JP2007054623A - ディジタル画像データにおけるコントラスト増強された血管の識別方法 - Google Patents

Abstract

【課題】ディジタル３Ｄ画像データにおけるコントラスト増強された血管を識別する。
【解決手段】３Ｄ画像データにおける血管に属する１つの画像ボクセルが種点（ｓｐ）として選択され、画像ボクセルの強度に対する現在の閾値（Ｔ）が、種点（ｓｐ）の強度として選択され、種点（ｓｐ）が閾値（Ｔ）に割り付けられ、新たな種点を発見するためのチェック基準に基づいて、新たな種点（ｓｐ）が種点と接する画像ボクセルにおいて探索され、その強度と現在の閾値とに応じて決定された閾値に割り付けられ、発見された種点（ｓｐ）が、血管に属する血管ボクセルとして記憶され、かつ現在の閾値（Ｔ）に割り付けられ、現在の閾値（Ｔ）が低下させられ、血管が画像データにおける全ての血管ボクセルの集合として識別され、相応のステップが識別すべき血管との特別な関連で不正確な識別を生じ得る予備知識が存在し、上記のステップの少なくとも１つが予備知識の考慮のもとに変更または拡張される。
【選択図】図１

Description

本発明は、３Ｄ血管撮影法において得られたディジタル画像データにおけるコントラスト増強（つまりコントラスト強調）された血管の識別方法に関する。

冠状血管の病気は工業化世界全体の中における人間の主死亡原因の１つである。心臓の誤機能は主として冠動脈の異常な狭まり、すなわち狭窄によってひき起こされる。これはしばしば生命を脅かす心筋梗塞をもたらす。

かなり最近においてスパイラルＣＴ（マルチスライス心臓コンピュータ断層撮影，ＭＳＣＴ）のような方法における技術改良がミリメートル未満範囲の高分解能を有する３次元の心臓画像を作成することを可能にした。この場合に、約２０秒の時間窓内において、患者内部の、例えば心臓を含む胸部空間の６４個の平行な断層画像、すなわち円盤画像またはスライス画像が撮影される。特に造影剤の静脈注入によって冠動脈を表示することができる。この技術は、例えば３Ｄ血管撮影法（コンピュータ断層撮影アンギオグラフィ，ＣＴＡ）として知られている。この種の画像化方法の結果として、患者のディジタル３Ｄ画像データセットが存在する。

３Ｄ画像データセットを患者の心臓もしくは冠状血管の状態に関して評価することを可能にするために、画像データのいわゆる冠状ツリーの識別もしくはコントラスト豊かな表示が必要である。この場合に、冠状ツリーは、冠動脈の全体、もしくは画像データセット内に含まれているその他の画像情報のない血管を意味する。換言するならば、画像データから冠状ツリーが、単独で、いわば空の空間内に具象的に表示可能または測定可能であるように抽出されるべきである。このように画像データから冠状ツリーを際立たせることは、専門家の世界ではセグメンテーションとも呼ばれているが、以下では常に識別と呼ぶことにする。

この識別の良さもしくは品質は、例えば血管狭窄の存在または狭窄の程度の評価のような後に続く医療診断にとって非常に重要である。血管狭窄は、脂肪沈着、石灰沈着、動脈瘤、あるいはその他の、例えば欠けた冠状血管のような解剖学的異常によって生じる。

冠状血管の所見のほかに、従って単なる診断決定のほかに、冠状血管の定性的および定量的分析は、例えば、ステントの挿置のような必要な手術の前における治療計画のために非常に有用である。この場合に、例えばステントの長さ、必要なカテーテルの長さあるいはバイパスの大きさを手術の前段階において既に求めることができる。

医用画像データ内での相応の血管の識別は、しばしば非常に細い血管構造のゆえに、大いなる挑戦を意味する。血管は、例えば直径が、ディジタル画像において、しばしば、ほんの僅かの画素もしくはボクセルしか含まない。識別の際における更に別の困難をもたらすのは、画像データ内において同様にコントラスト豊かに表示される心室または心房に対して識別すべき血管の近さである。更に、測定ノイズおよび画像障害が相応の画像処理のために頑強な方法もしくはアルゴリズムを要求する。

そこで、医用２Ｄまたは３Ｄ画像もしくは画像データ内における血管の識別のために、多数の方法が開発された。

方法の等級は、画像データから算定されるいわゆる隣接差に基づく。この方法の主たる欠点は画像データ内に存在するノイズへの決定的な依存性にある。

更に、形態パターンを持つまたは形態パターンを持たない変形可能なモデルを基礎とする方法がある。この場合たいていのモデルもしくは方法は管状構造の識別を目指すが、しかし冠状ツリーにおける血管分岐の識別時に問題を有し、もしくは働かなくなる。更に、形態パターンは、手動にてセグメンテーションを施された血管もしくは冠状ツリーを有する既知の画像データの大きな代表的なデータベース上において作業量の多いトレーニング段階を必要とする。しかしながら実際の医療において最も困難かつ最も危機的な場合である異常な血管ツリーは、しばしば誤セグメンテーションを施される。なぜならば、それは、平均パターンもしくは平均的な形態パターンから非常にはずれているからである。モデルを基礎とする方法は画像ノイズに対して上述よりも明白に頑強であるにもかかわらず、これらの方法の大部分は３Ｄ解析には適していない。これはこれらの方法の計算の集中性によるものでもある。

これに対して、線もしくは輪郭アルゴリズムは画像データにおける血管の中心線だけは抽出もしくは識別されるが、しかし血管ボリューム全体もしくは血管内腔は抽出もしくは識別されない。更に、この種の技術は非常に優良な手動の初期設定が必要である。したって、この場合には、例えば血管外科医の如きできるだけ経験豊かな使用者による著しい先行投資が必要である。例えば、この種の方法の初期設定のための相応のマーカーの設定は、とりわけ３Ｄ領域では実際上非常に費用がかかる。

