JP6378715B2 - 血管検出装置、磁気共鳴イメージング装置、およびプログラム - Google Patents

Description

本発明は、血管を検出するための血管検出装置、当該血管検出装置を有する磁気共鳴イメージング装置、および血管検出装置に適用されるプログラムに関する。

従来より、造影剤を用いて被検体を撮影する磁気共鳴イメージング装置が知られている（特許文献１）。

特開２００９−２６１９０４号公報 特開２０１５−０２３９４４号公報

Med Imag Tech Vol.31 No.2 March 2013

造影剤を用いて被検体を撮影する方法の一例として、オペレータが、胴部を横切る複数のアキシャル面の各々の画像を生成し、各画像の中から大動脈の位置を見つけて、大動脈の位置に、造影剤を検出するためのトラッカー領域を設定する方法がある。また、近年では、大動脈の位置を自動的に検出する手法の一例が発表されている（非特許文献１参照）。

非特許文献１では、スライス勾配磁場のＺdephaserの面積を大きくすることより、アキシャル画像に描出される大動脈内の血液の信号をできるだけ低減させて、大動脈を検出している。しかし、心臓の収縮期では、大動脈の血流速度が低下するため、大動脈内の血液が高信号になることがある。したがって、実際には、高信号の血液の影響を受けて、大動脈内の血液の信号を十分に低減することができない場合がある。この場合、大動脈とは別の組織を大動脈として誤検出したり、あるいは大動脈を検出することができないという問題がある。そこで、大動脈内の血液の信号が十分に低減されない場合でも、大動脈の位置を検出することができる技術が開示されている（特許文献２参照）。

特許文献２の方法では、大動脈内の血液の信号が十分に低減されていない場合でも、大動脈の位置を検出することができる。しかし、アキシャル画像の中には、検出対象である大動脈の断面とは別の部位の断面が、大動脈と類似した信号パターンを示すことがある。この場合、大動脈とは別の部位の断面を、大動脈の断面として誤検出することがある。大動脈が誤検出されると、大動脈からずれた位置にトラッカーが設定されてしまい、造影剤を検出精度が低下するという問題がある。

したがって、画像の血管の検出精度の向上に有効な技術を開発することが望まれている。

本発明の第１の観点は、血管を含む撮影部位に設定された複数のスライスにおける複数の画像を生成する画像生成手段と、
前記複数の画像の各々が前記撮影部位のどの部分の画像であるかに基づいて、前記複数の画像を複数のクラスに分類する分類手段と、
前記画像が、前記複数のクラスのうちのどのクラスに分類されたかに基づいて、前記画像の中から前記血管を検索するための検索領域を設定する設定手段と、
を有する血管検出装置である。

本発明の第２の観点は、血管を含む撮影部位のスキャンを行うスキャン手段を有する磁気共鳴イメージング装置であって、第１の観点の血管検出装置を有する磁気共鳴イメージング装置である。

本発明の第３の観点は、血管を含む撮影部位に設定された複数のスライスにおける複数の画像を生成する画像生成処理と、
前記複数の画像の各々が前記撮影部位のどの部分の画像であるかに基づいて、前記複数の画像を複数のクラスに分類する分類処理と、
前記画像が、前記複数のクラスのうちのどのクラスに分類されたかに基づいて、前記画像の中から前記血管を検索するための検索領域を設定する設定処理と、
をコンピュータに実行させるためのプログラムである。

複数の画像を複数のクラスに分類し、画像が、複数のクラスのうちのどのクラスに分類されたかに応じて、前記画像の中から前記血管を検索するための検索領域を設定するので、画像の中の血管の検出精度を高めることができる。

本発明の一形態の磁気共鳴イメージング装置の概略図である。 処理装置１０が実現する手段の説明図である。 本形態で実行されるスキャンを示す図である。 撮影部位を概略的に示す図である。 ローカライザスキャンＬＳおよび本スキャンＭＳを実行するときのフローの一例を示す図である。 ローカライザスキャンＬＳの説明図である。 ｍ人の被検体ＳＵ_１〜ＳＵ_ｍのアキシャル画像ＤＡ_１〜ＤＡ_ｎ、ＤＡ_ｎ＋１〜ＤＡ_ｎ＋ａ、・・・ＤＡ_ｊ＋１〜ＤＡ_ｋを概略的に示す図である。 アキシャル画像から胴部領域Ｃ１に外接する矩形領域の画像部分を切り取ることにより得られた画像を概略的に示す図である。 分解能がスケールダウンされた後の画像を概略的に示す図である。 スケールダウン後の画像ａ_１’〜ａ_ｎ’ごとに求められたベクトルを示す図である。 被検体ＳＵ_１〜ＳＵ_ｍのアキシャル画像ごとに得られたベクトルα_ｉを示す図である。 隣接行列ＭＡを概略的に示す図である。 分類マップＣＭを示す図である。 ステップＳＴ２のフローの一例を示す図である。 スライスＳＬ_１のアキシャル画像Ｄ_１を概略的に示す図である。 スライスＳＬ_１のアキシャル画像Ｄ_１を２値化することにより得られた２値画像ＤＢ_１を概略的に示す図である。 腕部が削除された２値画像ＤＣ_１を概略的に示す図である。 アキシャル画像Ｄ_１から胴部領域ＨＢに外接する矩形領域の画像部分を切り取ることにより得られた画像を概略的に示す図である。 分解能がスケールダウンされた後の画像Ｄ_１”を概略的に示す図である。 スケールダウン後の画像Ｄ_１”に対して求められたベクトルβ_１を示す図である。 分類マップＣＭに射影された点Ｅを示す図である。 Ｎ個の点を特定する方法の説明図である。 アキシャル画像Ｄ_１〜Ｄ_１０の各々がどのクラスに分類されたかを示す図である。 確率分布モデルの説明図である。 検索領域の設定方法の説明図である。 アキシャル画像Ｄ_１〜Ｄ_１０に対して求められた乗算画像ＭＤ_１’〜 ＭＤ_１０’および検索領域Ｒ_１〜Ｒ_１０を概略的に示す図である。 検出された脳脊髄液ＣＳＦの位置を示す図である。 ラインＬｓおよびＬｅを示す図である。 ウィンドウＷを示す図である。 識別器Ｃを用いて、大動脈Ａを検出するときの説明図である。 アキシャル画像Ｄ_１〜Ｄ_１０の各々について、ステップＳＴ２により求められた大動脈の位置ＰＡ１〜ＰＡ１０を概略的に示す図である。 平面ＦＳを概略的に示す図である。 トラッカー領域の設定方法の一例の説明図である。 胴部領域Ｃ１の体表部分が含まれないように画像部分を切り取り、ベクトルα_１〜α_ｋを求める一例を概略的に示す図である。

以下、発明を実施するための形態について説明するが、本発明は、以下の形態に限定されることはない。

図１は、本発明の一形態の磁気共鳴イメージング装置の概略図である。
磁気共鳴イメージング装置（以下、「ＭＲＩ装置」と呼ぶ。ＭＲＩ：Magnetic Resonance Imaging）１は、マグネット２、テーブル３、受信コイル４、造影剤注入装置５などを有している。

マグネット２は、被検体１４が収容される収容空間２１を有している。また、マグネット２は、超伝導コイル２２と、勾配コイル２３と、ＲＦコイル２４とを有している。超伝導コイル２２は静磁場を印加し、勾配コイル２３は勾配パルスを印加し、ＲＦコイル２４はＲＦパルスを印加する。尚、超伝導コイル２２の代わりに、永久磁石を用いてもよい。

テーブル３は、被検体１４を搬送するためのクレードル３ａを有している。クレードル３ａによって、被検体１４は収容空間２１に搬送される。

受信コイル４は、被検体１４に取り付けられている。受信コイル４は、被検体１４からの磁気共鳴信号を受信する。
造影剤注入装置５は、被検体１４に造影剤を注入する。

ＭＲＩ装置１は、更に、制御部６、送信器７、勾配磁場電源８、受信器９、処理装置１０、記憶部１１、操作部１２、および表示部１３などを有している。

制御部６は、処理装置１０から、シーケンスで使用されるＲＦパルスおよび勾配パルスの波形情報や印加タイミングなどを含むデータを受け取る。そして、制御部６は、ＲＦパルスのデータに基づいて送信器７を制御し、勾配パルスのデータに基づいて勾配磁場電源８を制御する。また、制御部６は、造影剤注入装置５の造影剤の注入開始のタイミングの制御や、クレードル３ａの移動の制御なども行う。尚、図１では、制御部６が、造影剤注入装置５、送信器７、勾配磁場電源８、クレードル３ａなどの制御を行っているが、造影剤注入装置５、送信器７、勾配磁場電源８、クレードル３ａなどの制御を複数の制御部で行ってもよい。例えば、造影剤注入装置５を制御する制御部と、送信器７および勾配磁場電源８を制御する制御部と、クレードル３ａを制御する制御部とを別々に設けてもよい。

送信器７は、制御部６から受け取ったデータに基づいて、ＲＦコイル２４に電流を供給する。
勾配磁場電源８は、制御部６から受け取ったデータに基づいて、勾配コイル２３に電流を供給する。

受信器９は、受信コイル４で受信された磁気共鳴信号に対して、検波などの処理を行い、処理装置１０に出力する。尚、マグネット２、受信コイル４、制御部６、送信器７、勾配磁場電源８、受信器９を合わせたものが、スキャン手段に相当する。

記憶部１１には、処理装置１０により実行されるプログラムなどが記憶されている。尚、記憶部１１は、ハードディスク、ＣＤ−ＲＯＭなどの非一過性の記憶媒体であってもよい。処理装置１０は、記憶部１１に記憶されているプログラムを読み出し、プログラムに記述されている処理を実行するプロセッサとして動作する。処理装置１０は、プログラムに記述されている処理を実行することにより、種々の手段を実現する。図２は、処理装置１０が実現する手段の説明図である。

画像生成手段１０１は、被検体１４の撮影部位を横切る複数のスライスの各々の画像を生成する。

分類手段１０２は、画像生成手段１０１により得られた複数の画像の各々が撮影部位のどの部分の画像であるかに基づいて、複数の画像を複数のクラスに分類する。クラスについては後述する。

検索領域設定手段１０３は、複数の画像の各々が複数のクラスのうちのどのクラスに分類されたかに基づいて、画像ごとに、血管を検索するための検索領域を設定する。

検出手段１０４は、検索領域の中から大動脈の位置を検出する。
平面計算手段１０５は、検出手段１０４により検出された大動脈Ａの位置ＰＡ１〜ＰＡ１０（図３１参照）に基づいて、大動脈を縦断する平面を計算する。

トラッカー領域設定手段１０６は、造影剤を検出するためのトラッカー領域Ｒ_ｔ（図３３参照）を設定する。

ＭＲＩ装置１は、処理装置１０を含むコンピュータを備えている。処理装置１０は、記憶部１１に記憶されているプログラムを読み出すことにより、画像生成手段１０１〜トラッカー領域設定手段１０６などを実現する。尚、処理装置１０は、一つのプロセッサで画像生成手段１０１〜トラッカー領域設定手段１０６を実現してもよいし、２つ以上のプロセッサで、画像生成手段１０１〜トラッカー領域設定手段１０６を実現してもよい。また、処理装置１０が実行するプログラムは、一つの記憶部に記憶させておいてもよいし、複数の記憶部に分けて記憶させておいてもよい。処理装置１０は血管検出装置に相当する。

図１に戻って説明を続ける。
操作部１２は、オペレータにより操作され、種々の情報をコンピュータ８に入力する。表示部１３は種々の情報を表示する。
ＭＲＩ装置１は、上記のように構成されている。

図３は本形態で実行されるスキャンを示す図、図４は撮影部位を概略的に示す図である。
本形態では、ローカライザスキャンＬＳと本スキャンＭＳなどが実行される。
ローカライザスキャンＬＳは、スライス位置やトラッカー領域Ｒ_ｔ（図３３参照）を設定するときに使用される画像を取得するためのスキャンである。トラッカー領域Ｒ_ｔは、大動脈Ａに流れる造影剤を検出するために設定される領域である。
ローカライザスキャンＬＳの後に本スキャンＭＳが実行される。

本スキャンＭＳでは、被検体に造影剤が注入され、トラッカー領域Ｒ_ｔから造影剤を検出するためのシーケンスが繰り返し実行される。そして、トラッカー領域Ｒ_ｔに所定量の造影剤が注入したときに、肝臓の画像を取得するためのイメージングシーケンスが実行される。以下に、ローカライザスキャンＬＳおよび本スキャンＭＳを実行するときのフローの一例について説明する。

図５は、ローカライザスキャンＬＳおよび本スキャンＭＳを実行するときのフローの一例を示す図である。
ステップＳＴ１では、ローカライザスキャンＬＳ（図２参照）を実行する。

図６は、ローカライザスキャンＬＳの説明図である。
ローカライザスキャンＬＳは、被検体の肝臓および肝臓の周辺の臓器を含む部位の画像を取得するためのスキャンである。図６には、ローカライザスキャンＬＳを実行するときのスライスが示されている。ローカライザスキャンＬＳでは、アキシャル、サジタル、およびコロナルの画像が取得されるが、図６では、説明の便宜上、アキシャルの画像を取得するための複数枚のスライス（ここでは、１０枚のスライスＳＬ_１〜ＳＬ_１０）が示されている。

