CN103249358A - 医用图像处理装置 - Google Patents
医用图像处理装置 Download PDFInfo
- Publication number
- CN103249358A CN103249358A CN2011800581146A CN201180058114A CN103249358A CN 103249358 A CN103249358 A CN 103249358A CN 2011800581146 A CN2011800581146 A CN 2011800581146A CN 201180058114 A CN201180058114 A CN 201180058114A CN 103249358 A CN103249358 A CN 103249358A
- Authority
- CN
- China
- Prior art keywords
- image
- signal value
- brain
- value
- pixel
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 126
- 210000004556 brain Anatomy 0.000 claims abstract description 174
- 238000000034 method Methods 0.000 claims abstract description 44
- 210000003625 skull Anatomy 0.000 claims description 63
- 238000012935 Averaging Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 230000005764 inhibitory process Effects 0.000 claims description 11
- 238000012886 linear function Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 7
- 238000000926 separation method Methods 0.000 abstract description 2
- 210000004885 white matter Anatomy 0.000 description 58
- 201000010099 disease Diseases 0.000 description 36
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 36
- 210000001519 tissue Anatomy 0.000 description 30
- 238000002595 magnetic resonance imaging Methods 0.000 description 28
- 238000003745 diagnosis Methods 0.000 description 16
- 238000006243 chemical reaction Methods 0.000 description 13
- 239000000284 extract Substances 0.000 description 13
- 230000009466 transformation Effects 0.000 description 13
- 208000024827 Alzheimer disease Diseases 0.000 description 9
- 206010039966 Senile dementia Diseases 0.000 description 9
- 238000009499 grossing Methods 0.000 description 8
- 208000010877 cognitive disease Diseases 0.000 description 7
- 238000012937 correction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000002603 single-photon emission computed tomography Methods 0.000 description 7
- 238000002360 preparation method Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 206010003694 Atrophy Diseases 0.000 description 5
- 230000037444 atrophy Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013425 morphometry Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- RKTYLMNFRDHKIL-UHFFFAOYSA-N copper;5,10,15,20-tetraphenylporphyrin-22,24-diide Chemical compound [Cu+2].C1=CC(C(=C2C=CC([N-]2)=C(C=2C=CC=CC=2)C=2C=CC(N=2)=C(C=2C=CC=CC=2)C2=CC=C3[N-]2)C=2C=CC=CC=2)=NC1=C3C1=CC=CC=C1 RKTYLMNFRDHKIL-UHFFFAOYSA-N 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003706 image smoothing Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 230000001915 proofreading effect Effects 0.000 description 2
- 238000004513 sizing Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010072731 White matter lesion Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000004380 ashing Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 206010025482 malaise Diseases 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20128—Atlas-based segmentation
-
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- High Energy & Nuclear Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Geometry (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种医用图像处理装置,其能判定取得的脑图像的状态,并调整为适于组织分离处理的脑图像。医用图像处理装置从由多个切片图像构成的脑图像中选择作为处理对象的切片图像作为对象切片,根据选择到的对象切片,执行脑实质的有效最大值的测量处理、脑图像整体的有效最大值的测量处理、头盖周围的峰值平均值的测量处理,根据测量到的脑实质的有效最大值、脑图像整体的有效最大值、头盖周围的峰值平均值,判定是否需要高信号值抑制处理,在判定为需要高信号值抑制处理的情况下,对脑图像执行高信号值抑制处理。
Description
技术领域
本发明涉及一种对利用MRI(Magnetic Resonance Imaging:磁共振成像)等得到的脑图像进行图像处理后进行脑疾病的诊断支援的技术,尤其涉及一种将利用MRI等得到的脑图像处理成适于诊断支援的状态的技术。
背景技术
由于高龄化社会的到来,认知症疾病的患者逐年增加。认知症疾病有各种种类,必需在诊断中加以区别,以实施对应于疾病的适当处置。
另一方面,为了应对这种要求,近年来能通过SPECT(Single Photon EmissionComputed Tomography:单光子发射计算机断层成像术)或PET(Positron EmissionTomography:正电子发射型计算机断层显像)等核医学检查、或者CT(ComputerizedTomography:计算机断层扫描)或MRI来取得与脑的状态有关的信息。
其结果是,可以了解脑的确定部位的血流或代谢低下或组织萎缩的现象因疾病不同而不同,需要与之对应的定量的评价方法。
例如,脑的局部部位的血流或代谢低下能通过利用SPECT或PET图像进行比较来检定。
另外,对于组织的萎缩,能利用MRI图像来求出确定部位的容积,比较其相对大小后判别有无异常。
作为使用这种脑图像来评价脑的萎缩的方法,已知以作为3维像素的体素为单位图像处理对被检查者的头部进行摄像而取得的脑图像来进行的VBM(Voxel BasedMorphometry:基于体素的形态测量学)(例如参照专利文献1)。
该VBM方法是有效识别老年痴呆病的评价方法,对于健康者与老年痴呆病的识别,报告称能诊断出87.8%(参照非专利文献1)。
专利文献1:特开2005-237441号公报
非专利文献1:Yoko Hirata,Hiroshi Matsuda,Kiyotaka Nemoto,Takashi Ohnishi,Kentaro Hirao,Fumio Yamashita,Takashi Asada,Satoshi Iwabuchi,Hirotsugu Samejima,Voxel-based morphometry to discriminate early Alzheimer′s disease from controls.NeurosciLett 382:269-274,2005
非专利文献2:Bookstein FL.“Voxel-based morphometry”should not be used withimperfectly registered images.Neuroimage.2001;14(6):1454-62.
非专利文献3:J.Ashburner and K.J.Friston.Unified segmentation.NeuroImage.2005;26:839-851.
非专利文献4:Ashburner J,A fast diffeomorphic image registrationalgorithm.Neuroimage.2007 Oct 15;38(1):95-113.
非专利文献5:松田博史:SPECTの統計学的画像解析(SPECT的统计学图像解析)。アルツハイマ一型痴呆の画像診断(老年痴呆型痴呆的图像诊断),メジカルビユ一社:pp.76-86(2001).
但是,在基于上述现有方法的脑图像处理中,存在因作为处理对象的脑图像而不能顺利进行组织分离处理,从而无法正确确定组织的问题。
发明内容
因此,本发明的课题在于提供一种医用图像处理装置,该医用图像处理装置能判定取得的脑图像的状态,并调整为适于进行组织分离处理的脑图像。
为了解决上述课题,在本发明第1方式中,提供一种医用图像处理装置,该医用图像处理装置具有:对象切片选择单元,其从由多个切片图像构成的脑图像中,选择作为处理对象的切片图像作为对象切片;脑实质测量单元,其进行脑实质的像素的信号值的有效最大值、即脑实质有效最大值的测量处理;脑图像测量单元,其进行脑图像整体的像素的信号值的有效最大值的测量处理;头盖测量单元,其测量处理成为头盖周边区域的峰值的像素的信号值的平均作为头盖周围的峰值平均值;抑制处理判定单元,其根据测量出的脑实质的有效最大值、脑图像整体的有效最大值、头盖周围的峰值平均值,判定是否需要高信号值抑制处理;以及高信号值抑制处理单元,其在由所述抑制处理判定单元判定为需要的情况下,对所述脑图像执行高信号值抑制处理。
根据本发明第1方式,选择脑图像的对象切片,并对选择到的切片,测量脑实质的像素的信号值的有效最大值、脑图像整体的像素的信号值的有效最大值、成为头盖周边区域峰值的像素的信号值的平均即头盖周围的峰值平均值,根据测量结果,在必要的情况下,对脑图像执行高信号值抑制处理,因此能判定取得的脑图像的状态,并调整为适于组织分离处理的脑图像。
另外,在本发明第2方式中,对于本发明第1方式的医用图像处理装置,其特征在于,所述抑制处理判定单元执行头盖区域判定以及图像整体判定,该头盖区域判定是头盖周围的峰值平均值是否比所述脑实质有效最大值高一定比例的判定,该图像整体判定是图像整体的信号值是否比所述脑实质有效最大值高一定比例的判定,在所述头盖区域判定、图像整体判定的任一方满足条件的情况下,判定为需要高信号值抑制处理。
根据本发明第2方式,进行头盖周边区域的峰值平均值、图像整体的信号值是否比脑实质有效最大值高一定比例的判定,在头盖周边区域的峰值平均值、图像整体的信号值的任一个比脑实质有效最大值高一定比例的情况下,判定为需要高信号值抑制处理,因此,即使在头盖周边区域的信号值比脑实质明显高的情况、头盖周边区域、脑实质以外部分中的信号值比脑实质明显高的情况的任一情况下,都能准确进行需要高信号值抑制处理的判定。
另外,在本发明第3方式中,对于本发明第1或第2方式的医用图像处理装置,其特征在于,所述对象切片选择单元对各切片图像在图像内设定预定的线段,求出位于该线段上且信号值为预定值以上的像素中间隔最远的像素间的长度,将该像素间的长度与全部切片图像中最长的长度相比较,将成为预定比率以上的切片图像选为对象切片。
根据本发明第3方式,在各切片图像中,将具有预定值以上信号值的像素与全部切片图像中最长的像素相比较,将成为预定比率以上的切片图像选为对象切片,因此,能选择适于判定是否需要高信号值抑制处理的、除头盖周边区域与脑实质以外不包含高信号值的切片图像。
另外,在本发明第4方式中,对于本发明第1至第3方式的任一方式的医用图像处理装置,其特征在于,所述脑实质测量单元对选择的所述各对象切片设定预定数量的通过脑中心部的线段,按各线段的每一个,将线段上像素的信号值分布分割成预定数量的区域,将中央的预定数量的区域作为脑实质区域,求出该脑实质区域中的信号值的直方图,求出去除高值的预定像素后的信号最大值作为脑实质的有效最大值。
根据本发明第4方式,对选择的各对象切片,将通过脑中心部的多个线段各自的信号值分布分割成规定数量的区域,将中央的预定数量的区域作为脑实质区域,求出脑实质区域中的信号值的直方图,求出去除高值的预定像素后的信号最大值,作为脑实质的有效最大值,因此,能准确求出作为代表脑实质的值的脑实质的有效最大值。
另外,在本发明第5方式中,对于本发明第1至第4方式的任一方式的医用图像处理装置,其特征在于,所述脑图像测量单元求出对象切片整体的像素的信号值的直方图,求出去除高值的预定像素后的信号的最大值作为图像整体的有效最大值。
根据本发明第5方式,求出对象切片整体的像素的信号值的直方图,求出去除高值的预定像素后的信号的最大值作为图像整体的有效最大值,因此,能准确求出作为代表图像整体的值的图像整体的有效最大值。
另外,在本发明第6方式中,对于本发明第1至第5方式的任一方式的医用图像处理装置,其特征在于,所述头盖测量单元对选择到的所述各对象切片设定预定数量的通过脑中心部的线段,按各线段的每一个,将线段上的像素的信号值分布分割成预定数量的区域,将两端的预定数量的区域作为头盖周边区域,求出该头盖周边区域中的信号最大值在全部对象切片的全部线段中的平均值作为头盖周围的峰值平均值。
根据本发明第6方式,对各对象切片,将通过脑中心部的多个线段各自的信号值分布分割成预定数量的区域,将两端的预定数量的区域作为头盖周边区域,求出该头盖周边区域中的信号最大值在全部对象切片的全部线段中的平均值作为头盖周围的峰值平均值,因此,能准确求出作为代表头盖周边区域的值的头盖周围的峰值平均值。
另外,在本发明第7方式中,对于本发明第1至第6方式的任一方式的医用图像处理装置,其特征在于,所述高信号值抑制处理单元通过执行对信号值不足预定值的像素不改变其信号值、对信号值为所述预定值以上的像素将信号值设为预定值的处理,由此,相对地实现高信号值抑制处理。
根据本发明第7方式,执行对信号值不足预定值的像素不改变其信号值、对信号值为预定值以上的像素将信号值设为预定值的处理,因此,能抑制输入图像的高信号值。
另外,在本发明第8方式中,对于本发明第1至第6方式的任一方式的医用图像处理装置,其特征在于,所述高信号值抑制处理单元通过执行对信号值不足预定值的像素不改变其信号值、对信号值为所述预定值以上的像素将信号值变换成比原值小的处理,由此,相对地实现高信号值抑制处理。
根据本发明第8方式,执行对信号值不足预定值的像素不改变其信号值、对信号值为所述预定值以上的像素将信号值变换成比原值小的处理,因此,能抑制输入图像的高信号值。
另外,在本发明第9方式中,对于本发明第8方式的医用图像处理装置,其特征在于,所述高信号值抑制处理单元通过执行对信号值不足预定值的像素不改变其信号值、对信号值为所述预定值以上的像素利用斜率大于等于零小于1的一次函数来变换信号值的处理,由此,相对地实现高信号值抑制处理。
根据本发明第9方式,执行对信号值不足预定值的像素不改变其信号值、对信号值为预定值以上的像素利用斜率大于等于零小于1的一次函数来变换信号值的处理,因此,能抑制输入图像的高信号值。另外,组织分离处理结果构成自然的图像。
发明效果
根据本发明,实现如下效果,即能判定取得的脑图像的状态,并调整为适于组织分离处理的脑图像。
附图说明
图1是表示本发明所涉及的一实施方式的医用图像处理装置的概要的框图。
图2是表示基于本实施方式的医用图像处理方法的基本处理步骤的流程图。
图3是表示基于本实施方式的医用图像处理方法的事先处理步骤的流程图。
图4是示意性地表示脑的切片图像与体素的特征的概念图。
图5是表示准备处理的细节的流程图。
图6是表示对象切片的选择处理的状态的图。
图7是表示脑实质与头盖周边区域的信号值分布状态的图。
图8是表示脑实质的有效最大值、头盖周围的峰值平均值的测量处理的状态的图。
图9是表示灰白质、白质的不同年龄模板的概念图。
图10是表示灰白质、白质的性别模板的概念图。
图11是示意性地表示空间标准化的特征的概念图。
图12是表示非线性变换的特征的概念图。
图13是表示空间标准化与平滑化的结果的概念图。
图14是表示每个体素的比较检定的特征的概念图。
图15是表示基于ROI的解析特征的概念图。
图16是表示制作ROI时的特征的概念图。
图17是表示检查的阴阳性与有无疾病的关系的图表。
图18是表示ROC曲线的一例的线图。
图19是表示基于1个参数的识别方法的线图。
具体实施方式
下面,参照附图来详细说明本发明的优选实施方式。图1是表示本发明一实施方式中的医用图像处理装置的框图。图1所示的本实施方式的医用图像处理装置具有用户界面10、图像/统计处理部20、数据库部30。
用户界面10具有如下功能:输入MRI图像作为输入图像的图像输入功能12、以及显示由图像/统计处理部20处理的结果的结果显示功能14,图像/统计处理部20具有如下功能:处理从用户界面10输入的MRI图像的图像处理功能22、进行各种统计运算等的统计处理功能24、以及对输入图像判定是否需要高信号值抑制的是否需要高信号值抑制的判定功能26。另外,数据库部30中保存有图像/统计处理部20在后述的处理中使用的白质脑图像模板32、灰白质脑图像模板34、健康者图像数据库36、疾病特异ROI38等。
图2是表示涉及本实施方式的医用图像处理装置的处理概要的流程图,图3是表示基于本实施方式的医用图像处理方法的事先处理步骤的流程图。图2中,首先,当输入被检查者的MRI脑图像时,对该脑图像进行预定的处理,判定是否应进行高信号值抑制处理,并根据判定结果,进行高信号值抑制处理(S1)。在S1中,有时也因判定结果不同而不进行高信号值抑制处理。该S1中的处理是成为本发明特征的部分。对于S1中的处理细节将在后文进行说明。
接着,对高信号值抑制处理后的脑图像(在不进行高信号值抑制处理的情况下为输入的MRI脑图像)进行用于校正空间错位的定位(S2)。接下来,根据定位后的脑图像,制作利用组织分离处理抽取出白质的白质图像与同时抽取出灰白质的灰白质图像(S3)。
接着,对制作出的两个图像进行适用后述的DARTEL算法的空间标准化(S4),并且,对该标准化后的白质及灰白质图像分别进行平滑化(S5)。
之后,在平滑化后的两个图像与健康者的白质及灰白质图像之间分别进行统计比较(S6),再进行基于ROI的解析(S7),输出解析结果作为诊断结果,用于诊断的支援。
在本实施方式中,上述S1~S7的各处理能在由计算机构成的所述图像/统计处理部20中通过程序来实施,并且,下面说明的S11~S14的各处理的白质及灰白质模板的制作也同样能通过程序来实施。
在执行上述S1~S7的基本处理流程之前,在图3的S11~S14中进行制作在S4的空间标准化中使用的模板的事先处理。
首先,从尽可能多的健康者输入T1强调MRI脑图像(图中为被检查者图像)。
对从各被检查者取得的MRI脑图像进行预处理。具体地说,如图4中示出脑整体与切出其一部分而得的切片图像的影像那样,以包含被检查者的脑整体的方式摄像成预定厚度的切片状的例如100~200张T1强调MRI图像作为输入。另外,进行切片图像的重新取样,以使各切片图像中体素(voxel)的各边长度事先相等。这里,体素是具有“厚度”的图像的坐标单位,相当于2维图像中的像素。
在输入进行这种预处理的MRI脑图像之后,检查其切片图像的撮像方向或分辩率是否符合事先设定于系统中的条件。
如上所述,在确认MRI脑图像符合设定条件地被输入的情况下,进行准备处理(S11)。所谓准备处理是在模板制作中,为了准确进行组织分离处理,而判定是否应对输入图像进行高信号值抑制处理,在判定为需要的情况下,进行高信号值抑制处理。
图5是表示准备处理的细节的流程图。首先,进行从输入图像中选择用于判定对象的切片图像作为对象切片的处理(S21)。图6中示出对象切片的选择处理的状态。作为对象切片,期望选择不包含头盖周边区域与脑实质以外的高信号值的部分。
具体地说,对于各切片图像,在图像内设定预定的线段,求出位于该线段上且信号值为预定值以上的像素中间隔最远的像素间的长度。设定通过撮影到的头盖周边区域与脑实质的大部分的线段作为在图像内设定的线段。通常,因为以头盖周边区域与脑实质为中心摄影四边形的图像,所以只要使用图像的对角线作为上述线段即可。作为与信号值进行比较的上述预定值,可适当设定,例如可以设为向图像整体的信号值的平均乘以预定常数而得的值。
信号值为预定以上的像素表示头盖周边区域,信号值为预定以上的像素中间隔最远的像素间的长度表示线段与头部重合的长度。如上所述,期望选择不包含头盖周边区域与脑实质以外的高信号值的切片图像作为对象切片,该部分存在于长度为头部最大部分的80~95%的位置。因此,在本实施方式中,确定上述像素间的长度最大的切片图像,选择该像素间长度为确定的切片图像的80~95%长度的切片图像作为对象切片。
一旦选择了对象切片,则接着进行脑实质的有效最大值的测量处理(S22)。当进行脑实质的有效最大值的测量时,首先取得脑实质的信号值分布。在取得脑实质的信号值分布时,同时还取得头盖周边区域的信号值分布。图7中示出脑实质与头盖周边区域的信号值分布的状态。作为信号值分布的取得处理,首先对选择的各对象切片设定预定数量的通过脑中心部的线段。在本实施方式中,如图7(b)所示,设定有10条线段。之后,对各线段描绘线段上像素的信号值。再根据线段将信号值分布分割成预定数量的区域,将中央的预定数量的区域设为脑实质区域,将两端的预定数量的区域设为头盖周边区域。在本实施方式中,如图7(a)右侧的信号值分布所示,分割成10个区域,设中央的4区域为脑实质区域,设各两端分别1个区域(共2个区域)为头盖周边区域。信号值分布中的A、B对应于图7(a)左侧所示的脑图像上的A、B。
接着,求出全部对象切片的脑实质区域的信号值的直方图,求出其中去除受到高信号伪影(MRI的噪声)影响的部分时的最大值作为脑实质有效最大值Bmax。对于将哪部分作为受到高信号伪影的影响的部分而去除,可以适当进行设定,具体地说,去除上述直方图中高值thHa%的像素。在本实施方式中,设定为thHa=3。图8(a)中示出脑实质的有效最大值的测量处理的状态。如图8(a)的下部直方图所示,去除画有影线的高值3%像素而得的箭头所示部位的值为脑实质有效最大值Bmax。
接着,进行图像整体的有效最大值的测量处理(S23)。具体地说,求出四边形的对象切片整体的像素的信号值的直方图,求出其中去除受到高信号伪影影响的部分时的最大值作为图像整体的有效最大值Imax。对于将哪部分作为受到高信号伪影影响的部分而去除,可以适当进行设定,具体地说,去除上述直方图中高值thHb%的像素。在本实施方式中,设定为thHb=1。
接着,进行头盖周围的峰值平均值的测量处理(S24)。具体地说,从上述S22中设定的头盖周边区域中抽取最大的信号值。头盖周边区域中的最大的信号值为图7(a)右侧的信号值分布中由○包围的两个部位。对全部对象切片的全部线段进行该抽出处理,算出抽取的信号值的平均值。图8(b)中示出头盖周围的峰值平均值的测量处理的状态。在本实施方式的情况下,如图7(a)(b)所示,对1个线段抽取2个信号值,因此,对1个对象切片抽取20个信号值。因此,算出对象切片数×20个信号值的平均作为头盖周围的峰值平均值Pave。
接着,进行是否需要高信号值抑制的判定处理(S25)。具体地说,进行头盖区域判定与图像整体判定这2个判定,在满足该任一判定条件的情况下,判定为需要高信号值抑制,在任一判定条件均不满足的情况下,判定为不需要高信号值抑制。
头盖区域判定进行头盖周边区域的信号值是否比脑实质区域高一定比例的判定。具体地说,执行根据以下〔数式1〕的处理。
〔数式1〕
th1×(脑实质有效最大值Bmax)<(峰值平均值Pave)
上述〔数式1〕中,th1是确定允许头盖周边区域比脑实质高至何程度比例的系数,可适当进行设定,在本实施方式中为th1=1.8。判定是否满足上述〔数式1〕所示的条件,在满足的情况下,判定为需要高信号值抑制。这是因为在头盖周边区域的峰值平均值比脑实质有效最大值高一定比例的情况下,需要抑制头盖周边区域的高信号值。
另一方面,图像整体判定进行图像整体的信号值是否比脑实质区域高一定比例的判定。具体地说,执行根据以下〔数式2〕的处理。
〔数式2〕
th2×(脑实质有效最大值Bmax)<(图像整体的有效最大值Imax)
上述〔数式2〕中,th2是确定允许还包含脑实质以外的图像整体比脑实质高至何程度比例的系数,可以适当进行设定,在本实施方式中为th2=1.7。判定是否满足上述〔数式2〕所示的条件,在满足的情况下,判定为需要高信号值抑制。这是因为在图像整体的有效最大值比脑实质有效最大值高一定比例的情况下,需要抑制脑实质以外的高信号值。
在满足头盖区域判定与图像整体判定任一方的条件的情况下,即满足上述〔数式1〕与〔数式2〕任一方的情况下,前进到高信号值抑制处理(S26)。相反,在头盖区域判定与图像整体判定任一条件均不满足的情况下,即,在上述〔数式1〕与〔数式2〕任一均不满足的情况下,不进行高信号值抑制处理,终止准备处理。这是因为在头盖区域判定与图像整体判定的任一条件均不满足的情况下,脑实质以外的高信号值不会高至妨碍组织分离处理,不需要高信号值抑制。S25中头盖区域判定与图像整体判定哪个在先执行均可,在在先执行一方满足判定条件的情况下,进入到高信号值抑制处理(S26)而不对另一方判定条件进行判断。
对高信号值抑制处理(S26)进行说明。高信号值抑制处理是将输入图像的像素中信号值高的像素值抑制为相对不高的处理。因此,只要是将信号值高的像素值抑制为与其他像素相比相对不高的处理,就能使用各种方法。在本实施方式中,作为第1方法,通过执行对高至某一定值以上的像素设其信号值固定、对不足某一定值的像素不改变其信号值的处理,来相对实现高信号值抑制处理。
在本实施方式中,通过执行根据以下〔数式3〕的处理,将输入图像的各像素(x,y)的信号值s(x,y)校正为信号值s’(x,y)。
〔数式3〕
s’(x,y)=th3
不过,限于s(x,y)≥th3的情况。
上述〔数式3〕中,th3是成为抑制对象的像素的信号值的阈值,在本实施方式中,设定为th3=(脑实质有效最大值Bmax)。
另外,在本实施方式中,作为第2方法,也可通过执行对高至某一定值以上的像素利用斜率a大于零小于1的一次函数变换其信号值、对不足某一定值的像素不改变其信号值的处理,由此,相对地实现高信号值抑制处理。由此,能将某一定值以上的信号值的变化率抑制成比不足某一定值的信号值的变化率小,将信号值高的像素值抑制成相对不高。在第2方法中,因为使某一定值以上的信号值平缓上升,所以组织分离处理的结果为较自然的图像。
在本实施方式中,作为第2手法,通过执行根据以下〔数式4〕的处理,将输入图像的各像素(x,y)中的信号值s(x,y)校正为信号值s’(x,y)。
〔数式4〕
s’(x,y)=th3+a(s(x、y)-th3)
不过,限于s(x,y)≥th3的情况。
上述〔数式4〕中,th3是成为抑制对象的像素的信号值的阈值,在本实施方式中,设定为th3=(脑实质有效最大值Bmax)。另外,在本实施方式中,为a=0.2的常数。
此外,在本实施方式中,利用根据上述〔数式3〕或〔数式4〕的处理来实现高信号值抑制处理,但只要是对某一定值以上的信号值像素将其信号值变换成比原值小的处理即可,也可使用γ校正等公知的其他方法来实现。
当准备处理结束时,接着,返回图3的流程图,执行以后的处理。在以后的S12~S14中,对于进行了高信号值抑制的图像,将校正后的图像作为对象,对于未进行高信号值抑制的图像,将输入图像作为对象进行处理。
首先,进行空间定位处理(S12)。这相当于为了提高检查对象的脑图像与标准的脑图像进行比较时的精度而利用线性变换(仿射变换)进行空间位置与角度的校正。
在以上空间定位结束后,进行组织分离处理(S13),分别制作抽取白质与灰白质而得的白质图像与灰白质图像。
因为输入的T1强调MRI脑图像中包含对应于神经纤维的呈现高信号值的白质、对应于神经细胞的呈现中间信号值的灰白质、呈现低信号值的脑脊液这3种组织,所以着眼于该差别,进行分别抽取白质与灰白质的处理。该处理在所述专利文献1中进行了说明。并且,本发明中进行抽取精度比所述专利文献1中使用的方法更高的综合型组织分离处理。综合型组织分离处理是将标准化、组织分离、信号不均一的校正编入1个模块中的组织分离方法。具体内容记载在非专利文献3中。在综合型组织分离处理中,还具有如下特征:除制作白质图像和灰白质图像外,还制作表示MRI图像坐标与标准脑坐标的对应关系的变换场。变换场在后述的标准化中使用。
这样,通过事先从多个健康者的MRI脑图像进行组织分离,分别取得3维抽取白质、灰白质而得的白质图像、灰白质图像作为多个采样。
如上所述,分别组织分离许多(多个)健康者的MRI脑图像后制作抽取白质而得的白质图像作为采样,通过在制作的全部采样间进行空间标准化来制作白质模板(步骤14)。同样,分别组织分离多个健康者的MRI脑图像后制作抽取灰白质而得的灰白质图像作为采样,通过在制作的全部采样间进行空间标准化来制作灰白质模板。
在这里执行的空间标准化中适用DARTEL算法。
为了解决所述现有的VBM方法的精度差,JohnAshbumer开发了新的VBM方法、即DARTEL(Diffeomorphic Anatomical Registration using Exponentiated Lie algebra:通过指数化李代数的微分同胚的解剖登记)(参照非专利文献4)。
DARTEL与现有的VBM方法相比,空间标准化精度好,作为提高老年痴呆病的图像统计解析的诊断性能的技术而受到期待。另外,因为进行DARTEL的空间标准化比以往的方法更精密,所以不仅以前作为评价对象的灰白质,还能将白质作为评价对象。
在所述S14的模板制作处理中,对白质与灰白质分别制作与年龄、性别等被检查者属性对应的不同层次的模板,作为所述白质脑图像模板32、灰白质脑图像模板34保存在所述数据库部30中。
如图9所示,所述白质模板与灰白质模板按不同年龄来制作。灰白质(A)、白质(C)根据54岁~69岁的各健康者的图像制作而成,灰白质(B)、白质(D)根据70岁~84岁的各健康者的图像制作而成。如该图所示,可知模板因年龄不同而不同,尤其是白质的情况下,在(C)与(D)中从左起第6个模板中箭头所示的脑室大小大不相同。
另外,如图10所示,所述白质模板与灰白质模板按性别来制作。若按男女来比较该图中以四边形包围表示的位置的模板,则尤其在脑室形状上可以发现因性别的不同而存在差异。
如上所述那样制作的白质与灰白质的模板以按不同年龄、性别进行准备为前提,实施根据所述S1~7的诊断支援信息制作处理。此外,下面,将上述白质与灰白质的模板称为DARTEL模板。
首先,作为被检查者图像,输入摄像成预定厚度的切片状的T1强调MRI图像,进行切片图像的重新取样,使各切片图像中体素(voxel)的各边长度事先相等。
接着,与所述事先处理的S11的情况一样进行所述S1的高信号值抑制处理。
接着,与所述事先处理的S12的情况一样进行所述S2的空间定位处理。
在以上空间定位结束之后,进行所述S3的组织分离的处理。
该组织分离与所述S13的情况一样,抽取白质与灰白质之后,分别制作被检查者的白质图像与灰白质图像。
对以上制作的被检查者的白质图像与灰白质脑图像进行所述S4的空间标准化处理。在这里进行的空间标准化中,与所述S14的情况一样,适用DARTEL算法。
该空间标准化处理是为了吸收个人之间存在的脑图像的解剖学上的差异,而对脑整体大小进行大局上的校正,并对部分大小进行局部校正的处理。下面,为了方便,主要围绕灰白质进行说明,但在白质的情况下也进行实质上相同的处理。
S4的DARTEL中的空间标准化处理由以下3个步骤的处理构成。
(S4-1)初始位置决定处理
(S4-2)向DARTEL模板的变换处理
(S4-3)向标准脑模板的变换处理
在S4-1的初始位置决定处理中,使用向上述综合型组织分离处理得到的标准脑的变换场,对灰白质图像、白质图像进行决定初始位置的处理。该处理中,其特征在于,因为进行刚体(rigid body)变换,所以图像形状不发生变化。
在S4-2的向DARTEL模板的变换处理中,对实施S4-1处理的图像使用DARTEL算法,使形状与DARTEL模板吻合。
在S4-3的向标准脑模板的变换处理中,进行使S4-2中得到的与DARTEL模板吻合的图像与标准脑模板匹配的处理。事先求出从DARTEL模板向标准脑模板的变换场,使用该变换场来进行向标准脑坐标系的变换。
在S4-2与S4-3的处理中,通过保持各体素的信号值的合计不变地进行标准化来保持体积信息,因此,能在标准化后测量体积。
S4-1中进行线性变换,在S4-2与S4-3中进行线性变换与非线性变换。若以步骤3-2为例进行说明,则如图11中概括性地示出处理特征那样,使用线性变换与非线性变换进行图像处理以使与从所述数据库部30读出的、所述S14中制作的平均灰白质脑图像模板34的误差的平方和最小。在该空间标准化处理中,首先进行基于线性变换的位置或大小、角度的大局校正,接着利用非线性变换来进行局部的凹凸等形状的校正。
这里进行的线性变换是与所述S2的定位一样的仿射变换。另外,非线性变换如图12中示出处理的影像那样,就x方向、y方向分别推定表示局部位移的变形场,根据该变形场来进行原图像的变换。
S4-2的处理是以所述S14制作的模板为雏形、匹配处理对象图像的处理,使用的模板适用DARTEL算法并以高精度制作,所以其形状尖锐。
因此,由于空间标准化,各个处理对象匹配为无个体差的近似形状,所以个体间的形状接近相同,但因为萎缩等反映于局部密度,因此能够提高空间标准化的精度。
如上所述,对实施了空间标准化的白质图像与灰白质脑图像(以下也称为标准化脑图像)进行所述S5的图像平滑化处理。
该平滑化处理是用于提高上述标准化脑图像的S/N比并且使后面进行比较时作为标准使用的健康者的图像群与图像的smoothness相等的处理,使用3维高斯核来进行。该平滑化中使用的滤波器的FWHM(半值宽度)为8mm左右。
具体地说,如所述专利文献1中所述,进行3维脑图像与3维高斯函数的3维卷积(convolution)。这通过依次在x、y、z各方向上进行1维卷积来实现。通过这样进行平滑化,能使空间标准化处理中不完全一致的个体差降低。
图13中示出对在S3中分离出的白质图像与灰白质图像进行S4的空间标准化处理与S5的平滑化处理后的结果图像。
在S4的处理中,对脑的体积信息进行了保存。因此,也可在实施下一浓度值校正之前,对白质和灰白质的处理结果图像,测量整体或后述的感兴趣区域(regions ofinterest:ROI)的积分值作为体积并活用作诊断支援信息。
对如上所述那样进行了图像平滑化而得的标准化脑图像省略了图示,但为了与之后进行比较时用作标准的健康者的图像群中的体素值分布匹配,进行校正脑整体的体素值的浓度值校正。
之后,进行所述S6的统计比较。这里,进行通过以上S1~5各处理进行标准化而得的被检查者的灰白质(白质)的MRI脑图像、与事先收集后作为健康者图像数据库36保存在所述数据库部30中的健康者的同一MRI脑图像群的比较检定。期望使用的健康者图像群由接近被检查者年龄的图像群构成。
具体地说,如图14中示出影像那样,以体素为单位与这种健康者图像群进行1:N(N为健康者图像的总数)的比较检定,检测在统计上发现有意差(推定为异常)的体素。
首先,对全部体素算出分别由下式表示的Z分数。
【数1】
其中,x:被检查者图像的体素值
σ:健康者图像群的对应的体素值的标准偏差
这样,Z分数是以标准偏差来缩放被检查者图像的体素值与健康者图像群的对应的体素之体素值平均值的差而得的值,这表示灰白质(白质)容积的相对低下的程度。
接着,确定适当的临界值Z’,求出Z分数为
Z’<Z ...(2)
的体素,设为在统计上发现有意差的体素。临界值使用能以约95%以上的概率推定为异常的Z’=2。另外,作为包含容积比健康者低的全部部位的临界值指定方法,也使用下式。
0<Z’ ...(3)
此外,S6中使用的健康者图像数据库36对各个事先另外收集的健康者的图像群依次进行所述S2~S5的空间定位→灰白质(白质)的组织分离处理→空间标准化→平滑化等各处理,并同样进行制作、保存。
另外,在该医用图像处理装置中,将收集到的这些健康者图像例如按每5岁或每10岁那样按不同年龄段分类,将对各个群算出的平均值与标准偏差保存在存储装置中,由此能进行基于Z分数的检定。
另外,此时也可划分为以被检查者的年龄为中心的一定的年龄幅度,例如若在被检查者的年龄为76岁的情况下,则收集以此为中心的74~78岁(设幅度为5岁)的范围的健康者图像并进行比较。
此外,在如此使用Z分数的情况下,因为只要每个体素具有上述平均值与标准偏差的数据即可,所以还具有不需要在数据制作后保存图像数据本身的优点。
如上所述,在对被检查者的标准化脑图像进行统计比较之后,进行基于所述S7的ROI的解析。
这是在使用脑图像判别有无异常的情况下、在图像上设定预定大小的感兴趣区域(regions of interest:ROI)的方法(例如参照非专利文献5),在脑图像上,在关系到特定的疾病而被关注的特定部位设定预定大小的ROI后进行比较。
如所述专利文献1中说明的那样,该解析方法通过对利用所述统计处理发现与健康者存在有意差的坐标位置的体素以及其Z分数(评价值)适用对应于疾病的ROI(疾病特异ROI),求出患病的程度。其特征为如下2点。
(1)准备作为对应于老年痴呆等每个疾病的标准化的图像数据的ROI(疾病特异ROI)38,对于根据被检查者的症状考虑的疾病,对被检查者的脑图像数据适用(设定)各自的ROI,根据该ROI中的Z分数,将有意性最高的设为诊断结果。
(2)不仅只利用ROI部分的Z分数判断疾病,而且比较不适用ROI时的脑整体的Z分数图与仅适用ROI的部分的Z分数图。其目的在于发现关注部位的萎缩相对于脑整体的萎缩的比例。
这里,首先如图15中示出影像那样,以准备疾病A~C的不同疾病的特异ROI的情况为例,说明判别被检查者是否患有某个疾病A的方法。此外,适用于该方法的各ROI将在后文进行说明。
对通过所述S6的统计比较得到的被检查者的Z分数图,使用对应于疾病A的ROI,使用所述(2)式和所述(3)式,算出以下5个参数。
P1=ROI部分中满足式(3)的体素的Z分数的合计/ROI部分中满足式(3)的体素数量
P2=脑整体中满足式(2)的体素数量/脑整体的体素数量
P3=ROI部分中满足式(2)的体素数量/ROI部分的体素数量
P4=P3/P2
P5=ROI部分中的全部体素中最大的Z分数
对P1~P5这5个参数事先求出具有疾病A的患者群的特性,在被检查者的参数值与其一致的情况下,判别为被检查者为疾病A。
例如,对5个参数确定视为疾病A的阈值(病态识别值),在根据被检查者图像得到的参数值超过该阈值的情况下,设被检查者为疾病A。即,在将P1~P4各自的病态识别阈值分别设为thP1~thP5的情况下,在满足P1>thP1、P2>thP2、P3>thP3、P4>thP4、P5>thP5中至少1个的情况下,将被检查者判定为疾病A。具体地说,可以例举出如下情况:例如如P1那样仅关注1个参数来进行判定的情况、或根据需要参照P1~P5的一部分或全部来判定的情况。
另外,除这里例举的P1~P5的参数外,对于5个参数也可以求出限定为右半球侧和左半球侧的值加入作参数。并且,也可对右半球侧、左半球侧的值,将利用式(4)求出的左右比或利用式(5)求出的左右差加入参数中。
左右比=(R-L)/(R+L)*200 ...(4)
左右差=R-L ...(5)
其中,将右半球侧的值设为R,将左半球侧的值设为L。
接着,说明这些按不同疾病设定的ROI(疾病特异ROI)的制作方法。
ROI如下所述,根据统计处理来决定。例如,为了确定某个特定疾病A的ROI,如图16中示出影像那样,对于疾病A的患者的MRI图像群(疾病者图像群)以及此外的人的图像群(非疾病者图像群),通过进行以体素为单位在统计上检定两个群之间有意差的两个标本t检定来求出。将通过该检定发现有意差的体素视为该疾病的特征体素,将其坐标集合设为对应于该疾病的ROI。
对该疾病利用一般的ROC(Receiver Operating Characteristic:受试者工作特征)解析来确定病态识别值(阈值)。所谓ROC解析是用于对某个检查方法定量地解析检测疾病的能力的一般方法。
作为其一例,下面对在通过参数P1与其阈值thP1来识别有无疾病的情况下求出阈值thP1的方法进行说明。
在P1>thP1时考虑为阳性的检查、在P1≤thP1时考虑为阴性的检查,对于多个采样,当对检查的阴阳性与实际有无疾病调查其组合时,得到如图17的表所示的TP(真阳性)、FP(伪阳性)、FN(伪阴性)、TN(真阴性)的各数值。并且根据这些值,真阳性率(TPF:将患者正确判别为患者的比例)、伪阳性率(FPF:将健康者错误判定为患者的比例)如下式所示。
TPF=TP/(TP+FN)
FPF=FP/(FP+TN)
对某1个thP1求出1个(TPF,FPF)组,但绘制通过对该阈值进行各种改变而得到的(TPF,FPF)的结果为图18示例的ROC曲线。
检查中期望TPF高、FPF低,ROC曲线中最左上的点与之对应。就该图而言,优选采用对应于点D的阈值。
当从参数与有无疾病的观点考虑,为了方便而对参数为1个的情况进行说明时,如图19所示,最佳(无错误)区分有疾病的分布与无疾病的分布的分界线对应于这里求出的阈值。
实施例
用MRI装置摄像被检查者与健康者群的脑的T1强调图像,并将各图像保持为DICOM格式。DICOM格式是1文件中包含头部与图像数据部的医疗图像中普遍使用的图像格式,能保存图像撮影时的参数或诊断信息。通常,1个DICOM图像文件具有1张切片图像的信息,利用多张DICOM图像来表现3维脑图像。将DICOM图像保管在DICOM服务器中,能够根据需要导出。
DICOM图像文件通过多张来表现脑整体的3维信息,变换为仅连结DICOM文件的头部及图像数据部的形式的Analyze格式。Analyze格式能由头部文件、图像数据部文件这两个文件来构成1个人的量的脑整体。
作为将用于进行脑图像的图像处理的工具安装在软件中的方式,已知SPM(Statistical Parametric Mapping:统计参数图)等。在本实施例的以下图像处理中适用SPM。
在以上条件下,对从被检查者输入的MRI脑图像进行所述图2的S1~7的各处理。
白质及灰白质抽取中使用的模板使用ICBM(International Consortium for BrainMapping:国际脑图协会)制作的模板。该模板根据许多健康者的脑图像来计算白质、灰白质、脑脊液的事前发生(存在)概率,1体素尺寸为2mm3。
使用老年痴呆型认知症患者的组61例与健康高龄者的组82例,实施作为事先处理的S11~S14与作为诊断支援信息制作处理的S1~S5。
对于灰白质图像的处理结果,使用S7中求出的P1来进行ROC解析,求出表示ROC曲线下的面积的AUC(Area Under the Curve:曲线下面积)。其结果是,在所述专利文献1的方法中为0.876,在本发明的方法中为0.943。另外,以本发明的方法与所述专利文献1的方法比较确诊率的结果是,能以高5%左右的确诊率来识别健康高龄者与老年痴呆型认知症患者。根据这些结果,可以说本方法诊断老年痴呆型认知症的有效性高。
另外,即使对白质图像也能高精度地实现以往未实现的空间标准化,认为通过平阶灰白质病变与白质病变双方,提高了例如老年痴呆型认知症与血管性认知症的鉴别能力。
如以上详细描述的那样,根据本实施方式,输入被检查者的MRI脑图像,组织分离输入的MRI脑图像后制作抽取出白质而得的白质图像,制作的白质图像根据事先保存的白质模板,通过空间标准化来制作标准化白质图像,根据制作的标准化白质图像,进行被检查者的白质与健康者的白质的统计比较时,在许多健康者的白质图像间的空间标准化中适用DARTEL算法来制作所述白质模板,所以对白质也能制作高精度的模板,对以往未实现的白质也能就特定疾病进行客观的诊断支援。
另外,一并制作组织分离输入的所述MRI脑图像后抽取出灰白质而得的灰白质图像,制作的灰白质图像根据事先保存的灰白质模板,通过空间标准化制作标准化灰白质图像,根据制作的标准化灰白质图像,进行被检查者的灰白质与健康者的灰白质的统计比较,所以对灰白质也能以同样的方法来制作精度比以往高的模板,对灰白质也能进行精度更高的诊断支援。
并且,由于在本实施方式中,按不同年龄及性别来制作白质、灰白质模板并保存,所以能根据被检查者的不同年龄、性别来使用更适当的模板进行空间标准化,因此能实现更高精度的诊断支援。
即,根据本实施方式,通过使用DARTEL算法,即使对于白质也能使以往处理对象仅限于灰白质的空间标准化的精度提高。另外,数据库部30中制作并保持对应于年龄、性别的模板,通过选择并适用适于输入图像的模板,从而能够照顾到被检查者的增龄或性别造成的影响。
以上对本发明进行了详细说明,但本发明不限于所述实施方式所示的方式,在不脱离其要旨的范围内,能够进行各种变更。
例如,示出使用Z分数作为评价值的检定方法,但不限于此,也可使用其他一般检定中使用的t分数等。
本发明中的准备处理不限于上述实施方式,能适用于作为组织分离的对象的全部脑图像。例如也能用作专利文献1所示的伴随组织分离的灰白质组织抽取的预处理。
另外,上述实施方式中,虽然在事前准备处理、基本处理中,都在空间定位(S12、S2)之前执行准备处理(S11、S1),但也可在空间定位(S12、S2)之后执行准备处理(S11、S1)。在这种情况下,在判定是否需要高信号值抑制时,因为已进行了空间定位,所以在S21的对象切片选择处理中不需要上述说明的切片图像选择的复杂处理地确定认为不包含头盖周边区域与脑实质以外的高信号值的脑上部的部分。具体地说,只要指定从上面开始选择从第几个到第几个切片图像作为对象切片即可。
另外,在上述实施方式中,在1个医用图像处理装置中连续执行S1所示的准备处理与S2~S7所示的诊断支援信息制作处理,在1个医用图像处理装置中连续执行S11所示的准备处理与S12~S14所示的事先处理,但医用图像处理装置中也可仅执行S1、S11所示的准备处理,并对由该结果得到的高信号值抑制处理后的图像,利用其他装置执行事先处理、诊断支援信息制作处理。此时,在先处理空间定位(S12、S2)的情况下,在医用图像处理装置中仅执行S2和S1、S12和S11所示的准备处理,对由该结果得到的高信号值抑制处理后的图像,利用其他装置执行事先处理、诊断支援信息制作处理。
附图标记说明
10:用户界面;20:图像/统计处理部;30:数据库部;32:白质脑图像模板;34:灰白质脑图像模板;36:健康者图像数据库;38:疾病特异ROI。
Claims (10)
1.一种医用图像处理装置,其特征在于,具有:
对象切片选择单元,从由多个切片图像构成的脑图像中,选择作为处理对象的切片图像作为对象切片;
脑实质测量单元,进行脑实质的像素的信号值的有效最大值、即脑实质有效最大值的测量处理;
脑图像测量单元,进行脑图像整体的像素的信号值的有效最大值的测量处理;
头盖测量单元,测量处理成为头盖周边区域的峰值的像素的信号值的平均作为头盖周围的峰值平均值;
抑制处理判定单元,根据测量出的脑实质的有效最大值、脑图像整体的有效最大值、头盖周围的峰值平均值,判定是否需要高信号值抑制处理;以及
高信号值抑制处理单元,在由所述抑制处理判定单元判定为需要的情况下,对所述脑图像执行高信号值抑制处理。
2.如权利要求1所述的医用图像处理装置,其特征在于:
所述抑制处理判定单元执行头盖区域判定以及图像整体判定,该头盖区域判定是头盖周围的峰值平均值是否比所述脑实质有效最大值高一定比例的判定,该图像整体判定是图像整体的信号值是否比所述脑实质有效最大值高一定比例的判定,
在所述头盖区域判定、图像整体判定的任一方满足条件的情况下,判定为需要高信号值抑制处理。
3.如权利要求1或2所述的医用图像处理装置,其特征在于:
所述对象切片选择单元对各切片图像在图像内设定预定的线段,求出位于该线段上且信号值为预定值以上的像素中间隔最远的像素间的长度,将该像素间的长度与全部切片图像中最长的长度相比较,将成为预定比率以上的切片图像选为对象切片。
4.如权利要求1至3的任一项所述的医用图像处理装置,其特征在于:
所述脑实质测量单元对选择到的所述各对象切片设定预定数量的通过脑中心部的线段,按各线段的每一个,将线段上像素的信号值分布分割成预定数量的区域,将中央的预定数量的区域作为脑实质区域,求出该脑实质区域中的信号值的直方图,求出去除高值的预定像素后的信号最大值作为脑实质的有效最大值。
5.如权利要求1至4的任一项所述的医用图像处理装置,其特征在于:
所述脑图像测量单元求出对象切片整体的像素的信号值的直方图,求出去除高值的预定像素后的信号最大值作为图像整体的有效最大值。
6.如权利要求1至5的任一项所述的医用图像处理装置,其特征在于:
所述头盖测量单元对选择到的所述各对象切片设定预定数量的通过脑中心部的线段,按各线段的每一个,将线段上的像素的信号值分布分割成预定数量的区域,将两端的预定数量的区域作为头盖周边区域,求出该头盖周边区域中的信号最大值在全部对象切片的全部线段中的平均值作为头盖周围的峰值平均值。
7.如权利要求1至6的任一项所述的医用图像处理装置,其特征在于:
所述高信号值抑制处理单元通过执行对信号值不足预定值的像素不改变其信号值、对信号值为所述预定值以上的像素将信号值设为预定值的处理,由此,相对地实现高信号值抑制处理。
8.如权利要求1至6的任一项所述的医用图像处理装置,其特征在于:
所述高信号值抑制处理单元通过执行对信号值不足预定值的像素不改变其信号值、对信号值为所述预定值以上的像素将信号值变换成比原值小的处理,由此,相对地实现高信号值抑制处理。
9.如权利要求8所述的医用图像处理装置,其特征在于:
所述高信号值抑制处理单元通过执行对信号值不足预定值的像素不改变其信号值、对信号值为所述预定值以上的像素利用斜率大于等于零小于1的一次函数来变换信号值的处理,由此,相对地实现高信号值抑制处理。
10.一种用于使计算机作为权利要求1至9的任一项所述的医用图像处理装置发挥功能的程序。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010-269073 | 2010-12-02 | ||
JP2010269073 | 2010-12-02 | ||
PCT/JP2011/077761 WO2012074039A1 (ja) | 2010-12-02 | 2011-12-01 | 医用画像処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103249358A true CN103249358A (zh) | 2013-08-14 |
CN103249358B CN103249358B (zh) | 2015-09-09 |
Family
ID=46171964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201180058114.6A Active CN103249358B (zh) | 2010-12-02 | 2011-12-01 | 医用图像处理装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US9042616B2 (zh) |
EP (1) | EP2647335B1 (zh) |
JP (1) | JP5601378B2 (zh) |
CN (1) | CN103249358B (zh) |
HK (1) | HK1186947A1 (zh) |
WO (1) | WO2012074039A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106659424A (zh) * | 2014-09-25 | 2017-05-10 | 大日本印刷株式会社 | 医用图像显示处理方法、医用图像显示处理装置及程序 |
CN111278364A (zh) * | 2017-08-29 | 2020-06-12 | 富士胶片株式会社 | 信息输出装置、方法及程序 |
TWI721384B (zh) * | 2018-03-12 | 2021-03-11 | 日商東芝能源系統股份有限公司 | 醫用畫像處理裝置、治療系統及醫用畫像處理程式產品 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012157201A1 (ja) * | 2011-05-18 | 2012-11-22 | 日本電気株式会社 | 情報処理システム、情報処理方法、情報処理装置およびその制御方法と制御プログラム |
JP5970766B2 (ja) * | 2011-09-26 | 2016-08-17 | 大日本印刷株式会社 | 医用画像処理装置、医用画像処理方法、プログラム |
US9332954B2 (en) * | 2013-03-15 | 2016-05-10 | Jacqueline K. Vestevich | Systems and methods for evaluating a brain scan |
US9558558B2 (en) * | 2013-03-28 | 2017-01-31 | Koninklijke Philips N.V. | Interactive follow-up visualization |
CN104143079B (zh) * | 2013-05-10 | 2016-08-17 | 腾讯科技(深圳)有限公司 | 人脸属性识别的方法和系统 |
US10234523B2 (en) * | 2013-12-19 | 2019-03-19 | Koninklijke Philips N.V. | MRI with dixon-type water/fat separation with estimation of the main magnetic field variations |
ES2518690B1 (es) * | 2013-12-23 | 2015-09-29 | Centro De Investigación Biomédica En Red De Salud Mental (Cibersam) | Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética |
CN106663321B (zh) * | 2014-07-15 | 2021-04-06 | 皇家飞利浦有限公司 | 包括利用个性化模板图像的立体定位标准化的成像数据统计测试 |
JP7178614B2 (ja) | 2017-06-23 | 2022-11-28 | パナソニックIpマネジメント株式会社 | 情報処理方法、情報処理装置、および情報処理システム |
WO2018235466A1 (ja) * | 2017-06-23 | 2018-12-27 | パナソニックIpマネジメント株式会社 | 情報処理方法、情報処理装置、および情報処理システム |
SG11201901443SA (en) * | 2017-07-22 | 2019-03-28 | Intelligent Virus Imaging Inc | Method for automated unsupervised ontological investigation of structural appearances in electron micrographs |
JP7325310B2 (ja) * | 2019-11-28 | 2023-08-14 | 富士フイルムヘルスケア株式会社 | 医用画像処理装置、医用画像解析装置、及び、標準画像作成プログラム |
CN116261428A (zh) * | 2020-09-28 | 2023-06-13 | 富士胶片株式会社 | 诊断辅助装置、诊断辅助装置的工作方法、诊断辅助装置的工作程序 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07320028A (ja) * | 1994-05-24 | 1995-12-08 | Ge Yokogawa Medical Syst Ltd | 投影画像処理方法及び投影画像処理装置 |
WO1996042070A1 (en) * | 1995-06-13 | 1996-12-27 | British Technology Group Limited | Apparatus for image enhancement, and related method |
JP2007068852A (ja) * | 2005-09-08 | 2007-03-22 | Hitachi Medical Corp | 医用画像表示方法及び医用画像診断装置 |
CN1960673A (zh) * | 2004-06-01 | 2007-05-09 | 彼得·C·M·范西尔 | 使用磁化传递磁共振成像量化血量 |
CN101332087A (zh) * | 2007-06-29 | 2008-12-31 | 株式会社东芝 | 磁共振成像装置以及磁共振成像方法 |
US20090252391A1 (en) * | 2005-08-22 | 2009-10-08 | National Center Of Neurology And Psychiatry | Method for assisting in diagnosis of cerebral diseases and apparatus thereof |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5845639A (en) * | 1990-08-10 | 1998-12-08 | Board Of Regents Of The University Of Washington | Optical imaging methods |
JP4025823B2 (ja) | 2004-02-24 | 2007-12-26 | 国立精神・神経センター総長 | 脳疾患の診断支援方法及び装置 |
US20060177115A1 (en) * | 2005-02-04 | 2006-08-10 | Gifu University | Medical image processing apparatus and program |
WO2007114238A1 (ja) * | 2006-03-30 | 2007-10-11 | National University Corporation Shizuoka University | 脳萎縮判定装置、脳萎縮判定方法及び脳萎縮判定プログラム |
US20090326360A1 (en) * | 2006-06-29 | 2009-12-31 | Centre National De La Recherche Scientifique (Cnrs) | Method for estimating the growth potential of cerebral infarcts |
US20080187194A1 (en) * | 2007-02-05 | 2008-08-07 | Zhang Daoxian H | Cad image normalization |
US8185186B2 (en) * | 2007-04-13 | 2012-05-22 | The Regents Of The University Of Michigan | Systems and methods for tissue imaging |
JP5229175B2 (ja) * | 2009-09-25 | 2013-07-03 | 大日本印刷株式会社 | 医用画像表示処理方法、装置およびプログラム |
-
2011
- 2011-12-01 JP JP2012546926A patent/JP5601378B2/ja active Active
- 2011-12-01 WO PCT/JP2011/077761 patent/WO2012074039A1/ja active Application Filing
- 2011-12-01 CN CN201180058114.6A patent/CN103249358B/zh active Active
- 2011-12-01 US US13/991,012 patent/US9042616B2/en active Active
- 2011-12-01 EP EP11844823.2A patent/EP2647335B1/en active Active
-
2013
- 2013-12-31 HK HK13114416.2A patent/HK1186947A1/zh not_active IP Right Cessation
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07320028A (ja) * | 1994-05-24 | 1995-12-08 | Ge Yokogawa Medical Syst Ltd | 投影画像処理方法及び投影画像処理装置 |
WO1996042070A1 (en) * | 1995-06-13 | 1996-12-27 | British Technology Group Limited | Apparatus for image enhancement, and related method |
CN1960673A (zh) * | 2004-06-01 | 2007-05-09 | 彼得·C·M·范西尔 | 使用磁化传递磁共振成像量化血量 |
US20090252391A1 (en) * | 2005-08-22 | 2009-10-08 | National Center Of Neurology And Psychiatry | Method for assisting in diagnosis of cerebral diseases and apparatus thereof |
JP2007068852A (ja) * | 2005-09-08 | 2007-03-22 | Hitachi Medical Corp | 医用画像表示方法及び医用画像診断装置 |
CN101332087A (zh) * | 2007-06-29 | 2008-12-31 | 株式会社东芝 | 磁共振成像装置以及磁共振成像方法 |
Non-Patent Citations (1)
Title |
---|
赵媛媛 等: "基于MRI的多发性硬化患者和阿尔茨海默病患者纹理特征对比", 《首都医科大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106659424A (zh) * | 2014-09-25 | 2017-05-10 | 大日本印刷株式会社 | 医用图像显示处理方法、医用图像显示处理装置及程序 |
CN106659424B (zh) * | 2014-09-25 | 2020-06-09 | 大日本印刷株式会社 | 医用图像显示处理方法、医用图像显示处理装置及程序 |
CN111278364A (zh) * | 2017-08-29 | 2020-06-12 | 富士胶片株式会社 | 信息输出装置、方法及程序 |
CN111278364B (zh) * | 2017-08-29 | 2023-10-31 | 富士胶片株式会社 | 信息输出装置、方法及记录介质 |
TWI721384B (zh) * | 2018-03-12 | 2021-03-11 | 日商東芝能源系統股份有限公司 | 醫用畫像處理裝置、治療系統及醫用畫像處理程式產品 |
Also Published As
Publication number | Publication date |
---|---|
EP2647335A4 (en) | 2017-11-08 |
JP5601378B2 (ja) | 2014-10-08 |
US20130251231A1 (en) | 2013-09-26 |
JPWO2012074039A1 (ja) | 2014-05-19 |
EP2647335B1 (en) | 2020-06-03 |
HK1186947A1 (zh) | 2014-03-28 |
US9042616B2 (en) | 2015-05-26 |
WO2012074039A1 (ja) | 2012-06-07 |
CN103249358B (zh) | 2015-09-09 |
EP2647335A1 (en) | 2013-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103249358B (zh) | 医用图像处理装置 | |
JP4025823B2 (ja) | 脳疾患の診断支援方法及び装置 | |
US8600135B2 (en) | System and method for automatically generating sample points from a series of medical images and identifying a significant region | |
JP5699936B2 (ja) | 医用画像処理装置の作動方法、装置およびプログラム | |
EP3806744B1 (en) | Immediate workup | |
KR20160058812A (ko) | 질환을 진단하기 위한 영상 분석 기법 | |
US8724871B1 (en) | Method and system for identifying anomalies in medical images | |
WO2007023522A1 (ja) | 脳疾患の診断支援方法及び装置 | |
JP2004032684A (ja) | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 | |
US20070160276A1 (en) | Cross-time inspection method for medical image diagnosis | |
CN111192248B (zh) | 一种用于核磁共振成像中的椎体定位、识别和分割的多任务关系学习方法 | |
CN104093354A (zh) | 用于评估医学图像的方法和设备 | |
Balasooriya et al. | Intelligent brain hemorrhage diagnosis using artificial neural networks | |
CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
US8331635B2 (en) | Cartesian human morpho-informatic system | |
CN112862749A (zh) | 一种骨龄图像数字化处理后自动识别方法 | |
Somasundaram et al. | Brain extraction method for T1-weighted magnetic resonance scans | |
CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
Benrabha et al. | Automatic ROI detection and classification of the achilles tendon ultrasound images | |
Zhang et al. | Atlas-driven lung lobe segmentation in volumetric X-ray CT images | |
CN104106096B (zh) | 层析图像中的器官的分类方法 | |
Abd Hamid et al. | Incorporating attention mechanism in enhancing classification of alzheimer’s disease | |
CN113080929A (zh) | 一种基于机器学习的抗nmdar脑炎图像特征分类方法 | |
KR101455198B1 (ko) | Ct 영상 분석을 이용한 흉곽 변형성 정량적 평가 지표값 계산 방법, 시스템 및 기록 매체 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1186947 Country of ref document: HK |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: GR Ref document number: 1186947 Country of ref document: HK |