広範に使用されている基礎的なアルゴリズムはいわゆる領域成長法であり、これは一般に画像データのセグメンテーションに広く普及し、例えば既に血管識別もしくは血管セグメンテーションに使用されている（例えば、非特許文献１参照）。

この方法は２Ｄまたは３Ｄのケースについて機能し、この場合に明るさもしくはカラーあるいはグレーの値をもとに方針を決める。この方法の基礎的な前提は、密に並んでいてかつ類似の明るさの値を有するボクセルが最高確率で同一対象に属することから出発する。以下において、普遍妥当性の制限なしに、画像データにおけるコントラスト増強された、すなわち造影剤によって強調された血管が周辺組織などよりも明るく表示されていること、そして明るいボクセルが高いグレー値もしくは強度値を有することが当てはまるべきである。セグメンテーションを施すべき３Ｄ画像データは純粋なグレー値画像であって、従ってカラー画像ではない。ボクセルのグレー値はハンスフィールド値で表示されている。

先ず、たいてい手動にて、第１の種点もしくは出発点ｓｐ、従って唯一の画像ボクセルが、空の種点集合ＳＰ_Tに付け加えられる。なお、Ｔは種点のグレー値である。方法は、ここから出発して画像データのセグメンテーションを実行し、もしくは一歩一歩種点ｓｐに隣接するボクセルｎｓｐを、これらが潜在的な血管ボクセルかどうかを調べることによって血管を識別する。このものを潜在的な種点としてグレー値Ｉに対応する種点集合ＳＰ_Iに付け加えて行く。これに応じて蓄積される種点は、Ｔが相応の値Ｉを取るとき、下記の如く処理される。

隣り合わせの全てのボクセルが閾値Ｔについて調べられているとき、種点自体は空のセグメンテーション領域Ｒに付け加えられる。領域Ｒは増大する血管ツリーである。

相応の閾もしくは閾値については、一般に、値の全体間隔Ｔ_max≧Ｔ≧Ｔ_minが選ばれる。現在の閾値Ｔは動作中に徐々に低下させられる。

既にセグメント化された領域Ｒに対して、現在の閾値Ｔよりも大きい強度を有する他の隣接ボクセルｎｓｐを全く発見できない場合には、閾値Ｔが予め与えられたステップ幅だけ低下させられ、変化された閾値により更なる方法進行が行なわれる。

セグメント化されている、すなわち集合Ｒに割り付けられる種点は、通常のように、識別された対応の閾値によりマークを付けられる。強度値に基づいて区分された結果Ｒが生じ、この結果は全体のアルゴリズムの処理後にも既にセグメント化された領域の段階的な除去を可能にする。

この場合に、最大閾値Ｔ_maxは手動にて決定された最初の種点の強度であり、最小閾値Ｔ_minは対話形式にて使用者によって決定される。セグメンテーションは全体の閾値間隔Ｔ_min〜Ｔ_maxにおいて行なわれる。

最小閾値Ｔ_minの増大によって使用者は公知のように、例えば心室のような誤セグメンテーションを低減することができる。しかし、この場合の欠点は、正しく認識されたが、しかしＴ_minよりも低い強度を有する全ての血管が結局のところ同様に消えることにある。アルゴリズムが例えば左心室のような範囲内での探索時に高い閾値において分岐する場合に、誤セグメンテーションの大きな範囲に到達することはないが、セグメント化すべき血管の一部分しか、つまり非常に明るい血管の部分しかセグメント化することができない。

図９に基づいて従来技術により公知の成長アルゴリズムを詳細に説明する。

開始ステップ３００において、まず図示されていない使用者によって図示されていない３Ｄ画像データセットにおいて手動で第１のボクセルが種点ｓｐとして選択される。この種点ｓｐのグレー値Ｉが最大閾値Ｔ_maxとして選択される。引続いて種点ｓｐが集合ＳＰ_Tmaxに唯一の種点として書き加えられる。更に、使用者が下方閾値Ｔ_minを経験値とし決定する。

ループ開始３０２ａにおいて、先ず現在の閾値Ｔの値範囲が上方閾値Ｔ_maxと下方閾値Ｔ_minとの間で決定され、先ず現在の閾値Ｔが上方閾値Ｔ_maxをとる。次のループ開始３０４ａにおいて、またしても最初の種点ｓｐが種点集合ＳＰ_Tから選択される。従って、種点集合ＳＰ_Tは先ずは上述の集合ＳＰ_Tmaxに相当する。次のループ開始３０６ａにおいて、またしても、ちょうど今選択された種点ｓｐにおいて、種点ｓｐの最初の隣接ボクセルｎｓｐが、種点ｓｐに直接に接している隣接ボクセルの集合から選択される。

分岐３０８において、ここで隣接ボクセルｎｓｐについて、それらの明るさ値もしくは強度値ＨＵ（ｎｓｐ）が下方閾値Ｔ_minより大きいか又は等しいかどうかがチェックされる。この基準が満たされた場合にはＹｅｓの枝３１０の側におけるステップ３１１において隣接ボクセルｎｓｐが新たな種点として種点集合ＳＰ_Iに書き加えられ、もしくこれに付け加えられる。この場合に、種点集合の閾値Ｉは隣接ボクセルの強度ＨＵ（ｎｓｐ）の最小値および現在の閾値Ｔから決定される。これに対して、対応するＮｏの枝３１２においては、それ以上何も行なわれない。

その後、ループ終了３０６ｂにおいて、現在の種点ｓｐに対して更に別の隣接ボクセルｎｓｐが存在するかどうかがチェックされる。存在する場合にはそれが選択されてループ開始３０６ａに戻り、存在しない場合、ステップ３１４において結果集合Ｒに対して種点ｓｐの付け加えが行なわれ、種点ｓｐは現在の閾値Ｔのマークを付される。更に、種点ｓｐが種点集合ＳＰ_Tから除去され、それにより完全に処理が果たされる。

その後、ループ終了３０４ｂにおいて、他の種点集合ＳＰ_Tの中に他の種点ｓｐが存在するかどうかがチェックされる。存在するならばループ３０４ａへ分岐し、次の種点が集合ＳＰ_Tから選択される。存在しなければループ終了３０２ｂへ分岐し、そこにおいて現在の閾値Ｔが固定のステップ幅だけ、この例においてはＴ_minの方向に１つのグレー値段階だけ低下させられ、その後ループ開始３０２ａへ分岐する。

現在の閾値Ｔ＝Ｔ_minによる最後の方法一巡後にアルゴリズムが終了する。

結果集合Ｒは、今やセグメント化された血管ツリーを含み、つまり成長アルゴリズムの過程で求められた全ての種点ｓｐと開始ステップ３００からの開始種点ｓｐとを含み、各種点ｓｐには、当該種点が結果集合Ｒに付け加えられた現在の閾値Ｔが割り付けられている。

たとえ領域成長方法が上述の欠点を有していても、根本的な利点が、処理の際の高速性およびコンピュータプログラムへの変換の単純性にある。
Ｂｏｓｋａｍｐ，Ｔｏｂｉａｓ ｅｔ ａｌ．，"Ｎｅｗ Ｖｅｓｓｅｌ Ａｎａｌｙｓｉｓ Ｔｏｏｌ ｆｏｒ Ｍｏｒｐｈｏｍｅｔｒｉｃ Ｑｕａｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ｖｉｓｕａｌｉｚａｔｉｏｎ ｏｆ Ｖｅｓｓｅｌｓ ｉｎ ＣＴ ａｎｄ ＭＲ Ｉｍａｇｉｎｇ Ｄａｔａ Ｓｅｔｓ"，ＲａｄｉｏＧｒａｐｈｉｃｓ，Ｖｏｌ．２４，Ｎｏ．１，ｐｐ．２８７−２９７，Ｐｕｂｌｉｓｈｅｄ Ｏｎｌｉｎｅ，２００４

従って、本発明の課題は、ディジタル３Ｄ画像データにおけるコントラスト増強された血管を識別するための相応に改善された方法を提供することにある。

この課題は、本発明によれば、
ディジタル３Ｄ画像データにおけるコントラスト増強された血管の識別方法であって、
ａ）３Ｄ画像データの、血管に属する１つの画像ボクセルが種点として選択されるステップ、
ｂ）画像ボクセルの強度に対する現在の閾値が、種点の強度として選択され、種点が閾値に割り付けられるステップ、
ｃ）新たな種点を発見するためのチェック基準に基づいて、新たな種点が種点と接する画像ボクセルにおいて探索され、その強度と現在の閾値とに応じて決定された閾値に割り付けられるステップ、
ｄ）現在の閾値において更に他の種点が発見できなくなるまで、何度もステップｃ）が繰り返されるステップ、
ｅ）発見された種点が、血管に属する血管ボクセルとして記憶され、かつ現在の閾値に割り付けられるステップ、
ｆ）現在の閾値が低下させられるステップ、
ｇ）中断基準が満たされるまで、ステップｃ）〜ｆ）が繰り返されるステップ、
ｈ）血管が画像データにおける全ての血管ボクセルの集合として識別されるステップを有するディジタル３Ｄ画像データにおけるコントラスト増強された血管の識別方法において、
相応のステップが識別すべき血管との特別な関連で不正確な識別を生じ得る予備知識が存在し、ステップａ）〜ｈ）の少なくとも１つが予備知識の考慮のもとに変更または拡張される
ことによって解決される。

ステップａ）〜ｈ）は、上記に図９に基づいて既に説明した従来技術による公知の一般的な成長アルゴリズムの基本形式を描写する。

本発明は、このアルゴリズムに基づく公知の方法が、これまではセグメント化すべき構造を考慮することなしに実行もしくは使用されていたという認識に基づく。

本発明によれば、ステップａ）〜ｈ）の少なくとも１つが、識別すべき血管に関する予備知識の考慮のもとに実行される。識別すべき血管に関する予備知識は、例えば血管の根本的な形状、大きさ、直径などであるとよい。冠動脈については、例えば、その直径が軸方向に心室から出発してもはやほとんど増大することはない。従って、血管のセグメンテーション時の方法の経過中に既知の血管に対して異常に大きな直径を有する領域が生じた場合には、誤セグメンテーションであり、患者の識別すべき血管ではないことが仮定されるべきである。この種の知識が、本発明に従って、ステップａ）〜ｈ）内に、変更もしくは拡張によって本発明方法に到達すべく組み込まれる。

それにもかかわらず成長アルゴリズムの上述の利点はそのまま得られる。しかしながら、例えばコンピュータ断層撮影による血管撮影法のデータからの冠状ツリーのセグメンテーションは明白に改善される。従って、方法は高速のままで、従って大きな３Ｄデータセットにも実施可能である。従って、病院の日常業務において使用可能である。誤セグメンテーションの危険はほとんど低減される。なぜならば、最も頻繁に起こる誤セグメンテーションの性質は予め既知であり、これらは予備知識による相応のステップによって検出もしくは阻止することができる。本発明による方法はＣＴＡデータのみならず、例えば磁気共鳴血管撮影法（ＭＲＡ）などのデータにも実施することができる。更に、本方法は冠動脈のセグメンテーションに限定されることなく、他の血管、例えば患者の背または脳における血管にも使用可能である。

本発明による方法において、特定の方法部分の期間中に同一の閾値に割り付けられた種点の個数が検出され、個数が最大値を上回った場合に漏洩信号が発生させられ、その方法部分の期間中に閾値に割り付けられた種点は血管ボクセルとして記憶されない。

この場合にステップは任意にしかし固定に定められた方法部分、例えば同一の現在の閾値において実行されるステップｃ）全体である。

特定のステップにおいて、特別に多数の種点が同一の閾値に割り付けられた場合には、すなわちその個数が最大値を上回った場合には、これは周知のように血管に属し得ない領域がセグメント化されたことを意味する。この方法変形について、血管に関する予備知識は、特定のステップにおいて血管の或る部分がセグメント化されこれが定められた最大のボリュームしか占めないことである。従って、このステップにおいて新たに発見された種点の個数も制限されている。

