JP7332362B2 - Medical image processing apparatus, medical image processing system, and medical image processing method - Google Patents
Medical image processing apparatus, medical image processing system, and medical image processing method Download PDFInfo
- Publication number
- JP7332362B2 JP7332362B2 JP2019126353A JP2019126353A JP7332362B2 JP 7332362 B2 JP7332362 B2 JP 7332362B2 JP 2019126353 A JP2019126353 A JP 2019126353A JP 2019126353 A JP2019126353 A JP 2019126353A JP 7332362 B2 JP7332362 B2 JP 7332362B2
- Authority
- JP
- Japan
- Prior art keywords
- images
- disease state
- change
- disease
- region
- 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
- 238000012545 processing Methods 0.000 title claims description 82
- 238000003672 processing method Methods 0.000 title description 2
- 201000010099 disease Diseases 0.000 claims description 178
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 178
- 230000008859 change Effects 0.000 claims description 134
- 238000004458 analytical method Methods 0.000 claims description 42
- 238000003384 imaging method Methods 0.000 claims description 31
- 210000004072 lung Anatomy 0.000 claims description 30
- 238000011084 recovery Methods 0.000 claims description 25
- 230000005713 exacerbation Effects 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 12
- 239000003086 colorant Substances 0.000 claims description 3
- 239000005337 ground glass Substances 0.000 claims description 3
- 230000008595 infiltration Effects 0.000 claims 1
- 238000001764 infiltration Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 45
- 210000001519 tissue Anatomy 0.000 description 32
- 238000002591 computed tomography Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 230000007704 transition Effects 0.000 description 19
- 208000019693 Lung disease Diseases 0.000 description 16
- 230000008569 process Effects 0.000 description 9
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 201000003838 Idiopathic interstitial pneumonia Diseases 0.000 description 3
- 208000029523 Interstitial Lung disease Diseases 0.000 description 3
- 230000012447 hatching Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 206010061818 Disease progression Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005750 disease progression Effects 0.000 description 2
- 230000003090 exacerbative effect Effects 0.000 description 2
- 201000001155 extrinsic allergic alveolitis Diseases 0.000 description 2
- 239000005338 frosted glass Substances 0.000 description 2
- 208000022098 hypersensitivity pneumonitis Diseases 0.000 description 2
- 208000014055 occupational lung disease Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010035653 pneumoconiosis Diseases 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 208000027932 Collagen disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 208000018631 connective tissue disease Diseases 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 1
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 1
- 229960003444 immunosuppressant agent Drugs 0.000 description 1
- 239000003018 immunosuppressive agent Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 150000003431 steroids Chemical class 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Description
本発明の実施形態は、医用画像処理装置、医用画像処理システム、及び、医用画像処理方法に関する。 TECHNICAL FIELD Embodiments of the present invention relate to a medical image processing apparatus, a medical image processing system, and a medical image processing method.
今日、Ｘ線ＣＴ（Computed Tomography）装置、ＭＲＩ（Magnetic Resonance Imaging）装置、或いは超音波診断装置等のモダリティで被検体を撮像して生成された画像データを解析することにより、種々の疾患の診断が行われている。 Today, various diseases can be diagnosed by analyzing image data generated by imaging a subject with a modality such as an X-ray CT (Computed Tomography) device, an MRI (Magnetic Resonance Imaging) device, or an ultrasonic diagnostic device. is being done.
例えば、Ｘ線画像やＸ線ＣＴ画像を用いて、びまん性肺疾患の診断が行われている。びまん性肺疾患は、病変が左右の肺に比較的均等に広がっている肺疾患の総称であり、びまん性肺疾患には、様々の疾患が含まれる。間質性肺炎は、びまん性肺疾患の代表格であるが、この他にも、感染症や腫瘍等によるびまん性肺疾患もある。また、間質性肺炎といってもひとつの病気ではなく、最も多い特発性間質性肺炎のほか、膠原病や過敏性肺炎、じん肺・職業性肺疾患なども、広義の間質性肺炎に含まれる。このように、びまん性肺疾患は、いくつかの個別の疾患の種類に分類することができ、これらの個別の疾患種類を、以下では疾患原因と呼ぶ場合がある。 For example, X-ray images and X-ray CT images are used to diagnose diffuse lung disease. Diffuse lung disease is a general term for lung diseases in which lesions spread relatively evenly in the left and right lungs, and includes various diseases. Interstitial pneumonia is a typical diffuse lung disease, but there are other diffuse lung diseases caused by infections, tumors, and the like. In addition, interstitial pneumonia is not a single disease. In addition to idiopathic interstitial pneumonia, which is the most common, connective tissue disease, hypersensitivity pneumonitis, pneumoconiosis, and occupational lung disease are also included in the broad definition of interstitial pneumonia. included. Diffuse lung disease can thus be classified into several distinct disease types, and these distinct disease types may hereinafter be referred to as disease causes.
一方、びまん性肺疾患のＸ線ＣＴ画像は、いくつかのテクスチャパタンの種類に分類されることが知られている。また、肺のＸ線ＣＴ画像に対してテクスチャ解析を行って肺野内をいくつかのテクスチャパタンに分類し、各テクスチャパタンの肺野全体に対する体積割合や、その経時変化を表示する方法が提案されている。 On the other hand, X-ray CT images of diffuse lung disease are known to be classified into several types of texture patterns. In addition, a method has been proposed in which texture analysis is performed on lung X-ray CT images to classify the lung field into several texture patterns, and the volume ratio of each texture pattern to the entire lung field and its change over time are displayed. ing.
しかしながら、これらの従来の技術では、肺等の組織の局所的な領域が、回復方向にあるのか、或いは、増悪方向にあるのかといった、組織の局所的な領域における疾患状態の変化を把握することができなかった。 However, with these conventional techniques, it is difficult to grasp changes in the disease state in a local region of tissue, such as whether the local region of tissue such as the lung is in the direction of recovery or in the direction of exacerbation. I couldn't do it.
本発明が解決しようとする課題は、医用画像から、組織の局所的な領域における疾患状態の変化を容易に把握できるようにすることである。 The problem to be solved by the present invention is to make it possible to easily grasp changes in disease states in localized regions of tissues from medical images.
実施形態に係る医用画像処理装置は、取得部と、解析部と、推定部とを備える。取得部は、同一被検体を撮像した画像であって、撮像時刻が異なる複数の画像を取得する。解析部は、前記複数の画像の夫々の領域の画素値に基づいて前記被検体の組織性状の解析を行うことで前記被検体の組織性状を複数の組織性状クラスに分類し、分類された前記組織性状クラスを、前記複数の画像の夫々の領域へ割り当てる。推定部は、前記複数の画像の夫々の対応領域における前記組織性状クラスの変化から、前記被検体の疾患状態の変化を推定する。 A medical image processing apparatus according to an embodiment includes an acquisition unit, an analysis unit, and an estimation unit. The acquiring unit acquires a plurality of images obtained by imaging the same subject at different imaging times. The analysis unit classifies the tissue properties of the subject into a plurality of tissue property classes by analyzing the tissue properties of the subject based on the pixel values of the respective regions of the plurality of images, and classifying the classified tissue properties of the subject. A tissue attribute class is assigned to each region of the plurality of images. The estimating unit estimates changes in the disease state of the subject from changes in the tissue attribute class in corresponding regions of the plurality of images.
実施形態に係る医用画像処理装置について、添付図面を参照して説明する。なお、以下の実施形態では、同一の参照符号を付した部分は同様の動作をするものとして、重複する説明を適宜省略する。 A medical image processing apparatus according to an embodiment will be described with reference to the accompanying drawings. It should be noted that, in the following embodiments, portions denoted by the same reference numerals operate in the same manner, and overlapping descriptions will be omitted as appropriate.
図１は、実施形態に係る医用画像処理装置１００を含む、医用画像処理システムの一構成例を示す図である。医用画像処理システムは、例えば、病院内において、医用画像を取得し、画像処理し、保存し、利用する、医用画像に関する一連の処理システムである。
FIG. 1 is a diagram showing a configuration example of a medical image processing system including a medical
医用画像処理システムは、患者等の被検体から医用画像を取得するＸ線ＣＴ装置５１１、ＭＲＩ装置５１２、超音波診断装置５１３などのモダリティ５１０（即ち、医用画像診断装置５１０）のほか、画像サーバや、医用画像処理装置１００を有している。これらの各装置は、各種のデータや医用画像を授受できるように、例えば病院内のネットワーク５００を介して互いに接続されている。
The medical image processing system includes a modality 510 (that is, a medical image diagnostic device 510) such as an
（第１の実施形態の構成）
図２は、第１の実施形態に係る医用画像処理装置１００の構成例を示すブロック図である。医用画像処理装置１００は、例えば、入力インターフェース回路１０、処理回路２０、記憶回路３０、入力デバイス４０、及び、ディスプレイ５０を備えて構成される。医用画像処理装置１００は、例えば、所謂ワークステーション、或いは、高性能パーソナルコンピュータとして構成される。
(Configuration of the first embodiment)
FIG. 2 is a block diagram showing a configuration example of the medical
入力インターフェース回路１０は、有線又は無線のネットワーク、或いは、専用又は汎用の通信回線を介してデータを入力したり、光ディスクやＵＳＢメモリ等の記憶媒体を介してデータを入力したりするインターフェース回路である。第１の実施形態の医用画像処理装置１００では、入力インターフェース回路１０を介して、Ｘ線ＣＴ装置５１１等のモダリティ５１０で撮像された第１画像及び第２画像、或いは、画像サーバに保存されている第１画像及び第２画像を取得する。
The
ここで、第１画像及び第２画像は、同一被検体を、異なる日時に撮像した画像である。例えば、第２画像は、第１画像の撮像日よりも後の日時に撮像された画像である。第１画像及び第２画像に関しては、さらに詳しく後述する。 Here, the first image and the second image are images of the same subject taken on different dates and times. For example, the second image is an image captured on a date and time later than the date on which the first image was captured. The first image and the second image will be described in more detail later.
