JP2002517867A

JP2002517867A - 自動形状特徴付けのための方法および装置

Info

Publication number: JP2002517867A
Application number: JP2000553917A
Authority: JP
Inventors: ダブリュ．ヘイラー，ジョン; アイ．ミラー，マイケル; ジー．サーナンスキー，ジョン; グレナンダー，ウルフ; シー．ジョシ，サラング
Original assignee: Washington University in St Louis WUSTL
Current assignee: Washington University in St Louis WUSTL
Priority date: 1998-06-08
Filing date: 1999-06-08
Publication date: 2002-06-18
Also published as: AU4424499A; EP1086440A4; CA2334272A1; WO1999064983A1; WO1999064983A9; EP1086440A1

Abstract

(57)【要約】点、曲線、面または部分体積の部分多様体の形状特徴付けに基づき母集団状態を分類するための方法および装置。例えば、ＣＴ、ＭＲＩまたは音波など臨床的画像化技術を使ってある構造の検査が行われる（６０１）。次に、新しい画像のマップを生成するために（６０２）画像に変換関数が適用される。前記の構造の形状に関する情報（６０４）を含む新しい画像マップが母集団群を特徴付ける平均的形状と比較される（６０６）。新しい画像の形状がある平均的形状との最良符合確率の範囲内にある場合、前記の新しい画像は前記の平均的形状により特徴付けられる母集団の要素として分類される（６０７）。従って、新しい構造の形状がある母集団群の平均的形状に似ている場合、前記の新しい形状は同じ形状特性を示す他の構造と同じ母集団状態として分類される。

Description

【発明の詳細な説明】

【０００１】（発明の分野）本発明は、境界面により形状変化を特徴付け、この形状変化を既知の母集団を
代表する形状測度と比較することにより、構造異常を分類するための方法および
装置に関する。

【０００２】（背景となる技術）構造の形状の微妙な変化の検出は、欠損または病気の潜在的兆候である異常を
検出するために非常に重要な意味を持つ可能性があることがしばしばある。構造
のわずかな形状変化は、大きな破滅的結果につながる可能性があることが多い。
例えば、ビルディング建設の構成成分の変形は、建設全体の構造的無欠性を大き
く損なうことになりかねない。また、例えば、高分解能の複雑な機械加工部品の
わずかな変形は、他の機械加工部品との両立を不能にし、最終的には機械加工装
置の性能の低下につながる場合がある。さらに、人間の解剖学的器官の形状の変
動は、例えば、癌などの病気の初期警告信号であるかもしれない。これらのそれ
ぞれのケースにおいて、形状異常の早期検出は、決定的重要性を持つ可能性があ
る。

【０００３】人間の解剖学的器官に影響する病気は、病気の器官の形状を変えることがしば
しばある。例えば、癌は、器官の細胞を突然変異させて、異常な腫瘍の成長を生
じる。さらに、最近の発見で、分裂病を患う脳は異常な形状および成長を示すこ
とが明らかになった。これらの異常な形状および成長を早期に検出することは、
できる限り早く治療を開始するために患者にとっても医者にとっても非常に有益
である。

【０００４】現在、多くの病気の診断には、痛みを伴う侵襲的検査が必要である。例えば、
人体に病気が存在するかどうか判定するために病気の疑いのある組織の生検を必
要とする場合がしばしばある。ＭＲＩ、ＣＴおよび超音波など非侵襲的画像化技
術があり、損傷に関する貴重な情報を提供しているが、これらの技術は病気の診
断に使用される構造的変化を直接数量化する上ではあまりあるいは全く助けにな
らない。

【０００５】人間の脳の病気を特徴付けるための従来の方法は、境界内の体積およびこれが
接する面と関連付けられる形状変化を特徴付けるための自動化を伴わない。人間
の脳の病気を定義するための最も一般的方法は、選択された脳の下部構造の全体
積の比較である。体積は、通常、選択された体積の輪郭を描くかその周りおよび
中の立体解析点をカウントする手作業の技術を使って判定される。この方法は、
脳の下部構造全体積の相違が手作業の測定に伴う誤差の度合いを超える場合にこ
の相違に関連付けられる人間の脳の病気の存在しか検出できない。

【０００６】アルツハイマー病、パーキンソン病、精神分裂病ならびに子供の注意欠損およ
び学習障害など、多くの人間の脳の病気は、多少の脳の体積の相違に関連してい
るので手動的方法では検出できないことが分かっている。体積測度および大局的
スケール変換を生成する正確な自動化された方法は、スケールおよび体積表示に
基づく正確な病気の表示方法となる。ニューロン構造の異常は上記の病気と関連
付けられるので、本文書において説明される革新は、これらの病気を持つ者を正
常者と区別し、その治療を始められるようにする。さらに、非対称に関連付けら
れる病気は、本発明において説明される進歩を使って検査することができる。

【０００７】形状特徴付けは、ユーザが構造の形状の異常および変化を判定できるようにす
る方法である。この形状特徴付けは、多数の実践的用途を持っている。例えば、
形状特徴付け技術は、人間の解剖学的器官の形状変化を検出するための手段とな
り得る。また、例えば、形状特徴付けは、構造要素の自動検査において品質管理
を行う手段となり得る。

【０００８】人間の解剖学的器官の形状特徴付けは、異常成長、病気および潜在的な健康上
の危険を診断する際の非侵襲的方法となり得る。異常な形状を持つ癌に罹った器
官を、侵襲的な診断技術を使う必要なく速やかに識別できるかも知れない。脳の
自動形状特徴付けは、従来の方法では現在不可能な脳の体積の微妙な変化を検出
することができる。

【０００９】参照により本明細書に組み込まれるＳａｒａｎｇｃ．Ｊｏｓｈｉその他の「
脳表面を特徴付けるための部分多様体上のガウス確率場」は、人間の脳の下部構
造および関連の病気の自動特徴付けのためにコンピュータ・ハードウェアおよび
コンピュータ・ソフトウェアを使用する方法を開示してる。特定の病気について
の研究が行われ、人間の器官の形状変化が観察され分類された。既知の分類され
た病気の器官の形状の画像比較により、早期に非侵襲的に病気を検出することが
できる。

【００１０】従来の方法の１つの短所は、脳など人間の器官の重大な微妙な変化を検出でき
ないことである。人間の器官の従来の診断方法のもう１つの短所は、侵襲的技術
を必要とすることである。早期の非侵襲的方法が病気診断の目標なので、形状特
徴付けを使用することによる病気診断の手段および方法を提供することが望まし
い。本発明の望ましい実施態様は人間の解剖学的構造の特徴付けに関するもので
あるが、本発明は、生物学的用途に限定されないことに留意しなければならない
。例えば、品質管理のための部品の自動検査など非生物学的構造の形状特徴付け
も行なうことができる。

【００１１】（発明の要約）本発明は、上記の短所を克服し、自動形状特徴付けの方法および装置を提供す
る。本発明は、また、非侵襲的画像化技術により病気の検出を可能にする自動形
状特徴付けのための方法および装置を提供する。本発明の付加的特徴および長所
は、一部は以下の説明に示され、一部は以下の説明から明らかであるか、あるい
は本発明の実施により分かるだろう。本発明の目的およびその他の長所は、添付
される特許請求の範囲において特に指摘される要素および組み合わせにより理解
され、達成されるだろう。

【００１２】本発明に従って以上のおよびその他の長所を得るために、また本明細書におい
て具体化され広範に説明される本発明の目的に従って、本発明に合致する方法お
よび装置は、自動的に形状を分類する。例えば、点、曲線、面および部分体積の
部分多様体の形状特徴付けにより母集団を自動的に分類する。ここで、母集団は
共通の特性を示す個体群であり、クラスとも呼ばれる。本発明に合致する１つの
方法は、1）従来の技術を使用して構造の画像を入手し、前記の入手された画像
から変換関数に基づき完全なマップを作成するステップ、２）既知の分類例えば
病気母集団に関連付けられる既知の形状および体積の変化のデータベースを作成
し、分類特定に基づき画像を分類するステップ、３）同じ母集団に分類される画
像の変換マップを平均化することにより平均合成部分体積および平均合成境界面
を作成して、母集団の形状を特徴付けるステップ、４）変換マップの集合を使用
して平均合成部分体積および境界面前後の変化量を判定するステップ、および５
）調査対象の新しい構造がその形状に基づき特定の母集団に属する確率を判定す
るステップ、を含む。

【００１３】本発明に合致する１つの方法は、ある特定の構造の既知の正常状態および病気
状態のデータベースを作成するステップ、調査対象の構造の画像をデータベース
の画像と比較するステップ、および調査対象の画像が既知の異常な画像に近いか
または正常状態の画像に近いかを判定するために確率分布関数を使用するステッ
プを含む。前記の方法は、ターゲット画像とテンプレート画像の間の差異および
符合の確率を計算する確率分布関数の結果に基づき決定を行う。

【００１４】上記の一般的説明および以下の詳細な説明は両方とも例示的で説明的なものに
過ぎず、本発明を制限するものではないものとする。本発明のその他の特徴および長所は、下記の添付図面を参照する以下の望まし
い実施態様の詳細な説明において明らかになるだろう。

【００１５】（望ましい実施態様の詳細な説明）本発明に従って、点、曲線、表面または部分体積の部分多様体の形状特徴付け
により異常を検出し分類するための方法および装置が提供される。本発明の１つ
の実施形態において、方法および装置は、人間の脳の下部構造および脳の下部構
造の神経形態異常に関連付けられる病気を自動的に特徴付ける。前記の方法は、
分析のために選ばれた脳の下部構造が母集団の他の個体から偏向するとき、その
体積および境界面の形状および境界面に関連付けられるベクトル場の連続展開を
使って、その境界面により脳の下部構造の形状変化を特徴付ける。次に、本発明
のこの好ましい実施形態について詳細に説明する。その例は添付図面に示されて
いる。

【００１６】調査対象の対象物について既知の正常状態画像および病気状態画像のデータベ
ースがこの分野の専門家によりまたは既知の技術により作成される。好ましい実
施形態において脳の病気の研究を行う医者は、例えば、ＣＴ、ＭＲＩおよび超音
波など患者の脳の画像を得るための臨床的画像化技術を使用する。各患者の脳を
画像化するとき、医者またはオペレータは、その画像に関連付けられる付加的情
報をデータベースに入力する。この付加的情報には、患者の脳が患う特定の病気
の診断に関する情報が含まれる。この付加的情報は、データベースにおいて編成
されるとき画像の分類に役立つ。

【００１７】次に、入手した画像に、参照により本明細書に組み込まれる米国特許出願第０
８／６７８，６２８号において説明される自動体積符合変換関数が適用される。
自動体積符合変換関数は、自動的に、１つの領域から別の領域への完全なマッピ
ングを行い、入手した画像の全体積に関してｈ：Ω⇔Ωの記号で表される。変換
関数は、画像の領域Ωのマップを生成する。この領域のマップを生成するために
使用される変換関数は、例えば、米国特許出願第０８／６７８，６２８号の式（
６）および（７）において説明される変換関数など米国特許出願第０８／６７８
，６２８号において説明されるマッピング変換関数のいずれかでも、ターゲット
・マップを生成するための技術上既知のその他の変換でもよい。ターゲット・マ
ップは、変換された新しい画像について生成されるマップである。新しい画像は
、現在検査中または調査対象の構造の画像である。１つの実施形態において、前
記のマップは、予め選択された埋め込み部分多様体に限定され、自動的にテンプ
レート解剖情報をターゲットの解剖学的構造に伝える。この実施形態は、ターゲ
ット画像の神経解剖学的構造を理解するための自動的方法を提供する。テンプレ
ート画像は、以前に検査された画像の変換済みマッピングにより構成されるデー
タベースに記憶されるマップである。これらのマップは、さらに拡大して、米国
特許出願第０８／６７８，６２８号において開示され腫瘍および正常状態および
／または病気状態のその他の形態変化に関連付けられるマッピング技術を含める
ことができる。

【００１８】入手される様々な画像は、データベースに入力され、脳の様々な状態を表す様
々なクラス（母集団）に分類される。前記の状態には、正常な脳の状態および様
々な病気の脳の状態が含まれる。様々な病気の脳の状態は、各々、脳腫瘍、アル
ツハイマー病、パーキンソン病、分裂病、および子供の注意欠損および学習障害
を患う様々な脳の画像を含む。同様に、正常な脳の状態は、正常な状態の様々な
脳の画像を含む。画像の集合および各母集団に関連付けられるそのそれぞれの変
換マップは、様々な母集団の各々の様々な下部構造を表すよう配列される。時間
の経過とともに、正常状態あるいは病気状態の１つに対応する画像マップのデー
タベースが作成される。当業者は、可能な複数の分類を表す画像マップ・データ
ベースを、手作業による干渉なしに、または医者またはオペレータによる様々な
度合いの干渉を受けて自動的に生成し、維持できることが分かるだろう。

【００１９】新しい各画像が分類されるとき、その母集団に以前に記憶された画像のテンプ
レート画像は、調査対象の新しい画像のマップを加えて変換される。例えば、平
均合成部分体積または境界面などの各母集団に特徴的な平均的形状を表す統計測
度が生成される。時間の経過と共に、新しい画像が母集団に分類されるにつれ、
特徴的平均的画像が精密化される。母集団は、それぞれの母集団に対応する確率
分布関数測度を使って特徴付けられ、相互に区別される。例えば、

【数１】ここで、Ｐ₀、Ｐ₁、…Ｐ_Nは、定義済みの各母集団の確率分布関数を表す。確率
分布関数は、医者またはオペレータには既知の予め選択された包含基準および排
他基準を使って、該当の母集団に属する個体のトレーニング・セットから各母集
団ごとに構成される。

【００２０】適切なデータベースが確立され、新しい患者の脳が調査のために受け入れられ
ると、その画像が、ＣＴ、ＭＲＩまたは超音波などの臨床的検査技術を使って入
手される。調査対象の脳の画像には、例えば米国特許出願第第０８／６７８，６
２８号の式（６）および（７）に示される変換関数など米国特許出願第０８／６
７８，６２８号において説明される任意および全てのマッピング変換関数並びに
調査対象の脳の画像のターゲット・マップを生成するための技術上既知のその他
の変換が適用される。次にマッピングされたターゲット画像がデータベースに記
憶される各母集団のテンプレート画像と比較される。開発された確率分布関数を
使って、調査対象の脳の画像が特定の母集団の確率分布関数の範囲内にあるか否
かが判定される。従って、調査対象の脳の画像は、正常状態の母集団か病気状態
の母集団に該当するものとして適切に診断される。新しい脳の画像は、病気状態
に従って分類され、その形状の変化量は、例えば平均合成部分体積または平均合
成境界面などコンピュータ計算統計値を使って変換されて、新しい画像の変化量
を反映する新しい平均合成部分体積または新しい平均合成境界面を作成する。

【００２１】本発明の１つの実施態様は、正常母集団および分裂病の病気母集団の調査に適
している。この実施態様においては、正常な脳の状態を表す画像の母集団および
分裂病を患う病気の脳を表す画像の母集団を持つデータベースがすでに確立され
ていると、仮定する。この例の場合の確率分布関数は、予め選択された臨床的包
含基準および排他基準を使って正常と定義される個体の母集団から構成される。
病気の形状変化測度は、病気と診断される個体の母集団から構成される。

【００２２】神経形態異常により明白な病気状態のコンピュータ分類は、下記の式に従って
部分多様体Ｍ（ｊ）に限定されるＩＲ³直交基底｛φ_k (ｘ)、ｋ＝１、…｝を使
って変換ベクトル場ｕ(ｘ)を展開する。

【数２】ここで、Ｍ(ｊ)は次元ｊ＝１、２、３の多様体であり、ｘは多様体Ｍ(ｊ)上の点
、φ_k(ｘ)はＩＲ³値基底関数、ｕ(ｘ)は直交基底関数φ_k(ｘ)において展開され
る変換ベクトル場である。完備直交基底｛φ_k (ｘ)、ｋ＝１、…｝は、脳の下部
構造の体積、形状および幾何学的配列に関して定義される。

【００２３】Ａ．画像の入手および変換マップの生成ある画像と関連するものとして知られるテンプレート画像、調査対象のターゲ
ット部分体積および境界面Ｉ₀、Ｍ₀(３)、Ｍ₀(２)は、それぞれ、事前にデータ
ベースに記憶される。第１のステップは、調査対象の下部構造を定義する関連画
像Ｉ₀を使って、起点体積Ωにおいて生物学的に意味を持つ部分体積Ｍ₀(３)およ
び関連する表面Ｍ₀(２)を構成することである。新しい未知の脳構造を表す新し
いターゲット画像は、ＣＴ、ＭＲＩまたは超音波など臨床的検査技術を使用して
入手される。次に、調査対象の下部構造のマップＩ_NEWを入手するために、テン
プレート画像がターゲット画像にマッピングされる。新しい画像のマップは、米
国特許出願第０８／６７８，６２８号および上において説明される自動体積符合
変換関数を使って入手される。自動体積符合変換関数は、入手される全体積に関
する完全マップｈ：Ω⇔Ωを自動的に生成する。この変換は逆転可能である。従
って、新しい画像のマップは、テンプレート画像を新しい画像にマッピングする
ことによりまたはその逆により形成することができる。Ｎ個の解剖学的構造によ
り構成される分裂病の病気状態を特徴付ける母集団は、その解剖学的画像Ｉ₁、
Ｉ₂、…Ｉ_Nを使って測定される。マッピングされる各画像Ｉ₁、Ｉ₂、…Ｉ_Nも、
調査対象の下部構造のマップを入手するために同じ変換関数およびテンプレート
画像を使用して生成される。

【００２４】このステップは、図１に示されている。図１は、Ωすなわちテンプレート画像
（平均合成画像）の背景座標系１００、テンプレートの脳１０１、テンプレート
の脳の表面１０２、テンプレートの脳の識別される下部構造１０３、およびテン
プレートの脳１０４における調査対象の下部構造の境界面１０４を示す。図１は
、また、新しい画像の背景座標系１０５、ターゲット画像（新しい画像）のマッ
プ１０６、ターゲット画像の表面１０７、ターゲット画像の調査対象の下部構造
１０８、およびターゲット画像の境界面１０９を示す。テンプレート画像１０４
をターゲット画像１０９にマッピングするために、式３を使って、変換１１１お
よび１１２を使用してマップの集合が生成される。

【００２５】変換関数を使用し、前記のマップの集合を生成することにより、構造の形状お
よび画像の微妙な変化を検出することができる。微妙な形状の検出により、新し
い画像の変換マップＩ_NEWを既知の画像マップと比較して、新しい画像マップが
特定の母集団に適切に分類されているか否かを判定することができる。以下の体
積、形状および対称性の変化から、医者は、構造の形状の変化を非常に正確に検
出することができる。

【００２６】体積、形状および対称性を調査するために、変換は、合成ｈ＝ｈ₁・ｈ₂・…ｈ _n となるよう階層的に構成され、アフィン運動、対称フリップおよび微細なベク
トル場変形をサポートする。

【００２７】大局的スケールを特徴付けるために、下記のとおり、ｈを並進により生成され
る一般化線形群から成るアフィン群と定義する。

【数３】ここで、ｈ（ｘ）は変換であり、Aは３×３アフィン・マトリクス、ｘは点、ｂ
は３×１並進ベクトル、そしてＧＬ（３）は次元３の一般化線形群である。

【００２８】スケールおよびサイズのパラメータを調査するために、下記の極分解を使用す
る。

【数４】ここで、Ｓは３×３対称形マトリクス、０は行列式−１の３×３直交マトリクス
、またＳＯ（３）は次元3の特殊直交群である。対称群の要素は、スケールをコ
ード化する６つのエントリを持ち、ＳＯ（３）は特殊直交群である。

【００２９】フリップ対称性を調査するには、下記のとおり０を行列式−１の直交群に入れ
る。

【数５】ここで、Ｏ（３）は次元3の直交群である。

【００３０】形状の高次元微細変換を調査するには、下記の通り関連ベクトル場を使ってｈ
を定義する。

【数６】

【００３１】新しい画像の正確な分類を決定するために、新しい画像の変化量を各母集団を
定義する確率分布関数と比較しなければならない。新しい画像マップが特定の母
集団の確率分布関数の範囲内にある場合、この新しい画像はその母集団の１つと
して分類されると言うことができる。確率分布関数との比較については、下で論
じる。

【００３２】Ｂ．各母集団を特徴付ける平均的形状の生成すでに検査済みの脳の画像を表すデータベースが構成されるので、ある特定の
母集団の要素として分類される各画像が追加されて、この母集団に特徴的な平均
的形状が生成される。平均的形状には、平均合成部分体積および平均合成境界面
が含まれる。各母集団について、様々な下部構造を表すマップの集合が生成され
る。各母集団を定義するために、平均的形状をあらわすテンプレート画像が作成
される。これは、部分体積および関連表面に限定されるベクトル場に関して確率
測度を使用して計算される。次のステップは、下記の通り、病気母集団のために
存在する平均合成解剖学的画像の階層的マッピング関数を新しい画像マップに応
用して、調査対象の下部構造に関するマップの集合ｈ_i、ｉ＝１、２…を生成す
るステップである。

【数７】ここで、Ｍ₀(ｊ)は、次元ｊ＝１、２、３の多様体であり、ｈ_iは変換マッピング
Ｉ₀を解剖学的画像Ｉ_iにマッピングすることにより生成されるマップであり、Ｍ _i (ｊ)は、マップｈ_iをＭ₀(ｊ)に応用した結果である次元ｊ＝１、２、３の算定
多様体である。

【００３３】図２および３は、それぞれ母集団に特徴的な平均合成部分体積および平均合成
境界面の計算を示している。図２において調査対象の新しい下部構造２００は、
母集団２０４〜２０６の要素として存在する調査対象の下部構造のテンプレート
画像により変換される。テンプレート部分多様体Ｍ_temp(ｊ)、ｊ＝０、１、２、
３により要約される母集団ｋ＝１、…Ｍ、を代表する合成を構成するには、下記
の式を構成する。

【数８】

【００３４】テンプレート画像２０４〜２０６は、式８を使って調査対象の下部構造の新し
い画像にマッピングされる。これは、図２において２０１〜２０３で示されてい
る。その結果得られるマップは、この母集団に特徴的な平均的形状の新しい平均
合成部分体積を形成するために、変換関数をテンプレート画像２００に使用して
平均合成部分体積２０７をマッピングするのに等しい。従って、新しい各画像が
母集団の要素として分類されると、この母集団の新しい要素の追加を反映するた
めに、平均的形状の平均合成部分体積が精密化される。

【００３５】図３においても同様に、平均的形状の平均合成境界面が精密化される。図３に
おいて、調査対象の新しい下部構造は、母集団３０４〜３０６の要素として存在
する調査対象の下部構造のテンプレート画像により変換される。母集団ｋ＝１、
…、Ｍ各々の大局的スケールおよび体積を表す合成を構成するためには、下記の
通り平均的スケールを構成する。

【数９】ここで、Ｓ_k ⁱは、ｋ番目の母集団におけるｉ番目の解剖学的画像に関連するスケ
ール変換である。

【００３６】テンプレート画像３０４〜３０６は、式９を使って調査対象の下部構造の新し
い画像にマッピングされる。これは、図３において３０１〜３０３で示されてい
る。その結果得られるマップは、この母集団に特徴的な平均的形状の新しい平均
合成境界面を形成するために、変換関数をテンプレート画像３００に使用して平
均合成境界面３０７をマッピングするのに等しい。従って、新しい各画像が母集
団の要素として分類されると、この母集団の新しい要素の追加を反映するために
、平均的形状の平均合成境界面が精密化される。

【００３７】従って、本発明の１つの実施形態は、特定の母集団の要素として分類される下
部構造の形状に特徴的な平均的形状を生成する。従って、マッピングされるとき
に、特定の母集団の平均的形状に符合する新しい画像は、この母集団の要素であ
るということができる。この実施形態において、分裂症を患う母集団を特徴付け
る調査対象の下部構造の平均的形状は、正常状態を表す母集団を特徴付ける調査
対象の下部構造の平均的形状とは異なる形状を持つ。新しい画像が入手されると
、これらは、各母集団の平均的形状のテンプレート画像にマッピングされ、比較
される。いずれかの平均的形状との符合が発見されれば、新しい画像は、その母
集団の要素として分類される。従って、病気をその形状のみに基づいて分類でき
る。

【００３８】Ｃ．確率分布関数および母集団における平均的形状からの変化量の決定しかし、これまでは各種の母集団の平均しか使用されていなかった。従って、
調査対象の画像が各種の状態の定義済み平均に正確にまたは非常に緊密に符合す
る場合にしか、調査対象の新しい画像の分類が意味を持たない。仮説検定の能力
を最大限利用するために、変化量測度が使用される。仮説検定法を使用すると、
本発明は、調査対象の新しい画像の形状が各母集団を特徴付ける平均的形状と異
なっていても、この新しい画像が別の母集団よりある母集団に分類される確率の
範囲内にあるか否かをよりよく判定できる。確率分布関数は、各母集団を構成す
るマップの集合からガウス過程を使って平均および共分散を推定することにより
生成される。前記のマップは、ベクトル場をパラメータ表示し定義するスケール
およびサイズ・パラメータに関して指数化されるガウス経過として特徴付けられ
る。前記のガウス経過は、その平均および共分散演算子により表される。

【００３９】

【数１０】

【００４０】形状変化をモデル化するベクトル場は、その平均および共分散によって指定さ
れる領域Ｍ⊂Ω上の3次元ガウス確率場｛Ｕ(ｘ)，ｘ∈Ｍ｝としてこれを特徴付
ける。｛Ｕ(ｘ)、ｘ∈Ｍ｝を、下記の式によって与えられる２つの関数の内積＜
ｆ、ｇ＞を持つヒルベルト空間H上のガウス確率場（ｇ．ｒ．ｆ．）として定義
する。

【数１１】

【００４１】基底をｆ｛φ_k，ｋ＝１，２，…｝とするＭ上の完備ＩＲ³値直交基底および下
記の式に従って与えられるＵ場を使って、平方平均限界として｛Ｕ（ｘ），ｘ∈
Ｍ｝ガウス場を構成する。

【数１２】

【００４２】

【数１３】

【数１４】

【００４３】

【数１５】

【００４４】２つの母集団、正常および病気の平均および分散の最尤推定値は、下記の式か
ら得られる。

【数１６】

【００４５】例示のために、表面、この場合には海馬状隆起においてベクトル場を展開する
ための完備直交基底｛φ_k｝の例が図４に示されている。表面の完備直交基底は
、例えばＡＤＩＮＡなど有限要素コードまたは経験的固有関数法を使って数値的
に構成される。完備直交基底は、平滑な幾何学的配列であればどのようなものに
ついても生成することができる。海馬状隆起の幾何学的配列に固有の直交基底の
４つの調和成分が図４に示されている。これらの調和成分はテンプレート配列の
前後の偏差として示されている。パネルは、｛ｘ＋φ_k（ｘ），ｘ∈Ｍ（２）｝
により生成される点グラフを示しており、φ_kはｋ番目の調和成分である。従っ
て、図４に示されるのは、特定の母集団の画像確率分布関数の範囲内にある平均
合成画像からの様々な偏差である。

【００４６】

【数１７】

【００４７】従って、母集団について平均および共分散の関数を計算すると、本発明の１つ
の実施形態は、自動的に、構造の形状の変化に基づき病気状態を診断することが
できる。

【００４８】Ｄ．偏差形態変化による病気状態の自動診断形状特徴付けに基づき病気状態を自動的に診断するために、テンプレート画像
は、マッピングされた新しい画像（ターゲット画像）に変換されて、各母集団を
特徴付ける平均的形状からのマッピングされた新しい画像の偏差が判定される。
マッピングされた新しい画像がある母集団を特徴付ける特定の平均的形状の変化
量限界内にあると判定されると、すでに確立されている確率分布関数が、新しい
画像をこの母集団の要素として分類できるか否かを決定する。各母集団は、その
母集団を特徴付ける構造の特定の形状によって表され、これが特定の病気または
正常な状態を表す。

【００４９】例えば、基本的な正常な解剖学的状態のある偏差に該当する１つの病気状態が
あるとする。２つの診断または仮定H₀およびH₁が考えられる（Ｈ₀＝正常、Ｈ₁＝
病気）。これは基本的解剖学的構造Ｉ（ここで、Ｉは新しい画像をあらわす）の
微分同相ｈ’∈Ｈによる別のＩ’（ここでＩ’は新しい画像のマップを表す）へ
の修正に該当するので、２つの解剖学的構造は位相的に等値である。この状況に
おいて、病気は、正常な人間の解剖学的構造の位相構造が保存されると仮定する
と、相互の大きな偏差を表す２つの確率分布関数Ｐ₀＞＞Ｐ₁の存在に該当する。
変形演算子ｈ’∈Ｈが相似群において単位元から遠すぎて、帰無仮説の信頼集合
Ｈ₀外に属する場合、確率密度ｐ（ｈ）を推定しネイマン・ピアソン補助命題を
応用することによりこの種の異常を識別して、適切な決定に到達することができ
る。

【００５０】正常および病気の帰無仮説に基づき、確率変形は、密度Ｈ₀：ｐ₀（ｈ），Ｈ₁ ：ｐ₁（ｈ）を持つ。新しい画像Iが特定の患者の解剖学的構造について生成され
ると仮定すると、その目標は病気を診断することである。従って、望ましい検定
は下記の式の通りとなる。

【数１８】定数αは新しい画像がどちらかの母集団の要素である確率により決定される偏り
定数を表す。例えば、男性か女性のいずれかのように新しい画像がどちらかの母
集団の要素である確率が等しい場合、この定数は１となる。この定数は、新しい
画像が特定の母集団のものである確率の事前認知を表す。

【００５１】従って、自動診断を行うために、本発明に合致する方法は、下記の通り、合成
テンプレートに関連付けられる正常状態および病気状態の表現、および正常状態
および病気状態を特徴付ける母集団統計値から別個に生成される正常状態および
病気状態の両方についての標本平均および標本分散統計値を計算する。

【数１９】

【００５２】患者の脳の画像にマッピングされるテンプレート画像は、下記の式に従って計
算される。

【数２０】

【００５３】このマップは、各母集団を特徴付ける平均的形状と比較され、下に説明される
ベイズの仮説検定が、マッピングされた画像について最も符合の確率の高い母集
団はどれかを決定する。次に、ｋ＝１，…，Ｄについて望ましい検定統計値が計算される。ここでＤは
、検定の次元である。

【００５４】スケール変換の場合、ｎ番目の解剖学的構造について最適検定統計値Ｓ_k、ｋ
＝１、…、６は下記のとおりとなる。

【数２１】

【００５５】高次元ベクトル場変換ｈ（ｘ）＝ｘ−ｕ（ｘ）の場合、望ましい検定統計値は
、基底関数射影Ｕ_k＝＜φ_k，ｕ_n＞、ｋ＝１、…ｄとなり、望ましい統計的Ｕベ
クトルは下記のとおりとなる。

【数２２】

【００５６】スケールおよび(または)体積に基づき病気を検定する場合、

【数２３】

【００５７】高次元ベクトル場変換に基づき病気を検定する場合、

【数２４】

【００５８】図６及び７は、上に説明する方法を表すフロー・チャートを示している。図６
において、６００は、特徴的画像マップ・モデルその対応する確率分布関数を含
む予め生成されたデータベースを示す。各画像マップおよび対応する確率関数は
特定の母集団を特徴付ける。従来の画像化技術を使用する新しい画像および調査
対象の構造の検査が６０１に示されている。６０２は、前記の画像にマッピング
変換を応用することによるマップの生成を示している。前記のマップは、調査対
象の下部構造の調査のために限定される６０３。次に、データベースに記憶され
る既知の母集団形状測度と比較するために、６０４で形状測度が計算される。こ
のステップは、調査対象の各画像ごとに繰り返される６０５。新しい画像のマッ
プは、各母集団に特徴的な各画像マップと比較される６０６。既存の母集団への
分類は、新しい画像のマップが特定の母集団の確率分布関数の範囲内にあるか否
かに基づいて決定される６０７。新しい画像がある母集団に適切に分類されると
、新しい形状の変化量を反映するために、この母集団の平均合成平均的形状マッ
プが計算し直される６０８。この計算し直された平均的形状により、各クラスの
モデルを構成し、精密化することができる。この母集団については、平均合成部
分体積も平均合成境界面も、計算し直される。平均合成部分体積および平均合成
境界面が計算し直された後、新しい画像のためのプロセスが６００から開始され
る。

【００５９】図７は、各種の脳の画像を正常母集団か分裂病母集団に分類する単純化された
例を示している。データベースに正常な脳および分裂病の脳の画像の画像マップ
が事前に記憶される７００。平均合成部分体積および平均合成境界面を持つ平均
的形状が各母集団について計算され７０１、データベースに記憶される。確率分
布関数も計算される７０２。調査対象の新しい脳の画像を臨床的検査技術を使っ
て入手する７０３。前記の技術には、ＣＴ、ＭＲＩおよび超音波が含まれる。新
しい画像のマップは、データベースに記憶されるテンプレート画像を変換関数を
使って新しいターゲット画像にマッピングすることにより、生成される７０４。
新しい画像マップは、調査対象の特定の下部構造に限定される７０５。この例に
おいては、脳の海馬状突起が選択される。次に、データベースに記憶される既知
の母集団形状測度と比較するために、７０６において形状測度が計算される。新
しい画像マップは、どちらかの母集団の平均的形状のマップと比較される７０７
。母集団の１つへの分類は、新しい画像のマップがどちらの母集団の確率分布関
数の範囲内にあるかに基づいて行われる７０８。新しい画像が正常または分裂病
として分類されると、新しい画像の形状の既存の平均的形状からの変化量を反映
するために、その母集団の平均的形状が計算し直される７０９。調査対象の新し
い脳の画像ごとにステップ７０３〜７０９が繰り返される。あるクラスに分類さ
れる新しい各画像の形状の変化量を反映するために、各クラスの平均的形状およ
び確率分布関数を含むモデルが計算し直される７１０。

【００６０】生物学的用途について上に詳細に説明した以上の方法および装置は、品質管理
のための部品の自動検査など非生物学的構造の形状を特徴付けるためにも使用す
ることができる。正常状態および病気状態を表すものとして上に説明した母集団
は、非欠陥部品および欠陥部品並びに様々な部品のクラスを表すために使用する
ことができる。

【００６１】上記の例は二成分仮説について説明しているが、多成分仮説も利用できる。形
状特性の異なる構造をさらに明確にするために、母集団のさらなる分類を採用す
ることができる。

【００６２】本明細書は、解剖学的器官の病気状態を検出し分類するための実施形態につい
て説明しているが、本発明は、多様な用途に応用できる。ある構造の形状特性の
偏差が原因となってその構造がノルムから外れる関数特性を呈する用途であれば
どのような用途にも応用できる。例えば、複雑な機械装置の機械加工コンポーネ
ントを一定の許容差で製造するとする。機械加工コンポーネントは、コンポーネ
ントが許容差の範囲内で加工されることを条件として装置全体の中で適切に機能
する。

【００６３】本発明に合致する１つの実施形態は、機械加工コンポーネントを正常（すなわ
ち許容差内）、病気（すなわち欠陥品）として分類できる。例えば、さらに機械
加工を受ける他のコンポーネントの形状特性に符合する欠陥コンポーネントを他
の機能コンポーネントに分類するようまたはどのような理由でも使用してはなら
ない完全欠陥コンポーネントに分類するようさらに分類を用意することができる
。機械加工コンポーネントが組み立てラインを終了するときこれを自動的に画像
化すれば、効果的な品質管理を行える。さらに、欠陥部品を、他のコンポーネン
トにリサイクルすることが可能な分類に分けることことができる。機能的価値を
持たない欠陥部品を正確に分類して、組み立てラインから排除することができる
。従って、複雑な装置を効果的に製造し、品質管理を維持することができる。

【００６４】本発明は、最も実用的で望ましい実施形態と思われるものに関連して説明され
ているが、本発明は開示される実施形態に制限されるものではなく、全ての変更
態様および等価の配列を含むよう最大限広い解釈の精神および範囲に含まれる様
々な配列を含むものとする。

【図面の簡単な説明】

【図１】テンプレートにおいて識別されターゲット画像にマッピングされる下部構造お
よびその境界面を含むテンプレート画像を示す。

【図２】調査対象の下部構造に関連付けられるテンプレート部分体積をターゲット部分
体積の集合にマッピングするところを示す。

【図３】調査対象の下部構造に関連付けられるテンプレート境界面をターゲット境界面
の集合にマッピングするところを示す。

【図４】ベクトル場を展開するために脳の海馬状隆起の表面に関連付けられる市販の自
動力学的増分非線形分析（ＡＤＩＮＡ）ソフトウェア・パッケージを使って計算
された４つの表面調和成分を示す。

【図５】最初の25の調和成分に関して正常な脳と精神分裂病の患者の脳のマップから得
られるエラーバーとして平均および標準偏差のグラフを示す。

【図６】自動形状特徴付けの方法を表すフロー・チャートである。

【図７】人間の脳の病気の診断に使用するための自動形状特徴付けの方法を表すフロー
・チャートである。

───────────────────────────────────────────────────── フロントページの続き (81)指定国ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＣＹ，ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ，ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，ＧＭ，ＫＥ，ＬＳ，ＭＷ，ＳＤ，ＳＬ，ＳＺ，ＵＧ，ＺＷ)，ＥＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ，ＲＵ，ＴＪ，ＴＭ)，ＡＥ，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ，ＣＮ，ＣＵ，ＣＺ，ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＤ，ＧＥ，ＧＨ，ＧＭ，ＨＲ，ＨＵ，ＩＤ，ＩＬ，ＩＮ，ＩＳ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ，ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＳＬ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＵＡ，ＵＧ，ＵＺ，ＶＮ，ＹＵ，ＺＡ，ＺＷ (72)発明者ヘイラー，ジョンダブリュ．アメリカ合衆国，アイオワ 52245，アイオワシティ，ノースマウントバーノン 210 (72)発明者ミラー，マイケルアイ．アメリカ合衆国，メリーランド 21218，ボルティモア，ビショップスロード 14 (72)発明者サーナンスキー，ジョンジー．アメリカ合衆国，ミズーリ 63105，クレイトン，エレンウッドアベニュ 6465 (72)発明者グレナンダー，ウルフアメリカ合衆国，ロードアイランド 02906，プロビデンス，バーバリーヒル 26 (72)発明者ジョシ，サラングシー．アメリカ合衆国，メリーランド 21211，ボルティモア，フォールズロード 3618 Ｆターム(参考） 4C096 AB50 AC01 AD14 DC19 5L096 BA13 DA02 EA23 FA02 FA03 FA06 FA25 FA70 FA71 GA12 HA08 JA09 JA11 KA04

Claims

【特許請求の範囲】

【請求項１】対象物の画像の形状を使用して前記対象物のクラスについて
のモデルを構成するための方法であって、テンプレート画像をあるクラスの前記対象物の１つの画像に関係付けるマップ
を生成するステップと、前記マップから調査対象の構造の形状測度を計算するステップと、前記クラスの複数の対象物について前記生成および計算のステップを繰り返す
ステップと、計算された前記形状測度から前記クラスについてのモデルを構成するステップ
と、を備える方法。
【請求項２】対象物の画像の形状を使用して前記対象物のクラスについて
のモデルを構成するための方法であって、テンプレート画像をあるクラスの前記対象物の１つの画像に関係付けるマップ
を生成するステップと、前記マップを対象物の１つの前記画像において調査対象の構造に限定するステ
ップと、前記マップから前記調査対象の構造についての形状尺度を計算するステップと
、前記クラスの複数の対象物について前記生成、限定および計算のステップを繰
り返すステップと、計算された前記形状測度から前記クラスについてのモデルを構成するステップ
と、を備える方法。
【請求項３】前記マップを調査対象の構造に限定する前記ステップが、前
記対象物の１つの前記画像における点、線、面または部分体積を識別するサブス
テップを含む請求項１に記載の方法。
【請求項４】モデルを構成する前記ステップが、前記クラスを代表する確
率分布関数を計算するサブステップを含む請求項１に記載の方法。
【請求項５】対象物の画像の形状に基づき前記対象物を分類するための方
法であって、テンプレート画像を対象物画像に関係付けるマップを生成するステップと、前記マップから調査対象の構造についての形状測度を計算するステップと、前記形状測度を第１の対象物のクラスを代表するモデルと比較するステップと
、前記形状測度を第２の対象物のクラスを代表するモデルと比較するステップと
、前記形状測度比較の結果に従って前記対象物を前記第１のクラスまたは前記第
２のクラスに属するものとして分類するステップと、を備える方法。
【請求項６】前記マップを調査対象の構造に限定する前記ステップが、前
記対象物の１つの前記画像における点、線、面または部分体積を識別するサブス
テップを含む請求項５に記載の方法。
【請求項７】様々なクラスを特徴付けるモデルを記憶することによりデー
タベースを生成するサブステップを含む請求項６に記載の方法。
【請求項８】新しい画像について計算された前記形状測度を前記データベ
ースの各クラスのモデルと比較するサブステップを含む請求項７に記載の方法。
【請求項９】形状測度を計算する前記ステップが、詳細な高次元比較のた
めに基底ベクトルを使って前記マップの展開を計算するサブステップを含む請求
項８に記載の方法。
【請求項１０】計算された前記形状測度を前記データベースに記憶される
各モデル形状測度の形状測度と比較するステップをさらに含む請求項９に記載の
方法。
【請求項１１】形状測度を計算する前記ステップが、スケール群比較のた
めに極分解を使ってマップの展開を計算するサブステップを含む請求項８に記載
の方法。
【請求項１２】計算された前記形状測度を前記データベースに記憶される
各モデル形状測度の形状測度と比較するステップをさらに含む請求項１１に記載
の方法。
【請求項１３】形状測度を計算する前記ステップが、フリップ対称性比較
のために行列式−１の極分解を使って前記マップの展開を計算するサブステップ
を含む請求項８に記載の方法。
【請求項１４】計算された前記形状測度を前記データベースに記憶される
各モデル形状測度の形状測度と比較するステップをさらに含む請求項１３に記載
の方法。
【請求項１５】前記比較のステップの１つが尤度比検定を計算するサブス
テップを含む請求項８に記載の方法。
【請求項１６】対象物の画像の形状に基づき前記対象物を分類するための
方法であって、テンプレート画像を対象物画像と関係付けるマップを生成するステップと、前記マップから調査対象の構造についての形状測度を計算するステップと、前記形状測度を第１の対象物のクラスを代表するモデルと比較するステップと
、前記形状測度をｎ番目の対象物のクラスを代表するモデルと比較するステップ
と、前記形状測度比較の結果に従って前記対象物を第１からｎ番目までのクラスの
いずれかに属するものとして分類するステップと、を備える方法。
【請求項１７】対象物の医学的画像の形状を使って病気を持つ前記対象物
のクラスについてのモデルを構成するための方法であって、テンプレート画像をあるクラスの対象物の１つの画像に関係付けるマップを生
成するステップと、前記マップを前記対象物の１つの前記画像において調査対象の解剖学的構造に
限定するステップと、前記マップから前記調査対象の解剖学的構造についての形状測度を計算するス
テップと、前記クラスの複数の対象物について前記生成、限定および計算のステップを繰
り返すステップと、計算された前記形状測度から前記クラスについてのモデルを構成するステップ
と、を備える方法。
【請求項１８】対象物の画像における解剖学的部位の形状に基づき前記対
象物の病気状態を分類するための方法であって、テンプレート画像を対象物画像と関係付けるマップを生成するステップと、前記マップを前記対象物画像において調査対象の解剖学的構造に限定するステ
ップと、前記マップから前記調査対象の構造についての形状測度を計算するステップと
、前記形状測度を１つのタイプの病気を持つ第１の対象物のクラスを代表するモ
デルと比較するステップと、前記形状測度を別のタイプの病気を持つ第２の対象物のクラスを代表するモデ
ルと比較するステップと、前記形状測度比較の結果に従って前記対象物の病気状態を前記第１のクラスま
たは前記第２のクラスに属するものとして分類するステップと、を備える方法。
【請求項１９】対象物の画像における解剖学的部位の形状に基づき前記対
象物の病気状態を分類するための方法であって、テンプレート画像を対象物画像と関係付けるマップを生成するステップと、前記マップを前記対象物画像において調査対象の解剖学的構造に限定するステ
ップと、前記マップから前記調査対象の構造についての形状測度を計算するステップと
、前記形状測度を１つのタイプの病気を持つ第１の対象物のクラスを代表するモ
デルと比較するステップと、前記形状測度を別のタイプの病気を持つｎ番目の対象物のクラスを代表するモ
デルと比較するステップと、前記形状測度比較の結果に従って前記対象物の病気状態を前記第１からｎ番目
のクラスうちいずれかに属するものとして分類するステップと、を備える方法。
【請求項２０】対象物の画像の形状を使って前記対象物のクラスについて
のモデルを構成するための装置であって、テンプレート画像をあるクラスの対象物の１つの画像に関係付けるマップを生
成するための第１のコンピュータ処理ユニットと、前記マップを前記対象物の１つの前記画像において調査対象の構造に限定する
ための第１のコンピュータ限定ユニットと、前記マップから前記調査対象の構造についての形状測度を計算するための第２
のコンピュータ処理ユニットと、計算された前記形状測度から前記クラスについてのモデルを構成するためのデ
ータベースと、を備える装置。
【請求項２１】前記マップを調査対象の構造に限定するための前記第１の
コンピュータ限定ユニットが、前記対象物の１つの前記画像において点、線、面
または部分体積を識別するための識別ユニットをさらに備える請求項２０に記載
の装置。
【請求項２２】形状測度を計算するための前記第１のコンピュータ処理ユ
ニットが、基底ベクトルを使ってマップの展開を計算するためのマイクロプロセ
ッサをさらに備える請求項２０に記載の装置。
【請求項２３】形状測度を計算するための前記第１のコンピュータ処理ユ
ニットが、極分解を使ってマップの展開を計算するためのマイクロプロセッサを
さらに備える請求項２０に記載の装置。
【請求項２４】形状測度を計算するための前記第１のコンピュータ処理ユ
ニットが、行列式−１の極分解を使ってマップの展開を計算するためのマイクロ
プロセッサをさらに備える請求項２０に記載の装置。
【請求項２５】モデルを構成するための前記データベースが、前記クラス
を代表する確率分布関数を計算するための第３のコンピュータ処理手段をさらに
備える請求項２０に記載の装置。
【請求項２６】対象物の画像の形状に基づき前記対象物を分類するための
装置であって、テンプレート画像を対象物画像に関係付けるマップを生成するた
めの第１のコンピュータ・プロセッサと、前記マップを前記対象物画像において調査対象の構造に限定するための第１の
コンピュータ限定ユニットと、前記マップから前記調査対象の構造についての形状測度を計算するための第２
のコンピュータ・プロセッサと、前記形状測度を第１の対象物のクラスを代表するモデルと比較するための第１
のコンパレータと、前記形状測度を第２の対象物のクラスを代表するモデルと比較するための第２
のコンパレータと、前記形状測度をｎ番目の対象物のクラスを代表するモデルと比較するためのｎ
番目のコンパレータと、前記形状測度比較の結果に従って前記対象物を前記第１からｎ番目のいずれか
のクラスに属するものとして分類するための分類ユニットと、を備える装置。
【請求項２７】前記マップを調査対象の構造に限定するための前記第１の
コンピュータ限定ユニットが、前記対象物の１つの前記画像において点、線、面
または部分体積を識別するための識別ユニットをさらに備える請求項２６に記載
の装置。
【請求項２８】形状測度を計算するための前記第２のコンピュータ処理ユ
ニットが、基底ベクトルを使ってマップの展開を計算するためのマイクロプロセ
ッサをさらに備える請求項２６に記載の装置。
【請求項２９】形状測度を計算するための前記第１のコンピュータ処理ユ
ニットが、極分解を使ってマップの展開を計算するためのマイクロプロセッサを
さらに備える請求項２６に記載の装置。
【請求項３０】形状測度を計算するための前記第１のコンピュータ処理ユ
ニットが、行列式−１の極分解を使ってマップの展開を計算するためのマイクロ
プロセッサをさらに備える請求項２６に記載の装置。
【請求項３１】前記形状測度を形状のクラスを代表するモデルと比較する
ための前記第１のコンパレータが、尤度比検定を計算するためのマイクロプロセ
ッサをさらに備える請求項２６に記載の装置。
【請求項３２】前記形状測度を形状のクラスを代表するモデルと比較する
ための前記第２のコンパレータが、尤度比検定を計算するためのマイクロプロセ
ッサをさらに備える請求項２６に記載の装置。
【請求項３３】前記形状測度を形状のクラスを代表するモデルと比較する
ための前記ｎ番目のコンパレータが、尤度比検定を計算するためのマイクロプロ
セッサをさらに備える請求項２６に記載の装置。
【請求項３４】対象物の医学的画像における形状を使って病気を持つ前記
対象物のクラスについてのモデルを構成するための装置であって、テンプレート画像をあるクラスの対象物の１つの画像に関係付けるマップを生
成するための第１のコンピュータ・プロセッサと、前記マップを前記対象物の１つの前記画像において調査対象の解剖学的構造に
限定するための第１のコンピュータ限定ユニットと、前記マップから前記調査対象の解剖学的構造についての形状測度を計算するた
めの第２のコンピュータ・プロセッサと、前記クラスの複数の対象物について前記生成、限定および計算のステップを繰
り返すための反復手段と、計算された前記形状測度から前記クラスについてのモデルを構成するためのデ
ータベースと、を備える装置。
【請求項３５】対象物の画像における解剖学的部位の形状に基づき前記対
象物の病気状態を分類するための装置であって、テンプレート画像を対象物画像と関係付けるマップを生成するための第１のコ
ンピュータ・プロセッサと、前記マップを前記対象物画像において調査対象の解剖学的構造に限定するため
の第１のコンピュータ限定ユニットと、前記マップから前記調査対象の構造についての形状測度を計算するための第２
のコンピュータ・プロセッサと、前記形状測度を１つのタイプの病気を持つ第１の対象物のクラスを代表するモ
デルと比較するための第１のコンパレータと、前記形状測度を別のタイプの病気を持つ第２の対象物のクラスを代表するモデ
ルと比較するための第２のコンパレータと、前記形状測度比較の結果に従って前記対象物の病気状態を前記第１のクラスま
たは前記第２のクラスに属するものとして分類するための分類ユニットと、を備
える装置。