JP2006521118A - 3次元形状強調フィルタによる小結節のコンピュータ支援検出を行う方法、システムおよびコンピュータプログラム製品 - Google Patents
3次元形状強調フィルタによる小結節のコンピュータ支援検出を行う方法、システムおよびコンピュータプログラム製品 Download PDFInfo
- Publication number
- JP2006521118A JP2006521118A JP2004567996A JP2004567996A JP2006521118A JP 2006521118 A JP2006521118 A JP 2006521118A JP 2004567996 A JP2004567996 A JP 2004567996A JP 2004567996 A JP2004567996 A JP 2004567996A JP 2006521118 A JP2006521118 A JP 2006521118A
- Authority
- JP
- Japan
- Prior art keywords
- image data
- image
- filtering
- filter
- smoothing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000004590 computer program Methods 0.000 title claims abstract description 7
- 238000001514 detection method Methods 0.000 title description 45
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000009499 grossing Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 206010054107 Nodule Diseases 0.000 description 73
- 230000006870 function Effects 0.000 description 47
- 210000004204 blood vessel Anatomy 0.000 description 21
- 230000035945 sensitivity Effects 0.000 description 14
- 230000004044 response Effects 0.000 description 11
- 208000020816 lung neoplasm Diseases 0.000 description 9
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 8
- 210000004072 lung Anatomy 0.000 description 8
- 201000005202 lung cancer Diseases 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 210000000038 chest Anatomy 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 6
- 206010056342 Pulmonary mass Diseases 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000003211 malignant effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 241001522296 Erithacus rubecula Species 0.000 description 2
- 210000001072 colon Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000013185 thoracic computed tomography Methods 0.000 description 2
- 210000003437 trachea Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 208000004434 Calcinosis Diseases 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- 101100521334 Mus musculus Prom1 gene Proteins 0.000 description 1
- 208000037062 Polyps Diseases 0.000 description 1
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 208000029742 colonic neoplasm Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000004224 pleura Anatomy 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 210000000779 thoracic wall Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
対象を含む画像を評価する(S2)ための方法、システムおよびコンピュータプログラム製品は、大きさおよび尤度フィルタ要素を有している第1の幾何学的強調フィルタにより画像から得られた画像データをフィルタ処理して(S6)、第1の幾何学的パターンが強調されている第1のフィルタ処理された画像データを生成する。
Description
本発明は部分的に米国政府のサポートによりUSPHS許可CA62625 およびCA64370 の下に作成された。米国政府は本発明に対してある権利を有する可能性がある。
本発明は、低い偽陽性率により肺癌その他の悪性腫瘍小結節のコンピュータ支援検出(CAD)を行う方法、システムおよびコンピュータプログラム製品に関する。
本発明はまた一般に、たとえば、この明細書において全て参考文献とされている米国特許第4,839,807 号明細書;米国特許第4,841,555 号明細書;米国特許第4,851,984 号明細書;米国特許第4,875,165 号明細書;米国特許第4,907,156 号明細書;米国特許第4,918,534 号明細書;米国特許第5,072,384 号明細書;米国特許第5,133,020 号明細書;米国特許第5,150,292 号明細書;米国特許第5,224,177 号明細書;米国特許第5,289,374 号明細書;米国特許第5,319,549 号明細書;米国特許第5,343,390 号明細書;米国特許第5,359,513 号明細書;米国特許第5,452,367 号明細書;米国特許第5,463,548 号明細書;米国特許第5,491,627 号明細書;米国特許第5,537,485 号明細書;米国特許第5,598,481 号明細書;米国特許第5,622,171 号明細書;米国特許第5,638,458 号明細書;米国特許第5,657,362 号明細書;米国特許第5,666,434 号明細書;米国特許第5,673,332 号明細書;米国特許第5,668,888 号明細書;米国特許第5,732,697 号明細書;米国特許第5,740,268 号明細書;米国特許第5,790,690 号明細書;米国特許第5,832,103 号明細書;米国特許第5,873,824 号明細書;米国特許第5,881,124 号明細書;米国特許第5,931,780 号明細書;米国特許第5,974,165 号明細書;米国特許第5,982,915 号明細書;米国特許第5,984,870 号明細書;米国特許第5,987,345 号明細書;米国特許第6,011,862 号明細書;米国特許第6,058,322 号明細書;米国特許第6,067,373 号明細書;米国特許第6,075,878 号明細書;米国特許第6,078,680 号明細書;米国特許第6,088,473 号明細書;米国特許第6,112,112 号明細書;米国特許第6,138,045 号明細書;米国特許第6,141,437 号明細書;米国特許第6,185,320 号明細書;米国特許第6,205,348 号明細書;米国特許第6,240,201 号明細書;米国特許第6,282,305 号明細書;米国特許第6,282,307 号明細書;米国特許第6,317,617 号明細書;米国特許第6,335,980 号明細書;米国特許第6,363,163 号明細書;米国特許第6,442,287 号明細書;米国特許第6,470,092 号明細書、および米国特許出願第08/173,935号;米国特許出願第08/398,307号(PCT公報 WO 96/27846);米国特許出願第08/536,149号;米国特許出願第08/900,189号;米国特許出願第09/692,218号;米国特許出願第09/759,333号;米国特許出願第09/760,854号;米国特許出願第09/773,636号;米国特許出願第09/816,217号;米国特許出願第09/830,562号;米国特許出願第09/818,831号;米国特許出願第09/842,860号;米国特許出願第09/830,574号;米国特許出願第09/842,860号;米国特許出願第09/881,002号;米国特許出願第09/990,310号;米国特許出願第09/990,311号;米国特許出願第09/990,377号;米国特許出願第10/036,541号;米国特許出願第10/078,694号;米国特許出願第10/097,820号;米国特許出願第10/097,727号;米国特許出願第10/120,420号;米国特許出願第10/126,523号;米国特許出願第10/198,141号;米国特許出願第10/223,442号;米国特許出願第10/231,064号;米国特許出願第10/270,674号;米国特許出願第60/160,790号;米国特許出願第60/176,304号;米国特許出願第60/176,304号;米国特許出願第60/329,322号;米国特許出願第60/331,995号;米国特許出願第60/332,005号;米国特許出願第60/354,523号;米国特許出願第60/395,305号、ならびに国際特許出願PCT/US98/15165号;国際特許出願PCT/US98/24933号;国際特許出願PCT/US99/03287号;国際特許出願PCT/US00/41299号;国際特許出願PCT/US01/00680号;国際特許出願PCT/US01/01478号;国際特許出願PCT/US01/01479号;国際特許出願PCT/US01/08626号;国際特許出願PCT/US01/43146号;国際特許出願PCT/US02/06638号;国際特許出願PCT/US02/16018号;および国際特許出願PCT/US02/31578号;および本出願人の別出願(attorney docket number 229350US )の1つ以上に開示されているデジタル画像の自動解析のためのコンピュータ化された技術に関する。
米国において、肺癌は全てのタイプの癌の中で主要な死亡原因である。そのために米国では毎年15万人を超える死者が出ており(参考文献1−3)、これは、結腸癌、乳癌および前立腺癌による死亡者の合計数より多い。肺癌の早期発見および治療は、生存率を改善する有効な方法であり、米国および日本国においては、コンピュータ化された断層撮影(CT)を使用することにより1996年から試みられている(参考文献4−8)。肺癌スクリーニングに対するCTの使用における1つの問題は、放射線専門医が大量のデータを読まなければならないことである。典型的に31以上のセクション(画像)を各ケースに対して読まなければならず、また、高い解像度のCTが使用された場合には、この数は幾百もの数に増加する可能性がある。このデータ量の結果、放射線専門医によるデータの評価に長い時間を要するために費用が高くなるだけでなく、大量のデータ中で疑わしいエリアを見出すことが困難であるために癌の識別/検出のミスが発生する可能性もある。
肺小結節を検出するためのコンピュータ支援検出(CAD)方式は、放射線専門医が胸部X線写真(参考文献9−12)および胸部CTスキャン(参考文献13−18)中の小結節を検出するのを助ける有効な方法である。小結節検出に関するCAD方式の重要であるが困難な問題は、小結節候補の最初の選択/検出である。既知のCAD方式の大部分はしきい値処理技術(またはその等価なもの)を使用して、初期検出段階において背景から小結節候補をセグメント化する。いくつかのCAD方式においては、しきい値処理技術は元の画像に直接適用され(参考文献15−18)、一方別の方式においては、小結節強調フィルタがしきい値技術の適用の前に予備処理ステップとして使用される(参考文献9−14)。胸部X線写真における初期小結節の検出のためには肋骨構造および血管のために生じた複雑な背景パターンのために小結節強調フィルタが適用される。肋骨構造および血管は小結節と空間的に重なっている可能性もあり、また小結節の画素値に類似した画素値を有する可能性もある。CT画像においては、肺のフィールドが胸部X線写真におけるものと比較して比較的均一であるため、この予備処理ステップをしばしば除外することができる。しかしながら、適切なフィルタ処理を行わずに元のCT画像をしきい値処理することにより、結果的に以下の問題が発生することが本発明者によって認められている:
(1)いくつかの小結節、とくに、ピントグラス不透明部(GGO)を有するものは、非常に低いCT値とコントラストを有し、しきい値の適切な選択を非常に困難にする。低いしきい値レベルを使用することによりこれらの種類の小結節のセグメント化は可能かもしれないが、実質的に偽陽性の数が増加する。
(2)多数の小結節は血管および気管壁のCT値に類似したCT値を有し、このことはこれらの小結節の検出時に血管および気管壁による多くの偽陽性が小結節候補として含まれることを意味する。
(3)小結節は血管および気管壁に結合されている可能性があり、それによって小結節検出の作業はさらに複雑化する。これは、次の段階で小結節をこれらの正常な解剖学的構造から分離する必要があるからである。
したがって、フィルタ処理が必要である。
(1)いくつかの小結節、とくに、ピントグラス不透明部(GGO)を有するものは、非常に低いCT値とコントラストを有し、しきい値の適切な選択を非常に困難にする。低いしきい値レベルを使用することによりこれらの種類の小結節のセグメント化は可能かもしれないが、実質的に偽陽性の数が増加する。
(2)多数の小結節は血管および気管壁のCT値に類似したCT値を有し、このことはこれらの小結節の検出時に血管および気管壁による多くの偽陽性が小結節候補として含まれることを意味する。
(3)小結節は血管および気管壁に結合されている可能性があり、それによって小結節検出の作業はさらに複雑化する。これは、次の段階で小結節をこれらの正常な解剖学的構造から分離する必要があるからである。
したがって、フィルタ処理が必要である。
