JP2003515368A - 画像が向上した視覚表示を得るための類似データのたたみこみフィルタリング。 - Google Patents

画像が向上した視覚表示を得るための類似データのたたみこみフィルタリング。

Info

Publication number
JP2003515368A
JP2003515368A JP2001540714A JP2001540714A JP2003515368A JP 2003515368 A JP2003515368 A JP 2003515368A JP 2001540714 A JP2001540714 A JP 2001540714A JP 2001540714 A JP2001540714 A JP 2001540714A JP 2003515368 A JP2003515368 A JP 2003515368A
Authority
JP
Japan
Prior art keywords
data
value
data elements
data element
similarity value
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.)
Withdrawn
Application number
JP2001540714A
Other languages
English (en)
Inventor
クリストファー エル. ストーク,
ブラドリー ティー. ウィマン,
Original Assignee
コンファーマ インコーポレイテッド
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 コンファーマ インコーポレイテッド filed Critical コンファーマ インコーポレイテッド
Publication of JP2003515368A publication Critical patent/JP2003515368A/ja
Withdrawn legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/20Image enhancement or restoration using local operators
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/28Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10088Magnetic resonance imaging [MRI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20092Interactive image processing based on input by user
    • G06T2207/20104Interactive definition of region of interest [ROI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30096Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

(57)【要約】 データ要素の類似値を改変してオブジェクトの向上した画像を提供する。適切なセンサを用いて、データはオブジェクトから収集されて、複数の離散データ点を格納する。上記データ点は相互に比較されて、あるデータ要素のデータ特性が別のデータ要素にいかに類似するかを決定する。類似値は、上記二つのデータ要素の特性間の差を表す上記データ要素それぞれに割り当てられる。次いで、それぞれの特定のデータ要素に対する上記類似値は、上記データ要素自体およびグループの隣接するデータ要素の重み付け類似値に基づいて改変される。次いで、各データ要素に対する上記改変された類似値は格納されて、上記オブジェクトを表す画像を生成するために用いられる。

