JP2003515828A

JP2003515828A - 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

Info

Publication number: JP2003515828A
Application number: JP2001540715A
Authority: JP
Inventors: 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: 1999-11-24
Filing date: 2000-11-24
Publication date: 2003-05-07
Also published as: KR20020077345A; AU2046901A; AU1796001A; EP1236178A1; EP1236176A1; NO20022447L; NO20022448D0; WO2001039123A1; CA2391290A1; CA2391289A1; AU763454B2; NO20022448L; JP2003515368A; AU763459B2; WO2001039122A1; KR20020079742A; NO20022447D0

Abstract

(57)【要約】磁気共鳴測定の画像処理を行うことにより対象物固有の強調された表示画像を作成する方法であり、本方法は、ＭＲＩ装置から磁気共鳴測定値を獲得する工程、磁気共鳴測定値に基づいてスコアデータを生成する工程、および強調された画像を生成するためにスコアデータを修正する工程を包含する。スコアデータを修正する工程は、たたみ込みフィルタを適用する工程、スコアデータ拒絶閾値を自動的に生成する工程、およびスコアデータを修正し、動的に強調された画像を生成するためにこの拒絶閾値を動的に変更する工程を包含し得る。本方法は自己正規化する組織セグメント化結果を提供することにより、ＭＲＩ画像の生成における対象物およびスキャナ依存性を避ける。

Description

【発明の詳細な説明】

【０００１】（技術分野）本発明は、閾値を設定し、これを分類されたデータに適用する方法に関する。
本発明は、トレーニングセットとテストサンプルとの間の十分な類似性を決定す
るのに用いられる許容閾値を自動的に、または動的に取出し、かつ表示する方法
に関する。

【０００２】（発明の背景）パターン認識は、サンプルの１つ以上の特性に関して行なわれた測定に基づい
て、サンプルのセットを多数のクラスに分類することを含む。所与のクラス内に
あるサンプルのセットは、その測定値に関して類似であり、これらのセットは、
これらのサンプルの特性を反映する。パターン認識方法は大きく２つのクラスに
分類され得る。（ａ）監視技術、これはサンプルのセットのクラスの帰属関係（
ｃｌａｓｓｍｅｍｂｅｒｓｈｉｐ）についての先験的な知識または仮定を利用
し、分類規則を開発し、未知のサンプルのクラス帰属関係を予測し、（ｂ）非監
視技術（ｕｎｓｕｐｅｒｖｉｓｅｄｔｅｃｈｎｉｑｕｅ）、これはデータにつ
いての先験的な仮定を行なわず、データセット内のサンプルのクラスの帰属関係
を識別する。

【０００３】パターン認識は、地質学、化学、細胞学、医用画像化、ならびにバンキングお
よびマーケティングを含む様々な分野において一般的に行なわれる。パターン認
識が行なわれるサンプルのタイプは、分野にわたって大きく異なる。サンプルの
タイプは分野にわたって異なり得るが、（それぞれの群が明確で測定可能な特性
を有する場合に、サンプルを論理群に分離するという）パターン認識の基本目的
は、あらゆる分野にわたって一定である。

【０００４】監視パターン認識においては、トレーニングセットと呼ばれる公知のクラスの
２つ以上のサンプル、およびテストサンプルと呼ばれる未知のクラスのサンプル
が与えられ、測定値またはテストサンプルの値を、対応するトレーニングセット
の測定値と比較し、十分な類似性が存在するかどうかを決定して、テストサンプ
ルがトレーニングセットと同じクラス内に存在するとして論ずる。

【０００５】他方、非監視パターン認識において、サンプルはデータセット内のサンプル間
の類似性の測定に基づいてクラスに分類され、この場合、任意のデータのクラス
の帰属関係の任意の前指定を行うことはない。

【０００６】米国特許第５，００３，９７９号は、磁気共鳴像（ＭＲＩ）技術を用いて胸部
組織における病巣を検出および表示するシステムを記載する。記載された１例に
おいて、所与の領域に対して３つの異なったタイプの画像が取得され、その後、
画像のピクセルは、これらの強度パターンを、脂肪、嚢胞または癌などの純組織
タイプに関する公知のパターンと比較することによって分類される。この特許は
、３つの特定のタイプの画像が、胸部の脂肪、嚢胞、癌および線維腺腫のＭＲ画
像を統計的に分離するのに適切であることを示す。

【０００７】出願人は、患者の組織強度のパターンを異なった組織タイプに関する基準パタ
ーンの汎用セットと比較することは、多くのケースにおいて十分な精度の結果を
もたらさないことを見出した。基本的な問題は、パターンの汎用セットをすべて
の患者に適用するには、患者によって、およびＭＲＩ装置によってあまりにも多
くの異なったパターンが存在することであると思われる。このために、基準パタ
ーンの使用は、生検等のより確かな診断技術を用いた試験を行なわないために必
要とされるだけの高い程度の信頼性をもたらさない。このために、ＭＲＩに基づ
く癌診断は、まだ広く受入れられるに至っていない。癌治療において頻繁に起こ
る問題は、原発腫瘍が患者の体内の他の場所に広がり、その部位で転移として公
知のいわゆる二次腫瘍を生成したのはいつかを検出することである。ＭＲＩまた
は他の画像技術を用いて転移の識別を検出および修正することは、しばしば複雑
であり、これは、病期分類中に発見された遠隔病巣は、転移または偶然良性病巣
の発見のいずれかを表し得るという事実によるものである。多くの良性の病巣（
肝性の血管腫および非機能性腎傍腺腫等）は、一般の人々に起こるのと同じくら
い、公知の原発腫瘍を有する患者にも頻繁に生じる。

【０００８】このジレンマを解決することは、さらなる画像化または生検を必要とするが、
しばしば重要な不確実性が残る。病巣が脳または縦隔胸膜にある場合、または患
者が障害性うっ血を有する場合、生検は、患者に実質的なリスクにさらし得る。
生検が患者に重大なリスクを提示しない場合であっても、生検は椎骨髄における
限局性病巣のサンプル採取等、技術的に困難であり得る。

【０００９】（発明の要旨）自動閾値決定を設定し、これをテストサンプルに適用する方法が提供される。
類似画像を表示する方法も提供される。

【００１０】本発明の主要な内容により、データは調査されるべき対象物から収集される。
収集されたデータは、複数の個別データ要素から構成されるデータセットに形成
される。データ要素は、調査中の対象物における対応する位置を表し、それぞれ
のデータ要素に対して１つ以上の特性が収集される。このセット内のデータの一
部は、監視セグメント化技術または非監視セグメント化技術を用いて、複数のク
ラスにセグメント化される。

【００１１】初期のセグメント化が行なわれた後、結果として生じたクラスのうちの１つ以
上が選択される。選択されたこの関心のあるクラスの中のトレーニングデータセ
ットが生成される。許容閾値はトレーニングセットの特性に基づいて自動的に生
成される。この自動閾値を基準として用いて、対象物のすべてのデータ要素が分
類される。定義により、トレーニングセットにないデータ要素はテストサンプル
に指定される。テストサンプルは、トレーニングセット内のデータと比較される
。テストサンプルがトレーニングセットと非常に類似し、自動閾値以下の距離値
を有する場合、テストサンプルはトレーニングセットと同じクラスに属すると判
定される。テストサンプルが自動閾値を上回る距離値を有する場合、このテスト
サンプルは、トレーニングセットと同じクラスに属さないと判定される。自動閾
値はカスタム生成数であり、それぞれのトレーニングセットに関する様々な値を
有し、従って対象物内または患者体内のデータ要素のサブセットを特徴付ける。
従って、自動閾値はそれぞれの個別の患者自身の医療上の特性および身体的特性
に対してカスタマイズされるので、この閾値はデータの解析を改善する。

【００１２】１つ以上のクラスが生成され得、これはトレーニングセットに類似であるが、
トレーニングセットと同じクラス内であると考えるほどには十分に類似していな
いテストサンプルを含む。１つ以上の新しいクラスは、テストサンプルの範囲を
含み得、そのうちの一部は他のテストサンプルよりもトレーニングセットに類似
する。新しいクラスは、これらのデータ要素が有するトレーニングセットとの類
似性を示すように、およびテストサンプルとトレーニングセットとの類似性の関
係の範囲を表示するように表示される。

【００１３】本発明の１実施形態により、テストサンプルのトレーニングセットとの類似性
の値はカラースケール上に表示される。トレーニングセットと最も類似する値を
有するすべてのテストサンプルは１色で描写される。従って、トレーニングセッ
トに最も類似する次の値を有するすべてのテストサンプルは、テストサンプルの
最も類似するセットに割当てられた色とは異なる第２の色で描写される。所望な
らば、類似値のこの多色表示は、複数の異なった類似のレベルを描写するのに用
いられ得る。画像は磁気共鳴像（ＭＲＩ）を用いて生成され、これは様々なパ
ルスシーケンスおよび様々なタイプのパルスを含む。画像はピクセルのアレイか
ら構成されるモニタ上に表示される。ディスプレイ上で、関心のある領域はピク
セルのセットとして特定の位置に現れる。ディスプレイをガイドとして用いると
、ユーザは、より多くの詳細を用いて調査されるべき関心のある領域を選択する
。関心のある領域内の組織の最初のセグメント化は画像装置から引出されたデー
タに関して実行され、その領域における鮮明な組織の数を決定する。最初のセグ
メント化が行なわれた後、ユーザは関心のある領域内の１つ以上の組織のクラス
を選択し、さらに詳しく試験する。トレーニングセットは関心のある領域内で選
択されたそれぞれの組織クラスに対して生成される。トレーニングセット内のデ
ータ要素間の類似性は、トレーニングサンプル間の最大隣接距離を用いて決定さ
れる。これによって分類閾値が設定され、この分類閾値は、トレーニングセット
と同じクラスにあると考えられるテストサンプルの最大距離に関する第１の閾値
としてセットされる。トレーニングセットにおけるそれぞれのテストサンプルと
その隣接サンプルとの間の距離が決定される。テストサンプルの距離が分類閾値
距離以下であるとき、テストサンプルはトレーニングセットと同じクラスの構成
要素として受取られる。

【００１４】本発明の別の実施形態によって、患者固有の閾値パラメータを適用する方法が
提供される。この方法はＭＲＩ装置を用いて画像データセットを生成し、トレー
ニングセットおよびテストセットを生成することを含む。上述のように、トレー
ニングセットおよびそれぞれのテストサンプルにおけるピクセル間の類似性の程
度を測定することは、ピクセルを表示クラスにおいて封入する閾値距離を決定し
、その後、分類閾値距離を動的に変化させる。

【００１５】前述の実施形態の別の局面によって、この方法は、ピクセルの表示クラスと関
連付けられた画像を表示し、関心のあるクラスにおけるデータ要素の数を変更す
る閾値を動的に変化させることによって画像の表示を変更することを含む。閾値
の動的変化から生じるディスプレイは、それぞれの閾値が変化した後リフレッシ
ュ、すなわち「リアルタイム」で表示され得、この「リアルタイム」の表示は閾
値が変更されるとディスプレイが変化することを意味する。