しかしながら、本発明者は、全ての小結節強調フィルタが最初の小結節検出に対してうまく動作するわけではないことを認識した。実際に、それらの多くのものが小結節だけでなく、血管、気管壁および肋骨のような解剖学的構造もまた強調するために有効ではない。換言すると、これらの予備処理フィルタは、小結節状のパターンに対する感度は良好であるが、特定性は低い。CAD研究の結果の大部分を表している上述の文献のいずれにおいても、感度および特定性の両基準は小結節強調フィルタを構成するための指針として使用されていない。シミズ氏による文献(参考文献12)およびオクムラ氏による文献(参考文献13)において提案されているフィルタは、他のものと比較して比較的良好な特定性を有しているが、それらは依然として、球形の小結節と細長い小結節とを区別する十分な弁別力が不足している。たとえば、円(小結節様対象)の直径が楕円の短軸に関係なくその長軸に等しい(短軸が小さければ細長い対象)とき、シミズ氏の文献に記載されているフィルタは、これら2つの異なった対象に対して同じ応答を出力する。オクムラ氏の文献に記載されているクオイト(Quoit) フィルタも同様である。
本発明により発見されたように、上述した限界に対処するように構成されたCADシステムにより使用される強調フィルタが必要とされている。
本発明の目的は、大部分の小結節の良好な初期検出を行うと同時に最小の偽陽性数を維持することにより特徴付けられる癌検出方法を提供することである。
すなわち、本発明は、画像中の複数の関心領域(ROI)を識別し、そのROIに対応した画像のサブセットを平滑化するステップを含んでいる医療画像中に含まれている小結節を検出するための方法、システムおよびコンピュータプログラム製品に関する。これらの画像サブセットは幾何学的強調フィルタによりフィルタ処理されて強調された画像サブセットを生成し、それは悪性または非悪性の両対象の存在を識別するために人工的なニューラルネットワークにより解析される。
2つの基準、すなわち、感度および特定性は強調フィルタの設計においてその強調フィルタの構成に対する目標を与えるために使用される。2つの別々の成分、すなわち、大きさおよび尤度が強調フィルタを構成するために使用される。大きさ成分は、対象が存在するかどうかの基準に相当し、尤度成分は、対象が強調されるべき特定の形状に属している確率に相当する。2つの成分の組合せは、本発明の強調フィルタが良好な感度および良好な特定性を同時に獲得できるようにする。
本発明およびそれに付随する多数の利点は、以下の詳細な説明および添付図面を参照することによって容易に認識され、さらに良好に理解されるであろう。
本発明の3つの強調フィルタの構造は、3次元(3D)画像空間における3種類の理想化された基本形状、すなわち、点、線および平面に基づいている。これらの形状は、胸郭CT画像における小結節、血管および気管壁の簡単化された表現である。各強調フィルタに対する要求は、1つの特定の基本形状に対して1つの大きい応答特性が生成され、他の2つの基本形状に対しては小さい出力が与えられることである。それ故、これらのフィルタのそれぞれが3つの基本形状の1つに対して良好な感度と良好な特定性を有している。フィルタは、3次元画像空間中の各位置におけるヘッシアン(Hessian) 行列の固有値解析に基づいており、これは、Koller氏の文献(参考文献19)を原点としており、さらにLorenz氏の文献およびFranzi氏の文献(参考文献20および21)のそれぞれには血管強調を目的としたその発展した形態のものが記載されている。これらの参考文献において使用されている血管強調フィルタは1つの球形に対して1つの大きい応答を生じさせる可能性が高く、それは、これらのフィルタが血管の強調に対する良好な特定性を有しないことを意味している。
胸郭CT画像において、3つの形式の対象(小結節、血管および気管壁)は、肺の分野において比較的大きいCT値を有する。これらの対象は、1つの球、多数の断片状の円筒、および多数の断片状のシートによりそれぞれ近似されることができる。小結節、血管および気管壁に対する3つの強調フィルタの構造を簡単化するために、本発明は、以下の3つの方程式によって球、円筒およびシートがそれぞれ表現されることができると仮定し、ここでσは寸法パラメータを表している:
ここで、s(x,y,z)は3次元ガウス関数の形態の“ファジー”球であり、c(x,y,z)はz軸上に位置する“ファジー”円筒であり、z軸に垂直な任意の平面は2次元ガウス関数である。またh(x,y,z)はy−z平面上に位置する“ファジー”シートであり、そのy−z平面に垂直な任意の線は1次元ガウス関数である。これらの“ファジー”形状は、それらが連続した2次の微分可能な関数であり、3つの強調フィルタの設計に都合がよいために使用される。ガウス関数のスケール(または厚さ)が無限小に小さいサイズに減少されたとき、球、円筒およびシートは、図1に示されているように、それぞれ点、線および平面になる。それ故、球、円筒およびシートはそれぞれ2つの成分、すなわち、(1)中心点、中心線および中心平面と、(2)厚さとに分解されることができる。したがって、構成されたフィルタは、3次元空間中の点、線および平面に対する強調フィルタとして特徴付けられる。点、線および平面はそれぞれ3次元画像空間における基本形状である0次元、1次元および2次元を表しているため、その基本形状の強調および微分を行うために点、線および平面に対する強調フィルタが使用される。原理的に、上記の3つの“ファジー”形状の使用により構成された点、線および平面に対する強調フィルタはまたそれらの各“ソリッド”形状に対しても良好に動作する。
ここではフィルタにおいて所望された形状を近似するためにガウス関数が使用されているが、所望の形状が結果的に生成される別の分布関数を使用する別の実施形態が可能である。
特定の基本形状(点、線または平面)を強調するフィルタの設計において、以下の2つの基準が使用される:
(1)強調される形状に対してフィルタがどの程度敏感であるかを測定する感度(たとえば、良好な点強調フィルタは点に対して他の2つの形状より強い応答を出力し、したがって感度が高くなると、それだけ一層フィルタは良好なものになる);
(2)強調される形状に対してフィルタがどの程度特定的であるかを示す特定性(たとえば、良好な点強調フィルタは線または平面に対して強い応答を出力せず、したがって特定性が高くなると、それだけ一層フィルタは良好なものになる)。
(1)強調される形状に対してフィルタがどの程度敏感であるかを測定する感度(たとえば、良好な点強調フィルタは点に対して他の2つの形状より強い応答を出力し、したがって感度が高くなると、それだけ一層フィルタは良好なものになる);
(2)強調される形状に対してフィルタがどの程度特定的であるかを示す特定性(たとえば、良好な点強調フィルタは線または平面に対して強い応答を出力せず、したがって特定性が高くなると、それだけ一層フィルタは良好なものになる)。
感度および特定性は一般に、フィルタを設計するときに妥協される矛盾している概念である。その特定性(または感度)に関係なく高い感度(または特定性)を有する、あるいはその逆であるフィルタを設計することは簡単である。しかしながら、本発明の目的は、良好な感度および良好な特定性の両方をそれぞれが備えている点、線および平面に対するフィルタを構成することである。
強調フィルタを設計するために、フィルタ設計の微分幾何学的方法(とくに、2次導関数)が使用される。一般的に対象のエッジの強調に適している勾配演算子のような1次導関数とは異なり、2次導関数は一般的に、暗い(明るい)背景の中の明るい(暗い)対象の強調および検出に適している。もっとも、それらはまたゼロ交差の特性を使用することによって対象のエッジを検出するために使用されることができる。3次元画像はf(x,y,z)によって示され、使用されるその6個の2次導関数は一般的にfxx,fyy,fzz,fxy,fxzおよびfyzにより表されると仮定する。3つの付加的な2次導関数(fyx,fzxおよびfzy)は、それらがそれぞれfxy,fxzおよびfyzに等しいために使用されない。式(1)によって示されている3つの形状の中心点、中心線または中心平面上の任意の地点に対して、混合された2次導関数fxy,fxzおよびfyzはゼロの値を有する。後述するように、混合された2次導関数がゼロ以外の値を有する場合、それらを消滅させるために座標系が回転される。それ故、フィルタはλ1 ,λ2 およびλ3 でそれぞれ表される3つの2次導関数(fxx,fyyおよびfzz)だけに依存する。これは、それらが|λ1 |≧|λ2 |≧|λ3 |を満足させるヘッシアン行列の3つの固有値であるためである。
本発明では、e2 =|λ2 |/|λ1 |およびe3 =|λ3 |/|λ1 |とし、3つの2次導関数の符号の意味を一時的に無視する。したがって、上記の条件は以下のように書き直すことができる:
(1)点: e2 =1,e3 =1
(2)線: e2 =1,e3 =0
(3)平面: e2 =0,e3 =0
(1)点: e2 =1,e3 =1
(2)線: e2 =1,e3 =0
(3)平面: e2 =0,e3 =0
0≦e3 ≦e2 ≦1であるため、上記の条件は以下のようにさらに簡単化されることができる:
(1)点: e3 =1
(2)線: e2 =1,e3 =0
(3)平面: e2 =0
(1)点: e3 =1
(2)線: e2 =1,e3 =0
(3)平面: e2 =0
上述したように、良好な感度および良好な特定性を得るための任意の実施形態について、強調フィルタの応答特性は、以下の2つの成分:大きさおよび尤度を含んでいることが好ましい。
大きさは、3つの2次導関数の関数g(λ1 ,λ2 ,λ3 )によって与えられる。大きさは、明るい(暗い)対象が暗い(明るい)背景の中に存在しているかどうかを示すが、一般にその対象の形状に関する情報は提供しない。したがって、この成分だけでは種々の異なった形式の対象を区別する十分な弁別力に欠けている。しかしながら、それが他の2つの形状を支持しない限り、それは1つの特定の形状(点、線または平面)に対する良好な強調フィルタを構成するための要因であることは確かである。たとえば、g(λ1 ,λ2 ,λ3 )=|λ1 |+|λ2 |+|λ3 |は、線または平面に対する良好な大きさ関数ではない。それは、点がこの関数に対して線または平面が有するものより大きい値を有し、この関数が一般的に点を支持していることを意味しているためである。この関数は点強調フィルタに対する合理的な良好な大きさ関数であるが、線および、たとえ、平面でもこの関数に対して大きい値を示す可能性がある。
シミズ氏による文献(参考文献12)においては、大きさ関数g(λ1 ,λ2 ,λ3 )=|λ3 |の使用に概念的に類似した小結節に対する強調フィルタが使用され、この場合2次導関数を計算するために非常に多数の方位が使用された。これは、小結節強調フィルタの大きさ関数に対して良好な選択である。何故ならば、それはこの関数からの線または平面の応答が非常に弱いためである。しかしながら、この関数だけを小結節強調フィルタの出力として使用しても、円形と大きく引き延ばされた楕円形とを区別することはできない。それ故、本発明はまた異なった形状を区別するために尤度関数も使用する。
1実施形態において、尤度もまた3つの2次導関数の関数k(λ1 ,λ2 ,λ3 )によって与えられる。別の実施形態では、別の尤度関数が使用されてもよい。尤度が関数k(λ1 ,λ2 ,λ3 )によって与えられるとき、この関数は、1つのボクセルが1つの特定の形状に属している確率を示し、その出力は0と1の間の値である。点強調フィルタに対して、この関数は点に対して1の値を有し、線および平面に対して0の値を有することが好ましい。
各尤度関数は1つの特定の形状に対して1の出力値を与え、他の2つの形状に対して0の出値を与える。それ故、各関数は1つの特定の形状に対して良好な特定性を有する。
1つの特定の形状に対する大きさ関数で他の2つの形状を支持した応答を出力するものはない。したがって、尤度関数に加えて大きさ関数もまた、3つの強調フィルタの良好な特定性の要因となる。
暗い背景における明るい対象を強調するために、2次導関数の符号が随意的に考慮される。1つの特定の形状に関して、以下の条件が満足されない場合には、式(2)におけるその対応した強調フィルタの出力はほぼゼロとなる:
点、線および平面に対する最終的な強調フィルタは、式(2)と(3)を組合せたものである。
3つの混合された2次導関数(fxy,fxzおよびfyz)の効果を考慮する必要はない。何故ならば、それらは図1に示されている3つの理想化された形状に対してゼロの値を有しているためである。しかしながら、この条件は常に真とは限らない。たとえば、線が3次元空間の中の3つの軸のいずれの軸上にも位置していない場合には、3つの混合された2次導関数(fxy,fxzおよびfyz)はゼロに等しくないものとなり、それによって強調フィルタの構成が複雑なものになる。この問題を克服する簡単な方法は、その線が3つの軸の1つの上に位置し、混合された2次導関数が消滅するように座標系を回転させることである。同様に、1つの平面をx−y、x−zおよびy−z軸によって規定された3つの平面の1つと整列させるために座標系が回転される。問題は、混合された2次導関数を消滅させるために使用される3つの軸に対する3つの回転角度を決定することである。
実際には、座標系の明確な回転は必要ない。3つの混合された2次導関数を消去することは許容可能であり、それはPress 氏による文献(参考文献22)に記載されているさらに効率的な数学的方法の使用によって達成される。したがって、以下のように、その成分が元の3次元画像f(x,y,z)のヘッシアン行列がボクセル(x,y,z)において構成され、その成分はf(x,y,z)の2次導関数で構成される:
ここで、fxy=fyx、fxz=fzxおよびfyz=fzyである。
ここで、ZT は行列Zの転置行列である。
行列Zの3つの列ベクトルはヘッシアン行列Hの3つの固有値ベクトルであり、行列Rの3つの対角成分λ1 、λ2 およびλ3 は行列Hの3つの固有値であることがわかる。また、その3つの固有値は、|λ1 |≧|λ2 |≧|λ3 |が満足されるような順序で分類される。
行列Rにおいて6つの非対角成分は消去されているため、上述したように、3つの固有値λ1 、λ2 およびλ3 が強調フィルタを構成するために使用される。これは、固有値を計算することがヘッシアン行列を対角行列にすることと等価であり、さらに、座標系を回転させることと等価であることを意味する。新しい座標系では、3つの軸はヘッシアン行列の3つの固有値である。ヘッシアン行列の3つの固有値の決定は、あらゆるボクセルに対して行われる。
別の実施形態においては、ヘッシアン行列を使用するのではなく、3つの2次導関数を計算するラジアル方法が以下のように使用されることができる:
(1)当該ボクセルについて、3次元空間においてそのボクセルを通過する均一に分布した多数の直線(ラジアルライン)を獲得する。結果的に得られた各線上のボクセルの1次元アレイが1次元信号を構成する。
(2)上述した全ての各1次元信号に対して2次導関数を計算する。
(3)上記で計算された全ての2次導関数の中で最大絶対値を有する2次導関数を決定する。この2次導関数はヘッシアン行列の第1の固有値(λ1 )に対応している(近似的に)。この2次導関数に(近似的に)対応しているラジアルラインはヘッシアン行列の第1の固有値に対応している。
(4)ステップ3において決定された直線に対してそのラジアルラインが垂直である全ての2次導関数の中で最大絶対値を有している2次導関数を決定する。この2次導関数はヘッシアン行列の第2の固有値(λ2 )に(近似的に)対応している。この2次導関数に対応しているラジアルラインは、ヘッシアン行列の第2の固有値ベクトルに(近似的に)対応している。
(5)ステップ3および4において決定された2つの直線に対してそのラジアルラインが垂直である1つの(特有の)2次導関数を決定する。この2次導関数はヘッシアン行列の第3の固有値(λ3 )に(近似的に)対応している。この2次導関数に対応したラジアルラインは、ヘッシアン行列の第3の固有値ベクトルに近似的に対応している。
(1)当該ボクセルについて、3次元空間においてそのボクセルを通過する均一に分布した多数の直線(ラジアルライン)を獲得する。結果的に得られた各線上のボクセルの1次元アレイが1次元信号を構成する。
(2)上述した全ての各1次元信号に対して2次導関数を計算する。
(3)上記で計算された全ての2次導関数の中で最大絶対値を有する2次導関数を決定する。この2次導関数はヘッシアン行列の第1の固有値(λ1 )に対応している(近似的に)。この2次導関数に(近似的に)対応しているラジアルラインはヘッシアン行列の第1の固有値に対応している。
(4)ステップ3において決定された直線に対してそのラジアルラインが垂直である全ての2次導関数の中で最大絶対値を有している2次導関数を決定する。この2次導関数はヘッシアン行列の第2の固有値(λ2 )に(近似的に)対応している。この2次導関数に対応しているラジアルラインは、ヘッシアン行列の第2の固有値ベクトルに(近似的に)対応している。
(5)ステップ3および4において決定された2つの直線に対してそのラジアルラインが垂直である1つの(特有の)2次導関数を決定する。この2次導関数はヘッシアン行列の第3の固有値(λ3 )に(近似的に)対応している。この2次導関数に対応したラジアルラインは、ヘッシアン行列の第3の固有値ベクトルに近似的に対応している。
上述の点、線および平面に対する強調フィルタは、雑音および対象のスケール(厚さ)の影響を考慮していない。したがって、これらの強調フィルタのみを実際の画像に適用した場合、常に良好な結果が常に得られるとは限らない。これは、2次導関数が本質的に画像雑音に敏感であり、また、それらが異なった寸法を有する小結節のような種々のスケールを有する対象に対して大きい応答を与える能力に欠けているためである。
この問題を解決する1つの方法は、Press 氏の文献およびKoenderink氏の文献(それぞれ参考文献22および23)にしたがって2次導関数を計算する前に、3次元ガウス関数を元の3次元画像でたたみこむ(convolve)ことである。実際に、ガウス関数によるたたみこみは画像雑音を平滑化するだけでなく、それはまた整合フィルタとして機能し、対象を適切なスケールで保存する。強調される対象のスケールに関するアプリオリな知識(対象スケール)が知られている場合、ガウス平滑化フィルタに対して選択すべきスケール(平滑化スケール)を知ることができる。簡単にするために、および一般性を損なわずに、ガウス平滑化フィルタのスケールは1次元空間で決定される。このようにして得られた平滑化スケールはまた、2次元および3次元画像に対して適応可能である。
ここではガウス平滑化関数が使用されているが、画素の1つの領域にわたる平均化、整数次数の修正されたベッセル関数およびその他を含む別の平滑化関数を使用する別の実施形態もまた可能である。
1次元空間中の対象は、スケールパラメータσ0 を有する1次元ガウス関数で表されることができる。したがって、このような対象はそのガウス関数の95%を超えるエリアを考慮に入れられているために、この対象は2σ0 の半径を有していると仮定することが合理的である。換言すると、半径wの対象に対して、スケールパラメータw/2を有するガウス関数を使用することによりその対象を近似することができる。強調フィルタを構成するために3次元画像中の対象の2次導関数を実際に計算する前に、最初にその対象をガウス平滑化関数でたたみこむことが好ましい。
ガウス平滑化および2次導関数の計算というこれら2つのステップは、単一のステップすなわち、対象とガウス平滑化関数の2次導関数との間のたたみこみに結合されることが可能である。スケールσ0 の対象とスケールσs のガウス関数の2次導関数との間のたたみこみから最大応答値を対象の中心に生成するために、2つのスケールσ0 およびσS はナカムラ氏による文献(参考文献25)に示されているものと同じでなければならない。それ故、半径wの対象に対して、ガウス平滑化フィルタの“最適な”スケールはw/2である。
本発明のフィルタを使用して点、線および平面対象を強調する前に、強調される対象の半径が範囲[w0 ,w1 ]中のものであると仮定して、このスケールの範囲内の全ての対象を強調するために、[w0 /2,w1 /2]のスケール範囲内のガウスフィルタを随意に使用して3次元画像を平滑化することができる。これら2つのステップは増加した平滑化スケールでN回繰返されてN個の強調された画像を得ることができる。[w0 /2,w1 /2]の範囲内のN個の不連続のスケールは以下のように計算できる:
スケールの間の関係は、Koenderink氏の文献(参考文献23)に示されているように指数関数的である。各強調フィルタは1つの特定のスケールで対象を強調し、1つの位置におけるマルチスケール強調フィルタの最終的な出力はN個の個々のフィルタからの最大値である。しかしながら、Lindeberg 氏の文献(参考文献25)に示されているように、ガウス関数の2次導関数によるたたみこみの大きさは、それのスケールの2乗に反比例する。したがって、そのフィルタ応答を異なった平滑化スケールに対して匹敵したものにするために、ガウス関数の2次導関数によるたたみこみの出力にσs2の係数を乗算する。図11は、本発明の1実施形態によるに点、線および平面に対するマルチスケール強調フィルタのアルゴリズムのフローチャートであり、ここでステップ1乃至10はそれぞれS1乃至S10で表されている。
強調される対象の半径の範囲[w0 ,w1 ]は対応したスケールの数Nと共に決定され、また、個々のスケールは式(6)を使用することによって決定される(S1)。各スケールσs に対して、ステップ3乃至9を行う(S2)。スケールσs の3次元ガウス関数によって元の3次元画像は平滑化される(S3)。各ボクセルに対して、ステップ5乃至7を行う(S4)。式(4)のヘッシアン行列、および式(5)に示されているようなその3つの固有値λ1 、λ2 およびλ3 を計算する(S5)。式(2)および(3)を使用することによって点、線および平面強調フィルタの出力を計算する(S6)。その他の全てのボクセルに対して、ステップS5およびS6が繰返され、そうでない場合にはステップ8に進む(S7)。スケールσs において強調フィルタからの出力画像中の各ボクセルにσs2を乗算する(S8)。全てのスケールに対してステップS3乃至S8が繰返され、その他の場合にはこのプロセスはステップ10に進む(S9)。各ボクセルに対して、N個のスケールの個々のフィルタの全ての出力からの最大値として最終的な出力が決定される(S10)。
上記のアルゴリズムのステップ5において、3次元画像中のボクセルで決定された2次導関数である要素から構成されたヘッシアン行列を計算することが好ましい。これらの2次導関数を決定するために、以下のように中心差分を使用して1次導関数fx を近似する:
同様に、他の2つの1次導関数fy およびfz を定めることができる。
同様に、他の2次導関数を決定することができる。
図2は、3つの強調フィルタを使用することにより3次元HRCT画像中の結節を検出する全体的な方法を示している。最初に、しきい値処理技術を使用することにより3次元において、あるいは、その代わりに、各2次元断面において肺がセグメント化されることが好ましい(S22)。しかしながら、セグメント化が行われない実施形態も可能である。−400HU乃至−1000HUのCT値を有する画素は、肺領域の内部に位置されていると考えられ、したがって1の値を割当てられる。その他の場合には、画素は背景に属していると考えられ、したがって0の値を割当てられる。しかしながら、Armato氏による文献(参考文献15)に記載されているように、小結節が胸膜に結合している場合、その小結節は肺領域から除外される。これは、その小結節内部の画素に対するグレースケール値が−400HU乃至−1000HUの範囲外にあるためである。肺領域の輪郭に沿ってローリングボールアルゴリズムを使用し、この形式のセグメント化エラーを補正する。
全ての断面中の2次元肺領域が3次元2進ボリュームを構成し、これに対して、3つのマルチスケール強調フィルタの少なくとも1つ、好ましくは、これらマルチスケール強調フィルタのそれぞれが同時に並列に適用され、それは3次元点強調フィルタにより始められる(S23)。
線および平面フィルタを適用する前または後のいずれかで、随意に、小結節候補を含む関心領域(ROI)が識別される(S24)。これには、第1のフィルタから得られた値と予め定められたしきい値とのコンピュータ支援比較を含むコンピュータベースのしきい値処理が含まれてもよい。その代り、しきい値処理技術は、初期小結節候補を選択するためのさらに複雑な方法であってもよい。しきい値処理の代りに、本出願人の別出願である米国特許出願第 09/121,719 号および米国特許出願第 09/830,574 号に記載されているもの、ならびに米国特許第 6,088,473号明細書、米国特許第 5,881,124号明細書および米国特許第 4,907,156号明細書に記載されているもののような別のROIおよび小結節候補識別技術が使用されてもよい。また、関心領域の手作業による識別も可能である。これらの技術のいずれかにおいて、関心領域は全体的な画像であってもよく、あるいはその画像のサブセットであってもよい。たとえば、ROIはフィルタ処理された画像データの各画素を中心とする核として定義されることができる。それぞれの核は3×3画素またはそれより大きい画素であることが可能であり、また、以下に説明するように、分類装置へ後で供給するために、それぞれの核が使用されて特徴をフィルタ処理された画像データから抽出することができる。
関心領域および、または小結節候補が小結節の強調された(点フィルタ処理された)画像から識別されるか否かにかかわらず、元の画像はまた、3次元線および平面強調フィルタの少なくとも一方でフィルタ処理される(S25)。次に、各初期候補の内部のボクセルに対する予め定められた画像の特徴(たとえば、寸法、コントラスト、形状、規則性、真円度、直線性、平滑さ、密集度等)およびそれらの対応した統計学的基準(たとえば、平均および標準偏差)がデータの強調された画像、すなわち、線強調された画像および平面強調された画像から、好ましくは上述したように決定された1以上のROIから抽出され、解析特徴として使用される(S26)。これらの特徴は、評価されている対象に対する強度の基準(画素値)を含んでいる。その後、特徴は低い偽陽性率で小結節候補が選択される(S28)少なくとも1つの分類装置中に入力される(S28)。この分類装置は人工的になニューラルネットワーク(ANN)であることが好ましいが、それはまたベイズネットワーク、線形弁別解析装置(LDA)、K最隣接分類装置(K−NN)、サポートベクトルマシン、またはその他の画像分類装置であってもよい。分類装置は、その入力が1以上のフィルタの出力である単一の分類装置であってもよい。その代り、分類装置は、並列におよび、または直列に接続された複数の分類装置であってもよい。
線および平面フィルタの出力はそれぞれ単一の分類装置に入力されることが好ましい。随意に、各初期候補の内部のボクセルに対する平均および標準偏差もまた点強調された画像から決定され、それらはまたANN(図示せず)において特徴として使用される。
小結節の直径の範囲を、マルチスケール点強調フィルタに対して1mmと6mmの平滑化スケールにそれぞれ対応した4mmと24mmとの間であると仮定すると、本発明は式(6)にしたがってシングルまたはマルチスケール(たとえば、1,1.6,2.4,3.8および6mmの5つのスケール)を使用することができる。いくつかの医療条件に関して、24mmより大きく30mmより小さい小結節はまた、24mmの小結節の強調を意図されたフィルタに対して強く応答する可能性があることが認識される。したがって、アプリオリな情報または仮定に応じて、異なったスケールの寸法および数が使用されてもよい。
別の実施形態において、第1のフィルタは線強調フィルタ(たとえば、血管またはその他の線特徴を識別して抽出する)または平面強調フィルタ(たとえば、器官壁またはその他の平面特徴を識別して抽出する)のいずれかである。これらの実施形態において、その後、しきい値/選択基準を満たす画像が残り2つのフィルタによりフィルタ処理される。その後、1以上のフィルタ処理されたデータセットからの統計学的特徴が抽出され、分類装置に供給される。
2以上の点、線および平面強調フィルタが直列に配置された別の実施形態もまた可能である。直列フィルタと並列フィルタを組合せることも可能である。また、線フィルタ処理されたデータまたは平面フィルタ処理されたデータのいずれかに関してROIを識別するための対応したしきい値処理が行われる実施形態が可能である。
図3のaは、小結節が矢印によって識別されている3つの3次元HRCT画像の最大強度投影(MIP)を示している。図3のb中の小結節は血管に結合されており、図3のc中の小結節は胸部壁に結合されている。両者は低コントラストのものである。これらは、基本的なHRCT画像に対してしきい値処理技術を適用しただけではセグメント化することは困難である小結節の例である。
図4のaは、マルチスケール小結節強調フィルタを使用することによって強調された3つの3次元画像(それぞれ図3のa、bおよびc)のMIPを示している。図4のbおよびcはそれぞれ、線強調フィルタおよび平面強調フィルタを使用することによって強調された画像を示している。小結節の強調された画像においては小結節の寸法がわずかに減少しているが、小結節のような球形構造(たとえば、図3のcに示されている)は著しく強調され、一方血管および気管壁のような他の構造(たとえば、図3のb中の小結節に結合された血管)が顕著に抑制されたことが明らかである。この画像処理により、初期小結節検出作業が著しく簡単なものになる。
その後、小結節が強調された画像は20の固定された値でしきい値処理される、すなわち、20より大きい値を有するボクセルは対象ボクセルであるとみなされ、1の値を割当てられる。この条件を満足させないボクセルは背景ボクセルであるとみなされ、0の値を割当てられる。その後、3次元の接続されたコンポーネントラベル付け技術を使用して、全ての孤立した対象を識別する。15mmより小さい容積(近似的に直径3mmの球の容積)を有する各対象は小結節ではないとみなされ、除去される。
小結節検出時の偽陽性のほとんどは血管および気管壁によって生じるため、線および平面に対する強調フィルタが使用される。ここでは、平滑化スケールが経験的に1mmおよび0.25mmにそれぞれ設定されたシングルスケール方式が使用されている。図4のbおよびcはそれぞれ、線強調フィルタおよび平面強調フィルタを図3中の元の画像に適用することにより強調された画像の最大強度投影を示している。これらの図は、線および平面強調された画像において小結節が著しく抑制されたことを示し、したがって本発明が血管および気管壁によって生じる偽陽性の減少に有効であることを強調している。
上述した本発明の方法を使用する研究においては、85のHRCTケースにおいて合計915の偽陽性を伴って90のうち88(97.8%)の小結節が検出された。したがって、ケース当りの偽陽性の平均数および断面当りの偽陽性の平均数はそれぞれ10.8および0.4である。これは、初期小結節検出段階において一般的に各2次元画像(断面)ごとに何十もの偽陽性が小結節候補として選択される他の小結節検出方式(参考文献9乃至18)におけるものと比較して優れた初期検出結果を表している。
