JP4025823B2 - Diagnosis support method and apparatus for brain disease - Google Patents
Diagnosis support method and apparatus for brain disease Download PDFInfo
- Publication number
- JP4025823B2 JP4025823B2 JP2004047640A JP2004047640A JP4025823B2 JP 4025823 B2 JP4025823 B2 JP 4025823B2 JP 2004047640 A JP2004047640 A JP 2004047640A JP 2004047640 A JP2004047640 A JP 2004047640A JP 4025823 B2 JP4025823 B2 JP 4025823B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- brain
- disease
- brain image
- roi
- 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.)
- Expired - Lifetime
Links
- 238000003745 diagnosis Methods 0.000 title claims description 55
- 208000014644 Brain disease Diseases 0.000 title claims description 16
- 238000000034 method Methods 0.000 title description 48
- 210000004556 brain Anatomy 0.000 claims description 118
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 72
- 201000010099 disease Diseases 0.000 claims description 70
- 238000012545 processing Methods 0.000 claims description 52
- 210000004884 grey matter Anatomy 0.000 claims description 42
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000002595 magnetic resonance imaging Methods 0.000 description 33
- 210000001519 tissue Anatomy 0.000 description 22
- 238000010586 diagram Methods 0.000 description 19
- 238000003706 image smoothing Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 230000009466 transformation Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 11
- 238000012937 correction Methods 0.000 description 11
- 208000024827 Alzheimer disease Diseases 0.000 description 10
- 238000000605 extraction Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 238000002603 single-photon emission computed tomography Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 5
- 210000004885 white matter Anatomy 0.000 description 5
- 206010003694 Atrophy Diseases 0.000 description 4
- 230000037444 atrophy Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 3
- 206010012289 Dementia Diseases 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 238000000692 Student's t-test Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012353 t test Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 101001074035 Homo sapiens Zinc finger protein GLI2 Proteins 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000001801 Z-test Methods 0.000 description 1
- 102100035558 Zinc finger protein GLI2 Human genes 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000012812 general test Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013425 morphometry Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Description
本発明は、脳疾患の診断支援方法及び装置に係り、特にＭＲＩ（Ｍagnetic Ｒesonance Ｉmaging）等により脳画像を入力し、画像処理することにより疾患別の診断支援を行なう際に適用して好適な脳疾患の診断支援方法及び装置に関する。 The present invention relates to a brain disease diagnosis support method and apparatus, and more particularly to a brain suitable for application to diagnosis support by disease by inputting a brain image by MRI (Magnetic Resonance Imaging) or the like and processing the image. The present invention relates to a disease diagnosis support method and apparatus.
高齢化社会の到来により、痴呆性疾患の患者が年々増加している。痴呆性疾患には様々な種類があり、診断においてはそれらを区別して、疾患に応じた適切な処置を施すことが必要である。 With the arrival of an aging society, the number of patients with dementia is increasing year by year. There are various types of dementia diseases, and in diagnosis, it is necessary to distinguish between them and perform appropriate treatment according to the disease.
一方、このような要請に応えるべく、近年、ＳＰＥＣＴ（Ｓingle Ｐhoton Ｅmission Ｃomputed Ｔomography）やＰＥＴ（Ｐositron Ｅmission Ｔomography）等の核医学検査や、ＣＴ（Ｃomputerized Ｔomography）やＭＲＩによって脳の状態に関する情報が取得可能になってきている。 On the other hand, in order to meet such demands, in recent years, information on the state of the brain can be acquired by nuclear medicine examinations such as SPECT (Single Photon Emission Computed Tomography) and PET (Positron Emission Tomography), CT (Computererized Tomography) and MRI. It is becoming.
その結果、脳の特定部位の血流が低下したり、組織が萎縮したりする現象が、疾患によって異なることが明らかになってきており、これらに対する定量的な評価方法が求められている。 As a result, it has been clarified that the phenomenon that blood flow in a specific part of the brain decreases or the tissue atrophy varies depending on the disease, and a quantitative evaluation method for these is required.
例えば、脳の局所的な部位の血流低下は、ＳＰＥＣＴやＰＥＴの画像によって比較することにより検定することができる。 For example, a decrease in blood flow in a local region of the brain can be tested by comparing with SPECT or PET images.
又、組織の萎縮に関しては、ＭＲＩ画像によって特定部位の容積を求め、その相対的な大きさを比較して異常の有無を判別できる。 As for tissue atrophy, the volume of a specific part can be obtained from an MRI image, and the relative size can be compared to determine the presence or absence of an abnormality.
このような脳画像を用いて異常の有無を判別する場合には、画像上に所定の大きさの関心領域（regions of interest：ＲＯＩ）を設定するＲＯＩ法が用いられている（例えば、非特許文献１参照）。これは、脳画像上において、特定の疾患に関係するとして注目されている特定部位に所定の大きさのＲＯＩを設定して比較を行なうものである。 When determining the presence or absence of abnormality using such a brain image, an ROI method is used in which a region of interest (ROI) of a predetermined size is set on the image (for example, non-patent) Reference 1). This is a comparison in which a ROI having a predetermined size is set in a specific region that is attracting attention as related to a specific disease on a brain image.
しかしながら、前記従来のＲＯＩ法は、人が画像上で対応する部位の輪郭を手動で描いてＲＯＩを設定していることから、その精度に視覚や経験の差による人為的な誤差が入り込むことになるため、客観的なデータに基づく診断支援ができないという問題があった。 However, since the conventional ROI method sets the ROI by manually drawing the outline of the corresponding part on the image, an artificial error due to a difference in vision or experience enters the accuracy. Therefore, there is a problem that diagnosis support based on objective data cannot be performed.
本発明は、前記従来の問題点を解決すべくなされたもので、入力した被検者の脳画像（データ）に対して、手動で描く等の手作業を介することなくＲＯＩを設定できるようにすることにより、客観的な診断結果を提示することができる脳疾患の診断支援方法及び装置を提供することを課題とする。 The present invention has been made to solve the above-described conventional problems, and can set an ROI on a brain image (data) of an input subject without manual operation such as manual drawing. It is an object of the present invention to provide a brain disease diagnosis support method and apparatus capable of presenting an objective diagnosis result.
本発明は、被検者の脳画像を入力し、画像処理して診断結果を出力することにより診断の支援を行なう脳疾患の診断支援装置であって、ある疾患に関する複数の疾患者の画像群と複数の非疾患者の画像群との２群間について、統計的有意差が認められる標準化脳画像上のボクセルの集合をＲＯＩとして決定し、保存する保存手段と、入力された被検者の脳画像と、予め作成されている健常者の脳画像との統計的比較を、標準化脳画像上において前記保存手段から読み出した診断対象の疾患についてのＲＯＩを適用して行い、比較結果を表すいくつかの指標となる値を算出する画像・統計処理手段と、前記統計的比較結果を診断支援情報として表示する結果表示手段と、を備えていると共に、前記統計的比較を、ボクセル毎にＺスコアを算出して行ない、Ｚスコアに基づいて該ボクセルが異常か否かを判定し、異常と判定されたボクセルのうち、前記診断対象の疾患についてのＲＯＩに属するボクセルを計数し、該ボクセル数を前記統計的比較結果に含めることにより、前記課題を解決したものである。 The present invention is a brain disease diagnosis support apparatus that supports diagnosis by inputting a brain image of a subject, performing image processing, and outputting a diagnosis result, and includes a group of images of a plurality of patients related to a certain disease and the two groups of images of a plurality of non-diseased person, the set of voxels on standardized brain image statistically significant difference is observed is determined as ROI, and storage means for storing, subjects entered and brain images, the statistical comparison of healthy subjects of the brain images being prepared in advance, have rows by applying the ROI for diagnosed disease read from said storage means on a standardized brain image, representing the comparison result Image / statistical processing means for calculating several index values, and result display means for displaying the statistical comparison result as diagnosis support information , and the statistical comparison is performed for each voxel. Calculate the score And determining whether or not the voxel is abnormal based on the Z score, counting voxels belonging to the ROI for the disease to be diagnosed among the voxels determined to be abnormal, and comparing the number of voxels with the statistical comparison By including it in the result, the above-mentioned problem is solved.
本発明は、又、被検者の脳画像を入力し、画像処理して診断結果を出力することにより診断の支援を行なう脳疾患の診断支援装置であって、ある疾患に関する複数の疾患者の画像群と複数の非疾患者の画像群との２群間について、統計的有意差が認められる標準化脳画像上のボクセルの集合をＲＯＩとして決定し、保存する保存手段と、入力された被検者の脳画像と、予め作成されている健常者の脳画像との統計的比較を、標準化脳画像上において前記保存手段から読み出した診断対象の疾患についてのＲＯＩを適用して行い、比較結果を表すいくつかの指標となる値を算出する画像・統計処理手段と、前記統計的比較結果を診断支援情報として表示する結果表示手段と、を備えていると共に、前記統計的比較を、ボクセル毎にＺスコアを算出して行ない、Ｚスコアに基づいて該ボクセルが異常か否かを判定し、異常と判定されたボクセルのうち、前記診断対象の疾患についてのＲＯＩに属するボクセルのＺスコアの平均を算出し、該平均値を前記統計的比較結果に含めることにより、同様に前記課題を解決したものである。 The present invention is also a brain disease diagnosis support apparatus for supporting diagnosis by inputting a brain image of a subject, processing the image, and outputting a diagnosis result . for the two groups of the image group of the images and a plurality of non-diseased person, the set of voxels on standardized brain image statistically significant difference is observed is determined as ROI, a storage means for holding exists, subjects entered Statistical comparison between the brain image of the person and the brain image of the healthy person prepared in advance is performed by applying the ROI for the disease to be diagnosed read from the storage means on the standardized brain image, and the comparison result Image / statistical processing means for calculating several index values to be expressed, and result display means for displaying the statistical comparison result as diagnosis support information, and the statistical comparison is performed for each voxel. Calculate Z score Determining whether or not the voxel is abnormal based on the Z score, among the voxels determined to be abnormal, calculating an average of the Z scores of the voxels belonging to the ROI for the disease to be diagnosed, By including the average value in the statistical comparison result, the problem is solved in the same manner.
本発明においては、前記統計的比較を、ボクセル毎にＺスコアを算出して行なうようにしてもよい。又、前記統計的比較を、脳全体に対して併せて行なうようにしてもよい。 In the present invention, the statistical comparison may be performed by calculating a Z score for each voxel. The statistical comparison may be performed on the entire brain.