記憶回路３０は、ＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）の他、ＨＤＤ（Hard Disk Drive）や光ディスク装置等の外部記憶装置を含む記憶媒体である。記憶回路３０は、後述するルックアップテーブル３１を含む各種の情報やデータを記憶する他、処理回路２０が具備するプロセッサが実行する各種のプログラムを記憶する。
The
入力デバイス４０は、例えば、マウス、キーボード、トラックボール、タッチパネル等であり、各種の情報やデータを操作者が入力するための種々のデバイスを含む。
The
ディスプレイ５０は、液晶ディスプレイパネル、プラズマディスプレイパネル、有機ＥＬパネル等の表示デバイスである。
The
処理回路２０は、例えば、ＣＰＵや、専用又は汎用のプロセッサを備える回路である。プロセッサは、記憶回路３０に記憶した各種のプログラムを実行することによって、後述する各種の機能を実現する。処理回路２０は、ＦＰＧＡ（field programmable gate array）やＡＳＩＣ（application specific integrated circuit）等のハードウェアで構成してもよい。これらのハードウェアによっても後述する各種の機能を実現することができる。また、処理回路２０は、プロセッサとプログラムによるソフトウェア処理と、ハードウェア処理とを組み合わせて、各種の機能を実現することもできる。
The
また、複数の独立したプロセッサを組み合わせて処理回路２０を構成し、各プロセッサが各機能を実現してもよい。また、プロセッサが複数設けられる場合、プログラムを記憶する記憶媒体は、プロセッサごとに個別に設けられてもよいし、１つの記憶媒体が全てのプロセッサの機能に対応するプログラムを一括して記憶してもよい。
Alternatively, the
（第１の実施形態の動作）
第１の実施形態の処理回路２０は、図２に示す各機能、即ち、画像データ取得機能２１、テクスチャ解析機能２２、疾患状態変化推定機能２３、疾患状態変化マップ生成機能２４、及び、表示制御機能２５を実現する。これらの各機能は、例えば、処理回路２０が具備するプロセッサが、記憶回路３０に記憶される所定のプログラムを実行することによって実現される。
(Operation of the first embodiment)
The
画像データ取得機能２１は、同一被検体を撮像した画像であって、撮像時刻が異なる複数の画像を取得する。例えば、第１の日時に撮像した第１画像と、第１の日時よりも後の第２の日時に撮像した第２画像とを取得する。第１画像及び第２画像は、特に限定するものではないが、例えば、肺を撮像したＸ線画像や、Ｘ線ＣＴ画像である。
The image
テクスチャ解析機能２２は、画像データ取得機能２１が取得した複数の画像の夫々の領域を、複数のテクスチャパタンの種類に分類する。例えば、テクスチャ解析機能２２は、画像データ取得機能２１が取得した第１画像及び第２画像に対して、公知のテクスチャ解析を行って、第１画像及び第２画像の夫々の領域を、複数のテクスチャパタンの種類に分類する。
The
疾患状態変化推定機能２３は、テクスチャ解析機能２２によって分類された、複数の画像の互いに対応する領域間におけるテクスチャパタンの種類の変化から、被検体の疾患状態の変化を推定する。例えば、疾患状態変化推定機能２３は、第１画像及び第２画像の互いに対応する局所領域におけるテクスチャパタンの種類の変化から、局所領域における被検体の疾患状態の変化の方向が、ａ）回復方向、ｂ）増悪方向、及び、ｃ）変化なし、の少なくともいずれかであることを推定する。なお、対応する領域（即ち、対応領域）、或いは、対応する局所領域とは、例えば、複数画像間において解剖学的に対応する領域（或いは、局所領域）のことを意味している。
The disease state
疾患状態変化マップ生成機能２４は、対応する領域ごとに、疾患状態の変化を識別可能とする画素値を割り当てたマップ画像を生成する。より具体的には、疾患状態変化マップ生成機能２４は、疾患状態変化推定機能２３によって推定された疾患状態の変化の方向が、ピクセル単位、又は、２ピクセル以上から構成されるピクセルグループ単位で描出された疾患状態変化マップを生成する。例えば、疾患状態変化マップ生成機能２４は、疾患状態の変化の方向が、ピクセル単位、又は、ピクセルグループ単位ごとに、異なる色、異なる濃度、異なる数字、及び、異なる記号の少なくとも１つを含む異なる態様によって、識別可能に描出されるように疾患状態変化マップを生成する。
The disease state change
表示制御機能２５は、生成された疾患状態変化マップを、例えば、ユーザの指示に応じて、ディスプレイ５０に表示させる。
The
図３は、第１の実施形態の医用画像処理装置１００の動作例を示すフローチャートである。また、図４乃至図９は、第１の実施形態の医用画像処理装置１００の動作概念を説明する図である。以下、図３のフローに沿って、図４乃至図９を参照しつつ、医用画像処理装置１００の動作をより具体的に説明していく。
FIG. 3 is a flow chart showing an operation example of the medical
まず、図３のステップＳＴ１００で第１画像を取得し、ステップＳＴ１０１で第２画像を取得する。図４は、第１画像、及び、第２画像の一例を示す模式図である。第１画像、及び、第２画像は、同一の被検体を撮像した画像であるが、互いに撮像時期が異なっている。第１画像は、例えば、2018年5月8日に行われた検査１において撮像された画像であり、第２画像は、検査１よりも後に行なわれた検査２において、例えば、2018年8月8日に行われた検査２において撮像された画像である。
First, the first image is acquired in step ST100 of FIG. 3, and the second image is acquired in step ST101. FIG. 4 is a schematic diagram showing an example of the first image and the second image. Although the first image and the second image are images of the same subject, they are captured at different times. The first image is, for example, an image captured in
第１画像の撮像日と、第２画像の撮像日の間隔は、上記の例では３カ月となっているが、これはあくまで一例であり、１週間、１カ月、６カ月、１２カ月、等、医師の判断によって定められるものである。また、撮像回数も２回に限定されるものではなく、３以上の複数回の撮像日に撮像された複数の画像から、撮像日の異なる所望の２つの画像を選択して、撮像日の早い一方の画像を第１画像とし、他方の画像を第２画像としてもよい。 In the above example, the interval between the date when the first image was captured and the date when the second image was captured is 3 months, but this is just an example, and may be 1 week, 1 month, 6 months, 12 months, etc. , is determined by a physician's judgment. In addition, the number of times of imaging is not limited to two, and two desired images on different imaging dates are selected from a plurality of images taken on a plurality of imaging dates of three or more times, and two images on earlier imaging dates are selected. One image may be the first image and the other image may be the second image.
なお、図４に示す第１、第２画像は、あくまでも本実施形態の医用画像処理装置１００の動作を説明するための模式図であることに留意されたい。第１、第２画像は、例えば、Ｘ線ＣＴ装置５１１で、被検体の肺野部を撮像した３次元画像を、あるコロナル断面で切り取った２次元画像である。
Note that the first and second images shown in FIG. 4 are merely schematic diagrams for explaining the operation of the medical
前述したように、Ｘ線画像やＸ線ＣＴ画像を用いて、例えば、びまん性肺疾患の診断が行われている。びまん性肺疾患の治療は主にステロイド薬や免疫抑制剤などの薬剤治療である。治療効果を判定するために、Ｘ線ＣＴ画像の陰影パタン、即ち、テクスチャパタンの経時変化をモニタリングすることは極めて重要である。 As described above, X-ray images and X-ray CT images are used to diagnose, for example, diffuse lung disease. Diffuse lung disease is mainly treated with drugs such as steroids and immunosuppressants. In order to determine the therapeutic effect, it is extremely important to monitor the shadow pattern of X-ray CT images, that is, the change in texture pattern over time.
一方、びまん性肺疾患の疾患部のＸ線ＣＴ画像は、いくつかのテクスチャパタンの種類に分類されることが知られている。また、疾患が初期状態から増悪方向に進むにつれて、テクスチャパタンの種類が変化することも知られている。また逆に、治療効果が上がり、疾患が増悪状態から回復方向に向かう場合にも、テクスチャパタンの種類が変化することも知られている。 On the other hand, it is known that X-ray CT images of lesions of diffuse lung disease are classified into several types of texture patterns. It is also known that the type of texture pattern changes as the disease progresses from the initial state to the exacerbation direction. Conversely, it is also known that the type of texture pattern changes when the therapeutic effect increases and the disease goes from an exacerbated state to a recovery direction.
図４は、このようなテクスチャパタンの経時変化を、第１画像と第２画像に模式的に示したものである。第１、第２画像の夫々の肺野部の背景（周辺部を含む）の濃い領域は、疾患のない、正常な領域を示している。一方、図４では、背景の濃い領域以外に、淡い色のハッチングで示す複数の領域が図示されている。図４では、これらの、淡い色のハッチング領域が、疾患部の領域に該当するものとしている。また、図４における異なるハッチングパタンは、Ｘ線ＣＴ画像における異なる陰影パタン（テクスチャパタン）に該当するものとしている。 FIG. 4 schematically shows the temporal change of such texture patterns in the first image and the second image. The dark regions in the background (including the periphery) of the lung fields in each of the first and second images indicate normal, disease-free regions. On the other hand, in FIG. 4, a plurality of light-colored hatched areas are illustrated in addition to the dark-background area. In FIG. 4, these light-colored hatched areas correspond to diseased areas. Also, different hatching patterns in FIG. 4 correspond to different shadow patterns (texture patterns) in the X-ray CT image.
図４に示す例では、この被検体の左右の肺のうち、右肺（図４において左側の肺）上部には、第１画像と第２画像との間で淡い色の同じ種類のテクスチャパタンが観られるものの、第１画像の右肺におけるテクスチャパタンの領域よりも、第２画像の右肺におけるテクスチャパタンの領域の方が大きくなっている。このことは、第１画像を取得した2018年5月8日時点よりも、第２画像を取得した2018年8月8日時点（第１画像取得時の３カ月後）の方が、右肺における疾患部の領域が拡大しており、右肺に関しては、疾患が増悪方向にあることを意味している。 In the example shown in FIG. 4, of the left and right lungs of the subject, the upper part of the right lung (the left lung in FIG. 4) has the same type of light-colored texture pattern between the first image and the second image. However, the area of the texture pattern in the right lung of the second image is larger than the area of the texture pattern in the right lung of the first image. This indicates that the number of right lung lung lesions was higher as of August 8, 2018, when the second image was obtained (three months after the first image was obtained) than as of May 8, 2018, when the first image was obtained. In the right lung, the disease area is expanding, which means that the disease is in the process of exacerbation.