従って、実際に意図した血管のみが正しく識別される場合には、定められた最大個数の種点が検出されさえすればよい。もしそうでなければ、方法が血管の外側の領域を識別したことが仮定される。それは、いわゆる「漏洩」である。なぜならば、換言すれば、アルゴリズムが識別時に血管の外へさまよい出たことになるからである。

従って、この場合に漏洩信号が発生させられる。この漏洩信号は多様な手法で評価もしくは更に利用することができる。例えば、方法全体を終了させるか、あるいはしかし漏洩に対して適切な反応を行なうことができる。

予備知識に従って、相応の方法部分において認識され最大値を上回る個数の種点は、血管に属し得ないかまたは部分的にしか血管に属し得ない。従って、これらは血管ボクセルとして記憶されない。これは、新たに付加されるべき種点が血管ボクセルとしてマークを付されて記憶されるのではなくて、既に記憶された種点もしくは血管ボクセルが相応に血管ボクセルの集合から除去されることを意味する。

ちょうど今述べた漏洩認識の方法変形は、血管として多数の枝を有する血管が識別される場合に、もう一度特殊化することができる。この場合に、同一の閾値に割り付けられた種点の個数が第１の枝においてのみ最大値を上回った場合には、方法が第１の枝については中断され、方法が残りの枝については継続される。従って、方法は、上述の漏洩認識の際に完全には中断されず、主として漏洩が生じた個所でのみ、すなわち異常に多数の種点が新たに認識された個所でのみ中断される。成長方法は残りの枝において継続可能である。

例えば、３Ｄ画像データにおいて、漏洩個所でのセグメンテーションを中断するために、もしくは換言するならば漏洩を閉じるために、漏洩個所に相応のマーキングまたは標識がセットされる。漏洩を発生していない枝の中にはない血管の残りの血管ツリーは阻止されずに更に成長することができる。

記憶された血管ボクセルの少なくとも１つの部分範囲について、部分範囲内における血管ボクセルの総数Ｎが決定され、部分範囲内における内部の血管ボクセルの総数Ｎ_Iが決定され、内部の血管ボクセルと隣接する全ての画像ボクセルが同様に血管ボクセルであり、部分範囲についてｄ＝Ｎ_I／Ｎに従って密度が求められ、密度ｄが限界値ｄ_minを下回ると、記憶された血管ボクセルの部分範囲が更には記憶されない。

この方法は、例えば患者の心室のセグメンテーション時にいわゆる空白のあるまたはまばらなボクセルセットが生じるという認識に基づく。この場合に、血管ボクセルは特定の隣接するボリュームを占めるが、しかしながらボリューム内部における全ての画像ボクセルが血管ボクセルであることを示しているわけではない。換言すれば、ボリューム内には多数の非血管ボクセル個所が存在し、従って換言すれば、詰まった血管ボクセルのみからなるのではなく、どちらかといえばむしろ空白のある構造物である。この種の構造物は、上述の方法変形によれば、この種の血管ボクセルが記憶されないか又は既に記憶された血管ボクセルが再び消去されることによって、血管ボクセルの処理集合から除去される。

ステップａ）において、閾値として、ステップｂ）の種点を取囲む予め定められた個数の画像ボクセルの強度値の最大値が選択されるとよい。この場合に使用された予備知識は次のとおりである。ノイズに起因して、隣接する画像ボクセルの明るさもしくは強度が、本来は等しい明るさにもかかわらず、しばしば強く異なる。なぜならば、それらは等しい構造物、例えば血管に属するからである。ステップｂ）においては特定の画像ボクセルが種点として選択されるので、閾値に割り付けられたその明るさが、実際に選択された画像ボクセルに強く依存する。周知の如く血管に属する３Ｄ画像データ範囲にある選択された画像ボクセルの強度が、ノイズに起因して、例えば方法の開始点で、血管内にある他の画像ボクセルに比べて非常に低い場合には、既に第１の方法部分つまり最大の閾値の方法部分において、血管ボクセルよりも非常に多い数の画像ボクセルがマークを付される。この画像ボクセルは少なくとも開始ボクセルの明るさを有し血管に属する全てのボクセルである。これは、漏洩またはまばらなボクセルセットが認識される場合に、僅かな差分の処理集合をもたらす。なぜならば、第１の方法部分の全ての血管ボクセルが相対的に低い閾値に割り付けられるからである。

第１の種点の周辺から最大強度値を本発明により選択することによって、３Ｄ画像データにおける画像ノイズの枠内で、第１の種点のしばしば手動で選択された個所の血管の実際に最大の強度値が使用される。従って、方法は著しく高い最大の閾値において開始し、このことは識別すべき血管の著しい差分のある結果集合をもたらす。なぜならば、暗い画像ボクセルが既に他の処理部分集合に割り付けられるからである。

第１の方法経過のステップｈ）の終了後に、識別された血管が第１の部分血管として記憶され、第２の方法経過がステップａ）により開始され、第２の種点がステップｂ）において選択され、第２の方法経過がステップｃ）〜ｈ）により実行され、ステップｈ）において識別された血管が第２の部分血管として第１の部分血管と共に１つの共通な血管に統合されるとよい。

従って、複数の成長方法が並行もしくは相前後していずれにせよ互いに独立して実行され、これらの成長方法はそれぞれ異なる、すなわち第１および第２の種点により開始され、それにより一般に結果として異なる部分血管をもたらす。例えば、関連のない血管ツリーも識別することができる。付加的に、例えば上述の漏洩に起因した第１の方法経過の中断時に、例えば第２の方法経過が完全にすなわち更なる漏洩なしに実施される。

本方法は、３Ｄ血管撮影法および／または造影剤コンピュータ断層撮影法の枠内において実施されるとよい。とりわけ３Ｄ血管撮影法もしくは造影剤ＣＴについては、この場合に発生する３Ｄ画像データにおける血管の識別が重要であり、本発明による方法によって従来技術に比べて明白に改善を図ることができる。

血管として患者の心臓冠状血管を識別することができる。とりわけ、心臓冠状血管については多くの予備知識が存在するので、従来技術による成長方法を、本発明による予備知識の考慮によって特に良好に効果的に適合化させて改善することができる

心臓冠状血管を識別する際の予備知識として、心臓冠状血管、心室、その心房および患者の大動脈に関する知識を考慮するとよい。とりわけ、心室および心房もしくは大動脈は、心臓冠状血管とは明確な特徴によって相違するので、本発明による方法変形は特に良好な結果をもたらす。例えば、心臓冠状血管の代わりに、心室、心房または大動脈がセグメント化もしくは識別される場合に相応の漏洩認識が特に簡単に可能である。

方法経過中における現在の閾値が変更される範囲は、現在の閾値の開始値、すなわち閾値のステップａ）において求められた値に依存する。例えば、シグモイド関数（Ｓ字関数とも呼ばれている）の使用によって、異なる明るさの開始閾値を、現在の閾値が経過する種々の閾値範囲に割り付けることができる。特に明るいまたは特に暗い識別すべき血管における開始点は、明白に改善されたセグメンテーション結果をもたらすことができる。現在の閾値の値範囲の開始値への依存性に起因して、種々のソースの画像データが一様に良好にセグメント化される。３Ｄ画像データ取得時における異なる患者パラメータおよび撮影パラメータも、本発明による方法によって考慮される。

本発明の更なる説明のために図面の実施例を参照する。それぞれ略図で、
図１は３Ｄ画像データにおける血管のセグメンテーション方法についてのフローチャートの一部を示し、
図２は図１の方法の代替方法部分のフローチャートを示し、
図３は図１および図２の方法の他の代替を示し、
図４は図１ないし図３に対する代替の方法変形のフローチャートを示し、
図５は内部にセットされた種点および付属の閾値を有する血管の一部を示し、
図６は図５の閾値を決定するためのシグモイド関数を示し、
図７は漏洩へ向かって進行するセグメンテーション結果を有するセグメント化すべき血管の一部を示し
図８は図３に従って２つの並行に行なわれた成長方法において求められた２つの部分結果から組み合わされた血管ツリーを示し、
図９は従来技術による３Ｄ画像データにおける血管のセグメンテーション方法のフローチャートを示す。

図１は、図９の従来技術による方法の本発明による拡張を示す。図１においては、いわゆる「一括の」漏洩認識が行なわれる。図７は血管８２におけるこの種の漏洩８４を示す。漏洩発生を次に詳しく説明する。

漏洩認識のために、図１においては、２つの方法部分２ａ，２ｂが図９による公知の方法に挿入される。方法部分２ａは、ループ開始３０２ａとループ開始３０４ａとの間にある。方法部分２ｂはステップ３１４とループ終了３０４ｂとの間にある。方法部分２ａでは、ステップ４において、カウント変数ｎが値０にセットされ、変数Ｎでは現在有効な種点集合ＳＰ_Tの大きさ、すなわちその中に含まれている種点ｓｐの個数が｜ＳＰ_T｜として求められる。

引続いて、図９による公知の方法がステップ３１４まで実行される。この場合に、説明したように、種点集合ＳＰ_Tの固定選択された種点ｓｐに関して、全ての隣接ボクセルｎｓｐがチェックされ、場合によってはステップ３１１において新たな種点として種点集合ＳＰ_{min(HU(nsp);T)}に付け加えられる。

この場合、本発明によれば、新たな種点ｎｓｐは、それぞれ、対応する種点集合ＳＰ_{min(HU(nsp);T)}の末尾へ付け加えられる。付加的に集合ＳＰ_Tでは処理すべき種点ｓｐのループ開始３０４ａにおいて常に集合の始まりから処理される。従って、全ての種点ｓｐが先入れ先出しスタックの意味での集合を形成し、すなわち最初もしくは最後に付け加えられた種点ｓｐは同様に方法において最初または最後に処理される。

ステップ３１４に従って、現在の種点ｓｐの全ての隣接ボクセルがチェックされ、現在の閾値Ｔを持つ種点が特徴付けられ、結果集合Ｒに付け加えられ、種点集合ＳＰ_Tから消去される。その後カウント変数ｎが、本発明に従って、ステップ６において値１だけ増加される。従って、ｎはステップ３１４において処理し終えた種点の個数を表す。

分岐８においては、ステップ４において求められたＮ個の全ての種点、すなわち、進行過程の開始時に種点集合ＳＰ_Tに含まれていた全ての種点ｓｐが処理されたかどうかすなわちｎがＮに等しいかどうかがチェックされる。ｎがＮに等しくない場合、ループ終了３０４ｂを有するＮｏの枝１０へ進み、種点集合ＳＰ_Tからの次の種点ｓｐが公知の如く処理される。

しかしながら、ステップ４において求められたＮ個の全ての種点ｓｐが処理された場合には、Ｙｅｓの枝１２に分岐する。そこで、種点集合ＳＰ_Tが異常に激しく増加しているかどうかがチェックされる。このために、ステップ１４においてカウント変数ｎが先ず再び値０にセットされ、Ｎとして種点集合ＳＰ_Tの現在の大きさが求められる。これまでステップ４以来ｎ個の全ての種点がその都度のステップ３１４において集合ＳＰ_Tから除去されたので、Ｎはステップ４以来、集合ＳＰ_Tに付け加えられた全ての種点ｓｐを再現する。

分岐１６において、変数Ｎが、付け加えられた種点の予め定められた最大許容個数Ｎ_maxよりも小さいかどうかがチェックされる。従って、小さい場合には、ステップ４とステップ１４との間において、異常に多数の種点ｓｐが集合ＳＰ_Tに付け加えられることがなかったことになる。これは、方法が図７による漏洩へ分岐されないことを推論させる。従って、Ｙｅｓの枝１８が選ばれ、方法は通常のようにループ終了３０４ｂにより続けられる。

しかしながら、少なくともＮ_maxの種点ｓｐが集合ＳＰ_Tに付け加えられた場合、これは図７による漏洩に起因して生じたものと推定されるべきである。従って、分岐１６からＮｏの枝２０が選ばれ、すぐさま方法はステップ２４において「一括の」漏洩を認識する。

この個所において、第１の実施形態での本発明による方法は停止する。しかし、この個所において、矢印２２によって示されているように、図２に示されている他のステップ２６に分岐することができ、これは、ステップ２４における方法の上述の中断に対する代替として行なわれる。

ステップ２４において漏洩の決定後、ステップ２８においては、ループ開始３０２ａ以来付け加えられた全ての種点ｓｐが結果集合Ｒから除去される。これは、換言すれば、現在の閾値Ｔにおけるこれまでの全てのセグメンテーション結果である。いわば、結果集合Ｒは閾値Ｔ＋１の処理完了後に持っていた状態にリセットされ、閾値Ｔのセグメンテーションは代替的な手法でもう一度行なわれる。

ループ開始３０４ａに一致したループ開始３０ａにおいて、ここでもう一度、第１の種点ｓｐが種点集合ＳＰ_Tから選択されるが、しかし今回はステップ３２において先ず空の新しい結果集合Ｒ_tempに付け加えられる。ループ開始３０２ａに似たループ開始３４ａにおいて暫定的な閾値Ｔ_tempが現在の閾値Ｔに等しくセットされる。閾値Ｔはステップ２６の進行中に通常のようにＴ_minまで低減される。

引続いて、ステップ３６において、図１に示された成長方法がほぼ同じように行なわれる。ただし、種点が、図１のステップ３１４において、結果集合Ｒではなくて結果集合Ｒ_tempに付け加えられる。

図１の方法部分２ｂも同様に僅かに変更されている。図１のＮｏの枝２０は図２におけるＹｅｓの枝３８に対応し、図１におけるステップ２４の代わりに図２におけるステップ４０に導かれる。ステップ４０においては、すなわち漏洩が検出された場合には、ループ３４ａ以来、値Ｔ_tempにて結果集合Ｒ_tempに付け加えられた全ての種点ＳＰ_T,tempが再び除去される。更に、図１のＹｅｓの枝１８およびＮｏの枝１０に対応する図２のＮｏの枝４２は、図１のループ終了３０４ｂへ導かれるのではなく、ループ終了３４ｂに導かれ、そこにおいて暫定的な閾値Ｔ_tempがグレー値を１段だけ下げられる。

Ｔから、つまりステップ２４において漏洩が発見された図１のループ開始３０２ａの現在のグレー値からループ終了３４ｂにおけるＴ_minまでの全ての暫定的な閾値Ｔ_tempを通過後に、もしくはステップ４０の後に、図２において、判定ステップ４４が実行される。

判定ステップ４４においては、これまで作成された結果集合Ｒ_tempが空白のある（「まばらな」とも呼ばれる）構造を有するかどうかがチェックされる。このために、結果集合Ｒ_temp内に含まれている種点ｓｐのために密度ｄがｄ＝Ｎ_I／Ｎとして決定される。ただし、Ｎ＝｜Ｒ_temp｜は集合Ｒ_tempに含まれているボクセルもしくは種点ｓｐの個数であり、Ｎ_Iは集合Ｒ_tempにおける内部ボクセルの個数を表す。内部ボクセルは、全ての隣接ボクセルが同様に集合Ｒ_tempに属するボクセルである。求められた密度ｄが予め定められた閾値ｄ_minより大きい又は等しい場合には、セグメンテーション結果Ｒ_tempは十分に「詰まった」状態であり、つまり「まばらな」領域ではない。その後、図２においてＮｏの枝４６に分岐する。そこでステップ４８において、求められた暫定的結果Ｒ_tempが総合結果Ｒに付け加えられる。

これに対して、Ｒ_tempが空白のあるつまり「まばらに」分布されたボクセルの集合であり、ｄ＜ｄ_minが当てはまる場合には、Ｙｅｓの枝５０に分岐する。そこで、ステップ５２において、先ず集合Ｒ_tempが空にされる。なぜならば、まばらなボクセルセットによる方法部分２６のセグメンテーションは、有意義な結果をもたらさないからである。更に、現在の種点ｓｐがマスクをはずされ、すなわちこの種点ｓｐが残りの方法全体の進行中にもはや決して継続処理されない。なぜならば、これは、空白があるように分布された結果領域Ｒ_tempへの方法の分岐には責任がないからである。

引続いて方法部分２６はループ終了３０ｂに分岐し、そのあとすぐに集合ＳＰ_Tから次の種点ｓｐが処理される。ステップ２６において最後の種点ｓｐを処理後、このステップ２６は図１もしくは図９におけるループ終了３０２ａもしくはループ開始３０２ａへ分岐する。それにより図１においてステップ２４で決定された漏洩の処理が終了する。図１からの方法は通常のように先へ進められる。

他の方法変形として図９の複数の全ての成長方法２００を並行および／または相前後して実行することができる。この進行が図３に示されている。もちろん、成長方法２００の実施の枠内において、本発明に従って変更された成長方法を使用することができる。この場合に個々の成長方法２００はステップ３００における最初の種点ｓｐの選択において相違する。個々の各成長方法２００は、結果において、固有の結果集合Ｒ₁，Ｒ₂，Ｒ₃を提供する。最終ステップにおいて、結果集合Ｒ₁，Ｒ₂，Ｒ₃は総合結果集合Ｒ_gesに統合される。

