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 PDF

Info

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
Application number
JP2018214635A
Other languages
English (en)
Inventor
登 仁木
Noboru Niki
登 仁木
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MEDICAL ENGINEERING INST Inc
MEDICAL ENGINEERING INSTITUTE Inc
Original Assignee
MEDICAL ENGINEERING INST Inc
MEDICAL ENGINEERING INSTITUTE Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by MEDICAL ENGINEERING INST Inc, MEDICAL ENGINEERING INSTITUTE Inc filed Critical MEDICAL ENGINEERING INST Inc
Priority to JP2018214635A priority Critical patent/JP2020080913A/ja
Publication of JP2020080913A publication Critical patent/JP2020080913A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

【課題】非造影ＣＴ画像に対して、関心臓器のセグメンテーションを自動的に且つ正確に実施する関心臓器画像自動セグメンテーション装置及び関心臓器画像自動セグメンテーション方法を提供する。【解決手段】関心臓器画像自動セグメンテーション装置は、制御部を含み、制御部は、 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る。【選択図】図１

Description

本発明は、非造影ＣＴ画像からの３次元メディアルアクシスモデル（３ＤＭＡ：３−Ｄｉｍｅｎｓｉｏｎａｌ Ｍｅｄｉａｌ Ａｘｉｓ Ｍｏｄｅｌ）に基づく関心臓器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に関する。
臓器に関する画像において、個々の関心臓器のセグメンテーションを自動化する方法及び装置が求められている。これらの方法及び装置として、現在、造影ＣＴ（Ｃｏｍｐｕｔｅｒ Ｔｏｍｏｇｒａｐｈｙ、以下、同じ）画像を利用するもの、非造影ＣＴ画像を利用するもの、及び、ＭＲ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ）画像を利用するものなどが提案されている。
これらの方法及び装置のうち、造影ＣＴ画像を用いるものは、画像において濃度差が出やすく、そのため自動的なセグメンテーションが比較的容易である。しかし、造影剤にアレルギーを有する患者に対しては、造影ＣＴ画像を利用する方法及び装置を用いることはできない。造影剤投与により副作用が発症してしまうからである。
これに対して、非造影ＣＴ画像を利用する方法及び装置は、例えば、胸部疾患の早期診断等に利用されており、患者に比較的負担を掛けずに容易に断層像が得られるものである。しかしながら、造影ＣＴ画像を利用するものやＭＲ画像を利用するものに比べて組織間コントラストがやや劣り、臓器の輪郭が不明確になりやすい。例えば、大動脈・肺動脈幹・主肺動脈の非造影ＣＴ画像では、血管の内腔と壁の濃度差が出ず、血管の接触が不明確である。
特開２０１８−０４０７９０号公報 特開２０１６−０４１２４５号公報
本発明は、非造影ＣＴ画像に対して、関心臓器のセグメンテーションを自動的に且つ正確に実施する関心臓器画像自動セグメンテーション装置、及び関心臓器画像自動セグメンテーション方法を提供することを目的とする。
本発明は、上述の課題を解決するために為されたものである。本発明に係る関心臓器画像自動セグメンテーション装置は、
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。
本発明を利用することにより、非造影ＣＴ画像において、関心臓器のセグメンテーションを自動的に且つ正確に実施することができる。更に、本発明に係る関心臓器画像自動セグメンテーション装置を利用することにより、セグメンテーションで得られるデータ、例えば、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を、特定の疾病の診断、例えば、慢性血栓塞栓性肺高血圧症の診断に繋げることができる。
