CN111867471A - 诊断辅助程序 - Google Patents

诊断辅助程序 Download PDF

Info

Publication number
CN111867471A
CN111867471A CN201980016993.2A CN201980016993A CN111867471A CN 111867471 A CN111867471 A CN 111867471A CN 201980016993 A CN201980016993 A CN 201980016993A CN 111867471 A CN111867471 A CN 111867471A
Authority
CN
China
Prior art keywords
frequency
image
images
lung
spectrum
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.)
Pending
Application number
CN201980016993.2A
Other languages
English (en)
Inventor
阿部武彦
吉田典史
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.)
Mediot Co Ltd
Palamevia Private Ltd
Original Assignee
Mediot Co Ltd
Palamevia Private Ltd
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 Mediot Co Ltd, Palamevia Private Ltd filed Critical Mediot Co Ltd
Publication of CN111867471A publication Critical patent/CN111867471A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • A61B6/5264—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to motion
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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]
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5288—Devices using data or image processing specially adapted for radiation diagnosis involving retrospective matching to a physiological signal
    • 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
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A61B6/541—Control of apparatus or devices for radiation diagnosis involving acquisition triggered by a physiological signal
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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]
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/503—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the heart
    • 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
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/30048—Heart; Cardiac
    • 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
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Physiology (AREA)
  • Optics & Photonics (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种能显示针对包含呼气或吸气的全部或一部分的每个呼吸要素而形状发生变化的区域的运动的诊断辅助程序。包含下述处理：从存储图像的数据库中获取多帧图像；基于各帧图像的特定区域的像素来确定包含呼气或吸气的全部或一部分的呼气要素的周期；基于所确定出的呼吸要素的周期，来检测肺野；将检测出的肺野分割成多个块区域，计算各帧图像中的块区域的图像的变化；对各帧图像中的各块区域的图像的变化进行傅里叶变换；从傅里叶变换后所得到的频谱中提取包含与呼吸要素的周期相对应的频谱在内的固定频带内的频谱；对从所述固定频带中提取出的频谱进行反傅里叶变换；以及将反傅里叶变换后的各图像显示在显示器上。

Description

诊断辅助程序
技术领域
本发明涉及对人体的图像进行分析，并且显示分析结果的技术。
背景技术
在医生通过胸部的动态图像来进行对肺的诊断时，对被拍摄体在自然呼吸的状态下被拍摄而得到的时间序列的胸部动态图像进行观察是重要的。已知有容易获得生理学数据的肺活量计、RI(Radio Isotope：放射性同位素)检查、能够得到形态数据的常规X射线照片、CT(Computed Tomography：计算机断层扫描)等用于对肺功能进行评价的方法。但是，不容易高效率地获取生理学数据和形态数据这两者。
近年来，尝试了利用FPD(Flat panel detector：平板检测器)等半导体图像传感器来拍摄人体胸部的动态图像以用于诊断的方法。例如，在非专利文献1中，公开了下述技术，即：在构成动态图像的多帧图像之间，生成表示信号值之差的差分图像，并且根据该差分图像求出各信号值的最大值并进行显示。
此外，在专利文献1中，公开了下述技术，即：从表示人体胸部的动态的多帧图像中的每帧图像中提取出肺野区域，将该肺野区域分割成多个小区域，并且在多帧图像之间将分割后得到的小区域相互关联并进行分析。根据该技术，显示出表示分割后得到的小区域的运动的特征量。
现有技术文献
专利文献
专利文献1：日本专利第5874636号说明书
非专利文献
非专利文献1：“Basic Imaging Properties of a Large Image Intensifier-TVDigital Chest Radiographic System(大型图像增强器-电视数字胸片系统的基本成像性质)”Investigative Radiology(调查放射学)：1987年4月；22：328-335.
发明内容
发明所要解决的技术问题
然而，如非专利文献1中所记载的技术那样，仅仅通过简单地显示动态图像的各像素的帧间差分值的最大值，医生并不容易掌握病情。此外，如专利文献1中所记载的技术那样，仅仅通过显示特征量，也不足以掌握病情。因此，希望显示与呼吸、肺血管的状态相符合的图像。即，希望掌握被拍摄体即人体的呼吸状态和血管动态整体，并基于呼吸、心脏、肺门部的血管或血流的波形或者频率、或图像的变化倾向，来显示表示实际运动的图像。
本发明是鉴于上述情况而完成的，其目的在于提供一种诊断辅助程序，该诊断辅助程序能显示针对包含呼气或吸气的全部或一部分的每个呼吸要素而形状发生变化的区域的运动。更具体地，其目的在于，通过针对想要测量的新的对象的数据，将其相对于已经获取到的波形和Hz的一致性或其他的不一致性数值化，从而计算作为诊断辅助的数值，并进一步将这些数值图像化，来生成作为诊断辅助的图像。
解决技术问题所采用的技术方案
(1)为了达到上述目的，本发明采取以下的技术方案。即，本发明的一个方式所涉及的诊断辅助程序是对人体的图像进行分析，并且显示分析结果的诊断辅助程序，其特征在于，该诊断辅助程序使计算机执行下述处理：从存储所述图像的数据库中获取多帧图像的处理；基于所述各帧图像的特定区域的像素，来确定包含呼气或吸气的全部或一部分的呼气要素中的至少一个呼气要素的频率的处理；基于所述确定出的呼吸要素中的至少一个呼气要素的频率，来检测肺野的处理；将所述检测出的肺野分割成多个块区域，并且计算所述各帧图像中的块区域的图像的变化的处理；对所述各帧图像中的各块区域的图像的变化进行傅里叶变换的处理；从在所述傅里叶变换后所得到的频谱中、提取包含与所述呼吸要素中的至少一个呼气要素的频率相对应的频谱在内的固定频带内的频谱的处理；对从所述固定频带中提取出的频谱进行反傅里叶变换的处理；以及将所述反傅里叶变换后的各图像显示在显示器上的处理。
(2)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含下述处理：使用滤波器，来从在所述傅里叶变换后所得到的频谱中提取包含噪声的频率在内的固定频带内的频谱、以及包含与从所述帧图像中得到的除了呼吸要素的频率以外的频率、或所输入的频率或者频带相对应的频谱在内的固定频带内的频谱的处理。
(3)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含下述处理：基于所述呼吸要素的频率和所述各帧图像，来生成所述帧间的图像的处理。
(4)此外，本发明的一个方式所涉及的诊断辅助程序是对人体的图像进行分析，并且显示分析结果的诊断辅助程序，其特征在于，该诊断辅助程序使计算机执行下述处理：从存储所述图像的数据库中获取多帧图像的处理；对从被拍摄体的心搏或血管搏动提取的心血管搏动要素中的至少一个血管搏动要素的频率进行确定的处理；基于所述各帧图像的特定区域的像素，来确定包含呼气或吸气的全部或一部分的呼气要素中的至少一个呼气要素的频率的处理；基于所述确定出的呼吸要素中的至少一个呼气要素的频率，来检测肺野的处理；将所述检测出的肺野分割成多个块区域，并且计算所述各帧图像中的块区域的图像的变化的处理；对所述各帧图像中的各块区域的图像的变化进行傅里叶变换的处理；从在所述傅里叶变换后所得到的频谱中、提取包含与所述心血管搏动要素中的至少一个心血管搏动要素的频率相对应的频谱在内的固定频带内的频谱的处理；对从所述固定频带中提取出的频谱进行反傅里叶变换的处理；以及将所述反傅里叶变换后的各图像显示在显示器上的处理。
(5)此外，本发明的一个方式所涉及的诊断辅助程序是对人体的图像进行分析，并且显示分析结果的诊断辅助程序，其特征在于，该诊断辅助程序使计算机执行下述处理：从存储所述图像的数据库中获取多帧图像的处理；对从被拍摄体的心搏或血管搏动提取的心血管搏动要素中的至少一个心血管搏动要素的频率进行确定的处理；检测肺野的处理；将所述检测出的肺野分割成多个块区域，并且计算所述各帧图像中的块区域的图像的变化的处理；对所述各帧图像中的各块区域的图像的变化进行傅里叶变换的处理；从在所述傅里叶变换后所得到的频谱中、提取包含与所述心血管搏动要素中的至少一个心血管搏动要素的频率相对应的频谱在内的固定频带内的频谱的处理；对从所述固定频带中提取出的频谱进行反傅里叶变换的处理；以及将所述反傅里叶变换后的各图像显示在显示器上的处理。
(6)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含下述处理：使用滤波器，来从在所述傅里叶变换后所得到的频谱中提取包含噪声的频率在内的固定频带内的频谱、以及包含与从所述帧图像中得到的除了心血管搏动要素的频率以外的频率、或所输入的频率或者频带相对应的频谱在内的固定频带内的频谱的处理。
(7)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含下述处理：基于所述确定出的心血管搏动要素的频率和所述各帧图像，来生成所述帧间的图像的处理。
(8)此外，本发明的一个方式所涉及的诊断辅助程序是对人体的图像进行分析，并且显示分析结果的诊断辅助程序，其特征在于，该诊断辅助程序使计算机执行下述处理：从存储所述图像的数据库中获取多帧图像的处理；对从被拍摄体的心搏或血管搏动提取的心血管搏动要素中的至少一个心血管搏动要素的频率进行确定的处理；将针对所述各帧图像而设定好的分析范围分割成多个块区域，并且计算所述各帧图像中的块区域的图像的变化的处理；对所述各帧图像中的各块区域的图像的变化进行傅里叶变换的处理；从在所述傅里叶变换后所得到的频谱中、提取包含与所述心血管搏动要素中的至少一个心血管搏动要素的频率相对应的频谱在内的固定频带内的频谱的处理；对从所述固定频带中提取出的频谱进行反傅里叶变换的处理；以及将所述反傅里叶变换后的各图像显示在显示器上的处理。
(9)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含下述处理：使用滤波器，来从在所述傅里叶变换后所得到的频谱中提取包含噪声的频率在内的固定频带内的频谱、以及包含与从所述帧图像中得到的除了心血管搏动要素的频率以外的频率、或所输入的频率或者频带相对应的频谱在内的固定频带内的频谱的处理。
(10)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含下述处理：基于所述确定出的心血管搏动要素的频率和所述各帧图像，来生成所述帧间的图像的处理。
(11)此外，本发明的一个方式所涉及的诊断辅助程序是对人体的图像进行分析，并且显示分析结果的诊断辅助程序，其特征在于，该诊断辅助程序使计算机执行下述处理：从存储所述图像的数据库中获取多帧图像的处理；基于所述各帧图像的特定区域的像素，来确定包含呼气或吸气的全部或一部分的呼气要素中的至少一个呼气要素的频率的处理；基于所述确定出的呼吸要素中的至少一个呼吸要素的频率，来检测肺野和横膈膜的处理；将所述检测出的肺野分割成多个块区域，并且计算所述各帧图像中的块区域的像素的变化率的处理；使用所述块区域图像的像素的变化率与和呼吸联动的活动部位的变化率之比的值即可调率，来仅提取所述可调率在预先确定出的固定范围内的块区域的处理；以及将仅包含所述提取出的块区域的各图像显示在显示器上的处理。
(12)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含下述处理：对从被拍摄体的心搏或血管搏动提取的心血管搏动要素中的至少一个心血管搏动要素的频率或从血管搏动提取的血管搏动要素中的至少一个血管搏动要素的频率进行确定的处理。
(13)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，所述可调率的对数的值被确定为包含0在内的固定范围。
(14)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含下述处理：使用在特定的帧中所检测出的肺野上的至少一条以上的贝塞尔曲线(Beziercurve)，来对其他帧中的肺野进行检测的处理。
(15)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，在所述检测出的肺野内选定内部控制点，并且利用通过所述肺野内的内部控制点的曲线或直线来对所述肺野进行分割。
(16)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，使在所述检测出的肺野的外延及其附近的控制点的间隔变得相对较大，并根据所述检测出的肺野内的每个部位的膨胀比率，来使所述内部控制点的间隔变得相对较小。
(17)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，在所述检测出的肺野中，使控制点的间隔随着相对于人体沿头尾方向前进而变得相对较大，或者使控制点的间隔沿着特定的矢量方向而变得相对较大。
(18)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含下述处理：使用在特定的帧中所检测出的肺野上的至少一条以上的贝塞尔曲线(Beziercurve)，来对其他帧中的肺野进行检测的处理。
(19)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含下述处理：在特定的帧中被预先确定出的分析范围上，使用至少一条以上的贝塞尔曲线(Bezier curve)，来对其他帧中与所述分析范围相对应的范围进行检测的处理。
(20)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含下述处理：使用至少一条以上的贝塞尔曲线(Bezier curve)，来至少对肺野、血管或心脏进行绘制的处理。
(21)此外，本发明的一个方式所涉及的诊断辅助程序是对人体的图像进行分析，并且显示分析结果的诊断辅助程序，其特征在于，该诊断辅助程序使计算机执行下述处理：从存储所述图像的数据库中获取多帧图像的处理；针对所述获取到的全部的帧图像，使用贝塞尔曲线来确定分析范围的处理；以及基于所述分析范围内的强度(intensity)的变化、来检测分析对象的处理。
(22)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含计算所述检测出的分析对象的边缘的特征的处理。
(23)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，针对连续的各图像，通过计算强度(intensity)的差分来检测横膈膜，并且显示表示所检测出的横膈膜或和呼吸联动的活动部分的位置或形状的指标。
(24)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，通过使强度(intensity)的阈值变化，从而显示未被除了横膈膜以外的部位所遮挡的横膈膜，并对横膈膜的整体形状进行插补。
(25)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含下述处理：根据所述检测出的横膈膜的位置或者形状、或和呼吸联动的活动部位的位置或者形状，来计算所述呼吸要素中的至少一个呼吸要素的频率的处理。
(26)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含下述处理：将所述检测出的肺野在空间上进行标准化，或利用重建(reconstruction)来将所述检测出的肺野在时间上进行标准化的处理。
(27)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，通过使所述呼吸要素中的至少一个呼吸要素的频率的相位变化，或使呼吸要素的波形平滑化，从而校正呼吸要素。
(28)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，确定分析范围内的任一部位的波形，提取所述确定出的波形的频率的结构要素，并且输出与所述波形的频率的结构要素相对应的图像。
(29)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，检测分析范围的密度(density)，并且去除密度发生相对较大的变化的位置。
(30)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含下述处理：从在所述傅里叶变换后所得到的频谱中，基于脏器特有的周期性变化的频谱构成比，来选择在进行反傅里叶变换时的至少一个频率的处理。
(31)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，根据所述呼吸要素中的至少一个呼吸要素的频率，来控制X射线拍摄装置，以对X射线的照射间隔进行调整。
(32)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，在所述反傅里叶变换后，仅提取振幅值相对大的块并进行显示。
(33)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包括下述处理：在识别出肺野之后，确定横膈膜或胸廓，计算横膈膜或胸廓的变化量，并且根据所述变化量来计算变化率的处理。
(34)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含将系数与特定的频谱相乘的处理，并基于乘上所述系数而得到的特定频谱，来进行强调显示。
(35)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，在从存储图像的数据库中获取多帧图像之后，为了确定呼吸要素的频率或波形，而对作为分析对象的部位实施数字滤波。
(36)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，进一步包含：基于所述各帧图像的特定区域的像素，来确定包含呼气或吸气的全部或一部分的呼吸要素的多个频率，并且将与所述呼吸要素的多个频率中的各个频率相对应的各图像显示在显示器上。
(37)此外，本发明的一个方式所涉及的诊断辅助程序的特征在于，针对某一张以上的帧图像的特定的范围，选择聚集到某一固定值的图像，并且显示在显示器上。
发明效果
根据本发明的一个方式，能显示针对包含呼气或吸气的全部或一部分的每个呼吸要素而形状发生变化的区域的运动。
附图说明
图1A是表示本实施方式所涉及的诊断辅助系统的简要结构的图。
图1B是表示肺区域的分割方法的一个示例的图。
图1C是表示肺的形态随着时间的经过而变化的情形的图。
图1D是表示肺的形态随着时间的经过而变化的情形的图。
图2A是表示特定块的“强度”变化和对其进行傅里叶分析而得到的结果的图。
图2B是表示提取出接近心搏的频率分量而得到的傅里叶变换结果、和对其进行反傅里叶变换从而接近心搏的频率分量的“强度”变化的图。
图2C是表示从在傅里叶变换后所得到的频谱中提取某个固定频带的示例的图。