一方、左肺（図４において右側の肺）に関しては、第１画像において、右肺とは異なる種類のテクスチャパタンが広い範囲に亘って発生しているものの、このテクスチャパタンの種類に対応する疾患領域は、第２画像においては縮小している。その一方で、第２画像においては、左肺の下部に、上記２つの種類とは異なる種類のテクスチャパタンが発生している。このことは、左肺に関しては、回復方向にある領域と、増悪方向にある領域とが混在していることを意味している。 On the other hand, regarding the left lung (the lung on the right side in FIG. 4), in the first image, a texture pattern of a type different from that of the right lung occurs over a wide range. The area has shrunk in the second image. On the other hand, in the second image, a texture pattern different from the above two types occurs in the lower part of the left lung. This means that areas in the direction of recovery and areas in the direction of deterioration coexist in the left lung.
従来、このようなＸ線ＣＴ画像におけるテクスチャパタンの変化は、医師の主観的な評価に委ねられている場合が多かった。これに対して、本実施形態の医用画像処理装置１００では、以下に説明するように、テクスチャパタンの種類の局所的な変化を検出し、テクスチャパタンの種類の局所的な変化から、疾患が増悪方向に向かっているのか、或いは、回復方向に向かっているのかといった疾患状態の変化の方向を、装置が客観的に推定することを可能としている。
Conventionally, changes in texture patterns in such X-ray CT images have often been subjectively evaluated by doctors. On the other hand, the medical
図３に戻り、ステップＳＴ１０２では、取得した第１画像のテクスチャ解析を行い、ステップＳＴ１０３では、テクスチャ解析に基づいて、第１画像の領域を、複数のテクスチャパタンの種類に分類する。同様に、ステップＳＴ１０４では、取得した第２画像のテクスチャ解析を行い、ステップＳＴ１０５では、テクスチャ解析に基づいて、第２画像の領域を、複数のテクスチャパタンの種類に分類する。 Returning to FIG. 3, in step ST102, texture analysis is performed on the obtained first image, and in step ST103, the regions of the first image are classified into a plurality of texture pattern types based on the texture analysis. Similarly, in step ST104, texture analysis of the obtained second image is performed, and in step ST105, regions of the second image are classified into a plurality of texture pattern types based on the texture analysis.
図５は、ステップＳＴ１０２乃至ステップＳＴ１０５の処理概念を説明する図である。図５の第２画像の中に示した四角の破線で囲んだ領域が、テクスチャ解析の判定ウィンドである。テクスチャ解析では、例えば、この判定ウィンド内の画素値（解析対象画像がＸ線ＣＴ画像の場合は、画素毎のＣＴ値でもよい）を解析することにより、当該対象領域の特徴量を算出する。例えば、画素値の平均値、標準偏差等の統計量、画素値のヒストグラム分布や、スペクトラム分布に関するパラメータ等を、特徴量として算出する。 FIG. 5 is a diagram for explaining the concept of processing from steps ST102 to ST105. A rectangular area surrounded by a broken line shown in the second image of FIG. 5 is a determination window for texture analysis. In texture analysis, for example, the feature amount of the target region is calculated by analyzing the pixel values within this determination window (or the CT value for each pixel if the image to be analyzed is an X-ray CT image). For example, statistics such as the average value and standard deviation of pixel values, histogram distribution of pixel values, parameters related to spectrum distribution, and the like are calculated as feature amounts.
判定ウィンドを、例えば、図５に例示したように、左右上下方向にシフトさせることにより、画像全体の特徴量の分布を算出することができる。シフトのステップ幅は、ピクセル単位でもよいし、複数ピクセル単位でもよい。或いは、画像全体を予め判定ウィンドの大きさの網目で分割しておき、各網目内の特徴量を順次に、或いは並行して、算出してもよい。 By shifting the determination window in the left, right, up, and down directions as illustrated in FIG. 5, for example, the distribution of the feature amount of the entire image can be calculated. The shift step width may be in units of pixels or in units of multiple pixels. Alternatively, the entire image may be divided in advance into meshes each having the size of the determination window, and the feature amount in each mesh may be calculated sequentially or in parallel.
更に、ステップＳＴ１０３、ＳＴ１０５では、算出した特徴量に基づいて第１、及び第２画像の夫々の領域を複数のテクスチャパタンの種類に分類する。例えば、非特許文献１に開示されているように、びまん性肺疾患などの疾患部の医用画像（例えば、Ｘ線ＣＴ画像）を、複数種類のテクスチャパタンに分類する。
Further, in steps ST103 and ST105, the regions of the first and second images are classified into a plurality of texture pattern types based on the calculated feature amount. For example, as disclosed in
例えば、ステップＳＴ１０３、ＳＴ１０５では、第１画像及び第２画像を、図６に示すように、正常なテクスチャパタン（種類「Ａ」）と、５種類の異常なテクスチャパタン（種類「Ｂ」、種類「Ｃ」、種類「Ｄ」、種類「Ｅ」、及び、種類「Ｆ」）に分類する。 For example, in steps ST103 and ST105, as shown in FIG. 6, the first image and the second image are divided into normal texture patterns (type "A") and five types of abnormal texture patterns (type "B", type "C", type "D", type "E", and type "F").
例えば、テクスチャパタンを、種類「Ａ」の「正常」パタン（normal）、種類「Ｂ」の「すりガラス状」パタン（ground-glass opacities）、種類「Ｃ」の「網状」パタン（reticular and linear opacities）、種類「Ｄ」の「結節状」パタン（nodular opacities）、種類「Ｅ」の「蜂巣状」パタン（honeycombing）、種類「Ｆ」の「浸潤影」パタン（consolidation）等の異なる種類に分類する。 For example, the texture pattern is a type “A” “normal” pattern, a type “B” “ground-glass” pattern (ground-glass opacities), a type “C” “reticular and linear opacities” pattern. ), type 'D' 'nodular opacities', type 'E' 'honeycombing' pattern, type 'F' 'consolidation' pattern, etc. do.
なお、図６における夫々のテクスチャパタンは、あくまでも本実施形態の動作を説明するために例示したものであり、医学的な正しさや正確性を意図するものではない。 Each texture pattern in FIG. 6 is merely an example for explaining the operation of this embodiment, and is not intended to be medical correctness or accuracy.
図７は、ステップＳＴ１０３及びステップＳＴ１０５の処理によって、第１画像、及び第２画像の夫々の左右の肺の領域が、複数のテクスチャパタンの種類に分類された例を示す図である。 FIG. 7 is a diagram showing an example in which the left and right lung regions of the first image and the second image are classified into a plurality of texture pattern types by the processing in steps ST103 and ST105.
第１画像に示す例では、右肺の上部が、「すりガラス状」パタンを示す種類「Ｂ」のテクスチャパタンに分類され、右肺の他の領域は、「正常」パタンを示す種類「Ａ」のテクスチャパタンに分類されている。また第１画像の左肺の大部分は、種類「Ｃ」の「網状」パタンを示すテクスチャパタンに分類されている。 In the example shown in the first image, the upper part of the right lung is classified with a texture pattern of type 'B', which indicates a 'frosted glass' pattern, and the rest of the right lung is classified as type 'A', which indicates a 'normal' pattern. are classified as texture patterns. Also, most of the left lung in the first image is classified as a texture pattern indicating a type "C" "reticular" pattern.
一方、第２画像に示す例では、右肺のかなりの部分が、「すりガラス状」パタンを示す種類「Ｂ」のテクスチャパタンに分類されている。また、第２画像の左肺は、種類「Ｃ」の「網状」パタンを示すテクスチャパタンと、種類「Ｄ」の「結節状」パタンを示すテクスチャパタンとに分類されている。 On the other hand, in the example shown in the second image, a significant portion of the right lung is classified as a texture pattern of type "B" indicating a "frosted glass" pattern. The left lung of the second image is classified into a texture pattern indicating a type "C" "reticulated" pattern and a texture pattern indicating a type "D" "nodular" pattern.
図７に示す例では、複数のピクセルグループ（例えば、５×５ピクセルグループ）からなる正方形のメッシュによって、左右の肺の領域が、テクスチャパタンの夫々の種類に分類されている。しかしながら、前述したように、所定の大きさの判定ウィンドを、ピクセル単位で左右上下方向にシフトさせることにより、ピクセル単位で特徴量の分布を算出することも可能である。この場合、テクスチャパタンの種類の分布を、ピクセル単位の滑らかさで求めることも可能である。 In the example shown in FIG. 7, a square mesh of pixel groups (eg, 5×5 pixel groups) classifies the left and right lung regions into respective types of texture patterns. However, as described above, it is also possible to calculate the distribution of the feature quantity in pixel units by shifting the determination window of a predetermined size in the horizontal and vertical directions in pixel units. In this case, it is also possible to obtain the distribution of types of texture patterns in terms of pixel-by-pixel smoothness.
図３に戻り、ステップＳＴ１０６では、必要に応じて第１画像と第２画像との位置合わせを行った後、第１画像と第２画像の互いに対応する局所領域における、テクスチャパタンの種類の変化から、疾患状態の変化の方向を推定する。 Returning to FIG. 3, in step ST106, the first image and the second image are aligned as necessary, and then the texture pattern changes in the corresponding local regions of the first image and the second image. , the direction of change in disease state is estimated.
ここで、「疾患状態の変化の方向を推定する」とは、疾患状態、即ち、疾患部の病状が、ａ）回復方向、ｂ）増悪方向、及び、ｃ）変化なし、の少なくともいずれかであることを推定することである。例えば、テクスチャパタンの種類の遷移と、疾患状態の変化の方向（即ち、当該疾患部が、回復方向にあるのか、増悪方向にあるのか、或いは、変化が見られない、のいずれかの方向）とが関連付けられたルックアップテーブル３１を参照することにより、疾患状態の変化の方向を推定することができる。このルックアップテーブル３１は、例えば、記憶回路３０に保存されている。処理回路２０の疾患状態変化推定機能２３は、このルックアップテーブル３１を記憶回路３０から読み出して、ステップＳＴ１０６の処理に利用する。
Here, "estimating the direction of change in the disease state" means that the disease state, that is, the disease state of the diseased area, is in at least one of a) recovery direction, b) exacerbation direction, and c) no change. It is to presume that there is For example, the transition of the type of texture pattern and the direction of change in the disease state (that is, whether the diseased area is in the direction of recovery, in the direction of exacerbation, or in which direction no change is observed) By referring to the lookup table 31 associated with , the direction of change in disease state can be estimated. This lookup table 31 is stored in the
図８の上部に、上述した状態変化方向の推定用のルックアップテーブル３１の一例を示す。また、図８の下部に、疾患状態の変化の方向と、テクスチャパタンの種類の遷移を示している。 An example of the lookup table 31 for estimating the state change direction is shown in the upper portion of FIG. In addition, the direction of change in the disease state and the transition of texture pattern types are shown in the lower part of FIG.
図８の下部の図は、患部のテクスチャパタンの種類が、「Ａ」から「Ｂ」へ、「Ｂ」から「Ｃ」へ、「Ｃ」から「Ｄ」へと遷移するにつれて、疾患状態が、正常な状態から症状が重くなる方向へ（即ち、増悪方向へ）変化することを示している。また、逆に、図８の下部の図は、患部のテクスチャパタンの種類が、「Ｄ」から「Ｃ」へ、「Ｃ」から「Ｂ」へ、「Ｂ」から「Ａ」へと遷移するにつれて、疾患状態が、症状が重い状態から正常な状態へ（即ち、回復方向へ）変化することを示している。 The diagram at the bottom of FIG. 8 shows that as the type of texture pattern of the affected area transitions from 'A' to 'B', from 'B' to 'C', and from 'C' to 'D', the disease state changes. , indicates a change from a normal state to a direction in which symptoms become severe (that is, to aggravation). Conversely, in the diagram at the bottom of FIG. 8, the type of texture pattern of the affected area transitions from 'D' to 'C', from 'C' to 'B', and from 'B' to 'A'. As the disease progresses, the disease state changes from a severe state to a normal state (that is, toward recovery).
図８の下部に示す疾患状態の変化の方向とテクスチャパタンの種類の遷移との関係は、従来からの、多数の医用画像の蓄積と、当該医用画像に基づく、医師による当該疾患の診断結果とその経過情報の蓄積等のデータベースから取得することができる。 The relationship between the direction of change in the disease state and the transition of texture pattern types shown in the lower part of FIG. It can be acquired from a database such as accumulation of progress information.
図８の上部のルックアップテーブルは、図８の下部に示す疾患状態の変化の方向とテクスチャパタンの種類の遷移との関係から生成することができる。 The lookup table in the upper part of FIG. 8 can be generated from the relationship between the direction of change in the disease state and the transition of texture pattern type shown in the lower part of FIG.
例えば、図８のルックアップテーブルでは、ある被検体の検査１で撮像された画像（第１画像）のテクスチャパタンの種類「Ａ」、「Ｂ」、「Ｃ」、「Ｄ」と、同一被検体の検査１よりも後に行なわれた検査２で撮像された画像（第２画像）のテクスチャパタンの種類「Ａ」、「Ｂ」、「Ｃ」、「Ｄ」とが、疾患状態の変化を示す３つの指標（即ち、「変化なし」、「増悪」及び「回復」の３つ指標）によって、互いに関連付けられている。
For example, in the lookup table of FIG. Types "A", "B", "C", and "D" of the texture patterns of the image (second image) captured in the
このルックアップテーブルを参照することにより、第１画像及び第２画像の互いに対応する局所領域におけるテクスチャパタンの種類の変化から、当該局所領域における被検体の疾患状態の変化の方向が、ａ）回復方向、ｂ）増悪方向、及び、ｃ）変化なし、の少なくともいずれかであることを推定することができる。例えば、第１画像において、テクスチャパタンの種類が「Ｃ」であった局所領域が、第２画像において、テクスチャパタンの種類「Ａ」又は「Ｂ」に変化した場合は、当該局所領域は回復方向にあると推定される一方、テクスチャパタンの種類「Ｄ」に変化した場合は、当該局所領域は増悪方向にあると推定される。 By referring to this lookup table, the direction of change in the disease state of the subject in the local region can be a) recovered from the change in the type of texture pattern in the local region corresponding to each other in the first image and the second image. direction, b) direction of exacerbation, and/or c) no change. For example, when a local region whose texture pattern type is “C” in the first image changes to texture pattern type “A” or “B” in the second image, the local region is restored. On the other hand, if the texture pattern changes to type "D", it is estimated that the local region is in the direction of aggravation.
なお、前述したように、びまん性肺疾患は複数の疾患原因を有することが知られており、疾患原因毎に、テクスチャパタンの種類の遷移と、疾患状態の変化の方向との関係が異なる可能性がある。そこで、ある特定の疾患原因（例えば、特発性間質性肺炎）によるびまん性肺疾患に対応するものであることを示すために、図８に示すルックアップテーブルには、疾患原因を特定するための付帯情報（図８の例では、疾患原因（ア））が関連付けられている。 As described above, diffuse lung disease is known to have multiple disease causes, and the relationship between the transition of the texture pattern type and the direction of change in the disease state may differ for each disease cause. have a nature. Therefore, in order to show that it corresponds to diffuse lung disease caused by a specific disease cause (for example, idiopathic interstitial pneumonia), the lookup table shown in FIG. (Cause of disease (a) in the example of FIG. 8) is associated.
また、図８のルックアップテーブルでは、「変化なし」、「増悪」及び「回復」の３つの指標の夫々に対して、３つの記号「０」、「＋」及び「－」のいずれかを併記している。これら３つの記号「０」、「＋」及び「－」は、図９に例示する「疾患状態変化マップ」との対応付けを判り易く説明するためのものであり、ルックアップテーブル自体に、必ずしもこれら３つの記号「０」、「＋」及び「－」の情報を含ませる必要はない。 In addition, in the lookup table of FIG. 8, one of the three symbols "0", "+" and "-" is assigned to each of the three indicators of "no change", "exacerbation" and "recovery". It is written together. These three symbols "0", "+" and "-" are for easy understanding of the correspondence with the "disease state change map" illustrated in FIG. It is not necessary to include the information of these three symbols '0', '+' and '-'.
図３に戻り、ステップＳＴ１０７では、局所領域における疾患状態の変化を描出した疾患状態変化マップを生成する。ステップＳＴ１０７の処理は、図２の疾患状態変化マップ生成機能２４に対応する処理である。
Returning to FIG. 3, in step ST107, a disease state change map that depicts changes in disease state in local regions is generated. The process of step ST107 is a process corresponding to the disease state change
図９は、疾患状態変化マップの一例を示す図である。図９に示す疾患状態変化マップは、「Ａ」、「Ｂ」、「Ｃ」、「Ｄ」等のテクスチャパタンの種類に分類された後の２つの画像、即ち、図７に示す第１画像及び第２画像と、図８に示すルックアップテーブルに基づいて生成されたものである。 FIG. 9 is a diagram showing an example of a disease state change map. The disease state change map shown in FIG. 9 is divided into two images after being classified into types of texture patterns such as "A", "B", "C", and "D", that is, the first image shown in FIG. and the second image and the lookup table shown in FIG.
図９において、「＋」の記号で描出された局所領域は、検査１での撮像日から検査２の撮像日の期間に増悪したと推定される局所領域を示しており、「－」の記号で描出された局所領域は、逆に、検査１での撮像日から検査２の撮像日の期間に回復したと推定される局所領域を示している。一方、「０」の記号で描出された局所領域は、検査１での撮像日から検査２の撮像日の期間に、疾患状態が変化していないと推定される局所領域を示している。
In FIG. 9 , the local regions drawn with the “+” symbol indicate local regions that are presumed to have deteriorated during the period from the imaging date of
疾患状態変化マップの解像度に関しても、図７に示したテクスチャパタンの種類分類後の第１画像及び第２画像と同様に、ピクセル単位の解像度で描出してもよいし、或いは、２ピクセル以上から構成されるピクセルグループ単位の解像度で描出してもよい。 As for the resolution of the disease state change map, like the first and second images after texture pattern type classification shown in FIG. It may be rendered at a resolution per configured pixel group.
また、図９に例示した疾患状態変化マップでは、疾患状態の変化の方向を、「＋」、「－」、「０」等の異なる記号で識別しているが、これに限定されるものではない。例えば、疾患状態の変化の方向を、異なる色、異なる濃度、異なる数字、及び、異なる記号の少なくとも１つを含む異なる態様によって、識別可能に描出することにより、疾患状態変化マップを生成することができる。 In addition, in the disease state change map illustrated in FIG. 9, the direction of change in disease state is identified by different symbols such as "+", "-", and "0", but it is not limited to this. do not have. For example, a disease state change map can be generated by identifiably delineating the direction of change in disease state by different aspects including at least one of different colors, different densities, different numbers, and different symbols. can.
生成された疾患状態変化マップは、ステップＳＴ１０８で、本医用画像処理装置１００が具備するディスプレイ５０に表示される。或いは、生成された疾患状態変化マップを、ネットワーク５００を介してＸ線ＣＴ装置５１１等のモダリティ５１０に送信し、モダリティ５１０が有するディスプレイに表示させてもよい。
The generated disease state change map is displayed on the
以上説明してきた第１の実施形態の医用画像処理装置１００によれば、肺等の組織の局所的な領域が、回復方向にあるのか、或いは、増悪方向にあるのかといった、組織の局所的な領域における疾患状態の変化を容易に把握することができる。
According to the medical
（第１の実施形態の変形例）
図１０は、第１の実施形態の変形例に係る医用画像処理装置１００の動作例を示すフローチャートである。第１の実施形態との相違点はステップＳＴ２００の処理であり、それ以外の処理は第１の実施形態と同じである。
(Modification of the first embodiment)
FIG. 10 is a flow chart showing an operation example of the medical
ステップＳＴ２００では、第１画像と第２画像の互いに対応する局所領域におけるテクスチャパタンの種類の変化から、疾患状態の変化の方向だけでなく、疾患状態の変化の速度をさらに推定する。即ち、該当する組織の疾患が、徐々に増悪しているのか、急激に増悪しているのかといった増悪速度や、逆に、該当する組織の疾患が、徐々に回復しているのか、急激に回復しているのかといった回復速度を推定する。 In step ST200, not only the direction of change in the disease state but also the speed of change in the disease state are further estimated from the change in texture pattern types in the local regions corresponding to each other in the first image and the second image. That is, the rate of exacerbation, such as whether the disease in the relevant tissue is gradually exacerbating or rapidly exacerbating, and conversely, whether the disease in the relevant tissue is gradually recovering or rapidly recovering. Estimate the recovery speed, such as whether or not
第１の実施形態の変形例では、疾患状態の変化の速度を推定するために、状態変化方向の推定用のルックアップテーブル（図８）に変化速度に関する情報を付加したルックアップテーブル（図１１）を用いる。 In the modification of the first embodiment, in order to estimate the rate of change in the disease state, a lookup table (FIG. 11) obtained by adding information on the change rate to the lookup table (FIG. 8) for estimating the state change direction. ) is used.
図１１に示すルックアップテーブルでは、例えば、検査１の第１画像におけるテクスチャパタンの種類「Ａ」が、第２画像において、種類「Ａ」のままの場合は「変化なし」、種類「Ｂ」に遷移した場合は「増悪」方向でかつ増悪速度は「小」であると判定し、種類「Ｃ」に遷移した場合は「増悪」方向でかつ増悪速度は「中」であると判定し、種類「Ｄ」に遷移した場合は「増悪」方向でかつ増悪速度は「大」であると判定する。
In the lookup table shown in FIG. 11, for example, if the texture pattern type "A" in the first image of the
また、例えば、検査１の第１画像におけるテクスチャパタンの種類「Ｄ」が、第２画像において、種類「Ｄ」のままの場合は「変化なし」、種類「Ｃ」に遷移した場合は「回復」方向でかつ回復速度は「小」であると判定し、種類「Ｂ」に遷移した場合は「回復」方向でかつ回復速度は「中」であると判定し、種類「Ａ」に遷移した場合は「回復」方向でかつ回復速度は「大」であると判定する。
Further, for example, if the texture pattern type "D" in the first image of the
このように、図１１に示すルックアップテーブルにおける疾患状態の変化の速度は、図１１の下部に示すテクスチャパタンの種類の互いの遷移距離に基づいて定められている。 Thus, the rate of disease state change in the lookup table shown in FIG. 11 is determined based on the transition distance between the types of texture patterns shown at the bottom of FIG.
なお、図１１に示すルックアップテーブルでは、増悪方向の速度を、小さい方から大きい方の順に、「＋１」、「＋２」、「＋３」の正の符号の数字で表し、回復方向の速度を、小さい方から大きい方の順に、「－１」、「－２」、「－３」の負の符号の数字で表している。 In the lookup table shown in FIG. 11, the velocity in the direction of exacerbation is represented by numbers with positive signs "+1", "+2", and "+3" in order from the smallest to the largest, and the velocity in the recovery direction is , in order from the smallest to the largest, represented by numbers with negative signs “-1”, “-2”, and “-3”.
図９に示す疾患状態変化マップにおける「＋」、「－」、「０」といった記号を、上記の「＋１」、「＋２」、「＋３」、「－１」、「－２」、「－３」及び「０」のような符号付数字によって置き換えることによって、疾患状態の変化の方向に加えて、変化の速度も描出された疾患状態変化マップを生成することができる。 The symbols such as "+", "-" and "0" in the disease state change map shown in FIG. By substituting signed numbers such as 3' and '0', a disease state change map can be generated that depicts the rate of change in addition to the direction of change in disease state.
図１２は、記号や数字以外の識別情報を用いて、疾患状態の変化の方向及び速度を描出した疾患状態変化マップの一例を示す図である。図１２に示す疾患状態変化マップでは、疾患状態の変化の方向と速度を、ハッチングのパタンの種類とハッチングの濃淡で描出している。 FIG. 12 is a diagram showing an example of a disease state change map that depicts the direction and speed of disease state change using identification information other than symbols and numbers. In the disease state change map shown in FIG. 12, the direction and speed of change in the disease state are depicted by the type of hatching pattern and the shade of hatching.
第１の実施形態の変形例によれば、「増悪」、「回復」、「変化なし」といった疾患状態の変化の方向に加えて、増悪速度や回復速度が疾患状態変化マップに描出されるため、客観的で精度の高い診断が可能となる。 According to the modified example of the first embodiment, in addition to the direction of change in the disease state such as “aggravation”, “recovery”, and “no change”, the exacerbation speed and recovery speed are depicted on the disease state change map. , an objective and highly accurate diagnosis is possible.
なお、上記の説明では、増悪速度や回復速度等の疾患状態変化の速度を、テクスチャパタンの種類の互いの遷移距離に基づいて求めたが、検査１における第１画像の撮像日と、検査２における第２画像の撮像日との間の期間の長さに基づいて、疾患状態変化の速度を推定することもできる。さらに、テクスチャパタンの種類の互いの遷移距離と、検査１における第１画像の撮像日と、検査２における第２画像の撮像日との間の期間の長さの双方に基づいて、疾患状態変化の速度を推定することもできる。
In the above description, the rate of disease state change, such as exacerbation rate and recovery rate, was obtained based on the mutual transition distance between texture pattern types. The rate of disease state change can also be estimated based on the length of time between the capture date of the second image at . Furthermore, based on both the transition distance of texture pattern types from each other and the length of the period between the capture date of the first image in
例えば、第１画像の撮像日と第２画像の撮像日との間隔が３カ月であったときに、検査１の第１画像におけるテクスチャパタンの種類「Ａ」が種類「Ｂ」に遷移した場合は「増悪」方向でかつ増悪速度は「小」であると判定するものの、第１画像の撮像日と第２画像の撮像日との間隔が１カ月であったときには、検査１の第１画像におけるテクスチャパタンの種類「Ａ」が種類「Ｂ」に遷移した場合であっても、増悪速度は「小」ではなく、「中」又は「大」であると判定する。
For example, when the interval between the imaging date of the first image and the imaging date of the second image is three months, the texture pattern type “A” in the first image of the
（第２の実施形態）
図１３は、第２の実施形態の医用画像処理装置１００の動作例を示すフローチャートである。前述したように、びまん性肺疾患は複数の疾患原因を有することが知られており、疾患原因毎に、テクスチャパタンの種類の遷移と、疾患状態の変化の方向との関係が異なる可能性がある。そこで、第２の実施形態の医用画像処理装置１００では、疾患原因毎に状態変化方向推定用のルックアップテーブルを保有する構成としている。
(Second embodiment)
FIG. 13 is a flow chart showing an operation example of the medical
第２の実施形態では、図１３のステップＳＴ３００と、ステップＳＴ３０１が第１の実施形態と異なっている。ステップＳＴ３００では、医師等のユーザによって指定された疾患原因を取得する。例えば、マウスやキーボード等の入力デバイス４０を用いて、ユーザが、びまん性肺疾患の疾患原因として、疾患原因（ア）（例えば、特発性間質性肺炎）、疾患原因（イ）（例えば、膠原病）、疾患原因（ウ）（例えば、過敏性肺炎）、疾患原因（エ）（例えば、じん肺・職業性肺疾患）等を指定し、処理回路２０の疾患状態変化推定機能２３が、指定された疾患原因を取得する。
In the second embodiment, steps ST300 and ST301 in FIG. 13 are different from the first embodiment. In step ST300, the disease cause designated by a user such as a doctor is obtained. For example, using the
ステップＳＴ３０１では、第１画像と第２画像の互いに対応する局所領域におけるテクスチャパタンの種類の変化と、指定された疾患原因に対応する状態変化方向推定用のルックアップテーブルとから、疾患状態の変化の方向を推定する。 In step ST301, a change in disease state is determined from a change in texture pattern type in local regions corresponding to each other in the first image and the second image, and a lookup table for estimating the state change direction corresponding to the specified disease cause. Estimate the direction of
図１４は、疾患原因毎に異なる４つの状態変化方向推定用ルックアップテーブルの例を示している。図１４の左上の疾患原因（ア）に対応するルックアップテーブルから判るように、疾患原因（ア）に対応する疾患のテクスチャパタンの種類として、「Ａ」、「Ｂ」、「Ｃ」、「Ｄ」を想定している。 FIG. 14 shows an example of four lookup tables for estimating the direction of state change that are different for each disease cause. As can be seen from the lookup table corresponding to the cause of disease (A) in the upper left of FIG. I'm assuming D.
一方、図１４の左下の疾患原因（イ）に対応するルックアップテーブルから判るように、疾患原因（イ）に対応する疾患のテクスチャパタンの種類としては、「Ａ」、「Ｂ」、「Ｅ」、「Ｆ」を想定している。また、図１４の右側の各ルックアップテーブルから判るように、疾患原因（ウ）に対応する疾患のテクスチャパタンの種類としては、「Ａ」、「Ｂ」、「Ｈ」、「Ｊ」を想定し、疾患原因（エ）に対応する疾患のテクスチャパタンの種類としては、「Ａ」、「Ｂ」、「Ｋ」、「Ｆ」を想定している。 On the other hand, as can be seen from the lookup table corresponding to disease cause (b) in the lower left of FIG. ”, and “F”. Also, as can be seen from each lookup table on the right side of FIG. 14, "A", "B", "H", and "J" are assumed as the types of disease texture patterns corresponding to disease cause (c). As types of disease texture patterns corresponding to disease cause (d), "A", "B", "K", and "F" are assumed.
このように、疾患原因の種類によって、想定されるテクスチャパタンの種類も異なってくると考えられている。したがって、テクスチャパタンの種類の変化から、疾患状態の変化の方向や速度を推定する際には、疾患原因の種類を考慮するのが好ましい。 In this way, it is believed that the types of assumed texture patterns differ depending on the types of disease causes. Therefore, when estimating the direction and speed of change in the disease state from the change in the type of texture pattern, it is preferable to consider the type of cause of the disease.
第２の実施形態の医用画像処理装置１００では、疾患原因別の複数のルックアップテーブルの中から、医師などのユーザによって指定された疾患原因に対応する疾患原因別のルックアップテーブルを参照することにより、被検体の疾患状態の変化の方向を推定している。この結果、高精度で、疾患状態変化の方向を推定することができ、信頼性の高い診断に資することが可能となる。
In the medical
（第２の実施形態の変形例）
図１５は、第２の実施形態の変形例に係る医用画像処理装置１００の動作例を示すフローチャートである。第２の実施形態の変形例の動作では、第２の実施形態の処理（図１３に示すフローチャート）に対して、更に、ステップＳＴ４００を付加した処理が行われている。ステップＳＴ４００では、テクスチャパタンの種類の変化から、疾患原因を推定する。
(Modification of Second Embodiment)
FIG. 15 is a flow chart showing an operation example of the medical
図１６は、ステップＳＴ４００の処理の概念を説明する図である。図１６の中央部には、疾患原因推定用のルックアップテーブルを例示している。このルックアップテーブルは、図１４に示す４つのルックアップテーブルと実質的に同じものであり、相互の変換可能である。 FIG. 16 is a diagram explaining the concept of the process of step ST400. The central part of FIG. 16 illustrates a lookup table for disease cause estimation. This lookup table is substantially the same as the four lookup tables shown in FIG. 14, and is mutually convertible.
前述したように、疾患の進行によって変化しうるテクスチャパタンの種類は、疾患原因によって異なることがあり、疾患の進行によって変化しうるテクスチャパタンの種類の全てが必ずしも同一というわけではない。例えば、図１６の疾患原因推定用のルックアップテーブルに示すように、テクスチャパタンの種類「Ａ」から「Ｂ」への変化は、４つの疾患原因（ア）乃至疾患原因（エ）において共通に生じ得るものの、テクスチャパタンの種類「Ｂ」から「Ｈ」への変化は、疾患原因（ウ）のみによって生じ得る。 As described above, the types of texture patterns that may change with disease progression may differ depending on the cause of the disease, and not all types of texture patterns that may change with disease progression are the same. For example, as shown in the lookup table for disease cause estimation in FIG. Although it can occur, the change from texture pattern type 'B' to 'H' can only be caused by disease cause (c).
そこで、第２の実施形態の変形例では、ステップＳＴ３０１の処理に使用されるテクスチャパタンの変化の方向と、疾患原因推定用のルックアップテーブルとから、疾患原因を推定する。例えば、図１６の左部に示すように、被検体（例えば、患者 甲）のテクスチャパタンの変化が、ある局所領域において種類「Ａ」から種類「Ｂ」へ変化し、他の局所領域において種類「Ｂ」から「種類Ｈ」に変化したとする。この場合、ステップＳＴ４００の処理は、患者 甲の疾患原因は、疾患原因（ウ）である、と推定する。 Therefore, in the modified example of the second embodiment, the cause of disease is estimated from the direction of change of the texture pattern used in the process of step ST301 and the lookup table for estimating the cause of disease. For example, as shown in the left part of FIG. 16, the change in the texture pattern of the subject (for example, the patient's back) changes from type "A" to type "B" in a certain local region, and changes to type "B" in another local region. Suppose that it changes from "B" to "Type H". In this case, the process of step ST400 presumes that the disease cause of patient A is disease cause (c).
このように、第２の実施形態の変形例では、テクスチャパタンの種類の変化から、疾患原因を推定することが可能となるため、診断上、より有用な情報をユーザに提供することが可能となる。 As described above, in the modified example of the second embodiment, it is possible to estimate the cause of a disease from the change in the type of texture pattern, so that it is possible to provide the user with more useful diagnostic information. Become.
なお、ここまで、図８、図１１、図１４、及び、図１６に、いくつかのルックアップテーブルを例示したが、これらのルックアップテーブルは、ユーザによって、その内容を作成し、編集し、或いは、変更することが可能となるように構成されている。 8, 11, 14, and 16 have exemplified some lookup tables, but the contents of these lookup tables are created, edited, and edited by the user. Alternatively, it is configured to be changeable.
（その他の実施形態）
ここまでは、主に、複数の画像（例えば、前述した第１画像と第２画像）の夫々の領域の画素値に基づいてテクスチャ解析を行うことにより、夫々の領域を複数のテクスチャパタンのいずれかに分類する実施形態を説明してきた。しかしながら、本発明の実施形態はこれらに限定されるものではなく、例えば、ａ）複数の画像の夫々の領域の画素値に基づいて被検体の組織性状の解析を行うことでその解析結果から被検体の組織性状を複数の組織性状クラスに分類し、ｂ）分類された組織性状クラスを、複数の画像の夫々の領域へ割り当て、ｃ）複数の画像の夫々の対応領域における組織性状クラスの変化から、被検体の疾患状態の変化を推定する、実施形態を含む。
(Other embodiments)
Up to this point, the texture analysis is mainly performed based on the pixel values of each region of a plurality of images (for example, the first image and the second image described above), so that each region is selected from one of a plurality of texture patterns. Embodiments have been described that classify However, embodiments of the present invention are not limited to these. Classifying the tissue properties of the specimen into a plurality of tissue properties classes, b) assigning the classified tissue properties classes to respective regions of the plurality of images, and c) changing the tissue properties class in respective corresponding regions of the plurality of images. estimating a change in a subject's disease state from
例えば、被検体の組織性状の解析の例として、上述したテクスチャ解析の他、ＴＩＣ（Time-Intensity Curve）解析（例えば、造影濃度の時間変化の解析）が挙げられる。この実施形態では、ＴＩＣ解析を行い、その結果から得られるＴＩＣのカーブを複数のタイプ、すなわち組織性状クラスに分類し、ＴＩＣカーブのタイプの変化から被検体の疾患状態の変化を推定する。例えば正常な肝臓内に肝細胞癌がある被検体に対して造影ＣＴ撮影を行った場合、正常な組織のＴＩＣカーブに比べ早期相（動脈相）のカーブ立ち上がりが早く、また後期相（平衡相）においてはWash outしカーブが立ち下がる。この立ち上がり・立ち下がりの程度・時期を元に組織をパタン分類することで、各組織が正常組織から癌のパタンに近づいている（増悪している）のか、あるいはその逆なのかの遷移を推定することができる。 For example, as an example of analysis of tissue properties of a subject, in addition to the texture analysis described above, there is TIC (Time-Intensity Curve) analysis (for example, analysis of temporal change in contrast density). In this embodiment, TIC analysis is performed, TIC curves obtained from the analysis are classified into a plurality of types, ie, tissue characterization classes, and changes in the disease state of the subject are estimated from changes in TIC curve types. For example, when contrast-enhanced CT is performed on a subject with hepatocellular carcinoma in a normal liver, the TIC curve in the early phase (arterial phase) rises faster than the TIC curve in normal tissue, and the TIC curve in the late phase (equilibrium phase) rises earlier. ), wash out and the curve falls. By classifying the tissue pattern based on the degree and timing of this rise and fall, it is possible to estimate the transition whether each tissue is approaching (aggravating) the pattern of cancer from normal tissue or vice versa. can do.
また例えば、被検体の組織性状の解析の例として、画像の領域内の輝度値を解析する例が挙げられる。この実施形態では、輝度値の解析によって、例えば、輝度値のヒストグラムを算出し、ヒストグラムの形状を複数のタイプ、すなわち組織性状クラスに分類する。例えば、ヒストグラム形状のピークの鋭さを表わす尖度、ヒストグラムのピークの数、ヒストグラムのピークに対応する輝度値等のパラメータを用いてヒストグラムの形状を複数のタイプに分類し、ヒストグラムの形状のタイプの変化から被検体の疾患状態の変化を推定する。例えば肺結節を持つ被検体に対してＣＴ撮影を行った場合、肺結節となる領域では正常な領域と組織の密度が異なるため、ＣＴ撮影を行った場合の輝度値分布、すなわちヒストグラムが異なる。先の結節の例では正常組織に比べ低濃度部分の割合が減少する一方で高濃度部分の割合が増加する。このヒストグラムの形状を元に組織をパタン分類することで、各組織が正常組織か結節のパタンに近づいている（増悪している）のか否かの変化を推定することができる。 Further, for example, an example of analysis of the tissue characterization of a subject includes an example of analyzing luminance values within an image region. In this embodiment, by analyzing the luminance values, for example, a histogram of luminance values is calculated and the shape of the histogram is classified into a plurality of types, ie, tissue attribute classes. For example, the histogram shape can be classified into multiple types using parameters such as kurtosis, which represents the sharpness of the histogram peaks, the number of histogram peaks, and the luminance value corresponding to the histogram peaks. A change in the subject's disease state is inferred from the change. For example, when CT imaging is performed on a subject having a pulmonary nodule, the luminance value distribution, that is, the histogram, is different in the area of the pulmonary nodule because the tissue density is different from that in the normal area. In the previous nodule example, the proportion of the low-density portion decreases while the proportion of the high-density portion increases compared to normal tissue. By classifying the tissue pattern based on the shape of this histogram, it is possible to estimate the change in whether each tissue is approaching (aggravating) the pattern of normal tissue or nodule.
また例えば、被検体の組織性状の解析の例として、画像の領域内の複数種類の指標値を解析する例が挙げられる。複数種類の指標値は、例えば、領域内の輝度値と機能指標値である。また、機能指標値は、例えば、壁運動解析から取得する、或いは、心筋シンチグラフィ等の心臓核医学検査から取得する、組織の機能を示す指標値である。この実施形態では、例えば、輝度値と機能指標値の２つの値から、領域を複数のグループに分類する。例えば、輝度値が高くて機能指標値も高いグループを「グループ１」に、輝度値が高くて機能指標値が低いグループを「グループ２」に、輝度値が低く機能指標値も低いグループを「グループ３」に分類し、そして、分類したグループの変化から被検体の疾患状態の変化を推定する。
Further, for example, as an example of analysis of tissue properties of a subject, there is an example of analyzing a plurality of types of index values within an image region. The multiple types of index values are, for example, luminance values and function index values in the region. Also, the function index value is an index value indicating the function of a tissue, for example, obtained from wall motion analysis or from cardiac nuclear medicine examination such as myocardial scintigraphy. In this embodiment, for example, regions are classified into a plurality of groups based on two values, a luminance value and a function index value. For example, a group with a high luminance value and a high function index value is designated as "
以上説明した少なくとも１つの実施形態によれば、医用画像から、組織の局所的な領域における疾患状態の変化を容易に把握できるようにすることができる。 According to at least one embodiment described above, it is possible to easily comprehend a change in disease state in a localized region of tissue from a medical image.
ここまで説明してきた各実施形態や変形例では、図２に例示した各機能２１～２５を、１つの医用画像処理装置１００で実現するものとして説明してきたが、これに限定されるものではない。例えば、複数の医用画像処理装置１００がネットワークによって連接された医用画像処理システム（図示せず）によって、図２に例示した各機能２１～２５を分散処理するようにしてもよい。例えば、第１及び第２の医用画像処理装置１００Ａ、１００Ｂで医用画像処理システムを構成し、図２に示した各機能２１～２５のうち、一部の機能を第１の医用画像処理装置１００Ａで処理し、残りの機能を第２の医用画像処理装置１００Ｂで処理するようにしてもよい。医用画像処理システム内の複数の医用画像処理装置１００の夫々はネットワークを介して互いに連接されているため、各医用画像処理装置１００を異なる場所に設置することができる。
In the embodiments and modifications described so far, the
なお、各実施形態の記載における記憶回路、画像データ取得機能、テクスチャ解析機能、疾患状態変化推定機能、疾患状態変化マップ生成機能、及び、表示制御機能は、夫々、特許請求の範囲の記載における記憶部、取得部、解析部、推定部、生成部、及び、表示制御部の一例である。 Note that the storage circuit, image data acquisition function, texture analysis function, disease state change estimation function, disease state change map generation function, and display control function in the description of each embodiment are the storage circuits in the claims. It is an example of a unit, an acquisition unit, an analysis unit, an estimation unit, a generation unit, and a display control unit.
なお、本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。 It should be noted that although several embodiments of the invention have been described, these embodiments are provided by way of example and are not intended to limit the scope of the invention. These novel embodiments can be implemented in various other forms, and various omissions, replacements, and modifications can be made without departing from the scope of the invention. These embodiments and modifications thereof are included in the scope and gist of the invention, and are included in the scope of the invention described in the claims and equivalents thereof.
１０ 入力インターフェース回路
２０ 処理回路
２１ 画像データ取得機能
２２ テクスチャ解析機能
２３ 疾患状態変化推定機能
２４ 疾患状態変化マップ生成機能
２５ 表示制御機能
３０ 記憶回路
３１ ルックアップテーブル
４０ 入力デバイス
５０ ディスプレイ
１００ 医用画像処理装置
５００ ネットワーク
５１１ Ｘ線ＣＴ装置
５１２ ＭＲＩ装置
５１３ 超音波診断装置
10
Claims (14)
前記複数の画像の夫々の領域の画素値に基づいて前記被検体の組織性状の解析を行うことで前記被検体の組織性状を複数の組織性状クラスに分類し、分類された前記組織性状クラスを、前記複数の画像の夫々の領域へ割り当てる解析部と、
前記複数の画像の夫々の対応領域における前記組織性状クラスの変化から、前記被検体の疾患状態の変化を推定する推定部と、を備え、
前記解析部は、前記複数の画像の夫々の領域の画素値に基づいてテクスチャ解析を行うことで、夫々の領域を複数のテクスチャパタンのいずれかに分類し、分類された前記テクスチャパタンを、前記複数の画像の夫々の領域に割り当て、
前記推定部は、前記複数の画像の夫々の対応領域における前記テクスチャパタンの変化から、前記対応領域における前記疾患状態の変化、及び前記疾患状態の変化速度を推定する、
医用画像処理装置。 an acquisition unit that acquires a plurality of images obtained by imaging the same subject at different imaging times;
By analyzing the tissue properties of the subject based on the pixel values of the respective regions of the plurality of images, the tissue properties of the subject are classified into a plurality of tissue property classes, and the classified tissue property classes are classified into , an analysis unit that allocates to each region of the plurality of images;
an estimating unit that estimates changes in the disease state of the subject from changes in the tissue attribute class in corresponding regions of the plurality of images ,
The analysis unit performs texture analysis based on pixel values of each region of the plurality of images, classifies each region into one of a plurality of texture patterns, and classifies the classified texture patterns as the assigned to each region of a plurality of images,
The estimating unit estimates the change in the disease state in the corresponding region and the rate of change in the disease state from the change in the texture pattern in the corresponding region of each of the plurality of images.
Medical image processing equipment.
請求項１記載の医用画像処理装置。 a generating unit that generates a map image in any of the plurality of images in which a pixel value that enables identification of a change in the disease state is assigned to each of the corresponding regions;
The medical image processing apparatus according to claim 1 .
前記テクスチャパタンは、すりガラス状、網状、結節状、蜂巣状、及び浸潤影の少なくともいずれかを含む、
請求項１又は２に記載の医用画像処理装置。 The image is an image of the lung field of the subject,
The texture pattern includes at least one of ground glass, net, nodule, honeycomb, and infiltration,
The medical image processing apparatus according to claim 1 or 2 .
前記解析部は、前記第１画像及び第２画像の夫々の領域を、前記複数のテクスチャパタンの種類に分類し、
前記推定部は、前記第１画像及び第２画像の互いに対応する局所領域における、前記テクスチャパタンの種類の変化から、前記局所領域における前記被検体の疾患状態の変化の方向が、ａ）回復方向、ｂ）増悪方向、及び、ｃ）変化なし、のいずれかであることを推定する、
請求項１乃至３のいずれか１項に記載の医用画像処理装置。 The acquisition unit acquires a first image captured at a first date and time and a second image captured at a second date and time later than the first date and time,
The analysis unit classifies each region of the first image and the second image into types of the plurality of texture patterns,
The estimating unit determines, based on changes in types of texture patterns in local regions corresponding to each other in the first image and the second image, that a direction of change in the disease state of the subject in the local region is a) a recovery direction , b) direction of exacerbation, and c) no change,
The medical image processing apparatus according to any one of claims 1 to 3 .
請求項４に記載の医用画像処理装置。 The estimating unit estimates the direction of change in the disease state in units of pixels or in units of pixel groups composed of two or more pixels.
The medical image processing apparatus according to claim 4 .
前記推定部で推定される前記疾患状態の変化の方向が、ピクセル単位、又は、２ピクセル以上から構成されるピクセルグループ単位で描出された、疾患状態変化マップ、を生成する生成部と、
前記疾患状態変化マップを前記ディスプレイに表示させる表示制御部と、
をさらに備える、
請求項４に記載の医用画像処理装置。 a display;
a generating unit for generating a disease state change map in which the direction of change in the disease state estimated by the estimating unit is drawn in units of pixels or in units of pixel groups composed of two or more pixels;
a display control unit for displaying the disease state change map on the display;
further comprising
The medical image processing apparatus according to claim 4 .
請求項６に記載の医用画像処理装置。 wherein the direction of change in the disease state includes at least one of different colors, different densities, different numbers, and different symbols for each pixel unit or each pixel group unit; generating the disease state change map so that it is identifiably delineated;
The medical image processing apparatus according to claim 6 .
前記推定部は、前記ルックアップテーブルを参照することにより、前記被検体の疾患状態の変化の方向を推定する、
請求項４乃至７のいずれか１項に記載の医用画像処理装置。 a storage unit that stores a lookup table in which the type of the texture pattern and the degree of progression of the disease state are associated;
The estimation unit estimates the direction of change in the disease state of the subject by referring to the lookup table.
The medical image processing apparatus according to any one of claims 4 to 7 .
前記複数の画像の夫々の領域の画素値に基づいて前記被検体の組織性状の解析を行うことで前記被検体の組織性状を複数の組織性状クラスに分類し、分類された前記組織性状クラスを、前記複数の画像の夫々の領域へ割り当てる解析部と、
前記複数の画像の夫々の対応領域における前記組織性状クラスの変化から、前記被検体の疾患状態の変化を推定する推定部と、を備え、
前記解析部は、前記複数の画像の夫々の領域の画素値に基づいてテクスチャ解析を行うことで、夫々の領域を複数のテクスチャパタンのいずれかに分類し、分類された前記テクスチャパタンを、前記複数の画像の夫々の領域に割り当て、
前記推定部は、前記複数の画像の夫々の対応領域における前記テクスチャパタンの変化から、前記対応領域における前記疾患状態の変化、及び前記疾患状態の変化速度を推定し、
前記推定部は、さらに、前記テクスチャパタンの種類と、前記疾患状態の進行の程度とが関連付けられたルックアップテーブルを参照することにより、回復方向における回復速度、及び、増悪方向における増悪速度、の少なくとも一方を更に推定する、
医用画像処理装置。 an acquisition unit that acquires a plurality of images obtained by imaging the same subject at different imaging times;
By analyzing the tissue properties of the subject based on the pixel values of the respective regions of the plurality of images, the tissue properties of the subject are classified into a plurality of tissue property classes, and the classified tissue property classes are classified into , an analysis unit that allocates to each region of the plurality of images;
an estimating unit that estimates changes in the disease state of the subject from changes in the tissue attribute class in corresponding regions of the plurality of images,
The analysis unit performs texture analysis based on pixel values of each region of the plurality of images, classifies each region into one of a plurality of texture patterns, and classifies the classified texture patterns as the assigned to each region of a plurality of images,
The estimating unit estimates a change in the disease state in the corresponding region and a change speed of the disease state from the change in the texture pattern in the corresponding region of each of the plurality of images,
The estimating unit further refers to a lookup table in which the type of texture pattern and the degree of progress of the disease state are associated to determine the speed of recovery in the direction of recovery and the speed of exacerbation in the direction of exacerbation. further estimate at least one
Medical image processing equipment.
前記複数の画像の夫々の領域の画素値に基づいてテクスチャ解析を行うことで、夫々の領域を複数のテクスチャパタンのいずれかに分類し、分類された前記テクスチャパタンを、前記複数の画像の夫々の領域に割り当てる解析部と、
前記複数の画像の夫々の対応領域における組織性状クラスの変化から、前記被検体の疾患状態の変化を推定する推定部と、
異なる疾患原因に夫々対応する疾患原因別のルックアップテーブルであって、疾患原因毎に、前記テクスチャパタンの種類と前記疾患状態の進行の程度とが関連付けられた複数のルックアップテーブルを記憶する記憶部と、を備え、
前記推定部は、疾患原因別の前記複数のルックアップテーブルの中から、ユーザによって指定された疾患原因に対応する前記疾患原因別のルックアップテーブルを参照することにより、前記被検体の疾患状態の変化の方向を推定する、
医用画像処理装置。 an acquisition unit that acquires a plurality of images obtained by imaging the same subject at different imaging times;
By performing texture analysis based on pixel values of respective regions of the plurality of images, each region is classified into one of a plurality of texture patterns, and the classified texture patterns are assigned to each of the plurality of images. an analysis unit that allocates to the region of
an estimating unit for estimating changes in the disease state of the subject from changes in tissue attribute classes in corresponding regions of each of the plurality of images;
A memory for storing a plurality of lookup tables that are disease cause-specific lookup tables respectively corresponding to different disease causes and in which the type of the texture pattern and the degree of progression of the disease state are associated for each disease cause. and
The estimating unit estimates the disease state of the subject by referring to the lookup table for each disease cause corresponding to the cause of disease specified by the user from among the plurality of lookup tables for each disease cause. estimating the direction of change,
Medical image processing equipment.
前記複数の画像の夫々の領域の画素値に基づいてテクスチャ解析を行うことで、夫々の領域を複数のテクスチャパタンのいずれかに分類し、分類された前記テクスチャパタンを、前記複数の画像の夫々の領域に割り当てる解析部と、
前記複数の画像の夫々の対応領域における組織性状クラスの変化から、前記被検体の疾患状態の変化を推定する推定部と、
異なる疾患原因に夫々対応する疾患原因別のルックアップテーブルであって、疾患原因毎に、前記テクスチャパタンの種類と前記疾患状態の進行の程度とが関連付けられた複数のルックアップテーブルを記憶する記憶部と、を備え
前記推定部は、疾患原因別の前記複数のルックアップテーブルの中から、ユーザによって指定された疾患原因に対応する前記疾患原因別のルックアップテーブルを参照することにより、前記被検体の疾患状態の変化の方向を推定し、
前記推定部は、前記複数の画像の互いに対応する局所領域における、前記テクスチャパタンの種類の変化から、前記被検体の疾患原因を更に推定する、
医用画像処理装置。 an acquisition unit that acquires a plurality of images obtained by imaging the same subject at different imaging times;
By performing texture analysis based on pixel values of respective regions of the plurality of images, each region is classified into one of a plurality of texture patterns, and the classified texture patterns are assigned to each of the plurality of images. an analysis unit that allocates to the region of
an estimating unit for estimating changes in the disease state of the subject from changes in tissue attribute classes in corresponding regions of each of the plurality of images;
A memory for storing a plurality of lookup tables that are disease cause-specific lookup tables respectively corresponding to different disease causes and in which the type of the texture pattern and the degree of progression of the disease state are associated for each disease cause. and
The estimating unit estimates the disease state of the subject by referring to the lookup table for each disease cause corresponding to the cause of disease specified by the user from among the plurality of lookup tables for each disease cause. Estimate the direction of change,
The estimating unit further estimates the cause of the disease of the subject from changes in the types of the texture patterns in the local regions corresponding to each other in the plurality of images .
Medical image processing equipment.
請求項８乃至１１のいずれか１項に記載の医用画像処理装置。 the lookup table is configured to allow its contents to be created, edited or changed by a user;
The medical image processing apparatus according to any one of claims 8 to 11 .
前記複数の画像の夫々の領域の画素値に基づいて前記被検体の組織性状の解析を行うことで前記被検体の組織性状を複数の組織性状クラスに分類し、分類された前記組織性状クラスを、前記複数の画像の夫々の領域へ割り当てる解析部と、
前記複数の画像の夫々の対応領域における前記組織性状クラスの変化から、前記被検体の疾患状態の変化を推定する推定部と、を備え、
前記解析部は、前記複数の画像の夫々の領域の画素値に基づいてテクスチャ解析を行うことで、夫々の領域を複数のテクスチャパタンのいずれかに分類し、分類された前記テクスチャパタンを、前記複数の画像の夫々の領域に割り当て、
前記推定部は、前記複数の画像の夫々の対応領域における前記テクスチャパタンの変化から、前記対応領域における前記疾患状態の変化、及び前記疾患状態の変化速度を推定する、
医用画像処理システム。 an acquisition unit that acquires a plurality of images obtained by imaging the same subject at different imaging times;
By analyzing the tissue properties of the subject based on the pixel values of the respective regions of the plurality of images, the tissue properties of the subject are classified into a plurality of tissue property classes, and the classified tissue property classes are classified into , an analysis unit that allocates to each region of the plurality of images;
an estimating unit that estimates changes in the disease state of the subject from changes in the tissue attribute class in corresponding regions of the plurality of images ,
The analysis unit performs texture analysis based on pixel values of each region of the plurality of images, classifies each region into one of a plurality of texture patterns, and classifies the classified texture patterns as the assigned to each region of a plurality of images,
The estimating unit estimates the change in the disease state in the corresponding region and the rate of change in the disease state from the change in the texture pattern in the corresponding region of each of the plurality of images.
Medical image processing system.
前記処理回路が、
同一被検体を撮像した画像であって、撮像時刻が異なる複数の画像を取得し、
前記複数の画像の夫々の領域の画素値に基づいて前記被検体の組織性状の解析を行うことで前記被検体の組織性状を複数の組織性状クラスに分類し、
分類された前記組織性状クラスを、前記複数の画像の夫々の領域へ割り当て、
前記複数の画像の夫々の対応領域における前記組織性状クラスの変化から、前記被検体の疾患状態の変化を推定し、
前記複数の画像の夫々の領域の画素値に基づいてテクスチャ解析を行うことで、夫々の領域を複数のテクスチャパタンのいずれかに分類し、分類された前記テクスチャパタンを、前記複数の画像の夫々の領域に割り当て、
前記複数の画像の夫々の対応領域における前記テクスチャパタンの変化から、前記対応領域における前記疾患状態の変化、及び前記疾患状態の変化速度を推定する、
ように、前記処理回路を制御する、
医用画像処理装置の制御方法。 A control method for a medical image processing apparatus comprising a processing circuit, comprising:
The processing circuit is
Acquiring a plurality of images obtained by imaging the same subject at different imaging times,
classifying the tissue properties of the subject into a plurality of tissue property classes by analyzing the tissue properties of the subject based on the pixel values of the respective regions of the plurality of images;
assigning the classified tissue attribute classes to respective regions of the plurality of images;
estimating a change in the disease state of the subject from a change in the tissue attribute class in the corresponding region of each of the plurality of images ;
By performing texture analysis based on pixel values of respective regions of the plurality of images, each region is classified into one of a plurality of texture patterns, and the classified texture patterns are assigned to each of the plurality of images. allocated to the area of
estimating the change in the disease state in the corresponding region and the rate of change in the disease state from the change in the texture pattern in the corresponding region of each of the plurality of images;
controlling the processing circuitry to
A control method for a medical image processing apparatus .
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/541,248 US11195272B2 (en) | 2018-08-21 | 2019-08-15 | Medical image processing apparatus, medical image processing system, and medical image processing method |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018154776 | 2018-08-21 | ||
| JP2018154776 | 2018-08-21 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020028706A JP2020028706A (en) | 2020-02-27 |
| JP7332362B2 true JP7332362B2 (en) | 2023-08-23 |
Family
ID=69623307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019126353A Active JP7332362B2 (en) | 2018-08-21 | 2019-07-05 | Medical image processing apparatus, medical image processing system, and medical image processing method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7332362B2 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7452847B2 (en) | 2020-05-12 | 2024-03-19 | 株式会社アドダイス | State change estimation system |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050207630A1 (en) | 2002-02-15 | 2005-09-22 | The Regents Of The University Of Michigan Technology Management Office | Lung nodule detection and classification |
-
2019
- 2019-07-05 JP JP2019126353A patent/JP7332362B2/en active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050207630A1 (en) | 2002-02-15 | 2005-09-22 | The Regents Of The University Of Michigan Technology Management Office | Lung nodule detection and classification |
Non-Patent Citations (2)
| Title |
|---|
| Marios Anthimopoulos，Lung Pattern Classification for Interstitial Lung Diseases Using a Deep Convolutional Neural Network，IEEE TRANSACTIONS ON MEDICAL IMAGING，2016年，VOL. 35, NO. 5，pp.1207-1216 |
| 玉城 仁，間質性肺炎の診断と治療，沖縄医報，2010年，Vol.46 No.12，pp.55-64 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020028706A (en) | 2020-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11666298B2 (en) | Apparatus and system for rule based visualization of digital breast tomosynthesis and other volumetric images | |
| JP5345934B2 (en) | Data set selection from 3D rendering for viewing | |
| US8244010B2 (en) | Image processing device and a control method and control program thereof | |
| US8077948B2 (en) | Method for editing 3D image segmentation maps | |
| US10188361B2 (en) | System for synthetic display of multi-modality data | |
| JP6789933B2 (en) | Visualization of imaging uncertainty | |
| JP2012071122A (en) | Display apparatus | |
| JP7179521B2 (en) | MEDICAL IMAGE PROCESSING APPARATUS, IMAGE GENERATION METHOD, AND IMAGE GENERATION PROGRAM | |
| US9361711B2 (en) | Lesion-type specific reconstruction and display of digital breast tomosynthesis volumes | |
| JP2007151645A (en) | Medical diagnostic imaging support system | |
| JP2021077331A (en) | Data processing device and data processing method | |
| JP7332362B2 (en) | Medical image processing apparatus, medical image processing system, and medical image processing method | |
| US10324582B2 (en) | Medical image display apparatus, method for controlling the same | |
| JP2005185405A (en) | Medical image processor, region-of-interest extraction method and program | |
| JP2016001372A (en) | Information processing device, information processing method and program | |
| GB2515634A (en) | System and methods for efficient assessment of lesion development | |
| US11195272B2 (en) | Medical image processing apparatus, medical image processing system, and medical image processing method | |
| JP5592655B2 (en) | Image processing device | |
| US20230270399A1 (en) | Apparatus and system for rule based visualization of digital breast tomosynthesis and other volumetric images | |
| US20230223124A1 (en) | Information processing apparatus, information processing method, and information processing program | |
| JP6424147B2 (en) | Image processing apparatus, method, and program | |
| Opposits et al. | Automated procedure assessing the accuracy of HRCT–PET registration applied in functional virtual bronchoscopy | |
| JP2021189962A (en) | Medical information processing device, medical information processing system, medical information processing method, and program | |
| JP6068883B2 (en) | Image processing apparatus and region extraction method | |
| Reeves | A Development Methodology for Automated Measurement of Quantitative Image Biomarkers: Analysis of Chest CT Images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220519 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230228 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230314 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230427 |
|
| 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: 20230718 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230810 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7332362 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |