JP4499090B2 - 画像領域セグメント化システムおよびその方法 - Google Patents

Description

本発明は、イメージングの分野、より詳細には特定の構造を分離するために画像のあるサブセットをセグメント化するシステムおよび方法に関する。

発明の背景
イメージングの分野、より詳細には医療イメージング（撮像）の分野では、画像領域セグメンテーション法を使用して、動脈、心臓、腎臓、或いは、その他の解剖学的構造などの特定の対象に対応する画像のサブセットを分離する。これらの画像は、例えば、核磁気共鳴映像法(MRI)、コンピュータ断層撮影装置(CT)あるいは他のそのような医療画像システムのような様々な手段によって得ることができる。セグメンテーション(すなわち特徴抽出)は医用画像アプリケーション用の重要なニーズである。放射線技師または内科医が、MRI、CTあるいは他の同様のシステムなどの医療画像システムから得られた画像を見る場合、彼または彼女は、所望の診断に対応する構造を精神的に分離する。コンピュータによって構造を測定するか視覚化しなければならない場合、放射線技師や医者はコンピュータとプログラムを使用して、原画像上の構造を識別しなければならない。

領域セグメンテーション手段には2つの主な種類がある。領域セグメンテーション手段の第１の種類は2進法セグメンテーションである。2進法セグメンテーションは、そのポイントが解剖学的構造に属しても属さなくても、特定の特性、或いは、関数および閾値を使用して、画像中のすべてのボクセルを決定する。領域セグメンテーション法の第２の種類、グレーレベル・セグメンテーションは、特定の特性、即ち、関数、そのポイントが解剖学的構造に属することの「信頼度（確信度）」を使用して、画像中のすべてのボクセルを決定する。

グレーレベル・セグメンテーション手段は、「接続性マップ」即ち、所望される信頼度の最小レベルに依存する解決策を生成し、各ボクセルに対する信頼性のレベルに関連するメンバーシップを生成することによって、閾値を事前に知ることを避けるという利点を持つ。その後、ユーザは、表示されるべきボクセルの信頼度の最小レベルを閾値に単にセットすることができ、得られた画像によって対話式に閾値を上げたり、低下させたりすることができる。

しかしながら、現状でのグレーレベル・セグメンテーション法が最適でない状況がある。例えば、大きな血管をセグメント化しようとする時、アルゴリズムは血管を単に部分的にセグメント化する場合、その密度が、骨の構造が大きな血管の密度に非常に近いものであるため、幾つかの骨構造を含むことになる。更に、ファジー理論を使用するグレーレベル・セグメンテーション・アルゴリズムは、種子ポイントへ接続性および画像ボクセルの密度のメンバーシップに純粋に基づくものである。従って、その密度を持つボクセルは種子ポイントと同一であり、種子ポイントからそこまでの直接パスがあるものと同一であり、例えば、動静脈奇形などのように非常に高いメンバーシップ値を持つであろう。この特徴は、同様の密度を持った別個の構造が存在する場合に、所望の構造を適切にセグメント化、即ち、分けることを困難にする。

本発明の目的は、上述した欠点を除去する、或いは避けるシステムおよび方法を提供することである。本発明によれば、空間的に関連するデータポイントのセットとして格納されるデータセットから構造をセグメント化する方法であって、（ａ）データベースから前記データセットを得るステップと、（ｂ）前記データセットからセグメント化された所望の構造内で種子ポイントの選択を可能にするステップと、（ｃ）前記データセット内の各データポイントが、（ｉ）前記種子ポイントから前記データポイントへのパスを決定し、（ii）前記パスに沿って他のデータポイントの所定の特徴内で変動を検証し、（iii）前記所定の特徴内の前記変動の関数、及び前記パスに沿った前記種子ポイントからの距離に基づいて、データポイントから前記種子ポイントへの接続性を表す信頼のレベルを規定する、ステップと、（ｄ）前記種子ポイント間に追加のパスが存在するか否かを判断し、もし存在する場合には前記ステップ（ｃ）を繰り返し、最も高い信頼のレベルを有するパスを選択するステップと、（ｅ）前記種子ポイントと同じ構造に属することに必要とされる信頼のレベルでデータポイントを選択することにより前記構造をセグメント化するステップと、を含む方が提供される。

本発明の実施例を、添付する諸図面を参照して例示として説明する。図１を参照して、対象の画像データを取得し、画像データから解剖学的構造をセグメント化（分割）し、そのような構造を表示するためのシステムの全体を符号10で示す。本実施例は、医療画像システムによって得られた画像からの解剖学的構造のセグメンテーションに関して説明するが、さらに、そのようなシステムのみならず、それ以外の画像からの他のタイプの構造や構成のセグメンテーション、例えば地質調査画像処理システムからの画像に適用することもできる。

図１に戻るが、システム10は、患者を調べて、画像を生成することができるコンピュータ20にデータを供給するための医療画像（診断）システム12を含む。このデータは所定のパラメータにおける変動を表す空間的に関連するデータポイントのセットとして格納される。各データポイントは、前記パラメータにおける変動（変化）を示すために表示され得るような、１つまたは複数の所定のパラメータタに関する情報を含む。前記所定のパラメータは、典型的には撮像された解剖学的構造の密度であり、カラーまたはグレースケールにおける変化量として表示することができる。コンピュータ20は、コンピュータ上で稼働するプログラム30を含むものであり、データを操作すること、および撮像システムから得られたデータを表示するためのものである。プログラム30は、コンピュータ可読媒体上に格納され得るような機械可読の命令を含むものである。そのような媒体は、例示としてではあるが、磁気ディスク、磁気テープ、CD ROMのような光学的可読な媒体、および、PCMCIAカードのような半導体メモリなどのようなハードウェアおよび／またはソフトウェアを含み得る。それぞれの場合において、媒体は、スモールディスク、フロッピー（登録商標）ディスケット、カセットあるいはそのようなポータブル機器の形式をとることができ、或いはハードディスクドライブ、ソリッドステート・メモリーカードあるいはコンピュータ20で提供されるランダムアクセスメモリのような比較的大きい、即ち移動しない機器の形式をとってもよい。上記のリストされた例示の媒体を単独であるいは組み合わせて使用することができることに注意すべきである。

データおよび結果として生じる画像は、データベース22に格納され、ディスプレイ26に表示するためにキーボード、マウスあるいは他の適切な装置のような、ユーザインターフェイス24でアクセスされる。ディスプレイ26がタッチセンサー式である場合には、ディスプレイ26は、それ自体ユーザインターフェイス24として用いることができる。通常、撮像処理中は、医療画像システム12が、患者をスキャンして、患者の体の一連の断面画像（即ちスライス）を生じさせる。それぞれが計測可能な所定のパラメータ、典型的には密度値を持つような画素からできている断面の画像が、その後、コンピュータ20へ転送される。プログラム30は、ディスプレイ26に表示される画像を閲覧するため、および、データベース22にデータセット28として格納するために、患者の三次元画像を作成するボクセルの３次元アレイにデータをスタックする。ボクセル(すなわちボリューム画素)は、三次元画像の最も小さな識別可能な部分として定義された空間要素である。ユーザインターフェイス24は、オペレーターがシステムと対話するべき設備を提供し、特に、処理される、即ち、システムに様々なパラメータを設定するために、構造を識別するための表示画像26の領域を選択するためのものである。

コンピュータ20は、データセット28を処理する方法で必要とされる画像を生成するプログラム30を使用するが、このことは後で詳細に説明する。

図２で示すように、典型的に、各画像は、個々のボクセルvから構成された3次元配列を形成するスタックされた断面画像で構成される画像であり、このボクセルはデータベース22内にデータセット28として格納される。プログラム30は、図３に図示されたセグメンテーション・アルゴリズムを含み、入力としてブロック102で3次元配列（アレイ）を取得し、ブロック104で対象の構造に位置する、１つまたは複数の種子ポイントsを選択する。種子ポイントsは、個々のボクセルとすることができるが、より一般に便利なやり方としてはデータセット中で選択された初期位置である。初期位置は、通常、選択されており、全体的な構造を見て、対象の領域を選択するためにユーザインターフェイス24を使用して、ユーザがシステムに入力する。あるいは、初期位置は、画像を表すデータ上で使用されるコンピュータ処理で識別され得るデータセットの範囲内で半自動で選択される（システムとの最小限の対話処理がある）、或いは、自動でさえ選択され得る（システムとの対話処理が全くない）。そのようなデータは、例えば、ある物質タイプのデータ特徴（例えばＣＴの骨）、２つの物質タイプの境界などのような特別の特徴として解釈することができる特徴を持っているかもしれず、従って、これを使ってユーザの介在なしでｄデータセット内の初期位置を選択すること使用される。

初期位置は、検査されるべきものに対して、ある方法で（例えば空間或いは時間の相関性によって）、他の画像、即ち、関係するデータセット、或いは、他の画像を検査することから選ぶこともでき、これは、対応する位置が画像上で識別されることを可能にする。そのような画像あるいはデータセットは、多くの原因、例えば、種々の撮像の態様（例えば、同じ患者のＣＴスキャンに関連するＰＥＴスキャン、或いは、超音波データセットに関連するＭＲＩスキャン）、或いは、データセットに関連するアトラス（例えば解剖学的、或いは機能的）に起因するかもしれない。そのような画像あるいはデータセットは、セグメント化されるデータセット (例えば、4次元の心臓のCTデータセット上の初期位置を識別するために2つのＸ線投影図を使うことができる)として同じ寸法である必要がない。

セグメンテーション・アルゴリズムは三次元データに制限されない。それは、任意の多次元態様（複数の次元数がある）画像あるいはデータセットに適用することができる。例えば、4次元のデータセットは、セグメンテーション・アルゴリズムの論理的な拡張によってセグメント化、即ち分けることができる。そのような拡張の最も通常の手段は、4次元のデータセットを、セグメンテーション・アルゴリズムを直接適用することができる3次元データセットの集まりと見なす（３次元のデータセットのこの集まりの中へのインデックスとして４次元をとる）ことであろう。しかしながら、より一般に、セグメンテーション・アルゴリズムは、直接、多次元のデータセットのすべての次元上で作動するように修正される。

ブロック106、即ち、配列の各ボクセルvでは、アルゴリズムは、このボクセルが種子ポイントによって識別された同じ構成に属することについての「信頼度」を計算する。「信頼度」は、特定のボクセルから種子ポイントまで接続性（結合性）として定義され、それは、種子ポイントsからボクセルvまでの経路であるパスP(v、s)に沿った所定の特徴の変化の関数である。従って、パスP(v、s)は、種子ポイントsからボクセルvまで選択され、そのパスに沿った各ボクセルの所定の特徴の変化が決定される。下記に述べるように、この変化はボクセルvに接続性の値を割り当てるために使用される。データ中のボクセルがすべて結合性の割当値を一旦持てば、ブロック108では、必要とされる接続性の程度、即ち、ボクセルが種子ポイントsの場合に同じ構造に属することに必要とされる信頼のレベルでボクセルを選択することによって画像をセグメント化することができる。このレベルは画像を洗練するためにインターフェイス24によって調節することができ、これはブロック110でディスプレイ26に表示される。

この接続性は、幾多の種々の方法で決定することができるが、特に有益なものは数学上ファジー理論概念を使用して決定することである。ファジー空間、ここで、セグメント化される画像を構成するボクセルvの３次元配列、における関数μ(v)が、各要素vの所定の特徴に、区間[0,1]を範囲とする実数値を割り当て、パスP(v,s)がボクセルvからボクセルsまでの一連のポイントである場合には、ｖからsまでの従来の接続性のファジー度は下記の式で表される。
Ｃ_μ（ｖ，ｓ）＝max_P(v,s)[min_p∈P(v,s)μ(p)] 式１
ここでＣ_μ（ｖ，ｓ）は、接続性のレベル、即ち、特徴関数μ上におけるｖとｓとの間の接続性であり、P(v，s)はｖからｓまでのパス（経路）である。

従って、接続性値Cは、種子ポイントとボクセルvとの間のそれぞれのパスにおいて、所定の特徴の最小値のうちの最大のものとして決定される。

古典的なファジー定義を、種子ポイントsに関する修正されたフィールドに適用すると以下の結果となる。
X^S=１−｜η（ｖ）−η（Ｓ）｜ 式２
ここでX^S=｛ｘ^ｓ（ｖ）｝はファジーフィールド空間であり、η（ｖ）は格納されている画像に相当するファジーフィールドを指す。

この関係を利用すると、接続性は次のように表現することができる。

η（ｖ）が密度であり、ボクセルvの区間[0,1]の値としてこの密度が表されるならば、式３で表されるボクセルｖから種子ポイントｓまでの接続性値の定義は以下のようになる。

式４は、画像ボクセルの密度の変化に純粋に基づく接続性と、種子ポイントへの接続され方、即ち連結性に基づく。従って、種子ポイントと同じ密度を持つボクセルであって、例えば動静脈奇形(AVM)のように種子ポイントから直接的なパスがあるようなボクセルは、非常に高いメンバーシップ値を持つだろう。しかしながら、ボクセルが種子ポイントから遠いところにある場合には、信頼度が種子ポイントからの経路の長さによって、より低くなるべきであることを本出願人は認識した。

従って、そのような構成のセグメンテーションを容易ならしめるために、それらの間のパスに沿った種子ポイントからのその距離に比例して、任意のボクセルの接続性値を縮小することができるようにすることが好適である。

パス距離を計算にいれるために、式2で表現された修正されたファジーフィールドを修正して、種子ポイントからボクセルまでのパス距離の関数を含ませる。式２は次のように表すことができる。

ここでαは区間[0,1]に属し、αは式におけるパス距離の相対重みであり、Λ（ｖ、ｓ）はボクセルｖから種子ｓまでのパス距離、即ち、当該パスを含むボクセルの数である。

従って、式5によって表現された修正ファジーフィールドを考えたとき、式３によって表される接続性値の定義は下記のようになる。

従って、接続性Ｃは、パスに沿った各ボクセルにおいて、所定のパラメータ、例えば密度の変動、即ち変化を所得して、パスの長さの関数にこの値を組み合わせることによって決定することができる。与えられたパスに対して組み合わせた最大の値が選択され、2ポイント間で調べたパスのセットに対するそれらの値の最小値を１からから引き、その結果、測定値が最も高い場合に、その値が最小になる。

従って、同じ密度を備えた2つのボクセルについては、種子ポイント（種子点）に近いものの接続がより大きな値を持つことになることが理解されよう。

アルゴリズムにより柔軟性を与えるために、ユーザは、ユーザインターフェイス24を介してαの値（パス距離に与えられる重み）をセットすることもできる。従って、αに０をセットすることによって、式6によって表現された接続は、式３に等価となり、パス距離を考慮しないアルゴリズム関数となる。しかしながら、αの値を増加させることによって、相対密度の影響が弱められ、ボクセルvと種子sとの間のパス距離の重要性が増すことになる。

