WO2018088055A1 - 画像処理装置、画像処理方法、画像処理システム及びプログラム - Google Patents

画像処理装置、画像処理方法、画像処理システム及びプログラム Download PDF

Info

Publication number
WO2018088055A1
WO2018088055A1 PCT/JP2017/035270 JP2017035270W WO2018088055A1 WO 2018088055 A1 WO2018088055 A1 WO 2018088055A1 JP 2017035270 W JP2017035270 W JP 2017035270W WO 2018088055 A1 WO2018088055 A1 WO 2018088055A1
Authority
WO
WIPO (PCT)
Prior art keywords
area
region
image processing
processing apparatus
image
Prior art date
Application number
PCT/JP2017/035270
Other languages
English (en)
French (fr)
Inventor
斌 陳
Original Assignee
キヤノン株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by キヤノン株式会社 filed Critical キヤノン株式会社
Publication of WO2018088055A1 publication Critical patent/WO2018088055A1/ja
Priority to US16/402,066 priority Critical patent/US11200443B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Definitions

  • the present invention relates to an image processing apparatus, an image processing method, an image processing system, and a program.
  • the area to be analyzed may be deformed due to its proximity to other structures.
  • the doctor may make a diagnosis by observing an area where the influence of the deformation is small, and in CAD, an area where the influence of the deformation is small may be an analysis target. Only by separating into a plurality of structures based on the process of degenerating a region extracted as one structure, there is a possibility that analysis in consideration of their proximity may not be performed.
  • An image processing apparatus includes an extraction unit that extracts a first area and a second area different from the first area from a medical image, and an area included in the second area. And a value indicating a feature of the second area based on the specifying means for specifying a third area which is an area whose distance to the first area is equal to or more than a threshold value. And acquisition means for acquiring a feature amount.
  • the feature amount is acquired by the area specified based on the distance to another area among the areas to be analyzed, so proximity to other areas is obtained. It is possible to conduct an analysis that takes into account what you are doing.
  • FIG. 1 is a diagram showing an example of a hardware configuration of an image processing apparatus according to an embodiment of the present invention and a configuration of a system including the image processing apparatus according to an embodiment of the present invention. It is a figure showing an example of functional composition of an image processing device concerning a 1st embodiment. It is a flowchart which shows an example of the process performed by the image processing apparatus which concerns on 1st Embodiment. It is a figure which shows an example of the medical image used as the object of the process by the image processing apparatus which concerns on embodiment of this invention. It is a figure for demonstrating the process by the image processing apparatus which concerns on embodiment of this invention. It is a figure for demonstrating the process by the image processing apparatus which concerns on embodiment of this invention. It is a figure for demonstrating the process by the image processing apparatus which concerns on embodiment of this invention.
  • lesions may occur in close proximity to surrounding structures, such as surrounding organs and other lesions.
  • the shape may be largely different between the surrounding structure and the area where the lesion is attached (adhesion area) and the area where the lesion is not in contact (non-adhesion area). That is, due to the proximity of the lesion to other structures, the shape of a part of the lesion may be deformed.
  • a lung nodule in close proximity to the pleura may be deformed such as pleural invagination caused by the retraction of the pleura.
  • the boundary between a lesion area and a structure adjacent to the lesion area may not be clear.
  • a region to be analyzed in CAD may be an attached region that may be attached to another region, and a non-attached region that is not attached to another region.
  • An object of the present invention is to specify an attached area and acquire a feature amount in consideration of proximity of an area to be an analysis target to another area.
  • the pleura may be drawn into the pulmonary nodule when the pulmonary nodule is in close proximity to the pleura.
  • an adhesion area an area affected by proximity to the structure like pleural retraction is referred to as an adhesion area.
  • the image processing apparatus 100 appropriately acquires feature quantities such as the shape of an area to be analyzed, and can perform CAD more accurately.
  • a CT (Computed Tomography) image of a subject's chest is taken as an example of a medical image which is an object of CAD, and an example in which a lung nodule adjacent to the pleura is an object of analysis will be described.
  • the image processing apparatus 100 identifies a boundary area (adhesion area) in which a lung nodule (lesion area) in proximity to the pleura is in contact with the pleura based on the distance between the lung nodule and the pleura from the CT image which is the object of CAD Do. Then, the image processing apparatus 100 acquires the feature amount of the lesion area based on the non-adhesion area which is an area different from the adhesion area.
  • FIG. 1 is a diagram showing an example of the hardware configuration of the image processing apparatus 100 and an example of the configuration of a system 190 including the image processing apparatus 100.
  • the image processing apparatus 100 is, for example, a computer, and performs processing according to an embodiment of the present invention.
  • the image processing apparatus 100 includes a CPU 11, a main memory 12, a magnetic disk 13, and a display memory 14.
  • the components in the image processing apparatus 100 are connected by a common bus 18.
  • a CPU (Central Processing Unit) 11 mainly controls the operation of each component.
  • the main memory 12 stores a control program executed by the CPU 11 and provides a work area when the CPU 11 executes a program.
  • the main memory 12 is, for example, a random access memory (RAM) or a read only memory (ROM).
  • the magnetic disk 13 stores programs for realizing various application software including an operating system (OS), device drivers for peripheral devices, and programs for performing processing described later.
  • the magnetic disk 13 is, for example, a hard disk drive (HDD) or a solid state drive (SSD).
  • HDD hard disk drive
  • SSD solid state drive
  • Display memory 14 temporarily stores display data to be displayed on display unit 160, for example.
  • the display unit 160 is, for example, a CRT monitor or a liquid crystal monitor, and displays an image, text and the like based on data from the display memory 14.
  • the mouse 170 and the keyboard 180 perform pointing input and input of characters and the like by the user.
  • the display unit 160 may be a touch panel monitor that receives an operation input, and in this case, the mouse 170 and the keyboard 180 may be integrated into the function of the touch panel monitor.
  • the image processing apparatus 100 may be connected to the touch panel monitor as well as other operation units such as a stylus pen.
  • a configuration for inputting information to the image processing apparatus 100 such as the mouse 170 and the keyboard 180 may be referred to as an operation unit.
  • the CPU 11 is an example of a processor, and the image processing apparatus 100 may have a plurality of processors.
  • the image processing apparatus 100 may also have a GPU (Graphics Processing Unit) that performs image processing exclusively.
  • the image processing apparatus 100 may have an FPGA (Field-Programmable Gate Array) programmed with part or all of the processing described later, or has an application specific integrated circuit (ASIC) for specific processing. It may be
  • the main memory 12, the magnetic disk 13 and the display memory 14 are an example of a memory, and the image processing apparatus 100 may have a plurality of memories.
  • the system 190 includes an image processing apparatus 100 and a data server 120.
  • data server 120 is connected to modality 110.
  • the modality 110 is a device for acquiring a medical image.
  • the modality 110 is a computed tomography (CT) apparatus, a magnetic resonance imaging (MRI) apparatus, and a radiation imaging (DR: Digital Radiography) apparatus for capturing a two-dimensional radiation image.
  • CT computed tomography
  • MRI magnetic resonance imaging
  • DR Digital Radiography
  • the modality 110 transmits the acquired medical image to the data server 120.
  • a control unit (not shown) that controls the modality 110 may be included in the image processing apparatus 100.
  • the data server 120 is a device for storing medical images.
  • the data server 120 is, for example, a PACS (Picture Archiving and Communication System).
  • the image processing apparatus 100 acquires a medical image from the data server 120 via a network such as a LAN (Local Area Network).
  • LAN Local Area Network
  • FIG. 2 is a diagram showing an example of a functional configuration of the image processing apparatus 100.
  • the image processing apparatus 100 includes an image acquisition unit 1000, an extraction unit 1010, a specification unit 1020, a feature amount acquisition unit 1030, and a display control unit 1040.
  • the image acquisition unit 1000 acquires a medical image from the data server 120.
  • the image acquisition unit 1000 may acquire a medical image specified by the user, or may acquire a medical image based on a predetermined condition.
  • the image acquisition unit 1000 outputs the input image to the extraction unit 1010 and the display control unit 1030.
  • the extraction unit 1010 extracts a specific region from a medical image (hereinafter referred to as an input image) acquired by the image acquisition unit 1000 for analysis in CAD.
  • the extraction unit 1010 includes a first extraction unit 1011 and a second extraction unit 1012.
  • the first extraction unit 1011 extracts the region of the anatomical structure of the subject from the input image.
  • the first extraction unit 1011 extracts an area having a structure such as a lung field, pleura, bronchus, or blood vessel.
  • the area extracted by the first extraction unit 1011 may be hereinafter referred to as a first area.
  • the area of anatomical structure is an example of the first area.
  • the first extraction unit 1011 outputs information on the extracted area to the second extraction unit 1012, the identification unit 1020, and the display control unit 1040.
  • the second extraction unit 1012 extracts a lesion area to be analyzed from the input image.
  • the second extraction unit 1012 extracts the region of the lung nodule.
  • the second extraction unit 1012 may select one lesion area to be focused when a plurality of lesion areas are extracted. Below, the case where one lesion area of interest is extracted by the second extraction unit 1012 will be described as an example.
  • the area extracted by the second extraction unit 1012 may be hereinafter referred to as a second area.
  • the lesion area is an example of a second area.
  • the second extraction unit 1012 outputs information on the extracted area to the identification unit 1020 and the display control unit 1040.
  • the identifying unit 1020 identifies a region in which a lesion area is adjacent to another structure, that is, an attachment region, based on the results of processing in the first extracting unit 1011 and the second extracting unit 1012.
  • the identification unit 1020 is an adhesion region based on the distance between the lung nodule region extracted by the second extraction unit 1012 and the pleural region extracted by the first extraction unit 1011. Identify That is, the identifying unit 1020 identifies a partial area that is a partial area included in the lesion area as the adhesion area.
  • the adhesion field specified by specific part 1020 may be called the 4th field. Further, the identification unit 1020 identifies a region different from the attached region as the non-attached region.
  • the identification unit 1020 identifies a region not including the attached region as a non-attached region in the lesion region.
  • the non-adhesion area is an area different from the adhesion area, and is not limited to the example described above as long as the influence of the proximity of the lesion area to another area in the analysis can be reduced.
  • the non-adhesion area identified by the identification unit 1020 may be referred to as a third area.
  • the identifying unit 1020 outputs information on the identified area to the feature amount acquiring unit 1030 and the display control unit 1040.
  • the feature amount acquisition unit 1030 acquires a feature amount that is a value indicating the feature of the lesion area extracted by the second extraction unit 1012.
  • the value of the feature value acquired here may be a numerical value such as the average value or the variance of the density (brightness) in the area to be analyzed in the input image, or may be a value based on the filter output. .
  • the value of the feature amount may be a term representing a feature of a lesion area, a so-called finding, or a term converted based on the above-described numerical value.
  • the feature amount acquiring unit 1030 acquires a feature amount, with the lesion area extracted by the second extracting unit 1012, the attached area identified by the identifying unit 1020, and the non-attached area as analysis targets.
  • the non-adhesion region identified by the identifying unit 1020 is an analysis target when acquiring the feature amount relating to the shape of the lesion region such as the degree of circularity.
  • the feature amount acquisition unit 1030 outputs information on the acquired feature amount to the display control unit 1040. Below, the example which acquires the feature-value regarding the shape of a lesion area is demonstrated by making a non-adhesion area into the object of analysis.
  • the display control unit 1040 controls the output of display data to be displayed on the display unit 160.
  • the display control unit 1040 receives the input image acquired by the image acquiring unit 1000, the information indicating the area extracted by the extracting unit 1010, the information identified by the identifying unit 1020, and the feature amount acquiring unit
  • the display unit 160 outputs, to the display unit 160, display data for causing the display unit 160 to appropriately display the acquired information and the respective information.
  • Each functional configuration of the image processing apparatus 100 described based on FIG. 2 may be realized by being distributed to a plurality of apparatuses.
  • the image processing apparatus 100 may be a workstation.
  • the functions of each unit of the image processing apparatus 100 may be realized as software operating on a computer, and the software for realizing the functions of each unit may be operated on a server via a network such as a cloud.
  • each functional configuration is realized by software operating on a computer installed in a local environment.
  • FIG. 3 is a flowchart showing an example of processing performed by the image processing apparatus 100.
  • the subject that implements each processing is a processor such as the CPU 11, which is implemented by the processor executing a program stored in a memory such as the main memory 12.
  • the information processed by the processor is at least temporarily stored in the memory.
  • the image acquisition unit 1000 acquires an input image from the data server 120.
  • the image acquisition unit 1000 directly acquires the image data captured by the modality 110 through the communication unit, and performs medical processing or the like on which image processing or the like is performed to obtain an image suitable for diagnosis. It acquires as an input image concerning.
  • the image capturing device 110 is, for example, a CT device, a CT image having a pixel value based on a signal value called a HU (Hounsfield Unit) value is acquired from the image capturing device 110 as an input image.
  • HU Hounsfield Unit
  • the input image is composed of a plurality of pixels whose position can be specified by three-dimensional orthogonal coordinates (x, y, z).
  • the pixel size which is one of the image attributes is defined for each of the coordinate directions of the three axes.
  • the pixel sizes in the x, y, and z directions are described as r_size_x, r_size_y, and r_size_z, and an example in which each of the values is 1.0 mm will be described.
  • the pixel value of each pixel constituting the input image is determined for each value of three-dimensional coordinates (x, y, z). Therefore, the input image can be regarded as data defined by a function I (x, y, z) having three-dimensional coordinate values as arguments.
  • the first extraction unit 1011 extracts a first region from the input image I (x, y, z).
  • the first area is, for example, an area of an anatomical structure such as a lung field in a chest CT image or a pleura adjacent to the lung field.
  • the first extraction unit 1011 extracts, from the input image I (x, y, z), the region of the lung field that is the anatomical structure of the subject.
  • the area of the lung field includes, for example, the air (alveolar), a part of the bronchus, a part of the lung blood vessel, a lung nodule and the like.
  • the first extraction unit 1011 performs threshold processing on the input image I (x, y, z), processing using a filter that emphasizes a specific shape, processing by a graph cut method, processing by a level set method, dissection
  • the region of the anatomical structure is extracted using processing based on the organ atlas (model) based on science.
  • the method by the Graph cut method will be briefly described as an example.
  • a graph corresponding to the input image I (x, y, z) is created.
  • the graph represents a node (image node) corresponding to each pixel of the input image on a one-to-one basis, one node representing a lung field (terminal node F), and one node representing an area other than the lung field (terminal Node B), edge (n-link) connecting between adjacent image nodes, and edge (t-link) connecting between each image node and two terminal nodes.
  • a value representing the similarity of the image density values (for example, the reciprocal of the difference between the image density values) is calculated.
  • the calculated value is added as a weight to an edge (n-link) connecting image nodes corresponding to the adjacent pixels. Furthermore, for each pixel, a value representing the similarity between the pixel value of that pixel and the pixel value of a typical pixel in the lung field (for example, the reciprocal of the difference of the image density value) is calculated. Then, the calculated value is given as a weight to an edge (t-link) connecting the image node corresponding to the pixel and the terminal node F.
  • a value representing the similarity between the pixel value of that pixel and the pixel value of a typical pixel in the lung field region (for example, the difference between image density values) is calculated and corresponds to that pixel
