CN102630151B - 图像诊断装置 - Google Patents

图像诊断装置 Download PDF

Info

Publication number
CN102630151B
CN102630151B CN201180004170.1A CN201180004170A CN102630151B CN 102630151 B CN102630151 B CN 102630151B CN 201180004170 A CN201180004170 A CN 201180004170A CN 102630151 B CN102630151 B CN 102630151B
Authority
CN
China
Prior art keywords
image
vector
direction vector
region
dispersal direction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201180004170.1A
Other languages
English (en)
Other versions
CN102630151A (zh
Inventor
若井智司
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Medical Systems Corp
Original Assignee
Toshiba Corp
Toshiba Medical Systems Corp
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 Toshiba Corp, Toshiba Medical Systems Corp filed Critical Toshiba Corp
Publication of CN102630151A publication Critical patent/CN102630151A/zh
Application granted granted Critical
Publication of CN102630151B publication Critical patent/CN102630151B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/56341—Diffusion imaging

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

实施方式的图像诊断装置的特征在于，具有：线状信息制作部，分别制作与第1医用图像对应的第1三维线状信息、和与第2医用图像对应的第2三维线状信息；以及比较部，比较所制作出的所述第1三维线状信息和所述第2三维线状信息。

Description

图像诊断装置
技术领域
本发明的实施方式涉及图像诊断装置。
背景技术
在作为医疗领域中使用的图像诊断装置之一的MRI(MagneticResonanceImaging：磁共振成像)装置中，在成像手法之一中有扩散成像。扩散成像是拍摄强调了水分子等粒子通过基于热的布朗运动而分散的扩散效果的扩散强调图像(DWI：DiffusionWeightedImage，弥散加权成像)的手法。该扩散成像对脑梗塞的早期诊断有用，因此收到人们的关注。另外，在检测神经纤维的各向异性、使用各向异性来描绘神经纤维的脑神经区域中，扩散成像作为弥散张量成像(DTI：DiffusionTensorImaging)而不断发展。通常，扩散成像是二维的黑白图像，与此相对，DTI通过二维的彩色图像来进行显示。
另外，近年来，被称为弥散张量纤维束成像(DTT：DiffusionTensorTractography)的成像手法也收到人们的关注。在DTT中，根据通过DTI得到的弥散张量图像(以下，称为DTI图像)，例如按照体素的单位、或者使体素扩张若干而得到的单位追踪最大扩散方向，以三维方式描绘其轨迹并生成弥散张量纤维束成像图像(以下，称为DTT图像)。
但是，在以三维方式显示通过X射线CT装置、上述MRI装置拍摄的脑血管、神经纤维束、血流速度等线状信息的显示法中，有体绘制、上述的DTT、血流向量成像等技术。
另外，对于三维显示的线状信息的图像，排列显示同一患者的同一部位的异常部位发病时的图像和治疗后的检查时的图像，用户目视进行观察，以确认治疗效果。
【专利文献1】日本特开2009-148314号公报
发明内容
但是，线状信息的信息密度高且显示复杂，所以在存在微小的变化的情况下难以目视观察，在以往的手法中，无法根据异常部位发病时的图像与正常时的图像之差俯瞰地观察表示异常的程度的指标(以下，称为异常度)。另外，以往，在异常部位发病时的图像、与治疗中或者治疗后的检查时的图像之间，没有表示症状恢复了何种程度的客观的指标(以下，称为恢复度)。
本发明的实施方式是考虑这样的情况而完成的，其目的在于提供一种图像诊断装置，能够使用血管、神经纤维、血流信息等线状信息来计算并显示异常度、恢复度。
实施方式的图像诊断装置的特征在于，具有：线状信息制作部，分别制作与第1医用图像对应的第1三维线状信息、和与第2医用图像对应的第2三维线状信息；以及比较部，比较所制作出的上述第1三维线状信息和上述第2三维线状信息。
附图说明
图1是示出本发明的一个实施方式的图像处理装置的概略结构的框图。
图2是示出图像处理装置的控制部的概略结构的框图。
图3是示出消除左右脑的形状差的动作的流程图。
图4是示出与经过时间顺序下的各检查的恶化度、恢复度的对应的示意图。
图5是示出制作神经纤维的DTT图像并计算恶化度的动作的流程图。
图6是示出关于脑的神经纤维的DTT图像的例子的图。
图7是说明异常度的计算方法的图。
图8是示出计算恢复度的动作的流程图。
图9是说明恢复度的计算方法的第1图。
图10是说明恢复度的计算方法的第2图。
图11是示出三维上的神经纤维的恢复度的计算方法的图。
图12是示出神经纤维的恢复度的显示例的图。
图13是示出进行在异常侧神经破损了时的神经纤维的推测动作的流程图。
图14是进行在异常侧神经破损了时的神经纤维的推测的动作的示意图。
图15是示出血管系统的恢复度的显示例的图。
图16是示出血流的恢复度的显示例的图。
(符号说明)
1：图像处理装置；10：控制部；12：显示部；13：操作部；15：通信部；16：存储部；17：信息存储介质；21：图像数据库；101：图像取得部；102：异常部位检测部；103：区域分割部；104：变位计算部；105：推测部；106：线状信息制作部；107：比较部；108：形状变换部。
具体实施方式
以下，根据附图，说明本发明的实施方式。
图1是示出本发明的一个实施方式的图像处理装置1(图像诊断装置)的概略结构的框图。图像处理装置1构成为控制部10、显示部12、操作部13、通信部15、存储部16、信息存储介质17以及图像数据库21通过总线可相互通信地连接。
显示部12是监视器等，根据控制部10的控制显示文本数据、图像数据等。操作部13是操作键等输入装置。通信部15与医院内LAN连接，与各种物理治疗设备进行通信。
图像数据库21保存由后述的控制部10内的图像取得部101取得的医用图像、以及由线状信息制作部106制作出的附加了三维线状信息的医用图像(DTT图像)、扩散方向向量等。
存储部16为控制部10、通信部15等的作业区域，能够通过RAM(RandomAccessMemory，随机访问存储器)等实现。
信息存储介质17(可由计算机读取的介质)保存程序、数据等，能够通过硬盘或者存储器(FlashMemory、ROM：ReadOnlyMemory)等实现。在信息存储介质17中，存储用于使计算机作为本实施方式的各部件发挥功能的程序(用于使计算机执行各部件的处理的程序)、多个应用程序等。
控制部10是进行图像处理装置1的总体控制，并且进行其他各种运算处理、控制处理等的运算装置。控制部10的功能能够通过各种处理器(CPU、DSP等)、ASIC(门阵列等)等硬件、程序来实现。控制部10根据信息存储介质17中保存的程序(数据)进行本实施方式的各种处理。
图2是示出控制部10的详情的框图。控制部10包括图像取得部101、异常部位检测部102、区域分割部103、变位计算部104、推测部105、线状信息制作部106、比较部107以及形状变换部108。
图像取得部101经由通信部15取得通过外部的MRI装置拍摄的DWI图像中的、例如脑的图像。另外，图像取得部101取得图像数据库21中保存的DTT图像以及扩散方向向量。异常部位检测部102从由图像取得部101取得的脑的医用图像中检测脑梗塞部位等异常部位。详情后述。区域分割部103根据由图像取得部101取得的脑的医用图像，沿着脑正中线分割左右脑。变位计算部104针对由区域分割部103分割的左右脑，计算表示左右的形状的变位的曲速场(WarpField)。形状变换部108根据变位计算部104计算出的曲速场，变换正常侧或者异常侧的形状。
线状信息制作部106对DWI图像进行弥散张量解析并生成弥散张量图像(DTI)。进而，针对所生成的DTI图像，追踪最大扩散方向，进行以三维方式描绘其轨迹的纤维束成像解析，提取作为线状信息的神经纤维并生成弥散张量纤维束成像图像(以下，称为DTT图像)。另外，线状信息制作部106根据所生成的DTT图像，计算作为线性纤维的局部区域中的向量的扩散方向向量。推测部105具有将正常侧的DTI图像的一部分拷贝到异常侧，并推测异常侧的神经纤维的功能。在异常侧区域的神经纤维的一部分受到梗塞部位等的影响而破损的情况、大幅变形的情况下，DTI图像中的最大扩散方向的追踪变得困难，有时无法生成针对处于破损部、变形部的前端的神经纤维的DTT图像。在这样的情况下，推测部105通过拷贝正常侧的DTI图像来置换异常侧的破损部、变形部，能够生成针对处于破损部、变形部的前端的神经纤维的DTT图像。比较部107根据由线状信息制作部106制作出的DTT图像，比较异常部位发病时的神经纤维和正常时的神经纤维。另外，比较异常部位发病时的神经纤维和治疗中的检查时或者治疗后的检查时的神经纤维。
接下来，说明上述结构的图像诊断装置1的动作。首先，设为在左右脑的一方中包括异常部位，参照图3，说明消除左右的形状差的动作。
<形状所致的左右差的调整>
图像取得部101根据通过外部的MRI装置拍摄并通过通信部15接收到的T1W图像(T1(纵缓和时间)强调图像)、T2W图像(T2(横缓和时间)强调图像)、DWI等医用图像，取得全脑的区域(步骤S101)。接下来，异常部位检测部102从由图像取得部101取得的脑的医用图像中，例如通过DWI/PWI(PerfusionWeightedImaging：灌流强调图像)Mismatch法等，检测脑梗塞部位等异常部位(步骤S103)。
接下来，区域分割部103将由图像取得部101取得的脑的医用图像沿着脑正中线分割为左右区域(步骤S105)。此时，将包括异常部位的一侧的区域称为“异常侧”区域、将不包括的一侧的区域称为“正常侧”区域。
接下来，变位计算部104使正常侧区域相对脑正中线线对称地反转，成为与异常侧区域类似的形状(步骤S107)。接下来，变位计算部104根据反转后的正常侧区域的三维图像和异常侧区域的三维图像，计算曲速场(步骤S109)。对于曲速场的计算中使用的三维图像，例如，能够使用TW1图像、T2W图像那样的形态图像。此处，曲速场是指，在相互对应的两个三维医用图像的一方相对另一方歪斜、或者扩大/缩小/旋转等那样的情况下，用向量来表示各自的解剖学上的同一点的位置之差，并将对应的各点的向量的集合表现为向量场(VectorField)。三维医用图像中的曲速场是例如具有体素单位的分辨率的三维向量场。如果求出曲速场，则能够在反转了的正常侧区域的三维图像、和异常侧区域的三维图像中变换三维图像，以使解剖学上的同一点的位置一致。例如，能够通过对异常侧区域的三维图像应用曲速场而对异常侧的图像进行变换，使异常侧的图像和反转了的正常侧的图像中的解剖学上的同一点的位置一致。相反地，还能够通过对反转了的正常侧区域的三维图像应用曲速场而变换正常侧的图像，使异常侧的图像和反转了的正常侧的图像中的解剖学上的同一点的位置一致。另外，作为曲速场的计算处理，既可以是线性对位(rigidregistration)或者非线性对位(non-rigidregistration)中的某一个，也可以是它们的组合。另外，变位计算部104也可以利用中心沟、灰白质等详细的解剖学上的区域信息，来计算每个小区域的曲速场。
另外，在通过摄像时期不同的检查得到的图像之间，即使是相同的异常侧的图像，解剖学上的同一部位有时也被拍摄到不同的位置。在这样的情况下，通过在摄像时期不同的图像之间计算曲速场，并将该曲速场应用于某一方的图像，能够进行解剖学上的同一部位的对位。
曲速场不仅能够校正其计算中使用的T1W图像等的左右的非对称性，而且还能够校正在与T1W图像的摄像相同的检查内拍摄的DWI图像、根据DWI图像生成的DTI图像、DTT图像的左右的非对称性。
在本实施方式中，将在图3的步骤S109中计算出的曲速场应用于异常侧以及正常侧的某一方，吸收正常侧的神经纤维和异常侧的神经纤维的整体的形状差，之后，将受到了脑梗塞等的影响的异常侧的神经纤维的局部的变位与正常侧的神经纤维进行比较而计算“异常度”。
另外，以正常侧的神经纤维为基准，计算相对地表示异常侧的神经纤维的变形量经过每次的治疗恢复了何种程度(或者恶化了何种程度)的“恢复度”。在恢复度的计算中，使用用于进行异常侧和正常侧的对位的曲速场、和摄像时期不同的图像之间的曲速场，进行各DTT图像的对位。
另外，对于“异常度”和“恢复度”，既可以计算双方，也可以计算某一方。
图4是根据与检查的对应关系来说明“异常度”和“恢复度”的概念的图。将异常部位发病时(治疗前)的检查设为检查1、将治疗后的检查按照经过时间顺序设为检查2、检查3。“异常度”A是表示在各检查中的正常侧与异常侧的比较中，异常侧的神经纤维的局部的形状从正常侧的神经纤维的形状背离了何种程度的指标。另一方面，“恢复度”B是以正常侧的神经纤维的形状为基准而相对地表示异常侧的神经纤维的局部的形状在治疗前的检查1与治疗后的检查2之间、或者在治疗前的检查1与治疗后的检查3之间恢复了何种程度的指标。“正常侧的差”C是在治疗前的检查1与治疗后的检查2、治疗前的检查1与检查3之间在正常侧产生了某种变化的情况下表示该变化的程度的指标。因为在检查1和检查2、或者检查1和检查3中在正常侧产生了差的情况下，对异常侧的“恢复度”B也造成影响，所以需要在计算“恢复度”B之前预先吸收正常侧的差。以下，说明“异常度”A以及“恢复度”B的更具体的计算方法。
<异常度A的计算>
首先，参照图5，说明制作神经纤维的DTT图像，并计算比较了异常侧和正常侧的异常度A的动作。
线状信息制作部106针对检查1的正常侧和异常侧的各个DTI图像追踪最大扩散方向，并进行以三维方式描绘其轨迹的纤维束成像解析，提取作为线状信息的神经纤维，制作神经纤维的DTT图像(步骤S201)。图6示出脑的神经纤维的DTT图像的一个例子。在图6的例子中，对脑的二维的DWI图像合成三维的DTT图像并显示。能够通过该合成图像，立体地观察从脑的规定的部位产生的神经纤维。
接下来，形状变换部108使正常侧的DTT图像反转(步骤S202)。进而，形状变换部108通过将在图3的步骤S109中变位计算部104计算出的曲速场应用于反转了的正常侧的DTT图像中，进行反转了的正常侧的DTT图像和异常侧的DTT图像的对位(步骤S203)。
接下来，线状信息制作部106针对在步骤S203中相互对位了的、反转了的正常侧的DTT图像和异常侧DTT图像，分别计算每个体素的扩散方向向量(步骤S205)。以后，为便于说明，将根据异常侧的DTT图像计算出的扩散方向向量称为异常侧向量，将根据反转了的正常侧的DTT图像计算出的扩散方向向量称为正常侧向量。
接下来，比较部107根据解剖学上对应的异常侧的向量的顶点与正常侧向量的顶点之差计算异常度。针对神经纤维的各位置，计算该异常度(步骤S207)。
接下来，控制部10将在步骤S201中制作出的DTT图像、在步骤S205中计算出的各位置处的正常侧向量以及异常侧向量、以及在步骤S207中计算出的异常度保存到图像数据库21(步骤S209)。
图7是说明上述的异常度的计算概念的图。图7(a)是规定的位置X、Y、Z处的正常侧的神经纤维的示意图、以及例示根据各位置处的神经纤维求出的扩散方向向量、即正常侧向量[Xa]、[Ya]、[Za]的图。另一方面，图7(b)是与图7(a)在解剖学上对应的位置处的、治疗前的异常侧的神经纤维的示意图、以及例示根据各位置处的神经纤维求出的扩散方向向量、即异常侧向量[Xb]、[Yb]、[Zb]的图。异常侧的神经纤维被压迫到梗塞部位等，从而相对正常侧局部地变形。图7(c)是说明根据上述正常侧向量[Xa]、[Ya]、[Za]、和异常侧向量[Xb]、[Yb]、[Zb]来计算异常度的概念的图。如图7(c)所示，用连接解剖学上对应的正常向量的顶点和异常向量的顶点的变位量的向量的绝对值来表示异常度。例如，关于位置X，正常向量[Xa]和异常向量[Xb]各自的顶点ax和顶点bx是解剖学上对应的点，将从顶点ax朝向顶点bx的向量[bx，ax]的绝对值计算为位置X处的异常度。同样地，将位置Y处的异常度计算为从顶点ay朝向顶点by的向量[by，ay]的绝对值，并且将位置Z处的异常度计算为从顶点az朝向顶点bz的向量[bz，az]的绝对值。在异常度的计算中，也可以根据每个体素的扩散方向向量(正常向量和异常向量)，针对每个体素求出，但也可以连接多个扩散方向向量而针对比体素大的每个单位求出。
将这样计算出的各位置处的异常度与DTT图像一起保存到图像数据库21中。
<恢复度B的计算>
接下来，参照图8，说明进行异常部位的治疗，并比较治疗前的检查1中的异常侧、和治疗后的检查2或者检查3中的异常侧来计算恢复度B的动作。另外，设为在检查1的正常侧和检查2的正常侧没有差。
线状信息制作部106制作检查2中的正常侧以及异常侧的DTT图像，计算扩散方向向量(步骤S301)。将此时的异常侧的扩散方向向量称为检查2的异常侧向量。另一方面，图像取得部101从图像数据库21取得根据治疗前的检查1中的DTT图像计算出的异常侧的扩散方向向量(将其称为检查1的异常侧向量)(步骤S303)。
比较部107比较在步骤S301中计算出的检查2的异常侧向量、和在步骤S303中图像取得部101取得的检查1的异常侧向量，计算检查1与检查2之间的期间的恢复度(步骤S305)。
图9以及图10是说明恢复度的具体的计算方法的一个例子的图。图9(a)是与图7(a)同样的图，是规定的位置X、Y、Z处的正常侧的神经纤维的示意图、以及例示根据各位置处的神经纤维求出的扩散方向向量、即正常侧向量[Xa]、[Ya]、[Za]的图。图9(b)是在与图9(a)解剖学上对应的位置处的治疗前的异常侧的神经纤维的示意图、以及例示根据各位置处的神经纤维求出的扩散方向向量、即异常侧向量[Xb]、[Yb]、[Zb]的图。与图7(b)同样地，异常侧的神经纤维被压迫到梗塞部位等，从而相对正常侧局部地变形。图9(c)与图9(b)同样地示出根据异常侧的神经纤维求出的异常侧向量[Xb]、[Yb]、[Zb]，但相对于图9(b)是根据治疗前的检查1的数据求出的异常侧向量，图9(c)是根据治疗后的检查2(或者检查3)的数据求出的异常向量。示出了通过治疗使梗塞部位缩小而使来自梗塞部位的压迫减少，其结果是，神经纤维的局部的变形逐渐接近正常时的样子。
图10是以位置Y处的正常向量[Ya]、检查1的异常向量[Yb]、检查2的异常向量[Yd]为例子而说明恢复度的计算方法的图。在本实施方式中，对于恢复度，以正常侧的扩散方向向量(即，正常向量)为基准，将治疗前的异常向量与治疗后的异常向量之差定义为相对治疗前的异常向量与正常向量之差的相对值(比)。具体而言，恢复度(％)是通过下式定义的指标。
恢复度(％)＝100·COSθ·|[C]|/|[Co]|
此处，|[Co]|是从治疗前的异常向量[Yb]的顶点朝向正常向量[Ya]的顶点的向量(称为完全恢复向量[Co])的绝对值，
[Co]＝[Ya]-[Yb]
另外，|[C]|是从治疗前(检查1)的异常向量[Yb]的顶点朝向治疗后(检查2或者检查3)的异常向量[Yd]的顶点的向量(称为恢复向量[C])的绝对值。
另外，θ是完全恢复向量[Co]和恢复向量[C]所成的角，通常，在恢复时(异常向量接近正常向量时)，成为θ＝0°，在恶化时(异常向量远离正常向量时)，成为θ＝180°。另外，在恢复度是负的情况下，也可以对恢复度乘以(-1)而使其成为正的值，将其定义为恶化度。
另外，根据恢复度的定义式，相对治疗前的异常向量的恢复度为0％，随着治疗后的异常向量接近正常向量，恢复度向正方向变大，在异常向量与正常向量完全重叠时，恢复度为100％。另外，随着治疗后的异常向量远离正常向量，恢复度的值向负的方向变大，恶化度向正的方向变大。
在恢复度(或者恶化度)的计算中，也可以与异常度的计算同样地，根据每个体素的扩散方向向量(正常向量和异常向量)，针对每个体素求出，也可以连接多个扩散方向向量并针对比体素大的每个单位求出。将这样计算出的各位置处的恢复度(或者恶化度)与检查2(或者检查3)的DTT图像一起保存到图像数据库21中。
在图10所示的图中，例示了在连接正常向量和治疗前的(检查1的)异常向量的顶点的线L上设置治疗后的(检查2的)异常向量的顶点的情况，但根据治疗后的(检查2的)异常向量[Yd]的大小(绝对值)，异常向量[Yd]的顶点还有可能不处于线L上。在这样的情况下，维持异常向量[Yd]的方向的同时适当变更异常向量[Yd]的绝对值，调整为异常向量[Yd]的顶点处于线L上即可。
另外，扩散方向向量是三维的向量，所以检查2的异常侧向量还有可能不存在于包括检查1的异常向量和正常向量的平面上。在这样的情况下，如图11所示，将各三维向量的终点分别投影到二维平面上，通过以投影了的正常侧向量的终点为中心的同心圆来求出恢复度。具体而言，如果将投影了的正常侧向量的终点设为O、将投影了的检查1的异常侧向量的终点设为P、将投影了的检查2的异常侧向量的终点设为Q，则向量PO是恢复度100％的恢复向量。如果以点O为中心而描绘通过点Q的圆，则求得该圆和向量PO交叉的点X。根据向量PO和向量PX的大小的比例计算恢复度。在图11的情况下，向量PX的大小是向量PO的大小的20％，所以将恢复度计算为20％。
也可以在显示检查2中的神经纤维的DTT图像时，根据恢复度的大小，例如区分颜色地显示如上所述计算出的恢复度。图12示出显示例。在图12中，如彩色条所示，随着恢复度变高，神经纤维的颜色变浓。另外，在恢复度的显示中，也可以在DTT图像上仅显示规定的大小以下的恢复度的神经纤维。另外，也可以选择决定所显示的恢复度的阈值。由此，能够实现从形状复杂并且信息密度高的神经纤维的图像仅提取并显示恢复恶化的部分、恶化了的部分而确认治疗效果等高效的解析。
另外，即使在显示上述的异常度的情况下，也可以与图12同样地，根据异常度的大小，区分颜色地显示各检查中的DTT图像中的线性纤维。即使在该情况下，通过从形状复杂并且信息密度高的神经纤维的图像中仅提取异常度大的部分，也能够视觉上容易地确认异常部位的场所、异常的程度。
<正常侧的差C的计算>
计算比较治疗前的检查1中的正常侧、和治疗后的检查2中的正常侧而得到的“正常侧的差”的动作与恢复度的计算动作中的异常侧的比较相同，所以省略说明。另外，在各检查中的恶化度的计算之后、恢复度的计算之前，计算正常侧的差，在计算恢复度时代入正常侧的差的计算结果。由此，即使在治疗前和治疗后在正常侧发生了经时变化等某种变化的情况下，也能够在异常侧得到正确的恢复度。
<神经纤维破损的情况>
在图5的步骤S201中根据DTI图像制作神经纤维的DTT图像时，在异常侧，由于异常部位的影响而神经破损，有时无法针对DTI图像追踪最大扩散方向(跟踪)，从而关于DTT图像只能制作到中途。参照图14的示意图以及图13的流程图，说明此时的推测神经纤维的动作。
在异常侧，如图14(A)所示，神经在位置l1与位置l2之间破损而被切断。(B)示出此时的正常侧以及异常侧的DTT图像。在制作DTT图像时，在异常侧，在位置l1处破损，所以不知位置l1以后的神经纤维的扩散方向，尽管在位置l2以后存在神经，但无法跟踪。因此，形状变换部108使用在步骤S109中求出的曲速场，对异常侧的DTT图像进行变换，以使异常侧的直至破损部位为止的神经纤维的解剖学上的位置与正常侧的神经纤维的解剖学上的位置一致(步骤S401)。
接下来，形状变换部108使正常侧的神经纤维反转并拷贝到异常侧(步骤S403)。在图14(C)中在异常侧以虚线示出的部分是从正常侧拷贝到异常侧的神经纤维。
如图14(A)所示，神经仅在l1-l2之间破损，从位置l2开始再次存在神经。因此，在图14(C)的异常侧的DTT图像中，如果已知l1-l2之间的轨迹，则由于在位置l2之前存在扩散方向的信息，所以能够继续进行跟踪。由于在步骤S403中拷贝了正常侧的神经纤维，所以推测部105推测异常侧的破损了的l1-l2之间的轨迹，并还能够推测位置l2以后的轨迹(步骤S405)。将DTT图像中的位置l2设定为跟踪再次开始用ROI(RegionOfInterest，关心区域)。
接下来，线状信息制作部106删除在步骤S403中拷贝了正常侧的、l1-l2之间的神经纤维(步骤S407)，恢复到破损的状态。
步骤S407中的异常侧的神经纤维的形状被变换，所以并非本来的异常侧的形状。因此，形状变换部108根据曲速场，将作为在步骤S407中削除了的状态的异常侧的神经纤维变换为原来的形状(步骤S409)。
其结果是，即使在途中神经破损了的情况下，也能够使用曲速场从正常侧推测神经纤维，跟踪此前无法跟踪的、破损了的部位之前的神经纤维并制作DTT图像。
<其他例子>
另外，在上述实施方式中，针对神经纤维计算恢复度并进行了显示，但在神经纤维以外的线状信息、例如血管系统、血流中也能够同样地计算恢复度并区分颜色地进行显示。图15示出脑的血管系统的情况下的恢复度的显示例，图16示出血流的情况下的恢复度的显示例。在血管系统的情况下，与神经纤维不同，存在多个分支点，所以能够针对在该分支点分割而提取出的每个血管，进行恢复度的计算、显示。另外，还能够指定脑梗塞部位的周边等希望观察的对象的血管或者分支点。另外，在如冠动脉那样血管形状按时序列地变化的情况下，通过跟踪相对ECG(Electrocardiogram，心电图)的R-R周期的各时相的冠动脉形状，能够显示时序列的恢复度、向其他部位的副作用。
在血流的情况下，通过解析处理得到血流向量，计算恢复度。通过关于心脏周边等血流速度的变化大的部位计算相对ECG的R-R周期的各时相的时序列的血流向量，能够表现瞬间的血流异常。
根据以上说明的实施例，针对神经纤维、血管系统、或者血流等信息密度高的线状信息，在吸收了正常侧与异常侧的形状之差的基础上，取得根据DTT图像计算的、治疗前的异常侧向量与正常侧向量之差，计算恶化度。将治疗前的检查中的恶化度设为恢复度100％的恢复向量，根据治疗后的异常侧向量相接到该恢复向量的线段上的位置，计算恢复度的比例，进行与恢复度对应的显示。由此，能够实现从形状复杂并且信息密度高的神经纤维的图像，仅提取并显示恢复度恶化的部分、恶化了的部分而确认治疗效果等高效的解析。
以上，参照附图，详细叙述了本发明的实施方式，但具体结构不限于该实施方式，还包括不脱离本发明的要旨的范围的设计变更等。

Claims (11)

1.一种图像诊断装置，其特征在于，具有：
线状信息制作部，分别计算与第1医用图像对应的作为第1神经纤维的局部区域的向量的第1扩散方向向量、和与第2医用图像对应的作为第2神经纤维的局部区域的向量的第2扩散方向向量；以及
比较部，比较所计算出的所述第1扩散方向向量、和所述第2扩散方向向量。
2.根据权利要求1所述的图像诊断装置，其特征在于，还具备：
图像取得部，取得医用图像；
区域分割部，将由所述图像取得部取得的所述医用图像分割为包括异常部位的第1区域、和不包括所述异常部位的第2区域；以及
变位计算部，计算由所述区域分割部分割出的所述第1区域和所述第2区域中的形状的变位，
所述线状信息制作部根据与所述第1区域对应的所述第1医用图像、和与所述第2区域对应的所述第2医用图像，分别制作作为所述第1神经纤维的局部区域的向量的第1扩散方向向量以及作为所述第2神经纤维的局部区域的向量的第2扩散方向向量，
在使用由所述变位计算部计算出的所述变位进行了作为所述第1神经纤维的局部区域的向量的第1扩散方向向量与作为所述第2神经纤维的局部区域的向量的第2扩散方向向量的对位之后，所述比较部比较所述第1扩散方向向量和所述第2扩散方向向量。
3.根据权利要求1所述的图像诊断装置，其特征在于，
所述第1医用图像和所述第2医用图像是在同一时刻取得的医用图像。
4.根据权利要求1所述的图像诊断装置，其特征在于，
所述比较部比较与在第1时刻取得的所述第1医用图像对应的规定的区域的所述第1扩散方向向量、和与在第2时刻取得的所述第2医用图像对应的同一区域的所述第2扩散方向向量，求出治疗前后的恢复度。
5.根据权利要求2所述的图像诊断装置，其特征在于，
所述比较部比较所述第1扩散方向向量和所述第2扩散方向向量而求出异常度。
6.根据权利要求5所述的图像诊断装置，其特征在于，
由所述比较部求出的所述异常度是表示所述第1区域中的所述第1扩散方向向量的顶点位置、与所述第2区域中的所述第2扩散方向向量的顶点位置之差的向量的大小。
7.根据权利要求4所述的图像诊断装置，其特征在于，
由所述比较部求出的所述恢复度是使用治疗后的检查中的规定的区域的所述第1扩散方向向量、与治疗前的检查中的所述规定的区域的所述第2扩散方向向量之差而计算的。
8.根据权利要求4所述的图像诊断装置，其特征在于，
还具有显示由所述比较部求出的所述恢复度的大小的显示部。
9.根据权利要求5所述的图像诊断装置，其特征在于，
还具有显示由所述比较部求出的所述异常度的大小的显示部。
10.根据权利要求2所述的图像诊断装置，其特征在于，
由所述变位计算部计算的形状的所述变位是用向量来表示所述第1区域和所述第2区域中的解剖学上的同一点的位置之差，并将所述向量的集合表现为向量场的曲速场。
11.根据权利要求2所述的图像诊断装置，其特征在于，
还具备推测部，在由于所述第1区域的所述第1神经纤维破损而无法根据破损区域求出之前的神经纤维的扩散方向信息的情况下，将与破损区域对应的所述第2区域的所述第2神经纤维的扩散方向信息置换到所述破损区域，根据所述第1区域中的所述破损区域求出之前的神经纤维的扩散方向信息。
CN201180004170.1A 2010-11-12 2011-11-11 图像诊断装置 Active CN102630151B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2010254148 2010-11-12
JP2010-254148 2010-11-12
PCT/JP2011/076079 WO2012063939A1 (ja) 2010-11-12 2011-11-11 画像診断装置

Publications (2)

Publication Number Publication Date
CN102630151A CN102630151A (zh) 2012-08-08
CN102630151B true CN102630151B (zh) 2016-05-18

Family

ID=46051076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201180004170.1A Active CN102630151B (zh) 2010-11-12 2011-11-11 图像诊断装置

Country Status (4)

Country Link
US (1) US8903146B2 (zh)
JP (2) JP2012115658A (zh)
CN (1) CN102630151B (zh)
WO (1) WO2012063939A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680503B (zh) * 2013-11-26 2018-11-20 上海西门子医疗器械有限公司 医学图像处理方法、医学图像处理装置及医学x线影像设备
WO2016126795A1 (en) * 2015-02-03 2016-08-11 Children's Medical Center Corporation Detecting nerve damage using diffusion tensor imaging
JP6385876B2 (ja) * 2015-04-03 2018-09-05 国立大学法人 東京大学 情報統合方法及び装置及びシステム及びプログラム
JP6707330B2 (ja) * 2015-09-10 2020-06-10 キヤノンメディカルシステムズ株式会社 画像処理装置及び磁気共鳴イメージング装置
KR101740464B1 (ko) * 2016-10-20 2017-06-08 (주)제이엘케이인스펙션 뇌졸중 진단 및 예후 예측 방법 및 시스템
JP7466197B2 (ja) * 2018-06-11 2024-04-12 パナソニックＩｐマネジメント株式会社 異常解析装置、製造システム、異常解析方法及びプログラム
JP7547783B2 (ja) * 2019-06-19 2024-09-10 株式会社リコー 情報処理装置、生体情報計測装置、空間領域値の表示方法およびプログラム

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000342558A (ja) * 1999-06-04 2000-12-12 Konica Corp 画像の位置合わせ処理装置及び画像間演算処理装置
JP2001325583A (ja) * 2000-03-08 2001-11-22 Fuji Photo Film Co Ltd 画像処理方法および画像処理装置
US7187800B2 (en) * 2002-08-02 2007-03-06 Computerized Medical Systems, Inc. Method and apparatus for image segmentation using Jensen-Shannon divergence and Jensen-Renyi divergence
JP4509531B2 (ja) * 2003-10-29 2010-07-21 株式会社東芝 急性脳梗塞診断治療支援装置
AU2005212310C1 (en) * 2004-02-06 2011-04-07 Wake Forest University Health Sciences Tissue evaluation using global tissue characteristics of non-invasive imaging and systems for determining global tissue characteristics of images
JP4807819B2 (ja) * 2004-11-12 2011-11-02 株式会社日立メディコ 画像処理装置
CN101299966B (zh) * 2005-11-02 2011-01-12 株式会社日立医药 图像解析装置及方法
JP3928977B1 (ja) * 2006-09-22 2007-06-13 国立大学法人岐阜大学 医用画像処理装置、画像処理方法及びプログラム
WO2010058398A2 (en) * 2007-03-08 2010-05-27 Sync-Rx, Ltd. Image processing and tool actuation for medical procedures
JP5140796B2 (ja) 2007-12-18 2013-02-13 株式会社国際電気通信基礎技術研究所 脳機能障害予測装置
EP2141506B1 (en) * 2008-07-01 2019-04-03 The Regents of The University of California Identifying fiber tracts using magnetic resonance imaging (MRI)
CA2738124A1 (en) * 2008-09-22 2010-03-25 Nihon Medi-Physics Co., Ltd. Device for creating database of alternative normal brain
DE102008057218A1 (de) * 2008-11-06 2010-05-12 Aesculap Ag Chirurgisches Nahtmaterial mit im unverstreckten Zustand eingeschnittenen Widerhaken
US8582844B2 (en) * 2008-11-13 2013-11-12 Hitachi Medical Corporation Medical image processing device and method

Also Published As

Publication number Publication date
JP2012115658A (ja) 2012-06-21
JP2018011983A (ja) 2018-01-25
JP6538131B2 (ja) 2019-07-03
US20120195482A1 (en) 2012-08-02
US8903146B2 (en) 2014-12-02
WO2012063939A1 (ja) 2012-05-18
CN102630151A (zh) 2012-08-08

Similar Documents

Publication Publication Date Title
CN102630151B (zh) 图像诊断装置
US9892515B2 (en) Motion compensation in image processing
Odille et al. Quantitative assessment of small bowel motility by nonrigid registration of dynamic MR images
US8073290B2 (en) Method and computer program product for registering biomedical images
EP2867861B1 (en) Motion parameter estimation
Freedman et al. T2-weighted 4D magnetic resonance imaging for application in magnetic resonance–guided radiotherapy treatment planning
Del Vescovo et al. Role of whole-body diffusion-weighted MRI in detecting bone metastasis
Spisak et al. Voxel-wise motion artifacts in population-level whole-brain connectivity analysis of resting-state FMRI
Zhang et al. Hemodynamic analysis of renal artery stenosis using computational fluid dynamics technology based on unenhanced steady-state free precession magnetic resonance angiography: preliminary results
Kovacheva et al. Causes of altered ventricular mechanics in hypertrophic cardiomyopathy: an in-silico study
Sato et al. Registration of temporal sequences of coronal and sagittal MR images through respiratory patterns
Ohno et al. JOURNAL CLUB: Comparison of Assessment of Preoperative Pulmonary Vasculature in Patients With Non–Small Cell Lung Cancer by Non–Contrast-and 4D Contrast-Enhanced 3-T MR Angiography and Contrast-Enhanced 64-MDCT
Vermandel et al. From MIP image to MRA segmentation using fuzzy set theory
Woo et al. Tissue-point motion tracking in the tongue from cine MRI and tagged MRI
CN106137198A (zh) 一种磁共振成像方法及装置
CN103300921A (zh) 用于自动地确定成像平面的方法和磁共振设备
Feng et al. Free-breathing radial volumetric interpolated breath-hold examination sequence and dynamic contrast-enhanced MRI combined with diffusion-weighted imaging for assessment of solitary pulmonary nodules
Yatsushiro et al. Visualization of pulsatile CSF motion separated by membrane-like structure based on four-dimensional phase-contrast (4D-PC) velocity mapping
Starck et al. Diff-Def: Diffusion-Generated Deformation Fields for Conditional Atlases
Mobarak-Abadi et al. DeepRetroMoCo: deep neural network-based retrospective motion correction algorithm for spinal cord functional MRI
Abderezaei Spatio-Temporal Characteristics of Human Brain and Cerebrovasculature Biomechanics Through in Vivo Imaging and Computational Analysis
Huang et al. Multi-Sequence MRI Registration of Atherosclerotic Carotid Arteries Based on Cross-Scale Siamese Network
Zakkaroff et al. Investigation into diagnostic accuracy of common strategies for automated perfusion motion correction
Ebner Volumetric MRI Reconstruction from 2D Slices in the Presence of Motion
Dakua et al. Role of Liver Registration in Hepatocellular Carcinoma Treatment Planning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C41 Transfer of patent application or patent right or utility model
TR01 Transfer of patent right

Effective date of registration: 20160721

Address after: Japan Tochigi

Patentee after: Toshiba Medical System Co., Ltd.

Address before: Tokyo, Japan, Japan

Patentee before: Toshiba Corp

Patentee before: Toshiba Medical System Co., Ltd.