CN112967168B - 医用图像处理装置、医用图像解析装置以及包括标准图像制作程序的计算机程序产品 - Google Patents

医用图像处理装置、医用图像解析装置以及包括标准图像制作程序的计算机程序产品 Download PDF

Info

Publication number
CN112967168B
CN112967168B CN202010426672.4A CN202010426672A CN112967168B CN 112967168 B CN112967168 B CN 112967168B CN 202010426672 A CN202010426672 A CN 202010426672A CN 112967168 B CN112967168 B CN 112967168B
Authority
CN
China
Prior art keywords
image
unit
standard
medical image
medical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010426672.4A
Other languages
English (en)
Other versions
CN112967168A (zh
Inventor
白猪亨
佐藤良太
河田康雄
雨宫知树
尾藤良孝
越智久晃
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.)
Fujifilm Healthcare Corp
Original Assignee
Fujifilm Healthcare Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujifilm Healthcare Corp filed Critical Fujifilm Healthcare Corp
Publication of CN112967168A publication Critical patent/CN112967168A/zh
Application granted granted Critical
Publication of CN112967168B publication Critical patent/CN112967168B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • 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
    • A61B5/0042—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 for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02042—Determining blood loss or bleeding, e.g. during a surgical procedure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/03—Detecting, measuring or recording fluid pressure within the body other than blood pressure, e.g. cerebral pressure; Measuring pressure in body tissues or organs
    • A61B5/031—Intracranial pressure
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10132—Ultrasound 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
    • G06T2207/20072—Graph-based image processing
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Hematology (AREA)
  • Cardiology (AREA)
  • Neurosurgery (AREA)
  • Neurology (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Psychiatry (AREA)

Abstract

本发明提供如下技术：即使在测量图像中存在形状变化大的区域或者存在如产生与其他的组织的误识别那样的病变等的情况下，也能够恰当地进行解剖学的标准化，由此能够进行多的被检测者的ROI解析。在制作标准脑时基于它们的解剖学的特征或该类似性或者属性等，将许多的图像数据分类为多个组，按照组来计算中间的变换图像和变换映像即中间样板，在逐渐降低分类数量的同时，重复进行中间样板计算和中间的变换图像的制作，由此制作最终的标准图像。使用该标准图像和在标准图像制作过程中计算出的中间样板来进行测量图像的空间标准化。

Description

医用图像处理装置、医用图像解析装置以及包括标准图像制 作程序的计算机程序产品
技术领域
本发明涉及一种用于使用通过医用拍摄装置获取到的图像来解析检查对象的形式或功能等的医用图像处理装置，尤其涉及一种制作解析中所需的标准图像的技术。
背景技术
在脑形态解析或脑功能解析的领域中，开发一种使用许多医用图像来统计解析(ROI解析)检查对象的预定部位的体积变化等，研究各种各样的脑疾病或个体差异等的技术，作为解析的基本技术，图像处理是不可缺少的。
在脑解析中，在实施关注区域(ROI)的解析时，进行解剖学的标准化。解剖学的标准化(也称为空间归一化或者空间标准化)是将解析的对象即图像例如脑图像变换成标准脑坐标的图像的处理。标准脑是根据预先获取到的许多的被检测者的脑MRI图像而计算出的平均的形状、大小的脑图像，指定有海马体或壳核等脑各组织的ROI的位置或范围。一般而言，在脑的形状或大小上存在个体差异，但通过预先将其变换成标准脑，从而能够相互进行比较，从而成为统计解析的对象。
在解剖学的标准化中，通常，将测量出的脑图像(测量图像)进行分割，例如制作白质和灰白质的映像，制作由此用于转变成标准脑坐标的图像的变换映像(位移场矩阵或者变换矩阵)，将该变换映像应用于测量图像，得到变换成标准脑坐标的图像(变换后图像或者标准化脑图像)。作为变换的方法，一般已知一种仿射变换或非刚性配准等的方法，作为进一步提高精度的方法，提出了一种DARTEL法(非专利文献1)。在DARTEL法中，在预先根据对每个设施测量出的多个图像来制作中间样板并将成为解析的对象的测量图像变换成中间样板(DARTEL样板)后，对于预先保持的标准脑图像进行非刚性配准。该中间样板是对每个设施进行标准化后的所谓的中间的标准脑图像，不将测量图像直接配准于标准脑图像，而是变换成中间的标准脑图像后进行配准，从而能够排除每个设施的图像的波动等的影响，提高配准的精度。
并且，在专利文献1公开了在脑图像的ROI解析中，使用该DARTEL法，进行脑图像的空间标准化。另外，在专利文献1中记载了，对于每个年龄层别或性别来制作白质或灰白质的样板(标准脑样板)。
专利文献1：日本特许第5601378号公报(段落0075)
非专利文献1：Ashburner J.“Afast deffeomorphic image registrationalgorithm”，Neuroimage 2007；38，95-113。
但是，医用图像的个人差异较大，特别是若在测量出的脑图像中具有脑室异常等形状变化大的区域，则难以制作精度良好的变换映像，在现有方法中，存在标准脑变换失败的情况。另外，若在测量图像中存在白质病变或脑肿瘤则因为用于进行变换映像制作的分割而产生错误识别，而标准脑变换失败。变换失败了的测量图像不成为解析对象。
发明内容
本发明的课题在于提供一种当在测量图像中存在形状变化大的区域或存在产生与其他的组织的误识别那样的病变等的情况下，也能够恰当地进行解剖学的标准化，由此能够进行多的被检测者得ROI解析的技术。
在本发明的第一实施方式中，在制作标准脑时，基于这些解剖学的特征或该类似性或者属性等，将许多的图像数据分类为多个组，在逐渐降低分类的数量的同时，重复进行对于每个组计算中间的变换图像和变换映像即中间样板，中间样板计算和中间的变换图像的制作，由此制作最终的标准图像。
另外，在本发明的第二实施方式中，在制作标准图像时，在追寻与经过了分类的阶段(分类路径)相同的路径的同时，使用在各阶段中计算出的中间样板，进行针对特定的对象的测量图像到标准图像的变换处理(空间标准化)或者从标准图像到测量图像的变换处理。在本说明中，将两种变换处理总括地称为空间标准化。另外，对于使用了这些解析，将前者称为标准脑解析，将后者称为个人脑解析。
即本发明的医用图像处理装置具备制作在医用图像的统计解析中使用的标准图像的标准图像制作部，所述标准图像制作部具有：图像分类部，其将许多的医用图像分类为多个组；样板计算部，其按照组来计算中间样板；以及变换处理部，其对构成所述多个组的各个组的图像进行向每个组的中间样板的变换处理并计算变换图像，所述医用图像处理装置对于所述变换处理部计算出的变换图像，在减少组的数量的同时，重复进行所述样板计算部进行的每个组的中间样板的计算和所述变换处理部进行的变换图像的计算，在所述组的数量成为最小时，针对该组，将所述样板计算部计算出的样板作为所述标准图像。
另外，本发明的医用图像处理装置还具备：存储部，其存储所述图像分类部的分类路径、所述样板计算部计算出的所述每个组的中间样板；以及解析部，其使用将预定的医用图像变换处理成所述标准图像而得的标准化图像、或者将所述标准图像逆变换处理成所述预定的医用图像而得的逆变换标准图像，来对所述预定的医用图像进行统计解析，所述变换处理部根据所述存储部中存储的所述分类路径，重复进行使用了所述中间样板的变换处理，并计算所述标准化图像或者所述逆变换标准图像。
根据本发明，按照分类，在减少组的数量的同时重复进行中间样板的计算，使用最终计算的样板来制作标准图像。当使用如此制作出的标准图像进行预定的医用图像(测量图像)的空间标准化的情况下，在制作标准图像的重复运算时追寻经过了分类的路径，由此即使在测量图像中具有形状变化大的区域的图像或包含病变图像的情况下，也能够进行精度良好的空间标准化，能够提高使用了标准图像的医用图像解析的精度。
附图说明
图1是表示脑图像解析装置的整体结构的图。
图2是图像处理部的功能框图。
图3是表示脑图像解析装置的处理的图。
图4是示意性表示第一实施方式的标准图像制作部的处理的图。
图5是表示第一实施方式中的空间标准化部的处理流程的图。