  • the edge (t-link) connecting between the image node and the terminal node B is given as a weight.
  • the graph is divided into two subgraphs using a graph division algorithm (for example, the Ford-Fulkerson method).
  • the division is performed such that at least one terminal node F is included in one of the subgraphs and the other terminal node B is included in the other.
  • the graph corresponds to an image node corresponding to "a pixel that is likely to belong to a lung field” and "a pixel that is likely to belong to a lung field outside”. It is divided into two subgraphs by an edge (n-link) stretched between image nodes.
  • the subgraph (subgraph G F ) in which the terminal node F is included includes an image node corresponding to “a pixel that is likely to belong to a lung field”.
  • the subgraph (subgraph G B ) in which the terminal node B is included includes an image node corresponding to “a pixel that is likely to belong to the lung field outside”. Therefore, the pixels belonging to the pixel corresponding to the pixel nodes included in subgraph G F to the lung fields. Further, the pixels belonging to the pixel corresponding to the pixel nodes included in subgraph G B in a region other than the lung field. In this way, the area of the anatomical structure (the area of the lung field) V lung is obtained.
  • an edge an edge between the image node corresponding to such a pixel and the terminal node F ( The weight of t-link may be infinite.
  • an edge is placed between the image node corresponding to such a pixel and the terminal node B. The weight of) may be infinite.
  • regions such as part of the bronchus, part of the lung blood vessel, lung nodules, etc. may not be extracted. Therefore, after extracting the area of the anatomical structure (the area of the lung field), a process of merging the defective area into the area of the anatomical structure is performed. For example, closing, which is one of morphological operations, may be applied to the area of the anatomical structure (the area of the lung field).
  • a part of the bronchus, a part of a pulmonary blood vessel, a lung nodule and the like present in the area of the anatomical structure is an area of the anatomical structure (area of the lung field Will be included in).
  • the first extraction unit 1011 may extract a range designated by the user with the mouse 170 or the like as the first region with respect to the input image displayed on the display unit 160.
  • the area of the extracted lung field is referred to as a lung field area V lung .
  • the first extraction unit 1011 extracts the region of the pleura.
  • the first extraction unit 1011 extracts the region of the pleura after acquiring the lung field region V lung .
  • the extracted pleural region is referred to as pleural region V pleural .
  • FIG. 4 is a view for explaining an anatomical structure of a chest including a lung field and a pleura.
  • the CT image 500 depicts the structure of the chest of the subject.
  • the chest wall area 502 located outside the lung field area 501 is an area of the chest wall including structures such as muscles, bones, lymph vessels, blood vessels, nerves, and fascia.
  • lung nodules 510 and 515 exist in the lung field area 501.
  • a pleural region 503 is present between the lung field region 501 and the chest wall region 502.
  • the pleura is composed of two sheets of serosa covering the lung and chest wall, and pleural area 503 is a thin membrane area adjacent to lung area 501 and chest wall area 502.
  • First extracting unit 1011 for example, exist outside the lung region V lung, acquires a predetermined following areas distance from the contour of the lung field V lung as pleural region V pleural.
  • the first extraction unit 1011 enlarges the lung field area V lung at a predetermined magnification, and the difference area between the enlarged lung field area and the lung field area before being enlarged is the pleural area V pleural It may be acquired as
  • the first extraction unit 1011 also includes regions of other anatomical structures depicted in chest CT images, such as regions of pulmonary blood vessels and regions of bronchial tubes. You may extract. Further, the first extraction unit 1011 may extract the region of the anatomical structure in accordance with the analysis of CAD, and among the anatomical structures depicted in the input image I (x, y, z) All regions of extractable structure may be extracted.
  • step S1120 the second extraction unit 1012 extracts a second region from the input image I (x, y, z).
  • the second area is, for example, a lesion area such as a lung nodule.
  • the second extraction unit 1012 extracts an area of a lesion based on information such as a signal value (pixel value) or a shape characteristic of the target lesion. Specifically, the second extraction unit 1012 performs threshold processing on the input image I (x, y, z), processing using a filter that emphasizes a specific shape, processing by the Graph cut method, Level set The region of the anatomical structure is extracted by using the processing by the method, the processing by the organ atlas (model) based on the anatomy, and the like.
  • an example of extracting a region of a lung nodule will be described.
  • the second extraction unit 1012 extracts a lung nodule region from the lung field region V lung extracted in step S1110. First, the second extraction unit 1012 detects a region of a lung nodule from the lung region V lung by a process using a threshold process or a filter such as a Hessian process on the input image I (x, y, z). Then, the second extraction unit 1012 extracts the lung nodule region by performing processing using the graph cut method on the detected lung nodule region or processing using the level set method.
  • the second extraction unit 1012 may allow the user to specify a target lung nodule.
  • the user refers to the input image displayed on the display unit 160, and uses the mouse 170 to designate the coordinates belonging to the target lung nodule.
  • the second extraction unit 1012 acquires the designated coordinates as a seed point of the lung nodule.
  • the second extraction unit extracts the region of the lung nodule using the information of the seed point in addition to the method described above.
  • the second extraction unit 1012 extracts the region of the lung nodule including the coordinates designated by the user.
  • the second extraction unit 1012 may extract the region of the lung nodule by processing the image of the region of interest (VOI: volume of interest) including the region of the target lung nodule.
  • VAI volume of interest
  • a lung nodule being focused on as an analysis target is referred to as C nodule .
  • the region of the pulmonary nodule extracted by the second extraction unit in step S1120 is referred to as a pulmonary nodule region V nodule .
  • lung nodules may occur in various parts of the lung, in the first embodiment, among the lung nodules extracted in step S1120, processing for acquiring a feature amount in consideration of the influence of adhesion with other structures
  • processing for acquiring a feature amount in consideration of the influence of adhesion with other structures An example of
  • the identifying unit 1020 identifies a fourth area.
  • the fourth area is an adhesion area which may be adhered to another area of the second area acquired in step S1120.
  • FIG. 5 is a diagram showing an example of a state in which a lung nodule adheres to another structure.
  • lung nodules adhering to other structures may be referred to as adherent lung nodules.
  • the VOI image 600 of FIG. 5A includes a pulmonary nodule 605 which is an adherent pulmonary nodule, which adheres to the pleural area 602.
  • the VOI image 700 of FIG. 5B includes a pulmonary nodule 705 that is an adherent pulmonary nodule and adheres to a pleural area 703. Particularly in FIG. 5B, a pleural retraction region 706 is observed where the pleura is drawn to the lung nodule in the region where the lung nodule 705 and the pleural region 703 adhere. If pleural retraction is observed, it may be difficult to define a clear boundary between the pleura and the pulmonary nodule.
  • FIG. 6 is a diagram showing an example of the result of the process of extracting the pleura and the pulmonary nodule for the two examples shown in FIG.
  • the lung nodule extraction result 615 of FIG. 6A is the result of the process for extracting the lung nodule 605 of FIG. 5A.
  • the attachment area 630 where a part of the outline of the extraction result 615 is attached to the pleural area 603 is the fourth area.
  • the lung nodule extraction result 715 of FIG. 6B is the result of the process for extracting the lung nodule 705 of FIG. 5B.
  • an unextracted area 716 which is not included in the extraction result 715 among the area consisting of the lung nodule 705 and the pleural retraction area 706 is observed.
  • the pleural retraction region 706 has a shape different from that of a general lung nodule or pleural region 703.
  • the region such as the pleura lead-in portion 706 may not be included in the extraction result 715 as shown in FIG. 6B because it is based on the information of the feature of the shape of the target region.
  • the region attached to the pleural region 703, and in the example of FIG. 6B the attached region 730 is the fourth region.
  • Doctors who observe the VOI image 600, the VOI image 700, and medical images including them are considered that the area of adhesion with other structures, that is, the fourth area is not the true area of the pulmonary nodule in the observation of the pulmonary nodule Therefore, it may not be considered in observation.
  • the fourth region is specified in order to consider a region that may be deformed due to proximity to another structure in analysis.
  • the identifying unit 1020 identifies a fourth area. Specifically, based on the lung field area V lung extracted in step S 1110, the pleural area V pleural , and the lung nodule area V nodule extracted in step 1120, the identifying unit 1020 is a pleural area of the lung nodule area V nodule. Identify attached areas that are areas close to V pleural .
  • Specifying unit 1020 first extracts the boundary region S nodules consisting of boundary pixels of pulmonary nodules V nodules. Specifically, the specifying unit 1020 for each pixel belonging to the lung nodule region V nodules, any pixel (adjacent pixel) adjacent to that pixel, does not belong to the "lung nodule region V nodules, and It is determined whether or not it belongs to the lung region V lung . Then, at least one adjacent pixel does not belong to the lung nodule region V nodules, and if they belong to the lung region V lung, and pixels belonging to the pixel in the boundary region S nodules. In another example, the boundary region S nodules is extracted by such process using the differential form filter eg for lung nodule region V nodules.
  • the boundary region S nodules is a diagram illustrating an example of a process for obtaining a pixel belonging to the attachment region.
  • the identifying unit 1020 acquires the pixels belonging to the adhesion region based on the distance from the acquired boundary region S lunge of the lung nodule to the pleural region V pleural .
  • the specifying unit 1020 searches for the shortest path to the pleural region 703 (V pleural ) for each pixel belonging to the boundary region 725 (S nodule ), and acquires the length of the shortest path (shortest path length). .
  • Specifying unit 1020 performs region expansion processing to each pixel belonging to the boundary region S nodules. Specifying unit 1020, each pixel repeat region growing process to reach the pleural region V pleural, obtains the number of repetitions as the shortest path length from the pixel to the pleural space V pleural. That is, the identifying unit 1020 is a process for searching for pixels that are similar to the pixels that form the boundary between the second area and the area outside the second area and that are not included in the second area and the first area. Information on the distance between the second area and the first area is acquired. The area expansion process is an example of the process, and the shortest path length is an example of information on the distance. The process for acquiring the shortest path length will be described in detail below.
  • the specifying unit 1020 sets the number N of area expansion repetitions of a specific pixel P node -i (hereinafter referred to as a target pixel) belonging to the boundary area S node to 0.
  • the identifying unit 1020 searches for a pixel that satisfies the area expansion condition as an expansion pixel from among the pixels in the vicinity area of the pixel of interest P node -i . That is, the target pixel P nodule-i is an example of a seed point of the region expansion process.
  • the number of repetitions N increases by one for each search. Then, the specifying unit 1020 repeatedly performs the above-described process on the searched extended pixels until the end condition is satisfied.
  • the above-mentioned near area is an area composed of pixels adjacent to the target pixel.
  • a region consisting of four or eight pixels adjacent to the target pixel is generally regarded as a neighboring region.
  • a region consisting of six or twenty-six pixels is taken as a neighboring region.
  • the configuration of the near area may be determined based on the result of the area expansion process.
  • the conditions for region expansion are (1) that the expanded pixel does not belong to the extraction result 715 of the lung nodule, and (2) that the density value is within the predetermined range [T1, T2].
  • Each T 1 and T 2 is a constant representing the upper and lower limits of the density values of pixels belonging to non-extraction region can take. This value is determined from the same medical image (learning image) as the input image. Specifically, first, the processes of steps S1110 and S1120 are actually applied to a plurality of learning images to acquire an unextracted area generated between the first area and the second area. Next, the area expansion process of step S1130 is performed.
  • region expansion processing is performed with a plurality of combinations of T 1 and T 2, and a combination of T 1 and T 2 is selected such that pixels belonging to the unextracted region are extracted without excess or deficiency by the region expansion processing.
  • the combination of T 1 and T 2 thus obtained is used as the values of T 1 and T 2 of the image processing apparatus 100. Note that the user may set the values of T 1 and T 2 .
  • End condition of region growing process (1) the pixels which belong to the pleural space V pleural near the area of the pixel of interest P nodules-i, or (2) pleural near the area of the pixel of interest P nodules-i There are no pixels that belong to the region, and there are no pixels that satisfy the condition for region expansion. If the end condition (1) is satisfied, the specifying unit 1020 ends the area expansion processing, and sets the number of repetitions N as the shortest path length of the target pixel. Also, when the end condition (2) is satisfied, -1 is set as the shortest path length. Furthermore, (3) that the number of repetitions of the area expansion has exceeded the value Titration set in advance may be added as a parallel condition to the end condition. When the end condition (3) is satisfied, the value of Titration is set as the shortest path length.
  • Specifying unit 1020 performs for each pixel belonging to the above-described region growing process in the boundary region S nodules, to obtain the shortest path length to the pleural space V pleural each pixel.
  • the shortest path length is acquired as 0 by the termination condition (1).
  • FIG. 8 is a diagram showing an example of the result of the region expansion process in the example shown in FIG. 7 (FIG. 6B).
  • the identifying unit 1020 repeats the region expansion process from the boundary region 725 to the pleural region 703 via the unextracted region 716.
  • the shortest path length is set to the number N of repetitions of the region expansion processing according to the termination condition (1).
  • the shortest path length is set to -1 according to the termination condition (2).
  • the specifying unit 1020 specifies a fourth area which is an area close to the first area in the second area based on the distance to the first area. Further, certain portions 1020 on the basis of the shortest path length for each pixel of the boundary pixel S nodules, to obtain a non-adhesion region. That is, the identifying unit 1020 identifies a third area different from the fourth area. In the first embodiment, the identification unit 1020 identifies a pixel whose shortest path length is ⁇ 1 as a non-attachment area, that is, a third area. In addition, the specifying unit 1020 specifies the adhesion area, that is, the fourth area from among the pixels having the shortest path length of 0 or more.
  • the boundary area S noule of the lung nodule may be in contact with an area having similar concentration value such as an area of noise or a blood vessel other than the pleural retraction area.
  • an area having similar concentration value such as an area of noise or a blood vessel other than the pleural retraction area.
  • the pleural region V pleural is reached through the noise and blood vessel region in the above-described region expansion processing.
  • the distance to reach the pleural region V pleural through the region such as a blood vessel is longer than the distance to reach the pleural region V pleural through the pleural retraction region.
  • T attached may use a value set by the user, or may be determined based on a learning image.
  • FIG. 9 is a diagram showing an example of the attached area S attached (attachment area 730) in which the threshold [0, 4] is set to the shortest path length for the pixels of the boundary area 725.
  • an attached value of the lung nodule region may defective region in the attachment region S an attached obtained by the above-mentioned threshold processing (so-called hole) occurs.
  • the acquired attached area S attached is not divided into one connection area (single connection area), and is divided into a plurality of areas. Therefore specifying unit 1020, the process and to fill the holes generated in the attachment region S an attached, processing for the attachment region S an attached divided into a plurality of simply connected region (hereinafter, referred to as connection process.)
  • connection process hereinafter, referred to as connection process.
  • a morphological operation is used for the connection process of the attachment area S attached .
  • the identifying unit 1020 expands the attached area S attached by morphological operation.
  • the specifying unit 1020 acquires a region obtained by the logical product of the adhesion region expanded by the morphological operation and the boundary region S node as a corrected adhesion region.
  • the logical product of the expanded adhesion area and the boundary area S nodule is determined in order to limit the adhesion area obtained by the connection process to the boundary area S nodule .