また、本発明が検出に失敗した2個の小結節は良性であった。それぞれの良性の小結節に対する2次元断面画像は図5に示されている。各小結節に対して示されている断面は、その小結節が最も顕著に現れる断面である。2個の小結節は純粋なGGO不透明部のものであり、それらのコントラストが非常に低く、したがってそれらを検出することが非常に困難であることが明らかである。実際に、本発明の初期検出技術により、GGO不透明部を有する多くの小結節の選択に成功している。図6は、検出された純粋なGGO不透明部を有する小結節のうちの3個の小結節の2次元断面を示している。以下、このテストに関して詳細に説明する。
図7のaおよびbは、図3のa乃至cのそれぞれの場合に対する元の断面および対応した強調された断面を示している。平面強調された画像中において小結節および血管のエッジが残っているが、気管壁はさらに顕著に強調されたことが明らかである。
その後、各小結節候補に対して、線強調された画像および平面強調された画像から2つの特徴(平均および標準偏差)が抽出される。平均および標準偏差は、上述したように点強調された画像からセグメント化された小結節候補の内部のボクセルに基づいて決定される。
図8は、全ての小結節候補(88個の真の小結節および915個の偽陽性)に対する線強調された画像と平面強調された画像とから決定されたボクセル平均の2つの特徴の間の関係を示している。小結節は一般に線および平面に対する強調フィルタの出力からの小さい平均値を有しており、一方偽陽性は大きい平均値を有していることが明らかである。
図9は、全ての小結節候補に対する線強調された画像と平面強調された画像とから決定された標準偏差の2つの特徴の間の関係を示している。再び、小結節は一般に線および平面に対する強調フィルタの出力からの小さい標準偏差値を有し、一方偽陽性は大きい標準偏差値を有していることが明らかである。これらの特徴が偽陽性の減少に有効であることを確認するために、人工てきニューラルネットワーク(ANN)を使用して小結節を偽陽性から弁別する。
ANNは、入力層と、出力層と、 隠蔽層とを有する3層ANNである(参考文献26および27)。ボクセルの平均および標準偏差の4つの特徴に対応した4個の入力ユニットが使用される。これらの特徴は、線強調された画像および平面強調された画像から決定される。単一の出力ユニットは真の小結節の尤度の基準を表している。0または1の出力はそれぞれ0%または100%の信頼度を示し、それは小結節候補が真の小結節であることを示す。隠蔽層中のユニットの数は経験的に4に設定される。評価の手順における偏りを最小にするために、ラウンドロビン(1つを除外する)方法を使用して、偽陽性の減少における4つの特徴の有効性を確認する。1つの小結節候補は、ANNの訓練時の小結節候補から一時的に除外される可能性がある。
ANNが訓練された後、訓練のために除外された小結節候補の特徴が、尤度の基準の決定のためにANNへの入力として供給されることができる。このプロセスは全ての小結節候補に対する尤度の基準が計算されるまで小結節候補のそれぞれに対して反復される。その後、ANNの出力値は固定された値によりしきい値処理される。しきい値より大きい出力値を有する小結節候補は小結節であるとみなされ、保存される。他の小結節候補は偽陽性であるとみなされ、除去される。
別の実施形態において、種々の幾何学的フィルタから得られた画像は医療用画像表示装置に表示される。別の実施形態においては、種々の幾何学的フィルタから得られた画像は記憶され、電子メールによって転送され、および、または別の画像処理装置によって処理される。
ラウンドロビンテスト方法によりANNを使用する上述のテストにおいて、本発明のCAD方式は、ケース当り2.4の偽陽性の平均数により、90個の小結節のうち84個を検出した(93.3%)。この研究において、41個の悪性小結節(癌)の全てがこの偽陽性率レベルで検出された。
3次元CT画像における小結節の強調および初期検出のために点フィルタを使用することにより、テストにおいて使用された小結節の97.8%(90中の88)が最初に検出され、ケース当りの偽陽性は10.8であった。これらの結果は、肺の小結節検出に対して現在のCAD方式における初期検出方法により得られるものより優れている(参考文献9乃至18)。小結節を血管および気管壁から区別する場合における線および平面強調フィルタの有効性を確認するために、他の2つのフィルタの出力が偽陽性をさらに減少させるために使用された。3つのフィルタの全ての出力を使用することにより、本発明のCAD方式は93.3%の感度と、ケース当り2.4の偽陽性とを達成し、これら3つのフィルタが小結節と別の解剖学的構造との区別に非常に有効であることを示した。以下にこれらのテストに関する詳細を示す。
背景として、1996年5月から1999年3月までに、日本国の長野県における肺癌早期発見のための年に一度の低線量ヘリカルCT(LDCT)スクリーニングプログラムの一部として、7,847人(平均年齢61歳)について17,892の検査が行われた(参考文献4乃至7)。最初の年に7,847の初期検査が行われ、その後の2年に5,025および5,020の反復検査が行われた。LDCTにおいて605人の患者が747の疑わしい肺小結節(<30mm)を有していることが発見され、その中で確認された小結節を有する271人の患者が高分解能CTスキャナ(HRCT)を使用してさらに検査された。しかしながら、本発明をテストするときにこれらの履歴的なHRCTスキャンのうち85しか使用されなかった。これは、残りのスキャンが十分な数の連続断面を有していなかった(16より少ない)ためである。この85人の患者のうち、40人が41の第一期の肺癌を有していることが外科手術またはバイオプシによって確認され、また、45人が49の良性の小結節を有していることがHRCTの読取り、2年のフォローアップ検査または外科手術によって確認された。したがって、本発明をテストするときに使用されたデータベースは、90の確認された小結節を有する85のHRCTスキャンから構成されていた。
さらに、これらの履歴的なケースにより使用されたHRCTスキャナは、1mmのコリメーション(断面の厚さ)および0.5mmの再構成インターバルにより患者の胸部をスキャンした。各断面はDICOM画像フォーマットで保存され、そのマトリックスサイズは512×512、画素サイズは0.391mm、ハウンズフィールドユニット(HU)におけるグレーレベルは4096(12ビット)であった。各3次元画像は、ボクセルが等方性になり、3つのディメンションのそれぞれにおいて0.5mmのサイズを有するように補間によって再スケールされた。これらの履歴的スキャンにおける小結節の寸法は4mm乃至30mmの範囲(平均11mm)であった。その後、合意に基づいて、3人の放射線専門医が90の小結節を3つのカテゴリー、すなわち、固体小結節、GGOを有する小結節、および混合されたGGOを有する小結節に分類した。90個の小結節のセット中には、44個(48.9%)の固体小結節と、13個(14.4%)のGGOを有する小結節と、33個(36.7%)の混合されたGGOを有する小結節とが存在していた。GGO不透明部を有する小結節は、そのコントラストおよび低いCT値のために、一般に検出が非常に困難である。
本発明の3次元強調フィルタは、特定の対象を早期検出するための予備処理フィルタとして使用できるだけでなく、有効な小結節特徴を決定すると共に既存のCAD方式の性能を改良するために使用することもできる。本発明の点フィルタは、HRCT画像における肺小結節の強調および初期検出に使用されることができる。本発明の線フィルタおよび平面フィルタは、小結節特徴を決定すると共に偽陽性を除去するために使用されることができる。
本発明の3次元強調フィルタはまた多くの肺癌以外の診断において使用されることができる。その例には、3次元CT結腸画像中のポリープ検出および3次元CT肝臓画像中の腫瘍検出が含まれている。
本発明の強調フィルタはまた簡単化されて、2次元画像の強調に適用されることができる。簡単化された2次元フィルタは、2次元CT画像および胸部レントゲン写真における肺小結節の検出に使用されることができる。簡単化された2次元フィルタはまた、乳房X線写真および超音波画像における塊および微小石灰化の検出に使用されることができる。
2次元画像空間には、2つの形式の基本的形状(点および線)が存在する。したがって、本発明の別の実施形態は、上述したフィルタ構成技術を適合させて2次元画像中の点および線に対する強調フィルタを生成する。
ここで、fxy=fyxである。
|λ1 |<|λ2 |ならば、固有値λ1 およびλ2 の値は交換される。したがって、2次元画像中の点および線に対する強調フィルタは以下のように示されることができる:
点:λ1 <0,λ2 <0ならば、ddot (λ1 ,λ2 )=|λ2 |2 /|λ1 |
線:λ1 <0ならば、dline(λ1 ,λ2 )=|λ1 |−|λ2 |
点:λ1 <0,λ2 <0ならば、ddot (λ1 ,λ2 )=|λ2 |2 /|λ1 |
線:λ1 <0ならば、dline(λ1 ,λ2 )=|λ1 |−|λ2 |
2次元強調フィルタが良好な感度および特定性を有していることを確認するために、研究において2つの例示的なフィルタを使用して、最初に低線量のコンピュータ断層撮影(LDCT)のデータセット中の小結節を検出した。1996年5月から1999年3月までのあいだに、日本国の長野県におけるLDCTによる肺癌の早期発見のための一年に一度のスクリーニングプログラムにおいて、73人の患者が76の第一期の肺癌(<30mm)を有していることが発見された。これらの癌患者はまた15の良性の小結節を含んでいた。したがって、そのデータセットは合計91の小結節から構成されていた。各LDCT検査は10mmのコリメーションおよび10mmの再構成インターバルでスキャンされ、31の断面を含んでいた。各断面は512×512のマトリックスサイズ、0.586mmの画素サイズ、および4096のグレーレベルを有していた。91個の小結節の直径は5mm乃至30mm(平均12.5mm)であった。スライスはその厚さが大き過ぎたために、小結節の初期検出のために上述の3次元強調フィルタを適用することは適切ではない。その代り、このような状況において2次元強調フィルタが有効である。
2次元画像における小結節の初期検出は、3次元画像におけるものと同様に行われた。最初に、しきい値処理技術を使用することにより、各断面において肺がセグメント化された。その後、小結節および血管をそれぞれ強調するために点および線に対する2次元フィルタが使用された。
図10のaは各小結節が矢印で示されている3つの元の断面を示しており、図10のbは2次元の点強調された画像を示しており、図10のcは2次元の線強調された画像を示している。血管は、2次元画像で点強調フィルタにより強調される確率が3次元画像で強調される確率より高いことが明らかである。何故ならこれは、いくつかの血管が2次元画像において円形(点状の)対象として現れる可能性があるからである。血管上の分岐の大部分はも2次元点強調フィルタによって強調されることが認識される。その結果、断面当りの偽陽性の数は、一般に、2次元点強調フィルタが個々の2次元断面に適用されたときのほうが、3次元点強調フィルタが3次元画像に直接適用されたときより大きくなる。
その後、固定されたしきい値を使用して、小結節候補が背景からセグメント化された。小さい面積の領域を除去するために結合コンポーネントラベル付け技術が使用された。この技術により、最初に91個の小結節のうち85個(93.4%)が断面当り4.2の平均偽陽性率で検出された。この結果は、最初に91個の小結節のうち71個(78%)が断面当り9.3の平均偽陽性率で検出されたLee 氏による文献(参考文献14)に記載されているテンプレート整合技術の結果より著しく優れている。
この研究の結果に基づいて、本発明の2次元強調フィルタは、2次元CT画像中の小結節検出に対して有用であることが判明した。2次元強調フィルタはまた、胸部レントゲン写真中の小結節検出のためにコンピュータ化された方式に適用されることができる。
本発明は、画像中においてターゲットパターンが他のパターンから区別されなければならない医療画像化以外の分野に適応されることが可能である。ここに記載されている技術は、パターン(特徴)の差を使用することによりターゲット対象/区域を他の対象/区域から区別するために使用可能である。上述したように訓練された分類装置は人間が一見して直観的に認識し得るターゲット対象/区域を検出するように適合されることができる。たとえば、医療画像化技術に加えて、本発明は以下に適用可能である:
・道路画像における車両、白線レーンマーカ、交通信号機、歩行者およびその他の障害物の検出および、または強調、
・顔面画像中の目、口および鼻の検出および、または強調、
・“ダスト”画像中の指紋の検出および、または強調、
・半導体集積回路パターン画像中の誤配線の検出および、または強調、
・ロボットの目の画像中の機械的部品の検出および、または強調、
・手荷物のX線画像中の銃、ナイフ、ボックスカッター、あるいはその他の武器または持込み禁止品の検出および、または強調、
・レーダまたはソナー画像中の航空機の影、潜水艦の影、魚群およびその他の対象の検出および、または強調、
・軍用画像中のミサイル、ミサイル発射機、戦車、人員運搬車または他の可能な軍事ターゲットの検出および、または強調、
・衛星またはレーダ画像中の雨雲、雷雨、台風またはハリケーンの前兆等のような気象パターン構造の検出および、または強調、
・衛星または高高度の航空機の画像中の植生区域の検出および、または強調、
・たとえば、テクスチャ解析等の使用による織物中のパターンの検出および、または強調、
・石油または鉱物探査において使用される地震または地質パターンの検出および、または強調、
・望遠鏡画像中の星、星雲、銀河、その他の宇宙構造の検出および、または強調、
・その他。
・道路画像における車両、白線レーンマーカ、交通信号機、歩行者およびその他の障害物の検出および、または強調、
・顔面画像中の目、口および鼻の検出および、または強調、
・“ダスト”画像中の指紋の検出および、または強調、
・半導体集積回路パターン画像中の誤配線の検出および、または強調、
・ロボットの目の画像中の機械的部品の検出および、または強調、
・手荷物のX線画像中の銃、ナイフ、ボックスカッター、あるいはその他の武器または持込み禁止品の検出および、または強調、
・レーダまたはソナー画像中の航空機の影、潜水艦の影、魚群およびその他の対象の検出および、または強調、
・軍用画像中のミサイル、ミサイル発射機、戦車、人員運搬車または他の可能な軍事ターゲットの検出および、または強調、
・衛星またはレーダ画像中の雨雲、雷雨、台風またはハリケーンの前兆等のような気象パターン構造の検出および、または強調、
・衛星または高高度の航空機の画像中の植生区域の検出および、または強調、
・たとえば、テクスチャ解析等の使用による織物中のパターンの検出および、または強調、
・石油または鉱物探査において使用される地震または地質パターンの検出および、または強調、
・望遠鏡画像中の星、星雲、銀河、その他の宇宙構造の検出および、または強調、
・その他。
上記のリストに例示された検出および、または強調の種々の応用は、1つの特定のターゲット構造と別の特定の構造が検出されたときにそれらを区別することにより行われることができる。たとえば、“ダスト”画像中において指紋が検出された後、その検出された指紋を容疑者の指紋と比較し、検出された指紋を残した人物と同一人物であることが正しいこと、あるいは誤っていることを証明することができる。
本発明は、コンピュータ技術の当業者によって認識されるように、本発明の教示にしたがってプログラムされた通常の汎用コンピュータまたはマイクロプロセッサを使用して実行されることが可能である。ソフトウェア技術の当業者によって認識されるように、適切なソフトウェアは、開示されている本発明の教示に基づいて通常の技術を有するプログラマーにより容易に処理されることが可能である。
相互参照されている米国特許出願第09/773,636号に開示されているように、コンピュータ900 は本発明の方法を実施することが可能であり、それにおいてコンピュータハウジングは、CPU、メモリ(たとえば、DRAM、ROM、EPROM、EEPROM、SRAM、SDRAM、およびフラッシュRAM)およびその他オプションの専用論理装置(たとえば、ASICS)または構成可能な論理装置(たとえば、GALおよび再プログラム可能なFPGA)を含むマザーボードを収容している。コンピュータはまた、複数の入力装置(たとえば、キーボードおよびマウス)およびモニタを制御するディスプレイカードとを備えている。さらに、コンピュータはフロッピー(登録商標)ディスクドライブ、その他の取外し可能な媒体装置(たとえば、コンパクトディスク、テープおよび取外し可能な磁気光学媒体)、ならびに適切な装置バス(たとえば、SCSIバス、増強されたIDEバス、またはウルトラDMAバス等)を使用して接続されたハードディスクまたはその他の固定された高密度媒体ドライブを有することが可能である。コンピュータはまた、コンパクトディスク読取装置、コンパクトディスク読取り/書込み装置、またはコンパクトディスクジュークボックスを備えることが可能であり、それらは同じ装置バスまたは別の装置バスに接続されることができる。
本発明に関連したコンピュータ読取り可能な媒体の例には、コンパクトディスク、ハードディスク、フロッピー(登録商標)ディスク、テープ、磁気光学ディスク、PROM(たとえば、EPROM、EEPROM、フラッシュEPROM)、DRAM、SRAM、SDRAM等が含まれる。本発明は、これらのコンピュータ読取り可能な媒体の任意の1つまたは組合せたものに記憶されるソフトウェアを含んでおり、このソフトウェアはコンピュータのハードウェアを制御すると共に、コンピュータが人間のユーザと対話できるようにする。このようなソフトウェアには、開発ツールのようなデバイスドライバ、オペレーティングシステムおよびユーザアプリケーションが含まれるが、それらに限定されない。本発明のコンピュータプログラム製品には、コンピュータにより実行されたときにコンピュータに本発明の方法を行わせるコンピュータプログラム命令を記憶する任意のコンピュータ読取り可能な媒体(たとえば、コンピュータコードデバイス)が含まれる。本発明のコンピュータコードデバイスは、スクリプト、インタープリタ、動的リンクライブラリ、Java(登録商標)クラスおよび完全な実行可能なプログラムを含む任意の解釈可能なまたは実行可能なコードメカニズムであることができるが、それに限定されない。さらに、本発明の処理の部品は、よりよい性能、信頼性および、またはコストを目指して分散されることが可能である[たとえば、(1)多数のCPUまたは(2)1以上のCPUと1以上の構成可能な論理装置との間において]。たとえば、アウトラインまたは画像が第1のコンピュータで選択され、遠隔診断のために第2のコンピュータに送られることができる。
本発明はまた、小結節のコントラスト、不規則性の程度、テクスチャ特徴などを考慮に入れるために追加フィルタ処理技術およびツールで補われることができる。
本発明はまた、当業者によって容易に認識されるように、特定用途向け集積回路の製品により、あるいは通常の素子回路の適切なネットワークとの相互接続により構成されることができる。
本発明に対する画像データのソースは、X線撮影装置、超音波装置、CT装置、およびMRI装置のような任意の適切な画像収集装置であることができる。さらに、収集されたデータは、まだデジタル形式でなければ、デジタル化されることが可能である。その代りに、獲得されて処理される画像データのソースは、画像収集装置により生成されたデータを記憶するメモリであってもよく、このメモリは局部メモリであってもよいし、あるいは遠隔のメモリであってもよく、その場合、PACS(ピクチャアーカイビングコンピュータシステム)のようなデータ通信ネットワークを使用して画像データにアクセスし、本発明にしたがって処理することが可能である。
上記の教示を考慮して、本発明の種々の修正および変更が可能である。したがって、添付された特許請求の範囲の技術的範囲内において、この明細書においてとくに記載された以外のやり方で本発明を実施することが可能であることを認識すべきである。
Claims (43)
- 対象を含む画像を評価する方法において、
大きさおよび尤度フィルタ要素を有する第1の幾何学的強調フィルタによって画像から得られた画像データをフィルタ処理して、点、線または平面の1つを含んでいる第1の幾何学的パターンが強調されている第1のフィルタ処理された画像データを生成する評価方法。 - さらに、前記第1のフィルタ処理された画像データを処理して画像中に前記対象が存在することを示す基準を得るステップを含んでいる請求項1記載の方法。
- 前記処理するステップは、
画像中の関心領域を設定し、
前記関心領域内の第1のフィルタ処理された画像データから少なくとも1つの特徴を抽出し、
その少なくとも1つの抽出された特徴を分類装置に供給するステップを含んでおり、前記分類装置は前記画像中に前記対象が存在していることを示す前記基準を出力するように構成されている請求項4記載の方法。 - 少なくとも1つの抽出された特徴を分類装置に供給する前記ステップにおいて、
前記少なくとも1つの抽出された特徴を人工的なニューラルネットワーク、ベイズ解析装置、線形弁別解析装置、K- 最隣接分類装置およびサポートベクトルマシンの1つに供給する請求項5記載の方法。 - 前記抽出するステップは、
(a)寸法と、
(b)形状と、
(c)コントラストの基準と、
(d)規則性の基準と、
(e)真円度の基準と、
(f)直線性の基準と、
(g)平滑度の基準と、
(h)密集度の基準と、
(i)特徴(a)乃至(h)の少なくとも1つの標準偏差と、
(j)特徴(a)乃至(h)の少なくとも1つの平均との少なくとも1つの強度の基準を抽出するステップを含んでいる請求項5記載の方法。 - 前記抽出するステップは、
前記少なくとも1つの特徴を各画素に中心が位置している核から抽出するステップを含んでいる請求項5記載の方法。 - 前記関心領域を設定するステップは、
前記第1のフィルタ処理された画像データを予め定められたしきい値データによってしきい値処理するステップを含んでいる請求項5記載の方法。 - 前記画像データを処理するステップは、2次元および3次元ガウスフィルタの一つによって画像データを平滑化するステップを含んでいる請求項2記載の方法。
- 前記平滑化するステップは、予め定められた数の平滑化スケールで反復的に画像データを平滑化するステップを含んでいる請求項10記載の方法。
- 前記画像データを得るためにフィルタ処理を行う前に画像をセグメント化するステップをさらに含んでいる請求項2記載の方法。
- 前記セグメント化するステップは、セグメント化された画像をローリングボールアルゴリズムによって処理するステップを含んでいる請求項12記載の方法。
- 大きさおよび尤度フィルタ要素を有する第2の幾何学的強調フィルタによって画像データをフィルタ処理して画像中の第2の幾何学的パターンが強調されている第2のフィルタ処理された画像データを生成するステップをさらに含んでおり、前記第2の幾何学的パターンは第1の幾何学的パターンとは異なっている請求項1記載の方法。
- さらに、第1および第2のフィルタ処理された画像データの少なくとも1つを処理して前記画像中に前記対象が存在することを示す基準を導出するステップを含んでいる請求項13記載の方法。
- 前記処理するステップは、
画像中の関心領域を設定し、
前記関心領域内の第1および第2のフィルタ処理された画像データから少なくとも1つの特徴を抽出し、
その少なくとも1つの抽出された特徴を少なくとも1つの分類装置に供給するステップを含んでおり、その分類装置は前記画像中に前記対象が存在していることを示す前記基準を出力するように構成されている請求項17記載の方法。 - 少なくとも1つの抽出された特徴を少なくとも1つの分類装置に供給する前記ステップは、
その少なくとも1つの抽出された特徴を人工的なニューラルネットワーク、ベイズ解析装置、線形弁別解析装置、K最隣接分類装置およびサポートベクトルマシンで照合するステップを含んでいる請求項18記載の方法。 - 抽出するステップは、
(a)寸法と、
(b)形状と、
(c)コントラストの基準と、
(d)規則性の基準と、
(e)真円度の基準と、
(f)直線性の基準と、
(g)平滑度の基準と、
(h)密集度の基準と、
(i)特徴(a)乃至(h)の少なくとも1つの標準偏差と、
(j)特徴(a)乃至(h)の少なくとも1つの平均との少なくとも1つの強度の基準を抽出するステップを含んでいる請求項18記載の方法。 - 前記抽出するステップは、
前記少なくとも1つの特徴を各画素に中心が位置している核から抽出するステップを含んでいる請求項18記載の方法。 - 関心領域を設定する前記ステップは、
第1および第2のフィルタ処理された画像データの少なくとも1つを予め定められたしきい値データによってしきい値処理するステップを含んでいる請求項18記載の方法。 - 前記画像データを処理するステップは、2次元および3次元ガウスフィルタの一つによって画像データを平滑化するステップを含んでいる請求項15記載の方法。
- 前記平滑化するステップは、予め定められた数の平滑化スケールによって反復的に画像データを平滑化するステップを含んでいる請求項23記載の方法。
- さらに、前記画像データを得るためにフィルタ処理する前に画像をセグメント化するステップを含んでいる請求項15記載の方法。
- 前記セグメント化するステップは、セグメント化された画像をローリングボールアルゴリズムによって処理するステップを含んでいる請求項25記載の方法。
- 大きさおよび尤度フィルタ要素を有する第3の幾何学的強調フィルタによって画像データをフィルタ処理して画像中の第3の幾何学的パターンが強調されている第3のフィルタ処理された画像データを生成するステップをさらに含んでおり、前記第3の幾何学的パターンは第1および第2の幾何学的パターンとは異なっている請求項14記載の方法。
- さらに、第1、第2および第3のフィルタ処理された画像データの少なくとも2つを処理して前記画像中に前記対象が存在することを示す基準を得るステップを含んでいる請求項27記載の方法。
- 前記処理するステップは、
関心領域を設定し、
第1、第2および第3のフィルタ処理された画像データの少なくとも2つのそれぞれの前記関心領域内から少なくとも1つの特徴を抽出して抽出された各特徴を生成し、
その抽出された特徴を少なくとも1つの分類装置に供給するステップを含んでおり、前記分類装置は前記画像中に前記対象が存在していることを示す前記基準を出力するように構成されている請求項30記載の方法。 - 抽出された特徴を供給する前記ステップは、
その抽出された特徴を人工的なニューラルネットワーク、ベイズ解析装置、線形弁別解析装置、K- 最隣接分類装置およびサポートベクトルマシンの1つで照合するステップを含んでいる請求項31記載の方法。 - (a)寸法と、
(b)形状と、
(c)コントラストの基準と、
(d)規則性の基準と、
(e)真円度の基準と、
(f)直線性の基準と、
(g)平滑度の基準と、
(h)密集度の基準と、
(i)特徴(a)乃至(h)の少なくとも1つの標準偏差と、
(j)特徴(a)乃至(h)の少なくとも1つの平均との少なくとも1つの強度の基準を抽出するステップを含んでいる請求項31記載の方法。 - 抽出する前記ステップは、
少なくとも1つの特徴を各画素に中心が位置している核から抽出するステップを含んでいる請求項31記載の方法。 - 前記関心領域を設定するステップは、
第1、第2および第3のフィルタ処理された画像データの少なくとも1つを予め定められたしきい値データによってしきい値処理するステップを含んでいる請求項31記載の方法。 - 前記画像データを処理するステップは、2次元および3次元ガウスフィルタの一つによって画像データを平滑化するステップを含んでいる請求項28記載の方法。
- 前記平滑化するステップは、予め定められた数の平滑化スケールで反復的に画像データを平滑化するステップを含んでいる請求項36記載の方法。
- 少なくとも1つのフィルタ処理するステップはさらに、フィルタ処理して前記画像データを得る前に画像をセグメント化するステップを含んでいる請求項27記載の方法。
- 前記画像をセグメント化するステップは、セグメント化された画像をローリングボールアルゴリズムによって処理するステップを含んでいる請求項38記載の方法。
- 画像は医療画像である請求項1記載の方法。
- 対象は小結節である請求項40記載の方法。
- 請求項1乃至41のいずれか1項記載の方法を実行するように構成されたシステム。
- コンピュータシステムにおいて実行されてる命令を記憶し、その命令はコンピュータシステムにより実行されたときに請求項1乃至39のいずれか1項記載の方法を行わせるコンピュータプログラム製品。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US10/355,147 US6937776B2 (en) | 2003-01-31 | 2003-01-31 | Method, system, and computer program product for computer-aided detection of nodules with three dimensional shape enhancement filters |
PCT/US2003/032740 WO2004070648A1 (en) | 2003-01-31 | 2003-11-06 | A method, system, and computer program product for computer-aided detection of nodules with three dimensional shape enhancement filters |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2006521118A true JP2006521118A (ja) | 2006-09-21 |
Family
ID=32770477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004567996A Pending JP2006521118A (ja) | 2003-01-31 | 2003-11-06 | 3次元形状強調フィルタによる小結節のコンピュータ支援検出を行う方法、システムおよびコンピュータプログラム製品 |
Country Status (5)
Country | Link |
---|---|
US (1) | US6937776B2 (ja) |
EP (1) | EP1588316A4 (ja) |
JP (1) | JP2006521118A (ja) |
AU (1) | AU2003287097A1 (ja) |
WO (1) | WO2004070648A1 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008178666A (ja) * | 2006-11-02 | 2008-08-07 | Fujifilm Corp | 画像処理方法及び装置 |
JP2009512927A (ja) * | 2005-10-20 | 2009-03-26 | ジーイー・ヘルスケア・ユーケイ・リミテッド | 画像処理方法 |
JP2011206531A (ja) * | 2010-03-11 | 2011-10-20 | Fujifilm Corp | 画像処理装置および方法並びにプログラム |
JP2019512295A (ja) * | 2016-03-04 | 2019-05-16 | 4ディーエックス リミテッド | 撮像方法およびシステム |
US10846853B2 (en) | 2017-04-12 | 2020-11-24 | Fujifilm Corporation | Medical image processing apparatus, medical image processing method, and medical image processing program |
JP7466592B2 (ja) | 2016-08-22 | 2024-04-12 | コーニンクレッカ フィリップス エヌ ヴェ | モデル正規化動き補償医用画像再構成 |
JP7481483B2 (ja) | 2020-03-31 | 2024-05-10 | ▲蘇▼州▲潤▼▲邁▼▲徳▼医▲療▼科技有限公司 | 血管の中心線を精密に抽出する方法、装置、分析システム、及び記憶媒体 |
Families Citing this family (91)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6941323B1 (en) | 1999-08-09 | 2005-09-06 | Almen Laboratories, Inc. | System and method for image comparison and retrieval by enhancing, defining, and parameterizing objects in images |
DE19960372A1 (de) * | 1999-12-14 | 2001-06-21 | Definiens Ag | Verfahren zur Verarbeitung von Datenstrukturen |
US7024027B1 (en) * | 2001-11-13 | 2006-04-04 | Koninklijke Philips Electronics N.V. | Method and apparatus for three-dimensional filtering of angiographic volume data |
EP1552437B1 (en) * | 2002-10-15 | 2008-01-02 | Definiens AG | Information extraction using an object based semantic network |
US8594410B2 (en) * | 2006-08-28 | 2013-11-26 | Definiens Ag | Context driven image mining to generate image-based biomarkers |
US7873223B2 (en) | 2002-10-15 | 2011-01-18 | Definiens Ag | Cognition integrator and language |
US7801361B2 (en) * | 2002-10-15 | 2010-09-21 | Definiens Ag | Analyzing pixel data using image, thematic and object layers of a computer-implemented network structure |
US7081834B2 (en) * | 2003-03-21 | 2006-07-25 | Rockwell Scientific Licensing Llc | Aviation weather awareness and reporting enhancements (AWARE) system using a temporal-spatial weather database and a Bayesian network model |
US7266249B2 (en) * | 2003-05-22 | 2007-09-04 | Ge Medical Systems Global Technology Company, Llc | Optimized region growing algorithm for scale space analysis |
US7356173B2 (en) * | 2003-06-11 | 2008-04-08 | Koninklijke Philips Electronics N.V. | Analysis of pulmonary CT data |
JP5242052B2 (ja) * | 2003-06-17 | 2013-07-24 | ブラウン ユニバーシティ | 投影データ中の構造体のモデル・ベース検出のための方法および装置 |
US7978887B2 (en) * | 2003-06-17 | 2011-07-12 | Brown University | Methods and apparatus for identifying subject matter in view data |
KR100503424B1 (ko) * | 2003-09-18 | 2005-07-22 | 한국전자통신연구원 | 다중단면 전산화단층촬영 영상을 이용한 폐결절 자동 검출방법 및 이를 기록한 기록매체 |
JP2005100176A (ja) * | 2003-09-25 | 2005-04-14 | Sony Corp | 画像処理装置およびその方法 |
US20050244042A1 (en) * | 2004-04-29 | 2005-11-03 | General Electric Company | Filtering and visualization of a multidimensional volumetric dataset |
US7515743B2 (en) * | 2004-01-08 | 2009-04-07 | Siemens Medical Solutions Usa, Inc. | System and method for filtering a medical image |
US7567696B2 (en) * | 2004-03-02 | 2009-07-28 | Siemens Medical Solutions Usa, Inc. | System and method for detecting the aortic valve using a model-based segmentation technique |
KR100686289B1 (ko) * | 2004-04-01 | 2007-02-23 | 주식회사 메디슨 | 대상체 영상의 윤곽내 볼륨 데이터를 이용하는 3차원초음파 영상 형성 장치 및 방법 |
US7031430B2 (en) * | 2004-04-06 | 2006-04-18 | General Electric Company | System and method for detecting objects with differential operators |
US20060018524A1 (en) * | 2004-07-15 | 2006-01-26 | Uc Tech | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT |
US7525543B2 (en) * | 2004-08-09 | 2009-04-28 | Siemens Medical Solutions Usa, Inc. | High performance shading of large volumetric data using screen-space partial derivatives |
US7460716B2 (en) * | 2004-09-13 | 2008-12-02 | Boston Scientific Scimed, Inc. | Systems and methods for producing a dynamic classified image |
US8059900B2 (en) * | 2004-10-08 | 2011-11-15 | General Electric Company | Method and apparatus to facilitate visualization and detection of anatomical shapes using post-processing of 3D shape filtering |
US20090175531A1 (en) * | 2004-11-19 | 2009-07-09 | Koninklijke Philips Electronics, N.V. | System and method for false positive reduction in computer-aided detection (cad) using a support vector macnine (svm) |
US7532748B2 (en) * | 2004-11-24 | 2009-05-12 | General Electric Company | Methods and apparatus for selecting and/or labeling vessel branches |
US7555152B2 (en) * | 2005-01-06 | 2009-06-30 | Siemens Medical Solutions Usa, Inc. | System and method for detecting ground glass nodules in medical images |
JP5312803B2 (ja) * | 2005-02-11 | 2013-10-09 | コーニンクレッカ フィリップス エヌ ヴェ | コンピュータ断層撮影のためのイメージング方法及びコンピュータ断層撮影装置 |
US7512284B2 (en) * | 2005-03-29 | 2009-03-31 | General Electric Company | Volumetric image enhancement system and method |
US8948461B1 (en) * | 2005-04-29 | 2015-02-03 | Hewlett-Packard Development Company, L.P. | Method and system for estimating the three dimensional position of an object in a three dimensional physical space |
US8732601B2 (en) | 2005-09-19 | 2014-05-20 | General Electric Company | Clinical review and analysis work flow for lung nodule assessment |
US7991210B2 (en) | 2005-11-23 | 2011-08-02 | Vital Images, Inc. | Automatic aortic detection and segmentation in three-dimensional image data |
US7747052B2 (en) * | 2005-11-29 | 2010-06-29 | Siemens Medical Solutions Usa, Inc. | System and method for detecting solid components of ground glass nodules in pulmonary computed tomography images |
WO2007065221A1 (en) * | 2005-12-07 | 2007-06-14 | Commonwealth Scientific And Industrial Research Organisation | Linear feature detection method and apparatus |
US7783092B2 (en) * | 2006-01-17 | 2010-08-24 | Illinois Institute Of Technology | Method for enhancing diagnostic images using vessel reconstruction |
US8218850B2 (en) * | 2006-02-10 | 2012-07-10 | Synarc Inc. | Breast tissue density measure |
GB0602739D0 (en) * | 2006-02-10 | 2006-03-22 | Ccbr As | Breast tissue density measure |
US8923577B2 (en) * | 2006-09-28 | 2014-12-30 | General Electric Company | Method and system for identifying regions in an image |
US7970191B2 (en) * | 2006-09-28 | 2011-06-28 | Siemens Medical Solutions Usa, Inc. | System and method for simultaneously subsampling fluoroscopic images and enhancing guidewire visibility |
US7873194B2 (en) | 2006-10-25 | 2011-01-18 | Rcadia Medical Imaging Ltd. | Method and system for automatic analysis of blood vessel structures and pathologies in support of a triple rule-out procedure |
US7940970B2 (en) | 2006-10-25 | 2011-05-10 | Rcadia Medical Imaging, Ltd | Method and system for automatic quality control used in computerized analysis of CT angiography |
US7860283B2 (en) | 2006-10-25 | 2010-12-28 | Rcadia Medical Imaging Ltd. | Method and system for the presentation of blood vessel structures and identified pathologies |
US7940977B2 (en) | 2006-10-25 | 2011-05-10 | Rcadia Medical Imaging Ltd. | Method and system for automatic analysis of blood vessel structures to identify calcium or soft plaque pathologies |
US7983459B2 (en) | 2006-10-25 | 2011-07-19 | Rcadia Medical Imaging Ltd. | Creating a blood vessel tree from imaging data |
US8019134B2 (en) | 2006-11-16 | 2011-09-13 | Definiens Ag | Automatic image analysis and quantification for fluorescence in situ hybridization |
US8542899B2 (en) | 2006-11-30 | 2013-09-24 | Definiens Ag | Automatic image analysis and quantification for fluorescence in situ hybridization |
US20080170767A1 (en) * | 2007-01-12 | 2008-07-17 | Yfantis Spyros A | Method and system for gleason scale pattern recognition |
US20090123047A1 (en) * | 2007-03-21 | 2009-05-14 | Yfantis Spyros A | Method and system for characterizing prostate images |
JP5106928B2 (ja) * | 2007-06-14 | 2012-12-26 | オリンパス株式会社 | 画像処理装置および画像処理プログラム |
US20090082637A1 (en) * | 2007-09-21 | 2009-03-26 | Michael Galperin | Multi-modality fusion classifier with integrated non-imaging factors |
US8224057B2 (en) * | 2007-10-18 | 2012-07-17 | Siemens Aktiengesellschaft | Method and system for nodule feature extraction using background contextual information in chest x-ray images |
US20090322748A1 (en) * | 2008-06-09 | 2009-12-31 | Uti Limited Partnership | Methods,systems, and computer program products for GPU-based point radiation for interactive volume sculpting and segmentation |
US8194927B2 (en) * | 2008-07-18 | 2012-06-05 | GM Global Technology Operations LLC | Road-lane marker detection using light-based sensing technology |
US8204277B2 (en) * | 2008-07-18 | 2012-06-19 | GM Global Technology Operations LLC | Apparatus and method for camera-bases lane marker detection |
GB2463906A (en) * | 2008-09-29 | 2010-03-31 | Medicsight Plc | Identification of medical image objects using local dispersion and Hessian matrix parameters |
US8478007B2 (en) * | 2008-12-12 | 2013-07-02 | Electronics And Telecommunications Research Institute | Method for detecting ground glass opacity using chest computed tomography |
DE102009006636B4 (de) * | 2008-12-30 | 2016-02-18 | Siemens Aktiengesellschaft | Verfahren zur Ermittlung einer 2D-Kontur einer in 3D-Bilddaten abgebildeten Gefäßstruktur |
US8483433B1 (en) * | 2009-09-17 | 2013-07-09 | Lockheed Martin Corporation | Detection of faint perturbations of interest using statistical models of image texture |
CA2797267A1 (en) | 2010-04-30 | 2011-11-03 | Vucomp, Inc. | Probability density function estimator |
US9282944B2 (en) * | 2010-06-22 | 2016-03-15 | Queen's University At Kingston | C-arm pose estimation using intensity-based registration of imaging modalities |
US9256799B2 (en) | 2010-07-07 | 2016-02-09 | Vucomp, Inc. | Marking system for computer-aided detection of breast abnormalities |
US9286719B2 (en) * | 2010-09-29 | 2016-03-15 | Siemens Aktiengesellschaft | Automated detection of airway and vessel orientations for quantitative analysis and visualization |
US9557433B2 (en) * | 2011-03-23 | 2017-01-31 | Seismic Global Ambient, Llc | Fracture imaging methods employing skeletonization of seismic emission tomography data |
US9389326B2 (en) * | 2011-03-23 | 2016-07-12 | Global Ambient Seismic, Inc. | Methods, systems and devices for near-well fracture monitoring using tomographic fracture imaging techniques |
US9442205B2 (en) * | 2011-03-23 | 2016-09-13 | Global Ambient Seismic, Inc. | Method for assessing the effectiveness of modifying transmissive networks of natural reservoirs |
US9810803B2 (en) * | 2011-03-23 | 2017-11-07 | Seismic Global Ambient, Llc | Method for subsurface mapping using seismic emissions |
TWI453404B (zh) | 2011-12-27 | 2014-09-21 | Ind Tech Res Inst | 超音波成像系統及其影像處理方法 |
EP2831845B1 (en) | 2012-03-29 | 2021-05-12 | Koninklijke Philips N.V. | Visual suppression of selective tissue in image data |
US8983224B1 (en) * | 2012-08-27 | 2015-03-17 | Exelis, Inc. | Real-time recursive filter to identify weather events using traffic CCTV video |
US9202267B1 (en) * | 2013-03-14 | 2015-12-01 | Marseille Networks, Inc. | System and method to enhance and process a digital image |
WO2015054295A1 (en) * | 2013-10-07 | 2015-04-16 | Arizona Board Of Regents On Behalf Of Arizona State University | Kidney glomeruli measurement systems and methods |
US9750646B2 (en) * | 2014-06-26 | 2017-09-05 | The Procter & Gamble Company | Systems and methods for monitoring and controlling an absorbent article converting line |
US9881368B2 (en) * | 2014-11-07 | 2018-01-30 | Casio Computer Co., Ltd. | Disease diagnostic apparatus, image processing method in the same apparatus, and medium storing program associated with the same method |
JP6003964B2 (ja) * | 2014-11-07 | 2016-10-05 | カシオ計算機株式会社 | 診断装置並びに当該診断装置における画像処理方法及びそのプログラム |
JP6003963B2 (ja) * | 2014-11-07 | 2016-10-05 | カシオ計算機株式会社 | 診断装置並びに当該診断装置における画像処理方法及びそのプログラム |
EP3230951A1 (en) * | 2014-12-09 | 2017-10-18 | Koninklijke Philips N.V. | Feedback for multi-modality auto-registration |
WO2017092615A1 (zh) * | 2015-11-30 | 2017-06-08 | 上海联影医疗科技有限公司 | 一种计算机辅助诊断系统及方法 |
US10824934B2 (en) * | 2017-01-12 | 2020-11-03 | Texas Instruments Incorporated | Methods and apparatus for matrix processing in a convolutional neural network |
US10140421B1 (en) | 2017-05-25 | 2018-11-27 | Enlitic, Inc. | Medical scan annotator system |
EP3639063A1 (en) | 2017-06-08 | 2020-04-22 | Downunder Geosolutions Pty Ltd. | Method for improved processing of data with time overlapping recordings of energy sources |
EP3503022A1 (en) * | 2017-12-20 | 2019-06-26 | Koninklijke Philips N.V. | System for assessing a pulmonary image |
WO2019140428A1 (en) * | 2018-01-15 | 2019-07-18 | President And Fellows Of Harvard College | Thresholding in pattern detection at low signal-to-noise ratio |
US11074700B2 (en) | 2018-04-23 | 2021-07-27 | Cognex Corporation | Systems, methods, and computer-readable storage media for determining saturation data for a temporal pixel |
US11080830B2 (en) * | 2018-04-25 | 2021-08-03 | Perkinelmer Cellular Technologies Germany Gmbh | Systems and methods for segmentation and analysis of 3D images |
US11282198B2 (en) | 2018-11-21 | 2022-03-22 | Enlitic, Inc. | Heat map generating system and methods for use therewith |
US11145059B2 (en) | 2018-11-21 | 2021-10-12 | Enlitic, Inc. | Medical scan viewing system with enhanced training and methods for use therewith |
US11011257B2 (en) | 2018-11-21 | 2021-05-18 | Enlitic, Inc. | Multi-label heat map display system |
US11457871B2 (en) | 2018-11-21 | 2022-10-04 | Enlitic, Inc. | Medical scan artifact detection system and methods for use therewith |
US11462315B2 (en) | 2019-11-26 | 2022-10-04 | Enlitic, Inc. | Medical scan co-registration and methods for use therewith |