Description

【発明の詳細な説明】
【0001】 (技術分野) 本発明は、オブジェクト(object)の視覚表示を改変する分野で、具体
的には、視覚表示用のたたみこみフィルタに関する。
【0002】 (発明の背景) ユーザに視覚表示上でオブジェクトの画像を提供することが望ましいことがよ
くある。その画像が表示されるべきオブジェクトは、建物、一日のうちの特定の
時間における景観、木または他の生きたオブジェクトなどの通常の物理的オブジ
ェクトであり得る。医療分野において、動物または人体のすべてまたは異なる部
分(例えば、脊髄、脳、骨、筋肉または他の組織)の画像を提供することが望ま
しいことがよくある。医療診断を目的とする場合、腫瘍、癌の成長または対象の
他の組織等の異常な組織を正確に識別することが特に重要である。これらの診断
目的は、医療画像を用いて達成される場合が多い。
【0003】 オブジェクトの画像は、種々の異なる様式で収集されて、異なる技術を用いて
格納され得る。医療技術分野において、磁気共鳴像(MRI)を含む種々の技術
を用いて画像を収集することが普通である。種々の種類の情報がこのような医療
デバイスを用いて収集される。データは、収集され、格納されて、次いでユーザ
(たいていの場合、放射線科医および患者の主な介護人を含み得る医療診断チー
ム)によって見られる画像に形成される。画像データを生成するプロセスおよび
結果の画像の一部として、たたみこみフィルタがイメージャからの初期データに
適用されて、データがスムージング(smooth)され、雑音が減少し得る。
【0004】 医療画像化の分野内において、オブジェクトの特性の正確で精密な画像を有す
ることは特に重要である。しばしば、MRIを用いて、人体内の異常な組織の位
置が見つけられる。多くの例において、異常組織は腫瘍であり、この腫瘍は悪性
または良性のいずれかであり得る。医療診断プロセスの早期において腫瘍が悪性
であるか良性であるかを判定することは特に重要である。腫瘍が悪性であると判
定された場合、転移として医学的に公知の、腫瘍の身体の他の部分に広がった程
度を理解することが特に重要になる。腫瘍がまだ転移していない場合、特定の治
療法が好適であり、しばしば、身体から癌を除去する際に有益である。一方、腫
瘍が転移している場合、異なる治療法および医療手順が必要である。しばしば、
より攻撃的に癌治療を行うことにより、患者の身体からすべての癌性組織を完全
に取り除く可能性が高まり、患者の健康が回復し得る。癌が、手術によって容易
に検査または治療されない脳、肺、リンパシステムまたは身体の他の部分などの
エリアにある場合、このような画像は特に重要になる。
【0005】 医療の画像化の場合、偽陽性を最小限に留めて患者に過度の治療を施さないこ
とも重要である。画像が身体内の種々の場所において癌を示しているように見え
る場合、健康な非癌性組織が癌性として示されないことを保証することが特に重
要である。偽陽性により、不適切な医療診断が生じて、この結果、この診断がな
ければ必要であり得ない異なった治療またはより攻撃的な治療が生じる。したが
って、医療分野内で、身体内(身体内のすべての部位を含む)の異常な成長が適
切および正確に識別される画像を有しながら、健康な組織が誤って異常な成長と
して識別されないことを保証することが特に重要である。
【0006】 (発明の要旨) 本発明の原理によって、その画像がメモリに格納されたオブジェクトの表示と
して格納されたデータ要素の値を改変する方法が提供される。適切なセンサ(単
数または複数)を用いて、データは上記オブジェクトから収集される。調査中の
上記オブジェクト内の対応した位置を表す複数の離散データ要素はメモリに格納
される。第一の値は、これらのセンサによって得られたデータ要素それぞれに割
り当てられて、上記第一の値は検査中の上記オブジェクトの特性を表す。複数の
データセットが上記オブジェクトの上記画像化から生成された場合、複数の第一
の値が上記オブジェクト内のそれぞれの対応した位置に対して存在する。上記第
一の値は上記離散データ要素に関連付けられて、上記離散データ要素はパターン
に構成されて、上記パターン内の上記相互に隣接したデータ要素は上記オブジェ
クト内の隣接位置を表す。この時点において、上記第一のデータ値のさらなる改
変は、上記結果生じた画像のスムージング化(smoothing)および雑音
除去を達成するたたみこみフィルタまたはハイパスフィルタあるいはローパスフ
ィルタなどのフィルタを介して生じ得る。このプロセスの結果は、離散データ要
素それぞれの第二の値である。
【0007】 次に、類似値と呼ばれる新たな値が、上記データ要素それぞれに割り当てられ
る。この値は、検査中の上記オブジェクトの物理特性を表すデータ要素の標準セ
ットまたは基準セットに対する一つのデータ要素の類似性を表す。上記類似値は
上記離散データ要素に関連付けられて、上記離散データ要素はパターンに構成さ
れて、上記パターン内の上記相互に隣接したデータ要素は上記オブジェクト内の
隣接位置を表す。次いで、特定のデータ要素の上記類似値は、上記データ要素自
体および隣接するデータ要素のグループの重み付けされた類似値に基づいて改変
される。このプロセスは、たたみこみフィルタリングとして公知であり、改変さ
れた類似値を生成する。各データ要素に対する上記改変された類似値は改変され
た際に格納される。次いで、画像が形成される。ユーザによって目視可能であり
、その表示特性が上記データ要素の上記改変された類似値に基づいた離散視覚ピ
クセルのアレイから構成される画像が形成される。
【0008】 本発明の一実施形態によって、たたみこみフィルタが、メモリに格納される際
に上記センサによって得られたデータに適用される。上記たたみこみフィルタは
、好適には、上記データの任意の複数の工程の処理における最終工程として適用
される。工程の第一の順序において、上記センサによって得られたデータは収集
されてメモリに格納される。次いで、上記センサによって得られたデータは、医
療画像の場合には、検査中の上記組織の種々の特性によって構成される。少なく
とも上記基準組織または標準組織を含む対象の区域は上記ユーザによって指定さ
れる。データ要素のトレーニングセットは上記選択された対象区域内に生成され
る。一つ以上の上記トレーニングセットデータ要素は、上記ユーザによって選択
されて、さらなる検索が実行される上記組織の特性を反映する。上記トレーニン
グセットを選択した後、上記オブジェクトを表す残りのデータ要素は、上記選択
されたトレーニングセットに比較されるテストサンプルとして処理される。上記
テストサンプルそれぞれと上記選択されたトレーニングセットの一員それぞれと
のユークリッド距離が計算されて、上記トレーニングセットの任意の一員と上記
テストサンプルとの間の最短距離を表す類似値が得られる。この類似値は上記テ
ストサンプルと上記トレーニングデータセットとの間の相対的類似性の数値的測
定を提供する。上記類似値はメモリ位置内に格納されるため、用いられて画像を
生成し得る。
【0009】 上記類似データが生成された後、本発明の上記たたみこみフィルタが適用され
る。上記たたみこみフィルタは、一つのデータ要素の上記類似値と一つ以上の重
み付け因子を適用する隣接するデータ要素の上記類似値とを比較して、検査中の
上記データ要素の上記データの上記類似値を改変する。このたたみこみフィルタ
リングは、上記全アレイに対して要素ごとに実行される。次いで、画像が上記改
変された類似値に基づいて表示され、上記オブジェクトの特性のより正確な表示
を提供する。
【0010】 本発明の一実施形態によって、上記適用されるたたみこみフィルタは、通常、
標準偏差のシグマが1に等しいガウスの式によって重み付けされた5×5の正方
形のアレイである。本発明の一実施形態によって、上記適用されたたたみこみフ
ィルタは、フーリエ領域内のウインドウ処理、等方性の拡散フィルタリングまた
は画像内の隣接するピクセルが、通常、類似組織に属する事実を活用する確率フ
ィルタであり得る。空間情報を上記類似データに組み込むマルコフフィールドタ
イプフィルタが用いられ得る。人体の空間特性に依存した他のたたみこみ(例え
ば、脳または他の体の部分の対称性)も用いられ得て、上記画像の鮮明度が向上
し、より強い自信を持って上記組織の分類がなされ得る。
【0011】 (発明の詳細な説明) 図1は、本発明が実行される概括的なプロセスの概略を示す。画像取得は、検
査中のオブジェクトを表すデータを最初に取得する工程12において生じる。背
景において説明したように、画像はさらなるスタディ(study)が所望され
る任意のオブジェクトであり得る。例えば、本発明によって、オブジェクトは通
常、自然に生じる種類(例えば、景観、植物または恐らくはさらに日没)であり
得る。本発明がオブジェクトの非常に類似した二つの特徴の差異を識別すること
に対する感度が非常に高いため、一つのオブジェクトを画像化して、オブジェク
トの互いに類似した特徴を探し出して、これらの特徴と、同じオブジェクトの互
いに異なる特徴とを区別することが特に有用である。本発明は、検査中のオブジ
ェクトが患者であり、画像が患者の組織の種類を医療診断する目的で作成される
場合に特に適用可能である。
【0012】 「MAGNETIC RESONANCE IMAGING USING P
ATTERN RECOGNITION」という名称の米国特許第5,311,
131号、「QUANTITIZATION AND STANDARDIZA
TION OF MAGNETIC RESONANCE MEASUREME
NTS」という名称の米国特許第5,644,232号および「QUANTIT
IZATION AND STANDARDIZATION OF MAGNE
TIC RESONANCE MEASUREMENTS」という名称の米国特
許第5,818,231号に開示されたような磁気共鳴像技術を用いて画像を取
得および洗練する方法が当該技術において現在公知である。これらすべての文献
は、参考として本明細書において援用される。NMR技術またはMRI技術を用
いた医療画像を取得する種々の技術は、これらの特許において詳細に記載される
ため、本明細書において繰り返す必要はない。これらの特許が背景情報として提
供され、より詳細に研究されると、本発明の好適な環境および所望の場合には潜
在的な特定の使用を理解し得る。画像取得技術は、本発明の使用に適切であるよ
うにこれらの特許において記載されて、工程12において必要な画像を取得して
格納する。X線、陽子射出断層撮影法、計算された断層撮影法、種々の放射線技
術、超音波または他の許容される技術を含む他の種類の医療画像取得も用いられ
得る。
【0013】 したがって、画像が取得されてメモリに格納された後、医療分析用に画像のさ
らなるスタディを行い、および恐らくは、検査中の医療患者内に存在し得る癌性
部位の診断的決定を行うことが望ましい。次の工程に進むために、ユーザ(通常
、医療技師または医師)はさらなる検査が所望される対象領域を選択する(工程
14)。この対象領域は、既知の腫瘍部位などのターゲット部位の周辺にボック
スを形成するコンピュータマウス、またはユーザが対象領域を指定し得る所定の
他の技術を用いて画面上に所望の組織の種類を表示することによって選択され得
る。
【0014】 対象領域が指定された後、工程16に示すように対象領域内でクラスタリング
が実行される。基本的に、クラスタ数は、対象領域内の異なる組織の種類の数に
対応する。これは、対象領域内の異なるクラスに組織をセグメント化する。対象
領域がかなり小さく特定的である場合、対象領域内には一つの組織の種類のみが
あり得る。あるいは、対象領域内には二つ以上の組織の種類があり得、クラスタ
リングによって、指定された対象領域内に見られる異なる組織の種類にセグメン
ト化される。対象領域が全画像と比較して比較的小さいため、組織の分類はより
少ない組織の種類を有して、対象領域内の一つの組織の種類と別の組織の種類と
がより明確にセグメント化され得る。
【0015】 一実施形態によって、工程16において実行されたクラスタリングは、自動ク
ラスタリングであり、この自動クラスタリングは管理されていないセグメント化
の形態である。セグメント化に用いられるクラスタ数がXie−Beniファジ
ー妥当性基準(Fuzzy Validity Criterion)を用いて
自動的に決定されるファジーなクラスタリングメカニズムが実行される。Xie
−Beniファジー妥当性基準は、特定の領域内の異なる種類の組織のコンパク
ト性および分離可能性に基づいてクラスタ数を決定する。このような曖昧なクラ
スタリングは当該技術において周知であり公開されている。例えば、X.L.X
ieおよびG.BeniのIEEE Transactions on Pat
tern Analysis and Machine Intelligen
ce、第13巻、ページ841〜847(1991年)の論文を参照されたい。
あるいは、クラスタリングは自動でない方法を用いて達成され得る。
【0016】 次いで、ここで本発明によって説明するように、ユーザは工程18において誘
導組織(guided tissue)の選択を実行する。組織のクラスタリン
グが実行された後、ユーザはさらにスタディするために特定の対象の組織の種類
を表す一つ以上のクラスタを選択する。本発明の標準の使用において、選択され
た組織の種類は、通常、悪性の疑いがある腫瘍である。いくつかの用途において
、腫瘍は、悪性の腫瘍として以前に確認されている場合があり、腫瘍の正確な形
状および癌が腫瘍の最初の境界線より外側に広がっているか否かを知ることが望
ましい。癌が身体の他の部分に存在するか否かを知ることも望ましい。
【0017】 本発明によって、さらなる検査が所望される特定の組織であると判明された組
織のクラスタ表示が選択される。この実施例において、腫瘍が選択されたと仮定
する。特定の組織に対応したクラスタが選択される。選択されたクラスタは、さ
らなる調査およびスタディが所望される組織の種類を表すトレーニングセットの
個々のデータ要素を含む。次いで、トレーニングセットのそれぞれの一員とトレ
ーニングセット以外のそれぞれのデータ要素との間の比較が実行される。好適に
は、工程12において全オリジナル画像(単数または複数)を構成するデータ要
素は、トレーニングセットと比較されて、検査中の任意の組織が、対象領域の外
側にあるか否か、特に、身体の他の部分にあるか否かが判定される。
【0018】 任意の公知の許容可能な技術を、トレーニングセットのデータ要素と考慮中の
オブジェクトを表す他のセットのデータ要素とを比較するために用い得る。ある
特定の許容可能な比較技術を要約してより詳細に説明するが、他の技術が用いら
れ得る。
【0019】 工程20の特定の組織のセグメント化を実行する許容可能な技術の要約は以下
のようである。考慮中のセンサから得られるデータ要素はそれぞれ、データ要素
が表すオブジェクトの対応した部分を説明する一つ以上の特性を有する。これら
の特性はそれぞれ数値を有する。例えば、取得された画像がMRI画像である場
合、データ要素それぞれの特性は、当該技術において公知であるような、長手方
向の緩和要素、T1または横断緩和要素、T2、重み付きT1画像またはT2画
像、陽子密度空間あるいは通常、MRIで測定される他のパラメータなどの特徴
を含み得る。したがって、トレーニングセットに知られているデータ要素はそれ
ぞれ、データ要素の説明を提供する特性それぞれに関連した数値を有する。した
がって、データ要素はそれぞれいくつかの異なる数によって記載されて、特性そ
れぞれに対して一つの数が格納される。したがって、データは多変量である。数
値は多次元空間におけるデータ要素の位置を規定して、この位置に対応した組織
の磁気共鳴特性を反映すると考えられ得る。すなわち、パラメータのうちのそれ
ぞれ一つは、ユークリッド幾何学フィールドにおけるオブジェクトの位置に関す
る次元のうちの一つを表す。データ要素それぞれに関するオブジェクトのうちの
二つの特性が格納される場合、フィールドが二次元のユークリッド平面になる。
三つのパラメータが格納された場合、データ要素は三次元のユークリッドフィー
ルド内の位置にあると考えられ得る。同様に、四つの物理パラメータが表される
場合、オブジェクトは、四次元のユークリッドフィールド内の位置にあると考え
られ得る。したがって、トレーニングセットの一員はそれぞれ、多次元のユーク
リッドフィールド内に位置を有する。
【0020】 トレーニングセットの一員それぞれに関連付けられた数値は、検査中のオブジ
ェクトのあらゆる他のデータ要素に関連付けられた数値と比較される。データ要
素の数値がデータ要素それぞれに関する検査中のオブジェクトの磁気共鳴特性に
関連するため、多次元のユークリッドフィールド内の位置がオブジェクトの磁気
共鳴特性に関連する。トレーニングセットとテストセットとを比較する際に、二
つのデータ要素が多次元のユークリッドフィールド内で相互により接近すれば接
近するほど、これらの二つのデータ要素がより類似する。したがって、相互に対
する二つのデータ要素間の距離は、データ要素によって表されるオブジェクトの
磁気共鳴特性の類似性が正確で信頼度高い指標になる。(トレーニングセットの
外側のデータ要素はテストサンプルとして呼ばれる。) トレーニングセット内のデータ要素とトレーニングセット以外のデータ要素そ
れぞれとの距離が決定されて、類似値がこのデータ要素に割り当てられる。
【0021】 トレーニングセット内のデータ要素からテストサンプルデータ要素までの距離
は、テストサンプルデータ要素に関する類似性を提供する数値として表され得る
。この類似性の数値は、テストサンプルとトレーニングセットとの類似性を表す
。距離が短くなればなるほど、データ要素が相互により類似するようになる。し
たがって、距離0は、データ要素が同一および同じクラスの一員であると考えら
れる場合を除いては、相互に非常に類似する。距離が長いことは類似性の低さを
示す。用いられるスケーリングに依存して、数値による距離値は、例えば、数1
から10までの一桁の数であり得る。あるいは、数値による距離値は、例えば、
7桁から10桁の数の多くの桁を有し得る。いくつかの実施形態に関して、距離
数は、データセット内のほぼすべてのテストサンプルに対して十分に大きいこと
が予期され、これにより、距離値を得て距離値を正規化した後に対数値が測定さ
れ得る。絶対距離値は、テストセット内の他のデータ要素に関する距離、および
トレーニングデータセット内の他の要素と比較された場合のトレーニングデータ
要素の距離と比較された相対距離値ほど重要ではない。
【0022】 一実施形態において、実際の類似値は以下のように計算され得る。
【0023】 MRIスタディの過程の間に収集されたデータは、四次元アレイ、FIxJxKxL
に構成され得る。Iはアレイ内の行数を示し、Jは列数を示し、Kはセンサによ
って得られた特性数を示し、Lはスタディ内の解剖学的スライス数である。K個
のセンサによって得られた特性は、組織のセグメント化において用いられる特徴
である。特定のアレイ要素、fijklの特性値には、行−列−連続−スライスアド
レスを指定することによってアクセスし得る。i=1,...,Iは行位置を示
す指数であり、j=1,...,Jは列位置を示す指数であり、k=1,...
,Kはセンサによって得られた特性に関する指数であり、l=1,...Lはス
ライス数に関する指数である。アレイ内のデータ要素それぞれは、2−、3−、
4−、5−または他の多次元フィールド内の空間位置を占めると考えられ得る。
空間においてある体積を占めるようなデータ要素は、ボクセルとして示され得る
。二次元画面画像に関して、表示要素それぞれは、通常ピクセルとして示される
【0024】 MRセグメント化の一つの実施において、ユーザは一つの組織クラスを表す一
組のサンプル、FNxKを指定する。ここで、Nはトレーニングセット内のサンプ
ル数を示す。これらのトレーニングサンプルを識別すると、管理されたセグメン
ト化が最隣接方法を用いて実行される。従来の一つの最隣接方法は、この場面に
おいて用いられ得る。この最隣接方法は、1996年のGoseらの公開に記載
されるように、トレーニングセット内の最も近いサンプル点と同じクラスに属す
るような、未知のテストサンプルを分類する非母数決定規則である。テストサン
プルftestとトレーニングサンプルfnと類似性の程度は、K次元特徴の空間に
おけるユークリッド距離の観点から規定され得る。
【0025】
【数1】 テストサンプルからセット内のトレーニングサンプルそれぞれまでの距離は測
定されて、これらの距離のうちの最短距離が選択される。すなわち、テストサン
プルに関する類似する値は、トレーニングセット内のサンプルのうちの最も接近
する一つに対するテストサンプルの近さに基づく。最隣接によるセグメント化の
出力は、ボクセル位置それぞれ(i、j、l)における最短距離を含む三次元類
似アレイ、DIxJxL内に類似データを含む。
【0026】 類似値が得られた後、いくつかの実施形態において、組織を異なるクラスにセ
グメント分けすることも所望され得る。この実施形態によって、異なる組織は、
トレーニングセットのデータ要素にいかに密接に相関するかに基づいてランク付
けされる。組織が極めて接近している場合、組織は異なる色パターンまたは強度
を割り当てられ得て、組織がトレーニングセット自体内にない場合でさえも、組
織がオブジェクト内のデータ要素の他のクラスより、データ要素のトレーニング
クラスにより類似することが示される。いくつかの実施形態において、特定のセ
グメント化(工程20)は、実行されず本発明の一部を形成しない。むしろ、こ
れは、所望の場合に実行され得るオプションの特徴である。
【0027】 図2は、本発明によるたたみこみフィルタを実行するプロセス工程を示す。オ
リジナルデータは工程12において得られて、これは図1の工程12に対応する
。センサによって得られたデータの前処理は工程24において実行される。当該
技術において公知の、収集されたデータをフィルタリングするデータ処理技術が
多くあるが、これらの中に、生データ自体に影響を与えるたたみこみフィルタリ
ングがある。
【0028】 一実施形態において、前処理24および類似データの生成25は、上述したよ
うな図1の工程14〜20に対応する。別の実施形態において、前処理24およ
び類似データの生成25は、当該技術において許容可能な他の技術を用い得る。
【0029】 本発明によって、たたみこみは、類似データの生成の後に行われるため、従来
技術において以前には可能ではなかった一意的な利点を提供する。工程25が終
了した後、類似データが取得されて第一のメモリに格納される。類似データは、
オブジェクト内の位置に対応した複数のデータ要素の類似値を用いたオブジェク
トの表示である。データ要素それぞれの類似性は、同じ画像化の様態およびプロ
トコルが用いられる同じオブジェクトまたは別のオブジェクト内のあらゆる場所
における磁気共鳴特性と比較した、オブジェクト内の指定された対象領域の磁気
共鳴特性を表す。一実施形態において、類似性の数値は、一つのデータ要素の磁
気共鳴特性がデータ要素のトレーニングセットの磁気共鳴特性にいかに密接に対
応するかを説明する。距離が短くなればなるほど類似性が高くなる。
【0030】 類似値はメモリに格納されて、相互に論理的に隣接するデータ要素が検査中の
オブジェクト内の隣接位置に対応するように構成される。所定のコンピュータ設
計において、これらはコンピュータのメモリ内の隣接位置である。あるいは、位
置は単なる論理アドレスであり得、データ要素は物理メモリ内で相互に隣接する
ように格納される必要はない。したがって、機能的観点から、厳密には、たとえ
、データ要素が任意の所望の方式で格納され得たとしても、データ要素は隣接し
て見える。
【0031】 次いで、工程26のたたみこみフィルタリングが実行されて、選択されたデー
タ要素の類似値が隣接するデータ要素の類似値に基づいて改変される。顕著な利
点は、類似データ上にたたみこみフィルタリングを実行することによって得られ
る。選択されたデータ要素の類似値の改変は以下のように実行される。データ要
素はこの実施例においてピクセルとして示される。これは、データ要素が二次元
のコンピュータ画面上に表示されるからである。しかし、もちろん、実施例及び
本発明は多次元空間におけるボクセルまたは他の要素に適用可能である。選択さ
れたピクセルの類似値は、所与のサイズおよび形状のたたみこみ核によって改変
される。たたみこみ核は、選択されたピクセルに関する類似値および空間的に隣
接したピクセルの類似値に適用されたセットのフィルタ重み付け(filter
weight)を規定する。類似データマトリクス上にたたみこみ核をオーバ
ーレイして、たたみこみ核の中央フィルタ要素を選択されたピクセルに関する類
似値の上に通例位置合わせすることによって、たたみこみプロセスを視覚化する
ことが可能である。改変された類似値は、選択されたピクセルおよび空間的に隣
接するピクセルに関する類似値に、対応したたたみこみフィルタ重み付けを乗算
して、次いでこれらの結果を合計することによって計算される。一実施形態にお
いて、たたみこみ核はガウス分布の5×5マトリクスから構成される。あるいは
、核は、選択されたピクセルに適用される改変核を規定する六角形、円形または
他の形状であり得る。
【0032】 図3は、標準偏差のシグマが1に等しい、5×5マトリクスのガウスのたたみ
こみフィルタ36を用いて、類似データ上にたたみこみフィルタを実行する一つ
の技術を示す。図3に図示するこの特定の図面において、たたみこみ核36によ
ってオーバーレイされたピクセル位置はそれぞれ、重み付けされた値を割り当て
られる。重み付けされた値は、中央ピクセル34(この実施例においては、その
類似値が改変されるべき選択されたピクセル)からの距離に基づく。核によって
オーバーレイされたピクセル位置はそれぞれ、ガウスの核36の右手側のレジェ
ント38に示すようなガウスの分布に基づいて重み付けが提供される。中央ピク
セル34は、最も重い重み付けが与えられる。隣接するピクセルは、選択された
ピクセル34の中心からの距離に基づいてより低い重み付けが与えられる。
【0033】 ガウスの核36に隣接したレジェント38を見ると、中央ピクセルは白色であ
り、したがって、0.15よりわずかに高い重み付けされた値を有することが理
解され得る。本発明の一実施形態によって、中央ピクセル34は0.162の重
み付け因子を有するが、いくつかの実施形態において、選択されたピクセル自体
のオリジナルの類似値をより重く重み付けすることが所望される場合には、0.
2、0.5または所定のいくつかの値の重み付け因子を有し得る。より狭いガウ
スの曲線に関して、1より小さいシグマなど(例えば、0.6、0.8など)、
より小さいシグマが選択され得て、より中央に集められたピクセルにより大きな
重み付けが与えられる。1.5、2などのより大きなシグマも選択され得る。よ
り大きなシグマは、非常に小さな腫瘍を検出することができないというリスクは
あるが、データはスムージングされる。
【0034】 次の四つの最も隣接したピクセル40は、次の最も大きな値を用いて重み付け
される。図3に図示する実施形態において、この値は、これらの四つのピクセル
それぞれに対して約0.1である。正確な値は、もちろん、右手側のレジェント
38に図示されて、図示する実施形態においては0.0983の生数値を有する
が、他の値も用いられ得る。要約すれば、中央ピクセル34の類似値は、重み付
け因子(この場合、〜0.16)によって乗算される。隣接するピクセル40に
次に近いピクセルそれぞれの類似値は、対応する重み付け因子(この場合、〜0
.1)によって乗算されて、四つのピクセル40に関する四つの類似値それぞれ
の積を得る。次いで、これら四つの乗算の結果の積が、中央ピクセル34の重み
付けされた類似値の乗算の積に加算されて、合計が得られる。たたみこみ核36
によってオーバーレイされた残りの隣接するピクセル42および例えば、44、
46および50の他のピクセルは、各重み付け因子によって乗算された類似値を
有する。重み付け因子は、もちろん、特定のピクセルの中央ピクセル34からの
距離に応じてより低くなる。例えば、この実施形態によって、位置42における
ピクセルの重み付け因子は〜0.06であり、ピクセル44に関する重み付けさ
れた値は〜0.02であり、ピクセル46および50に関する重み付けされた値
はそれぞれ0.013および0.003である。ここでも、正確な値は、たたみ
こみフィルタ30とレジェント38とを比較することによって理解され得る。
【0035】 重み付けされた値のすべての積が計算された類似データが表すピクセルに関す
る各類似データによって乗算された後、すべての積が加算されて、全たたみこみ
フィルタ内のすべての積の結果合計が得られる。新たな類似値が得られる。本発
明によって、中央ピクセル34の類似値は、たたみこみ核によってオーバーレイ
されたすべてのピクセルの積の合計として計算された類似値によって置換される
。ここで、このピクセル34に対するこのたたみこみは終了する。
【0036】 次いで、新たなピクセルが選択されて、中央ピクセル34になり、この上でた
たみこみが実行される。このたたみこみ核は、続いて、全画像内の各ピクセル上
でオーバーレイされる。たたみこみ核の下にある5×5のガウスのブロックによ
ってオーバーレイされた類似値は、核によって規定された対応した重み付けによ
って乗算される。このプロセスは、それぞれのピクセルに対して実行されて、こ
の結果は合計されて、計算された値は中央ピクセルにおけるオリジナルの類似値
と置換される。これは、近隣のピクセルからの情報をまとめてピクセルそれぞれ
に関する類似性にする効果を有する。説明したように、中央ピクセルからのさら
なるピクセルは、中央ピクセルにより接近するピクセルほど重み付けされない。
次いで、工程22において、画像はディスプレイ上に示される。
【0037】 たたみこみフィルタリングの結果は、複数の許容可能な技術によってユーザに
提供され得る。もちろん、実際の生数値データは、プリントアウトまたは所定の
他の視覚表示の形態で提供され得る。実際の類似値データ自体を提供することは
、いくつかの環境において有用であり得、医師が特定の組織に関して詳細な決定
を行う場合に有益であり得る。しかし、ほとんどのユーザにとっては、類似値自
体の数値のプリントアウトを有することは、たたみこみされた類似値を表す画像
を有するほど有用ではない。たたみこみフィルタの結果を提供する別のより好適
なアプローチは、対応したグレースケールMR画像上に層化された一色のオーバ
ーレイの形態である。したがって、画像はグレースケールであり得、ピクセルは
グレースケール画像において異なる値を有する。したがって、改変された類似デ
ータは、このようなグレースケール画像上のピクセルに適用されて、新たな画像
を生成して、より明白に、検査中の腫瘍または他の組織の位置を検査官に例示す
る。
【0038】 さらなる別の実施形態として、たたみこみフィルタデータは、用いられる異な
る色を用いて多色ディスプレイ内に表示されて、異なる程度の類似性を表し得る
。トレーニングセット自体に最も類似した組織は、第一の色(例えば、赤色)を
用いて表示され得る。トレーニングセットにこの次に最も類似した組織は、赤色
以外の色で表示され得る。次いで、このクラスの後、さらにこの次に最も類似し
た組織のクラスは、前の二つのクラスとは異なる第三の色を用いて表示され得る
。したがって、たたみこみフィルタの結果を用いて図示される画像は、カラーデ
ィスプレイで見られ得て、様々な色のピクセルがはっきりと見られて、トレーニ
ングセットの組織に対する類似性の度合いの差が示される。
【0039】 図2において、さらなる視覚表示の別の実施形態は、たたみこみフィルタが適
用された後に画像上に実行され得る。本発明の第一の実施形態においてちょうど
説明したように、たたみこみフィルタ26から直接、ディスプレイ22に改変さ
れた類似データを提供するのではなく、代わりに、閾値化工程28において、デ
ータは閾値と比較されて、次いで、後処理工程30において、例えば、バイナリ
ー画像を生成する。閾値化工程28によって、その類似値が特定の閾値より上で
あるすべてのピクセルが、組織の同じクラスに属すると考えられる。類似値が閾
値より下である場合、組織は対象のクラスの組織内にないと判定されて、拒絶さ
れる。バイナリー画像の生成によって、対象のクラス内のすべての他の組織とま
さに同じ色および特性を有する対象のクラス内にあると判定されたすべての組織
を図示する。色がグレースケールであろうと、スペクトル内の実際の色であろう
と、明瞭に異なる色を有する対象クラス内にないピクセルを図示する。したがっ
て、バイナリー画像は、各ピクセルが対象のクラス内にあるかまたは対象のクラ
ス外にあるかのいずれかであるバイナリー画像の端部に接近するはっきりと規定
された端部を有する可能性が高い。したがって、スタディ中の画像における組織
区域がよりくっきりと対比される。グレースケール画像が用いられた場合、クラ
ス内のピクセルは、スペクトルの一端部においては一色(黒色または白色のいず
れか)で生成され得るが、すべての他のピクセルは、グレースケールカラーで図
示され得る。例えば、閾値より上の類似値を有するあらゆるデータ要素が黒色で
生成された場合、これはMRI画像の上にオーバーレイされて、相互に非常に類
似した区域をより明瞭に示す。工程28における閾値化に続いて、工程30にお
いてバイナリー画像の後処理が実行され得て、バイナリー画像をさらにスムージ
ングし、およびフィルタリングする。以後、工程30のバイナリー画像は、ユー
ザが見られるようにディスプレイ22に提供される。したがって、たたみこみフ
ィルタは、閾値化の直前にデータに適用され得る。この後、所望の場合には、バ
イナリー画像の生成が続く。
【0040】 一実施形態によって、各ピクセルの類似値がたたみこみフィルタによって改変
された場合、改変された類似値は第二のメモリに格納され、このオリジナル類似
値は第一のメモリに保持されて、すべての引き続くたたみこみ計算に対して用い
られる。すなわち、第一のピクセルがたたみこみを適用されて、この類似値が改
変された場合、この類似値は別々のメモリに格納され、オリジナルの類似値は第
一のメモリに保持される。次いで、たたみこみ核が、類似値がちょうど改変され
たばかりのピクセルの次の隣接するピクセルに適用される。第一のメモリに格納
されたオリジナルの類似データは、たたみこみ用に用いられて、ここでたたみこ
み核の中心にある別のピクセルを改変する。したがって、たたみこみ核の異なる
ピクセル上へのオーバーレイが成功する度に、ピクセルそれぞれからのオリジナ
ルの類似値のみが用いられて、中心ピクセルの類似値を改変する。この技術によ
って、類似値がオリジナルの値に対する関係にのみ基づいて変化し、以前に変化
した所定のピクセルの類似データのいくらかに基づいて得られる改変されること
はない。
【0041】 別のアプローチにおいて、ピクセルの類似値が改変された後、改変された類似
値は、このピクセルに隣接したピクセルにおける引き続くたたみこみフィルタリ
ングに用いられる。これは、他のピクセルに対して特定のピクセルの強度を増加
させる効果を有する。なぜならば、類似値がこのピクセルに隣接したピクセルに
基づいてすでに改変されているからである。後者のアプローチは、通常好適では
ないが、類似値をできるだけ均一にしようとすることが所望される場合、いくつ
かの実施形態において用いられ得る。
【0042】 他の種類のたたみこみフィルタリングは、図3に関して説明したような5×5
マトリクスのガウスの分布によるたたみこみフィルタ以外にも用いられ得る。例
えば、フーリエ領域内のウインドウ処理はローパスフィルタとしても動作し得る
。フーリエ領域内のウインドウ処理の概括的な記述は、標準の画像処理の教科書
から得られ得るため、本明細書においては詳細に説明する必要はない。
【0043】 腫瘍および概して人体内の他の組織が、通常、複数の隣接するピクセルとして
画像内に見られるため、隣接するピクセルは情報を提供して、データをクラスに
セグメント化または分割する信頼度が増加し得る。本発明のたたみこみフィルタ
により、画像の判読率が著しく向上し、腫瘍の適切なラベリングが向上し、同時
に、不正確なラベリングが減少することが見受けられる。したがって、類似の種
類の組織が本発明のたたみこみフィルタに続く画像においてより容易に見られて
、同時に、偽陽性が除去されたりサイズが減少されるため、偽陽性が適切に解釈
される可能性が高まる。
【0044】 図4Aおよび図4Bは、たたみこみフィルタが適用された場合の本発明から得
られた改良を示す。図4Aにおいて、四つの白色の矢印50、52、54および
56を図示する。これらの矢印はそれぞれ、MRI画像が生成された後に実行さ
れた剖検に基づいて、検査中の被験者内の既知の腫瘍を指し示す。矢印50およ
び52によって指し示された大きな腫瘍が中心の剖検組織において以前には活発
な癌性組織の一部であった死んだ細胞を含むことに留意されたい。
【0045】 この実施例に関してセグメント化を実行した際、既知の腫瘍部位を用いて、ト
レーニングセットを確立し、類似値をオブジェクト内の各ピクセルに対して計算
した。バイナリーセグメント化の結果が閾値を適用することによって取得され、
その類似値が所与の閾値に等しいかまたは所与の閾値を越えたピクセルは、図4
Aおよび図4Bにおいて黒色でラベリングされた。腫瘍に非常に類似すると識別
されたこれらの黒色のピクセルは、従来のMR画像の上部にオーバーレイされた
【0046】 図4Aにおける画像は、たたみこみフィルタリングなく達成されたバイナリー
セグメント化結果を提示し、複数の偽陽性を含む。例えば、中央区域60は不正
確にラベリングされた黒色エリアであるが、幾人かの医師によって腫瘍と考えら
れる場合がある。他の偽陽性62および64は、画像内の種々の他の位置に現れ
る。重要なことは、矢印54が指し示す一つの既知の腫瘍部位が黒色にラベリン
グされず、現在の画像内の偽陰性部位を表示することである。腫瘍は、MRIが
取られた後に被験者に実行された剖検に基づいて、位置54にあると分かったが
、従来技術の標準のMR画像技術を用いては識別されなかった。
【0047】 図4Bは、本発明によるたたみこみフィルタリング後の図4Aに図示する同じ
MR画像データのグレースケール画像のバイナリーフォーマットを示す。すなわ
ち、MR画像を構成するデータ要素は、本発明に関して説明したように、類似デ
ータ値分析の対象になる。類似値が図面のピクセルに対応したデータ要素それぞ
れに対して取得された後、たたみこみフィルタが類似データに適用されて、各ピ
クセルの類似データが隣接するピクセルの重み付けされた値に基づいて改変され
た。次いで、閾値が適用されて、閾値より大きいまたは閾値に等しい類似値を有
するすべてのピクセルが黒色で表示された。閾値より小さい類似値を有するピク
セルは、オリジナルの磁気共鳴特性に基づいてグレースケールパターンに図示さ
れた。これは、複数の偽陽性を除去したり減少する有利な効果を有して、より明
確には、実際の腫瘍組織自体を描写および例示する。例えば、図4Bを見ると、
50、52および56における腫瘍の位置がより明瞭に見られ、かつ、理解され
得る。重要なことは、位置54における腫瘍組織は、ここで矢印54によって指
し示される黒色のセグメントとして見えることである。隣接するピクセルの重み
付けされた値に基づいてピクセルそれぞれの値を改変することによって、全結果
がピクセルを含む隣接腫瘍の影響を強化して、部位54がここで腫瘍組織として
明らかに見られ得る。
【0048】 たたみこみフィルタは、複数の偽陽性腫瘍部位に関連付けられたラベリングが
画像から完全に除去されるという利点効果も有する。他の偽陽性は、偽陽性であ
るとより明瞭に図示され、したがって、医師が分析する際に惑わされなかった。
例えば、底部区域60における偽陽性に関連付けられた黒色ラベリングは完全に
消えた。全画像におけるほぼすべての偽陽性のラベリングが除去された。たたみ
こみフィルタリング前の偽陽性に関連付けられた所定のラベリング(例えば、区
域62および64に図示するラベリング)は、本発明のたたみこみフィルタを用
いた後サイズが著しく減少した。したがって、これらのエリアは、50、52、
54および56において生じた実際の腫瘍組織を拡大したり、または、同じサイ
ズのままではなく、たたみこみフィルタに起因してサイズが小さくなるため、医
師はこれらのエリアが腫瘍ではなく偽陽性を示しているということに自信を持ち
得る。
【0049】 この方法は、セグメント化の後の類似データの後処理工程として、たたみこみ
フィルタを適用することによって有利な結果を得る。最初のセンサによって得ら
れた画像データを処理する際に用いられたたたみこみフィルタに関する文献報告
があるが、本発明者の知識の限りでは、このようなたたみこみフィルタは、以前
にはセグメント化を向上させる類似データの後処理において用いられなかった。
【0050】 上述の説明から、本発明の特定の実施形態を例示を目的として本明細書におい
て説明してきたが、種々の改変が本発明の意図および範囲から逸脱せずに行われ
得ることが理解される。したがって、本発明は上掲の特許請求の範囲を除いては
限定されない。
【図面の簡単な説明】
【図1】 図1は、画像取得および表示手順の種々の工程のブロック図である。
【図2】 図2は、本発明による、類似データおよびたたみこみ処理の生成のブロック図
である。
【図3】 図3は、シグマが1に等しいガウスの種類のたたみこみフィルタの一例である
【図4A】 図4Aは、本発明によってたたみこみフィルタが適用される前のMR画像内の
腫瘍に関するセグメント化の結果の例である。
【図4B】 図4Bは、本発明によってたたみこみフィルタが適用される後のMR画像内の
腫瘍に関するセグメント化の結果の例である。
───────────────────────────────────────────────────── 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,I T,LU,MC,NL,PT,SE,TR),OA(BF ,BJ,CF,CG,CI,CM,GA,GN,GW, ML,MR,NE,SN,TD,TG),AP(GH,G M,KE,LS,MW,MZ,SD,SL,SZ,TZ ,UG,ZW),EA(AM,AZ,BY,KG,KZ, MD,RU,TJ,TM),AE,AG,AL,AM, AT,AU,AZ,BA,BB,BG,BR,BY,B Z,CA,CH,CN,CR,CU,CZ,DE,DK ,DM,DZ,EE,ES,FI,GB,GD,GE, GH,GM,HR,HU,ID,IL,IN,IS,J P,KE,KG,KP,KR,KZ,LC,LK,LR ,LS,LT,LU,LV,MA,MD,MG,MK, MN,MW,MX,MZ,NO,NZ,PL,PT,R O,RU,SD,SE,SG,SI,SK,SL,TJ ,TM,TR,TT,TZ,UA,UG,US,UZ, VN,YU,ZA,ZW (72)発明者 ウィマン, ブラドリー ティー. アメリカ合衆国 ワシントン 98034, カークランド, 95ティーエイチ プレイ ス エヌ.イー. 12928 Fターム(参考) 4C096 AB07 AD14 DC09 DC28 DC40 5B057 AA09 BA03 BA25 BA26 BA30 CA02 CA08 CA12 CA16 CB01 CB02 CB08 CB12 CB16 CE02 CE05 CE06 CH09

