JP2003265463A - 画像診断支援システム及び画像診断支援プログラム - Google Patents

画像診断支援システム及び画像診断支援プログラム

Info

Publication number
JP2003265463A
JP2003265463A JP2002067775A JP2002067775A JP2003265463A JP 2003265463 A JP2003265463 A JP 2003265463A JP 2002067775 A JP2002067775 A JP 2002067775A JP 2002067775 A JP2002067775 A JP 2002067775A JP 2003265463 A JP2003265463 A JP 2003265463A
Authority
JP
Japan
Prior art keywords
image
template
shadow
matching
abnormal tissue
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
JP2002067775A
Other languages
English (en)
Inventor
Shinji Yamamoto
眞司 山本
Hodaka Takizawa
穂高 滝沢
Kanae Shigemoto
加奈恵 重本
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.)
Nagoya Industrial Science Research Institute
Original Assignee
Nagoya Industrial Science Research Institute
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 Nagoya Industrial Science Research Institute filed Critical Nagoya Industrial Science Research Institute
Priority to JP2002067775A priority Critical patent/JP2003265463A/ja
Publication of JP2003265463A publication Critical patent/JP2003265463A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

(57)【要約】 【課題】 断層画像から得られた異常組織の候補陰影が
真の異常組織の陰影であるか、正常組織の陰影であるか
の判別を高精度且つ高速に行うことができる画像診断支
援システム及び画像診断支援プログラムを提供する。 【解決手段】 画像診断支援システムは、異常組織の候
補陰影の画像と、三次元結節モデルより作成された複数
の結節テンプレート及び三次元血管モデルより作成され
た複数の血管テンプレートとをパターンマッチングし、
その結果に基づいて、候補陰影が真の異常組織の陰影で
あるか、正常組織の陰影であるかを判別する。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は、画像診断支援シス
テム及び画像診断支援プログラムに関し、特に被検体の
断層画像中から癌等の異常組織の候補陰影を自動的に検
出する画像診断支援システム及び画像診断支援プログラ
ムに関する。
【０００２】
【従来の技術】従来より、ＣＴ画像から得られた断層画
像より癌等の異常組織の候補陰影を自動抽出して読影医
師に提示する画像診断支援システムが提案されている。
この画像診断支援システムでは、可変N-Quoit処理を用
いて異常組織の自動抽出を行うことにより、異常組織
（病巣部）の発見をより容易にしている（特開２００１
−８７２２８号公報参照）。ところが、可変N-Quoit処
理では、実際の病巣である癌等の異常組織を読み落とす
ことは殆ど無いものの、真の異常組織以外の血管等を含
む多数の正常組織の陰影をも異常組織の候補陰影として
出力してしまい、擬陽性陰影（False Positive、 以下
ＦＰと略記する）が多数発生するという問題点がある。
【０００３】そこで、このＦＰを削減するために、本願
の発明者らは三次元マルコフ確率場モデルを用いて、候
補陰影が真の異常組織の陰影であるか、正常組織の陰影
であるかの確率を計算して判別を行う方法を提案してい
る（信学技報、Vol.100、No.５９７、２００１年１月１
９日発行、１４５頁〜１５０頁）。そして、可変N-Quoi
t処理による出力では、ＦＰが１症例あたり平均１３．
６個発生していたのに対して、三次元マルコフ確率場モ
デルによる処理を施すことにより、１症例あたりの平均
ＦＰ個数を４．７６個まで削減することに成功してい
る。
【０００４】
【発明が解決しようとする課題】しかしながら、上述し
た三次元マルコフ確率場モデルによるＦＰ削減方法で
は、計算量が膨大となってしまい、医療現場において通
常用いられるコンピュータでこの処理を実行した場合、
読影医師の診断時間よりもはるかに長い数時間におよぶ
処理時間を要し、実用的ではないという問題点があっ
た。本発明は、かかる課題に鑑みてなされたものであ
り、その目的は、断層画像から得られた異常組織の候補
陰影が真の異常組織の陰影であるか、正常組織の陰影で
あるかの判別を高精度且つ高速に行うことができる画像
診断支援システム及び画像診断支援プログラムを提供す
ることである。
【０００５】
【課題を解決するための手段】この目的を達成するため
に、請求項１に記載の画像診断支援システムは、被検体
の断層画像中から検出された異常組織の候補陰影が真の
異常組織の陰影であるか、正常組織の陰影であるかを判
別するように構成された画像診断支援システムにおい
て、異なる複数の三次元異常組織モデルよりそれぞれ作
成された複数の異常組織テンプレート画像を記憶する第
１のテンプレート記憶手段と、異なる複数の三次元正常
組織モデルよりそれぞれ作成された複数の正常組織テン
プレート画像を記憶する第２のテンプレート記憶手段
と、前記候補陰影の画像と、前記第１のテンプレート記
憶手段に記憶された前記各異常組織テンプレート画像及
び前記第２のテンプレート記憶手段に記憶された前記各
正常組織テンプレート画像とをパターンマッチングする
マッチング手段と、そのマッチング手段によるパターン
マッチングの結果に基づいて、前記候補陰影が真の異常
組織の陰影であるか、正常組織の陰影であるかを判別す
る判別手段と、を備えたことを特徴とする。
【０００６】従って、第１のテンプレート記憶手段は、
異なる複数の三次元異常組織モデルよりそれぞれ作成さ
れた複数の異常組織テンプレート画像を記憶し、第２の
テンプレート記憶手段は、異なる複数の三次元正常組織
モデルよりそれぞれ作成された複数の正常組織テンプレ
ート画像を記憶し、マッチング手段は、前記候補陰影の
画像と、前記第１のテンプレート記憶手段に記憶された
前記各異常組織テンプレート画像及び前記第２のテンプ
レート記憶手段に記憶された前記各正常組織テンプレー
ト画像とをパターンマッチングし、判別手段は、そのマ
ッチング手段によるパターンマッチングの結果に基づい
て、前記候補陰影が真の異常組織の陰影であるか、正常
組織の陰影であるかを判別する。
【０００７】よって、被検体の断層画像から抽出された
異常組織の候補陰影を、異なる複数の三次元異常組織モ
デルよりそれぞれ作成された複数の異常組織テンプレー
ト画像及び異なる複数の三次元正常組織モデルよりそれ
ぞれ作成された複数の正常組織テンプレート画像とそれ
ぞれパターンマッチングすることにより、候補陰影が真
の異常組織の陰影であるか、正常組織の陰影であるかを
高精度且つ高速に判別することができる。また、異常組
織テンプレート画像だけでなく、正常組織テンプレート
画像ともテンプレートマッチングを行うので、正常組織
を異常組織であると誤って判定する擬陽性陰影（ＦＰ）
を確実に削減することができる。
【０００８】また、請求項２に記載の画像診断支援シス
テムは、前記マッチング手段が、前記候補陰影の画像
と、前記第１のテンプレート記憶手段に記憶された前記
各異常組織テンプレート画像とをパターンマッチングす
ることにより前記各異常組織モデルの近似度を算出する
とともに前記候補陰影に最も近似する最適異常組織モデ
ルを抽出する第１のマッチング手段と、前記候補陰影の
画像と前記第２のテンプレート記憶手段に記憶された前
記各正常組織テンプレート画像とをパターンマッチング
することにより前記各正常組織モデルの近似度を算出す
るとともに前記候補陰影に最も近似する最適正常組織モ
デルを抽出する第２のマッチング手段と、を備え、前記
判別手段は、前記第１と第２のマッチング手段によりそ
れぞれ抽出された前記最適異常組織モデルの近似度と前
記最適正常組織モデルの近似度とを対比することによ
り、前記候補陰影が真の異常組織の陰影であるか、正常
組織の陰影であるかを判別することを特徴とする。
【０００９】よって、最適異常組織モデルの近似度と最
適正常組織モデルの近似度とを対比することにより、候
補陰影が真の異常組織の陰影であるか、正常組織の陰影
であるかを判別するので、極めて高精度且つ高速に判別
することができる。
【００１０】また、請求項３に記載の画像診断支援シス
テムは、前記判別手段が、前記最適異常組織モデルの近
似度と前記最適正常組織モデルの近似度とが略同等であ
るか、前記最適異常組織モデルの近似度が前記最適正常
組織モデルの近似度よりも近似の度合いが高いことを示
している場合には前記候補陰影が真の異常組織の陰影で
あると判別し、それ以外の場合には前記候補陰影が正常
組織の陰影であると判別することを特徴とする。
【００１１】よって、最適異常組織モデルの近似度と最
適正常組織モデルの近似度とを対比して、近似の度合い
がより高い三次元物体モデルの種類により判別するの
で、候補陰影が真の異常組織の陰影であるか、正常組織
の陰影であるかを簡単な処理で高精度に判別することが
できる。
【００１２】また、請求項４に記載の画像診断支援シス
テムは、前記マッチング手段が、前記候補陰影の画像と
前記各異常組織テンプレート画像との対応する画素の差
の二乗の和を前記各異常組織モデルの近似度として算出
するとともに前記近似度の値が最小となる異常組織モデ
ルを最適異常組織モデルとして抽出し、前記候補陰影の
画像と前記各正常組織テンプレート画像との対応する画
素の差の二乗の和を前記各正常組織モデルの近似度とし
て算出するとともに前記近似度が最小となる正常組織モ
デルを最適正常組織モデルとして抽出することを特徴と
する。よって、各三次元物体モデルの近似度を簡単な計
算処理により高精度に算出し、最適異常組織モデル及び
最適正常組織モデルを正確に抽出することができる。
【００１３】また、請求項５に記載の画像診断支援シス
テムは、前記判別手段が、前記最適異常組織モデルの近
似度に対する前記最適正常組織モデルの近似度の比が所
定のしきい値より大きい場合に、前記候補陰影が異常組
織の陰影であると判別し、前記比が前記所定のしきい値
以下である場合に正常組織の陰影であると判別すること
を特徴とする。よって、簡単な比率計算により真の異常
組織の陰影であるか、正常組織の陰影であるかを正確に
判別することができる。尚、上述した所定のしきい値の
好ましい値は１以下である。
【００１４】また、請求項６に記載の画像診断支援シス
テムは、前記第１のテンプレート記憶手段が記憶する前
記複数の異常組織テンプレート画像には、球モデルから
なる三次元結節モデルより作成されたテンプレート画像
が含まれ、前記第２のテンプレート記憶手段が記憶する
前記複数の正常組織テンプレート画像には、単一の円筒
モデル若しくは連結された複数の円筒モデルからなる三
次元血管モデルより作成されたテンプレート画像が含ま
れていることを特徴とする。
【００１５】異常組織である結節は略球形状であるの
で、結節の画像は、球モデルからなる三次元結節モデル
より作成されたテンプレート画像との近似の度合いが高
い。一方、正常組織である血管は、単数若しくは複数か
らなる円筒に近似した形状であり、血管の画像は、単一
の円筒モデル若しくは連結された複数の円筒モデルから
なる三次元血管モデルより作成されたテンプレート画像
との近似の度合いが高い。よって、候補陰影の組織の形
状が、最適異常組織モデル及び最適正常組織モデルの各
近似度の値に正確に反映されるので、候補陰影が真の異
常組織の陰影であるか、正常組織の陰影であるかを高精
度に判別することができる。
【００１６】また、請求項７に記載の画像診断支援シス
テムは、前記第１のテンプレート記憶手段は、前記各異
常組織モデルについてスライス位置の異なる複数の異常
組織テンプレート画像を一組として記憶し、前記第２の
テンプレート記憶手段は、前記各正常組織モデルについ
てスライス位置の異なる複数の正常組織テンプレート画
像を一組として記憶し、前記マッチング手段は、前記候
補陰影におけるスライス位置の異なる複数の画像につい
て、それぞれ対応するスライス位置の前記異常組織テン
プレート画像及び前記正常組織テンプレート画像とのパ
ターンマッチングを行うことを特徴とする。よって、異
常組織モデル及び正常組織モデルが、それぞれスライス
位置の異なる複数のテンプレート画像により表され、対
応するスライス位置の候補陰影の画像とパターンマッチ
ングされるので、異常組織モデル又は正常組織モデルの
近似度を高精度に算出することができる。
【００１７】また、請求項８に記載の画像診断支援シス
テムは、前記マッチング手段が、前記候補陰影の画像を
細分化した各領域の画像と前記各テンプレート画像を細
分化した対応する領域の画素配列とを順次パターンマッ
チングするように構成され、そのマッチング手段による
前記各テンプレート画像の各領域におけるパターンマッ
チングの結果を格納する格納手段を更に備え、前記マッ
チング手段は、前記候補陰影の各領域の画像と前記各テ
ンプレート画像の対応する領域の画素配列とをパターン
マッチングする際に、前記候補陰影の画像の領域と前記
テンプレート画像の対応する領域の画素配列との組み合
わせが初めて出現した場合には、パターンマッチングを
実行し、前記組み合わせが２回目以降に出現した場合に
は、前記格納手段に格納された同一画素配列のパターン
マッチングの結果を流用するように構成されたことを特
徴とする。
【００１８】テンプレート画像が細分化されることによ
り、異なるテンプレート間で同一の画素配列を有する領
域が現れる。よって、候補陰影の画像の領域とテンプレ
ート画像の対応する領域の画素配列との組み合わせが初
めて出現した場合にのみ、パターンマッチングを実行
し、前記組み合わせが２回目以降に出現した場合には、
各領域のマッチング結果を格納する格納手段に格納され
た同一画素配列のマッチング結果を流用することによ
り、各テンプレート画像全体のパターンマッチングが大
幅に高速化される。
【００１９】また、請求項９に記載の画像診断支援シス
テムは、被検体の断層画像中から検出された異常組織の
候補陰影が真の異常組織の陰影であるか、正常組織の陰
影であるかを判別するように構成された画像診断支援シ
ステムにおいて、異なる複数の三次元物体モデルよりそ
れぞれ作成された複数のテンプレート画像を記憶するテ
ンプレート記憶手段と、前記候補陰影の画像を細分化し
た各領域の画像と前記各テンプレート画像を細分化した
対応する領域の画素配列とを順次パターンマッチングす
るマッチング手段と、そのマッチング手段による前記各
テンプレート画像の各領域におけるパターンマッチング
の結果を格納する格納手段と、前記マッチング手段によ
るパターンマッチングの結果に基づいて、前記候補陰影
が真の異常組織の陰影であるか、正常組織の陰影である
かを判別する判別手段と、を備え、前記マッチング手段
は、前記候補陰影の各領域の画像と前記各テンプレート
画像の対応する領域の画素配列とをパターンマッチング
する際に、前記候補陰影の画像の領域と前記テンプレー
ト画像の対応する領域の画素配列との組み合わせが初め
て出現した場合には、パターンマッチングを実行し、前
記組み合わせが２回目以降に出現した場合には、前記格
納手段に格納された同一画素配列のパターンマッチング
の結果を流用するように構成されたことを特徴とする。
【００２０】従って、テンプレート記憶手段は、異なる
複数の三次元物体モデルよりそれぞれ作成された複数の
テンプレート画像を記憶し、マッチング手段は、前記候
補陰影の画像を細分化した各領域の画像と前記各テンプ
レート画像を細分化した対応する領域の画素配列とを順
次パターンマッチングし、格納手段は、そのマッチング
手段による前記各テンプレート画像の各領域におけるパ
ターンマッチングの結果を格納し、判別手段は、前記マ
ッチング手段によるパターンマッチングの結果に基づい
て、前記候補陰影が真の異常組織の陰影であるか、正常
組織の陰影であるかを判別する。ここで、前記マッチン
グ手段は、前記候補陰影の各領域の画像と前記各テンプ
レート画像の対応する領域の画素配列とをパターンマッ
チングする際に、前記候補陰影の画像の領域と前記テン
プレート画像の対応する領域の画素配列との組み合わせ
が初めて出現した場合には、パターンマッチングを実行
し、前記組み合わせが２回目以降に出現した場合には、
前記格納手段に格納された同一画素配列のパターンマッ
チングの結果を流用する。
【００２１】テンプレート画像が細分化されることによ
り、異なるテンプレート間で同一の画素配列を有する領
域が現れる。よって、候補陰影の画像の領域とテンプレ
ート画像の対応する領域の画素配列との組み合わせが初
めて出現した場合にのみ、パターンマッチングを実行
し、前記組み合わせが２回目以降に出現した場合には、
各領域のマッチング結果を格納する格納手段に格納され
た同一画素配列におけるマッチング結果を流用すること
により、各テンプレート画像全体のパターンマッチング
が大幅に高速化される。
【００２２】また、請求項１０に記載の画像診断支援シ
ステムは、前記テンプレート記憶手段が、前記複数のテ
ンプレートの各領域の画素配列を記憶する画像辞書と、
前記各テンプレートの領域ごとに前記画像辞書に記憶さ
れる前記画素配列の参照情報を記憶する参照情報リスト
と、を備えたことを特徴とする。従って、画像辞書が、
複数のテンプレートの各領域の画素配列を記憶し、参照
情報リストが各テンプレートの領域ごとに画像辞書に記
憶される画素配列の参照情報を記憶するので、テンプレ
ート画像の記憶サイズを大幅に小さくすることができ
る。
【００２３】また、請求項１１に記載の画像診断支援プ
ログラムは、被検体の断層画像中から検出された異常組
織の候補陰影が真の異常組織の陰影であるか、正常組織
の陰影であるかを判別するためにコンピュータを、異な
る複数の三次元異常組織モデルよりそれぞれ作成された
複数の異常組織テンプレート画像を記憶する第１のテン
プレート記憶手段、異なる複数の三次元正常組織モデル
よりそれぞれ作成された複数の正常組織テンプレート画
像を記憶する第２のテンプレート記憶手段、前記候補陰
影の画像と、前記第１のテンプレート記憶手段に記憶さ
れた前記各異常組織テンプレート画像及び前記第２のテ
ンプレート記憶手段に記憶された前記各正常組織テンプ
レート画像とをパターンマッチングするマッチング手
段、及び、そのマッチング手段によるパターンマッチン
グの結果に基づいて、前記候補陰影が真の異常組織の陰
影であるか、正常組織の陰影であるかを判別する判別手
段として機能させる。
【００２４】従って、第１のテンプレート記憶手段は、
異なる複数の三次元異常組織モデルよりそれぞれ作成さ
れた複数の異常組織テンプレート画像を記憶し、第２の
テンプレート記憶手段は、異なる複数の三次元正常組織
モデルよりそれぞれ作成された複数の正常組織テンプレ
ート画像を記憶し、マッチング手段は、前記候補陰影の
画像と、前記第１のテンプレート記憶手段に記憶された
前記各異常組織テンプレート画像及び前記第２のテンプ
レート記憶手段に記憶された前記各正常組織テンプレー
ト画像とをパターンマッチングし、判別手段は、そのマ
ッチング手段によるパターンマッチングの結果に基づい
て、前記候補陰影が真の異常組織の陰影であるか、正常
組織の陰影であるかを判別する。
【００２５】よって、被検体の断層画像から抽出された
異常組織の候補陰影を、異なる複数の三次元異常組織モ
デルよりそれぞれ作成された複数の異常組織テンプレー
ト画像及び異なる複数の三次元正常組織モデルよりそれ
ぞれ作成された複数の正常組織テンプレート画像とそれ
ぞれパターンマッチングすることにより、候補陰影が真
の異常組織の陰影であるか、正常組織の陰影であるかを
高精度且つ高速に判別することができる。また、異常組
織テンプレート画像だけでなく、正常組織テンプレート
画像ともテンプレートマッチングを行うので、正常組織
を異常組織であると誤って判定する擬陽性陰影（ＦＰ）
を確実に削減することができる。
【００２６】また、請求項１２に記載の画像診断支援プ
ログラムは、被検体の断層画像中から検出された異常組
織の候補陰影が真の異常組織の陰影であるか、正常組織
の陰影であるかを判別するためにコンピュータを、異な
る複数の三次元物体モデルよりそれぞれ作成された複数
のテンプレート画像を記憶するテンプレート記憶手段、
前記候補陰影の画像を細分化した各領域の画像と前記各
テンプレート画像を細分化した対応する領域の画素配列
とを順次パターンマッチングするマッチング手段、その
マッチング手段による前記各テンプレート画像の各領域
におけるパターンマッチングの結果を格納する格納手
段、及び、前記マッチング手段によるパターンマッチン
グの結果に基づいて、前記候補陰影が真の異常組織の陰
影であるか、正常組織の陰影であるかを判別する判別手
段として機能させる画像診断支援プログラムであって、
前記マッチング手段は、前記候補陰影の各領域の画像と
前記各テンプレート画像の対応する領域の画素配列とを
パターンマッチングする際に、前記候補陰影の画像の領
域と前記テンプレート画像の対応する領域の画素配列と
の組み合わせが初めて出現した場合には、パターンマッ
チングを実行し、前記組み合わせが２回目以降に出現し
た場合には、前記格納手段に格納された同一画素配列の
パターンマッチングの結果を流用するように構成された
ことを特徴とする。
【００２７】従って、テンプレート記憶手段は、異なる
複数の三次元物体モデルよりそれぞれ作成された複数の
テンプレート画像を記憶し、マッチング手段は、前記候
補陰影の画像を細分化した各領域の画像と前記各テンプ
レート画像を細分化した対応する領域の画素配列とを順
次パターンマッチングし、格納手段は、そのマッチング
手段による前記各テンプレート画像の各領域におけるパ
ターンマッチングの結果を格納し、判別手段は、前記マ
ッチング手段によるパターンマッチングの結果に基づい
て、前記候補陰影が真の異常組織の陰影であるか、正常
組織の陰影であるかを判別する。ここで、前記マッチン
グ手段は、前記候補陰影の各領域の画像と前記各テンプ
レート画像の対応する領域の画素配列とをパターンマッ
チングする際に、前記候補陰影の画像の領域と前記テン
プレート画像の対応する領域の画素配列との組み合わせ
が初めて出現した場合には、パターンマッチングを実行
し、前記組み合わせが２回目以降に出現した場合には、
前記格納手段に格納された同一画素配列のパターンマッ
チングの結果を流用する。
【００２８】テンプレート画像が細分化されることによ
り、異なるテンプレート間で同一の画素配列を有する領
域が現れる。よって、候補陰影の画像の領域とテンプレ
ート画像の対応する領域の画素配列との組み合わせが初
めて出現した場合にのみ、パターンマッチングを実行
し、前記組み合わせが２回目以降に出現した場合には、
各領域のマッチング結果を格納する格納手段に格納され
た同一画素配列におけるマッチング結果を流用すること
により、各テンプレート画像全体のパターンマッチング
が大幅に高速化される。
【００２９】
【発明の実施の形態】以下、本発明を具体化した画像診
断支援システム及び画像診断支援プログラムの一実施形
態について図面を参照しつつ説明する。最初に、本実施
形態の画像診断支援システム１における画像判別の原理
について図１を参照しつつ説明する。
【００３０】まず、X線ＣＴ等による被検体の断層画像
から可変N-Quoit処理（以下、ＶＮＱと称する）によ
り、異常組織（癌等の結節）の陰影の候補（以下、候補
陰影と称する）が抽出される。ＶＮＱで抽出された候補
陰影の中心点を中心とする大きさが３０[pixel]×３０
[pixel]×３[slice]の画像領域を関心領域ＶＯＩ（Volu
meOf Interest）とする。ＶＯＩと対比される物体モデ
ルとして、異常組織である結節、正常組織である血管を
それぞれ球、円筒といった三次元幾何モデルで表現す
る。それらの物体モデルを定義づけるパラメータを変化
させながら、コンピュータグラフィックス技術を使って
結節テンプレート、血管テンプレートをそれぞれ作成す
る。作成された全てのテンプレート画像と被検体のＶＯ
Ｉ画像とを比較し、ＶＯＩ画像に最も近似する結節モデ
ル、血管モデルをそれぞれ抽出し、これらを対比するこ
とにより候補陰影が異常組織の陰影であるか、正常組織
の陰影であるかを判定する。
【００３１】次に、画像診断支援システム１のハードウ
ェア構成について、図２のブロック図を参照しつつ説明
する。画像診断支援システム１は、例えばＣＴ装置やＭ
Ｒ装置などの医用画像診断装置７０で被検体の対象部位
について収拾した医用画像データを記録表示し、異常組
織の候補点を示すコンピュータであり、各構成要素の動
作を制御する中央演算処理装置（ＣＰＵ）５０と、装置
の制御プログラム及び後述する処理プログラムがロード
されるメインメモリ５２と、処理プログラム５４１、多
数の結節テンプレートからなる結節テンプレート群５４
２、多数の血管テンプレートからなる血管テンプレート
群５４３、複数の断層像、画像再構成プログラム等が記
憶されたハードディスク装置５４と、再構成された画像
データを表示するために記憶する表示メモリ５６と、こ
の表示メモリ５６からの画像データを表示するＣＲＴモ
ニタ等のディスプレイ５８と、位置入力装置としてのマ
ウス６０と、マウス６０の状態を検出してＣＲＴ５８上
のマウスポインタの位置やマウスの状態等の信号をＣＲ
Ｔ５８に出力するマウスコントローラ６２と、各種の操
作指令等を入力するキーボード６４と、医用画像診断装
置７０からの医用画像データを装置に読み込むための通
信基板７２と、医用画像データを記録し装置に読み込む
ためのＭＯ７４と、上記各構成要素を接続する共通バス
７６とから構成される。
【００３２】尚、ハードディスク装置５４における結節
テンプレート群５４２の記憶領域が請求項１又は１１の
テンプレート記憶手段を、同じく血管テンプレート群５
４３の記憶領域が請求項１又は１１の第２のテンプレー
ト記憶手段を、ハードディスク装置５４における結節テ
ンプレート群５４２及び血管テンプレート群５４３の記
憶領域が請求項９又は１２のテンプレート記憶手段を、
処理プログラム５４１が請求項１１又は１２の画像診断
支援プログラムをそれぞれ構成するものである。
【００３３】次に、ＶＯＩ画像が結節の陰影であるか、
血管の陰影であるかを判別するために用いられる結節テ
ンプレート及び血管テンプレートについて図面を参照し
つつ説明する。本発明では、上述したようにＶＯＩ画像
と対比されるべき三次元物体モデルとして、結節モデル
と血管モデルとを想定している。結節モデルとは、癌等
の異常組織である結節を表す三次元物体モデルであり、
図３に示すように半径ｒ、中心座標（x、y、z）の球モデ
ルを用いて表現される。血管モデルとは、正常組織であ
る血管を表す三次元物体モデルであり、図４（ａ）に示
すように血管の直線部分が半径ｒの円筒モデルを用いて
表現される。また、血管の湾曲部分は、図４（ｂ）に示
すように２つの円筒モデルを、分岐部分は図４（ｃ）に
示すように３つの円筒モデルをつなぎ合わせて表現され
る。
【００３４】そして、これらの三次元物体モデルから、
公知の光線追跡法を用いてテンプレート画像が作成され
る。テンプレート画像の大きさは、ＶＯＩと同じ大きさ
とする。また、テンプレート画像の各画素は、１２ビッ
トで画像濃度が表現される。以下、各三次元物体モデル
からテンプレートを作成する手順を述べる。
【００３５】最初に、結節モデルから結節テンプレート
を作成する手順について説明する。まず、球の中心をＶ
ＯＩの中心に設定し、半径をＲＮ ｍｉｎ≦ｒ≦ＲＮ
ｍａｘの間でΔＲＮの刻みで変化させる。同様に、Ｘ線
減弱係数もＸＮ ｍｉｎ≦Ｘ≦ＸＮ ｍａｘの間でΔＸＮの
刻みで変化させて作成する。結節テンプレートは、各結
節モデルについてＶＯＩの中心でスライスした画像、及
びその上方と下方（Ｚ軸方向）にそれぞれ１０ｍｍずら
してスライスした画像からなる３枚のテンプレート画像
を１組として作成される。ここで、図５（ａ）は結節モ
デルの一例を表しており、（ｂ）は（ａ）の結節モデル
から作成された３枚のテンプレート画像からなる結節テ
ンプレートを表している。尚、図５（ｂ）の真中の画像
は（ａ）の結節モデルの中心でスライスしたテンプレー
ト画像であり、左側の画像は上方で、右側の画像は下方
でそれぞれスライスしたテンプレート画像である。
【００３６】次に、血管モデルから血管テンプレートを
作成する手順について説明する。まず、円筒の接合点を
ＶＯＩの中心に設定する。円筒の半径をＲＢ ｍｉｎ≦ｒ
≦Ｒ Ｂ ｍａｘの間でΔＲＢの刻みで変化させる。また、
円筒モデルの方向は、図６に示すφ、θの角度をφＢ
ｍｉｎ≦φ≦φＢ ｍａｘでΔφＢ刻みで、θＢ ｍｉｎ≦
θ≦θＢ ｍａｘの間をΔθＢ刻みでそれぞれ変化させ
る。但し、湾曲血管モデルでは、円筒間の内角ＤがＤ≧
ｄ１のモデルのみ発生させる。同様に分岐部分でも円筒
どうしの内角Ｄがそれぞれｄ２≦Ｄ≦ｄ３のモデルのみ
発生させる。血管テンプレートについても、結節テンプ
レートと同様にスライス位置の異なる３枚のテンプレー
ト画像を１組として作成される。ここで、図７（ａ）は
湾曲血管モデルの一例を表しており、（ｂ）は（ａ）の
血管モデルから作成された３枚のテンプレート画像から
なる血管テンプレートを表している。尚、図７（ｂ）の
真中の画像は（ａ）の血管モデルの中心でスライスした
テンプレート画像であり、左側の画像は上方で、右側の
画像は下方でそれぞれスライスしたテンプレート画像で
ある。
【００３７】そして、図８に示すように、ハードディス
ク装置５４の結節テンプレート群５４２又は血管テンプ
レート群５４３の各記憶領域において、各テンプレート
画像は、結節モデル又は血管モデル毎に３枚を１組とし
て記憶されている。尚、テンプレート（中）は、物体モ
デルの中心でスライスしたテンプレートであり、テンプ
レート（上）及びテンプレート（下）は、それぞれ中心
より上方又は下方へ１０ｍｍずらした位置でスライスし
たテンプレートである。尚、高精度に判別を行うため
に、上述した結節モデル及び血管モデルはそれぞれ数万
種類ずつ作成され且つ各テンプレート画像が作成される
のが望ましい。
【００３８】次に、ＶＯＩ画像及び各テンプレート画像
のデータ構造について、図９を参照しつつ説明する。
尚、ＶＯＩ画像とテンプレート画像とは同様のデータ構
造を有している。ＶＯＩ画像及び各テンプレート画像
は、３０[pixel]×３０[pixel]、０．６２５[mm/pixel]
からなるマトリックス構造を有している。各テンプレー
ト画像は、上述したように各物体モデルについてスライ
ス位置（Ｚ軸方向）の異なる３枚のテンプレート画像が
１組として記憶され、対応するスライス位置のＶＯＩ画
像とそれぞれ対比される（スライス間隔１０ｍｍ）。従
って、ＶＯＩ画像は、VOI(x,y,z)、（１≦x,y≦３０、
１≦ｚ≦３）のように表される。同様に、結節テンプレ
ート、血管テンプレートは、それぞれ、TMPLND i(x,y,
z)、TMPLBV j(x,y,z)、（１≦x,y≦３０、１≦ｚ≦３、
ｉ，ｊ＝１，２，・・・）のように表される。また、Ｖ
ＯＩ又は各テンプレートの各画素VOI(x,y,z)、TMPL
ND i(x,y,z)、TMPLBV j(x,y,z)、は、画像濃度をそれぞれ
１２ビットで多値表現したものである。
【００３９】ここで、ＶＯＩ画像における各画素値は、
Ｘ線吸収率に対応しており、水が０、骨が＋１０００程
度、空気が−１０００程度である。ＶＯＩ画像における
各画素値は、スライス間隔である１０ｍｍの厚みにおけ
る平均濃度となるので、癌等の異常組織や血管等の正常
組織の陰影では、概ね、−７００≦VOI(x,y,z)≦−５０
０となる。従って、各テンプレート画像の各画素値は、
概ね、−１０００≦TMPLND i(x,y,z)、TMPLBV j(x,y,z)≦
＋１０００の範囲に設定される。
【００４０】次に、画像診断支援システム１における処
理プログラム５４１の処理内容について、図１０のフロ
ーチャートを参照しつつ説明する。尚、フローチャート
の処理内容は、ＣＰＵ５０がハードディスク装置５４か
ら処理プログラム５４１を読み出して実行することによ
り行われるものである。先ず、ＣＴ装置やＭＲ装置か
ら、コンピュータのメモリ内に診断対象部位の全領域に
ついての複数の原断層像を順次読み込む（ステップ３
０、以下Ｓ３０と略記する。他のステップも同様。）。
イーサネット（登録商標）、ＤＲ１１、ＧＰＩＢ、ＲＳ
２０００などの通信で読み込んでもよく、又ＭＯ（光磁
器ディスク）などから読み込んでもよい。尚、原断層画
像は、１スライス５１２[pixel]×５１２[pixel]、０．
６２５[mm/pixel]、スライス厚１０ｍｍであり、１被験
体あたり３０枚撮影される。
【００４１】次に、読み込まれた全ての原断層像につい
て肺野部を抽出する（Ｓ３１）。この抽出方法として
は、原断層像の各々について画像を表示して、肺野部を
手動でトレースして抽出してもよいが、”モデル情報と
最小値投影法による胸部ＣＴ像の肺野領域抽出”MEDICA
L IMAGING TECHNOLOGY、ＶＯＬ．１４、Ｎｏ．２、Ｍａ
ｒｃｈ、１９９７、１６４−１７３ページに記載されて
いる自動抽出法を採用することもできる。そして、次
に、各原断層像について異常組織の候補陰影を検出する
（Ｓ３２）。これには図１０、１１のようなQuoit Filt
erを用いるＶＮＱによる場合が多い。Quoit Filterは図
１１（ａ）に示すようにディスクフィルタ４５とリング
フィルタ４６とからなる。これらのディスクフィルタ４
５とリングフィルタ４６とはソフト的に構成されるもの
で、これらの径は診断対象に応じて適宜設定されるもの
である。図１３の血管４１の間の濃度の高い箇所４０で
ディスクフィルタ４５を作用させたときと、リングフィ
ルタ４６を作用させたときの量Ｄを演算で求め、Ｄがあ
る値より大きいときは異常陰影候補とする。
【００４２】例えば、領域４０ではＤはある値より大き
くなるので異常陰影候補とするが、血管領域４１ではデ
ィスクフィルタ４５とリングフィルタ４６とは同じ位置
となるのでＤが図１１（ｂ）に示すようにゼロになるの
で異常陰影候補とはしない。詳しくは、”肺がん検診用
ＣＴ（ＬＳＣＴ）の診断支援システム”コンピュータ支
援画像診断学会論文誌Ｖｏｌ．２、Ｎｏ．３、Ｊｕｌ
ｙ、ｌ９９８、１‐７ページを参照することができる。
次に、各候補点におけるＶＯＩ画像について真の異常組
織（結節）であるか正常組織（血管）であるかを判別す
る候補陰影の判定処理を行う（Ｓ３３）。
【００４３】ここで、Ｓ３３における候補陰影の判定処
理の詳細について図１４のフローチャートを参照しつつ
説明する。まず、Ｓ３２において抽出された異常陰影の
候補点の数をＮに格納するとともに、カウンタｎの値を
１とする（Ｓ３３１）。次に、ｎ番目のＶＯＩ画像を、
結節テンプレート群５４２に含まれる全ての結節テンプ
レートとマッチング処理を行うことにより各結節テンプ
レートとの近似度を算出するとともに、近似度が最小と
なる結節モデルを最適結節モデルとして抽出する（Ｓ３
３２）。
【００４４】続いて、ｎ番目のＶＯＩ画像を、血管テン
プレート群５４３に含まれる全ての血管テンプレートと
マッチング処理を行うことにより各血管テンプレートと
の近似度を算出するとともに、近似度が最小となる血管
モデルを最適血管モデルとして抽出する（Ｓ３３３）。
ここで、Ｓ３３２，Ｓ３３３における近似度の算出方法
について説明する。ＶＯＩ画像と各テンプレートとの近
似度は、ＶＯＩ画像と各テンプレートとの対応する画素
値の差の二乗の和により表される。すなわち、ＶＯＩ画
像と結節テンプレートとの近似度SSDNDは数式１、ＶＯ
Ｉ画像と血管テンプレートとの近似度SSD BVは数式２に
より表される。尚、以下の説明において、近似度の値を
ＳＳＤ値とも称する。
【００４５】
【数１】
【数２】
【００４６】ここで、数式１，２により算出される近似
度SSDND、SSDBVは常に０以上の値となり、値が０に近い
ほど、すなわちＳＳＤ値が小さいほど近似の度合いが高
いことを表す。従って、SSDNDが最小となる結節モデル
がＶＯＩ画像に最も近似する結節モデル、すなわち、最
適結節モデルとして抽出され、SSDBVが最小となる血管
モデルがＶＯＩ画像に最も近似する血管モデル、すなわ
ち、最適血管モデルとして抽出されるのである。ここ
で、SSDND 、SSDBVの最小値を、それぞれSSDND*、SSD
BV*とする。
【００４７】次に、最適結節モデルの近似度SSDND* に
対する最適血管モデルの近似度SSDBV *の比率γ＊＝SSD
BV*／SSDND* を算出し、γが所定のしきい値Ｔよりも大
きければ結節として判別され、γがＴ以下であれば血管
であると判別される（Ｓ３３４）。尚、しきい値Ｔは、
１以下の値に設定されるのが望ましい。すなわち、Ｔ＝
１と設定した場合、SSDND* 、SSDBV*の大きさを単純に
比較してSSDND* の方が小さい場合（すなわち、最適結
節モデルの方が近似の度合いが高い場合）に結節である
と判別することとなる。一方、Ｔ＜１（例えば、Ｔ＝
０．８等）と設定した場合、実際の結節が血管であると
誤って判断される可能性は低くなる反面、血管が結節で
あると誤って判断される可能性が高くなるため、ＦＰの
発生が多くなる。従って、しきい値Ｔは、これらの事情
を考慮して適切に設定されるべきである。
【００４８】尚、Ｓ３３２及びＳ３３３のステップが、
請求項１又は１１のマッチング手段として、Ｓ３３２の
ステップが請求項２の第１のマッチング手段として、Ｓ
３３３のステップが請求項２の第２のマッチング手段と
して、Ｓ３３４のステップが、請求項１、９、１１又は
１２の判別手段としてそれぞれ機能するものである。
【００４９】次に、結節であると判別された場合は（Ｓ
３３４：結節）、ｎ番目のＶＯＩ画像が結節であること
を確定する内部処理を行う（Ｓ３３５）。一方、血管で
あると判別された場合は（Ｓ３３５：血管）、ＦＰとし
てのｎ番目のＶＯＩ画像を削除する内部処理を行う（Ｓ
３３６）。次に、カウンタｎを＋１カウントアップし
（Ｓ３３７）、ｎ≦Ｎである場合は（Ｓ３３８：Ｙｅ
ｓ）、未処理のＶＯＩ画像が残っているのでＳ３３２の
ステップ以降の処理を繰り返す。一方、ｎ＞Ｎである場
合は（Ｓ３３８：Ｎｏ）、全てのＶＯＩ画像の判定処理
を終了し、図９のメインルーチンの処理に戻る。メイン
ルーチンでは、Ｓ３２において真の結節であると判別さ
れたＶＯＩ画像のみをＣＲＴ５８に表示する（ステップ
Ｓ３４）。
【００５０】以上詳述したことから明らかなように、読
影医は、画像診断支援システム１により真の異常組織で
あると判別されたＶＯＩ画像のみについディスプレイ５
８上で診断を行えばよいので、読影医による診断時間は
大幅に削減されるのである。また、被検体の断層画像か
ら抽出された異常組織の候補陰影を、異なる複数の三次
元結節モデルよりそれぞれ作成された複数の結節テンプ
レート画像及び異なる複数の三次元血管モデルよりそれ
ぞれ作成された複数の血管テンプレート画像とそれぞれ
パターンマッチングし、マッチングの結果としての近似
度に基づいて、候補陰影が真の異常組織の陰影である
か、正常組織の陰影であるかを高精度且つ高速に判別す
ることができる。また、本実施形態では、結節テンプレ
ートだけでなく血管テンプレートともパターンマッチン
グするので、ＦＰを大幅に削減することができるという
効果をも奏する。
【００５１】次に、テンプレートマッチングをさらに高
速化した本発明の第二の実施形態について、図面を参照
しつつ説明する。尚、第一の実施形態と同様の構成につ
いては説明を省略する。第一の実施形態では、１つのＶ
ＯＩ画像に対して同じ大きさのテンプレート画像の全画
素について、対応する画素どうしを一つずつマッチング
する構成であったが、第二の実施形態では、テンプレー
ト画像を複数領域に細分化してＶＯＩ画像とマッチング
するように構成したものである。尚、以下の説明では簡
単化のため、１つの物体モデルが１つのテンプレート画
像に対応するものとして説明する。また、結節モデルで
あるか又は血管モデルであるかによって違いはないの
で、両者を区別せず物体モデルとして説明する。
【００５２】各テンプレート画像を複数の領域に細分化
すると、他のテンプレートと同一の画素配列を有する画
像領域が出現するが、本実施形態では、この同一の画素
配列を有する領域を記憶管理することにより、テンプレ
ート画像全体の記憶サイズを小さくするとともに、ＶＯ
Ｉ画像とのマッチング処理の高速化を図っている。細分
化の方法としては、図１５に示すように、各領域の大き
さを１０[pixel]×１０[pixel]とし、９つの領域に細分
化する。
【００５３】ここで、異なる二つの物体モデル（血管モ
デル）Ａ，Ｂについて考える。図１６（ａ）は、物体モ
デルＡのテンプレートを、（ｂ）は物体モデルＢのテン
プレートをそれぞれ模式的に表した図である。図１６
（ａ），（ｂ）より明らかなように、両者は異なる画素
配列のテンプレートであるが、これらのテンプレートを
複数の領域にそれぞれ細分化することで、両テンプレー
トには共通部分が現れる。例えば、領域Ａ１とＢ１、Ａ
４とＢ４、Ａ７とＢ７、・・・は両テンプレートについ
て共通である。それに対して、領域Ａ２とＢ２、Ａ３と
Ｂ３、Ａ５とＢ５、・・・は画素配列が異なる領域であ
る。
【００５４】次に、第二の実施形態における各テンプレ
ート群５４２，５４３の論理構造について説明する。結
節テンプレート群５４２又は血管テンプレート群５４３
は、図１７に示すように、画像辞書５４２１又は５４３
１とインデックス情報リスト５４２２又は５４３２とか
ら構成されている。画像辞書５４２１又は５４３１は、
テンプレート群に１つだけ作成され、インデックス情報
リスト５４２２又は５４３２はテンプレートごとに作成
されている。図１８は、細分化した領域の画像を保持す
るための画像辞書５４２１（５４３１）の一例であり、
テンプレートＡ、Ｂから作成された画像辞書５４２１
（５４３１）の内容を示している。画像辞書５４２１
（５４３１）の先頭から９つの格納領域には、領域１〜
９にそれぞれ対応する背景画像が格納される。１つのテ
ンプレート画像に対して領域１から９までスキャンして
いき、画像辞書５４２１（５４３１）に格納されていな
い画素配列があれば辞書に追加していく。
【００５５】例えば、テンプレートＡの画像Ａ１からＡ
９まで順にスキャンしていくと、画像Ａ１、Ａ２は、と
もに画像辞書に格納されていないので追加される。画像
Ａ３は、領域３の背景画像（背景３）と同じであるので
追加されない。同様に、Ａ４，Ａ５，Ａ８は辞書に格納
されていないので追加され、Ａ６，Ａ７，Ａ９はそれぞ
れ領域６，７，９の背景画像と同じであるので追加され
ない。次に、テンプレートＢの画像Ｂ１からＢ９まで順
にスキャンしていくと、画像Ｂ１は画像Ａ１と同じ画素
配列であるので追加されない。画像Ｂ２は、同一の画素
配列が辞書に格納されていないので追加される。同様に
して、画像Ｂ３，Ｂ５，Ｂ６と同一の画素配列が辞書に
格納されていないので追加され、画像Ｂ４，Ｂ７，Ｂ
８，Ｂ９はそれぞれＡ４，背景７，Ａ８，背景９の各画
像の画素配列と同一であるので辞書に追加されない。
【００５６】上述した画像辞書５４２１の作成と同時
に、各テンプレートにおいて、画像辞書のどの領域を参
照するかを示すインデックス情報リスト５４２２（５４
３２）を作成しておく。図１９（ａ）、（ｂ）は、それ
ぞれテンプレートＡ，Ｂのインデックス情報リスト５４
２２を表している。例えば、テンプレートＡのインデッ
クス情報リストについて説明すると、テンプレートＡの
領域１の画像はＡ１であり、画像辞書の１０番目が参照
されるので、インデックス情報リストの領域１に対応す
る格納領域には数字「１０」が格納される。領域２〜９
に対応する格納領域にも、同様にして、画像辞書５４２
１（５４３１）の参照箇所を表す数字が格納される。テ
ンプレートＢのインデックス情報リストについても同様
である。ここで、テンプレートＢのインデックス情報リ
ストの領域１に対応する格納領域には、テンプレートＡ
と同様に数字「１０」が格納されている。すなわち、画
像Ｂ１はＡ１と同一の画素配列となっているからであ
る。
【００５７】次に、ＶＯＩと各三次元物体モデルとの近
似度を算出する処理について、図２１のフローチャート
を参照しつつ説明する。ＶＯＩ画像についても、上述し
たテンプレート画像と同様に９つの領域に細分化し、領
域１〜９の領域毎に順にマッチング処理を行い、全領域
のマッチング処理を行うことでそのテンプレート画像全
体のＳＳＤ値が算出される。また、図２１の処理を実行
する過程において、各領域と各画素配列とパターンマッ
チングの結果としてのＳＳＤ値を格納するＳＳＤ値格納
リスト５４２３、５４３３（図２０参照）が作成されて
いく。
【００５８】まず、領域番号ｎに１が、ＳＳＤ値の合計
を格納する合計ＳＳＤに０がそれぞれセットされる（Ｓ
４０１）。次に、対象となるテンプレートのインデック
ス情報リスト５４２２（５４３２）のｎ番目の格納領域
より画像辞書５４２１（５４３１）の参照情報ｍを読み
出す（Ｓ４０２）。
【００５９】続いて、ＶＯＩの領域ｎと、画像辞書５４
２１（５４３１）のｍ番目に格納された画素配列との組
み合わせが初めて出現した場合であるか否かが判断され
る（Ｓ４０３）。組み合わせが初めてか否かは、図２０
に示すＳＳＤ値格納リスト５４２３（５４３３）のｍ番
目の格納領域にＳＳＤ値が格納されているか否かで判断
可能である。組み合わせが初めてである場合は（Ｓ４０
３：Ｙｅｓ）、ＶＯＩの領域ｎの画像と画像辞書５４２
１（５４３１）のｍ番目に格納された画素配列とのマッ
チングが行われ、領域ｎのＳＳＤ値が算出されるととも
に、ＳＳＤ値格納リスト５４２３（５４３３）のｍ番目
に格納される（Ｓ４０６）。
【００６０】一方、領域番号ｐと、画像辞書５４２１
（５４３１）のｍ番目に格納された画素配列との組み合
わせが二回目以降である場合は（Ｓ４０３：Ｎｏ）、マ
ッチングを行うことなく、ＳＳＤ値格納リスト５４２３
のｍ番目の格納領域よりＳＳＤ値を読み出す（Ｓ４０
５）。ここで、例えば、前述したテンプレートＡ，Ｂの
順にＶＯＩとのマッチングが行われる場合を考える。Ｖ
ＯＩの領域１とテンプレートＡの領域１の画素配列Ａ１
との組み合わせは、初めて出現した場合であるので（Ｓ
４０３：Ｙｅｓ）、インデックス情報リスト５４２２
（５４３２）に格納された数字「１０」を参照し、画像
辞書５４２１（５４３１）の１０番目から画素配列Ａ１
を読み出してＶＯＩの領域１とのマッチング処理を実行
する。数式１又は２によりＳＳＤ値が算出され（Ｓ４０
４）、そのＳＳＤ値がＳＳＤ値格納リスト５４２３（５
４３３）の１０番目に格納される（Ｓ４０６、図２０参
照）。
【００６１】一方、ＶＯＩの領域１とテンプレートＢの
領域１の画素配列Ｂ１との組み合わせは、２回目の出現
となる（Ｓ４０３：Ｎｏ）。すなわち、画素配列Ｂ１は
画素配列Ａ１と同一であり、ＶＯＩの領域１と画素配列
Ａ１との組み合わせについてのマッチング処理は実行済
みとなっているからである。よって、マッチング処理を
実行することなく、Ｓ４０５のステップにおいて、イン
デックス情報リスト５４２２（５４３２）に格納された
数字「１０」を参照して、ＳＳＤ値格納リスト５４３３
の１０番目より「ＶＯＩとＡ１とのＳＳＤ値」を読み出
してテンプレートＢの領域１のＳＳＤ値とする（Ｓ４０
５）。
【００６２】次に、Ｓ４０４またはＳ４０５のステップ
で取得された領域ｎのＳＳＤ値が合計ＳＳＤに加算され
る（Ｓ４０７）。続いて、領域番号ｎをカウントアップ
し（Ｓ４０８）、ｎが９以下である場合は（Ｓ４０９：
Ｙｅｓ）、Ｓ４０２以降を繰り返す。ｎが９より大きい
場合は（Ｓ４０９：Ｎｏ）、当該テンプレートのマッチ
ング処理を終了する。そして、終了時の合計ＳＳＤの値
が処理対象のテンプレート全体のＳＳＤ値となる。
【００６３】尚、ＳＳＤ値格納リスト５４２３，５４３
３が請求項８又は９の格納手段を、インデックス情報リ
スト５４２２，５４３２が請求項８又は９の参照情報リ
ストをそれぞれ構成するものであり、Ｓ４０１乃至Ｓ４
０９のステップが、請求項８又は９のマッチング手段と
して機能するものである。このようにして、各三次元物
体モデルより作成された上下３枚のテンプレート画像に
ついてそれぞれＳＳＤ値を算出し、３つのＳＳＤ値の合
計をその三次元物体モデルのＳＳＤ値とする。そして、
全ての三次元物体モデルについてＳＳＤ値を算出し、Ｓ
ＳＤ値が最小となる三次元物体モデルを最適物体モデル
（最適結節モデル又は最適血管モデル）として抽出する
のである（Ｓ３３２，Ｓ３３３参照）。
【００６４】以上詳述したことから明らかなように、本
実施形態によれば、テンプレート画像が細分化されるこ
とにより、異なるテンプレート間で同一の画素配列を有
する領域が現れる。そして、候補陰影の画像の領域とテ
ンプレート画像の対応する領域の画素配列との組み合わ
せが初めて出現した場合にのみ、パターンマッチングを
行ってＳＳＤ値を算出し、前記組み合わせが２回目以降
に出現した場合には、各領域のパターンマッチングの結
果としてのＳＳＤ値を格納するＳＳＤ値格納リスト５４
２３，５４３３に格納された同一画素配列のＳＳＤ値を
流用することにより、各テンプレート画像全体のＳＳＤ
値を算出する処理が大幅に高速化される。
【００６５】また、画像辞書５４２１，５４３１が、複
数のテンプレートの各領域の画素配列を記憶し、インデ
ックス情報リスト５４２２，５４３２が各テンプレート
の領域ごとに画像辞書５４２１，５４３１に記憶される
画素配列の参照情報を記憶するので、テンプレート画像
（結節テンプレート群５４２，血管テンプレート群５４
３）の記憶サイズを大幅に小さくすることができる。
【００６６】尚、本発明は上述した各実施の形態に限定
されるものではなく、本発明の主旨を逸脱しない範囲で
種々の変更を施すことが可能である。例えば、前記各実
施形態では、異常組織モデルとして結節モデルを、正常
組織モデルとして血管モデルをそれぞれ想定して各テン
プレート画像を作成し、候補陰影の画像とパターンマッ
チングする構成であったが、これら以外の物体モデルよ
り作成したテンプレート画像を記憶してパターンマッチ
ングする構成でもよい。
【００６７】また、前記各実施形態では、ＣＴ装置によ
る断層画像のスライス間隔を１０ｍｍとし、これに対応
して各物体モデルより１０ｍｍ間隔のテンプレート画像
３枚を一組としたが、スライス間隔をより細かく設定す
るとともに、各物体モデルについてより多数のテンプレ
ート画像を一組として記憶するようにしてもよい。ま
た、パターンマッチングにおける近似度の算出方法につ
いては、数式１、２に示す算出方法に限定されるもので
はなく、公知の種々の算出方法が適用可能である。
【００６８】また、前記第二の実施形態では、各テンプ
レートを９個の領域に細分化したが、少なくとも２個以
上の領域に細分化すればよく、もちろん１０個以上の領
域に細分化しても構わない。
【００６９】
【実施例】本発明の第二の実施形態における画像診断支
援システムの実施例を使用して、スライス厚１０ｍｍの
検診用画像３８症例を用いてＶＯＩ画像の判別処理の実
験を行った。比較例として、マルコフ確率場モデルを用
いた結節認識手法を適用した画像診断支援システムを使
用して、同一条件で判別処理の実験を行った。
【００７０】検診用画像は、ＶＮＱ処理後、ＴＰ＝３
９，ＦＮ＝２，ＦＰ＝５１７（合計）となっており、そ
の内訳は、１０ｍｍ未満のＦＰ＝３７９，１０ｍｍ以上
のＦＰ＝１３８である。つまり、ＶＮＱ処理後の１症例
当たりの平均ＦＰ個数は、１３．６個（＝５１７個／３
８症例）となっている。尚、ＴＰ（True Positive）
は、異常組織を異常組織の候補と判定した場合を、ＦＮ
（False Negative）は、異常組織を正常組織と判定した
場合をそれぞれ示している。これらの候補点に実施例の
画像診断支援システムと、比較例の画像診断支援システ
ムとを用いてそれぞれＶＯＩ画像の判別処理を行った。
尚、両システムとも、ＣＰＵは、インテル社製のペンテ
ィアム（登録商標）３プロセッサ、動作クロック７５０
ＭＨｚ、メモリ２５６ＭＢである。
【００７１】
【表１】
【００７２】表１より明らかなように、１候補点当りの
処理時間が、比較例では４．５時間を要したのに対し、
実施例では２０秒となっており、大幅に処理時間が短縮
されている。一方、１症例当たりのＦＰ個数（１０ｍｍ
未満と１０ｍｍ以上との合計）は、ＶＮＱによる抽出後
１３．６個であったものが、実施例処理の結果、６．１
８個に減少していることから、ＦＰ削減効果が見られる
ことがわかる。また、前述したように比較例に対して処
理時間が大幅に短縮されているにも拘わらず、実施例に
おけるＦＰ個数は、比較例に対して僅かに１．４２個増
加するにとどまっている。
【００７３】
【発明の効果】以上詳述したように、上述した請求項１
乃至８のいずれか、又は請求項１１に記載の発明によれ
ば、被検体の断層画像から抽出された異常組織の候補陰
影を、異なる複数の三次元異常組織モデルよりそれぞれ
作成された複数の異常組織テンプレート画像及び異なる
複数の三次元正常組織モデルよりそれぞれ作成された複
数の正常組織テンプレート画像とそれぞれパターンマッ
チングすることにより、候補陰影が真の異常組織の陰影
であるか、正常組織の陰影であるかを高精度且つ高速に
判別することができるという効果を奏する。また、異常
組織テンプレート画像だけでなく、正常組織テンプレー
ト画像ともテンプレートマッチングを行うので、正常組
織を異常組織であると誤って判定する擬陽性陰影（Ｆ
Ｐ）を確実に削減することができるという効果をも奏す
る。
【００７４】また、請求項８又は９又は１２に記載の発
明によれば、候補陰影の画像の領域とテンプレート画像
の対応する領域の画素配列との組み合わせが初めて出現
した場合にのみ、パターンマッチングを実行し、前記組
み合わせが２回目以降に出現した場合には、各領域のマ
ッチング結果を格納する格納手段に格納された同一画素
配列におけるマッチング結果を流用することにより、各
テンプレート画像全体のパターンマッチングが大幅に高
速化されるという効果を奏する。
【図面の簡単な説明】
【図１】 本発明における画像判別の原理を説明する説
明図である。
【図２】 本発明の実施形態における画像診断支援シス
テムのハードウェア構成を示すブロック図である。
【図３】 結節モデルの模式図である。
【図４】 血管モデルの模式図である。
【図５】 （ａ）は結節モデルの一例を示す図であり、
（ｂ）は（ａ）の結節モデルから作成された３枚のテン
プレート画像を示す図である。
【図６】 円筒モデルの角度を変化させる様子を示す説
明図である。
【図７】 （ａ）は血管モデルの一例を示す図であり、
（ｂ）は（ａ）の血管モデルから作成された３枚のテン
プレート画像を示す図である。 。
【図８】 結節テンプレート群及び血管テンプレート群
の構成を説明する説明図である。
【図９】 ＶＯＩ画像及びテンプレート画像の構成を説
明する説明図である。
【図１０】 メインルーチンのフローチャートである。
【図１１】 Ｑｕｏｉｔ Ｆｉｌｔｅｒを説明する説明
図である。
【図１２】 Ｑｕｏｉｔ Ｆｉｌｔｅｒを説明する説明
図である。
【図１３】 原画像の一例を示す図である。
【図１４】 候補陰影の判定ルーチンのフローチャート
である。
【図１５】 テンプレート画像の細分化方法を説明する
説明図である。
【図１６】 細分化されたテンプレート画像の例を説明
する説明図である。
【図１７】 第二の実施形態におけるテンプレート群の
論理構造を示す説明図である。細分化されたテンプレー
ト画像の例を説明する説明図である。
【図１８】 画像辞書の構成例を示す説明図である。
【図１９】 インデックス情報リストの構成例を示す説
明図である。
【図２０】 ＳＳＤ値格納リストの構成例を示す説明図
である。
【図２１】 第二の実施形態におけるＶＯＩ画像とテン
プレート画像とのマッチング処理を示すフローチャート
である。
【符号の説明】
１…画像診断支援システム、５０…ＣＰＵ、５４…ハー
ドディスク装置、５４１…処理プログラム、５４２…結
節テンプレート群、５４３…血管テンプレート群、５４
２１、５４３１…画像辞書、５４２２、５４３２…イン
デックス情報リスト、５４２３、５４３３…ＳＳＤ値格
納リスト。
───────────────────────────────────────────────────── フロントページの続き Ｆターム(参考） 4C093 AA22 CA29 DA03 FF17 FF18 FF28 FF37 FH03 5B057 AA09 BA03 CA08 CA13 CA16 DA01 DA12 DB03 DB09 DC32 5L096 AA06 BA06 BA13 GA08 HA08 JA03 JA09 JA16 KA01

Claims (12)

    【特許請求の範囲】
  1. 【請求項１】 被検体の断層画像中から検出された異常
    組織の候補陰影が真の異常組織の陰影であるか、正常組
    織の陰影であるかを判別するように構成された画像診断
    支援システムにおいて、 異なる複数の三次元異常組織モデルよりそれぞれ作成さ
    れた複数の異常組織テンプレート画像を記憶する第１の
    テンプレート記憶手段と、 異なる複数の三次元正常組織モデルよりそれぞれ作成さ
    れた複数の正常組織テンプレート画像を記憶する第２の
    テンプレート記憶手段と、 前記候補陰影の画像と、前記第１のテンプレート記憶手
    段に記憶された前記各異常組織テンプレート画像及び前
    記第２のテンプレート記憶手段に記憶された前記各正常
    組織テンプレート画像とをパターンマッチングするマッ
    チング手段と、 そのマッチング手段によるパターンマッチングの結果に
    基づいて、前記候補陰影が真の異常組織の陰影である
    か、正常組織の陰影であるかを判別する判別手段と、 を備えたことを特徴とする画像診断支援システム。
  2. 【請求項２】 前記マッチング手段は、 前記候補陰影の画像と、前記第１のテンプレート記憶手
    段に記憶された前記各異常組織テンプレート画像とをパ
    ターンマッチングすることにより前記各異常組織モデル
    の近似度を算出するとともに前記候補陰影に最も近似す
    る最適異常組織モデルを抽出する第１のマッチング手段
    と、 前記候補陰影の画像と前記第２のテンプレート記憶手段
    に記憶された前記各正常組織テンプレート画像とをパタ
    ーンマッチングすることにより前記各正常組織モデルの
    近似度を算出するとともに前記候補陰影に最も近似する
    最適正常組織モデルを抽出する第２のマッチング手段
    と、 を備え、 前記判別手段は、前記第１と第２のマッチング手段によ
    りそれぞれ抽出された前記最適異常組織モデルの近似度
    と前記最適正常組織モデルの近似度とを対比することに
    より、前記候補陰影が真の異常組織の陰影であるか、正
    常組織の陰影であるかを判別することを特徴とする請求
    項１に記載の画像診断支援システム。
  3. 【請求項３】 前記判別手段は、前記最適異常組織モデ
    ルの近似度と前記最適正常組織モデルの近似度とが略同
    等であるか、前記最適異常組織モデルの近似度が前記最
    適正常組織モデルの近似度よりも近似の度合いが高いこ
    とを示している場合には前記候補陰影が真の異常組織の
    陰影であると判別し、それ以外の場合には前記候補陰影
    が正常組織の陰影であると判別することを特徴とする請
    求項２に記載の画像診断支援システム。
  4. 【請求項４】 前記マッチング手段は、前記候補陰影の
    画像と前記各異常組織テンプレート画像との対応する画
    素値の差の二乗の和を前記各異常組織モデルの近似度と
    して算出するとともに前記近似度の値が最小となる異常
    組織モデルを最適異常組織モデルとして抽出し、前記候
    補陰影の画像と前記各正常組織テンプレート画像との対
    応する画素値の差の二乗の和を前記各正常組織モデルの
    近似度として算出するとともに前記近似度が最小となる
    正常組織モデルを最適正常組織モデルとして抽出するこ
    とを特徴とする請求項２又は３に記載の画像診断支援シ
    ステム。
  5. 【請求項５】 前記判別手段は、前記最適異常組織モデ
    ルの近似度に対する前記最適正常組織モデルの近似度の
    比が所定のしきい値より大きい場合に、前記候補陰影が
    異常組織の陰影であると判別し、前記比が所定のしきい
    値以下である場合に正常組織の陰影であると判別するこ
    とを特徴とする請求項４に記載の画像診断支援システ
    ム。
  6. 【請求項６】 前記第１のテンプレート記憶手段が記憶
    する前記複数の異常組織テンプレート画像には、球モデ
    ルからなる三次元結節モデルより作成されたテンプレー
    ト画像が含まれ、 前記第２のテンプレート記憶手段が記憶する前記複数の
    正常組織テンプレート画像には、複数の円筒モデルを連
    結してなる三次元血管モデルより作成されたテンプレー
    ト画像が含まれていることを特徴とする請求項１乃至５
    のいずれかに記載の画像診断支援システム。
  7. 【請求項７】 前記第１のテンプレート記憶手段は、前
    記各異常組織モデルについてスライス位置の異なる複数
    の異常組織テンプレート画像を一組として記憶し、 前記第２のテンプレート記憶手段は、前記各正常組織モ
    デルについてスライス位置の異なる複数の正常組織テン
    プレート画像を一組として記憶し、 前記マッチング手段は、前記候補陰影におけるスライス
    位置の異なる複数の画像について、それぞれ対応するス
    ライス位置の前記異常組織テンプレート画像及び前記正
    常組織テンプレート画像とのパターンマッチングを行う
    ことを特徴とする請求項１乃至６のいずれかに記載の画
    像診断支援システム。
  8. 【請求項８】 前記マッチング手段は、前記候補陰影の
    画像を細分化した各領域の画像と前記各テンプレート画
    像を細分化した対応する領域の画素配列とを順次パター
    ンマッチングするように構成され、 そのマッチング手段による前記各テンプレート画像の各
    領域におけるパターンマッチングの結果を格納する格納
    手段を更に備え、 前記マッチング手段は、前記候補陰影の各領域の画像と
    前記各テンプレート画像の対応する領域の画素配列とを
    パターンマッチングする際に、前記候補陰影の画像の領
    域と前記テンプレート画像の対応する領域の画素配列と
    の組み合わせが初めて出現した場合には、パターンマッ
    チングを実行し、前記組み合わせが２回目以降に出現し
    た場合には、前記格納手段に格納された同一画素配列の
    パターンマッチングの結果を流用するように構成された
    ことを特徴とする請求項１乃至７のいずれかに記載の画
    像診断支援システム。
  9. 【請求項９】 被検体の断層画像中から検出された異常
    組織の候補陰影が真の異常組織の陰影であるか、正常組
    織の陰影であるかを判別するように構成された画像診断
    支援システムにおいて、 異なる複数の三次元物体モデルよりそれぞれ作成された
    複数のテンプレート画像を記憶するテンプレート記憶手
    段と、 前記候補陰影の画像を細分化した各領域の画像と前記各
    テンプレート画像を細分化した対応する領域の画素配列
    とを順次パターンマッチングするマッチング手段と、 そのマッチング手段による前記各テンプレート画像の各
    領域におけるパターンマッチングの結果を格納する格納
    手段と、 前記マッチング手段によるパターンマッチングの結果に
    基づいて、前記候補陰影が真の異常組織の陰影である
    か、正常組織の陰影であるかを判別する判別手段と、 を備え、 前記マッチング手段は、前記候補陰影の各領域の画像と
    前記各テンプレート画像の対応する領域の画素配列とを
    パターンマッチングする際に、前記候補陰影の画像の領
    域と前記テンプレート画像の対応する領域の画素配列と
    の組み合わせが初めて出現した場合には、パターンマッ
    チングを実行し、前記組み合わせが２回目以降に出現し
    た場合には、前記格納手段に格納された同一画素配列の
    パターンマッチングの結果を流用するように構成された
    ことを特徴とする画像診断支援システム。
  10. 【請求項１０】 前記テンプレート記憶手段は、 前記複数のテンプレートの各領域の画素配列を記憶する
    画像辞書と、 前記各テンプレートの領域ごとに前記画像辞書に記憶さ
    れる前記画素配列の参照情報を記憶する参照情報リスト
    と、 を備えたことを特徴とする請求項９に記載の画像診断支
    援システム。
  11. 【請求項１１】 被検体の断層画像中から検出された異
    常組織の候補陰影が真の異常組織の陰影であるか、正常
    組織の陰影であるかを判別するためにコンピュータを、 異なる複数の三次元異常組織モデルよりそれぞれ作成さ
    れた複数の異常組織テンプレート画像を記憶する第１の
    テンプレート記憶手段、 異なる複数の三次元正常組織モデルよりそれぞれ作成さ
    れた複数の正常組織テンプレート画像を記憶する第２の
    テンプレート記憶手段、 前記候補陰影の画像と、前記第１のテンプレート記憶手
    段に記憶された前記各異常組織テンプレート画像及び前
    記第２のテンプレート記憶手段に記憶された前記各正常
    組織テンプレート画像とをパターンマッチングするマッ
    チング手段、及び、 そのマッチング手段によるパターンマッチングの結果に
    基づいて、前記候補陰影が真の異常組織の陰影である
    か、正常組織の陰影であるかを判別する判別手段、 として機能させるための画像診断支援プログラム。
  12. 【請求項１２】 被検体の断層画像中から検出された異
    常組織の候補陰影が真の異常組織の陰影であるか、正常
    組織の陰影であるかを判別するためにコンピュータを、 異なる複数の三次元物体モデルよりそれぞれ作成された
    複数のテンプレート画像を記憶するテンプレート記憶手
    段、 前記候補陰影の画像を細分化した各領域の画像と前記各
    テンプレート画像を細分化した対応する領域の画素配列
    とを順次パターンマッチングするマッチング手段、 そのマッチング手段による前記各テンプレート画像の各
    領域におけるパターンマッチングの結果を格納する格納
    手段、及び、 前記マッチング手段によるパターンマッチングの結果に
    基づいて、前記候補陰影が真の異常組織の陰影である
    か、正常組織の陰影であるかを判別する判別手段、 として機能させるための画像診断支援プログラムであっ
    て、 前記マッチング手段は、前記候補陰影の各領域の画像と
    前記各テンプレート画像の対応する領域の画素配列とを
    パターンマッチングする際に、前記候補陰影の画像の領
    域と前記テンプレート画像の対応する領域の画素配列と
    の組み合わせが初めて出現した場合には、パターンマッ
    チングを実行し、前記組み合わせが２回目以降に出現し
    た場合には、前記格納手段に格納された同一画素配列の
    パターンマッチングの結果を流用するように構成された
    ことを特徴とする画像診断支援プログラム。
JP2002067775A 2002-03-13 2002-03-13 画像診断支援システム及び画像診断支援プログラム Pending JP2003265463A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2002067775A JP2003265463A (ja) 2002-03-13 2002-03-13 画像診断支援システム及び画像診断支援プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2002067775A JP2003265463A (ja) 2002-03-13 2002-03-13 画像診断支援システム及び画像診断支援プログラム

Publications (1)

Publication Number Publication Date
JP2003265463A true JP2003265463A (ja) 2003-09-24

Family

ID=29199043

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2002067775A Pending JP2003265463A (ja) 2002-03-13 2002-03-13 画像診断支援システム及び画像診断支援プログラム

Country Status (1)

Country Link
JP (1) JP2003265463A (ja)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004049923A1 (ja) * 2002-12-05 2004-06-17 Olympus Corporation 画像処理装置および画像処理方法
JP2007083030A (ja) * 2005-09-19 2007-04-05 General Electric Co <Ge> 肺結節評価のための臨床用検討及び解析作業フロー
JP2010017523A (ja) * 2008-06-09 2010-01-28 Aloka Co Ltd 超音波診断装置
US7995821B2 (en) 2008-03-05 2011-08-09 Fujifilm Corporation Image processing system and image processing method
JP2012530553A (ja) * 2009-06-19 2012-12-06 エッダ・テクノロジー・インク 胸部トモシンセシスイメージングにおけるコンピュータ支援肺結節検出システム
JP2014004149A (ja) * 2012-06-25 2014-01-16 Toshiba Corp 超音波診断装置および超音波診断装置制御プログラム
JP2016016265A (ja) * 2014-07-10 2016-02-01 株式会社東芝 画像処理装置、画像処理方法及び医用画像診断装置
JP2019084349A (ja) * 2017-11-03 2019-06-06 キヤノンメディカルシステムズ株式会社 医用画像処理装置及び医用画像処理プログラム
CN112837296A (zh) * 2021-02-05 2021-05-25 深圳瀚维智能医疗科技有限公司 基于超声视频的病灶检测方法、装置、设备及存储介质

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7599533B2 (en) 2002-12-05 2009-10-06 Olympus Corporation Image processing system and image processing method
EP1568307A1 (en) * 2002-12-05 2005-08-31 Olympus Corporation Image processing device and image processing method
WO2004049923A1 (ja) * 2002-12-05 2004-06-17 Olympus Corporation 画像処理装置および画像処理方法
EP1568307A4 (en) * 2002-12-05 2008-05-21 Olympus Corp IMAGE PROCESSING DEVICE AND IMAGE PROCESSING METHOD
US8732601B2 (en) 2005-09-19 2014-05-20 General Electric Company Clinical review and analysis work flow for lung nodule assessment
JP2007083030A (ja) * 2005-09-19 2007-04-05 General Electric Co <Ge> 肺結節評価のための臨床用検討及び解析作業フロー
US7995821B2 (en) 2008-03-05 2011-08-09 Fujifilm Corporation Image processing system and image processing method
JP2010017523A (ja) * 2008-06-09 2010-01-28 Aloka Co Ltd 超音波診断装置
JP2012530553A (ja) * 2009-06-19 2012-12-06 エッダ・テクノロジー・インク 胸部トモシンセシスイメージングにおけるコンピュータ支援肺結節検出システム
US8837789B2 (en) 2009-06-19 2014-09-16 Edda Technology, Inc. Systems, methods, apparatuses, and computer program products for computer aided lung nodule detection in chest tomosynthesis images
JP2014004149A (ja) * 2012-06-25 2014-01-16 Toshiba Corp 超音波診断装置および超音波診断装置制御プログラム
JP2016016265A (ja) * 2014-07-10 2016-02-01 株式会社東芝 画像処理装置、画像処理方法及び医用画像診断装置
JP2019084349A (ja) * 2017-11-03 2019-06-06 キヤノンメディカルシステムズ株式会社 医用画像処理装置及び医用画像処理プログラム
JP7214434B2 (ja) 2017-11-03 2023-01-30 キヤノンメディカルシステムズ株式会社 医用画像処理装置及び医用画像処理プログラム
CN112837296A (zh) * 2021-02-05 2021-05-25 深圳瀚维智能医疗科技有限公司 基于超声视频的病灶检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US8229200B2 (en) Methods and systems for monitoring tumor burden
US9697639B2 (en) Three-dimensional model data generation device, method and program
JP4717427B2 (ja) 磁気共鳴断層撮影装置の作動方法および制御装置
NL2003805C2 (en) Systems, apparatus and processes for automated medical image segmentation using a statistical model.
CN102460471B (zh) 用于胸腔层析x射线合成成像中的计算机辅助肺结节检测的系统
US8081809B2 (en) Methods and systems for optimizing high resolution image reconstruction
EP2116973B1 (en) Method for interactively determining a bounding surface for segmenting a lesion in a medical image
US20030095692A1 (en) Method and system for lung disease detection
US8059900B2 (en) Method and apparatus to facilitate visualization and detection of anatomical shapes using post-processing of 3D shape filtering
EP2116974B1 (en) Statistics collection for lesion segmentation
US7684602B2 (en) Method and system for local visualization for tubular structures
WO2008069933A1 (en) Analyzing lesions in a medical digital image
EP3893198A1 (en) Method and system for computer aided detection of abnormalities in image data
US11229377B2 (en) System and method for next-generation MRI spine evaluation
CN111311626A (zh) 基于ct图像的颅骨骨折自动检测方法及电子介质
CN108399354A (zh) 计算机视觉识别肿瘤的方法和装置
US20050105829A1 (en) Method and system for automatic orientation of local visualization techniques for vessel structures
JP2003265463A (ja) 画像診断支援システム及び画像診断支援プログラム
CN114266848A (zh) 医学图像三维重建方法和装置
JP2004073432A (ja) Ｘ線ｃｔ装置および画像処理方法、ならびにプログラム
CN111862014A (zh) 一种基于左右侧脑室分割的alvi自动测量方法及装置
CN114140487A (zh) 脑部图像分割方法及装置
EP4102456A1 (en) Calculation program, calculation method, and calculation device
EP4446977A1 (en) Processing a medical image
US20240161379A1 (en) Image processing apparatus and image processing method