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の動作を示すフロー図である。 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の動作を示すフロー図である。 図４は、縦隔領域のＣＴ値ヒストグラムである。 図５は、３次元メディアルアクシスの抽出のための円柱状の関心領域（ＣＲＯＩ）を示す図である。 図６は、最適化した３次元メディアルアクシスモデルの例とその方向を示す図である。 図７は、血管直径の計測例を示す図である。 図８は、ＣＴ画像における大動脈・肺動脈幹・主肺動脈の抽出結果の例である。 図９は、血管直径を用いた慢性血栓塞栓性肺高血圧症（ＣＴＥＰＨ）の診断性能のＲＯＣ解析結果である。 図１０は、非造影ＣＴ画像における縦隔内血管接触の例を示す図である。
以下、適宜図面を参照しながら、実施の形態を詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になることを避け、当業者の理解を容易にするためである。
なお、発明者らは、当業者が本開示を十分に理解するために添付図面および以下の説明を提供するのであって、これらによって特許請求の範囲に記載の主題を限定することを意図するものではない。
［本開示に至る経緯］
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。
しかしながら、造影ＣＴ画像撮像装置により撮像されるＣＴ画像は、組織間コントラストがやや劣る。図１０は、非造影ＣＴ画像における縦隔内血管接触の例であり、（Ａ）は原画像を（Ｂ）は拡大像を、夫々示している。特に（Ｂ）の拡大像には、大動脈及び肺動脈幹・主肺動脈が示されているが、（Ｂ）の拡大像において血管の内腔と壁の濃度差は無く、血管の接触における輪郭は不鮮明である。そのため、非造影ＣＴ画像からの大動脈・肺動脈幹・主肺動脈の自動セグメンテーションは困難である、という問題が従来指摘されている。
以上のような問題点を解決するべく、本願の発明者は、３次元メディアルアクシスモデル（ｍｅｄｉａｌ ａｘｉｓ ｍｏｄｅｌ）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の考案に到った。本開示の自動セグメンテーション方法は、（Ａ）モデル構築工程と（Ｂ）モデル照合工程とからなる。モデル照合工程では、入力画像から抽出した３次元メディアルアクシスに対して、モデル構築工程で構築された３次元メディアルアクシスモデルを照合することで、関心臓器の３次元メディアルアクシスを選択する。このように、本開示の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は、非造影ＣＴ画像における関心臓器のセグメンテーションを自動的且つ正確に行うことができる。
［第１の実施形態］
図１及び図２を参照して第１の実施形態を説明する。
［１．１．関心臓器画像自動セグメンテーションシステムの構成］
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。
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。非造影ＣＴ画像データセットは、様々な非造影ＣＴ画像データにより構成される。
関心臓器画像自動セグメンテーション装置４は、パーソナルコンピュータ、ワークステーション、タブレット端末などの情報処理装置により構成される。外部記憶装置２６と関心臓器画像自動セグメンテーション装置４とは、有線又は無線回線により接続され、両者は適宜データを遣り取りする。
関心臓器画像自動セグメンテーション装置４は、入出力インタフェース部１２、入力部８、記憶部１０、出力部１４、及び、制御部６により構成され、これらは夫々適切なバスにより相互に接続されている。
入出力インタフェース部１２は、外部記憶装置２６、入力部８、若しくは出力部１４等とのインタフェース部として動作する部位である。入力部８は、関心臓器画像自動セグメンテーション装置４に対する入力データを生成する若しくは受け取る部位であり、キーボード、マウス、若しくはタッチパネル等で構成される。入力部８は、音声入力や音声認識によるものであってもよい。
記憶部１０は、制御部６で稼働するプログラムや関心臓器画像自動セグメンテーションに必要なパラメータデータ等が一時的に又は恒久的に格納されている。記憶部１０は、例えばフラッシュメモリで構成される。出力部１４は、制御部６による処理結果等を出力（表示）する部位であり、液晶ディスプレイ、有機ＥＬディスプレイ、プラズマディスプレイ等により構成される。出力部１４は補助的にスピーカ等の聴覚用デバイスを含んでもよい。入力部８と出力部１４とは別体で構成されてもよいし、一体的に構成されてもよい。
制御部６は、例えばＣＰＵやＭＰＵで構成され、関心臓器画像自動セグメンテーション装置４全体の動作を制御する。制御部６における演算処理や装置全体の制御処理は、ハードウエア資源であるプロセッサと、記憶部１０に記録される、又は、有線若しくは無線回線を介して外部から取り込まれる、ソフトウエアであるプログラムとの協働により実現される。具体的には、制御部６は、上述のソフトウエアであるプログラムを実行することによって、関心臓器候補領域セグメンテーション部１６、関心臓器候補領域３次元メディアルアクシス抽出部１８、関心臓器３次元メディアルアクシスモデル構築部２０、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、及び、関心臓器画像評価部２４などの各種の機能を実現する。制御部６は、専用に設計された電子回路や再構成可能な電子回路などのハードウエア回路（ＡＳＩＣ、ＦＰＧＡ等）で実現されてもよい。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装置４の特徴的動作は、制御部６における演算処理及び制御処理により実現される。
［１．２．関心臓器画像自動セグメンテーションシステムの動作］
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。
（Ａ）モデル構築工程（ステップＡ０２〜Ａ１０）及び（Ｂ）モデル照合工程（ステップＢ０２〜Ｂ１２）を説明する。
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。
次に、入力された学習データセットについて、関心臓器候補領域セグメンテーション部１６（図１参照）は関心臓器候補領域のセグメンテーションを行う（（Ａ）モデル構築工程：ステップＡ０４）。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、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。
次に、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３次元メディアルアクシス抽出部１８（図１参照）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（（Ａ）モデル構築工程：ステップＡ０６）。このステップでは、（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、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。
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。
次に、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３次元メディアルアクシスモデル構築部２０（図１参照）は関心臓器の３次元メディアルアクシスモデルを構築する（（Ａ）モデル構築工程：ステップＡ０８）。このステップでは、以下の（１）（２）の処理が行われる。
（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。
次に、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、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（（Ａ）モデル構築工程：ステップＡ１０）。３次元メディアルアクシスモデルは、関心臓器候補領域の（ａ）平均形状、及び（ｂ）高頻度の形状（例：主成分）の組み合わせ（例：線形結合）で表現される。
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（図１参照）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に基づいて（即ち、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）、（Ｂ）モデル照合工程・ステップＢ０６で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。このステップでは、以下の（１）〜（６）の処理が行われる。
（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。
以上により、（Ａ）モデル構築工程及び（Ｂ）モデル照合工程が終了する。なお、後で説明するように、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（図１参照）は、セグメンテーションされた関心臓器の画像についての評価や演算を行う。例えば、後で説明するように、関心臓器が大動脈・肺動脈幹・主肺動脈である場合、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・主肺動脈のデータにより直径を３次元計測する。
［１．３．関心臓器画像自動セグメンテーションシステムのまとめ］
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。
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を利用することにより、非造影ＣＴ画像に対して、関心臓器のセグメンテーションを自動的に且つ正確に実施することができる。
［実施例１］
［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。
図３のフロー図、及び図４〜図１０を参照して、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の詳細動作を説明する。
図３に概略示すように、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施する。
（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。
即ち、（Ａ）モデル構築工程では、縦隔血管領域の３次元ユークリッド距離変換画像から算出する線らしさとメディアルアクシスの方向類似度を用いて血管内候補領域の３次元メディアルアクシスを抽出する（ステップＡ２６）。学習データセットの３次元メディアルアクシスの中から大動脈・肺動脈幹・主肺動脈の３次元メディアルアクシスを選択し、Ｂ−ｓｐｌｉｎｅ補間処理した後に平均形状および主成分を求めて、これらを３次元メディアルアクシスモデルとする（ステップＡ２８、ステップＡ３０）。（Ｂ）モデル照合工程では、入力画像（テストデータセット）から抽出した３次元メディアルアクシス（ステップＢ２６）に対して、３次元メディアルアクシスモデル（ステップＡ２８、ステップＡ３０）を照合することで、大動脈・肺動脈幹・主肺動脈の３次元メディアルアクシスを選択する。これを補間処理（例えば、Ｂ−ｓｐｌｉｎｅ補間処理）した後に３次元ユークリッド距離値に基づいて大動脈・肺動脈幹・主肺動脈の領域を復元する（ステップＢ３２）。復元された３次元血管領域から上行大動脈・肺動脈幹・右主肺動脈・左主肺動脈の直径を計測する（ステップ３４）。
以下にて、更に詳細動作を説明する。
［２．１．１．学習データセットの入力（Ａ２２）、及び、テストデータセットの入力（Ｂ２２）］
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）。
実施例１における実証作業では、発明者らは、２つの医療施設から３種類のＣＴ画像データセットを収集した。これらは医療施設の倫理審査委員会の承認を得て収集した。
東京都予防医学協会で実施された低線量ＣＴ検診において撮影されたＣＴ画像のうち、１２１例をデータセットＡ、６４例をデータセットＢとした。これらの受診者はＣＴ検診で異常なしと診断された。データセットＡとデータセットＢのＣＴ画像は、株式会社東芝製Aquilion（登録商標）で撮影された。撮影条件は、管電流30mA、管電圧120kVp、画素サイズ0.625または0.781mm、画像サイズ512×512pixel、再構成関数FC01、スライス厚1.0mm、再構成間隔1.0mmである。受診者の年齢の平均値および標準偏差は62.3±10.0歳、68.0±10.8歳である。データセットＢの一秒率は正常値であり、その平均値および標準偏差は84.0±3.8であった。
データセットＣは、千葉大学病院で侵襲的な右心カテーテル検査によって慢性血栓塞栓性肺高血圧症と診断された１９例である。データセットＣのＣＴ画像は株式会社東芝製Aquilion（登録商標）で撮影された。撮影条件は管電流112-295mA、管電圧120kVp、画素サイズ0.570-0.698mm、画像サイズ512×512pixel、再構成関数FC07、スライス厚0.5mm、再構成間隔0.5mmである。患者の年齢の平均値および標準偏差は64.6±6.9歳であり、平均肺動脈は44.1±8.3mmHgである。
これらに加えて、公開ＣＴ画像データベースＬＩＤＣの中から１０例を選択し、これをデータセットＤとした。
全てのデータセットに対して３次元線形補間処理を適用した。学習データセットにデータセットＡを用い、テストデータセットにデータセットＢ、Ｃ、Ｄを用いた。
なお、当初のデータセットに対する、正解領域のマーキング操作、並びに、大動脈および肺動脈幹の直径の計測が、以下のように行われた。大動脈・肺動脈幹・主肺動脈の正解領域は、観察者１名によって手動操作でマーキングされた。観察者は１０スライスごとに正解領域をマーキングした。ＣＴ画像閲覧時のウインドウ幅とウインドウ中心をそれぞれ300HUと50HUに設定した。観察者はデータセットＡの中から３０例を選択し、マーキング操作を２回実施した。２回の間隔は２週間とした。２回のマーキング結果に50% consensus criterionを適用し、これを正解領域とした。データセットＢ、Ｃ、Ｄに対しては、正解領域のマーキング操作を１回実施した。マーキングしたスライス枚数の平均値および標準偏差は、大動脈で15.1±2.2枚、肺動脈幹・主肺動脈で6.2±1.4 枚であった。
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)。
［２．１．２．縦隔内血管候補領域のセグメンテーション（Ａ２４、Ｂ２４）］
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）。
実施例１においては、前処理として、バイラテラルフィルタ処理(σｃ＝1.0, σγ＝30 HU)と胸部臓器の自動セグメンテーション法を適用する。体、骨、肺、気管・気管支の領域はＣＴ値と解剖学的特徴に基づいてセグメンテーションされる。縦隔領域は体領域の中から胸郭の骨格構造に基づいてセグメンテーションされる。
