば、寸法および体積が許容範囲内に入るまで、この閾値設定工程を繰り返す。検出された領域を、拡張して、オリジナル画像上にマスクとして適用した。次いで、セグメンテーションをさらに改善する目的で、このマスクされた画像に第２閾値設定工程を適用した。
このプロセスは、単純かつ簡単であるが、最も有用なものにするには、さらなる改善が必要である。１つの問題は、不十分な画像解像度または患者の動きが原因で臓器の縁部を決定するのが不可能なときに、プロセスにおいて臓器の形状についての事前の解剖学的知識の望ましい欠如が、臓器の境界の画定を困難にすることである。他の欠点は、画像から入手可能な詳細の量を制限する正則化項（ｒｅｇｕｌａｒｉｚａｔｉｏｎ ｔｅｒｍ）の欠如である。これで、ＣＴスキャンでは検出できるがＰＥＴでは検出できず、したがって、重ね合わせプロセスが誤って変形として解釈し、間違って補償しようとする差異をもたらす、気管支など、はっきり見えない構造の場合の問題が判明した。
自動閾値設定工程によって得られた結果を改善するために、変形可能な３Ｄパラメトリックモデルが採用された。変形可能なモデルは、画像データから算出される外力を受けて発達するが、内力として表される特定の制約下にある、画像内に画定された曲線または表面である。３Ｄの動的輪郭は、次のようなパラメータ化された表面である：
Ｘ（ｕ，ｖ）＝［ｘ（ｕ，ｖ），ｙ（ｕ，ｖ），ｚ（ｕ，ｖ）］^ｔ
ここで、ｕε［０，１］、ｖε［０，１］。
この表面に関係したエネルギーは、モデルの物理的特性に関連した内部エネルギーの項と、モデルを画像内の所望の特徴に近付ける外部エネルギーの項とによって構成される。
Ｅ（Ｘ）＝Ｅ_ｉｎｔ（Ｘ）＋Ｅ_ｅｘｔ（Ｘ）
モデルの内部エネルギーは、次式で記載され、

ここで、ｗ_ｉｊは、モデルの弾性および剛性を調整し、ｋは、通常、ｋ＝２の値を取り、したがって２次の正則化項を与える。ここでの外部エネルギーの選択は、事前に算出された勾配ベクトルフロー（ＧＶＦ：Ｇｒａｄｉｅｎｔ Ｖｅｃｔｏｒ Ｆｌｏｗ）場とバルーンフォース（ｂａｌｌｏｏｎ ｆｏｒｃｅ）との加重和である。ＧＶＦを使用すると、陥凹部が存在する場合でさえ、モデルがより滑らかに発達し、臓器表面への精確な収束がもたらされる。ＧＶＦ場ｖ（ｘ）は、次のベクトル拡散方程式の平衡解として定義され、
ｕ_ｔ＝ｇ（｜Δｆ｜）Δ^２ｕ−ｈ（｜Δｆ｜）（ｕ−Δｆ）
ｕ（ｘ，０）＝Δｆ（ｘ）
上記第１式の第１項は、平滑化項（ｓｍｏｏｔｈｉｎｇ ｔｅｒｍ）と呼ばれ、得られるベクトル場を均一化する傾向にある。第２項は、データ項であり、ベクトル場ｕをデータから算出されたΔｆへと近付ける。ｇ（）およびｈ（）は、それぞれ平滑化項およびデータ項に適用される重み関数である。以下の項が使用される：

この式は、強い縁部がない場合にだけ勾配ベクトル拡散を可能にしており、したがって、本発明のモデルがそこからリークする輪郭のギャップの原因となる、平滑化効果による付近の逆の勾配の平均化を防ぐ。
このＧＶＦを、あまり精確でない、潜在的に不安定なバルーンフォースと組み合わせる利点は、３Ｄ拡散解を画像縁部の周りの帯域を越えたところに到達させる演算コストを回避することである。第１セグメンテーション近似が既に実施されているので、標的臓器またはＧＶＦの引力場（ａｔｔｒａｃｔｉｏｎ ｆｉｅｌｄ）内の輪郭の開始が保証された。この拡張力は、それまでのセグメンテーション工程が臓器の境界の十分に良好な近似を提供できない場合に、モデルを縁部の近傍に近付けるプロセスを大きく加速させる。輪郭の近傍に入った後は、ＧＶＦが漸次的に優位になり、結果を歪めるのを避けるために拡張項が遮断される。臓器の輪郭のギャップを通ってリークする危険は、ＧＶＦがこれらのギャップのほとんどをシールするので、回避される。この段階での主要な関心事は、確度ではなくロバスト性であり、モデルの内部エネルギーが十分に強いので、モデルが残存するギャップを通ってリークせずに保持される。
臓器がセグメント化された後、そのセグメント化された臓器を使用して、重ね合わせに対する第１近似を自動的に作製する。これには、剛体運動（平行移動および回転）、３つの軸での独立したスケーリング、ならびに画像間の対応または適用関心のないボリューム部分のクロッピングが含まれる。
重ね合わせに対する第１近似は、前述のＦＦＤ変形を使用して実施された。グリッドの制御点を、所与の類似度規準を最小にするように調整し、全ボリュームにわたって合計された対応するピクセルグレーレベルの２乗平均平方根（ＲＭＳ）差を使用して、最適な変形パラメータを決定した。
変形の最適化は、勾配降下法をすべての制御点の位置に同時に反復して適用することによって達成された。ノードが交差するのを防ぐために、局所スプリングフォース正則化項を追加した。
第２段階。精密解像度。
第１段階の粗い変換を、類似度指標として正規化相互情報量（ＮＭＩ）を使用してＢ−スプラインに基づいたＦＦＤによってモデル化した。そのような方法は、第１段階の粗い重ね合わせが、最終的な解に非常に近い、少なくともセグメント化された構造の近傍にある初期変換を提供する場合を除き、類似度基準の極小値に向かう傾向にある。粗い変換が、セグメント化された解剖学的構造から離れた領域については必ずしも有効でなかったので、第２段階または精密重ね合わせフェーズが必要であった。第２段階の他の目的は、画像のグレーレベル情報を利用する、構造セグメンテーション手順によってもたらされた誤差の補正であった。
第２段階では、第１段階で使用されたＦＦＤアルゴリズムが使用されるが、この第２段階が全画像強度レベルを使用するので、最大化された類似度基準は、２乗平均平方根から、正規化相互情報量（ＮＭＩ）と名付けられた相互情報量（ＭＩ）のばらつきに変化する。
ＭＩは、画像Ｉからの情報が他の画像Ｊにどれだけ含まれているかを表す。この情報理論的指標の利点は、当該指標が、対応するボクセルの画像強度間の統計的依存の性質に関する仮定を立てずに、この依存を算出することである。したがって、画像が幾何学的に位置合わせされたときにＭＩが最大になる。
ＮＭＩは、実際の画像重複量が指標に影響を及ぼすのを防ぐ。

ここで、

ここで、Ｈ（Ｉ）およびＨ（Ｊ）は、画像の周辺エントロピー（ｍａｒｇｉｎａｌ ｅｎｔｒｏｐｙ）であり、Ｈ（Ｉ，Ｊ）は、それらの結合エントロピー（ｊｏｉｎｔ ｅｎｔｒｏｐｙ）で、ＩおよびＪの結合ヒストグラム（ｊｏｉｎｔ ｈｉｓｔｏｇｒａｍ）から計算される。
ＮＭＩの算出には、ＣＴ画像およびＰＥＴ画像からの周辺確率分布ならびに結合確率分布の推定が必要であった。頻度近似（ｆｒｅｑｕｅｎｃｙ ａｐｐｒｏｘｉｍａｔｉｏｎ）、すなわち、ｐ_ｉｊを、他のものが強度ｉおよびｊを有する推定確率とし、ｎ_ｉｊをこれらの強度をもったボクセル数、ｎをボクセルの総数としたときに、ｐ_ｉｊ＝ｎ_ｉｊ／ｎであることを使用した。代替的な方法は、Ｐａｒｚｅｎ窓関数を使用して、確率密度のよりロバストな演算値を取得して、それらを平滑化し、基準導関数の推定を可能にする方法である。
最適化手順は、制御点グリッド上の局所差によって算出される勾配の推定に基づいたものであった。制御点ごとに、１工程置換を実施し、ＮＭＩの差を算出した。次いで、各段階で反復勾配降下法を使用して最適化した。第１段階の解剖学的多重解像度を含めて、第２段階の、時間がかかる解像度の劣った多重解像度工程の一部の省略することによって、第２段階の精密解像度の全体的プロセスが加速された。

本特許出願の方法を使用して、第１組の胸部および腹部領域の１１個のＣＴ／放出型／透過型ＰＥＴスキャンを分析した。データが異なる３つの部位から取得され、様々な機械および臨床プロトコルが使用されたので、これは、非同質（ｉｎｈｏｍｏｇｅｎｅｏｕｓ）のデータセットであった。複合型ＰＥＴ−ＣＴ収集システムである、米国ウィスコンシン州ウォーキシャのＧｅｎｅｒａｌ Ｅｌｅｃｔｒｉｃ Ｍｅｄｉｃａｌ Ｓｙｓｔｅｍｓから入手されたＤｉｓｃｏｖｅｒｙ ＬＳ ＰＥＴ／ＣＴ Ｓｙｓｔｅｍを使用して、第２組の４つの画像を取得した。分析に使用したプロセスは、スキャンパラメータに依存しないように設計された。一般に、ＣＴ画像は、ｘｙ平面内の分解能５１２×５１２ピクセル、４６〜１０３スライス、ボクセル寸法約０．７４×０．７４×７．５ｍｍ^３であった。ＰＥＴ画像は、ｘｙ平面内の分解能１２８×１２８ピクセル、１６３〜２０５スライス、ボクセル寸法約４．２９７×４．２９７×４．２９７ｍｍ^３であった。ＰＥＴ−ＣＴ複合型機械のデータセットでは、ＣＴ画像の分解能は、ｘｙ平面内で５１２×５１２ピクセルであり、ＰＥＴ画像の分解能は、ｘｙ平面内で１２８×１２８ピクセルであり、ともに２０５スライスであった。ボクセル寸法は、ＣＴ画像では０．９７７×０．９７７×４．２５ｍｍ^３、ＰＥＴ画像では３．９０６×３．９０６×４．２５ｍｍ^３である。
医師が重ね合わせ確度の半定量的指標を生成できるように、非線形重ね合わせ評価プロトコルを考案した。オリジナルＣＴのボリュームおよび重ね合わされたＰＥＴのボリュームの解剖学的に重要ないくつかのスライスが評価者に提示された。各対の画像には、胸壁（胸郭）、縦隔壁（心臓）、肝臓、胃、腎臓など、重要な解剖学的構造と交差するところに、いくつかのリファレンス点を画定するルーラーで印が付けられた。これらのリファレンスによって、医師が、両方の画像における前述した構造の位置の相違を推定することができた。重ね合わせは、０点（良い重ね合わせ、誤差０．５ｃｍ未満）から２点（許容できない重ね合わせ、１．５ｃｍを超える誤差）までのスケールにランク付けされた。第１の１１対のデータセットについての結果を、表１に示す。

表１は、様々な解剖学的領域に関する当該方法の性能を示す。医師間の分散が低いことは、評価方法が有効な結果をもたらすことを示している。表１は、肺、心臓、肝臓、および腎臓について優れた重ね合わせを示す。胃については比較的劣った重ね合わせが得られた。これは、この臓器の運動性が原因と思われる。
また、複合型ＣＴ−ＰＥＴ機械を使用して得られた第２組の画像も評価した。これらの機械によって達成されるハードウェア的な重ね合わせは、既に２人の患者について質の高いものであった。さらに他の２人の患者については、主に心臓の領域で重ね合わせ誤差が見られたが、これは、本発明の方法によってある程度補正された。

本特許出願の方法を使用して、第３組の胸部領域の１８個のＣＴ／放出型／透過型ＰＥＴスキャンを分析した。データが異なる３つの部位から取得され、様々な機械および臨床プロトコルが使用されたので、これは、非同質のデータセットであった。分析に使用したプロセスは、スキャンパラメータに依存しないように設計された。一般に、ＣＴ画像は、ｘｙ平面内の分解能２５６×２５６ピクセル、６０〜１２５スライス、ボクセル寸法約１．０×１．０×５．０ｍｍ^３であった。ＰＥＴ画像は、ｘｙ平面内の分解能１４４×１４４ピクセル、１６０〜２３０スライス、ボクセル寸法約４．０×４．０×４．０ｍｍ^３であった。
実施例１の評価方法を、実施例２で使用した。表２は、様々な解剖学的領域に関するこの評価方法の性能を示す。

表２は、当該評価方法が、本特許出願の重ね合わせ方法の検証に使用するのに十分に反復的であることを示す。
表３は、第３組の１８個のＣＴおよびＰＥＴスキャンの重ね合わせの評価結果を示す。

表３は、胸壁、縦隔壁（心臓）、および横隔壁（肝臓）について優れた重ね合わせを示す。
本明細書に記載した実施例および実施形態が、説明を目的としたものであって、制限しようとするものではなく、また、特許請求の範囲に記載の本発明の精神および範囲から逸脱することなく他の実施例を使用できることが、当業者には明らかである。

ＣＴスキャンとＰＥＴスキャンとの非剛体重ね合わせのための諸工程の略図である。

Claims (11)

1. 患者の胸部および腹部の解剖学的画像と、前記患者の胸部および腹部の機能的画像とを重ね合わせるプロセスであって、
   ａ．前記患者の胸部および腹部の解剖学的画像を取得するステップと、
   ｂ．前記患者の胸部および腹部の機能的画像を取得するステップであって、前記機能的画像が機能的特徴および解剖学的特徴を含むステップと、
   ｃ．前記解剖学的画像および前記機能的画像の解剖学的特徴を抽出するステップと、
   ｄ．前記解剖学的画像と前記機能的画像とを重ね合わせるステップであって、
   １．前記解剖学的画像および前記機能的画像から抽出された解剖学的特徴を使用する非剛体Ｂ−スプライン自由形状変形を使用して、前記スキャンを変換する工程を含むプロセスによって重ね合わせるステップと、を含む、解剖学的画像と機能的画像とを重ね合わせるプロセス。
2. 前記工程ｄ．１．の後に、
   ２．正規化相互情報量を使用して、ある画像に含まれている他の画像からの情報を最大にする工程をさらに含む、請求項１に記載のプロセス。
3. 患者の胸部および腹部の解剖学的画像と、前記患者の胸部および腹部の機能的画像とを重ね合わせるプロセスであって、
   ａ．前記患者の胸部および腹部の解剖学的画像を取得するステップと、
   ｂ．前記患者の胸部および腹部の機能的画像を取得するステップであって、前記機能的画像が機能的特徴および解剖学的特徴を含むステップと、
   ｃ．前記解剖学的画像および前記機能的画像の解剖学的特徴を抽出するステップと、
   ｄ．前記解剖学的画像と前記機能的画像とを粗く重ね合わせるステップであって、
   １．前記解剖学的画像および前記機能的画像から抽出された解剖学的特徴を使用する非剛体Ｂ−スプライン自由形状変形を使用して、前記スキャンを変換する工程と、
   ２．変換されたスキャンおよびセグメント化された解剖学的特徴の、対応するピクセルグレーレベルの２乗平均平方根の差を、最小にする工程と、
   ３．すべての制御点の位置の勾配降下を最小にする工程とを含むプロセスによって、粗く重ね合わせるステップと、
   ｅ．前記解剖学的画像と前記機能的画像とを精密に重ね合わせるステップであって、
   １．非剛体Ｂ−スプライン自由形状変形を使用して、前記ステップｄ．および前記機能的スキャンの結果を変換する工程と、
   ２．正規化相互情報量ならびに前記工程ｅ．１．および前記解剖学的スキャンの結果を使用して、ある画像に含まれている他の画像からの情報を最大にする工程と、
   ３．すべての制御点の位置の勾配降下を最小にする工程とを含む、精密に重ね合わせるステップと、
   ｆ．重ね合わされた解剖学的画像および機能的画像を表示するステップと、を含む、解剖学的画像と機能的画像とを重ね合わせるプロセス。
4. 前記解剖学的画像がコンピュータ断層撮影スキャンである、請求項３に記載のプロセス。
5. 前記機能的画像が陽電子放出断層撮影スキャンである、請求項３に記載のプロセス。
6. 前記解剖学的画像が核磁気共鳴スキャンである、請求項３に記載のプロセス。
7. 前記解剖学的画像が超音波スキャンである、請求項３に記載のプロセス。
8. セグメント化される前記解剖学的特徴が、皮膚、肺、骨格、腎臓、または肝臓である、請求項３に記載のプロセス。
9. 前記ステップｄ．の諸工程が繰り返される、請求項３に記載のプロセス。
10. 前記ステップｅ．の諸工程が繰り返される、請求項３に記載のプロセス。
11. 前記工程ｅ．２．が削除され、
    ｅ．２Ａ．Ｐａｒｚｅｎ窓ならびに前記工程ｅ．１．および前記解剖学的スキャンの結果を使用して、ある画像に含まれている他の画像からの情報を最大にする工程に置き換えられる、請求項３に記載のプロセス。