Claims (14)

    【特許請求の範囲】
  1. 【請求項1】 データを改変する方法であって、 オブジェクト内の対応する位置を表す複数の離散データ要素を用いて、該オブ
    ジェクトの表示を第一のメモリに格納する工程と、 各データ要素に類似値を割り当てる工程であって、該類似値は該オブジェクト
    の特性を表す、工程と、 該離散データ要素の類似値をパターンとして構成する工程であって、該パター
    ンにおいて相互に隣接したデータ要素は、該オブジェクト内の隣接した位置を表
    す、工程と、 選択されたデータ要素の類似値を改変する工程であって、該選択されたデータ
    要素の類似値を改変する工程は、該選択されたデータ要素の類似値に重み付けを
    行った値と複数の隣接するデータ要素に基づいて行われる、工程と、 該データ要素の改変された類似値を格納する工程と、 ユーザが目視することが可能な画像を形成する工程であって、該画像は、複数
    の離散視覚ピクセルから構成され、該複数の離散視覚ピクセルの表示特性は、該
    データ要素の改変された類似値に基づく、工程と、 を包含する方法。
  2. 【請求項2】 前記選択されたデータ要素のうちの三つのデータ要素におい
    て特定されたすべてのデータ要素は隣接していると考えられる、請求項1に記載
    の方法。
  3. 【請求項3】 前記選択されたデータ要素のうちの二つのデータ要素におい
    て特定されたすべてのデータ要素は隣接していると考えられる、請求項1に記載
    の方法。
  4. 【請求項4】 前記一つの隣接するデータ要素に重み付けを行った値と、別
    の隣接するデータ要素との比較は、該データ要素に重み付けを行ったガウスパタ
    ーンに基づく、請求項1に記載の方法。
  5. 【請求項5】 前記選択されたピクセルの値を改変する工程は、 たたみこみ核を形成する工程であって、該たたみこみ核は、該選択されたピク
    セルおよび前記複数の隣接するピクセルを内部に有する、工程と、 該選択されたピクセルの類似値および該隣接するピクセルを、該たたみこみ核
    中の各ピクセルに重み付けを行った値で乗算して、一組の第一の積を得る工程と
    、 該たたみこみ核中のすべてのピクセルの積を合計して、重み付けされた類似値
    を得る工程と、 該選択されたピクセルの類似値を該重み付けされた類似値と共に格納する工程
    と、 を包含する、請求項1に記載の方法。
  6. 【請求項6】 すべての重み付け因子の合計が1に等しい、請求項5に記載
    の方法。
  7. 【請求項7】 データ要素のトレーニングセットを形成する工程と、 データ要素のテストセットを形成する工程と、 各テストデータ要素と該データ要素のトレーニングセットとを比較して、該テ
    ストデータ要素の類似値を得る工程と、 をさらに包含する、請求項1に記載の方法。
  8. 【請求項8】 前記各データ要素の類似値を第一のメモリに格納する工程と
    、 該データ要素の改変された類似値を第二のメモリに格納する工程と、 をさらに包含する、請求項1に記載の方法。
  9. 【請求項9】 前記離散データ要素の類似値を構成する工程は、該離散デー
    タ要素の前記第一のメモリにおける格納位置を構成することによって実行される
    、請求項1に記載の方法。
  10. 【請求項10】 MRデータのバイナリー画像を生成する工程をさらに包含
    し、 前記類似値の閾値を設定する工程と、 あるクラスのデータ要素を生成する工程であって、該データ要素は、該閾値よ
    りも大きい類似値を有するデータ要素をすべて含む、工程と、 を包含する、請求項1に記載の方法。
  11. 【請求項11】 前記選択されたクラス内のデータ要素を表すすべてのピク
    セルを一色で表示する工程と、 該選択されたクラス内のピクセルとは異なる色を用いて、該選択されたクラス
    内にないピクセルを表示する工程と、 をさらに包含する、請求項10に記載の方法。
  12. 【請求項12】 前記選択された色はグレースケールの色方式内の一色であ
    り、前記画像の全体はグレースケールで示される、請求項11に記載の方法。
  13. 【請求項13】 前記対象のクラスについて選択される色は黒色であり、該
    対象のクラス内にないすべての他の組織は、黒色以外の一色を有するグレースケ
    ールパターン上に示される、請求項11に記載の方法。
  14. 【請求項14】 前記選択される色は、人間の目に見える色のスペクトルか
    ら選択され、前記対象のクラス内にない組織を表すピクセルは、該カラースペク
    トル内の異なる色を用いて表示される、請求項11に記載の方法。
JP2001540714A 1999-11-24 2000-11-24 画像が向上した視覚表示を得るための類似データのたたみこみフィルタリング。 Withdrawn JP2003515368A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16741199P 1999-11-24 1999-11-24
US60/167,411 1999-11-24
PCT/US2000/032207 WO2001039122A1 (en) 1999-11-24 2000-11-24 Convolution filtering of similarity data for visual display of enhanced image

Publications (1)

Publication Number Publication Date
JP2003515368A true JP2003515368A (ja) 2003-05-07

Family

ID=22607283

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2001540715A Withdrawn JP2003515828A (ja) 1999-11-24 2000-11-24 セグメント化されたデータセットの動的な閾値化および類似画像内の類似値の表示
JP2001540714A Withdrawn JP2003515368A (ja) 1999-11-24 2000-11-24 画像が向上した視覚表示を得るための類似データのたたみこみフィルタリング。

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2001540715A Withdrawn JP2003515828A (ja) 1999-11-24 2000-11-24 セグメント化されたデータセットの動的な閾値化および類似画像内の類似値の表示

Country Status (7)

Country Link
EP (2) EP1236176A1 (ja)
JP (2) JP2003515828A (ja)
KR (2) KR20020079742A (ja)
AU (2) AU763459B2 (ja)
CA (2) CA2391289A1 (ja)
NO (2) NO20022447L (ja)
WO (2) WO2001039122A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008511395A (ja) * 2004-08-31 2008-04-17 シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド 一連の画像における動き修正のための方法およびシステム
JP2021039117A (ja) * 2015-06-11 2021-03-11 ユニバーシティ オブ ピッツバーグ−オブ ザ コモンウェルス システム オブ ハイヤー エデュケーションUniversity Of Pittsburgh Of The Commonwealth System Of Higher Education ヘマトキシリン・エオシン(h&e)染色組織画像における関心領域を調べて、多重化/高多重化蛍光組織画像で腫瘍内細胞空間的不均一性を定量化するシステム及び方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NO20020780D0 (no) * 2002-02-15 2002-02-15 Amersham Health As Bildeanalyse
GB0226787D0 (en) * 2002-11-18 2002-12-24 Qinetiq Ltd Measurement of mitotic activity
US7526115B2 (en) 2004-02-23 2009-04-28 Siemens Medical Solutions Usa, Inc. System and method for toboggan based object segmentation using divergent gradient field response in images
KR100643305B1 (ko) 2005-02-14 2006-11-10 삼성전자주식회사 컨볼루션 커널을 이용한 라인 패턴 처리 방법 및 장치
US10303717B2 (en) * 2014-02-10 2019-05-28 Nec Corporation Search system, search method and program recording medium
JP6772066B2 (ja) * 2014-04-03 2020-10-21 コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. 画像を処理して解析するための検査装置
JP2020525127A (ja) 2017-06-26 2020-08-27 ザ・リサーチ・ファウンデーション・フォー・ザ・ステイト・ユニヴァーシティ・オブ・ニューヨーク 仮想膵臓撮影法のためのシステム、方法、およびコンピュータ・アクセス可能媒体
CN110956596B (zh) * 2019-12-09 2023-08-29 深圳元华医疗设备技术有限公司 基于近红外成像的图像处理方法及终端
CN116990298B (zh) * 2023-09-28 2023-12-08 南通中奥车用新材料有限公司 一种用于人造革生产设备的成品质量评估系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5262945A (en) * 1991-08-09 1993-11-16 The United States Of America As Represented By The Department Of Health And Human Services Method for quantification of brain volume from magnetic resonance images
US5311131A (en) * 1992-05-15 1994-05-10 Board Of Regents Of The University Of Washington Magnetic resonance imaging using pattern recognition
JP3346679B2 (ja) * 1994-06-14 2002-11-18 日本電信電話株式会社 画像検査/認識方法、これに用いる参照データ作成方法およびこれらの装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008511395A (ja) * 2004-08-31 2008-04-17 シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド 一連の画像における動き修正のための方法およびシステム
JP4885138B2 (ja) * 2004-08-31 2012-02-29 シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド 一連の画像における動き修正のための方法およびシステム
JP2021039117A (ja) * 2015-06-11 2021-03-11 ユニバーシティ オブ ピッツバーグ−オブ ザ コモンウェルス システム オブ ハイヤー エデュケーションUniversity Of Pittsburgh Of The Commonwealth System Of Higher Education ヘマトキシリン・エオシン(h&e)染色組織画像における関心領域を調べて、多重化/高多重化蛍光組織画像で腫瘍内細胞空間的不均一性を定量化するシステム及び方法
JP7168237B2 (ja) 2015-06-11 2022-11-09 ユニバーシティ オブ ピッツバーグ-オブ ザ コモンウェルス システム オブ ハイヤー エデュケーション ヘマトキシリン・エオシン(h&e)染色組織画像における関心領域を調べて、多重化/高多重化蛍光組織画像で腫瘍内細胞空間的不均一性を定量化するシステム及び方法

Also Published As

Publication number Publication date
NO20022447L (no) 2002-07-22
AU763454B2 (en) 2003-07-24
KR20020077345A (ko) 2002-10-11
JP2003515828A (ja) 2003-05-07
KR20020079742A (ko) 2002-10-19
AU2046901A (en) 2001-06-04
WO2001039123A1 (en) 2001-05-31
NO20022448D0 (no) 2002-05-23
NO20022448L (no) 2002-07-15
WO2001039122A1 (en) 2001-05-31
NO20022447D0 (no) 2002-05-23
AU1796001A (en) 2001-06-04
AU763459B2 (en) 2003-07-24
CA2391290A1 (en) 2001-05-31
EP1236178A1 (en) 2002-09-04
CA2391289A1 (en) 2001-05-31
EP1236176A1 (en) 2002-09-04

Similar Documents

Publication Publication Date Title
Krishnakumar et al. RETRACTED ARTICLE: Effective segmentation and classification of brain tumor using rough K means algorithm and multi kernel SVM in MR images
US4945478A (en) Noninvasive medical imaging system and method for the identification and 3-D display of atherosclerosis and the like
US5187658A (en) System and method for segmenting internal structures contained within the interior region of a solid object
US6674880B1 (en) Convolution filtering of similarity data for visual display of enhanced image
US5412563A (en) Gradient image segmentation method
US20150003706A1 (en) Probability mapping for visualisation and analysis of biomedical images
Florez et al. Emergence of radiomics: novel methodology identifying imaging biomarkers of disease in diagnosis, response, and progression
Rahman et al. Developing a retrieval based diagnostic aid for automated melanoma recognition of dermoscopic images
Yao et al. Advances on pancreas segmentation: a review
Jaffar et al. Ensemble classification of pulmonary nodules using gradient intensity feature descriptor and differential evolution
JP2003515368A (ja) 画像が向上した視覚表示を得るための類似データのたたみこみフィルタリング。
Hassan et al. A dilated residual hierarchically fashioned segmentation framework for extracting gleason tissues and grading prostate cancer from whole slide images
OK et al. Mammogram pectoral muscle removal and classification using histo-sigmoid based ROI clustering and SDNN
Armya et al. Medical images segmentation based on unsupervised algorithms: a review
Krishnaveni et al. Image Based Group Classifier for Brain Tumor Detection Using Machine Learning Technique.
Udayakumar et al. An efficient tissue segmentation of neonatal brain magnetic resonance imaging
Georgieva et al. Multistage Approach for Simple Kidney Cysts Segmentation in CT Images
Johora et al. LUNG CANCER DETECTION USING MARKER-CONTROLLED WATERSHED WITH SVM
Liu et al. Automatic liver segmentation using U-net in the assistance of CNN
Gumaste et al. Feature extraction of the brain tumours with the help of MRI, based on symmetry and partitioning
Jitender LUNG CANCER DETECTION USING DIGITAL IMAGE PROCESSING AND ARTIFICIAL NEURAL NETWORKS
Dungarwal et al. An Ameliorate Technique for brain lumps detection using Fuzzy C-Means Clustering
Li et al. Research on Lung Tumor Cell Image Processing and Identification
Mohan et al. AUTOMATIC BRAIN TUMOR IDENTIFICATION USING NOVEL SELF ORGANIZING MAPS
Roy et al. Target Detection from Brain MRI and Its Classification

Legal Events

Date Code Title Description
A300 Application deemed to be withdrawn because no request for examination was validly filed

Free format text: JAPANESE INTERMEDIATE CODE: A300

Effective date: 20080205