CN103826536B

CN103826536B - 医用图像处理装置、医用图像处理方法

Info

Publication number: CN103826536B
Application number: CN201280046986.5A
Authority: CN
Inventors: 小野彻太郎; 后藤智章
Original assignee: Dai Nippon Printing Co Ltd
Current assignee: Dai Nippon Printing Co Ltd
Priority date: 2011-09-26
Filing date: 2012-09-19
Publication date: 2016-11-16
Anticipated expiration: 2032-09-19
Also published as: EP2762072B1; JP5970766B2; WO2013047278A1; EP2762072A1; EP2762072A4; JP2013066632A; CN103826536A; US9390509B2; US20140341471A1

Abstract

本发明提供可以向诊断者通知在组织分割的处理中产生了分割错误或者有可能产生分割错误的医用图像处理装置等。医用图像处理装置(1)特定出对象被检者的灰质图像(S31)，进行灰质图像的平滑化(S32)，例如依照用于算出绝对Z分数的评价函数，算出评价值(S33)。接着，医用图像处理装置(1)比较评价值和预先定义出的阈值，识别分割结果(S34)，在识别为分割结果不正常的情况下(S35的“不正常”)，发出分割结果不正常的意思的警告(S38)，并且显示出表示分割结果的分割结果显示画面(S39)。

Description

医用图像处理装置、医用图像处理方法

技术领域

本发明涉及通过输入利用MRI(Magnetic Resonance Imaging：磁共振成像)拍摄的脑图像、并进行图像处理而进行分疾病的诊断支持的用图像处理装置等。

背景技术

本发明人等开发出了作为早期AD(Alzheimer’s Disease：阿尔兹海默型痴呆症)诊断支持系统的VSRAD(注册商标)(Voxel-Based Specific Regional Analysis Systemfor Alzheimer’s Disease)。VSRAD(注册商标)是用于从MRI图像中读取在包括前驱期的早期阿尔兹海默型痴呆症中可以特征性地看到的海马旁回附近(＝关注区域)的萎缩的程度的图像处理/统计分析软件。

利用VSRAD(注册商标)，自动分析关注区域的萎缩的程度，在MRI脑图像中叠加显示Z分数图(Z-score map)。所谓Z分数，是对被检者图像与健康者平均图像进行统计比较的结果显示，表示距离平均值多少个标准差的值。Z分数图如热像图那样，将Z分数的分布利用与Z分数的值对应的颜色表示，叠加地显示在被检者的脑图像上。诊断者可以根据Z分数图，在视觉上确认萎缩的程度。

在VSRAD(注册商标)中，使用了VBM(Voxel Based Morphometry：基于体素形态学测量)(参照专利文献1)或DARTEL(Diffeomorphic Anatomical Registration usingExponentiated Lie algebra：通过指数化李代数的微分同胚的解剖登记)(参照专利文献2)这样的技术。

VBM是将拍摄被检者的头部而取得的脑图像以作为三维像素的体素(voxel)为单位进行图像处理的技术。DARTEL与此前的VBM相比，空间标准化的处理的精度优异，作为提高阿尔兹海默病的借助图像统计分析的诊断能力的技术受到期待。这里，所谓空间标准化的处理，是为了吸收在个人之间存在的脑图像的解剖学的差别，而进行针对脑整体的大小的大局的校正、和针对局部的大小的局部的校正的处理。

在MRI脑图像(特别是T1加强MRI脑图像)中，包含对应于神经细胞的灰色的灰质、比之更亮的对应于神经纤维的白质、接近黑色的脑脊液这3种组织。通过使用DARTEL，可以正确地评价从被检者的MRI脑图像中利用组织分割提取的作为白质的异常、即病变或萎缩的程度(参照专利文献2)。

现有技术文献

专利文献

专利文献1:日本特开2005－237441号公报

专利文献2:WO2011/040473号公报

发明内容

发明所要解决的问题

但是，组织分割的处理由于各种各样的理由，有时无法正确地分割灰质组织和白质组织(以下将此种情况称作“分割错误”。)。在使用以往的VBM的情况下，通过确认Z分数图，可以容易地判别出产生了分割错误。例如，在Z分数图中，在将萎缩的程度加剧的部位设为红色的情况下，当产生分割错误时，包括海马旁回附近以外的区域在内，脑整体变为红色。也就是说，可知由于分割错误而将Z分数被作为异常的值算出，进而可以容易地判别出产生了分割错误。

另一方面，在使用DATEL的情况下，与以往的VBM相比，空间标准化的处理非常强大，因此即使产生了分割错误，也会显示出像没有产生分割错误那样的Z分数图。也就是说，有时即使产生了分割错误，也不会包括海马旁回附近以外的区域在内地使脑整体变为红色。所以，在使用DATEL的情况下，即使确认Z分数图，也很难判别出产生了分割错误。此后，当诊断者未注意到分割错误而进行诊断时，就有可能导致重大的误诊。所以，希望有向诊断者通知在组织分割的处理中产生了分割错误或者有产生分割错误的可能性的方法。

本发明是鉴于前述的问题完成的，其目的在于，提供可以向诊断者通知在组织分割的处理中产生了分割错误或者有可能产生分割错误的医用图像处理装置等。

用于解决问题的方案

为了达成前述的目的，第一发明是一种医用图像处理装置，其特征在于，具备：输入机构，其输入被检者的脑图像；分割机构，其对所述被检者的脑图像进行组织分割处理，分割出灰质组织；存储机构，其保存健康者的灰质组织的图像群；输出机构，其基于利用所述分割机构得到的所述被检者的灰质组织的图像与所述健康者的灰质组织的图像群的统计性的比较，输出诊断支持信息；以及识别机构，其基于所述被检者的脑图像的所述灰质组织的体素值、和正常地进行了所述组织分割处理的脑图像群的所述灰质组织的每个体素的统计值，来识别所述分割机构的分割结果是否正常。利用第一发明，可以向诊断者通知在组织分割的处理中产生了分割错误或者有可能产生分割错误。特别是，由于自动地识别组织分割处理的分割结果，因此完全不会对诊断者造成负担。

第一发明的所述识别机构优选通过比较所述被检者的脑图像的所述灰质组织的体素值的绝对Z分数、和预先定义出的阈值，来识别所述分割机构的分割结果是否正常。这样，就可以精度优良地识别组织分割处理的分割结果。

第一发明优选还具备：存储机构，其存储正常地进行了所述组织分割处理的脑图像群的所述灰质组织的体素值或每个体素的统计值；以及反映机构，其将利用所述识别机构识别为正常的所述被检者的脑图像的所述灰质组织的体素值反映到所述存储机构。这样，评价值(绝对Z分数)的算出处理的精度就会提高，进而会提高识别处理的精度。

第一发明优选还具备警告机构，其在利用所述识别机构识别为不正常的情况下，输出警告信息。这样，诊断者就不会未注意到分割错误地进行诊断。

第一发明优选还具备显示机构，其在利用所述识别机构识别为不正常的情况下，显示出所述分割机构的分割结果。这样，诊断者就不会感到麻烦。

第二发明是一种医用图像处理方法，其特征在于，包括：输入步骤，输入被检者的脑图像；分割步骤，对所述被检者的脑图像进行组织分割处理，分割出灰质组织；输出步骤，基于利用所述分割步骤得到的所述被检者的灰质组织的图像与保存在存储机构中的健康者的灰质组织的图像群的统计性的比较来输出诊断支持信息；以及识别步骤，基于所述被检者的脑图像的所述灰质组织的体素值、和正常地进行了所述组织分割处理的脑图像群的所述灰质组织的每个体素的统计值，来识别所述分割步骤的分割结果是否正常。利用第二发明，可以向诊断者通知在组织分割的处理中产生了分割错误或者有可能产生分割错误。特别是，由于自动地识别组织分割处理的分割结果，因此完全不会对诊断者造成负担。

第三发明是一种程序，其用于使计算机作为如下的机构发挥作用，即，输入机构，其输入被检者的脑图像；分割机构，其对所述被检者的脑图像进行组织分割处理，分割出灰质组织；存储机构，其保存健康者的灰质组织的图像群；输出机构，其基于利用所述分割机构得到的所述被检者的灰质组织的图像与所述健康者的灰质组织的图像群的统计性的比较来输出诊断支持信息；以及识别机构，其基于所述被检者的脑图像的所述灰质组织的体素值、和正常地进行了所述组织分割处理的脑图像群的所述灰质组织的每个体素的统计值，识别所述分割机构的分割结果是否正常。通过将第三发明的程序安装到通用的计算机中，就可以获得第一发明的医用图像处理装置，并且可以执行第二发明的医用图像处理方法。

发明的效果

利用本发明，可以提供能够向诊断者通知在组织分割的处理中产生了分割错误或者有可能产生分割错误的医用图像处理装置等。

附图说明

图1是表示医用图像处理装置的概要的框图。

图2是表示医用图像处理方法的预处理的流程图。

图3是表示医用图像处理方法的诊断支持信息制作处理的流程图。

图4是组织分割结果的正常例及分割错误例。

图5是表示医用图像处理方法的组织分割结果识别处理的流程图。

图6是表示分割结果的每种形态的评价值的度数分布和阈值的图。

图7是表示分割错误的识别性能的曲线图。

图8是表示阈值为0.8的情况下的灵敏度及特异度的图。

具体实施方式

以下基于附图对本发明的实施方式进行详细说明。图1是表示医用图像处理装置的概要的框图。医用图像处理装置1是通过在计算机中安装用于执行本发明的实施方式的医用图像处理方法的程序而构建的。首先，对计算机的硬件构成进行说明。

计算机具备控制部、存储部、显示部、输入部、I/O(Input/Output interface)等。控制部由CPU(Central Processing Unit)、ROM(Read Only Memory)、RAM(Random AccessMemory)等构成。CPU将存放在存储部、ROM、记录介质等中的程序向RAM上的工作存储器区域调出后执行，驱动控制各装置，实现计算机所进行的后述的处理。ROM是非易失性存储器，恒久地保持计算机的引导程序(bootprogram)、BIOS等程序、数据等。RAM是易失性存储器，暂时地保持从存储部、ROM、记录介质等加载的程序、数据等，并且具备用于控制部21进行各种处理的工作区。

存储部例如为HDD(Hard Disk Drive)，存放控制部所执行的程序、执行程序所需的数据、OS(Operating System)等。就程序而言，存放有相当于OS的控制程序、用于使计算机执行后述的处理的应用程序。这些各程序代码由控制部根据需要地读出后转移到RAM，由CPU读出而作为各种机构执行。

显示部具有液晶面板等显示器装置、用于与显示器装置协作地实现计算机的视频功能的逻辑电路等(视频适配器等)。输入部进行数据的输入，例如具有键盘、鼠标等指示设备、数字键等输入装置。经由输入部，可以对计算机进行操作指示、动作指示、数据输入等。此外，显示部及输入部也可以像触摸面板显示器那样为一体。

I/O是用于将周边机器(例如打印机、网络机器等)与计算机连接的端口等。计算机经由I/O进行与周边机器的数据的收发。另外，计算机经由网络机器等进行与医用图像的拍摄装置(例如MRI等)或医用图像管理服务器等的数据的收发。

下面，参照图1，对医用图像处理装置1的功能进行说明。如图1所示，医用图像处理装置1具备用户界面部10、处理部20、以及数据库部30。

用户界面部10具有作为输入图像输入MRI图像的图像输入功能11、和显示由处理部20进行处理而得的结果的结果输出功能12。

处理部20具有处理从用户界面部10输入的MRI图像的图像处理功能21、进行各种统计运算处理等的统计处理功能22、识别图像处理功能21的结果是否正常的识别处理功能23。

在数据库部30中，保存有处理部20的后述的处理中使用的白质脑图像模板31、白质脑图像模板32、健康者图像数据库33、疾病特异性的ROI34、以及组织分割正常图像数据库35等。

本实施方式的医用图像处理装置1通过进行(1)诊断支持信息输出处理，以被检者的MRI脑图像为基础进行诊断支持信息的输出等；以及(2)图像处理结果识别处理，识别诊断支持信息输出处理中所包含的图像处理的结果是否正常，在图像处理的结果不正常的情况下进行警告信息的输出等，由此，来支援诊断者的诊断。

以下，作为诊断支持信息输出处理的1例，对WO2011/040473号公报(专利文献2)中记载的第一实施方式进行说明。本实施方式中仅将流程图示于图中，对处理的流程进行说明。

图2是表示医用图像处理方法的预处理的流程图。在图2的预处理中，制成在图3的诊断支持信息制作处理的步骤23的空间标准化中使用的模板。

如图2所示，医用图像处理装置1输入尽可能多的的健康者的T1加强MRI脑图像(图2中是被检者图像)。

对从各被检者取得的MRI脑图像，先进行预处理。具体来说，输入包含被检者的整个脑地以规定的厚度的切片状拍摄的、例如100～200片的T1加强MRI图像。另外，使各切片图像的体素的各边的长度预先相等地进行切片图像的重采样。这里，体素是具有“厚度”的图像的坐标单位，相当于二维图像的像素(pixel)。

输入此种进行了预处理的MRI脑图像后，检查该切片图像的拍摄方向或分辨率是否适合预先在系统中设定的条件。

如上所述，在确认了适合设定条件地输入MRI脑图像的情况下，医用图像处理装置1进行空间对位处理(步骤11)。

这相当于如下的操作，即，为了提高将所输入的脑图像与标准的脑图像比较时的精度，而利用仿射变换进行空间位置和角度的校正。

在结束以上的空间对位后，医用图像处理装置1进行组织分割处理(步骤12)，分别提取白质组织和灰质组织，制成白质图像和灰质图像。而且，虽然在本发明的实施方式中，将组织分割处理设为分割白质组织和灰质组织的处理进行了说明，然而如果可以准确地分割出灰质组织，则可以基于利用组织分割处理得到的被检者的灰质组织的图像与健康者的灰质组织的图像群的统计性的比较来输出诊断支持信息。所以，组织分割处理只要至少分割出灰质组织即可。

在所输入的T1加强MRI脑图像中，包含与神经纤维对应的呈现出高信号值的白质、与神经细胞对应的呈现出中间的信号值的灰质、呈现出低信号值的脑脊液这3种组织。所以，医用图像处理装置1着眼于信号值的差而进行分别提取白质组织和灰质组织的处理。对于该处理，在日本特开2005－237441号公报(专利文献1)中有过说明。在本实施方式中，进行提取精度比专利文献1中采用的手法更高的综合型组织分割处理。综合型组织分割处理是在1个模型中嵌入了标准化、组织分割、信号不均的校正的组织分割手法。具体来说，记载于“J.Ashburner and K.J.Friston.Unified segmentation.Neuro Image.2005;26:839-851.”中。在综合型组织分割处理中，具有如下特征：在白质图像及灰质图像以外，还制成了表示MRI图像的坐标与标准脑的坐标的对应关系的变换场。变换场在后述的标准化中使用。

像这样，医用图像处理装置1预先将利用组织分割从很多健康者的MRI脑图像中三维地提取出白质、灰质而得的白质图像、灰质图像分别作为多个样品而取得。

如上所述，医用图像处理装置1将对多个健康者的MRI脑图像分别进行组织分割而提取了白质的白质图像制成为样品，利用所制成的所有样品间的空间标准化制成白质模板(步骤13)。同样地，医用图像处理装置1将对多个健康者的MRI脑图像分别进行组织分割而提取了灰质的灰质图像制成为样品，利用所有样品间的空间标准化制成灰质模板。

在这里执行的空间标准化中，应用了DARTEL算法。如前所述，DARTEL与以往的VBM相比空间标准化精度优异，被作为提高阿尔兹海默病的借助图像统计分析的诊断能力的技术受到期待。另外，由于可以比以往的手法更精密地进行DARTEL的空间标准化，因此不仅是灰质，还可以将白质作为评价对象。

步骤13的模板制作处理中，医用图像处理装置1对白质和灰质分别制成与年龄或性别等被检者的属性对应的分层的模板，在数据库部30中作为白质脑图像模板31、灰质脑图像模板32保存。

以分年龄、分性别地准备如上所述地制成的白质和灰质的模板为前提，医用图像处理装置1进行图3所示的诊断支持信息制作处理。而且，以下，将白质和灰质的模板称作DARTEL模板。

图3是表示医用图像处理方法的诊断支持信息制作处理的流程图。如图3所示，在诊断支持信息制作处理中，以诊断对象的被检者的T1加强MRI脑图像作为输入数据。

与图2的预处理相同，医用图像处理装置1输入被检者图像，使各切片图像的体素的各边的长度预先相等地进行切片图像的重采样。此后，医用图像处理装置1与预处理的步骤11的情况相同地进行空间对位的处理(步骤21)。

在结束以上的空间对位后，医用图像处理装置1进行组织分割处理(步骤22)。该组织分割处理与预处理的步骤12的情况相同。医用图像处理装置1提取白质和灰质，分别制成被检者的白质图像和灰质图像。

对于如上所述地制成的被检者的白质图像和灰质图像，医用图像处理装置1进行空间标准化的处理(步骤23)。在这里进行的空间标准化中，与预处理的步骤13的情况相同，应用了DARTEL算法。

该空间标准化的处理是如下的处理，即，为了吸收存在于个人之间的脑图像的解剖学上的差别，而进行针对脑整体的大小的大局的校正、和针对部分的大小的局部的校正。以下，为了方便，以灰质为中心进行说明，然而在白质的情况下也进行实质上相同的处理。

步骤23的利用DARTEL的空间标准化的处理由以下的3个步骤的处理构成。

(步骤23－1)初始位置确定处理

(步骤23－2)向DARTEL模板的变换处理

(步骤23－3)向标准脑模板的变换处理

在步骤23－1的初始位置确定处理中，医用图像处理装置1使用利用前述的综合型组织分割处理得到的向标准脑的变换场，对灰质图像、白质图像进行确定初始位置的处理。在该处理中，由于进行刚体变换，因此其特征是，图像的形状不会改变。

在步骤23－2的向DARTEL模板的变换处理中，医用图像处理装置1对执行了步骤23－1的图像，使用DARTEL算法，使形状与DARTEL模板匹配。

在步骤23－2的向标准脑模板的变换处理中，医用图像处理装置1对步骤23－2中与DARTEL模板匹配而得的图像进行与标准脑模板匹配的处理。预先求出从DARTEL模板到标准脑模板的变换场，使用该变换场进行向标准脑坐标系的变换。

在步骤23－2和步骤23－3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，而保持体积的信息，因此可以在标准化后计测体积。

在步骤23－1中进行线性变换，在步骤23－2及步骤23－3中进行线性变换和非线性变换。如果以步骤23－2为例进行说明，则医用图像处理装置1使用线性变换和非线性变换，使得与从数据库部30中读出的在步骤13中制成的平均的灰质脑图像模板32的误差的平方和最小地进行图像处理。在该空间标准化处理中，首先进行借助线性变换的位置或大小、角度的大局的校正，接着利用非线性变换进行局部的凹凸等形状的校正。

这里进行的线性变换是与步骤11的对位相同的仿射变换。另外，非线性变换是对x方向、y方向分别推定表示局部的位移的变形场，利用该变形场进行原图像的变换。

步骤23－2的处理是以步骤13中制成的DARTEL模板为雏形来匹配处理对象图像的处理。由于使用的模板应用DARTEL算法高精度地制成，因此其形状尖锐。

由此，利用空间标准化将各个处理对象匹配为没有个体差别的相近的形状，因此可以提高空间标准化的精度，个体间的形状接近相同，而萎缩等由局部的密度反映出来。

对于如上所述地实施了空间标准化的白质图像和灰质图像(以下也称作“标准化脑图像”。)，医用图像处理装置1进行图像平滑化的处理(步骤24)。

该处理是用于提高标准化脑图像的S/N比、并且用于使图像的平滑度与其后进行比较时作为标准使用的健康者的图像群相等的处理，使用三维高斯核函数进行。该平滑化中使用的滤波器的FWHM(半值宽度)设为8mm左右。

具体来说，如专利文献1中说明的那样，医用图像处理装置1进行三维脑图像与三维高斯函数的三维卷积(convolution)。这相当于逐次地进行x、y、z各方向的一维卷积。通过像这样进行平滑化，就可以减少在空间标准化处理中不完全一致的个体差别。

在步骤23的处理中，保存了脑的体积的信息。由此，也可以在执行下次的浓度值校正之前，对白质及灰质的处理结果图像，计测整体或后述的关注区域(ROI：Regions OfInterest)的积分值来作为体积，作为诊断支持信息利用。

对于如上所述地进行了图像平滑化的标准化脑图像，为了与后面进行比较时作为标准使用的健康者的图像群的体素值的分布匹配，进行校正整个脑的体素值的浓度值校正。

其后，医用图像处理装置1进行与健康者群的统计性的比较(步骤25)。这里，进行经过以上的步骤21～24的各处理而进行了标准化的被检者的灰质(白质) 的MRI脑图像、与预先收集而作为健康者图像数据库33保存在数据库部30中的健康者的灰质(白质)的MRI脑图像群的比较检定。使用的健康者图像群优选由与被检者的年龄接近的健康者图像构成。

具体来说，医用图像处理装置1以体素为单位与健康者图像群进行1：N(N为健康者图像的总数)的比较检定，检测在统计上可以看到显著的差的(推定为异常的)体素。

首先，对所有的体素，分别算出以下式表示的Z分数。

Z＝(μ―x)/σ···(1)

这里，Z是Z分数，μ是健康者图像群所对应的体素值的平均，x是被检者图像的体素值，σ是健康者图像群所对应的体素值的标准偏差。

像这样，Z分数是利用标准偏差将被检者图像的体素值与健康者图像群所对应的体素的体素值平均的差缩放比例而得的值，它表示出灰质(白质)容积的相对的降低的程度。

然后，确定适当的临界值Z’，求出Z分数为

Z’＜Z···(2)

的体素，作为在统计上可以看到显著的差的体素。在临界值中，使用可以以约95％以上的概率推定为异常的Z’＝2。另外，作为包含所有与健康者相比容积降低的部位的临界值的指定法，还使用下式。

0＜Z···(3)

而且，步骤25中使用的健康者图像数据库33是针对预先另外收集的健康者的图像群分别依次进行步骤21～24的空间对位→灰质(白质)的组织分割处理→空间标准化→图像平滑化等各处理而同样地制成、并保存的数据库。

另外，在该医用图像处理装置1中，将所收集的这些健康者图像例如每5岁或每10岁那样地按年龄段分类，通过将针对各个群算出的平均值和标准偏差保存在存储部中，就可以进行借助Z分数的检定。

而且，在像这样使用Z分数的情况下，由于只要每个体素中具有平均值和标准偏差的数据即可，因此还具有在数据制成后不需要保存图像数据本身的优点。

如上所述地对被检者的标准化脑图像进行统计性的比较后，医用图像处理装置1进行ROI分析(步骤26)。

这是在使用脑图像判别有无异常的情况下在图像上设定规定的大小的关注区域(ROI)的方法，在脑图像上，在作为与特定的疾病相关而受到关注的特定部位设定出规定的大小的ROI来进行比较。

该解析方法如专利文献1中说明所示，通过对于利用统计处理看到与健康者存在显著的差的坐标位置的体素和其Z分数，应用与疾病对应的ROI(疾病特异性的ROI34)，来求出患病的程度。其特征为如下两点。

(特征1)准备作为与阿尔兹海默病的各疾病对应的标准化了的图像数据的ROI(疾病特异性的ROI34)，对根据被检者的症状能想到的疾病，在被检者的脑图像数据中应用(设定)各自的ROI，基于该ROI的Z分数将优势性最高的作为诊断结果。

(特征2)不只利用仅ROI的部分的Z分数来判断疾病，还对不应用ROI的情况下的脑整体的Z分数图与仅为应用了ROI的部分的Z分数图进行比较。其目的在于观察关注部位的萎缩相对于脑整体的萎缩的比例。

这里，以准备了疾病A～C的分疾病的特异性的ROI的情况为例，对判别被检者是否患有某种疾病A的方法进行说明。

对利用步骤25的统计性的比较得到的被检者的Z分数图，使用对应于疾病A的ROI，利用(2)式及(3)式，算出以下的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)的体素的数量

P2＝脑整体中满足式(2)的体素的数量/脑整体的体素数量

P3＝ROI部分中满足式(2)的体素的数量/ROI部分的体素数量

P4＝P3/P2

P5＝ROI部分的所有的体素当中最大的Z分数

对P1～P5的5个参数，预先求出具有疾病A的患者群的特性，在被检者的参数的值与之相符的情况下，判别被检者为疾病A。

此种判别结果被作为诊断支持信息输出。另外，Z分数、各参数的值也被作为诊断支持信息输出。另外，像热像图那样，将Z分数的分布利用与Z分数的值对应的颜色表示，叠加地显示在被检者的脑图像上的Z分数图也作为诊断支持信息输出。诊断支持信息例如显示在医用图像处理装置1的显示部中。

本实施方式的医用图像处理装置1在输出诊断支持信息前，执行图像处理结果识别处理(步骤27)。对于图像处理结果识别处理，将参照图5在后面叙述。

如上所述，医用图像处理装置1进行诊断支持信息输出处理。但是，组织分割的处理由于各种各样的理由，有时会产生无法正确地分割出灰质组织和白质组织的分割错误。在应用了DARTEL的医用图像处理装置1的处理结果中，在大部分的情况下，即使诊断者利用目视来确认Z分数图，也无法判别有无发生分割错误。

图4是组织分割结果的正常例及分割错误例。ID1～ID7是axial(横剖面)切片的图像，都将灰质的部位设为白色来表示，将除此以外的部位设为黑色来表示。ID1为正常例，ID2～ID7为分割错误例。分割错误的原因是拍摄时被检者动了、或拍摄位置偏移、拍摄条件错误等，有各种各样的原因。

作为容易产生分割错误的图像，可以举出如下的图像。

·灰质与白质的对比度不足的图像

·SN比(信噪比)不理想的图像(噪声明显的图像)

·有信号不均的图像

·有伪影(由磁化率、身体动作、混叠等引起)的图像

·拍摄范围过宽的图像

·在宽广的区域中发生白质梗塞等组织的变性的图像

ID1的图像正常地进行了灰质与白质的分割，正确地提取出了灰质。

ID2的图像含有很多白质。这通过与ID1的图像比较地观察即可理解。在ID2的图像中，在组织分割处理中，本来应当作为白质提取的部分被作为灰质提取。

ID3的图像含有很多脑脊液。这通过与ID1的图像比较地观察即可理解。在ID3的图像中，在组织分割处理中，本来应当作为脑脊液提取的部分被作为灰质提取。

ID4的图像基本上没有出现灰质。这通过与ID1的图像比较地观察即可理解。在ID4的图像中，在组织分割处理中，本来应当作为灰质提取的部分被作为白质或脑脊液提取。

ID5的图像整体的形状/位置的背离大。这通过与ID1的图像比较地观察即可理解。在ID5的图像中，可以认为拍摄位置不正确。

ID6的图像的噪声、模糊等强烈。这通过与ID1的图像比较地观察即可理解。在ID6的图像中，可以认为拍摄条件不正确。

ID7的图像在宽大的范围中存在有缺失。这通过与ID1的图像比较地观察即可理解。在ID7的图像中，可以认为拍摄范围不正确、或在一部分的拍摄数据中有缺损。

在本实施方式的医用图像处理装置1中，提供如下的方案：利用图5所示的图像处理结果识别处理，对如图4所示的分割结果自动地识别是否正常，如果产生了分割错误或者有可能产生分割错误，则将该意思通知诊断者。

图5是表示医用图像处理方法的组织分割结果识别处理的流程图。组织分割结果识别处理在输出诊断支持信息前执行(参照图3的步骤27)。

如图5所示，医用图像处理装置1选择成为诊断支持信息制作处理的对象的被检者(以下也称作“对象被检者”。)的灰质图像(步骤31)。

在步骤31中选择的灰质图像例如为通过MNI(Montreal NeurologicalInstitute：蒙特利尔神经研究所)坐标系的原点的axial(横剖面)切片的图像。该图像将海马旁回附近(本实施方式的关注区域)横剖。但是，在步骤31中特定的灰质图像并不应当限于该例，也可以是其他的切片的图像。另外，在步骤31中特定的灰质图像不限于1片，也可以是多片。

然后，医用图像处理装置1进行步骤31中特定出的对象被检者的灰质图像的平滑化(步骤32)。这里的平滑化与图3的步骤24的图像平滑化的处理相同。

步骤32的平滑化例如使用三维高斯核函数进行。该平滑化中使用的滤波器的FWHM(半值宽度)设为8mm左右。

步骤32的平滑化是用于在一定程度上除去灰质的微细结构、和用于使图像的平滑度与登记在组织分割正常图像数据库35中的图像群相等的处理。在组织分割正常图像数据库35中，登记有正常地执行了图3的步骤22的组织分割处理的灰质图像(以下也称作“组织分割正常图像”。)。医用图像处理装置1在对组织分割正常图像进行与步骤32中对对象被检者的灰质图像进行的平滑化相同的平滑化后，登记到组织分割正常图像数据库35中。

接着，医用图像处理装置1对于在步骤32中平滑化了的图像，依照预先定义出的评价函数，算出评价值(步骤33)。评价函数可以举出以下所示的例子。

[式1]

\frac{Σ_{x}^{X} Σ_{y}^{Y} \frac{\sqrt{{(input (x, y) - mean (x, y))}^{2}}}{SD (x, y)}}{XY} - - - (4)

[式2]

\frac{Σ_{x}^{X} Σ_{y}^{Y} Σ_{z}^{Z} \frac{\sqrt{{(input (x, y, z) - mean (x, y, z))}^{2}}}{SD (x, y, z)}}{XYZ} - - - (5)

[式3]

\frac{Σ_{x}^{X} Σ_{y}^{Y} \sqrt{\frac{{(input (x, y) - mean (x, y))}^{2}}{SD (x, y)}}}{XY} - - - (6)

[式4]

\frac{Σ_{x}^{X} Σ_{y}^{Y} Σ_{z}^{Z} \sqrt{\frac{{(input (x, y, z) - mean (x, y, z))}^{2}}{SD (x, y, z)}}}{XYZ} - - - (7)

[式5]

\frac{Σ_{x}^{X} Σ_{y}^{Y} \frac{| input (x, y) - mean (x, y) |}{SD (x, y)}}{XY} - - - (8)

[式6]

\frac{Σ_{x}^{X} Σ_{y}^{Y} Σ_{z}^{Z} \frac{| input (x, y, z) - mean (x, y, z) |}{SD (x, y, z)}}{XYZ} - - - (9)

其中，x轴及y轴是构成axial(横剖面)的轴。z轴是被检者的体轴，即与axial(横剖面)正交的轴。

input(x，y)是固定z轴的位置、对象被检者的灰质图像中的体素(x，y)的体素值。input(x，y，z)是对象被检者的灰质图像中的体素(x，y，z)的体素值。

mean(x，y)是固定z轴的位置、登记在组织分割正常图像数据库35中的图像群的每个体素(x，y)的平均值。mean(x，y，z)是登记在组织分割正常图像数据库35中的图像群的每个体素(x，y，z)的平均值。

SD(x，y)是固定z轴的位置、登记在组织分割正常图像数据库35中的图像群的每个体素(x，y)的标准偏差。SD(x，y，z)是登记在组织分割正常图像数据库35中的图像群的每个体素(x，y，z)的标准偏差。

Ｘ是x轴方向的体素数量。Ｙ是y轴方向的体素数量。Z是z轴方向的体素数量。

式(4)～式(9)中所示的评价函数都是基于式(1)中所示的Z分数的公式的函数，并且值域为0以上。所以，将利用式(4)～式(9)中所示的评价函数、以及式(4)～式(9)中设为分母＝1的评价函数算出的评价值统称为“绝对Z分数”。而且，评价值并不限定于绝对Z分数，例如也可以考虑基于前述的P1～P5的各种变形例。

在使用基于式(4)、(6)及(8)的评价函数的情况下，医用图像处理装置1在步骤31中特定出1片切片的对象被检者的灰质图像。另一方面，在使用基于式(5)、(7)及(9)的评价函数的情况下，医用图像处理装置1在步骤31中，作为对象被检者的灰质图像特定出与Z(z轴方向的体素数量)的值一致的片数。而且，即使在仅利用1片对象被检者的灰质图像的情况下，也可以如参照图6～图8后述的那样，高精度地识别分割结果。

像这样，在本实施方式中，不是利用组织分割正常图像本身。所以，在组织分割正常图像数据库35中，也可以存储组织分割正常图像群的每个体素的统计值(例如mean(x，y)、mean(x，y，z)、SD(x，y)、SD(x，y，z)等)来替代存储各组织分割正常图像的体素值。在存储组织分割正常图像群的每个体素的统计值的情况下，由于不是存储组织分割正常图像本身，因此可以可靠地保护各被检者的医疗信息。

然后，医用图像处理装置1比较在步骤33中算出的评价值和预先定义出的阈值，识别分割结果(步骤34)。阈值的定义法将参照图6～图8在后面叙述。

医用图像处理装置1在识别为分割结果正常的情况下(步骤35的“正常”)，如果由用户确认为该识别结果正确，经由输入部做出登记的意旨的指示(步骤36的“是”)，则将对象被检者的灰质图像(其中，在步骤32中平滑化后的图像)的体素值登记在组织分割正常图像数据库35中(步骤37)。也就是说，医用图像处理装置1将在步骤34中识别为正常的被检者的脑图像的灰质组织的体素值反映到组织分割正常图像数据库35中。另一方面，如果由用户确认为该识别结果不正确，经由输入部做出不登记的意旨的指示(步骤36的“否”)，则医用图像处理装置1结束处理。

而且，在组织分割正常图像数据库35中存储组织分割正常图像群的每个体素的统计值地构成的情况下，医用图像处理装置1进行如下所示的处理来替代登记对象被检者的灰质组织的体素值。即，医用图像处理装置1针对已经存储的组织分割正常图像群的每个体素的统计值，使之反映出对象被检者的灰质图像的体素值。此后，医用图像处理装置1将反映出对象被检者的灰质图像的体素值的统计值登记在组织分割正常图像数据库35中。

无论在何种的情况下(在登记对象被检者的灰质组织的体素值的情况下、以及登记反映出对象被检者的灰质图像的体素值的统计值的情况下)，都会基于更多的图像群自动地更新评价值的算出处理中所用的组织分割正常图像的每个体素的统计值。从而会提高评价值的算出处理的精度，进而提高识别处理的精度。

另一方面，医用图像处理装置1在识别为分割结果不正常的情况下(步骤35的“不正常”)，发出分割结果不正常的意思的警告(步骤38)。作为警告机构，例如可以考虑在显示部显示、或者利用声音输出分割结果不正常的意思的消息。作为分割结果不正常的意思的消息的1例，可以举出“Check segment results!”(请确认分割结果！)、“Probable segmenterror!”(有可能分割错误！)等。显示这些消息的画面可以举出包含Z分数图的处理结果显示画面、诊断支持信息的报告输出画面等。

此后，医用图像处理装置1显示出表示分割结果的分割结果显示画面(步骤39)。这里，在分割结果显示画面中，除了如图4所示的灰质图像以外，还显示有分割前图像、白质图像、脑脊液图像等。

如果贯穿整个诊断支持信息制作处理地考虑，则分割结果只不过是用于制成诊断支持信息的中间结果。所以，如果什么问题也没有，则诊断者希望省略确认分割结果的步骤。所以，医用图像处理装置1仅在识别为分割结果不正常的情况下，显示出表示分割结果的分割结果显示画面。

如上所述，医用图像处理装置1进行图像处理结果识别处理。以下，参照图6～图8，对图5的阈值的定义法进行说明。

图6是表示分割结果的每个形态的评价值的度数分布和阈值的图。图7是表示分割错误的识别性能的曲线图。图8是表示阈值为0.8的情况下的灵敏度及特异度的图。

图6～图8是分别准备了多个依照图4所示的正常例及分割错误例的分割结果、并进行了阈值的定义的图。如图8所示，各分割结果的数据数如下所示。

·识别ID＝1(分割结果为正常)的例子：805件

·识别ID＝2(含有很多白质)的例子：4件

·识别ID＝3(含有很多脑脊液)的例子：13件

·识别ID＝4(基本上不出现灰质)的例子：0件

·识别ID＝5(全体的形状/位置的背离大)的例子：8件

·识别ID＝6(噪声/模糊强烈)的例子：4件

·识别ID＝7(在宽大的范围中有缺失)的例子：0件

而且，由于识别ID＝4(基本上不出现灰质)的例子、识别ID＝7(在宽大的范围中有缺失)的例子可以通过利用目视确认Z分数图，而容易地判别是否产生了分割错误，因此在本实施方式中不考虑在内。

图6的度数分布图的横轴是识别分割结果的形态的ID，纵轴是图5的步骤33中算出的评价值。图6所示的评价值是利用式(6)的评价函数求出的值。

在图6中，将分割结果正常的例子的图示用实线的矩形包围，将分割结果错误的例子的图示用虚线的矩形包围。在图6中，以阈值＝0.8进行识别，如果是阈值以上则将识别结果设为错误，如果小于阈值则将识别结果设为正常。

在图6中将阈值定义为0.8的理由利用图7来说明。图7的识别性能的曲线图的横轴是评价值(或者阈值)，纵轴是灵敏度/特异度。

所谓灵敏度，是定义为对于某个检查“将应当判定为阳性(本实施方式中是“分割结果不正常”)的正确地判定为阳性的概率”的值。所谓灵敏度高(高灵敏度)，是指“将应当判定为阳性的正确地判定为阳性的可能性高”、或者“错将应当判定为阳性的判定为阴性的可能性低”的意思。

特异度是与灵敏度构成一对的表达，如图7所示，由与灵敏度的均衡性来决定。所谓特异度，是定义为对于某个检查“将应当判定为阴性(本实施方式中是“分割结果正常”)的正确地判定为阴性的概率”的值。所谓特异度高(高特异度)，是指“将应当判定为阴性的正确地判定为阴性的可能性高”、或者“错将应当判定为阴性的判定为阳性的可能性低”的意思。

本实施方式中，目的在于，为了排除当诊断者未注意到分割错误地进行诊断时导致重大的误诊的可能性，向诊断者通知在组织分割的处理中产生了分割错误或者有可能产生分割错误。所以，优选以达到高灵敏度的方式来定义阈值，也就是说，优选设为将应当判定为“分割结果不正常”的正确地判定为“分割结果不正常”的值。

根据图7的曲线图，如果在灵敏度为100％当中将特异度最高的值定义为阈值，则阈值＝0.8。

图8中，示出了设为阈值＝0.8时的灵敏度及特异度。如果阈值＝0.8，则将识别ID＝2～7的分割错误例全都识别为分割错误，达到灵敏度＝100％。另外，对于识别ID＝1的正常例，基本上识别为正常，达到高特异度(特异度＝99.5％)。

以上，利用本实施方式的医用图像处理装置1，可以向诊断者通知在组织分割的处理中产生了分割错误或者有可能产生分割错误。

特别是，由于医用图像处理装置1自动地识别组织分割处理的分割结果，因此完全不会对诊断者造成负担。

另外，由于医用图像处理装置1在识别为组织分割处理的分割结果不正常的情况下，与诊断支持信息一起，还输出产生了分割错误或者有可能产生分割错误的意思的警告信息，因此诊断者不会不注意到分割错误地进行诊断。

另外，由于医用图像处理装置1仅在识别为组织分割处理的分割结果不正常的情况下，显示出表示分割结果的分割结果显示画面，因此诊断者不会感到麻烦。

另外，由于医用图像处理装置1将正常地进行了组织分割处理的脑图像群的灰质组织的体素值或每个体素的统计值存储在组织分割正常图像数据库34中，此外，将识别为正常的对象被检者的脑图像的灰质组织的体素值反映到组织分割正常图像数据库34中，因此会提高评价值的算出处理的精度，进而提高识别处理的精度。

而且，虽然在前述的说明中，在组织分割正常图像数据库35中，不考虑被检者的属性或拍摄条件等地全都汇总地存储，然而也可以在组织分割正常图像数据库35中对每个被检者的属性、拍摄条件分别进行存储。被检者的属性例如为性别、年龄等。拍摄条件为MRI机种名称、磁场强度、体素数量、FOV(Field Of View：视野)的大小、切片厚度、拍摄时间、TR(Repetition Time：重复时间)、TE(Echo Time：回声时间)、FA(Flip Angle：偏转角度)等。在该情况下，医用图像处理装置1对每个被检者的属性、拍摄条件分别算出每个体素的统计值。此后，医用图像处理装置1在算出图5的步骤33的评价值时，将与对象被检者的属性、拍摄对象被检者的脑图像时的拍摄条件对应的每个体素的统计值代入评价函数中。

以上，参照附图对本发明的医用图像处理装置等的优选的实施方式进行了说明，但是，本发明并不限定于这些例子。很明显，只要是本领域技术人员，就可以在本申请公开的技术思想的范畴内想到各种的变更例或修改例，可以知道，它们当然也属于本发明的技术范围。

附图标记说明

1：医用图像处理装置；10：用户界面部；11：图像输入功能；12：结果输出功能；20：处理部；21：图像处理功能；22：统计处理功能；23：识别处理功能；30：数据库部；31：白质脑图像模板；32：灰质脑图像模板；33：健康者图像数据库；34：疾病特异性的ROI；35：组织分割正常图像数据库。

Claims

1.一种医用图像处理装置，其特征在于，

具备：

输入机构，其输入被检者的脑图像；

分割机构，其对所述被检者的脑图像进行组织分割处理，分割出灰质组织以作成组织分割处理结果图像；

存储机构，其保存健康者的灰质组织的图像群；

输出机构，其基于利用所述分割机构得到的所述被检者的组织分割处理结果图像与所述健康者的灰质组织的图像群的统计性的比较，输出诊断支持信息；以及

识别机构，其基于所述被检者的脑图像的所述组织分割处理结果图像的体素值、和作为正常地进行了所述组织分割处理的脑图像群的组织分割正常图像群的每个体素的统计值，来识别所述分割机构的分割结果是否正常,

所述组织分割正常图像群的每个体素的统计值是将所述组织分割正常图像群的各图像的每个对应位置的体素值的分布按每个该位置以平均值和标准偏差进行表示的值，

所述识别机构通过比较由所述被检者的脑图像的所述组织分割处理结果图像的体素值和所述组织分割正常图像群的对应位置的所述平均值及所述标准偏差所决定的涉及所述组织分割处理结果图像全体的绝对Z分数和预先定义出的阈值，来识别所述分割机构的分割结果是否正常。

2.根据权利要求1所述的医用图像处理装置，其特征在于，

还具备：

存储机构，其存储作为正常地进行了所述组织分割处理的脑图像群的组织分割正常图像群的体素值或对应位置的每个体素的统计值；以及

反映机构，其将利用所述识别机构识别为正常的所述被检者的组织分割处理结果图像的体素值反映到所述存储机构中。

3.根据权利要求1所述的医用图像处理装置，其特征在于，

还具备警告机构，其在利用所述识别机构识别为不正常的情况下，输出警告信息。

4.根据权利要求1至3的任一项所述的医用图像处理装置，其特征在于，

还具备显示机构，其在利用所述识别机构识别为不正常的情况下，显示出所述分割机构的分割结果。