α値を調整することによって、画像のセグメント化を顕著に改善することができ、特に、大きな密度範囲を示す構造の場合に顕著であり、従って、構造の一部として表示するためには低い信頼度が必要となる。αの値を増加させることは、種子ポイントから次第に接続性値を低下させる効果をもたらし、従って、構造によって呈される範囲内の密度を持つ遠隔の構造を除外する効果がある。これは、接続される構造のセグメンテーションを向上させる。

種子ポイントへのボクセルの接続性を得るアルゴリズムは、図４で示されるフローチャートによって描かれる。アルゴリズムを構成する一連のステップは、一連のブロック202〜210によって示される。ブロック202では、アルゴリズムは、種子ポイントからボクセルまでのまだ通っていないパス（経路）を選択することによりスタートする。パスの選択は任意の適切なアルゴリズムによって行うことことができらが、デレピアン（Dellepiane）らによって記述されたアルゴリズム「多数の値のセグメンテーションのための非線形画像ラベリング」（IEEEトランザクション、イメージ処理(Vol5)No.3、1996年3月、pp.429-446）は特に有用である。

ブロック204では、アルゴリズムは、当該パスにおける全てのボクセルに対して、ボクセルと種子ポイントとの間の重みをつけたパス距離、および密度の差異、の最大の合計で選択されたパスにラベルを付ける。ラベルを得るための計算では選択されたα値を使用する。このα値が変更された場合には、このプロシージャは再スタートする。

ブロック206では、アルゴリズムは、種子ポイントからボクセルまでのパスがすべて考慮されたかどうか判断する。そうでなければ、アルゴリズムは別のパスを選択するためにブロック202に戻る。パスがすべて訪れられた、即ち調査し終えた場合、アルゴリズムはブロック208に進み、そこで最小のラベル値を備えたパスが選択される。最後に、ブロック210では、ボクセルと種子ポイントとの間の接続性値は、ブロック208の中で選択されたパスのラベル値を１から引いたものとしてセットされる。ここで、アルゴリズムは区間［0,1］の接続性値を返すことになるが、その他のスケールを同様に使用することができることに注意されたい。種子ポイントが複数の場合には、ブロック 204は、例えば、種子ポイントの平均密度、ボクセルの密度に最も近い密度を備えた種子ポイントの密度、あるいはボクセルに最も近い種子ポイントの密度を使用することができる。ブロック202〜210で図示したアルゴリズムは、「接続性マップ」と呼ばれる出力アレイ（配列）を生産する。

図5は、構造の中心にある種子ポイント401の選択により、符号402によって識別される血管構造がセグメント化、即ち分けられることになっているAVMの画像を示す。しかしながら、AVM 406、および、血管404などの他の関連する血管が、血管構造402と同じ密度を持つため、これらの接続性値が非常に大きくなり、従って、血管構造402への関連性が残ってしまう。関数を組込む効果は図６，７に見ることができるが、ここでは、式６で表したように、ブロック204のラベル付けステップのための接続性関数を使用して、種子ポイント401からのパス距離を補う。

図６、７は、αを異なる値にしたときの影響を示す。図6では、図5のそれからα値を増加したときのものであり、この場合には、血管構造404およびAVM 406の接続性値を減少させる効果がある。図７はα値をさらに増加させたものであり、ここでは、所望の血管402が適切にセグメント化されている。式6が種子ポイント401と同じ密度をボクセルに備えさせ、遠方にある解剖学的構造のボクセルにはより低い接続性値を持たせるという事実からこの結果が生じるものであり、閾値の調節に従って手、セグメント化されるものからそれらのものを除外する。

上に記述されたアルゴリズムの適用によって生じる接続性マップは、ただ１つのものではなく、各々が異なる対応付する最小レベルの信頼度

である、ソリューションのセットである。接続性の値を変えるの従って、画像に含まれたボクセルの数が、画像即ちディスプレイ26の洗練を可能にするために変わるだろう。接続性マップを使用すると、ユーザは、容易にディスプレイを使用して、ソリューションのセット（求める解）を閲覧することができ、ユーザインターフェイス24を使用して、所望の解剖領域について最も良く描画するものを選択する。図８では、閲覧処理ステップを描くフローチャートが示される。実施される一連のステップは、一連のブロック222 から226で示される。ブロック222では、ユーザはユーザインターフェイス24によって接続性閾値をセットする。また、ブロック224では、基準を満たすボクセルが、データベースから取り出される。また、結果として生じる画像がディスプレイ26上に表示される。ユーザが分析するブロック226では、ブロック224で表示された画像は、それが満足かどうか決定する。画像が満足でない場合、ユーザはブロック222に戻り、新しい接続性閾値を選択する。