图6是示意性表示第一实施方式的空间标准化部的处理的图。
图7是表示第二实施方式中的空间标准化部的处理流程的图。
图8是表示第三实施方式的图像处理部的构成的框图。
图9是表示第三实施方式中的图像处理部得处理流程的图。
图10是表示用户界面画面的一例的图。
附图标记说明：
10：图像获取部、20：图像处理部、30：统计解析部、40：存储部、50：UI部、100：脑图像解析装置、210：图像分类部、220：样板计算部、230：类似度计算部、240：变换处理部、250：重复运算部、260：变换映像计算部、270：关注区域设定部、280：图像校正部、290：特征提取部、300：医用拍摄装置、500：医用图像数据库。
具体实施方式
以下，说明本发明的医用图像解析装置以及医用图像处理装置的实施方式。在此，医用图像是脑图像，以医用图像解析装置为脑图像解析装置的情况为例进行说明。
脑图像解析装置100是使用许多的被检测者的脑图像来进行该解析的装置，如图1所示，具备：图像获取部10，其进行医用图像的获取；图像处理部20，其对医用图像进行图像变换等的处理；统计解析部30，其进行医用图像的形式或功能的统计解析；存储部40，其保存获取到的医用图像或各部分的处理中途的数据等，并且还可以具备UI部50，该UI部50具有用于向用户提示图像或所需的信息的显示装置或输入装置。
作为脑图像解析装置100处理的脑图像，能够将MRI图像(例如T1强调图像)、PET图像、CT图像、超声波图像等通过医用拍摄装置获取到的图像或者根据这些图像计算出的定量值作为像素值的计算图像设为对象，脑图像解析装置100可以是附属于这些医用拍摄装置的装置，还可以是与医用拍摄装置独立的装置。另外，可以通过与脑图像解析装置100不同的图像处理装置(未图示)来实现脑图像解析装置100的功能的一部分例如图像处理部20以及统计解析部30中的至少一方。
当脑图像解析装置100或者实现上述功能的图像处理装置与医用拍摄装置是独立的装置的情况下，脑图像解析装置100经由网络等而连接于医用拍摄装置300或者保存了许多医用图像的医用图像数据库500，从医用拍摄装置300或者医用图像数据库500获取所期望的图像，并对该图像进行解析。
图像处理部20具有以下功能：使用许多被检测者的脑图像，经由使用了变换矩阵(还称为变换映像)的图像变换来制作标准脑的作为标准脑图像制作部20A的功能；以及对于针对特定的被检体而测量出的图像(以下，称为测量图像)，使用标准图像的制作时制作出的中间样板或变换矩阵，将测量图像与标准图像进行配准来制作标准化图像的功能、或者使用制作出标准脑图像的该制作中使用的变换矩阵的逆矩阵来进行图像变换，制作逆变换标准脑图像的功能(作为空间标准化部20B的功能)。
图像处理部20为了达成作为标准脑图像制作部20A的功能，如图2所示，具备：图像分类部210，其基于形式的类似性(脑或脑组织的大小、有无疾病等)或被检测者的属性(性别、年龄、人种等)，将许多被检测者的脑图像分类为多个图像组；样板计算部220，其针对多个图像组的每个组，根据构成组的图像来计算它们的标准图像即样板(中间样板)；变换处理部240，其计算用于将各图像配准到样板的变换矩阵，将该变换矩阵应用于各图像，制作中间的变换图像。并且，为了进行组的分类或再分类，还可以具备与图像分类部210不同的计算组间的类似度的类似度计算部230。
并且，图像处理部20具备控制作重复进行上述各部的运算的重复运算部250。重复运算部250对于每个组，对于变换处理部240制作出的变换图像(中间变换图像)减少被分类的组的数量，同时对于减少的每个组，重复进行样板计算部220进行的样板的计算、变换矩阵的计算以及变换处理，直到组的数量变为1。图像处理部20(标准图像制作部20A)在最终，组的数量成为最小时，即组成为一个时，将针对该组计算出的样板作为标准图像(标准脑图像)样板。在此种重复运算中，按照分类的每个组且重复每次计算的中间样板与组以及重复的次数的信息一并例如保存于存储部40中。
另外，图像处理部20为了达成作为空间标准化部20B的功能，除了上述的样板计算部220、变换处理部240之外，还具备分类判定部211，该分类判定部211根据图像分类部210的分类，决定测量脑图像属于哪个组，并且在标准脑图像制作时，决定将该组的图像作为出发点，经过多个变换图像而到达标准脑图像的分类的各阶段(分类路径)。此外，通过分类判定部211进行的处理基本上与通过图像分类部210进行的处理相同，图像分类部210能够兼任分类判定部211的功能。
图像处理部20根据分类判定部211的判定结果，针对测量图像，重复进行使用了在分类的各阶段中计算出的变换矩阵的变换处理，进行相对于标准图像的配准。在配准中可以采用第一方法以及第二方法中的任意的方法，该第一方法为对于测量脑图像进行解剖学的标准化(变换到标准脑的坐标)从而进行解析的方法，第二方法为将标准脑变换到测量脑图像的坐标(逆变换到个人脑)从而进行解析的方法。当通过第二方法进行配准的情况下，图像处理部20计算与第一方法反方向的变换矩阵(逆变换映像)，将其应用到中间样板中。因此，图像处理部20具备计算变换映像或逆变换映像的变换映像计算部260。
并且，图像处理部20为了在后述的统计解析部30中进行ROI解析，具备在医用图像中设定ROI的关注区域设定部270。关注区域设定部270使用医用图像的各区域的像素值来提取区域的特征，并自动设定ROI。
另外，能够根据图像处理部进行的处理来省略图3示出的图像处理部20的各功能的一部分。
统计解析部30对于针对预定的被检体而测量出的脑图像(以下，称为测量脑图像)，应用对于图像变换部20制作出的最终的样板而设定的表示脑的各部位的区域的脑图谱来进行解析。统计解析部30中的解析与以往的脑解析的方法相同，例如，能够通过SSP(Statistical Parametric Mapping，统计参数映射)或3DSSP(3-DimensionalStereotactic Surface Projection，三维立体定向表面投影)等公知的软件来实现。因此，在本说明书中，对于方法并未详细叙述，例如，使用这些方法，对特定的ROI(白质或灰白质、其他的脑组织)的容量进行t-测验、相关分析等，对距离容量的平均值的偏离、左右差、病变的有无等进行解析。统计解析部30可以制作将通过解析得到的值(z值等)作为像素值的图像。
可以使显示装置显示图像处理部20(标准脑图像制作部20A)或者统计解析部30制作出的标准脑图像或统计解析部30的解析结果等。例如UI部50可以将图像分类部210的分类路径、样板计算部220计算出的各组的中间样板等提示给用户。由此，用户能够确认重复运算或者此时计算的样板的转变。另外，关于标准脑制作部20以及统计解析部30的处理或显示装置中的显示，还能够经由UI部50从用户接受条件或指令等。
上述的图像处理部20以及统计解析部30的功能能够通过具备CPU或者GPU以及存储器(存储部40)的通用的计算机实现为软件，但是一部分的运算等可以通过ASIC或FPGA等PCD(可编程逻辑设备)来实现。
之后，说明上述的脑图像解析装置100中的图像处理部20的处理。图像处理部20的处理包括：制作标准脑图像的步骤、针对预定的图像，在与标准脑图像之间进行配准的步骤。制作标准脑图像的顺序如图3所示，包括：将许多的图像分类为多个组的步骤S301；对于每个组来计算中间样板的步骤S302；对于分别构成多个组的图像，进行向每个组的中间样板的变换处理，计算变换图像的步骤S303；对组进行再分类，以使减少组的数量(S304、S305)；对于新的组的变换图像，重复进行每个组的中间样板的计算和变换图像的计算的步骤S306，当组的数量成为最小时，即，在步骤S302中计算的样板成为一个时，将该样板作为标准图像的样板。
对预定的图像进行标准化的顺序能够获取两个方法中的任意一个，第一方法为将预定的图像配准到标准脑图像的方法，第二方法为将标准脑图像配准到预定的图像(个人脑)的方法。在任意一个情况下，在制作标准脑图像的步骤中，进行重复处理来进行标准化，以使在标准化时穿过与根据分类的组而决定的分类路径相同的路径。此时，在制作标准脑图像时，使用在各阶段中计算出的中间样板以及在变换处理时求出的变换矩阵，重复进行变换处理。另外，虽然未图示，但在标准化后，在脑图像解析中可以进行一般的技术即平滑化处理。由此，能够减小位置的误差和个人差异，并且提高SN比。
此外，在统计解析部30通过第一方法进行了配准的情况下，使用将预定的医用图像变换处理成标准图像而得的标准化图像，对于每个ROI进行统计解析。另外，在通过第二方法进行了配准的情况下，使用将标准脑图像逆变换处理成预定的医用图像而得的逆变换标准图像，对预定的医用图像进行统计解析。
根据本实施方式的脑图像解析装置100，一边减少被分类的组的数量一边重复分类，按照被分类的每个组来计算中间样板，最终得到一个样板。在将测量图像配准于最终的样板来进行空间标准化时，也在重复的各阶段中进行相同的向中间样板的变换处理，由此能够进行精度良好的空间标准化。由此，能够提高统计解析的精度。
以下，说明图像处理部20的处理的实施方式。在以下的实施方式中，除非特别说明，装置的构成与上述的实施方式的构成相同。
<第一实施方式>
本实施方式在空间标准化中使用第一方法。以下，参照前述的图3以及图4～图6来说明本实施方式中的图像处理部20的处理。图4表示标准图像制作部20A的处理，图5以及图6表示空间标准化部20B的处理。
首先，图像获取部10从医用拍摄装置300或者医用图像数据库500获取许多被检测者的脑图像。许多被检测者的脑图像例如是通过MRI装置获取到的T1强调图像。这些图像优选预先实施在3D图像中因剖面位置的拍摄定时的偏离而产生的信号强度的变化的校正(STC：Slice Timinng Correction，切片定时校正)或体动伪影校正等。
图像分类部210将许多的脑图像根据其属性进行分类(S301)。分类的方法可以基于脑或者脑室的大小等的解剖学的特征、年龄、性别等的可变量(参数)来进行分类，还可以是使用了自己组织化映像(SOM)或决策树(Decision Tree)等的算法的分类。解剖学的特征的分类可以包含病变的有无。例如，能够使用以下方法，即使用通过分别测量图像而得到的白质图像和灰白质图像，根据与脑室的大小的标准值的偏离来判定脑室异常(常压性脑积水)、根据白质的像素值来判定白质病变或脑肿瘤等。并且，使用AI算法等，也能够根据图像的特征来检测脑的局部的出血。
因分类而产生的组的数量为2个以上即可，并未特别限定，在使用上述的算法的情况下，能够预先设定组的数量。在图4示出的例子中，表示将M个图像分类为L个组的状态。
并且，样板计算部220对于每个图像组，使用组中包含的图像来制作中间样板(S302)。中间样板是具有组中含有的图像中最标准的形状的图像，例如，全部求出用于将组内的两个图像的轮廓重合的变形参数(变换矩阵)，将成为最接近于将变形参数平均后的值的变形参数的图像作为该组的标准图像(中间样板)。在用于使图像相互重合的变换处理中能够采用仿射变换、非刚性变换、DARTEL法等的非线性变换等公知的方法。
在前者方法的情况下，为了将收敛计算的初期条件最佳化而进行恰当的变换，使用反映易于特定的脑部位的位置的概率分布来导入限制条件。具体而言，先进行求出变换矩阵的处理，并进行脑图像的分割处理，例如，分为白质、灰白质等区域，预先制作这些分割图像。对着该分割图像求出图像间的变形参数。
如此得到的中间样板(中间的标准图像)被保存于存储部40。
接着，变换处理部240对于图像组内的各图像，使用在步骤S302中制作出的中间样板，制作第一次的变换图像(S303)。该处理是将测量图像相对于中间样板进行配准的处理，与求出中间样板时相同地，能够采用仿射变换、非刚性变换、DARTEL法等非线性变换等公知的空间标准化的方法。该情况下，测量图像也能够使用分割图像，由此，通过使用分割图像，来对于每个组织概率映像施加制约进行变换，因而计算未发散，能够提高计算效率。变换矩阵是将变换参数的每个位置的值映像化后而成的，通过配准的过程来对于每个测量图像求出。通过步骤S303求出的变换矩阵(第一次的变换矩阵)与中间样板一并存储于存储部40。得到的变换图像的形状与中间样板大概一致，但通过细部的形状差或通过像素值表示的组织信息直接被保持。通过该处理，得到与原图像的数量相同(M个)的变换图像。
重复运算部260若对于如此得到的变换图像进一步重复进行：图像分类部210进行的分类、样板计算部220进行的中间样板的计算、变换处理部240进行的变换处理(S304)。在此，图像分类部210进行的分类若将最初的组的数量设为L，则在之后的分类中，以组的数量少于L的方式进行分类。在组的数量使用聚类的算法的情况下，设定成在算法中组的数量逐渐降低。该情况下，类似度计算部250预先计算组间的类似度，通过将类似度高的组相互合体，从而逐渐降低组的数量。类似度的计算能够使用残差平方和(SSD)或归一化相互相关(NCC)、相互信息量(MI)等公知的方法来进行。并且，在分类后，不是每次计算类似度，能够预先决定再分类的规则。
另外，在基于如参数这样的可变量来进行分类的情况下，可以使分类中使用的参数的数量或种类变化。例如，在第一次(S301)中，将3个参数(性别、年龄以及脑的大小)组合进行分类，在第二次的分类中，为了使用其中1至2的参数来进行大分类，以从树形结构的下段朝向上段的方式进行分类。另外当在每次重复进行类似度的计算和再分类的情况下，在第一次的分类和其之后的分类中，可以使分类的方法不同。例如，第一次使用参数进行分类，第二次移行可以采用聚类的算法。
在重复运算中，对于将变换图像作为组的要素的新的图像组(比L少的数量的组)，对于每个组，通过与步骤S302相同的方法来制作中间样板(第二次的中间样板)，将组中含有的各个图像(第一次的变换图像)变换处理成该中间样板来制作变换图像(第二次的变换图像)。即，在第二次的处理中，制作新的图像组的数量与同数的中间样板，制作与原测量脑图像同数的变换图像。重复运算部250减少上述的组数，重复进行再分类、中间样板的计算、变换图像的制作处理，直到组的数量变为一个。其结果，若设为重复次数为N次，针对一个组(由M个第N次变换图像构成的图像组)得到一个样板。将该样板设为最终样板(标准图像)。
并且，可以将该最终样板变换成Talairach(日文：タレイラック)坐标或MINI标准坐标等的标准样板。标准图像制作部20A通过在最终样板中应用脑地图(图集)来设定各组织的区域(ROI)。
以上的步骤是标准图像制作部20A的处理。
空间标准化部20B对于针对预定的被检体而获取的测量脑图像，使用标准脑图像制作部20A制作出的标准脑图像和重复运算的过程中得到的中间样板来进行空间标准化。首先，如图5所示，图像获取部10获取成为对象的测量脑图像(S501)。图像分类部210或者分类判定部211针对获取到的测量脑图像，根据标准图像制作时的分类方法来决定属于哪个组(S502)。即，根据测量脑图像的解剖学的特征或者属性(参数)进行分类，决定测量脑图像所属的组。在图6示出的例子中，测量脑图像被分类为L组中的组2。
当决定测量脑图像所属的组时，变换处理部240将存储部40中存储的测量脑图像转换成该组的中间样板(第一次)，制作第一次的变换图像(S503)。对于该第一次的变换图像，进行标准脑制作时的重复来决定第二次的图像分类部21进行的再分类的组。从存储部40读出决定出的组的中间样板即第二次的中间样板，应用于第一次的变换图像，制作第二次的变换图像。同样地，重复进行分类(组决定)和使用了中间样板的变换处理，直到分类的组成为最小值，获取变换处理成最终样板(第N次的样板)的变换图像(S505)。该变换图像与变换成在标准脑制作步骤(图3)中最终制作出的标准脑图像的坐标的图像(标准脑变换图像)即形状大概一致，并且通过像素值表示的组织信息是直接保持了原测量脑图像的信息的图像。另外，由于剩余了标准脑图像与细部的形状差，因而为了将其解消，可以根据所需来实施平滑化处理或像素值校正(Modulation)处理等。
统计解析部30使用最终的变换图像的分割图像与标准脑图像进行比较，计算组织(ROI)、例如白质或灰白质内的像素值的平均值、中央值、标准偏差等统计量。根据这些统计量，例如能够在对于被检体的ROI的容量的偏差等脑疾病的诊断中得到有用的信息。
根据本实施方式，基于测量图像的分类结果，追寻与在标准脑图像制作中从测量图像所属的组的图像到标准脑图像为止经过的重复路径相同的路径来进行空间标准化，由此能够不受到每个组的差异的影响，进行精度良好的空间标准化。由此，能够提高统计解析的精度。
<第二实施方式>
本实施方式在空间标准化中使用第二方法(逆变换成个人脑)。标准脑图像制作步骤与图3以及图4示出的第一实施方式中的顺序相同，因而省略说明，参照图7来说明图像标准化部20B的顺序。
空间标准化部20B中，若图像获取部10获取成为对象的测量脑图像(S701)，则图像分类部210(分类判定部211)基于获取到的测量脑图像，根据标准图像制作时的分类方法，决定属于哪个组(S702)，对决定出的组在到标准图像制作的重复的处理中经过的再分类的组进行决定。重复数量若为N次，则决定1～N个组。标准图像制作的最后(第N次)的重复的组的数量为一个。
当决定测量脑图像所属的组和其路径时，变换映像计算部260使用决定出的各组的中间样板，在重复中计算邻接的组的中间样板相互的变换映像。即，计算从第一次的中间样板到第二次的中间样板的变换映像、从第二次的中间样板到第三次的中间样板的变换映像、···从第N-1次的中间样板到第N次的中间样板的变换映像(S703)。并且，变换映像计算部260计算这些变换映像的逆变换映像(S704)。由此，得到N-1个的逆变换映像。使用该逆变换映像，变换处理部240对于标准图像制作部20A制作出的标准图像(最终样板或进一步将其变换成标准样板的标准图像)依次进行逆变换，制作逆变换标准图像(S705)。
如此得到的逆变换标准图像是与当前作为解析对象的测量图像和形状大概一致的图像，由像素值表示的组织信息直接保持原标准脑图像的信息。与第一实施方式相同地，相对于逆变换标准图像，可以根据所需来实施平滑化处理。之后，通过将逆变换标准图像与测量图像进行比较，能够求出测量图像的容量的差等统计值。
在本实施方式中也能够与第一实施方式相同地提高空间标准化的精度。另外，根据本实施方式，因变换而产生的误差由于仅成为ROI的位置和形状，因而具有降低ROI解析时的信号值(平均值等)的误差的效果。
<第三实施方式>
在第一实施方式以及第二实施方式中，直接使用医用图像进行分类，制作了标准图像或者进行了图像的标准化，但本实施方式对于测量图像，在进行了校正后进行分类。例如，在进行医用图像的分类时，在使用其解剖学的特征等判定异常区域的有无的情况下，通过图像校正部来校正异常区域。作为校正的对象的图像是用于制作标准图像的许多的图像，但还可以对成为空间标准化的对象的测量图像也进行校正。
如图8所示，本实施方式的图像处理部20除了图2示出的结构外，还具备图像校正部280、用于提取图像中包含的异常部位或疾病部位的特征提取部290。其以外的结构与第一实施方式或者第二实施方式相同，因而以与这些不同之处为中心来说明本实施方式。图9中示出本实施方式的处理的流程。
在图像处理部20中，当获取医用图像例如脑图像时，特征提取部290检测异常部位(S901)。特征提取部290与第一实施方式的图像分类部210中的解剖学的特征的分类相同地，可以根据图像的分割图像例如白质图像以及灰白质图像的像素值或大小、与标准值的偏离来判定脑室异常、白质病变或脑肿瘤的有无和位置，来提取异常区域，还可以使用深度学习等AI算法来提取异常区域。AI算法即使没有监督数据也可以判定异常，还可以使用学习成相对于输入数据输出预定的病变或异常的有监督数据的AI算法。
图像校正部280通过正常组织的像素值来置换特征提取部290提取到的病变或特定成异常的区域的像素值，由此能够校正图像(S902)。病变或异常区域的周边区域能够视为正常组织，因而通过周边区域的像素值进行置换。对于置换中使用的周边区域的像素还可以加入排出其他的组织的处理。
如此对图像进行了校正后，根据图3示出的流程，进行重复运算来进行标准图像制作(S903、S904)与第一实施方式以及第二实施方式相同的。在图9中示出了标准化图像制作的顺序，但针对空间标准化，在对于获取到的医用图像进行了步骤S901和S902的处理后，也根据图5或者图7示出的流程进行空间标准化。
即，即使在测量图像的空间标准化中，对于解析的对象即测量图像，通过特征提取部290也进行异常部位的提取，在存在异常部位的情况下，在进行了使用了正常组织的像素的像素值的校正后，进行分类判定部211(或者图像分类部210)的组的决定，根据分类来重复到中间样板的变换处理(第一实施方式的方法)，或者重复标准脑图像的逆变换处理(第二实施方式的方法)，进行空间标准化。
另外，在图9中示出了在校正了异常区域后进行图像分类部210的分类，但首先，在图像分类部210中进行包含异常部位的有无的分类，针对分类为具有异常部位的组的图像组，可以进行图像校正部280的校正。该情况下，可以针对校正后的医用图像再次进行图像分类部210的分类，进入标准图像制作的步骤。
根据本实施方式，即使在如仅通过基于解剖学的特征的分类而无法精度良好地决定每个分类的类似度的存在异常或病变的情况下，无需根据统计来排除数据，能够进行标准图像制作和使用了标准图像的空间标准化来利用于统计解析中。
以上，说明了第一实施方式到第三实施方式，进行这些之中的哪个处理可以默认设定于装置中，也可以是用户能够任意地进行选择。图10中示出接受用户设定的UI部50的设定画面50A的一例。在此，显示表示图像获取、重复运算、校正、解析等各处理的选框，若选择任意的选框，则以下拉方式打开，或打开其他的画面，能够进行该处理的选择或者条件设定。例如，当选择“解析”选框时，显示选择设为进行第一实施方式的处理即通过标准脑进行解析或者设为进行第二实施方式的处理即通过个人脑进行解析的选框，并接受用户的选择。图像处理部20根据该用户选择，进行在标准脑的制作后向标准脑的变换或进行标准脑向个人脑的逆变换中任意一个，并传递到统计解析部30。另外，通过选择“校正”选框，能够选择是否进行校正。并且，可以设为用户通过“图像获取”选框来指定显示的图像的获取，或者用户设定“重复运算”的重复次数。
通过设置此种UI画面能够提高处理的自由度。

Claims (15)

1.一种医用图像处理装置，该医用图像处理装置具备制作在医用图像的统计解析中使用的标准图像的标准图像制作部，
其特征在于，
所述标准图像制作部具有：
图像分类部，其将许多医用图像分类为多个组；
样板计算部，其按照组来计算中间样板；以及
变换处理部，其对分别构成所述多个组的图像进行向每个组的中间样板的变换处理，并计算变换图像，
所述医用图像处理装置对于所述变换处理部计算出的变换图像，在减少组的数量的同时，重复进行所述样板计算部对每个组的中间样板的计算和所述变换处理部对变换图像的计算，在所述组的数量为1时，将所述样板计算部针对该组所计算出的样板作为所述标准图像。
2.根据权利要求1所述的医用图像处理装置，其特征在于，
所述图像分类部使用从图像得到的解剖学的特征以及包含检查对象的年龄、性别、体格的检查对象的属性中的至少一个来进行分类。
3.根据权利要求1所述的医用图像处理装置，其特征在于，
所述标准图像制作部基于所述图像分类部分类出的组间的类似性，按照重复将类似度高的组进行结合来减少所述组的数量。
4.根据权利要求1所述的医用图像处理装置，其特征在于，
所述图像分类部中的分类的结构是树形结构，
所述标准图像制作部从树形结构的下部朝向上部重复进行处理来减少所述组的数量。
5.根据权利要求1所述的医用图像处理装置，其特征在于，
所述图像分类部在重复运算时，对所述变换图像进行再分类。
6.根据权利要求1所述的医用图像处理装置，其特征在于，
所述医用图像处理装置还具备：
存储部，其存储重复运算中的所述图像分类部的分类路径以及所述样板计算部计算出的所述每个组的中间样板；以及
解析部，其使用将预定的医用图像变换处理成所述标准图像而得的标准化图像、或者将所述标准图像逆变换处理成所述预定的医用图像而得的逆变换标准图像，来统计解析所述预定的医用图像，
所述标准图像制作部根据在所述存储部中存储的所述分类路径，重复进行使用了所述中间样板的变换处理，并计算所述标准化图像或者所述逆变换标准图像。
7.根据权利要求6所述的医用图像处理装置，其特征在于，
所述图像分类部将所述预定的医用图像分类到所述多个组中的任一个组中，
所述变换处理部对于所述预定的医用图像，根据所述图像分类部的分类，重复进行使用了所述中间样板的变换图像的计算，并制作所述预定的医用图像的标准化图像。
8.根据权利要求6所述的医用图像处理装置，其特征在于，
所述图像分类部将所述预定的医用图像分类到所述多个组中的任一个组中，
所述变换处理部对于所述标准图像，根据所述图像分类部的分类，重复进行与制作所述标准图像时的所述变换处理部的变换相反的变换处理，并制作逆变换处理成所述预定的医用图像的逆变换标准图像。
9.根据权利要求1所述的医用图像处理装置，其特征在于，
所述医用图像处理装置还具备在重复运算之前校正所述医用图像的图像校正部。
10.根据权利要求9所述的医用图像处理装置，其特征在于，
所述图像校正部具备提取所述医用图像的异常区域的特征提取部，
所述医用图像处理装置通过周边区域的像素的像素值来置换并校正所述特征提取部提取出的异常区域的像素。
11.根据权利要求9所述的医用图像处理装置，其特征在于，
所述图像校正部在所述图像分类部将所述医用图像分类之前对该医用图像进行校正。
12.根据权利要求9所述的医用图像处理装置，其特征在于，
所述图像校正部在所述图像分类部将所述医用图像分类后对该医用图像进行校正，所述图像分类部将所述图像校正部校正后的医用图像再分类。
13.一种医用图像解析装置，该医用图像解析装置具备：标准图像制作部，其制作在医用图像的解析中使用的标准图像；以及解析部，其使用将所述医用图像变换处理成所述标准图像而得的标准化图像、或者将所述标准图像逆变换处理成所述医用图像而得的逆变换标准图像来进行统计解析，
其特征在于，
所述标准图像制作部具有：
图像分类部，其将多个医用图像分类为多个组；
样板计算部，其按照组来计算中间样板；以及
变换处理部，其对分别构成所述多个组的图像进行向每个组的中间样板的变换处理，并计算变换图像，
所述医用图像处理装置对于所述变换处理部制作出的变换图像，在减少组的数量的同时，重复进行所述样板计算部对每个组的中间样板的计算和所述变换处理部对变换图像的计算，在所述组的数量为1时，将所述样板计算部针对该组所计算出的样板作为标准图像。
14.根据权利要求13所述的医用图像解析装置，其特征在于，
所述医用图像解析装置还具备用户界面部，该用户界面部接受所述解析部的解析是使用了所述标准化图像的解析还是使用了所述逆变换标准图像的解析的用户指定。
15.一种计算机程序产品，包括标准图像制作程序，该标准图像制作程序使用许多的医用图像来制作标准图像，
其特征在于，
所述标准图像制作程序使计算机执行以下步骤：
将所述许多的医用图像分类为多个组；
按照组来计算中间样板；
对分别构成所述多个组的图像进行向每个组的中间样板的变换处理，并计算变换图像；
对于所述变换图像，在减少组的数量的同时，重复进行每个组的中间样板的计算和变换图像的计算；以及
在所述组的数量为1时，将针对该组所计算出的样板作为标准图像的样板。
CN202010426672.4A 2019-11-28 2020-05-19 医用图像处理装置、医用图像解析装置以及包括标准图像制作程序的计算机程序产品 Active CN112967168B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019215579A JP7325310B2 (ja) 2019-11-28 2019-11-28 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
JP2019-215579 2019-11-28

Publications (2)

Publication Number Publication Date
CN112967168A CN112967168A (zh) 2021-06-15
CN112967168B true CN112967168B (zh) 2024-03-29

Family

ID=76086218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010426672.4A Active CN112967168B (zh) 2019-11-28 2020-05-19 医用图像处理装置、医用图像解析装置以及包括标准图像制作程序的计算机程序产品

Country Status (3)

Country Link
US (1) US11526989B2 (zh)
JP (1) JP7325310B2 (zh)
CN (1) CN112967168B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5479575A (en) * 1991-02-12 1995-12-26 Mitsubishi Denki Kabushiki Kaisha Self-organizing neural network for pattern classification
JPH11144057A (ja) * 1997-11-12 1999-05-28 Ricoh Co Ltd 画像認識装置および画像認識方法
WO2011040473A1 (ja) * 2009-09-29 2011-04-07 大日本印刷株式会社 医用画像処理方法、装置およびプログラム
JP2014042684A (ja) * 2012-08-28 2014-03-13 Dainippon Printing Co Ltd 医用画像処理装置、およびプログラム
JP5601378B2 (ja) * 2010-12-02 2014-10-08 大日本印刷株式会社 医用画像処理装置
JP2016024534A (ja) * 2014-07-17 2016-02-08 日本電気株式会社 移動体追跡装置及び移動体追跡方法、並びにコンピュータ・プログラム
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
CN109646033A (zh) * 2017-10-12 2019-04-19 日本医事物理股份有限公司 图像处理装置、图像处理方法及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2981349C (en) * 2015-03-31 2018-05-22 Cortechs Labs, Inc. Covariate modulate atlas

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5479575A (en) * 1991-02-12 1995-12-26 Mitsubishi Denki Kabushiki Kaisha Self-organizing neural network for pattern classification
JPH11144057A (ja) * 1997-11-12 1999-05-28 Ricoh Co Ltd 画像認識装置および画像認識方法
WO2011040473A1 (ja) * 2009-09-29 2011-04-07 大日本印刷株式会社 医用画像処理方法、装置およびプログラム
JP5601378B2 (ja) * 2010-12-02 2014-10-08 大日本印刷株式会社 医用画像処理装置
JP2014042684A (ja) * 2012-08-28 2014-03-13 Dainippon Printing Co Ltd 医用画像処理装置、およびプログラム
JP2016024534A (ja) * 2014-07-17 2016-02-08 日本電気株式会社 移動体追跡装置及び移動体追跡方法、並びにコンピュータ・プログラム
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
CN109646033A (zh) * 2017-10-12 2019-04-19 日本医事物理股份有限公司 图像处理装置、图像处理方法及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A fast diffeomorphic image registration algorithm;John Ashburner;《NeuroImage》;第38卷(第1期);全文 *

Also Published As

Publication number Publication date
CN112967168A (zh) 2021-06-15
US11526989B2 (en) 2022-12-13
JP2021083771A (ja) 2021-06-03
US20210166388A1 (en) 2021-06-03
JP7325310B2 (ja) 2023-08-14

Similar Documents

Publication Publication Date Title
CN109409416B (zh) 特征向量降维方法和医学图像识别方法、装置及存储介质
US11430140B2 (en) Medical image generation, localizaton, registration system
US10593035B2 (en) Image-based automated measurement model to predict pelvic organ prolapse
US20220122250A1 (en) Brain feature prediction using geometric deep learning on graph representations of medical image data
US11455723B2 (en) Second reader suggestion
CN112101451B (zh) 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
US10734107B2 (en) Image search device, image search method, and image search program
US8885926B2 (en) Image and data segmentation
US9251596B2 (en) Method and apparatus for processing medical images
US20230005140A1 (en) Automated detection of tumors based on image processing
CN110309853B (zh) 基于变分自编码器的医学图像聚类方法
US20100232671A1 (en) Optimised region of interest selection
Rueda et al. Bag of features for automatic classification of Alzheimer’s disease in magnetic resonance images
US11854190B2 (en) Similarity determination apparatus, similarity determination method, and similarity determination program
CN116071383A (zh) 一种基于超高场磁共振影像重建的海马亚区分割方法及系统
Yang et al. A multi-stage progressive learning strategy for COVID-19 diagnosis using chest computed tomography with imbalanced data
CN112036298A (zh) 一种基于双段区块卷积神经网络的细胞检测方法
CN107590806B (zh) 一种基于大脑医学成像的检测方法和系统
Mirchandani et al. Comparing the Architecture and Performance of AlexNet Faster R-CNN and YOLOv4 in the Multiclass Classification of Alzheimer Brain MRI Scans
CN112967168B (zh) 医用图像处理装置、医用图像解析装置以及包括标准图像制作程序的计算机程序产品
Rohlfing et al. Information fusion in biomedical image analysis: Combination of data vs. combination of interpretations
Susomboon et al. Automatic single-organ segmentation in computed tomography images
CN114331996A (zh) 基于自编码解码器的医学影像分型方法及系统
CN114419309A (zh) 一种基于大脑T1-w磁共振影像的高维特征自动提取方法
WO2022112731A1 (en) Decision for double reader

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
TA01 Transfer of patent application right

Effective date of registration: 20220111

Address after: Chiba County, Japan

Applicant after: Fujifilm medical health Co.,Ltd.

Address before: Tokyo, Japan

Applicant before: Hitachi, Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant