JP6329697B2 - 体組織の自動的なセグメンテーションおよび定量化のための方法 - Google Patents
体組織の自動的なセグメンテーションおよび定量化のための方法 Download PDFInfo
- Publication number
- JP6329697B2 JP6329697B2 JP2017512098A JP2017512098A JP6329697B2 JP 6329697 B2 JP6329697 B2 JP 6329697B2 JP 2017512098 A JP2017512098 A JP 2017512098A JP 2017512098 A JP2017512098 A JP 2017512098A JP 6329697 B2 JP6329697 B2 JP 6329697B2
- Authority
- JP
- Japan
- Prior art keywords
- tissue
- voxel
- adipose tissue
- identification
- images
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 123
- 230000011218 segmentation Effects 0.000 title claims description 26
- 238000011002 quantification Methods 0.000 title description 11
- 210000001519 tissue Anatomy 0.000 claims description 121
- 210000001596 intra-abdominal fat Anatomy 0.000 claims description 63
- 210000000577 adipose tissue Anatomy 0.000 claims description 46
- 210000004003 subcutaneous fat Anatomy 0.000 claims description 28
- 206010033675 panniculitis Diseases 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000003187 abdominal effect Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 15
- 230000008520 organization Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 12
- 238000003325 tomography Methods 0.000 claims description 8
- 210000000683 abdominal cavity Anatomy 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000002059 diagnostic imaging Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 12
- 238000000926 separation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000009278 visceral effect Effects 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000968 intestinal effect Effects 0.000 description 5
- 238000007912 intraperitoneal administration Methods 0.000 description 5
- 210000003205 muscle Anatomy 0.000 description 5
- 241000270295 Serpentes Species 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000002902 bimodal effect Effects 0.000 description 3
- 210000000746 body region Anatomy 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007920 subcutaneous administration Methods 0.000 description 3
- 210000004304 subcutaneous tissue Anatomy 0.000 description 3
- 208000004434 Calcinosis Diseases 0.000 description 2
- 241001575980 Mendoza Species 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000002308 calcification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011961 computed axial tomography Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- XDDAORKBJWWYJS-UHFFFAOYSA-N glyphosate Chemical compound OC(=O)CNCP(O)(O)=O XDDAORKBJWWYJS-UHFFFAOYSA-N 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000007918 intramuscular administration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000004303 