图2D是示意性表示了肺的变化率的图。
图2E是表示肺野区域的图案图像的示例的图。
图2F是表示肺野区域的图案图像的示例的图。
图2G是表示肺野区域的图案图像的示例的图。
图2H是表示肺野区域的图案图像的示例的图。
图3A是表示使用贝塞尔曲线和直线这两者来绘制出肺野的轮廓的示例的图，表示肺野为最大的状态。
图3B是表示使用贝塞尔曲线和直线这两者来绘制出肺野的轮廓的示例的图，表示肺野为最小的状态。
图4A是在前一帧与下一帧之间对肺野的图像的前后进行了重叠的图。
图4B是表示获取到图4A的2张原图像的差分，其结果是产生了“间隙较强的线”的状态的图。
图4C是表示在图4B中图像的上下方向的各位置的“强度”值的合计“密度”的差分值的图。
图5是表示进行曲线回归、对横膈膜的相对位置进行近似而得到的结果的图。
图6A是表示本实施方式所涉及的呼吸功能分析的概要的流程图。
图6B是表示被显示在显示器上的图像的一个示例的图。
图6C是表示被显示在显示器上的图像的一个示例的图。
图7是表示本实施方式所涉及的肺血流分析的概要的流程图。
图8是表示本实施方式所涉及的其他的血流分析的概要的流程图。
图9是表示将在傅里叶变换后所得到的频谱中某个固定频谱乘以系数的示例的图。
图10是表示使用贝塞尔曲线来绘制出肺野的示例的图。
图11是表示使用贝塞尔曲线来分割了肺野的示例的图。
图12是表示使用贝塞尔曲线来分割了肺野的示例的图。
图13是表示将大动脉血流量的波形和心室容量的波形进行了对比的一个示例的图。
图14是表示肺和肺的附近的像素值的一个示例的图。
图15是示意性示出了人体的血管的简要结构的图。
具体实施方式
首先，对本发明的基本概念进行说明。在本发明中，针对在人体中的呼吸、血管、肺野的面积和体积、其他的生物体运动中以固定周期反复地被捕捉到的运动，在整体或某一部分的范围内，将时间轴上固定的反复或固定的运动(一套动作)作为波进行捕捉并进行测量。对于波的测量结果使用(一)波本身的形态、或(二)波的间隔(频率：Hz)。将这2个概念统称为“基础数据”。
在同一时期有可能存在以相同方式连锁的波。例如，针对呼吸的情况，可以考虑以下近似。
(某一大致范围的“密度”变化的平均)≒(胸廓的变化)≒(横膈膜的运动)≒(肺功能检查)≒(胸腹呼吸传感器)
对于上述“(一)波本身的形态”，使用“波形可调性”这样的概念，基于此来显示图像(Wave form tunable imaging：波形可调谐成像)。此外，对于上述“(二)波的间隔(频率：Hz)”，使用“频率可调性”这样的概念，基于此来显示图像(Frequency tunable imaging：频率可调谐成像)。
例如，对于心脏的情况，如图13所示的“将大动脉血流量的波形和心室容量的波形进行了对比的一个示例”那样，大动脉血流量的峰值与心室容积的峰值、波形不一致。然而，在图13中，如果将时刻t1至t2、时刻t2至t3、时刻t3至t4…这样等间隔的时间宽度确定为1个循环，则大动脉血流量的1个循环和心室容量的1个循环被重复多次，可以说各波形的频率可调。如果着眼于该波形，则通过从如图13所示那样的实际测量值中确定1个循环、并利用模型波形，可预料到波形(Wave form)。即，作为“作为基础数据的波形”的生成方式，可以进行实际测量，可以根据频率(循环)进行生成，可以利用模型波形，也可以对个人间的波形进行平均化来利用。如果知道具有心脏等的频率的脏器的循环(周期)，则可以预料到波形(Wave form)，因此，能掌握大动脉血流量、心室容量等的波形，并基于该波形来显示脏器的活动的图像。
另外，在获取呼吸、心脏、肺门等的“密度”的变化时，也可预先应用数字滤波器，以使得其他的要素不混入。
此外，在本发明中，使用“呼吸要素”这样的概念。所谓“呼吸要素”，是指包含呼气或吸气的全部或一部分。例如，可以考虑将“1次呼吸”分为“1次呼气”和“1次吸气”，也可以考虑将“1次呼吸”限定为“1次呼气或1次吸气”的“0％、10％、20％、30％、40％、50％、60％、70％、80％、90％、100％”中的任一个。另外，也可仅提取各呼气的固定比例、例如仅呼气的10％来进行评价。使用它们中的任一个的数据、或将它们相组合而得到的数据，从而实现更高精度的画像的提取。此时，可相互进行多次计算。
这样的考虑方式不仅能够适用于“呼吸要素”，也同样地能够适用于“心血管要素”。
这里，在生成基础数据时，通过从单个或多个模态中得到的特征量(例如，由某个固定范围的“密度”、“容量测定”所构成的变化量、胸廓的运动、横膈膜的运动、“肺量测定”、胸腹呼吸传感器中的2种以上)或相同呼吸周期等的多次波形测定，对彼此的分量提取进行补充，从而提高精度。由此，能够减少伪影，并且基于线(line)等的某个固定的假设来提高精度。这里，所谓“密度(density)”，虽然可被解释成“密度(mitsudo)”，但在图像中，意指在特定的区域中的像素的“吸收值”。例如，在CT中，空气作为“-1000”被使用，骨骼作为“1000”被使用，水作为“0”被使用。
此外，对通过彼此的分量提取而得到的波的轴、宽度、范围和Hz的波动、宽度进行推定。即，通过多次叠加，将Hz的轴设定平均化，并通过方差来计算轴、宽度、范围、Hz的最佳区间(range)。此时，存在下述情况：提取其他行动的Hz(噪声)，若存在该波，则即使是不包括波的程度，也会相对地测量下去。即，有时从波形要素的整体中仅提取一部分波形。
在本说明书中，将“密度”和“强度”区别使用。如上所述，“强度”意指吸收值，在XP、XP视频的原始图像中，空气的透过性较高，若对透过性较高的部分为白色这一情况赋予数值，则设为将空气显示为“-1000”，将水显示为“0”，将骨骼显示为“1000”。另一方面，“强度”是相对于“密度”而变化的，例如，是经标准化以“转换”为浓度的宽度、信号的程度并进行显示的。即，“强度”在图像中是明暗、强调度等的相对值。在直接处理XP图像的吸收值期间，表示为“密度”或“密度的变化(Δ密度)”。并且，为了图像表示上的方便，对其进行如上所述那样的转换并表示为“强度”。例如，在以0至255的256灰度来进行彩色显示的情况下，变为“强度”。这样的术语的区别适用于XP或CT的情况。
另一方面，对于MRI的情况，即使设为将空气确定为“-1000”，将水确定为“0”，将骨骼确定为“1000”，根据MRI的像素值、测定机器的种类、测定时的人的身体状况、体格、测定时间，值也可能会发生显著变化，此外，对于T1强调像等MRI的信号的获取方式，根据其设施、测定机器的种类，获取方式也是各种各样的，而并不是固定的。因此，对于MRI的情况，无法定义如XP或CT的情况那样的“密度”。因此，在MRI中，从最开始描绘的阶段起，对相对值进行处理，从最开始就表示为“强度”。于是，该处理的信号就也为“强度”。
通过上述内容，能得到基础数据。针对上述基础数据，对于想要测量的新的对象，用上述基础数据的波形、波的Hz的某个固定的宽度、范围来进行提取。例如，仅用呼吸提取、或用血管提取程度的宽度、范围、波形要素来进行提取。另外，关于该波形、Hz的宽度，使用其他功能的波形要素、噪声等的“伪影”、被认为存在其他可调性的其他“模态”的波形、进行多次的重现性等，来相对地、或基于统计而综合地进行判断。在这里，需要调整、经验(也能应用机器学习)。这是因为当宽度、范围变宽时，其他功能的要素开始出现，而另一方面当宽度太窄时，功能本身的要素被剔除，因此需要对该区间进行调整。例如，当存在多次数据时，容易规定区间、与Hz测定一致的宽度等。
[关于可调一致率]
在本说明书中，将图像变化的倾向作为可调一致率来进行说明。例如，检测肺野，将其分割为多个块区域，并且计算各帧图像中的块区域的“平均密度(像素值x)”。然后，计算“各帧图像中的块区域的平均像素值相对于平均密度(像素值x)”的最小值到最大值的变化宽度(0％～100％)的比例(x’)。另一方面，使用其与各帧图像的横膈膜的变化(y)相对于横膈膜的最小位置到最大位置的变化宽度(0％～100％)的比例(y’)之比的值(x’/y’)，来仅提取比值(x’/y’)在预先确定出的固定范围内的块区域。
这里，在为y’＝x’或者y＝ax(a为横膈膜的振幅的数值或“密度”的数值的系数)的情况下，两者是完全一致的。然而，并非仅在完全一致的情况下才存在有意义的值，应提取具有某个固定宽度的值。因此，在本发明的一个方式中，使用对数(log)来如下述那样地确定固定宽度。即，当以y＝x的比例(％)来进行计算时，可调完全一致为“log y'/x’＝0”。另外，在提取可调一致率的范围为较窄的(数值上较窄)范围时，例如在接近0的范围内确定为“log y'/x'＝-0.05～+0.05”，若该可调一致率的范围为较宽的(数值上较宽)范围，则例如在接近0的范围内确定为“log y'/x'＝-0.5～+0.5”。即，可调率的对数的值被确定为包含0在内的固定范围。如果该范围越小，此外，在该范围内一致的数值越高，则可以说一致率越高。
如果针对像素的每一像素求出该比值并且对个数进行计数，则在健康的人的情况下，可以得到将完全一致的情况作为峰值的正态分布。与此相对地，对于具有病患的人的情况，该比值的分布崩塌。另外，如上述那样，使用对数确定宽度的方法仅为一个示例，本发明并不限于此。即，本发明是设为(某一大致范围的“密度”变化的平均)≒(胸廓的变化)≒(横膈膜的运动)≒(肺功能检查)≒(胸腹呼吸传感器)≒(肺野的面积和体积)而进行“图像提取”的，也能应用除了使用对数的方法以外的方法。通过这样的方法，能够显示可调性图像。
对于血管的情况，在与一系列的心脏的收缩(y)相呼应而产生的一系列“密度”的变化(x(肺门部的一个波形))中，在保持该形状的情况下存在有些许的时间延迟(相位的变化)，因此，表示为y＝a’(x-t)(即，Y≒X)。在完全一致的情况下，t＝0，因此，y＝x或y＝a’x。与横膈膜的情况相同，在提取可调一致率的范围为较窄的(数值上较窄)范围时，例如在接近0的范围内确定为“log y'/x'＝-0.05～+0.05”，若该可调一致率的范围为较宽的(数值上较宽)范围，则例如在接近0的范围内确定为“log y'/x'＝-0.5～+0.5”。如果该范围越小，此外，在该范围内一致的数值越高，则可以说一致率越高。
对于其他血管的情况，将上述“与心脏相呼应的部分”排除，使用根据肺门而绘制出的中枢侧的“密度”。对于末梢血管的情况，也可以同样地进行处理。
另外，对于循环器也可应用本发明，例如，心脏的“密度”的变化与流向肺门部～末梢肺野的血流的“密度”的变化直接相关联，一系列的心脏的“密度”的变化、肺门部的“密度”的变化受到一种转换并保持不变地传播。这是因为，考虑到因心脏的“密度”的变化与肺门部的“密度”的变化之间的关系而产生得到若干相位差。此外，肺门部等的“密度”的变化与保持不变地流向肺野的血流的“密度”的变化相关联，因此能用由保持不变的率所反映的情况(Y≒X的一致率的关系)来表示可调性。此外，在颈部血管系统或胸部、腹部、骨盆、四肢等大血管系统中，同样地，也考虑到用附近的中枢的心脏血管而绘制出的“密度”的变化直接相关联，或者伴随些许的相位而相关联。然后，假设该“密度”根据背景而发生变动，并在传输时“密度”的变化的状态发生传递，则能作为可调一致率来进行考察。
这里，在1张图像的变化量和1张图像的变化率的各自中，可以设为“吸气量总计≒呼气量总计”。因此，在根据与周围空气的透过性之差来相对地算出数值的情况下，若想要显示为在根据肺野的“密度”将变化量设为1时的相对值(Standard Differential SignalDensity/Intensity：标准差分信号密度/强度)，则对于：(1)在每1张图像的不同图像中，针对每1张图像设为1时的图像(通常假设)；(2)在每1张图像的不同图像中，将添加“密度(变化量或变化率)”而得到的吸气整体或呼气整体、或吸气呼气的绝对值设为1时的比例；另外，(3)在将多次拍摄中各次呼吸时(数次选择10％时)的“密度”总量设为1的情况下的该比例，可以分别描绘变化量、变化率。
此外，虽然存在MR等3D的情况，但对于吸气整体的“强度(MR的情况)”或“密度”(CT的情况)进行合计而得到的值(此时为将其设为1时)，可以将该“强度”或“密度”的差换算为吸气(无论是安静时或是努力呼吸)的“峰值流量数据(peak flow volume deta)”，并且对于该值，通过算出该“强度”或“密度”的比率来在至少计算MRI或CT等中的“3D×时间”时，可以换算各肺野的部分的实际测量呼吸量、呼吸率。同样地，通过输入1次心输出量，肺野的“流动(flow)”的“毛细血管期(capillary phase)”的分布也能提示换算为肺血流末梢量的分布、容量的推定値。
即，(每1张图像的吸气变化量)×(吸气的全部张数)≒(每1张图像的呼气变化量)×(呼气的全部张数)≒(此时的吸气呼吸：自然呼吸或努力呼吸的容量)≒(此时的呼气呼吸：自然呼吸或努力呼吸的容量)≒(此时的自然呼吸或努力呼吸的“容量”的吸气或呼气的变化量)成立。在仅取出10％或20％的1张的变化量的情况下，能通过计算(全部的张数)×(该时间的变化量)，来计算出推定値。
将该提取变化量可视化，并且绘制成图像。这是以下说明的呼吸功能分析、血管分析。然后，将胸廓、横膈膜的变化率可视化。此时，也有时会再次将结果中的伪影排除，并从新的数据提取波形、作为最初基础的数据波形、其他模态等的波形、周围、多次波形中进行提取，以进行功能的提取。排除伪影的方法在后文进行叙述。
此外，有时即使排除了从除了上述提取出的以外提取出的变化分量也掌握特征量。例如，在掌握腹部肠管的运动时，从腹部排除呼吸的影响和血管的影响，以实现腹部肠管的运动的提取。
以下，参照附图对本发明的实施方式进行说明。图1A是示出本实施方式所涉及的诊断辅助系统的简要结构的图。该诊断辅助系统通过使计算机执行诊断辅助程序来发挥特定功能。基本模块1由呼吸功能分析部3、肺血流分析部5、其他的血流分析部7、傅里叶分析部9、波形分析部10以及视觉化·数值化部11所构成。基本模块1经由输入接口13从数据库15中获取图像数据。数据库15中例如存储有基于DICOM(Digital Imaging andCommunication in Medicine：医学数字成像和通信)的图像。从基本模块1输出的图像信号经由输出接口17被显示在显示器19上。接着，对本实施方式所涉及的基本模块的功能进行说明。
[呼吸要素的周期分析]
在本实施方式中，基于以下的指标来分析呼吸要素的周期。所谓“呼吸要素”，如上述那样地，是指包含呼气或吸气的全部或一部分的概念。即，使用在肺野内的某个固定区域中的“密度”/“强度”、横膈膜的运动、胸廓的运动中的至少一个，来分析呼吸要素中的至少一个呼吸要素的频率。在该“呼吸要素中的至少一个呼吸要素的频率”中，呼吸要素所示出的频率频谱为一个以上，是包含具有固定带宽的情况的概念。由于将肺野视为块的集合体，并且从各块提取多个频率，因此在本实施例中将这些频率作为频率组来进行处理。另外，如前述那样地，基础数据由于具有“波本身的形态”和“波的间隔(频率：Hz)”这两方的概念，因此也能够作为波的形态来进行处理。此外，也可使用由在X射线(其他CT、MRI等多个种类的模态)的透过性较高的部位测定得到的某个固定容量“密度”/“强度”而构成的范围、由呼吸图等其他测定方法得到的数据或外部输入信息。
另外，也可以对每一次呼吸的分析结果进行比较，根据多个数据来分析倾向，从而提高数据的准确度。
此外，也能通过使呼吸要素中的至少一个呼吸要素的频率的相位变化，或使呼吸要素的波形平滑化，从而校正呼吸要素。在该情况下，使用(胸廓、其他横膈膜的运动)≒(胸廓的运动)≒(密度)≒(精密肺功能)≒(胸廓传感器)等的运动来将相位与该波相组合。此外，追踪肺野平均的“密度”，对于最后的变化，作为波的形态来进行波的二乘法等的近似，进行波的识别。这里，对于胸部的“密度”等的情况，变化最大的值是肺的“密度”，因此，有时也会通过画面整体的“密度”的评价，来评价肺的“密度”的变化。在绘制波的曲线时，有时会实际上正在运动，并且有时会在测量值中产生相位的偏移。在该情况下，有时在相位差最大、最小值的位置、波的形态整体等处对相位进行校正。
[波形分析]
可以根据呼吸要素的波形来计算出波形的频率的结构要素。由此，获取上述“波形可调性图像”。具体地，确定分析范围内的任一部位的波形，提取所述确定出的波形的频率的结构要素，并且输出与所述波形的频率的结构要素相对应的图像。
[心血管搏动分析和血管搏动分析]
在本实施方式中，基于以下的指标来分析心血管搏动分析和血管搏动。即，根据心电图、脉搏计等其他的模态的测量结果、或肺轮廓来确定心脏·肺门位置·主要血管，使用各部位的“密度”/“强度”的变化，来分析血管搏动。此外，也可以利用手动在图像上进行绘制，并且分析对象部位的“密度”/“强度”的变化。然后，对从心搏或血管搏动得到的心血管搏动要素中的至少一个心血管搏动要素的频率(波形)进行确定。另外，希望对每一次搏动的分析结果进行比较，根据多个数据来分析倾向，从而提高数据的准确度。此外，能通过多次实施各部位的“密度”/“强度”的提取，或对固定范围进行各部位的“密度”/“强度”的提取，来提高精度。此外，也存在输入心血管搏动频率或者频带的方法。
[肺野识别]
从数据库(DICOM)中提取图像，使用上述呼吸要素的周期分析结果，来自动检测肺轮廓。对于该肺轮廓的自动检测，可以使用以往已知的技术。例如，能使用日本专利特开昭63-240832号公报、或日本专利特开平2-250180号公报中所公开的技术。接着，将肺野分成多个块区域，并计算各块区域的变化。这里，也可以根据拍摄速度来确定块区域的大小。在拍摄速度较慢的情况下，由于难以在某一帧图像的下一帧图像中确定相对应的部位，因此使块区域变大。另一方面，在拍摄速度较快的情况下，由于每一单位时间的帧图像数较多，因此即使块区域较小，也能进行追踪。此外，根据在呼吸要素的周期中选择哪个定时，也可计算块区域的大小。这里，有时会需要校正肺野区域的偏差。此时，识别胸廓的运动、横膈膜的运动、肺野整体的血管的位置关系，此外，掌握肺轮廓的相对位置，并基于该运动来相对地进行评价。另外，如果块区域过小，则有时产生画像的闪烁。为了防止这一情况，块区域需要具有一定的大小。
在上述自动检测出的肺野区域中，可使用至少一条贝塞尔曲线，来将肺野表示为点和控制点的坐标。然后，也能够通过使用多条用至少一条贝塞尔曲线来包围的闭合曲线、即所谓的“简单闭合曲线”，来表示肺野。同样地，也能够使用一条或多条简单闭合曲线来表示分析对象。
对于各帧的肺野，也可以使用在特定的帧中所检测出的肺野上的至少一条以上的贝塞尔曲线(Bezier curve)，来检测其他帧中的肺野。例如，列举出检测最大和最小的2个肺野、并且使用这2个肺野来计算其他帧的肺野的方法。这里，在其他的帧中定义“变化率”这一变量。“变化率”是表示肺野的大小、即呼吸的状态的值，可以根据横膈膜的位置或图像整体的“强度”平均值等来计算。也能够使用呼吸描记器等外部装置的测量数据来计算，或使用模型化的变化率。如此，由于可任意地确定“变化率”这一变量，因此，例如也可以假定肺野以固定比例(10％、20％、30％…)发生变化从而进行计算。由于有时这样定义的变化率包含误差，因此，有时也使用进行对误差的自动·手动排除而得到的结果、或使用最小二乘法等来进行近似而得到的结果等，来进行之后的处理。假定发生线性变形直到引起最大肺野和最小肺野为止，使用各个帧的变化率，利用线性变换等技法，来计算各个帧中的肺野。
此外，能够在连续的帧的任意范围内应用上述处理。例如，在呼吸中，肺野虽然重复变化至极大和极小，但是，在实际的测定中，极大时的形状并不限于为始终固定的。例如，在极大至极小、极小至极大的各范围中，期望可以通过应用上述的处理，来与定义最大和最小这2个肺野并进行计算相比而言，更高精度地计算肺野。另外，这里，作为具体示例，使用极大和极小来进行了说明，但本发明并不限定于此，由于是“任意的范围”，因此，例如也能在呼吸的途中、0％和30％、30％和100％这样的位置来进行。
此外，虽然精度降低，但也能根据1个肺野计算各帧的肺野。例如，通过根据胸廓的形状等来进行类推，来规定肺野的变化矢量。具体地，虽然采用在贝塞尔曲线的控制点的各个上规定变化矢量，但是本发明并不限于此。然后，使用所检测出的1个肺野和变化矢量、各个帧中的变化率，来计算各个帧中的肺野。可以通过对该计算结果以自动或手动的方式来进行校正，从而进一步地提高精度。此外，在3D中，上述方法也是有效的。即，即使对于3D的情况，也能使用在特定的帧中所检测出的肺野上的至少一个以上的贝塞尔曲面(Beziersurface)，来执行检测其他帧中的肺野的处理。由此，能够得到帧间的肺野的图像。
图6C表示呼吸要素的周期的图表。在图6C的图像中，虽然示出了白色垂直线，但这是在呼吸要素的周期中表示当前时刻的位置的直线(指标)，随着图6B所示的肺的视频的运动，会进行运动以表示呼吸要素的周期中的当前位置。通过表示呼吸要素的周期的当前位置，能够在肺的运动的周期中明确地掌握当前位置。另外，在本发明中，并不仅用图表来表示呼吸要素的周期，对于血流的“密度”、胸廓、横膈膜等与肺的运动相联动的部位，能够将它们全部图表化。
此外，在被拍摄体“停止了呼吸的情况”下，有时无法确定呼吸要素的频率。在该情况下，使用从被拍摄体的心搏或血管搏动提取的心血管搏动要素中的至少一个心血管搏动要素的频率，来进行下文叙述的傅里叶分析。在该情况下，也可以根据心脏、横膈膜、或与呼吸相联动的活动部位的运动方式，来改变下文叙述的块区域的分割的方法。
[边缘的检测及其评价]
本发明能够检测肺的边缘，并对该边缘进行评价。例如，在用前述的方法计算出肺野之后，可以重新高精度地检测边缘的位置和形状。在所计算出的肺野内的任意位置处绘制点，使线从该点向四面八方延伸，评价各条线中的像素值的变化。例如，如图14所示，当沿着切断肺的线段S对像素值进行计算时，虽然知道在边缘处像素发生较大变动，但该变动的绝对值并不同。例如，通过对左侧的边缘和右侧的边缘检测时的阈值进行调整，边缘检测的精度提高。此外，也可以利用每个区域的像素值变动的特性。如图14所示，即使设为S2区域和S3区域的边缘的差分较小，也可以根据像素值的变动的方差，来确定S2区域和S3区域的边缘。这里，虽然着眼于方差，但本发明并不限于此。
另外，通过同样的考虑方式，能检测肺以外的脏器、血管、肿瘤等的分析范围的边缘。例如，在血管中存在造影剂的情况下，虽可以将血管的内部明确地可视化，但是不容易明确计算血管的外侧、厚度。在本实施方式中，由于可准确检测边缘，因而可计算在分析范围内的血管的形状、特征。由此，能够甚至对以往难以掌握的血管的厚度、外周进行定量掌握，并且将其用于诊断。
[块区域的生成]
对将肺野分成多个块区域的方法进行说明。图1B是表示将肺野从肺门呈放射状地进行分割的方法的图。在肺中，由于横膈膜侧比肺尖侧运动得要大，因而也可以绘制越靠近横膈膜侧分割得越粗的点。另外，在图1B中，也可以添加绘制纵方向的线(虚线)，并且分成多个矩形(正方形)的块区域。由此，能够更准确地表示肺的动作。另外，也能够利用“在肺的纵方向上绘制点、横断地分割肺的方法”、“在肺的横方向上绘制点、纵断地分割肺的方法”、“画出肺尖部的切线和横膈膜的切线、将切线的交点定为中心点、并用从包含该点的直线(例如，垂直线)以某个固定角度画出的线段来分割肺的方法”、“用与从肺尖(或肺门)连结横膈膜端部的直线正交的多个平面将肺切断的方法”等方法，来分割肺野。另外，这些方法也能够应用于三维立体图像。对于3D的情况，作为由多个曲面或平面包围的空间，对各脏器进行捕捉。也可以进一步精细地分割脏器。例如，在考虑到右肺的3D模型的情况下，也可以分为上叶、中叶、下叶并进行处理。
对于肺野区域，应识别胸廓的运动、横膈膜的运动、肺野整体的血管的位置关系，掌握肺轮廓的相对位置，并基于该运动来相对地进行评价。因此，在本申请发明中，在自动检测出肺轮廓之后，将由肺轮廓所确定的区域分割成多个块区域，并对被包含在各块区域中的图像的变化的值(像素值)进行平均化。例如，如图10所示，也能在贝塞尔曲线上相对的肺的边缘上绘制点，将它们相连接，之后使用通过这些中间点的曲线。其结果是，如图1C所示，即使肺的形态随着时间的经过而变化，也能够对关注的区域的随时间变化进行追踪。另一方面，图1D是表示在不考虑作为分析对象的脏器(在该情况下为肺)的形态的情况下、在分割为块区域的情况下的随时间变化的图。所谓肺野区域，如上述那样地，是指应识别胸廓的运动、横膈膜的运动、肺野整体的血管的位置关系、掌握肺轮廓的相对位置、并基于该运动来相对地进行评价的区域，但是，如图1D所示，如果分割为块区域而不确定肺野区域，则因肺的随时间变化，而导致关注区域偏离肺野区域，从而成为无意义的图像。特别地，由于横膈膜的运动使肺野剧烈收缩，因此，优选为不仅对横膈膜、整体数据进行校正，还取得胸廓分量、其他多个要素，以对肺野区域进行校正。此外，也存在输入呼吸要素频率或者频带的方法。对于3D，也可同样地计算区域分割。
另外，如图11所示，在肺野A中，也能够使用贝塞尔曲线来在所检测出的肺野内选定内部控制点，并且利用通过肺野内的内部控制点的曲线或直线，来对肺野进行分割。即，不仅在肺野的框设置控制点，在肺野区域的内部也设置控制点，并且使用这些控制点来分割肺野区域(A)。在该情况下，如图12所示，也可以使得：使在所检测出的肺野的外延及其附近的控制点的间隔变得相对较大(1)，根据所检测出的肺野内的每个部位的膨胀比率，来使内部控制点的间隔变得相对较小(2)。此外，在肺野A中，也可以使控制点的间隔随着相对于人体沿头尾方向前进而变得相对较大，或使控制点的间隔随着特定的矢量方向而变得相对较大。该矢量的确定方法是任意的，例如也可以确定为从肺尖向肺野的相反侧的方向，如图1B所示，也可以确定为从肺门向肺野的相反侧的方向。此外，也能够在与肺的构造相对应的方向上确定矢量。如此，能够通过将肺野的分割的方法设为“不均等分割”，来显示考虑到每个区域的特征的图像。例如，肺野的外周的运动较大，偏差变大，因此在使块变大的同时，肺野的内部的运动较小，偏差也变小，因而使块变小并变精细。此外，例如，肺野的横膈膜侧的运动较大，偏差变大，因此在使块变大的同时，肺野的头部侧的运动较小，偏差也变小，因而使块变小并变精细。由此，能提高显示的精度。该方法并不限于肺野，也能够应用于与呼吸相联动的活动部位等。这样的方法也可以应用于针对每个肺叶对肺进行3维分割的情况。此外，也能够用于将横膈膜的下侧的部位、例如心脏或其他的脏器用贝塞尔曲线来包围并进行显示的情况。在该情况下，也能在与心脏或其他的脏器的构造相对应的方向上确定矢量，并且对区域进行不均等分割。
接着，将伪影排除并对图像数据进行插补。即，如果在分析范围内包含骨骼等，则会将其表示为噪声，因此优选为使用去噪滤波器来去除噪声。在X射线图像中，在通例中，将空气设为-1000，将骨骼设为1000，因此，透过性较高的部分的像素值较低，显示为黑色，透过性较低的部分的像素值较高，显示为白色。例如，用256灰度来表示像素值时，黑色是0，白色是255。在肺野区域内，在不存在血管、骨骼的位置的周边，X射线容易透过，因此X射线图像的像素值变低，X射线图像变为黑色。另一方面，在存在血管、骨骼的位置，X射线难以透过，因此X射线图像的像素值变高，X射线图像变为白色。在其他CT、MRI中也可以说是同样的。这里，能够根据上述呼吸要素的周期分析的结果，基于每一次呼吸的波形来使用同一相位的值对数据进行插补，从而排除伪影。此外，在检测出“坐标不同这一情况”、“像素值发生极端变动这一情况”、“频率、密度变得异常地高这一情况”时，也可以对它们进行删除，并通过对剩余的所得到的图像例如使用最小二乘法等以识别连续且平滑的波形，从而可用于横膈膜的Hz计算、肺野的调节。此外，在对图像进行叠加的情况下，存在：(1)对在前后获取一方的图像而得到的获取比较图像保持其坐标不变地进行叠加的情况，以及(2)在获取前后一方的图像作为基底后、对图像进行相对扩展并将该相对位置信息与基底相重叠的方法。通过以上那样的方法，能够修正肺野的形态，或者能够修正块区域的图像的变化。此时，再次将与结果相对应的伪影(artifact)排除，从新的数据提取波形、作为最初基础的数据波形、其他模态等的波形、周围、多次波形中进行提取，进行功能的提取。此时，次数无论是一次还是多次都是可以的。
这里，对时间轴上的“重建”进行说明。例如，在15f/s的吸气时间为2秒的情况下，可得到30+1张图像。在该情况下，如果简单地叠加每3张，则可以实施每10％的“重建”。此时，例如，在0.1秒为10％、且该图像只获取0.07秒和0.12秒的照片的情况下，需要0.1秒的“重建”。在该情况下，提供10％前后的图像的中间值(两者的平均)值，以进行“重建”。此外，也可在时间轴上进行捕捉，并且以该时间的比例来改变系数。例如，当存在时间轴的差、没有0.1秒的拍摄的值、存在0.07秒和0.12秒的拍摄时间时，可重新计算为“(该0.07秒的值)×2/5+(0.12秒的值)×3/5”，以进行“重建”。另外，根据呼吸的平均、横膈膜的系数的变化量来识别该秒的变化位置关系，将该值作为系数并求出数字的比例。另外，优选为包含“最大差分强度投影”的0～100％，具有10％至20％的“重建”、或10％至40％的“重建”等厚度并进行计算。如此，即使对于未进行拍摄的部分，也能以一次呼吸比例进行“重建”。另外，在本发明中，不仅对于呼吸，也能对于血流、胸廓的运动、横膈膜、其他与这些相联动的一系列运动来同样地进行“重建”。此外，也能针对每个块或针对每个像素进行“重建”。另外，优选为包含“最大差分强度投影”的0～100％，具有10％至20％的“重建”、或10％至40％的“重建”等厚度并进行计算。
此外，也可利用上述方法来检测肺野，并且将该检测出的肺野进行标准化。即，将所检测出的肺野在空间上进行标准化，或利用重建(reconstruction)来将所检测出的肺野在时间上进行标准化。根据人体的不同，肺野的大小、形状也不同，但是可通过将其标准化来显示在固定区域内。
[横膈膜和胸廓]
如果如上述那样地识别肺野，则也能够掌握横膈膜的运动、胸廓。即，可以将通过所识别出的横膈膜的Xp上(2D图像)的横膈膜而得到的曲线或胸腔的曲线计算为精细的坐标的集合，并将其平均或曲线的局部的向下方的变化率或变化量、还有横膈膜作为曲线来进行“曲线拟合”，以将该变形率进行数值化，由此进行对来自图像的功能评价的定位。此外，对于在除了横膈膜面以外的胸部进行描绘而得到的边缘的曲线，也可以将其同样地计算为精细的坐标的集合，并将其平均或曲线的变化率进行数值化，由此进行来自图像的功能评价。将上述的2个变化率、变化评价为相对·相互联动，将变化率不同的(同样地进行联动而不运动的部位等)进行数值化、图像化，由此进行运动(movement)的功能评价。
这里，对“横膈膜和胸廓评价方法”进行说明。首先，对于横膈膜，以与身体的轴(所谓的正中线)正交的左右水平线作为轴，来显示横膈膜的运动。接着，将横膈膜的线平坦化作为基线。即，使横膈膜的线与水平直线相匹配。然后，评价横膈膜的运动。另外，将横膈膜的线延伸并进行平坦化，评价曲线的正交运动。接着，在胸廓外侧，将从肺尖连结了横膈膜胸廓角的线作为基线(作为轴)，从而对运动进行评价。将胸廓的线平坦化作为基线，即，使胸廓的线与“肺尖-肋横膈膜角”的直线相匹配，从而对运动进行评价。另外，将胸廓的线延伸至基线并进行平坦化，评价曲线的正交运动。然后，对上述胸廓、横膈膜线的曲率、曲率半径进行评价。然后，将上述变化计算作为“变化量”，对该变化量进行微分并评价作为“变化率”。
图6B和图6C是表示被显示于显示器上的图像的一个示例的图。在图6B中，将左肺的运动作为视频来进行显示。在图6B的图像中，虽然示出了白色水平线，但这是表示横膈膜的位置的直线(指标)，如果重放视频，则会跟随着横膈膜的运动而上下运动。如此，通过检测横膈膜，并表示示出所检测出的横膈膜的位置的指标、即示出横膈膜的位置的白色水平线，从而可进行由医生来执行的图像诊断。此外，不仅是横膈膜的一部分，还能够使用对肺野-横膈膜的线的识别来识别全部的点，以进行对左右、外内侧等横膈膜的一个区域的诊断，或对横膈膜整体的诊断。同样，不仅是横膈膜，对于与呼吸相联动的活动部位、例如胸廓等的运动也是同样地，能够通过切线位置等直线或由肺野识别而得到的胸廓的直线，来判断胸廓的运动。如此，在假定边缘进行运动的情况下，能够通过在连续图像中获取差分，从而检测边缘。例如，在大多数情况下，肿瘤坚硬，而其周围柔软。因此，肿瘤不怎么运动，而其周围活跃地运动，因而通过获取差分，能检测肿瘤的边缘。
此外，即使在MRI或CT等3D图像中，也可以将横膈膜的面捕捉作为一个坐标或立体的曲面，将该坐标或曲线计算为精细的坐标的集合(横隔膜的边缘的轮廓、平面和座标的集合组)，并将其平均或曲线的局部的向下方的变化率或变化量、还有横膈膜作为曲面来进行“曲线拟合”，以将该变形率进行数值化，由此进行对来自图像的功能评价的定位。此外，对于在除了横膈膜面以外的胸部进行描绘而得到的边缘的曲面，也可以将其同样地计算为精细的坐标的集合，并将其平均或曲面的变化率进行数值化，由此进行来自图像的功能评价。将上述的2个变化率、变化评价为相对·相互联动，将变化率不同的(同样地进行联动而不运动的部位等)进行数值化、图像化，由此进行运动(movement)的功能评价。
[傅里叶分析]
基于如上述那样地分析出的呼吸要素的周期和血管搏动周期，对各块区域的“密度”/“强度”的值、或另外其变化量实施傅里叶分析。图2A是表示特定块的“强度”变化及对其进行傅里叶分析而得到的结果的图。图2B是表示提取出接近心搏的频率分量而得到的傅里叶变换结果、和对其进行反傅里叶变换从而接近心搏的频率分量的“强度”变化的图。例如，如果对特定块的“强度”变化进行傅里叶变换(傅里叶分析)，则可以得到如图2A所示那样的结果。然后，如果从图2A所示的频率分量提取接近心搏的频率分量，则可以得到相对于图2B的纸面在右侧所示那样的结果。通过对其进行反傅里叶变换，则如相对于图2B在左侧所示那样，可以获得与心搏的变化可调的“强度”变化。
如图9所示，也能够将特定的频谱乘以系数从而进行加权。例如，为了实现波形可调性，能够使用该方法。即，作为进行傅里叶反变换时的频率的选择方式，在选择多个频率并且乘以该比率之后，进行傅里叶反变换。例如，在所提取出的频带中，当希望强调显示频率最高的频谱时，能够将该频谱强度变为2倍。在该情况下，频率的连续性没有也没关系。能够选择间断存在的频谱。
此外，心脏的“密度”的位置能够根据左肺(对于内脏倒位等情况，也存在右心的情况)的形态(从肺野提取的形态中左肺凹陷了的部位的区域)和椎体、横膈膜的位置来类推。在该情况下，获取心脏的ROI并进行“密度”的提取。在进行该提取时，利用呼吸、血流的相对频谱值，使用粗略的区域来进行类推。此外，有时也预先使用由心血管搏动而产生的Hz带(心搏40～150Hz，≒0.67Hz～2.5Hz)等来进行“滤波”，由此将因呼吸或其他的“伪影”而产生的频率进行去除。此外，由于心脏的位置也根据呼吸状况而改变，因而有时会随着胸廓的位置改变，根据胸廓的形态值来相对地改变心脏的位置，从而更准确地进行心血管搏动的提取或肺门、大血管等的提取。另外，与横膈膜的运动相同，存在基于规则地运动的心脏的轮廓、从而计算频率的方法。
这里，在对由频率分量而构成的频谱进行反傅里叶变换时，也可添加根据呼吸或血流的“密度”而确定的频率要素(呼吸频率、心血管搏动频率)、以及频谱的频带(也可以使用BPF：带通滤波器)这两者，或者基于其中任意一个要素，以进行反傅里叶变换。此外，也可从在上述傅里叶变换后所得到的频谱中，基于脏器特有的周期性变化的频谱构成比，来选择在进行反傅里叶变换时的至少一个频率。另外，也能够通过在傅里叶变换后所得到的多个频率的构成比例，从而确定作为特定的脏器或分析对象的区域的波形(波形可调性图像的生成)。
另外，在执行傅里叶变换时，为了可在短时间内计算出，可使用AR法(Autoregressive Moving average model：自回归移动平均模型)。在AR法中，在自回归移动平均模型中，存在使用尤尔沃克方程式(Yule-walker equation)、卡尔曼滤波器的方法，可以使用由此导出的尤尔沃克推定值(Yule-walker estimates)、PARCOR法、最小二乘法，以对计算进行补充。由此，能够更快地获取接近实时的图像，或者进行计算的辅助、伪影(artifact)的校正。通过这样的傅里叶分析，能够将各块区域的图像的性质提取并进行显示。
此外，在该傅里叶分析时，也能够采用使用“数字滤波器”的方法。即，对原波形进行傅里叶变换，获取各频谱的参数，并使用对原波实施运算处理的“数字滤波器”。在该情况下，使用数字滤波器，而不进行反傅里叶变换。
这里，可以对各帧图像中的各块区域的图像的变化进行傅里叶变换，并从在傅里叶变换后所得到的频谱中、提取包含与呼吸要素的周期相对应的频谱的固定频带内的频谱。图2C是表示从在傅里叶变换后所得到的频谱中提取某个固定频带的示例的图。合成波的频谱的频率f在作为合成源的各频率f1(呼吸分量)、f2(血流分量)之间成立“1/f＝1/f1+1/f2”这样的关系，在提取频谱时，能采用以下方法。
(1)提取血流的频谱比率较高的部分。
(2)在与呼吸/血流相对应的频谱的峰值与其附近的多个合成波的峰值的中间进行划分，提取频谱。
(3)在与呼吸/血流相对应的频谱的峰值与其附近的多个合成波的频谱的谷的部分进行划分，提取频谱。
如上述那样，在本发明中，并不使用固定BPF，而提取包含与呼吸要素的周期相对应的频谱在内的固定频带内的频谱。另外，在本申请发明中，从在傅里叶变换后所得到的频谱中，也能提取包含与从帧图像中得到的除了呼吸要素以外的频率(例如，还有各部位的“密度”/“强度”、从心搏或血管搏动得到的心搏要素)、或由操作员从外部输入的频率相对应的频谱(例如频谱模型)在内的固定频带内的频谱。
这里，如果合成波的频谱的分量仅是2个分量(呼吸、血流)，则为50％+50％，对于3个分量的情况，分配成每个为1/3。因此，无论呼吸分量的频谱为多少％，血流分量的频谱为多少％，都可以根据频谱的分量和其高度来在一定程度上计算合成波的频谱。能够在该比例(％)较高时提取频谱。即，计算血流分量/呼吸分量与合成波的比例，并且对血流分量/呼吸分量较高的频谱值进行计算并进行提取。另外，在横膈膜的识别等中，也有时会根据获取呼吸、心脏血管的频率而得到的数据，来提取与Hz(频率)比较固定的部位、即Hz的变化较少的区域相对应的频谱或其叠加。此外，在确定频谱的频带时，在进行对横膈膜的识别等时，也有时在Hz的变化发生的区间及其周围的区域对频谱的频带进行确定。也有时会添加波形的结构要素。
另外，对于在反傅里叶变换时的频谱，能够选择“从经简单模型化的频率和频带中使用较高部位(一个或多个)来进行提取的情况(仿真主义)”、以及“基于实际的频率或频带、根据频谱值来提取频率较高的部位或频率较低的部位的情况(现场主义)”。此外，在心脏的频率为A、肺的频率为B的情况下，通过从频带整体中减去A，由此可得到B。此外，对于根据傅里叶变换而获得到的频谱，不仅能够提取频率轴上的一个位置，也能够提取多个位置。
根据以上内容，不仅可以在与呼吸要素的周期、血管搏动周期完全一致的情况下提取频率，也可以提取应当考虑的频率，从而能有助于图像诊断。另外，知道“呼吸”或“心搏”被包含于特定的频带。因此，也能够对于呼吸的情况例如使用“0～0.5Hz(呼吸次数0～30次/分)”这样的滤波器，对于循环器的情况例如使用“0.6～2.5(心搏/脈搏次数36～150次/分)Hz”这样的滤波器，预先用该滤波器对呼吸频率、循环器的频率进行确定。由此，能够显示频率可调性图像。这是因为，有时在获取心脏的“密度”变化时，拾取到呼吸(肺)的“密度”变化，或在获取肺的“密度”变化时，拾取到心脏的“密度”变化。
[视觉化·数值化]
将如上述那样地分析而得到的结果视觉化和数值化。在进行视觉化和数值化时，在本说明书中，定义“模型化的肺”。在将肺以视频图像来进行显示时，由于位置关系运动，因此不容易进行相对判断。因此，对位置关系的偏差在空间上进行统一化·平均化。例如，肺的形状与扇形等图形匹配，以修整形态的状态进行显示。然后，使用重建的概念来在时间上统一化。例如，可以提取“多次呼吸中20％的肺的状态”，并将其确定为“一次呼吸的20％的肺的状况”。如此，将在空间上、时间上统一化的肺设为“模型化的肺”。由此，在与不同的患者彼此进行比较、或将一位患者的现在与过去进行比较时，容易进行相对判断。
例如，作为标准摄取(standard uptake)，有时从所测量出的肺野全部区域的“密度”/“强度”将平均值设为1，从而以相对的/对数的方式显示值。此外，由于仅采用血流的方向，因而有时截取朝向特定方向的变化。由此，能够仅取出有意义的方法的数据。使用肺野识别结果，以跟随着解析范围的变化来进行伪彩色化。即，根据与阶段相匹配的特定的形状(最小值、最大值、平均值、中央值)，使各个人(被拍摄体)的分析结果与相对区域相匹配。
此外，使得变形成可以对多个分析结果进行比较的特定的形状·阶段。另外，在生成模型化的肺时，使用上述呼吸要素的周期分析的结果，来计算肺野内的相对位置关系。另外，模型化的肺是使用对多个患者的胸廓线、“密度”、横膈膜等进行总体平均化而得到的线来生成的。在生成模型化的肺时，对于肺血流的情况，可以从肺门到肺端部呈放射状地测量距离。此外，对于呼吸的情况，需要根据胸廓、横膈膜的运动来进行校正。另外，也可以考虑距肺尖的距离，来进行综合计算。
此外，也可在反傅里叶变换后，仅提取振幅值相对较大的块并进行显示。即，在针对每个块进行傅里叶分析时，在反傅里叶变换之后，存在波的振幅较大的块、以及波的振幅较小的块。由此，仅提取振幅相对较大的块并进行视觉化也是有效的。此外，可以在傅里叶变换后将各数值的实部和虚部分别分开使用。例如，能仅根据实部来重新构成图像，或仅根据虚部来重新构成图像，或根据实部和虚部的绝对值来重新构成图像。
也可以对于模型化的肺，进行傅里叶分析。即，可以在将多次呼吸的图像进行组合或进行傅里叶分析、相对位置掌握时，也使用模型化的肺。通过使用模型化的肺，使所获取到的多个帧与模型化的肺相匹配，或对于血管的情况，使所获取到的多个帧与根据心搏(例如，从肺门部得到的心搏等)而计算出的模型化的肺相匹配，由此，能将在进行傅里叶分析的情况下的相对位置设为固定。在获取作为基础的呼吸的状态时，也能够通过使用模型化的肺，来稳定地得到计算结果。此外，通过将肺模型化，可将空间的不同进行固定化，从而能容易观察肺的运动。
在图像化中，相对评价的标识方法如下。即，用黑白、彩色映射来对图像进行相对标识。有时会将通过差分而得到的“密度”/“强度”的数个％前后的值除去，并对其上下剩余的部分进行相对显示。或者，由于有可能所得到的差分的前后数个％前后的值为突出的值，因此有时将其作为“伪影”进行去除，并对剩余的部分进行相对显示。除了0～255灰度等方法以外，也可作为0～100％的值以进行显示。
另外，也能在一定程度上模糊不清地显示像素，并且以模糊的状态来显示整体。特别地，对于肺血管的情况，虽然在较高的信号值之间混有较低的信号值，但如果可以仅对较高的信号值进行粗略掌握，则即使整体模糊不清也没有问题。例如，也可以对于血流的情况，提取阈值以上的信号，而对于呼吸的情况，不提取阈值以上的信号。具体地，当将下表中的数字设为1个像素并且获取中间的数值时，如果获取中间的数值所占的比例并在1个像素内进行平均化，则可以在相邻的像素之间平滑地表示。该方法也能在每个块的平均强度计算时使用。
[表1]
Figure BDA0002664532360000331
该方法不仅能够应用于肺野，也能够应用于在对任意的分析范围的密度(density)进行检测、并去除密度发生相对较大的变化的位置时。此外，将大幅地超过预先设定好的阈值的点删除。此外，肋骨的形态识别，例如识别突然出现的高/低信号线并进行去除。此外，与相位相同，有时会对突然出现的信号、例如在重建的阶段为15％～20％前后确认出伪影的患者的特征等与通常的波的变化不同的突然的信号进行去除。另外，在最开始获取基础数据时，存在在(横膈膜)≒(胸廓)≒(胸廓的动作)≒(肺活量计)≒(肺野)、区域(field)的“密度”≒(容量测定)等计算中相位不同的情况，并存在与对该相位进行实际识别的形态(XP的轮廓)相匹配的情况。
如果可以生成模型化的肺，则如上述那样，能将可调性、一致率、不一致率数值化并进行提示(频率可调性图像或波长可调性图像的显示)。由此，可显示偏移正常状态的情况。根据本实施方式，通过执行傅里叶分析，实现新的患病的可能性的发现、与普通状况下的自己进行比较、手部与脚部的比较、相反侧的手部和脚部的比较。另外，能以可调性的数值化来掌握脚部的运动方式、吞咽等是否有哪里不对劲。此外，能够判断患病状态的人在经过一定时间后是否发生变化，并在发生变化时，对变化前后进行比较。此外，通过将肺野设为距末梢的距离为固定且呈放射状地容易观察的形态(圆形～类圆形)，从而也可较容易进行内层～中层、外层等的评价，此外，也能根据“血管的末梢优势”或“中层优势”来进行表示。
另外，在视觉化时，能够切换显示傅里叶变换后的图像和傅里叶变换前的图像，或将二者排列在一个画面中显示。
如图2D所示，在将模型化的肺设为100时，在该人体中，能够掌握是否存在多少百分比的不同，并且显示变化率。另外，不仅能够掌握肺整体的不同，也能够掌握肺的一部分的不同。特别地，如上述那样地，能够在仅确定横膈膜的运动的同时，固定横膈膜以外的肺野的形状，并在显示横膈膜的运动的同时，显示可调一致率或变化率。另外，也能够固定肺野的全部，表示可调一致率或变化率。另外，也能通过进行“变化分类”，来确定标准血流。即，能够确定呼吸要素的周期，计算血管的相对的位置关系，将被拍摄体的血流动态确定为标准血流。
此外，也可以使用图案匹配的方法来检测肺。图2E～图2H是表示肺野区域的图案图像的示例的图。如图2E～图2H，也可对肺的形状预先进行图案分类，并且仅提取这些中接近的图案。通过该方法，可以确定对象的图像是表示单个肺还是表示两个肺。此外，也可以确定是右肺还是左肺。图案数不受限定，假设预先具有4～5个图案。另外，如此，也存在有仅利用肺野的形态(形状)来识别右肺、左肺、两肺的方法。另外，也能采用识别由于椎体·纵隔而造成的粗的带状的“透过性较低部位”、基于与该带状的透过性较低部位之间的位置关系、和与肺野的“透过性较高部位”之间的位置关系来识别左右或两肺的方法。此外，如图2H所示，也可以将该方法应用于横膈膜的下侧的区域。由此，也能识别横膈膜的下侧的部位、心脏。
另外，空气的透过性最高，空气是透过性比肺野要高的部位，因而优选为也考虑空气并进行计算。即，可通过画面上的空气的位置来如以下这样地判断。
在(画面的右上的空气的区域)＞(画面的左上的空气的区域)的情况下，识别成左肺。这是因为，对于肩部周围，人体外的空气的区域在拍摄上变宽。
在(画面的左上的空气的区域)＞(画面的右上的空气的区域)的情况下，识别成右肺。与上述相同地，这也是因为，对于肩部周围，人体外的空气的区域在拍摄上变宽。
接着，在(画面的右上的空气的区域)≒(画面的左上的空气的区域)的情况下，识别成两肺。这是因为，空气的区域是左右相同程度。
另外，有时肠管的空气进入横膈膜下，在此时，存在无法被识别的情况。因此，从肺野的中心部对纵隔侧、心脏侧、横膈膜侧等最开始大致的肺野及其周围的透过性较低部位进行识别，将该线识别成肺野的深处。该方法也能例如使用
“https：//jp.mathworks.com/help/images/examples/block-processing-larg e-images_ja_JP.html”中所公开的技术。
由此，能够将某一患者与其他患者进行比较或数值化。此外，能够将正常肺或正常血管与典型的异常肺功能或异常血流进行比较或数值化。另外，作为某一患者的不同时间的肺功能或肺血流的相对评价，能够使用模型化的肺及标准血流。这样模型化的肺及标准血流能够用作在通过集合各种类型的典型患者、健康的人的典型例，并作为模型化的肺及标准血流，来对某一患者在形态上相匹配地进行评价时的指标。
[肺野的绘制]
一般地，由于在肺野中包含有透过性较低的肋骨，难以仅将“密度”作为指标来机械地识别肺的轮廓。因此，在本说明书中，采用使用贝塞尔曲线和直线的组合来假设地绘制肺叶的轮廓、并且对肺轮廓进行调整以使得一致性变高这样的方法。
例如，如果使用4条贝塞尔曲线及1条直线来表示左肺的轮廓，则能够通过求出肺轮廓上的5个点、4个控制点，来绘制肺轮廓。使点的位置偏移，绘制多个肺轮廓，使用“轮廓内的‘密度’的合计值为最大”、“轮廓线的内侧和外侧的数个像素的‘密度’合计的差分为最大”等条件来评价一致性，由此使得可以高精度地检测肺轮廓。实际上，也能够根据比较容易检测边缘的肺的上部的轮廓、用后述的方法所检测出的横膈膜的位置来识别数个点的位置，可以抑制上述仿真的尝试进行次数。也能够通过利用古典式的二值化来进行的轮廓提取，提取接近外边缘的点，利用最小二乘法等，来调整贝塞尔曲线的控制点位置。
图3A和图3B是表示使用贝塞尔曲线及直线这两者绘制了肺野的示例的图。图3A表示肺的面积为最大的情况(极大轮廓)，图3B表示肺的面积为最小的情况(极小轮廓)。在各图中，“cp1～cp5”表示控制点，“p1～p5”表示贝塞尔曲线上或直线上的点。如此，如果可以掌握极大轮廓和极小轮廓，则能够通过计算中途的轮廓来求出。例如，能够显示呼气的10％、20％…的状态。如此，根据本实施方式，能使用至少一条以上的贝塞尔曲线(Beziercurve)、来至少对肺野、血管或心脏进行绘制。另外，以上的方法并不限于肺，也能作为“脏器的检测”应用于其他脏器。此外，例如，在特定的帧中被预先确定出的分析范围(肿瘤、脑部的下视丘、基底核、内囊的边界等)上，也能够执行如下处理：使用至少一条以上的贝塞尔曲线(Bezier surface)，来对其他帧中与分析范围相对应的范围进行检测。
此外，不仅是平面的图像，也能够应用于立体的图像(3D图像)。通过定义曲面的方程式并设定其控制点，能够将由多个曲面所包围的范围设为分析对象。
[横膈膜或与呼吸相联动的活动部位的运动的检测]
在连续拍摄而得到的图像中，能够检测横膈膜或与呼吸相联动的活动部位的运动。如果在连续拍摄而得到的图像中，以任意的间隔来选择图像，计算图像间的差分，则特别地，对于对比度较大的区域，差分变大。通过适当地可视化该差分，从而可以检测存在运动的区域。在可视化时，也可以通过活用利用阈值来进行的噪声去除、最小二乘法等的曲线拟合等，来对差分的绝对值较大的区域的连续性进行强调。
在肺野中，与横膈膜或心脏相切的线的对比度变得显著，如图4A所示，如果在2张肺图像中取差分，并且设定固定阈值以可视化差分，则如图4B所示，可以将与横膈膜或心脏相切的线可视化。
[横膈膜的运动的推定]
在本方法中，虽然在对象图像间，在横膈膜运动的情况下能够检测横膈膜位置，但难以检测横膈膜的运动变得缓慢的位置。即，在呼气吸气切换的定时、停止了呼吸的期间，难以在紧接着拍摄开始之后或在拍摄刚结束之前进行检测。在本方法中，使用任意补全方法，来推定横膈膜的运动。
使用前述的方法，如图4B所示，在将横膈膜线可视化之后，将纵1024px的图像以每纵8px分割成128个长方形，合计各长方形区域中所包含的信号值，并如图4C所示那样地进行柱状曲线图化。在多个峰值中，用虚线的矩形进行表示的最接近下坐标的峰值被期待为表示横膈膜的位置。通常的直立XP图像中，虽然横膈膜被显示为曲线，但是将该坐标近似为横膈膜的位置。
如果用本方法来针对全图像检测横膈膜位置，则如图5所示，检测出“峰值位置”。通过对该检测出的值进行校正，从而推定横膈膜的运动。首先，在差分比固定值要大的情况下，将其视作偏离值并进行排除(图5中的细实线)。将偏离值排除后得到的数据分割为任意的集群，对各个集群进行4次曲线回归，并将结果相连(图5中的粗实线)。在本分析中，虽然进行了回归分析，但本发明并不限于此，能够使用样条插补等任意补全方法。
[活动部位检测的精细化]
存在活动部位的对比度沿着线不一样的情况。在该情况下，变更用于噪声去除的阈值，进行多次检测处理，由此可以更准确地检测活动部位的形状。例如，在左肺中，存在横膈膜的线的对比度随着进入人体内而变弱这样的倾向。在图4B中，只可以检测横膈膜的右半部分。此时，通过改变用于噪声去除的阈值的设定，从而也可以检测横膈膜的左半部分的剩余的部分。通过多次重复该处理，从而能够检测横膈膜整体的形状。通过本方法，不仅是横膈膜的位置，也能够针对形状将线或面的变化率或变化量数值化，从而可以有助于新的诊断。
能够将这样地检测出的横膈膜的位置或形状用于诊断。即，在本申请发明中，能够将横膈膜的坐标图表化，使用上述那样地计算出的曲线(表面)或直线，计算胸廓或横膈膜的坐标，或者将心搏或血管搏动、肺野的“密度”等图表化为与周期相对应的位置、坐标。这样的方法也能够应用于和呼吸联动的活动部位。
通过这样的方法，不仅是吸气、呼气中的Hz，也可以在横膈膜或和呼吸联动的活动部位的频率(Hz)发生变化时，在与该变化相对应的频带内进行测量。然后，在BPF(bandpass filter)的频谱提取时，能在固定范围中，根据各个呼吸的状态来安置BBF，在各个呼吸的“重建阶段”，BPF的位置的轴发生变动，产生最佳的状态，生成与之相匹配的变动性的BPF。由此，呼吸变慢，如停止时(Hz＝0)那样地，即使存在呼吸的节奏的变动，也能提供与其相对应的图像。
此外，也可以基于呼吸要素占呼气或吸气的整体的比例，来计算呼气或吸气的整体的频率。另外，也可以设为在横膈膜的检测中，实施多次检测，并且选择信号或波形稳定的。基于以上内容，根据所检测出的横膈膜的位置或者形状、或和呼吸联动的活动部位的位置或者形状，来计算呼吸要素中的至少一个呼吸要素的频率。若可以掌握横膈膜或活动部位的位置或形状，则能够掌握呼吸要素的频率。根据该方法，即使划分波形的一部分，也可追踪在此之后的波形。因此，即使呼吸要素的频率在中途变化，也能跟随原来的呼吸要素。此外，虽然心脏的搏动等有时突然发生变化，但是也同样能够应用于心血管。接着，对于本实施方式所涉及的各模块的动作进行说明。
[呼吸功能分析]
首先，对呼吸功能分析进行说明。图6A是表示本实施方式所涉及的呼吸功能分析的概要的流程图。基本模块1从数据库15中提取DICOM的图像(步骤S1)。这里，至少获取在一个呼吸周期内所包含的多帧图像。接着，在所获取到的各帧图像中，至少使用肺野内的某个固定区域中的密度(密度/强度)，确定呼吸要素的周期(步骤S2)。另外，能在以下各步骤中使用所确定出的呼吸周期或根据该呼吸周期而确定的波形。
另外，呼吸要素的周期的确定也能够使用横膈膜的运动、胸廓的运动。此外，也可使用由在X射线的透过性较高的部位测定的某个固定容量、“密度”/“强度”而构成的范围、根据呼吸图等其他测定方法而得到的数据。另外，也可预先确定各脏器(这里是肺)所具有的频率，并提取与该确定出的频率相对应的“密度”/“强度”。
接着，在图6A中，自动检测肺野(步骤S3)。由于肺轮廓连续变化，因此，如果可以检测出最大的形状和最小的形状，则能够通过计算来插补它们之间的形状。基于在步骤S2中所确定出的呼吸要素的周期，对各帧图像进行插补，由此确定各帧图像中的肺轮廓。此外，也可以进行由图2E～图2H所示那样的图案匹配，以检测肺野。另外，对于所检测出的肺野，也可以进行通过删除来进行的噪声去除。接着，将所检测出的肺野分割成多个块区域(步骤S4)。然后，计算各帧图像中的各块区域的变化(步骤S5)。这里，将在各块区域内的变化的值平均化，并且表示为1个数据。
另外，也可以针对在各块区域内的变化的值，进行通过删除来进行的噪声去除。接着，基于上述呼吸要素的周期，对各块区域的“密度”/“强度”的值、还有其变化量实施傅里叶分析或者可调一致率的分析(步骤S6)。
接着，对通过傅里叶分析或者可调一致率的分析而得到的结果进行噪声去除(步骤S7)。这里，可以进行如上述那样的删除、伪影(artifact)的去除。将以上的步骤S5至步骤S7的动作进行1次以上，判断是否完成(步骤S8)。这里，对于由显示器显示的特征量，由于混有合成波或其他波，因而也存在无法将纯度较高的要素、例如呼吸要素或血流要素、其他要素的频率可调性图像通过一次的频谱提取从而进行显示的情况。此时，有时将由显示器显示的特征量作为像素值，再次重新进行多次到达显示器的全部或一部分的分析。通过该作业，能够进一步地获取与要素、例如呼吸要素或血流要素的可调性或一致性相关的纯度较高的图像。对于该操作，操作员可以通过一边视觉识别显示器的图像一边以手动的方式来进行，也可以自动地进行从输出结果中提取频谱并重新计算其分布比例。另外，即使在计算后，也可以根据情况，进行去噪处理、利用最小二乘法来进行的填空(插补)、使用周围的“密度”的校正。
在步骤S8中，在未完成的情况下，转移至步骤S5，在完成的情况下，将通过傅里叶分析或者可调一致率的分析而得到的结果作为伪彩色图像显示在显示器上(步骤S9)。另外，也可显示黑白图像。也可以通过如此地重复多个循环，来提高数据的准确度。由此，能够显示所期望的视频。此外，也可以通过对显示在显示器上的图像进行修正，从而得到所期望的视频。
在本实施方式中，虽然通过计算来对所期望的频率或频带进行计算，但是如果以实际的图像的形式来观看，则并不一定限于可显示良好的图像。因此，有时也采用以下方法。
(1)提示多个频带、并由人来进行选择的方法；
(2)提示多个频带、并通过AI技术利用图案识别提取良好的图像的方法；
(3)根据HISTGRAM的倾向、形态来进行选择。即，由于存在结果的信号中的“直方图(Histgram)”的中心部的值变高的倾向，此外，“直方图”的值根据运动而发生变动，因此，也可根据HISTGRAM的倾向、形态来进行选择。
[肺血流分析]
接着，对肺血流分析进行说明。图7是表示本实施方式所涉及的肺血流分析的概要的流程图。基本模块1从数据库15中提取DICOM的图像(步骤T1)。这里，至少获取在一个心搏周期内所包含的多帧图像。接着，基于所获取到的各帧图像，来确定血管搏动周期(步骤T2)。另外，能够在以下各步骤中使用所确定出的血管搏动周期或根据该血管搏动周期而确定的波形。对于血管搏动周期，如上述那样，例如，使用心电图、脉搏计等其他的模态的测量结果、心脏·肺门·主要血管等任意部位的“密度”/“强度”的变化，来分析血管搏动。另外，也可预先确定各脏器(这里是肺血流)所具有的频率，并提取与该确定出的频率相对应的“密度”/“强度”。
接着，在图7中，通过上述方法来确定呼吸要素的周期(步骤T3)，并使用该呼吸要素的周期来自动检测肺野(步骤T4)。在肺的轮廓的自动检测中，虽然每帧图像有时也产生偏差，但是基于在步骤T3中所确定出的呼吸要素的周期，对各帧图像进行插补，由此确定各帧图像中的肺轮廓。此外，也可以进行由图2E～图2H所示那样的图案匹配，以检测肺野。另外，对于所检测出的肺野，也可以进行通过删除来进行的噪声去除。接着，将所检测出的肺野分割成多个块区域(步骤T5)。然后，计算各帧图像中的各块区域的变化(步骤T6)。这里，将在各块区域内的变化的值平均化，并表示作为1个数据。另外，也可以针对在各块区域内的变化的值，进行通过删除来进行的噪声去除。接着，基于上述血管搏动周期，对各块区域的“密度”/“强度”的值、还有其变化量实施傅里叶分析或者可调一致率的分析(步骤T7)。
接着，对通过傅里叶分析或者可调一致率的分析而得到的结果进行噪声去除(步骤T8)。这里，可以进行如上述那样的删除、伪影(artifact)的去除。将以上的步骤T6至步骤T8的动作进行1次以上，判断是否完成(步骤T9)。这里，对于由显示器显示的特征量，由于混有合成波或其他波，因而也存在无法将纯度较高的要素、例如呼吸要素或血流要素、其他要素的频率可调性图像通过一次的频谱提取从而进行显示的情况。此时，有时将由显示器显示的特征量作为像素值，再次重新进行多次到达显示器的全部或一部分的分析。通过该作业，能够进一步地获取与要素、例如呼吸要素或血流要素的可调性或一致性相关的纯度较高的图像。对于该操作，操作员可以通过一边视觉识别显示器的图像一边以手动的方式来进行，也可以自动地进行从输出结果中提取频谱并重新计算其分布比例。另外，即使在计算后，也可以根据情况，进行去噪处理、利用最小二乘法来进行的填空(插补)、使用周围的“密度”的校正。
在步骤T9中，在未完成的情况下，转移至步骤T6，在完成的情况下，将通过傅里叶分析或者可调一致率的分析而得到的结果作为伪彩色图像显示在显示器上(步骤T10)。另外，也可显示黑白图像。由此，能够提高数据的准确度。此外，也可以通过对显示在显示器上的图像进行修正，从而得到所期望的视频。
在本实施方式中，虽然通过计算来对所期望的频率或频带进行计算，但是如果以实际的图像的形式来观看，则并不一定限于可显示良好的图像。因此，有时也采用以下方法。
(1)提示多个频带、并由人来进行选择的方法；
(2)提示多个频带、并通过AI技术利用图案识别提取良好的图像的方法；
(3)根据HISTGRAM的倾向、形态来进行选择。即，由于存在结果的信号中的“直方图”的中心部的值变高的倾向，此外，“直方图”的值根据运动而发生变动，因此，也可根据HISTGRAM的倾向、形态来进行选择。
[其他的血流分析]
接着，对其他的血流分析进行说明。本发明的一个方式中，如图15所示，也能够应用于心脏、大动脉、肺血管、上腕动脉、颈部血管等的血流分析。另外，也能同样针对未图示的腹部血管、末梢的血管等进行血流分析。图8是表示本实施方式所涉及的其他的血流分析的概要的流程图。基本模块1从数据库15中提取DICOM的图像(步骤R1)。这里，至少获取在一个心搏周期内所包含的多帧图像。接着，基于所获取到的各帧图像，来确定血管搏动周期(步骤R2)。另外，能够在以下各步骤中使用所确定出的血管搏动周期或根据该血管搏动周期而确定的波形。对于血管搏动周期，如上述那样，例如，使用心电图、脉搏计等其他的模态的测量结果、心脏·肺门·主要血管等任意部位的“密度”/“强度”的变化，来分析血管搏动。另外，也可预先确定各脏器(例如，主要血管)所具有的频率，并提取与该确定出的频率相对应的“密度”/“强度”。
接着，设定分析范围(步骤R3)，将所设定好的分析范围分割成多个块区域(步骤R4)。然后，将在各块区域内的变化的值平均化，并表示作为1个数据。另外，也可以针对在各块区域内的变化的值，进行通过删除来进行的噪声去除。接着，基于上述血管搏动周期，对各块区域的“密度”/“强度”的值、还有其变化量实施傅里叶分析或者可调一致率的分析(步骤R5)。
接着，对通过傅里叶分析或者可调一致率的分析而得到的结果进行噪声去除(步骤R6)。这里，可以进行如上述那样的删除、伪影(artifact)的去除。将以上的步骤R5至步骤R6的动作进行1次以上，判断是否完成(步骤R7)。这里，对于由显示器显示的特征量，由于混有合成波或其他波，因而也存在无法将纯度较高的要素、例如呼吸要素或血流要素、其他要素的频率可调性图像通过一次的频谱提取从而进行显示的情况。此时，可将由显示器显示的特征量作为像素值，再次重新进行多次到达显示器的全部或一部分的分析。通过该作业，能够进一步地获取与要素、例如呼吸要素或血流要素的可调性或一致性相关的纯度较高的图像。对于该操作，操作员可以通过一边视觉识别显示器的图像一边以手动的方式来进行，也可以自动地进行从输出结果中提取频谱并重新计算其分布比例。另外，即使在计算后，也可以根据情况，进行去噪处理、利用最小二乘法来进行的填空(插补)、使用周围的“密度”的校正。
在步骤R7中，在未完成的情况下，转移至步骤R5，在完成的情况下，将通过傅里叶分析或者可调一致率的分析而得到的结果作为伪彩色图像显示在显示器上(步骤R8)。另外，也可显示黑白图像。由此，能够提高数据的准确度。此外，也可以通过对显示在显示器上的图像进行修正，从而得到所期望的视频。
在本实施方式中，虽然通过计算来对所期望的频率或频带进行计算，但是如果以实际的图像的形式来观看，则并不一定限于可显示良好的图像。因此，有时也会采用以下方法。
(1)提示多个频带、并由人进行选择的方法；
(2)提示多个频率、并通过AI技术利用图案识别提取良好的图像的方法；
(3)根据HISTGRAM的倾向、形态来进行选择。即，由于存在结果的信号中的“直方图”的中心部的值变高的倾向，此外，“直方图”的值根据运动而发生变动，因此，也可根据HISTGRAM的倾向、形态来进行选择。
另外，在利用3D来进行分析时，能通过利用其他的装置来测定呼吸量、心脏排血量、中枢的血流量，从而根据相对值即傅里叶分析结果来计算各块区域的呼吸量、心脏排血量、中枢的血流量。即，在呼吸功能分析的情况下，能够根据呼吸量来推定肺换气量，在肺血流分析的情况下，能够根据心脏(肺血管)输出量来推定肺血流量，在其他的血流量分析的情况下，能够推定根据中枢侧的血流量(比例)所描绘的分岔血管中的推定血流量(比例)。
此外，如上述那样，所获取到的数据库在可以计算全部的情况下能高更精度地进行判断，但是有时在执行计算机分析的方面上需要时间。因此，也可以设为仅提取任意张数(例如，特定的阶段)并进行计算。由此，可缩短分析时间，另外，能够除去在呼吸开始时观察到的不规则的部位。此外，在显示分析结果时，可以显示任意范围。例如，通过显示从“呼气/吸气”的转变到“吸气/呼气”的转变的范围，从而在重复重放时，实现所谓的“无限重放”，从而能够使得由医生所进行的诊断变容易。
如以上说明的那样，根据本实施方式，能够利用X射线视频装置来评价人体的图像。如果可以获取数字数据，则能够用现有设施装置来很好地进行大致计算，从而导入费用低廉。例如，在使用了平板检测器的X射线视频装置中，能够简便地完成对被拍摄体的检查。此外，对于肺血流，能够筛查肺血栓栓塞症。例如，在使用了平板检测器的X射线视频装置中，可以通过在进行CT前执行本实施方式所涉及的诊断辅助程序，来排除不必要的检查。此外，由于检查简便，因此可在早期发现紧急性高的病患，从而能优先应对。另外，在当前时刻的拍摄方法中，在CT、MRI等其他模态中，虽然存在一些问题，但如果将其解决，那么就会实现对各区域的精密诊断。
此外，也能够应用于各种血管、例如颈部血流缩小化的筛查，此外，也能够应用于大血管的血流评价、筛查。此外，对于肺呼吸数据，对于肺的部分功能检查而言是有效的，能够使用作为肺功能检查。此外，也能够识别COPD、肺气肿等病患。另外，也能应用于术前、术后状况的掌握。另外，对呼吸要素的周期及血流周期进行傅里叶分析，通过在腹部的X射线图像中去除呼吸的波形和血流的波形，从而能够观察剩余的生物体运动的异变、例如肠管梗阻等。
另外，在最开始获取到的图像为一定程度的高精细的情况下，由于像素较多，因此也有时在计算时间上花费时间。在该情况下，也可将图像减少到一定的像素数，然后再进行计算。例如，通过使“4096×4096”的像素变为实际上是“1024×1024”然后再进行计算，从而能抑制计算时间。
[其他]
另外，在拍摄X射线图像时，可以使用例如AR法(Autoregressive Moving averagemodel：自回归移动平均模型)等预测算法。如果可以确定呼吸要素中的至少一个呼吸要素的频率，则能根据该频率，来控制X射线拍摄装置，以对X射线的照射间隔进行调整。例如，在呼吸要素的频率较小的情况下(周期较长的情况下)，可以减少X射线拍摄的次数。由此，能够减少人体的曝光量。另外，在呼吸急促或脉搏急促等呼吸要素或心血管搏动的频率较大的情况下(周期较短的情况下)，也可提高照射频度以进行最佳的图像生成。
此外，作为DICOM数据的保存形式，由于如果进行压缩则有时图像的质量会降低，因而优选为以非压缩的形式进行保存。此外，也可以根据数据的压缩形式，来改变计算方法。
标号说明
1 基本模块
3 呼吸功能分析部
5 肺血流分析部
7 其他的血流分析部
9 傅里叶分析部
10 波形分析部
11 视觉化·数值化部
13 输入接口
15 数据库
17 输出接口
19 显示器。

Claims (37)

1.一种诊断辅助程序，
该诊断辅助程序对人体的图像进行分析，并且显示分析结果，其特征在于，使计算机执行下述处理：
从存储所述图像的数据库中获取多帧图像的处理；
基于所述各帧图像的特定区域的像素，来确定包含呼气或吸气的全部或一部分的呼吸要素中的至少一个呼吸要素的频率的处理；
基于所述确定出的呼吸要素中的至少一个呼吸要素的频率，来检测肺野的处理；
将所述检测出的肺野分割成多个块区域，并且计算所述各帧图像中的块区域的图像的变化的处理；
对所述各帧图像中的各块区域的图像的变化进行傅里叶变换的处理；
从在所述傅里叶变换后所得到的频谱中、提取包含与所述呼吸要素中的至少一个呼吸要素的频率相对应的频谱在内的固定频带内的频谱的处理；
对从所述固定频带中提取出的频谱进行反傅里叶变换的处理；以及
将所述反傅里叶变换后的各图像显示在显示器上的处理。
2.如权利要求1所述的诊断辅助程序，其特征在于，
进一步包含下述处理：使用滤波器，来从在所述傅里叶变换后所得到的频谱中提取包含噪声的频率在内的固定频带内的频谱、以及包含与从所述帧图像中得到的除了呼吸要素的频率以外的频率、或被输入的频率或者频带相对应的频谱在内的固定频带内的频谱的处理。
3.如权利要求1或2所述的诊断辅助程序，其特征在于，
进一步包含下述处理：基于所述呼吸要素的频率和所述各帧图像，来生成所述帧间的图像的处理。
4.一种诊断辅助程序，
该诊断辅助程序对人体的图像进行分析，并且显示分析结果，其特征在于，使计算机执行下述处理：
从存储所述图像的数据库中获取多帧图像的处理；
对从被拍摄体的心搏或血管搏动提取的心血管搏动要素中的至少一个心血管搏动要素的频率进行确定的处理；
基于所述各帧图像的特定区域的像素，来确定包含呼气或吸气的全部或一部分的呼吸要素中的至少一个呼吸要素的频率的处理；
基于所述确定出的呼吸要素中的至少一个呼吸要素的频率，来检测肺野的处理；
将所述检测出的肺野分割成多个块区域，并且计算所述各帧图像中的块区域的图像的变化的处理；
对所述各帧图像中的各块区域的图像的变化进行傅里叶变换的处理；
从在所述傅里叶变换后所得到的频谱中、提取包含与所述心血管搏动要素中的至少一个心血管搏动要素的频率相对应的频谱在内的固定频带内的频谱的处理；
对从所述固定频带中提取出的频谱进行反傅里叶变换的处理；以及
将所述反傅里叶变换后的各图像显示在显示器上的处理。
5.一种诊断辅助程序，
该诊断辅助程序对人体的图像进行分析，并且显示分析结果，其特征在于，使计算机执行下述处理：
从存储所述图像的数据库中获取多帧图像的处理；
对从被拍摄体的心搏或血管搏动提取的心血管搏动要素中的至少一个心血管搏动要素的频率进行确定的处理；
检测肺野的处理；
将所述检测出的肺野分割成多个块区域，并且计算所述各帧图像中的块区域的图像的变化的处理；
对所述各帧图像中的各块区域的图像的变化进行傅里叶变换的处理；
从在所述傅里叶变换后所得到的频谱中、提取包含与所述心血管搏动要素中的至少一个心血管搏动要素的频率相对应的频谱在内的固定频带内的频谱的处理；
对从所述固定频带中提取出的频谱进行反傅里叶变换的处理；以及
将所述反傅里叶变换后的各图像显示在显示器上的处理。
6.如权利要求4或5所述的诊断辅助程序，其特征在于，
进一步包含下述处理：使用滤波器，来从在所述傅里叶变换后所得到的频谱中提取包含噪声的频率在内的固定频带内的频谱、以及包含与从所述帧图像中得到的除了心血管搏动要素的频率以外的频率、或被输入的频率或者频带相对应的频谱在内的固定频带内的频谱的处理。
7.如权利要求4至6中任一项所述的诊断辅助程序，其特征在于，
进一步包含下述处理：基于所述确定出的心血管搏动要素的频率和所述各帧图像，来生成所述帧间的图像的处理。
8.一种诊断辅助程序，
该诊断辅助程序对人体的图像进行分析，并且显示分析结果，其特征在于，使计算机执行下述处理：
从存储所述图像的数据库中获取多帧图像的处理；
对从被拍摄体的血管搏动提取的血管搏动要素中的至少一个血管搏动要素的频率进行确定的处理；
将针对所述各帧图像而设定好的分析范围分割成多个块区域，并且计算所述各帧图像中的块区域的图像的变化的处理；
对所述各帧图像中的各块区域的图像的变化进行傅里叶变换的处理；
从在所述傅里叶变换后所得到的频谱中、提取包含与所述血管搏动要素中的至少一个血管搏动要素的频率相对应的频谱在内的固定频带内的频谱的处理；
对从所述固定频带中提取出的频谱进行反傅里叶变换的处理；以及
将所述反傅里叶变换后的各图像显示在显示器上的处理。
9.如权利要求8所述的诊断辅助程序，其特征在于，
进一步包含下述处理：使用滤波器，来从在所述傅里叶变换后所得到的频谱中提取包含噪声的频率在内的固定频带内的频谱、以及包含与从所述帧图像中得到的除了血管搏动要素的频率以外的频率、或被输入的频率或者频带相对应的频谱在内的固定频带内的频谱的处理。
10.如权利要求8或9所述的诊断辅助程序，其特征在于，
进一步包含下述处理：基于所述确定出的心血管搏动要素的频率和所述各帧图像，来生成所述帧间的图像的处理。
11.一种诊断辅助程序，
该诊断辅助程序对人体的图像进行分析，并且显示分析结果，其特征在于，使计算机执行下述处理：
从存储所述图像的数据库中获取多帧图像的处理；
基于所述各帧图像的特定区域的像素，来确定包含呼气或吸气的全部或一部分的呼吸要素中的至少一个呼吸要素的频率的处理；
基于所述确定出的呼吸要素中的至少一个呼吸要素的频率，来检测肺野和横膈膜的处理；
将所述检测出的肺野分割成多个块区域，并且计算所述各帧图像中的块区域的像素的变化率的处理；
使用所述块区域的像素的变化率与和呼吸联动的活动部位的变化率之比的值即可调率，来仅提取所述可调率在预先确定出的固定范围内的块区域的处理；以及
将仅包含所述提取出的块区域的各图像显示在显示器上。
12.如权利要求11所述的诊断辅助程序，其特征在于，
进一步包含下述处理：对从被拍摄体的心搏或血管搏动提取的心血管搏动要素中的至少一个心血管搏动要素的频率、或从血管搏动提取的血管搏动要素中的至少一个血管搏动要素的频率进行确定的处理。
13.如权利要求11或12所述的诊断辅助程序，其特征在于，
所述可调率的对数的值被确定为包含0在内的固定范围。
14.如权利要求1至13中任一项所述的诊断辅助程序，其特征在于，
进一步包含下述处理：使用在特定的帧中所检测出的肺野上的至少一条以上的贝塞尔曲线(Bezier curve)，来对其他帧中的肺野进行检测的处理。
15.如权利要求14所述的诊断辅助程序，其特征在于，
在所述检测出的肺野内选定内部控制点，并且利用通过所述肺野内的内部控制点的曲线或直线来对所述肺野进行分割。
16.如权利要求15所述的诊断辅助程序，其特征在于，
使在所述检测出的肺野的外延及其附近的控制点的间隔变得相对较大，并根据所述检测出的肺野内的每个部位的膨胀比率，来使所述内部控制点的间隔变得相对较小。
17.如权利要求15所述的诊断辅助程序，其特征在于，
在所述检测出的肺野中，使控制点的间隔随着相对于人体沿头尾方向前进而变得相对较大，或使控制点的间隔随着特定的矢量方向而变得相对较大。
18.如权利要求1至13中任一项所述的诊断辅助程序，其特征在于，
进一步包含下述处理：使用在特定的帧中所检测出的肺野上的至少一条以上的贝塞尔曲线(Bezier curve)，来对其他帧中的肺野进行检测的处理。
19.如权利要求1至13中任一项所述的诊断辅助程序，其特征在于，
进一步包含下述处理：在特定的帧中预先确定出的分析范围上，使用至少一条以上的贝塞尔曲线(Bezier curve)，来对其他帧中与所述分析范围相对应的范围进行检测的处理。
20.如权利要求1至13中任一项所述的诊断辅助程序，其特征在于，
进一步包含下述处理：使用至少一条以上的贝塞尔曲线(Bezier curve)，来至少对肺野、血管或心脏进行绘制的处理。
21.一种诊断辅助程序，
该诊断辅助程序对人体的图像进行分析，并且显示分析结果，其特征在于，使计算机执行下述处理：
从存储所述图像的数据库中获取多帧图像的处理；
针对所述获取到的全部的帧图像，使用贝塞尔曲线来确定分析范围的处理；以及
基于所述分析范围内的强度(intensity)的变化，来检测分析对象的处理。
22.如权利要求21所述的诊断辅助程序，其特征在于，
进一步包含计算所述检测出的分析对象的边缘的特征的处理。
23.如权利要求1至22中任一项所述的诊断辅助程序，其特征在于，
对于连续的各图像，通过计算强度(intensity)的差分来检测横膈膜，并且
显示表示所述检测出的横膈膜或和呼吸联动的活动部位的位置或形状的指标。
24.如权利要求23所述的诊断辅助程序，其特征在于，
通过使强度(intensity)的阈值变化，从而显示未被除了横膈膜以外的部位所遮挡的横膈膜，并对横膈膜的整体形状进行插补。
25.如权利要求23或24所述的诊断辅助程序，其特征在于，
进一步包含下述处理：根据所述检测出的横膈膜的位置或者形状、或和呼吸联动的活动部位的位置或者形状，来计算所述呼吸要素中的至少一个呼吸要素的频率的处理。
26.如权利要求1至22中任一项所述的诊断辅助程序，其特征在于，
进一步包含下述处理：将所述检测出的肺野在空间上进行标准化，或利用重建(reconstruction)来将所述检测出的肺野在时间上进行标准化的处理。
27.如权利要求1至22中任一项所述的诊断辅助程序，其特征在于，
通过使所述呼吸要素中的至少一个呼吸要素的频率的相位变化，或使呼吸要素的波形平滑化，从而校正呼吸要素。
28.如权利要求1至27中任一项所述的诊断辅助程序，其特征在于，
确定分析范围内的任一部位的波形，提取所述确定出的波形的频率的结构要素，并且输出与所述波形的频率的结构要素相对应的图像。
29.如权利要求1至28中任一项所述的诊断辅助程序，其特征在于，
检测分析范围的密度(density)，并去除密度发生相对较大的变化的位置。
30.如权利要求1至29中任一项所述的诊断辅助程序，其特征在于，
进一步包含下述处理：从在所述傅里叶变换后所得到的频谱中，基于脏器特有的周期性变化的频谱构成比，来选择在进行反傅里叶变换时的至少一个频率的处理。
31.如权利要求1至30中任一项所述的诊断辅助程序，其特征在于，
根据所述呼吸要素中的至少一个呼吸要素的频率，来控制X射线拍摄装置，以对X射线的照射间隔进行调整。
32.如权利要求1至10中任一项所述的诊断辅助程序，其特征在于，
在所述反傅里叶变换后，仅提取振幅值相对较大的块并进行显示。
33.如权利要求1至32中任一项所述的诊断辅助程序，其特征在于，
进一步包含下述处理：在识别出所述肺野之后，确定横膈膜或胸廓，计算横膈膜或胸廓的变化量，并根据所述变化量计算变化率的处理。
34.如权利要求1至32中任一项所述的诊断辅助程序，其特征在于，
进一步包含将系数与特定的频谱相乘的处理，并基于乘上所述系数而得到的特定频谱，来进行强调显示。
35.如权利要求1至34中任一项所述的诊断辅助程序，其特征在于，
在从存储图像的数据库中获取多帧图像之后，为了确定呼吸要素的频率或波形，而对作为分析对象的部位实施数字滤波。
36.如权利要求1至35中任一项所述的诊断辅助程序，其特征在于，
基于所述各帧图像的特定区域的像素，来确定包含呼气或吸气的全部或一部分的呼吸要素的多个频率，并且
将与所述呼吸要素的多个频率中的各个频率相对应的各图像显示在显示器上。
37.如权利要求1至35中任一项所述的诊断辅助程序，其特征在于，
针对某一张以上的帧图像的特定的范围，选择聚集到某一固定值的图像，并且显示在显示器上。
CN201980016993.2A 2018-01-05 2019-01-07 诊断辅助程序 Pending CN111867471A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
JP2018-000855 2018-01-05
JP2018000855 2018-01-05
JP2018-043511 2018-03-09
JP2018043511 2018-03-09
PCT/JP2019/000102 WO2019135412A1 (ja) 2018-01-05 2019-01-07 診断支援プログラム

Publications (1)

Publication Number Publication Date
CN111867471A true CN111867471A (zh) 2020-10-30

Family

ID=67144237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980016993.2A Pending CN111867471A (zh) 2018-01-05 2019-01-07 诊断辅助程序

Country Status (13)

Country Link
US (1) US20210052228A1 (zh)
EP (1) EP3735906A4 (zh)
JP (4) JP7462898B2 (zh)
KR (1) KR20200106050A (zh)
CN (1) CN111867471A (zh)
AU (1) AU2019205878A1 (zh)
BR (1) BR112020013421A2 (zh)
CA (1) CA3087702A1 (zh)
MX (1) MX2020006984A (zh)
PH (1) PH12020551042A1 (zh)
SG (1) SG11202006059WA (zh)
WO (1) WO2019135412A1 (zh)
ZA (1) ZA202004575B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111879724A (zh) * 2020-08-05 2020-11-03 中国工程物理研究院流体物理研究所 基于近红外光谱成像的人皮面具识别方法及系统

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2019205878A1 (en) * 2018-01-05 2020-08-06 Mediott Co., Ltd. Diagnostic support program
JP7047574B2 (ja) * 2018-04-26 2022-04-05 コニカミノルタ株式会社 動態画像解析装置、動態画像解析システム、動態画像解析プログラム及び動態画像解析方法
JP2020141841A (ja) * 2019-03-06 2020-09-10 コニカミノルタ株式会社 動態解析装置及びプログラム
TWI684433B (zh) * 2019-04-19 2020-02-11 鉅怡智慧股份有限公司 生物影像處理方法以及生理資訊檢測裝置
TW202116253A (zh) * 2019-07-04 2021-05-01 新加坡商派拉梅維爾私人有限公司 診斷支援程式
WO2021019809A1 (ja) * 2019-08-01 2021-02-04 国立大学法人大阪大学 血管壁厚み推定方法、血管壁厚み推定装置及び血管壁厚み推定システム
JP7435242B2 (ja) * 2020-05-15 2024-02-21 コニカミノルタ株式会社 動態画像解析装置、動態画像解析方法及びプログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102274038A (zh) * 2010-06-10 2011-12-14 株式会社岛津制作所 放射线图像区域提取装置、放射线图像区域提取程序以及放射线摄影装置
CN103068312A (zh) * 2010-08-27 2013-04-24 柯尼卡美能达医疗印刷器材株式会社 诊断支援系统以及程序
JP2014128687A (ja) * 2014-01-27 2014-07-10 Konica Minolta Inc 動態画像診断支援システム
CN105997121A (zh) * 2015-03-30 2016-10-12 株式会社理学 Ct图像处理装置及方法
US20170287114A1 (en) * 2016-03-30 2017-10-05 Konica Minolta, Inc. Dynamic analysis device, dynamic analysis system, dynamic analysis method and non-transitory computer readable storage medium

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07100060B2 (ja) * 1987-03-30 1995-11-01 コニカ株式会社 肺野部輪郭線を求める画像計測方法
JP3222273B2 (ja) * 1993-07-09 2001-10-22 株式会社日立製作所 核磁気共鳴診断装置における動画像の画質改善方法
US6577752B2 (en) 2001-06-15 2003-06-10 Arch Development Corporation Automated method and system for the delineation of the chest wall in computed tomography scans for the assessment of pleural disease
US20040260188A1 (en) * 2003-06-17 2004-12-23 The General Hospital Corporation Automated auscultation system
JP4439882B2 (ja) * 2003-11-14 2010-03-24 キヤノン株式会社 放射線画像処理装置及び処理方法
JP4854546B2 (ja) 2007-03-06 2012-01-18 キヤノン株式会社 画像処理装置及び画像処理方法
JP5136562B2 (ja) 2008-01-15 2013-02-06 コニカミノルタエムジー株式会社 動態画像診断支援システム
JP5402056B2 (ja) * 2009-02-16 2014-01-29 コニカミノルタ株式会社 画像処理装置、画像処理方法、およびプログラム
JP5446443B2 (ja) 2009-05-15 2014-03-19 日産自動車株式会社 心拍数測定装置および心拍数測定方法
JP5556413B2 (ja) 2010-06-18 2014-07-23 コニカミノルタ株式会社 動態画像処理装置及びプログラム
JP5625799B2 (ja) 2010-11-22 2014-11-19 コニカミノルタ株式会社 動態診断支援情報生成システム
FI20115053A0 (fi) 2011-01-19 2011-01-19 Delfin Technologies Oy Menetelmä ja järjestelmä kardiovaskulaaristen sykeaaltojen visualisoimiseksi
JP5962237B2 (ja) * 2012-06-11 2016-08-03 コニカミノルタ株式会社 胸部診断支援情報生成方法
JP6217241B2 (ja) * 2013-08-28 2017-10-25 コニカミノルタ株式会社 胸部診断支援システム
US20160189394A1 (en) * 2014-12-30 2016-06-30 Huazhong University Of Science And Technology Method for iteratively extracting motion parameters from angiography images
US10631811B2 (en) * 2015-03-04 2020-04-28 Dmytro Volkov Method and system for processing of medical images for generating a prognosis of cardiac function
WO2017013895A1 (ja) 2015-07-22 2017-01-26 コニカミノルタ株式会社 コンソール及び動態画像撮影診断システム
JP2017113344A (ja) * 2015-12-25 2017-06-29 コニカミノルタ株式会社 動態撮影装置及び動態撮影システム
JP2017131310A (ja) * 2016-01-26 2017-08-03 株式会社日立製作所 Ｘ線透視撮影装置、撮影方法
US9947093B2 (en) * 2016-05-03 2018-04-17 Konica Minolta, Inc. Dynamic analysis apparatus and dynamic analysis system
JP6746114B2 (ja) * 2016-07-19 2020-08-26 パラメヴィア プライベート リミテッド 診断支援プログラム
AU2019205878A1 (en) * 2018-01-05 2020-08-06 Mediott Co., Ltd. Diagnostic support program

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102274038A (zh) * 2010-06-10 2011-12-14 株式会社岛津制作所 放射线图像区域提取装置、放射线图像区域提取程序以及放射线摄影装置
CN103068312A (zh) * 2010-08-27 2013-04-24 柯尼卡美能达医疗印刷器材株式会社 诊断支援系统以及程序
JP2014128687A (ja) * 2014-01-27 2014-07-10 Konica Minolta Inc 動態画像診断支援システム
CN105997121A (zh) * 2015-03-30 2016-10-12 株式会社理学 Ct图像处理装置及方法
US20170287114A1 (en) * 2016-03-30 2017-10-05 Konica Minolta, Inc. Dynamic analysis device, dynamic analysis system, dynamic analysis method and non-transitory computer readable storage medium

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111879724A (zh) * 2020-08-05 2020-11-03 中国工程物理研究院流体物理研究所 基于近红外光谱成像的人皮面具识别方法及系统

Also Published As

Publication number Publication date
JP7169514B2 (ja) 2022-11-11
KR20200106050A (ko) 2020-09-10
EP3735906A4 (en) 2021-11-03
JP2023153937A (ja) 2023-10-18
WO2019135412A1 (ja) 2019-07-11
EP3735906A1 (en) 2020-11-11
BR112020013421A2 (pt) 2020-12-01
JP2022172305A (ja) 2022-11-15
ZA202004575B (en) 2022-12-21
PH12020551042A1 (en) 2021-09-06
CA3087702A1 (en) 2019-07-11
JPWO2019135412A1 (ja) 2021-02-25
JP7462898B2 (ja) 2024-04-08
JP7310048B2 (ja) 2023-07-19
JP2022095871A (ja) 2022-06-28
SG11202006059WA (en) 2020-07-29
US20210052228A1 (en) 2021-02-25
AU2019205878A1 (en) 2020-08-06
MX2020006984A (es) 2020-10-05

Similar Documents

Publication Publication Date Title
JP7169514B2 (ja) 診断支援プログラム
US20210233243A1 (en) Diagnostic support program
US20150042677A1 (en) Image-generating apparatus
US11189025B2 (en) Dynamic image analysis apparatus, dynamic image analysis method, and recording medium
WO2023063318A1 (ja) 診断支援プログラム
TWI828661B (zh) 診斷支援系統
EP3995081A1 (en) Diagnosis assisting program
JP2020171475A (ja) 動態画像解析装置、動態画像解析方法及びプログラム
OA20419A (en) Diagnostic support program
EA040692B1 (ru) Программа поддержки диагностики

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 40041610

Country of ref document: HK