JP2008194456A - 医用画像処理装置および医用画像処理方法 - Google Patents

Abstract

【課題】 異常候補領域に関する適切な検査治療方針を適切に判定することにより、医師による医用画像診断を支援する。
【解決手段】 画像データ処理部１４は、被検体の内部を表す画像に含まれる解剖学的な異常であり得る異常候補領域に関する特徴を表す特徴量と、異常候補領域に連続した周辺領域に関する特徴を表す特徴量とに基づいて異常候補領域の解剖学的な悪性度を判定する。画像データ処理部１４は、悪性度に基づいて異常候補に対する検査方針または治療方針を決定する。方針表示部１６は、決定された検査方針または治療方針を利用者に提示する。
【選択図】 図１

Description

本発明は、Ｘ線コンピュータ断層撮影装置、Ｘ線診断装置、磁気共鳴診断装置、あるいは超音波診断装置などの医用画像診断モダリティを用いて収集された３次元画像に基づく結節状異常または瘤状異常のような解剖学的異常についての診断を支援するための医用画像処理装置および医用画像処理方法に関する。

現在、日本国で肺癌は悪性腫瘍死の第一位を占めると共に増加の一途を辿っており、喫煙対策による予防と並んで早期発見への社会的な要請が強い。日本国の各自治体では胸部単純Ｘ線写真と喀痰細胞診による肺癌検診が施行されているが、１９９８年に出された日本国旧厚生省の「癌検診有効性評価に関する研究班」の報告では、現行の肺癌検診では効果があるとしても小さいと結論されている。Ｘ線コンピュータ断層撮影法（以下、ＣＴと記す）では胸部単純Ｘ線写真よりも容易に肺野型肺癌を発見できるが、ヘリカルスキャン方式のＣＴが現れた１９９０年以前は撮像時間が長く検診に使用できなかった。しかしヘリカルＣＴが登場して間もなく被曝を低減するために比較的低いＸ線管電流で撮像する方法（以下、低線量ヘリカルＣＴと記す）が開発され、これを用いた肺癌検診のパイロット研究が日本国および米国で行われた。その結果、低線量ヘリカルＣＴが胸部単純Ｘ線写真を大きく上回る肺癌検出率を有することが実証されている。

一方、ヘリカルＣＴの撮像に要する時間は１９９８年以降のＣＴ検出器の多列化によって短縮され続けており、最新の多検出器列ヘリカルＣＴではほぼ等方的な１ｍｍ未満の解像度で肺全体を１０秒未満で撮像可能である。このようなＣＴの技術革新は肺癌をより小さな段階で発見できる可能性を拓いているが、多検出器列ヘリカルＣＴは１回のスキャン当り数百枚の画像を生成するため、読影に要する負担が著しく増大するという問題も招いている。

上記の背景より、低線量ヘリカルＣＴが肺癌検診の方法として確立されるためには、肺癌の見落としを防ぐためのコンピュータによる読影支援診断システム（Computer Assisted Diagnosis：以下、ＣＡＤと記す）が必要であることが広く認識されている。小さな肺野型肺癌はＣＴ画像上で結節状異常として現れるため、このような異常の自動的検出（以下、ＣＴ肺結節自動検出と記す）は極めて重要なテーマであり、１９９０年代より様々な研究が行われてきた（例えば、非特許文献１を参照）。

さて、ＣＡＤによって検出された結節候補の多くは、良性であることが報告されている。そのため結節候補が良性および悪性のいずれであるかの鑑別診断をコンピュータ支援することも重要であるとの認識で、幾つかの手法が発表されている（例えば、非特許文献２を参照）。

ＣＴ肺結節自動検出に対しては、何らかの方法で結節の候補となる領域（以下、結節候補領域と記す）を抽出し、この結節候補領域を特徴付ける複数の特徴量を求め、これら特徴量に基づいて結節候補領域が結節であるか否かを判定するというアプローチがとられる。しかしながら、結節は肺血管の一部と特徴が類似するため、結節候補領域を特徴付ける特徴量からでは、結節と肺血管とが的確に区別できないことがあった。