peritoneum Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 210000000579 abdominal fat Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 210000003736 gastrointestinal content Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012892 rational function Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000392 somatic effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000000293 three-dimensional nuclear magnetic resonance spectroscopy Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30092—Stomach; Gastric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pulmonology (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Description
を使用して、腹腔内の輪郭、および、腹膜内の領域の輪郭の検出が可能となっている。このことにより、独立してのコンピュータ体軸断層撮影画像の方法での内臓脂肪、皮下脂肪、および筋肉内脂肪の組織の評価が可能になっている。しかし、著者自身が指摘しているように、前述の方法には、特定の解剖学上の特性に大きく依存しており、腹腔内の輪郭における不連続性の存在によって大きく影響される。
磁気共鳴画像セット上の脂肪組織の識別、そして、この脂肪組織の内臓脂肪組織および皮下脂肪組織内へのセグメンテーションのための自動的な方法が開示されている。そのような方法は、腹腔画像ボクセルに対応する頂部と、隣接する頂部を接続するエッジを含む、2次元または3次元のグラフの定義に基づく。
内における複数の内部領域の存在、または、この複数の領域の、複数の接続した領域(複数の外部輪郭)への***にさえ繋がり得る。
:computed axial tomography)画像を使用した、皮下脂肪組織(SAT:subcutaneous adipose tissue)と内臓脂肪組織(VAT:visceral adipose tissue)とのセグメンテ
ーションおよび定量化を実施する方法が開示されている。この方法は、脂肪組織ボクセルの局所的な解剖学上の不変量の評価を使用し、その組織の識別および定量化を達成する。
・SAT組織とVAT組織との間の識別が体の全エリアにわたって実施されるので、特に、皮膚にひだがある場合や、患者の動きを原因とするアーチファクトの取得がある場合に、形態的オープニング処理の適用の後の皮膚の除去が不完全だと不適切な組織の識別に繋がり、脂肪組織の評価の際にエラーを引き起こす。
・中心ボクセルが内臓組織としてラベル付けされるのは、その周辺に内臓組織としてラベル付けされたボクセルの数が6以上である場合のみであるので、腹膜内の輪郭の不連続部周辺にある内臓組織の過小評価に繋がる。
・最初のギャップの充填は、形態的オープニング/クロージング処理の適用の間に実施され、このことは、閉じた輪郭によって画定される開領域による形態的オープニング処理の性質に起因して、不完全な方法で体の領域を充填する可能性を増大させる。
・最初の閾値設定が、脂肪組織のみを含む領域を使用して実施され、これにより、特に皮膚と腹膜内キャビティとの間の皮下組織の識別が困難である場合に、体の領域の適切なセグメンテーションが妨げられ、セグメンテーションされた皮下組織の外側の輪郭の不連続性の出現に繋がり、その結果として体の領域の完全な回復を妨げる。
・最終的なSATおよびVATの選択基準が評価される(Mとして表示される)周辺領域は、3×3のサイズであり、これにより、中心のボクセルが属する脂肪組織のタイプを正確に判定するためには不十分な情報が提供され、不正確な組織の識別に繋がる。
・最初のギャップの充填および、追跡光線の半径が制限されたギャップ充填段階には、評価時にボクセルにラベルを付すために、条件として、追跡光線すべてがすでにセグメンテーションされたボクセルと交わることを必要とし、このことが、輪郭に不連続部を含むギャップが完全に充填されることを妨げ、そのような組織の領域を識別から取り除く。
了条件、追跡の間に記録されなければならない情報、光線の追跡の終了時において前述の記録された情報が処理されなければならない方式などの重要な態様を具体的に記載しておらず、場合、条件、およびこれに基づいて取られる行動も記載していない。
a)複数の画像のエリアが、1つまたは別の注目組織(one or another tissue of int
erest)に対応するかを判定するのに必要とされるパラメータを確立すること(establishing)と、
b)前述の複数の画像における識別領域(differentiation region)を画定すること(defining)と、
c)b)で画定された識別領域の内部について、注目組織の各々に属する複数の画像のエリア間を識別すること(differentiating)と、
を含む方法を開発した。
は外部から、組織R105によって画定(delimit)され、内部が組織R104によって
画定されている。そして組織R104は外部から領域R103を画定している。そのような画像R101は、医用画像取得デバイスによって得られた信号の2次元の再構成シーケンスに対応し、それら信号の各々にわたる平面を画定してもよい。一方、組織R104は、連続している場合もあるし、不連続部が存在して部分的に組織103を画定する場合もあり、したがって、1つまたは複数の位置において、組織R102が組織R103と接触
する。同様に、組織R104の位置は、組織R105の位置に非常に近かったり接触していたりする場合もある。最後に、組織R104およびR105の形状と厚さとの両方は、その長さに沿って変化し得る。
R106によって境界が画定された識別領域と、組織R105の外部輪郭によって境界が画定された領域の内部に位置している識別領域とが画定される。ステップR203では、組織R102およびR103の識別が実施される。
よる取得R302と、画像内またはボクセルのサブセットの周辺領域のセットからの、局所的分析(local analysis)の実施による取得R303。そして、最後のステップR304では、前の各ステップで収集された情報から、識別パラメータが確立される。最後に、使用される情報の性質は、コンピュータ体軸断層撮影画像に使用されるハウンズフィールドユニットなどの、様々な領域または組織の測光特徴、または、他のソースからの画像に含まれる注釈(ラベル)などの他の情報に対応し得る。
a)複数の画像の事前処理の実施、
b)体の領域に対する補正の実施、
c)複数の画像の、注目される外部組織R102および内部組織R103、バックグラウンドR107の組織、および他の体組織についての、領域、輪郭、形状、またはテクスチャの評価、
d)識別領域を画定する輪郭R106の取得、
e)周辺(neighborhoods)の局所的なサンプリングの形状およびサイズの確立、
f)周辺の局所的サンプリングを実施する方法の確立、ならびに、
g)外部組織および内部組織の識別のための選択基準の確立
に必要なパラメータが含まれる。
、指向性、または局所的連続性も、その目的のために使用され得る代替形態である。
ット(Level Set)が、上述の原理に基づく技術の例である。同様に、この初期輪郭は、
いくつかの方式で構成され得る。たとえば、バックグラウンドR521内の予め確立された位置では、体または組織R522に極めて近い体R523の内部を囲む。使用する制御ポイントR524の数は、輪郭について必要とされる品質に依存する。
を行うためのステップを記載する概略的フローチャートを示している。第1に、R710で光線追跡の経路の方向が選択され、さらに光線の始点として中心ボクセルが確立される。第2に、R711で、新しいボクセルと交わるまで選択方向に光線追跡を継続し、当該ボクセルの情報が記録される。R712で、光線追跡に沿って記録された情報が、確立された停止基準のいずれかを満たす場合、R713で光線によって満足された停止基準が記録され、追跡を停止する。そうでなければ、光線追跡は継続される。最後に、R714で、追跡光線が依然として存在する場合、ステップR710から再び開始される。そうでなければ、中心ボクセルの光線追跡が終了し、追跡された各光線によって満たされた停止基準の情報リストが得られる。当該リストに記録された情報は、R603で内部組織の選択基準を使用して解析される。
外部組織と、内臓脂肪組織(VAT:visceral adipose tissue)と呼ばれる内部組織と
のいずれであるかを識別するためのコンピュータベースの方法であって、
a)体の様々な組織のセグメンテーションパラメータ、識別領域を画定するのに必要なパラメータ、および、識別領域内の識別を実施するのに必要なパラメータを含む、脂肪組
織の識別に必要なパラメータを確立することと、
b)図9に示すように、皮膚の部分的除去、およびバックグラウンド領域・脂肪組織・非脂肪組織(骨および他の柔らかい組織)の補正・画定・識別を目的として、前述の複数の画像から患者の腹腔領域を除去することと、
c)図10に示すように、前述の腹腔組織の脂肪組織をセグメンテーションすることと、
d)図11に示すように、前述の腹腔領域内の前述のセグメンテーションされた脂肪組織を含む識別領域を画定することと、
e)図12に示すように、前述の識別領域内の前述のセグメンテーションされた脂肪組織に属するボクセルを、皮下脂肪組織または内臓脂肪組織として識別することと、
を含む方法が開示されている。
ここで、αによって輪郭の弾性が制御され、βによって剛性が制御される。また、∇Eextは、(画像からの)外部のエネルギーポテンシャルから生じるベクトル場である。
ー(GVF:Gradient Vector Flow)技術を使用している。この技術により、図5eに示すように、画像によって生じた外部のエネルギー(画像のポテンシャル)のモデル化が可能になり、それにより、図5fに示すような、ベクトル場が得られる。このベクトル場は、Snakeの形状に影響する。前述のベクトル場を得るために、汎関数の最適化が実施される(式2)。
ここで、εは最小化される自由エネルギーであり、fは画像のポテンシャルの関数であり、μ、μx、およびμyはポテンシャルの減衰を制御するための項であり、νは画像に関するベクトル場である。
強力な内臓基準(式7)を使用して記録ベクトルV()を評価することによって識別される
。
ここで、Ibackg()(式8)は、ラベルがバックグラウンドの画像に対応すれば1を返し、そうでなければ0を返す関数である。
連結要素の面積のヒストグラムを分析することによって計算され得る。ここで、当該分析は、ヒストグラムにおける小サイズの連結要素のモードと大サイズの連結要素のモードとを分離する閾値の位置に対応し、この目的のために、分散最小化手法、最急降下法またはk平均などのクラスタリングが使用される。
1.VAT組織のセグメンテーションされた画像内の連結要素が識別され、数えられ、その面積が計算される。こうして、連結要素とそのそれぞれの面積のリストが得られる。
2.ステップ1で得られたリスト内の連結要素の面積の頻度に関するヒストグラムを計算する。小面積モードは小サイズの連結要素(たいていの場合、VATではない)を表し、より頻度の高いモードはより大きい連結要素(たいていの場合、VATである)を示す、二峰性ヒストグラムが得られることが期待される。