閾値を増加させることによって、ユーザは無関係の構造を削除し、種子ポイントが設けられたとところで解剖学的構造を洗練する。異なる画像がブラウズされるとともに、ボクセルに適用された接続性のラベルは、異なる画像を閲覧する場合に使われる。図９で見ることができるように、符号302〜306は3つの異なるソリューションを表すものであり、各々は前もって定義した、即ち所定の最小の接続性値を持つボクセルのセット（組）として見ることができる。t₁がc₁、c₂、c₃よりも小さいような最初の接続性閾値t₁の場合には、ソリューションのセット（解の集合）は符号302によって表されるボクセルになる。接続性閾値を増加させるのにつれて、ソリューションの空間が縮む。t₂がc₃よりも大きいが、c₁、c₂よりも小さいような、t₂に閾値をセットすることによって、閾値よりも小さい接続性値c₃を持つボクセルしv₃は、もはや、符号304によって表されるソリューションのセット（解の集合）の部位ではない。t₃がc₂、c₃よりよりも大きいが、c₁よりも小さいような、t₃に閾値をセットすることによって、閾値よりも小さい接続性値c₂を持つボクセルしv₂は、もはや、符号306によって表されるソリューションのセット（解の集合）の部位ではない。

図１０、１１および１２は、ソリューションのセット302,304および306に対応する三次元画像に対する増加する閾値の影響をそれぞれ示す。閾値が増加されるとともに、セグメンテーション、即ち分離が向上していくことに注意されたい。

距離関数を伴う接続性値の重み付けは、ユーザインターフェイス24を使用して、任意でユーザに彼または彼女が分けたい構成についての情報を埋め込ませることによって、さらに画像を向上させる技法で利用することができる。

コントラストテーブル
セグメンテーションの精度および速度を改善するために、ルックアップ（参照）テーブルを調査中の解剖学的構造と解剖の残りのものとの間の差異を向上させるために使用することができる。ルックアップテーブルは、ある密度、密度の範囲、あるいは、領域に、コントラスト値をマッピング（写像）するか割り当てる。その後、セグメンテーション処理は、ルックアップテーブルのコントラスト値を使用して画像が一旦再マップされた後、画像を操作する。その後、式6によって表現された接続性値は以下のように計算されるだろう。

ここで、密度‘（ｖ）＝ルックアップテーブル[密度（ｖ）]である。

図１３では、ルックアップテーブルの設定および再マッピング処理ステップを描くフローチャートが示される。実行される一連のステップは、一連のブロック232 から240で示される。ブロック232では、方法は、処理用のデータセット28を入力する。ブロック234では、ユーザには、ユーザインターフェイス24を使用して、特定の密度値を選択する、或いは、特定のエリア（領域）を選択することによって、ルックアップテーブル作成するオプションがある。ブロック236では、そのオプションが選択されている場合、ユーザインターフェイス24を使用して、所定の密度に再マップ（写像）されることなる特定の密度値をユーザが入力する。ブロック240では、選択された範囲内の密度は所定の値に再マッピングされ、そしてセグメント化のために処理され、上述したように表示される。

ブロック238では、そのオプションが選択された場合、ユーザは、ユーザインターフェイス24を使用して、共通の値に再マップされるべきボクセル密度を持つデータセット28によって表される画像の特定の領域を選択する。最後に、ブロック240では、ブロック238で選択されたボクセルはすべて、典型的には0(背景)かもしれない共通の値にそれらの密度値を再マップする。そのなることを所望しない場合は、０とは異なっている値を割り当てるように、ブロック240を修正することができることに注意すべきである。

アルゴリズムがこの機能を利点とするための方法には幾つかあるが、主としては、調査している解剖学的な部位でないもの、即ち、対象の値の範囲外にあるものを除外することによってセグメント化の精度を向上させ、画像のノイズを減少させることである。例えば、CTAデータセットでは、肝臓は、骨の密度と同じくらいの高い密度を含んでいない。従って、骨の密度は0(バックグラウンド)まで再マップ（再写像）し、セグメンテーションから除外することができる。別の利点はユーザのミスを制限することにある。ユーザが背景と考えられる領域に種子ポイントを置けば、種子ポイントが無視されるだろう。例えば、ユーザがCTAデータセット中の肝臓をセグメント化することを意図する場合に、骨に置かれた種子ポイントは考慮されないだろう。本アルゴリズムにおけるルックアップテーブルの使用を通じた密度の再マッピングは任意であることに注意すべきである。テーブルが使用されなければ、アルゴリズムはオリジナルの密度値で操作する

ルックアップテーブルの使用の重要な利点は、ビジュアル化方法にセグメンテーションを統合することができるということであり、具体的には、ボリューム・レンダーリングに典型的に使用される不明瞭（opacity）テーブルを使用することである。既に最適値のセットに対する幾つかのアルゴリズム／ワークフローの選択肢があるように、この方法は、同じようにそこにいくつかの利点をもたらす。さらに、それは視界にセグメンテーションを適応させる。

この技法を使用すると、画像中の同様の密度は1つのものとして再マップすることができる。また、これは、いくつかの状況のセグメンテーションを改善する場合がある。

コントラストテーブル（不明瞭）は1つのもとして再マップするような、実際の血管がいくつかの密度を含み得る場合に距離関数と共に使用された時、この方法は非常に強力である。血管の内側にある種子ポイントは、同様に同じ強度を持つこととなる。従って、血管内にあるボクセルは下記のようになる。

(*)については、αが、メンバーシップを１まで減少させる最小のパスに沿った長さを表すことが明確であり、従って、それを使って血管の長さを測定することができる。即ち、ボクセルＶから種子Sまでにメンバーシップ値にＮの差異があれば、血管に沿った距離はＮ／αであることを意味する。

密度範囲
さらにセグメンテーションの精度および速度を改善するために、密度範囲をアルゴリズムによって考慮される密度の範囲を制限するために使用することができる。一旦画像が選択された範囲にない全ての密度を除外することによって再マップされた後、セグメンテーション方法は画像を操作する。ユーザは、特定の密度を指定するか、或いは、より対話的な方法である、種子ポイントに対して相対的に表示するために所定の制限値を指定する、即ち、種子ポイントの密度値の上下になるように考慮された密度の数を指定することによって、密度範囲をセットすることができる。図１４では、密度範囲のセットおよび再マッピング処理ステップを描くフローチャートが示される。実行される一連のステップは、一連のブロック252から264で示される。ブロック252では、本方法は、処理のためにデータセット28を入力する。ブロック254では、ユーザは、ユーザインターフェイス24を使用して、種子ポイントで、あるいは特定の密度範囲の入力により、アルゴリズムによって除外されるべき密度の範囲を設定するオプションがある。ブロック256では、そのオプションが選択されている場合、ユーザはユーザインターフェイス24を使用して、その密度の値が密度範囲の中心になるような種子ポイントを選択し、その密度の広がりは、ブロック260で、ユーザインターフェイス24を使用して、ユーザによって指定される。ブロック258では、そのオプションが選択されている場合、ユーザは、ユーザインターフェイス24を使用して、密度の下限値そして次にブロック262で上限値を設定することにより、密度範囲を指定する。最後に、ブロック264では、指定された密度範囲の外側の密度を持っているボクセルはすべて、0(背景)までそれらの密度値を再マップされる。もし所望であれば、0以外の値を割り当てるために、ブロック240を修正することができることに注目すべきである。

ボリュームサイズ
まださらにセグメンテーションの精度およびスピードを改善するために、データポイントの予想された数を設定して、アルゴリズムによって生成されるソリューションのセットのサイズを制限することができる。例えば、三次元画像については、構造のボリュームサイズ（即ちボクセルの数）を使用して、セグメンテーションをガイドすることができる。図１５に示すように、接続性マップに、オブジェクトのボリュームサイズ（容量サイズ）は、単に、図１５で示すようなヒストグラムを調べ、閾値から最大の接続性値までのすべての値における曲線の下の面積を計算することによって、測定することができる。閾値と構造のボリュームの間に直接的な関係があるので、アルゴリズムは、高い値の閾値で始め、当該閾値よりも高い接続性値を持つようなボクセルが幾つあるのかを計算し、閾値よりも高い接続性値を持つボクセル数が予想されるボリュームサイズに対応するようになるまで閾値を下げることによって、指定されたボリュームを持った構造を抽出するために自動的に最適の閾値を決定することができる。

図１６では、自動的な閾値設定プロセスステップを描くフローチャートが示される。実行される一連のステップは、一連のブロック272から282によって示される。ブロック272では、本方法は処理のためのデータセット28を入力する。ブロック274では、ユーザは、ユーザインターフェイス24を使用して、調査対象の構造の予想ボリュームをセットし、ブロック276では、接続性値をセットする。ブロック278では、ボクセルの接続性レベルは、図４で示されるアルゴリズムを使用して、計算される、その後、ブロック280では、ボリュームは、設定された閾値よりも大きな接続性レベルを持つボクセルの数の計算によって算出される。最後に、ブロック282で、計算されたボリュームと予想ボリュームとを比較して同じかどうかを検証され、計算されたボリュームが大きい場合には、ブロック272で閾値をより大きな値にセットし、計算されたボリュームが小さい場合には、ブロック272でブロックはより小さい値にセットされる。計算されたボリュームと予想ボリュームとを比較して同じかどうかを検証することに代えて、それらの違いを受け入れることが可能なマージン内にあるかどうか確かめることにすることもできることに注意すべきである。

図１７では、コンピュータ20をコントロールするための上述した改善を組込んだプログラム30の操作を描くフローチャートが示される。プログラムによって実行される一連のステップは、一連のブロック502〜522によって示される。ブロック502では、プログラムは、処理用のデータセット28を入力する。
ブロック504では、ユーザには、ユーザインターフェイス24を使用して、所望しない構造および／または密度を除外することを可能にするコントラストテーブルの設定をするオプションがある。
ブロック506では、ユーザインターフェイス24を使用して、考慮されるべき密度の範囲を制限するために密度の範囲をセットするオプションがある。
ブロック508では、ユーザが、何らかのコントラストテーブルあるいは密度範囲をセットしていれば、プログラム30は設定値に従ってデータセット28を再マッピングする。
ブロック510では、ユーザは、ユーザインターフェイス24を使用して、ブロック514によって接続性値の演算に使用されるパスの重みをセットする。
ブロック512では、ユーザは、ユーザインターフェイス24を使用して、ブロック514によって接続性値の評価に使用される種子ポイント(１つまたは複数)をセットする。
ブロック514では、プログラム30は、ブロック510でセットされたパス重み値に従って式6によって接続性値を計算する。
式6が、ブロック508の出力を意味する、修正済のデータセット上で行なわれることに注目すべきである。
ブロック516では、ユーザが、ユーザインターフェイス24を使用して、自動的に最適の閾値を計算するために予想されるボリュームをセットするオプションがある。
ブロック518では、ユーザは、ユーザインターフェイス24を使用して、考慮されるべき最低の接続性値を表す閾値をセットする。ユーザがブロック516で予想ボリュームをセットしている場合、もし所望であれば、ユーザは今までどおりその値を修正することができるが、最適の閾値が既に選択されているであろうことに注目すべきである。
ブロック520では、プログラム30は、ディスプレイ26を使用して、選択された閾値に関連した構造をユーザに示す。
ブロック522では、ユーザは、ディスプレイ26を分析して、所望の構造が表示されているかを評価し、そうでなければ、新しい閾値を設定し、表示された構造をさらに拡張させる、或いは縮小させるために、ユーザはブロック518に戻ることができる。

本発明を特定の実施態様で説明してきたが、本発明の範囲から逸脱することなく実施態様に修正を施すことができ、これら修正は付属の請求の範囲に留まるものであることに注意すべきである。

画像処理システムの構成要素を説明する概略図である。 ボクセルの3次元配列を形成する断面の重なりを示す概略図である。 画像セグメンテーション・アルゴリズムの一般化したフローチャートである。 2つのボクセルの接続性を決定するためのアルゴリズムの一般化したフローチャートである。 第1のパラメータを使用してMRA画像に適用されたセグメンテーション・アルゴリズムの結果を示す図である。 第２のパラメータを使用して、MRA画像に適用されたセグメンテーション・アルゴリズムの結果を示す図である。 第３のパラメータを使用して、MRA画像に適用されたセグメンテーション・アルゴリズムの結果を示す図である。 接続性マップの閲覧プロセスイのアルゴリズムの一般化したフローチャートである。 所定の最小接続性値を持つボクセルのセットを各々表している３つの異なるセグメンテーションソリューションを描く概略図である。 MRA画像のセグメンテーションソリューション上の増加する閾値の影響を示す図である。 MRA画像のセグメンテーションソリューション上の増加する閾値の影響を示す図である。 MRA画像のセグメンテーションソリューション上の増加する閾値の影響を示す図である。 コントラストテーブル設定および再マッピング処理のアルゴリズムの一般化したフローチャートである。 密度範囲設定および再マッピング処理のアルゴリズムの一般化したフローチャートである。 接続性値閾値の関数におけるセグメント化された容積のヒストグラムである。 自動閾値設定処理のアルゴリズムの一般化したフローチャートである。 本発明による画像セグメンテーション・アルゴリズムの一般化したフローチャートである。

Claims (27)

1. 空間的に関連するデータポイントのセットとして格納されるデータセットから構造をセグメント化する方法であって、
   （ａ）データベースから前記データセットを得るステップと、
   （ｂ）前記データセットからセグメント化された所望の構造内で種子ポイントの選択を可能にするステップと、
   （ｃ）前記データセット内の各データポイントが、
   （ｉ）前記種子ポイントから前記データポイントへのパスを決定し、
   （ii）前記パスに沿って他のデータポイントの所定の特徴内で変動を検証し、
   （iii）前記所定の特徴内の前記変動の関数、及び前記パスに沿った前記種子ポイントからの距離に基づいて、データポイントから前記種子ポイントへの接続性を表す信頼のレベルを規定する、ステップと、
   （ｄ）前記種子ポイント間に追加のパスが存在するか否かを判断し、もし存在する場合には前記ステップ（ｃ）を繰り返し、最も高い信頼のレベルを有するパスを選択するステップと、
   （ｅ）前記種子ポイントと同じ構造に属することに必要とされる信頼のレベルでデータポイントを選択することにより前記構造をセグメント化するステップと、
   を含む方法。
2. 請求項１に記載の方法において、
   前記パスの長さが、前記接続性を示す接続性値を得るために、パラメータの変動を使用する前記関数と組み合わされている、ことを特徴とする方法。
3. 請求項１に記載の方法において、
   前記接続性を示す接続性値および前記距離の影響を変えるために、前記パスの長さに重み係数が適用される、ことを特徴とする方法。
4. 請求項３に記載の方法において、
   前記重み係数が可変である、ことを特徴とする方法。
5. 請求項１に記載の方法において、
   前記必要とされる信頼のために、前記接続性用の閾値が設定され、該閾値は表示のために選択された前記データポイントを変えるために調整可能なものである、ことを特徴とする方法。
6. 請求項１に記載の方法において、
   前記関数が、パラメータの最大変動のインジケータである、ことを特徴とする方法。
7. 請求項１に記載の方法において、
   複数の前記パスが評価され、ボリュームサイズ値の適用によって制限される、ことを特徴とする方法。
8. 請求項２に記載の方法において、
   所定の前記パラメータの値が、そこに複数の値のうちの１つを割り当てるためのテーブルにマップされ、前記パラメータの変動の評価が前記テーブルから得られる値に基づき評価される、ことを特徴とする方法。
9. 請求項２に記載の方法において、
   所定の前記パラメータの値が、所定の値の範囲および修正された前記範囲以外のものと比較される、ことを特徴とする方法。
10. 請求項９に記載の方法において、
    前記値が、この値を０まで減少させることによって変更される、ことを特徴とする方法。
11. 請求項２に記載の方法において、
    前記画像の領域が選択され、この領域における所定の前記パラメータの値が変更される、ことを特徴とする方法。
12. 請求項１１に記載の方法において、
    前記値が、この値を０まで減少させることによって変更される、ことを特徴とする方法。
13. 請求項５に記載の方法において、
    前記閾値を超える前記所定の特徴の値が、共通の値に変えられる、ことを特徴とする方法。
14. 請求項２に記載の方法において、
    所定の前記パラメータの値が前記種子ポイントと比較され、前記種子ポイントのそれの所定の制限内にあるものがさらなる処理のために選択される、ことを特徴とする方法。
15. 請求項１に記載の方法において、
    前記選択されたデータポイントの数が、予想される値と比較される、ことを特徴とする方法。
16. 請求項１５に記載の方法において、
    前記必要とされる信頼のための閾値を調整して、前記選択されたデータポイントの数を前記予想される値に整合させる、ことを特徴とする方法。
17. 請求項１５に記載の方法において、
    前記選択されたデータポイントのセットが、構造のボリュームを表す、ことを特徴とする方法。
18. 請求項１に記載の方法において、
    前記種子ポイントが、セグメント化されたもの以外のデータポイントのセットから選択される、ことを特徴とする方法。
19. 請求項１８に記載の方法において、
    前記種子ポイントが、特定の機能を示す前記データセット内の特徴に基づいて選択される、ことを特徴とする方法。
20. 請求項１に記載の方法において、
    前記種子ポイントが、特定の機能を示す特徴を識別するために、データポイントのセットの検証から選択される、ことを特徴とする方法。
21. コンピュータが実行可能な命令を有するコンピュータ読取り可能な媒体であって、コンピュータ装置に、
    （ａ）データベースから前記データセットを得て、
    （ｂ）前記データセットからセグメント化された所望の構造内で種子ポイントの選択を可能にし、
    （ｃ）前記データセット内の各データポイントが、
    （ｉ）前記種子ポイントから前記データポイントへのパスを決定し、
    （ii）前記パスに沿って他のデータポイントの所定の特徴内で変動を検証し、
    （iii）前記所定の特徴内の前記変動の関数、及び前記パスに沿った前記種子ポイントからの距離に基づいて、代表するデータポイントから前記種子ポイントへの接続性を表す信頼のレベルを規定し、
    （ｄ）前記種子ポイント間に追加のパスが存在するか否かを判断し、もし存在する場合には前記ステップ（ｃ）を繰り返し、最も高い信頼のレベルでパスを選択し、
    （ｅ）前記種子ポイントと同じ構造に属することに必要とされる信頼のレベルでデータポイントを選択することにより前記構造をセグメント化すること、
    を実行させる命令を有するコンピュータ読取り可能な媒体。
22. 請求項２１に記載のコンピュータ読取り可能な媒体において、
    前記パスの長さが、前記接続性を示す接続性値を得るために、パラメータの変動を使用する関数と組み合わされている、ことを特徴とするコンピュータ読取り可能な媒体。
23. 請求項２１に記載のコンピュータ読取り可能な媒体において、
    前記接続性を示す接続性値および前記距離の影響を変えるために、前記パスの長さに重み係数が適用される、ことを特徴とするコンピュータ読取り可能な媒体。
24. 請求項２１に記載のコンピュータ読取り可能な媒体において、
    前記必要とされる信頼が、前記接続性のために閾値を設定し、表示のために選択された前記データポイントを変えるために調整可能なものである、ことを特徴とするコンピュータ読取り可能な媒体。
25. 請求項２２に記載のコンピュータ読取り可能な媒体において、
    所定の前記パラメータの値が、そこに複数の値のうちの１つを割り当てるためのテーブルにマップされ、前記パラメータの変動の評価が前記テーブルから得られる値に基づき評価される、ことを特徴とするコンピュータ読取り可能な媒体。
26. 請求項２２に記載のコンピュータ読取り可能な媒体において、
    所定の前記パラメータの値が、前記種子ポイントと比較され、前記種子ポイントのそれの所定の制限内にあるものがさらなる処理のために選択される、ことを特徴とするコンピュータ読取り可能な媒体。
27. 請求項２１に記載のコンピュータ読取り可能な媒体において、
    前記種子ポイントが、特定の機能を示す特徴を識別するために、データポイントのセットの検証から選択される、ことを特徴とするコンピュータ読取り可能な媒体。

Images