  • the feature quantity acquisition unit 1030 acquires a feature quantity that is a value indicating the feature of the second area to be analyzed.
  • a feature amount hereinafter referred to as a shape feature amount
  • a feature amount indicating a feature such as a density value or the presence or absence of pleural retraction may be mentioned, and the feature amount acquiring unit 1030 may acquire these feature amounts by a known method.
  • the feature amount acquiring unit 1030 Based on the lung region V lung and pleural region V pleural extracted in step S 1110, the lung nodule region V nodule extracted in step 1120, and the attached region S attached acquired in step S 1130, the feature amount acquiring unit 1030. It acquires shape feature of the lung nodule region V nodules.
  • the shape feature amount may be, for example, a value indicating a feature such as an average curvature in a boundary region of a lung nodule, a ratio of a linear region, and a ratio of a convex region.
  • a feature quantity relating to the shape for CAD it is required to accurately capture the shape of a lesion.
  • the attachment area S attached acquired in step S1130 may not be a true boundary of the lesion area, and it is preferable to acquire the shape feature amount in consideration of the attachment area S attached .
  • the feature amount acquisition unit 1030 acquires a shape feature amount based on the non-attachment area.
  • the identifying unit 1020 may not perform the morphological operation, and the feature amount acquiring unit 1030 may acquire the feature amount only for the continuous region.
  • the feature acquiring unit 1030 acquires the shape feature based on the boundary region S nodules. Also, the feature amount acquiring unit 1030 may acquire shape feature amounts together based on, for example, the boundary region S nodule without considering the attached region S attached .
  • step S1150 the display control unit 1040 causes the display unit 160 to display the result of the process up to step S1140.
  • the display control unit 1040 causes the display unit 160 to display the result of at least one of processing of extraction of lung nodule region, extraction of pleural region, specification of adhesion region, and acquisition of feature amount as the result. .
  • the display control unit 1040 may display the feature amount acquired without considering the attached region S attached and the feature amount acquired based on the non-attached region in a comparable manner.
  • the display control unit 1040 may cause the display unit 160 to display the information of the result as superimposed on the input image.
  • the display control unit 1040 may generate information of the three-dimensional image on which the above information is superimposed by volume rendering, and may cause the display unit 160 to display the information.
  • the display control unit 1040 may generate a predetermined cross-sectional image of the superimposed three-dimensional image and cause the display unit 160 to display the image.
  • the shape of the lesion area can not necessarily be accurately extracted as in the case of the adherent lung nodule, in consideration of the influence of adhesion with other structures, It is possible to accurately acquire feature quantities related to the shape. Being able to acquire the feature amount with high accuracy can improve the performance of the CAD technique using the feature amount, for example, a technique for detecting an abnormal shadow area and a differentiation support for benign or malignant.
  • the specifying unit 1020 extracts at least a part of the unextracted region by threshold processing, and combines the extracted region, the boundary region S nodule, and the pleural region V pleural as a connection region.
  • the identifying unit 1020 identifies the attached region S attached based on the distance between the pixel in the connection region and the pleural region V pleural .
  • FIG. 10 is a diagram showing an example of processing for acquiring the attachment information S attached using the connection area described above.
  • the identifying unit 1020 performs threshold processing on an area other than the lung nodule extraction result 715 in the lung field area 701, and extracts an area having a concentration value higher than that of the air (alveola) as an unextracted area 716.
  • the identification unit 1020 includes three regions: (1) an unextracted region 716, (2) a region in contact with the unextracted region 716 of the pleural region 703, and (3) a boundary region 725 of the lung nodule extraction result 715 An area including an area in contact with the extraction area 716 is acquired as a connection area 720.
  • the identifying unit 1020 obtains the distance between each pixel of the connection region 720 and the pleural region 703.
  • the distance may be Euclidean distance, or may be a distance obtained by the region expansion method implemented by the image processing apparatus 100 (a distance based on the number of repetitions of expansion), or may be obtained by the Dijkstra method or the A * search algorithm (A distance based on the length of an edge stretched between nodes).
  • the identifying unit 1020 identifies the adhesion area based on the distance obtained for the pixels of the area (3) included in the connection area 720. Specifically, the specifying unit 1020 specifies, for example, a pixel whose distance is equal to or less than a threshold as the adhesion area.
  • Second Embodiment As mentioned above, lesions may occur in close proximity to surrounding structures, such as surrounding organs and other lesions. However, when a process of extracting a lesion area is performed, it can not necessarily be determined from the extraction result whether or not the extracted lesion area is in proximity to a surrounding structure. In the second embodiment, an example in which it is determined whether or not the first area and the second area may be close to each other based on the distance between the first area and the second area is described. explain. In addition, about the structure, the function, and the process similar to 1st Embodiment, detailed description will be abbreviate
  • the image processing apparatus 200 is, for example, a computer, and the hardware configuration is the same as the example shown in FIG.
  • FIG. 11 is a diagram showing an example of a functional configuration of the image processing apparatus 200 according to the second embodiment.
  • the functional configuration similar to that of the image processing apparatus 100 is denoted by the same reference numeral as the example shown in FIG.
  • the image processing apparatus 200 includes an image acquisition unit 1000, an extraction unit 1010, an identification unit 1020, a determination unit 1021, a correction unit 1022, a feature amount acquisition unit 1030, and a display control unit 1040.
  • the extraction unit 1010 includes a first extraction unit 1011 and a second extraction unit 1012.
  • the determination unit 1021 determines whether the area of the structure to be analyzed, that is, the second area may be attached to another structure based on the information of the adhesion area specified by the specifying unit 1020. Determine if In addition, the determination unit 1021 determines whether to correct the second area extracted by the second extraction unit 1012 based on the information on the attached area.
  • the determination unit 1021 is an example of a determination unit.
  • the correction unit 1022 corrects the second area extracted by the second extraction unit 1012.
  • the correction unit 1022 is an example of a correction unit.
  • FIG. 12 is a flowchart showing an example of processing performed by the image processing apparatus 200.
  • the subject that implements each processing is a processor such as the CPU 11, which is implemented by the processor executing a program stored in a memory such as the main memory 12.
  • the information processed by the processor is at least temporarily stored in the memory.
  • step S2100 to step S2130 are the same as the processes from step S1100 to step S1130 of the first embodiment described with reference to FIG.
  • the second region may be in proximity to the first region based on the distance between the second region such as the region of the pulmonary nodule and the first region such as the region of the pleura A fourth region and a third region different from the fourth region are identified.
  • step S2132 the determination unit 1021 determines that the second area may be close to the first area based on the specification of the fourth area in step S2130. Thereby, it is determined that the area of the extracted lesion may be close to the area of the other structure. Further, in the second embodiment, the determination unit 1021 determines whether or not the region of the extracted lung nodule is to be corrected, in response to the determination of the fourth region in the second embodiment.
  • the process of correcting the area of the extracted lung nodule is referred to as a correction process.
  • the correction process is a process for approaching the original size when the area of the extracted lung nodule is smaller than the area of the original lung nodule.
  • FIG. 13 is a diagram showing an example in which the area of the lung nodule obtained in step S2120 is smaller than the area of the original lung nodule.
  • FIG. 14 is a diagram showing an example of the result of performing the process of step S2130 for the example shown in FIG. 13B.
  • step S2130 determines that if the attachment region S an attached specified in step S2130 is the all pixels in the boundary region S nodules, it is necessary corrective actions.
  • the determination unit 1021 acquires the number of pixels specified as the attached area S attached among the pixels of the boundary area S node acquired in step S2120.
  • the ratio P surface of the pixels specified as the attached area S attached to the pixels of the boundary area S node is acquired. If the ratio P surface is larger than the predetermined threshold T surface , the determination unit 1021 determines that the extraction result of the second region is not appropriate and that correction processing is necessary.
  • the threshold T surface a value preset by the user may be used, or a value determined based on machine learning may be used. If it is determined that the correction process is necessary, the process proceeds to step S2135. If it is determined that the correction process is not necessary, the process proceeds to step S2140.
  • step S2135 the correction unit 1022 corrects the extraction result of the second area acquired in step S2120.
  • the lung nodule region extracted in step S2120 is hereinafter referred to as an old lung nodule region.
  • the old lung nodule region is set as a foreground region (seed region), and the old lung nodule region is expanded using the Level-set method, Graph-cut method, etc. Treatment is included.
  • the correction unit 1022 may correct the old lung nodule region by a method having a property different from the region extraction method used in step S2120. For example, if the second extraction unit 1012 extracts the second region by a method based on the whole optimization of the region such as the Graph cut method in step S2120, the region expansion unit 1022 can express local features in step S2135. The following method may be used.
  • the area expansion method capable of expressing local features includes, for example, local features related to density values, that is, the average value, variance, maximum value, minimum value, density value profile of density values in the area around the pixel of interest. Is a method of performing local optimization based on
  • step S2135 As the second area is corrected in step S2135, the area determined as the unextracted area is reduced.
  • the adhesion area is specified again by the process of step S2130 based on the extraction result of the second area obtained in step S2135.
  • step S2140 is the same as the process of step S1140 described using FIG.
  • step S2150 is similar to the process of step S1150 described with reference to FIG.
  • the display control unit 1040 may cause the display unit 160 to comparably display information such as the lung nodule region, the adhesion region, and the feature amount before and after the correction in step S2135.
  • the structure to be the target of the analysis is another structure and It can be determined whether there is a possibility of adhesion.
  • the fourth region on the basis of the result of specifying the fourth area, it is determined whether the result of extracting the area of the structure to be analyzed, that is, the second area is appropriate. Can. If it is determined that the result of extracting the second region is inappropriate, the second region can be extracted more accurately by correcting the result. As a result, the accuracy of the feature amount related to the shape is improved, and the accuracy of the CAD technique using this is improved.
  • the partial image is an image of a partial region centered on a specific region such as a lesion in the region of the subject.
  • the first area and the second area are in a state of being attached or in proximity via the pleural retraction area, and the first area and the second area are They are mutually independent areas.
  • the input image is not limited to the example shown in FIG. 5, but may be an image of the entire lung area as shown in FIG. 4, for example.
  • the first area (pleural area) surrounds the second area (pulmonary nodule area).
  • the above-described embodiment can be applied. That is, based on the distance between the first area and the second area, it is possible to specify an area adjacent to (or attached to) the first area of the second area.
  • the distance between the first area and the second area may be indicated by the number of times to reach the first area by the area expansion method as in the above-described embodiment. Also, the distance may be indicated by a geometrical distance to the first region in the normal direction of the boundary of the second region.
  • a partial area of the first area is extracted based on the position of the second area, and the above process is performed using a partial image including the extracted area and the second area as an input image. May be In any case, it is possible to specify an area adjacent to (or attached to) the first area in the second area.
  • the area of the anatomical structure such as the pleura is the first area
  • the area of the lesion such as the pulmonary nodule is the second area
  • both the first area and the second area may be lesion areas
  • the adhesion area can be identified by the same process as described above.
  • the image processing apparatus 100 and the image processing apparatus 200 may further include an inference unit (not shown) for CAD.
  • the inference unit (not shown) acquires a diagnostic name based on the feature amount acquired by the feature amount acquisition unit 1030.
  • the feature amount acquisition unit 1030 may output the feature amount to an inference unit (not shown), or may convert the feature amount to another value corresponding to the feature amount and then output the value to the inference unit.
  • the feature value and another corresponding value are, for example, information of a character string expressing a state indicated by the feature value, so-called information of a finding.
  • the identification unit 1020 can distinguish the non-adhesion area and the adhesion area by the code of the acquired shortest path length.
  • the present invention is not limited to this, and any method may be used as long as the attached area and the non-attached area can be distinguished.
  • the path length obtained by the region expansion processing is often the geometrical shortest path length, but may be different from the geometrical shortest path length.
  • the shortest path length obtained by the region expansion processing is considered to satisfy the accuracy required in step S1130, but a method based on a graph search algorithm may be used to obtain a more accurate shortest path length.
  • the graph search algorithm is, for example, Dijkstra's algorithm or A * search algorithm.
  • the specifying unit 1020 first performs threshold processing on the first region with the threshold values [T 1 , T 2 ], and then generates a graph in which pixels in the obtained region are used as nodes.
  • the specifying unit 1020 for each pixel belonging to the boundary region S nodules, applying the Dijkstra method or A * search algorithm pleural space V pleural as search end point. At this time, these methods generate the shortest path as a set of lines (edges) connecting nodes.
  • the present invention is not limited to this.
  • the attachment region S an attached by difference the attachment region S an attached that is the specified from the boundary region S nodules, may acquire a non-adhesion region.
  • the fourth area and the third area may not be in an exclusive relationship, and may partially overlap.
  • the present invention is not limited to this.
  • the image processing apparatus according to the embodiment of the present invention may extract a region of a lesion that is not attached to another structure and may be an analysis target.
  • the image processing apparatus according to the embodiment of the present invention may be connected to a modality for acquiring a medical image such as a CT image, for example, and in this case, the control apparatus may control the modality.
  • the present invention supplies a program that implements one or more functions of the above-described embodiments to a system or apparatus via a network or storage medium, and one or more processors in a computer of the system or apparatus read and execute the program. Can also be realized. It can also be implemented by a circuit (eg, an ASIC) that implements one or more functions.
  • a circuit eg, an ASIC
  • the image processing apparatus in each of the above-described embodiments may be realized as a single apparatus, or a plurality of apparatuses may be communicably combined with each other to execute the above-described processing, either of which is an embodiment of the present invention.
  • the above-described processing may be executed by a common server device or a group of servers.
  • the image processing apparatus and a plurality of apparatuses constituting the image processing system may be capable of communicating at a predetermined communication rate, and do not need to be present in the same facility or in the same country.
  • a program of software that implements the functions of the embodiments described above is supplied to a system or apparatus, and a computer of the system or apparatus reads and executes a code of the supplied program. Including the form.
  • the program code itself which is installed in the computer to realize the processing according to the embodiment by the computer, is also one of the embodiments of the present invention.
  • an OS or the like running on the computer performs part or all of the actual processing, and the functions of the above-described embodiment may be realized by the processing. .