3.ステップ3で得られたヒストグラムに基づき、選択閾値を計算する。この処理は、ヒストグラムの各モード間の最適な分離値の近似値を見出すことを試みる処理である。Otsuなどの分散最小化方法、最急降下法、またはグループ化(クラスタリング)およびk平均を用いて、この値を計算するいくつかの自動的方法が存在する。このステップにおけるパラメータとして、得られた選択閾値にわたるバイアス値を定義してもよい。これにより、連結要素の除去の程度を増大または低減させる(分離値に加算または減算する)ことが可能になる。
4.ステップ4で計算された最終的な選択閾値を使用して、小さな連結要素の識別および除去を実施する。このために、ステップ1から得られるリスト内の連結要素の各々の面積を、最終的な選択閾値と比較する。連結要素の面積が閾値より小さい場合、連結要素を、非VATラベルまたは他の脂肪組織を象徴する新たなラベルのいずれかで再ラベル付けする。そうでなければ、連結要素は変更しない。
。
1.注目領域の画像(このステップにおける入力画像は理想的には、注目領域の画像であるが、オリジナルの腸要素すべてを含むオリジナル画像またはオリジナル画像から得られる他の画像も有用であり得る)に基づいて、微分画像と呼ばれる新たな画像を生成する。微分画像は、適切な微分演算子(またはフィルタ)、好ましくは、グラディエントもしくはラプラシアンまたはノイズもしくはエントロピーの推定などのように等方的な演算子の適用の結果である。最後に各ボクセルにおいて絶対値が計算される。
2.オプションとして、オリジナル画像や処理中に生成される別の画像における脂肪組織のセグメンテーション情報を使用して、微分画像を補正(ある領域の除去)してもよい。この処理は、除去の際に誤検知に繋がり得る情報を取り除くことを目的としている。
3.事前に定義されたか自動的に計算される(小さな連結要素のフィルタリング方法に従ってヒストグラムを分析する)値を有する閾値を使用して、微分画像を閾値処理し、閾値を超える値を有するボクセルをラベリングすることで画像をさらにセグメンテーションする。高い値を有するボクセルに関心があるのは、強度に大きな変動が存在する場所を示しているためである。
4.最後に、微分画像上の周辺を分析することによって、正確ではない脂肪組織のボクセルの除去を行う。この処理は、以下の選択、推定、および除去のサブステップを含む。
a.脂肪組織の画像内のVATとしてラベル付けされたボクセルを選択する。選択されたボクセルの各々の周辺を、閾値処理された微分画像内で分析する。この周辺は、様々な寸法および形状を有してもよいが、好ましい実施形態では、少なくとも半径5ボクセルの円形の周辺が使用される。
b.微分画像の内部のラベルが付された周辺とラベルが付されていない周辺の分布を考慮したノイズ(または不規則部)推定を用いて、周辺を分析する。好ましい推定モデルは、信号対ノイズ比であるが、他の代替物を使用してもよい。
c.ボクセルの周辺に関するノイズの推定結果が、事前に定義されたか自動的に判定された閾値(改善1に対する同様の方法の類似物をたどる)を超える場合、当該ボクセルは、VATのセグメンテーション画像内で非VATとして再ラベル付けされる(すなわち、除去される)。
センテージは、μ=13.1%、σ=9.1%であった。さらに、観察者間相違を、評価者間で相違する面積を正解基準のVAT面積に対するパーセンテージで評価で測定して分析したところ、相違または評価者間変動はμ=17.98%、σ=4.33%という結果が得られた。このことは、本方法が、専門家の間で観察された評価者間の変動と比較した場合に、概して、VAT面積の推定について高い正確さが与えられることを示している。
Claims (38)
- 複数の画像から、内部組織と外部組織と2つの注目組織を識別するためのコンピュータベースの方法であって、
a)前記複数の画像のエリアが1つまたは他の注目組織に対応するかを判定するのに必要とされるパラメータを確立するステップと、
b)前記複数の画像からの情報と、前記複数の画像のエリアが前記外部組織および内部組織のいずれに対応するかを判定するのに必要とされる前記パラメータと、を使用して計算される疑似エネルギー汎関数に従うパラメトリックな輪郭を使用して、前記複数の画像における識別領域を画定するステップと、
c)b)で画定された前記識別領域の内部について、注目組織が内部組織と外部組織のいずれであるかを識別するステップと、
d)前記複数の画像における前記内部組織の誤検知と前記内部組織の小さな連結要素とをフィルタリングするステップと、
を含むことを特徴とする方法。 - 前記識別される組織が、同様の測光特徴を有するが、異なる測光特徴を有する他の組織による完全なまたは部分的な境界を有する、
請求項1に記載の方法。 - 前記複数の画像が、医療撮像デバイスによって得られた信号の2次元再構成のシーケンスに対応する、
請求項1に記載の方法。 - 前記パラメトリックな輪郭は動的輪郭であり、前記疑似エネルギー汎関数は微分方程式の解に対応する、
請求項1に記載の方法。 - 前記パラメータを確立するステップは、前記画像に観察される組織の測光特徴を使用することを含む、
請求項1に記載の方法。 - 前記取得デバイスは、測光特徴としてハンスフィールド単位で測定される前記様々な組織の強度を使用する、コンピュータ体軸断層撮影デバイスに対応する、
請求項2、3、および5のいずれか一項に記載の方法。 - 前記識別は、前記識別領域に属する各ボクセルの局所的周辺を評価することによって実施される、
請求項1に記載の方法。 - 識別される各中心ボクセル内の前記局所的周辺の前記評価は、前記識別される中心ボクセルを始点とし停止基準に達するか前記識別領域の外側に達するまで異なる方向に追跡される光線のセットと交わるボクセル内に含まれる情報を評価することによって実施される、
請求項7に記載の方法。 - 前記光線のセットは、医療撮像デバイスによって取得される信号の2次元再構成の各々によって画定された平面上で追跡される、
請求項8に記載の方法。 - 前記光線のセットは、45度の一様な角度でセグメンテーションされた8つの追跡光線に対応する、
請求項9に記載の方法。 - 前記光線の各々に関する前記停止基準は、前記光線と前記注目組織に属さないボクセルとの交差に対応する、
請求項8に記載の方法。 - k本以下の追跡光線が前記識別領域の外部に達する場合、中心ボクセルは内部組織であるとラベル付けされ、
w本以上の光線が前記識別領域の外部に達する場合、前記中心ボクセルは外部組織であるとラベル付けされ、
そうでなければ、前記中心ボクセルは不確定であるとラベル付けされ、
前記kは前記wよりも大である、
請求項11に記載の方法。 - 前記不確定であるとラベル付けされたボクセルは、最終ラベリング規則を使用して、最終識別ウィンドウの内部で識別される、
請求項12に記載の方法。 - 前記最終識別ウィンドウは、前記不確定であるとラベル付けされた中心ボクセルに隣接する8つのボクセルを含む、
請求項13に記載の方法。 - 前記最終識別ウィンドウは、17×17の寸法の正方周辺の前記ボクセルを含み、前記中心ボクセルは不確定であるとラベル付けされたものである、
請求項13に記載の方法。 - 前記最終ラベリング規則は、前記識別ウィンドウの内部において、以前に内部組織であるとラベル付けされたボクセルの数が、以前に外部組織であるとラベル付けされたボクセルの数以上である場合に、中心ボクセルを内部組織であるとラベル付けし、そうでなければ、中心ボクセルを外部組織であるとラベル付けする、
請求項13から15のいずれか一項に記載の方法。 - 前記最終ラベリング規則は、前記識別ウィンドウの内部において、以前に内部組織であるとラベル付けされたボクセルの数が3より大きい場合に、前記中心ボクセルを内部組織であるとラベル付けし、そうでなければ、前記中心ボクセルを外部組織であるとラベル付けする、
請求項16に記載の方法。 - 前記識別領域の内部のギャップを充填するさらなるステップを含み、このステップは、セグメンテーションされていないボクセルの各々を始点とする異なる方向への光線のセットを、すでにセグメンテーションされたボクセルに達するまでまたは最大長さLに達するまで追跡し、これら光線のサブセットQがすでにセグメンテーションされたボクセルに達する場合に前記ボクセルを前記セグメンテーションに含めることによって行われる、
請求項1に記載の方法。 - 前記識別領域の内部の前記注目組織の各ボクセル内を始点とする前記追跡光線のセットは、45度の一様な角度でセグメンテーションされた8つの追跡光線に対応する、
請求項18に記載の方法。 - 患者の腹腔領域の複数の画像から、脂肪組織と呼ばれる注目組織が、皮下脂肪組織(SAT)と呼ばれる外部組織と内臓脂肪組織(VAT)と呼ばれる内部組織とのいずれであるかを識別するためのコンピュータベースの方法であって、
a)脂肪組織の識別に必要なパラメータを確立することと、
b)前記複数の画像から前記患者の腹腔領域を抽出することと、
c)前記腹腔領域内の脂肪組織をセグメンテーションすることと、
d)前記複数の画像の情報と、前記複数の画像のボクセルが皮下脂肪組織または内臓脂肪組織に対応するかを判定するのに必要な前記パラメータとを、使用して計算される疑似エネルギー関数に従うパラメトリックな輪郭を使用して、前記腹腔領域内の前記セグメンテーションされた脂肪組織を含む識別領域を画定することと、
e)前記識別領域の内部の前記セグメンテーションされた脂肪組織に属するボクセルを、皮下脂肪組織または内臓脂肪組織として識別することと、
f)前記複数の画像における前記内臓脂肪組織の誤検知と前記内臓脂肪組織の小さな連
結要素とをフィルタリングすることと、
を含むことを特徴とする、方法。 - 前記複数の画像は、コンピュータ体軸断層撮影撮像デバイスによって得られた信号の2次元再構成のシーケンスに対応する、
請求項20に記載の方法。 - 前記複数の画像内の前記腹腔領域の抽出は、
a)前記複数の画像内の前記患者の前記腹腔領域をセグメンテーションするステップと、
b)セグメンテーションに含まれる外的要素を除去し、前記腹腔領域の輪郭を補正するステップと、
d)外的要素を除去した後に、前記セグメンテーションされた腹腔領域内のギャップを充填するステップと、
e)外的要素の除去、皮膚の除去、および前記ギャップの充填の後に、前記セグメンテーションされた腹腔領域に属する前記複数の画像のボクセルを抽出するステップと、
を含む、請求項20に記載の方法。 - 前記パラメトリックな輪郭は動的輪郭であり、前記疑似エネルギー関数は微分方程式に対する解である、
請求項20に記載の方法。 - 前記セグメンテーションされた脂肪組織の前記識別は、前記識別領域の内部の前記セグメンテーションされた脂肪組織に属する各ボクセルの局所的周辺を評価することによって実施される、
請求項20に記載の方法。 - 識別される各中心ボクセル内の前記局所的周辺の前記評価は、前記識別される中心ボクセルを始点とし停止基準に達するか前記識別領域の外側に達するまで異なる方向に追跡される光線のセットと交わるボクセル内に含まれる情報を評価することによって実施され、
請求項24に記載の方法。 - 前記光線のセットは、コンピュータ体軸断層撮影画像の前記2次元の再構成の各々によって画定された平面上で追跡される、
請求項25に記載の方法。 - 前記光線のセットは、45度の一様な角度でセグメンテーションされた8つの追跡光線に対応する、
請求項26に記載の方法。 - 前記光線の各々に関する前記停止基準は、前記光線と前記脂肪組織に属さないボクセルとの交差に対応する、
請求項25に記載の方法。 - k本以下の追跡光線が前記識別領域の外部に達する場合、中心ボクセルは内臓脂肪組織であるとラベル付けされ、
w本以上の光線が前記識別領域の前記外部に達する場合、中心ボクセルは皮下脂肪組織であるとラベル付けされ、
そうでなければ、中心ボクセルは不確定であるとラベルが付けされ、
前記kは前記wより大である、
請求項28に記載の方法。 - 前記不確定であるとラベル付けされたボクセルは、最終ラベリング規則を使用して、最終識別ウィンドウの内部で識別される、
請求項29に記載の方法。 - 前記最終識別ウィンドウは、前記17×17の寸法の正方周辺のボクセルを含み、前記中心ボクセルは不確定であるとラベルが付けされたものである、
請求項30に記載の方法。 - 前記最終ラベリング規則は、前記識別ウィンドウの内部において、以前に内臓脂肪組織であるとラベル付けされたボクセルの数が、以前に皮下脂肪組織であるとラベル付けされたボクセルの数以上である場合に、中心ボクセルを内臓脂肪組織であるとラベル付けし、そうでなければ、中心ボクセルを皮下脂肪組織であるとラベル付けする、
請求項30または31に記載の方法。 - 外部の要素の除去の後の前記セグメンテーションされた脂肪組織の内部の前記ギャップの充填は、セグメンテーションされていないボクセルの各々を始点とする異なる方向の光線のセットを、すでにセグメンテーションされたボクセルに達するまでまたは最大長さLに達するまで追跡し、前記光線のサブセットQがすでにセグメンテーションされたボクセルに達した場合に前記ボクセルを前記セグメンテーションに含めることによって行われる、
請求項22に記載の方法。 - 前記識別領域の内部のセグメンテーションされていないボクセル内を始点とする前記追跡光線のセットは、45度の一様な角度でセグメンテーションされた8つの追跡光線に対応する、
請求項33に記載の方法。 - 内臓脂肪組織の小さな連結要素をフィルタリングするステップは、
a)VAT組織の前記セグメンテーションされた画像内の前記連結要素を識別することと、
b)前記識別された連結要素の面積の頻度に関するヒストグラムを得ることと、
c)前記連結要素のヒストグラムに基づき、選択閾値を計算することと、
d)VAT組織の前記セグメンテーションされた画像の前記選択閾値よりも面積が小さい前記連結要素のラベルを変更することと、
を含む、請求項20に記載の方法。 - 前記内臓脂肪組織の誤検出のフィルタリングの前記ステップは、
a)前記複数の画像に属する画像から、または前記複数の画像から得られた画像から、微分画像を得ることと、
b)大きさの閾値を得ること、および、前記微分画像内の大きさが前記大きさの閾値を超えるボクセルにラベル付けすることと、
c)前記識別画像内の周辺の分析、およびそのラベル付けされたボクセルに基づき、VAT組織の前記セグメンテーションされた画像内の誤検出として識別された前記ボクセルのラベルを変更することと、
を含む、請求項20に記載の方法。 - さらなるステップとして、前記複数の画像内の、内臓脂肪組織の誤検出のフィルタリング、および、皮下脂肪組織の小さな連結要素のフィルタリングを含む、
請求項20から36のいずれか一項に記載の方法。 - 前記微分画像を得るために使用される演算子が分散に対応する、
請求項37に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CO14-103932 | 2014-05-14 | ||
CO14103932A CO7020178A1 (es) | 2014-05-14 | 2014-05-14 | Método para la segmentación y cuantificación automática de tejidos corporales |
PCT/CO2015/000009 WO2015172753A2 (es) | 2014-05-14 | 2015-05-11 | Método para la segmentación y cuantificación automática de tejidos corporales |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017520354A JP2017520354A (ja) | 2017-07-27 |
JP6329697B2 true JP6329697B2 (ja) | 2018-05-23 |
Family
ID=51610697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017512098A Active JP6329697B2 (ja) | 2014-05-14 | 2015-05-11 | 体組織の自動的なセグメンテーションおよび定量化のための方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10007985B2 (ja) |
EP (1) | EP3144892B1 (ja) |
JP (1) | JP6329697B2 (ja) |
CO (1) | CO7020178A1 (ja) |
WO (1) | WO2015172753A2 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016043691A1 (en) * | 2014-09-15 | 2016-03-24 | Analogic Corporation | Noise reduction in a radiation image |
CN105931251A (zh) * | 2016-05-12 | 2016-09-07 | 中国科学院深圳先进技术研究院 | 一种ct图像扫描床去除方法及装置 |
WO2019000418A1 (zh) * | 2017-06-30 | 2019-01-03 | 上海联影医疗科技有限公司 | 组织密度分析方法及*** |
ES2719264A1 (es) * | 2018-01-08 | 2019-07-09 | Cella Medical Solutions Sl | Equipo de ayuda para intervencion mamaria |
WO2019146357A1 (ja) * | 2018-01-24 | 2019-08-01 | 富士フイルム株式会社 | 医療画像処理装置、方法及びプログラム並びに診断支援装置、方法及びプログラム |
WO2019152850A1 (en) * | 2018-02-02 | 2019-08-08 | Centerline Biomedical, Inc. | Segmentation of anatomic structures |
CN111091017A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 高频次交易状态下的移动支付设备的收银优化方法和装置 |
