JP2014042684A - 医用画像処理装置、およびプログラム - Google Patents

Abstract

【課題】 経年による脳内の組織の変化を正しく把握し、診断の支援を行うことが可能な医用画像処理装置、およびプログラムを提供する。
【解決手段】 撮影時期の異なる２つのＭＲＩ脳画像に対してそれぞれ空間的位置合わせ（Ｓ１１）、組織分離処理（Ｓ１２）、空間的標準化（Ｓ１３）、平滑化（Ｓ１４）を行い、得られた２つの組織画像の変化量演算を行って変化量画像を得て（Ｓ１５）、健常者変化量画像との統計比較を行う（Ｓ１６）。
【選択図】 図５

Description

本発明は、ＭＲＩ（Magnetic Resonance Imaging）等により得られた脳画像を画像処理して脳疾患の診断支援を行う技術に関し、特に、ＭＲＩ等により得られた脳画像を診断支援に適した状態に処理する技術に関する。

高齢化社会の到来により、認知症疾患の患者が年々増加している。認知症疾患には様々な種類があり、診断においてはそれらを区別して、疾患に応じた適切な処置を施すことが必要である。

一方、このような要請に応えるべく、近年、ＳＰＥＣＴ（Ｓingle Ｐhoton Ｅmission Ｃomputed Ｔomography）やＰＥＴ（Ｐositron Ｅmission Ｔomography）等の核医学検査や、ＣＴ（Ｃomputerized Ｔomography）やＭＲＩによって脳の状態に関する情報が取得可能になってきている。

その結果、脳の特定部位の血流や代謝が低下したり、組織が萎縮したりする現象が、疾患によって異なることが明らかになってきており、これらに対する定量的な評価方法が求められている。

例えば、脳の局所的な部位の血流や代謝の低下は、ＳＰＥＣＴやＰＥＴの画像によって比較することにより検定することができる。

又、組織の萎縮に関しては、ＭＲＩ画像によって特定部位の容積を求め、その相対的な大きさを比較して異常の有無を判別できる。

このような脳画像を用いて脳の萎縮を評価する方法としては、被験者の頭部を撮像して取得された脳画像を三次元の画素であるボクセルを単位に画像処理して行なうＶＢＭ（Ｖoxel Ｂased Ｍorphometry）が知られている（例えば、特許文献１参照）。

このＶＢＭ手法は、アルツハイマー病の識別には有効な評価方法であり、健常者とアルツハイマー病の識別において、８７．８％の診断能があったという報告がなされている（非特許文献１参照）。

また、白質に対しての精度が低いという従来のＶＢＭ手法を改善するため、入力した被験者のＭＲＩ脳画像から組織分離により抽出した白質の萎縮の程度を正確に評価する技術が開発されている（特許文献２参照）。

特開２００５−２３７４４１号公報 ＷＯ２０１１／０４０４７３

Yoko Hirata, Hiroshi Matsuda, Kiyotaka Nemoto, Takashi Ohnishi, Kentaro Hirao, Fumio Yamashita, Takashi Asada, Satoshi Iwabuchi, Hirotsugu Samejima, Voxel-based morphometry to discriminate early Alzheimer's disease from controls.Neurosci Lett 382:269-274, 2005 J.Ashburner and K.J.Friston. Unified segmentation. NeuroImage. 2005; 26: 839-851. Ashburner J, A fast diffeomorphic image registration algorithm.Neuroimage.2007 Oct 15 ; 38(1):95-113. 松田博史：ＳＰＥＣＴの統計学的画像解析．アルツハイマー型痴呆の画像診断，メジカルビュー社：ｐｐ．７６−８６（２００１）．

しかしながら、上記従来の技術では、経年による脳内の組織の変化を正しく把握することができなかった。

そこで、本発明は、経年による脳内の組織の変化を正しく把握し、診断の支援を行うことが可能な医用画像処理装置、およびプログラムを提供することを課題とする。

上記課題を解決するため、本発明第１の態様では、同一健常者の撮影時期の異なる２つの脳画像に対して、組織分離処理を行った後、両画像の変化量を表現した健常者変化量画像を記憶した健常者変化量画像データベースと、同一被験者の撮影時期の異なる２つの脳画像それぞれに対して組織分離処理を行って組織画像を得る組織分離手段と、得られた２つの組織画像間において、組織画像を構成する各ボクセル同士の差分演算を行い、変化量画像を得る変化量演算手段と、前記変化量演算手段により得られた変化量画像と前記健常者変化量画像データベースに記憶された健常者変化量画像との統計比較を行い、所定の評価値を算出し、前記変化量画像の各ボクセルの値を前記算出された所定の評価値に置き換えた統計処理画像を得る統計比較手段と、前記統計処理画像を表示する表示手段と、を有することを特徴とする医用画像処理装置を提供する。

統計比較により算出される所定の評価値としては、被験者の変化量画像のボクセル値と、健常者変化量画像群の対応するボクセルのボクセル値平均との差を、標準偏差でスケーリングした値であるＺスコア、他の一般的な検定で用いられるｔスコアを採用することができる。

本発明第１の態様によれば、同一被験者の撮影時期の異なる２つの組織分離画像間において、各ボクセル同士の差分演算を行って変化量画像を得て、得られた変化量画像と健常者の変化量画像である健常者変化量画像との統計比較を行い、各ボクセルが所定の評価値で表現された統計処理画像を表示するようにしたので、健常者に比較して経年変化の大きい箇所を容易に把握することが可能となる。

また、本発明第２の態様は、本発明第１の態様の医用画像処理装置において、前記健常者変化量画像データベースは、各健常者変化量画像に対応付けて経過期間を記憶したものであり、前記被験者の２つの脳画像間の経過期間を特定するための情報を入力する手段と、前記健常者変化量画像に対応付けられた経過期間と、前記被験者の脳画像間の経過期間を用いて、前記健常者変化量画像の各ボクセルの値を補正する健常者変化量画像補正手段と、を更に有することを特徴とする。

本発明第２の態様によれば、健常者変化量画像に対応付けて経過期間を記憶しておき、この健常者変化量画像の経過期間と、入力された被験者の２つの脳画像間の経過期間を用いて、健常者変化量画像の各ボクセルの値を補正するようにしたので、変化量に大きな影響を与える経過期間を揃えた状態で、健常者に比較して経年変化の大きい箇所を容易に把握することが可能となる。

また、本発明第３の態様では、同一被験者の撮影時期の異なる２つの脳画像それぞれに対して組織分離処理を行って組織画像を得る組織分離手段と、得られた２つの組織画像を構成する各ボクセルの値同士の差分演算を行い、変化量画像を得る変化量演算手段と、前記変化量画像内のボクセルの標準偏差を算出し、算出された標準偏差で各ボクセルの値を除算することにより正規化された変化量画像を得る正規化手段と、前記正規化された変化量画像を表示する表示手段と、を有することを特徴とする医用画像処理装置を提供する。

本発明第３の態様によれば、同一被験者の撮影時期の異なる２つの組織分離画像間において、各ボクセル同士の差分演算を行って変化量画像を得て、得られた変化量画像内のボクセルの標準偏差を算出し、算出された標準偏差で各ボクセルの値を除算することにより得られる正規化された変化量画像を表示するようにしたので、撮影機種の違いによる影響を軽減して経年変化の大きい箇所を容易に把握することが可能となる。

また、本発明第４の態様では、本発明第１から第３のいずれかの態様の医用画像処理装置において、前記組織分離手段は、前記組織分離処理として脳画像から白質または灰白質を分離する処理を行い、組織画像として白質画像または灰白質画像を得るものであることを特徴とする。

本発明第４の態様によれば、変化量を最も把握し易い組織である白質または灰白質の組織画像の変化量を変化量画像として作成するようにしたので、経年変化の大きい箇所をより容易に把握することが可能となる。

