JP2004097315A - 生体断層画像の輪郭データ抽出方法および装置 - Google Patents
生体断層画像の輪郭データ抽出方法および装置 Download PDFInfo
- Publication number
- JP2004097315A JP2004097315A JP2002260788A JP2002260788A JP2004097315A JP 2004097315 A JP2004097315 A JP 2004097315A JP 2002260788 A JP2002260788 A JP 2002260788A JP 2002260788 A JP2002260788 A JP 2002260788A JP 2004097315 A JP2004097315 A JP 2004097315A
- Authority
- JP
- Japan
- Prior art keywords
- image
- target area
- contour data
- biological tomographic
- tomographic image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013075 data extraction Methods 0.000 title claims abstract description 18
- 238000003909 pattern recognition Methods 0.000 claims abstract description 28
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 14
- 210000004204 blood vessel Anatomy 0.000 description 45
- 241000270295 Serpentes Species 0.000 description 26
- 238000010586 diagram Methods 0.000 description 12
- 238000002591 computed tomography Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 210000000709 aorta Anatomy 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 5
- 210000002254 renal artery Anatomy 0.000 description 5
- 210000000988 bone and bone Anatomy 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 210000001835 viscera Anatomy 0.000 description 4
- 230000003187 abdominal effect Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004800 variational method Methods 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
【課題】生体断層画像（２次元医用画像）から３次元モデル構築に必要な対象とする領域の輪郭データを短時間に自動抽出することができる輪郭データ抽出方法および装置を提供する。
【解決手段】対象領域の２次元画像を入力する対象領域入力ステップ（Ａ）と、生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識する対象領域認識ステップ（Ｂ）と、生体断層画像を認識された対象領域だけにする画像前処理ステップ（Ｃ）と、認識された対象領域の輪郭データを抽出する輪郭データ抽出ステップ（Ｄ）とを有する。
【選択図】 図２
【解決手段】対象領域の２次元画像を入力する対象領域入力ステップ（Ａ）と、生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識する対象領域認識ステップ（Ｂ）と、生体断層画像を認識された対象領域だけにする画像前処理ステップ（Ｃ）と、認識された対象領域の輪郭データを抽出する輪郭データ抽出ステップ（Ｄ）とを有する。
【選択図】 図２
Description
【０００１】
【発明の属する技術分野】
本発明は、生体断層画像から臓器又は血管領域の輪郭データを自動抽出する方法および装置に関する。
【０００２】
【従来の技術】
ＭＲ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｎｃｅ）画像やＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）画像等の生体断層画像から、特定の臓器又は血管領域の座標値データを得るために、従来は、対象とする領域の輪郭をデジタイザーを用いて手作業で抽出していた。そのため、数値計算用の３次元モデリングを構築するような場合、数百枚におよぶ多数の２次元医用画像から手作業の画像処理をへて、必要な座標値データを抽出する必要があり、多大な労力と時間を要する問題点があった。
【０００３】
すなわちこれまでは、手作業により医用画像における対象とする領域（例えば血管領域）の輪郭にマウスを当てて、座標値データを読み取っていた。医用画像が数百枚あり、かつ、１枚の医用画像につき必要とする数十点の座標データがあり、手作業によるデータ抽出は時間と労力が必要であり、また、単純作業なので精神的に苦痛であった。
【０００４】
なお、生体断層画像から対象とする領域を抽出する手段として、［特許文献１］の「画像処理方法および装置」では、遺伝的なアルゴリズムを用いている。また、遺伝的なアルゴリズムに関しては、［非特許文献１］に開示されている。
【０００５】
【特許文献１】
特開平１１−２１３１２７号公報
【非特許文献１】
Ｄ．Ｅ．Ｇｏｌｄｂｅｒｇ，”Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍｓ ｉｎＳｅａｒｃｈｉｎｇ，Ｏｐｔｉｍｉｚａｔｉｏｎ，ａｎｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ”，Ａｄｄｉｔｉｏｎ−Ｗｅｓｌｅｙ，Ｒｅａｄｉｎｇ，１９８９
【０００６】
【発明が解決しようとする課題】
［特許文献１］の「画像処理方法および装置」では、例えば脳の白質・灰白質の分類作業を短時間に効率的に行うことができる。しかし、分類作業後、その境界領域の座標値データを得るためには、従来同様にデジタイザーを用いて手作業で抽出する必要があり、そのため、数値計算用の３次元モデリングを構築するような場合には、依然として多大な労力と時間を要する問題点があった。
【０００７】
本発明は、かかる問題点を解決するために創案されたものである。すなわち、本発明の目的は、生体断層画像（２次元医用画像）から３次元モデル構築に必要な対象とする領域の輪郭データを短時間に自動抽出することができる輪郭データ抽出方法および装置を提供することにある。
【０００８】
【課題を解決するための手段】
本発明によれば、対象領域の２次元画像を入力する対象領域入力ステップ（Ａ）と、生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識する対象領域認識ステップ（Ｂ）と、生体断層画像を認識された対象領域だけにする画像前処理ステップ（Ｃ）と、認識された対象領域の輪郭データを抽出する輪郭データ抽出ステップ（Ｄ）とを有する、ことを特徴とする生体断層画像の輪郭データ抽出方法が提供される。
【０００９】
また、本発明によれば、生体断層画像を画像表示する画像表示装置（２）と、該画像表示装置上の特定領域を指示する領域指示装置（４）と、画像表示装置上の画像を画像処理する画像処理装置（６）と、画像処理により得られたデータを出力する出力装置（８）とを備え、画像表示装置に生体断層画像を画像表示し、領域指示装置により生体断層画像の特定領域を指示して対象領域の２次元画像を入力し、画像処理装置により生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識し、生体断層画像を認識された対象領域だけに前処理し、認識された対象領域の輪郭データを抽出し、出力装置により輪郭データを出力する、ことを特徴とする生体断層画像の輪郭データ抽出装置が提供される。
【００１０】
さらに、本発明によれば、コンピュータを用いて、生体断層画像を画像表示し、生体断層画像の特定領域を指示して対象領域の２次元画像を入力し、生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識し、生体断層画像を認識された対象領域だけに前処理し、認識された対象領域の輪郭データを抽出し、輪郭データを出力する、ことを特徴とする生体断層画像の輪郭データ抽出用プログラムが提供される。
【００１１】
上記本発明の方法および装置によれば、領域指示装置（４）を用いて対象領域入力ステップ（Ａ）において対象領域（例えば血管領域）の２次元画像を入力するので、画像処理装置（６）を用いた対象領域認識ステップ（Ｂ）においてこの２次元画像をテンプレートとして遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を容易に認識することができる。
【００１２】
また、画像前処理ステップ（Ｃ）で生体断層画像を認識された対象領域だけにするので、輪郭データ抽出ステップ（Ｄ）における輪郭の抽出ミスを低減できる。
【００１３】
さらに、輪郭データ抽出ステップ（Ｄ）において、認識された対象領域の輪郭データを抽出するので、デジタイザーを用いた手作業の抽出作業が不要となり、労力と時間を大幅に低減して、３次元モデル構築に必要な対象領域の輪郭データを短時間に自動抽出することができる。
【００１４】
本発明の好ましい実施形態によれば、前記対象領域入力ステップ（Ａ）において、対象領域テンプレートを作成し、前記対象領域認識ステップ（Ｂ）において、対象領域テンプレートの中心座標と倍率を変化させて一致する領域を対象領域としてパターン認識し、画像前処理ステップ（Ｃ）において、パターン認識によって得られた中心座標と倍率を用いて対象領域の外側領域を消去する。
この方法により、パターン認識により画像上の対象領域を容易に認識することができ、かつ対象とする領域の輪郭の座標データを確実に抽出することができる。
【００１５】
前記輪郭データ抽出ステップ（Ｄ）において、ｅｄｇｅエネルギーを擬似ユークリッド距離変換を用いて計算する。
この方法により、従来の方法では計算が難しかった凹形状の場合においても確実に解が収束し、解が得られる。
【００１６】
【発明の実施の形態】
以下、本発明を図面を参照して説明する。なお、各図において共通する部分には同一の符号を付し、重複した説明を省略する。
【００１７】
図１は、本発明による生体断層画像の輪郭データ抽出装置の模式的構成図である。この図に示すように本発明の輪郭データ抽出装置１０は、生体断層画像を画像表示する画像表示装置２と、画像表示装置上の特定領域を指示する領域指示装置４と、画像表示装置上の画像を画像処理する画像処理装置６と、画像処理により得られたデータを出力する出力装置８とを備える。
例えば、画像表示装置２はＣＲＴ、領域指示装置４はマウス、画像処理装置６はコンピュータ（ＰＣ）、出力装置８は、プリンタ、記憶媒体である。
【００１８】
また、この輪郭データ抽出装置１０において、生体断層画像の輪郭データ抽出用プログラムが、画像処理装置６の記憶装置（ハードディスク、ＲＯＭ、又はＲＡＭ）に記憶される。なおこの輪郭データ抽出用プログラムは、外部記憶装置、例えばＦＤ、ＣＤ−ＲＯＭ、テープ等に記憶し、必要時に、画像処理装置６の記憶装置に記憶するようになっていてもよい。
【００１９】
輪郭データ抽出用プログラムは、コンピュータを用いて、生体断層画像を画像表示し、生体断層画像の特定領域を指示して対象領域の２次元画像を入力し、生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識し、生体断層画像を認識された対象領域だけに前処理し、認識された対象領域の輪郭データを抽出し、輪郭データを出力するようになっている。
【００２０】
また、輪郭データ抽出装置１０は、画像表示装置２に生体断層画像を画像表示し、領域指示装置４により生体断層画像の特定領域を指示して対象領域の２次元画像を入力し、画像処理装置６により生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識し、生体断層画像を認識された対象領域だけに前処理し、認識された対象領域の輪郭データを抽出し、出力装置８により輪郭データを出力するようになっている。
【００２１】
図２は、本発明の方法を示すフローチャートである。以下に図２を用いて、本発明の方法を説明する。
【００２２】
本発明の方法は、対象領域入力ステップ（Ａ）、対象領域認識ステップ（Ｂ）、 画像前処理ステップ（Ｃ）および輪郭データ抽出ステップ（Ｄ）からなる。
対象領域入力ステップ（Ａ）では、対象領域の２次元画像を入力する。対象領域認識ステップ（Ｂ）では、生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識する。画像前処理ステップ（Ｃ）では、生体断層画像を認識された対象領域だけにする。輪郭データ抽出ステップ（Ｄ）では、認識された対象領域の輪郭データを抽出する。
【００２３】
対象領域入力ステップ（Ａ）では、図７に示すＣＴ画像（５１２×５１２画素）における血管領域（円形）の輪郭の座標データを抽出する。まず最初に、ＧＡによるパターン認識を用いて、コンピュータに血管領域を認識させる。パターン認識方法はテンプレートマッチング法を用いる。
ＧＡにおける染色体は、中心座標ｘｃ，ｙｃと回転角度α、倍率ｋの４つのパラメータをそれぞれ８ビットで表現し、合計３２ビットからなる０と１の数列である。この染色体を持つ多数の個体が交叉、淘汰、突然変異を繰返すことで最適な解を探索する。以下に計算手順を示す。
【００２４】
（１） 原画像とテンプレート画像を入力する。
（２） ３２ビットの情報を持つ個体を多数生成する。各個体の情報がランダムに設定される。
（３） ＧＡにおける選択、交叉、突然変異の操作により個体を生成する。
（４） 各個体の適応度を評価
（５） ３と４を最良の個体の適応度が条件を満足するまで繰返す。
【００２５】
対象領域認識ステップ（Ｂ）において最初に原画像を二値化する（図８）。次に、血管領域テンプレート（５０×５０画素）を作成する（図９）。このテンプレートを用いてＧＡによるパターン認識により画像上の血管領域を認識する。血管領域を認識した結果を図１０に示す。
【００２６】
特定された血管領域の近傍には骨、他の血管および内臓などがあり、それらのエッジが次の段階の改良Ｓｎａｋｅによる輪郭抽出時に、誤輪郭の原因となるので、血管領域以外は消去する。消去の方法は、ＧＡによるパターン認識によって得られた中心座標と倍率の値を用いて自動的に設定される範囲の画像を消去する。
【００２７】
消去される範囲は、［数１］の（１）〜（４）で計算される範囲であり、Ｘ＿ｌｏｗｅｒ以下、Ｘ＿ｕｐｐｅｒ以上、Ｙ＿ｌｏｗｅｒ以下、Ｙ＿ｕｐｐｅｒ以上の範囲の画像について消去する（図１１）。消去処理を施した画像の結果を図１２に示す。
【００２８】
【数１】
【００２９】
血管輪郭は本発明の改良Ｓｎａｋｅにより求める。Ｓｎａｋｅとは、Ｓｎａｋｅ形状と画像エッジなどを手がかりに、画像中から特定の対象領域の検出を行う手段である。Ｓｎａｋｅに関しては以下の［文献１］に開示されている。
【００３０】
［文献１］
ＭＩＣＨＡＥＬ ＫＡＳＳ，”Ｓｎａｋｅｓ：Ａｃｔｉｖｅ ＣｏｎｔｏｕｒＭｏｄｅｌｓ”，Ｉｎｔｅｒｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，３２１−３３１（１９８８）
【００３１】
血管領域だけとなった画像に対して、１次微分フィルターをかけて、血管領域のエッジを検出する。さらに、検出されたエッジに対して、擬似ユークリッド距離変換（水平・垂直方向の距離の増分１、対角方向の距離の増分２０．５をそれぞれ２，３で近似することにより定義される）を施し画像エネルギーを生成する（図１３）。血管領域まわりにＳｎａｋｅの制御点の初期値を自動的に設定し、エネルギー最小化計算において解が収束した時、血管輪郭上にある制御点の座標値が求まる（エネルギー最小化計算は［文献１］を参照）。
【００３２】
図１４に制御点が初期位置から血管領域の輪郭まで移動して、輪郭を捉えるまでの軌跡を示す。また表１に最終的に得られた座標値データを示す。
【００３３】
【表１】
【００３４】
上述した本発明の方法および装置によれば、領域指示装置４を用いて対象領域入力ステップ（Ａ）において対象領域（例えば血管領域）の２次元画像を入力するので、画像処理装置６を用いた対象領域認識ステップ（Ｂ）においてこの２次元画像をテンプレートとして遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を容易に認識することができる。
【００３５】
また、画像前処理ステップ（Ｃ）で生体断層画像を認識された対象領域だけにするので、輪郭データ抽出ステップ（Ｄ）における輪郭の抽出ミスを低減できる。
さらに、輪郭データ抽出ステップ（Ｄ）において、認識された対象領域の輪郭データを抽出するので、デジタイザーを用いた手作業の抽出作業が不要となり、労力と時間を大幅に低減して、３次元モデル構築に必要な対象領域の輪郭データを短時間に自動抽出することができる。
【００３６】
また、対象領域入力ステップ（Ａ）において、対象領域テンプレートを作成し、対象領域認識ステップ（Ｂ）において、対象領域テンプレートの中心座標と倍率を変化させて一致する領域を対象領域としてパターン認識し、画像前処理ステップ（Ｃ）において、パターン認識によって得られた中心座標と倍率を用いて対象領域の外側領域を消去することにより、パターン認識により画像上の対象領域を容易に認識することができ、かつ対象とする領域の輪郭の座標データを確実に抽出することができる。
【００３７】
さらに輪郭データ抽出ステップ（Ｄ）において、ｅｄｇｅエネルギーを擬似ユークリッド距離変換を用いて計算することにより、従来の方法では計算が難しかった凹形状の場合においても確実に解が収束し、解が得られる。
【００３８】
【実施例】
以下、本発明の実施例を説明する。
以下の例では、ＣＴ画像における腎動脈まわりの血管領域の自動抽出例を示す。
【００３９】
１． はじめに
本発明では、医用画像の血管領域の輪郭を自動的に抽出する方法を提案する。本発明では、数値流体手法を用いて、血流動態解析を試みている。数値解析用の３次元血管モデルは、ＣＴ，ＭＲＩなどの医用計測機器から得られた医用画像に映し出された血管領域を抽出し、高さ方向に積み上げることで構築している。血管領域の輪郭抽出作業は、輪郭の代表点の座標値を計測し、記録するものであり、医用画像が多数枚あると労力と時間がかかり、数値血流解析の医療への応用を考えるとネックとなる部分であった。
この問題点を解決するために、本発明では、遺伝的アルゴリズム（以下ＧＡとよぶ）によるパターン認識とＳｎａｋｅによる輪郭抽出を用いて血管領域の輪郭を自動的に抽出する方法を提案した。自動化で難しいところは、骨や内臓などが写っている画像から対象とする領域を正確に計算機に認識させることである。本発明ではＧＡを用いたテンプレート方式によるパターン認識を採用した。さらに、認識された血管領域の輪郭抽出は、Ｋａｓｓらが提案したエネルギー最小化原理を応用したＳｎａｋｅを採用した。ここでは、ＣＴ画像における腎動脈まわりの血管輪郭を抽出の対象とする。図３に腎動脈と大動脈を示す。
【００４０】
２． 方法
図２に本発明で提案する血管領域抽出の自動化の手順を示した。ＣＴ画像上の対象とする腎動脈の血管領域にはＧＡを用いてパターン認識する。パターン認識はテンプレートマッチング法を採用する。ＧＡにおける染色体は、中心座標ｘ、ｙと回転角度α、倍率ｋの４つのパラメータ（図４）それぞれ８ビットで表現し、合計３２ビットからなる０と１の数列である。この染色体を持つ多数の固体が交叉、淘汰、突然変異を繰り返すことで最適な解を探索する。
【００４１】
図２において、最初に原画像を二値化する。次に、血管領域テンプレートを用いてＧＡによるパターン認識により画像上の血管領域を特定する。血管輪郭はＳｎａｋｅにより求める。Ｓｎａｋｅはｓｎａｋｅ形状と画像エッジなどを手がかりに、画像中から特定の対象領域の検出を行う手法である。Ｓｎａｋｅ形状については内部のスプラインエネルギーが与えられ、一定の滑らかさを持つように調整され、さらに画像のエッジ部分を検出することによる外部エネルギーとの和から形状が決定された閉曲線である。
【００４２】
特定された血管領域の近傍には骨、他の血管および内臓などがあり、それらのエッジがＳｎａｋｅの輪郭抽出時に、誤輪郭の原因となるので、血管領域以外は消去する。血管領域だけとなった画像に対して、一次微分フィルターをかけて、血管領域のエッジを検出する。さらに、検出されたエッジによる画像エネルギーを生成する。血管領域のまわりにＳｎａｋｅの制御点の初期値を設定し、エネルギー最小化計算において解が収束した時、血管輪郭上にある制御点の座標値が求まる。
【００４３】
３． 理論
３．１ ＧＡによるパターンマッチング法
パターンマッチング法は、テンプレートマッチング法を採用した。中央のｘ、ｙ座標値、倍率、回転角度の遺伝情報をもつ個体を複数生成し、この個体集団内で交叉、突然変異、淘汰により最適個体を探索する（図５）ことで、目標とする血管領域をマッチングする。遺伝情報であるｘ、ｙ座標値、倍率、回転角度はそれぞれ８ビットの１，０情報を持ち、一個の遺伝子は３２ビットからなる。数値の表現はグレイコードを用いた。交叉は２点交叉、突然変異は利用者が突然変異率を指定する。淘汰はエリート保存戦略を採用した。適応度はテンプレート画像と原画像の輝度値の差をテンプレート画素数で割ったものを１からひいた値として計算した。
【００４４】
３．２ Ｓｎａｋｅによる輪郭抽出
Ｓｎａｋｅは輪郭曲線が持つ内部エネルギーと画像が持つ画像エネルギーの和を変分法による最小化原理により、エネルギー最小輪郭曲線を求める方法である。全体エネルギーＥｓｎｅｋｅは内部エネルギーと画像エネルギーの和であり［数２］の式（１）で定義される。
内部エネルギーは［数２］の式（２）で定義される。
式（１）（２）におけるα，βは利用者が設定するパラメータであり、αを変えることによってＳｎａｋｅの収縮しようとする力をコントロールすることができる。また、βを調整することによってＳｎａｋｅの曲がりやすさを変えることができる。
【００４５】
画像エネルギーは［数２］の式（３）で定義される。ここで、Ｅｌｉｎｅは画像中の輝度関数であり、［数２］の式（４）で定義される。
Ｅｅｄｇｅはエッジエネルギーであり、式（５）で定義される。
ここで、ｄ（ｘ、ｙ）は画像中の任意の画素の最近傍エッジからの擬似ユークリッド距離を表している。全体エネルギーの最小値を式（６）（７）の変分法で求める。
行列式にまとめると式（８）（９）となる。
これをオイラー法の反復法で解くとすると式（１０）（１１）となる。
式（１０）（１１）におけるγは、計算の収束の速さを調整するパラメータである。Ｓｎａｋｅは制御点の初期値を輪郭に周りに設定し（図６）、反復計算により輪郭上に収束する。
【００４６】
【数２】
【００４７】
３． 結果と検討
ここでは実際のＣＴ画像の場合に適用し、得られた結果を示す。図７に示すＣＴ画像（５１２×５１２画素）を用い、この図において大動脈の円形に近い血管領域が示されている。この画像を二値化した画像を図８に示す。次にパターン認識に用いるテンプレート画像を作成する。数枚の二値化された画像から大動脈部分を取り出し、それらを平均化したものをテンプレート画像（５０×５０画素）とした（図９）。ＧＡにおけるパラメータの値は、突然変異率は０．８、交叉率は０．８、個体数は１３０、計算の終了条件は適応度が０．９６以上とし、すべての画像における認識処理で同じ値を適用した。作成したテンプレート画像を用いて、ＧＡのパターン認識により大動脈の血管領域が特定された結果を図１０（ａ）に示す。また、他の画像についても正確に大動脈領域が認識され（図１０（ｂ））、認識率は１００％であった。
【００４８】
次に、大動脈領域の輪郭をＳｎａｋｅにより抽出する。Ｓｎａｋｅは画像におけるエッジからの距離を画像エネルギーとして定義し、それを手がかりに輪郭を抽出する方法である。対象とする領域のエッジ近傍に他の領域のエッジが存在すると、そのエッジを捉えてしまう可能性がある。図７に示す腹部画像でも、骨、内臓や他の血管の領域のエッジが存在し、Ｓｎａｋｅの輪郭抽出の障害となる。ここでは、認識された領域以外の領域はすべて消去する。他の領域を消去し、大動脈領域だけの図を図１２に示す。
【００４９】
図１２において血管領域のエッジを一次微分により輪郭を抽出する。次にエッジによる画像エネルギーを生成する。画像エネルギーはエッジからの擬似ユークリッド距離変換（水平・垂直方向の距離の増分１、対角方向の距離の増分２０．５をそれぞれ２，３で近似）により定義される。
【００５０】
図１３に擬似ユークリッド距離変換により得られた画像エネルギー分布を示す。黒色が画像エネルギーが０、白色が画像エネルギーが２５５である。血管領域のエッジから距離が離れるほど色が薄くなる。
【００５１】
次に、ＧＡによるパターン認識から得られた領域の中心点座標を中心として円状にＳｎａｋｅの制御点の初期値２０点を自動的に設定する（初期点の数は任意に指摘できる）。Ｓｎａｋｅのパラメータの値は表２に示す（他の画像の場合でも同じパラメータ値を用いた）。反復計算は制御点が輪郭を捉えるまでに行った。
【００５２】
【表２】
【００５３】
制御点が初期値から輪郭まで移動する軌跡を図１４に示す。図１５に他の画像の場合についても結果を示す。
【００５４】
４． 結論
ＧＡによるパターン認識とＳｎａｋｅを用いて、腹部のＣＴ医用画像から血管領域の輪郭データを自動抽出する方法を提案した。数十枚に適用した結果、本手法が有効であることがわかった。
【００５５】
なお、本発明は上述した実施形態及び実施例に限定されるものではなく、本発明の要旨を逸脱しない範囲で種々変更できることは勿論である。
【００５６】
【発明の効果】
上述したように、本発明の生体断層画像の輪郭データ抽出方法および装置は、生体断層画像（２次元医用画像）から３次元モデル構築に必要な対象とする領域の輪郭データを短時間に自動抽出することができる、等の優れた効果を有する。
【図面の簡単な説明】
【図１】本発明による生体断層画像の輪郭データ抽出装置の模式的構成図である。
【図２】本発明の方法を示すフローチャートである。
【図３】腎動脈と大動脈を示す図である。
【図４】テンプレートと変数を示す図である。
【図５】ＧＡの概要図である。
【図６】Ｓｎａｋｅの概念図である。
【図７】ＣＴ画像のディスプレー上の中間調画像である。
【図８】二値化された画像である。
【図９】テンプレート画像である。
【図１０】認識された大動脈領域を示す図である。
【図１１】消去される画像範囲を示す図である。
【図１２】血管領域だけの画像である。
【図１３】擬似ユークリッド距離変換により得られた画像エネルギー分布図である。
【図１４】制御点の初期値から輪郭までの移動軌跡を示す図である。
【図１５】本発明による輪郭抽出例を示す図である。
【符号の説明】
２ 画像表示装置（ＣＲＴ）、
４ 領域指示装置（マウス）、
６ 画像処理装置（コンピュータ）、
８ 出力装置、
１０ 輪郭データ抽出装置
【発明の属する技術分野】
本発明は、生体断層画像から臓器又は血管領域の輪郭データを自動抽出する方法および装置に関する。
【０００２】
【従来の技術】
ＭＲ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｎｃｅ）画像やＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）画像等の生体断層画像から、特定の臓器又は血管領域の座標値データを得るために、従来は、対象とする領域の輪郭をデジタイザーを用いて手作業で抽出していた。そのため、数値計算用の３次元モデリングを構築するような場合、数百枚におよぶ多数の２次元医用画像から手作業の画像処理をへて、必要な座標値データを抽出する必要があり、多大な労力と時間を要する問題点があった。
【０００３】
すなわちこれまでは、手作業により医用画像における対象とする領域（例えば血管領域）の輪郭にマウスを当てて、座標値データを読み取っていた。医用画像が数百枚あり、かつ、１枚の医用画像につき必要とする数十点の座標データがあり、手作業によるデータ抽出は時間と労力が必要であり、また、単純作業なので精神的に苦痛であった。
【０００４】
なお、生体断層画像から対象とする領域を抽出する手段として、［特許文献１］の「画像処理方法および装置」では、遺伝的なアルゴリズムを用いている。また、遺伝的なアルゴリズムに関しては、［非特許文献１］に開示されている。
【０００５】
【特許文献１】
特開平１１−２１３１２７号公報
【非特許文献１】
Ｄ．Ｅ．Ｇｏｌｄｂｅｒｇ，”Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍｓ ｉｎＳｅａｒｃｈｉｎｇ，Ｏｐｔｉｍｉｚａｔｉｏｎ，ａｎｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ”，Ａｄｄｉｔｉｏｎ−Ｗｅｓｌｅｙ，Ｒｅａｄｉｎｇ，１９８９
【０００６】
【発明が解決しようとする課題】
［特許文献１］の「画像処理方法および装置」では、例えば脳の白質・灰白質の分類作業を短時間に効率的に行うことができる。しかし、分類作業後、その境界領域の座標値データを得るためには、従来同様にデジタイザーを用いて手作業で抽出する必要があり、そのため、数値計算用の３次元モデリングを構築するような場合には、依然として多大な労力と時間を要する問題点があった。
【０００７】
本発明は、かかる問題点を解決するために創案されたものである。すなわち、本発明の目的は、生体断層画像（２次元医用画像）から３次元モデル構築に必要な対象とする領域の輪郭データを短時間に自動抽出することができる輪郭データ抽出方法および装置を提供することにある。
【０００８】
【課題を解決するための手段】
本発明によれば、対象領域の２次元画像を入力する対象領域入力ステップ（Ａ）と、生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識する対象領域認識ステップ（Ｂ）と、生体断層画像を認識された対象領域だけにする画像前処理ステップ（Ｃ）と、認識された対象領域の輪郭データを抽出する輪郭データ抽出ステップ（Ｄ）とを有する、ことを特徴とする生体断層画像の輪郭データ抽出方法が提供される。
【０００９】
また、本発明によれば、生体断層画像を画像表示する画像表示装置（２）と、該画像表示装置上の特定領域を指示する領域指示装置（４）と、画像表示装置上の画像を画像処理する画像処理装置（６）と、画像処理により得られたデータを出力する出力装置（８）とを備え、画像表示装置に生体断層画像を画像表示し、領域指示装置により生体断層画像の特定領域を指示して対象領域の２次元画像を入力し、画像処理装置により生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識し、生体断層画像を認識された対象領域だけに前処理し、認識された対象領域の輪郭データを抽出し、出力装置により輪郭データを出力する、ことを特徴とする生体断層画像の輪郭データ抽出装置が提供される。
【００１０】
さらに、本発明によれば、コンピュータを用いて、生体断層画像を画像表示し、生体断層画像の特定領域を指示して対象領域の２次元画像を入力し、生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識し、生体断層画像を認識された対象領域だけに前処理し、認識された対象領域の輪郭データを抽出し、輪郭データを出力する、ことを特徴とする生体断層画像の輪郭データ抽出用プログラムが提供される。
【００１１】
上記本発明の方法および装置によれば、領域指示装置（４）を用いて対象領域入力ステップ（Ａ）において対象領域（例えば血管領域）の２次元画像を入力するので、画像処理装置（６）を用いた対象領域認識ステップ（Ｂ）においてこの２次元画像をテンプレートとして遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を容易に認識することができる。
【００１２】
また、画像前処理ステップ（Ｃ）で生体断層画像を認識された対象領域だけにするので、輪郭データ抽出ステップ（Ｄ）における輪郭の抽出ミスを低減できる。
【００１３】
さらに、輪郭データ抽出ステップ（Ｄ）において、認識された対象領域の輪郭データを抽出するので、デジタイザーを用いた手作業の抽出作業が不要となり、労力と時間を大幅に低減して、３次元モデル構築に必要な対象領域の輪郭データを短時間に自動抽出することができる。
【００１４】
本発明の好ましい実施形態によれば、前記対象領域入力ステップ（Ａ）において、対象領域テンプレートを作成し、前記対象領域認識ステップ（Ｂ）において、対象領域テンプレートの中心座標と倍率を変化させて一致する領域を対象領域としてパターン認識し、画像前処理ステップ（Ｃ）において、パターン認識によって得られた中心座標と倍率を用いて対象領域の外側領域を消去する。
この方法により、パターン認識により画像上の対象領域を容易に認識することができ、かつ対象とする領域の輪郭の座標データを確実に抽出することができる。
【００１５】
前記輪郭データ抽出ステップ（Ｄ）において、ｅｄｇｅエネルギーを擬似ユークリッド距離変換を用いて計算する。
この方法により、従来の方法では計算が難しかった凹形状の場合においても確実に解が収束し、解が得られる。
【００１６】
【発明の実施の形態】
以下、本発明を図面を参照して説明する。なお、各図において共通する部分には同一の符号を付し、重複した説明を省略する。
【００１７】
図１は、本発明による生体断層画像の輪郭データ抽出装置の模式的構成図である。この図に示すように本発明の輪郭データ抽出装置１０は、生体断層画像を画像表示する画像表示装置２と、画像表示装置上の特定領域を指示する領域指示装置４と、画像表示装置上の画像を画像処理する画像処理装置６と、画像処理により得られたデータを出力する出力装置８とを備える。
例えば、画像表示装置２はＣＲＴ、領域指示装置４はマウス、画像処理装置６はコンピュータ（ＰＣ）、出力装置８は、プリンタ、記憶媒体である。
【００１８】
また、この輪郭データ抽出装置１０において、生体断層画像の輪郭データ抽出用プログラムが、画像処理装置６の記憶装置（ハードディスク、ＲＯＭ、又はＲＡＭ）に記憶される。なおこの輪郭データ抽出用プログラムは、外部記憶装置、例えばＦＤ、ＣＤ−ＲＯＭ、テープ等に記憶し、必要時に、画像処理装置６の記憶装置に記憶するようになっていてもよい。
【００１９】
輪郭データ抽出用プログラムは、コンピュータを用いて、生体断層画像を画像表示し、生体断層画像の特定領域を指示して対象領域の２次元画像を入力し、生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識し、生体断層画像を認識された対象領域だけに前処理し、認識された対象領域の輪郭データを抽出し、輪郭データを出力するようになっている。
【００２０】
また、輪郭データ抽出装置１０は、画像表示装置２に生体断層画像を画像表示し、領域指示装置４により生体断層画像の特定領域を指示して対象領域の２次元画像を入力し、画像処理装置６により生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識し、生体断層画像を認識された対象領域だけに前処理し、認識された対象領域の輪郭データを抽出し、出力装置８により輪郭データを出力するようになっている。
【００２１】
図２は、本発明の方法を示すフローチャートである。以下に図２を用いて、本発明の方法を説明する。
【００２２】
本発明の方法は、対象領域入力ステップ（Ａ）、対象領域認識ステップ（Ｂ）、 画像前処理ステップ（Ｃ）および輪郭データ抽出ステップ（Ｄ）からなる。
対象領域入力ステップ（Ａ）では、対象領域の２次元画像を入力する。対象領域認識ステップ（Ｂ）では、生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識する。画像前処理ステップ（Ｃ）では、生体断層画像を認識された対象領域だけにする。輪郭データ抽出ステップ（Ｄ）では、認識された対象領域の輪郭データを抽出する。
【００２３】
対象領域入力ステップ（Ａ）では、図７に示すＣＴ画像（５１２×５１２画素）における血管領域（円形）の輪郭の座標データを抽出する。まず最初に、ＧＡによるパターン認識を用いて、コンピュータに血管領域を認識させる。パターン認識方法はテンプレートマッチング法を用いる。
ＧＡにおける染色体は、中心座標ｘｃ，ｙｃと回転角度α、倍率ｋの４つのパラメータをそれぞれ８ビットで表現し、合計３２ビットからなる０と１の数列である。この染色体を持つ多数の個体が交叉、淘汰、突然変異を繰返すことで最適な解を探索する。以下に計算手順を示す。
【００２４】
（１） 原画像とテンプレート画像を入力する。
（２） ３２ビットの情報を持つ個体を多数生成する。各個体の情報がランダムに設定される。
（３） ＧＡにおける選択、交叉、突然変異の操作により個体を生成する。
（４） 各個体の適応度を評価
（５） ３と４を最良の個体の適応度が条件を満足するまで繰返す。
【００２５】
対象領域認識ステップ（Ｂ）において最初に原画像を二値化する（図８）。次に、血管領域テンプレート（５０×５０画素）を作成する（図９）。このテンプレートを用いてＧＡによるパターン認識により画像上の血管領域を認識する。血管領域を認識した結果を図１０に示す。
【００２６】
特定された血管領域の近傍には骨、他の血管および内臓などがあり、それらのエッジが次の段階の改良Ｓｎａｋｅによる輪郭抽出時に、誤輪郭の原因となるので、血管領域以外は消去する。消去の方法は、ＧＡによるパターン認識によって得られた中心座標と倍率の値を用いて自動的に設定される範囲の画像を消去する。
【００２７】
消去される範囲は、［数１］の（１）〜（４）で計算される範囲であり、Ｘ＿ｌｏｗｅｒ以下、Ｘ＿ｕｐｐｅｒ以上、Ｙ＿ｌｏｗｅｒ以下、Ｙ＿ｕｐｐｅｒ以上の範囲の画像について消去する（図１１）。消去処理を施した画像の結果を図１２に示す。
【００２８】
【数１】
血管輪郭は本発明の改良Ｓｎａｋｅにより求める。Ｓｎａｋｅとは、Ｓｎａｋｅ形状と画像エッジなどを手がかりに、画像中から特定の対象領域の検出を行う手段である。Ｓｎａｋｅに関しては以下の［文献１］に開示されている。
【００３０】
［文献１］
ＭＩＣＨＡＥＬ ＫＡＳＳ，”Ｓｎａｋｅｓ：Ａｃｔｉｖｅ ＣｏｎｔｏｕｒＭｏｄｅｌｓ”，Ｉｎｔｅｒｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，３２１−３３１（１９８８）
【００３１】
血管領域だけとなった画像に対して、１次微分フィルターをかけて、血管領域のエッジを検出する。さらに、検出されたエッジに対して、擬似ユークリッド距離変換（水平・垂直方向の距離の増分１、対角方向の距離の増分２０．５をそれぞれ２，３で近似することにより定義される）を施し画像エネルギーを生成する（図１３）。血管領域まわりにＳｎａｋｅの制御点の初期値を自動的に設定し、エネルギー最小化計算において解が収束した時、血管輪郭上にある制御点の座標値が求まる（エネルギー最小化計算は［文献１］を参照）。
【００３２】
図１４に制御点が初期位置から血管領域の輪郭まで移動して、輪郭を捉えるまでの軌跡を示す。また表１に最終的に得られた座標値データを示す。
【００３３】
【表１】
上述した本発明の方法および装置によれば、領域指示装置４を用いて対象領域入力ステップ（Ａ）において対象領域（例えば血管領域）の２次元画像を入力するので、画像処理装置６を用いた対象領域認識ステップ（Ｂ）においてこの２次元画像をテンプレートとして遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を容易に認識することができる。
【００３５】
また、画像前処理ステップ（Ｃ）で生体断層画像を認識された対象領域だけにするので、輪郭データ抽出ステップ（Ｄ）における輪郭の抽出ミスを低減できる。
さらに、輪郭データ抽出ステップ（Ｄ）において、認識された対象領域の輪郭データを抽出するので、デジタイザーを用いた手作業の抽出作業が不要となり、労力と時間を大幅に低減して、３次元モデル構築に必要な対象領域の輪郭データを短時間に自動抽出することができる。
【００３６】
また、対象領域入力ステップ（Ａ）において、対象領域テンプレートを作成し、対象領域認識ステップ（Ｂ）において、対象領域テンプレートの中心座標と倍率を変化させて一致する領域を対象領域としてパターン認識し、画像前処理ステップ（Ｃ）において、パターン認識によって得られた中心座標と倍率を用いて対象領域の外側領域を消去することにより、パターン認識により画像上の対象領域を容易に認識することができ、かつ対象とする領域の輪郭の座標データを確実に抽出することができる。
【００３７】
さらに輪郭データ抽出ステップ（Ｄ）において、ｅｄｇｅエネルギーを擬似ユークリッド距離変換を用いて計算することにより、従来の方法では計算が難しかった凹形状の場合においても確実に解が収束し、解が得られる。