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Optics & Photonics (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

画像処理装置は、医用画像から第１の領域と第２の領域とを抽出し、第２の領域に含まれる領域のうち、第１の領域との距離が閾値以上の領域である第３の領域を特定し、第３の領域に基づいて第２の領域の特徴を示す値である特徴量を取得する。

Description

画像処理装置、画像処理方法、画像処理システム及びプログラム
　本発明は、画像処理装置、画像処理方法、画像処理システム及びプログラムに関する。
　近年、コンピュータで医用画像を解析して得られる情報を診断の補助とするコンピュータ診断支援（Ｃｏｍｐｕｔｅｒ　Ａｉｄｅｄ　Ｄｉａｇｎｏｓｉｓ：　ＣＡＤ）に関する技術への関心が高まっている。かかる技術においては、病変の特徴を解析したり、良悪性を鑑別したりするために、解析の対象となる領域を特定して抽出する精度が重要である。解析の対象となる領域は、臓器や血管や病変といった他の構造物と近接している場合がある。特許文献１には、解析の対象となる領域が、他の領域と付着しているため一つの構造物として抽出された場合に、当該構造物の領域を縮退させることによりそれらを分離することが開示されている。
特開２００７－３１２８９２号公報
　解析の対象となる領域は、他の構造物と近接しているために形状が変形する場合がある。医師は当該変形の影響が少ない領域を観察して診断を行う場合があり、ＣＡＤにおいても当該変形の影響が少ない領域を解析の対象とする場合がある。一つの構造物として抽出された領域を縮退させる処理に基づいて、複数の構造物に分離するだけでは、それらが近接していることを考慮した解析を行えないおそれがある。
　本発明の実施形態に係る画像処理装置は、医用画像から第１の領域と、前記第１の領域とは異なる第２の領域とを抽出する抽出手段と、前記第２の領域に含まれる領域のうち、前記第１の領域との距離が閾値以上の領域である第３の領域を特定する特定手段と、前記第３の領域に基づいて、前記第２の領域の特徴を示す値である特徴量を取得する取得手段と、を有することを特徴とする。
　本発明の実施形態に係る画像処理装置によれば、解析の対象となる領域のうち、他の領域との距離に基づいて特定される領域によって特徴量が取得されるので、他の領域と近接していることを考慮した解析を行うことができる。
本発明の実施形態に係る画像処理装置のハードウェア構成ならびに本発明の実施形態に係る画像処理装置を含むシステムの構成の一例を示す図である。 第１の実施形態に係る画像処理装置の機能構成の一例を示す図である。 第１の実施形態に係る画像処理装置により行われる処理の一例を示すフローチャートである。 本発明の実施形態に係る画像処理装置による処理の対象となる医用画像の一例を示す図である。 本発明の実施形態に係る画像処理装置による処理を説明するための図である。 本発明の実施形態に係る画像処理装置による処理を説明するための図である。 本発明の実施形態に係る画像処理装置による処理を説明するための図である。 本発明の実施形態に係る画像処理装置による処理を説明するための図である。 本発明の実施形態に係る画像処理装置による処理を説明するための図である。 本発明の実施形態に係る画像処理装置による処理を説明するための図である。 本発明の実施形態に係る画像処理装置による処理を説明するための図である。 本発明の実施形態に係る画像処理装置による処理を説明するための図である。 第２の実施形態に係る画像処理装置の機能構成の一例を示す図である。 第２の実施形態に係る画像処理装置により行われる処理の一例を示すフローチャートである。 本発明の実施形態に係る画像処理装置による処理を説明するための図である。 本発明の実施形態に係る画像処理装置による処理を説明するための図である。 本発明の実施形態に係る画像処理装置による処理を説明するための図である。
　以下、図面を参照して本発明の実施形態を説明する。
　［第一の実施形態］
　近年、診断に用いられる医用画像が増加しており、ＣＡＤへの応用が期待されている。たとえば医用画像に描出された、病変と考えられる領域をＣＡＤのために解析する場合には、当該病変と考えられる領域の形状や信号値（画素値）の情報が利用される。たとえば、肺がんの可能性がある肺結節の鑑別においては、悪性の肺結節は分葉状の形状、良性の肺結節は球形の形状をとることが多いことが知られており、形状の情報が指標の一つとして用いられている。
　しかしながら、病変は周辺の臓器や他の病変といった、周辺の構造物と近接して生じる場合がある。その場合、病変が周辺の構造物と付着している領域（付着領域）と接していない領域（非付着領域）とで、形状が大きく異なることがある。すなわち、病変が他の構造物と近接しているために、病変の一部の領域の形状が変形していることがある。たとえば、胸膜と近接する肺結節に、胸膜が引き込まれることにより生じる胸膜陥入といった変形が生じることがある。また、画素値の濃淡といった特徴に注目すると、病変領域と、当該病変領域と近接する構造物との間の境界が明瞭でないことがある。
　医師が医用画像を観察して診断を行う際には、病変と他の構造物とが近接することによる影響が少ないと考えられる、非付着領域を中心に観察を行う場合がある。したがってＣＡＤにおいても、解析の対象となる病変が他の構造物と近接している場合には、当該近接の影響を考慮して解析を行うことが好ましい場合がある。第１の実施形態に係る画像処理装置１００は、ＣＡＤにおいて解析の対象となる領域が他の領域と付着している可能性がある付着領域と、他の領域と付着していないと考えられる非付着領域とを特定して、当該解析の対象となる領域が他の領域と近接していることを考慮して特徴量を取得することを目的とする。肺結節が胸膜と付着していない場合であっても、肺結節が胸膜と近接している場合に胸膜が当該肺結節に引き込まれる場合がある。以下では、病変が周辺の構造物と必ずしも接触していなくても、胸膜引き込みのように当該構造物と近接していることにより影響を受けた領域を付着領域と称する。画像処理装置１００は、解析の対象となる領域の形状といった特徴量を適切に取得し、これにより、より精度よくＣＡＤを行うことができる。
　以下では、被検体胸部のＣＴ（Ｃｏｍｐｕｔｅｄ　Ｔｏｍｏｇｒａｐｈｙ）画像をＣＡＤの対象である医用画像の一例とし、胸膜に近接する肺結節を解析の対象とする例について説明する。画像処理装置１００は、ＣＡＤの対象であるＣＴ画像から、胸膜に近接する肺結節（病変領域）が胸膜と接している境界領域（付着領域）を、肺結節と胸膜との距離に基づいて特定する。そして、画像処理装置１００は、付着領域とは異なる領域である非付着領域に基づいて、病変領域の特徴量を取得する。
　［画像処理装置１００の構成］
　図１は、画像処理装置１００のハードウェア構成の一例と、画像処理装置１００を含むシステム１９０の構成の一例とを示す図である。
　画像処理装置１００は、たとえばコンピュータであり、本発明の実施形態に係る処理を行う。画像処理装置１００は、ＣＰＵ１１、主メモリ１２、磁気ディスク１３、表示メモリ１４を含む。画像処理装置１００内の構成は、共通バス１８により接続されている。
　ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１１は、主として各構成要素の動作を制御する。主メモリ１２は、ＣＰＵ１１が実行する制御プログラムを格納したり、ＣＰＵ１１によるプログラム実行時の作業領域を提供したりする。主メモリ１２は、たとえばＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）やＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）である。磁気ディスク１３は、オペレーティングシステム（ＯＳ）、周辺機器のデバイスドライバ、後述する処理等を行うためのプログラムを含む各種アプリケーションソフトを実現するためのプログラムを格納する。磁気ディスク１３は、たとえばＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ　ＳｔａｔｅＤｒｉｖｅ）である。ＣＰＵ１１が主メモリ１２、磁気ディスク１３に格納されているプログラムを実行することにより、図１に示した画像処理装置１００の機能（ソフトウェア）及び後述するフローチャートにおける処理が実現される。表示メモリ１４は、たとえば表示部１６０に表示させるための表示用データを一時的に記憶する。
　表示部１６０は、たとえばＣＲＴモニタや液晶モニタであり、表示メモリ１４からのデータに基づいて画像やテキスト等を表示する。マウス１７０及びキーボード１８０は、ユーザによるポインティング入力及び文字等の入力をそれぞれ行う。表示部１６０は、操作入力を受け付けるタッチパネルモニタであってもよいし、その場合はマウス１７０及びキーボード１８０はタッチパネルモニタの機能に統合されていてもよい。また、画像処理装置１００はタッチパネルモニタともに、スタイラスペンといったその他の操作部と接続されていてもよい。以下では、マウス１７０やキーボード１８０といった、画像処理装置１００に情報を入力するための構成を、操作部と称することがある。
　ＣＰＵ１１はプロセッサの一例であり、画像処理装置１００は複数のプロセッサを有していてもよい。また、画像処理装置１００は画像処理を専用に行うＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）を有していてもよい。画像処理装置１００は、後述する処理の一部又は全てをプログラムしたＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）を有していてもよいし、特定の処理のためのＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）を有していてもよい。主メモリ１２や磁気ディスク１３や表示メモリ１４はメモリの一例であり、画像処理装置１００は複数のメモリを有していてもよい。
　システム１９０は、画像処理装置１００と、データサーバ１２０とを含む。第１の実施形態において、データサーバ１２０はモダリティ１１０と接続されている。
　モダリティ１１０は、医用画像を取得するための装置である。たとえば、モダリティ１１０はコンピュータ断層撮影（ＣＴ）装置、核磁気共鳴撮影（ＭＲＩ：ＭａｇｎｅｔｉｃＲｅｓｏｎａｎｃｅ　Ｉｍａｇｉｎｇ）装置、２次元の放射線画像を撮影する放射線撮影（ＤＲ：Ｄｉｇｉｔａｌ　Ｒａｄｉｏｇｒａｐｈｙ）装置である。モダリティ１１０は取得した医用画像をデータサーバ１２０に送信する。モダリティ１１０を制御する制御部（不図示）が画像処理装置１００に含まれていてもよい。
　データサーバ１２０は医用画像を保存する装置である。データサーバ１２０は、たとえばＰＡＣＳ（Ｐｉｃｔｕｒｅ　Ａｒｃｈｉｖｉｎｇ　ａｎｄ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｓｙｓｔｅｍ）である。画像処理装置１００はＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）等のネットワークを介してデータサーバ１２０から医用画像を取得する。
　図２は、画像処理装置１００の機能構成の一例を示す図である。画像処理装置１００は、画像取得部１０００、抽出部１０１０、特定部１０２０、特徴量取得部１０３０、表示制御部１０４０を含む。
　画像取得部１０００は、医用画像をデータサーバ１２０から取得する。画像取得部１０００は、ユーザが指定する医用画像を取得してもよいし、予め定められた条件に基づいて医用画像を取得してもよい。画像取得部１０００は、入力画像を抽出部１０１０、及び表示制御部１０３０に出力する。
　抽出部１０１０は、ＣＡＤにおける解析のために、画像取得部１０００により取得された医用画像（以下では、入力画像と称する。）から特定の領域を抽出する。第１の実施形態において、抽出部１０１０は第１の抽出部１０１１と第２の抽出部１０１２とを含む。
　第１の抽出部１０１１は、入力画像から被検体の解剖学的構造の領域を抽出する。胸部ＣＴ画像の例では、第１の抽出部１０１１は肺野、胸膜、気管支、血管といった構造の領域を抽出する。第１の抽出部１０１１により抽出された領域を、以下では第１の領域と称することがある。解剖学的構造の領域は、第１の領域の一例である。第１の抽出部１０１１は、抽出した領域に関する情報を第２の抽出部１０１２、特定部１０２０、及び表示制御部１０４０に出力する。
　第２の抽出部１０１２は、入力画像から解析の対象となる病変領域を抽出する。胸部ＣＴ画像の例では、第２の抽出部１０１２は肺結節の領域を抽出する。第２の抽出部１０１２は、複数の病変領域が抽出された場合に、注目する一つの病変領域を選択してもよい。以下では、第２の抽出部１０１２により一つの注目する病変領域が抽出された場合を例に説明する。第２の抽出部１０１２により抽出された領域を、以下では第２の領域と称することがある。病変領域は、第２の領域の一例である。第２の抽出部１０１２は、抽出した領域に関する情報を特定部１０２０、及び表示制御部１０４０に出力する。
　特定部１０２０は、第１の抽出部１０１１及び第２の抽出部１０１２における処理の結果に基づいて、病変領域が他の構造と近接する領域、すなわち付着領域を特定する。第１の実施形態においては、特定部１０２０は第２の抽出部１０１２により抽出された肺結節の領域のうち、第１の抽出部１０１１により抽出された胸膜の領域との距離に基づいて付着領域を特定する。すなわち、特定部１０２０は病変領域に含まれる一部の領域である部分領域を付着領域として特定する。以下では、特定部１０２０により特定される付着領域を第４の領域と称することがある。また、特定部１０２０は付着領域とは異なる領域を非付着領域として特定する。第１の実施形態においては、特定部１０２０は病変領域のうち付着領域を含まない領域を非付着領域として特定する。非付着領域は付着領域とは異なる領域であり、解析において病変領域が他の領域と近接していることの影響を低減できる領域であれば、上述した例に限られない。以下では、特定部１０２０により特定される非付着領域を第３の領域と称することがある。特定部１０２０は、特定した領域に関する情報を、特徴量取得部１０３０及び表示制御部１０４０に出力する。
　特徴量取得部１０３０は、第２の抽出部１０１２が抽出した病変領域の特徴を示す値である特徴量を取得する。ここで取得される特徴量の値は、入力画像において解析の対象となる領域内の濃度（輝度）の平均値や分散といった数値であってもよいし、フィルタ出力に基づく値であってもよい。特徴量の値は、病変領域の特徴を表現する文言、いわゆる所見であってもよく、上述したような数値に基づいて変換された文言であってもよい。特徴量取得部１０３０は、第２の抽出部１０１２が抽出した病変領域及び、特定部１０２０により特定された付着領域、非付着領域を解析の対象とし、特徴量を取得する。特徴量のうち、円形度といった病変領域の形状に関する特徴量の取得に際しては、特定部１０２０により特定された非付着領域を解析の対象とすることが好ましい。特徴量取得部１０３０は、取得した特徴量に関する情報を表示制御部１０４０に出力する。以下では、非付着領域を解析の対象として、病変領域の形状に関する特徴量を取得する例を説明する。
　表示制御部１０４０は、表示部１６０に表示させるための表示用データの出力を制御する。第１の実施形態においては、表示制御部１０４０は、画像取得部１０００が取得した入力画像と、抽出部１０１０が抽出した領域を示す情報と、特定部１０２０が特定した情報と、特徴量取得部が取得した情報と、のそれぞれの情報を適宜、表示部１６０に表示させるための表示用データを表示部１６０に出力する。
　なお、図２に基づいて説明した画像処理装置１００が有する各機能構成は、複数の装置に分散して実現されてもよい。画像処理装置１００はワークステーションでもよい。画像処理装置１００の各部の機能はコンピュータ上で動作するソフトウェアとして実現してもよく、各部の機能を実現するソフトウェアは、クラウドをはじめとするネットワークを介したサーバ上で動作してもよい。以下では、各機能構成はローカル環境に設置したコンピュータ上で動作するソフトウェアによりそれぞれ実現されているものとする。
　［一連の処理について］
　図３は、画像処理装置１００により行われる処理の一例を示すフローチャートである。下記の処理において、特に断りがない場合、各処理を実現する主体はＣＰＵ１１といったプロセッサであり、主メモリ１２といったメモリに格納されているプログラムをプロセッサが実行することにより実現される。また、プロセッサが処理した情報はメモリに少なくとも一次的に記憶される。
　ステップＳ１１００において、画像取得部１０００は入力画像をデータサーバ１２０から取得する。別の例では、画像取得部１０００はモダリティ１１０で撮影した画像データを、通信手段を介して直接取得し、診断に好適な画像とするための画像処理等を施した医用画像を、本実施形態に係る入力画像として取得する。画像撮影装置１１０が例えばＣＴ装置であった場合、画像撮影装置１１０からＨＵ（Ｈｏｕｎｓｆｉｅｌｄ　Ｕｎｉｔ）値と呼ばれる信号値に基づく画素値を有するＣＴ画像が入力画像として取得される。
　入力画像は、３次元直交座標（ｘ，ｙ，ｚ）によって位置が特定できる複数の画素により構成される。画像の属性の一つである画素サイズは、３軸の座標方向それぞれに対して定義される。第１の実施形態においては、ｘ、ｙ、ｚの各方向の画素サイズを、ｒ＿ｓｉｚｅ＿ｘ，ｒ＿ｓｉｚｅ＿ｙ，ｒ＿ｓｉｚｅ＿ｚと記すこととし、いずれの値も１．０ｍｍである場合の例を説明する。入力画像を構成するそれぞれの画素の画素値は３次元座標（ｘ，ｙ，ｚ）の値ごとに定まる。したがって入力画像を、３次元座標値を引数とする関数Ｉ（ｘ，ｙ，ｚ）によって定義されるデータと見なすことができる。
　ステップＳ１１１０において、第１の抽出部１０１１は入力画像Ｉ（ｘ，ｙ，ｚ）から第１の領域を抽出する。第１の領域は、たとえば胸部ＣＴ画像における肺野、肺野と隣接する胸膜といった解剖学的構造の領域である。第１の抽出部１０１１は、入力画像Ｉ（ｘ，ｙ，ｚ）から、被検体の解剖学的構造である肺野の領域を抽出する。肺野の領域の内部には、たとえば空気（肺胞）、気管支の一部、肺血管の一部、肺結節といった領域が含まれる。
　第１の抽出部１０１１は、入力画像Ｉ（ｘ，ｙ，ｚ）に対して閾値処理や、特定の形状を強調するフィルタを用いた処理、Ｇｒａｐｈ　ｃｕｔ法による処理、Ｌｅｖｅｌ　ｓｅｔ法による処理、解剖学に基づく臓器アトラス（モデル）による処理等を用いて、解剖学的構造の領域を抽出する。ここでは、一例としてＧｒａｐｈ　ｃｕｔ法による手法について簡単に説明する。
　Ｇｒａｐｈ　ｃｕｔ法では最初に入力画像Ｉ（ｘ，ｙ，ｚ）に対応するグラフを作成する。ここで、グラフは入力画像の各画素に１対１で対応するノード（画像ノード）、肺野領域を表す１つのノード（ターミナル・ノードＦ）、肺野以外の領域を表す１つのノード（ターミナル・ノードＢ）、隣接する画像ノード間を結ぶエッジ（ｎ－ｌｉｎｋ）、各画像ノードと２つのターミナル・ノードとの間を結ぶエッジ（ｔ－ｌｉｎｋ）からなっている。次に、すべての隣接画素の組み合わせについて、画像濃度値の類似性を表す値（例えば画像濃度値の差の逆数）を計算する。そして、計算された値をその隣接画素に対応する画像ノードを結ぶエッジ（ｎ－ｌｉｎｋ）に重みとして付与する。さらに、各画素について、その画素の画素値と肺野領域の典型的な画素の画素値との間の類似性を表す値（例えば画像濃度値の差の逆数）を計算する。そして、計算された値をその画素に対応する画像ノードとターミナル・ノードＦとの間を結ぶエッジ（ｔ－ｌｉｎｋ）に重みとして付与する。同様に、各画素について、その画素の画素値と肺野外領域の典型的な画素の画素値との間の類似性を表す値（例えば画像濃度値の差）を計算し、その画素に対応する画像ノードとターミナル・ノードＢとの間を結ぶエッジ（ｔ－ｌｉｎｋ）に重みとして付与する。
　グラフの作成が終わった後、グラフ分割アルゴリズム（例えばＦｏｒｄ－Ｆｕｌｋｅｒｓｏｎ法）を用いて、グラフを２つの部分グラフに分割する。ここで、部分グラフの一方に少なくともターミナル・ノードＦが含まれ、もう一方にターミナル・ノードＢが含まれるように、分割を実行する。このような制約の下で上述のグラフを分割すると、グラフは「肺野領域に属することが確からしい画素」に対応する画像ノードと「肺野領域外に属することが確からしい画素」に対応する画像ノードの間に張られたエッジ（ｎ－ｌｉｎｋ）で、２つの部分グラフに分割される。この時、ターミナル・ノードＦが含まれる部分グラフ（部分グラフＧＦ）に、「肺野領域に属することが確からしい画素」に対応する画像ノードが含まれる。そして、ターミナル・ノードＢが含まれる部分グラフ（部分グラフＧＢ）に、「肺野領域外に属することが確からしい画素」に対応する画像ノードが含まれる。そこで、部分グラフＧＦに含まれる画素ノードに対応する画素を肺野領域に属する画素とする。また、部分グラフＧＢに含まれる画素ノードに対応する画素を肺野以外の領域に属する画素とする。このようにして、解剖学的構造物の領域（肺野の領域）Ｖｌｕｎｇを取得する。
　なお、上述のグラフ作成において、肺野領域に属することが確実である画素が既知である場合は、そのような画素に対応する画像ノードとターミナル・ノードＦとの間に張られているエッジ（ｔ－ｌｉｎｋ）の重みを無限大としてもよい。同様に、肺野以外の領域に属することが確実である画素が既知である場合は、そのような画素に対応する画像ノードとターミナル・ノードＢとの間に張られているエッジ（ｔ－ｌｉｎｋ）の重みを無限大としてもよい。
　これらの手法で解剖学的構造物の領域（肺野の領域）を抽出した場合、気管支の一部、肺血管の一部、肺結節等の領域が抽出されないことがある。そこで、解剖学的構造物の領域（肺野の領域）を抽出した後、欠損領域を解剖学的構造物の領域に併合する処理を行う。例えば、解剖学的構造物の領域（肺野の領域）に対してモルフォロジー演算の一つであるｃｌｏｓｉｎｇを適用すればよい。この処理により、解剖学的構造物の領域（肺野の領域）に存在する気管支の一部、肺血管の一部、肺結節等の領域が、解剖学的構造物の領域（肺野の領域）に含まれるようになる。
　また、第１の抽出部１０１１は、表示部１６０に表示される入力画像に対して、マウス１７０等でユーザが指定した範囲を第１の領域として抽出してもよい。以下では、抽出された肺野の領域を肺野領域Ｖｌｕｎｇと記す。
　また、第１の抽出部１０１１は胸膜の領域を抽出する。第１の実施形態では、第１の抽出部１０１１は肺野領域Ｖｌｕｎｇを取得した後で、胸膜の領域を抽出する。以下では、抽出された胸膜の領域を胸膜領域Ｖｐｌｅｕｒａｌと記す。
　図４は、肺野と胸膜とを含む、胸部の解剖学的講造を説明するための図である。ＣＴ画像５００には、被検体の胸部の構造が描出されている。肺野領域５０１の外側に位置する胸壁領域５０２は、筋、骨、リンパ管、血管、神経、筋膜といった構造を含む胸壁の領域である。図４に示す例では、肺野領域５０１内に、肺結節５１０、５１５が存在する。また、胸膜領域５０３は、肺野領域５０１と胸壁領域５０２との間に存在する。胸膜は肺と胸壁とを覆う２枚の漿膜からなり、胸膜領域５０３は肺野領域５０１及び胸壁領域５０２と隣接する薄い膜領域である。
　第１の抽出部１０１１は、たとえば肺野領域Ｖｌｕｎｇの外側に存在し、肺野領域Ｖｌｕｎｇの輪郭から所定の距離以下の領域を胸膜領域Ｖｐｌｅｕｒａｌとして取得する。別の例では、第１の抽出部１０１１は肺野領域Ｖｌｕｎｇを所定の倍率で拡大し、拡大された肺野領域と拡大される前の肺野領域との差分の領域を胸膜領域Ｖｐｌｅｕｒａｌとして取得してもよい。
　さらに、第１の抽出部１０１１は、肺野領域Ｖｌｕｎｇと胸膜領域Ｖｐｌｅｕｒａｌ以外に、肺血管の領域や気管支の領域など、胸部ＣＴ像に描出されている他の解剖学的構造の領域を抽出してもよい。また、第１の抽出部１０１１はＣＡＤの解析に応じて解剖学的構造の領域を抽出してもよいし、入力画像Ｉ（ｘ，ｙ，ｚ）に描出されている解剖学的構造のうち抽出可能な構造の領域を全て抽出してもよい。
　ステップＳ１１２０において、第２の抽出部１０１２は入力画像Ｉ（ｘ，ｙ，ｚ）から第２の領域を抽出する。第２の領域は、たとえば肺結節といった病変領域である。
　第２の抽出部１０１２は、対象とする病変に特徴的な信号値（画素値）や形状といった情報に基づいて病変の領域を抽出する。具体的には、第２の抽出部１０１２は、入力画像Ｉ（ｘ，ｙ，ｚ）に対して閾値処理や、特定の形状を強調するフィルタを用いた処理、Ｇｒａｐｈ　ｃｕｔ法による処理、Ｌｅｖｅｌ　ｓｅｔ法による処理、解剖学に基づく臓器アトラス（モデル）による処理等を用いて、解剖学的構造の領域を抽出する。以下では、肺結節の領域を抽出する例を説明する。
　第２の抽出部１０１２は、ステップＳ１１１０において抽出された肺野領域Ｖｌｕｎｇから、肺結節の領域を抽出する。まず、第２の抽出部１０１２は入力画像Ｉ（ｘ，ｙ，ｚ）に対する閾値処理やヘッセ行列といったフィルタを用いた処理により、肺野領域Ｖｌｕｎｇから肺結節の領域を検出する。そして、第２の抽出部１０１２は当該検出された肺結節の領域に対するＧｒａｐｈ　ｃｕｔ法を用いた処理や、Ｌｅｖｅｌ　ｓｅｔ法を用いた処理により、肺結節の領域を抽出する。
　また、第２の抽出部１０１２はユーザに対象とする肺結節を指定させてもよい。その場合、ユーザは表示部１６０に表示される入力画像を参照しながら、マウス１７０を用いて対象とする肺結節に属する座標を指定する。第２の抽出部１０１２は、当該指定された座標を、当該肺結節のシード点として取得する。第２の抽出部は、上述した手法に加えてシード点の情報を利用して、肺結節の領域を抽出する。これにより、第２の抽出部１０１２はユーザが指定した座標を含む肺結節の領域を抽出する。さらに別の例として、第２の抽出部１０１２は対象とする肺結節の領域を含む関心領域（ＶＯＩ：ｖｏｌｕｍｅ　ｏｆ　ｉｎｔｅｒｅｓｔ）の画像に対する処理により、当該肺結節の領域を抽出してもよい。
　以下では、解析の対象として注目している肺結節をＣｎｏｄｕｌｅと称する。また、以下では、ステップＳ１１２０において第２の抽出部により抽出された肺結節の領域を肺結節領域Ｖｎｏｄｕｌｅと称する。
　肺結節は肺の様々な部位に生じ得るが、第１の実施形態ではステップＳ１１２０において抽出された肺結節のうち、他の構造との付着の影響を考慮して特徴量を取得するための処理の例を説明する。
　ステップＳ１１３０において、特定部１０２０は、第４の領域を特定する。第４の領域とは、ステップＳ１１２０において取得された第２の領域のうち、他の領域と付着している可能性がある付着領域である。
　図５は、肺結節が他の構造と付着している状態の一例を表す図である。以下では、他の構造に付着している肺結節を、付着型肺結節と称することがある。
　図５ＡのＶＯＩ画像６００は、付着型肺結節である肺結節６０５を含み、肺結節６０５は胸膜領域６０２に付着している。図５ＢのＶＯＩ画像７００は、付着型肺結節である肺結節７０５を含み、胸膜領域７０３に付着している。特に図５Ｂでは、肺結節７０５と胸膜領域７０３とが付着する領域において胸膜が肺結節に引き込まれる胸膜引き込み領域７０６が観察される。胸膜引き込みが観察される場合は、胸膜と肺結節との間に明確な境界を定めることが難しい場合がある。
　図６は、図５に示した２つの例に対する、胸膜と肺結節とを抽出する処理の結果の例を示す図である。図６Ａの肺結節抽出結果６１５は図５Ａの肺結節６０５を抽出するための処理の結果である。抽出結果６１５の輪郭の一部が胸膜領域６０３と付着している付着領域６３０が第４の領域である。
　図６Ｂの肺結節抽出結果７１５は図５Ｂの肺結節７０５を抽出するための処理の結果である。図６Ｂでは、肺結節７０５と胸膜引き込み領域７０６からなる領域のうち抽出結果７１５に含まれない未抽出領域７１６がみられる。これは、胸膜引き込み領域７０６が一般的な肺結節や胸膜領域７０３と異なる形状を示すためである。ステップＳ１１２０において説明したような手法では対象とする領域の形状の特徴の情報に基づくため、胸膜引き込み部分７０６のような領域は図６Ｂのように抽出結果７１５に含まれないおそれがある。肺結節抽出結果７１５の領域のうち胸膜領域７０３と付着している領域、図６Ｂの例では付着領域７３０が第４の領域である。
　ＶＯＩ画像６００やＶＯＩ画像７００、及びそれらを含む医用画像を観察する医師は、肺結節の観察において他の構造との付着領域すなわち第４の領域は当該肺結節の真の領域ではないと考えられるため、観察において考慮しない場合がある。以下では、解析において他の構造と近接していることにより変形している可能性がある領域を考慮するために、第４の領域を特定する例を説明する。
　ステップＳ１１３０において、特定部１０２０は、第４の領域を特定する。具体的には、特定部１０２０は、ステップＳ１１１０で抽出された肺野領域Ｖｌｕｎｇ、胸膜領域Ｖｐｌｅｕｒａｌ、ステップ１１２０で抽出された肺結節領域Ｖｎｏｄｕｌｅに基づいて、肺結節領域Ｖｎｏｄｕｌｅが胸膜領域Ｖｐｌｅｕｒａｌに近接する領域である付着領域を特定する。
　特定部１０２０は、まず、肺結節Ｖｎｏｄｕｌｅの境界画素からなる境界領域Ｓｎｏｄｕｌｅを抽出する。具体的には、特定部１０２０は肺結節領域Ｖｎｏｄｕｌｅに属する各画素について、その画素に隣接している画素（隣接画素）のいずれかが、「肺結節領域Ｖｎｏｄｕｌｅに属しておらず、かつ肺野領域Ｖｌｕｎｇに属している」か否かを判定する。そして、少なくとも１つの隣接画素が肺結節領域Ｖｎｏｄｕｌｅに属しておらず、かつ肺野領域Ｖｌｕｎｇに属している場合に、当該画素を境界領域Ｓｎｏｄｕｌｅに属する画素とする。別の例では、境界領域Ｓｎｏｄｕｌｅは、例えば肺結節領域Ｖｎｏｄｕｌｅに対する微分形フィルタを用いた処理等により抽出される。
　図７は、境界領域Ｓｎｏｄｕｌｅから、付着領域に属する画素を取得する処理の一例を示す図である。特定部１０２０は、取得した肺結節の境界領域Ｓｎｏｄｕｌｅから、胸膜領域Ｖｐｌｅｕｒａｌまでの距離に基づいて、付着領域に属する画素を取得する。まず、特定部１０２０は、境界領域７２５（Ｓｎｏｄｕｌｅ）に属する各画素に対して、胸膜領域７０３（Ｖｐｌｅｕｒａｌ）までの最短経路を探索し、最短経路の長さ（最短経路長）を取得する。
　特定部１０２０は、境界領域Ｓｎｏｄｕｌｅに属する各画素に対して領域拡張処理を行う。特定部１０２０は、各画素が胸膜領域Ｖｐｌｅｕｒａｌに到達するまで領域拡張処理を繰り返し、その繰り返し回数を当該画素から胸膜領域Ｖｐｌｅｕｒａｌまでの最短経路長として取得する。すなわち特定部１０２０は、第２の領域と第２の領域外の領域との境界をなす画素と類似する画素であって、第２の領域及び第１の領域に含まれない画素を探索する処理に基づいて、第２の領域と第１の領域との距離に関する情報を取得する。領域拡張処理は当該処理の一例であり、最短経路長は当該距離に関する情報の一例である。以下、最短経路長を取得するための処理について詳述する。
　特定部１０２０は、境界領域Ｓｎｏｄｕｌｅに属する特定の画素Ｐｎｏｄｕｌｅ－ｉ（以下、注目画素と称する。）の領域拡張繰り返し回数Ｎを０に設定する。特定部１０２０は、注目画素Ｐｎｏｄｕｌｅ－ｉの近傍領域内の画素の中から、領域拡張の条件を満たす画素を拡張画素として探索する。すなわち、注目画素Ｐｎｏｄｕｌｅ－ｉは、当該領域拡張処理のシード点の一例である。繰り返し回数Ｎは１回の探索ごとに１増加する。そして特定部１０２０は、探索された拡張画素に対して、終了条件が満たされるまで、上記の処理を繰り返し実施する。なお、上述の近傍領域とは、注目画素に隣接する画素からなる領域のことである。領域拡張処理では一般に、２次元画像の場合は注目画素に隣接する４個、もしくは８個の画素からなる領域を近傍領域とする。また、３次元画像の場合は６個、もしくは２６個の画素からなる領域を近傍領域とする。近傍領域の構成については、領域拡張処理の結果に基づいて決定すればよい。
　ここで、領域拡張の条件とは、（１）拡張画素が肺結節の抽出結果７１５に属しないこと、かつ（２）濃度値が所定の範囲［Ｔ１，Ｔ２］内であること、である。Ｔ１とＴ２はそれぞれ、未抽出領域に属する画素が取りうる濃度値の上限と下限を表す定数である。この値は、入力画像と同様の医用画像（学習用画像）から決定する。具体的には、はじめに複数の学習用画像に対してステップＳ１１１０とステップＳ１１２０の処理を実際に適用して、第１の領域と第２の領域の間に生じる未抽出領域を取得する。次に、ステップＳ１１３０の領域拡張処理を実施する。このとき、複数のＴ１とＴ２の組み合わせで領域拡張処理を行い、領域拡張処理により未抽出領域に属する画素が最も過不足なく抽出されるようなＴ１とＴ２の組み合わせを選択する。このようにして得られたＴ１とＴ２の組み合わせを、画像処理装置１００のＴ１とＴ２の値として用いる。なお、Ｔ１とＴ２の値をユーザが設定してもよい。
　領域拡張処理の終了条件は、（１）注目画素Ｐｎｏｄｕｌｅ－ｉの近傍領域内に胸膜領域Ｖｐｌｅｕｒａｌに属する画素が存在すること、あるいは（２）注目画素Ｐｎｏｄｕｌｅ－ｉの近傍領域内に胸膜領域に属する画素が存在しない、かつ領域拡張の条件を満たす画素が存在しないこと、である。終了条件（１）が満たされた場合は、特定部１０２０は領域拡張処理を終了し、繰り返し回数Ｎを注目画素の最短経路長とする。また、終了条件（２）が満たされた場合は、－１を最短経路長とする。さらに、終了条件に（３）領域拡張の繰り返し回数が事前に設定した値Ｔｉｔｅｒａｔｉｏｎを超えたこと、を並列条件として加えてもよい。終了条件（３）が満たされた場合は、Ｔｉｔｅｒａｔｉｏｎの値を最短経路長とする。
　特定部１０２０は、上述した領域拡張処理を境界領域Ｓｎｏｄｕｌｅに属する各画素に対して行い、各画素の胸膜領域Ｖｐｌｅｕｒａｌまでの最短経路長を取得する。図６Ａに示す例では、付着領域６０３は胸膜に接しているので、終了条件（１）により最短経路長は０と取得される。
　図８は、図７（図６Ｂ）に示す例における領域拡張処理の結果の一例を示す図である。特定部１０２０は、境界領域７２５から未抽出領域７１６を介して胸膜領域７０３に到達するまで領域拡張処理を繰り返す。領域拡張処理の結果、胸膜領域７０３と接するような境界領域７２５の画素では、終了条件（１）により最短経路長は領域拡張処理の繰り返し回数Ｎとされる。境界領域７２５のうち領域拡張処理を経ても胸膜領域７０３と接しない画素では、終了条件（２）により最短経路長は－１とされる。
　特定部１０２０は、境界領域Ｓｎｏｄｕｌｅの各画素における最短経路長に基づいて、付着領域Ｓａｔｔａｃｈｅｄを取得する。すなわち、特定部１０２０は第１の領域との距離に基づいて、第２の領域のうち第１の領域と近接する領域である第４の領域を特定する。また、特定部１０２０は境界画素Ｓｎｏｄｕｌｅの各画素における最短経路長に基づいて、非付着領域を取得する。すなわち特定部１０２０は、第４の領域とは異なる第３の領域を特定する。第１の実施形態においては、特定部１０２０は最短経路長が－１である画素を、非付着領域すなわち第３の領域として特定する。また、特定部１０２０は最短経路長が０以上である画素の中から、付着領域すなわち第４の領域を特定する。
　肺結節の境界領域Ｓｎｏｄｕｌｅは、胸膜引き込み領域以外に、ノイズや血管の領域といった類似した濃度値を有する領域と接している場合がある。その場合、上述した領域拡張処理においてノイズや血管の領域を介して胸膜領域Ｖｐｌｅｕｒａｌに到達する可能性がある。一般的に、血管等の領域を介して胸膜領域Ｖｐｌｅｕｒａｌに到達するまでの距離は胸膜引き込み領域を介して胸膜領域Ｖｐｌｅｕｒａｌに到達するまでの距離よりも長い。したがって、たとえば境界領域Ｓｎｏｄｕｌｅの各画素の最短経路長に対して閾値［０，Ｔａｔｔａｃｈｅｄ］を設定することにより、胸膜引き込み領域を介して胸膜領域Ｖｐｌｅｕｒａｌに到達する画素と、血管といったその他の領域を介して胸膜領域Ｖｐｌｅｕｒａｌに到達する画素とを区別することができる。Ｔａｔｔａｃｈｅｄは、ユーザが設定した値を用いてもよいし、学習用画像に基づいて決定してもよい。
　図９は、境界領域７２５の画素に対して、最短経路長に閾値［０，４］を設定し、特定された付着領域Ｓａｔｔａｃｈｅｄ（付着領域７３０）の一例を示す図である。
　なお、肺結節領域の抽出精度や閾値Ｔａｔｔａｃｈｅｄの値によっては、上述した閾値処理により取得された付着領域Ｓａｔｔａｃｈｅｄに欠損領域（いわゆる穴）が生じる場合がある。また、取得された付着領域Ｓａｔｔａｃｈｅｄが１つの連結領域（単連結領域）とならず、複数の領域に分割されている場合がある。そこで特定部１０２０は、付着領域Ｓａｔｔａｃｈｅｄに生じた穴を埋める処理や、複数に分割された付着領域Ｓａｔｔａｃｈｅｄを単連結領域にするための処理（以下では、接続処理と称する。）をさらに実施してもよい。
　付着領域Ｓａｔｔａｃｈｅｄの接続処理には、たとえばモルフォロジー演算を用いる。特定部１０２０はモルフォロジー演算により付着領域Ｓａｔｔａｃｈｅｄを膨張させる。そして特定部１０２０は、モルフォロジー演算で膨張させた付着領域と境界領域Ｓｎｏｄｕｌｅとの論理積により得られる領域を、修正された付着領域として取得する。ここで、膨張させた付着領域と境界領域Ｓｎｏｄｕｌｅとの論理積を求めるのは、接続処理で得られる付着領域を境界領域Ｓｎｏｄｕｌｅ内に限定するためである。
　モルフォロジー演算で付着領域Ｓａｔｔａｃｈｅｄを膨張させることで、付着領域Ｓａｔｔａｃｈｅｄに生じていた穴を埋めることができる。また、複数に分割されている領域をモルフォロジー演算で膨張させることで、それぞれの領域が互いに隣接領域に接触することになり、結果として複数の領域を単連結領域にすることができる。
　ステップＳ１１４０において、特徴量取得部１０３０は、解析の対象である第２の領域の特徴を示す値である特徴量を取得する。ここでは、特徴量の一例であり病変の形状に関する特徴量（以下、形状特徴量と称する。）を取得する場合を例に説明する。なお、形状特徴量の他に、たとえば濃度値や胸膜引き込みの有無といった特徴を示す特徴量が挙げられ、特徴量取得部１０３０はこれらの特徴量を公知の手法により取得してもよい。
　特徴量取得部１０３０は、ステップＳ１１１０で抽出された肺野領域Ｖｌｕｎｇ、胸膜領域Ｖｐｌｅｕｒａｌ、ステップ１１２０で抽出された肺結節領域Ｖｎｏｄｕｌｅ、ステップＳ１１３０で取得された付着領域Ｓａｔｔａｃｈｅｄに基づいて、肺結節領域Ｖｎｏｄｕｌｅの形状特徴量を取得する。
　ここで形状特徴量とは、たとえば肺結節の境界領域における平均曲率、線状領域の割合、凸領域の割合といった特徴を示す値が挙げられる。形状に関する特徴量を用いてＣＡＤに用いる目的においては、病変の形状を精度よく捉えることが求められる。しかし、ステップＳ１１３０で取得した付着領域Ｓａｔｔａｃｈｅｄは、病変の領域の真の境界ではない場合があり、付着領域Ｓａｔｔａｃｈｅｄを考慮して形状特徴量を取得することが好ましい。第１の実施形態において特徴量取得部１０３０は、非付着領域に基づいて形状特徴量を取得する。
　なお、ステップＳ１１４０の前に欠損領域が生じる場合に備えてモルフォロジー演算を行う例を説明したが、この処理は必ずしも必須ではない。たとえば、特定部１０２０はモルフォロジー演算を行わず、特徴量取得部１０３０は連続した領域のみを対象として特徴量を取得してもよい。
　ステップＳ１１３０において付着領域が特定されなかった場合、特徴量取得部１０３０は境界領域Ｓｎｏｄｕｌｅに基づいて形状特徴量を取得する。また特徴量取得部１０３０は、付着領域Ｓａｔｔａｃｈｅｄを考慮せずに、たとえば境界領域Ｓｎｏｄｕｌｅに基づいて形状特徴量を併せて取得してもよい。
　ステップＳ１１５０において、表示制御部１０４０は、表示部１６０にステップＳ１１４０までの処理の結果を表示させる。表示制御部１０４０は、当該結果として肺結節領域の抽出、胸膜領域の抽出、付着領域の特定、及び特徴量の取得の処理のうち、少なくともいずれか１つの処理の結果を表示部１６０に表示させる。表示制御部１０４０は、付着領域Ｓａｔｔａｃｈｅｄを考慮せずに取得された特徴量と、非付着領域に基づいて取得された特徴量とを、比較可能に表示させてもよい。
　表示制御部１０４０は、当該結果の情報を入力画像に重畳して、表示部１６０に表示させてもよい。表示制御部１０４０は、これらの情報が重畳された３次元画像の情報をボリュームレンダリングにより生成し、表示部１６０に表示させてもよい。また、表示制御部１０４０は、重畳された３次元の画像の所定の断面画像を生成し、表示部１６０に表示させてもよい。
　このように第一の実施形態では、付着型肺結節のように病変領域の形状を必ずしも正確に抽出できない場合であっても、他の構造と付着していることの影響を考慮して、より精度良く形状に関する特徴量を取得することができる。精度良く特徴量を取得できることにより、特徴量を利用したＣＡＤ技術、たとえば異常陰影領域の検出や、良悪性の鑑別支援といった技術の性能を向上することができる。
　［第１の実施形態の変形例］
　ステップＳ１１３０において特定部１０２０が付着領域Ｓａｔｔａｃｈｅｄを特定するための処理の変形例を説明する。特定部１０２０は閾値処理により未抽出領域の少なくとも一部を抽出し、抽出された領域と、境界領域Ｓｎｏｄｕｌｅと、胸膜領域Ｖｐｌｅｕｒａｌとを合わせて接続領域とする。特定部１０２０は、接続領域における画素と胸膜領域Ｖｐｌｅｕｒａｌとの距離に基づいて付着領域Ｓａｔｔａｃｈｅｄを特定する。
　図１０は、上述した接続領域を用いて付着情報Ｓａｔｔａｃｈｅｄを取得する処理の一例を示す図である。特定部１０２０は、肺野領域７０１において肺結節抽出結果７１５以外の領域に対して閾値処理を行い、空気（肺胞）の領域よりも高い濃度値を有する領域を未抽出領域７１６として抽出する。特定部１０２０は、３つの領域、（１）未抽出領域７１６、（２）胸膜領域７０３のうち未抽出領域７１６に接している領域、（３）肺結節抽出結果７１５の境界領域７２５のうち未抽出領域７１６に接している領域、からなる領域を接続領域７２０として取得する。特定部１０２０は、接続領域７２０の各画素と胸膜領域７０３との距離を取得する。ここで、距離とはユークリッド距離でもよいし、画像処理装置１００で実施した領域拡張法で取得される距離（拡張の繰り返し回数に基づく距離）でもよいし、ダイクストラ法やＡ＊探索アルゴリズムで取得される距離（ノード間に張られるエッジの長さに基づく距離）でもよい。特定部１０２０は、接続領域７２０に含まれる領域（３）の画素に対して取得された距離に基づいて付着領域を特定する。具体的には、特定部１０２０はたとえば距離が閾値以下である画素を付着領域として特定する。
　［第２の実施形態］
　上述したように、病変は周辺の臓器や他の病変といった、周辺の構造物と近接して生じる場合がある。しかし、病変の領域を抽出する処理を行った場合に、その抽出された病変の領域が周辺の構造物と近接しているか否かを、必ずしも抽出結果から判定できない。第２の実施形態では、第１の領域と第２の領域との距離に基づいて、第１の領域と第２の領域とが近接している可能性があるか否かを判定する例を説明する。なお、第１の実施形態と同様の構成や機能や処理については上述した説明を援用することにより、詳しい説明を省略することとする。
　［画像処理装置２００の構成］
　画像処理装置２００はたとえばコンピュータであり、ハードウェア構成は図１に示した例と同様である。
　図１１は、第２の実施形態に係る画像処理装置２００の機能構成の一例を示す図である。画像処理装置１００と同様の機能構成については、図２に示した例と同一の符号を付している。画像処理装置２００は、画像取得部１０００、抽出部１０１０、特定部１０２０、判定部１０２１、修正部１０２２、特徴量取得部１０３０、表示制御部１０４０を含む。抽出部１０１０は、第１の抽出部１０１１と第２の抽出部１０１２とを含む。
　判定部１０２１は、特定部１０２０により特定された付着領域の情報に基づいて、解析の対象となる構造の領域、すなわち第２の領域が、他の構造と付着している可能性があるか否かを判定する。また、判定部１０２１は、付着領域の情報に基づいて、第２の抽出部１０１２により抽出された第２の領域を修正するか否かを判定する。判定部１０２１は、判定手段の一例である。
　修正部１０２２は、第２の抽出部１０１２により抽出された第２の領域を修正する。修正部１０２２は、修正手段の一例である。
　［一連の処理について］
　図１２は、画像処理装置２００により行われる処理の一例を示すフローチャートである。下記の処理において、特に断りが無い場合、各処理を実現する主体はＣＰＵ１１といったプロセッサであり、主メモリ１２といったメモリに格納されているプログラムをプロセッサが実行することにより実現される。また、プロセッサが処理した情報はメモリに少なくとも一次的に記憶される。
　ステップＳ２１００からステップＳ２１３０までの処理は、図３を用いて説明した第１の実施形態のステップＳ１１００からステップＳ１１３０までの処理と同様である。ステップＳ２１３０において、肺結節の領域といった第２の領域と、胸膜の領域といった第１の領域との距離に基づいて、第２の領域のうち第１の領域と近接している可能性がある第４の領域と、第４の領域とは異なる第３の領域とが特定される。
　ステップＳ２１３２において、判定部１０２１はステップＳ２１３０において第４の領域が特定されたことに基づいて、第２の領域が第１の領域と近接している可能性があると判定する。これにより、抽出された病変の領域が他の構造物の領域と近接している可能性があることが判定される。さらに判定部１０２１は、第２の実施形態においては、判定部１０２１は第４の領域が特定されたことに応じて、抽出された肺結節の領域を修正するか否かを判定する。以下では、抽出された肺結節の領域を修正する処理を修正処理と称する。修正処理は、抽出された肺結節の領域が本来の肺結節の領域よりも小さい場合に、本来の大きさに近付けるための処理である。
　図１３は、ステップＳ２１２０で取得された肺結節の領域が本来の肺結節の領域より小さかった場合の一例を示す図である。また、図１４は図１３Ｂに示す例に対してステップＳ２１３０の処理を行った結果の一例を示す図である。
　図１３Ｂに示す例では、肺結節に含まれる領域の一部が抽出されず、抽出結果９１５の周囲が未抽出領域９１６となっている。このような場合、図１４に示すように、ステップＳ２１３０の処理により境界領域９２５に含まれる全ての画素が付着領域Ｓａｔｔａｃｈｅｄと特定される。肺結節の周囲が全て他の構造と付着していることは、通常考えにくい。判定部１０２１はステップＳ２１３０で特定された付着領域Ｓａｔｔａｃｈｅｄが境界領域Ｓｎｏｄｕｌｅの全ての画素である場合、修正処理が必要であると判定する。
　判定部１０２１は、ステップＳ２１２０で取得された境界領域Ｓｎｏｄｕｌｅの画素の中で、付着領域Ｓａｔｔａｃｈｅｄと特定された画素の数を取得する。付着領域Ｓａｔｔａｃｈｅｄと特定された画素が、境界領域Ｓｎｏｄｕｌｅの画素に占める割合Ｐｓｕｒｆａｃｅを取得する。割合Ｐｓｕｒｆａｃｅが、所定の閾値Ｔｓｕｒｆａｃｅより大きい場合、判定部１０２１は第２の領域の抽出結果が適切ではなく、修正処理が必要であると判定する。閾値Ｔｓｕｒｆａｃｅには、ユーザが予め設定した値を用いてもよいし、機械学習に基づいて決定される値を用いてもよい。修正処理が必要であると判定された場合にはステップＳ２１３５に進み、必要でないと判定された場合にはステップＳ２１４０に進む。
　ステップＳ２１３５において、修正部１０２２はステップＳ２１２０で取得された第２の領域の抽出結果を修正する。以下では、ステップＳ２１２０で抽出された肺結節領域を旧肺結節領域と称する。
　肺結節の抽出結果を修正するための処理としては、たとえば旧肺結節領域を前景領域（シード領域）として設定し、Ｌｅｖｅｌ－ｓｅｔ法や、Ｇｒａｐｈ－ｃｕｔ法などを用いて旧肺結節領域を拡張する処理が挙げられる。また、修正部１０２２は、ステップＳ２１２０で用いた領域抽出手法と異なる性質を持つ手法で、旧肺結節領域を修正してもよい。たとえば、ステップＳ２１２０において第２の抽出部１０１２がＧｒａｐｈ　ｃｕｔ法など領域の全体最適化に基づく手法で第２の領域を抽出した場合、ステップＳ２１３５で修正部１０２２は局所的な特徴を表現できる領域拡張の手法を利用するようにしてもよい。局所的な特徴を表現できる領域拡張の手法とは、たとえば濃度値に関する局所的な特徴、すなわち注目画素の周辺の領域での濃度値の平均値、分散、最大値、最小値や、濃度値プロファイルに基づいて局所最適化を行う手法である。
　ステップＳ２１３５で第２の領域が修正されたことに伴い、未抽出領域とされた領域が低減する。ステップＳ２１３５で得られた第２の領域の抽出結果に基づいて再度ステップＳ２１３０の処理により付着領域が特定される。
　ステップＳ２１４０の処理は、図３を用いて説明したステップＳ１１４０の処理と同様である。
　ステップＳ２１５０の処理は、図３を用いて説明したステップＳ１１５０の処理と同様である。表示制御部１０４０は表示部１６０に、ステップＳ２１３５における修正の前後のそれぞれの肺結節領域、付着領域、特徴量といった情報を比較可能に表示させてもよい。
　このように第２の実施形態では、解析の対象となる構造の領域が他の構造と近接する領域である第４の領域を特定することにより、当該解析の対象となる構造が他の構造と付着している可能性があるか否かを判定することができる。また第２の実施形態では、第４の領域が特定された結果に基づいて、解析の対象となる構造の領域すなわち第２の領域が抽出された結果が適切であるか否かを判定することができる。第２の領域が抽出された結果が不適切であると判定された場合には、結果を修正することによって、より精度よく第２の領域を抽出することができる。これにより、形状に関する特徴量の精度が向上し、これを用いるＣＡＤ技術の精度が向上する。
　［その他の実施形態］
　上述の実施形態においては、胸部ＣＴ画像において胸膜に付着する肺結節を処理対象とする場合について説明したが、対象となる臓器や病変、入力画像を取得するためのモダリティの種類はこれに限らない。
　上述の実施形態においては、ステップＳ１１００で入力される入力画像の一例として、図５に示すような部分画像を用いる場合を説明した。部分画像とは、被検体の領域のうち、たとえば病変といった特定の領域を中心とする部分的な領域の画像である。図５に示す例においては、第１の領域と第２の領域とは付着している、あるいは胸膜引き込み領域を介して近接している状態であり、第１の領域と第２の領域とはそれぞれ独立した、互いに領域である。入力画像は図５に示す例に限らず、たとえば図４に示すような、肺全体の領域の画像であってもよい。図４の例においては、第１の領域（胸膜領域）が第２の領域（肺結節領域）を囲む状態である。図４のように第１の領域が第２の領域を囲むような状態であっても、上述した実施形態を適用できる。すなわち、第１の領域と第２の領域との距離に基づいて、第２の領域のうち第１の領域と近接している（あるいは付着している）領域を特定することができる。第１の領域と第２の領域との距離は、上述の実施形態のように領域拡張法により第１の領域に到達するまでの回数で示されてもよい。また、当該距離は第２の領域の境界の法線方向における、第１の領域までの幾何学的距離で示されてもよい。あるいは、第２の領域の位置に基づいて第１の領域のうち一部の領域を抽出し、当該抽出された領域と第２の領域とを含む部分画像を入力画像として、上述の処理を行ってもよい。何れの場合であっても、第２の領域のうち第１の領域と近接している（あるいは付着している）領域を特定することができる。
　上述の実施形態においては、胸膜といった解剖学的構造の領域を第１の領域とし、肺結節といった病変の領域を第２の領域としたが、本発明はこれに限らない。たとえば、第１の領域と第２の領域とがともに病変の領域であってもよく、上述したのと同様の処理により付着領域を特定することができる。
　画像処理装置１００及び画像処理装置２００は、さらにＣＡＤのための推論部（不図示）を備えていてもよい。推論部（不図示）は、特徴量取得部１０３０により取得される特徴量に基づいて、診断名を取得する。特徴量取得部１０３０は推論部（不図示）に特徴量を出力してもよいし、特徴量と対応する別の値に変換してから推論部に出力してもよい。特徴量と対応する別の値とは、たとえば特徴量が示す状態を表現する文字列の情報、いわゆる所見の情報である。
　上述の実施形態において、非付着領域の最短経路長を－１、付着領域の最短経路長を０又は領域拡張処理の繰り返し回数Ｎとする例を説明した。これにより特定部１０２０は、非付着領域と付着領域とを、取得された最短経路長の符号により区別することができる。本発明はこれに限らず、付着領域と非付着領域とを区別可能であればいかなる方法であってもよい。
　上述の実施形態において、特定部１０２０が領域拡張処理により最短経路長を取得する例を説明した。領域拡張処理で得られる経路長は多くの場合には幾何学的な最短経路長となるが、幾何学的な最短経路の長さと異なる場合もある。領域拡張処理で得られる最短経路長はステップＳ１１３０に求められる精度を満たすと考えられるが、より正確な最短経路長を求める場合にはグラフ探索アルゴリズムに基づく方法を用いてもよい。グラフ探索アルゴリズムとは、たとえばダイクストラ法やＡ＊探索アルゴリズムである。この場合特定部１０２０は、はじめにしきい値［Ｔ１，Ｔ２］で第１の領域を閾値処理した後、得られた領域内の画素をノードとするグラフを生成する。そして特定部１０２０は、境界領域Ｓｎｏｄｕｌｅに属する各画素について、胸膜領域Ｖｐｌｅｕｒａｌを探索終了点としてダイクストラ法やＡ＊探索アルゴリズムを適用する。このとき、これらの方法はノード間を結ぶ線（エッジ）の集合として、最短経路を生成する。
　上述の実施形態において、非付着領域を最短経路長に基づいて特定する例を説明したが、本発明はこれに限らない。たとえば付着領域Ｓａｔｔａｃｈｅｄを特定し、当該特定された付着領域Ｓａｔｔａｃｈｅｄを境界領域Ｓｎｏｄｕｌｅから差分することにより、非付着領域を取得してもよい。また、第４の領域と第３の領域は排他的関係になくてもよく、一部が重複していてもよい。
　上述の実施形態において、解析の対象とする病変が他の構造物と付着している場合の例を説明したが、本発明はこれに限らない。たとえば、本発明の実施形態に係る画像処理装置は、他の構造物と付着していない病変の領域を抽出し、解析の対象としてもよい。また、本発明の実施形態に係る画像処理装置は、たとえばＣＴ画像といった医用画像を取得するためのモダリティと接続されていてもよく、その場合に当該モダリティを制御する制御装置であってもよい。
　本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。
　上述の各実施形態における画像処理装置は、単体の装置として実現してもよいし、複数の装置を互いに通信可能に組合せて上述の処理を実行する形態としてもよく、いずれも本発明の実施形態に含まれる。共通のサーバ装置あるいはサーバ群で、上述の処理を実行することとしてもよい。画像処理装置および画像処理システムを構成する複数の装置は所定の通信レートで通信可能であればよく、また同一の施設内あるいは同一の国に存在することを要しない。
　本発明の実施形態には、前述した実施形態の機能を実現するソフトウェアのプログラムを、システムあるいは装置に供給し、そのシステムあるいは装置のコンピュータが該供給されたプログラムのコードを読みだして実行するという形態を含む。
　したがって、実施形態に係る処理をコンピュータで実現するために、該コンピュータにインストールされるプログラムコード自体も本発明の実施形態の一つである。また、コンピュータが読みだしたプログラムに含まれる指示に基づき、コンピュータで稼働しているＯＳなどが、実際の処理の一部又は全部を行い、その処理によっても前述した実施形態の機能が実現され得る。
　上述の実施形態を適宜組み合わせた形態も、本発明の実施形態に含まれる。
　本発明は上記実施の形態に制限されるものではなく、本発明の精神及び範囲から離脱することなく、様々な変更及び変形が可能である。従って、本発明の範囲を公にするために以下の請求項を添付する。
　本願は、２０１６年１１月９日提出の日本国特許出願特願２０１６－２１８８６４を基礎として優先権を主張するものであり、その記載内容の全てをここに援用する。

Claims (14)

  1. 　医用画像から第１の領域と、前記第１の領域とは異なる第２の領域とを抽出する抽出手段と、
    　前記第２の領域に含まれる領域のうち、前記第１の領域との距離が閾値以上の領域である第３の領域を特定する特定手段と、
    　前記第３の領域に基づいて、前記第２の領域の特徴を示す値である特徴量を取得する取得手段と、
    　を有することを特徴とする画像処理装置。
  2. 　前記特定手段は、前記第２の領域のうち前記第１の領域と付着している可能性がある領域を第４の領域として特定し、前記第４の領域に基づいて前記第３の領域を特定することを特徴とする請求項１に記載の画像処理装置。
  3. 　前記特定手段は、前記第２の領域のうち前記第４の領域を含まない領域を前記第３の領域として特定することを特徴とする請求項２に記載の画像処理装置。
  4. 　前記特定手段は、前記第２の領域と前記第１の領域との距離に基づいて、前記第４の領域と前記第３の領域とを特定することを特徴とする請求項２又は請求項３のいずれか１項に記載の画像処理装置。
  5. 　前記特定手段は、前記第２の領域に含まれる領域のうち、前記第１の領域との距離が閾値以下である領域を前記第４の領域として特定することを特徴とする請求項２乃至請求項４のいずれか１項に記載の画像処理装置。
  6. 　前記特定手段は、前記第２の領域のうち、前記第２の領域外の領域との境界をなす画素と類似する画素であって、前記第２の領域及び前記第１の領域に含まれない画素を探索する処理に基づいて前記距離に関する情報を取得することを特徴とする請求項１乃至請求項５のいずれか１項に記載の画像処理装置。
  7. 　前記特定手段は、前記第２の領域外の領域との境界をなす画素をシード点として、所定の条件に基づいて行われる領域拡張処理の繰り返し回数に基づいて前記距離に関する情報を取得することを特徴とする請求項１乃至請求項５のいずれか１項に記載の画像処理装置。
  8. 　前記抽出手段により抽出された前記第２の領域を、前記特定手段により特定された前記第４の領域の情報に基づいて修正する修正手段をさらに有することを特徴とする請求項１乃至請求項７のいずれか１項に記載の画像処理装置。
  9. 　医用画像から胸膜の領域と、結節の領域とを抽出する抽出手段と、
    　前記結節の領域に含まれる領域である部分領域を、前記胸膜の領域に基づいて特定する特定手段と、
    　前記部分領域に基づいて、前記結節の領域の形状の特徴を示す値である特徴量を取得する取得手段と、
    　を有することを特徴とする画像処理装置。
  10. 　前記特定手段は、前記結節の領域に含まれる領域のうち、前記胸膜と付着している可能性がある領域である付着領域を前記胸膜の領域に基づいて特定することにより、前記付着領域とは異なる領域を部分領域として特定することを特徴とする請求項９に記載の画像処理装置。
  11. 　前記特定手段は、前記結節の領域のうち、前記付着領域を含まない領域を前記部分領域として特定することを特徴とする請求項１０に記載の画像処理装置。
  12. 　医用画像から第１の領域と、前記第１の領域とは異なる第２の領域とを抽出する抽出手段と、
    　前記第２の領域に含まれる領域であって、前記第１の領域との距離に基づいて第４の領域を特定する特定手段と、
    　前記第４の領域に基づいて、前記第１の領域と前記第２の領域とが付着しているか否かを判定する判定手段と、
    　を有することを特徴とする画像処理装置。
  13. 　医用画像から第１の領域と、前記第１の領域とは異なる第２の領域とを抽出する工程と、
    　前記第２の領域に含まれる領域のうち、前記第１の領域との距離に基づいて第４の領域と、前記第４の領域とは異なる第３の領域とを特定する工程と、
    　前記第３の領域に基づいて、前記第２の領域の特徴を示す値である特徴量を取得する工程と、
    　を有することを特徴とする画像処理方法。
  14. 　医用画像から第１の領域と、前記第１の領域とは異なる第２の領域とを抽出する抽出手段と、
    　前記第２の領域に含まれる領域のうち、前記第１の領域との距離が閾値以上の領域である第３の領域を特定する特定手段と、
    　前記第３の領域に基づいて、前記第２の領域の特徴を示す値である特徴量を取得する取得手段と、
    　を有することを特徴とする画像処理システム。
PCT/JP2017/035270 2016-11-09 2017-09-28 画像処理装置、画像処理方法、画像処理システム及びプログラム WO2018088055A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/402,066 US11200443B2 (en) 2016-11-09 2019-05-02 Image processing apparatus, image processing method, and image processing system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016-218864 2016-11-09
JP2016218864A JP6862147B2 (ja) 2016-11-09 2016-11-09 画像処理装置、画像処理装置の作動方法、画像処理システム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/402,066 Continuation US11200443B2 (en) 2016-11-09 2019-05-02 Image processing apparatus, image processing method, and image processing system

Publications (1)

Publication Number Publication Date
WO2018088055A1 true WO2018088055A1 (ja) 2018-05-17

Family

ID=62109742

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/035270 WO2018088055A1 (ja) 2016-11-09 2017-09-28 画像処理装置、画像処理方法、画像処理システム及びプログラム

Country Status (3)

Country Link
US (1) US11200443B2 (ja)
JP (1) JP6862147B2 (ja)
WO (1) WO2018088055A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2022113801A1 (ja) * 2020-11-25 2022-06-02

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6862147B2 (ja) * 2016-11-09 2021-04-21 キヤノン株式会社 画像処理装置、画像処理装置の作動方法、画像処理システム
JP7220542B2 (ja) * 2018-10-10 2023-02-10 キヤノンメディカルシステムズ株式会社 医用画像処理装置、医用画像処理方法及び医用画像処理プログラム
KR102207798B1 (ko) * 2018-10-24 2021-01-25 서울여자대학교 산학협력단 폐 섬유화 진단을 위한 정보제공 방법 및 폐 섬유화 진단 컴퓨팅 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008503294A (ja) * 2004-06-23 2008-02-07 メディックサイト ピーエルシー 識別方法、コンピュータプログラム及びコンピュータプログラム装置
JP2011135938A (ja) * 2009-12-25 2011-07-14 Toshiba Corp 画像処理装置、医用画像診断装置および画像処理プログラム
US20150254842A1 (en) * 2012-09-13 2015-09-10 The Regents Of The University Of California System and method for automated detection of lung nodules in medical images

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5185809A (en) * 1987-08-14 1993-02-09 The General Hospital Corporation Morphometric analysis of anatomical tomographic data
US5881124A (en) * 1994-03-31 1999-03-09 Arch Development Corporation Automated method and system for the detection of lesions in medical computed tomographic scans
US6246784B1 (en) * 1997-08-19 2001-06-12 The United States Of America As Represented By The Department Of Health And Human Services Method for segmenting medical images and detecting surface anomalies in anatomical structures
US6549646B1 (en) * 2000-02-15 2003-04-15 Deus Technologies, Llc Divide-and-conquer method and system for the detection of lung nodule in radiological images
US7359538B2 (en) * 2001-11-23 2008-04-15 R2 Technology Detection and analysis of lesions in contact with a structural boundary
US20030099390A1 (en) * 2001-11-23 2003-05-29 Xiaolan Zeng Lung field segmentation from CT thoracic images
US6766043B2 (en) * 2001-11-23 2004-07-20 R2 Technology, Inc. Pleural nodule detection from CT thoracic images
AU2003216295A1 (en) * 2002-02-15 2003-09-09 The Regents Of The University Of Michigan Lung nodule detection and classification
US7260250B2 (en) * 2002-09-30 2007-08-21 The United States Of America As Represented By The Secretary Of The Department Of Health And Human Services Computer-aided classification of anomalies in anatomical structures
US20040086161A1 (en) * 2002-11-05 2004-05-06 Radhika Sivaramakrishna Automated detection of lung nodules from multi-slice CT image data
GB2461199B (en) 2004-06-23 2010-04-28 Medicsight Plc Lesion extent determination in a CT scan image
JP4910478B2 (ja) 2006-05-24 2012-04-04 コニカミノルタエムジー株式会社 モデリング装置、モデリング方法およびプログラム
EP1862120B1 (en) * 2006-05-29 2016-11-09 Toshiba Medical Systems Corporation Computer-aided imaging diagnostic processing apparatus and computer-aided imaging diagnostic processing method
US7773791B2 (en) * 2006-12-07 2010-08-10 Carestream Health, Inc. Analyzing lesions in a medical digital image
US8144949B2 (en) * 2007-11-15 2012-03-27 Carestream Health, Inc. Method for segmentation of lesions
WO2014113786A1 (en) * 2013-01-18 2014-07-24 H. Lee Moffitt Cancer Center And Research Institute, Inc. Quantitative predictors of tumor severity
US9639933B2 (en) * 2013-02-14 2017-05-02 The Research Foundation For The State University Of New York Method for adaptive computer-aided detection of pulmonary nodules in thoracic computed tomography images using hierarchical vector quantization and apparatus for same
JP5946221B2 (ja) * 2013-06-11 2016-07-05 富士フイルム株式会社 輪郭修正装置、方法およびプログラム
WO2015054597A2 (en) * 2013-10-12 2015-04-16 H. Lee Moffitt Cancer Center And Research Institute, Inc. Systems and methods for diagnosing tumors in a subject by performing a quantitative analysis of texture-based features of a tumor object in a radiological image
JP6383182B2 (ja) * 2014-06-02 2018-08-29 キヤノン株式会社 画像処理装置、画像処理システム、画像処理方法およびプログラム
JP6643827B2 (ja) * 2015-07-31 2020-02-12 キヤノン株式会社 画像処理装置、画像処理方法、及びプログラム
US10004471B2 (en) * 2015-08-06 2018-06-26 Case Western Reserve University Decision support for disease characterization and treatment response with disease and peri-disease radiomics
JP6731753B2 (ja) * 2016-03-07 2020-07-29 キヤノン株式会社 画像処理装置、画像処理方法、画像処理システムおよびプログラム
EP3488366B1 (en) * 2016-07-22 2022-01-05 Case Western Reserve University Methods and apparatus for predicting benefit from immunotherapy using tumoral and peritumoral radiomic features
JP6792364B2 (ja) * 2016-07-22 2020-11-25 キヤノン株式会社 画像処理装置、画像処理システム、画像処理方法、およびプログラム
JP6862147B2 (ja) * 2016-11-09 2021-04-21 キヤノン株式会社 画像処理装置、画像処理装置の作動方法、画像処理システム
JP6957152B2 (ja) * 2016-12-28 2021-11-02 キヤノン株式会社 情報処理装置、抽出方法およびプログラム
JP6983573B2 (ja) * 2017-08-09 2021-12-17 キヤノン株式会社 画像処理装置、画像処理方法およびプログラム
JP6797088B2 (ja) * 2017-08-17 2020-12-09 富士フイルム株式会社 学習データ生成支援装置および学習データ生成支援装置の作動方法並びに学習データ生成支援プログラム
US11232555B2 (en) * 2019-01-15 2022-01-25 Nec Corporation Of America Systems and methods for automated analysis of medical images
US11605164B2 (en) * 2019-10-22 2023-03-14 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for lung nodule evaluation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008503294A (ja) * 2004-06-23 2008-02-07 メディックサイト ピーエルシー 識別方法、コンピュータプログラム及びコンピュータプログラム装置
JP2011135938A (ja) * 2009-12-25 2011-07-14 Toshiba Corp 画像処理装置、医用画像診断装置および画像処理プログラム
US20150254842A1 (en) * 2012-09-13 2015-09-10 The Regents Of The University Of California System and method for automated detection of lung nodules in medical images

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2022113801A1 (ja) * 2020-11-25 2022-06-02
WO2022113801A1 (ja) * 2020-11-25 2022-06-02 パナソニック株式会社 医療用画像の異常検出システム及び異常検出方法

Also Published As

Publication number Publication date
JP2018077667A (ja) 2018-05-17
JP6862147B2 (ja) 2021-04-21
US11200443B2 (en) 2021-12-14
US20190258892A1 (en) 2019-08-22

Similar Documents

Publication Publication Date Title
EP3035287B1 (en) Image processing apparatus, and image processing method
Maitra et al. Technique for preprocessing of digital mammogram
JP4931027B2 (ja) 医用画像診断支援装置および方法、並びにプログラム
US8483462B2 (en) Object centric data reformation with application to rib visualization
JP5643304B2 (ja) 胸部トモシンセシスイメージングにおけるコンピュータ支援肺結節検出システムおよび方法並びに肺画像セグメント化システムおよび方法
JP5263995B2 (ja) ネットワーク構築装置および方法ならびにプログラム
WO2018088055A1 (ja) 画像処理装置、画像処理方法、画像処理システム及びプログラム
JP2014171889A (ja) 画像分割装置、医用画像診断装置及び画像分割方法
US20160117797A1 (en) Image Processing Apparatus and Image Processing Method
US10748282B2 (en) Image processing system, apparatus, method and storage medium
JP6792364B2 (ja) 画像処理装置、画像処理システム、画像処理方法、およびプログラム
US9547906B2 (en) System and method for data driven editing of rib unfolding
JP2018530739A (ja) ３ｄ解剖画像における個々の骨格の骨の自動化されたセグメンテーションのためのシステムおよび方法
JP2017029343A (ja) 画像処理装置、画像処理方法、及びプログラム
JP6415878B2 (ja) 画像処理装置、画像処理方法及び医用画像診断装置
JP6458166B2 (ja) 医用画像処理方法及び装置及びシステム及びプログラム
US10290099B2 (en) Image processing device and image processing method
JP2009045286A (ja) 医用画像処理装置、医用画像診断装置、及びプログラム
US9672600B2 (en) Clavicle suppression in radiographic images
JP2016041245A (ja) 医用画像処理装置及び医用画像処理方法
JP6827707B2 (ja) 情報処理装置および情報処理システム
JP5486616B2 (ja) 医用画像診断支援装置およびその作動方法、並びにプログラム
WO2019203092A1 (ja) 情報処理装置、情報処理方法、情報処理システムおよびプログラム
US9367893B2 (en) Diagnosis assistance apparatus, method and program
CN111986165B (zh) 一种***图像中的钙化检出方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17868781

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17868781

Country of ref document: EP

Kind code of ref document: A1