CN110400626B (zh) * | 2019-07-08 | 2023-03-24 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN110786854A (zh) * | 2019-11-05 | 2020-02-14 | 广州互云医院管理有限公司 | 一种水脂混合体系下的反转回复序列t1测量方法 |
KR20210073282A (ko) * | 2019-12-10 | 2021-06-18 | 한국전자통신연구원 | 영상 처리 장치 및 이를 포함하는 석회화 분석 시스템 |
CN113505798B (zh) * | 2021-06-22 | 2024-03-22 | 浙江工业大学 | 一种时变数据的特征提取与追踪方法 |
CN114862877B (zh) * | 2022-05-27 | 2024-03-22 | 四川大学华西医院 | 基于置信度评分的细胞粘连分割方法和装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5657362A (en) * | 1995-02-24 | 1997-08-12 | Arch Development Corporation | Automated method and system for computerized detection of masses and parenchymal distortions in medical images |
JPH1010053A (ja) * | 1996-06-24 | 1998-01-16 | Nissan Motor Co Ltd | 表面欠陥検査装置 |
JP4095811B2 (ja) * | 2002-02-20 | 2008-06-04 | 正仁 田谷 | 剥離細胞選別装置、剥離細胞選別方法及びそのプログラム |
WO2004089219A1 (ja) * | 2003-04-08 | 2004-10-21 | Hitachi Medical Corporation | 医用画像診断支援装置及び方法 |
WO2007099525A2 (en) | 2006-03-03 | 2007-09-07 | Medic Vision - Brain Technologies Ltd. | System and method of automatic prioritization and analysis of medical images |
JP4670740B2 (ja) * | 2006-06-07 | 2011-04-13 | 富士ゼロックス株式会社 | 画像生成装置、画像処理システム、及びプログラム |
JP4492886B2 (ja) * | 2008-04-03 | 2010-06-30 | 富士フイルム株式会社 | 3次元腹腔内領域検出装置、方法、およびプログラム |
WO2010098211A1 (ja) * | 2009-02-24 | 2010-09-02 | 独立行政法人理化学研究所 | 輪郭抽出装置および輪郭抽出方法、並びにプログラム |
WO2011139232A1 (en) | 2010-05-03 | 2011-11-10 | Nanyang Technological University | Automated identification of adipose tissue, and segmentation of subcutaneous and visceral abdominal adipose tissue |
US9076198B2 (en) * | 2010-09-30 | 2015-07-07 | Nec Corporation | Information processing apparatus, information processing system, information processing method, program and recording medium |
JP5576775B2 (ja) * | 2010-11-29 | 2014-08-20 | オリンパス株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
-
2014
- 2014-05-14 CO CO14103932A patent/CO7020178A1/es unknown
-
2015
- 2015-05-11 EP EP15754102.0A patent/EP3144892B1/en active Active
- 2015-05-11 WO PCT/CO2015/000009 patent/WO2015172753A2/es active Application Filing
- 2015-05-11 JP JP2017512098A patent/JP6329697B2/ja active Active
-
2016
- 2016-11-14 US US15/350,687 patent/US10007985B2/en active Active - Reinstated
Also Published As
Publication number | Publication date |
---|---|
EP3144892A2 (en) | 2017-03-22 |
US20170091935A1 (en) | 2017-03-30 |
WO2015172753A2 (es) | 2015-11-19 |
CO7020178A1 (es) | 2014-08-11 |
WO2015172753A3 (es) | 2016-01-21 |
US10007985B2 (en) | 2018-06-26 |
EP3144892B1 (en) | 2019-01-16 |
JP2017520354A (ja) | 2017-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6329697B2 (ja) | 体組織の自動的なセグメンテーションおよび定量化のための方法 | |