【００１６】本発明は、１例としてＭＲＩからのデータと関連する１実施形態において説明
される。本発明は、ＮＭＲ、Ｘ線、コンピュータ断層撮影（ＣＡＴ）走査、プロ
トン射出断層撮影法（ＰＥＴ）走査、核造影法、および２つ以上の技術による他
のタイプのデータまたはデータの組合せ等の許容される技術によって収集された
任意の画像データの表示に対して適用され得る。

【００１７】（本発明の詳細な説明）図１は、米国特許第５，６４４，２３２号に記載されるセンサおよびデータ収
集デバイスである。本発明の原理に従って解析を行なうためにデータが収集され
得る１技術を図示する。

【００１８】磁気共鳴画像法の詳細は「ＭａｇｎｅｔｉｃＲｅｓｏｎａｎｃｅＩｍａｇ
ｉｎｇＵｓｉｎｇＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ」という名称の
米国特許第５，３１１，１３１号、「ＱｕａｎｔｉｔａｔｉｏｎａｎｄＳｔ
ａｎｄａｒｄｉｚａｔｉｏｎｏｆＭａｇｎｅｔｉｃＲｅｓｏｎａｎｃｅ
Ｍｅａｓｕｒｅｍｅｎｔｓ」という名称の米国特許第５，６４４，２３２号、お
よび「ＱｕａｎｔｉｔａｔｉｏｎａｎｄＳｔａｎｄａｒｄｉｚａｔｉｏｎ
ｏｆＭａｇｎｅｔｉｃＲｅｓｏｎａｎｃｅＭｅａｓｕｒｅｍｅｎｔｓ」と
いう名称の米国特許第５，８１８，２３１号に記載される。上述の３つの特許は
参考のため、その全体が本明細書中で援用される。これらの３つの特許における
技術的説明は、本発明に関する１環境の背景説明を提供し、本発明を理解するた
めに有益である。

【００１９】パターン認識はいくつかの学問分野において利用され、本発明について説明さ
れるような閾値化の応用は、これらのすべての分野に適切である。一般性を失う
ことなく、簡略化するために、すべての例および説明は磁気共鳴画像法（ＭＲＩ
）の分野に限定される。特に関心が高いのは、磁気共鳴画像の範囲内で、腫瘍な
どの類似の病巣を検出する際にパターン認識技術を応用することである。従って
、ＭＲＩのプロセスに関するさらなる背景、およびＭＲＩを用いる腫瘍の検出は本発明を理解するのに有益である。

【００２０】磁気共鳴（ＭＲ）は、普及した解析方法であり、化学、物理学、生物学および
薬学において日常的に用いられる。核磁気共鳴（ＮＭＲ）は、化学構造および純
度を判定するために日常的に用いられる化学分析技術である。ＮＭＲの場合、単
一サンプルが装置に挿入され、典型的な、多変化の化学スペクトルが取得される
。磁気共鳴法は化学／物理スペクトルの試験手段にすぎなかったが、画像技術、
すなわちＭＲＩに発展した。このＭＲＩは、細胞、分離された臓器、および身体
の組織系（ｌｉｖｉｎｇｓｙｓｔｅｍ）における複合的な生物学的プロセスを
非観血的方法で評価するのに用いられ得る。ＭＲＩにおいて、サンプルデータは
ピクセルと呼ばれる個々の画素によって表わされ、所与の画像内に複数のサンプ
ルが存在する。

【００２１】磁気共鳴画像法は、検体における物質を画像化するために強い磁場を利用する
。ＭＲＩは、良性腫瘍または悪性腫瘍の位置を突止め、かつ識別することを含む
、体内器官および組織が、非観血的評価を行う医療分野において広範に用いられ
る。

【００２２】図１において示されるように、患者２０は、通常、ＭＲスキャナを有する筐体
１２内に配置される。この筺体は、大型の環状磁石２２であり、患者を受け入れ
るのに十分な大きさの内径を有する。磁石２２は、患者の身体２０の長手方向の
軸に沿って静的磁場を生成する。磁場は、プロトン等の荷電要素を歳差運動また
はスピンさせる。患者の組織内でスピンするプロトンは、好適には、静的磁場の
方向に沿って整列する。高周波電磁パルスが付与されると、新しい一時的な磁場
が生成される。次に、プロトンのスピンは、好適には、新しい一時的な磁場の方
向に整列する。一時的な磁場が除去されると、プロトンのスピンは静的磁場の方
向に整列するようにもとの状態に戻る。プロトンの運動は信号を生成し、この信
号はスキャナと関連付けられたアンテナ２４によって検出される。さらなる磁気
勾配を用いて、位置情報が取出され得、プロトンによって生成された信号の強度
は２次元または３次元の画像に再構築され得る。

【００２３】プロトンのスピンがもとの静的磁場によって再び整列する（緩和と呼ばれる）
ことは、２つの軸に沿って測定される。より具体的には、プロトンには長手方向
の緩和（Ｔ₁）および横方向の緩和（Ｔ₂）を受ける。異なった組織に異なった比
率の緩和が行われるので、その差異は異なった内部構造間の対照、および正常組
織と異常組織との対照を生成する。従って、信号の強度は、プロトンの数の組合
せ、すなわち組織の特性Ｔ₁およびＴ₂の組合せと比例する。プロトン密度重み付
き画像（ｐｒｏｔｏｎｄｅｎｓｉｔｙｗｅｉｇｈｔｅｄｉｍａｇｅ）は、
通常、異なった組織間のプロトンの数の差異を強調し、Ｔ₁重み付き画像は、通
常、異なった組織間におけるＴ₁緩和時間の差異を強調する。同様に、Ｔ₂重み付
き画像は、異なった組織間のＴ₂緩和時間における差異を強調する。ＭＲスキャ
ナのパラメータを操作することによって、操作者はＴ₁緩和またはＴ₂緩和（すな
わちＴ₁−重み付き画像およびＴ₂−重み付き画像）またはプロトン密度によって
支配された画像を生成し得る。Ｔ₁、Ｔ₂およびプロトン密度に加えて、シーケン
ス選択における変形は、化学シフト、プロトンバルク運動、拡散係数、およびＭ
Ｒを用いた磁気感度の測定を可能にする。コンピュータ誘導式組織セグメント化
のために取得された情報は、以下のような特徴も含み得る。すなわち、スピンエ
コー（ＳＥ）シーケンス、２つの高速スピンエコー（ＦＳＥ）２重エコーシーケ
ンス、および高速誘導反転回復（ｆａｓｔｓｔｉｍｕｌａｔｅｄｉｎｖｅｒ
ｓｉｏｎｒｅｃｏｖｅｒｙ）（ＦＳＴＩＲ）または画像装置を安全に使用する
ために承認された任意のシーケンスの変形である。造影剤は、被験者に対して投
与され得る薬剤である。これが投与された場合、造影剤は、通常、人体の様々な
画分に時間をかけて配分され、ユーザが理解できるようにいくつかの程度に強化
された画像を提供する。これに加えて、プレコントラストシーケンスデータおよ
びポストコントラストシーケンスデータが取得された。他の実施形態において、
Ｔ１、Ｔ２、プロトン密度および４つのエコーシーケンスが取得された。任意の
許容できるデータ取得法、シーケンス、およびこれらのシーケンスの組合せは、
本発明に従ってデータを収集するのに用いられ得る。従って、複数のシーケンス
を用いることによって、多変量画像データが取得され得る。それぞれのピクセル
は１つのサンプルと考えられ得、異なったシーケンスを用いて同じ身体位置を画
像化することによって、それぞれのシーケンスはサンプルに関する新しい測定値
を生成する。

【００２４】考慮中のそれぞれのデータ要素は１つ以上の特性を有し、これは、データ要素
が表わす対象物の対応する部分を表わす。これらの特性のそれぞれは数値を有す
る。例えば、取得された画像がＭＲＩ画像である場合、それぞれのデータ要素の
特性は、長手方向の緩和ファクターＴ１、または横方向の緩和Ｔ２、重みつけＴ
１画像または重みつけＴ２画像、プロトン密度空間、または他のパラメータ等を
含み得、これらは、通常、当該分野において公知のようにＭＲＩで測定される。
従って、公知のそれぞれのデータ要素は、データ要素の表現を提供するそれぞれ
の特性と関係付けられた数値を有する。従って、それぞれのデータ要素は、いく
つかの異なった数によって表わされ、１つの数は格納された特性のそれぞれを表
わす。従って、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、その位置に対応する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、パラメータのそれぞれの１つは、ユークリッド幾何領域におけ
る対象物の位置に関する次元の１つを表わす。それぞれのデータ要素に対して対
象物の２つの特性が格納される場合、この領域は２次元ユークリッド平面になる
。３つのパラメータが格納される場合、データ要素は３次元ユークリッド領域に
おける位置にあると考えられ得る。同様に、４つの物理パラメータが表わされる
場合、対象物は４次元ユークリッド領域における位置にあると考えられ得る。従
って、それぞれのデータ要素は、多次元ユークリッド領域内の位置を有する。

【００２５】試験されるべき対象物、この場合患者の身体２０が図１において示される。試
験中の人体２０のスライス２６は走査され、データが収集される。コンピュータ
１４による制御の下で、データは収集され、整理され、信号処理モジュール１８
に格納される。データが収集および格納されると、ディスプレイ１５はそのデー
タを表示し得る。ディスプレイは、ユーザにインターフェースも提供し、システ
ムと双方向通信し、システムを制御する。電源１６はシステムに電源を供給する
。

【００２６】ＭＲＩを用いて腫瘍の組織の位置を突止めるための現在公知の臨床標準規格は
、疑わしい病巣に関する画像が熟練した放射線専門医によって解読されることを
含む。放射線専門医は、解剖学的異常を検出し、差別的診断を明確に示し、これ
らの発見された異常を説明する技能を有する。残念ながら、磁気共鳴により生成
された大量の情報のうちのほんのわずかのみが日常的に使用可能である。なぜな
ら、人の視覚系は、データの複雑性および量を相関させることができないからで
ある。具体的な問題は、放射線専門医が特定の組織の位置に関して臨床上の問に
正確に答えようとしても、専門医が画像から目で十分な情報を抽出し得ることは
めったにない。なぜなら、組織は非常に複雑であり、従って提供された画像を完
全にセグメント化することが困難だからである。この問題は単一の画像化セッシ
ョン中に多くの異なったタイプの画像を生成するＭＲＩにとって複雑になる。