又、その際に、前記統計的比較を、異常と判定されたボクセルの数を用いて行なうようにしてもよく、異常と判定されたボクセルのＺスコアの平均を用いて行なうようにしてもよい。 At that time, the statistical comparison may be performed using the number of voxels determined to be abnormal, or may be performed using the average of the Z scores of the voxels determined to be abnormal. .
又、本発明においては、前記脳画像が、ＭＲＩ脳画像であってもよい。この場合は、被検者のＭＲＩ脳画像を入力した後、該ＭＲＩ脳画像から灰白質組織を抽出して灰白質脳画像を作成し、該灰白質脳画像に解剖学的標準化を施した後、前記統計的比較を行なうようにしてもよく、又、被検者のＭＲＩ脳画像を入力した後、該ＭＲＩ脳画像に、解剖学的標準化を施し、該標準化後のＭＲＩ脳画像から灰白質組織を抽出して灰白質脳画像を作成した後、前記統計的比較を行なうようにしてもよい。 In the present invention, the brain image may be an MRI brain image. In this case, after inputting the MRI brain image of the subject, the gray matter tissue is extracted from the MRI brain image to create a gray matter brain image, and the gray matter brain image is subjected to anatomical standardization The statistical comparison may be performed, or after inputting the MRI brain image of the subject, anatomical standardization is performed on the MRI brain image, and the gray matter is obtained from the standardized MRI brain image. After the tissue is extracted and the gray matter brain image is created, the statistical comparison may be performed.
本発明は、又、前記の脳疾患の診断支援方法をコンピュータで実施するためのコンピュータ読取可能なプログラムとしたものである。 The present invention also provides a computer-readable program for executing the above-described brain disease diagnosis support method on a computer.
本発明は、又、前記の脳疾患の診断支援装置をコンピュータで実現するためのコンピュータ読取可能なプログラムとしたものである。 The present invention also provides a computer-readable program for realizing the above-mentioned brain disease diagnosis support apparatus by a computer.
本発明は、更に、上記いずれかのコンピュータ読取可能なプログラムが格納された記録媒体としたものである。 The present invention further provides a recording medium storing any one of the above computer-readable programs.
本発明によれば、入力した被検者の脳画像に対して、予め統計処理により作成してあるＲＯＩを設定し、ＲＯＩによる解析を適用できるようにしたことにより、手作業を介することなく、客観的な診断結果を提示することができるようになる。 According to the present invention, by setting the ROI created by statistical processing in advance for the input subject's brain image and enabling the analysis by ROI to be applied, without manual operation, Objective diagnosis results can be presented.
以下、図面を参照して、本発明の実施の形態について詳細に説明する。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
図１は、本発明に係る一実施形態である脳疾患の診断支援システム（装置）を示すブロック図である。 FIG. 1 is a block diagram showing a diagnosis support system (device) for brain disease, which is an embodiment according to the present invention.
本実施形態の診断支援システムは、ユーザインタフェース１０、画像・統計処理部２０及びデータベース部３０を備えている。ユーザインタフェース１０は入力画像としてＭＲＩ画像を入力する画像入力機能１２と、処理部２０で処理された結果を表示する結果表示機能１４とを有し、処理部２０はユーザインタフェース１０から入力されたＭＲＩ画像を処理する画像処理機能２２と、各種統計演算等を行なう統計処理機能２４とを有している。又、データベース部３０には、処理部２０による後述する処理に使用する標準脳画像テンプレート３２、灰白質脳画像テンプレート３４、健常者画像データベース３６及び疾患特異的ＲＯＩ３８等が保存されている。
The diagnosis support system of this embodiment includes a
本実施形態において、被検者のＭＲＩ脳画像を基に診断結果を出力して診断を支援するまでの基本的な処理手順を図２に示す。 In the present embodiment, a basic processing procedure from outputting a diagnosis result on the basis of a subject's MRI brain image to supporting diagnosis is shown in FIG.
詳細については後述するが、まず、予め所定の前処理を施した被検者のＭＲＩ脳画像（図では“脳”を省略）を入力し、該脳画像に対して空間的なズレを補正する位置合わせを行なう（ステップ１）。次いで、位置合わせ後の脳画像から、例えばアルツハイマー型痴呆性疾患の診断に必要な灰白質組織を抽出する（ステップ２）と共に、抽出後の脳画像に対する第１の画像平滑化（１）の処理を行なう（ステップ３）。 As will be described in detail later, first, an MRI brain image of a subject that has been subjected to predetermined pre-processing (in the figure, “brain” is omitted) is input, and spatial deviation is corrected with respect to the brain image. Alignment is performed (step 1). Next, for example, a gray matter tissue necessary for diagnosis of Alzheimer-type dementia disease is extracted from the post-alignment brain image (step 2), and the first image smoothing (1) processing is performed on the post-extraction brain image. (Step 3).
次いで、第１の平滑化脳画像に対して解剖学的標準化を行なう（ステップ４）と共に、該標準化された脳画像に対して第２の画像平滑化（２）を行なう。次いで、第２の平滑化画像に対して濃度値の補正を行ない（ステップ６）、補正後の脳画像と健常者のＭＲＩ脳画像との統計的比較を行ない（ステップ７）、更にＲＯＩによる解析を行ない（ステップ８）、解析結果を診断結果として出力し、診断の支援に供する。 Next, anatomical standardization is performed on the first smoothed brain image (step 4), and second image smoothing (2) is performed on the standardized brain image. Next, the density value is corrected for the second smoothed image (step 6), the corrected brain image and the MRI brain image of the healthy person are statistically compared (step 7), and further analyzed by ROI. (Step 8), the analysis result is output as a diagnosis result, and used for diagnosis support.
本実施形態においては、上記ステップ１〜８の各処理が、コンピュータからなる前記画像・統計処理部２０においてプログラムにより実施可能になっている。
In the present embodiment, each of the processes in
上記基本的処理フローについて、以下に詳細に説明する。 The basic processing flow will be described in detail below.
まず、ＭＲＩ脳画像を入力するに当たり、予め被検者から取得したＭＲＩ脳画像の前処理を行なっておく。具体的には、図３に脳全体とその一部を切り出したスライス画像のイメージを示すように、被検者の脳全体を含むように所定厚さのスライス状に撮像した、例えば１００〜２００枚のＴ１強調ＭＲＩ画像を入力とする。又、各スライス画像におけるボクセル（voxel）の各辺の長さを予め等しくなるようにスライス画像のリサンプリングを行なっておく。ここでボクセルは、「厚さ」を持つ画像の座標単位であり、２次元画像におけるピクセルに相当する。 First, when inputting an MRI brain image, preprocessing of an MRI brain image acquired in advance from a subject is performed. Specifically, as shown in FIG. 3, an image of a slice image obtained by cutting out the entire brain and a part of the brain, the slice is captured in a predetermined thickness so as to include the entire brain of the subject, for example, 100 to 200 A T1-weighted MRI image is input. In addition, the resampling of the slice image is performed so that the length of each side of the voxel in each slice image becomes equal in advance. Here, a voxel is a coordinate unit of an image having “thickness” and corresponds to a pixel in a two-dimensional image.
このような前処理を行なったＭＲＩ脳画像を入力した後、そのスライス画像の撮像方向や解像度が、予めシステムに設定されている条件に適合しているか否かをチェックする。撮像方向には、図３のaxial（transverse）：横断面の他に、sagittal：矢状断面（側面からの縦切り）やcoronal：冠状断面（正面からの縦切り）がある。 After inputting the pre-processed MRI brain image, it is checked whether or not the imaging direction and resolution of the slice image meet the conditions set in the system in advance. In the imaging direction, there are sagittal: sagittal section (vertical cut from the side) and coronal: coronal section (vertical cut from the front) in addition to the axial (transverse): transverse section of FIG.
以上のように、ＭＲＩ脳画像が、設定条件に適合して入力されていることが確認された場合には、前記ステップ１の位置合わせ処理を行なう。
As described above, when it is confirmed that the MRI brain image is input in conformity with the set condition, the alignment process of
これは、入力された脳画像を、後述する処理において、標準的な脳画像テンプレートと比較する際の精度を上げるために、線形変換（アフィン変換）によって図４にイメージを示すような変換を行い、空間的位置と角度の補正を行なっていることに相当する。 In order to improve the accuracy when comparing the input brain image with a standard brain image template in the processing described later, a transformation as shown in FIG. 4 is performed by linear transformation (affine transformation). This corresponds to correction of the spatial position and angle.
具体的には、入力脳画像と、データベース部３０から読み出された標準脳画像テンプレート３２との誤差の平方和が最小となるような、ｘ，ｙ，ｚ方向それぞれについて図示した４種類の変換パラメータを求める。次いで、求められたパラメータを用い、入力脳画像をアフィン変換することにより、入力脳画像を、位置や大きさ等が予め設定されている標準脳画像に対して、空間的な位置合わせを実現することができる。
Specifically, the four types of transformations shown in each of the x, y, and z directions that minimize the sum of squares of errors between the input brain image and the standard
以上の位置合わせが終了した後、前記ステップ２の灰白質抽出処理を行なう。
After the above alignment is completed, the gray matter extraction process in
入力されたＴ１強調ＭＲＩ脳画像では、神経細胞に対応する灰色の灰白質、それより明るい神経繊維に対応する白質、黒に近い脳脊髄液の３種類の組織が含まれている。そこで、痴呆性疾患の診断では灰白質組織に着目して、該組織を抽出する処理を行なう。 The input T1-weighted MRI brain image includes three types of tissues: gray gray matter corresponding to nerve cells, white matter corresponding to brighter nerve fibers, and cerebrospinal fluid close to black. Therefore, in the diagnosis of dementia, attention is paid to the gray matter tissue and processing for extracting the tissue is performed.
この抽出処理では、これら組織を分離するために、図５に示すように、画像処理によりこれらの３つのクラスタへのクラスタリングを行なうことになる。 In this extraction processing, in order to separate these tissues, clustering into these three clusters is performed by image processing as shown in FIG.
このクラスタリング処理のために、次の２種類のモデルを仮定する。 For this clustering process, the following two types of models are assumed.
１つは濃度値のモデルである。 One is a model of density values.
これは、各組織によってボクセルの濃度値の分布が異なることをモデル化したものである。各組織を濃度値が高い（白に近い）順に並べると、白質、灰白質、脳脊髄液の順になる。なお、ここでは、それぞれを分離した後の濃度値ヒストグラムは、正規分布になると仮定する。 This is a model that the distribution of voxel density values differs for each tissue. When the tissues are arranged in order of increasing concentration value (close to white), the order is white matter, gray matter, and cerebrospinal fluid. In this case, it is assumed that the density value histogram after the separation is a normal distribution.
２つめは、空間的な位置に対する３組織の存在確率のモデルである。 The second is a model of the existence probability of three organizations with respect to a spatial position.
人間の脳では、空間的な位置に対する組織分布は、個人差はあるがおおよそ似通っている。そこで、多くの人の脳画像を集めて調べてみると、空間的な座標に対応するボクセルが、どの組織である確率が高いかということが分かる。例えば、あるスライス画像のボクセルを単位とした画像サイズを、Ｘ＝２５６、Ｙ＝２５６としたときのある座標（ｘ，ｙ）＝（５，１０）における存在確率は、（白質、灰白質、脳脊髄液）＝（２０％，７０％，１０％）であるという具合である。即ち、個人差による空間的分布の違いを確率で表現したモデルと言える。 In the human brain, the tissue distribution with respect to the spatial position is roughly similar, although there are individual differences. Therefore, when many brain images of many people are collected and examined, it can be seen which tissue has a high probability that the voxel corresponding to the spatial coordinates is. For example, the existence probability at a certain coordinate (x, y) = (5, 10) when the image size in units of voxels of a slice image is X = 256, Y = 256 is (white matter, gray matter, Cerebrospinal fluid) = (20%, 70%, 10%). That is, it can be said that the model expresses the difference in spatial distribution due to individual differences by probability.
ここでは、各ボクセルはいずれかの組織に属することと、空間的な位置に応じて各組織の存在確率が事前に分かっていることを仮定する。 Here, it is assumed that each voxel belongs to one of the organizations and the existence probability of each organization is known in advance according to the spatial position.
以上の２つの仮定が共に成立するような最適な組織分布を推定する。具体的には次式を最大とするように、各ボクセル値をそれぞれの組織に振り分ける。 An optimal tissue distribution is estimated so that both of the above two assumptions hold. Specifically, each voxel value is distributed to each organization so as to maximize the following equation.
ｓijk：ボクセル（i，j）がクラスタｋに属する事前確率
ｆij：ボクセル（i，j）の濃度値
ｂijk：ボクセル（i，j）組織ｋに属する確率
ｈk：クラスタｋに属するボクセル数
ｃk：各クラスタのボクセルの分散
ｖk：各クラスタのボクセルの平均値
s ijk : Prior probability that voxel (i, j) belongs to cluster k
f ij : concentration value of voxel (i, j)
b ijk : Probability of belonging to voxel (i, j) organization k
h k : number of voxels belonging to cluster k
c k : Voxel distribution of each cluster
v k : average value of voxels in each cluster
なお、上記の２つのモデルに加えて、ＭＲＩ特有の不均一性雑音モデルも導入した、組織抽出方法の詳細が、Ａshburner Ｊ，Ｆriston ＫＪ：Ｖoxel-Ｂased Ｍorphometry…Ｔhe Ｍethods．Ｎeuroimage 11(6Ptl)：pp.805-821,2000に説明されている。 In addition to the above two models, the details of the tissue extraction method, in which a non-uniform noise model peculiar to MRI is also introduced, is described in Ashburner J, Friston KJ: Voxel-Based Morphometry ... The Methods. Neuroimage 11 (6Ptl): pp. 805-821, 2000.
このように、予め多くの健常者の脳画像から、灰白質、白質、脳脊髄液のそれぞれの組織についてボクセル毎に算出した存在確率をテンプレートとして用いることにより、灰白質組織が３次元的に抽出された脳画像（以下、灰白質脳画像ともいう）が得られる。 As described above, the gray matter tissue is extracted three-dimensionally from the brain images of many healthy subjects by using the existence probability calculated for each voxel for each of the gray matter, white matter, and cerebrospinal fluid tissues as a template. The obtained brain image (hereinafter also referred to as gray matter brain image) is obtained.
以上のように灰白質組織が抽出された脳画像に対して、前記ステップ３の画像平滑化（１）の処理を行なう。 As described above, the image smoothing (1) in step 3 is performed on the brain image from which the gray matter tissue has been extracted.
ここでは、画像のＳ／Ｎ比を向上させることと、次の解剖学的標準化に用いるテンプレート画像とsmoothnessが等しくなるようにすることを目的として、３次元ガウシアンカーネルによって画像の平滑化を行なう。この平滑化に使用するフィルタのＦＷＨＭ（半値幅）は８ｍｍ程度とする。 Here, for the purpose of improving the S / N ratio of the image and making the smoothness equal to the template image used for the next anatomical standardization, the image is smoothed by a three-dimensional Gaussian kernel. The FWHM (half width) of the filter used for smoothing is about 8 mm.
具体的な処理としては、３次元的脳画像と、３次元ガウシアン関数の３次元的な畳み込み（コンボリューション）を行なう。これは、ｘ，ｙ，ｚ各方向における１次元の畳み込みを逐次的に行なうことで可能である。 As a specific process, a three-dimensional brain image and a three-dimensional convolution of a three-dimensional Gaussian function are performed. This is possible by sequentially performing a one-dimensional convolution in the x, y, and z directions.
以下に、１次元のガウシアンカーネルの畳み込みを行なう方法を、図６に示す平滑化の概念図を参照して説明する。 Hereinafter, a method of performing convolution of a one-dimensional Gaussian kernel will be described with reference to a conceptual diagram of smoothing shown in FIG.
１次元の離散ガウシアン関数をｇとすると下記式（２）で表わされる。この式で、ｊはガウシアンカーネルの中心をｊ＝０としたときのボクセルに対応する位置である。１次元の画像信号（ボクセル値）をｆとすると、ｆと１次元ガウシアンカーネルｇとのコンボリューションｈは、式（２）のような積和演算によって表わされる。ここで、ｄは畳み込み演算を行なうガウシアンカーネルの長さであり、実装により決定する。例えばｄをＦＷＨＭの６倍程度とする実装であれば、ＦＷＨＭ＝８ｍｍ、ボクセルの大きさ２×２×２ｍｍの場合は、ｄ＝８×６／２＝２４［voxel］となる。 When the one-dimensional discrete Gaussian function is g, it is expressed by the following equation (2). In this equation, j is a position corresponding to a voxel when the center of the Gaussian kernel is set to j = 0. If the one-dimensional image signal (voxel value) is f, the convolution h between f and the one-dimensional Gaussian kernel g is expressed by a product-sum operation as shown in Equation (2). Here, d is the length of the Gaussian kernel that performs the convolution operation, and is determined by the implementation. For example, in the case of an implementation in which d is about 6 times FWHM, when FWHM = 8 mm and voxel size is 2 × 2 × 2 mm, d = 8 × 6/2 = 24 [voxel].
以上が１次元での畳み込みであるが、同様の処理を図７の概念図に示すように、３次元的な脳画像についてこれをｘ軸方向、ｙ軸方向、ｚ軸方向のそれぞれについて逐次的に実行することで、３次元的な畳み込みを実現することができる。 The above is one-dimensional convolution, but as shown in the conceptual diagram of FIG. 7, the same processing is performed sequentially for each of the x-axis direction, the y-axis direction, and the z-axis direction for a three-dimensional brain image. By executing the above, three-dimensional convolution can be realized.
以上のように灰白質脳画像のsmoothnessを調整した後、前記ステップ４の解剖学的標準化と呼ばれる処理を行なう。これは、個人の間に存在する脳画像の解剖学的な違いを吸収するために、脳全体の大きさに対する大局的な補正と、部分的な大きさに対する局所的な補正を行なうものである。 After adjusting the smoothness of the gray matter brain image as described above, a process called anatomical standardization in Step 4 is performed. In order to absorb the anatomical differences in the brain images that exist between individuals, this is a global correction for the whole brain size and a local correction for a partial size. .
具体的には、図８に処理の特徴を概念的に示すように、線形変換と非線形変換を用いて、前記データベース部３０から読み出した標準的な灰白質脳画像テンプレート３４との誤差の平方和が最小になるように画像処理を行なう。ここで用いる灰白質脳画像テンプレート３４は、多くの健常者から灰白質組織を抽出した脳画像から得られている平均画像である。この解剖学的標準化処理では、初めに線形変換による位置や大きさ、角度の大局的な補正を行ない、次に非線形変換によって局所的な凹凸等の形状の補正を行なう。
Specifically, as conceptually shown in FIG. 8, the square sum of errors from the standard gray matter
ここで行なう線形変換は、前記ステップ１の位置合わせと同様のアフィン変換である。又、非線形変換は、図９に処理のイメージを示すように、ｘ方向、ｙ方向それぞれについてＤＣＴ（離散的コサイン変換）の低周波成分によって構成される変形場を推定し、この変形場によって元画像の変換を行なうものである。
The linear transformation performed here is an affine transformation similar to the alignment in
以上のように解剖学的標準化を施した灰白質脳画像（以下、標準化脳画像ともいう）に対して、前記ステップ５の第２の画像平滑化（２）の処理を行なう。 The second image smoothing (2) in step 5 is performed on the gray matter brain image (hereinafter also referred to as a standardized brain image) subjected to anatomical standardization as described above.
これは、上記標準化脳画像のＳ／Ｎ比を向上させると共に、後に比較を行なう際に標準として使用する健常者の画像群と画像のsmoothnessを等しくするための処理であり、３次元ガウシアンカーネルを使用してＦＷＨＭを１２〜１５ｍｍ程度として行なう。 This is a process for improving the S / N ratio of the above-mentioned standardized brain image and making the smoothness of the image equal to the image group of the healthy person used as a standard when performing comparison later. The FWHM is set to about 12 to 15 mm.
具体的には、ＦＷＨＭの値が異なる以外は、前記ステップ３の画像平滑化処理（１）の場合と同様の処理を行なうので実現できる。このように第２の画像平滑化を行なうことにより、解剖学的標準化処理で完全に一致しない個体差を低減させることができる。 Specifically, it can be realized by performing the same process as in the image smoothing process (1) in step 3 except that the value of FWHM is different. By performing the second image smoothing in this way, individual differences that do not completely match in the anatomical standardization processing can be reduced.
以上のように第２の画像平滑化を行なった標準化脳画像に対して、前記ステップ６の濃度値補正を行なう。ここでは、ボクセルを単位とした画素値に相当するボクセル濃度値の補正を行なう。 The density value correction in step 6 is performed on the standardized brain image subjected to the second image smoothing as described above. Here, the correction of the voxel density value corresponding to the pixel value in units of voxels is performed.
これは、後に比較を行なう際に標準として使用する健常者の画像群におけるボクセル値の分布に合わせる処理であり、脳全体のボクセル値を補正する。具体的には、図１０に濃度値補正の特徴を示すように、全ボクセルについて以下の変換式により濃度値の補正を行なう。 This is a process to match the distribution of voxel values in the image group of healthy subjects used as a standard when performing comparison later, and corrects the voxel values of the entire brain. Specifically, as shown in FIG. 10, the density value correction is performed for all voxels by the following conversion formula, as shown in FIG.
ｘ’＝（ＭＥＡＮnormal／ＭＥＡＮsubject）・ｘ …（４）
但し、ｘ：補正前の濃度値
ｘ’：補正後の濃度値
ＭＥＡＮnormal：健常者画像群の全ボクセル濃度値の平均
ＭＥＡＮsubject：処理対象画像の全ボクセル濃度値の平均
x ′ = (MEANnormal / MEANsubject) · x (4)
Where x: density value before correction x ′: density value after correction MEANnormal: average of all voxel density values of healthy subject image group MEANsubject: average of all voxel density values of the image to be processed
このように入力画像（標準化脳画像）のボクセル濃度値を健常者画像群のそれに合わせる補正を行なった後、アーチファクトを取り除く処理を行なう。このアーチファクトは、図１１（Ａ）にイメージを示すように、前記ステップ５で行なった半値幅の大きい画像平滑化（２）によって、本来は脳組織が存在しないボクセル位置に生じているエラー領域である。 In this way, after correcting the voxel density value of the input image (standardized brain image) to that of the healthy subject image group, a process of removing artifacts is performed. As shown in the image of FIG. 11A, this artifact is an error region generated at the voxel position where the brain tissue does not originally exist by the image smoothing (2) having a large half-value width performed in the step 5. is there.
具体的には、同図（Ｂ）に示すように、前記ステップ４の解剖学的標準化で用いた灰白質組織の標準脳画像テンプレートを２値化したものをマスクとして、該マスクを標準化脳画像の各ボクセル値に乗算することにより、これらのアーチファクトを除去する。 Specifically, as shown in FIG. 4B, the standardized brain image template of the gray matter tissue used in the anatomical standardization in the step 4 is used as a mask, and the mask is used as a standardized brain image. These artifacts are removed by multiplying each voxel value of.
以上のようにボクセル濃度値の補正を行なった後、前記ステップ７の統計処理を行なう。ここでは、以上のステップ１〜６の各処理を通して全体的な標準化を行なった被検者のＭＲＩ脳画像と、予め収集して前記データベース部３０に健常者画像データベース３６として保存してある健常者のＭＲＩ脳画像群との比較検定を行なう。使用する健常者画像群は、被検者の年齢に近いもので構成されていることが望ましい。
After correcting the voxel density value as described above, the statistical processing in step 7 is performed. Here, the MRI brain image of the subject who has undergone overall standardization through each of the
具体的には、図１２にイメージを示すように、このような健常者画像群とボクセル単位で１：Ｎ（Ｎは健常者画像の総数）の比較検定を行ない、統計的に有意な差が見られる（異常と推定される）ボクセルを検出する。 Specifically, as shown in the image of FIG. 12, a comparison test of 1: N (N is the total number of healthy subject images) is performed for such healthy subject image groups and voxel units, and there is a statistically significant difference. Detect voxels that are seen (presumed to be abnormal).
まず、全てのボクセルについて、それぞれ次式で表わされるＺスコアを算出する。 First, for all voxels, Z scores expressed by the following equations are calculated.
このように、Ｚスコアは、被検者画像のボクセル値と、健常者画像群の対応するボクセルのボクセル値平均との差を、標準偏差でスケーリングした値であり、これは灰白質容積の相対的低下の度合を示すものである。 Thus, the Z score is a value obtained by scaling the difference between the voxel value of the subject image and the average voxel value of the corresponding voxel of the healthy subject image group by the standard deviation, and this is a relative value of the gray matter volume. This indicates the degree of the decline.
次に、適当な臨界値Ｚ’を定め、Ｚスコアが
Ｚ’＜Ｚ …（６）
となるようなボクセルを求め、統計的に有意な差が見られるボクセルとする。臨界値には、約９５％以上の確率で異常と推定できるＺ’＝２を用いる。
Next, an appropriate critical value Z ′ is determined, and the Z score is Z ′ <Z (6)
The voxels that satisfy the above are obtained, and the voxels exhibiting a statistically significant difference are obtained. As the critical value, Z ′ = 2 that can be estimated to be abnormal with a probability of about 95% or more is used.
なお、ステップ７で使用した健常者画像データベース３６は、予め別途収集した健常者の画像群のそれぞれに対して、前記ステップ１〜６の位置合わせ→灰白質組織抽出→画像平滑化（１）→解剖学的標準化→画像平滑化（２）→濃度補正を順次行なって同様に作成し、保存してあるものである。
In addition, the healthy
又、この診断支援システムにおいては、収集したこれらの健常者画像を、例えば５歳毎又は１０歳毎というように年代別に分類し、それぞれの群について算出した平均値と標準偏差を記憶装置に保存しておくことにより、Ｚスコアによる検定を行なうことができる。 Also, in this diagnosis support system, these collected healthy person images are classified by age, for example, every 5 years or every 10 years, and the average value and standard deviation calculated for each group are stored in a storage device. By doing so, the test based on the Z score can be performed.
又、その際には、被検者の年齢を中心とした一定の年齢幅に区切って、例えば被検者の年齢が７６歳の場合であれば、それを中心とした７４〜７８歳（幅を５歳とした）の範囲の健常者画像を収集し、比較するようにしてもよい。 In that case, if the subject's age is 76 years, for example, if the subject's age is 76 years old, it is 74 to 78 years old (width) May be collected and compared.
なお、このようにＺスコアを使用する場合には、ボクセル毎に上記平均値と標準偏差のデータだけを持っていればよいので、データ作成後は画像データ自体を保存しておく必要がないという利点もある。 In the case of using this manner the Z score, since it is sufficient with only the data of the average value and the standard deviation for each voxel, after data creation is not our Ku required to store the image data itself There is also an advantage.
以上のように、被検者の標準化脳画像に対して統計処理を行なった後、前記ステップ８のＲＯＩによる解析を行なう。 As described above, after the statistical processing is performed on the standardized brain image of the subject, the analysis by the ROI in Step 8 is performed.
この解析方法は、前記統計処理により健常者と有意な差が見られた座標位置のボクセルとそのＺスコア（評価値）について、疾患に対応するＲＯＩ（疾患特異的ＲＯＩ）を適用することにより、罹患している度合を求めるものである。その特徴は次の２点である。 This analysis method applies a ROI corresponding to a disease (disease-specific ROI) for a voxel at a coordinate position where a significant difference from a healthy person was found by the statistical processing and its Z score (evaluation value), It seeks the degree of disease. The features are the following two points.
（１）アルツハイマー等の疾患毎に対応する標準化された画像データとしてのＲＯＩ（疾患特異的ＲＯＩ）３８を用意しておき、被検者の症状から考えられる疾患について、被検者の脳画像データにそれぞれのＲＯＩを適用（設定）し、該ＲＯＩにおけるＺスコアに基づいて最も有意性の高いものを診断結果とする。 (1) ROI (disease-specific ROI) 38 as standardized image data corresponding to each disease such as Alzheimer is prepared, and the brain image data of the subject regarding the disease considered from the symptoms of the subject Each ROI is applied (set) to and the most significant one based on the Z score in the ROI is taken as the diagnosis result.
（２）ＲＯＩの部分のみのＺスコアによって疾患を判断するだけでなく、ＲＯＩを適用しない場合の脳全体のＺスコアマップと、ＲＯＩを適用した部分のみのＺスコアマップとの比較を行なう。この目的は、脳全体の萎縮に対する注目部位の萎縮の割合を見ることにある。 (2) Not only is the disease determined based on the Z score of the ROI portion alone, but also the Z score map of the entire brain when the ROI is not applied is compared with the Z score map of only the portion to which the ROI is applied. The purpose is to see the ratio of the atrophy of the site of interest to the atrophy of the entire brain.
ここでは、まず、図１３にイメージを示すように、疾患Ａ〜Ｃの疾患別の特異的ＲＯＩが用意されている場合を例として、被検者がある疾患Ａを罹患しているか否かを判別する方法を説明する。なお、この方法に適用する各ＲＯＩと、判別に用いる閾値等の取得方法については後述する。 Here, first, as shown in the image of FIG. 13, taking as an example the case where a specific ROI for each of the diseases A to C is prepared, it is determined whether or not the subject suffers from a disease A. A method for determination will be described. In addition, each ROI applied to this method and the acquisition method of the threshold value etc. used for discrimination are mentioned later.
前記ステップ７の統計処理で得られた被検者のＺスコアマップに対して、疾患Ａに対応するＲＯＩを用いて、前記（６）式を満たすために異常と推定されたボクセルに対して、以下の４つの値を算出する。 For the subject's Z score map obtained by the statistical processing of step 7, using the ROI corresponding to the disease A, for the voxel estimated to be abnormal to satisfy the equation (6), The following four values are calculated.
ｋALL…脳全体において式（６）を満たすボクセルの数
ｋROI…ＲＯＩ部分において式（６）を満たすボクセルの数
ＭＥＡＮALL…脳全体において式（６）を満たすボクセルのＺスコアの平均
ＭＥＡＮROI…ＲＯＩ部分において式（６）を満たすボクセルのＺスコアの平均
k ALL ... the number of voxels satisfying formula (6) in the whole brain k ROI ... the number of voxels satisfying formula (6) in the ROI part MEAN ALL ... the average of the Z scores of voxels satisfying formula (6) in the whole brain MEAN ROI ... Average of z-scores of voxels satisfying formula (6) in the ROI part
更に、これらの値を次の４つのパラメータへ変換を行なう。 Further, these values are converted into the following four parameters.
Ｐ1＝ｋROI
Ｐ2＝ｋROI／ｋALL…脳全体に対するＲＯＩ部分での式（６）を満たすボクセル数の
割合
Ｐ3＝ＭＥＡＮROI
Ｐ4＝ＭＥＡＮROI／ＭＥＡＮALL…脳全体に対するＲＯＩ部分での式（６）を満たす
Ｚスコアの平均の割合
P 1 = k ROI
P 2 = k ROI / k ALL ... Ratio of the number of voxels satisfying the formula ( 6 ) in the ROI portion with respect to the whole brain P 3 = MEAN ROI
P 4 = MEAN ROI / MEAN ALL ... The average ratio of the Z score satisfying the formula ( 6 ) in the ROI part with respect to the whole brain
Ｐ1〜Ｐ4の４つのパラメータについて、予め疾患Ａを有する患者群における特性を求めておき、被検者のパラメータの値がそれに合致する場合に、被検者は疾患Ａであると判別する。 Regarding the four parameters P 1 to P 4 , characteristics in the patient group having the disease A are obtained in advance, and when the value of the parameter of the subject matches that, the subject is determined to be the disease A. .
例えば、４つのパラメータについて疾患Ａとみなす閾値（病態識別値）を定めておき、被検者画像から得られたパラメータの値がその閾値を超えた場合に、被検者は疾患Ａであるとする。つまり、Ｐ1〜Ｐ4のそれぞれの病態識別の閾値をそれぞれthＰ1〜thＰ4とする場合、Ｐ1＞thＰ1、Ｐ2＞thＰ2、Ｐ3＞thＰ3、Ｐ4＞thＰ4の少なくとも１つが満たされる場合に、被検者を疾患Ａと判定する。具体的には、例えばＰ1のように１つのパラメータのみに注目して判定する場合や、必要に応じてＰ2〜Ｐ4の一部又は全部を参照して判定する場合を例に挙げることができる。
For example, a threshold value (pathological condition identification value) that is regarded as disease A for four parameters is determined, and the subject is said to have disease A when the parameter value obtained from the subject image exceeds the threshold value. To do. That is, when the P 1 to P respectively thP 1 ~thP 4 respective threshold condition identification 4, at least the P 1> thP 1, P 2 >
又、これをより一般化したものとしては、次式のような４つのパラメータを線形結合したものの値を用いて、疾患の判定を行なう方法がある。 As a more generalized method, there is a method for determining a disease using a value obtained by linearly combining four parameters as in the following equation.
θ＝α0＋α1Ｐ1＋α2Ｐ2＋α3Ｐ3＋α4Ｐ4
ここで、α0〜α4は定数である。
θ = α 0 + α 1 P 1 + α 2 P 2 + α 3 P 3 + α 4 P 4
Here, α 0 to α 4 are constants.
例えば病態識別の閾値をthθとする場合、θ＞thθが満たされるときに、被験者を疾患Ａと判定する。これは、パラメータＰ1〜Ｐ4が張る空間（この場合は４次元空間となる）において、疾患群と非疾患群それぞれに属するクラスタがあり、被験者はそのどちらのクラスタに属するかを、線形的に判別することを意味する。 For example, when the threshold value for pathological condition identification is thθ, the subject is determined to be disease A when θ> thθ is satisfied. This is because there is a cluster belonging to each of the disease group and the non-disease group in the space spanned by the parameters P 1 to P 4 (in this case, a four-dimensional space), and the subject belongs to which of the clusters linearly. It means to distinguish.
更に、場合によっては、次式のように２次以上の非線形結合によって判別を行なうことも可能である。 Furthermore, depending on the case, it is also possible to make a determination by non-linear coupling of second or higher order as in the following equation.
θ＝α0＋α1Ｐ1 w1＋α2Ｐ2 w2＋α3Ｐ3 w3＋α4Ｐ4 w4 θ = α 0 + α 1 P 1 w1 + α 2 P 2 w2 + α 3 P 3 w3 + α 4 P 4 w4
線形結合の場合と比較すると、線形結合の場合は疾患群と非疾患群とを分ける面（又は線）が平面（又は直線）であったのに対し、非線形結合の場合は、これが曲面（又は曲線）となる。 Compared with the linear combination, the plane (or line) separating the disease group and the non-disease group was a plane (or a straight line) in the linear combination, whereas this is a curved surface (or a straight line) in the non-linear combination. Curve).
次に、これらの疾患別に設定されるＲＯＩ（疾患特異的ＲＯＩ）の作成方法、及び、病態識別値（閾値）の算出方法について説明する。 Next, a method for creating an ROI (disease-specific ROI) set for each disease and a method for calculating a disease state identification value (threshold) will be described.
ＲＯＩは、次のようにして統計的処理に基づいて決定される。例えば、ある特定の疾患ＡのＲＯＩを決定するためには、図１４にイメージを示すように、疾患Ａの患者のＭＲＩ画像群（疾患者画像群）と、それ以外の人の画像群（非疾患者画像群）とについて、ボクセル単位で２群間の有意差を統計的に検定する２標本ｔ検定を行なうことで求める。この検定によって有意差が認められたボクセルを、その疾患における特徴的なボクセルとみなし、その座標の集合をその疾患に対応するＲＯＩとする。 The ROI is determined based on statistical processing as follows. For example, in order to determine the ROI of a specific disease A, as shown in FIG. 14, an MRI image group (disease image group) of a patient with disease A and an image group (non- It is obtained by performing a two-sample t-test for statistically testing the significant difference between the two groups in units of voxels. Voxels that are significantly different by this test are regarded as characteristic voxels in the disease, and the set of coordinates is set as the ROI corresponding to the disease.
病態識別値（閾値）の決定は、その疾患について、一般的なＲＯＣ（Ｒeceiver Ｏperating Ｃharacteristic）解析によって行なう。ＲＯＣ解析とは、ある検査方法について、疾患を検出する能力を定量的に解析するための一般的な手法である。 The determination of the disease state identification value (threshold value) is performed by general ROC (Receiver Operating Characteristic) analysis for the disease. The ROC analysis is a general technique for quantitatively analyzing the ability to detect a disease for a certain test method.
その一例として、以下に、パラメータＰ1とその閾値thＰ1によって疾患の有無を識別する場合について、閾値thＰ1を求める方法について説明する。 As an example, below, for the case of identifying the presence or absence of disease parameters P 1 and by the threshold thP 1, describes a method for determining the threshold THP1.
Ｐ1＞thＰ1のとき陽性、Ｐ1≦thＰ1のとき陰性となる検査を考え、多数のサンプルについて、検査による陽陰性と、実際の疾患の有無についてその組合せを調べると、図１５の表に示すような、ＴＰ（真陽性），ＦＰ（偽陽性），ＦＮ（偽陰性），ＴＮ（真陰性）の各数値が得られる。更にこれらの値から、真陽性率（ＴＰＦ：患者を正しく患者と判別した割合）、偽陽性率（ＦＰＦ：健常者を誤って患者と判定した割合）が次式のように表わされる。 Considering a test that is positive when P 1 > thP 1 and negative when P 1 ≦ thP 1 , for a number of samples, the combination of positive and negative by test and the presence or absence of actual disease is examined. TP (true positive), FP (false positive), FN (false negative), and TN (true negative) as shown in FIG. Further, from these values, the true positive rate (TPF: the rate at which the patient was correctly identified as a patient) and the false positive rate (FPF: the rate at which a healthy person was erroneously determined as a patient) are expressed by the following equations.
ＴＰＦ＝ＴＰ／（ＴＰ＋ＦＮ）
ＦＰＦ＝ＦＰ／（ＦＰ＋ＴＮ）
TPF = TP / (TP + FN)
FPF = FP / (FP + TN)
ある１つのthＰ1に対して、（ＴＰＦ，ＦＰＦ）の組が１つ求まるが、この閾値をさまざまに変えることによって得られる（ＴＰＦ，ＦＰＦ）をプロットしたものが、図１６に例示するＲＯＣ曲線である。 One set of (TPF, FPF) is obtained for a certain thP1, and a plot of (TPF, FPF) obtained by varying this threshold value is the ROC curve illustrated in FIG. is there.
検査においては、ＴＰＦが高く、ＦＰＦが低くなることが望ましいが、ＲＯＣ曲線においては最も左上の点がそれに対応する。この図で言えば、点Ｄに対応する閾値を採用するのが良いということになる。 In the inspection, it is desirable that the TPF is high and the FPF is low, but in the ROC curve, the upper left point corresponds to it. In this figure, the threshold corresponding to the point D should be adopted.
これを、パラメータと疾患有無の観点から考えると、パラメータが１つの場合は、図１７に示すように、疾患有りの分布と疾患無しの分布とを、最も良く（誤りなく）分ける境界線が、ここで求められた閾値に対応している。 Considering this from the viewpoint of the parameter and the presence / absence of the disease, when there is one parameter, as shown in FIG. 17, the boundary line that best separates the distribution with the disease and the distribution without the disease (without error) This corresponds to the threshold value obtained here.
続いて、複数のパラメータを同時に用いる場合における、病態識別値の決定方法について説明する。例えば、Ｐ1とＰ2という２つのパラメータを用いた、
θ＝α0＋α1Ｐ1＋α2Ｐ2
という線形結合によって識別することを考えると、概念的には図１８に２つのパラメータの場合の例を示すように、Ｐ1とＰ2によって張られる２次元空間上で、疾患有りと疾患無しのサンプルの群を、直線によって分けることになる。
Next, a method for determining a pathological condition identification value when a plurality of parameters are used simultaneously will be described. For example, using two parameters P 1 and P 2 ,
θ = α 0 + α 1 P 1 + α 2 P 2
As shown in FIG. 18, conceptually, an example in the case of two parameters is used, and in the two-dimensional space spanned by P 1 and P 2 , there is no disease and no disease. Groups of samples will be separated by straight lines.
ここで、閾値であるthθは、線形結合の係数α0、α1、α2によって決まる値であるから、α0、α1、α2をthθ＝０となるように決めれば、θの符号のみで疾患の有無を判別することができるようになる。つまり本質的にここで決定すべき値は、線形結合の係数α0、α1、α2ということになる。 Here, the threshold Thshita, the coefficient of linear combination alpha 0, since alpha 1 is a value determined by α 2, α 0, α 1 , be determined with alpha 2 so that thθ = 0, the sign of θ It becomes possible to determine the presence or absence of a disease only. In other words, the values to be determined here are the linear combination coefficients α 0 , α 1 , and α 2 .
この問題は、パラメータの数をｑとして一般化すると、
θ＝α0＋α1Ｐ1＋α2Ｐ2＋…＋αqＰq …（７）
を判別関数とする２群q変数の線形判別分析として考えることができる。
When this problem is generalized with the number of parameters as q,
θ = α 0 + α 1 P 1 + α 2 P 2 +... + α q P q (7)
Can be thought of as a linear discriminant analysis of q variables with 2 groups.
その解法としては、群内平方和と群間平方和の相関比を最大化する方法や、マハラノビス距離に基づく方法が知られている（参考文献；奥野忠一：多変量解析法（改訂版）、日科技連出版社１９８２）が、ここではその前者に基づく方法を一例として示す。 Known solutions include a method that maximizes the correlation between the sum of squares within a group and the sum of squares between groups, and a method based on the Mahalanobis distance (references; Taichi Okuno: multivariate analysis method (revised version), Here, Nikka Tech Rensha 1982) shows an example of a method based on the former.
実験値として得られているサンプルについて、疾患群、非疾患群をそれぞれ第１群、第２群とし、それぞれのサンプル数をｎ１、ｎ２、ｇ群の第ｍサンプルのｉ番目のパラメータの測定値をＸimg、ｇ群のｉ番目のパラメータの平均値を
又、各変数の平均値の差のベクトルｄを、
ａ＝（α1，α2，…，αｑ）
とすると次式が成り立つ。
Also, a vector d of the difference between the average values of the variables is
Then the following equation holds.
Ｖａ＝ｄ Va = d
この両辺に左からＶの逆行列Ｖ-1をかけると
ａ＝Ｖ-1ｄ
として、ａ＝（α1，α2，…，αｑ）を求めることができる。
Multiplying both sides by the inverse matrix V -1 of V from the left, a = V -1 d
A = (α 1 , α 2 ,..., Α q ) can be obtained.
更に、前記式（７）の切片であるα0について、群がθの符号によって判別できるような値に決定する。これは閾値thθが０となるようにすることと等価である。 Further, α0, which is the intercept of the equation (7), is determined to be a value that allows the group to be identified by the sign of θ. This is equivalent to setting the threshold thθ to 0.
これは前記式（７）に、既に求まったα1，α2，…，αｑ、θ＝０、及び各パラメータに、次式
以上のようにして求まった前記式（７）の判別関数を利用して、新たな被験者データについてθの値を算出し、θの正負によって疾患か非疾患かを判別することが可能である。 Using the discriminant function of Equation (7) obtained as described above, it is possible to calculate the value of θ for new subject data and discriminate whether it is diseased or non-disease based on the sign of θ.
アルツハイマー型痴呆（ＡＤ）を診断するために、ＭＲＩで被検者と健常者群の脳のＴ１強調画像を撮像し、各画像を、ＤＩＣＯＭフォーマットとして保持しておく。ＤＩＣＯＭフォーマットは、１ファイルにヘッダ部と画像データ部を含む医療画像で一般的に用いられる画像フォーマットであり、画像撮影時のパラメータや診断情報を保存しておくことができる。通常、ＤＩＣＯＭ画像ファイル１つが１枚のスライス画像の情報を有し、複数枚のＤＩＣＯＭ画像によって、３次元的な脳画像を表現する。ＤＩＣＯＭ画像はＤＩＣＯＭサーバに保管され、必要に応じて引き出すことができる。 In order to diagnose Alzheimer-type dementia (AD), T1-weighted images of the brains of subjects and healthy subjects are taken by MRI, and each image is held in a DICOM format. The DICOM format is an image format generally used for medical images including a header portion and an image data portion in one file, and can store parameters and diagnostic information at the time of image capturing. Usually, one DICOM image file has information of one slice image, and a three-dimensional brain image is expressed by a plurality of DICOM images. DICOM images are stored on the DICOM server and can be retrieved as needed.
ＤＩＣＯＭ画像ファイルは複数枚によって脳全体の３次元的情報を表現するが、ＤＩＣＯＭファイルのヘッダ部のみ、及び画像データ部のみを連結した形式であるＡnalyzeフォーマットに変換する。Ａnalyzeフォーマットは１人分の脳全体を、ヘッダ部ファイル、画像データ部ファイルの２ファイルで構成することができる。 A plurality of DICOM image files express three-dimensional information of the entire brain, but are converted into an Analyze format in which only the header portion of the DICOM file and only the image data portion are connected. In the Analyze format, the entire brain for one person can be composed of two files, a header part file and an image data part file.
脳画像の画像処理を行なうためのツールをソフトウェアに実装したものとして、ＳＰＭ（Ｓtatistical Ｐarametric Ｍapping）等が知られている。本実施例における以下の画像処理には、ＳＰＭを適用した。 SPM (Statistical Parametric Mapping) is known as a software implementation of a tool for performing image processing of brain images. SPM was applied to the following image processing in the present embodiment.
以上の条件の下、被検者から入力したＭＲＩ脳画像に対して、前記図２のステップ１〜８の各処理を行なった。
Under the above conditions, each process of
灰白質の抽出に使用する灰白質画像のテンプレートとしては、ＳＰＭで用いられる、１５１人の健常者画像から得られた灰白質、白質、脳脊髄液の事前生起（存在）確率を計算したもので、１ボクセルサイズが２ｍｍ四方でＦＷＨＭ＝８ｍｍのガウシアンフィルタをかけたものを用いた。 The gray matter image template used for the gray matter extraction is a calculation of the pre-occurrence (existence) probability of gray matter, white matter, and cerebrospinal fluid obtained from 151 healthy subjects used in SPM. A voxel size of 2 mm square and a Gaussian filter with FWHM = 8 mm was used.
解剖学的標準化では、上記健常者画像から得られた灰白質画像をテンプレートとして用いることにより標準化を行なった。 In anatomical standardization, standardization was performed by using the gray matter image obtained from the healthy subject image as a template.
又、健康高齢者群４１例とアルツハイマー型痴呆群３１例のＳＰＭによるグループ解析により、アルツハイマー型痴呆群において最も萎縮している部位を求めたところ、両側の海馬傍回が検出され、この部位をアルツハイマー診断に用いるＲＯＩに設定した。 In addition, as a result of group analysis by SPM of 41 healthy elderly groups and 31 Alzheimer-type dementia groups, the most atrophic site in the Alzheimer-type dementia group was determined. The ROI used for Alzheimer diagnosis was set.
次に別の健康高齢者群４１例とアルツハイマー型痴呆群３０例において、個々のアルツハイマー型痴呆症例に対して健康高齢者群と脳局所ボクセル毎にＺ検定を行ない、ＲＯＩにおける平均Ｚ値を算出した。個々の健康高齢者に対しても、残りの健康高齢者群との間でＺ検定を行ない、同様にＲＯＩにおける平均Ｚ値を算出した。 Next, in another 41 healthy elderly groups and 30 Alzheimer-type dementia groups, Z-tests were performed for each group of healthy elderly groups and brain local voxels for individual Alzheimer-type dementia cases, and the average Z value in ROI was calculated. did. For each healthy elderly person, the Z test was performed with the remaining healthy elderly group, and the average Z value in ROI was calculated in the same manner.
Ｚ値を求める際に、臨界値Ｚ’＝２とし、パラメータとしてＭＥＡＮROIを用いて、ＲＯＣ解析を行なったところ、正診率８７％で健康高齢者とアルツハイマー型痴呆患者を識別することができた。その結果から、従来の脳血流ＳＰＥＣＴを用いた画像統計学的解析の正診率８０％程度からみても、本方法はＡＤの診断に対して有効性が高いと言える。 When the Z value was determined, ROC analysis was performed using the critical value Z ′ = 2 and MEAN ROI as a parameter, and it was possible to discriminate between healthy elderly people and Alzheimer-type dementia patients with a correct diagnosis rate of 87%. It was. From the result, it can be said that the present method is highly effective for the diagnosis of AD even from the viewpoint of a correct diagnosis rate of about 80% in the image statistical analysis using the conventional cerebral blood flow SPECT.
以上詳述した如く、本実施形態によれば、被検者のＭＲＩ脳画像について、灰白質組織の抽出、解剖学的標準化、画像平滑化等の各処理を行なった後、標準化してある健常者群のＭＲＩ脳画像とＺスコアにより統計的に比較し、予め標準化された画像データとして作成してある疾患に対応したＲＯＩの範囲における異常値の大きさによって、診断結果を出力できるようにしたので、特定の疾患について客観的な診断支援を行なうことが可能となる。 As described above in detail, according to the present embodiment, the MRI brain image of the subject has been standardized after performing various processes such as gray matter tissue extraction, anatomical standardization, and image smoothing. The MRI brain image of the group of people is statistically compared with the Z score, and the diagnosis result can be output by the magnitude of the abnormal value in the ROI range corresponding to the disease prepared as standardized image data in advance. Therefore, it is possible to provide objective diagnosis support for a specific disease.
以上、本発明について具体的に説明したが、本発明は、前記実施形態に示したものに限られるものでなく、その要旨を逸脱しない範囲で種々変更可能である。 Although the present invention has been specifically described above, the present invention is not limited to that shown in the above embodiment, and various modifications can be made without departing from the scope of the invention.
例えば、具体的な処理手順は前述したものに限定されず、図１９に示す変形例１の処理フローに従ってもよい。
For example, the specific processing procedure is not limited to that described above, and the processing flow of
この変形例１は、前記図２に示した基本処理フローにおけるステップ３の第１の画像平滑化を省略したものである。第１の画像平滑化は、入力画像のノイズを低減し、滑らかさ（smoothness）を解剖学的標準化で用いる灰白質テンプレート画像と等しくする意味があるが、元々それらが近い場合はこの平滑化処理を省略することも可能である。この場合、平滑化による情報の損失がないという利点がある。 In the first modification, the first image smoothing in step 3 in the basic processing flow shown in FIG. 2 is omitted. The first image smoothing has the meaning of reducing the noise of the input image and making the smoothness equal to the gray matter template image used in the anatomical standardization. Can be omitted. In this case, there is an advantage that there is no loss of information due to smoothing.
又、同様に、具体的な処理手順は、図２０に示す変形例２の処理フローに従ってもよい。
Similarly, the specific processing procedure may follow the processing flow of
この変形例２は、上記変形例１の処理フローにおいて、灰白質組織抽出と解剖学的標準化の処理を入れ替えたものである。この場合は、解剖学的標準化で使用する標準脳画像テンプレートは灰白質に関するものではなく、抽出前の全体脳に関するものである。この標準全体脳画像テンプレートは、多くの健常者画像の平均画像、又は、多くの健常者画像と多くの患者画像の平均画像から作成する。 The second modification is obtained by replacing the gray matter tissue extraction and anatomical standardization processes in the processing flow of the first modification. In this case, the standard brain image template used in anatomical standardization is not related to gray matter, but is related to the whole brain before extraction. The standard whole brain image template is created from an average image of many healthy person images or an average image of many healthy person images and many patient images.
前記基本処理フローでは、入力脳画像が灰白質テンプレート画像に対して、例えばそのサイズに大きな差がある場合等には、灰白質抽出が正しく行なわれない可能性がある。ところが、この変形例２では、予め解剖学的標準化を行なうことで、灰白質テンプレートとの空間的な対応が良くなるという利点がある。 In the basic processing flow, when there is a large difference in size between the input brain image and the gray matter template image, for example, gray matter extraction may not be performed correctly. However, the second modification has an advantage that the spatial correspondence with the gray matter template is improved by performing anatomical standardization in advance.
又、前記実施形態では、評価値としてＺスコアを使用する検定方法を示したが、これに限定されず、前述した他の一般的な検定方法である２標本ｔ検定等を用いてもよい。 In the above embodiment, the test method using the Z score as the evaluation value is shown. However, the present invention is not limited to this, and the above-described other general test method such as the two-sample t-test may be used.
以上説明したとおり、本発明によれば、被検者から入力した脳画像データに対してＲＯＩによる解析を適用することにより、手作業を介することなく客観的な診断結果を提示することができるようになる。 As described above, according to the present invention, it is possible to present an objective diagnosis result without manual operation by applying analysis by ROI to brain image data input from a subject. become.
又、ＭＲＩ脳画像を入力画像として用いる場合には、ＭＲＩの撮像にはＳＰＥＣＴ等のようにラジオアイソトープを含む造影剤等を投与する必要がなく、それ故に被爆することもないので、肉体的負担が少ない利点もある。又、これによって比較のための患者データ、健常者データも収集し易い。又、ＭＲＩで得られる画像はＳＰＥＣＴ画像と比較して分解能が高いという利点もある。更に、処理の全工程で機械的に処理可能であり、定量的且つ客観的な結果が得られる。 In addition, when an MRI brain image is used as an input image, it is not necessary to administer a contrast medium containing a radioisotope, such as SPECT, for MRI imaging, and therefore, there is no exposure to the physical burden. There is also an advantage of less. This also makes it easy to collect patient data and healthy person data for comparison. In addition, an image obtained by MRI has an advantage that resolution is higher than that of a SPECT image. Furthermore, it can be mechanically processed in all the processing steps, and quantitative and objective results can be obtained.
以上より、画像処理や統計学の専門的知識をもたない医師に対して、ＭＲＩ画像に基づいて疾患別の診断支援を行なうことが可能となる。又、その際、幾つかの疾患の可能性が考えられる患者について、疾患別に用意された参照データと比較することにより、どの疾患の可能性が高いかを評価することが可能となる。 As described above, it becomes possible to provide diagnosis support for each disease based on the MRI image for a doctor who does not have specialized knowledge of image processing or statistics. At that time, it is possible to evaluate which disease is highly possible by comparing a patient who is considered to have several possible diseases with reference data prepared for each disease.
１０…ユーザインタフェース
２０…画像・統計処理部
３０…データベース部
３２…標準脳画像テンプレート
３４…灰白質脳画像テンプレート
３６…健常者画像データベース
３８…疾患特異的ＲＯＩ
DESCRIPTION OF
Claims (8)
ある疾患に関する複数の疾患者の画像群と複数の非疾患者の画像群との２群間について、統計的有意差が認められる標準化脳画像上のボクセルの集合をＲＯＩとして決定し、保存する保存手段と、
入力された被検者の脳画像と、予め作成されている健常者の脳画像との統計的比較を、標準化脳画像上において前記保存手段から読み出した診断対象の疾患についてのＲＯＩを適用して行い、比較結果を表すいくつかの指標となる値を算出する画像・統計処理手段と、
前記統計的比較結果を診断支援情報として表示する結果表示手段と、を備えていると共に、
前記統計的比較を、ボクセル毎にＺスコアを算出して行ない、Ｚスコアに基づいて該ボクセルが異常か否かを判定し、異常と判定されたボクセルのうち、前記診断対象の疾患についてのＲＯＩに属するボクセルを計数し、該ボクセル数を前記統計的比較結果に含めることを特徴とする脳疾患の診断支援装置。 A brain disease diagnosis support apparatus that supports diagnosis by inputting a brain image of a subject, processing the image, and outputting a diagnosis result,
A set of voxels on a standardized brain image where a statistically significant difference is observed between two groups of an image group of a plurality of patients and a group of non-disease related to a disease is determined and stored as ROI Means,
Statistical comparison between the input brain image of the subject and the brain image of a healthy person prepared in advance is applied to the ROI for the disease to be diagnosed read from the storage means on the standardized brain image. An image / statistical processing means for calculating values that serve as some indexes representing the comparison results,
And a result display means for displaying the statistical comparison result as diagnosis support information,
The statistical comparison is performed by calculating a Z score for each voxel, and it is determined whether the voxel is abnormal based on the Z score. Among the voxels determined to be abnormal , the ROI for the disease to be diagnosed diagnosis support apparatus belonging voxels counted, brain disease you characterized by including the number of the voxels in the statistical comparison result.
ある疾患に関する複数の疾患者の画像群と複数の非疾患者の画像群との２群間について、統計的有意差が認められる標準化脳画像上のボクセルの集合をＲＯＩとして決定し、保存する保存手段と、
入力された被検者の脳画像と、予め作成されている健常者の脳画像との統計的比較を、標準化脳画像上において前記保存手段から読み出した診断対象の疾患についてのＲＯＩを適用して行い、比較結果を表すいくつかの指標となる値を算出する画像・統計処理手段と、
前記統計的比較結果を診断支援情報として表示する結果表示手段と、を備えていると共に、
前記統計的比較を、ボクセル毎にＺスコアを算出して行ない、Ｚスコアに基づいて該ボクセルが異常か否かを判定し、異常と判定されたボクセルのうち、前記診断対象の疾患についてのＲＯＩに属するボクセルのＺスコアの平均を算出し、該平均値を前記統計的比較結果に含めることを特徴とする脳疾患の診断支援装置。 A brain disease diagnosis support apparatus that supports diagnosis by inputting a brain image of a subject, processing the image, and outputting a diagnosis result,
A set of voxels on a standardized brain image where a statistically significant difference is observed between two groups of an image group of a plurality of patients and a group of non-disease related to a disease is determined and stored as ROI Means,
Statistical comparison between the input brain image of the subject and the brain image of a healthy person prepared in advance is applied to the ROI for the disease to be diagnosed read from the storage means on the standardized brain image. An image / statistical processing means for calculating values that serve as some indexes representing the comparison results,
And a result display means for displaying the statistical comparison result as diagnosis support information,
The statistical comparison is performed by calculating a Z score for each voxel, and it is determined whether the voxel is abnormal based on the Z score. Among the voxels determined to be abnormal , the ROI for the disease to be diagnosed voxel average Z-scores were calculated, diagnosis support device of the brain disease you characterized by inclusion of the average value to the statistical comparison result belongs to.
該ＭＲＩ脳画像から灰白質組織を抽出して灰白質脳画像を作成し、
該灰白質脳画像に解剖学的標準化を施した後、前記統計的比較を行なうことを特徴とする請求項４に記載の脳疾患の診断支援装置。 After inputting the MRI brain image of the subject,
Extracting gray matter tissue from the MRI brain image to create a gray matter brain image;
5. The brain disease diagnosis support apparatus according to claim 4 , wherein the statistical comparison is performed after anatomical standardization is performed on the gray matter brain image.
該ＭＲＩ脳画像に、解剖学的標準化を施し、
該標準化後のＭＲＩ脳画像から灰白質組織を抽出して灰白質脳画像を作成した後、前記統計的比較を行なうことを特徴とする請求項４に記載の脳疾患の診断支援装置。 After inputting the MRI brain image of the subject,
Anatomic standardization is applied to the MRI brain image,
The brain disease diagnosis support apparatus according to claim 4 , wherein the statistical comparison is performed after gray matter tissue is extracted from the standardized MRI brain image to create a gray matter brain image.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2004047640A JP4025823B2 (en) | 2004-02-24 | 2004-02-24 | Diagnosis support method and apparatus for brain disease |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2004047640A JP4025823B2 (en) | 2004-02-24 | 2004-02-24 | Diagnosis support method and apparatus for brain disease |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2005237441A JP2005237441A (en) | 2005-09-08 |
| JP2005237441A5 JP2005237441A5 (en) | 2007-04-05 |
| JP4025823B2 true JP4025823B2 (en) | 2007-12-26 |
Family
ID=35019811
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2004047640A Expired - Lifetime JP4025823B2 (en) | 2004-02-24 | 2004-02-24 | Diagnosis support method and apparatus for brain disease |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4025823B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016047683A1 (en) * | 2014-09-25 | 2016-03-31 | 大日本印刷株式会社 | Medical image display processing method, medical image display processing device, and program |
Families Citing this family (42)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4807819B2 (en) * | 2004-11-12 | 2011-11-02 | 株式会社日立メディコ | Image processing device |
| JP4721693B2 (en) * | 2004-12-09 | 2011-07-13 | 富士フイルムＲｉファーマ株式会社 | Intracranial volume and local brain structure analysis program, recording medium, and intracranial volume and local brain structure analysis method |
| US8218835B2 (en) | 2005-08-22 | 2012-07-10 | Dai Nippon Printing Co., Ltd. | Method for assisting in diagnosis of cerebral diseases and apparatus thereof |
| US20070081699A1 (en) * | 2005-09-29 | 2007-04-12 | General Electric Company | Systems, methods and apparatus for diagnosis of disease from categorical indices |
| US20070081701A1 (en) * | 2005-09-29 | 2007-04-12 | General Electric Company | Systems, methods and apparatus for tracking progression and tracking treatment of disease from categorical indices |
| US20070081700A1 (en) * | 2005-09-29 | 2007-04-12 | General Electric Company | Systems, methods and apparatus for creation of a database of images from categorical indices |
| EP1959273A4 (en) | 2005-11-30 | 2011-01-26 | Nihon Mediphysics Co Ltd | Head degenerative disease detection method, detecting program, and detector |
| JP2007209583A (en) * | 2006-02-10 | 2007-08-23 | Dainippon Printing Co Ltd | Medical image processor |
| JP5107538B2 (en) * | 2006-07-21 | 2012-12-26 | 富士フイルムＲｉファーマ株式会社 | Diagnostic imaging support system and method |
| WO2008038811A1 (en) * | 2006-09-26 | 2008-04-03 | Dai Nippon Printing Co., Ltd. | Medical image registration system |
| JP4816373B2 (en) * | 2006-09-28 | 2011-11-16 | 大日本印刷株式会社 | Medical image processing system |
| JP5098393B2 (en) * | 2007-03-28 | 2012-12-12 | 大日本印刷株式会社 | Region of interest determination device |
| EP2158574B1 (en) | 2007-06-21 | 2018-12-12 | Koninklijke Philips N.V. | Model-based differential diagnosis of dementia and interactive setting of level of significance |
| JP4685078B2 (en) * | 2007-10-25 | 2011-05-18 | 富士フイルムＲｉファーマ株式会社 | Diagnostic imaging support system |
| JP5172429B2 (en) * | 2008-03-31 | 2013-03-27 | 富士フイルムＲｉファーマ株式会社 | Diagnostic imaging support system |
| US8199982B2 (en) | 2008-06-18 | 2012-06-12 | International Business Machines Corporation | Mapping of literature onto regions of interest on neurological images |
| US8126228B2 (en) | 2008-06-18 | 2012-02-28 | International Business Machines Corporation | Determining efficacy of therapeutic intervention in neurosychiatric disease |
| JP5243865B2 (en) * | 2008-07-07 | 2013-07-24 | 浜松ホトニクス株式会社 | Brain disease diagnosis system |
| US8548823B2 (en) | 2008-07-08 | 2013-10-01 | International Business Machines Corporation | Automatically determining ideal treatment plans for complex neuropsychiatric conditions |
| US9198612B2 (en) | 2008-07-08 | 2015-12-01 | International Business Machines Corporation | Determination of neuropsychiatric therapy mechanisms of action |
| US8388529B2 (en) | 2008-07-08 | 2013-03-05 | International Business Machines Corporation | Differential diagnosis of neuropsychiatric conditions |
| US7996242B2 (en) | 2008-07-08 | 2011-08-09 | International Business Machines Corporation | Automatically developing neuropsychiatric treatment plans based on neuroimage data |
| EP2312337A4 (en) * | 2008-07-28 | 2012-03-28 | Nihon Mediphysics Co Ltd | Technique for detecting cranial nerve disease |
| FR2946171B1 (en) * | 2009-05-29 | 2011-07-15 | Groupe Des Ecoles De Telecommunications Get Ecole Nationale Superieure Des Telecommunications Enst | METHOD OF QUANTIFYING THE EVOLUTION OF PATHOLOGIES INVOLVING CHANGES IN BODY VOLUMES, IN PARTICULAR TUMORS |
| JP5532730B2 (en) * | 2009-08-05 | 2014-06-25 | 大日本印刷株式会社 | CNR measuring apparatus, method and computer program |
| JP5229175B2 (en) | 2009-09-25 | 2013-07-03 | 大日本印刷株式会社 | Medical image display processing method, apparatus, and program |
| JP5699936B2 (en) * | 2009-09-29 | 2015-04-15 | 大日本印刷株式会社 | Method, apparatus and program for operating medical image processing apparatus |
| US8838201B2 (en) * | 2010-06-22 | 2014-09-16 | The Johns Hopkins University | Atlas-based analysis for image-based anatomic and functional data of organism |
| KR101797501B1 (en) | 2010-11-10 | 2017-11-16 | 삼성전자주식회사 | Apparatus and method for analyzing brain disease using magnetic resonance imaging and functional magnetic resonance imaging |
| US9042616B2 (en) | 2010-12-02 | 2015-05-26 | Dai Nippon Printing Co., Ltd. | Medical image processing device |
| JP5816459B2 (en) * | 2011-05-16 | 2015-11-18 | Hoya株式会社 | Electronic endoscope system, operation method of electronic endoscope system, and software |
| JP5970766B2 (en) | 2011-09-26 | 2016-08-17 | 大日本印刷株式会社 | Medical image processing apparatus, medical image processing method, and program |
| JP5469739B2 (en) * | 2012-12-26 | 2014-04-16 | 富士フイルムＲｉファーマ株式会社 | Diagnostic imaging support system |
| CN105163659B (en) * | 2013-05-01 | 2018-10-23 | 株式会社国际电气通信基础技术研究所 | Cerebration analytical equipment, cerebration analysis method and biomarker device |
| KR101611367B1 (en) | 2013-11-18 | 2016-04-12 | 재단법인 아산사회복지재단 | Apparatus and method for servicing diagnosis of brain disease |
| KR101571151B1 (en) | 2014-08-14 | 2015-12-07 | 주식회사 케이유엠텍 | Method of artifacts elimination for computed tomography image |
| KR101530015B1 (en) | 2014-08-29 | 2015-06-18 | 고려대학교 산학협력단 | Method for analysis of densitometry in computed tomography |
| JP6117865B2 (en) * | 2015-07-13 | 2017-04-19 | 富士フイルムＲｉファーマ株式会社 | Computer program |
| JP6800630B2 (en) * | 2015-09-10 | 2020-12-16 | キヤノンメディカルシステムズ株式会社 | Magnetic resonance imaging device and image processing device |
| CN107392167A (en) * | 2017-07-31 | 2017-11-24 | 北京大学第三医院 | A kind of region of interest extracting method of Brain mapping |
| WO2019044082A1 (en) * | 2017-08-28 | 2019-03-07 | 富士フイルム株式会社 | Medical image processing device, method, and program |
| WO2022270151A1 (en) * | 2021-06-25 | 2022-12-29 | 富士フイルム株式会社 | Image processing device, method, and program |
-
2004
- 2004-02-24 JP JP2004047640A patent/JP4025823B2/en not_active Expired - Lifetime
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016047683A1 (en) * | 2014-09-25 | 2016-03-31 | 大日本印刷株式会社 | Medical image display processing method, medical image display processing device, and program |
| JP2016064004A (en) * | 2014-09-25 | 2016-04-28 | 大日本印刷株式会社 | Medical image display processing method, medical image display processing device and program |
| CN106659424A (en) * | 2014-09-25 | 2017-05-10 | 大日本印刷株式会社 | Medical image display processing method, medical image display processing device, and program |
| US10285657B2 (en) | 2014-09-25 | 2019-05-14 | Dai Nippon Printing Co., Ltd. | Medical image display processing method, medical image display processing device, and program |
| CN106659424B (en) * | 2014-09-25 | 2020-06-09 | 大日本印刷株式会社 | Medical image display processing method, medical image display processing device, and program |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2005237441A (en) | 2005-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4025823B2 (en) | Diagnosis support method and apparatus for brain disease | |
| US8218835B2 (en) | Method for assisting in diagnosis of cerebral diseases and apparatus thereof | |
| JP5601378B2 (en) | Medical image processing device | |
| JP5699936B2 (en) | Method, apparatus and program for operating medical image processing apparatus | |
| JP5970766B2 (en) | Medical image processing apparatus, medical image processing method, and program | |
| CN106659424B (en) | Medical image display processing method, medical image display processing device, and program | |
| JP6036009B2 (en) | Medical image processing apparatus and program | |
| JP5098393B2 (en) | Region of interest determination device | |
| JP4022587B2 (en) | Diagnosis support method and apparatus for brain disease | |
| US8331635B2 (en) | Cartesian human morpho-informatic system | |
| Somasundaram et al. | Brain extraction method for T1-weighted magnetic resonance scans | |
| Paniagua et al. | 3D of brain shape and volume after cranial vault remodeling surgery for craniosynostosis correction in infants | |
| JP6705528B2 (en) | Medical image display processing method, medical image display processing apparatus and program | |
| KR102349360B1 (en) | Diagnosis Method and System of Idiopathic Normal Pressure Hydrocephalus Using Imaging Diagnostic Equipment | |
| CN114847922A (en) | Brain age prediction method based on automatic fiber bundle identification | |
| Cárdenes et al. | Analysis of the pyramidal tract in tumor patients using diffusion tensor imaging | |
| KR101455198B1 (en) | Method, system and recordable medium for calculating quantitative assessment index of chest-wall deformities using ct image analysis | |
| US20240013379A1 (en) | Computer-implemented method and system for determining the fetus ventricular volume from diffusion-weighted magnetic resonance imaging, and related nmr ventricle volume assessment method | |
| CN117838089A (en) | Brain hippocampus analysis method and system based on magnetic resonance imaging and electronic equipment | |
| Durgadevi et al. | Foetal brain extraction using mathematically modelled local foetal minima | |
| Fischer et al. | Neuromorphological interpretation of clinical outcome | |
| CA2694527A1 (en) | Cartesian human morpho-informatic system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070220 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070220 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20070220 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20070316 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070327 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070528 |
|
| 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: 20070717 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20070815 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101019 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 4025823 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101019 Year of fee payment: 3 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313115 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101019 Year of fee payment: 3 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111019 Year of fee payment: 4 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121019 Year of fee payment: 5 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121019 Year of fee payment: 5 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121019 Year of fee payment: 5 |
|
| R360 | Written notification for declining of transfer of rights |
Free format text: JAPANESE INTERMEDIATE CODE: R360 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121019 Year of fee payment: 5 |
|
| R370 | Written measure of declining of transfer procedure |
Free format text: JAPANESE INTERMEDIATE CODE: R370 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121019 Year of fee payment: 5 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121019 Year of fee payment: 5 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131019 Year of fee payment: 6 |
|
| EXPY | Cancellation because of completion of term |