Kwok et al. | Automatic pectoral muscle segmentation on mediolateral oblique view mammograms | |
JP6267710B2 (ja) | 医用画像中の肺結節を自動検出するためのシステム及び方法 | |
Saad et al. | Image segmentation for lung region in chest X-ray images using edge detection and morphology | |
US10869644B2 (en) | Method and system for extracting lower limb vasculature | |
US9990743B2 (en) | Suppression of vascular structures in images | |
CN112885453A (zh) | 用于标识后续医学图像中的病理变化的方法和*** | |
Hogeweg et al. | Suppression of translucent elongated structures: applications in chest radiography | |
Park | Connectivity-based local adaptive thresholding for carotid artery segmentation using MRA images | |
Zhao et al. | An automated pulmonary parenchyma segmentation method based on an improved region growing algorithmin PET-CT imaging | |
Sultana et al. | Detection of pectoral muscle in mammograms using a mean-shift segmentation approach | |
Delmoral et al. | Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study | |
Myint et al. | Effective kidney segmentation using gradient based approach in abdominal CT images | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
Rebelo et al. | Automatic epicardial fat segmentation and volume quantification on non-contrast cardiac Computed Tomography | |
You et al. | Extraction of samples from airway and vessel trees in 3D lung CT based on a multi-scale principal curve tracing algorithm | |
US20220335602A1 (en) | Method and system for image normalisation | |
Peter et al. | Novel registration-based framework for CT angiography in lower legs | |
CN112862787B (zh) | Cta影像数据处理方法、装置及存储介质 | |
US20240104722A1 (en) | Method for detection and characterization of lesions | |
Maitra et al. | Identification of abnormal masses in digital mammogram using statistical decision making | |
Kovács | Automatic segmentation of the vessel lumen from 3D CTA images of aortic dissection | |
Johora et al. | Early Detection of Lung Cancer from CT Scan Images Using Binarization Technique | |
Shaukat | AN EFFICIENT ALGORITHMIC SOLUTION FOR AUTOMATIC SEGMENTATION OF LUNGS FROM CT IMAGES |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20170417 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20170801 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170808 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20171107 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180105 |
|
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: 20180327 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180420 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6329697 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |