JP2020080913A - 非造影ct画像からの3次元メディアルアクシスモデルに基づく関心臓器画像自動セグメンテーション装置、及び自動セグメンテーション方法 - Google Patents
非造影ct画像からの3次元メディアルアクシスモデルに基づく関心臓器画像自動セグメンテーション装置、及び自動セグメンテーション方法 Download PDFInfo
- Publication number
- JP2020080913A JP2020080913A JP2018214635A JP2018214635A JP2020080913A JP 2020080913 A JP2020080913 A JP 2020080913A JP 2018214635 A JP2018214635 A JP 2018214635A JP 2018214635 A JP2018214635 A JP 2018214635A JP 2020080913 A JP2020080913 A JP 2020080913A
- Authority
- JP
- Japan
- Prior art keywords
- organ
- interest
- medial axis
- dimensional
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000010276 construction Methods 0.000 claims abstract description 18
- 210000000056 organ Anatomy 0.000 claims description 141
- 210000001147 pulmonary artery Anatomy 0.000 claims description 131
- 210000000709 aorta Anatomy 0.000 claims description 72
- 210000004204 blood vessel Anatomy 0.000 claims description 38
- 230000002685 pulmonary effect Effects 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 35
- 210000001370 mediastinum Anatomy 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 16
- 208000026151 Chronic thromboembolic pulmonary hypertension Diseases 0.000 claims description 13
- 208000002815 pulmonary hypertension Diseases 0.000 claims description 13
- 238000003709 image segmentation Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 210000001835 viscera Anatomy 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 210000000038 chest Anatomy 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 230000000172 allergic effect Effects 0.000 description 2
- 208000010668 atopic eczema Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 210000002376 aorta thoracic Anatomy 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010202 multivariate logistic regression analysis Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
Description
制御部を含み、
前記制御部が、
関心臓器候補領域セグメンテーション部と、
関心臓器候補領域3次元メディアルアクシス抽出部と、
関心臓器3次元メディアルアクシスモデル構築部と、及び、
関心臓器3次元メディアルアクシスモデル基準セグメンテーション部と
を備え、
前記関心臓器候補領域セグメンテーション部は、入力された、関心臓器候補領域を含む通常線量/低線量のCT画像データセットからなる学習データセットについて、関心臓器候補領域のセグメンテーションを行い、更に、入力された、関心臓器候補領域を含む通常線量/低線量のCT画像データセットからなるテストデータセットについて、関心臓器候補領域のセグメンテーションを行い、
前記関心臓器候補領域3次元メディアルアクシス抽出部は、関心臓器候補領域のセグメンテーションが行われた学習データセットについて関心臓器候補領域の3次元メディアルアクシスを抽出し、更に、関心臓器候補領域のセグメンテーションが行われたテストデータセットについて関心臓器候補領域の3次元メディアルアクシスを抽出し、
前記関心臓器3次元メディアルアクシスモデル構築部は、学習データセットにおける、抽出された関心臓器候補領域の3次元メディアルアクシスのデータに基づいて、関心臓器の3次元メディアルアクシスモデルを構築し、
前記関心臓器3次元メディアルアクシスモデル基準セグメンテーション部は、構築された関心臓器の3次元メディアルアクシスモデルを照合させて、関心臓器候補領域のセグメンテーションが行われたテストデータセットから抽出された関心臓器候補領域の3次元メディアルアクシスを選択してセグメンテーションを行う。
造影剤にアレルギーを有する患者に用いることができない造影CT画像撮像装置に対して、非造影CT画像撮像装置は、患者に比較的負担を掛けずに容易に断層像を得ることができる。非造影CT画像撮像装置は、胸部疾患の早期診断などに広く利用されている。
図1及び図2を参照して第1の実施形態を説明する。
図1は、第1の実施形態に係る関心臓器画像自動セグメンテーションシステム2の構成を示す概略図である。
図2は、第1の実施形態に係る関心臓器画像自動セグメンテーションシステム2の動作を示すフロー図である。前述のように、関心臓器画像自動セグメンテーションシステム2は、(A)モデル構築工程と、(B)モデル照合工程とを実行する。
(A)モデル構築工程は、学習データセットを入力して、関心臓器の3次元メディアルアクシスモデルを構築・出力する工程である。
(B)モデル照合工程は、テストデータ、即ち、セグメンテーション処理の対象データを入力して、(A)モデル構築工程にて構築された関心臓器の3次元メディアルアクシスモデルを照合のために利用して、セグメンテーション処理の対象データのセグメンテーションを行う工程である。
先ず、関心臓器画像自動セグメンテーション装置4(図1参照)は学習データセットを入力する((A)モデル構築工程:ステップA02)。学習データセットは、関心臓器候補領域を含む通常線量/低線量のCT画像データセットである。
同じように、関心臓器画像自動セグメンテーション装置4はテストデータセット(セグメンテーション処理の対象データ)を入力する((B)モデル照合工程:ステップB02)。テストデータセットも、関心臓器候補領域を含む通常線量/低線量のCT画像データセットである。
同じように、入力されたテストデータセット(セグメンテーション処理の対象データ)について、関心臓器候補領域セグメンテーション部16は関心臓器候補領域のセグメンテーションを行う((B)モデル照合工程:ステップB04)。同じように関心臓器候補領域のセグメンテーションは、CT画像の濃度情報及び/又は形状情報に基づいて行われる。例えば、縦隔内血管候補領域であれば、CT値のしきい値処理によりセグメンテーションが行われる。
同じように、関心臓器候補領域のセグメンテーションが行われたテストデータセット(セグメンテーション処理の対象データ)について、関心臓器候補領域3次元メディアルアクシス抽出部18により関心臓器候補領域の3次元メディアルアクシスが抽出される((B)モデル照合工程:ステップB06)。このステップでは、ステップA06と同様に、(1)セグメンテーションが行われた関心臓器候補領域を距離変換し(例:3次元ユークリッド距離)、(2)4次元超曲面率を用いて距離値画像で稜となる領域を抽出し、これを3次元メディアルアクシスとする。このステップでは更に、ステップA06と同様に、関心臓器候補領域の形状に基づいて3次元メディアルアクシスを選択する。このとき、例えば、関心臓器候補領域が縦隔内血管であれば、(3)4次元超曲面曲率を用いて円柱形状らしさを算出し、円柱形状領域の3次元メディアルアクシスを抽出する。
(1)学習データセットに基づいて抽出された関心臓器候補領域の3次元メディアルアクシスのデータから、操作者や観察者等の外部操作により1例が基準例に選択される。他の例はその基準例に空間正規化(位置合せ)される。
(2)関心臓器候補領域の(a)平均形状、及び、(b)学習データセットに基づいて抽出された関心臓器候補領域の3次元メディアルアクシスのデータにおける、高頻度の形状(例:主成分分析によって得られる主成分)を算出する。
なお、学習に費やす計算時間を短縮するために処理(1)の後にデータを縮小してもよい。
(1)3次元メディアルアクシスモデルを変形しながら、入力画像、即ちステップB06にて抽出された3次元メディアルアクシスに照合し、3次元メディアルアクシスモデルそのものを最適化する。
(2)一致度を算出する。
(3)一致度の高い3次元メディアルアクシスを関心臓器の3次元メディアルアクシスとして選択する。
(4)補間処理(例:B−spline補間処理)を用いて、選択された3次元メディアルアクシスの欠落部(例:血管の分岐部)を補間する。
(5)この選択され補間された3次元メディアルアクシスの各画素は、((B)モデル照合工程:ステップB06)で求めた距離値を有しているため、この距離値で各画素を膨張することで関心臓器領域が復元される。
(6)または、3次元メディアルアクシスを中心軸として制約あり最適化法(例:拡張ラグランジュ乗数法)を用いた楕円柱モデルフィッティングにより関心臓器領域が復元される。
以上のように、第1の実施形態に係る関心臓器画像自動セグメンテーションシステム2は、非造影CT画像データセットを格納する外部記憶装置26、及び、関心臓器画像自動セグメンテーション装置4を含む。
関心臓器画像自動セグメンテーション装置4は、制御部6を含み、制御部6は、
関心臓器候補領域セグメンテーション部16と、
関心臓器候補領域3次元メディアルアクシス抽出部18と、
関心臓器3次元メディアルアクシスモデル構築部20と、及び、
関心臓器3次元メディアルアクシスモデル基準セグメンテーション部22と
を備え、
関心臓器候補領域セグメンテーション部16は、入力された、関心臓器候補領域を含む通常線量/低線量のCT画像データセットからなる学習データセットについて、関心臓器候補領域のセグメンテーションを行い、更に、入力された、関心臓器候補領域を含む通常線量/低線量のCT画像データセットからなるテストデータセットについて、関心臓器候補領域のセグメンテーションを行い、
関心臓器候補領域3次元メディアルアクシス抽出部18は、関心臓器候補領域のセグメンテーションが行われた学習データセットについて関心臓器候補領域の3次元メディアルアクシスを抽出し、更に、関心臓器候補領域のセグメンテーションが行われたテストデータセットについて関心臓器候補領域の3次元メディアルアクシスを抽出し、
関心臓器3次元メディアルアクシスモデル構築部20は、学習データセットにおける、抽出された関心臓器候補領域の3次元メディアルアクシスのデータに基づいて、関心臓器の3次元メディアルアクシスモデルを構築し、
関心臓器3次元メディアルアクシスモデル基準セグメンテーション部22は、構築された関心臓器の3次元メディアルアクシスモデルを照合させて、関心臓器候補領域のセグメンテーションが行われたテストデータセットから抽出された関心臓器候補領域の3次元メディアルアクシスを選択してセグメンテーションを行う。
[2.1.関心臓器が大動脈・肺動脈幹・主肺動脈である場合の、関心臓器画像自動セグメンテーションシステムの詳細動作]
図3は、実施例1における関心臓器画像自動セグメンテーションシステム2の動作を示すフロー図である。実施例1は、関心臓器が大動脈・肺動脈幹・主肺動脈である場合の例である。図3に示す実施例1においても、関心臓器画像自動セグメンテーションシステム2は、(A)モデル構築工程と、(B)モデル照合工程とを実行する。
(A)モデル構築工程は、概略、学習データセットの入力(ステップA22)、縦隔内血管候補領域のセグメンテーション(ステップA24)、楕円柱形状の縦隔内血管の3次元メディアルアクシスの抽出(ステップA26)、大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスモデルの構築(ステップA28)、及び、大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスモデルの出力(ステップA30)からなる。
(B)モデル照合工程は、概略、テストデータセット(セグメンテーション処理の対象データ)の入力(ステップB22)、縦隔内血管候補領域のセグメンテーション(ステップB24)、楕円柱形状の縦隔内血管の3次元メディアルアクシスの抽出(ステップB26)、大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスモデルに基づく大動脈・肺動脈幹・主肺動脈のセグメンテーション(ステップB32)、及び、大動脈・肺動脈幹・主肺動脈の直径の3次元計測(ステップB34)からなる。
関心臓器画像自動セグメンテーション装置4は、学習データセットを入力し(ステップA22)、並びに、テストデータセット(セグメンテーション処理の対象データ)を入力する(ステップB22)。
大動脈及び肺動脈幹の直径の計測は2回実施された。2回の間隔は3日とされた。データセットB、C、Dにおける2回の大動脈径の計測結果の相関係数はそれぞれ0.973、0.990、0.993であった(p-values<0.001)。肺動脈幹径の計測結果の相関係数はそれぞれ0.970、0.990、0.986であった(p-values<0.001)。
次に、関心臓器候補領域セグメンテーション部16は、入力された学習データセットについて縦隔内血管候補領域のセグメンテーションを行い(ステップA24)、更に、入力されたテストデータセット(セグメンテーション処理の対象データ)について縦隔内血管候補領域のセグメンテーションを行う(ステップB24)。
次に、関心臓器候補領域3次元メディアルアクシス抽出部18は、縦隔内血管候補領域のセグメンテーションが行われた学習データセットについて、楕円柱形状の縦隔内血管の3次元メディアルアクシスを抽出し(ステップA26)、更に、縦隔内血管候補領域のセグメンテーションが行われたテストデータセット(セグメンテーション処理の対象データ)について、楕円柱形状の縦隔内血管の3次元メディアルアクシスを抽出する(ステップB26)。
次に、関心臓器3次元メディアルアクシスモデル構築部20は、抽出された楕円柱形状の縦隔内血管の3次元メディアルアクシスのデータに基づいて大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスモデルを構築し(ステップA28)、出力する(ステップA30)。
次に、関心臓器3次元メディアルアクシスモデル基準セグメンテーション部22は、構築された大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスモデルに基づいて(即ち、大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスモデルを照合させて)、(B)モデル照合工程・ステップB06で抽出された楕円柱形状の縦隔内血管の3次元メディアルアクシスを選択してセグメンテーションを行う。
次に、関心臓器画像評価部24は、セグメンテーションされた大動脈・肺動脈幹・主肺動脈の3次元領域データにより直径を3次元計測する。
[2.1.7.1.設定について]
実施例1における大動脈・肺動脈幹・主肺動脈のセグメンテーション方法を、以下の設定で評価した。以下のこれらの値は、学習データセットを用いた事前実験の結果に基づいて設定された。しきい値Tkは0.01、直径DCROIは3mm、しきい値Taxisは0.8、しきい値 Tcは 0.2、長さLmは20mmに設定した。計算時間は、2.20GHz Intel(登録商標) Xeon(登録商標)CPUを用いて22.8±2.0分であった。処理時間の大部分はモデル照合工程におけるモデル最適化処理で消費される。このため、高頻度の3次元メディアルアクシスモデルに限定して照合することで、処理時間は4.0±0.5 分に短縮された。
学習データセットとテストデータセットとを入力データとして用いて、実施例1における大動脈・肺動脈幹・主肺動脈のセグメンテーション方法の性能を評価した。大動脈・肺動脈幹・主肺動脈のセグメンテーション結果の例を図8に示している。
データセットB(テストデータセット)において、大動脈・肺動脈幹・右主肺動脈・左主肺動脈の直径の平均値及び標準偏差は、3.219±0.297、2.360±0.223、2.003±0.328、1.911±0.233cmであった。データセットC(テストデータセット)において、大動脈・肺動脈幹・右主肺動脈・左主肺動脈の直径の平均値及び標準偏差は、3.124±0.333、3.220±0.486、2.494±0.310、2.500±0.317cmであった。
実施例1における大動脈・肺動脈幹・主肺動脈のセグメンテーション方法で計測した血管直径の、慢性血栓塞栓性肺高血圧症(CTEPH)の診断に対する有用性は、以下の[表3]に示すように、単変数・多変数ロジスティック回帰分析によって評価した。この単変数・多変数ロジスティック回帰分析は、関心臓器画像自動セグメンテーション装置4の関心臓器画像評価部24により実行され得る。
Claims (8)
- 関心臓器候補領域を含む通常線量/低線量のCT画像データセットからなる学習データセットを入力する第1の入力ステップと、
関心臓器候補領域を含む通常線量/低線量のCT画像データセットからなるテストデータセットを入力する第2の入力ステップと、
入力された学習データセットについて関心臓器候補領域のセグメンテーションを行う第1の関心臓器候補領域セグメンテーションステップと、
入力されたテストデータセットについて関心臓器候補領域のセグメンテーションを行う第2の関心臓器候補領域セグメンテーションステップと、
関心臓器候補領域のセグメンテーションが行われた学習データセットについて関心臓器候補領域の3次元メディアルアクシスを抽出する第1の関心臓器候補領域3次元メディアルアクシス抽出ステップと、
関心臓器候補領域のセグメンテーションが行われたテストデータセットについて関心臓器候補領域の3次元メディアルアクシスを抽出する第2の関心臓器候補領域3次元メディアルアクシス抽出ステップと、
学習データセットにおける、抽出された関心臓器候補領域の3次元メディアルアクシスのデータに基づいて、関心臓器の3次元メディアルアクシスモデルを構築する関心臓器3次元メディアルアクシスモデル構築ステップと、
構築された関心臓器の3次元メディアルアクシスモデルを出力する出力ステップと、
構築された関心臓器の3次元メディアルアクシスモデルを照合させて、関心臓器候補領域のセグメンテーションが行われたテストデータセットから抽出された関心臓器候補領域の3次元メディアルアクシスを選択してセグメンテーションを行う関心臓器3次元メディアルアクシスモデル基準セグメンテーションステップと
を含む、関心臓器画像自動セグメンテーション方法。 - 制御部を含み、
前記制御部が、
関心臓器候補領域セグメンテーション部と、
関心臓器候補領域3次元メディアルアクシス抽出部と、
関心臓器3次元メディアルアクシスモデル構築部と、及び、
関心臓器3次元メディアルアクシスモデル基準セグメンテーション部と
を備え、
前記関心臓器候補領域セグメンテーション部は、入力された、関心臓器候補領域を含む通常線量/低線量のCT画像データセットからなる学習データセットについて、関心臓器候補領域のセグメンテーションを行い、更に、入力された、関心臓器候補領域を含む通常線量/低線量のCT画像データセットからなるテストデータセットについて、関心臓器候補領域のセグメンテーションを行い、
前記関心臓器候補領域3次元メディアルアクシス抽出部は、関心臓器候補領域のセグメンテーションが行われた学習データセットについて関心臓器候補領域の3次元メディアルアクシスを抽出し、更に、関心臓器候補領域のセグメンテーションが行われたテストデータセットについて関心臓器候補領域の3次元メディアルアクシスを抽出し、
前記関心臓器3次元メディアルアクシスモデル構築部は、学習データセットにおける、抽出された関心臓器候補領域の3次元メディアルアクシスのデータに基づいて、関心臓器の3次元メディアルアクシスモデルを構築し、
前記関心臓器3次元メディアルアクシスモデル基準セグメンテーション部は、構築された関心臓器の3次元メディアルアクシスモデルを照合させて、関心臓器候補領域のセグメンテーションが行われたテストデータセットから抽出された関心臓器候補領域の3次元メディアルアクシスを選択してセグメンテーションを行う、
関心臓器画像自動セグメンテーション装置。 - 縦隔内血管候補領域を含む通常線量/低線量のCT画像データセットからなる学習データセットを入力する第1の入力ステップと、
縦隔内血管候補領域を含む通常線量/低線量のCT画像データセットからなるテストデータセットを入力する第2の入力ステップと、
入力された学習データセットについて縦隔内血管候補領域のセグメンテーションを行う第1の関心臓器候補領域セグメンテーションステップと、
入力されたテストデータセットについて縦隔内血管候補領域のセグメンテーションを行う第2の関心臓器候補領域セグメンテーションステップと、
縦隔内血管候補領域のセグメンテーションが行われた学習データセットについて楕円柱形状の縦隔内血管の3次元メディアルアクシスを抽出する第1の関心臓器候補領域3次元メディアルアクシス抽出ステップと、
縦隔内血管候補領域のセグメンテーションが行われたテストデータセットについて楕円柱形状の縦隔内血管の3次元メディアルアクシスを抽出する第2の関心臓器候補領域3次元メディアルアクシス抽出ステップと、
学習データセットにおける、抽出された楕円柱形状の縦隔内血管の3次元メディアルアクシスのデータに基づいて、大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスモデルを構築する関心臓器3次元メディアルアクシスモデル構築ステップと、
構築された大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスモデルを出力する出力ステップと、
構築された大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスモデルを照合させて、縦隔内血管候補領域のセグメンテーションが行われたテストデータセットから抽出された楕円柱形状の縦隔内血管の3次元メディアルアクシスを選択してセグメンテーションを行う関心臓器3次元メディアルアクシスモデル基準セグメンテーションステップと
を含む、関心臓器画像自動セグメンテーション方法。 - 前記第1の関心臓器候補領域セグメンテーションステップ及び前記第2の関心臓器候補領域セグメンテーションステップは、CT画像の濃度情報及び/又は形状情報に基づいて縦隔内血管候補領域のセグメンテーションを行い、
前記第1の関心臓器候補領域3次元メディアルアクシス抽出ステップ及び前記第2の関心臓器候補領域3次元メディアルアクシス抽出ステップは、(1)セグメンテーションが行われた縦隔内血管候補領域を距離変換し、(2)4次元超曲面率を用いて距離値画像で稜となる領域を抽出し、これを3次元メディアルアクシスとし、更に、(3)4次元超曲面曲率を用いて円柱形状らしさを算出して、円柱形状領域の3次元メディアルアクシスを抽出し、
前記関心臓器3次元メディアルアクシスモデル構築ステップは、(1)学習データセットに基づいて抽出された楕円柱形状の縦隔内血管の3次元メディアルアクシスのデータから、1例を外部操作により基準例に選択し、他の例はその基準例に空間正規化し、(2)大動脈・肺動脈幹・主肺動脈の(a)平均形状、及び、(b)学習データセットに基づいて抽出された大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスのデータにおける、高頻度の形状を、算出し、
前記出力ステップは、大動脈・肺動脈幹・主肺動脈の(a)平均形状、及び(b)高頻度の形状の組み合わせで表現される大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスモデルを出力し、
前記関心臓器3次元メディアルアクシスモデル基準セグメンテーションステップは、(1)3次元メディアルアクシスモデルを変形しながら、前記第2の関心臓器候補領域3次元メディアルアクシス抽出ステップにて抽出された3次元メディアルアクシスに照合し、3次元メディアルアクシスモデルそのものを最適化し、(2)一致度を算出し、(3)一致度の高い3次元メディアルアクシスを大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスとして選択し、(4)補間処理を用いて、選択された3次元メディアルアクシスの欠落部を補間し、(5)前記第2の関心臓器候補領域3次元メディアルアクシス抽出ステップで求めた距離値で各画素を膨張することで、または制約あり最適化法を用いた楕円柱モデルフィッティングを用いることで、大動脈・肺動脈幹・主肺動脈の領域を復元する、
請求項3に記載の関心臓器画像自動セグメンテーション方法。 - 制御部を含み、
前記制御部が、
関心臓器候補領域セグメンテーション部と、
関心臓器候補領域3次元メディアルアクシス抽出部と、
関心臓器3次元メディアルアクシスモデル構築部と、及び、
関心臓器3次元メディアルアクシスモデル基準セグメンテーション部と
を備え、
前記関心臓器候補領域セグメンテーション部は、入力された、縦隔内血管候補領域を含む通常線量/低線量のCT画像データセットからなる学習データセットについて、縦隔内血管候補領域のセグメンテーションを行い、更に、入力された、縦隔内血管候補領域を含む通常線量/低線量のCT画像データセットからなるテストデータセットについて、縦隔内血管候補領域のセグメンテーションを行い、
前記関心臓器候補領域3次元メディアルアクシス抽出部は、縦隔内血管候補領域のセグメンテーションが行われた学習データセットについて楕円柱形状の縦隔内の3次元メディアルアクシスを抽出し、更に、縦隔内血管候補領域のセグメンテーションが行われたテストデータセットについて楕円柱形状の縦隔内血管の3次元メディアルアクシスを抽出し、
前記関心臓器3次元メディアルアクシスモデル構築部は、学習データセットにおける、抽出された楕円柱形状の縦隔内血管の3次元メディアルアクシスのデータに基づいて、大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスモデルを構築し、
前記関心臓器3次元メディアルアクシスモデル基準セグメンテーション部は、構築された大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスモデルを照合させて、縦隔内血管候補領域のセグメンテーションが行われたテストデータセットから抽出された楕円柱形状の縦隔内血管の3次元メディアルアクシスを選択してセグメンテーションを行う、
関心臓器画像自動セグメンテーション装置。 - 前記関心臓器候補領域セグメンテーション部は、CT画像の濃度情報及び/又は形状情報に基づいて縦隔内血管候補領域のセグメンテーションを行い、
前記関心臓器候補領域3次元メディアルアクシス抽出部は、(1)セグメンテーションが行われた縦隔内血管候補領域を距離変換し、(2)4次元超曲面率を用いて距離値画像で稜となる領域を抽出し、これを3次元メディアルアクシスとし、更に、(3)4次元超曲面曲率を用いて円柱形状らしさを算出して、円柱形状領域の3次元メディアルアクシスを抽出し、
前記関心臓器3次元メディアルアクシスモデル構築部は、(1)学習データセットに基づいて抽出された楕円柱形状の縦隔内血管の3次元メディアルアクシスのデータから、1例を外部操作により基準例に選択し、他の例はその基準例に空間正規化し、(2)大動脈・肺動脈幹・主肺動脈の(a)平均形状、及び、(b)学習データセットに基づいて抽出された大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスのデータにおける、高頻度の形状を、算出し、
更に、大動脈・肺動脈幹・主肺動脈の(a)平均形状、及び(b)高頻度の形状の組み合わせで表現される大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスモデルを出力し、
前記関心臓器3次元メディアルアクシスモデル基準セグメンテーション部は、(1)3次元メディアルアクシスモデルを変形しながら、前記関心臓器候補領域3次元メディアルアクシス抽出部にてテストデータセットから抽出された3次元メディアルアクシスに照合し、3次元メディアルアクシスモデルそのものを最適化し、(2)一致度を算出し、(3)一致度の高い3次元メディアルアクシスを大動脈・肺動脈幹・主肺動脈の3次元メディアルアクシスとして選択し、(4)補間処理を用いて、選択された3次元メディアルアクシスの欠落部を補間し、(5)前記関心臓器候補領域3次元メディアルアクシス抽出部にて求めた距離値で各画素を膨張することで大動脈・肺動脈幹・主肺動脈の領域を復元する、
請求項5に記載の関心臓器画像自動セグメンテーション装置。 - 前記制御部は、更に、
関心臓器画像評価部を備え、
前記関心臓器画像評価部は、セグメンテーションされた大動脈・肺動脈幹・主肺動脈の3次元領域データにより大動脈、肺動脈幹、及び、主肺動脈の直径を3次元計測する、
請求項6に記載の関心臓器画像自動セグメンテーション装置。 - 前記関心臓器画像評価部は、慢性血栓塞栓性肺高血圧症の診断のために、3次元計測された大動脈、肺動脈幹、及び、主肺動脈の直径データについて単変数・多変数ロジスティック回帰分析を行う、
請求項7に記載の関心臓器画像自動セグメンテーション装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018214635A JP2020080913A (ja) | 2018-11-15 | 2018-11-15 | 非造影ct画像からの3次元メディアルアクシスモデルに基づく関心臓器画像自動セグメンテーション装置、及び自動セグメンテーション方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018214635A JP2020080913A (ja) | 2018-11-15 | 2018-11-15 | 非造影ct画像からの3次元メディアルアクシスモデルに基づく関心臓器画像自動セグメンテーション装置、及び自動セグメンテーション方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020080913A true JP2020080913A (ja) | 2020-06-04 |
Family
ID=70904508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018214635A Pending JP2020080913A (ja) | 2018-11-15 | 2018-11-15 | 非造影ct画像からの3次元メディアルアクシスモデルに基づく関心臓器画像自動セグメンテーション装置、及び自動セグメンテーション方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020080913A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423832A (zh) * | 2022-11-04 | 2022-12-02 | 珠海横琴圣澳云智科技有限公司 | 肺动脉分割模型构建方法、肺动脉分割方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130245435A1 (en) * | 2012-03-15 | 2013-09-19 | Anja Schnaars | Generation of visual command data |
US20150235360A1 (en) * | 2014-02-18 | 2015-08-20 | Siemens Aktiengesellschaft | Sparse Appearance Learning-based Segmentation |
JP2016087433A (ja) * | 2014-10-31 | 2016-05-23 | 株式会社東芝 | 医用画像処理装置および医用画像処理方法 |
WO2018157191A1 (en) * | 2017-02-28 | 2018-09-07 | 4Dx Limited | Method of scanning and assessing lung and vascular health |
-
2018
- 2018-11-15 JP JP2018214635A patent/JP2020080913A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130245435A1 (en) * | 2012-03-15 | 2013-09-19 | Anja Schnaars | Generation of visual command data |
US20150235360A1 (en) * | 2014-02-18 | 2015-08-20 | Siemens Aktiengesellschaft | Sparse Appearance Learning-based Segmentation |
JP2016087433A (ja) * | 2014-10-31 | 2016-05-23 | 株式会社東芝 | 医用画像処理装置および医用画像処理方法 |
WO2018157191A1 (en) * | 2017-02-28 | 2018-09-07 | 4Dx Limited | Method of scanning and assessing lung and vascular health |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423832A (zh) * | 2022-11-04 | 2022-12-02 | 珠海横琴圣澳云智科技有限公司 | 肺动脉分割模型构建方法、肺动脉分割方法和装置 |
CN115423832B (zh) * | 2022-11-04 | 2023-03-03 | 珠海横琴圣澳云智科技有限公司 | 肺动脉分割模型构建方法、肺动脉分割方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6676655B2 (ja) | 二重エネルギーx線冠動脈カルシウムのグレード付け | |
Rebouças Filho et al. | Novel and powerful 3D adaptive crisp active contour method applied in the segmentation of CT lung images | |
EP2916738B1 (en) | Lung, lobe, and fissure imaging systems and methods | |
US9962086B2 (en) | Medical image data processing apparatus and method for determining the presence of an abnormality | |
US20200184647A1 (en) | Progressive and multi-path holistically nested networks for segmentation | |
US10685438B2 (en) | Automated measurement based on deep learning | |
JP6570145B2 (ja) | 画像を処理する方法、プログラム、代替的な投影を構築する方法および装置 | |
US20160117797A1 (en) | Image Processing Apparatus and Image Processing Method | |
Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
EP3424017B1 (en) | Automatic detection of an artifact in patient image data | |
US20210271914A1 (en) | Image processing apparatus, image processing method, and program | |
US11475568B2 (en) | Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus | |
Iwao et al. | Integrated lung field segmentation of injured region with anatomical structure analysis by failure–recovery algorithm from chest CT images | |
WO2022086910A1 (en) | Anatomically-informed deep learning on contrast-enhanced cardiac mri | |
Wei et al. | A hybrid approach to segmentation of diseased lung lobes | |
CN116452579B (zh) | 一种基于胸片图像的肺动脉高压智能评估方法和*** | |
Williams et al. | Interactive segmentation via deep learning and b-spline explicit active surfaces | |
JP2014023640A (ja) | 画像処理装置及びプログラム | |
Elkhill et al. | Geometric learning and statistical modeling for surgical outcomes evaluation in craniosynostosis using 3D photogrammetry | |
Wei et al. | Automatic recognition of major fissures in human lungs | |
JP2020080913A (ja) | 非造影ct画像からの3次元メディアルアクシスモデルに基づく関心臓器画像自動セグメンテーション装置、及び自動セグメンテーション方法 | |
US20230222668A1 (en) | Image processing apparatus, image processing method, and recording medium | |
CN109671131B (zh) | 影像校正方法、装置、医疗影像设备及存储介质 | |
Dandıl et al. | A Mask R-CNN based Approach for Automatic Lung Segmentation in Computed Tomography Scans | |
JP2015136480A (ja) | 3次元医用画像表示制御装置およびその作動方法並びに3次元医用画像表示制御プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210414 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220316 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220426 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220624 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221025 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230418 |