JP2004174217A - 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 - Google Patents
画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 Download PDFInfo
- Publication number
- JP2004174217A JP2004174217A JP2003182671A JP2003182671A JP2004174217A JP 2004174217 A JP2004174217 A JP 2004174217A JP 2003182671 A JP2003182671 A JP 2003182671A JP 2003182671 A JP2003182671 A JP 2003182671A JP 2004174217 A JP2004174217 A JP 2004174217A
- Authority
- JP
- Japan
- Prior art keywords
- image
- region
- interest
- image processing
- displayed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
【課題】例えば医用画像において、診断等に必要な関心領域を解剖学的基準に基づいて自動抽出する画像処理装置等を提供すること。
【解決手段】学習近傍領域を可変とした自己組織化マップ(SOM)による輪郭抽出処理によって取得された脳表面輪郭線画像と、SOMによる組織の自動分類処理によって取得された組織カラーマップと、から得られる解剖学的構造情報(脳表面輪郭線、上大脳縦裂特徴点と下大脳縦裂特徴点とを連結する大脳縦裂連結線、脳脊髄液を細線化した脳脊髄液細線、側脳室端点、外側溝端点等)に基づいて、組織カラーマップに対して、幾何学的処理を施し例えば関心領域としての前頭葉を設定する。設定された関心領域は、当該関心領域のみを切り出して表示する形態、当該関心領域と他の領域とを色別表示する形態、又は当該関心領域を組織別に色別表示する形態等によって表示され、医師等に提供される。
【選択図】 図1
【解決手段】学習近傍領域を可変とした自己組織化マップ(SOM)による輪郭抽出処理によって取得された脳表面輪郭線画像と、SOMによる組織の自動分類処理によって取得された組織カラーマップと、から得られる解剖学的構造情報(脳表面輪郭線、上大脳縦裂特徴点と下大脳縦裂特徴点とを連結する大脳縦裂連結線、脳脊髄液を細線化した脳脊髄液細線、側脳室端点、外側溝端点等)に基づいて、組織カラーマップに対して、幾何学的処理を施し例えば関心領域としての前頭葉を設定する。設定された関心領域は、当該関心領域のみを切り出して表示する形態、当該関心領域と他の領域とを色別表示する形態、又は当該関心領域を組織別に色別表示する形態等によって表示され、医師等に提供される。
【選択図】 図1
Description
【0001】
【発明の属する技術分野】
本発明は、例えば磁気共鳴映像装置(Magnetic Resonance Imaging device)等の医用画像診断装置に組み込まれる、又は医療用ワークステーション等によって提供される画像処理装置等に関する。
【0002】
【従来の技術】
医用画像は、被検体についての多くの臨床情報を画像により提供するものであり、疾病の診断、治療や手術計画等を初めとする多くの医療行為において重要な役割を果たしている。医用画像は、医療用画像機器(例えば、超音波診断装置、X線CT装置、核医学診断装置、磁気共鳴診断装置等)によって収集されたデータに、当該医療用画像機器に内蔵される、又は医療用ワークステーション等によって実現される画像処理装置により、所定の画像処理を施すことで生成される。
【0003】
この医用画像を利用した診断では、被検体の所定部位に関する画像において、診断部位を含む関心領域(Region of Interest :以下「ROI」とも称する。)に注目する。医用画像を利用した脳萎縮の診断を例にとれば、医師は、一般に頭部MR画像のT2強調水平断を対象とし、側脳室前角が現れるスライス画像によって画像診断を行う。医用画像における関心領域の抽出法は、診断部位によって様々である。例えば、上記脳萎縮を診断する場合では、医師がMR画像上に現れる脳の解剖学的構造を目視で確認しながら、マニュアル操作により、脳萎縮の診断に必要な関心領域を選択している。
【0004】
しかしながら、脳構造は個人により微妙な差異があり、特に白質と灰白質との境界などは、脳の解剖図譜に基づいて作成された標準脳地図を参照し、関心領域をマニュアル操作にて抽出するのは困難である。特に、前頭葉萎縮の程度を定量的に解析するためには、個人の脳構造に合わせて注目する関心領域を選択する必要がある。しかし、従来のマニュアル操作による抽出法では、その抽出根拠は医師毎に異なるため、客観的な定量的評価を行うことはできない。この事情は、診断部位が脳である場合に限らず、客観的基準に基づく関心領域の抽出法が確立されていない診断部位についても同様である。
【0005】
【発明が解決しようとする課題】
本発明は、上記事情を鑑みてなされたもので、例えば医用画像において、診断等に必要な関心領域を解剖学的基準に基づいて自動抽出する画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体を提供することを目的としている。
【0006】
【課題を解決するための手段】
本発明は、上記目的を達成するため、次のような手段を講じている。
【0007】
本発明の第1の視点は、被検体の所定部位の輪郭線に関する第1の画像と、前記所定部位の組織分布を表す第2の画像と、を記憶する記憶手段と、前記第1の画像及び前記第2の画像から得られる解剖学的構造情報に基づいて、第3の画像に幾何学的処理を施し、当該第3の画像に診断対象を含む関心領域を設定する関心領域設定手段と、前記関心領域を所定の形態にて表示する表示手段とを具備することを特徴とする画像処理装置である。
【0008】
本発明の第2の視点は、第1の視点に係る装置において、前記解剖学的構造情報は、脳表面輪郭線、上大脳縦裂特徴点と下大脳縦裂特徴点とを連結する大脳縦裂連結線、脳脊髄液を細線化した脳脊髄液細線、側脳室端点、外側溝端点のうちの少なくとも一つを含むこと、を特徴とするものである。
【0009】
本発明の第3の視点は、第1又は第2の視点に係る装置において、前記第1の画像は、学習近傍領域を可変とした自己組織化マップによる輪郭抽出処理によって取得された画像であり、前記第2の画像は、自己組織化マップによる組織の自動分類処理によって取得された画像であることを特徴とするものである。
【0010】
本発明の第4の視点は、第1乃至3のうちいずれかの視点に係る装置において、前記表示手段は、前記関心領域のみを切り出して表示する第1の形態、前記関心領域と他の領域とを色別表示する第2の形態、又は前記関心領域を組織別に色別表示する第3の形態の何れかによって前記関心領域を表示することを特徴とするものである。
【0011】
本発明の第5の視点は、被検体の所定部位の輪郭線に関する第1の画像と、前記所定部位の組織分布を表す第2の画像と、から得られる解剖学的構造情報に基づいて、第3の画像に幾何学的処理を施し、当該第3の画像に診断対象を含む関心領域を設定する関心領域設定ステップと、前記関心領域を所定の形態にて表示する表示ステップと、を具備することを特徴とする画像処理方法である。
【0012】
本発明の第6の視点は、第5の視点に係る方法において、前記所定部位は脳であり、前記解剖学的構造情報は、脳表面輪郭線、上大脳縦裂特徴点と下大脳縦裂特徴点とを連結する大脳縦裂連結線、脳脊髄液を細線化した脳脊髄液細線、側脳室端点、外側溝端点のうちの少なくとも一つを含むこと、を特徴とするものである。
【0013】
本発明の第7の視点は、第5又は第6の視点に係る方法において、前記第1の画像は、学習近傍領域を可変とした自己組織化マップによる輪郭抽出処理によって取得された画像であり、前記第2の画像は、自己組織化マップによる組織の自動分類処理によって取得された画像であること、を特徴とするものである。
【0014】
本発明の第8の視点は、第5乃至7のうちいずれかの視点に係る方法において、前記所定の形態は、前記関心領域のみを切り出して表示する第1の形態、前記関心領域と他の領域とを色別表示する第2の形態、又は前記関心領域を組織別に色別表示する第3の形態の何れかであることを特徴とするものである。
【0015】
本発明の第9の視点は、コンピュータに、被検体の所定部位の輪郭線に関する第1の画像と、前記所定部位の組織分布を表す第2の画像と、から得られる解剖学的構造情報に基づいて、第3の画像に幾何学的処理を施し、当該第3の画像に診断対象を含む関心領域を設定する関心領域設定ステップと、前記関心領域を所定の形態にて表示する表示ステップと、を実行させるための画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体である。
【0016】
本発明の第10の視点は、第9の視点に係る記憶媒体において、前記所定部位は脳であり、
前記解剖学的構造情報は、脳表面輪郭線、上大脳縦裂特徴点と下大脳縦裂特徴点とを連結する大脳縦裂連結線、脳脊髄液を細線化した脳脊髄液細線、側脳室端点、外側溝端点のうちの少なくとも一つを含むこと、を特徴とするものである。
【0017】
本発明の第11の視点は、第9又は第10の視点に係る記憶媒体において、前記第1の画像は、学習近傍領域を可変とした自己組織化マップによる輪郭抽出処理によって取得された画像であり、前記第2の画像は、自己組織化マップによる組織の自動分類処理によって取得された画像であること、を特徴とするものである。
【0018】
本発明の第12の視点は、第9乃至11のうちいずれかの視点に係る記憶媒体方法において、前記所定の形態は、前記関心領域のみを切り出して表示する第1の形態、前記関心領域と他の領域とを色別表示する第2の形態、又は前記関心領域を組織別に色別表示する第3の形態の何れかであることを特徴とするものである。
【0019】
このような構成によれば、例えば医用画像において、診断等に必要な関心領域を解剖学的基準に基づいて自動抽出する画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体として実現することができる。
【0020】
【発明の実施の形態】
以下、本実施形態を図面に従って説明する。なお、以下の説明において、略同一の機能及び構成を有する構成要素については、同一符号を付し、重複説明は必要な場合にのみ行う。
【0021】
本実施形態に係る画像処理装置は、医用画像を用いた画像診断において、被検体の所定部位を含む画像を対象に、解剖学的構造情報に基づいて、診断部位を含む関心領域の自動設定を行うものである。以下においては、説明を具体的にするため、脳萎縮の診断において、所定の被検体に関する頭部MR画像のT2強調水平断において、診断対象である前頭葉を関心領域とし、これを解剖学的構造情報に基づいて画像上に自動設定する場合を例とする。
【0022】
しかしながら、本発明の技術的思想は、これに限定されない。例えば、組織分類の対象とする画像は、X線CT画像等の他の断層画像でもよい。また、本実施形態で採用する解剖学的構造情報、及びこれに基づく幾何学的処理は一例であり、他の解剖学的構造情報及び幾何学的手法を採用してもよい。さらに、本技術的思想は、脳以外の診断においても有益であることは、言うまでもない。
【0023】
図1は、本実施形態に係る画像処理装置10のブロック構成図を示している。同図に示すように、画像処理装置10は、MRIデータベース11、組織カラーマップ記憶部12、構造情報抽出フェーズ13、関心領域設定フェーズ15、関心領域記憶部17、インタフェース部19、脳表面輪郭線画像記憶部21を具備している。
【0024】
組織カラーマップ記憶部12は、診断に供するMR画像に対して、組織の自動分類法を適用することで得られる組織カラーマップを記憶している。ここで、自動分類法とは、診断に供するMR画像の画像特性を自己組織化マップ(Self-Organizing Map:以下「SOM」と称する。)により自己写像することで、画像を組織毎に分類するものである。この自動分類法については、後で詳しく説明する。
【0025】
MRIデータベース11は、被検体(患者)毎のMR画像を格納している。
【0026】
脳表面輪郭線画像記憶部21は、脳の組織カラーマップに対して、輪郭抽出処理を行うことで得られる脳表面輪郭線画像を記憶している。ここで、輪郭抽出処理とは、脳のおおまかな輪郭線上の点の位置をSOMにより自己写像することで、より正確で客観性の高い脳表面の輪郭線を生成するものである。この輪郭抽出処理についても、後で詳しく説明する。
【0027】
構造情報抽出フェーズ13は、処理対象領域設定部130、大脳縦裂連結線抽出部131、脳脊髄液細線化部132、側脳室端点抽出部133、外側溝端点抽出部134を有している。処理対象領域設定部130は、組織カラーマップ記憶部12が記憶する組織カラーマップと、脳表面輪郭線画像記憶部21が記憶する脳表面輪郭線画像とに基づいて、処理対象領域を設定する。この処理対象領域は、組織カラーマップに対して設定される。しかしながら、これに限定する趣旨ではなく、例えば当該組織カラーマップ作成の原画像(今の場合、MR画像)に対して処理対象領域を設定し、これに対して関心領域の自動抽出を行う構成であってもよい。大脳縦裂連結線抽出部131は、脳表面輪郭線から上大脳縦裂特徴点と下大脳縦裂特徴点とを抽出し、双方を線分で結んで大脳縦裂連結線を定義する。脳脊髄液細線化部132は、大脳縦裂連結線の二等分線を脳の仮想中心とし、当該仮想中心を通る水平線分より上に存在する脳脊髄液を細線化する。側脳室端点抽出部133は、上記仮想中心から所定の半径R内に存在する線分を追跡し、解剖学的構造情報と類似する端点を抽出して側脳室端点と定義する。
【0028】
外側溝端点抽出部134は、上記側脳室端点からユークリッド距離が最小になる脳脊髄液細線を検索してその一端を抽出し、外側溝端点と定義する。
【0029】
関心領域設定フェーズ15は、脳表面接点抽出部150、大脳縦裂連結線接点抽出部151、関心領域設定・表示部152を有している。脳表面接点抽出部150は、外側溝端点から脳表面輪郭線に水平線を引き、その接点を抽出する。大脳縦裂連結線接点抽出部151は、側脳室端点から大脳縦裂連結線に垂線を引き、その接点を抽出する。関心領域設定・表示部152は、解剖学的構造情報に基づく一連の幾何学的処理によって得られた情報に基づいて、関心領域を設定し、これをインタフェース部19に出力する。
【0030】
関心領域記憶部17は、取得された関心領域の位置に関する情報や当該関心領域のみを切り出した画像等を記憶する。
【0031】
インタフェース部19は、表示部、操作部等からなり、設定された関心領域を表示する。
【0032】
なお、図1においては、MRIデータベース11、組織カラーマップ記憶部12、脳表面輪郭線画像記憶部21をそれぞれ個別に表現した。しかしながら、単一のメモリによって各構成を実現する構成であってもよい。また、MRIデータベース11等を本画像処理装置10と別体として設け、ネットワークを介してMR画像等を取得する構成であってもよい。
【0033】
(自己組織化マップ :Self-Organizing Map )
次に、自己組織化マップ(SOM)について説明する。SOMは、入力データの位相を保存し、トポロジカルなマッピングを行うものであり、その学習過程は、明示的な教師を必要としない。
【0034】
一般のSOMは、図2に示すように、入力ユニットを含む入力層と、出力ユニットを含むマッピング層との二層からなる。典型的なSOMの学習アルゴリズムは、次の様である。
【0035】
(1)wij(1≦i≦n)を時刻tにおける入力ユニットiから出力ユニットjへの重み係数とする。ユニットの重み係数を乱数で初期化し、ノードjの近傍の初期範囲を大きく設定する。
【0036】
(2)xi(1≦i≦n)を時刻tにおけるノードiへの入力とする。
【0037】
(3)入力データと出力ノードjとのユークリッド距離djを次の式(1)にて計算する。
【0038】
【数1】
【0039】
(4)ユークリッド距離djが最小となる出力ユニットを検索する。
【0040】
(5)Nc(t)で定義される近傍に含まれるユニットへの重み係数を、次の式(2)にて更新する。
wij(t+1)=wij(t)+α(t)(xi(t)−wij(t))(2)
ここで、α(t)は学習率係数(0<α<1)、Nc(t)は近傍領域のサイズであり、時間とともに減少させる。
【0041】
(6)上記(2)〜(5)の処理を繰り返す。
【0042】
次に、上記SOM処理を利用した組織の自動分類法による、組織カラーマップの作成処理について説明する。
【0043】
すなわち、図3に示すように、組織分類の対象となるMR画像(以下、「分類対象画像」と称する。)に対して、ランダムに抽出される複数の局所ブロックに関する4つの特徴量(注目画素の輝度値、局所ブロックを構成する各画素の輝度値の平均値、注目画素の輝度値と局所ブロックを構成する画素の輝度値の最大値との差、注目画素の輝度値と局所ブロックを構成する画素の輝度値の最小値との差)を入力層における入力とし、所定の重み係数によって患者の所定部位の組織分布を分類対象画像の特徴空間における画像の位相特性として自己写像する。この自己写像により、入力としての各局所ブロックは、SOM処理により背景(BG)、脳脊髄液(CSF)、白質(WM)、灰白質(GM)の4つの出力ユニットA、B、C及びDのいずれかに写像される。
【0044】
すなわち、いまx1=注目画素の輝度値、x2=局所ブロックを構成する各画素の輝度値の平均値、x3=注目画素の輝度値と局所ブロックを構成する画素の輝度値の最大値との差、x4=注目画素の輝度値と局所ブロックを構成する画素の輝度値の最小値との差、とする。各局所ブロックにおける各特徴量xi(ただし、iは1≦i≦4を満たす整数)を入力し、式(1)に基づいて、初期設定の重み係数wijによってユークリッド距離djを算出する。なお、今の場合、j=1が出力ユニットCSFに対応、j=2が出力ユニットGMに対応、j=3が出力ユニットWM、j=4が出力ユニットBGに対応するものとして、jは1≦j≦4を満たす整数とする。
【0045】
入力は、算出されたユークリッド距離d1、d2、d3、d4のうち、最小のものに対応する出力ユニットに写像される。なお、当該自己写像においてユークリッド距離が最小になる出力ユニットは、勝者ユニットと呼ばれる。
【0046】
また、この抽出された局所ブロックに対するSOM処理は、式(2)によって逐次重み係数を更新しながら、複数回(例えば1000000回)実行される。この様に、重み係数を更新しながら、SOM処理を複数回繰り返し学習する。学習が進むに従って、各局所ブロックは、所定の出力ユニットに収束するようになる。
【0047】
このSOM処理の結果と、分類対象画像において生成される、各画素を注目画素とする複数の局所ブロック(3×3画素)の4つの特徴量とに基づいて、分類対象画像の各画素を背景(BG)、脳脊髄液(CSF)、白質(WM)、灰白質(GM)のいずれかに組織分類し、各画素に所定の色を割り当てることで、組織カラーマップを生成することができる。
【0048】
次に、学習近傍領域を可変としたSOM処理による輪郭抽出処理について説明する。輪郭抽出処理とは、当該患者の脳の輪郭線を代表する所定の代表点を学習データとするSOM処理を繰り返し実行することで、より客観性の高い代表点を取得するものである。本実施形態においては、初期輪郭線と上矢状静脈洞のエッジ部分とを合成して生成される脳の大まかな輪郭線を構成する複数の点(画素)の一部又は全部を、学習データとしての代表点とする。