本発明によれば、経年による脳組織の変化を正しく把握し、診断の支援を行うことが可能となるという効果を奏する。

本発明の一実施形態における医用画像処理装置を示す図である。 本発明第１の実施形態に係る医用画像処理装置の処理概要を示すフローチャートである。 灰白質変化量演算による画像の変化の様子を示す図である。 変化量を部位別の数値により表示した例を示す図である。 第２の実施形態に係る医用画像処理装置の処理概要を示すフローチャートである。 第２の実施形態に係る統計比較を説明するための図である。 ＲＯＩによる解析の特徴を示す概念図である。 ＲＯＩを作成する際の特徴を示す概念図である。 第３の実施形態に係る医用画像処理装置の処理概要を示すフローチャートである。 脳の萎縮度を記録した萎縮度画像を利用した診断支援を説明するための図である。

＜１．装置構成＞
以下、本発明の好適な実施形態について図面を参照して詳細に説明する。図１（ａ）は，本発明の一実施形態における医用画像処理装置のハードウェア構成図である。医用画像処理装置は、汎用のサーバコンピュータで実現することができ、図１（ａ）に示すように、ＣＰＵ（Central Processing Unit）１ａと、コンピュータのメインメモリであるＲＡＭ（Random Access Memory）１ｂと、ＣＰＵが実行するプログラムやデータを記憶するための大容量の記憶装置１ｃ（例えば、ハードディスク、フラッシュメモリ等）と、キーボード、マウス等の入力機器で実現される入力部１ｄと、外部装置（データ記憶媒体等）とデータ通信するためのデータ入出力Ｉ／Ｆ（インタフェース）１ｅと、液晶ディスプレイ等の表示部１ｆを備え、互いにバスを介して接続されている。

図１（ｂ）は，本発明の一実施形態における医用画像処理装置の機能ブロック図である。図１（ａ）に示したハードウェア構成において、ＣＰＵ１ａが記憶装置１ｃに記憶されたプログラムをＲＡＭ１ｂに読み込んで実行することにより、医用画像処理装置は、図１（ｂ）に示した各手段を機能させることが可能となる。図１（ｂ）に示すように、医用画像処理装置は、組織分離手段１１、変化量演算手段１２、統計比較手段１３、健常者変化量画像補正手段１４、正規化手段１５、健常者変化量画像データベースＤ１、疾患者変化量画像データベースＤ２を有する。

健常者変化量画像データベースＤ１は、健常者についての変化量を示す画像である健常者変化量画像を格納したデータベースである。疾患者変化量画像データベースＤ２は、疾患者についての変化量を示す画像である疾患者変化量画像を格納したデータベースである。健常者変化量画像データベースＤ１、疾患者変化量画像データベースＤ２は、記憶装置１ｃ内に健常者変化量画像データ、疾患者変化量画像を記憶するための所定の領域を確保することにより実現される。健常者変化量画像は、同一健常者についての撮影時期の異なる２つの脳画像を基に、後述するステップＳ１〜Ｓ５の手順により生成される。また、疾患者変化量画像は、同一疾患者についての撮影時期の異なる２つの脳画像を基に、後述するステップＳ１〜Ｓ５の手順により生成される。健常者変化量画像の場合は、いずれの撮影時期も、疾患なしと判断された撮影画像を用いるが、疾患者変化量画像の場合は、先に撮影された画像として疾患なしと判断された撮影画像を用い、後に撮影された画像として疾患ありと判断された撮影画像を用いる。

組織分離手段１１は、処理対象の脳画像に対して組織分離処理を行い、組織画像を得る手段である。変化量演算手段１２は、２つの組織画像間の対応するボクセル間で差分演算を行い、変化量画像を得る手段である。統計比較手段１３は、変化量画像と、健常者変化量画像データベースＤ１内の健常者変化量画像との統計比較を行う手段である。健常者変化量画像補正手段１４は、変化量画像と健常者変化量画像の経過期間に基づいて、健常者変化量画像のボクセル値を補正する手段である。正規化手段１５は、変化量画像内のボクセル値の標準偏差を算出し、各ボクセル値を標準偏差で除算することにより正規化された変化量画像を得る手段である。組織分離手段１１、変化量演算手段１２、統計比較手段１３、健常者変化量画像補正手段１４、正規化手段１５は、いずれもＣＰＵ１ａが専用のプログラムを実行することにより実現される。

＜２．処理動作＞
＜２．１．第１の実施形態：単純差分評価＞
図２は、本発明第１の実施形態に係る医用画像処理装置の処理概要を示すフローチャートである。図２においては、同一被験者についての撮影時期の異なる２つの脳画像を入力し、この２つの脳画像を用いて処理を行う。図２においては、[入力１]として、より先（過去）に撮影した先撮影時の脳画像を入力し、[入力２]として、その後（最近）に撮影した後撮影時の脳画像を入力する。脳画像としては、Ｔ１強調ＭＲＩ脳画像を入力する。このＴ１強調ＭＲＩ脳画像は、ボクセルの集合である三次元画像である。ボクセル（voxel）とは、「厚さ」を持つ画像の座標単位であり、二次元画像におけるピクセルに相当する。ステップＳ１〜Ｓ４においては、[入力１]、 [入力２]から入力された脳画像に対して同一の処理を行う。

次に、医用画像処理装置は、入力された脳画像に対して空間的なズレを補正する位置合わせを行う（ステップＳ１）。続いて、組織分離手段１１が、位置合わせ後の脳画像から、組織分離処理により所定の組織が抽出された組織画像を作成する（ステップＳ２）。組織画像としては、灰白質を抽出して灰白質画像を作成しても良いし、白質を抽出して白質画像を作成しても良い。ステップＳ３以降の処理では、灰白質画像を利用する例について説明するが、白質画像を利用することも可能である。

次に、医用画像処理装置は、組織画像として作成された灰白質画像に対して、非特許文献３に記載のダーテル（ＤＡＲＴＥＬ）・アルゴリズムを適用する空間的標準化を行なう（ステップＳ３）と共に、標準化された灰白質画像に対して平滑化を行う（ステップＳ４）。この結果、平滑化された灰白質画像（組織画像）が得られる。灰白質画像は、灰白質部分のボクセルが高い値をもつ三次元画像として表現される。ステップＳ１〜Ｓ４の各処理は、特許文献２、非特許文献２〜４に記載された公知の技術により実現される。ステップＳ２の組織分離処理により、各ボクセルの値は、組織の存在確率となるため、この時点で、ステップＳ４の平滑化処理後のボクセルの値は、０．０〜１．０の範囲の値となる。

[入力１]、 [入力２]から入力された脳画像それぞれに対して上記ステップＳ１〜Ｓ４の処理を行い、平滑化された灰白質画像が得られたら、次に、変化量演算手段１２が、２つの灰白質画像（組織画像）の変化量を演算する（ステップＳ５）。具体的には、両画像の対応するボクセル間同士の差分を算出する。この結果、変化量画像が得られる。そして、得られた変化量画像を、各ボクセルの値に応じて色分けして表示する。色分けは、ボクセルの値を所定の範囲に区分して、各ボクセルの値に対応付けるが、変化の大きい部分を“赤”などの目立つ色で表現することが好ましい。また、この際、脳領域における部位を特定した画像である部位マップを重ねて表示するようにしても良い。部位マップは、各ボクセルが脳領域内のどの部位に含まれるかを記録した三次元画像である。部位マップを重ねた場合、変化量の大きい部分がどの部位であるかを一目で把握することが可能となる。

図３は、ステップＳ５の処理による画像の変化の様子を示す図である。図３（ａ）（ｂ）は、それぞれステップＳ５の処理前の先撮影時、後撮影時の灰白質画像である。また、図３（ｃ）は、ステップＳ５の処理後の変化量画像に部位マップを重ねた状態を示した図である。

また、変化量画像を用いた表示を行う場合、数値による表示を行うようにしても良い。この場合、部位別にボクセルごとの変化量の平均値を算出し、この平均値を、その部位の変化量として表示する。図４は、変化量を部位別の数値により表示した例を示す図である。表示する数値の基準は適宜設定することが可能であるが、本実施形態では、上述のように、０．０〜１．０の範囲の値同士の差分で求められる。変化量が正常値に比べて大きい場合には、その数値を強調して表示する。図４の例では、海馬と小脳の変化量が、正常値に比べて大きいことを示している。

また、図４における正常値は、健常者変化量画像データベースＤ１に記憶された健常者変化量画像に対して、被験者の変化量画像と同様に、部位別にボクセルごとの変化量の平均値を算出し、この平均値を、その部位の変化量の正常値としたものである。健常者変化量画像データベースＤ１に記憶された健常者変化量画像は、健常者の２つの脳画像に対して上記ステップＳ１〜Ｓ５の処理と同一の処理を実行することにより得られたものである。正常値については、健常者１人のものだけでなく、できるだけ多くの健常者のデータを用い、その平均値を出力することが好ましい。また、各健常者の先撮影時と後撮影時の時間間隔が、被験者の先撮影時と後撮影時の時間間隔となるべく同等のものを選ぶことが好ましい。時間間隔は、診断の際に撮影されるものであるため、通常月単位から年単位である。

＜２．２．第２の実施形態：統計量評価＞
図５は、第２の実施形態に係る医用画像処理装置の処理概要を示すフローチャートである。図５においても、図２と同様、同一被験者についての撮影時期の異なる２つの脳画像を入力し、この２つの脳画像を用いて処理を行う。ステップＳ１１〜Ｓ１４においては、 [入力１]、 [入力２]から入力された脳画像に対して同一の処理を行う。

図５におけるステップＳ１１〜Ｓ１５の処理は、それぞれ図２のステップＳ１〜Ｓ５の処理と同一である。従って、ステップＳ１５における変化量演算処理の結果、灰白質変化量画像が得られる。

変化量画像が得られたら、健常者変化量画像データベース内の健常者変化量画像との統計比較を行う（ステップＳ１６）。本実施形態では、上記ステップＳ１１〜１５の各処理を通して標準化を行なった被験者の変化量画像と、健常者変化量画像データベースＤ１に記憶されている健常者変化量画像群との比較検定を行なう。使用する健常者変化量画像群は、被験者の年齢に近いものを選択することが望ましい。

具体的には、図６にイメージを示すように、このような健常者変化量画像群とボクセル単位で１：Ｎ（Ｎは健常者変化量画像の総数）の比較検定を行ない、統計的に有意な差が見られる（異常と推定される）ボクセルを検出する。図６において、「Ｘ年」は、健常者の先撮影時を示す年（例えば、２００５年）であり、「Ｘ＋ａ年」は、健常者の後撮影時を示す年（例えば、２０１０年）である。また、「Ｙ年」は、健常者の先撮影時を示す年（例えば、２００７年）であり、「Ｙ＋ａ年」は、健常者の後撮影時を示す年（例えば、２０１２年）である。時間間隔は、どちらの場合も「ａ年」であり、同一である。

まず、全てのボクセルについて、それぞれ次式で表わされるＺスコアを算出する。

このように、Ｚスコアは、被験者の変化量画像のボクセル値と、健常者変化量画像群の対応するボクセルのボクセル値平均との差を、標準偏差でスケーリングした値であり、これは灰白質容積の相対的低下の度合を示すものである。

次に、適当な臨界値Ｚ’を定め、Ｚスコアが
Ｚ’＜Ｚ …（２）
となるようなボクセルを求め、統計的に有意な差が見られるボクセルとする。臨界値には、約９５％以上の確率で異常と推定できるＺ’＝２を用いる。また、健常者よりも容積が低下している部位全てを含む臨界値の指定方法として、下記の式も用いる。
０＜Ｚ’ …（３）

そして、異常と推定されるＺスコアを有するボクセルを他のボクセルと色分けしてＺスコアマップとして表示する。手法１と同様に、異常と推定されるＺスコアを有するボクセルを“赤”などの目立つ色で表現することが好ましい。また、手法１と同様に、部位マップを重ねて表示するようにしても良い。

本実施形態においては、さらに、ＲＯＩによる解析を行なうようにしても良い。

これは、脳画像を用いて異常の有無を判別する場合に、画像上に所定の大きさの関心領域（regions of interest：ＲＯＩ）を設定する方法であり（例えば、非特許文献４参照）、脳画像上において、特定の疾患に関係するとして注目されている特定部位に所定の大きさのＲＯＩを設定して比較を行なうものである。

この解析方法は、上記特許文献１に説明されているように、上記統計処理により健常者と有意な差が見られた座標位置のボクセルとそのＺスコア（評価値）について、疾患に対応するＲＯＩ（疾患特異的ＲＯＩ）を適用することにより、罹患している度合を求めるものである。その特徴は次の２点である。

（１）アルツハイマー等の疾患毎に対応する標準化された画像データとしてのＲＯＩ（疾患特異的ＲＯＩ）を用意しておき、被験者の症状から考えられる疾患について、被験者の変化量画像にそれぞれのＲＯＩを適用（設定）し、該ＲＯＩにおけるＺスコアに基づいて最も有意性の高いものを診断結果とする。

（２）ＲＯＩの部分のみのＺスコアによって疾患を判断するだけでなく、ＲＯＩを適用しない場合の脳全体のＺスコアマップと、ＲＯＩを適用した部分のみのＺスコアマップとの比較を行なう。この目的は、脳全体の萎縮に対する注目部位の萎縮の割合を見ることにある。

ここでは、まず、図７にイメージを示すように、疾患Ａ〜Ｃの疾患別の特異的ＲＯＩが用意されている場合を例として、被験者がある疾患Ａを罹患しているか否かを判別する方法を説明する。なお、この方法に適用する各ＲＯＩについては後述する。

上記ステップＳ１６の統計的比較で得られた被験者のＺスコアマップに対して、疾患Ａに対応するＲＯＩを用いて、上記（２）および上記（３）式を使って、以下の５つのパラメータを算出する。
Ｐ1 ＝ＲＯＩ部分において式（３）を満たすボクセルのＺスコアの合計／ＲＯＩ部分において式（３）を満たすボクセルの数
Ｐ2 ＝脳全体において式（２）を満たすボクセルの数／脳全体のボクセル数
Ｐ3 ＝ＲＯＩ部分において式（２）を満たすボクセルの数／ＲＯＩ部分のボクセル数
Ｐ4＝Ｐ3／Ｐ2
Ｐ5 ＝ＲＯＩ部分における全てのボクセルの中で最大のＺスコア

Ｐ1〜Ｐ5 の５つのパラメータについて、予め疾患Ａを有する患者群における特性を求めておき、被験者のパラメータの値がそれに合致する場合に、被験者は疾患Ａであると判別する。

例えば、５つのパラメータについて疾患Ａとみなす閾値（病態識別値）を定めておき、被験者の変化量画像から得られたパラメータの値がその閾値を超えた場合に、被験者は疾患Ａであるとする。つまり、Ｐ1〜Ｐ4 のそれぞれの病態識別の閾値をそれぞれthＰ1 〜thＰ5とする場合、Ｐ1 ＞thＰ1、Ｐ2 ＞thＰ2、Ｐ3 ＞thＰ3、Ｐ4 ＞thＰ4、Ｐ5 ＞thＰ5 の少なくとも１つが満たされる場合に、被験者を疾患Ａと判定する。具体的には、例えばＰ1 のように１つのパラメータのみに注目して判定する場合や、必要に応じてＰ1〜Ｐ5 の一部又は全部を参照して判定する場合を例に挙げることができる。

また、ここに挙げたＰ1〜Ｐ5 のパラメータの他に、５つのパラメータについて、右半球側および左半球側に限定した値を求めてパラメータとして加えてもよい。更に、右半球側、左半球側の値に対して、式（４）によって求めた左右比又は式（５）によって求めた左右差をパラメータに加えてもよい。
左右比＝（Ｒ−Ｌ）／（Ｒ＋Ｌ）＊２００ …（４）
左右差＝Ｒ−Ｌ …（５）
ただし、右半球側の値をＲ、左半球側の値をＬとする。

次に、これらの疾患別に設定されるＲＯＩ（疾患特異的ＲＯＩ）の作成方法について説明する。

ＲＯＩは、次のようにして統計的処理に基づいて決定される。例えば、ある特定の疾患ＡのＲＯＩを決定するためには、図８にイメージを示すように、疾患Ａの患者のＭＲＩ画像群（疾患者変化量画像データベースＤ２内の疾患者変化量画像群）と、それ以外の人の画像群（健常者変化量画像データベースＤ１内の健常者変化量画像群）とについて、ボクセル単位で２群間の有意差を統計的に検定する２標本ｔ検定を行なうことで求める。この検定によって有意差が認められたボクセルを、その疾患における特徴的なボクセルとみなし、その座標の集合をその疾患に対応するＲＯＩとする。

＜２．３．第３の実施形態：全脳標準偏差による正規化＞
図９は、第３の実施形態に係る医用画像処理装置の処理概要を示すフローチャートである。図９においても、図２、図５と同様、同一被験者についての撮影時期の異なる２つの脳画像を入力し、この２つの脳画像を用いて処理を行う。ステップＳ２１〜Ｓ２４においては、[入力１]、 [入力２]から入力された脳画像に対して同一の処理を行う。

図９におけるステップＳ２１〜Ｓ２５の処理は、それぞれ図２のステップＳ１〜Ｓ５、図５のステップＳ１１〜Ｓ１５の処理と同一である。従って、ステップＳ２５における変化量演算処理の結果、変化量画像が得られる。

変化量画像が得られたら、得られた変化量画像に対して標準偏差による正規化を行う（ステップＳ２６）。具体的には、まず、得られた変化量画像の全ボクセルの標準偏差を算出する。そして、算出された標準偏差で、変化量画像の各ボクセルの値を除算することにより各ボクセルの値を正規化する。そして、得られた正規化後の変化量画像を、各ボクセルの値に応じて色分けして表示する。手法１、２と同様に、変化の大きい部分を“赤”などの目立つ色で表現することが好ましい。また、手法１、２と同様に、部位マップを重ねて表示するようにしても良い。第３の実施形態では、標準偏差による正規化を行っているため、第１の実施形態のように単純な変化量の値を利用するよりも機種間の影響を軽減することが可能となる。

＜２．４．健常者変化量画像の補正＞
第２の実施形態では、健常者変化量画像データベースＤ１に記憶された健常者変化量画像を利用した。健常者変化量画像の基礎となった先撮影時と後撮影時の経過期間（経過年数、月数等）が、変化量画像の基礎となった先撮影時と後撮影時の経時期間と等しい場合は、健常者変化量画像データベースＤ１に記憶された健常者変化量画像を、そのまま利用しても適正な比較を行うことができる。しかし、変化量は、経過期間に大きく左右されるものであるため、健常者変化量画像の基礎となった先撮影時と後撮影時の経過期間（経過年数等）が、変化量画像の基礎となった先撮影時と後撮影時の経過期間と等しくない場合は、適正な比較を行うことができない。そこで、両者の経過期間が等しくない場合には、健常者変化量画像の補正を行う。

この場合、健常者変化量画像データベースＤ１内の各健常者変化量画像には、経過期間を対応付けて記憶しておく。そして、被験者の脳画像の入力時に先撮影時と後撮影時の経過期間を入力部１ｄから入力する。この際、先撮影時の日時と後撮影時の日時をそれぞれ入力部１ｄから入力し、ＣＰＵ１ａが経過期間を求めるようにしても良い。被験者の脳画像の経過期間が得られたら、健常者変化量画像補正手段１４は、基準期間（例えば１年）当たりの健常者変化量画像の各ボクセルの変化量を求めて、経過期間において線形に推移したと仮定して基準期間当たりの変化量に経過期間／基準期間を乗じた値に健常者変化量画像の各ボクセルの値を補正する。例えば、被験者の脳画像の経過期間が５年、健常者変化量画像の経過期間が２年である場合、健常者変化量画像の各ボクセルの値は２．５倍に補正されることになる。

＜３．変形例等＞
以上、本発明について具体的に説明したが、本発明は、上記実施形態に限定されず、種々の変形が可能である。例えば、実施形態として、第１〜第３の実施形態について説明したが、第１〜第３の実施形態に含まれる要素を適宜組み合わせた形態としても良い。例えば、健常者変化量画像データベースＤ１に記憶された健常者変化量画像についても、標準偏差により正規化しておき、第３の実施形態において標準偏差により正規化された変化量画像を用いて、第２の実施形態のように統計比較を行っても良い。

また、上記第２の実施形態では、評価値としてＺスコアを使用する検定方法を示したが、これに限定されず、他の一般的な検定で用いられるｔスコア等を用いても良い。

また、上記第１の実施形態では、さらに脳の萎縮度を記録した萎縮度画像を利用して診断を支援することが可能である。この場合、図１０に示すような手順により行う。上記第１の実施形態において説明したように、[入力１]として入力された先撮影時の脳画像と、[入力２]として入力された後撮影時の脳画像から、変化量画像を得る。一方、上記特許文献２に記載の手法により、[入力２]として入力された後撮影時の脳画像から萎縮度を算出し、各ボクセルの値を萎縮度で置き換えた萎縮度画像を得る。そして、変化量画像、萎縮度画像それぞれに対して閾値を設定し、閾値より大きい値を有するボクセルを抽出する（閾値処理）。そして、変化量画像、萎縮度画像の双方において抽出されたボクセルのみを抽出し、当該ボクセルを“赤”などの目立つ色で強調表現する。この際、さらに、上記第２の実施形態で示したようなＲＯＩによる解析を行っても良い。

１ａ・・・ＣＰＵ
１ｂ・・・ＲＡＭ
１ｃ・・・記憶装置
１ｄ・・・入力部
１ｅ・・・データ入出力Ｉ／Ｆ
１ｆ・・・表示部
１１・・・組織分離手段
１２・・・変化量演算手段
１３・・・統計比較手段
１４・・・健常者変化量画像補正手段
１５・・・正規化手段
Ｄ１・・・健常者変化量画像データベース
Ｄ２・・・疾患者変化量画像データベース

Claims (5)

1. 同一健常者の撮影時期の異なる２つの脳画像に対して、組織分離処理を行った後、両画像の変化量を表現した健常者変化量画像を記憶した健常者変化量画像データベースと、
   同一被験者の撮影時期の異なる２つの脳画像それぞれに対して組織分離処理を行って組織画像を得る組織分離手段と、
   得られた２つの組織画像間において、組織画像を構成する各ボクセル同士の差分演算を行い、変化量画像を得る変化量演算手段と、
   前記変化量演算手段により得られた変化量画像と前記健常者変化量画像データベースに記憶された健常者変化量画像との統計比較を行い、所定の評価値を算出し、前記変化量画像の各ボクセルの値を前記算出された所定の評価値に置き換えた統計処理画像を得る統計比較手段と、
   前記統計処理画像を表示する表示手段と、
   を有することを特徴とする医用画像処理装置。
2. 前記健常者変化量画像データベースは、各健常者変化量画像に対応付けて経過期間を記憶したものであり、
   前記被験者の２つの脳画像間の経過期間を特定するための情報を入力する手段と、
   前記健常者変化量画像に対応付けられた経過期間と、前記被験者の脳画像間の経過期間を用いて、前記健常者変化量画像の各ボクセルの値を補正する健常者変化量画像補正手段と、
   を更に有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。
3. 同一被験者の撮影時期の異なる２つの脳画像それぞれに対して組織分離処理を行って組織画像を得る組織分離手段と、
   得られた２つの組織画像を構成する各ボクセルの値同士の差分演算を行い、変化量画像を得る変化量演算手段と、
   前記変化量画像内のボクセルの標準偏差を算出し、算出された標準偏差で各ボクセルの値を除算することにより正規化された変化量画像を得る正規化手段と、
   前記正規化された変化量画像を表示する表示手段と、
   を有することを特徴とする医用画像処理装置。
4. 前記組織分離手段は、前記組織分離処理として脳画像から白質または灰白質を分離する処理を行い、組織画像として白質画像または灰白質画像を得るものであることを特徴とする請求項１から請求項３のいずれか一項に記載の医用画像処理装置。
5. 請求項１から請求項４のいずれか一項に記載の医用画像処理装置として、コンピュータを機能させるためのプログラム。