KR102283673B1 (ko) * | 2020-11-30 | 2021-08-03 | 주식회사 코어라인소프트 | 병변 추적 검사에 기반하여 진단 보조 정보의 임계치를 조정하는 의료 영상 판독 지원 장치 및 방법 |
US11669678B2 (en) | 2021-02-11 | 2023-06-06 | Enlitic, Inc. | System with report analysis and methods for use therewith |
JP2022135392A (ja) * | 2021-03-05 | 2022-09-15 | コニカミノルタ株式会社 | 医用情報管理装置、医用情報管理方法および医用情報管理プログラム |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4851984A (en) * | 1987-08-03 | 1989-07-25 | University Of Chicago | Method and system for localization of inter-rib spaces and automated lung texture analysis in digital chest radiographs |
US5289374A (en) * | 1992-02-28 | 1994-02-22 | Arch Development Corporation | Method and system for analysis of false positives produced by an automated scheme for the detection of lung nodules in digital chest radiographs |
US5319549A (en) * | 1992-11-25 | 1994-06-07 | Arch Development Corporation | Method and system for determining geometric pattern features of interstitial infiltrates in chest images |
EP0973116A1 (en) * | 1993-03-01 | 2000-01-19 | Kabushiki Kaisha Toshiba | Medical information processing system for supporting diagnosis |
US5848198A (en) * | 1993-10-08 | 1998-12-08 | Penn; Alan Irvin | Method of and apparatus for analyzing images and deriving binary image representations |
US5987094A (en) * | 1996-10-30 | 1999-11-16 | University Of South Florida | Computer-assisted method and apparatus for the detection of lung nodules |
US6078680A (en) * | 1997-07-25 | 2000-06-20 | Arch Development Corporation | Method, apparatus, and storage medium for detection of nodules in biological tissue using wavelet snakes to characterize features in radiographic images |
US6088473A (en) * | 1998-02-23 | 2000-07-11 | Arch Development Corporation | Method and computer readable medium for automated analysis of chest radiograph images using histograms of edge gradients for false positive reduction in lung nodule detection |
US6138045A (en) * | 1998-08-07 | 2000-10-24 | Arch Development Corporation | Method and system for the segmentation and classification of lesions |
US6272200B1 (en) * | 1999-07-28 | 2001-08-07 | Arch Development Corporation | Fourier and spline-based reconstruction of helical CT images |
US6646641B1 (en) * | 1999-12-08 | 2003-11-11 | Autodesk, Inc. | Extrapolation of behavioral constraints in a computer-implemented graphics system |
US6690816B2 (en) * | 2000-04-07 | 2004-02-10 | The University Of North Carolina At Chapel Hill | Systems and methods for tubular object processing |
-
2003
- 2003-01-31 US US10/355,147 patent/US6937776B2/en not_active Expired - Lifetime
- 2003-11-06 AU AU2003287097A patent/AU2003287097A1/en not_active Abandoned
- 2003-11-06 WO PCT/US2003/032740 patent/WO2004070648A1/en active Search and Examination
- 2003-11-06 JP JP2004567996A patent/JP2006521118A/ja active Pending
- 2003-11-06 EP EP03777621A patent/EP1588316A4/en not_active Withdrawn
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009512927A (ja) * | 2005-10-20 | 2009-03-26 | ジーイー・ヘルスケア・ユーケイ・リミテッド | 画像処理方法 |
JP2008178666A (ja) * | 2006-11-02 | 2008-08-07 | Fujifilm Corp | 画像処理方法及び装置 |
JP2011206531A (ja) * | 2010-03-11 | 2011-10-20 | Fujifilm Corp | 画像処理装置および方法並びにプログラム |
JP2019512295A (ja) * | 2016-03-04 | 2019-05-16 | 4ディーエックス リミテッド | 撮像方法およびシステム |
JP2022081562A (ja) * | 2016-03-04 | 2022-05-31 | 4ディーメディカル リミテッド | 撮像方法およびシステム |
JP7152952B2 (ja) | 2016-03-04 | 2022-10-13 | 4ディーメディカル リミテッド | 撮像方法およびシステム |
JP7323666B2 (ja) | 2016-03-04 | 2023-08-08 | 4ディーメディカル リミテッド | 撮像方法およびシステム |
JP7466592B2 (ja) | 2016-08-22 | 2024-04-12 | コーニンクレッカ フィリップス エヌ ヴェ | モデル正規化動き補償医用画像再構成 |
US10846853B2 (en) | 2017-04-12 | 2020-11-24 | Fujifilm Corporation | Medical image processing apparatus, medical image processing method, and medical image processing program |
JP7481483B2 (ja) | 2020-03-31 | 2024-05-10 | ▲蘇▼州▲潤▼▲邁▼▲徳▼医▲療▼科技有限公司 | 血管の中心線を精密に抽出する方法、装置、分析システム、及び記憶媒体 |
Also Published As
Publication number | Publication date |
---|---|
EP1588316A1 (en) | 2005-10-26 |
US20040151356A1 (en) | 2004-08-05 |
AU2003287097A1 (en) | 2004-08-30 |
EP1588316A4 (en) | 2006-10-18 |
WO2004070648A1 (en) | 2004-08-19 |
US6937776B2 (en) | 2005-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6937776B2 (en) | Method, system, and computer program product for computer-aided detection of nodules with three dimensional shape enhancement filters | |
JP6267710B2 (ja) | 医用画像中の肺結節を自動検出するためのシステム及び方法 | |
AU2005207310B2 (en) | System and method for filtering a medical image | |
Suzuki | Pixel-based machine learning in medical imaging | |
Schilham et al. | A computer-aided diagnosis system for detection of lung nodules in chest radiographs with an evaluation on a public database | |
US6898303B2 (en) | Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans | |
US6760468B1 (en) | Method and system for the detection of lung nodule in radiological images using digital image processing and artificial neural network | |
EP1436771B1 (en) | Computer-aided detection of three-dimensional lesions | |
US8073226B2 (en) | Automatic detection and monitoring of nodules and shaped targets in image data | |
Ge et al. | Computer‐aided detection of lung nodules: false positive reduction using a 3D gradient field method and 3D ellipsoid fitting | |
US8059900B2 (en) | Method and apparatus to facilitate visualization and detection of anatomical shapes using post-processing of 3D shape filtering | |
Suárez-Cuenca et al. | Application of the iris filter for automatic detection of pulmonary nodules on computed tomography images | |
US20090123049A1 (en) | Nodule Detection | |
Costaridou | Medical image analysis methods | |
Schilham et al. | Multi-scale nodule detection in chest radiographs | |
US20050002548A1 (en) | Automatic detection of growing nodules | |
Nomura et al. | Reduction of false positives at vessel bifurcations in computerized detection of lung nodules | |
Ge et al. | Computer-aided detection of lung nodules: false positive reduction using a 3D gradient field method | |
Ahmed et al. | Rib suppression for enhancing frontal chest radiographs using independent component analysis | |
Mohamed et al. | Computer aided diagnosis of digital mammograms | |
Rampun et al. | Computer aided diagnosis of prostate cancer within the peripheral zone in t2-weighted mri | |
Khalid et al. | Segmentation of lung nodules in CT scan data: A review | |
Cruz et al. | Circumscribed mass detection in digital mammograms | |
Mendonça et al. | Model-Based Methods for Detection of Pulmonary Nodules | |
El-Baz et al. | Research Article Automatic Detection of 2D and 3D Lung Nodules in Chest Spiral CT Scans |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20061017 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090609 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20091117 |