図４には他の方法変形が示されている。この場合に、開始ステップ３００において、更に種点ｓｐが開始ボクセルとして手動で選択されている。最大閾値Ｔ_maxとして、種点ｓｐの隣接ボクセルの予め規定されたグループから、種点ｓｐの強度もしくはグレー値が選択されるのではなく、ボクセルの最大強度が選択される。全てのボクセルボリュームが断層画像から構成され、かつそれぞれ１つの２Ｄ断層画像内において７×７個の隣接ボクセルが選択され、かつ開始ボクセルの断層に対してなおも両隣接断層、従って全部で３つの断層が考慮される場合、ｓｐの周りの３つの空間方向において、隣接ボクセルとして、例えば全部で７×７×３個の隣接ボクセルが考慮される。

更に別の方法変形を図５に基づいて説明する。図５は血管ツリー６０を示し、血管ツリー６０において図３に従って異なるように選択された種点６２，６４を有する成長方法２００の２つの異なる方法経過が実行される。第１の種点６２は、グレー値もしくは強度Ｉ₁を有する。図６におけるダイアグラムによれば、種点６２の強度Ｉ₁にシグモイド関数６８による値ΔＴ₁＝Ｔ_max−Ｔ_minが割り付けられる。すなわち、相応のステップ２００では、ループ開始３０２ａもしくはループ終了３０２ｂにおいて、ΔＴ₁がＴ_max，Ｔ_min間で経過する。

第１の種点６２と向かい合って、第２の種点６４が血管ツリー６０の他の分岐した血管６６内にある。従って、種点６４の強度Ｉ₂については、Ｉ₂＜Ｉ₁が当てはまる。従って、図６におけるシグモイド関数６８によれば、値Ｉ₂に小さい値ΔＴ₂が割り付けられる。従って、種点６４に所属する方法経過２００では、ループ開始３０２ａもしくはループ３０２ｂにおいて、種点６２に所属する成長方法２００におけるよりも小さいグレー値ΔＴ₂がＴ_max，Ｔ_min間で経過する。

図７は血管ツリー７０における成長方法２００の分岐を具体的に示す。この場合に領域Ｒの増大は血管７２において矢印７４の方向に行なわれる。血管分岐７６において、セグメント化された領域Ｒが先ず矢印７８によって示された両分岐方向に更に成長する。個所８０で血管８２の成長アルゴリズムが閾値Ｔにおいて漏洩８４に分岐する。すなわち、ここで方法によって、血管７０に属するではなくて、例えば血管に隣接する骨構造または窩洞に属するボクセルが領域Ｒに付け加えられる。

図１の本発明による方法によって、この漏洩８４はステップ２４において発見され、閾値Ｔにおける漏洩８４の部分結果が結果集合Ｒからステップ２８において図２に基づいて除去される。その他は閾値Ｔ＋１におけるセグメンテーション結果Ｒにとどまる。これは血管８２内では個所８３で終了し、血管８６内では個所８８で終了する。

しかしながら、ステップ２６において図２に従って行なわれた他の暫定的な成長方法に基づいて、領域Ｒは血管８６において個所８８を越えて矢印７８の方向に増大することができる。なぜならば、この分岐においては漏洩が認識されなかったからであり、その種点ｓｐがＹｅｓの枝５０もしくはステップ５１においてマスクをはずされるからである。

図８は、セグメンテーション結果Ｒ_gesとして、図３に従って２つの並行に行なわれた成長方法２００において求められた２つの部分結果Ｒから、すなわち図示されていない心臓の左および右冠動脈９２ａ，９２ｂから組み合わされた血管ツリー９０を示す。相応の方法のための種点９４ａ，９４ｂは、手動で左および右冠動脈の大動脈起始部の範囲で選択された。図８は、セグメンテーション結果Ｒ_gesから、いわゆるボリュームレンダーリング技術によって、３Ｄボクセルデータもしくは３Ｄ画像データからの人工の３次元透視画像として表示されたものであり、これらのデータに基づいて本発明による方法が実行された。

本発明による方法の要部を示す部分フローチャート 図１の方法の代替方法部分のフローチャート 図１および図２の方法の他の代替方法部分のフローチャート 図１ないし図３に対する代替の方法変形の部分フローチャート 内部にセットされた種点および付属の閾値を有する血管からの一部図 図５の閾値を決定するためのシグモイド関数を示すダイアグラム 漏洩個所を有するセグメント化すべき血管の一部を示す図 図３に従って２つの並行に行なわれた成長方法において求められた２つの部分結果から組み合わされた血管ツリーを示す図 従来技術による方法を示すフローチャート

符号の説明

２ａ 方法部分
２ｂ 方法部分
４ ステップ
６ ステップ
８ 分岐
１０ Ｎｏの枝
１２ Ｙｅｓの枝
１４ ステップ
１６ 分岐
１８ Ｙｅｓの枝
２０ Ｎｏの枝
２２ 矢印
２４ ステップ
２６ 方法部分
２８ ステップ
３０ａ ループ開始
３２ ステップ
３４ａ ループ開始
３４ｂ ループ終了
３６ 方法部分
３８ Ｙｅｓの枝
４０ ステップ
４２ Ｎｏの枝
４４ 判定ステップ
４６ Ｎｏの枝
４８ ステップ
５０ Ｙｅｓの枝
５１ ステップ
６０ 血管ツリー
６２ 種点
６４ 種点
６６ 血管
６８ シグモイド関数
７０ 血管ツリー
７２ 血管
７４ 矢印
７６ 血管分岐
７８ 矢印
８０ 個所
８２ 血管
８３ 個所
８４ 漏洩
８６ 血管
８８ 個所
９０ 血管ツリー
９２ａ 冠動脈
９２ｂ 冠動脈
９４ａ 種点
９４ｂ 種点
２００ 成長方法
３００ 開始ステップ
３０２ａ ループ開始
３０２ｂ ループ終了
３０４ａ ループ開始
３０４ｂ ループ終了
３０６ａ ループ開始
３０６ｂ ループ終了
３０８ 分岐
３１０ Ｙｅｓの枝
３１１ ステップ
３１２ Ｎｏの枝
３１４ ステップ
ＨＵ 画像ボクセルの強度値
Ｎ 部分範囲内の画像ボクセルの個数
Ｎ_max 個数Ｎの最大値
Ｎ_I 部分範囲内の血管ボクセルの個数
ｎ カウント変数
ｎｓｐ 種点と隣接する画像ボクセル
Ｒ 血管ボクセル（集合）
Ｒ₁〜Ｒ₃ 部分血管（集合）
Ｒ_ges セグメンテーション結果集合
ｓｐ 種点
ＳＰ_T 種点集合
Ｔ 現在の閾値
Ｔ_max 最大の閾値
Ｔ_min 最小の閾値

Claims (10)

1. ディジタル３Ｄ画像データにおけるコントラスト増強された血管（６０，７０，９２ａ，９２ｂ）の識別方法であって、
   ａ）３Ｄ画像データの、血管（６０，７０，９２ａ，９２ｂ）に属する１つの画像ボクセルが種点（ｓｐ）として選択されるステップ、
   ｂ）画像ボクセル（ｓｐ，ｎｓｐ）の強度（ＨＵ）に対する現在の閾値（Ｔ）が、種点（ｓｐ）の強度（ＨＵ）として選択され、種点（ｓｐ）が閾値（Ｔ）に割り付けられるステップ、
   ｃ）新たな種点を発見するためのチェック基準（３０８）に基づいて、新たな種点（ｓｐ）が種点と接する画像ボクセル（ｎｓｐ）において探索され、その強度（ＨＵ）と現在の閾値とに応じて決定された閾値（Ｔ，ＨＵ（ｎｓｐ））に割り付けられるステップ、
   ｄ）現在の閾値（Ｔ）において更に他の種点（ｓｐ）が発見できなくなるまで、何度もステップｃ）が繰り返されるステップ、
   ｅ）発見された種点（ｓｐ）が、血管（６０，７０，９２ａ，９２ｂ）に属する血管ボクセル（Ｒ）として記憶され、かつ現在の閾値（Ｔ）に割り付けられるステップ、
   ｆ）現在の閾値（Ｔ）が低下させられるステップ、
   ｇ）中断基準が満たされるまで、ステップｃ）〜ｆ）が繰り返されるステップ、
   ｈ）血管が画像データにおける全ての血管ボクセル（Ｒ）の集合として識別されるステップ
   を有するディジタル３Ｄ画像データにおけるコントラスト増強された血管の識別方法において、
   相応のステップが識別すべき血管（６０，７０，９２ａ，９２ｂ）との特別な関連で不正確な識別を生じ得る予備知識が存在し、ステップａ）〜ｈ）の少なくとも１つが予備知識の考慮のもとに変更または拡張される
   ことを特徴とするディジタル３Ｄ画像データにおけるコントラスト増強された血管の識別方法。
2. 特定の方法部分の期間中に同一の閾値（Ｔ）に割り付けられた種点（ｓｐ）の個数（Ｎ）が検出され、
   個数（Ｎ）が最大値（Ｎ_max）を上回った場合に漏洩信号（２４）が発生され、
   漏洩信号（２４）の場合にその方法部分の期間中に閾値（Ｔ）に割り付けられた種点（ｓｐ）が血管ボクセル（Ｒ）として記憶されないことを特徴とする請求項１記載の方法。
3. 血管（６０，７０，９２ａ，９２ｂ）として複数の枝（８２，８６）を有する血管が識別され、同一の閾値（Ｔ）に割り付けられた種点（ｓｐ）の個数（Ｎ）が第１の枝（８２）においてのみ最大値（Ｎ_max）を上回った場合に、
   方法が第１の枝（８２）については中断され、
   方法が残りの枝（８６）については継続されることを特徴とする請求項１又は２記載の方法。
4. 記憶された血管ボクセル（Ｒ）の少なくとも１つの部分範囲について、
   部分範囲内における画像ボクセルの総数（Ｎ）が決定され、
   部分範囲内における内部の血管ボクセルの総数（Ｎ_I）が決定され、内部の血管ボクセルと隣接する全ての画像ボクセル（ｎｓｐ）が同様に血管ボクセル（Ｒ）であり、
   部分範囲についてｄ＝Ｎ_I／Ｎに従って密度（ｄ）が求められ、
   密度（ｄ）が限界値（ｄ_min）を下回る場合、記憶された血管ボクセル（Ｒ）の部分範囲が更には記憶されないことを特徴とする請求項１乃至３の１つに記載の方法。
5. ステップａ）において、閾値（Ｔ）として、ステップｂ）の種点（ｓｐ）を取囲む予め定められた個数の画像ボクセルの強度値（ＨＵ）の最大値が選択されることを特徴とする請求項１乃至４の１つに記載の方法。
6. 第１の方法経過のステップｈ）の終了後に、識別された血管（Ｒ）が第１の部分血管（Ｒ₁）として記憶され、
   第２の方法経過がステップａ）により開始され、
   第２の種点（ｓｐ）がステップｂ）において選択され、
   第２の方法経過がステップｃ）〜ｈ）により実行され、
   ステップｈ）において識別された血管（Ｒ）が第２の部分血管（Ｒ₂，Ｒ₃）として第１の部分血管（Ｒ₁）と共に１つの共通な血管（Ｒ_ges）に統合されることを特徴とする請求項１乃至５の１つに記載の方法。
7. ３Ｄ血管撮影法および／または造影剤コンピュータ断層撮影法の枠内で実施されることを特徴とする請求項１乃至６の１つに記載の方法。
8. 血管（６０，７０，９２ａ，９２ｂ）として患者の心臓冠状血管が識別されることを特徴とする請求項１乃至７の１つに記載の方法。
9. 予備知識として、心臓冠状血管、心室、その心房および患者の大動脈に関する知識が考慮されることを特徴とする請求項８記載の方法。
10. ステップａ）における現在の閾値（Ｔ）から出発してステップｆ）の方法経過における現在の閾値（Ｔ）が変化される範囲（ΔＴ）が、ステップａ）において決定された現在の閾値（Ｔ）に依存させられることを特徴とする請求項１乃至９の１つに記載の方法。

Images