ローカライザスキャンＬＳを実行する場合、制御部６（図１参照）は、ローカライザスキャンＬＳで使用されるシーケンスのＲＦパルスのデータを送信器７に送り、ローカライザスキャンＬＳで使用されるシーケンスの勾配パルスのデータを勾配磁場電源８に送る。送信器７は、制御部６から受け取ったデータに基づいてＲＦコイル２４に電流を供給し、勾配磁場電源８は、制御部６から受け取ったデータに基づいて勾配コイル２３に電流を供給する。したがって、ＲＦコイル２４はＲＦパルスを印加し、勾配コイル２３は勾配パルスを印加する。ローカライザスキャンＬＳが実行されることにより、撮影部位からＭＲ信号が発生する。ＭＲ信号は受信コイル４（図１参照）で受信される。受信コイル４は、ＭＲ信号を受信し、ＭＲ信号の情報を含むアナログ信号を出力する。受信器９は、受信コイル４から受け取った信号に対して、検波などの信号処理を行い、信号処理により得られたデータを処理装置１０に出力する。

画像生成手段１０１（図２参照）は、ローカライザスキャンＬＳにより収集されたデータに基づいて、スライスＳＬ_１〜ＳＬ_１０の画像Ｄ_１〜Ｄ_１０を作成する（以下では、この画像を「アキシャル画像」と呼ぶ）。ここでは、アキシャル画像Ｄ_１、Ｄ_４、Ｄ_６、およびＤ_１０が概略的に示されている。スライスＳＬ_１〜ＳＬ_１０は大動脈Ａを横切っているので、アキシャル画像Ｄ_１〜Ｄ_１０には、大動脈Ａの断面が描出される。

アキシャル画像には、３つの領域が含まれている。一つ目は、被検体の胴部の断面を表す領域（以下、「胴部領域」と呼ぶ）ＨＢであり、２つ目は、被検体の左腕の断面を表す領域（以下、「左腕領域」と呼ぶ）ＨＬであり、３つ目は、被検体の右腕の断面を表す領域（以下、「右腕領域」と呼ぶ）ＨＲである。
アキシャル画像Ｄ_１〜Ｄ_１０を作成した後、ステップＳＴ２に進む。

ステップＳＴ２では、分類手段１０２（図２参照）が、アキシャル画像Ｄ_１〜Ｄ_１０を複数のクラスに分類する。以下に、アキシャル画像Ｄ_１〜Ｄ_１０の分類方法について説明する。尚、以下の例では、ラプラシアン固有マップ法を用いてアキシャル画像を分類する方法について説明する。

本形態では、アキシャル画像Ｄ_１〜Ｄ_１０を、以下の４つのクラスに分類する。
クラスI：肺の断面積が大きいアキシャル画像
クラスII：肺と肝臓の境界の近傍を横切るアキシャル画像
クラスIII：肝臓の断面積が大きいアキシャル画像
クラスIV：肝臓および腎臓を横切るアキシャル画像

本形態では、被検体を撮影する前に、アキシャル画像Ｄ_１〜Ｄ_１０の各々が４つのクラスI〜IVのうちのどのクラスに属するかを分類するための分類マップを予め用意しておき、この分類マップを用いて、アキシャル画像の分類を行っている。以下に、分類マップの作成方法の一例について説明する。

図７〜図１３は、分類マップの作成方法の説明図である。
先ず、分類マップを作成するために使用する腹部のアキシャル画像を複数枚用意する。図７に、ｍ人の被検体ＳＵ_１〜ＳＵ_ｍから、腹部の複数枚のアキシャル画像ＤＡ_１〜ＤＡ_ｎ、ＤＡ_ｎ＋１〜ＤＡ_ｎ＋ａ、・・・ＤＡ_ｊ＋１〜ＤＡ_ｋを用意した例が示されている。各アキシャル画像には、胴部領域Ｃ１、左腕領域Ｃ２、および右腕領域Ｃ３が表示されている。本形態では、ｍ人の被検体ＳＵ_１〜ＳＵ_ｍから、ｋ枚のアキシャル画像ＤＡ_１〜ＤＡ_ｋが用意された例が示されている。

次に、分類マップを作成するマップ作成者は、アキシャル画像ＤＡ_１〜ＤＡ_ｋの各々が上記のクラスI〜IVのうちのどのクラスに属するかを決める。例えば、アキシャル画像ＤＡ_１およびＤＡ_２などはクラスIに属すると決定され、アキシャル画像ＤＡ_ｋなどはクラスIVに属すると決定される。

次に、アキシャル画像ＤＡ_１〜ＤＡ_ｋの各々から、胴部領域Ｃ１に外接する矩形領域の画像部分を切り取る。図８は、アキシャル画像から胴部領域Ｃ１に外接する矩形領域の画像部分を切り取ることにより得られた画像を概略的に示す図である。尚、図８では、説明の便宜上、被検体ＳＵ_１〜ＳＵ_ｍのうちの被検体ＳＵ_１のみを取り上げて、アキシャル画像から切り取られた画像が示されている。

図８では、アキシャル画像ＤＡ_１〜ＤＡ_ｎから切り取られた画像は、符号ａ_１，ａ_２、・・・ａ_ｎで示されている。また、切り取られた画像ａ_１〜ａ_ｎのサイズはｖｉ×ｗｉ（ｉ＝１〜ｎ）のピクセル数で示されている。矩形領域は胴部領域Ｃ１に外接しているので、左腕領域Ｃ２および右腕領域Ｃ３は、切り取られた画像ａ_１〜ａ_ｎに含まれないようにすることができる。

アキシャル画像ＤＡ_１〜ＤＡ_ｎから胴部の画像部分を切り取った後、切り取られた画像ａ_１〜ａ_ｎの分解能をスケールダウンする。図９は、分解能がスケールダウンされた後の画像を概略的に示す図である。スケールダウン後の画像は、符号ａ_１’，ａ_２’、・・・ａ_ｎ’で示されている。スケールダウン後の画像ａ_１’〜ａ_ｎ’は、同じサイズの分解能（ｖ０×ｗ０）にスケールダウンされている。例えば、ｖ０＝４４、ｗ０＝２２である。このようにスケールダウンすることにより、分解能が同じ画像ａ_１’〜ａ_ｎ’を作成することができる。

次に、スケールダウン後の画像ａ_１’〜ａ_ｎ’の各々のベクトルを求める。
図１０は、スケールダウン後の画像ａ_１’〜ａ_ｎ’ごとに求められたベクトルを示す図である。

先ず、スケールダウン後の画像ａ_１’〜ａ_ｎ’のうちのｉ番目の画像ａ_ｉ’のベクトルα_ｉについて考える。α_ｉは、画像ａ_ｉ’の各ピクセルのピクセル値を要素として規定されるベクトルである。画像ａ_ｉ’が有するピクセル数をｔ（＝ｖ０×ｗ０）とすると、ベクトルαｉは以下の式で表すことができる。
α_ｉ＝（α_ｉ１，α_ｉ２，α_ｉ３，α_ｉ４，α_ｉ５，・・・，α_ｉｔ）・・・（１）
α_ｉ１，α_ｉ２，α_ｉ３，α_ｉ４，α_ｉ５，・・・，α_ｉｔは、画像ａ_ｉ’の各ピクセルのピクセル値を表しており、ベクトルα_ｉは、ｔ個の要素を有するベクトルで表される。