【００２７】ＭＲＩ試験によって生成されたすべての情報を用いるために、放射線専門医は
異なったＭＲスキャナセッティングを用いて生成されたいくつかの画像を同時に
見て、数百万のデータの中に同時に存在する複合的関係を理解する必要がある。
人の視覚系のみでは、すべての情報を見ることはできず、まして処理する能力は
ない。その結果、従来のＭＲＩ調査により生成された多くの情報は無駄になる。
その結果、既存のＭＲＩ情報をより多く効率的に利用し、異なった種々の組織を
より精確に分け、それによって医療画像の解読から引出された結論の信頼度を向
上する必要性が高くなる。腫瘍の位置および範囲（病期分類と呼ばれるプロセス
）の適切な判定は、治療の進め方を決定し、回復の可能性に影響を与え得るので
、精確な病期分類は患者の管理を適切にするために重要である。

【００２８】診断決定を下す放射線専門医を支援するために、および磁気共鳴（ＭＲ）デー
タの解析と関連付けられた時間および経費を低減するために、コンピュータ化さ
れたＭＲベースの組織セグメント化法が開発された。この場合、セグメント化は
パターン認識技術の画像認識における特定の応用と関係し、これらの画像解析の
一部は３つの特許において記載されており、これらを参考のため援用する。従来
の技術のＭＲベースの組織セグメント化法の目的は、ＭＲ画像内のピクセルを異
なった組織タイプに分けることである。ＭＲベースのセグメント化法の成功は、
ＭＲＩによって提供されたすべてのデジタル情報をコンピュータが迅速および正
確に相互に関係させることである。

【００２９】監視セグメント化法における試みはＭＲＩ画像の解析においてなされたが、限
定された成功だった。トレーニングサンプルは、通常、それぞれの関心のある組
織に関する画像セットにおける少しのピクセルまたは隣接領域に有資格の観察者
が手動でラベル表示することによって取得される。複数の組織またはクラスはモ
デル化され、所与の試験サンプルに関して、疑わしいクラスに対する試験サンプ
ルの類似性を示すモデル化されたクラスのそれぞれに関して値が計算される。試
験サンプルは、その後、最も類似していると考えられるモデル化されたクラスに
割当てられる。画像セット内のすべてのクラスがモデル化されなかった場合、こ
のアプローチに関する明らかな問題が生じる。所与のピクセルがモデル化されて
いないクラスに属する場合、現在の監視セグメント化技術を利用すると、モデル
化されたクラスの１つに誤って割当てられる。

【００３０】本発明は、ＭＲＩベースの監視セグメント化法を提供し、この方法は腫瘍等の
関心のある組織を、画像セット内のすべての組織のモデル化を必要とすることな
く、自動的におよび精確に識別することを可能にする。

【００３１】本発明に関するデータを分類する１つの方法は図２において示される。図２に
おいて示されるように、データ３０が取得される。データは、任意の許容される
技術およびプロトコルを用いて収集され得る。先に述べたように、データは図１
において示されたように、従来技術のＭＲＩシステムを用いて収集され得る。あ
るいは、データを取得および格納するための他のシステムが用いられ得る。例え
ば、ＮＭＲまたは他の医療技術が用いられ得る。本発明は、上述の他の分野にお
いても用いられ得る。従って、本発明は、データを取得および格納するのに用い
られる特定の取得プロトコルおよび機器とは関係がない。データがひとたび格納
されると、ブロック３０において示されるように、本発明の原理に従って処理さ
れる準備が整う。

【００３２】次のステップに進むために、ユーザ、通常、医療技術者または医師はデータか
ら画像を取得する。ユーザは画像上で関心のある領域を選択し、この領域に対し
てさらなる試験が所望される（ステップ３８）。この関心のある領域はコンピュ
ータマウスを用いて、公知の腫瘍の場所を含む対象となる場所の周りにボックス
を形成してスクリーン上に表示され得るか、ユーザが関心のある領域を表示し得
る任意の他の技術が用いられる。通常、ユーザは、２つ以上のタイプの組織を含
む関心のある領域を示す。従って、関心のある領域における組織のタイプを表わ
すクラスにデータ要素を分けることが必要である。

【００３３】関心のある領域内の組織は、ステップ４０において示されるように自動的にク
ラスタ形成され、データ要素は組織のタイプを反映するクラスに分けられる。関
心のある領域がかなり小さく、特殊である場合、関心のある領域内には２、３の
タイプの組織のみが存在し得る。あるいは、関心のある領域内に５つ以上のタイ
プの組織が存在し得る。自動クラスタ形成は、指定された関心のある領域内で発
見された異なったタイプの組織のセグメント化を提供する。

【００３４】自動クラスタ形成が行われた後、（次のステップ４２）誘導組織選択が行われ
る。ユーザは、本発明に従って次に説明されるように誘導組織選択を行う。組織
のクラスタ形成が行われた後、ユーザは１つ以上のクラスタを選択する。このク
ラスタ形成は、さらに調査するための関心のある領域の組織のタイプを表わす。
本発明の標準的な使用において、選択された組織のタイプは、通常、悪性と疑わ
れる腫瘍である。いくつかの用途において、腫瘍は予め悪性であることが確認さ
れ得、腫瘍の正確な形状、および癌が初期腫瘍の境界の外側へ広がったかどうか
を知ることが所望される。癌が身体の他の部分に存在するかどうかを知ることも
所望される。それぞれの選択されたクラスタに関して、トレーニングサンプルの
それぞれの対応するセット内に含まれる情報を用いて、自動分類閾値が計算され
る。

【００３５】ステップ４４において、特定の組織セグメント化が行われる。自動分類閾値は
ステップ４４において適用され、次に、テストセットにおけるそれらのデータ要
素の表示を提供することが所望される。テストセットにおけるそのデータ要素は
トレーニングセットと十分に類似している。画像データの場合、現在の分類閾値
でトレーニングセットと十分に類似していると考えられるサンプルまたはピクセ
ルは同じクラス内にあると考えられる。セグメント化された最後の画像はその後
表示される（ステップ３４）。

【００３６】ステップ４２およびステップ４４は、本発明にとって特に重要であり、図３お
よび図４においてより詳細に説明される。これらの図は、自動分類閾値、この分
類閾値の動的改変、および類似データを用いた画像の生成に関し、従って非常に
詳しく述べられる。

【００３７】図２は、ここで説明された発明の概観を提供する。それぞれのステップに関す
る特定の詳細の一部が提供される。ステップ４０において、自動クラスタ形成が
以下のようにより詳細に説明される。

【００３８】対象となるそれぞれの体積要素（ボクセル）の組織は、画像におけるピクセル
データとして表わされる。従って、画像における単一ピクセルの表示特性は、Ｍ
ＲＩ機器によって画像化された対応するボクセルの特性を表わす。

【００３９】１つのデータ要素は、２つの特性のそれぞれにおいて、３つの特性のそれぞれ
において、または４つ以上の特性のそれぞれにおいて数値を有する。数値はそれ
ぞれのデータ要素をユークリッド幾何における位置に配置する。このユークリッ
ド幾何は、２次元、３次元、４以上の次元から構成され、１つの次元はそれぞれ
の数値に対して用いられる。従って、データ要素の位置は、多変量空間にあるこ
とが公知であり得る。データ要素は、多変量空間における同じ通常の位置にあり
、互いに非常に類似する特性を有する内容を含むボクセルを表わす。すなわち、
別個のボクセルを占める２つの極めて類似するか、または同一の組織に関して、
それらのボクセルを表わすすべての対応するピクセルデータ要素は、多変量空間
において極めて類似するか、または同一の数値スコアを有し、従って、ユークリ
ッド幾何で測定された場合、互いに極めて類似していると考えられる。

【００４０】クラスタ解析の目的は、これらのサンプルについて行なわれた測定に基づいて
サンプルのセット内の任意の固有の構造を明らかにすることである。この際、多
変量測定空間におけるこれらのサンプルの近似に基づいて、サンプルは共にクラ
スタに分類され、所与のクラスタにおけるサンプルは高度な類似性を示す。ＭＲ
Ｉの場合、異なったそれぞれのクラスタは、通常、異なった組織タイプを表す。
従って、この組織タイプは、異なった信号強度特性を有する。１実施形態におい
て、ファジーＣ手段（Ｃ−ｍｅａｎｓ）アルゴリズムが実行される。ファジーＣ
手段アルゴリズムの主要概念は、それぞれのサンプルがクラスタのそれぞれにお
ける帰属関係の変化の程度を示す。１に近い帰属関係値は、サンプルとクラスタ
との間の高度な類似性を示し、０に近い帰属関係値は、当該のサンプルとクラス
タとの間のわずかな類似性を示す。ファジーＣ手段アルゴリズムは、部分ボリュ
ーミング効果（ｐａｒｔｉａｌｖｏｌｕｍｉｎｇｅｆｆｅｃｔｓ）を明白に
モデル化する能力を有するので、ＭＲＩデータの解析において価値が高いことが
証明された。

【００４１】数学的には、ファジーＣ手段アルゴリズムは以下のように要約され得る。ＭＲ
Ｉ試験の経過において収集されたデータは４次元アレイ

【００４２】

【数１】に整理される。この場合、Ｉはアレイ内の行の数を、Ｊは列の数を、ＫはＭＲＩ
データシーケンスの数を、およびＬは試験におけるスライスの数を示す。特定の
アレイ要素に関する強度値ｆ_ijklは行−列−シーケンス−スライスアドレスを指
定することによってアクセスされ得、この場合、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ＭＲＩデータシーケンスの指数であり、ｌ＝１，．．．Ｌはスライス数の
指数である。この４次元フィーチャーアレイの要素は、他の有用なデータ構造を
形成するために抽出され得る。行ｉ、列ｊおよびスライスの数ｌに配置される所
与のピクセルに関して、サンプルベクトルはＫ個の測定されたシーケンスの値か
ら構成される。すなわち

【００４３】

【数２】である。行によって整理されたＮ個のサンプルベクトルの収集は、マトリクス

【００４４】

【数３】で表されるサンプルセットを形成する。Ｃ個のクラスタを含むＮ個のサンプルベ
クトルのセット

【００４５】

【数４】に関して、ファジーＣ手段アルゴリズムは、データセットのファジーＣ分割

【００４６】

【数５】およびＣプロトタイプのセット

【００４７】

【数６】に関する以下の目的関数の最小化に基づく。

【００４８】

【数７】この場合、

【００４９】

【数８】はｎ番目のＫ次元サンプルベクトルであり、

【００５０】

【数９】はｃ番目のクラスタの重心であり、ｕ_cnはｃ番目のクラスタにおける

【００５１】

【数１０】の帰属関係の程度であり、ｑは１よりも大きい実数であり、

【００５２】

【数１１】は

【００５３】

【数１２】との距離である。重み付けべき指数ｑは、結果として生じたクラスタのファジー
性を制御する。ファジー分割行列

【００５４】

【数１３】は、それぞれのクラスタに関するそれぞれのサンプルの帰属関係値を含む。Ｃ個
のクラスタの重心はクラスタ重心マトリクス

【００５５】

【数１４】に集められる。サンプル

【００５６】

【数１５】とクラスタの重心

【００５７】

【数１６】との間の距離は、

【００５８】

【数１７】のように計算される。

【００５９】サンプルセット

【００６０】

【数１８】の最適なファジークラスター形成は、ファジー分割マトリクス−ファジークラス
ターの重心の対

【００６１】

【数１９】とに定義され、この対はファジー関数Ｊ_qを局所的に最小化する。最適化は、以
下のステップの繰返しによって達成される。

【００６２】（１）ファジー分割マトリクス

【００６３】

【数２０】を乱数発生を用いて以下のように初期化する。

【００６４】

【数２１】（２）ｃ＝１，．．．，Ｃの場合のファジーの重心

【００６５】

【数２２】を計算する。

【００６６】

【数２３】（３）更新された帰属関係マトリクス

【００６７】

【数２４】を以下の式によって計算する。

【００６８】

【数２５】（４）２回の逐次反復の間にＪ_qの減少が、所定の閾値よりも少なくなるまで
、または反復回数が許容限度を越えるまでステップ（２）およびステップ（３）
を繰返す。