【0049】
また、以下に説明する例は、二種類のSOM処理を実行しその結果を合成することで、対象の複雑さに応じた輪郭抽出を実現するものである。二種類のSOM処理の一方は「初期近傍領域が3/4のSOM処理」と呼ばれ、他方は「初期近傍領域が1/8のSOM処理」と呼ばれる。
【0050】
初期近傍領域が3/4のSOM処理では、図5に示すように、学習データ上の所定の各画素に関するX座標及びY座標を入力層における入力とし、所定の各重み係数によって、マッピング層における各出力ユニットに写像し、その中から最適な出力ユニット(勝者ユニット)を選択するSOM処理が繰り返し実行される。その際、各SOM処理においては、学習近傍領域内に存在する出力ユニットに対応する各重み係数の更新が実行される。ここで、学習近傍領域とは、得られた勝者ユニットを少なくとも含む領域であり、学習回数の進行に従って収束するものである。また、初期近傍領域とは、学習近傍領域の初期設定を意味する。本SOM処理では、初期近傍領域を、出力ユニット総数の3/4として設定し、所定の直線又は曲線に従って収束させる。
【0051】
定量的な例により、上記初期近傍領域が3/4のSOM処理の内容をより詳しく説明すると、次のようである。すなわち、学習データ上の所定画素の座標(xi,yi)を入力とし、当該所定画素に対して式(1)に基づいてユークリッド距離djを算出する。ここで、iは1≦i≦最大学習回数(100000回)を満たす整数、jは1≦j≦マッピング層の出力ユニット総数(1000ユニット)を満たす整数である。算出されたユークリッド距離djが最小となるユニットを勝者ユニットとし、勝者ユニット及び当該勝者ユニットを中心とした近傍領域内の出力ユニット(近傍ユニット)に対して式(2)に基づいて重み係数を更新する。今の場合、初期近傍領域が3/4であるから、当該領域内に存在する出力ユニットの総数は750ユニットとなる。
【0052】
このように学習近傍領域を収束させつつ、当該領域内に存在する出力ユニットに対応する重み係数を式(2)によって逐次更新しながら、学習データ上の各画素についてのSOM処理を複数回(例えば100000回)実行する。最終的に、学習データ上の各画素の座標は、それぞれ所定の出力ユニットに収束するようになる。
【0053】
また、初期近傍領域が1/8のSOM処理では、図5に示すように、初期近傍領域を最初に出力ユニット総数の1/8として設定し、所定の直線又は曲線に従って収束させながら、同様の処理をおこなう。
【0054】
なお、本実施形態では、図5に示すように、各SOM処理における複数の出力ユニットは、第1出力ユニット(最初の出力ユニット)と第1000出力ユニット(最後の出力ユニット)とが連結された閉空間を構成している。これにより、第1000出力ユニットは、第1出力ユニットの近傍ユニットとして判断され、式(2)による重み係数の更新に影響することになる。この様に閉空間の出力ユニットを採用するのは、抽出しようとする輪郭が閉曲線であるからである。これにより、第1出力ユニットと第1000出力ユニットとの相関度合いが高くなり、より精度の高い結果を得ることができる。
【0055】
また、処理の収束性の観点から、学習回数が進行するに従って、各SOM処理における近傍領域のサイズ及び学習率係数を線形で減少させることが好ましい。
【0056】
次に、上記のように構成した画像処理装置10によって実行される関心領域の自動設定処理について、図6、図7を参照しながら説明する。なお、以下においては、説明を解りやすくするために、主に脳の右半球に関する処理を例として説明するが、脳の左半球に関する処理も同様の内容である。また、右半球に関する処理と左半球に関する処理とは、並行して実行されるものとする。
【0057】
図6、図7は、画像処理装置10が実行する関心領域の自動設定処理の流れを示したフローチャートである。図6において、まず、前段の処理として、既述の自動分類法により組織カラーマップを作成し、組織カラーマップ記憶部12に格納する(ステップS1)。同様に、前段の処理として、既述の輪郭抽出法により、脳表面の輪郭を抽出する(ステップS2)。
【0058】
次に、処理対象領域設定部130は、脳表面輪郭線内に存在する組織カラーマップを処理対象領域として設定する。大脳縦裂連結線抽出部131は、脳表面輪郭線に基づいて、図8に示すように、上記処理対象領域に上大脳縦裂特徴点aと下大脳縦裂特徴点bとを抽出し、双方を線分Lで連結して大脳縦裂連結線を定義する(ステップS3)。
【0059】
次に、脳脊髄液細線化部132は、図8に示すように大脳縦裂連結線の2等分点を脳の仮想中心sと定義し、当該仮想中心sを通る水平線分より上の脳脊髄液を細線化する(ステップS4)。以下、細線化された脳脊髄液を「脳脊髄液細線」と呼ぶ。
【0060】
次に、側脳室端点抽出部133は、上記仮想中心sから半径R(ここでは、R=線分asの1/3)内に存在する脳脊髄液細線の線分を追跡し、図8に示すように解剖学的構造情報と類似する端点を側脳室端点cとする(ステップS5)。
【0061】
次に、外側溝端点抽出部134は、上記側脳室端点cからユークリッド距離が最小になる右半球での脳脊髄液細線の端点を検索し(ステップS6、ステップS7)、検出した場合には、当該検出点を右半球での外側溝端点(単に、「右端点」とも言う。)として設定する(ステップS8)。一方、ユークリッド距離が最小になる右半球での脳脊髄液細線の端点を検出しない場合には、側脳室細線化端点の座標を擬似的な右半球での外側溝端点(単に、「右疑似端点」とも言う。)として設定する(ステップS8´)。
【0062】
同様に、外側溝端点抽出部134は、上記側脳室端点cからユークリッド距離が最小になる左半球での脳脊髄液細線の端点を検索し(ステップS9)、検出した場合には、当該検出点を左半球での外側溝端点(単に、「左端点」とも言う。)として設定する(ステップS10)。一方、ユークリッド距離が最小になる左半球での脳脊髄液細線の端点を検出しない場合には、側脳室細線化端点の座標を擬似的な左半球での外側溝端点(単に、「左疑似端点」とも言う。)として設定する(ステップS10´)。
【0063】
次に、外側溝端点抽出部134は、ステップS7、S9での判断の結果に基づいて、左右の外側溝端点の最終決定を行う。すなわち、外側溝端点抽出部134は、ステップS7において右端点有りと判断し、且つステップS9において左端点有りと判断した場合には、各端点をそれぞれの半球での外側溝端点dと決定する(ステップ12)。また、外側溝端点抽出部134は、ステップS7において右端点無しと判断し、且つステップS9において左端点無しと判断した場合には、各疑似端点を各半球での外側溝端点dと決定する。さらに、外側溝端点抽出部134は、ステップS7、S9のいずれか一方においてのみ右端点又は左端点有りと判断した場合には、検出した一方の端点座標を大脳縦裂連結線に対して対象移動し、検出できなかった半球での外側溝端点dとして決定する(ステップS12´)。
【0064】
次に、脳表面接点抽出部150は、図8に示すように、外側溝端点dから脳表面輪郭に水平線を引き、その足を点eと定義する(ステップS13)。また、大脳縦裂連結線接点抽出部151は、図8に示すように、側脳室端点cから大脳縦裂連結線に垂線を引き、その足を点fと定義する(ステップS14)。関心領域設定・表示部152は、図8に示すように点a,f,c,d,eを結んだ線分内を右前頭葉関心領域として設定する。こうして設定された関心領域の位置情報は、関心領域記憶部17に記憶される。また、設定された関心領域は、所定の形態にてインタフェース19の表示部に表示される。以下、関心領域の表示形態について、幾つかの例を挙げる。
【0065】
図9(a)は頭部MR画像を示している。図9(b)は、図9(a)に示した頭部MR画像から切り出された左前頭葉関心領域を示している。図9(c)は、図9(a)に示した頭部MR画像から切り出された右前頭葉関心領域を示している。図9(b)、(c)に示すように、関心領域以外をマスクした形態にて表示することで、観察しやすい診断画像を提供することができる。
【0066】
また、図10(a)、(b)、(c)、(d)は、頭部MR画像に設定された関心領域のカラー表示を示している。すなわち、図10(a)では、左右前頭葉関心領域の脳脊髄液(CSF)のみをカラー表示している。図10(b)では、左右前頭葉関心領域の白質のみをカラー表示している。図10(c)では、左右前頭葉関心領域の灰白質のみをカラー表示している。図10(d)では、左右前頭葉関心領域の脳脊髄液(CSF)、白質、灰白質を色別表示し、前頭葉萎縮が判断しやすいように表示している。これらのカラー表示は、組織カラーマップを利用することで実現することができる。
【0067】
以上述べた構成によれば、以下の効果を得ることができる。
【0068】
本画像処理装置においては、解剖学的構造情報(例えば、外側溝、側脳室前角等)に基づいて、例えば前頭葉等の関心領域が自動的に抽出される。従って、操作者の主観を必要とせず、より客観性の高い関心領域の抽出を迅速かつ簡便に実施することができる。その結果、質の高い画像診断に寄与することができる。
【0069】
また、本画像処理装置は、個々の患者毎の解剖学的構造情報を利用して、前頭葉等の関心領域を自動抽出している。従って、対象とする画像の種類、対象となる被検体が変わっても、同様により客観性の高い関心領域の抽出を迅速かつ簡便に実施することができる。さらに、画像上に肉眼で解剖学的構造情報が確認できるか否かに関係なく、関心領域を自動抽出することができる。その結果、質の高い画像診断に寄与することができる。
【0070】
また、本画像処理装置は、抽出した関心領域を種々の形態にて表示することができる。従って、医師等の観察者は、自身が観察しやすい所望の形態を自由に選択することができ、診断に有益な医用画像を使い勝手よく提供することができる。
【0071】
以上、本発明を実施形態に基づき説明したが、本発明の思想の範疇において、当業者であれば、各種の変更例及び修正例に想到し得るものであり、それら変形例及び修正例についても本発明の範囲に属するものと了解される。例えば以下に示すように、その要旨を変更しない範囲で種々変形可能である。
【0072】
本実施形態で説明した関心領域の自動設定処理は、当該方法をコンピュータに実行させるプログラムによって、パーソナルコンピュータやワークステーション等によっても実現することができる。この場合、コンピュータに当該方法を実行させることのできるプログラムは、磁気ディスク(フロッピーディスク、ハードディスクなど)、光ディスク(CD−ROM、DVDなど)、半導体メモリなどの記録媒体に格納して頒布することができる。
【0073】
また、各実施形態は可能な限り適宜組み合わせて実施してもよく、その場合組合わせた効果が得られる。さらに、上記実施形態には種々の段階の発明が含まれており、開示される複数の構成要件における適宜な組合わせにより種々の発明が抽出され得る。例えば、実施形態に示される全構成要件から幾つかの構成要件が削除されても、発明が解決しようとする課題の欄で述べた課題が解決でき、発明の効果の欄で述べられている効果の少なくとも1つが得られる場合には、この構成要件が削除された構成が発明として抽出され得る。
【0074】
【発明の効果】
以上本発明によれば、例えば医用画像において、診断等に必要な関心領域を解剖学的基準に基づいて自動抽出する画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体を実現できる。
【図面の簡単な説明】
【図1】図1は、本実施形態に係る画像処理装置10のブロック構成図を示している。
【図2】図2は、自己組織化マップの概念を説明するための図である。
【図3】図3は、組織の自動分類法に使用される局所ブロックを説明するための図である。
【図4】図4は、組織の自動分類法において実行される自己組織化マップの概念を説明するための図である。
【図5】図5は、輪郭抽出法において実行される自己組織化マップの概念を説明するための図である。
【図6】図6は、画像処理装置10が実行する関心領域の自動設定処理の流れを示したフローチャートである。
【図7】図7は、画像処理装置10が実行する関心領域の自動設定処理の流れを示したフローチャートである。
【図8】図8は、関心領域の自動設定処理を説明するための図である。
【図9】図9(a)は頭部MR画像を示している。図9(b)は、図9(a)に示した頭部MR画像から切り出された左前頭葉関心領域を示している。図9(c)は、図9(a)に示した頭部MR画像から切り出された右前頭葉関心領域を示している。
【図10】図10(a)、(b)、(c)、(d)は、頭部MR画像に設定された関心領域のカラー表示を示している。
【符号の説明】
10…画像処理装置
11…MRIデータベース
12…組織カラーマップ記憶部
13…構造情報抽出フェーズ
15…関心領域設定フェーズ
17…関心領域記憶部
19…インタフェース部
21…脳表面輪郭線画像記憶部
130…処理対象領域設定部
131…大脳縦裂連結線抽出部
132…脳脊髄液細線化部
133…側脳室端点抽出部
134…外側溝端点抽出部
150…脳表面接点抽出部
151…大脳縦裂連結線接点抽出部
152…関心領域設定・表示部
【発明の属する技術分野】
本発明は、例えば磁気共鳴映像装置(Magnetic Resonance Imaging device)等の医用画像診断装置に組み込まれる、又は医療用ワークステーション等によって提供される画像処理装置等に関する。
【0002】
【従来の技術】
医用画像は、被検体についての多くの臨床情報を画像により提供するものであり、疾病の診断、治療や手術計画等を初めとする多くの医療行為において重要な役割を果たしている。医用画像は、医療用画像機器(例えば、超音波診断装置、X線CT装置、核医学診断装置、磁気共鳴診断装置等)によって収集されたデータに、当該医療用画像機器に内蔵される、又は医療用ワークステーション等によって実現される画像処理装置により、所定の画像処理を施すことで生成される。
【0003】
この医用画像を利用した診断では、被検体の所定部位に関する画像において、診断部位を含む関心領域(Region of Interest :以下「ROI」とも称する。)に注目する。医用画像を利用した脳萎縮の診断を例にとれば、医師は、一般に頭部MR画像のT2強調水平断を対象とし、側脳室前角が現れるスライス画像によって画像診断を行う。医用画像における関心領域の抽出法は、診断部位によって様々である。例えば、上記脳萎縮を診断する場合では、医師がMR画像上に現れる脳の解剖学的構造を目視で確認しながら、マニュアル操作により、脳萎縮の診断に必要な関心領域を選択している。
【0004】
しかしながら、脳構造は個人により微妙な差異があり、特に白質と灰白質との境界などは、脳の解剖図譜に基づいて作成された標準脳地図を参照し、関心領域をマニュアル操作にて抽出するのは困難である。特に、前頭葉萎縮の程度を定量的に解析するためには、個人の脳構造に合わせて注目する関心領域を選択する必要がある。しかし、従来のマニュアル操作による抽出法では、その抽出根拠は医師毎に異なるため、客観的な定量的評価を行うことはできない。この事情は、診断部位が脳である場合に限らず、客観的基準に基づく関心領域の抽出法が確立されていない診断部位についても同様である。
【0005】
【発明が解決しようとする課題】
本発明は、上記事情を鑑みてなされたもので、例えば医用画像において、診断等に必要な関心領域を解剖学的基準に基づいて自動抽出する画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体を提供することを目的としている。
【0006】
【課題を解決するための手段】
本発明は、上記目的を達成するため、次のような手段を講じている。
【0007】
本発明の第1の視点は、被検体の所定部位の輪郭線に関する第1の画像と、前記所定部位の組織分布を表す第2の画像と、を記憶する記憶手段と、前記第1の画像及び前記第2の画像から得られる解剖学的構造情報に基づいて、第3の画像に幾何学的処理を施し、当該第3の画像に診断対象を含む関心領域を設定する関心領域設定手段と、前記関心領域を所定の形態にて表示する表示手段とを具備することを特徴とする画像処理装置である。
【0008】
本発明の第2の視点は、第1の視点に係る装置において、前記解剖学的構造情報は、脳表面輪郭線、上大脳縦裂特徴点と下大脳縦裂特徴点とを連結する大脳縦裂連結線、脳脊髄液を細線化した脳脊髄液細線、側脳室端点、外側溝端点のうちの少なくとも一つを含むこと、を特徴とするものである。
【0009】
本発明の第3の視点は、第1又は第2の視点に係る装置において、前記第1の画像は、学習近傍領域を可変とした自己組織化マップによる輪郭抽出処理によって取得された画像であり、前記第2の画像は、自己組織化マップによる組織の自動分類処理によって取得された画像であることを特徴とするものである。
【0010】
本発明の第4の視点は、第1乃至3のうちいずれかの視点に係る装置において、前記表示手段は、前記関心領域のみを切り出して表示する第1の形態、前記関心領域と他の領域とを色別表示する第2の形態、又は前記関心領域を組織別に色別表示する第3の形態の何れかによって前記関心領域を表示することを特徴とするものである。
【0011】
本発明の第5の視点は、被検体の所定部位の輪郭線に関する第1の画像と、前記所定部位の組織分布を表す第2の画像と、から得られる解剖学的構造情報に基づいて、第3の画像に幾何学的処理を施し、当該第3の画像に診断対象を含む関心領域を設定する関心領域設定ステップと、前記関心領域を所定の形態にて表示する表示ステップと、を具備することを特徴とする画像処理方法である。
【0012】
本発明の第6の視点は、第5の視点に係る方法において、前記所定部位は脳であり、前記解剖学的構造情報は、脳表面輪郭線、上大脳縦裂特徴点と下大脳縦裂特徴点とを連結する大脳縦裂連結線、脳脊髄液を細線化した脳脊髄液細線、側脳室端点、外側溝端点のうちの少なくとも一つを含むこと、を特徴とするものである。
【0013】
本発明の第7の視点は、第5又は第6の視点に係る方法において、前記第1の画像は、学習近傍領域を可変とした自己組織化マップによる輪郭抽出処理によって取得された画像であり、前記第2の画像は、自己組織化マップによる組織の自動分類処理によって取得された画像であること、を特徴とするものである。
【0014】
本発明の第8の視点は、第5乃至7のうちいずれかの視点に係る方法において、前記所定の形態は、前記関心領域のみを切り出して表示する第1の形態、前記関心領域と他の領域とを色別表示する第2の形態、又は前記関心領域を組織別に色別表示する第3の形態の何れかであることを特徴とするものである。
【0015】
本発明の第9の視点は、コンピュータに、被検体の所定部位の輪郭線に関する第1の画像と、前記所定部位の組織分布を表す第2の画像と、から得られる解剖学的構造情報に基づいて、第3の画像に幾何学的処理を施し、当該第3の画像に診断対象を含む関心領域を設定する関心領域設定ステップと、前記関心領域を所定の形態にて表示する表示ステップと、を実行させるための画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体である。
【0016】
本発明の第10の視点は、第9の視点に係る記憶媒体において、前記所定部位は脳であり、
前記解剖学的構造情報は、脳表面輪郭線、上大脳縦裂特徴点と下大脳縦裂特徴点とを連結する大脳縦裂連結線、脳脊髄液を細線化した脳脊髄液細線、側脳室端点、外側溝端点のうちの少なくとも一つを含むこと、を特徴とするものである。
【0017】
本発明の第11の視点は、第9又は第10の視点に係る記憶媒体において、前記第1の画像は、学習近傍領域を可変とした自己組織化マップによる輪郭抽出処理によって取得された画像であり、前記第2の画像は、自己組織化マップによる組織の自動分類処理によって取得された画像であること、を特徴とするものである。
【0018】
本発明の第12の視点は、第9乃至11のうちいずれかの視点に係る記憶媒体方法において、前記所定の形態は、前記関心領域のみを切り出して表示する第1の形態、前記関心領域と他の領域とを色別表示する第2の形態、又は前記関心領域を組織別に色別表示する第3の形態の何れかであることを特徴とするものである。
【0019】
このような構成によれば、例えば医用画像において、診断等に必要な関心領域を解剖学的基準に基づいて自動抽出する画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体として実現することができる。
【0020】
【発明の実施の形態】
以下、本実施形態を図面に従って説明する。なお、以下の説明において、略同一の機能及び構成を有する構成要素については、同一符号を付し、重複説明は必要な場合にのみ行う。
【0021】
本実施形態に係る画像処理装置は、医用画像を用いた画像診断において、被検体の所定部位を含む画像を対象に、解剖学的構造情報に基づいて、診断部位を含む関心領域の自動設定を行うものである。以下においては、説明を具体的にするため、脳萎縮の診断において、所定の被検体に関する頭部MR画像のT2強調水平断において、診断対象である前頭葉を関心領域とし、これを解剖学的構造情報に基づいて画像上に自動設定する場合を例とする。
【0022】
しかしながら、本発明の技術的思想は、これに限定されない。例えば、組織分類の対象とする画像は、X線CT画像等の他の断層画像でもよい。また、本実施形態で採用する解剖学的構造情報、及びこれに基づく幾何学的処理は一例であり、他の解剖学的構造情報及び幾何学的手法を採用してもよい。さらに、本技術的思想は、脳以外の診断においても有益であることは、言うまでもない。
【0023】
図1は、本実施形態に係る画像処理装置10のブロック構成図を示している。同図に示すように、画像処理装置10は、MRIデータベース11、組織カラーマップ記憶部12、構造情報抽出フェーズ13、関心領域設定フェーズ15、関心領域記憶部17、インタフェース部19、脳表面輪郭線画像記憶部21を具備している。
【0024】
組織カラーマップ記憶部12は、診断に供するMR画像に対して、組織の自動分類法を適用することで得られる組織カラーマップを記憶している。ここで、自動分類法とは、診断に供するMR画像の画像特性を自己組織化マップ(Self-Organizing Map:以下「SOM」と称する。)により自己写像することで、画像を組織毎に分類するものである。この自動分類法については、後で詳しく説明する。
【0025】
MRIデータベース11は、被検体(患者)毎のMR画像を格納している。
【0026】
脳表面輪郭線画像記憶部21は、脳の組織カラーマップに対して、輪郭抽出処理を行うことで得られる脳表面輪郭線画像を記憶している。ここで、輪郭抽出処理とは、脳のおおまかな輪郭線上の点の位置をSOMにより自己写像することで、より正確で客観性の高い脳表面の輪郭線を生成するものである。この輪郭抽出処理についても、後で詳しく説明する。
【0027】
構造情報抽出フェーズ13は、処理対象領域設定部130、大脳縦裂連結線抽出部131、脳脊髄液細線化部132、側脳室端点抽出部133、外側溝端点抽出部134を有している。処理対象領域設定部130は、組織カラーマップ記憶部12が記憶する組織カラーマップと、脳表面輪郭線画像記憶部21が記憶する脳表面輪郭線画像とに基づいて、処理対象領域を設定する。この処理対象領域は、組織カラーマップに対して設定される。しかしながら、これに限定する趣旨ではなく、例えば当該組織カラーマップ作成の原画像(今の場合、MR画像)に対して処理対象領域を設定し、これに対して関心領域の自動抽出を行う構成であってもよい。大脳縦裂連結線抽出部131は、脳表面輪郭線から上大脳縦裂特徴点と下大脳縦裂特徴点とを抽出し、双方を線分で結んで大脳縦裂連結線を定義する。脳脊髄液細線化部132は、大脳縦裂連結線の二等分線を脳の仮想中心とし、当該仮想中心を通る水平線分より上に存在する脳脊髄液を細線化する。側脳室端点抽出部133は、上記仮想中心から所定の半径R内に存在する線分を追跡し、解剖学的構造情報と類似する端点を抽出して側脳室端点と定義する。
【0028】
外側溝端点抽出部134は、上記側脳室端点からユークリッド距離が最小になる脳脊髄液細線を検索してその一端を抽出し、外側溝端点と定義する。
【0029】
関心領域設定フェーズ15は、脳表面接点抽出部150、大脳縦裂連結線接点抽出部151、関心領域設定・表示部152を有している。脳表面接点抽出部150は、外側溝端点から脳表面輪郭線に水平線を引き、その接点を抽出する。大脳縦裂連結線接点抽出部151は、側脳室端点から大脳縦裂連結線に垂線を引き、その接点を抽出する。関心領域設定・表示部152は、解剖学的構造情報に基づく一連の幾何学的処理によって得られた情報に基づいて、関心領域を設定し、これをインタフェース部19に出力する。
【0030】
関心領域記憶部17は、取得された関心領域の位置に関する情報や当該関心領域のみを切り出した画像等を記憶する。
【0031】
インタフェース部19は、表示部、操作部等からなり、設定された関心領域を表示する。
【0032】
なお、図1においては、MRIデータベース11、組織カラーマップ記憶部12、脳表面輪郭線画像記憶部21をそれぞれ個別に表現した。しかしながら、単一のメモリによって各構成を実現する構成であってもよい。また、MRIデータベース11等を本画像処理装置10と別体として設け、ネットワークを介してMR画像等を取得する構成であってもよい。
【0033】
(自己組織化マップ :Self-Organizing Map )
次に、自己組織化マップ(SOM)について説明する。SOMは、入力データの位相を保存し、トポロジカルなマッピングを行うものであり、その学習過程は、明示的な教師を必要としない。
【0034】
一般のSOMは、図2に示すように、入力ユニットを含む入力層と、出力ユニットを含むマッピング層との二層からなる。典型的なSOMの学習アルゴリズムは、次の様である。
【0035】
(1)wij(1≦i≦n)を時刻tにおける入力ユニットiから出力ユニットjへの重み係数とする。ユニットの重み係数を乱数で初期化し、ノードjの近傍の初期範囲を大きく設定する。
【0036】
(2)xi(1≦i≦n)を時刻tにおけるノードiへの入力とする。
【0037】
(3)入力データと出力ノードjとのユークリッド距離djを次の式(1)にて計算する。
【0038】
【数1】
【0039】
(4)ユークリッド距離djが最小となる出力ユニットを検索する。
【0040】
(5)Nc(t)で定義される近傍に含まれるユニットへの重み係数を、次の式(2)にて更新する。
wij(t+1)=wij(t)+α(t)(xi(t)−wij(t))(2)
ここで、α(t)は学習率係数(0<α<1)、Nc(t)は近傍領域のサイズであり、時間とともに減少させる。
【0041】
(6)上記(2)〜(5)の処理を繰り返す。
【0042】
次に、上記SOM処理を利用した組織の自動分類法による、組織カラーマップの作成処理について説明する。
【0043】
すなわち、図3に示すように、組織分類の対象となるMR画像(以下、「分類対象画像」と称する。)に対して、ランダムに抽出される複数の局所ブロックに関する4つの特徴量(注目画素の輝度値、局所ブロックを構成する各画素の輝度値の平均値、注目画素の輝度値と局所ブロックを構成する画素の輝度値の最大値との差、注目画素の輝度値と局所ブロックを構成する画素の輝度値の最小値との差)を入力層における入力とし、所定の重み係数によって患者の所定部位の組織分布を分類対象画像の特徴空間における画像の位相特性として自己写像する。この自己写像により、入力としての各局所ブロックは、SOM処理により背景(BG)、脳脊髄液(CSF)、白質(WM)、灰白質(GM)の4つの出力ユニットA、B、C及びDのいずれかに写像される。
【0044】
すなわち、いまx1=注目画素の輝度値、x2=局所ブロックを構成する各画素の輝度値の平均値、x3=注目画素の輝度値と局所ブロックを構成する画素の輝度値の最大値との差、x4=注目画素の輝度値と局所ブロックを構成する画素の輝度値の最小値との差、とする。各局所ブロックにおける各特徴量xi(ただし、iは1≦i≦4を満たす整数)を入力し、式(1)に基づいて、初期設定の重み係数wijによってユークリッド距離djを算出する。なお、今の場合、j=1が出力ユニットCSFに対応、j=2が出力ユニットGMに対応、j=3が出力ユニットWM、j=4が出力ユニットBGに対応するものとして、jは1≦j≦4を満たす整数とする。
【0045】
入力は、算出されたユークリッド距離d1、d2、d3、d4のうち、最小のものに対応する出力ユニットに写像される。なお、当該自己写像においてユークリッド距離が最小になる出力ユニットは、勝者ユニットと呼ばれる。
【0046】
また、この抽出された局所ブロックに対するSOM処理は、式(2)によって逐次重み係数を更新しながら、複数回(例えば1000000回)実行される。この様に、重み係数を更新しながら、SOM処理を複数回繰り返し学習する。学習が進むに従って、各局所ブロックは、所定の出力ユニットに収束するようになる。
【0047】
このSOM処理の結果と、分類対象画像において生成される、各画素を注目画素とする複数の局所ブロック(3×3画素)の4つの特徴量とに基づいて、分類対象画像の各画素を背景(BG)、脳脊髄液(CSF)、白質(WM)、灰白質(GM)のいずれかに組織分類し、各画素に所定の色を割り当てることで、組織カラーマップを生成することができる。
【0048】
次に、学習近傍領域を可変としたSOM処理による輪郭抽出処理について説明する。輪郭抽出処理とは、当該患者の脳の輪郭線を代表する所定の代表点を学習データとするSOM処理を繰り返し実行することで、より客観性の高い代表点を取得するものである。本実施形態においては、初期輪郭線と上矢状静脈洞のエッジ部分とを合成して生成される脳の大まかな輪郭線を構成する複数の点(画素)の一部又は全部を、学習データとしての代表点とする。
【0049】
また、以下に説明する例は、二種類のSOM処理を実行しその結果を合成することで、対象の複雑さに応じた輪郭抽出を実現するものである。二種類のSOM処理の一方は「初期近傍領域が3/4のSOM処理」と呼ばれ、他方は「初期近傍領域が1/8のSOM処理」と呼ばれる。
【0050】
初期近傍領域が3/4のSOM処理では、図5に示すように、学習データ上の所定の各画素に関するX座標及びY座標を入力層における入力とし、所定の各重み係数によって、マッピング層における各出力ユニットに写像し、その中から最適な出力ユニット(勝者ユニット)を選択するSOM処理が繰り返し実行される。その際、各SOM処理においては、学習近傍領域内に存在する出力ユニットに対応する各重み係数の更新が実行される。ここで、学習近傍領域とは、得られた勝者ユニットを少なくとも含む領域であり、学習回数の進行に従って収束するものである。また、初期近傍領域とは、学習近傍領域の初期設定を意味する。本SOM処理では、初期近傍領域を、出力ユニット総数の3/4として設定し、所定の直線又は曲線に従って収束させる。
【0051】
定量的な例により、上記初期近傍領域が3/4のSOM処理の内容をより詳しく説明すると、次のようである。すなわち、学習データ上の所定画素の座標(xi,yi)を入力とし、当該所定画素に対して式(1)に基づいてユークリッド距離djを算出する。ここで、iは1≦i≦最大学習回数(100000回)を満たす整数、jは1≦j≦マッピング層の出力ユニット総数(1000ユニット)を満たす整数である。算出されたユークリッド距離djが最小となるユニットを勝者ユニットとし、勝者ユニット及び当該勝者ユニットを中心とした近傍領域内の出力ユニット(近傍ユニット)に対して式(2)に基づいて重み係数を更新する。今の場合、初期近傍領域が3/4であるから、当該領域内に存在する出力ユニットの総数は750ユニットとなる。
【0052】
このように学習近傍領域を収束させつつ、当該領域内に存在する出力ユニットに対応する重み係数を式(2)によって逐次更新しながら、学習データ上の各画素についてのSOM処理を複数回(例えば100000回)実行する。最終的に、学習データ上の各画素の座標は、それぞれ所定の出力ユニットに収束するようになる。
【0053】
また、初期近傍領域が1/8のSOM処理では、図5に示すように、初期近傍領域を最初に出力ユニット総数の1/8として設定し、所定の直線又は曲線に従って収束させながら、同様の処理をおこなう。
【0054】
なお、本実施形態では、図5に示すように、各SOM処理における複数の出力ユニットは、第1出力ユニット(最初の出力ユニット)と第1000出力ユニット(最後の出力ユニット)とが連結された閉空間を構成している。これにより、第1000出力ユニットは、第1出力ユニットの近傍ユニットとして判断され、式(2)による重み係数の更新に影響することになる。この様に閉空間の出力ユニットを採用するのは、抽出しようとする輪郭が閉曲線であるからである。これにより、第1出力ユニットと第1000出力ユニットとの相関度合いが高くなり、より精度の高い結果を得ることができる。
【0055】
また、処理の収束性の観点から、学習回数が進行するに従って、各SOM処理における近傍領域のサイズ及び学習率係数を線形で減少させることが好ましい。
【0056】
次に、上記のように構成した画像処理装置10によって実行される関心領域の自動設定処理について、図6、図7を参照しながら説明する。なお、以下においては、説明を解りやすくするために、主に脳の右半球に関する処理を例として説明するが、脳の左半球に関する処理も同様の内容である。また、右半球に関する処理と左半球に関する処理とは、並行して実行されるものとする。
【0057】
図6、図7は、画像処理装置10が実行する関心領域の自動設定処理の流れを示したフローチャートである。図6において、まず、前段の処理として、既述の自動分類法により組織カラーマップを作成し、組織カラーマップ記憶部12に格納する(ステップS1)。同様に、前段の処理として、既述の輪郭抽出法により、脳表面の輪郭を抽出する(ステップS2)。
【0058】
次に、処理対象領域設定部130は、脳表面輪郭線内に存在する組織カラーマップを処理対象領域として設定する。大脳縦裂連結線抽出部131は、脳表面輪郭線に基づいて、図8に示すように、上記処理対象領域に上大脳縦裂特徴点aと下大脳縦裂特徴点bとを抽出し、双方を線分Lで連結して大脳縦裂連結線を定義する(ステップS3)。
【0059】
次に、脳脊髄液細線化部132は、図8に示すように大脳縦裂連結線の2等分点を脳の仮想中心sと定義し、当該仮想中心sを通る水平線分より上の脳脊髄液を細線化する(ステップS4)。以下、細線化された脳脊髄液を「脳脊髄液細線」と呼ぶ。
【0060】
次に、側脳室端点抽出部133は、上記仮想中心sから半径R(ここでは、R=線分asの1/3)内に存在する脳脊髄液細線の線分を追跡し、図8に示すように解剖学的構造情報と類似する端点を側脳室端点cとする(ステップS5)。
【0061】
次に、外側溝端点抽出部134は、上記側脳室端点cからユークリッド距離が最小になる右半球での脳脊髄液細線の端点を検索し(ステップS6、ステップS7)、検出した場合には、当該検出点を右半球での外側溝端点(単に、「右端点」とも言う。)として設定する(ステップS8)。一方、ユークリッド距離が最小になる右半球での脳脊髄液細線の端点を検出しない場合には、側脳室細線化端点の座標を擬似的な右半球での外側溝端点(単に、「右疑似端点」とも言う。)として設定する(ステップS8´)。
【0062】
同様に、外側溝端点抽出部134は、上記側脳室端点cからユークリッド距離が最小になる左半球での脳脊髄液細線の端点を検索し(ステップS9)、検出した場合には、当該検出点を左半球での外側溝端点(単に、「左端点」とも言う。)として設定する(ステップS10)。一方、ユークリッド距離が最小になる左半球での脳脊髄液細線の端点を検出しない場合には、側脳室細線化端点の座標を擬似的な左半球での外側溝端点(単に、「左疑似端点」とも言う。)として設定する(ステップS10´)。
【0063】
次に、外側溝端点抽出部134は、ステップS7、S9での判断の結果に基づいて、左右の外側溝端点の最終決定を行う。すなわち、外側溝端点抽出部134は、ステップS7において右端点有りと判断し、且つステップS9において左端点有りと判断した場合には、各端点をそれぞれの半球での外側溝端点dと決定する(ステップ12)。また、外側溝端点抽出部134は、ステップS7において右端点無しと判断し、且つステップS9において左端点無しと判断した場合には、各疑似端点を各半球での外側溝端点dと決定する。さらに、外側溝端点抽出部134は、ステップS7、S9のいずれか一方においてのみ右端点又は左端点有りと判断した場合には、検出した一方の端点座標を大脳縦裂連結線に対して対象移動し、検出できなかった半球での外側溝端点dとして決定する(ステップS12´)。
【0064】
次に、脳表面接点抽出部150は、図8に示すように、外側溝端点dから脳表面輪郭に水平線を引き、その足を点eと定義する(ステップS13)。また、大脳縦裂連結線接点抽出部151は、図8に示すように、側脳室端点cから大脳縦裂連結線に垂線を引き、その足を点fと定義する(ステップS14)。関心領域設定・表示部152は、図8に示すように点a,f,c,d,eを結んだ線分内を右前頭葉関心領域として設定する。こうして設定された関心領域の位置情報は、関心領域記憶部17に記憶される。また、設定された関心領域は、所定の形態にてインタフェース19の表示部に表示される。以下、関心領域の表示形態について、幾つかの例を挙げる。
【0065】
図9(a)は頭部MR画像を示している。図9(b)は、図9(a)に示した頭部MR画像から切り出された左前頭葉関心領域を示している。図9(c)は、図9(a)に示した頭部MR画像から切り出された右前頭葉関心領域を示している。図9(b)、(c)に示すように、関心領域以外をマスクした形態にて表示することで、観察しやすい診断画像を提供することができる。
【0066】
また、図10(a)、(b)、(c)、(d)は、頭部MR画像に設定された関心領域のカラー表示を示している。すなわち、図10(a)では、左右前頭葉関心領域の脳脊髄液(CSF)のみをカラー表示している。図10(b)では、左右前頭葉関心領域の白質のみをカラー表示している。図10(c)では、左右前頭葉関心領域の灰白質のみをカラー表示している。図10(d)では、左右前頭葉関心領域の脳脊髄液(CSF)、白質、灰白質を色別表示し、前頭葉萎縮が判断しやすいように表示している。これらのカラー表示は、組織カラーマップを利用することで実現することができる。
【0067】
以上述べた構成によれば、以下の効果を得ることができる。
【0068】
本画像処理装置においては、解剖学的構造情報(例えば、外側溝、側脳室前角等)に基づいて、例えば前頭葉等の関心領域が自動的に抽出される。従って、操作者の主観を必要とせず、より客観性の高い関心領域の抽出を迅速かつ簡便に実施することができる。その結果、質の高い画像診断に寄与することができる。
【0069】
また、本画像処理装置は、個々の患者毎の解剖学的構造情報を利用して、前頭葉等の関心領域を自動抽出している。従って、対象とする画像の種類、対象となる被検体が変わっても、同様により客観性の高い関心領域の抽出を迅速かつ簡便に実施することができる。さらに、画像上に肉眼で解剖学的構造情報が確認できるか否かに関係なく、関心領域を自動抽出することができる。その結果、質の高い画像診断に寄与することができる。
【0070】
また、本画像処理装置は、抽出した関心領域を種々の形態にて表示することができる。従って、医師等の観察者は、自身が観察しやすい所望の形態を自由に選択することができ、診断に有益な医用画像を使い勝手よく提供することができる。
【0071】
以上、本発明を実施形態に基づき説明したが、本発明の思想の範疇において、当業者であれば、各種の変更例及び修正例に想到し得るものであり、それら変形例及び修正例についても本発明の範囲に属するものと了解される。例えば以下に示すように、その要旨を変更しない範囲で種々変形可能である。
【0072】
本実施形態で説明した関心領域の自動設定処理は、当該方法をコンピュータに実行させるプログラムによって、パーソナルコンピュータやワークステーション等によっても実現することができる。この場合、コンピュータに当該方法を実行させることのできるプログラムは、磁気ディスク(フロッピーディスク、ハードディスクなど)、光ディスク(CD−ROM、DVDなど)、半導体メモリなどの記録媒体に格納して頒布することができる。
【0073】
また、各実施形態は可能な限り適宜組み合わせて実施してもよく、その場合組合わせた効果が得られる。さらに、上記実施形態には種々の段階の発明が含まれており、開示される複数の構成要件における適宜な組合わせにより種々の発明が抽出され得る。例えば、実施形態に示される全構成要件から幾つかの構成要件が削除されても、発明が解決しようとする課題の欄で述べた課題が解決でき、発明の効果の欄で述べられている効果の少なくとも1つが得られる場合には、この構成要件が削除された構成が発明として抽出され得る。
【0074】
【発明の効果】
以上本発明によれば、例えば医用画像において、診断等に必要な関心領域を解剖学的基準に基づいて自動抽出する画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体を実現できる。
【図面の簡単な説明】
【図1】図1は、本実施形態に係る画像処理装置10のブロック構成図を示している。
【図2】図2は、自己組織化マップの概念を説明するための図である。
【図3】図3は、組織の自動分類法に使用される局所ブロックを説明するための図である。
【図4】図4は、組織の自動分類法において実行される自己組織化マップの概念を説明するための図である。
【図5】図5は、輪郭抽出法において実行される自己組織化マップの概念を説明するための図である。
【図6】図6は、画像処理装置10が実行する関心領域の自動設定処理の流れを示したフローチャートである。
【図7】図7は、画像処理装置10が実行する関心領域の自動設定処理の流れを示したフローチャートである。
【図8】図8は、関心領域の自動設定処理を説明するための図である。
【図9】図9(a)は頭部MR画像を示している。図9(b)は、図9(a)に示した頭部MR画像から切り出された左前頭葉関心領域を示している。図9(c)は、図9(a)に示した頭部MR画像から切り出された右前頭葉関心領域を示している。
【図10】図10(a)、(b)、(c)、(d)は、頭部MR画像に設定された関心領域のカラー表示を示している。
【符号の説明】
10…画像処理装置
11…MRIデータベース
12…組織カラーマップ記憶部
13…構造情報抽出フェーズ
15…関心領域設定フェーズ
17…関心領域記憶部
19…インタフェース部
21…脳表面輪郭線画像記憶部
130…処理対象領域設定部
131…大脳縦裂連結線抽出部
132…脳脊髄液細線化部
133…側脳室端点抽出部
134…外側溝端点抽出部
150…脳表面接点抽出部
151…大脳縦裂連結線接点抽出部
152…関心領域設定・表示部
Claims (12)
- 被検体の所定部位の輪郭線に関する第1の画像と、前記所定部位の組織分布を表す第2の画像と、を記憶する記憶手段と、
前記第1の画像及び前記第2の画像から得られる解剖学的構造情報に基づいて、第3の画像に幾何学的処理を施し、当該第3の画像に診断対象を含む関心領域を設定する関心領域設定手段と、
前記関心領域を所定の形態にて表示する表示手段と、
を具備することを特徴とする画像処理装置。 - 前記所定部位は脳であり、
前記解剖学的構造情報は、脳表面輪郭線、上大脳縦裂特徴点と下大脳縦裂特徴点とを連結する大脳縦裂連結線、脳脊髄液を細線化した脳脊髄液細線、側脳室端点、外側溝端点のうちの少なくとも一つを含むこと、
を特徴とする請求項1記載の画像処理装置。 - 前記第1の画像は、学習近傍領域を可変とした自己組織化マップによる輪郭抽出処理によって取得された画像であり、
前記第2の画像は、自己組織化マップによる組織の自動分類処理によって取得された画像であること、
を特徴とする請求項1又は2記載の画像処理装置。 - 前記表示手段は、前記関心領域のみを切り出して表示する第1の形態、前記関心領域と他の領域とを色別表示する第2の形態、又は前記関心領域を組織別に色別表示する第3の形態の何れかによって前記関心領域を表示することを特徴とする請求項1乃至3のうちいずれか一項記載の画像処理装置。
- 被検体の所定部位の輪郭線に関する第1の画像と、前記所定部位の組織分布を表す第2の画像と、から得られる解剖学的構造情報に基づいて、第3の画像に幾何学的処理を施し、当該第3の画像に診断対象を含む関心領域を設定する関心領域設定ステップと、
前記関心領域を所定の形態にて表示する表示ステップと、
を具備することを特徴とする画像処理方法。 - 前記所定部位は脳であり、
前記解剖学的構造情報は、脳表面輪郭線、上大脳縦裂特徴点と下大脳縦裂特徴点とを連結する大脳縦裂連結線、脳脊髄液を細線化した脳脊髄液細線、側脳室端点、外側溝端点のうちの少なくとも一つを含むこと、
を特徴とする請求項5記載の画像処理方法。 - 前記第1の画像は、学習近傍領域を可変とした自己組織化マップによる輪郭抽出処理によって取得された画像であり、
前記第2の画像は、自己組織化マップによる組織の自動分類処理によって取得された画像であること、
を特徴とする請求項5又は6記載の画像処理方法。 - 前記所定の形態は、前記関心領域のみを切り出して表示する第1の形態、前記関心領域と他の領域とを色別表示する第2の形態、又は前記関心領域を組織別に色別表示する第3の形態の何れかであることを特徴とする請求項5乃至7のうちいずれか一項記載の画像処理方法。
- コンピュータに、
被検体の所定部位の輪郭線に関する第1の画像と、前記所定部位の組織分布を表す第2の画像と、から得られる解剖学的構造情報に基づいて、第3の画像に幾何学的処理を施し、当該第3の画像に診断対象を含む関心領域を設定する関心領域設定ステップと、
前記関心領域を所定の形態にて表示する表示ステップと、
を実行させるための画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体。 - 前記所定部位は脳であり、
前記解剖学的構造情報は、脳表面輪郭線、上大脳縦裂特徴点と下大脳縦裂特徴点とを連結する大脳縦裂連結線、脳脊髄液を細線化した脳脊髄液細線、側脳室端点、外側溝端点のうちの少なくとも一つを含むこと、
を特徴とする請求項9記載のコンピュータ読み取り可能な記録媒体。 - 前記第1の画像は、学習近傍領域を可変とした自己組織化マップによる輪郭抽出処理によって取得された画像であり、
前記第2の画像は、自己組織化マップによる組織の自動分類処理によって取得された画像であること、
を特徴とする請求項9又は10記載のコンピュータ読み取り可能な記録媒体。 - 前記所定の形態は、前記関心領域のみを切り出して表示する第1の形態、前記関心領域と他の領域とを色別表示する第2の形態、又は前記関心領域を組織別に色別表示する第3の形態の何れかであることを特徴とする請求項9乃至11のうちいずれか一項記載のコンピュータ読み取り可能な記録媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003182671A JP2004174217A (ja) | 2002-10-01 | 2003-06-26 | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002289308 | 2002-10-01 | ||
JP2003182671A JP2004174217A (ja) | 2002-10-01 | 2003-06-26 | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2004174217A true JP2004174217A (ja) | 2004-06-24 |
Family
ID=32715629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2003182671A Pending JP2004174217A (ja) | 2002-10-01 | 2003-06-26 | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2004174217A (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008073086A (ja) * | 2006-09-19 | 2008-04-03 | Toshiba Corp | 画像表示装置及び画像診断装置 |
JP2008142368A (ja) * | 2006-12-12 | 2008-06-26 | Ge Medical Systems Global Technology Co Llc | 位相変化融合画像表示方法および装置 |
JP2010042108A (ja) * | 2008-08-11 | 2010-02-25 | Toshiba Corp | 脳溝位置特定方法、画像処理装置及び医用画像診断装置 |
JP2014054565A (ja) * | 2009-09-30 | 2014-03-27 | Toshiba Corp | 磁気共鳴イメージング装置、および、表示処理システム |
CN107180408A (zh) * | 2016-03-11 | 2017-09-19 | 日本医事物理股份有限公司 | 图像处理系统 |
CN111583189A (zh) * | 2020-04-16 | 2020-08-25 | 武汉联影智融医疗科技有限公司 | 大脑核团定位方法、装置、存储介质及计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04125779A (ja) * | 1990-09-18 | 1992-04-27 | Toshiba Corp | 画像処理方法 |
JPH06233761A (ja) * | 1993-02-09 | 1994-08-23 | Hitachi Medical Corp | 医用画像診断装置 |
JPH06319720A (ja) * | 1993-05-12 | 1994-11-22 | Hitachi Ltd | 時系列画像データ処理方法 |
-
2003
- 2003-06-26 JP JP2003182671A patent/JP2004174217A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04125779A (ja) * | 1990-09-18 | 1992-04-27 | Toshiba Corp | 画像処理方法 |
JPH06233761A (ja) * | 1993-02-09 | 1994-08-23 | Hitachi Medical Corp | 医用画像診断装置 |
JPH06319720A (ja) * | 1993-05-12 | 1994-11-22 | Hitachi Ltd | 時系列画像データ処理方法 |
Non-Patent Citations (2)
Title |
---|
佐藤和人 他: "「自己組織化マップを用いた頭部MRIスライス画像のクラス分類と領域分割」", 電気学会情報処理研究会資料, vol. Vol.IP-01,No.11-17, JPN4007002414, 2001, JP, pages 27 - 30, ISSN: 0000815978 * |
間所洋和 他: "「自己写像特性を用いた頭部MR画像の組織分類」", 電子情報通信学会技術研究報告, vol. 102, no. 577, JPN4007002589, 17 January 2003 (2003-01-17), JP, pages 93 - 98, ISSN: 0000815979 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008073086A (ja) * | 2006-09-19 | 2008-04-03 | Toshiba Corp | 画像表示装置及び画像診断装置 |
JP2008142368A (ja) * | 2006-12-12 | 2008-06-26 | Ge Medical Systems Global Technology Co Llc | 位相変化融合画像表示方法および装置 |
JP2010042108A (ja) * | 2008-08-11 | 2010-02-25 | Toshiba Corp | 脳溝位置特定方法、画像処理装置及び医用画像診断装置 |
JP2014054565A (ja) * | 2009-09-30 | 2014-03-27 | Toshiba Corp | 磁気共鳴イメージング装置、および、表示処理システム |
CN107180408A (zh) * | 2016-03-11 | 2017-09-19 | 日本医事物理股份有限公司 | 图像处理系统 |
CN111583189A (zh) * | 2020-04-16 | 2020-08-25 | 武汉联影智融医疗科技有限公司 | 大脑核团定位方法、装置、存储介质及计算机设备 |
CN111583189B (zh) * | 2020-04-16 | 2024-02-27 | 武汉联影智融医疗科技有限公司 | 大脑核团定位方法、装置、存储介质及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Avrunin et al. | Using a priori data for segmentation anatomical structures of the brain | |
US7529396B2 (en) | Method, computer program product, and apparatus for designating region of interest | |
US20190021677A1 (en) | Methods and systems for classification and assessment using machine learning | |
CN107430690B (zh) | 根据t1 mri的自动3d分割和皮层表面重建 | |
Ma et al. | Automatic 3D landmarking model using patch‐based deep neural networks for CT image of oral and maxillofacial surgery | |
KR101120250B1 (ko) | 컴퓨터로 구현된 의학 영상 데이터 처리 방법 | |
US20070237380A1 (en) | Three-dimensional medical image display device equipped with pre-processing system implementing clinical protocol | |
JP2001283191A (ja) | 臓器の特定領域抽出表示方法及び装置 | |
US9629599B2 (en) | Imaging device, assignment system and method for assignment of localization data | |
CN107194909A (zh) | 医用图像处理装置及医用图像处理程序 | |
CN106960439B (zh) | 一种脊椎骨识别装置及方法 | |
WO2017148502A1 (en) | Automatic detection of an artifact in patient image data | |
Bodzioch et al. | New approach to gallbladder ultrasonic images analysis and lesions recognition | |
JP4675509B2 (ja) | 臓器の特定領域抽出表示装置及び方法 | |
Liu et al. | Automatic segmentation of the human brain ventricles from MR images by knowledge-based region growing and trimming | |
JP2021511575A (ja) | 3d医用画像の解剖学的ジオメトリに従った、構造化された畳み込みを通した1つまたはいくつかのニューラルネットワークによる3d医用画像の自動セグメンテーションプロセス | |
JP2004174218A (ja) | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 | |
JP4473578B2 (ja) | 体の構造の孤立した視覚化されたものを形成する方法及び装置 | |
JP2004174217A (ja) | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 | |
JP3996555B2 (ja) | 画像処理装置、画像処理方法、及び当該画像処理をコンピュータに実行させるプログラムを格納する記録媒体 | |
JP4807819B2 (ja) | 画像処理装置 | |
JP6967983B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN113570724B (zh) | 基于逆球极投影的网格球面保角参数化方法及其应用 | |
WO2020246192A1 (ja) | 修正指示領域表示装置、方法およびプログラム | |
Lassige et al. | Comparison of septal defects in 2D and 3D echocardiography using active contour models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040803 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070202 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070206 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20070605 |