【００３８】
【実施例】
以下、本発明の実施例を説明する。
以下の例では、ＣＴ画像における腎動脈まわりの血管領域の自動抽出例を示す。
【００３９】
１． はじめに
本発明では、医用画像の血管領域の輪郭を自動的に抽出する方法を提案する。本発明では、数値流体手法を用いて、血流動態解析を試みている。数値解析用の３次元血管モデルは、ＣＴ，ＭＲＩなどの医用計測機器から得られた医用画像に映し出された血管領域を抽出し、高さ方向に積み上げることで構築している。血管領域の輪郭抽出作業は、輪郭の代表点の座標値を計測し、記録するものであり、医用画像が多数枚あると労力と時間がかかり、数値血流解析の医療への応用を考えるとネックとなる部分であった。
この問題点を解決するために、本発明では、遺伝的アルゴリズム（以下ＧＡとよぶ）によるパターン認識とＳｎａｋｅによる輪郭抽出を用いて血管領域の輪郭を自動的に抽出する方法を提案した。自動化で難しいところは、骨や内臓などが写っている画像から対象とする領域を正確に計算機に認識させることである。本発明ではＧＡを用いたテンプレート方式によるパターン認識を採用した。さらに、認識された血管領域の輪郭抽出は、Ｋａｓｓらが提案したエネルギー最小化原理を応用したＳｎａｋｅを採用した。ここでは、ＣＴ画像における腎動脈まわりの血管輪郭を抽出の対象とする。図３に腎動脈と大動脈を示す。
【００４０】
２． 方法
図２に本発明で提案する血管領域抽出の自動化の手順を示した。ＣＴ画像上の対象とする腎動脈の血管領域にはＧＡを用いてパターン認識する。パターン認識はテンプレートマッチング法を採用する。ＧＡにおける染色体は、中心座標ｘ、ｙと回転角度α、倍率ｋの４つのパラメータ（図４）それぞれ８ビットで表現し、合計３２ビットからなる０と１の数列である。この染色体を持つ多数の固体が交叉、淘汰、突然変異を繰り返すことで最適な解を探索する。
【００４１】
図２において、最初に原画像を二値化する。次に、血管領域テンプレートを用いてＧＡによるパターン認識により画像上の血管領域を特定する。血管輪郭はＳｎａｋｅにより求める。Ｓｎａｋｅはｓｎａｋｅ形状と画像エッジなどを手がかりに、画像中から特定の対象領域の検出を行う手法である。Ｓｎａｋｅ形状については内部のスプラインエネルギーが与えられ、一定の滑らかさを持つように調整され、さらに画像のエッジ部分を検出することによる外部エネルギーとの和から形状が決定された閉曲線である。
【００４２】
特定された血管領域の近傍には骨、他の血管および内臓などがあり、それらのエッジがＳｎａｋｅの輪郭抽出時に、誤輪郭の原因となるので、血管領域以外は消去する。血管領域だけとなった画像に対して、一次微分フィルターをかけて、血管領域のエッジを検出する。さらに、検出されたエッジによる画像エネルギーを生成する。血管領域のまわりにＳｎａｋｅの制御点の初期値を設定し、エネルギー最小化計算において解が収束した時、血管輪郭上にある制御点の座標値が求まる。
【００４３】
３． 理論
３．１ ＧＡによるパターンマッチング法
パターンマッチング法は、テンプレートマッチング法を採用した。中央のｘ、ｙ座標値、倍率、回転角度の遺伝情報をもつ個体を複数生成し、この個体集団内で交叉、突然変異、淘汰により最適個体を探索する（図５）ことで、目標とする血管領域をマッチングする。遺伝情報であるｘ、ｙ座標値、倍率、回転角度はそれぞれ８ビットの１，０情報を持ち、一個の遺伝子は３２ビットからなる。数値の表現はグレイコードを用いた。交叉は２点交叉、突然変異は利用者が突然変異率を指定する。淘汰はエリート保存戦略を採用した。適応度はテンプレート画像と原画像の輝度値の差をテンプレート画素数で割ったものを１からひいた値として計算した。
【００４４】
３．２ Ｓｎａｋｅによる輪郭抽出
Ｓｎａｋｅは輪郭曲線が持つ内部エネルギーと画像が持つ画像エネルギーの和を変分法による最小化原理により、エネルギー最小輪郭曲線を求める方法である。全体エネルギーＥｓｎｅｋｅは内部エネルギーと画像エネルギーの和であり［数２］の式（１）で定義される。
内部エネルギーは［数２］の式（２）で定義される。
式（１）（２）におけるα，βは利用者が設定するパラメータであり、αを変えることによってＳｎａｋｅの収縮しようとする力をコントロールすることができる。また、βを調整することによってＳｎａｋｅの曲がりやすさを変えることができる。
【００４５】
画像エネルギーは［数２］の式（３）で定義される。ここで、Ｅｌｉｎｅは画像中の輝度関数であり、［数２］の式（４）で定義される。
Ｅｅｄｇｅはエッジエネルギーであり、式（５）で定義される。
ここで、ｄ（ｘ、ｙ）は画像中の任意の画素の最近傍エッジからの擬似ユークリッド距離を表している。全体エネルギーの最小値を式（６）（７）の変分法で求める。
行列式にまとめると式（８）（９）となる。
これをオイラー法の反復法で解くとすると式（１０）（１１）となる。
式（１０）（１１）におけるγは、計算の収束の速さを調整するパラメータである。Ｓｎａｋｅは制御点の初期値を輪郭に周りに設定し（図６）、反復計算により輪郭上に収束する。
【００４６】
【数２】
３． 結果と検討
ここでは実際のＣＴ画像の場合に適用し、得られた結果を示す。図７に示すＣＴ画像（５１２×５１２画素）を用い、この図において大動脈の円形に近い血管領域が示されている。この画像を二値化した画像を図８に示す。次にパターン認識に用いるテンプレート画像を作成する。数枚の二値化された画像から大動脈部分を取り出し、それらを平均化したものをテンプレート画像（５０×５０画素）とした（図９）。ＧＡにおけるパラメータの値は、突然変異率は０．８、交叉率は０．８、個体数は１３０、計算の終了条件は適応度が０．９６以上とし、すべての画像における認識処理で同じ値を適用した。作成したテンプレート画像を用いて、ＧＡのパターン認識により大動脈の血管領域が特定された結果を図１０（ａ）に示す。また、他の画像についても正確に大動脈領域が認識され（図１０（ｂ））、認識率は１００％であった。
【００４８】
次に、大動脈領域の輪郭をＳｎａｋｅにより抽出する。Ｓｎａｋｅは画像におけるエッジからの距離を画像エネルギーとして定義し、それを手がかりに輪郭を抽出する方法である。対象とする領域のエッジ近傍に他の領域のエッジが存在すると、そのエッジを捉えてしまう可能性がある。図７に示す腹部画像でも、骨、内臓や他の血管の領域のエッジが存在し、Ｓｎａｋｅの輪郭抽出の障害となる。ここでは、認識された領域以外の領域はすべて消去する。他の領域を消去し、大動脈領域だけの図を図１２に示す。
【００４９】
図１２において血管領域のエッジを一次微分により輪郭を抽出する。次にエッジによる画像エネルギーを生成する。画像エネルギーはエッジからの擬似ユークリッド距離変換（水平・垂直方向の距離の増分１、対角方向の距離の増分２０．５をそれぞれ２，３で近似）により定義される。
【００５０】
図１３に擬似ユークリッド距離変換により得られた画像エネルギー分布を示す。黒色が画像エネルギーが０、白色が画像エネルギーが２５５である。血管領域のエッジから距離が離れるほど色が薄くなる。
【００５１】
次に、ＧＡによるパターン認識から得られた領域の中心点座標を中心として円状にＳｎａｋｅの制御点の初期値２０点を自動的に設定する（初期点の数は任意に指摘できる）。Ｓｎａｋｅのパラメータの値は表２に示す（他の画像の場合でも同じパラメータ値を用いた）。反復計算は制御点が輪郭を捉えるまでに行った。
【００５２】
【表２】
制御点が初期値から輪郭まで移動する軌跡を図１４に示す。図１５に他の画像の場合についても結果を示す。
【００５４】
４． 結論
ＧＡによるパターン認識とＳｎａｋｅを用いて、腹部のＣＴ医用画像から血管領域の輪郭データを自動抽出する方法を提案した。数十枚に適用した結果、本手法が有効であることがわかった。
【００５５】
なお、本発明は上述した実施形態及び実施例に限定されるものではなく、本発明の要旨を逸脱しない範囲で種々変更できることは勿論である。
【００５６】
【発明の効果】
上述したように、本発明の生体断層画像の輪郭データ抽出方法および装置は、生体断層画像（２次元医用画像）から３次元モデル構築に必要な対象とする領域の輪郭データを短時間に自動抽出することができる、等の優れた効果を有する。
【図面の簡単な説明】
【図１】本発明による生体断層画像の輪郭データ抽出装置の模式的構成図である。
【図２】本発明の方法を示すフローチャートである。
【図３】腎動脈と大動脈を示す図である。
【図４】テンプレートと変数を示す図である。
【図５】ＧＡの概要図である。
【図６】Ｓｎａｋｅの概念図である。
【図７】ＣＴ画像のディスプレー上の中間調画像である。
【図８】二値化された画像である。
【図９】テンプレート画像である。
【図１０】認識された大動脈領域を示す図である。
【図１１】消去される画像範囲を示す図である。
【図１２】血管領域だけの画像である。
【図１３】擬似ユークリッド距離変換により得られた画像エネルギー分布図である。
【図１４】制御点の初期値から輪郭までの移動軌跡を示す図である。
【図１５】本発明による輪郭抽出例を示す図である。
【符号の説明】
２ 画像表示装置（ＣＲＴ）、
４ 領域指示装置（マウス）、
６ 画像処理装置（コンピュータ）、
８ 出力装置、
１０ 輪郭データ抽出装置
Claims (5)
- 対象領域の２次元画像を入力する対象領域入力ステップ（Ａ）と、生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識する対象領域認識ステップ（Ｂ）と、生体断層画像を認識された対象領域だけにする画像前処理ステップ（Ｃ）と、認識された対象領域の輪郭データを抽出する輪郭データ抽出ステップ（Ｄ）とを有する、ことを特徴とする生体断層画像の輪郭データ抽出方法。
- 前記対象領域入力ステップ（Ａ）において、対象領域テンプレートを作成し、
前記対象領域認識ステップ（Ｂ）において、対象領域テンプレートの中心座標と倍率を変化させて一致する領域を対象領域としてパターン認識し、
画像前処理ステップ（Ｃ）において、パターン認識によって得られた中心座標と倍率を用いて対象領域の外側領域を消去する、ことを特徴とする請求項１に記載の生体断層画像の輪郭データ抽出方法。 - 前記輪郭データ抽出ステップ（Ｄ）において、ｅｄｇｅエネルギーを擬似ユークリッド距離変換を用いて計算する、ことを特徴とする請求項１に記載の生体断層画像の輪郭データ抽出方法。
- 生体断層画像を画像表示する画像表示装置（２）と、該画像表示装置上の特定領域を指示する領域指示装置（４）と、画像表示装置上の画像を画像処理する画像処理装置（６）と、画像処理により得られたデータを出力する出力装置（８）とを備え、
画像表示装置に生体断層画像を画像表示し、領域指示装置により生体断層画像の特定領域を指示して対象領域の２次元画像を入力し、画像処理装置により生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識し、生体断層画像を認識された対象領域だけに前処理し、認識された対象領域の輪郭データを抽出し、出力装置により輪郭データを出力する、ことを特徴とする生体断層画像の輪郭データ抽出装置。 - コンピュータを用いて、生体断層画像を画像表示し、生体断層画像の特定領域を指示して対象領域の２次元画像を入力し、生体断層画像から前記２次元画像に基づき遺伝的アルゴリズムによるパターン認識を用いてその画像上の対象領域を認識し、生体断層画像を認識された対象領域だけに前処理し、認識された対象領域の輪郭データを抽出し、輪郭データを出力する、ことを特徴とする生体断層画像の輪郭データ抽出用プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002260788A JP3642059B2 (ja) | 2002-09-06 | 2002-09-06 | 生体断層画像の輪郭データ抽出方法および装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002260788A JP3642059B2 (ja) | 2002-09-06 | 2002-09-06 | 生体断層画像の輪郭データ抽出方法および装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2004097315A true JP2004097315A (ja) | 2004-04-02 |
| JP3642059B2 JP3642059B2 (ja) | 2005-04-27 |
Family
ID=32261327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002260788A Expired - Fee Related JP3642059B2 (ja) | 2002-09-06 | 2002-09-06 | 生体断層画像の輪郭データ抽出方法および装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3642059B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007328747A (ja) * | 2006-06-09 | 2007-12-20 | Sony Computer Entertainment Inc | 特徴点探索装置、画像解析装置、および最近傍特徴点検出方法 |
| JP2008507372A (ja) * | 2004-07-26 | 2008-03-13 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 自動化された疑わしいオブジェクト境界判定のためのシステム及び方法 |
| WO2019097778A1 (ja) * | 2017-11-14 | 2019-05-23 | 株式会社日立製作所 | 画像処理装置、画像処理方法、画像処理プログラム及び超音波撮像装置 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4887491B2 (ja) * | 2006-04-18 | 2012-02-29 | 国立大学法人九州工業大学 | 医用画像処理方法及びその装置、プログラム |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04183446A (ja) * | 1990-11-19 | 1992-06-30 | Res Dev Corp Of Japan | 画像合成による手術支援システム |
| JPH1196339A (ja) * | 1997-09-22 | 1999-04-09 | Olympus Optical Co Ltd | 画像中の腫瘤影の検出装置及び方法並びに腫瘤影検出プログラムを記録した記録媒体 |
| JPH11213127A (ja) * | 1998-01-23 | 1999-08-06 | Tokyo Inst Of Technol | 画像処理方法および装置 |
| JP2002207992A (ja) * | 2001-01-12 | 2002-07-26 | Hitachi Ltd | 画像処理方法及び画像処理装置 |
| JP2002530133A (ja) * | 1998-11-13 | 2002-09-17 | アーチ・デベロップメント・コーポレーション | 肺結節中の悪性腫瘍検出用システム |
-
2002
- 2002-09-06 JP JP2002260788A patent/JP3642059B2/ja not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04183446A (ja) * | 1990-11-19 | 1992-06-30 | Res Dev Corp Of Japan | 画像合成による手術支援システム |
| JPH1196339A (ja) * | 1997-09-22 | 1999-04-09 | Olympus Optical Co Ltd | 画像中の腫瘤影の検出装置及び方法並びに腫瘤影検出プログラムを記録した記録媒体 |
| JPH11213127A (ja) * | 1998-01-23 | 1999-08-06 | Tokyo Inst Of Technol | 画像処理方法および装置 |
| JP2002530133A (ja) * | 1998-11-13 | 2002-09-17 | アーチ・デベロップメント・コーポレーション | 肺結節中の悪性腫瘍検出用システム |
| JP2002207992A (ja) * | 2001-01-12 | 2002-07-26 | Hitachi Ltd | 画像処理方法及び画像処理装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008507372A (ja) * | 2004-07-26 | 2008-03-13 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 自動化された疑わしいオブジェクト境界判定のためのシステム及び方法 |
| JP2007328747A (ja) * | 2006-06-09 | 2007-12-20 | Sony Computer Entertainment Inc | 特徴点探索装置、画像解析装置、および最近傍特徴点検出方法 |
| JP4692969B2 (ja) * | 2006-06-09 | 2011-06-01 | 株式会社ソニー・コンピュータエンタテインメント | 特徴点探索装置、画像解析装置、および最近傍特徴点検出方法 |
| WO2019097778A1 (ja) * | 2017-11-14 | 2019-05-23 | 株式会社日立製作所 | 画像処理装置、画像処理方法、画像処理プログラム及び超音波撮像装置 |
| JP2019088458A (ja) * | 2017-11-14 | 2019-06-13 | 株式会社日立製作所 | 画像処理装置、画像処理方法、画像処理プログラム及び超音波撮像装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3642059B2 (ja) | 2005-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10452899B2 (en) | Unsupervised deep representation learning for fine-grained body part recognition | |
| El-Feghi et al. | Automatic localization of craniofacial landmarks for assisted cephalometry | |
| JP2021518966A (ja) | 医用画像認識方法及びシステム、並びに、モデルトレーニング方法、コンピュータ装置、及びプログラム | |
| US11216683B2 (en) | Computer aided scanning method for medical device, medical device, and readable storage medium | |
| Xie et al. | Statistical karyotype analysis using CNN and geometric optimization | |
| US20190311478A1 (en) | System and Method for Automatic Detection, Localization, and Semantic Segmentation of Anatomical Objects | |
| Soltaninejad et al. | Three dimensional root CT segmentation using multi-resolution encoder-decoder networks | |
| Ma et al. | Hierarchical segmentation and identification of thoracic vertebra using learning-based edge detection and coarse-to-fine deformable model | |
| US20090169075A1 (en) | Image processing method and image processing apparatus | |
| US8385614B2 (en) | Slice image display apparatus, method and recording-medium having stored therein program | |
| JP2013537445A (ja) | 内科医が直接用いるのに適応したビジュアライゼーション | |
| CN112712273B (zh) | 一种基于骨架相似度的手写体汉字美观度评判方法 | |
| JPWO2007013300A1 (ja) | 異常陰影候補検出方法及び異常陰影候補検出装置 | |
| Liu et al. | A semi-supervised CNN learning method with pseudo-class labels for atherosclerotic vascular calcification detection | |
| Reza et al. | A novel feature extraction and selection technique for chest x-ray image view classification | |
| JP3642059B2 (ja) | 生体断層画像の輪郭データ抽出方法および装置 | |
| CN111918611B (zh) | 胸部x线图像的异常显示控制方法、记录介质及装置 | |
| US20220414869A1 (en) | Detecting and segmenting regions of interest in biomedical images using neural networks | |
| Vasker et al. | Deep learning-assisted fracture diagnosis: Real-time femur fracture diagnosis and categorization | |
| Zheng et al. | Improvement of grayscale image segmentation based on pso algorithm | |
| CN112561894B (zh) | 针对ct图像的电子病历智能生成方法及系统 | |
| Asawa et al. | Deep learning approaches for determining optimal cervical cancer treatment | |
| Chen et al. | Automated segmentation for patella from lateral knee X-ray images | |
| JP5954846B2 (ja) | 形状データ生成プログラム、形状データ生成方法及び形状データ生成装置 | |
| JP4586103B2 (ja) | 画像抽出方法及び装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20031201 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20040322 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20040827 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040924 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20041019 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20041110 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20041216 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20050114 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050117 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| LAPS | Cancellation because of no payment of annual fees |