このような事情から、結節候補領域が結節であるか否かの最終的な判定は、依然として医師に委ねられている。通常この判定は断面表示画像だけの観察に基づいて行われる。しかし、この方式では３次元的形状を即座に把握できないために結節と肺血管の区別に手間取る場合があり、判定の効率が必ずしも良いとは言えない。
「David S. Paik，ほか７名，"Surface Normal Overlap: A Computer−Aided Detection Algorithm With Application to Colonic Polyps and Lung Nodules in Helical CT"，IEEE TRANSACTIONS ON MEDICAL IMAGING, VOL.23, NO.6，２００４年６月，p.661−675」 Kenji Suzukiほか３名，「Computer−Aided Diagnostic Scheme for Distinction Between Benign and Malignant Nodules in Thoracic Low−Dose CT by Use of Massive Training Artificial Neural Network」，IEEE TRANSACTION ON MEDICAL IMAGING, VOL.２４, NO.９，２００５年９月，p.１１３８−１１５０

以上のように従来は、異常候補領域に関する検査方針または治療方針の決定は、医師の主観によって行われており、必ずしも適正に行われていなかった。

本発明はこのような事情を考慮してなされたものであり、その目的とするところは、異常候補領域に関する適切な検査治療方針を適切に判定することにより、医師による医用画像診断を支援することにある。

本発明の第１の態様による医用画像処理装置は、被検体の内部を表す画像に含まれる解剖学的な異常であり得る異常候補領域に関する特徴を表す候補領域特徴量と、前記画像にて前記異常候補領域に連続した周辺領域に関する特徴を表す周辺領域特徴量とに基づいて前記異常候補領域の解剖学的な悪性度を判定する判定手段と、前記悪性度に基づいて前記異常候補に対する検査方針または治療方針を決定する決定手段と、前記決定手段で決定された検査方針または治療方針を利用者に提示する提示手段とを備える。

本発明の第２の態様による医用画像処理装置は、被検体の内部を表す画像に含まれる解剖学的な異常であり得る異常候補領域の解剖学的な悪性度を判定する判定手段と、前記悪性度に基づいて前記異常候補に対する検査方針または治療方針を決定する決定手段と、前記決定手段で決定された検査方針または治療方針を利用者に提示する提示手段とを備える。

本発明の第３の態様による医用画像処理方法は、被検体の内部を表す画像に含まれる解剖学的な異常であり得る異常候補領域に関する特徴を表す候補領域特徴量と、前記画像にて前記異常候補領域に連続した周辺領域に関する特徴を表す周辺領域特徴量とに基づいて前記異常候補領域の解剖学的な悪性度を判定し、前記悪性度に基づいて前記異常候補に対する検査方針または治療方針を決定し、決定された前記検査方針または治療方針を利用者に提示する。

本発明の第４の態様による医用画像処理方法は、被検体の内部を表す画像に含まれる解剖学的な異常であり得る異常候補領域の解剖学的な悪性度を判定し、前記悪性度に基づいて前記異常候補に対する検査方針または治療方針を決定し、決定された前記検査方針または治療方針を利用者に提示する。

本発明によれば、異常候補領域に関する適切な検査治療方針を適切に判定することにより、医師による医用画像診断を支援することが可能となる。

以下、図面を参照して一実施形態について説明する。

図１は本実施形態に係る医用画像処理装置１の構成を示す図である。

この図１に示す医用画像処理装置１は、マルチスライスＣＴ２により取得された３次元画像データを処理対象とする。医用画像処理装置１は、図１に示すように、結節候補領域特定部１１、拡張結節候補領域特定部１２、判定部１３、画像データ処理部１４、画像表示部１５および方針表示部１６を含む。