なお、縦隔内血管の候補領域はＣＴ値に基づいてセグメンテーションされる。図４に示すように縦隔領域のＣＴ値ヒストグラムは双峰性の分布となっている。このＣＴ値ヒストグラムは混合ガウスモデルに基づく分類法を用いてＮｍクラスに分類される。頻度の最大値を有する分布を縦隔内血管の候補領域のＣＴ値分布とする。縦隔内血管の候補領域はＣＴ値のしきい値処理によってセグメンテーションする。このしきい値Ｔｖは［数１］によって与えられる。
ｎｓは定数、ＩμとＩσは縦隔内血管の候補領域の平均ＣＴ値および標準偏差である。
［２．１．３．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（Ａ２６、Ｂ２６）］
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）。
実施例１においては、線らしさとメディアルアクシスの方向類似度とに基づいて楕円柱状の縦隔内血管領域における３次元メディアルアクシスを抽出する。これらの指標は、縦隔内血管の候補領域の３次元ユークリッド距離変換画像から４次元超曲面の主曲率を算出して求める。３次元メディアルアクシス類似度Ｓａｘｉｓは［数２］によって算出する。
ここで、ｉ＝（ｘ，ｙ，ｚ）は３次元画像の画素を示し、Ｓｌｉｎｅ（ｉ）は線らしさ、Ｓｄｉｒ（ｉ）は３次元メディアルアクシスの方向類似度、
は主曲率のノルム、Ｔｋはノルムの小さい領域を除去するためのしきい値、である。
図５は、３次元メディアルアクシス３２の抽出のための円柱状の関心領域（ＣＲＯＩ）３４を示す図である。ＤＣＲＯＩは直径、ＬＣＲＯＩは長さ、ＰＣＲＯＩは長軸方向である。図５に示すように、各画素における線らしさと３次元メディアルアクシスの方向類似度とは、円柱状の関心領域(ＣＲＯＩ)の中で算出する。関心領域の長軸方向ＰＣＲＯＩはＣＲＯＩの中心画素における最小主曲率の方向に設定する。ＣＲＯＩの長さＬＣＲＯＩはＣＲＯＩの中心画素の３次元ユークリッド距離の１／４に設定する。線らしさＳｌｉｎｅ（ｉ）は［数３］によって算出する。
ここで、ｊ＝（ｘ，ｙ，ｚ）はＣＲＯＩの画素を示し、ＲＣＲＯＩはＣＲＯＩの画素群、ＮＣＲＯＩはＣＲＯＩの画素数、ｋ（ｊ）は主曲率ベクトルである。更に、ｋｌｉｎｅは典型的な線形状の主曲率ベクトルであり、
で定義する。３次元メディアルアクシスの方向類似度Ｓｄｉｒ（ｉ）は［数４］によって算出する。
ここで、Ｐ（ｊ）は最小主曲率の方向を示す。上述のように、ＰＣＲＯＩ（ｉ）は関心領域の長軸方向であり、ＣＲＯＩの中心画素における最小主曲率の方向に設定される。
縦隔内血管の候補領域３０の中で、３次元メディアルアクシス類似度Ｓａｘｉｓがしきい値Ｔａｘｉｓを超える画素を、３次元メディアルアクシス３２として採用する。
［２．１．４．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、及び出力（Ａ２８、Ａ３０）］
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）。
実施例１においては、大動脈・肺動脈幹・主肺動脈の３次元メディアルアクシスが、観察者（若しくは操作者）による外部操作によって、楕円柱形状の縦隔内血管の３次元メディアルアクシスの中から、手動操作で選択される。その後３次元メディアルアクシスの途切れた領域はＢ−ｓｐｌｉｎｅ補間処理によって接続する。
即ち、学習データセットに基づくデータの中から、（観察者若しくは操作者等の外部操作によって）基準とする１例が選択される。その他の例、即ち、学習データセットに基づくその他のデータは、空間正規化して基準例のサイズおよび座標に一致される。ここで空間正規化は、拡大縮小処理と平行移動処理とからなる。拡大縮小処理の一致指標として肺領域を包含する矩形を用いる。平行移動処理の一致指標として気管分岐部の座標を用いる。空間正規化された３次元メディアルアクシスは１／４に縮小し、ガウシアンフィルタを適用する。
多様な血管形状に対するロバスト性を高めるために、３次元メディアルアクシスモデルＺ（ｗ）を構築する。これは以下の［数５］のように平均ベクトルと主成分の線形結合で表現される。
ここで、Ｚμは平均ベクトル、ｎは主成分数、Ｚｎは主成分、σｎは主成分の標準偏差、ｗｎは主成分に対する重み係数である。平均ベクトルは、学習データセットの３次元メディアルアクシスの平均値であり、これは大動脈・肺動脈幹・主肺動脈の事前確率を表す。
主成分は、主成分分析によって得られる。重み係数ｗ＝（ｗ１，ｗ２，・・・ｗｎ）は、（Ｂ）モデル照合工程において（特に、次のステップＢ３２において）最適化される。主成分数は累積寄与率によって決定されるが、そのしきい値として0.8を採用した。大動脈の３次元メディアルアクシスモデルとして第１主成分から第５主成分を採用した。肺動脈幹・主肺動脈の３次元メディアルアクシスモデルとして第１主成分と第２主成分を採用した。累積寄与率のしきい値をどのような値にするか、及び、どの主成分まで採用するか、は適宜決定され得る。
［２．１．５．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セグメンテーション（Ｂ３２）］
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。
実施例１においては、大動脈をセグメンテーションした後に、肺動脈幹・主肺動脈をセグメンテーションする。このための大動脈・肺動脈幹・主肺動脈の３次元メディアルアクシスは３次元メディアルアクシスモデルの照合によって選択する。
入力画像に最適なモデルＺ（ｗ）は、重み係数ｗ＝（ｗ１，ｗ２，・・・ｗｎ）を変動することで得る。このためのコスト関数ｆは［数６］を用いる。
ここで、Ｒａｘｉｓは３次元メディアルアクシスの画素群であり、Ｃｚ（ｗ，ｉ）は［数７］から求める。
ここで、Ｚ（ｗ，ｉ）は重み係数ｗを与えたときの３次元メディアルアクシスモデルにおける事前確率値である。Ｐ（ｉ）は入力画像の３次元メディアルアクシスの方向であり、これは最小主曲率の方向を用いる。ＰＺ（ｗ）（ｉ）は３次元メディアルアクシスモデルＺ（ｗ）の方向である。これは３次元メディアルアクシスモデルの４次元超曲面曲率を算出し、最小主曲率の方向を用いる（図６参照）。
図６は、最適化した３次元メディアルアクシスモデル（の例）とその方向を示す図である。図６（Ａ）は、大動脈の３次元メディアルアクシスモデルの最大値投影を示し、図６（Ｂ）は、その方向の最大角度投影を示す。図６（Ｃ）は、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最大値投影を示し、図６（Ｄ）は、その方向の最小角度投影を示す。角度投影像（（Ｂ）（Ｄ））のハッチング濃度は、水平軸との角度を表す。淡から濃にかけて角度が大きいことを表す。
コスト関数の局所最適解はＱｕａｓｉ−Ｎｅｗｔｏｎ ｍｅｔｈｏｄによって決定する。最適化された３次元メディアルアクシスモデルを入力画像に照合し、ＣＺがしきい値ＴＣを超える画素を大動脈・肺動脈幹・主肺動脈の３次元メディアルアクシスとして抽出する。
断続した３次元メディアルアクシスは、補間処理（例えば、Ｂ−ｓｐｌｉｎｅ補間処理）によって接続される。補間の線の太さは３画素とし、これを３次元メディアルアクシスに加える。この３次元メディアルアクシスから大動脈・肺動脈幹・主肺動脈の３次元領域を復元する。復元は３次元メディアルアクシスの抽出時に算出した３次元ユークリッド距離を利用した膨張処理によって行う。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（例えば拡張ラグランジュ乗数法）を利用した楕円柱モデルフィッティングによって行う。
［２．１．６．大動脈・肺動脈幹・主肺動脈の直径の３次元計測（Ｂ３４）］
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。
実施例１においては、上行大動脈、肺動脈幹、右主肺動脈、及び左主肺動脈の直径は、セグメンテーションされた３次元領域から自動計測される。計測位置は３次元ユークリッド距離に基づく細線化処理によって得られる血管芯線に沿って決定する。肺動脈の芯線は解剖学的情報に基づいて肺動脈幹・右主肺動脈・左主肺動脈に分類する。長さＬｍの計測範囲を芯線に設定する。上行大動脈の計測範囲は肺動脈の分岐部と同じ画像を開始点とし、大動脈弓の方向へ長さＬｍの位置を終了点とする（図７参照）。
図７は、血管直径の計測例を示す図である。図７（Ａ）は、血管直径の計測のための芯線を示している。図７（Ａ）において、交差線の部分は大動脈の芯線、右上がり斜線の部分は肺動脈幹の芯線、左上がり斜線の線は右肺動脈の芯線、濃い点々の部分は左肺動脈の芯線、白色は気道領域、及び、淡い点々の部分は直径の計測範囲である。図７（Ｂ）は、 計測対象の領域を示している。交差線の部分は大動脈、右上がり斜線の部分は肺動脈幹・主肺動脈、白色は気道、及び、点々の部分は計測対象の領域である。
図７を参照して、肺動脈幹の計測範囲は肺動脈分岐部を開始点とする。右主肺動脈・左主肺動脈の計測範囲は、肺動脈分岐部から５ｍｍ先を開始点とする。開始点と終了点に芯線に垂直な面を設定し、これらの面で区切られた３次元血管領域を計測対象とする。この領域の体積ｖから算出する以下の［数７ａ］の値を直径とする。
［２．１．７．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評価］
［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。
［２．１．７．２．セグメンテーションの性能評価］
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。
図８は、ＣＴ画像における大動脈・肺動脈幹・主肺動脈の抽出結果の例である。図８（Ａ）（Ｂ）は、データセットＢの１例の原画像とセグメンテーション結果とを示す。図８（Ｃ）（Ｄ）は、データセットＣの１例の原画像とセグメンテーション結果とを示す。右上がり斜線の部分は大動脈を、左上がり斜線の部分は肺動脈幹・主肺動脈を表している。
セグメンテーション方法の性能は３種類の指標、即ち、Jaccard coefficient Ｊ（Jaccard係数）、Dice coefficient Ｄ（Dice係数）、mean boundary distance ＭＢＤによって評価した。Jaccard係数およびDice係数は0.0から1.0の値をとり、1.0は２つの領域が一致していることを表す。ＭＢＤは２つの領域の輪郭線間の距離であり、0は2つの領域の輪郭線が一致していることを表す。Jaccard係数、Dice係数、及びＭＢＤは、以下の［数８］、［数９］、［数１０］で表される。
ここで、ここで、|・|はcardinality（濃度）、∩はintersection（積）、∪はunion（和）、Ｓａは実施例１におけるセグメンテーション方法によって自動セグメンテーションされた領域、Ｓｍは観察者によって手動操作でマーキングされた正解領域、Ｎｂは正解領域の輪郭線の画素数、ｍｉ＝（ｍｘｉ,ｍｙｉ,ｍｚｉ）は正解領域の輪郭線の画素群、ａｊ＝（ａｘｊ,ａｙｊ,ａｚｊ）は本手法によって自動セグメンテーションされた領域の輪郭線の画素群である。
学習データセット（データセットＡ：１２１例）の中から３０例を選択し、これを評価に用いた。変数Ｎｍとｎｓを2.0と2.5に設定したときに最高性能を示した。大動脈のセグメンテーションにおける Jaccard係数、Dice係数、ＭＢＤの平均値及び標準偏差は、0.930±0.013、0.964±0.007、0.405±0.108であった。肺動脈幹・主肺動脈のセグメンテーションにおけるJaccard係数、Dice係数、ＭＢＤの平均値および標準偏差は0.905±0.020、0.950±0.011、0.586±0.156であった。テストデータセット（データセットＢ、Ｃ、Ｄ）を用いた性能評価結果を以下の［表１］と［表２］に示す。表１は、大動脈のセグメンテーションの性能評価結果であり、表２は、肺動脈幹・主肺動脈のセグメンテーションの性能評価結果である。周知の従来手法に比べて高い性能を示している。データセットＢ、Ｃ、Ｄを用いた場合の性能に差はなく（p-values > 0.05）、実施例１におけるセグメンテーション方法が患者群や撮影条件にロバストであることが示された。
［２．１．７．３．直径の計測結果］
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。
［２．１．７．４．血管直径の単変数・多変数ロジスティック回帰分析結果］
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。
上記に示すように、表３は、大動脈・肺動脈幹・右主肺動脈・左主肺動脈の径のロジスティック回帰分析結果を示す。
また、図９に、ＲＯＣ曲線(Receiver Operating Characteristic curve；受信者動作特性曲線)を示す。図９は、血管直径を用いた慢性血栓塞栓性肺高血圧症（ＣＴＥＰＨ）の診断性能のＲＯＣ解析結果である。なお、「手動２Ｄ測定結果」は、肺動脈の直径の計測法としての２次元断面から手動操作で計測される手法による、測定結果である。単変数ロジスティック回帰分析の結果、肺動脈幹・右主肺動脈・左主肺動脈の直径が慢性血栓塞栓性肺高血圧症（ＣＴＥＰＨ）の診断に有用であることを示した（表３参照）。これらの中で、図９から明らかなように、肺動脈幹の直径が最も高い診断性能を示している（ＡＵＣは0.963である。）。多変数ロジスティック回帰分析の結果、肺動脈幹の直径が慢性血栓塞栓性肺高血圧症（ＣＴＥＰＨ）の診断に最も有用であることを示した（表３参照）。なお、臨床現場で利用されている手動操作の肺動脈幹の直径の計測法を実施した場合のＡＵＣは0.928であった（図９「手動２Ｄ測定結果」参照）。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に基づく直径計測法は、手動操作の直径計測法よりも高い性能を示した。
２・・・関心臓器画像自動セグメンテーションシステム、４・・・関心臓器画像自動セグメンテーション装置、６・・・制御部、８・・・入力部、１０・・・記憶部、１２・・・入出力インタフェース部、１４・・・出力部、１６・・・関心臓器候補領域セグメンテーション部、１８・・・関心臓器候補領域３次元メディアルアクシス抽出部、２０・・・関心臓器３次元メディアルアクシスモデル構築部、２２・・・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、２４・・・関心臓器画像評価部、２６・・・外部記憶装置。

Claims (8)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
  8. 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。
JP2018214635A 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 Pending JP2020080913A (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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