CN117153348A - 动态图像分析装置以及计算机能够读取的记录介质 - Google Patents

动态图像分析装置以及计算机能够读取的记录介质 Download PDF

Info

Publication number
CN117153348A
CN117153348A CN202310640631.9A CN202310640631A CN117153348A CN 117153348 A CN117153348 A CN 117153348A CN 202310640631 A CN202310640631 A CN 202310640631A CN 117153348 A CN117153348 A CN 117153348A
Authority
CN
China
Prior art keywords
blood flow
region
lung field
analysis
calculated
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
CN202310640631.9A
Other languages
English (en)
Inventor
野地翔
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.)
Konica Minolta Inc
Original Assignee
Konica Minolta Inc
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 Konica Minolta Inc filed Critical Konica Minolta Inc
Publication of CN117153348A publication Critical patent/CN117153348A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/507—Clinical applications involving determination of haemodynamic parameters, e.g. perfusion CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. 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
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10116—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
    • G06T2207/20076—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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—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
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Multimedia (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Optics & Photonics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Geometry (AREA)
  • Dentistry (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明涉及动态图像分析装置以及计算机能够读取的记录介质。根据胸部的动态图像，精度较好地计算除去主血管后的与肺血流量相关的特征量。诊断用控制台(3)的控制部(31)获取通过基于射线的动态拍摄而获得的胸部的动态图像，从获取的动态图像提取肺野区域，根据提取出的肺野区域计算与血流量相关的特征量(帧间差值)。并且，决定计算出的与血流量相关的特征量的值的上限值，通过与血流量相关的特征量的值的上限值施加限制。

Description

动态图像分析装置以及计算机能够读取的记录介质
技术领域
本发明涉及动态图像分析装置以及计算机能够读取的记录介质。
背景技术
以往，提出了基于胸部的动态图像来分析肺血流的技术。
例如，在专利文献1中，记载有以下内容：在通过对胸部的动态图像的多个帧图像实施扭转(warping)处理(对位处理)而使多个帧图像的肺野区域的形状(包括血管)一致后，提取血管区域，根据血管区域计算多个帧图像间的浓度变化量，从而计算血流特征量。
专利文献1：日本专利第5136562号公报
然而，由于血管三维运动，因此难以在二维的胸部的动态图像中正确地进行对位，难以精度较好地计算血流特征量。
另外，一般而言，作为评价肺血流的左右比(左右的肺的血流比)的模态，已知有肺灌注闪烁成像(肺灌注显像)。在肺灌注显像中，评价左右的肺的末梢血管的血流比。在胸部的动态图像中与肺灌注显像进行同等的评价的情况下，例如，使用基于排除特定的血管(主血管)部的区域后的区域的与肺血流相关的特征量来计算肺血流的左右比的方法。然而，由于末梢血管也重叠地存在于主血管的背部，因此若从评价区域排除主血管部的区域，则无法进行正确的评价。
发明内容
本发明的课题在于，根据胸部的动态图像，精度较好地计算除去主血管后的与肺血流量相关的特征量。
为了解决上述课题，本发明的动态图像分析装置具备：
获取部，获取通过基于射线的动态拍摄而获得的胸部的动态图像；
提取部，从上述动态图像提取肺野区域；
血流量特征量计算部，根据上述肺野区域计算与血流量相关的特征量；以及
限制部，对计算出的上述与血流量相关的特征量的值施加限制。
另外，本发明的计算机能够读取的记录介质储存有程序，上述程序使计算机作为以下单元发挥功能：
获取部，获取通过基于射线的动态拍摄而获得的胸部的动态图像；
提取部，从上述动态图像提取肺野区域；
血流量特征量计算部，根据上述肺野区域计算与血流量相关的特征量；
限制部，对计算出的上述与血流量相关的特征量的值施加限制。
根据本发明，能够根据胸部的动态图像，精度较好地计算除去主血管后的与肺血流量相关的特征量。
附图说明
图1是表示本发明的实施方式中的动态图像分析系统的整体结构的图。
图2是表示由图1的拍摄用控制台的控制部执行的拍摄控制处理的流程图。
图3是表示由图1的诊断用控制台的控制部执行的肺血流分析处理的流程图。
图4是用于对胸部的动态图像中的伴随心脏的跳动的信号变化的模拟的前提条件进行说明的图。
图5是用于对越远离肺野的中心就将上限值设定得越低的例子进行说明的图。
图6是表示胸部的射线图像中的头臂动脉和锁骨下动脉的图。
图7是用于对使用了深度学习的血流比用肺野掩模的生成方法的一个例子进行说明的图。
图8是用于对使用了深度学习的血流比用肺野掩模的生成方法的一个例子进行说明的图。
图9是用于对使用了深度学习的血流比用肺野掩模的生成方法的一个例子进行说明的图。
图10是用于对使用了深度学习的血流比用肺野掩模的生成方法的一个例子进行说明的图。
图11是用于对使用了深度学习的血流比用肺野掩模的生成方法的一个例子进行说明的图。
图12是用于对肺野区域的基于浓度信息的分析区域的设定进行说明的图。
图13是用于对肺野区域的基于帧间差值的分析区域的设定进行说明的图。
图14是用于使用CT图像对肺野区域与其他器官重叠的肺野区域的体积的计算方法进行说明的图。
图15是用于对用于器官背部修正系数的计算的区域进行说明的图。
图16是表示显示肺血流的左右比的分析结果画面的一个例子的图。
图17是表示不区分器官背部的区域而仅显示血流比用肺野掩模的例子的图。
图18是表示通过用户操作而变更了上限值的情况下的分析结果画面的变化的图。
图19是表示通过用户操作而将血流比用肺野掩模的生成从自动变更为手动的情况下的分析结果画面的变化的图。
图20是表示通过用户操作而将器官背部修正系数的应用从有变更为无的情况下的分析结果画面的变化的图。
图21是表示记载了肺血流的左右比的假定误差的分析结果画面的一个例子的图。
附图标记说明：100...动态图像分析系统；1...拍摄装置；11...射线源；12...射线照射控制装置；13...射线检测部；14...读取控制装置；2...拍摄用控制台；21...控制部；22...存储部；23...操作部；24...显示部；25...通信部；26...总线；3...诊断用控制台；31...控制部；32...存储部；33...操作部；34...显示部；35...通信部；36...总线。
具体实施方式
以下，参照附图，对本发明的实施方式详细地进行说明。但是，发明的范围不限定为图示例。
〔动态图像分析系统100的结构〕
首先，对本实施方式的结构进行说明。
在图1中，示出本实施方式中的动态图像分析系统100的整体结构例。
如图1所示，动态图像分析系统100构成为拍摄装置1和拍摄用控制台2通过通信电缆等连接，拍摄用控制台2和诊断用控制台3经由LAN(Local Area Network：局域网)等通信网络NT连接。构成动态图像分析系统100的各装置符合DICOM(Digital Image andCommunications in Medicine：医学数字成像和通信)标准，各装置间的通信按照DICOM进行。
〔拍摄装置1的结构〕
拍摄装置1例如是对伴随呼吸运动的肺的扩张以及收缩的形态变化、心脏的搏动等具有周期性(周期)的胸部的动态进行拍摄的拍摄单元。动态拍摄是指通过针对被摄体，脉冲状地以规定时间间隔反复照射X射线等射线(脉冲照射)、或以低剂量不间断地持续照射(连续照射)，从而获取表示被摄体的动态的多个图像。将通过动态拍摄而获得的一系列的图像称为动态图像。另外，将构成动态图像的多个图像的每一个称为帧图像。
此处，在动态拍摄中包括视频拍摄，但不包括边显示视频边拍摄静止图像。另外，在动态图像中包括视频，但不包括边显示视频边拍摄静止图像而获得的图像。
如图1所示，拍摄装置1构成为具备射线源11、射线照射控制装置12、射线检测部13、读取控制装置14等。
射线源11配置于隔着被摄体M与射线检测部13对置的位置，根据射线照射控制装置12的控制，对被摄体M照射射线(X射线)。
射线照射控制装置12连接于拍摄用控制台2，基于从拍摄用控制台2输入的射线照射条件，控制射线源11来进行射线拍摄。从拍摄用控制台2输入的射线照射条件例如是连续照射时的脉冲频率、脉冲宽度、脉冲间隔、每一次拍摄的拍摄帧数、X射线管电流的值、X射线管电压的值、滤波器种类等。脉冲频率是每一秒的射线照射次数，与后述的帧率一致。脉冲宽度是每一次射线照射的射线照射时间。脉冲间隔是在连续拍摄中从一次射线照射开始至下一次射线照射开始为止的时间，与后述的帧间隔一致。
射线检测部13由FPD等半导体图像传感器构成。FPD例如具有玻璃基板等，在基板上的规定位置矩阵状地排列有多个检测元件(像素)，该多个检测元件(像素)对从射线源11照射且至少透过了被摄体M的射线根据其强度进行检测，将检测到的射线转换为电信号并积蓄。各像素例如构成为具备TFT(Thin Film Transistor：薄膜晶体管)等开关部。在FPD中，存在将X射线经由闪烁体通过光电转换元件转换为电信号的间接转换型、将X射线直接转换为电信号的直接转换型，可以使用任意一种。
射线检测部13设置为隔着被摄体M与射线源11对置。
读取控制装置14连接于拍摄用控制台2。读取控制装置14基于从拍摄用控制台2输入的图像读取条件控制射线检测部13的各像素的开关部，对积蓄于该各像素的电信号的读取进行开关控制，读取积蓄于射线检测部13的电信号，从而获取图像数据。该图像数据是帧图像。然后，读取控制装置14将获取的帧图像输出至拍摄用控制台2。图像读取条件例如是帧率、帧间隔、像素尺寸、图像尺寸(矩阵尺寸)等。帧率是每一秒获取的帧图像数，与脉冲频率一致。帧间隔是从一次帧图像的获取动作开始至下一次帧图像的获取动作开始为止的时间，与脉冲间隔一致。
此处，射线照射控制装置12与读取控制装置14相互连接，相互交换同步信号而使射线照射动作和图像的读取的动作同步。
〔拍摄用控制台2的结构〕
拍摄用控制台2将射线照射条件、图像读取条件输出至拍摄装置1而控制基于拍摄装置1的射线拍摄以及射线图像的读取动作，并且将通过拍摄装置1获取的动态图像显示为用于确认是否是适合于基于拍摄工程师的定位的确认、诊断的图像。
如图1所示，拍摄用控制台2构成为具备控制部21、存储部22、操作部23、显示部24、通信部25，各部通过总线26连接。
控制部21由CPU(Central Processing Unit：中央处理器)、RAM(Random AccessMemory：随机存取存取存储器)等构成。控制部21的CPU根据操作部23的操作，读取存储于存储部22的系统程序、各种处理程序并在RAM内展开，根据展开后的程序执行以后述的拍摄控制处理为首的各种处理，对拍摄用控制台2各部的动作、拍摄装置1的射线照射动作以及读取动作进行集中控制。
存储部22由非易失性的半导体存储器、硬盘等构成。存储部22存储由控制部21执行的各种程序、通过程序的处理的执行所需的参数、或者处理结果等数据。例如，存储部22存储有用于执行图2所示的拍摄控制处理的程序。另外，存储部22与检查对象部位建立对应地存储有射线照射条件以及图像读取条件。各种程序以可读取的程序代码的形态储存，控制部21依次执行按照该程序代码的动作。
操作部23构成为具备具有光标键、数字输入键以及各种功能键等的键盘、和鼠标等指点设备，将通过对键盘的键操作、鼠标操作而输入的指示信号输出至控制部21。另外，操作部23也可以在显示部24的显示画面中具备触摸面板，在该情况下，将经由触摸面板输入的指示信号输出至控制部21。
显示部24由LCD(Liquid Crystal Display：液晶显示器)、CRT(Cathode RayTube：阴极射线管)等监视器构成，根据从控制部21输入的显示信号的指示，显示来自操作部23的输入指示、数据等。
通信部2具备LAN适配器、调制解调器、TA(Terminal Adapter：终端适配器)等，控制与连接于通信网络NT的各装置之间的数据收发。
〔诊断用控制台3的结构〕
诊断用控制台3是从拍摄用控制台2获取动态图像，对获取的动态图像实施分析，显示动态图像以及分析结果以用于医师的读片的动态图像分析装置。
如图1所示，诊断用控制台3构成为具备控制部31、存储部32、操作部33、显示部34、通信部35，各部通过总线36连接。
控制部31由CPU、RAM等构成。控制部31的CPU根据操作部33的操作，读取存储于存储部32的系统程序、各种处理程序并在RAM内展开，根据展开后的程序执行以后述的肺血流分析处理为首的各种处理，对诊断用控制台3各部的动作进行集中控制。控制部31作为本发明的获取部、提取部、血流量特征量计算部、限制部、分析区域设定部、分析部发挥功能。
存储部32由非易失性的半导体存储器、硬盘等构成。存储部32存储以用于在控制部31中执行肺血流分析处理的程序为首的各种程序、通过程序的处理的执行所需的参数、或者处理结果等数据。这些各种程序以可读取的程序代码的形态储存，控制部31依次执行依照该程序代码的动作。
操作部33构成为具备具有光标键、数字输入键以及各种功能键等的键盘、和鼠标等指点设备，将通过对键盘的键操作、鼠标操作而输入的指示信号输出至控制部31。另外，操作部33也可以在显示部34的显示画面中具备触摸面板，在该情况下，将经由触摸面板输入的指示信号输出至控制部31。
显示部34由LCD、CRT等监视器构成，根据从控制部31输入的显示信号的指示，显示来自操作部33的输入指示、数据等。
通信部35具备LAN适配器、调制解调器、TA等，控制与连接于通信网络NT的各装置之间的数据收发。
〔动态图像分析系统100的动作〕
接下来，对上述动态图像分析系统100中的动作进行说明。
(拍摄装置1、拍摄用控制台2的动作)
首先，对由拍摄装置1、拍摄用控制台2实施的拍摄动作进行说明。
在图2中，示出在拍摄用控制台2的控制部21中执行的拍摄控制处理。通过控制部21与存储于存储部22的程序的协作来执行拍摄控制处理。
首先，由拍摄工程师操作拍摄用控制台2的操作部23，进行受检者(被摄体M)的患者信息(患者的姓名、身高、体重、年龄、性别等)的输入(步骤S1)。
接下来，从存储部22读取射线照射条件并设定至射线照射控制装置12，并且从存储部22读取图像读取条件并设定至读取控制装置14(步骤S2)。此处，作为帧率(脉冲频率)，优选考虑人类的心跳周期而设为7.5帧/秒以上。另外，作为拍摄的帧数，优选设为心跳一周期以上的帧数。
接下来，等待基于操作部23的操作的射线照射的指示(步骤S3)。此处，拍摄工程师等拍摄实施者进行胸部正面的拍摄用的定位，对受检者(被摄体M)指示憋气。在拍摄准备完毕的时刻，操作操作部23来输入射线照射指示。
若通过操作部23输入了射线照射指示(步骤S3；“是”)，则向射线照射控制装置12以及读取控制装置14输出拍摄开始指示，开始动态拍摄(步骤S4)。即，按照对射线照射控制装置12设定的脉冲间隔通过射线源11照射射线，通过射线检测部13获取帧图像。若预先决定的帧数的拍摄结束，则通过控制部21向射线照射控制装置12以及读取控制装置14输出拍摄结束的指示，停止拍摄动作。拍摄的帧数是能够对至少一个心跳周期进行拍摄的张数。
将通过拍摄获取的帧图像依次输入至拍摄用控制台2，与表示拍摄顺序的编号建立对应地存储于存储部22(步骤S5)，并且显示于显示部24(步骤S6)。拍摄工程师通过显示的动态图像确认定位等，判断通过拍摄获取了适合于诊断的图像(拍摄OK)、还是需要重新拍摄(拍摄NG)。然后，操作操作部23，输入判断结果。
若通过操作部23的规定的操作输入了表示拍摄OK的判断结果(步骤S7；“是”)，则针对通过动态拍摄获取的一系列的帧图像的每一个，分别附带用于识别动态图像的识别ID、患者信息、检查对象部位、射线照射条件、图像读取条件、表示拍摄顺序的编号(帧编号)等信息(例如，以DICOM形式写入至图像数据的头部(header)区域)，经由通信部25发送至诊断用控制台3(步骤S8)。然后，本处理结束。另一方面，若通过操作部23的规定的操作输入了表示拍摄NG的判断结果(步骤S7；“否”)，则删除存储于存储部22的一系列的帧图像(步骤S9)，本处理结束。
(诊断用控制台3的动作)
接下来，对诊断用控制台3中的动作进行说明。
在诊断用控制台3中，若经由通信部35从拍摄用控制台2接收到胸部的动态图像的一系列的帧图像，则通过控制部31和存储于存储部32的程序的协作执行图3所示的肺血流分析处理。在肺血流分析处理中，计算肺血流的左右比。
以下，参照图3，对肺血流分析处理的流程进行说明。在以下的说明中，设为胸部的动态图像是从胸部正面拍摄的图像来进行说明。
首先，获取胸部的动态图像的一系列的帧图像(步骤S11)。
接下来，基于获取的动态图像，生成肺血流汇总图像(步骤S12)。
肺血流汇总图像是表示胸部的动态图像中的肺野区域的每一个块区域(小区域)的与血流量相关的特征量的图像。
肺血流汇总图像例如通过以下的(1)～(8)的处理生成。
(1)首先，对获取的动态图像的各帧图像实施对数转换处理。
此外，期望进行对数转换处理，但也能够省略。
(2)从对数转换处理后的各帧图像提取肺野区域。
肺野区域的提取方法可以是任意的方法。例如，从帧图像的各像素的像素值(浓度值)的直方图通过判别分析求出阈值，一次提取与该阈值相比高信号的区域来作为肺野区域候选。接下来，在一次提取出的肺野区域候选的边界附近进行边缘检测，若沿着边界提取在边界附近的小块中边缘最大的点，则能够提取肺野区域的边界。
此外，也可以将赋予了通过上述的方法自动提取的肺野区域的轮廓等的帧图像显示于显示部34，用户能够通过操作部33手动地调整肺野区域。
(3)对各帧图像的提取出的肺野区域进行分块处理。
在分块处理中，将肺野区域例如分割为10mm×10mm的矩形的块区域，将块区域内的各像素的信号值(浓度值)置换为块区域内的信号值的代表值(平均值等)而进行平滑化。或者，对每一个像素实施10mm×10mm尺寸的平滑化处理，将一个像素设定为块区域。
(4)在心脏区域内设定ROI(感兴趣区域)，决定用于去除血流信号以外的频率的噪声的带通滤波器的参数。
首先，对各帧图像的心脏区域设定ROI。心脏区域例如能够使用模板匹配、使用了深度学习的方法等公知的方法来提取。
接下来，生成表示ROI的平均信号值的随时间变化的波形(表示心跳周期的波形)，基于生成的波形的频率来决定带通滤波器的参数。
(5)针对肺野区域的每个块区域，获取信号值的随时间变化的波形，使用在(4)中决定的参数在时间方向上施加带通滤波器。
由此，能够去除血流信号以外的频率的噪声的影响。
(6)对带通滤波器处理后的每个块区域设定基准帧图像。
首先，基于表示ROI的平均信号值的随时间变化的波形，选定初始基准帧图像。例如，将ROI的平均信号值最小的帧图像设定为初始基准帧图像。
此处，ROI的平均信号值(平均浓度值)最小的帧图像意味着设为ROI的区域的血液量最大。若血液流入器官，则由于射线的透过被血液阻碍，因此射线图像中的射线透过量减少，信号值变小，射线图像上显得发白(即，浓度较低)。在以流入、流出心脏的心血流与流入、流出肺野的肺血流的关系来看这一点的情况下，在大量血液流入心脏时，在心脏部分中射线的透过被阻碍，因此在射线图像上信号值较小而显得相对发白(较低的浓度)。与此相对，在该定时流入肺野的血液较少，在肺野部分中射线的透过量变多，在射线图像上信号值变大，显得相对发黑(较高的浓度)。即，将流入肺野的血液最少的帧图像设定为初始基准帧图像。
接下来，对每个块区域设定基准帧图像。例如，将从初始基准帧图像起的预先设定的探索范围(例如若为15fps的情况，则为±0.1333秒(前后2帧)等)内示出最高的信号值的帧图像设定为该块区域中的基准帧图像。
(7)对于各帧图像，针对提取出的肺野区域的每个块区域，计算与基准帧图像的对应的块区域(位置相同的块区域)的信号值的差值(帧间差值)。帧间差值表示从基准帧图像起的浓度变化量，是每个帧图像的各块区域的与血流量相关的特征量。
此外，在本实施方式中，通过将各帧图像的信号值减去基准帧图像的信号值来计算帧间差值。因此，帧间差值的负的值表示血流量。
(8)接下来，生成将每个帧图像的各块区域的与血流量相关的特征量汇集后的肺血流汇总图像。
例如，针对每个块区域提取帧间差值的时间方向的代表值(积分值、平均值、最小值、最大值、中值中的任意一个)来生成肺血流汇总图像。
若肺血流汇总图像的生成结束，则对肺血流汇总图像实施上限值设定处理(步骤S13)。
此处，作为在胸部的动态图像的肺野区域内产生与心跳同周期的浓度变化的因素，可举出血管的位置移动、血液的厚度变化(脉动等引起的血管直径的变化)、血液的密度变化(血中浓度(血压)的变化)。其中，血管的位置移动引起的浓度变化并不是表示血流的浓度变化而是噪声，血液的厚度变化和血液的密度变化是表示血流的浓度变化。血液的密度变化即使估计得较大也推定为0.0001％，因此表示血流的浓度变化能够视为是血液的厚度变化。
另外，在肺灌注显像中评价末梢血管的血流，为了进行与肺灌注显像同等的血流评价，需要除去主血管引起的浓度变化(主血管的血液的厚度变化以及密度变化)，而提取末梢血管的血液的厚度变化(以及密度变化)。
即，在肺血流汇总图像的各块区域的作为信号值的帧间差值中，包括有血管的位置移动引起的浓度变化等噪声、和主血管引起的浓度变化，为了精度较好地获得与肺灌注显像相同的血流引起的浓度变化，需要去除它们。血管的位置移动引起的浓度变化等噪声和主血管引起的浓度变化与末梢血管中的血流引起的浓度变化相比较大。
因此，在步骤S13的上限值设定处理中，对肺血流汇总图像的各块区域的信号值(帧间差值)设定上限值(绝对值的上限值)，在超过上限值的值的情况下置换为上限值来对帧间差值施加限制，从而从帧间差值除去与血管的位置移动引起的浓度变化对应的量、与主血管引起的浓度变化对应的量，精度较好地计算与肺血流量相关的特征量。
另外，如上述那样，在本实施方式中血流量与帧间差值的负的值对应。因此，关于正的值，若在针对血流量的血流比的计算时直接使用，则成为误差因素。因此，关于正的值，此处也可以置换为0。
此处，能够基于对胸部的动态图像中的伴随心脏的跳动的末梢血管引起的信号变化进行模拟后的结果，来决定帧间差值的上限值。或者，能够基于对胸部的动态图像中的伴随心脏的跳动的末梢血管的信号变化进行模拟后的结果以及根据多个胸部的动态图像求出主血管的信号变化后的结果来决定。
以下，对胸部的动态图像中的伴随心脏的跳动的末梢血管引起的信号变化的模拟进行说明。
作为模拟的前提条件，如图4所示，假设为相当于一次跳动量的血液在肺野整体均匀扩散。另外，假设为扩散后的血液的厚度的变化成为射线图像的信号变化。
已知透过被摄体M后的X射线量I能够通过以下的(式1)表示。
I＝I0×exp[－μ×ρ×X]...(式1)
此处，I0是曝光的X射线量，μ是质量吸收系数[cm2/g]，ρ是密度[g/cm3]，X是被摄体透过距离[cm]。
根据上述(式1)，通过血液的厚度变化产生的信号变化率能够通过以下的(式2)求出。
信号变化率＝(I0－I)/I0＝1－exp[－μ×ρ×X]...(式2)
此处的被摄体距离X是血液的厚度，若将一次跳动量设为SV，将肺野的大小(此处为面积)设为SL，则根据上述的前提条件，
X＝SV/SL[cm]
即，通过血液的厚度变化产生的信号变化率能够根据一次跳动量SV、肺野的大小SL、质量吸收系数μ、密度ρ的参数的值来模拟。
一次跳动量SV是在一次心跳中流向肺野的血流量。作为一次跳动量SV，也可以使用标准的值，但在存在每个受检者的跳动量信息的情况(例如，存储于存储部32，或包括于患者信息的情况等)下，优选使用该值。另外，一次跳动量SV例如存在身高越高则越高的趋势等，根据身体特征而变化。因此，也可以在存储部32预先存储将身高、体重、年龄、性别中的至少一个身体特征与对应于该身体特征的一次跳动量SV(例如，通过统计等求出的值)建立对应后的表格，参照表格求出与根据受检者的患者信息求出的身体特征对应的一次跳动量SV。
此处，肺野的大小SL是肺野的面积。肺的大小SL也可以使用标准的值，但在存在每个受检者的肺的大小的信息的情况(例如，存储于存储部32，或包括于患者信息的情况等)下，优选使用该值。另外，在存在CT等能够测量受检者M的肺野体积的数据的情况下，也可以使用该测量数据来求出体积，根据求出的体积来求出面积。另外，例如，肺的大小SL例如存在身高越高则越大的趋势等，根据身体特征而变化。因此，也可以在存储部32预先存储将身高、体重、年龄、性别中的至少一个身体特征与对应于该身体特征的肺的大小SL(例如，通过统计等求出的值)建立对应后的表格，参照表格求出与根据受检者的患者信息求出的身体特征对应的肺的大小。
能够根据拍摄条件(管电压、平均能量等)、和成为与血流量相关的特征量的计算对象的部位(此处为肺的末梢血管)，通过文献值决定质量吸收系数μ。即，能够将拍摄条件与部位的每个组合的质量吸收系数μ预先存储于存储部32，而从存储部32读取并获取与处理对象的胸部动态图像的拍摄条件以及测量对象的部位(此处为肺的末梢血管)对应的质量吸收系数μ。
能够根据成为与血流量相关的特征量的计算对象的部位(此处为肺的末梢血管)，通过文献值决定密度ρ。即，能够将肺的末梢血管的密度ρ预先存储于存储部32，从存储部32读取并获取肺的末梢血管的密度ρ。
即，在上限值设定处理中，能够至少基于胸部的动态图像的拍摄条件以及成为与血流量相关的特征量的计算对象的血管(肺的末梢血管)的信息计算肺的末梢血管引起的信号变化率，基于信号变化率决定与血流量相关的特征量的上限值。另外，并且，能够基于胸部的动态图像的受检者的身体信息、肺野的面积或者体积中的任意一个或更多个的信息计算肺的末梢血管引起的信号变化率，基于信号变化率决定与血流量相关的特征量的上限值。
例如，在正常的一次跳动量为60～130ml，标准的肺野的大小为400cm2，根据拍摄条件和对象部位通过文献求出的质量吸收系数为0.216cm2/g、密度为1.056g/cm3的情况下，根据上述(式2)的计算式，末梢血管的血液的厚度变化引起的信号变化率能够推定为3.4～7.1％。因此，能够根据一次跳动量的大小，将血液的厚度变化引起的信号变化率的上限值例如决定为3.4～7.1％。
另外，通过实际的胸部的动态图像的多个病例的目视观察评价来求出肺门部的主血管的部分的厚度变化引起的信号变化率以及主血管的移动引起的信号变化率的结果是，肺门部的主血管的部分的血液的厚度变化引起的信号变化率大部分为7.5％以上，主血管的移动引起的信号变化率为5％以上。因此，也可以将信号变化率的上限值决定为5％。验证的结果是，发现该上限值与肺灌注闪烁成像的相关性较高。
此外，在拍摄体位为卧位的情况下，如上述的前提条件那样，认为血流在肺野内均匀扩展，而能够与肺野的位置无关地使信号变化率的上限值均匀，但在站立位下进行拍摄的情况下，已知因重力的影响而越靠肺野的下侧血流量越多。例如，肺尖部和肺底部的血流比为肺尖部：肺底部＝1：10(参照《人体的正常构造和功能》，总编辑：坂井建雄、河原克雅，日本医事新报社，2021年1月)。因此，在拍摄体位为站立位的情况下，也可以基于该血流量的分布，根据肺野区域中的位置(上下方向的位置)使信号变化率的上限值可变。例如，也可以根据肺野区域中的位置来决定信号变化率的上限值，以使得若将肺尖部的信号变化率的上限值设为1，则肺底部的信号变化率的上限值为10。
另外，血流量随着从肺门附近扩展到外侧而降低。因此，也可以反映该血流量的分布，根据肺野区域中的位置使信号变化率的上限值可变。例如，如图5所示，也可以越远离肺野的中心就将上限值的值设定得越低。
在步骤S13中，若决定了信号变化率的上限值，则通过使用了决定的信号变化率的上限值的规定的计算式，计算每个块区域的帧间差值的上限值，在帧间差值为上限值以上的值的情况下置换为上限值。
接下来，实施分析区域设定处理，将从肺野区域去除具有流向肺以外的血流的血管后的区域设定为肺血流比的分析区域(步骤S14)。
此处，头臂动脉和锁骨下动脉虽然在胸部正面的二维图像中与肺野区域重叠，但是是血液流向肺以外的血管。这些动脉虽然难以在胸部的动态图像上视觉确认血管形状，但如图6中以点划线包围所示，在一般识别的肺野区域的上部的内侧，被视觉确认为低浓度区域(较白的区域)，并且已判明是血流引起的信号变化较大，而在评价肺血流时作为噪声的影响较大的血流。
因此，在步骤S14中，将从肺血流汇总图像中的已提取的肺野区域除去受到头臂动脉和锁骨下动脉中的任意一个或更多个对浓度变化的影响的区域后的区域设定为肺血流比的分析区域。
作为将从肺野区域除去受到头臂动脉和锁骨下动脉中的任意一个或更多个对浓度变化的影响的区域后的区域设定为分析区域的处理，例如，也可以使用通过深度学习(DL处理)等机器学习获取的已学习模型来进行，也可以不使用机器学习而通过图像处理来设定分析区域。
以下，对步骤S14中的处理的例子进行说明。下述(A)～(E)是使用了深度学习的例子，(F)～(G)是不使用机器学习而通过图像处理设定分析区域的例子。
此外，在以下的说明中，将一般作为肺野区域提取的包括头臂动脉和锁骨下动脉的肺野区域(例如，在步骤S12中提取出的肺野区域)称为肺野掩模，将除去头臂动脉和锁骨下动脉后的肺野区域称为血流比用肺野掩模。
(A)如图7所示，预先将根据输入的胸部的原始图像输出血流比用肺野掩模的已学习模型M1存储于存储部32，该已学习模型M1通过将胸部的射线图像(原始图像)、和医师等通过注释在原始图像中示出了血流比用肺野掩模的图像(血流比用肺野掩模的正解图像)的组(多个组)作为教师数据并利用深度学习进行学习而生成。然后，在步骤S14中，例如，将胸部的动态图像的多个帧图像中的一个帧图像的原始图像(称为代表帧图像)输入至已学习模型M1，获取血流比用肺野掩模，将获取的血流比用肺野掩模的区域设定为分析区域。
(B)如图8所示，预先将根据输入的胸部的原始图像以及肺野掩模输出血流比用肺野掩模的已学习模型M2存储于存储部32，该已学习模型M2通过将胸部的射线图像(原始图像)、医师等通过注释在原始图像中示出了肺野掩模的图像(也可以是从原始图像自动提取肺野区域的结果)、以及医师等通过注释在原始图像中示出了血流比用肺野掩模的图像(血流比用肺野掩模的正解图像)的组(多个组)作为教师数据并利用深度学习进行学习而生成。然后，在步骤S14中，将代表帧图像以及从该帧图像提取的肺野区域(在步骤S12中提取出的肺野掩模)输入至已学习模型M2而获取血流比用肺野掩模，将获取的血流比用肺野掩模的区域设定为分析区域。
(C)如图9所示，预先将根据输入的胸部的原始图像输出头臂动脉和锁骨下动脉的似然图的已学习模型M3存储于存储部32，该已学习模型M3通过将胸部的射线图像(原始图像)、和医师等通过注释在原始图像中示出了存在头臂动脉和锁骨下动脉中的任意一个或更多个的影响的区域的图像的组(多个组)作为教师数据并利用深度学习进行学习而生成。然后，在步骤S14中，将代表帧图像输入至已学习模型M3，获取头臂动脉和锁骨下动脉的似然图，在后处理中，获取从代表帧图像的在步骤S12中提取出的肺野区域(肺野掩模)除去头臂动脉和锁骨下动脉的似然度为规定的阈值以上的区域后的区域作为血流比用肺野掩模，将获取的区域设定为分析区域。
(D)如图10所示，预先将根据输入的胸部的原始图像以及肺野掩模输出头臂动脉和锁骨下动脉的似然图的已学习模型M4存储于存储部32，该已学习模型M4通过将胸部的射线图像(原始图像)、医师等通过注释在原始图像中示出了肺野掩模的图像(也可以是从原始图像自动提取肺野区域的结果)、以及医师等通过注释在原始图像中示出了存在头臂动脉和锁骨下动脉中的任意一个或更多个的影响的区域的图像的组(多个组)作为教师数据并利用深度学习进行学习而生成。然后，在步骤S14中，将代表帧图像以及从该帧图像提取的肺野区域(在步骤S12中提取出的肺野掩模)输入至已学习模型M4，获取头臂动脉和锁骨下动脉的似然图，在后处理中，获取从在步骤S12中提取出的肺野掩模除去头臂动脉和锁骨下动脉的似然度为规定的阈值以上的区域后的区域作为血流比用肺野掩模，将获取的区域设定为分析区域。
(E)已知头臂动脉和锁骨下动脉存在于肺野上部的内侧。因此，如图11所示，预先将根据输入的胸部的原始图像以及肺野掩模(已修剪)输出血流比用肺野掩模的已学习模型M5存储于存储部32，该已学习模型M5将胸部的射线图像(原始图像)以及从肺野掩模将肺野上部的内侧的包括头臂动脉和锁骨下动脉的区域修剪后的图像、以及医师等通过注释在原始图像中示出了血流比用肺野掩模的图像的组(多个组)作为教师数据并利用深度学习进行学习而生成。然后，在步骤S14中，将代表帧图像以及从该帧图像提取的肺野区域(在步骤S12中提取出的肺野掩模)的将肺野上部的内侧的包括头臂动脉和锁骨下动脉的区域修剪后的区域输入至已学习模型M5，获取头臂动脉和锁骨下动脉的似然图，在后处理中，获取从在步骤S12中提取出的肺野掩模除去头臂动脉和锁骨下动脉的似然度为规定的阈值以上的区域后的区域作为血流比用肺野掩模，将获取的区域设定为分析区域。
(F)基于代表帧图像的肺野区域的浓度信息，判断头臂动脉和锁骨下动脉的区域，将从肺野区域除去头臂动脉和锁骨下动脉后的区域设定为分析区域。
例如，如图12所示，在从代表帧图像提取的肺野区域(在步骤S12中提取出的肺野区域)的上半部分的内侧区域，将低浓度区域(浓度值(信号值)为预先决定的阈值以下的区域)向内侧缩小来设定分析区域。
(G)根据肺血流汇总图像和肺野掩模判断头臂动脉和锁骨下动脉的区域，将从肺野区域除去头臂动脉和锁骨下动脉后的区域设定为分析区域。
例如，如图13所示，在肺血流汇总图像中的肺野区域的上半部分的内侧区域，将帧间差值为规定的阈值以上的区域向内侧缩小来设定分析区域。
此处，虽然上肺野的内侧应当肺血流量较少(帧间差值较小)，但由于假定为若存在头臂动脉、锁骨下动脉则帧间差值与肺血流量相比较而言变大，因此将除去帧间差值为规定的阈值(相当于肺血流量的值)以上的区域后的区域设定为分析区域。
分析区域是与块区域相比较大且不包括在胸部的动态图像中与其他器官重叠的肺野区域的区域。
接下来，计算包括器官背部的肺血流的左右比(左肺野区域和右肺野区域的肺血流的比)(步骤S15)。
以往，在使用胸部的动态图像计算与血流量相关的特征量时，对于与其他器官(例如、心脏、横隔膜、胸椎、腰椎、椎体、主动脉、肺动脉、主动脉弓等)重叠的肺野区域(器官背部的肺野区域)，从一开始就从分析区域排除而进行忽略，或者理解有心脏、横隔膜的噪声并且判断为也能够提取针对肺血流的信号变化，而与不与其他器官重叠的肺野区域相同地进行与血流量相关的特征量的计算。
然而，判明了在以往的方法中，在肺血流的左右比的测量时存在问题。例如，在从分析区域排除器官背部的肺野区域的情况下，由于未考虑肺野的整个区域的肺血流，因此存在与通过当前普及的肺灌注显像进行的肺血流的左右比的测量结果间产生差异这一问题。另外，在针对器官背部的肺野区域也与不与器官重叠的肺野区域相同地进行与肺血流相关的特征量的提取来测量肺血流的左右比的情况下，存在从器官背部计算出的与肺血流相关的特征量的噪声较大，而在与通过当前普及的肺灌注显像进行的肺血流的左右比的测量结果间产生差异这一问题。
针对这样的问题，本申请发明人发现，以下方式与通过当前普及的肺灌注显像进行的肺血流的左右比的测量结果的差异更少，即，关于器官背部的肺野区域，不实际进行测量，而假设为与不与其他器官重叠的肺野区域相同的状态的肺血流存在于器官背部的肺野区域，使用用于将肺血流的左右比修正为考虑了器官背部的肺野区域的血流量的比率的修正值(称为器官背部修正系数)，对在不与其他器官重叠的肺野区域中测量出的与血流量相关的特征量进行修正来计算左右比。
因此，在步骤S15中，获取器官背部修正系数，使用器官背部修正系数计算包括器官背部的肺血流的左右比。
以下，对器官背部修正系数的计算方法进行说明。
在胸部的动态图像中，由于左肺野区域与右肺野区域相比，与其他器官重叠的区域较大，因此在基于不与器官重叠的肺野区域测量肺血流的左右比的情况下，左肺野区域的血流量相对于右肺野区域被低估。在本实施方式中，计算用于修正该情况的修正系数作为器官背部修正系数。
此外，以下进行说明的器官背部修正系数是以以下内容为前提求出的：在动态图像中与不与其他器官重叠的肺野区域相同的状态的肺血流存在于器官背部的肺野区域，肺野的面积、体积与血流量成比例。
·利用体积的情况
(a)如图14所示，首先，获取胸部的动态图像的受检者的从肺尖部至肺底部的CT图像，在CT图像的各切片中，测量右肺野区域和左肺野区域各自的在胸部的动态图像中(在胸部的动态图像的拍摄时的射线照射方向上)不与其他器官重叠的区域和与其他器官重叠的区域(隐藏区域)的面积。
(b)将各切片的面积相加，计算右肺野区域和左肺野区域各自的在胸部的动态图像中不与其他器官重叠的区域和与其他器官重叠的区域(隐藏区域)的容积(体积)。
(c)使用求出的体积，计算器官背部修正系数。
如图15所示，在将在胸部的动态图像中不与其他器官重叠的右肺野的体积设为A，将与其他器官重叠的右肺野的体积设为B的情况下，表示右肺野整体的体积相对于A的比率的系数A′为
A′＝(A+B)/A...(式3)
相同地，在将在胸部的动态图像中不与其他器官重叠的左肺野的体积设为C，将与其他器官重叠的左肺野的体积设为D的情况下，表示左肺野整体的体积相对于C的比率的系数C′为
C′＝(C+D)/C...(式4)
若将右肺野区域的器官背部修正系数设为1，则左肺野区域的器官背部修正系数α为
α＝C′/A′...(式5)
·利用面积的情况
根据胸部主视图像(也可以是胸部的动态图像的一个帧图像)测量以下的面积(参照图15)。
A：不与其他器官重叠的右肺野区域的面积
B：与其他器官重叠的右肺野区域的面积
C：不与其他器官重叠的左肺野区域的面积
D：与其他器官重叠的左肺野区域的面积
通过上述(式3)～(式5)求出器官背部修正系数。
例如，根据上述的使用了体积或者面积的方法，不区分年龄、性别、身高、体重等身体特征地根据各种身体特征的多个病例数据计算器官背部修正系数并将其平均值、或中值等代表值预先存储于存储部32，在步骤S15中，读取并获取存储于存储部32的器官背部修正系数(代表值)。
或者，也可以对年龄、性别、身高、体重等每个身体特征、或者对它们的每个组合计算器官背部修正系数并将其平均值、或中值等代表值预先存储于存储部32，在步骤S15中，读取并获取存储于存储部32的与受检者的身体特征对应的器官背部修正系数。
或者，在存在胸部的动态图像的受检者的CT图像等能够计算在胸部的动态图像中与其他器官重叠的右肺野区域和左肺野区域、不与其他器官重叠的右肺野区域和左肺野区域的数据的情况下，计算受检者的个体的器官背部修正系数。
若获取器官背部修正系数，则将分析区域分割为左肺野分析区域和右肺野分析区域，计算上限值修正完毕的肺血流汇总图像中的左右各自的分析区域内的帧间差值的代表值(积分值、平均值、最小值、最大值、中值中的任意一个)，通过器官背部修正系数修正计算出的代表值。即，右肺野区域的器官背部修正系数与右肺野分析区域的代表值相乘，左肺野区域的器官背部修正系数与左肺野分析区域的代表值相乘。由此，能够将计算的肺血流的左右比修正为考虑了器官背部的肺野区域的血流量的比率。然后，将修正后的左右的分析区域的代表值的比率计算为肺血流的左右比。
此外，也可以不修正代表值地计算肺血流的左右比，使用器官背部修正系数修正计算出的肺血流的左右比。
然后，将显示肺血流的左右比的分析结果画面341显示于显示部34(步骤S16)，肺血流分析处理结束。
图16表示分析结果画面341的一个例子的图。如图16所示，在分析结果画面341中，显示有计算出的肺血流的左右比341a、肺血流汇总图像341b、应用的上限值341c、表示血流比用肺野掩模是自动生成还是手动生成的信息341d及器官背部修正系数有无应用的信息341e、以及有应用的情况的器官背部修正系数的值341f。作为肺血流汇总图像，显示根据帧间差值(即，与血流量相关的特征量)着色后的图像。另外，在肺血流汇总图像341b中显示血流比用肺野掩模341g。作为血流比用肺野掩模341g，针对在步骤S14中制作的血流比用肺野掩模341g1，将肺野区域扩张到器官背部为止地显示，以便明白在血流比的计算中考虑了器官背部的肺野区域。此时，如图16所示，也可以在血流比用肺野掩模341g内显示在步骤S14中制作的血流比用肺野掩模341g1的区域以便明白是否是器官背部，如图17所示，也可以不区分器官背部的区域而仅显示血流比用肺野掩模341g。
在分析结果画面341中，能够变更上限值341c、血流比用肺野掩模生成的自动/手动341d、器官背部修正系数有无应用341e。
例如，如图18所示，在通过用户对操作部33的操作变更了上限值的情况下，通过控制部31，将上限值变更为输入的值来重新制作肺血流汇总图像，并且重新计算肺血流的左右比，变更分析结果画面341上的肺血流的左右比341a的值以及肺血流汇总图像341b的着色。
另外，例如，如图19所示，若通过用户对操作部33的操作将血流比用肺野掩模生成从自动变更为了手动，则通过控制部31，在血流比用肺野掩模341g上显示坐标点(图19中以黑圆表示的点)以及光标341i。若通过操作部33使光标341i对准坐标点而移动到所希望的位置，则与坐标点的移动对应地再计算左右比，显示再计算结果作为肺血流的左右比341a。
另外，例如，如图20所示，若通过用户对操作部33的操作将器官背部修正系数的应用从有变更为了无，则通过控制部31，将血流比用肺野掩模341g的形状变更为不考虑器官背部的形状。另外，进行肺血流的左右比的再计算，显示再计算结果作为肺血流的左右比341a。
此外，由于应用了器官背部修正系数的肺血流的左右比仅是“假设为与不与其他器官重叠的肺野区域相同的状态的血流存在于器官背部的肺野区域”的情况的值，因此也存在包括误差的可能性。因此，为了使医疗从业者进行诊断时的判断有余地，如图21所示，优选记载肺血流的左右比的假定误差341h。
假定误差例如能够如下述的(式6)那样计算。
(器官背部修正系数应用前的左右比的右肺的值－器官背部修正系数应用后的左右比的右肺的值)×1.5...(式6)
1.5是为了使误差具有余量而赋予的值。因此，也可以新设定为不是1.5倍的其他值。
如以上说明的那样，诊断用控制台3的控制部31获取通过基于射线的动态拍摄而获得的胸部的动态图像，从获取的动态图像提取肺野区域，根据提取出的肺野区域计算与血流量相关的特征量(帧间差值)。而且，决定计算出的与血流量相关的特征量的值的上限值，通过与血流量相关的特征量的值的上限值来施加限制。
因此，能够根据胸部的动态图像，计算除去值较高的主血管引起的浓度变化后的与血流量相关的特征量。即，能够精度较好地计算除去主血管后的与肺血流量相关的特征量。
另外，控制部31在肺野区域设定分析区域，基于在设定的分析区域中计算出的与血流量相关的特征量进行分析。
例如，将从肺野区域去除与流向肺以外的血流重叠的区域后的区域、具体而言除去受到头臂动脉和锁骨下动脉中的任意一个或更多个引起的浓度变化的影响的区域后的区域设定为分析区域来进行分析。
因此，由于将从胸部的动态图像的肺野区域去除与流向肺以外的血流重叠的区域后的区域作为分析区域来进行基于与血流量相关的特征量的分析，因此能够精度较好地进行与血流量相关的分析。
另外，例如，控制部31将分析区域分割为包括多个小区域的左肺野区域和右肺野区域，对分割出的每个区域，计算在该区域内计算出的与血流量相关的特征量的代表值，基于用于修正为包括在该区域内与其他器官重叠的区域的与血流量相关的特征量的代表值的修正值来修正计算出的代表值，基于修正后的代表值计算左右的肺野的肺血流比。
因此，能够反映器官背部的肺血流，且精度较好地计算肺血流比。
此外，上述实施方式中的记述是本发明所涉及的适宜的动态图像分析系统的一个例子，并不限定于此。
例如，在上述实施方式中，在生成肺血流汇总图像后设定用于计算肺血流的左右比的分析区域，使用分析区域内的帧间差值计算肺血流的左右比，但也可以在设定分析区域后，生成汇集了分析区域内的帧间差值后的肺血流汇总图像来计算肺血流的左右比。
另外，在上述实施方式中，对在计算肺血流的左右比的情况下应用本发明的例子进行了说明，但不限定于此。例如，也可以计算右上肺野、右中肺野、右下肺野、左上肺野、左中肺野、左下肺野这六个区域的血流比。在该情况下，对器官背部修正系数而言，根据多个病例数据计算各个区域的器官背部修正系数并将其平均值、或中值等代表值预先存储于存储部32，使用与各个区域对应的器官背部修正系数来进行修正。
另外，在上述实施方式中，以使用与基准帧图像的帧间差值作为与血流量相关的特征量的情况为例进行了说明，但不限于此。例如，也可以将日本特开2012－239796号公报中记载的表示搏动信号波形与信号波形(每个块区域的信号波形)的相关性的相互相关系数作为与血流量相关的特征量。
另外，例如，在上述的说明中，公开了使用硬盘、半导体的非易失性存储器等作为本发明所涉及的程序的计算机可读取的介质的例子，但不限定于该例子。作为其他的计算机可读取的介质，能够应用CD-ROM等便携式记录介质。另外，作为经由通信线路提供本发明所涉及的程序的数据的介质，也应用载波(搬运波)。
此外，关于构成动态图像分析系统100的各装置的细节结构以及细节动作，也能够在不脱离本发明的主旨的范围内适当地变更。

Claims (16)

1.一种动态图像分析装置，其中，具备：
获取部，获取通过基于射线的动态拍摄而获得的胸部的动态图像；
提取部，从上述动态图像提取肺野区域；
血流量特征量计算部，根据上述肺野区域计算与血流量相关的特征量；以及
限制部，对计算出的上述与血流量相关的特征量的值施加限制。
2.根据权利要求1所述的动态图像分析装置，其中，
上述限制部至少基于上述动态图像的拍摄条件以及成为上述与血流量相关的特征量的计算对象的血管的信息来决定上述与血流量相关的特征量的上限值，并且基于上述上限值对计算出的上述与血流量相关的特征量的值施加限制。
3.根据权利要求2所述的动态图像分析装置，其中，
上述限制部还基于上述动态图像的受检者的身体信息、上述肺野区域中的计算上述与血流量相关的特征量的对象区域的位置、计算上述与血流量相关的特征量的肺野的面积或者体积、拍摄体位中的任意一个或更多个信息来决定上述与血流量相关的特征量的上限值，并且基于上述上限值对计算出的上述与血流量相关的特征量的值施加限制。
4.根据权利要求1所述的动态图像分析装置，其中，具备：
分析区域设定部，在上述肺野区域设定分析区域；以及
分析部，基于在上述分析区域中计算出的上述与血流量相关的特征量来进行分析。
5.根据权利要求4所述的动态图像分析装置，其中，
上述分析区域是从上述肺野区域去除与流向肺以外的血流重叠的区域后的区域。
6.根据权利要求5所述的动态图像分析装置，其中，
上述分析区域去除的区域是受到头臂动脉和锁骨下动脉中的任意一个或更多个引起的浓度变化的影响的区域。
7.根据权利要求4所述的动态图像分析装置，其中，
上述血流量特征量计算部针对上述肺野区域的每个小区域计算上述与血流量相关的特征量，
上述分析区域设定部在上述肺野区域设定包括多个小区域的分析区域，
上述分析部是将上述分析区域分割为包括多个小区域的多个区域，在分割出的多个区域的每一个区域中，计算在该区域中计算出的上述与血流量相关的特征量的代表值，将计算出的上述多个区域的代表值的比率计算为上述多个区域的血流比的单元，并且上述分析部获取用于将上述比率修正为考虑了与其他器官重叠的肺野区域的血流量后的比率的修正值，并基于获取到的修正值修正上述比率。
8.根据权利要求7所述的动态图像分析装置，其中，
上述修正值是基于在上述动态图像的拍摄时的射线照射方向上与其他器官重叠的肺野区域的体积或者面积而计算出的值。
9.一种计算机能够读取的记录介质，储存有程序，其中，上述程序用于使计算机作为以下单元发挥功能：
获取部，获取通过基于射线的动态拍摄而获得的胸部的动态图像；
提取部，从上述动态图像提取肺野区域；
血流量特征量计算部，根据上述肺野区域计算与血流量相关的特征量；以及
限制部，对计算出的上述与血流量相关的特征量的值施加限制。
10.根据权利要求9所述的计算机能够读取的记录介质，其中，
上述限制部至少基于上述动态图像的拍摄条件以及成为上述与血流量相关的特征量的计算对象的血管的信息来决定上述与血流量相关的特征量的上限值，并且基于上述上限值对计算出的上述与血流量相关的特征量的值施加限制。
11.根据权利要求10所述的计算机能够读取的记录介质，其中，
上述限制部还基于上述动态图像的受检者的身体信息、上述肺野区域中的计算上述与血流量相关的特征量的对象区域的位置、计算上述与血流量相关的特征量的肺野的面积或者体积、拍摄体位中的任意一个或更多个信息来决定上述与血流量相关的特征量的上限值，并且基于上述上限值对计算出的上述与血流量相关的特征量的值施加限制。
12.根据权利要求9所述的计算机能够读取的记录介质，其中，上述程序使计算机作为以下单元发挥功能：
分析区域设定部，在上述肺野区域设定分析区域；以及
分析部，基于在上述分析区域中计算出的上述与血流量相关的特征量来进行分析。
13.根据权利要求12所述的计算机能够读取的记录介质，其中，
上述分析区域是从上述肺野区域去除与流向肺以外的血流重叠的区域后的区域。
14.根据权利要求13所述的计算机能够读取的记录介质，其中，
上述分析区域去除的区域是受到头臂动脉和锁骨下动脉中的任意一个或更多个引起的浓度变化的影响的区域。
15.根据权利要求12所述的计算机能够读取的记录介质，其中，
上述血流量特征量计算部针对上述肺野区域的每个小区域计算上述与血流量相关的特征量，
上述分析区域设定部在上述肺野区域设定包括多个小区域的分析区域，
上述分析部是将上述分析区域分割为包括多个小区域的多个区域，在分割出的多个区域的每一个区域中，计算在该区域中计算出的上述与血流量相关的特征量的代表值，将计算出的上述多个区域的代表值的比率计算为上述多个区域的血流比的单元，并且上述分析部获取用于将上述比率修正为考虑了与其他器官重叠的肺野区域的血流量后的比率的修正值，并基于获取到的修正值修正上述比率。
16.根据权利要求15所述的计算机能够读取的记录介质，其中，
上述修正值是基于在上述动态图像的拍摄时的射线照射方向上与其他器官重叠的肺野区域的体积或者面积而计算出的值。
CN202310640631.9A 2022-06-01 2023-06-01 动态图像分析装置以及计算机能够读取的记录介质 Pending CN117153348A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022089320A JP2023176825A (ja) 2022-06-01 2022-06-01 動態画像解析装置及びプログラム
JP2022-089320 2022-06-01

Publications (1)

Publication Number Publication Date
CN117153348A true CN117153348A (zh) 2023-12-01

Family

ID=88885064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310640631.9A Pending CN117153348A (zh) 2022-06-01 2023-06-01 动态图像分析装置以及计算机能够读取的记录介质

Country Status (3)

Country Link
US (1) US20230394657A1 (zh)
JP (1) JP2023176825A (zh)
CN (1) CN117153348A (zh)

Also Published As

Publication number Publication date
US20230394657A1 (en) 2023-12-07
JP2023176825A (ja) 2023-12-13

Similar Documents

Publication Publication Date Title
JP6436182B2 (ja) 動態画像解析装置
JP5672147B2 (ja) 胸部診断支援情報生成システム
JP6772873B2 (ja) 動態解析装置及び動態解析システム
US20200193598A1 (en) Dynamic analysis system
JP6701880B2 (ja) 動態解析装置、動態解析システム、動態解析方法及びプログラム
JP6743662B2 (ja) 動態画像処理システム
JP7047574B2 (ja) 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
JP2018068400A (ja) 動態画像処理装置
WO2011092982A1 (ja) 動態画像処理システム及びプログラム
JP7073661B2 (ja) 動態解析装置及び動態解析システム
JP7020125B2 (ja) 動態画像解析装置及びプログラム
US11151715B2 (en) Dynamic analysis system
JP2017169830A (ja) 動態解析装置
US11484221B2 (en) Dynamic analysis apparatus, dynamic analysis system, expected rate calculation method, and recording medium
JP6690774B2 (ja) 動態解析システム、プログラム及び動態解析装置
JP2012115581A (ja) 胸部診断支援情報生成方法及び胸部診断支援システム
JP7255725B2 (ja) 動態画像解析システム及び動態画像解析プログラム
US20190298290A1 (en) Imaging support apparatus and radiographic imaging system
JP2019111006A (ja) 動態画像処理方法及び動態画像処理装置
CN117153348A (zh) 动态图像分析装置以及计算机能够读取的记录介质
JP6962030B2 (ja) 動態解析装置、動態解析システム、動態解析プログラム及び動態解析方法
JP2020171427A (ja) 動態画像解析装置、動態画像解析システム及びプログラム
JP2020000475A (ja) 動態画像処理装置及びプログラム
JP2022143288A (ja) 動態画像解析装置及びプログラム
JP2021132994A (ja) 動態解析装置及びプログラム

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