この医用画像処理装置１は、例えば汎用のコンピュータ装置を基本ハードウェアとして用いることができる。そして結節候補領域特定部１１、拡張結節候補領域特定部１２、判定部１３および画像データ処理部１４は、上記のコンピュータ装置に搭載されたプロセッサに医用画像処理プログラムを実行させることにより実現することができる。このときに医用画像処理装置１は、上記の医用画像処理プログラムが上記のコンピュータ装置に予めインストールされて実現されても良いし、磁気ディスク、光磁気ディスク、光ディスク、半導体メモリなどのようなリムーバブルな記録媒体に記録して、あるいはネットワークを介して上記の医用画像処理プログラムを配布し、この医用画像処理プログラムを上記のコンピュータ装置にインストールして実現されても良い。なお、上記の各部は、その一部または全てをロジック回路などのハードウェアにより実現することも可能である。また上記の各部のそれぞれは、ハードウェアとソフトウェア制御とを組み合わせて実現することも可能である。画像表示部１５および方針表示部１６としては、例えばＣＲＴ（cathode−ray tube）表示器またはＬＣＤ（liquid crystal display）などの表示デバイスを利用できる。画像表示部１５および方針表示部１６のそれぞれとして別々の表示デバイスを用いても良い。あるいは、１つの表示デバイスを時分割に画像表示部１５および方針表示部１６のそれぞれとして利用しても良い。あるいは、１つの表示デバイスの表示画面の異なる領域を画像表示部１５および方針表示部１６のそれぞれとして利用しても良い。なお、画像表示部１５および方針表示部１６は、医用画像処理装置１には内蔵せずに、医用画像処理装置１に外付けされる汎用の表示デバイスを画像表示部１５および方針表示部１６として利用することもできる。

結節候補領域特定部１１は、３次元画像データが表す３次元画像中で、結節であり得る領域（以下、結節候補領域と記す）を特定する。拡張結節候補領域特定部１２は、３次元画像中で、上記の結節候補領域とそれに連続する周辺領域とからなる拡張結節候補領域を特定する。判定部１３は、結節候補領域および周辺領域のそれぞれの特徴量に基づいて、結節候補領域が結節であるか否かを判定する。画像データ処理部１４は、結節候補領域および周辺領域のそれぞれの特徴量に基づいて結節候補領域の悪性度を判定する。画像データ処理部１４はさらに、判定した悪性度に基づいて検査方針および治療方針を判定する。マルチスライスＣＴ２により取得された画像データと、判定部１３により分析された特徴量に基づく３次元画像表示や断面表示を行うための表示データを生成する。なお、３次元画像表示のためには、ボリュームレンダリング（以下、ＶＲと記す）などの手法が利用される。また、断面表示のためには、任意断面表示（以下、ＭＰＲと記す）法などの手法が利用される。また画像データ処理部１４は、判定部１３により判定された悪性度と検査方針および治療方針とを医師などの利用者に提示するための表示データを生成する。画像表示部１５は、画像データ処理部１４により生成された表示データに基づいて、医用画像の３次元画像表示や断面表示を行う。方針表示部１６は、画像データ処理部１４により生成された表示データに基づいて、悪性度と、検査方針および治療方針とを医師などの利用者に提示するための表示を行う。

次に以上のように構成された医用画像処理装置１の動作について説明する。

まず、結節候補領域特定部１１による結節候補領域の特定と、拡張結節候補領域特定部１２による拡張結節候補領域の特定とが行われる。拡張結節候補領域は、結節候補領域とそれに連続する周辺領域とからなるから、周辺領域は拡張結節候補領域から結節候補領域を除いた領域となる。判定部１３は、結節候補領域および周辺領域のそれぞれの特徴量に基づいて結節候補領域が結節であるか否かを判定する。以上の処理には、特開２００６−２３９００５（U.S. Patent Application Serial No. 11/736,865）に開示された手法を利用する。特開２００６−２３９００５に開示された手法にあっては上記の処理の中で、結節および周辺の血管構造・気管支構造の位置を表す前景部が特定され、また結節候補領域をほぼ囲む楕円体モデルが生成される。なお本実施形態において拡張結節候補領域は、特開２００６−２３９００５に記載されている領域よりも大きな領域としても良い。

更に本出願人らにより既に出願された特願２００６−１５９４２３（U.S. Patent Application Serial No. 11/758,907）に記載の方法で、判定部１３によって結節であると判定された結節候補領域における領域情報、領域位置情報、楕円体モデル、ならびに結節および周辺の血管構造・スピキュラ・気管支構造を表す前景部情報などを生成しても良い。

なお、U.S. Patent Application Serial No. 11/736,865およびU.S. Patent Application Serial No. 11/758,907の記載はここに組み入れられる。

続いて画像データ処理部１４は、結節であると判定された結節候補領域を対象として、図２に示す処理を実行する。

図２は悪性度の算出および検査方針および治療方針の判定のための処理の概略を示すフローチャートである。

ステップＳ１において画像データ処理部１４は、判定部１３により結節であると判定された結節候補を１つ選択する。

ステップＳ２において画像データ処理部１４は、図３に示すように結節候補２１とその周辺構造２２とを含む関心領域（volume of interest：以下、ＶＯＩと記す）２３を選択する。具体的には、判定部１３にて結節候補２１に対して生成された楕円体モデル２４の中心をＶＯＩ２３の中心と定める。そして、楕円体モデル２４の３つの主軸の平均長、あるいは最長軸長の数倍（例えば３倍）の長さを１辺とする立方体を定め、これをＶＯＩ２３とする。なおＶＯＩは、楕円体モデル２４の３つの主軸の平均長、あるいは最長軸長の数倍（例えば３倍）の長さを直径とする球体として定めても良い。そして画像データ処理部１４は、ＶＯＩ２３の中に位置し、かつ前景領域に相当する画像情報（画像輝度値）を３次元画像データから抽出する。この時、結節候補が肺野におけるどの部位であるか、つまり肺門部から末梢部までのどこに位置するかをＣＡＤの処理の前段階で得られるセグメンテーションされた肺領域情報からを算出しておく。

ステップＳ３において画像データ処理部１４は、後述するステップＳ４，Ｓ５の前処理を行う。まずステップＳ３１において画像データ処理部１４は、ＶＯＩ２３内の棒状構造の強調処理を行う。すなわち、図４（ａ）に示すように、前景領域には血管だけでなく気管壁や肺葉間膜などの構造が含まれている。そこで画像データ処理部１４は、図４（ｂ）に示すように、棒状の構造を有する血管やスピキュラのみを強調した棒状構造強調画像を生成する。この強調処理には、Hessian行列における固有値を利用したHessianフィルタと呼ばれる既知の手法を利用することができる。あるいは、ある一定の画素値を閾値として血管やスピキュラの構造物抽出を行い、それを棒状構造強調画像としても良い。なお図４では、肺内部全体の前景領域画像および棒状構造強調画像をそれぞれ示しているが、ステップＳ３での処理対象はＶＯＩ内の前景領域に相当する画像のみである。ただし、ステップＳ１の前にこの棒状構造の強調処理を行って図４（ｂ）に示すような棒状構造強調画像を得るようにしても良い。

次にステップＳ３２において画像データ処理部１４は、結節境界面を抽出する。具体的には、まず画像データ処理部１４は図５（ａ）に示すように、棒状構造強調画像に現れている結節候補２１と棒状構造２５とに対して距離変換法を用い、これにより得られる距離変換画像の最大値を繋いだ線として中心線２６を求める。次に画像データ処理部１４は、棒状構造強調画像を用いて、図５（ａ）に示すように結節候補２１の中心、すなわち楕円体モデル２４の中心２４ａから、３次元的な球状での領域拡張法を用いて図５（ｂ）のように結節候補２１の境界を抽出する。順次、球状領域の表面（以下、球状表面と記す）２７を拡張する際に、その球状表面２７の輝度値の変化率がある閾値を越えた場合にその点を境界として図５（ｂ）のように認識していく。上記の処理の結果として、結節候補と血管である棒状構造との分離が行えることから、結節候補部分のみを表す境界面が求められることになる。そこで画像データ処理部１４は、その境界面を用いて結節候補の形状や体積を求める。

ステップＳ４において画像データ処理部１４は、結節に連結した棒状構造（以下、棒状連結構造と記す）の特徴パラメータを分析する。具体的には、まずステップＳ４１において画像データ処理部１４は図５（ｃ）に示すように、球状表面２７のうちで棒状構造２５と重なり、かつ中心線２６を含む部分（以下、球状小領域と記す）２８を検出する。そして、球状小領域２８の検出を球状表面２７を順次拡張しつつ行うことによって棒状連結構造を追尾して行く。棒状連結構造は血管、あるいは結節の一部とみなせるスピキュラであるが、スピキュラはその長さが２ｃｍ以下であることの知見を利用して棒状連結構造の長さから血管を識別する。このようにして結節に連結する結節連結血管を抽出する。図６に結節と結節連結血管の抽出例を示す。

次いでステップＳ４２において画像データ処理部１４は、結節連結血管の個数および結節連結血管の結節への連結角度を表す量を特徴パラメータとして分析する。なお、結節連結血管の結節への連結角度は、結節連結血管の楕円体モデル曲面に対する角度に近似する。そこで画像データ処理部１４は図７に示すように、楕円体モデル表面と中心線２６との交点を基点として、その基点における楕円体接面に対して結節候補から外向きの法線ベクトル２９と結節連結血管の中心線２６上の各点の方向ベクトル３０との内積値を特徴パラメータとして分析する。また、これらの特徴パラメータの過去画像からの変化分もあれば、それも特徴パラメータとして分析する。

ステップＳ５において画像データ処理部１４は、結節部分の特徴パラメータを分析する。具体的には画像データ処理部１４は、ステップＳ３２で得られた結節境界面の情報を用いて、結節の体積、球状性（あるいはコンパクトネスとも呼ばれる）、棒状構造から識別された結節の一部と見なせるスピキュラの個数、ならびに結節内部の輝度値（ＨＵ値など）ヒストグラムパターンなどを特徴パラメータとして分析する。また、これらの特徴パラメータの過去画像からの変化分もあれば、それも特徴パラメータとして分析する。

ステップＳ６において画像データ処理部１４は、ステップＳ４，Ｓ５で得られた複数の特徴パラメータを用いて結節候補の悪性・良性の度合い、すなわち悪性度を算出する。具体的には画像データ処理部１４は、ステップＳ４，Ｓ５で得られた複数の特徴パラメータを入力値とし、既存のニューラルネットワーク手法または教師付きニューラルネットワークモデルによって、結節の悪性度の総合判断を行い数値として表す。教師付きニューラルネットワークモデルとしては、support vector machine（ＳＶＭ）（C. J.C. Burges, "A Tutorial on Support Vector Machines for Pattern Recognition”, Data Mining and Knowledge Discovery 2:121 − 167, 1998を参照）を利用可能である。また教師値としては、既知の悪性度を表す特徴パラメータの閾値などを利用可能である。あるいは悪性度を表すカテゴリー別、例えば結節連結血管に関する特徴パラメータ（以下、連結構造系特徴パラメータと称する）および結節部分に関する特徴パラメータ（以下、結節系特徴パラメータと称する）の二つに分類して、各々の悪性度を数値化しても良い。また、特徴パラメータの数値そのものを悪性度として利用しても良い。

ステップＳ７において画像データ処理部１４は、悪性度の数値のみから、あるいは上記の抽出された複数の特徴パラメータや結節候補の肺野における位置情報などとの組み合わせから、検査方針および治療方針の提示を行う。この検査方針および治療方針は、既に学会などから報告されているガイドラインに合うように定型化することもでき、あるいは各施設毎にカスタマイズを行っても良い。上記のガイドラインとしては例えば、Daniel M. Libbyほか５名, 「Managing the Small Pulmonary Nodule Discovered by CT」, Chest, Vol.125, No.4, 2004年、pp.1522-1529や、Herber MacMahonほか７名, 「Guidelines for Management of Small Pulmonary Nodules Detected on CT Scans: A Statement from the Fleischner Society」, Radiology, Vol.237, No.2, 2005年、pp.395-400などの文献にて報告されたものがある。具体的には画像データ処理部１４は、ステップＳ６で得られた悪性度を用いて、たとえば単一の悪性度の場合には図８に示すような対応表に基づいて検査方針および治療方針を提示する。あるいは複数のパラメータ系（ここでは結節連結血管特徴パラメータ系および結節部分特徴パラメータ系の二つに分類）の悪性度の場合には、図９に示すようなマトリクス関係表に基づいて検査方針および治療方針を選択して提示する。また、特徴パラメータの数値そのものを悪性度として表した多次元マトリクス関係表から検査方針および治療方針を選択して提示しても良い。また、対応表やマトリクス関係表から選択するのではなく、ニューラルネットワーク手法などを利用して検査方針および治療方針を決定しても良い。

このように本実施形態によれば、結節候補の特徴のみならず、その周辺領域の特徴をも考慮して結節候補の悪性度を算出するため、結節候補の特徴のみを考慮する場合に比べて悪性度を適切に判断することができる。そして本実施形態によれば、このようにして判断した悪性度に基づいて検査方針および治療方針を提示するので、医師の経験や見識の違いに左右されることなく、科学的根拠に基づいた適切な診断が可能になる。

また本実施形態によれば、悪性度の算出のために、法線ベクトル２９と方向ベクトル３０との内積値を考慮している。この内積値は、結節連結血管の楕円体モデル曲面に対する角度が垂直に近いほど大きくなる。悪性の結節は、血管を引き込むために、血管が結節に対してほぼ垂直に連結される。さらに結節は、悪性度が高いほど遠くから血管を引き込む。従って、悪性度の高い結節に連結した血管は、結節の近くの点のみならず、結節から離れた点についての方向ベクトル３０も法線ベクトル２９と似た向きになる。すなわち、悪性度が高い結節の場合には、上記の内積値がさらに大きくなる。このため、上記の内積値は、結節の悪性度を判断するために非常に有用な情報であり、この様な情報を考慮していることによって結節の悪性度をこれまでよりも適切に判断することができる（平野靖ほか５名, 「胸部Ｘ線ＣＴ像における血管・気管支収束の３次元集中度を用いた定量化」, MEDICAL IMAGING TECHNOLOGY Vol.15, No.3, 1997年、pp.228-236を参照）。

またこのように内積値は悪性度に応じて変化することから、内積値の経時変化に着目することで結節の悪化の度合いを適切に判断することができる。

さらに本実施形態によれば、楕円体モデル２４を基準として法線ベクトル２９を定めているため、結節候補の表面が滑らかでなくとも、血管の連結方向を分析するために適切な法線ベクトル２９を容易に定めることが可能である。

この実施形態は、次のような種々の変形実施が可能である。

(1) 図１０に示すように、結節系の１つ以上の特徴パラメータと連結構造系の１つ以上の特徴パラメータとからニューラルネットワークや教師付きニューラルネットワークモデルなどの手法を利用して直接的に検査方針および治療方針の提示内容を決定しても良い。

(2) 結節に関する特徴パラメータおよび連結構造に関する特徴パラメータはある検査時に分析される数値情報であるが、悪性度を更に精度良く決定するにはそれぞれの特徴パラメータの経時変化を個別に観察することも重要である。

そこで、肺野全体として過去画像と現在画像とについて必ず対応がとれる気管支の主分岐および第１分岐の分岐点の対応を決定する。この結果を基準として、気管支の周辺の分岐や血管の分岐点のランドマークを対応付けて、画像歪補正も含めて位置合わせを行う。この上で、図１１に示すように、過去画像と現在画像とにおいて結節の経時変化分や周辺構造の経時変化分を算出する。

例えば、結節の経時変化で最も重要な結節の大きさ、あるいは結節の内部構造変化を差分画像から抽出して、それぞれ、特徴パラメータの変化、特徴パラメータの新規生成として記録する。周辺構造の経時変化分においては、スピキュラの新たな発生などの指標として、特徴パラメータの個数の増減などを記録する。

これら検査時のパラメータと経時変化としての特徴パラメータの変化（大きさなどのように数値の変化、スピキュラなどのように特徴パラメータの個数の変化など）とを入力として、図１２のようにニューラルネットワークや教師付きニューラルネットワークモデルの手法を利用して直接的に検査方針および治療方針の提示内容を決定しても良い。

(3) 検査方針および治療方針の提示は、上記の内積値を考慮しないで従来と同様にして算出された悪性度に基づいて行うことも有効である。

(4) 検査方針および治療方針のいずれか一方のみを決定、あるいは提示しても良い。

(5) 前記各実施形態では、マルチスライスＣＴ２により取得される３次元画像を処理対象としているが、Ｘ線診断装置、磁気共鳴診断装置、あるいは超音波診断装置などの他の診断モダリティを用いて収集された３次元画像を処理対象としても良い。

(6) ステップＳ１における結節候補領域の選択は自動では行わず、ユーザにより指定された結節候補領域についての判定を行うようにしても良い。

なお、本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。

一実施形態に係る医用画像処理装置１の構成を示す図。 悪性度の算出と検査方針および治療方針の判定のための処理の概略を示すフローチャート。 ＶＯＩの一例を示す図。 棒状構造の強調処理を行う前の前景領域画像と強調処理により得られた棒状構造強調画像との一例を示す図。 結節境界面および棒状連結構造の抽出処理を説明する図。 結節と結節連結血管の抽出例を示す図。 法線ベクトルおよび方向ベクトルの一例を示す図。 悪性度と検査方針および治療方針との対応表の一例を示す図。 結節連結血管特徴パラメータ系および結節部分特徴パラメータ系の二つの悪性度と検査方針および治療方針との関係を示したマトリクス関係表の一例を示す図。 検査方針および治療方針の判定処理の変形例を示す図。 結節や周辺構造の経時変化の様子の一例を示す図。 検査方針および治療方針の判定処理の変形例を示す図。

符号の説明

１…医用画像処理装置、１１…結節候補領域特定部、１２…拡張結節候補領域特定部、１３…判定部、１４…画像データ処理部、１５…画像表示部、１６…方針表示部。

Claims (13)

1. 被検体の内部を表す画像に含まれる解剖学的な異常であり得る異常候補領域に関する特徴を表す候補領域特徴量と、前記画像にて前記異常候補領域に連続した周辺領域に関する特徴を表す周辺領域特徴量とに基づいて前記異常候補領域の解剖学的な悪性度を判定する判定手段と、
   前記悪性度に基づいて前記異常候補に対する検査方針または治療方針を決定する決定手段と、
   前記決定手段で決定された検査方針または治療方針を利用者に提示する提示手段とを具備したことを特徴とする医用画像処理装置。
2. 前記画像中において前記異常候補領域を特定する第１の特定手段と、
   前記画像中において前記周辺領域を特定する第２の特定手段と、
   前記候補領域特徴量を計算する第１の計算手段と、
   前記周辺領域特徴量を計算する第２の計算手段とをさらに備えることを特徴とする請求項１に記載の医用画像処理装置。
3. 前記第１の計算手段は、前記異常候補領域の陰影の度合いから前記異常候補領域の形状および大きさの少なくとも１つを前記候補領域特徴量として計算することを特徴とする請求項２に記載の医用画像処理装置。
4. 前記第２の計算手段は、前記周辺領域に含まれかつ前記異常候補領域に連結した棒状構造についての特徴量を前記周辺領域特徴量として計算することを特徴とする請求項２に記載の医用画像処理装置。
5. 前記第２の計算手段は、前記棒状構造の大きさ、形状および前記異常候補領域への連結角度のうちの少なくとも１つを前記周辺領域特徴量として計算することを特徴とする請求項４に記載の医用画像処理装置。
6. 結節候補領域をほぼ囲む楕円体モデル表面に対する法線ベクトルと前記棒状構造の中心線上のいくつかの点における当該中心線の方向ベクトルとの内積値として前記連結角度を計算することを特徴とする請求項５に記載の医用画像処理装置。
7. 前記第２の計算手段は、前記周辺領域の特徴の経時変化の度合いを表す特徴量を前記周辺領域特徴量として計算することを特徴とする請求項２に記載の医用画像処理装置。
8. 前記第１の計算手段は、前記異常候補領域の形状型および大きさ、ならびに前記異常候補領域の特徴の経時変化の度合いを表す特徴量を前記周辺領域特徴量としてそれぞれ計算し、
   前記第２の計算手段は、前記周辺領域に含まれかつ前記異常候補領域に連結した棒状構造の特徴、ならびに前記周辺領域の特徴の経時変化の度合いを表す特徴量を前記周辺領域特徴量として計算し、
   前記判定手段は、前記第１の計算手段により計算された前記異常候補領域の形状型および大きさ、ならびに前記異常候補領域の特徴の経時変化の度合いと、前記第２の計算手段により計算された前記周辺領域に含まれかつ前記異常候補領域に連結した棒状構造の特徴、ならびに前記周辺領域の特徴の経時変化の度合いとに基づいて前記悪性度を判定することを特徴とする請求項２に記載の医用画像処理装置。
9. 前記決定手段は、前記悪性度に基づいて、検査タイプ、次回検査までの期間および治療タイプの少なくとも１つを決定することを特徴とする請求項１に記載の医用画像処理装置。
10. 被検体の内部を表す画像に含まれる解剖学的な異常であり得る異常候補領域の解剖学的な悪性度を判定する判定手段と、
    前記悪性度に基づいて前記異常候補に対する検査方針または治療方針を決定する決定手段と、
    前記決定手段で決定された検査方針または治療方針を利用者に提示する提示手段とを具備したことを特徴とする医用画像処理装置。
11. 前記決定手段は、前記判定手段により判定された前記悪性度に基づいて、検査タイプ、次回検査までの期間および治療タイプの少なくとも１つを決定することを特徴とする請求項１０に記載の医用画像処理装置。
12. 被検体の内部を表す画像に含まれる解剖学的な異常であり得る異常候補領域に関する特徴を表す候補領域特徴量と、前記画像にて前記異常候補領域に連続した周辺領域に関する特徴を表す周辺領域特徴量とに基づいて前記異常候補領域の解剖学的な悪性度を判定し、
    前記悪性度に基づいて前記異常候補に対する検査方針または治療方針を決定し、
    決定された前記検査方針または治療方針を利用者に提示することを特徴とする医用画像処理方法。
13. 被検体の内部を表す画像に含まれる解剖学的な異常であり得る異常候補領域の解剖学的な悪性度を判定し、
    前記悪性度に基づいて前記異常候補に対する検査方針または治療方針を決定し、
    決定された前記検査方針または治療方針を利用者に提示することを特徴とする医用画像処理方法。

Images