【００６９】クラスタ形成の実用的実施における問題は、選択された関心のある領域内の明
確な群または組織タイプの数を決定することを含む。クラスタ形成の結果として
、および、従って、分類は用いられたクラスタの数に依存し、正確な自動化され
た方法が実施され、この選択を行なうユーザを支援することは強制的である。１
実施形態において、Ｘｉｅ−Ｂｅｎｉファジー妥当性基準は、クラスタの数を自
動的に選択するために実施される。Ｘｉｅ−Ｂｅｎｉファジー妥当性基準は、デ
ータ固有の群の数について仮定することなく、全体的に小型で別個のファジーＣ
分割を識別する。サンプルベクトルＮのセット

【００７０】

【数２６】およびクラスタＣの所与の数に関しては、Ｘｉｅ−Ｂｅｎｉ指数が以下のように
計算され、

【００７１】

【数２７】この場合、ｄ_minはクラスタ重心間の最小距離である。Ｘｉｅ−Ｂｅｎｉ指数の
分子は、一定量のクラスターコンパクトであり、分母はクラスタ間の分離度の表
示である。より小さいＸｉｅ−Ｂｅｎｉ指数は、すべてのクラスタが全体的に小
型で別個である分割を表す。クラスタの最適な数は、クラスタ数の範囲に関する
Ｘｉｅ−Ｂｅｎｉ指数を計算し、Ｓが最小になるようなＣ値を選択することによ
って決定される。従って、クラスタの群はピクセルの群として表され、全て、共
にクラスタ形成される。通常、それぞれのクラスタは、それぞれのピクセルのク
ラスタによって表されるそれぞれの組織タイプの差異に基いて、少しの距離だけ
他のクラスタから互いに分離される。

【００７２】関心のあるクラスタは、その後、さらなる試験のために選択される。

【００７３】Ｘｉｅ−Ｂｅｎｉファジー妥当性基準は当該分野において周知であり、公表さ
れており、例えば、Ｘ．Ｌ．ＸｉｅａｎｄＧ．Ｂｅｎｉらの「ＩＥＥＥＴ
ｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄ
ＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ」Ｖｏｌｕｍｅ１３、８４１〜８４
７ページ（１９９１）を参照すること。

【００７４】図３において示されるように、ユーザは、その後、本発明に従って、次により
詳細に説明されるように、ステップ４２において誘導組織選択を実行する。組織
のクラスタ形成が行なわれた後、ユーザはさらなる試験のために特に関心のある
１つ以上の組織のタイプを選択する。本発明の標準的使用において、選択された
クラスタは、通常、腫瘍である。一部の患者において、病巣が腫瘍であることが
予め確認され得、その腫瘍の正確な形状、および癌が初期腫瘍の境界の外側へ広
がったかどうかを知ることが所望される。癌が身体の他の部分に存在するかどう
かを知ることも所望される。

【００７５】本発明により、組織のクラス５０から行なわれる選択は、前のステップ４０に
おいてクラスタ形成することによって、さらなる試験が所望される特定の組織と
して分類される。本例において、腫瘍はステップ５０において選択されることが
想定される。ステップ５０において特定の組織が選択された後、個別データ要素
のトレーニングセットはステップ５２において生成され、このトレーニングセッ
トは、さらなる精査および試験が所望される選択された組織のタイプを表す。

【００７６】トレーニングセットを指定する工程において、目的は他の組織をあらわすデー
タ要素を除外する一方で関心のある組織を表すデータ要素を取込むことである。
トレーニングセットは、その後、関心のある領域内および関心のある領域外にあ
るデータ要素のどれがトレーニングセット内にあるものと類似するのかを決定す
るのに用いられる。

【００７７】いくつかの実施形態において、格納されたデータにおけるデータ要素は、ディ
スプレイ内のピクセルと１対１の通信を行なう。他の実施形態において、ディス
プレイのそれぞれのタイプおよび他のファクターの画像解像度に依存して、デー
タ要素は複数のピクセルによって表され得るか、または複数のピクセルはデータ
要素によって表され得る。

【００７８】１実施形態において、ファジーＣ手段クラスタ形成アルゴリズムを介して取得
されたファジー分割マトリクス

【００７９】

【数２８】を用いて、クラスターサンプルのフルセットからトレーニングサンプルのセット
が選択される。最初に、選択されたクラスタｃに関する最大帰属関係値を有する
クラスターサンプルが識別される。次に、このサブセット内のそれぞれのサンプ
ルに関して、最大のファジー帰属関係値およびこれに次ぐ大きさのファジー帰属
関係値が計算される。この差異が特定のパーセンテージを越えた場合にのみ、レ
ベル（例えば９０％）はトレーニングセット内に取込まれるクラスターサンプル
である。このトレーニングサンプル選択手順は、関心のある組織（例えば、クラ
スタの重心

【００８０】

【数２９】に近いサンプル表すこれらのクラスターサンプルがトレーニングセットに含まれ
、アウトライアーはトレーニングセットに含まれないことを保証する。

【００８１】前のステップ４０において、関心のある領域内のそれぞれのデータ要素は最も
適合する特定のクラスに配置された。クラスのうちの１つが選択され、トレーニ
ングセットを生成する。このクラスが選択された後、このクラスからトレーニン
グセットが生成され、トレーニングセットにおけるデータ要素の数が細分（ｒｅ
ｆｉｎｅ）され、このクラスのコア特性を最もよく表すコア要素のみを表す。例
えば、選択されたクラスタに関する低ファジー帰属関係値（ｌｏｗｆｕｚｚｙ
ｍｅｍｂｅｒｓｈｉｐ）を有するこれらのデータ要素のすべてはトレーニング
セットから除去される。これらは、アウトライアーと呼ばれ得る。例えば、その
クラスタに対するデータ要素のファジー帰属関係値が任意の他のクラスタよりも
高いとき、データ要素は特定のクラスタ内に配置される。従って、データ要素は
、関心のある領域内の任意の他のクラスタよりもそのクラスタと最も近く関連付
けられるように規定される。しかしながら、トレーニングセットが特定のクラス
タに対して生成されると、トレーニングセット内に含まれるべきクラスタの中に
存在するデータ要素に対して閾値が設定される。特定のデータ要素に関するファ
ジー帰属関係値が許容閾値より下方に低下する場合、この値は依然としてクラス
タの構成要素であるが、トレーニングセット内には含まれない。例えば、３つの
クラスタが存在し、それぞれのピクセルに対する３つのファジー帰属関係値の合
計が１．０であるケースが考えられる。所与のクラスタに対するファジー帰属関
係値は０〜１の範囲にわたる。従って、所与のデータ要素に対して、ファジー帰
属関係値のうちの１つが０．９または０．９５である場合、これは他の２つのフ
ァジー帰属関係値を表す。なぜなら、その特定のデータ要素は非常に低く、その
データ要素はクラスの強力な構成要素だからである。他方、すべてのファジー帰
属関係がほぼ等しい場合、ある１つのクラスまたは別のクラスにおける特定のデ
ータ要素の分類は非常に近く、これをトレーニングセットの構成要素として用い
るのは適切ではない。従って、選択されたクラスタに対するそのファジー帰属関
係値が閾値より下方に低下するすべてのデータエレメントはクラスから除去され
、トレーニングセット内に配置されない。１例において、閾値は０．７または代
替的に０．８であり得る。従って、閾値よりも高い、例えば、０．７〜０．８の
範囲にあるか、またはそれより高いファジー帰属関係値を有するデータ要素のみ
がトレーニングセットに含まれる。従って、トレーニングセットは、選択された
クラスを強く表す特性を有するデータ要素群を有して生成される。これらのデー
タ要素は、任意の他のクラスよりもより密接に関連付けられ得るが、クラスの強
力な構成要素ではなく、除去され、トレーニングセットの構成要素にはならない
。

【００８２】図３において示されるように、トレーニングセットが生成された後（ステップ
５２）、トレーニングセットに対して、その特定のトレーニングセットから明確
に識別される自動閾値が生成される（ステップ５３）。ステップ５３の自動閾値
は以下のように生成される。トレーニングセットのそれぞれの構成要素間の距離
、およびトレーニングセットの他のすべての構成要素が計算される。本明細書中
の他の場所で説明されたように、それぞれのデータ要素は多次元空間における位
置にあると考えられ得る。従って、ユークリッド幾何を用いて、データ要素間の
距離が計算され得る。ユークリッド場におけるデータ要素の位置はその特性と直
接的に関係付けられるので、トレーニング要素が互いにより近いほど、それらが
表す組織の物理的性質はより類似である。従って、データ要素間の距離を表す数
値は、データ要素を表す組織の特性の類似性を的確に決定する。データ要素間の
距離が小さい場合、すなわち、０または０に近い場合、組織は互いに非常に類似
すると決定される。他方、データ要素間の距離が大きい場合、データ要素が表す
組織の性質は互いに類似しない。

【００８３】トレーニングセットの任意の構成要素がトレーニングセットにおけるその隣接
する構成要素から離れる最大距離が自動閾値として設定される。すなわち、ステ
ップ５３において、それぞれのトレーニングセットデータ要素と、それに最も近
いトレーニングセット内のデータ要素との間の距離が決定される。その後、デー
タ要素の最も近い隣接ペアに対する最も大きい距離はカスタム閾値距離として選
択される。

【００８４】理解されるように、この自動閾値は本発明のステップによって生成され、生成
されるあらゆる単一のトレーニングセットごとに異なる。従って、これは自動閾
値と呼ばれる。なぜなら、あらゆる単一のデータ収集に対して計算が自動で行な
われ、閾値が異なるからである。この概念は、閾値はトレーニングセット内のデ
ータ要素の相互の類似性に基づくということである。トレーニングセットのすべ
ての構成要素が互いに非常に類似している場合、これに対応して、閾値は低い。
なぜなら、任意の２つの構成要素間の最大距離が小さいからである。他方、トレ
ーニングセットが互いに比較的異なるデータ要素から構成される場合、自動閾値
はより高くなる。従って、自動閾値は、計算されたように、トレーニングセット
内のデータ要素相互の関係を決定する。これはそれぞれの患者において試験され
るそれぞれの組織に関して計算されたカスタム数（ｃｕｓｔｏｍｎｕｍｂｅｒ
）であり、従って、患者の組織の個別の特徴をキャプチャする。その後、同一の
患者のものであるがトレーニングセット内にはないデータ要素もトレーニングセ
ットと同じクラス内に含まれているかどうかを決定するのにこの同じ関係が、用
いられる。

【００８５】自動閾値数は、それぞれの患者およびそれぞれの組織タイプごとに格納および
保存され、このそれぞれの組織タイプは、一人の患者ごとにトレーニングセット
が生成されるような組織タイプである。患者が別のＭＲＩを経験する場合、数ヶ
月または数年後であってもこれらのすべてのデータは利用可能である。この患者
についての所与のトレーニングセットのカスタム閾値数は、数ヶ月または数年後
に行なわれた任意の新しい測定値に対する比較基準として有用であり得る。これ
は、数年後に同じＭＲＩ装置によってか、または異なったＭＲＩ装置によって得
られたデータを補正し、その後正規化するのに用いられ得る。

【００８６】多くのＭＲ，ＮＭＲ、ＣＴ、ＰＥＴ、および現在使用中の他の画像化および非
画像化センサの装置によってデータ収集特性が異なることが公知である。さらに
、部品の使用年数、動作温度の変化、または他のファクターが機械に影響を及ぼ
すため、１つのセンサの特性は時間の経過とともに変化し得る。トレーニングセ
ットとして用いられるデータのそれぞれのセットに関するカスタム閾値を自動的
に計算する工程は、それぞれの機械、およびそれぞれの患者のそれぞれの組織サ
ンプルに対して自動補正を提供する。従って、次に続く組織の分類は、従来技術
において可能であったよりも、より確かな基準を有する。さらに、データおよび
カスタム閾値を保存することによって、これらのデータおよびカスタム閾値は、
後から同一の患者の後日試験と比較するのに用いられ得、治療期間にわたる改善
または変化を評価および数量化し得る。後に収集されるデータセットは、例えば
、その独自のカスタム閾値を生成し得、この閾値は前のカスタム閾値と比較され
得、より正確な結果が取得され得るかを理解するためか、または時間に伴う変化
をより明確に理解するために、新しいデータに対して前のカスタム閾値が用いら
れ得る。

【００８７】図３において示されるように、自動閾値が生成された場合、次のステップ５４
は、関心のある領域の外側のさらなる要素が同じクラスステップ５４内に含まれ
るか否かを決定する必要がある。これは、トレーニングセットのそれぞれの構成
要素間の距離を全アレイにおけるそれぞれのデータ要素と比較することによって
達成される（ステップ５４）。テストデータ要素と、トレーニングセットの構成
要素の任意の１つとの間の距離が自動閾値よりも少ない場合、そのデータ要素は
トレーニングセットクラスの構成要素として含まれる（ステップ５８）。

【００８８】比較はトレーニングセットのそれぞれの構成要素とトレーニングセットの外側
にあるそれぞれのデータ要素との間で行なわれる。好適には、ステップ３０にお
いてもとのデータ全部を構成するすべてのデータは比較され、選択された任意の
組織が関心のある領域の外側に配置されているか否か、および特に、選択された
任意の組織が人体の他の部分に位置するかどうかを決定する。

【００８９】公知の許容技術のいずれかは、データ要素のトレーニングセットを検討中の対
象物を表すデータ要素のテストセットと比較するのに用いられ得る。１つの特に
好ましい比較技術が要約され、その後、より詳細に説明され、他の技術でさえ用
いられ得る。

【００９０】トレーニングセットのそれぞれの構成要素と関連付けられた数値は、調査中の
対象物の他のすべてのデータと関連付けられた数値と比較される。データ要素の
数値は、調査中の対象物の物理的性質と関係するので、多次元ユークリッド場に
おけるその位置は対象物の物理的性質と関係する。トレーニングセットとテスト
セットとの比較において、多次元ユークリッド場内の２つのデータ要素が互いに
近いほど、これらのトレーニングセットとテストセットはより類似している。従
って、２つのデータ要素間の互いに対する距離が、データ要素によって表される
対象物の特性の類似性の正確なおよび確かな測定値になる。

【００９１】トレーニングセットにおけるデータ要素とテストサンプルデータ要素からの距
離は、テストサンプルデータ要素に対して類似を提供する数値として表わされ得
る。この類似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を表わす。
距離が小さいほど、データ要素は互いにより類似している。従って、距離０は、
これらのデータ要素が同一または同じクラスの構成要素であると考えられ得ると
いうよりも、データ要素が互いに非常に類似していることを示す。距離が離れる
ほど類似は少ない。用いられるスケーリングに依存して、数値距離値は、数１〜
１０等の単一のディジット数であり得る。あるいは、ディジット数が７〜１０等
の複数のディジットを有し得る。いくつかの実施形態に関して、距離数はデータ
セットにおける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測さ
れるので、距離値が取得された後、距離値を正規化するために対数値が取得され
得る。絶対距離値は、テストセットにおける他のデータ要素に関する距離と比較
された相対距離値、およびトレーニングデータセットにおける他の要素と比較さ
れたときのトレーニングデータ要素の距離ほどには重要でない。

【００９２】上述の概念は、本発明がどのように実行され得るかという例に関する数学的モ
デルによって説明される。この例において、ＭＲＩ試験の経過において収集され
たデータは４次元アレイ

【００９３】

【数３０】に整理され、この場合、Ｉはアレイ内の行の数を示し、Ｊは列の数、ＫはＭＲＩ
データシーケンスの数、およびＬは試験の範囲におけるスライスの数を示す。シ
ーケンスＫは組織セグメント化において利用される機能である。特定のアレイ要
素に関する強度値ｆ_ijklは、行−列−シーケンス−スライスアドレスを具体化す
ることによって評価され得、この場合、ｉ＝１，．．．，Ｉは行の位置を示す指
数であり、ｊ＝１，．．．，Ｊは列位置を示す指数であり、ｋ＝１，．．．，Ｋ
はＭＲＩデータシーケンスの指数であり、ｌ＝１，．．．，Ｌはスライスの数の
指数である。アレイにおけるそれぞれのデータ要素は、２次元、３次元、４次元
、５次元または他の多次元場における位置を占めるものと考えられ得る。このよ
うなデータ要素は、時々、ボクセルと呼ばれる。２次元画面イメージに関して、
それぞれの表示要素は、通常、ピクセルと呼ばれる。

【００９４】この４次元フィーチャーアレイの要素は抽出され、他の有用なデータ構造が形
成され得る。行ｉ、列ｊおよびスライスの数ｌに配置される所与のボクセルに関
して、サンプルはＫ個のシーケンスに関する値から構成される。

【００９５】

【数３１】行によって整理されたＮ個のボクセルサンプルの収集は、行列

【００９６】

【数３２】によって表されるサンプルセットを形成する。

【００９７】自動分類閾値は、上述のように、ステップ４２におけるトレーニングセットサ
ンプル内に含まれる情報を用いて設定される。この自動分類閾値は、関心の対象
となるクラスの構成要素と考えられるべきトレーニングセットと十分類似してい
るのはどのテストサンプルかを決定するために、初期カットオフレベルをセット
する。１実施形態において、「十分に近接する隣接要素（ｎｅｉｇｈｂｏｒ）」
（ＮＥＮ）基準は、分類閾値を設定するために利用される。ＮＥＮ基準は、トレ
ーニングセットサンプル内の最隣接距離の最大値に基いて分類閾値を決定する。
テストサンプルの最隣接距離値は、この自動分類閾値と比較され、関心の対象と
なるクラスの構成要素と考えられるべきトレーニングセットと十分に類似するの
はこれらのテストサンプルのどれかを決定する。

【００９８】図４および図６Ａにおいて示されるように、類似値は計算および表示されるが
、いくつかの実施形態において、次に説明されるように、予めいくつかのクラス
タ形成および選択を行なうことが好ましい。それぞれのボクセルに関して、セグ
メント化はそれぞれの特定のクラスに関する類似値を計算することによって開始
される。所与のクラスに関して、セグメント化の出力は３次元類似アレイ

【００９９】

【数３３】であり、それぞれのボクセル位置（ｉ，ｊ，ｌ）において類似値を含む。

【０１００】ＭＲのセグメント化の１つの実施において、ユーザは、単一組織クラスを表す
ボクセルサンプル

【０１０１】

【数３４】のセットを指定する。これらのトレーニングサンプルを識別して、監視セグメン
ト化は最隣接法を利用して行なわれる。古典的な単一最隣接法は、このステージ
において用いられ得、この方法は、非パラメトリック規則であり、Ｇｏｓｅらの
公報（１９９６年）において記載されるように、トレーニングセットにおける最
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
。テストサンプル

【０１０２】

【数３５】とトレーニングサンプル

【０１０３】

【数３６】との類似性は、Ｋ次元フィーチャ空間におけるこれらのサンプルのユークリッド
距離について規定され得る。

【０１０４】

【数３７】テストサンプルからトレーニングセットにおけるそれぞれのトレーニングサン
プルへの距離が測定され、これらの距離の最小値が選択される。すなわち、テス
トサンプルに関する距離値は、テストサンプルがトレーニングセットにおけるサ
ンプルのうちの最も近いものの１つにどれほど近いかということに基づく。最隣
接セグメント化の出力は、３次元類似アレイ

【０１０５】

【数３８】であり、それぞれのボクセル位置（ｉ，ｊ，ｌ）において最小距離を含む。

【０１０６】図５Ａおよび図５Ｂは、本発明による自動閾値を用いて取得され得る有利な結
果を図示する。図５Ａは、疑わしい腫瘍の位置に関して放射線専門医によって検
討された被験者のＭＲＩを図示する。放射線専門医によって識別された、円で囲
まれた２つの領域６０および６２は、おそらく腫瘍の部位である。領域６２は、
鼻咽腔における塊に対応し、領域６０は左頬の脂肪組織における異なった大きさ
の結節性塊に対応する。本発明の概念を用いて、領域６２における鼻咽腔内の塊
は、関心のある領域として選択された。自動クラスタ形成は本明細書中で説明さ
れたような技術を用いて実行された。これに続いて、円６２内の鼻咽腔における
塊は組織として認識され、この組織からトレーニングセットが生成される。従っ
て、トレーニングセットは、鼻咽腔における大きい塊６２を表すデータ要素のク
ラスから生成された。トレーニングセットが生成された後、自動閾値はトレーニ
ングセットの構成要素を互いに比較し、閾値として、本明細書中で上述された最
隣接距離の最大値であった値を選択することによって生成される。自動閾値が取
得された場合、ＭＲ画像におけるすべてのデータ要素はトレーニングセットと比
較され、閾値距離内にあり、従って鼻咽腔における領域６２の範囲において発見
されたような組織と同じ組織のクラスに分類されるデータ要素を決定する。バイ
ナリセグメント化（ｂｉｎａｒｙｓｅｇｍｅｎｔａｔｉｏｎ）の結果は、距離
値が閾値以下であるピクセルがトレーニングセットクラスの構成要素として表さ
れるように、閾値を適用することによって取得された。ＭＲ画像全体におけるす
べてのデータ要素が分類された後、分類されていないもとのＭＲ画像はトレーニ
ングセットと類似すると考えられるすべてのピクセルを黒で表示するディスプレ
イを用いてオーバーレイされた。結果として生じた画像は図５Ｂにおいて示され
る。

【０１０７】図５Ｂにおいて理解され得るように、領域６０および領域６２は完全に黒で示
される。これらの領域は両方とも同じ組織のクラスに属することが図示される。
これは、これらの２つの組織が、恐らく同じタイプの癌組織であるという放射線
専門医の初期の解釈をはっきりさせる。関心の対象となる強化された画像は、以
前に放射線専門医によって検出されなかったさらなる領域６４も示した。このさ
らなる領域６４も黒のピクセルでオーバーレイされ、この領域は領域６０および
領域６２とおそらく同じタイプの組織であり、従って、この場合、左頬の空胴に
位置する広がる癌細胞の追加的な場所であり得ることを示す。従って、このこと
は、２つの遠隔病巣の場所６０および６４が存在し、基準塊６２に極めて類似し
、従って、癌の転移の尤度が高いことを確認する。

【０１０８】本発明により提供されたこの画像は多数の利点を有する。第１に、図５Ａと図
５Ｂを比較することによって理解され得るように、図５Ｂにおいて腫瘍の特定の
部位はより明確に理解され得る。従って、図５Ｂを見ることによって、関心のあ
る組織の境界および正確な位置をより正確に知ることができる。外科の場合、ま
たはその他の観血治療が所望される場合、図５ＢのＭＲ画像を用いることは、同
一の特性を共有する組織をより正確に確認するのに極めて有用になる。さらに、
同じタイプである別の組織をＭＲ画像において確実に突きとめることによって、
組織の広がりはより性格に決定され得る。さらに、画像化された人体の部分内で
、癌が他の場所に広がっていいないという確認も行なわれ得る。図５Ｂにおいて
、３つの部位のみが同じ組織として強調表示され、従って、医師は、同じタイプ
の組織は他には存在せず、癌は３つの位置で確認されるということを強く確信す
る。異なった医療画像を解釈および判読することの一般的難しさを考えると、同
じ特性を共有する特定の組織を強調表示するという本発明の利点は、医療診断に
おいて多数の利点を有する。

【０１０９】図４は、図２のステップ４４の部分としての本発明の原理により実行され得る
さらなるステップを図示する。図４は、類似データを生成し、その後、その類似
データを表示するステップを示す。データは、前の図２におけるように取得され
（ステップ３０）、他のステップが実行されステップ４４に達する。次のステッ
プ３２は図３のタイプと同じタイプのトレーニングセットの生成に続く。同様に
、自動閾値化ステップは閾値を決定するために実行される。次に、類似値はテス
トサンプルにおけるそれぞれのデータ要素から決定される（ステップ３２）。

【０１１０】トレーニングセットの外側のそれぞれのデータ要素との距離が決定された後、
ステップ３２が実行される。このステップにおいて、色は、トレーニングセット
からのデータ要素の距離に基いてそれぞれのピクセルに割当てられる。この実施
形態よって、トレーニングセットにおける任意のデータ要素とテストデータ要素
との間の距離が自動閾値総計よりも小さい場合、ピクセルはトレーニングセット
と同じ色に割当てられる。データ要素の距離が閾値距離よりもほんのわずかに大
きい場合、トレーニングセットの色とほんのわずかに異なる色が割当てられる。
テスト要素とトレーニングセットとの間の距離が大きいほど、色の違いは大きく
なる。従って、トレーニングセットに対するテストサンプルの類似性に基いて色
が割当てられる。色は異なる程度の類似性を表して変化し、一色の陰影か、また
ははっきりとした色のパレット（ｐａｌａｔｅ）か、または２つの色表示方法の
組合せかであり得る。

【０１１１】本発明の１実施形態によると、類似性の表示に関する色の選択は可視光の色ス
ペクトルに基づく。公知のように、赤は人の肉眼で見える最低の周波数を有する
。赤から進行する光の色スペクトルに沿って現れる次の色はオレンジであり、黄
色が続く。可視光に関して、色スペクトルに沿って進行を続けると、次に現れる
色は緑、緑がかった青、青、紫である。

【０１１２】１実施形態において、トレーニングセットが属するクラスには、可視光の色ス
ペクトルの範囲にある赤色が割当てられる。このクラス内にあるすべてのテスト
データ要素も赤で示される。トレーニングセットと同じクラス内にないすべての
テストデータ要素は、トレーニングセットからの特定のテストデータ要素の距離
に比例する周波数を有する色に割当てられる。非常に近いテストデータ要素に関
しては、データ要素は赤の光のスペクトルに非常に類似する光のスペクトル、す
なわちオ範囲がかった赤色に割当てられる。トレーニングセットのクラスからわ
ずかに距離をおくデータ要素に関しては、色はオレンジがかった黄または黄等、
距離に比例して赤から遠い色のスペクトルに割当てられる。これは、トレーニン
グセットのすべての構成要素に対して行なわれる。これらの色は、その後、（不
透明な色またはいくらか透明な色で、あるいは平行線模様または点描などのなん
らかのパターンで）ＭＲ画像の上部において重ね合わされる。このＭＲ画像は、
通常の機器ではグレイスケール画像であり、これは黒と白の異なった陰影で現れ
る。周波数スペクトルが試験中の組織の類似性に比例して変化するカラー画像を
重ね合わせることによって、放射線専門医は同一タイプの組織の正確な位置を非
常に迅速かつ容易に見ることができ、さらに、調査中の組織と関係があると思わ
れる類似のタイプの組織を見ることができる。

【０１１３】図４において示されるように、バイナリ画像も生成される（ステップ３６）。

【０１１４】バイナリ画像は、図５Ａおよび図５Ｂにおいて示されるタイプと類似のグレイ
スケールの画像であり得るか、あるいは、オレンジ、黄または赤などの、グレイ
スケールに対して著しく対照的である選択された他の１つの色と組合されたグレ
イスケール画像等の２色画像であり得る。バイナリ画像において、ピクセルは２
つのクラス、すなわち「オン」と呼ばれるクラス、および「オフ」と呼ばれるク
ラスに分類される。すべての「オン」ピクセルは、セット内のすべてのピクセル
に関して同じ所定の強度および／または色を有する。「オフ」ピクセルは、それ
らの初期の表示特性を保持する。「オン」ピクセルはＭＲ画像上で重ね合わされ
、ユーザにバイナリ画像を提供する。

【０１１５】バイナリ画像において、ピクセルを「オン」または「オフ」に選択する工程は
、カスタム閾値に関して説明されたばかりの同じ分類システムを用いて行われ得
る。カスタム閾値が取得され、画像に適用された後、トレーニングセットと同じ
クラス内のこれらのピクセルは「オン」にされ、残りのピクセルはオフの状態で
保持される。あるいは、より厳格な基準が用いられ得、カスタム閾値よりも高い
閾値を用いて、バイナリ画像においてオンにされるためにピクセルが互いに非常
に類似することが必要とされる。あるいは、バイナリ画像は、上述のようにファ
ジークラスター形成技術を基準として用いて生成され得る。

【０１１６】従って、バイナリ画像は２つの色を示す。トレーニングセット内の同じクラス
にあるすべての組織は第１の色、他のすべての組織は第２の色であり、この第２
の色は、第１の色またはグレイスケール画像と対照的である無色（ｓｉｎｇｌｅ
ｓｏｌｉｄｃｏｌｏｒ）であり得る可能性を有する。このタイプの表示は、
本明細書中で後述されるように、図６Ｂにおいて示される。あるいは、バイナリ
画像は閾値を用いて生成され得る。閾値は、上述のカスタム、自動閾値であり得
るか、あるいは、図７Ａおよび７Ｂに関して説明されたように、動的閾値であり
得る。従って、閾値は、特に動的閾値が用いられる場合、前に最大類似性に対し
て用いられたものとは異なった数であり得る。閾値技術が用いられると、ステッ
プ３２において計算された値の類似性は閾値と比較される。閾値の範囲内にある
それらのピクセルは第１の色として示され、閾値の範囲内にないそれらのピクセ
ルは第２の色か、またはグレイスケールで示される。従って、医師にはデータの
バイナリディスプレイが２色で提供され、関心の対象となる閾値の範囲内で正確
に一致する組織の正確な領域をより迅速かつ容易に強調表示する。

【０１１７】医師に、もとのＭＲ画像をサイド−バイ−サイド（ｓｉｄｅ−ｂｙ−ｓｉｄｅ
）フォーマットで提供し、その後、本発明による同じＭＲ画像の重ね合わされた
バージョンを提供することは著しい利点を有する。もとのＭＲ画像を見る医師は
、さらなる調査のために組織の特定の領域の位置を突きとめることができ、特別
な試験が所望されるそれらの領域に留意することができる。その後、同じＭＲ画
像が本発明において説明されるように、改変されたピクセルを用いて重ね合わさ
れる。この画像は改変されていない画像と並んで表示され得る。医師は、本発明
の処理ステップによって行なわれたすべての変更を迅速かつ容易に見ることがで
きる。従って、医師に対して変化はより著しく強調表示され、医師はこれらの変
更が特に関心の対象となる組織の比較に基くことを理解している。従って、もと
のＭＲ画像と改変されたＭＲ画像との間で行なわれた変更は、それぞれの位置に
おける組織のタイプ、およびそれぞれの特定の位置における組織の成長の大きさ
と範囲を理解する医師に追加的情報を提供する。このサイド−バイ−サイドのパ
ターンは、図５Ａおよび図５Ｂならびに図６Ａおよび図６Ｂにおいて示される。

【０１１８】図６Ａおよび図６Ｂにおいて示される実施形態において、サイド−バイ−サイ
ドの比較は、色類似画像とバイナリ類似画像との間で行なわれる。再び、医師に
色スペクトルを提供して、バイナリ画像に隣接する類似画像は、それぞれの部位
に位置する組織、ならびに広がり得る任意の腫瘍の組織の成長パターンおよび範
囲を理解することにおいて著しい利点を提供する。これらは、医師がもとの画像
においてか、またはおそらく改変された画像において生じ得る偽陽画像（ｆａｌ
ｓｅｐｏｓｉｔｉｖｅｓ）を無視することを許すことにおいて著しい利点を提
供する。

【０１１９】図６Ａおよび図６ＢはＭＲ画像を図示し、この画像は、図４のステップ３４お
よび３６において実行されるように、腫瘍の部位に対応するトレーニングセット
からのそれらのデータ要素の距離に基づいて、データ要素を表すピクセルの色の
変化によって画像がオーバーレイされた。トレーニングセットと最も一致するこ
れらのピクセルは、図６Ａにおける領域７２によって明確に理解され得るように
赤に染色される。トレーニングセットに非常に類似するが、同じクラス内にある
ほどには十分に類似しないこれらの領域は、図６Ａの検討領域によって理解され
得るように、わずかにオレンジがかった色を有する。最も類似の次に類似する組
織は、図６Ａにおいて黄色の組織領域７６を有する。最も類似の次に類似する領
域は黄がかった緑を有し、次に緑色が続く。最も類似しない組織は暗青であり、
紫色に近い。

【０１２０】セグメント化の結果は、類似画像の形でユーザに表示される。スライスｌに関
して、対応する類似画像

【０１２１】

【数３９】は特定のカラーマップを用いて表示される。図６Ａは色表示の１例であり、本発
明によるＭＲ動物試験に関する類似画像法およびバイナリ閾値化を用いてセグメ
ント化結果の提示を有する。Ｔ１重み付き、Ｔ２重み付きおよびＳＴＩＲ（短タ
ウ反転回復（ｓｈｏｒｔｔａｕｉｎｖｅｒｓｉｏｎｒｉｃｏｖｅｒｉｙ）
シーケンスが取得され、セグメント化において利用される。この例において、ユ
ーザは、関心のある領域として腫瘍ピクセルのセットを指定し、隣接距離値は画
像セットに残存するピクセルのそれぞれについて計算された。類似画像の表示に
おいて、カラーマップが用いられた。トレーニングセットにおけるすべてのピク
セルは赤で現れる。本発明によると、選択されたクラスの比較的小さい距離値（
高類似値）を有するピクセルは、トレーニングセットと同じ色、この場合、赤で
現れ、比較的大きい距離値（低類似値）を有するピクセルは暗青で現れる。

【０１２２】図６Ａを見ながら、中心部分において赤を有する４つのコア領域を容易に見る
ことができる。これらの領域のそれぞれは、端部を取巻く黄色の縁を有し、これ
らの領域のそれぞれは赤のクラスの範囲に入るほどには類似しないが、非常に類
似する組織が端部に位置することを示す。画像の残り部分は青で示される。すな
わち、他のすべてのタイプの組織は、関心の対象となるクラスに属する（この場
合、腫瘍）として表される組織とは明確に異なることが明白である。ＭＲ画像の
すべての部分は青で重ね合わされるので、医師は、その腫瘍が赤で強調表示され
た領域以外の領域には位置しないことを非常に強く確信する。ＭＲ画像の読み易
さは、本発明における色画像の類似を用いて大幅に改善される。

【０１２３】図６Ｂは図６Ａと同じＭＲ画像であるが、グレイスケール画像は単色で重ね合
わされ、トレーニングセットと同じクラスに属するピクセルのみを示す。図６Ｂ
において、閾値はステップ３６において適用され、閾値距離におけるデータ要素
に対応するすべてのピクセルには黄色が割当てられる（領域７３、７５、７７お
よび７９）。類似閾値距離の範囲内にない他のすべてのピクセルは、もとのＭＲ
画像のもとのグレイスケール色を保持した。従って、図６Ｂは、むしろバイナリ
画像として現れ、このバイナリ画像において関心のある組織は一色であり、他の
すべての組織はグレイスケールパターンである。従って、この図は強調表示され
る閾値の範囲に入るピクセルのみを有するバイナリ画像を有する。

【０１２４】データの類似ディスプレイを用いる利点は、図６Ａと図６Ｂを比較することに
よって理解され得る。図６Ａにおいて、放射線専門医の注意を関心のある組織に
迅速に引き付けるように、非常に大きい領域がわずかに異なった色を用いて彩色
される。最も大きい腫瘍の中心はしばしば壊死性、すなわち以前は生きていた腫瘍組織で
あった死んだ組織であるので、関心のあるクラスにいくらか類似するが、十分に
異なるので、別の生きた腫瘍とは同じクラスに属さない。バイナリ画像において
、このような組織は同じクラスに属しているように見えない。その結果、医師は
腫瘍の範囲を完全に理解し得ない。しかしながら、図６Ａの画像において、より
容易に認識するために組織の比較的大きい量が強調表示され、腫瘍の範囲を理解
し、腫瘍領域の中心における壊死組織を理解することを可能にする。さらに、図
６ＡはＭＲ画像の他のすべての部分が青であることを示し、類似の腫瘍がアレイ
のどこにもないことを表す。図６Ｂにおいて、ＭＲ画像の残り部分がグレイスケ
ールであり、さらなる腫瘍が存在し得るかどうかを確認するために、放射線専門
医によるさらなる検討およびさらなる試験が必要とされる。

【０１２５】図６Ｂにおいて示されるように、バイナリ閾値を生成する際に、指定された閾
値以下の距離値を有するピクセルは、Ｔ１重みつけＭＲ画像上に黄色で強調表示
される。腫瘍の疑いのある領域は、ピクセルの高輝度レベルおよび異なった色に
よって、図６Ａの類似画像上で容易に見ることができる。逆に、類似情報は、主
観的に困難な閾値（ｓｕｂｊｅｃｔｉｖｅｈａｒｄｔｈｒｅｓｈｏｌｄ）を
適用することによって、図６Ｂのバイナリ画像ディスプレイにおいて理解するこ
とがそれほど容易ではない。例として、図６Ｂにおいて、色間の線が鮮明である
が、組織の変化は、実際、それほど急ではあり得ない。指定された閾値より上に
入るピクセルは、選択された腫瘍クラスに非常に類似し得るが強調表示はされな
い。ユーザは、距離値が閾値をはるかに越えたピクセルよりも距離値が閾値のす
ぐ上にあるピクセルにより疑いを抱くが、この情報は図６Ｂのバイナリ画像にお
いて利用できない。他方、図６Ａはトレーニングセットと同じクラスにある組織
、および同じクラスではないが非常に近接するので非常に類似し、腫瘍であると
疑われる組織をユーザに明確に示す。他方、図６Ｂを見ると、ユーザは、すべて
の腫瘍組織と他のすべての組織との強い対照が容易に見られるという利点を有す
る。

【０１２６】ユーザに類似画像を直接的に提示することに加えて、図２および図６Ａのステ
ップ３４において示されるように、他の表示モードが想定される。１変形におい
て、類似値が指定された閾値レベルの上方または下方に分類されるピクセルのサ
ブセットは、もとの画像上で重ね合わされ得る。さらに、ボリューム内に含まれ
るピクセルを表示するために、指定された閾値レベルの上方または下方に分類さ
れる値を有するすべてのピクセルに対して、計算された類似値が表示されるよう
に改変された類似画像が生成され得る。同様に、本来取得されなかった画像スラ
イス（例えば、オーソゴナルスライス）に関して、画像が再構築され、表示され
得る。別の変形において、類似画像は任意のスライス化および高度／低度透明度
値を用いて描写されたボリュームであり得る。特定の類似値の表面レンダリング
が実行され得る。

【０１２７】図７Ａおよび図７Ｂは、ＭＲ画像を見ている間、ユーザによって閾値が動的に
変更され得る技術を図示する。この実施形態により、上述の自動閾値が開始閾値
として割当てられる。自動閾値および上述の技術を用いて第１の分類が行なわれ
る。本発明のさらなる実施形態において、ユーザはこの閾値による制御を与えら
れるので、この閾値は、画面上でＭＲ画像を観察中にユーザによる制御が可能な
動的閾値になる。従って、ユーザはこの閾値を修正する可能性を有し、この閾値
をより大きくし、従って、選択されたクラス内により多くのデータ要素を含むか
、または閾値をより小さくし、従って、データ要素がクラス内に入ることをより
困難にする。従って、ユーザは、クラスセグメント化の感度を動的に変更し得、
真陽性の正確な総数を有する一方で、偽陽性画像の数が最も少ない画像を選択す
る。これは、組織分類結果が最大感度から最大特異度（ｓｐｅｃｉｆｉｃｉｔｙ
）に及ぶ全範囲にわたって観察されることを可能にする。

【０１２８】ユーザアクセスを与える１方法は、画像のウィンドウディスプレイの一部とし
てスライドバーを提供する。スライドバーの動きは閾値を動的に変化させ、その
効果は表示画像においてユーザに対して即座に視覚的に表示される。図７Ａ〜図
７Ｂを参照して、側方にスケール８０を有する画像８３のウィンドウディスプレ
イ８１が表される。スライドバー８２はスケール８０上に存在し、このスケール
はユーザがマウスまたはキーボードを用いてカーソルを制御することによって移
動され得る。スケール８０の下端において、スケールの最下端における閾値に対
応する数値８４が表示される。上端において、スケールの最上端における閾値の
数値に対応する最高値８６が存在する。この場合、閾値はそれぞれ０．１および
１３．１４であるが、値はそれぞれのサンプルごとに異なり得る。

【０１２９】自動閾値の下部にあるスケール上のスライダ８２の位置は、自動閾値に対応す
るスケール上の位置に配置される。これは、上述のようにトレーニングセット内
のデータ要素間の相互の関係に依存する高いかまたは低い値であり得る。

【０１３０】図７Ａは、トレーニングセットデータ要素が互いに非常に類似し、従って、ス
ライドバー８２が下端近くにあり、低い閾値数を表わす１例を図示する。この低
い閾値に関して、互いに非常に類似する組織のみがトレーニングセットと同じク
ラス内にあると考えられる。従って、この閾値数を用いて、類似組織の２つの部
位８８および９０が潜在的に同じタイプの組織であり、従って、２つの場所で広
がる腫瘍になると考えられる組織であると識別される。この低い閾値を用いて、
領域９０は非常に小さい領域であり、単一の点として現れる。医師にとって困難
なのは、この組織が同じタイプかまたは別のタイプかを判定することであり、同
じタイプであった場合、この組織は領域９０における組織の大きさを表す。本発
明により、閾値数を高くし、従って閾値を動的に変更するために、医師はスライ
ダ８２を上方に移動することができる。閾値が高くされると、領域９０は、領域
８８よりも著しく大きくなる（図７Ｂ参照）。これは領域９０が同じタイプの組
織であり、正確な大きさを示すことを医師に対して明確にする。当然、医師は、
閾値数をさらに高くしてより多くの組織タイプを包含するためにスライドバーを
より高位に移動し得る。しかしながら、このようにすることは、偽陽性画像とし
て認識され易い擬似信号の原因となる。従って、動的閾値は、スライドバー８２
を用いて、問題の組織の位置を最も正確に反映する位置に調整して下方に戻され
得る。

【０１３１】幾分重要であると思われるのは、領域９２が第１の図７Ａにおいてグレイスケ
ールパターンで示され、組織の同じクラスにあることが示されなかった場合、領
域９２は図７Ｂにおいて強調表示される。従って、図７Ａのグレイスケール画像
において腫瘍部位であることが疑われ得る領域９２は、同じ組織であることが明
確に示され、この領域は組織８８および組織９０と同じクラスに属することが表
示される。従って、医師は図７Ａのグレイスケール画像を見て明らかではなかっ
た第３の位置に腫瘍が広がったことを確認した。しかしながら、腫瘍の可能性が
ある他の部位、図７Ａの位置９１および位置９３は強調表示されず、医師は位置
９１または位置９３に腫瘍が広がっていないことを確認することができる。従っ
て、動的閾値の使用は、グレイスケールパターンを一目見ただけでは、いろいろ
な意味で類似であるように見え得るが、実際は互いに類似しない組織の領域もま
た表示する一方で、互いに最も類似し、同じ組織タイプを表す組織の領域を図示
するのに有益である。

【０１３２】ユーザに友好的なコンピュータ画面は、医師に他の利点を提供する本発明によ
る図８Ａ〜図８Ｃにおいて示されるように提供され得る。図８Ａにおいて示され
るように、分類閾値はスライドバー１１４を移動することによって変更され得る
。図８Ａにおいて示される例において、閾値数１７の実数は、スライドバー８２
によって表されるように位置と対応する。例えば、図８Ａにおける実閾値数値は
１７であるが、図８Ｂにおいて、バー１１４の上部に示されるように数値は３５
にまで上昇した。ユーザはスライドバー１１４の矢印上を容易にクリックし得、
閾値を任意の所望の位置に移動する。従って、システムは、「デフォルト」とラ
ベル付けされたボックス１１８上をクリックすることによって予め計算されるカ
スタム閾値数に戻され得、従って、所望ならば自動分類技術に戻る。スライドバ
ー１１４上の矢印は、所望に応じて移動され得、閾値を上昇または低下させる。
コンピュータ画面は、放射線専門医にとっての本発明の使い易さも図示する。患
者の名前を提供する患者名ボックス１００が提供される。データが収集された時
間およびデータはボックス１０２において示された。スライス数はボックス１０
１において表示され、ボックス１０３において観察するために利用できるスライ
スの数が表示される。ボックス１０４は、ユーザが種々のスライスを選択し、調
査されるべきサンプルのタイプを選択することを可能にする。ボックス１０６は
、ユーザがオーバーレイフューチャをオンまたはオフにすることを可能にする。
ボックス１０８は、関心のある領域が図２のステップ３８の関心のある領域に対
応して生成されることをユーザが表示することを可能にする。図２のステップ４
０およびステップ４２に対応して、クラスタ選択はボックス１０８上をクリック
することによってこの関心のある領域内で実行され、誘導組織選択はボックス１
１２上をクリックすることによって実行され得る。

【０１３３】ユーザは、先の設定をクリアする工程、ボックス１０８、ズームアウト、異な
ったマスクを適用する工程、またはボックスによって表示されるような他の自動
フィーチャ等の他の機能もツールバー１１０を用いて実現し得る。画面は、さら
に、現在検討中のビューに関する詳細な情報をユーザに提供することで有利であ
る。ボックス１１２０は、テストサンプルのトレーニングセット色との一致を表
示する。

【０１３４】画面は、さらに、オーバーレイされた画像およびオーバーレイされない画像を
サイド−バイ−サイドで示し得る。従って、左側の図は改変されないＭＲ画像で
あり、潜在的腫瘍部位１２０、１２２、１２６、１２８および１４０を示す。放
射線専門医にとって、従来の画像における腫瘍でない位置から腫瘍を判定するこ
とは困難であり得る。適用された本発明を用いて、腫瘍部位および非腫瘍部位は
容易に理解される。従って、領域１２０は腫瘍であることがはっきりと理解され
る。図８Ｂにおいて示されるように、閾値を３５に設定することによって、領域
１２２および領域１４０は腫瘍部位としてはっきりと理解され得るが、領域１２
０と類似である領域１２６および領域１２８は流体管であり、腫瘍部位ではない
ことが理解され得る。従って、より迅速に、かつより確かに正しい診断が行なわ
れ得る。図８Ｃは、全色類似画像を提供する。レインボースケール１１５はスラ
イドバー１１４の下部に提供され、画像の色範囲を示す。腫瘍部位は領域１２０
において暗赤で明確に示される。他の潜在的部位については、領域１２２および
領域１４０は、中心に赤色、その周りが黄色、次に緑色を有する。これは、この
領域がおそらく腫瘍部位であることを示す。さらに、領域１２６および領域１２
８は同じ色のままであり、これらの位置に腫瘍は存在しないことを示す。従って
、本発明は、簡単に使用され得るコンピュータ画面の読出しを提供し、検討中の
組織を明確に理解するために放射線専門医によって操作され得る。

【０１３５】本発明の異なった実施形態が図示および説明されたが、本発明の趣旨および範
囲から逸脱することなく種々の変更が行なわれ得ることが理解されるべきである
。上記の説明から明らかなように、記載された実施形態は、すべての組織を一度
に分類するのではなく、単一の組織をそれぞれの時間またはそれぞれの組織にお
いて単独に考える。これは、上述のようにスコアデータの改変を可能にする。事
前セグメント化法は、存在するすべての組織をセグメント化することを試み、従
って、すべての組織クラスのそれぞれのピクセル位置においてスコアを生成する
。データは、通常、組織を最低距離スコアによって、および／または最高帰属関
係値によって分類することによって閾値化され、通常、固定され、ユーザによる
調整は不可能である。しかしながら、本明細書中で記載された本発明の実施形態
は、伝統的なセグメント化法に統合され得る。すべてのサンプルがモデル化され
ると、閾値は１つ以上のサンプル群に対して設定され得るので、グループごとに
感度が変更される。

【０１３６】従って、上記の説明から理解されるのは、例示目的で本明細書中に本発明の特
定の実施形態が説明されたが、本発明の趣旨および範囲から逸脱することなく、
種々の改変が行なわれ得ることが理解される。従って、添付の請求項により定め
る場合を除いて本発明は限定されるものではない。

【０１３７】

【図面の簡単な説明】

【図１】図１は、本発明による、後で処理する画像データを収集するのに用いられる公
知のデータ収集装置の投影図である。

【０１３８】

【図２】図２は、自動誘導式特定組織セグメント化法におけるステップを図示する機能
ブロック図である。

【０１３９】

【図３】図３は、テストサンプルのクラスの帰属関係を決定する工程において実行され
るステップを図示するフローチャートである。

【０１４０】

【図４】図４は、類似値を計算および表示する１技術を図示する機能ブロック線図であ
る。

【０１４１】

【図５Ａ】図５Ａは、本発明を用いないＭＲＩ画像の図示である。

【０１４２】

【図５Ｂ】図５Ｂは、本発明を用いるＭＲＩ画像の図示である。

【０１４３】

【図６Ａ】図６Ａは、バイナリ閾値画像と比較されたときの本発明による類似画像を図示
する。

【０１４４】

【図６Ｂ】図６Ｂは、バイナリ閾値画像と比較されたときの本発明による類似画像を図示
する。

【０１４５】

【図７Ａ】図７Ａは、本発明による、分類閾値の動的変化を図示する。

【０１４６】

【図７Ｂ】図７Ｂは、本発明による、分類閾値の動的変化を図示する。

【０１４７】

【図８Ａ】図８Ａは、本発明を用いて画像を比較するときに本発明のユーザが見ることが
できる画面である。

【０１４８】

【図８Ｂ】図８Ｂは、本発明を用いて画像を比較するときに本発明のユーザが見ることが
できる画面である。

【０１４９】

【図８Ｃ】図８Ｃは、本発明を用いて画像を比較するときに本発明のユーザが見ることが
できる画面である。

───────────────────────────────────────────────────── 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，ＴＲ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ，ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，ＧＭ，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，ＢＺ，ＣＡ，ＣＨ，ＣＮ，ＣＲ，ＣＵ，ＣＺ，ＤＥ，ＤＫ，ＤＭ，ＤＺ，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，ＭＡ，ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＭＺ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，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 AA20 AB50 AD14 DC11 DC14 DC19 DC20 DC23 DC24 DC29 FC20 5B057 AA07 BA07 CA08 CA13 CA16 DA12 DB09 DC32 5L096 AA06 AA09 BA06 JA03

Claims

【特許請求の範囲】

【請求項１】自動閾値判定を確立して、データサンプルに適用する方法で
あって、該方法は、対象物の特性を表わす複数のデータ要素を収集する工程と、該データ要素のグループによって構成されるトレーニングセットを取得する工
程と、該グループ内の個々のデータ要素間の最大距離を判定するために、該トレーニ
ングセット内の該データ要素間の類似性の程度を測定する工程と、該グループ内のピクセル間の類似性の基準に基づいて閾値距離を設定する工程
と、該トレーニングセット内の該データ要素間の類似性の閾値化された基準と、該
トレーニングセット内にはないテストデータ要素とを比較する工程と、該テストデータ要素と該レーニングセットとの間の測定された類似性が該閾値
以下であるとき、該テストデータ要素をクラスの構成要素として分類する工程とを包含する、方法。
【請求項２】前記類似性の程度を測定する工程は、前記トレーニングセッ
ト内の前記データ要素間の最大ユークリッド距離を判定する工程を包含する、請
求項１に記載の方法。
【請求項３】前記最大ユークリッド距離を判定する工程は、多変量計算法
を用いて該距離を計算する工程を包含する、請求項２に記載の方法。
【請求項４】対象物固有の閾値パラメータを判定して、磁気共鳴測定値に
適用する方法であって、該方法は、ＭＲＩ装置から対象物の磁気共鳴測定値を獲得する工程と、画像を表示するために該磁気共鳴測定値からピクセルアレイを生成する工程で
あって、１以上のトレーニングサンプルを含むトレーニングセットを作成する工
程を包含し、該トレーニングセットは、該対象物のトレーニング領域の複数の一
致する複数の第１の画像から形成され、第１の画像のそれぞれは、他の第１の画
像を生成するために用いられるパルスシーケンスと異なるＭＲＩパルスシーケン
スを用いて生成される、工程と、複数のテストデータサンプルを含むデータセットを生成する工程であって、該
テストデータセットは、該対象物のテストデータ領域の複数の一致する第２の画
像から形成され、該第２の画像は、該第１の画像と同じＭＲＩパルスシーケンス
を用いて生成される、工程と、該ピクセルのアレイ内のピクセルのそれぞれに関するスコアデータを生成する
工程と、該スコアデータを強調された対象物固有の画像を生成するために、修正する工
程とを包含する、方法。
【請求項５】前記スコアデータを修正する工程は、スコアデータ拒絶閾値
を自動的に作成する工程を包含する、請求項４に記載の方法。
【請求項６】前記スコアデータを修正する工程は、該スコアデータを動的
に変更し、対応する動的に強調された画像を生成する工程を包含する、請求項４
に記載の方法。
【請求項７】前記スコアデータを修正する工程は、スコアデータ拒絶閾値
を自動的に生成する工程を包含する、請求項４に記載の方法。
【請求項８】前記スコアデータを修正する工程は、動的に強調された画像
を生成するために、前記自動的に作成された拒絶閾値を自動的に変更する工程を
さらに包含する、請求項４に記載の方法。