JP4327139B2 - 画像処理方法および画像処理プログラム - Google Patents

Description

本発明は、医療用のＸ線ＣＴ（Computed Tomography）装置、ＭＲＩ（Magnetic Resonance Imaging）装置などの各種画像診断機器から得られるボリュームデータから、病変部、臓器、器官などの画像を生成する画像処理方法および画像処理プログラムに関する。

Ｘ線ＣＴ装置およびＭＲＩ装置等の各種画像診断機器は、被検体のボリュームデータから検査部位の断層像を生成し、モニター画面に表示して診断を行うものである。例えば、心臓や血管等の循環器系およびその他の動きのある臓器の場合、それらを構成する組織の動きを断層像により観察して、それら臓器等の機能を診断することが行なわれている。

このような画像診断機器により、高解像度の画像が短時間に得られるようになったことに伴い、取得したボリュームデータから、臓器や腫瘍等の関心領域（Region of Interest）を抽出し、これらを見やすく可視化し、あるいは定量化して面積や体積を量ることにより病変部の診断に役立てている。

従来のボリュームデータに対する領域抽出は、ボリュームデータに対して3次元的に行っていた。また、複数のフェーズ（phase：１ボリュームデータ）がある場合は、それぞれのフェーズに対して領域抽出を行っていた。ここで、領域抽出は、ボリュームデータ内の関心領域を求めることである。また、複数のフェーズに関わる複数のボリュームレンダリング画像を順次表示することによって動画を得ることが出来る。

図７は、従来の画像処理方法のフローチャートを示す。すなわち、従来の画像処理方法では、まず画像診断機器により複数のボリュームデータV1〜nを取得する（ステップＳ２１）。次に、基礎データとするためにボリュームデータV1の正確な領域抽出を行い、領域M1を得る（ステップＳ２２）。そして、ボリュームデータV1〜nのレジストレーション（registration：動き補償や位置あわせなど）を行う（ステップＳ２３）。

次に、ボリュームデータV1の領域抽出M1を基礎データとしてボリュームデータV2〜nの領域抽出を行い、領域M2〜nを得る（ステップＳ２４）。次に、領域M1〜nの差分領域をそれぞれ求め差分領域を利用して異常フェーズ(領域抽出に失敗したフェーズ)を求める（ステップＳ２５）。そして、異常フェーズを検出した場合は、異常フェーズがなくなるまで領域抽出を繰り返していた。

一方、超音波画像やＭＲＩ画像スライス画像における組織の領域抽出を行う２次元的領域抽出方法に関しては、フェーズごとに抽出処理をした上で、誤抽出を検出する方法が知られている。すなわち、各フレームにおいて輪郭を抽出し、領域の面積（または体積）を求め、面積（または体積）の時間的変化を見て、急峻な変化が見られるところは輪郭抽出をやり直す（例えば、特許文献１参照）。
特開平９−２９９３６６号公報

しかしながら、図７に示した従来の画像処理方法にあっては、ステップＳ２２において、ボリュームデータV1の正確な領域抽出により領域M1を得るためには、ユーザによる指示や長大な計算が必要であった。また、ステップＳ２３において、ボリュームデータV1〜nのレジストレーション（動き補償や位置あわせなど）を行う場合も、ユーザによる指示や長大な計算が必要であった。さらに、ステップＳ２５において、領域M1〜nの差分領域をそれぞれ求め、差分領域を利用して異常フェーズを求めるが、撮影中の臓器の変形には対応できないという事情があった。これは、差分領域はラスターデータの比較によって求められるために特に動画像の時間分解能が不十分なときに領域の対応付けが失われるからである。例えば、血管が画像内で移動するときにフェーズ毎に同一の座標に血管の一部でも存在し得ない場合には、時間方向におけるラスターデータの連続性が無いので従来の方法で検出するのは困難であった。

また、従来の画像処理方法は、基準となる抽出領域情報を一つだけ正確に作成し、他のフェーズではその正確な抽出結果を参考データとして利用していたため、他のフェーズでの抽出結果同士を比較して誤りを検出することが困難であった。すなわち、各フェーズの抽出結果は、基準となる抽出領域情報に従属していた。

また、従来の画像処理方法では、第一段階の計算、特に基準とするフェーズにおいて計算結果が正確であることが要求されていたので、その計算には多くの計算時間、およびユーザの確認の手間がかかり、関心領域の画像を応答性よく表示することができなかった。

図８は、例えば、心臓および血管を連続した時間（フェーズ１〜３）で領域抽出するイメージを示し、図８（ａ）は、フェーズ１、フェーズ２およびフェーズ３における理想的な抽出結果を示す。

しかしながら、従来の画像処理方法では、領域をそのままラスターデータとして比較するため、特にボリュームデータにあっては計算量が増大してレジストレーションが困難になり、時系列的に変形する臓器に対して前後のフェーズを利用して補正することが難しかった。従って、図８（ｂ）の実際の抽出結果のフェーズ２に示すように、抽出失敗箇所が生じることが多かった。また、レジストレーションアルゴリズムの多くは処理の過程でなんらかの領域抽出結果が必要であったので、領域抽出結果が得られていない状態では十分なレジストレーション結果を得ることが難しかった。

本発明は、上記従来の事情に鑑みてなされたものであって、少ない計算量で、複数のフェーズの画像における異常を検出することができる画像処理方法および画像処理プログラムを提供することを目的とする。

本発明の画像処理方法は、複数フェーズによって構成される複数のボリュームデータから、それぞれのフェーズに対応する複数の構造情報を取得するステップと、前記複数の構造情報を比較して、構造情報の異常を検出するステップとを有する。

上記構成によれば、複数のボリュームデータのそれぞれから求めた構造情報を比較して構造情報の異常を検出することにより、従来のように動き補償や正確な領域抽出等の計算を行う必要がないため、少ない計算量で、複数のフェーズの画像における異常を検出することができる。

また、本発明の画像処理方法は、前記構造情報には、血管などのパス情報が含まれるものである。また、本発明の画像処理方法は、前記構造情報には、臓器の表面などの面情報が含まれるものである。また、本発明の画像処理方法は、前記構造情報には、組織の中心座標などの座標情報が含まれるものである。

上記構成によれば、血管などのパス情報、臓器の表面などの面情報、および組織の中心座標などの座標情報である構造情報を利用して領域抽出を行うため、異常箇所を検出するための計算量を低減することができ、正確な画像を短時間で作成することができる。

また、本発明の画像処理方法は、前記複数のボリュームデータが、時系列データであるものである。また、本発明の画像処理方法は、前記構造情報の比較は前記時系列データの前後フェーズにおける構造情報を用いるものである。

上記構成によれば、複数のボリュームデータが時系列データであり、異常の判断に時系列データの前後フェーズにおける構造情報を用いるため、構造情報の異常を発見するための処理が簡単になる。

また、本発明の画像処理方法は、前記構造情報から、領域情報を構築するステップを有する。また、本発明の画像処理方法は、前記異常のあるフェーズに対応する前記構造情報を再計算するステップを有する。

上記構成によれば、構造情報から領域情報を構築し、異常フェーズを検出した場合に、異常フェーズに対応する構造情報を再計算するため、少ない計算量で正確な画像を短時間で作成することができる。

また、本発明の画像処理プログラムは、コンピュータに、上記のいずれかの各ステップを実行させるためのものである。

本発明によれば、複数のボリュームデータのそれぞれから求めた構造情報を比較して異常のあるフェーズを検出することにより、従来のように動き補償や正確な領域抽出等の計算を行う必要がないため、複数のフェーズの画像における異常を検出する際、計算量を低減することができる。

次に、本発明の画像処理方法および画像処理プログラムについて、図面を参照して詳細に説明する。

本発明の実施形態にかかる画像処理方法では、Ｘ線ＣＴ装置およびＭＲＩ装置等の各種画像診断機器から、例えば心臓のボリュームデータが所定のフェーズ毎に得られ、得られたボリュームデータがメモリーに格納される。メモリーに一旦格納されたボリュームデータはメモリーから読み出され、所定の演算手段により関心領域が抽出される。

図１は、本実施形態の画像処理方法において、例えば、心臓および血管の関心領域を抽出した場合を示す。各フェーズの画像データから、それぞれ既存の手法（３Ｄ領域拡張法等）を用いて領域を抽出し、抽出領域をあらわすマスクを作成する。すなわち、フェーズＮ−１で領域Ｎ−１を抽出し、フェーズＮで領域Ｎを抽出し、フェーズＮ＋１で領域Ｎ＋１を抽出する。

次に、抽出結果から組織の構造情報を計算する。図２は、本実施形態の画像処理方法において、抽出された領域から細線化処理（skeltonization）によって構造情報を算出し、ツリー状のパスを求める様子を示す。すなわち、フェーズＮ−１のデータから血管の中心線等を表わす構造情報Ｎ−１を算出し、フェーズＮのデータから構造情報Ｎを算出し、フェーズＮ＋１のデータから構造情報Ｎ＋１を算出する。

次に、算出した構造情報を利用して異常箇所を検出する。図３は、パスの分岐の位置、数、枝の長さや位置を比較することにより、異常箇所を検出する様子を示す。すなわち、フェーズＮの構造情報Ｎでは、分岐ａ２，ａ３が存在するが、前のフェーズＮ−１および後のフェーズＮ＋１には対応する分岐が存在しないことを検出する。また、フェーズＮの構造情報Ｎでは、前のフェーズＮ−１に存在する分岐ａ１、および後のフェーズＮ＋１に存在する分岐ａ５が、対応する箇所ａ４に存在しないことを検出する。また、対応する分岐の判断には、例えば枝ｓ１及び枝ｓ4にそれぞれ対応する分岐ａ1，ａ３それぞれの座標の比較を行うことによっても出来る。更に、分岐ａ1，ａ３それぞれに接続している枝の数の比較によっても出来る。更に、分岐ａ1，ａ３それぞれに接続している枝の長さと方向を比較することによっても出来る。比較はそれぞれの要素が一定の範囲を超えたら異常としてもいいし、無次元化する関数を媒介した各要素の合計スコアが一定の範囲を超えたら異常としてもいい。

このように、前後フェーズに対応するものがない分岐、およびあるはずの分岐がない箇所を異常箇所として検出する。また、各フェーズ毎の領域抽出結果より求めた構造情報を、前後のフェーズの領域抽出結果より求めた構造情報を利用して補正し、異常情報を用いて再抽出を行う。異常フェーズに再度同じ条件で抽出処理を行っても同一の異常抽出結果しか得られない。そこで、再抽出の際は条件を変更して抽出処理を行う。例えば、３Ｄ領域拡張法にあっては条件として境界を定めるしきい値と計算開始座標を用いるので、これらを変更する。このときに正常フェーズと比較して異常フェーズに欠損があると判断できた場合にはしきい値を下げてより大きい領域が取得されるようにできる。また、このときに正常フェーズと比較して異常フェーズに欠損があると判断できた場合に正常フェーズに含まれる領域から計算開始座標を選択することが出来る。また、正常フェーズと異常フェーズとを比較して違いのある領域、及びその周辺のみを再計算対象とすることが出来る。このようにすることによって単一の条件で効果的に抽出処理が出来ないフェーズをそれぞれの部分毎に分割して計算をすることが出来るようになる。

この場合に、３次元での通常の領域抽出法の一つである３Ｄ領域拡張法をそのまま数学的に４次元に拡張したいわゆる４Ｄ領域拡張法と異なり、空間方向と時間方向の異方性を利用する。すなわち、構造情報が空間方向で与えられ、時間方向に構造情報が変化するということを利用する。

従来の画像処理方法では、第一段階の計算、特に基準とするフェーズにおいて計算結果が正確であることが要求されていたので、その計算には多くの計算時間、及びユーザの確認の手間がかかっていたが、本実施形態の画像処理方法では、第一段階の計算を正確に行う必要性が薄いので効率が良くなり、また、あらかじめレジストレーションを行っておくことが不要になる。

また、従来は、前のフェーズでの抽出結果を元に、次のフェーズでの抽出を行っていたが、本実施形態では、各フェーズで独立に抽出を行った後、抽出結果同士を比較して誤りを検出するため、例えば、いったん抽出結果を画面に表示した後、時間をかけて補正を行って、徐々に抽出の精度を上げることができる。

また、従来は抽出領域を利用し、あらかじめ動き補償をした後に抽出や比較を行っていたが、この段階での動き補償は大変困難である。一方、本実施形態では、例えば、血管の中心線を求め中心線同士を比較するなど、抽出領域から更に構造情報を求めて利用する。構造情報を用いることにより、ボリュームデータから所定の生体部位の領域抽出を行う場合に、少ない計算量で、異常箇所を含むフェーズを求めることができる。また、異常箇所の構造情報のフェーズを再計算できるのでより正確な領域抽出ができる。

図４は、本実施形態の画像処理方法において、組織の位置座標の変動を検出することにより、領域抽出の失敗を検出する様子を示す。例えば、領域の範囲座標または領域の重心座標をそれぞれのフェーズ毎に求める。すなわち、フェーズＮ−１において、領域の範囲座標（ｘ１〜ｘ２，ｙ１〜ｙ２，ｚ１〜ｚ２）または領域の重心座標（ｘ３，ｙ３，ｚ３）を求め、フェーズＮにおいて、領域の範囲座標（ｘ５〜ｘ６，ｙ５〜ｙ６，ｚ５〜ｚ６）または領域の重心座標（ｘ４，ｙ４，ｚ４）を求める。

この場合、フェーズＮに示すように、領域抽出に失敗すると重心座標（ｘ４，ｙ４，ｚ４）や範囲座標（ｘ５〜ｘ６，ｙ５〜ｙ６，ｚ５〜ｚ６）が大きく動く。これにより、領域抽出の失敗を検出する。その他、領域の体積や領域の表面積を比較してもよい。

本実施形態の画像処理方法によれば、領域の重心座標や範囲座標などの構造情報を利用して領域抽出を行うことにより、異常箇所の領域抽出を再計算できるので、より正確な領域抽出ができる。また、異常箇所の検出数を見ることによって領域抽出結果の信頼性を判断できる。例えば、異常箇所の検出数が０であれば領域抽出結果は正確であるものと推測できるが、異常箇所の検出数が多数であれば、そもそも領域抽出結果の信頼性が低いものと推測できる。

図５は、本実施形態の画像処理方法において、組織の表面情報の変動を検出することにより、領域抽出の失敗を検出する様子を示す。例えば、フェーズ毎に検出できた面の数、面に含まれる面のような異質なトポロジーの検出、前後のフェーズで比較する。そして、前後のフェーズで面の数、トポロジーが変動した場合に、領域抽出の失敗を検出する。

本実施形態の画像処理方法によれば、前後フェーズにおける面の数、トポロジーなどの構造情報が変動した場合、すなわち、構造情報の異常を検出した場合に領域抽出の失敗を検出するので、異常箇所を検出するために領域抽出結果の信頼性を判断できる。また、異常箇所の領域抽出を再計算できるのでより正確な領域抽出ができる。

図６は、本実施形態の画像処理方法のフローチャートを示す。すなわち、本実施形態の画像処理方法では、まず画像診断機器により複数のボリュームデータV1〜nを取得する（ステップＳ１１）。次に、ボリュームデータV1〜nの領域抽出を行い、領域M1〜nを得る（ステップＳ１２）。本実施形態の場合、この領域抽出は、正確である必要はないのでユーザの指示や長大な計算が不要である。

次に、領域M1〜n を細線化しパスL1〜nを得る（ステップＳ１３）。また、パスL1〜nのそれぞれの分岐、枝を抽出する（ステップＳ１４）。そして、パスL1〜nの分岐、枝を比較して異常フェーズを求める（ステップＳ１５）。これにより、柔軟性の高い異常検出が可能である。

本実施形態にかかる画像処理方法によれば、レジストレーション等を行うことなく、複数のボリュームデータのそれぞれから直接領域抽出および構造情報計算を行うので、計算量を低減することができる。また、従来のレジストレーション処理に相当する処理は構造情報取得後に行うので処理が簡単になる。また、各フェーズで独立して取得した構造情報同士を比較して異常を検出するため、領域抽出結果の信頼性を判断できる。また、異常箇所の領域抽出を再計算できるのでより正確な領域抽出ができる。

また、例えば、血管の中心線を求め中心線同士を比較するなど、抽出領域から更に構造情報を求めて利用するため、ボリュームデータから所定の生体部位の領域抽出を行う場合に、少ない計算量で、異常箇所を含むフェーズを求めることができる。

本実施形態の画像処理方法において、例えば、心臓および血管の関心領域を抽出した場合を示す説明図 本実施形態の画像処理方法において、抽出された領域から構造情報を算出し、ツリー状のパスを求める説明図 パスの分岐の位置、数、枝の長さや位置を比較することにより、異常箇所を検出する説明図 本実施形態の画像処理方法において、組織の位置座標の変動を検出することにより、領域抽出の失敗を検出する様子を示す説明図 本実施形態の画像処理方法において、組織の表面情報の変動を検出することにより、領域抽出の失敗を検出する様子を示す説明図 本実施形態の画像処理方法のフローチャート 従来の画像処理方法のフローチャート 心臓および血管を連続した時間（フェーズ１〜３）で領域抽出する説明図

符号の説明

ａ１，ａ２，ａ３，ａ４，ａ５ 構造情報の分岐
（ｘ３，ｙ３，ｚ３）、（ｘ４，ｙ４，ｚ４） 領域の重心座標
（ｘ１〜ｘ２，ｙ１〜ｙ２，ｚ１〜ｚ２）、（ｘ５〜ｘ６，ｙ５〜ｙ６，ｚ５〜ｚ６） 領域の範囲座標

Claims (1)

1. 複数のボリュームデータに含まれる組織の領域を可視化するため、コンピュータに、
   時系列である前記複数のボリュームデータの前後のそれぞれから、所定の条件に基づき前記組織の領域を抽出するステップと、
   前記抽出した組織の領域のそれぞれから、組織の中心線情報、組織の表面情報、及び座標情報のうち、パスの分岐の位置を含む前記組織の中心線情報としての組織の構造情報を計算するステップと、
   前記時系列データの前後のボリュームデータのそれぞれにおける、前記組織の中心線情報に含まれる前記パスの分岐の位置を比較して、パスの分岐がない前記パスの分岐の位置、又はあるはずのパスの分岐がない前記パスの分岐の位置を、異常箇所として検出するステップと、
   前記異常箇所を含む前記組織の構造情報に対応する、前記組織の領域を抽出されたボリュームデータについて、前記所定の条件を変更して、前記組織の領域を抽出するステップと、を実行させるための画像処理プログラム。

Images