したがって、例えば、ｉ＝１、即ち、画像ａ_１’のベクトルα_１は、以下の式で表すことができる。
α_１＝（α_１１，α_１２，α_１３，α_１４，α_１５，・・・，α_１ｔ）・・・（２）

図１０では、代表して、ｉ＝１、２、３、６、およびｎのベクトルα_１、α_２、α_３、α_６、およびα_ｎが示されている。

図８〜図１０では、被検体ＳＵ_１のアキシャル画像ＤＡ_１〜ＤＡ_ｎのベクトルα_１〜α_ｎを求める例について説明したが、他の被検体ＳＵ_２〜ＳＵ_ｍのアキシャル画像についても、上記の方法で、ベクトルα_ｉが求められる。図１１に、被検体ＳＵ_１〜ＳＵ_ｍのアキシャル画像ごとに得られたベクトルα_ｉを示す。本形態では、被検体ＳＵ_１〜ＳＵ_ｍからｋ個のアキシャル画像ＤＡ_１〜ＤＡ_ｋが用意されているので、ｋ個のベクトルα_１〜α_ｋが得られる。

これらのベクトルα_１〜α_ｋを求めた後、隣接行列ＭＡを求める。図１２に隣接行列ＭＡを概略的に示す。隣接行列ＭＡの各要素は、２つのベクトル間の距離ｄ_ｉｊを表す。

隣接行列ＭＡを求めた後、距離ｄ_ｉｊに応じてHeat Kernelで隣接行列ＭＡに重みをつけることにより、行列Ｗを求める。そして、行列Ｗの各列の和を対角要素とする対角行列Ｄを求め、行列ＷおよびＤに基づいて、ラプラシアン行列を求める。

ラプラシアン行列を求めた後、ラプラシアン行列の固有問題を解き、ｋ個の固有ベクトルを求める。ｋ個の固有ベクトルを求めた後、ｋ個の固有ベクトルの中から、固有値が最小となる固有ベクトルＦ１と、固有値が２番目に小さい値となる固有ベクトルＦ２とを特定する。したがって、２つの固有ベクトルＦ１およびＦ２を用いて被検体ＳＵ_１〜ＳＵ_ｍのアキシャル画像ＤＡ_１〜ＤＡ_ｋ（図７参照）の関係を表すマップを得ることができる。図１３に、得られたマップの一例を概略的に示す。マップＣＭの横軸は固有ベクトルＦ１の要素を表しており、縦軸は固有ベクトルＦ２の要素を表す。マップＣＭにおけるアキシャル画像ＤＡ_１〜ＤＡ_ｋの位置は、座標点（ｆ１，ｆ２）（ｆ１：固有ベクトルＦ１の要素、ｆ２：固有ベクトルＦ２の要素）で決定することができる。図１３では、説明の便宜上、アキシャル画像ＤＡ_１〜ＤＡ_ｋの位置を表す点が、４つの記号（×、□、△、○）を用いて示されている。×は、クラスI（肺の断面積が大きいアキシャル画像）に属するアキシャル画像の位置を表す点を示している。□は、クラスII（肺と肝臓の境界の近傍を横切るアキシャル画像）に属するアキシャル画像の位置を表している。△は、クラスIII（肝臓の断面積が大きいアキシャル画像）に属するアキシャル画像の位置を表している。○は、クラスIV（肝臓および腎臓を横切るアキシャル画像）に属するアキシャル画像の位置を表している。

本形態では、図１３に示すマップＣＭが、ローカライザスキャンＬＳで得られたアキシャル画像Ｄ_１〜Ｄ_１０（図６参照）を分類するための分類マップとして使用される。この分類マップＣＭは、記憶部１１（図１参照）に記憶されている。

ステップＳＴ２では、分類手段１０２は、記憶部１１に記憶された分類マップＣＭに基づいて、ローカライザスキャンＬＳで得られたアキシャル画像Ｄ_１〜Ｄ_１０を複数のクラスI〜IVに分類する。以下に、分類マップＣＭに基づいてアキシャル画像Ｄ_１〜Ｄ_１０を複数のクラスI〜IVに分類する手順について、図１４を参照しながら説明する。

図１４は、ステップＳＴ２のフローの一例を示す図である。
ステップＳＴ２は、ステップＳＴ２１〜ＳＴ２９を有している。以下、ステップＳＴ２１〜ＳＴ２９について順に説明する。

ステップＳＴ２１では、分類手段１０２は、スライスＳＬ_１〜ＳＬ_１０のアキシャル画像Ｄ_１〜Ｄ_１０の中から、１枚のアキシャル画像を選択する。ここでは、肺を横切るスライスＳＬ_１のアキシャル画像Ｄ_１が選択されたとする。図１５に、選択されたスライスＳＬ_１のアキシャル画像Ｄ_１を概略的に示す。アキシャル画像Ｄ_１には、被検体の胴部領域ＨＢだけでなく、左腕領域ＨＬおよび右腕領域ＨＲも描出されている。スライスＳＬ_１のアキシャル画像Ｄ_１を選択した後、ステップＳＴ２２に進む。

ステップＳＴ２２では、分類手段１０２が、スライスＳＬ_１のアキシャル画像Ｄ_１を２値化する。図１６に、スライスＳＬ_１のアキシャル画像Ｄ_１を２値化することにより得られた２値画像ＤＢ_１を概略的に示す。分類手段１０２は、胴部領域ＨＢ、左腕領域ＨＬ、および右腕領域ＨＲが論理値１で表され、体外領域は論理値０で表されるように、２値化処理を実行する。したがって、体内領域が論理値１で表され、体外領域が論理値０で表された２値画像ＤＢ_１を得ることができる。２値化の方法としては、例えば、“Med Imag Tech Vol.31 No.2 March 2013”に記載されているような領域拡張法を用いることができる。２値化を行った後、ステップＳＴ２３に進む。

ステップＳＴ２３では、分類手段１０２が、２値画像ＤＢ_１から、腕部を削除する処理を実行する。

図１７は、腕部が削除された２値画像ＤＣ_１を概略的に示す図である。
ステップＳＴ２３では、２値画像ＤＢ_１から、左腕領域と右腕領域とを削除するための画像処理を実行する。これにより、腕部が削除された２値画像ＤＣ_１を得ることができる。腕部を削除する方法としては、例えば、“Med Imag Tech Vol.31 No.2 March 2013”に記載されているにように、縮小処理、領域拡張処理、および拡大処理を実行する方法を用いることができる。腕部が削除された２値画像ＤＣ_１を得た後、ステップＳＴ２４に進む。

ステップＳＴ２４では、分類手段１０２が、ステップＳＴ２３で得られた２値画像ＤＣ_１に基づいて、アキシャル画像Ｄ_１から、胴部領域ＨＢに外接する矩形領域の画像部分を切り取る。図１８に、アキシャル画像Ｄ_１から胴部領域ＨＢに外接する矩形領域の画像部分を切り取ることにより得られた画像を概略的に示す。２値画像ＤＣ_１は、胴部領域が論理値１であり、胴部の外側の領域は論理値０が割り当てられているので、２値画像ＤＣ_１を用いることにより、アキシャル画像Ｄ_１の中の胴部領域ＨＢを特定することができる。したがって、アキシャル画像Ｄ_１から、胴部領域ＨＢに外接する矩形領域を切り取ることができる。図１８では、アキシャル画像Ｄ_１から切り取られた画像は、符号Ｄ_１’で示されている。また、切り取られた画像Ｄ_１’のサイズはｐ１×ｑ１のピクセル数で示されている。矩形領域は胴部領域ＨＢに外接しているので、左腕領域ＨＬおよび右腕領域ＨＲは、矩形領域に含まれないようにすることができる。
アキシャル画像Ｄ_１から胴部領域の画像部分を切り取った後、ステップＳＴ２５に進む。

ステップＳＴ２５では、分類手段１０２が、切り取られた画像Ｄ_１’の分解能をスケールダウンする。図１９は、分解能がスケールダウンされた後の画像Ｄ_１”を概略的に示す図である。スケールダウン後の画像Ｄ_１”は、分類マップＣＭの作成に使用された画像ａ_１’〜ａ_ｎ’（図１０参照）と同じサイズの分解能（ｖ０×ｗ０）にスケールダウンされている。分解能をスケールダウンした後、ステップＳＴ２６に進む。

ステップＳＴ２６では、分類手段１０２が、スケールダウン後の画像Ｄ_１”のベクトルを求める（図２０参照）。

図２０は、スケールダウン後の画像Ｄ_１”に対して求められたベクトルβ_１を示す図である。
ベクトルβ_１は、スケールダウン後の画像Ｄ_１”の各ピクセルのピクセル値を要素として規定されるベクトルである。ベクトルβ_１は、以下の式で表すことができる。
β_１＝（β_１１，β_１２，β_１３，β_１４，β_１５，・・・，β_１ｔ）・・・（３）
ここで、β_１１，β_１２，β_１３，β_１４，β_１５，・・・，β_１ｔは、スケールダウン後の画像Ｄ_１”の各ピクセルのピクセル値を表している。
ベクトルβ_１を求めた後、ステップＳＴ２７に進む。

ステップＳＴ２７では、分類手段１０２が、分類マップＣＭを作成するために使用されたｋ個のベクトルα_１〜α_ｋ（図１１参照）の各々と、アキシャル画像Ｄ_１のベクトルβ_１との距離を求める。そして、各距離を、距離の値に応じてHeat Kernelで重みをつけ、行列Ｙを求める。次に、分類マップＣＭの作成時に特定した２つの固有ベクトルＦ１およびＦ２を用いて行列Ｙを分類マップＣＭ（図１３参照）に射影する。図２１に、分類マップＣＭに射影された行列Ｙを表す点Ｅを示す。図２１では、点Ｅは座標（ｆ１１，ｆ２１）に位置している。
このようにして、アキシャル画像Ｄ_１に対応する点Ｅが分類マップＣＭにマッピングされる。マッピングした後、ステップＳＴ２８に進む。

ステップＳＴ２８では、分類手段１０２は、分類マップＣＭ上に規定された複数の点の中から、アキシャル画像Ｄ_１に対応する点Ｅに近い順にＮ個の点を特定する。

図２２は、Ｎ個の点を特定する方法の説明図である。
図２２では、分類マップＣＭにマッピングされた点Ｅの周辺を拡大して示してある。

分類手段１０２は、分類マップＣＭ上に規定された複数の点の各々と点Ｅとの距離を計算し、距離の小さい順にＮ個の点を特定する。したがって、点Ｅに近い順にＮ個の点を特定することができる。ここでは、Ｎ＝７とする。したがって、点Ｅに近い順に７個の点ｅ１、ｅ２、ｅ３、ｅ４，ｅ５，ｅ６、およびｅ７が特定される。
７個の点ｅ１〜ｅ７を特定した後、ステップＳＴ２９に進む。

ステップＳＴ２９では、分類手段１０２は、先ず、７個の点ｅ１〜ｅ７の各々が、４つのクラスI〜IVのうちのどのクラスに属しているかを特定する。ここでは、７個の点ｅ１〜ｅ７うち、６個の点（ｅ１、ｅ２、ｅ４、ｅ５、ｅ６、およびｅ７）がクラスIに属しており、１個の点（ｅ３）がクラスIIに属していると特定される。各点がどのクラスに属しているかを特定した後、分類手段１０２は、各クラスには、７個の点のうちの何個の点が属しているかを求め、属している点の個数が最大となるクラスを特定する。ここでは、７個の点ｅ１〜ｅ７のうち、６個の点がクラスIに属しているので、クラスIが特定される。したがって、アキシャル画像Ｄ_１は、４つのクラスI〜IVのうちのクラスIに属すると判断されるので、アキシャル画像Ｄ_１はクラスIに分類される。

尚、上記の説明では、アキシャル画像Ｄ_１の分類について説明したが、他のアキシャル画像Ｄ_２〜Ｄ_１０についても、ステップＳＴ２１〜ＳＴ２９のフローにより分類される。分類マップＣＭは、クラスI〜IVの各々の情報を反映しているので、分類マップＣＭを用いることにより、アキシャル画像Ｄ_１〜Ｄ_１０の各々が撮影部位のどの部分の画像であるかを特定することができる。したがって、アキシャル画像Ｄ_１〜Ｄ_１０を４つのクラスに分類することができる。

図２３は、アキシャル画像Ｄ_１〜Ｄ_１０の各々がどのクラスに分類されたかを示す図である。図２３では、アキシャル画像Ｄ_１〜Ｄ_１０のうち、代表して、４つのアキシャル画像Ｄ_１、Ｄ_４、Ｄ_６、およびＤ_１０がどのクラスに分類されたかを示してある。アキシャル画像Ｄ_１はクラスIに分類され、アキシャル画像Ｄ_４はクラスIIに分類され、アキシャル画像Ｄ_６はクラスIIIに分類され、アキシャル画像Ｄ_１０はクラスIVに分類されている。
アキシャル画像Ｄ_１〜Ｄ_１０を分類した後、ステップＳＴ３に進む。

ステップＳＴ３では、検索領域設定手段１０３（図２参照）が、アキシャル画像Ｄ_１〜Ｄ_１０の各々に対して、大動脈の検索領域を設定する。以下、大動脈の検索領域の設定方法について説明する。

本形態では、記憶部１１に、クラスI〜IVの各々に対して、大動脈の存在確率を表す確率分布モデルが記憶されている。

図２４は、確率分布モデルの説明図である。
記憶部１１には、４つの確率分布モデルＭ１〜Ｍ４が記憶されている。

確率分布モデルＭ１は、クラスIにおける大動脈の存在確率を表している。クラスIにおける大動脈の存在確率は、分類マップＣＭを作成するために使用された複数のアキシャル画像ＤＡ_１〜ＤＡ_ｋ（図７参照）のうちの、肺の断面積が大きいアキシャル画像（例えば、アキシャル画像ＤＡ_１、ＤＡ_ｎ＋１、ＤＡ_ｊ＋１）に現れる大動脈の位置に基づいて決定することができる。確率分布モデルＭ１の領域ＲＭ１は、大動脈の存在確率が高い領域を表している。確率分布モデルＭ１のａ−ａ断面を参照すると、領域ＲＭ１の外縁から領域ＲＭ１の内側に向かうにつれて、大動脈の存在確率が高くなることが示されている。

確率分布モデルＭ２は、クラスIIにおける大動脈の存在確率を表している。クラスIIにおける大動脈の存在確率は、分類マップＣＭを作成するために使用された複数のアキシャル画像ＤＡ_１〜ＤＡ_ｋ（図７参照）のうちの、肺と肝臓の境界の近傍を横切るアキシャル画像（例えば、アキシャル画像ＤＡ_３、ＤＡ_ｎ＋３、ＤＡ_ｊ＋３）に現れる大動脈の位置に基づいて決定することができる。確率分布モデルＭ２の領域ＲＭ２は、大動脈の存在確率が高い領域を表している。確率分布モデルＭ２のａ−ａ断面を参照すると、領域ＲＭ２の外縁から領域ＲＭ２の内側に向かうにつれて、大動脈の存在確率が高くなることが示されている。

確率分布モデルＭ３は、クラスIIIにおける大動脈の存在確率を表している。クラスIIIにおける大動脈の存在確率は、分類マップＣＭを作成するために使用された複数のアキシャル画像ＤＡ_１〜ＤＡ_ｋ（図７参照）のうちの、肝臓の断面積が大きいアキシャル画像（例えば、アキシャル画像ＤＡ_６、ＤＡ_ｎ＋６、ＤＡ_ｊ＋６）に現れる大動脈の位置に基づいて決定することができる。確率分布モデルＭ３の領域ＲＭ３は、大動脈の存在確率が高い領域を表している。確率分布モデルＭ３のａ−ａ断面を参照すると、領域ＲＭ３の外縁から領域ＲＭ３の内側に向かうにつれて、大動脈の存在確率が高くなることが示されている。

確率分布モデルＭ４は、クラスIVにおける大動脈の存在確率を表している。クラスIVにおける大動脈の存在確率は、分類マップＣＭを作成するために使用された複数のアキシャル画像ＤＡ_１〜ＤＡ_ｋ（図７参照）のうちの、肝臓および腎臓を横切るアキシャル画像（例えば、アキシャル画像ＤＡ_ｎ、ＤＡ_ｎ＋ａ、ＤＡ_ｋ）に現れる大動脈の位置に基づいて決定することができる。確率分布モデルＭ４の領域ＲＭ４は、大動脈の存在確率が高い領域を表している。確率分布モデルＭ４のａ−ａ断面を参照すると、領域ＲＭ４の外縁から領域ＲＭ４の内側に向かうにつれて、大動脈の存在確率が高くなることが示されている。

検索領域設定手段１０３は、確率分布モデルＭ１〜Ｍ４に基づいて、アキシャル画像Ｄ_１〜Ｄ_１０の大動脈を検索するための検索領域を設定する。以下に、アキシャル画像Ｄ_１〜Ｄ_１０の検索領域の設定方法について説明する。尚、アキシャル画像Ｄ_１〜Ｄ_１０の検索領域の設定方法は、どのアキシャル画像でも同じであるので、以下では、アキシャル画像Ｄ_１〜Ｄ_１０のうち、アキシャル画像Ｄ_１を取り上げて、検索領域の設定方法を説明する。

図２５は、検索領域の設定方法の説明図である。
検索領域設定手段１０３は、確率分布モデルＭ１〜Ｍ４の中から、アキシャル画像Ｄ_１の検索領域を決定するために使用される確率分布モデルを選択する。アキシャル画像Ｄ_１はクラスIに分類されているので（図２３参照）、検索領域設定手段１０３は、確率分布モデルＭ１〜Ｍ４の中から、クラスIに対応する確率分布モデルＭ１を選択する。

次に、検索領域設定手段１０３は、アキシャル画像Ｄ_１から得られた切り取られた画像Ｄ_１’（図１８参照）と確率分布モデルＭ１とを乗算し、乗算画像ＭＤ_１’を求める。

乗算画像ＭＤ_１’を求めた後、検索領域設定手段１０３は、確率分布モデルＭ１の領域ＲＭ１の位置情報に基づいて、乗算画像ＭＤ_１’の中から、確率分布モデルＭ１の領域ＲＭ１に対応する領域Ｒ１を決定する。このようにして決定された領域Ｒ１が、アキシャル画像Ｄ_１における大動脈の検索領域Ｒ_１として設定される。

尚、図２５では、アキシャル画像Ｄ_１における大動脈の検索領域Ｒ_１の設定方法について説明されているが、他のアキシャル画像Ｄ_２〜Ｄ_１０についても、同様の手順で乗算画像を求めることにより、検索領域が決定される。図２６に、アキシャル画像Ｄ_１〜Ｄ_１０に対して求められた乗算画像ＭＤ_１’〜 ＭＤ_１０’および検索領域Ｒ_１〜Ｒ_１０を概略的に示す。図２６では、アキシャル画像Ｄ_１〜Ｄ_１０のうち、代表して、４つのアキシャル画像Ｄ_１、Ｄ_４、Ｄ_６、およびＤ_１０に対して求められた乗算画像ＭＤ_１’、ＭＤ_４’、ＭＤ_６’、およびＭＤ_１０’と検索領域Ｒ_１、Ｒ_４、Ｒ_６、およびＲ_１０とが概略的に示されている。
検索領域Ｒ_１〜Ｒ_１０を決定した後、ステップＳＴ４に進む。

ステップＳＴ４では、検出手段１０４（図２参照）が、検索領域Ｒ１の中から大動脈の位置を検出する。以下、大動脈の位置の検出方法を説明する。尚、アキシャル画像Ｄ_１〜Ｄ_１０における大動脈の位置の検出方法は、どのアキシャル画像でも同じであるので、以下では、アキシャル画像Ｄ_１〜Ｄ_１０のうち、アキシャル画像Ｄ_１を取り上げて、大動脈の位置の検出方法を説明する。

ステップＳＴ４では、先ず、アキシャル画像Ｄ_１の乗算画像ＭＤ_１’の中から、脳脊髄液ＣＳＦを検出する。脳脊髄液ＣＳＦの検出方法は、例えば、“Med Imag Tech Vol.31 No.2 March 2013”に記載されている方法を用いることができる。図２７に、検出された脳脊髄液ＣＳＦの位置を示す。

脳脊髄液ＣＳＦを検出した後、検出手段１０４は、脳脊髄液ＣＳＦに対して検索領域Ｒ１に接するラインＬｓおよびＬｅを設定する。図２８に、ラインＬｓおよびＬｅを示す。

ラインＬｓおよびＬｅを設定した後、検出手段１０４は、ラインＬｓ上に、大動脈Ａを検出するときに使用するウィンドウを設定する（図２９参照）。

図２９は、設定されたウィンドウＷを示す図である。
ウィンドウＷのサイズは、ａ×ｂのピクセル数で示されている。検出手段１０４は、脳脊髄液ＣＳＦを基準にして、ラインＬｓ上にウィンドウＷを設定する。ウィンドウＷを設定した後、検出手段１０４は、ラインＬｓとＬｅとで規定される範囲内で、脳脊髄液ＣＳＦを中心としてウィンドウＷを回転させることによりウィンドウＷの回転角θを変更し、更にウィンドウＷのサイズ（ピクセル数ａ、ピクセル数ｂ）も変更する。そして、後述する識別器Ｃ（図３０参照）を用いて、検索領域Ｒ１の中から、大動脈Ａを検出する。

図３０は、識別器Ｃを用いて、大動脈Ａを検出するときの説明図である。
検出手段１０４は、θをθ１〜θ２の間で変化させ、θを変化させるたびに、ウィンドウＷのａおよびｂの値を変更する。そして、ウィンドウＷの３つのパラメータ（θ，ａ，ｂ）のうちのいずれかのパラメータを変更するたびに、ウィンドウＷ内のピクセルデータを抽出する。識別器Ｃは、抽出されたデータに基づいて、アキシャル画像Ｄ_１の大動脈ＡがウィンドウＷの先端部に内接している可能性が高いか低いかを判断するための出力値Ｏｕｔを出力するものであり、被検体を撮影する前に、予め作成されている。識別器Ｃは、例えば、大動脈の信号値の情報を含む教師データと、大動脈とは別の組織の信号値の情報を含む教師データとを学習することにより、作成することができる。本形態では、ウィンドウＷの先端部に大動脈Ａが内接している可能性が高いほど出力値Ｏｕｔが大きくなるように、識別器Ｃが構成されている。したがって、識別器Ｃの出力値Ｏｕｔが最大のときに、アキシャル画像Ｄ_１の大動脈ＡがウィンドウＷの先端部に内接している可能性が最も高いと判断することができる。ここでは、回転角θ＝θ_１、ピクセル数ａ＝ａ_１、およびピクセル数ｂ＝ｂ_１のときに、識別器Ｃの出力値Ｏｕｔが最大になったとする。したがって、ウィンドウＷのパラメータ（θ，ａ，ｂ）＝（θ_１，ａ_１，ｂ_１）のときに、アキシャル画像Ｄ_１の大動脈ＡがウィンドウＷの先端部に内接していると判断されるので、検索領域Ｒ１の中から大動脈Ａを検出することができる。

上記の説明では、アキシャル画像Ｄ_１における大動脈Ａを検出する方法について説明したが、他のアキシャル画像Ｄ_２〜Ｄ_１０についても、識別器Ｃを用いて、検索領域の中から大動脈を検出する。したがって、各アキシャル画像について、大動脈の位置を求めることができる。図３１に、アキシャル画像Ｄ_１〜Ｄ_１０の各々について、ステップＳＴ２により求められた大動脈の位置ＰＡ１〜ＰＡ１０を概略的に示す。大動脈の位置ＰＡ１〜ＰＡ１０は、大動脈の中心である必要はなく、大動脈の断面の内側にいちしているを概略的に示す。アキシャル画像Ｄ_１〜Ｄ_１０のアキシャル画像Ｄ_１〜Ｄ_１０の各々の大動脈の位置を求めた後、ステップＳＴ５に進む。

ステップＳＴ５では、平面計算手段１０５（図２参照）が、検出された大動脈Ａの位置ＰＡ１〜ＰＡ１０に基づいて、大動脈を縦断する平面を計算する。以下に、この平面の計算方法について説明する。

先ず、平面計算手段１０５は、大動脈の位置ＰＡ１〜ＰＡ１０に基づいて、アキシャル画像ごとに、大動脈の断面の領域を特定する。大動脈の断面の領域の特定方法としては、例えば、Level Setなどのセグメンテーション法を使用することができる。大動脈の断面の領域を特定した後、大動脈の断面の中心を求める。例えば、大動脈Ａの断面の重心を大動脈Ａの中心として求めることができる。尚、大動脈の断面の形状を略円形と見なして、大動脈Ａの中心を求めてもよい。

大動脈Ａの中心を求めた後、平面計算手段１０５は、アキシャル画像Ｄ_１〜Ｄ_１０の各々に対して求められた大動脈Ａの中心の位置情報に基づいて、大動脈Ａの走行方向と略平行になるように大動脈Ａを縦断する平面ＦＳを求める。図３２に、求められた平面ＦＳを概略的に示す。本形態では、平面計算手段１０５は、アキシャル画像Ｄ_１〜Ｄ_１０の各々に対して求められた大動脈Ａの中心と平面との間の距離の二乗和を計算し、この二乗和が最小になるときの平面を、平面ＦＳとして求めている。平面ＦＳを求めた後、ステップＳＴ４に進む。

ステップＳＴ４では、造影剤を検出するためのトラッカー領域を設定する。以下に、トラッカー領域の設定方法について説明する。

図３３は、トラッカー領域の設定方法の一例の説明図である。
オペレータは、操作部１２（図１参照）を操作し、ステップＳＴ３で求められた平面ＦＳを表示部１３に表示させるための命令を入力する。この命令が入力されると、表示部１３に、ステップＳＴ３で求められた平面ＦＳが表示される。

平面ＦＳが表示されたら、オペレータは、操作部１２を操作し、平面ＦＳに表示されている臓器および大動脈の位置関係を参考にして、トラッカー領域を設定するための情報を入力する。この情報が入力されると、トラッカー領域設定手段１０６（図２参照）は、入力された情報に基づいてトラッカー領域を設定する。図３２では、大動脈Ａの内側に位置するようにトラッカー領域Ｒ_ｔが設定された例が示されている。尚、トラッカー領域Ｒ_ｔは、大動脈Ａの位置に基づいて、自動で設定してもよい。トラッカー領域Ｒ_ｔを設定した後、ステップＳＴ５に進む。

ステップＳＴ５では、本スキャンＭＳ（図３参照）が実行される。本スキャンＭＳでは、被検体に造影剤が注入され、トラッカー領域Ｒ_ｔから造影剤を検出するためのシーケンスが繰り返し実行される。そして、トラッカー領域Ｒ_ｔに所定量の造影剤が注入したときに、肝臓の画像を取得するためのスキャンが実行され、フローが終了する。

本形態では、アキシャル画像がどのクラスに属するかを求め、当該クラスに対応する確率分布モデルを用いて大動脈の検索領域を決定している。したがって、大動脈が存在する確率が高い領域に絞って大動脈の検出を行うことができるので、大動脈の検出精度を高めることができる。

また、本形態では、アキシャル画像Ｄ_１〜Ｄ_１０の各々から、胴部領域ＨＢに外接するように画像部分を切り取り、アキシャル画像Ｄ_１〜Ｄ_１０の分類を行っている。したがって、左腕領域ＨＬおよび右腕領域ＨＲの信号値の影響を受けずに、アキシャル画像のＤ_１〜Ｄ_１０を分類することができるので、アキシャル画像が誤って分類される恐れを十分に低下することができる。

本形態では、脳脊髄液ＣＳＦを基準にしてウィンドウＷを設定しているが、脳脊髄液ＣＳＦとは別の部位を基準にしてウィンドウＷを設定してもよい。また、本形態では大動脈Ａを検出しているが、本発明は、大動脈Ａとは別の血管を検出する場合にも適用することができる。

本形態では、アキシャル画像に基づいて、大動脈を検出しているが、アキシャル面とは別の面（例えば、アキシャル面に対して斜めに交差するオブリーク面）の画像に基づいて大動脈を決定してもよい。

本形態では、ウィンドウＷは矩形状であるが、別の形状（例えば、楕円形状）であってもよい。

尚、本形態では、分類マップＣＭを作成する場合、アキシャル画像の各々から、胴部領域Ｃ１に外接する矩形領域の画像部分を切り取り（図８参照）、ベクトルα_１〜α_ｋ（図１１参照）を求めている。しかし、胴部領域Ｃ１の中心部分を含むが体表部分は含まれないように画像部分を切り取り、ベクトルα_１〜α_ｋを求めてもよい。図３４は、胴部領域Ｃ１の体表部分が含まれないように画像部分を切り取り、ベクトルα_１〜α_ｋを求める一例を概略的に示す図である。図３４の方法では、胴部領域Ｃ１の中心部分を含むが体表部分を含まない画像部分（ハッチングで示された部分）に基づいてベクトルα_１〜α_ｋが求められているので、体表部分の脂肪の影響が軽減された分類マップＣＭ’（図示せず）を作成することができる。分類マップＣＭ（図１３参照）の代わりに、分類マップＣＭ’が作成された場合も、ステップＳＴ２を実行することにより、アキシャル画像を分類することができる。尚、分類マップＣＭを用いてアキシャル画像を分類する場合は、ステップＳＴ２４において、アキシャル画像Ｄ_１から、胴部領域ＨＢに外接するように画像部分が切り取られている。しかし、分類マップＣＭの代わりに分類マップＣＭ’を用いてアキシャル画像を分類する場合は、ステップＳＴ２４において、アキシャル画像Ｄ_１から、胴部領域ＨＢの体表部分が含まれないように画像部分を切り取ればよい。

また、本形態では、左腕領域および右腕領域が含まれないように画像部分を切り取り、分類マップを作成している。しかし、アキシャル画像を正しく分類できるのであれば、左腕領域および右腕領域が含まれるように画像部分を切り取り、分類マップを作成してもよい。

尚、本形態では、ラプラシアン固有マップ法を用いてアキシャル画像を分類する方法について説明したが、本形態における分類方法は一例であり、他の手法を用いてアキシャル画像を分類してもよい。

１ ＭＲＩ装置
２ マグネット
３ テーブル
３ａ クレードル
４ 受信コイル
５ 造影剤注入装置
６ 制御部
７ 送信器
８ 勾配磁場電源
９ 受信器
１０ 処理装置
１１ 記憶部
１２ 操作部
１３ 表示部
１４ 被検体
２１ ボア
２２ 超伝導コイル
２３ 勾配コイル
２４ ＲＦコイル
１０１ 画像生成手段
１０２ 分類手段
１０３ 検索領域設定手段
１０４ 検出手段
１０５ 平面計算手段
１０６ トラッカー領域設定手段

Claims (9)

1. 血管を含む撮影部位に設定された複数のスライスにおける複数の画像を生成する画像生成手段と、
   前記複数の画像の各々が前記撮影部位のどの部分の画像であるかを特定するためのマップに基づいて、前記複数の画像を複数のクラスに分類する分類手段と、
   前記画像が、前記複数のクラスのうちのどのクラスに分類されたかに基づいて、前記画像の中から前記血管を検索するための検索領域を設定する設定手段と、
   を有する血管検出装置。
2. 前記クラスごとに、前記血管の存在確率を表すモデルが対応付けられており、
   前記設定手段は、前記モデルに基づいて前記検索領域を設定する、請求項１に記載の血管検出装置。
3. 前記複数のクラスは、
   肺の断面積が大きい画像に対応する第１のクラスと、
   肺と肝臓の境界の近傍を横切る画像に対応する第２のクラスと、
   肝臓の断面積が大きい画像に対応する第３のクラスと、
   肝臓および腎臓を横切る画像に対応する第４のクラスと、
   を含む、請求項１又は２に記載の血管検出装置。
4. 前記分類手段は、
   前記画像のピクセルのピクセル値を要素として持つベクトルを求め、前記ベクトルに基づいて前記画像に対応する点を前記マップにマッピングし、前記マップの中の前記点がマッピングされた位置に基づいて、前記画像が、前記複数のクラスのうちのどのクラスに分類されるかを求める、請求項１〜３のうちのいずれか一項に記載の血管検出装置。
5. 前記複数の画像の各々は、被検体の胴部の断面を表す第１の領域、前記被検体の左腕の断面を表す第２の領域、前記被検体の右腕の断面を表す第３の領域を含み、
   前記分類手段は、
   前記画像の中から、前記第１の領域を含むが、前記第２の領域および前記第３の領域は含まない画像部分を切り取り、前記画像部分を切り取ることにより得られた画像に基づいて、前記ベクトルを求める、請求項４に記載の血管検出装置。
6. 前記複数の画像の各々は、被検体の胴部の断面を表す第１の領域、前記被検体の左腕の断面を表す第２の領域、前記被検体の右腕の断面を表す第３の領域を含み、
   前記分類手段は、
   前記画像の中から、前記第１の領域の中心部分を含むが、前記第１の領域の体表部分、前記第２の領域および前記第３の領域は含まない画像部分を切り取り、前記画像部分を切り取ることにより得られた画像に基づいて、前記ベクトルを求める、請求項４に記載の血管検出装置。
7. 前記検索領域から前記血管の位置を検出する検出手段を有する、請求項１〜６のうちのいずれか一項に記載の血管検出装置。
8. 血管を含む撮影部位のスキャンを行うスキャン手段を有する磁気共鳴イメージング装置であって、
   請求項１〜７のうちのいずれか一項に記載の血管検出装置を有する磁気共鳴イメージング装置。
9. 血管を含む撮影部位に設定された複数のスライスにおける複数の画像を生成する画像生成処理と、
   前記複数の画像の各々が前記撮影部位のどの部分の画像であるかを特定するためのマップに基づいて、前記複数の画像を複数のクラスに分類する分類処理と、
   前記画像が、前記複数のクラスのうちのどのクラスに分類されたかに基づいて、前記画像の中から前記血管を検索するための検索領域を設定する設定処理と、
   をコンピュータに実行させるためのプログラム。