JP2015528372A - 医用画像中の肺結節を自動検出するためのシステム及び方法 - Google Patents
医用画像中の肺結節を自動検出するためのシステム及び方法 Download PDFInfo
- Publication number
- JP2015528372A JP2015528372A JP2015531907A JP2015531907A JP2015528372A JP 2015528372 A JP2015528372 A JP 2015528372A JP 2015531907 A JP2015531907 A JP 2015531907A JP 2015531907 A JP2015531907 A JP 2015531907A JP 2015528372 A JP2015528372 A JP 2015528372A
- Authority
- JP
- Japan
- Prior art keywords
- region
- regions
- candidate
- image
- nodule
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 26
- 210000004072 lung Anatomy 0.000 claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 210000003484 anatomy Anatomy 0.000 claims abstract description 9
- 238000002591 computed tomography Methods 0.000 claims description 40
- 238000001514 detection method Methods 0.000 claims description 18
- 239000007787 solid Substances 0.000 claims description 13
- 239000005337 ground glass Substances 0.000 claims description 10
- 210000000779 thoracic wall Anatomy 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 5
- 230000000916 dilatatory effect Effects 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims 2
- 206010056342 Pulmonary mass Diseases 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 4
- 230000003902 lesion Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013425 morphometry Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000010626 work up procedure Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/12—Arrangements for detecting or locating foreign bodies
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
- G06T2207/20041—Distance transform
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
【解決手段】患者の肺のＣＴ画像を自動的に分割するためのシステム及び方法である。この方法は、１以上の肺野領域を得るためにＣＴ画像を分割するステップと、肺野領域の中の解剖学的構造に対応する高信号領域を含むマスク領域を生成するために、肺野領域を信号強度で閾値処理するステップと、マスク領域のユークリッド距離マップを算出するステップと、１以上のサブ領域を生成するために、ユークリッド距離マップの分水嶺（watershed）セグメンテーションを実行するステップと、それぞれのサブ領域について種子点を識別するステップと、それぞれのサブ領域の種子点から候補領域を拡張するステップと、候補領域の１以上の幾何学的特徴に基づいて、１以上の候補領域を肺結節として分類するステップとを備える。【選択図】図１
Description
［関連出願の相互参照］
本出願は２０１２年９月１３日に出願された米国仮特許出願第６１／７００，５９２号の非仮出願であり、その仮出願の全ては参照により本明細書に援用される。
本出願は２０１２年９月１３日に出願された米国仮特許出願第６１／７００，５９２号の非仮出願であり、その仮出願の全ては参照により本明細書に援用される。
［連邦政府資金による研究開発の記載］
該当なし
該当なし
［コンパクトディスクで提出されるものの参照による援用］
該当なし
該当なし
［著作権で保護されるものについての注意］
本特許文書中の題材の一部は、米国及び他の国の著作権法の下で著作権保護の対象となる。特許文書または特許開示が米国特許商標庁において講習の閲覧に供されるファイルまたは記録に現れた場合に、著作権者は、その特許文書又は特許開示が誰に複製されたとしても、それに反対するものではない。しかしながら、そうでない場合はいかなる場合でも全ての著作権を留保する。これによって、著作権者は、連邦規則法典第３７巻セクション１．１４にしたがって、本特許文書を秘密に保つためのいかなる権利についても、その権利を限定せず、その権利を放棄しない。
本特許文書中の題材の一部は、米国及び他の国の著作権法の下で著作権保護の対象となる。特許文書または特許開示が米国特許商標庁において講習の閲覧に供されるファイルまたは記録に現れた場合に、著作権者は、その特許文書又は特許開示が誰に複製されたとしても、それに反対するものではない。しかしながら、そうでない場合はいかなる場合でも全ての著作権を留保する。これによって、著作権者は、連邦規則法典第３７巻セクション１．１４にしたがって、本特許文書を秘密に保つためのいかなる権利についても、その権利を限定せず、その権利を放棄しない。
１．本発明の分野
本発明は、広くは、コンピューター断層撮影に関し、とくに、医用画像中の肺結節の自動検出及び測定に関する。
２．関連技術の説明
コンピュータ断層撮影（ＣＴ：Computed Tomography）画像は、患者の肺疾患の位置、大きさ、及び進行の体内での評価のために用いられてきた。これらの分析を多数の患者集団に日常的かつ確実に実行できるようにすることが、臨床治験及び診療においてこの方法を展開することを可能とするためには重要である。しかし、画像診断の役割は、一般に、臨床診療における視診に限られていた。
臨床診療において分析を実行可能とするために、データセットのサイズ（等方的ボクセル間隔で４００以上の断層画像）に基づいた信頼性のある自動化が必要である。肺がんは、がんによる死亡の主要な原因である。肺結節の検出、診断、測定、及びフォローアップのために画像が用いられる。
結節の検出は、医用画像の分野において、より能力を必要とする視覚検出タスクの一つである。結節は、低いコントラスト、小さなサイズ、又はへそなどの込み入った組織の領域内の結節の位置などの要因により、画像上で視覚的に検出することが困難となりうる。読影者の疲労や、注意散漫や、関係のない病変の所見の調査で満足してしまうことなどが、結節の見落としの原因となる。より薄いスライスと再構成の間隔の重なりにより縦方向の解像度が向上するが、多大なデータ集合（７００以上の断層画像）の生成が必要とされるので、判断を困難にし、結節の見落としの可能性をもたらす。
肺結節の自動化されたコンピュータ検出は、読影者によるより精確で一貫性のある肺結節の検出を支援することができることが示されている［Brown ２００５］。
コンピュータ処理されたＣＴ画像中の肺結節のために開発されたコンピュータ読影支援（computer-aided detection：ＣＡＤ）システムは多数ある［Girvin ２００８］。しかし、ＣＡＤは、例えば血管又は気管支など、ＣＡＤにより誤って結節として検出される正常な組織である偽陽性（false positive）検出を制限することができないため、臨床診療において広く用いられてはいない。これらの偽陽性は、除外するために時間がかかるだけでなく、ある研究は、放射線医師が誤って偽陽性を受け入れうることを示唆しており、実際問題として不必要な精密検査をもたらすことになる。
また、直近の方法は、画像においてより明るく現れるため検出しやすい（例えば、−３００ＨＵ以上の閾値が用いられる）充実性結節に注目する傾向があった。ぼんやりしたすりガラス状結節（強度が約−７００ＨＵ）を検出しようとすると、通常、多くの偽陽性を生成し過ぎて実用できない。
したがって、本発明の目的は、正常な解剖学的構造を除外しつつ結節を検出する精度を向上させるためのアルゴリズムの発展である。本発明は、肺の画像分析のための自動化されたインタラクティブなシステム、とくに、偽陽性の検出のレベルを低く保ちつつ、充実性結節及びすりガラス状結節の高い感度を達成する、分水嶺に基づいたユークリッド距離変形及びセグメンテーションのアプローチを具体化する。
一つの態様は、閾値（例えば４ｍｍ）と画像のスライス厚の２倍とのうちいずれか大きい方の直径を有する充実性結節及びすりガラス状結節の双方を検出及び報告するように構成される肺結節検出システムである。
別の態様は、球状になりがちな結節と、通常より管状である管との間のよりよい識別のために、肺野内の高信号領域の改良されたセグメンテーション及び形状特徴を提供する方法である。本発明の改良された識別は、ＣＡＤの感度を維持しつつ、ＣＡＤから生じる偽陽性の数を減少させる。
更なる態様は、患者の肺のＣＴ画像を自動的に分割するための方法である。この方法は、１以上の肺野領域を得るためにＣＴ画像を分割するステップと、肺野領域の中の解剖学的構造に対応する高信号領域を含むマスク領域を生成するために、肺野領域を信号強度で閾値処理するステップと、マスク領域のユークリッド距離マップを算出するステップと、１以上のサブ領域を生成するために、ユークリッド距離マップの分水嶺（watershed）セグメンテーションを実行するステップと、それぞれのサブ領域について種子点を識別するステップと、それぞれのサブ領域の種子点から候補領域を拡張するステップと、候補領域の１以上の幾何学的特徴に基づいて、１以上の候補領域を肺結節として分類するステップとを備える。
別の態様は、患者の肺のＣＴ画像を自動的に分割するためのシステムである。このシステムは、プロセッサと、プロセッサ上で実行可能なプログラムを含み、プログラムは、１以上の肺野領域を得るためにＣＴ画像を分割するステップと、肺野領域の中の解剖学的構造に対応する高信号領域を含むマスク領域を生成するために、肺野領域を信号強度で閾値処理するステップと、マスク領域のユークリッド距離マップを算出するステップと、１以上のサブ領域を生成するために、ユークリッド距離マップの分水嶺（watershed）セグメンテーションを実行するステップと、それぞれのサブ領域について種子点を識別するステップと、それぞれのサブ領域の種子点から候補領域を拡張するステップと、候補領域の１以上の幾何学的特徴に基づいて、１以上の候補領域を肺結節として分類するステップとを実行する。
本発明の更に別の態様は、本明細書の以下の部分において明らかにされるであろう。詳細な説明は、それに限定を付すことなく、本発明の好ましい実施の形態を十分に開示することを目的とする。
本発明は、例示のみを目的とする以下の図面を参照して、より十分に理解されるであろう。
図１は、本発明に係る肺結節検出方法１０の概略フロー図を示す。まず、ステップ２０において、スキャンされたＣＴ画像１２がセグメント化される。つづいて、ステップ３０において、信号強度による閾値処理を実行する。このデータは、ステップ４０において、ユークリッド距離変換を実行するために用いられる。ステップ５０において、距離マップがセグメント化される。ステップ７０において、候補が分類される。ステップ８０において、閾値Ｔ＝ＴＳｏｌｉｄに基づいて充実性結節影が検出される。ステップ８２において、すりガラス結節影の検出のために、信号強度閾値処理ステップ３０、ユークリッド距離変換処理５０、及び距離マップセグメント化処理５０が、閾値Ｔ＝Ｔｇｇ０に基づいて繰り返される（図３、図４、及び図５参照）。ステップ９０において、結節として識別された関心領域（regions of interest：ＲＯＩ）の定量的評価が実行されてもよい。ステップ１００において、検出された結節がオーバーレイとして表示されてもよい。
図２は、図１の肺のセグメント化ステップ２０の詳細なフロー図である。肺のセグメント化ステップは、セグメント化のための領域拡張及びモルフォロジーと、それに続く、画像領域の解剖学的構造に対するマッチングのためのファジー論理を含む。肺のセグメント化は、グレーレベル閾値処理と３次元領域拡張の組み合わせを用いて実行される。処理は、解剖学的モデル（図示せず）からの情報を用いて、空間的に制約される。
まず、ステップ２２において、ＣＴ画像中の明るいボクセルについて、信号強度閾値で２値化し、最も大きな３次元の連結成分を選択することにより、ＣＴ画像データ１２からの胸壁がセグメント化される。つづいて、ステップ２４において、胸部内の暗いボクセルについて、信号強度閾値で２値化する（そして、最も大きな３次元の連結成分を選択する）ことにより、肺野領域がセグメント化される。このステップの例は、図９Ｂに示される。
最後に、ステップ２６において、結節を取り囲み、そうでなければ肺野から除外するように、肺野領域の凸包が算出され、セグメント化された凸包（convex hull：ＣＨ）領域２８が生成される。図９Ｃは、ＣＨセグメント化ステップの結果を示す。
図３は、ステップ３０の信号強度閾値処理の詳細なフロー図である。ステップ３２において、結節、血管、気道などに対応する相対的に高い信号強度の領域を抽出するために、ステップ２６から生成されたセグメント化された肺野凸包領域２８内で、ＣＴ画像１２、ＩＣＴに対する信号強度閾値処理が実行される。ステップ３０において実行される閾値処理は、セグメント化ステップ２０において胸壁について実行される閾値よりも低い閾値Ｔで実行されることに注意しなければならない。閾値領域ＲＴは、ボクセルｖについての式１により、２値化画像マスクとして表現される。
RT(v)=1（ICT(v)≧Tの場合）、RT(v)=0（それ以外の場合） （式１）
RT(v)=1（ICT(v)≧Tの場合）、RT(v)=0（それ以外の場合） （式１）
次に、ステップ３４において、最終的なマスク領域３６、Ｒｍを生成するために、ＲＴにモルフォロジーのクロージング（closing）演算と穴埋め（hole filling）が適用される。
図４は、ステップ４０のユークリッド距離マップの推定の詳細なフロー図である。ステップ４２において、ステップ３４からの２値化画像マスク３６、Ｒｍを用いて、ユークリッド距離マップ画像ＩＤＭが入力マスク画像と同じ次元で算出される。ここで、ＩＤＭ（ｖ）は、ｖから、Ｒｍ（ｖｂ）＝０となるようなｖｂまでの最小距離である。図９Ｄに示されるように、距離は、ＣＴ画像１２からの物理的なボクセルサイズを用いて、ミリメートル単位で算出される。つづいて、ステップ４４において、平滑化された距離マップ４６、ＩＳＤを生成するために、ＣＴのスライス厚に等しいカーネルで、ユークリッド距離マップ画像ＩＤＭに対してガウシアン平滑化が適用される。
図５は、距離マップのセグメント化ステップ５０の詳細なフロー図である。まず、ステップ５２において、極大値の周りの連続したサブ領域を抽出するために、平滑化された距離マップ画像４６、ＩＳＤに対して、分水嶺（watershed）セグメント化が適用される。通常、分水嶺セグメント化は極小値の周りの領域を識別するので、分水嶺を算出する前にＩＳＤは反転（インバート）される。結節／管の輪郭１００の例が、図８Ａに概略的に示される。分水嶺セグメント化の出力の例が、図９Ｅに示される。ここで、距離の値は、明るい影から暗い（黒でない）影へ増加する。
ステップ５４において、ステップ５２からのそれぞれの分水嶺領域内で距離マップ値ＩＤＭ（ｓ）が最も高いボクセルが、種子点（seed point）、ｓとして識別される。これは、図８Ｂに概略的に図示される。ステップ５６において、ｓを中心とする１辺６０ｍｍの立方体の関心領域１０４、Ｒｓが構成される。ステップ５６は、図８Ｃに概略的に図示される。Ｒｓ１０４のサイズは、典型的な結節の形態計測（morphometry）の関数であり、それによって変化しうることが理解されよう。
ステップ５８において、ＩＤＭ（ｓ）のパーセント閾値範囲ｐＤＭ（０．０〜１．０）内のＩＤＭ値を有するＲｓ内の隣接したボクセルを含むように、それぞれの種子点１０２、ｓからの領域拡張が実行される。すなわち、式２の距離マップ値ＩＤＭ（ｖ）を有する隣接するボクセルｖは領域に追加される。
IDM(s)(1-pDM)≦IDM(v)≦IDM(s)(1+pDM) （式２）
IDM(s)(1-pDM)≦IDM(v)≦IDM(s)(1+pDM) （式２）
領域拡張の結果１０６ａ（ＲＤＭ）が、図８Ｄに概略的に示される。
距離マップ値がＩＤＭ（ｓ）（１−ｐＤＭ）を下回ると領域拡張が停止するので、通常、ＲＤＭは結節の境界１００まで拡大しない。したがって、ステップ６０において、膨張領域１０６ｂ（ＲＤＩＬ）を形成するために、半値幅＝ＩＤＭ（ｓ）（１−ｐＤＭ）の構造要素で、拡張領域１０６ａ（ＲＤＭ）の膨張演算（dilation）が実行される。膨張領域１０６ｂ（ＲＤＩＬ）は、図８Ｅに概略的に図示される。
最後に、ステップ６２において、ＲＤＩＬ∩Ｒｍを算出し、種子点１０２（ｓ）に隣接するボクセルを含めることにより、結節候補領域Ｒｃが形成される。
図９Ｆは、候補の距離マップの分水嶺セグメント化の例の画像を示す。それぞれの影は、それぞれが種子点を有する、分割された連続する分水嶺領域を表している。
図６は、ステップ７０の候補分類の詳細なフロー図である。ステップ６０からのセグメント化された領域（候補）６２、Ｒｃは、十分に大きく、かつ、より管状である血管とは対照的に、ほぼ球面状の形状である場合に、結節として検出される。まず、ステップ７２において、それぞれの候補６２の体積が算出される。つづいて、ステップ７４において、真球度が算出される。ステップ７６において、算出された体積及び真球度に基づいて、候補が分類される。
ステップ７６において、候補６２、Ｒｃは、下記の制約を満たす場合に「結節」として（そうでない場合は「非結節」として）分類される。
１）任意の２次元スライス上で最も大きな候補領域６２（Ｒｃ）が、平方ミリメートル単位でπｒ２より大きい。ここで、ｒ＝０．５×ｍａｘ（４，画像のスライス厚の２倍）である。
２）候補６２（Ｒｃ）の体積が８ｍｍ３以上４０ｃｍ３以下である。これらの数値は、所望のサイズの検出感度にしたがって変化しうることに注意。
３）真球度が所定の最小閾値Ｔｓを超える。ここで、真球度は、候補Ｒｃの体積と、Ｒｃの中心を中心としＲｃを取り囲む最小の球の体積との比として算出される。
図９Ｇは、ステップ７６における上記の基準を満たす、検出された結節１１０の画像を示す。
図１に戻り、検出された充実性結節８０は、ステップ３０において適用された信号強度閾値Ｔ＝Ｔｓｏｌｉｄに基づく。Ｔｓｏｌｉｄの値は、例えば−３００ＨＵである。
すりガラス状結節領域８２を検出するために、より低い閾値Ｔｇｇｏを用いて、ステップ２０から７０が繰り返されてもよい。Ｔｇｇｏの値は、例えば−７００ＨＵである。すりガラス状結節領域８２は、充実性結節領域と重なる場合は除かれる。そして、残りのすりガラス状結節が充実性結節の集合と組み合わされて、最終的な結節領域の集合が生成されてもよい。
取得された結節の集合８０／８２に対して、定量的分析が実行されてもよい。図７は、ステップ９０の定量的分析の例の詳細なフロー図である。
ステップ９２において、病巣の直径が算出されてもよい。所与の平面（通常、体軸断面（axial）、矢状断面（sagittal）、又は冠状断面（coronal））について、３次元結節関心領域８０／８２は、２次元関心領域の集合に分割される。それぞれの２次元関心領域について、境界点の集合が抽出される。つづいて、境界点の組のそれぞれの間の距離が算出され、距離の最大値が最大の２次元直径として選択される。任意の平面からの２次元直径のうち最大のものが病巣直径として選択される。
ステップ９４において、結節の関心領域に含まれるそれぞれのボクセルの物理的体積を合計することにより、結節８０／８２の体積が算出される。
ステップ９６において、結節関心領域内の元のＣＴ画像１２からの信号強度の値を用いて、それぞれの結節８０／８２について、信号強度のヒストグラムが作成されてもよい。つづいて、ヒストグラムの記述統計が導出されてもよい。
図１に戻り、ステップ１００において、検出された結節８０／８２が、定量分析ステップ９０において導出されたそれぞれの結節８０／８２についての測定結果とともに、元の画像１２の上に重畳表示されてもよい。
図９Ａから図９Ｇは、本発明に係る、３次元表面肺結節検出及びセグメンテーションの例の画像を示す。図９Ａは、元の胸部ＣＴ画像を示す。図９Ｂは、本発明の肺セグメンテーション方法の出力の例を示す。図９Ｃは、肺野領域の凸包の画像である。図９Ｄは、本発明の信号強度閾値セグメンテーションの画像の例である。図９Ｅは、セグメント化された領域の距離マップ（距離の値は青から赤へ増加する）の例の画像を示す。図９Ｆは、距離マップの分水嶺セグメンテーションの例の画像を示す（それぞれの影は分離した連続領域を示す）。図９Ｇは、サイズ及び形状特徴に基づいて、分水嶺セグメント化及び分類により提供されたそれぞれの種子点からの領域拡張を用いて最終的に検出及びセグメント化された結節１１０の画像を示す。
図１０は、本発明の肺結節検出システム２００の概略図である。図１から図８Ｅに示された１以上のステップ又は方法は、コンピュータアプリケーションソフトウェア２０２として実装される。一つの実施例において、アプリケーションソフトウェア２０２は、例えば、画像取得装置（ＣＴスキャナー）２０４側の、又は、読み取りワークステーション上などの別個の医用画像ワークステーション２０６などのプロセッサ上で実行されてもよい。アプリケーションソフトウェア２０２は、放射線科又は医療センターの集中サーバ２０６又はサーバのクラスター上で実行されてもよい。サーバ２０６上での実行は、集中された画像アーカイブに接続し、集中データベース２０８にレポートを格納することができる点で、利点を提供することができる。システム２００は、例えばグリッドコンピューティングなどを用いて、遠隔から（インターネット２１０を介して）アクセスされてもよい。このアプローチを用いると、システム２００はグリッドサービスとして利用可能となり、適切な認証／承認を有するクライアント２１２は世界中からシステムにアクセスすることができる。
このように、本発明のシステム及び方法は、直感的な人間の介在と協同した強力な自動化と、完全に自動化されたセグメンテーションが不可能であるような最も病的又は異常な画像ですら扱うことが可能な強固で広く応用可能なシステムを達成するためのフィードバックを提供する。多量のスキャンの手動によるセグメンテーションは実用的ではないので、本発明の方法１０により実行される自動化されたデータの前処理は非常に重要である。
本発明の実施の形態は、本発明の実施の形態に係る方法及びシステムを示すフローチャート、及び／又は、アルゴリズム、数式、若しくは、コンピュータプログラム製品としても実装されうるその他の計算表現により記述されうる。その場合、フローチャートのそれぞれのブロック又はステップ、及び、フローチャート、アルゴリズム、数式又は計算表現におけるブロック（及び／又はステップ）の組み合わせは、ハードウェア、ファームウェア、及び／又は、コンピュータ読取可能なプログラム・コード・ロジックに具体化される一以上のコンピュータプログラム指令を含むソフトウェアなどの様々な方法により実装することができる。理解されるように、このようなコンピュータプログラム指令は、限定されない汎用コンピュータ若しくは専用コンピュータを含むコンピュータ、又は、その他のプログラム可能な処理装置に読み込まれ、そのコンピュータプログラム指令がコンピュータ又は他のプログラム可能な処理装置上で実行されてフローチャートのブロックに特定される機能を実現するための手段を生成するような機構を生み出す。
したがって、フローチャートのブロック、アルゴリズム、数式又は計算表現は、特定の機能を実行する手段の組み合わせ、特定の機能を実行するステップの組み合わせ、及び、コンピュータ読取可能なプログラム・コード・ロジック手段に具体化されるもの等の特定の機能を実行するコンピュータプログラムをサポートする。フローチャートに示されるそれぞれのブロック、アルゴリズム、数式若しくは計算表現、及び、ここに記載するこれらの組み合わせは、特定された機能若しくはステップを実行する専用のハードウェアベースのコンピュータシステム又は専用のハードウェア及びコンピュータ読取可能なプログラム・コード・ロジック手段の組み合わせにより実装できることも理解されるであろう。
さらに、コンピュータ読取可能なプログラム・コード・ロジックに具体化されるもの等のこれらのコンピュータプログラム指令は、コンピュータ読取可能なメモリにも記憶され、コンピュータ又は他のプログラム可能な処理装置が特定の方法で機能するように指令し、コンピュータ読取可能なメモリに記憶されるその指令がフローチャートのブロックにて特定される機能を実装する指令手段を含む製品を生み出すようにする。コンピュータプログラム指令は、コンピュータ又は他のプログラム可能な処理装置にも読み込まれ、コンピュータ又は他のプログラム可能な処理装置にて一連の動作ステップが実行されるようにし、コンピュータ又は他のプログラム可能な処理装置にて実行される指示がフローチャートのブロック、アルゴリズム、数式若しくは計算表現にて特定される機能を実行するためのステップを提供するように、コンピュータにより実行されるプロセスを生み出す。
上述の記載から、本発明は、以下の態様を含む、様々な方法で具現化されることが理解されるであろう。
肺結節の自動検出のための方法であって、コンピュータ断層撮影（ＣＴ）画像からデータを入力するステップと、１以上の肺野領域を得るために前記画像を分割するステップと、前記１以上の肺野領域の中の解剖学的構造に対応する１以上の高信号領域を含むマスク領域を生成するために、前記１以上の肺野領域を信号強度で閾値処理するステップと、前記マスク領域のユークリッド距離マップを算出するステップと、１以上のサブ領域を生成するために、前記ユークリッド距離マップの分水嶺（watershed）セグメンテーションを実行するステップと、前記１以上のサブ領域のそれぞれのサブ領域について種子点を識別するステップと、それぞれのサブ領域の前記種子点から１以上の候補領域を拡張するステップと、前記１以上の候補領域の１以上の幾何学的特徴に基づいて、１以上の候補領域を肺結節として分類するステップと、を備えることを特徴とする方法。
前記画像を分割するステップは、前記ＣＴ画像の中の明るいボクセルを信号強度で閾値処理し、最も大きな連結された３次元成分を選択することにより、前記画像の胸壁領域を分割するステップと、前記ＣＴ画像の中の暗いボクセルを信号強度で閾値処理し、最も大きな連結された３次元成分を選択することにより、前記胸壁領域から肺野領域を分割するステップと、を備えることを特徴とする上記の実施の形態のいずれかに記載の方法。
前記画像を分割するステップは、分割された肺野領域の凸包を算出するステップを更に備えることを特徴とする上記の実施の形態のいずれかに記載の方法。
前記１以上の肺野領域を信号強度で閾値処理するステップは、充実性結節の候補領域を検出するための第１の閾値で実行されることを特徴とする上記の実施の形態のいずれかに記載の方法。
前記１以上の肺野領域を信号強度で閾値処理するステップは、すりガラス状結節の候補領域を検出するための第２の閾値で実行されることを特徴とする上記の実施の形態のいずれかに記載の方法。
分水嶺セグメンテーションに先立って、ガウシアン（Gaussian）平滑化が前記ユークリッド距離マップに適用されることを特徴とする上記の実施の形態のいずれかに記載の方法。
分水嶺セグメンテーションから生成された前記１以上のサブ領域は、前記ユークリッド距離マップにおいて極大値に隣接することを特徴とする上記の実施の形態のいずれかに記載の方法。
それぞれのサブ領域について種子点を識別するステップは、それぞれのサブ領域内で最大のユークリッド距離マップ値を有するボクセルを、そのサブ領域に対応する前記種子点として識別するステップを備えることを特徴とする上記の実施の形態のいずれかに記載の方法。
１以上の候補領域を拡張するステップは、それぞれの種子点の周りを中心とする立方体の関心領域を生成するステップと、前記関心領域の中の連続したボクセルを候補領域内のボクセルとして含めるステップと、を備え、含められるボクセルは、所定の閾値範囲内にあるユークリッド距離マップ値を有することを特徴とする上記の実施の形態のいずれかに記載の方法。
拡張された前記１以上の候補領域のそれぞれを膨張させる（dilating）ステップを更に備えることを特徴とする上記の実施の形態のいずれかに記載の方法。
１以上の候補領域を分類するステップは、前記候補領域の体積を算出するステップと、算出された前記体積の関数が閾値範囲にあるときに、前記候補領域を結節として分類するステップと、を備えることを特徴とする上記の実施の形態のいずれかに記載の方法。
１以上の候補領域を分類するステップは、前記候補領域の真球度を算出するステップを更に備え、前記真球度は、前記候補領域の算出された体積と、前記候補領域の体積の中心の周りを中心とする最小の球の体積との比として算出され、算出された前記真球度の関数が閾値を超えるとき、前記候補領域を結節として識別することを特徴とする上記の実施の形態のいずれかに記載の方法。
識別された肺結節内のそれぞれのボクセルの体積を合計することにより、識別された肺結節の体積を算出するステップを更に備えることを特徴とする上記の実施の形態のいずれかに記載の方法。
識別された肺結節の直径を算出するステップと更に備えることを特徴とする上記の実施の形態のいずれかに記載の方法。
前記直径は、前記肺結節を１以上の平面における複数の２次元関心領域に分割するステップと、それぞれの２次元関心領域について境界点を抽出するステップと、それぞれの２次元関心領域における前記境界点から最大直径を識別するステップと、それぞれの前記平面から最大の最大直径を結節の直径として識別するステップと、により算出されることを特徴とする上記の実施の形態のいずれかに記載の方法。
識別された肺結節の画像を前記ＣＴ画像の上に重畳表示するステップを更に備えることを特徴とする上記の実施の形態のいずれかに記載の方法。
患者の肺のコンピュータ断層撮影（ＣＴ）画像を自動的に分割するためのシステムであって、プロセッサと、前記プロセッサ上で実行可能なプログラムと、を備え、前記プログラムは、前記ＣＴ画像からデータを入力するステップと、１以上の肺野領域を得るために前記画像を分割するステップと、前記１以上の肺野領域の中の解剖学的構造に対応する１以上の高信号領域を含むマスク領域を生成するために、前記１以上の肺野領域を信号強度で閾値処理するステップと、前記マスク領域のユークリッド距離マップを算出するステップと、１以上のサブ領域を生成するために、前記ユークリッド距離マップの分水嶺（watershed）セグメンテーションを実行するステップと、前記１以上のサブ領域のそれぞれのサブ領域について種子点を識別するステップと、それぞれのサブ領域の前記種子点から１以上の候補領域を拡張するステップと、前記１以上の候補領域の１以上の幾何学的特徴に基づいて、１以上の候補領域を肺結節として分類するステップと、のために構成されることを特徴とするシステム。
前記画像を分割するステップは、前記ＣＴ画像の中の明るいボクセルを信号強度で閾値処理し、最も大きな連結された３次元成分を選択することにより、前記画像の胸壁領域を分割するステップと、前記ＣＴ画像の中の暗いボクセルを信号強度で閾値処理し、最も大きな連結された３次元成分を選択することにより、前記胸壁領域から肺野領域を分割するステップと、を備えることを特徴とする上記の実施の形態のいずれかに記載のシステム。
前記画像を分割するステップは、分割された肺野領域の凸包を算出するステップを更に備えることを特徴とする上記の実施の形態のいずれかに記載のシステム。
前記１以上の肺野領域を信号強度で閾値処理するステップは、充実性結節の候補領域を検出するための第１の閾値で実行されることを特徴とする上記の実施の形態のいずれかに記載のシステム。
前記１以上の肺野領域を信号強度で閾値処理するステップは、すりガラス状結節の候補領域を検出するための第２の閾値で実行されることを特徴とする上記の実施の形態のいずれかに記載のシステム。
分水嶺セグメンテーションに先立って、ガウシアン（Gaussian ）平滑化が前記ユークリッド距離マップに適用されることを特徴とする上記の実施の形態のいずれかに記載のシステム。
分水嶺セグメンテーションから生成された前記１以上のサブ領域は、前記ユークリッド距離マップにおいて極大値に隣接することを特徴とする上記の実施の形態のいずれかに記載のシステム。
それぞれのサブ領域について種子点を識別するステップは、それぞれのサブ領域内で最大のユークリッド距離マップ値を有するボクセルを、そのサブ領域に対応する前記種子点として識別するステップを備えることを特徴とする上記の実施の形態のいずれかに記載のシステム。
１以上の候補領域を拡張するステップは、それぞれの種子点の周りを中心とする立方体の関心領域を生成するステップと、前記関心領域の中の連続したボクセルを候補領域内のボクセルとして含めるステップと、を備え、含められるボクセルは、所定の閾値範囲内にあるユークリッド距離マップ値を有することを特徴とする上記の実施の形態のいずれかに記載のシステム。
拡張された前記１以上の候補領域のそれぞれを膨張させる（dilating）ステップを更に備えることを特徴とする上記の実施の形態のいずれかに記載のシステム。
１以上の候補領域を分類するステップは、前記候補領域の体積を算出するステップと、算出された前記体積の関数が閾値範囲にあるときに、前記候補領域を結節として分類するステップと、を備えることを特徴とする上記の実施の形態のいずれかに記載のシステム。
１以上の候補領域を分類するステップは、候補領域の真球度を算出するステップを更に備え、前記真球度は、候補領域の算出された体積と、前記候補領域の体積の中心の周りを中心とする最小の球の体積との比として算出され、算出された前記真球度の関数が閾値を超えるとき、候補領域を結節として識別することを特徴とする上記の実施の形態のいずれかに記載のシステム。
識別された肺結節内のそれぞれのボクセルの体積を合計することにより、識別された肺結節の体積を算出するステップを更に備えることを特徴とする上記の実施の形態のいずれかに記載のシステム。
識別された肺結節の直径を算出するステップと更に備えることを特徴とする上記の実施の形態のいずれかに記載のシステム。
前記直径は、前記肺結節を１以上の平面における複数の２次元関心領域に分割するステップと、それぞれの２次元関心領域について境界点を抽出するステップと、それぞれの２次元関心領域における前記境界点から最大直径を識別するステップと、それぞれの前記平面から最大の最大直径を結節の直径として識別するステップと、により算出されることを特徴とする上記の実施の形態のいずれかに記載のシステム。
上述の内容は多くの詳細を含むが、これらは発明の範囲を制限するものと解釈されるべきではなく、単に本発明の時点において好ましい実施の形態のいくつかの説明を提供するものと解釈されるべきである。したがって、本発明の範囲は当業者にとって明らかとなりうる他の実施の形態を完全に包含し、その結果、本発明の範囲は添付の請求項によってのみ限定され、請求項において単数形の要素への言及は、明白に言及する場合を除いて唯一であることを意味するのではなく、むしろ、一以上であることを意味することが意図されることが理解されよう。上述した好ましい実施の形態の要素と構造的、化学的及び機能的に等価であると当業者に知られているものの全ては、参照により明示的に本明細書に援用され、本請求項に包含されることが意図される。さらに、本発明により解決されるべき課題のそれぞれ及び全てに対して装置又は方法が対処する必要はなく、本請求項によりそれが包含される必要もない。さらに、本開示における要素、構成または方法のステップが請求項に明白に列挙されているか否かにかかわらず、全ての要素、構成又は方法のステップは、公衆一般に捧げることを意図しない。本明細書における請求項の要素はいずれも、その要素が「means for」の語を用いて明白に列挙されていない限り、米国特許法第１１２条第６項が適用されないと解釈されるべきである。
Claims (32)
- 肺結節の自動検出のための方法であって、
コンピュータ断層撮影（ＣＴ）画像からデータを入力するステップと、
１以上の肺野領域を得るために前記画像を分割するステップと、
前記１以上の肺野領域の中の解剖学的構造に対応する１以上の高信号領域を含むマスク領域を生成するために、前記１以上の肺野領域を信号強度で閾値処理するステップと、
前記マスク領域のユークリッド距離マップを算出するステップと、
１以上のサブ領域を生成するために、前記ユークリッド距離マップの分水嶺（watershed）セグメンテーションを実行するステップと、
前記１以上のサブ領域のそれぞれのサブ領域について種子点を識別するステップと、
それぞれのサブ領域の前記種子点から１以上の候補領域を拡張するステップと、
前記１以上の候補領域の１以上の幾何学的特徴に基づいて、１以上の候補領域を肺結節として分類するステップと、
を備えることを特徴とする方法。 - 前記画像を分割するステップは、
前記ＣＴ画像の中の明るいボクセルを信号強度で閾値処理し、最も大きな連結された３次元成分を選択することにより、前記画像の胸壁領域を分割するステップと、
前記ＣＴ画像の中の暗いボクセルを信号強度で閾値処理し、最も大きな連結された３次元成分を選択することにより、前記胸壁領域から肺野領域を分割するステップと、
を備えることを特徴とする請求項１に記載の方法。 - 前記画像を分割するステップは、分割された肺野領域の凸包を算出するステップを更に備えることを特徴とする請求項２に記載の方法。
- 前記１以上の肺野領域を信号強度で閾値処理するステップは、充実性結節の候補領域を検出するための第１の閾値で実行されることを特徴とする請求項１に記載の方法。
- 前記１以上の肺野領域を信号強度で閾値処理するステップは、すりガラス状結節の候補領域を検出するための第２の閾値で実行されることを特徴とする請求項１に記載の方法。
- 分水嶺セグメンテーションに先立って、ガウシアン（Gaussian ）平滑化が前記ユークリッド距離マップに適用されることを特徴とする請求項１に記載の方法。
- 分水嶺セグメンテーションから生成された前記１以上のサブ領域は、前記ユークリッド距離マップにおいて極大値に隣接することを特徴とする請求項１に記載の方法。
- それぞれのサブ領域について種子点を識別するステップは、それぞれのサブ領域内で最大のユークリッド距離マップ値を有するボクセルを、そのサブ領域に対応する前記種子点として識別するステップを備えることを特徴とする請求項７に記載の方法。
- １以上の候補領域を拡張するステップは、
それぞれの種子点の周りを中心とする立方体の関心領域を生成するステップと、
前記関心領域の中の連続したボクセルを候補領域内のボクセルとして含めるステップと、を備え、
含められるボクセルは、所定の閾値範囲内にあるユークリッド距離マップ値を有することを特徴とする請求項８に記載の方法。 - 拡張された前記１以上の候補領域のそれぞれを膨張させる（dilating）ステップを更に備えることを特徴とする請求項９に記載の方法。
- １以上の候補領域を分類するステップは、
前記候補領域の体積を算出するステップと、
算出された前記体積の関数が閾値範囲にあるときに、前記候補領域を結節として分類するステップと、
を備えることを特徴とする請求項１に記載の方法。 - １以上の候補領域を分類するステップは、前記候補領域の真球度を算出するステップを更に備え、
前記真球度は、前記候補領域の算出された体積と、前記候補領域の体積の中心の周りを中心とする最小の球の体積との比として算出され、
算出された前記真球度の関数が閾値を超えるとき、前記候補領域を結節として識別することを特徴とする請求項１１に記載の方法。 - 識別された肺結節内のそれぞれのボクセルの体積を合計することにより、識別された肺結節の体積を算出するステップを更に備えることを特徴とする請求項１に記載の方法。
- 識別された肺結節の直径を算出するステップと更に備えることを特徴とする請求項１に記載の方法。
- 前記直径は、
前記肺結節を１以上の平面における複数の２次元関心領域に分割するステップと、
それぞれの２次元関心領域について境界点を抽出するステップと、
それぞれの２次元関心領域における前記境界点から最大直径を識別するステップと、
それぞれの前記平面から最大の最大直径を結節の直径として識別するステップと、
により算出されることを特徴とする請求項１４に記載の方法。 - 識別された肺結節の画像を前記ＣＴ画像の上に重畳表示するステップを更に備えることを特徴とする請求項１に記載の方法。
- 患者の肺のコンピュータ断層撮影（ＣＴ）画像を自動的に分割するためのシステムであって、
プロセッサと、
前記プロセッサ上で実行可能なプログラムと、
を備え、
前記プログラムは、
前記ＣＴ画像からデータを入力するステップと、
１以上の肺野領域を得るために前記画像を分割するステップと、
前記１以上の肺野領域の中の解剖学的構造に対応する１以上の高信号領域を含むマスク領域を生成するために、前記１以上の肺野領域を信号強度で閾値処理するステップと、
前記マスク領域のユークリッド距離マップを算出するステップと、
１以上のサブ領域を生成するために、前記ユークリッド距離マップの分水嶺（watershed）セグメンテーションを実行するステップと、
前記１以上のサブ領域のそれぞれのサブ領域について種子点を識別するステップと、
それぞれのサブ領域の前記種子点から１以上の候補領域を拡張するステップと、
前記１以上の候補領域の１以上の幾何学的特徴に基づいて、１以上の候補領域を肺結節として分類するステップと、
のために構成されることを特徴とするシステム。 - 前記画像を分割するステップは、
前記ＣＴ画像の中の明るいボクセルを信号強度で閾値処理し、最も大きな連結された３次元成分を選択することにより、前記画像の胸壁領域を分割するステップと、
前記ＣＴ画像の中の暗いボクセルを信号強度で閾値処理し、最も大きな連結された３次元成分を選択することにより、前記胸壁領域から肺野領域を分割するステップと、
を備えることを特徴とする請求項１７に記載のシステム。 - 前記画像を分割するステップは、分割された肺野領域の凸包を算出するステップを更に備えることを特徴とする請求項１８に記載のシステム。
- 前記１以上の肺野領域を信号強度で閾値処理するステップは、充実性結節の候補領域を検出するための第１の閾値で実行されることを特徴とする請求項１７に記載のシステム。
- 前記１以上の肺野領域を信号強度で閾値処理するステップは、すりガラス状結節の候補領域を検出するための第２の閾値で実行されることを特徴とする請求項１７に記載のシステム。
- 分水嶺セグメンテーションに先立って、ガウシアン（Gaussian ）平滑化が前記ユークリッド距離マップに適用されることを特徴とする請求項１７に記載のシステム。
- 分水嶺セグメンテーションから生成された前記１以上のサブ領域は、前記ユークリッド距離マップにおいて極大値に隣接することを特徴とする請求項１７に記載のシステム。
- それぞれのサブ領域について種子点を識別するステップは、それぞれのサブ領域内で最大のユークリッド距離マップ値を有するボクセルを、そのサブ領域に対応する前記種子点として識別するステップを備えることを特徴とする請求項２３に記載のシステム。
- １以上の候補領域を拡張するステップは、
それぞれの種子点の周りを中心とする立方体の関心領域を生成するステップと、
前記関心領域の中の連続したボクセルを候補領域内のボクセルとして含めるステップと、を備え、
含められるボクセルは、所定の閾値範囲内にあるユークリッド距離マップ値を有することを特徴とする請求項２４に記載のシステム。 - 拡張された前記１以上の候補領域のそれぞれを膨張させる（dilating）ステップを更に備えることを特徴とする請求項２５に記載のシステム。
- １以上の候補領域を分類するステップは、
前記候補領域の体積を算出するステップと、
算出された前記体積の関数が閾値範囲にあるときに、前記候補領域を結節として分類するステップと、
を備えることを特徴とする請求項１７に記載のシステム。 - １以上の候補領域を分類するステップは、候補領域の真球度を算出するステップを更に備え、
前記真球度は、候補領域の算出された体積と、前記候補領域の体積の中心の周りを中心とする最小の球の体積との比として算出され、
算出された前記真球度の関数が閾値を超えるとき、候補領域を結節として識別することを特徴とする請求項２７に記載のシステム。 - 識別された肺結節内のそれぞれのボクセルの体積を合計することにより、識別された肺結節の体積を算出するステップを更に備えることを特徴とする請求項２７に記載のシステム。
- 識別された肺結節の直径を算出するステップと更に備えることを特徴とする請求項１７に記載のシステム。
- 前記直径は、
前記肺結節を１以上の平面における複数の２次元関心領域に分割するステップと、
それぞれの２次元関心領域について境界点を抽出するステップと、
それぞれの２次元関心領域における前記境界点から最大直径を識別するステップと、
それぞれの前記平面から最大の最大直径を結節の直径として識別するステップと、
により算出されることを特徴とする請求項３０に記載のシステム。 - 識別された肺結節の画像を前記ＣＴ画像の上に重畳表示するステップを更に備えることを特徴とする請求項１７に記載のシステム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201261700592P | 2012-09-13 | 2012-09-13 | |
| US61/700,592 | 2012-09-13 | ||
| PCT/US2013/029646 WO2014042678A1 (en) | 2012-09-13 | 2013-03-07 | System and method for automated detection of lung nodules in medical images |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2015528372A true JP2015528372A (ja) | 2015-09-28 |
| JP6267710B2 JP6267710B2 (ja) | 2018-01-24 |
Family
ID=50278584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015531907A Active JP6267710B2 (ja) | 2012-09-13 | 2013-03-07 | 医用画像中の肺結節を自動検出するためのシステム及び方法 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US9418420B2 (ja) |
| EP (1) | EP2916737B1 (ja) |
| JP (1) | JP6267710B2 (ja) |
| CN (1) | CN104619257A (ja) |
| CA (1) | CA2884167C (ja) |
| WO (1) | WO2014042678A1 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200065751A (ko) * | 2018-11-30 | 2020-06-09 | 양이화 | 인공지능을 이용한 폐암진단 시스템, 폐암검진 ct 판독서버 및 폐암진단방법 |
| WO2021256096A1 (ja) * | 2020-06-18 | 2021-12-23 | 富士フイルム株式会社 | 領域修正装置、方法およびプログラム |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9990743B2 (en) | 2014-03-27 | 2018-06-05 | Riverain Technologies Llc | Suppression of vascular structures in images |
| JP6510189B2 (ja) * | 2014-06-23 | 2019-05-08 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置 |
| US9810715B2 (en) | 2014-12-31 | 2017-11-07 | Tektronix, Inc. | High impedance compliant probe tip |
| US9754378B2 (en) | 2016-01-21 | 2017-09-05 | Molecular Devices, Llc | System and method for segmentation of three-dimensional microscope images |
| US10706533B2 (en) | 2016-05-13 | 2020-07-07 | National Jewish Health | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification |
| JP6862147B2 (ja) * | 2016-11-09 | 2021-04-21 | キヤノン株式会社 | 画像処理装置、画像処理装置の作動方法、画像処理システム |
| CN106709930B (zh) | 2016-12-29 | 2020-03-31 | 上海联影医疗科技有限公司 | 三维医学图像的感兴趣体积分割方法及装置 |
| CN107184224B (zh) * | 2017-05-18 | 2020-04-21 | 太原理工大学 | 一种基于双模态极限学习机的肺结节诊断方法 |
| CN108022238B (zh) * | 2017-08-09 | 2020-07-03 | 深圳科亚医疗科技有限公司 | 对3d图像中对象进行检测的方法、计算机存储介质和*** |
| CN107485446A (zh) * | 2017-09-07 | 2017-12-19 | 安徽紫薇帝星数字科技有限公司 | 一种可快速定位腹部的手术导向定位*** |
| KR102178803B1 (ko) * | 2018-01-26 | 2020-11-16 | 울산대학교 산학협력단 | 흉부 의료 영상 판독 지원 시스템 및 방법 |
| CN108230323B (zh) * | 2018-01-30 | 2021-03-23 | 浙江大学 | 一种基于卷积神经网络的肺结节假阳性筛选方法 |
| CN108564566B (zh) * | 2018-03-12 | 2021-08-31 | 东软医疗***股份有限公司 | 医学成像处理方法、装置以及图像处理设备 |
| CA3095408C (en) * | 2018-03-30 | 2023-04-11 | Perkinelmer Health Sciences, Inc. | Systems and methods for automated detection and segmentation of vertebral centrum(s) in 3d images |
| US11335006B2 (en) | 2018-04-25 | 2022-05-17 | Mim Software, Inc. | Image segmentation with active contour |
| CN108615237B (zh) * | 2018-05-08 | 2021-09-07 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
| CN108664971B (zh) * | 2018-05-22 | 2021-12-14 | 中国科学技术大学 | 基于2d卷积神经网络的肺结节检测方法 |
| CN109671066B (zh) * | 2018-12-14 | 2024-03-26 | 强联智创（北京）科技有限公司 | 一种基于头颅ct影像的脑梗死判断的方法及*** |
| CN109886282B (zh) * | 2019-02-26 | 2021-05-28 | 腾讯科技（深圳）有限公司 | 对象检测方法、装置、计算机可读存储介质和计算机设备 |
| CN110033462A (zh) * | 2019-04-08 | 2019-07-19 | 中国计量大学 | 基于多层次距离变换的粘连目标分割算法 |
| US11688063B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
| US11436724B2 (en) | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
| US11749401B2 (en) * | 2020-10-30 | 2023-09-05 | Guerbet | Seed relabeling for seed-based segmentation of a medical image |
| US11688517B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Multiple operating point false positive removal for lesion identification |
| WO2024015470A1 (en) * | 2022-07-13 | 2024-01-18 | Hyperfine Operations, Inc. | Simulating structures in images |
| CN118071776B (zh) * | 2024-04-22 | 2024-06-21 | 大连云智信科技发展有限公司 | 一种用于家禽肠道健康状况检测的图像处理*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11272865A (ja) * | 1998-03-23 | 1999-10-08 | Mitsubishi Electric Corp | 画像セグメンテーション方法およびその装置 |
| JP2006239005A (ja) * | 2005-03-01 | 2006-09-14 | Kobe Univ | 画像診断処理装置および画像診断処理プログラム |
| JP2007537811A (ja) * | 2004-05-20 | 2007-12-27 | メディックサイト ピーエルシー | 結節の検出方法 |
| JP2008529639A (ja) * | 2005-02-11 | 2008-08-07 | 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 | 検査装置、画像処理デバイス、注目対象物を検査装置で検査する方法、コンピュータ可読媒体及びプログラム要素 |
| JP2009502232A (ja) * | 2005-07-22 | 2009-01-29 | ケアストリーム ヘルス インク | 胸部ｘ線写真における肺結節の検知 |
| US20090129673A1 (en) * | 2007-11-15 | 2009-05-21 | Simon Richard A | Method for segmentation of lesions |
| JP2009273771A (ja) * | 2008-05-16 | 2009-11-26 | Toshiba Corp | 画像処理装置 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2832832A1 (fr) * | 2001-11-23 | 2003-05-30 | Ge Med Sys Global Tech Co Llc | Procede de detection et de caracterisation automatique de nodules dans une image tomographique et systeme d'imagerie medicale par tomodensimetrie correspondant |
| US7499578B2 (en) * | 2002-10-18 | 2009-03-03 | Cornell Research Foundation, Inc. | System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans |
| EP1455307A1 (en) * | 2003-03-06 | 2004-09-08 | MeVis GmbH | Partial volume visualization |
| EP1723906B1 (en) * | 2004-02-26 | 2019-05-15 | Toshiba Medical Systems Corporation | Magnetic resonance imaging device, and data processing method of magnetic resonance imaging device |
| GB2415563B (en) * | 2004-06-23 | 2009-11-25 | Medicsight Plc | Lesion boundary detection |
| US20070092864A1 (en) * | 2005-09-30 | 2007-04-26 | The University Of Iowa Research Foundation | Treatment planning methods, devices and systems |
| US8073226B2 (en) * | 2006-06-30 | 2011-12-06 | University Of Louisville Research Foundation, Inc. | Automatic detection and monitoring of nodules and shaped targets in image data |
| US8165369B2 (en) * | 2007-10-03 | 2012-04-24 | Siemens Medical Solutions Usa, Inc. | System and method for robust segmentation of pulmonary nodules of various densities |
| WO2009063363A2 (en) * | 2007-11-14 | 2009-05-22 | Koninklijke Philips Electronics N.V. | Computer-aided detection (cad) of a disease |
| US9117289B2 (en) * | 2011-11-11 | 2015-08-25 | Konica Minolta, Inc. | Medical imaging system, medical image processing apparatus, and computer-readable medium |
-
2013
- 2013-03-07 CA CA2884167A patent/CA2884167C/en active Active
- 2013-03-07 WO PCT/US2013/029646 patent/WO2014042678A1/en active Application Filing
- 2013-03-07 JP JP2015531907A patent/JP6267710B2/ja active Active
- 2013-03-07 EP EP13836421.1A patent/EP2916737B1/en active Active
- 2013-03-07 CN CN201380046881.4A patent/CN104619257A/zh active Pending
-
2015
- 2015-03-10 US US14/643,791 patent/US9418420B2/en active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11272865A (ja) * | 1998-03-23 | 1999-10-08 | Mitsubishi Electric Corp | 画像セグメンテーション方法およびその装置 |
| JP2007537811A (ja) * | 2004-05-20 | 2007-12-27 | メディックサイト ピーエルシー | 結節の検出方法 |
| JP2008529639A (ja) * | 2005-02-11 | 2008-08-07 | 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 | 検査装置、画像処理デバイス、注目対象物を検査装置で検査する方法、コンピュータ可読媒体及びプログラム要素 |
| JP2006239005A (ja) * | 2005-03-01 | 2006-09-14 | Kobe Univ | 画像診断処理装置および画像診断処理プログラム |
| JP2009502232A (ja) * | 2005-07-22 | 2009-01-29 | ケアストリーム ヘルス インク | 胸部ｘ線写真における肺結節の検知 |
| US20090129673A1 (en) * | 2007-11-15 | 2009-05-21 | Simon Richard A | Method for segmentation of lesions |
| JP2009273771A (ja) * | 2008-05-16 | 2009-11-26 | Toshiba Corp | 画像処理装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200065751A (ko) * | 2018-11-30 | 2020-06-09 | 양이화 | 인공지능을 이용한 폐암진단 시스템, 폐암검진 ct 판독서버 및 폐암진단방법 |
| KR102208358B1 (ko) | 2018-11-30 | 2021-01-28 | 양이화 | 인공지능을 이용한 폐암진단 시스템, 폐암검진 ct 판독서버 및 폐암진단방법 |
| WO2021256096A1 (ja) * | 2020-06-18 | 2021-12-23 | 富士フイルム株式会社 | 領域修正装置、方法およびプログラム |
| JPWO2021256096A1 (ja) * | 2020-06-18 | 2021-12-23 | ||
| JP7342267B2 (ja) | 2020-06-18 | 2023-09-11 | 富士フイルム株式会社 | 領域修正装置、方法およびプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| CA2884167A1 (en) | 2014-03-20 |
| US20150254842A1 (en) | 2015-09-10 |
| EP2916737A4 (en) | 2016-05-18 |
| US9418420B2 (en) | 2016-08-16 |
| EP2916737B1 (en) | 2019-01-16 |
| CN104619257A (zh) | 2015-05-13 |
| EP2916737A1 (en) | 2015-09-16 |
| JP6267710B2 (ja) | 2018-01-24 |
| CA2884167C (en) | 2020-05-12 |
| WO2014042678A1 (en) | 2014-03-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6267710B2 (ja) | 医用画像中の肺結節を自動検出するためのシステム及び方法 | |
| Liu et al. | Multi-view multi-scale CNNs for lung nodule type classification from CT images | |
| Shen et al. | An automated lung segmentation approach using bidirectional chain codes to improve nodule detection accuracy | |
| Jacobs et al. | Automatic detection of subsolid pulmonary nodules in thoracic computed tomography images | |
| Gonçalves et al. | Hessian based approaches for 3D lung nodule segmentation | |
| Teramoto et al. | Fast lung nodule detection in chest CT images using cylindrical nodule-enhancement filter | |
| JP4708362B2 (ja) | コンピュータで実施される方法 | |
| Zhou et al. | Automatic multiscale enhancement and segmentation of pulmonary vessels in CT pulmonary angiography images for CAD applications | |
| Alilou et al. | A comprehensive framework for automatic detection of pulmonary nodules in lung CT images | |
| CN110036408B (zh) | 活动性出血和血液外渗的自动ct检测和可视化 | |
| JP2006521118A (ja) | ３次元形状強調フィルタによる小結節のコンピュータ支援検出を行う方法、システムおよびコンピュータプログラム製品 | |
| JP2002503861A (ja) | 胸部ｘ線写真における肺領域と肋骨横隔膜角の自動描画方法とシステム | |
| Zhang et al. | Design of automatic lung nodule detection system based on multi-scene deep learning framework | |
| Wang et al. | Pulmonary nodule detection in CT images based on shape constraint CV model | |
| EP2208183B1 (en) | Computer-aided detection (cad) of a disease | |
| Zhao et al. | An automated pulmonary parenchyma segmentation method based on an improved region growing algorithmin PET-CT imaging | |
| Ananth et al. | Liver And Hepatic Tumors Segmentation in 3-D CT Images | |
| WO2013151749A1 (en) | System, method, and computer accessible medium for volumetric texture analysis for computer aided detection and diagnosis of polyps | |
| Pereira et al. | Classifier ensemble based on computed tomography attenuation patterns for computer-aided detection system | |
| Devaki et al. | Study of computed tomography images of the lungs: A survey | |
| CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
| CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
| Nomura et al. | Can the spherical gold standards be used as an alternative to painted gold standards for the computerized detection of lesions using voxel-based classification? | |
| Maduskar et al. | Cavity contour segmentation in chest radiographs using supervised learning and dynamic programming | |
| Fan et al. | Reconstruction of airway tree based on topology and morphological operations |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160302 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20161124 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170110 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170313 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170509 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170803 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20171205 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6267710 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |