JP2007181679A - 空間解析に対する先行処理として時間解析を利用するコンピュータ支援式検出システム - Google Patents

Abstract

【課題】コントラスト強調した医用画像内における動的特性の解析によって病変や腫瘍をコンピュータ支援式に検出するための改良方法を提供する。
【解決手段】造影剤投与前及び投与後の両方で収集した時系列の画像に基づいて組織を評価するためのコンピュータ支援式検出システム（１０）は、その組織に対して時間解析（２４）を実施し、次いで組織を分類するための空間解析（２６）を実施する。時間解析（２４）及び空間解析（２６）を実施した後、その結果を表示させる（３４）ことができる。この表示させる結果には、組織特徴付け結果、特徴付けの決定に使用した基本曲線、並びにどの程度妥当な特徴付けが期待されるかに関する信頼データを含むことができる。この信頼データは例えば、カラースキームの変動、数値信頼レベルの表示、あるいは区分的線形モデルなどのグラフィカルフィーチャの提供によって提示することができる。
【選択図】図５

Description

本発明は全般的には、医用イメージャにおけるコンピュータ支援式検出（ｃｏｍｐｕｔｅｒ−ａｉｄｅｄ ｄｅｔｅｃｔｉｏｎ：ＣＡＤ）に関し、また具体的には、コントラスト強調した医用画像内における動的特性の解析によって病変や腫瘍をコンピュータ支援式に検出するための改良式方法に関する。

コンピュータ断層（ＣＴ）、陽電子放出断層（ＰＥＴ）、単一光子放出コンピュータ断層（ＳＰＥＣＴ）、及び磁気共鳴撮像（ＭＲＩ）などの医用撮像テクノロジーは印加した信号及び／または注入若しくは摂取した物質の存在下で組織応答を検出し記録し、この応答を示す視覚描出を作成している。このデータを解析して、様々なタイプの組織を識別または監視することが可能であり、またこのデータを利用して組織の悪性疾患を診断することが可能である。

典型的な医用撮像技法では、解剖学的な関心領域内部のあるボリュームの組織をスキャンする。収集したスキャン・データは次いで、平面画像または画像「スライス」からなる系列になるように変換するまたは再構成することができる。所与の任意の画像スライスは、ボリューム要素すなわちボクセルからなるアレイを含んでおり、この各ボクセルはｘ、ｙ及びｚ軸に従って定義できるインクリメンタル・ボリューム内部の１つの撮像信号強度に対応している。ある任意の時点で、あるボクセルに関連付けされた撮像信号の強度は、当該ボクセルに対応する解剖学領域内部にある組織のタイプに依存する。

幾つかの撮像用途では、選択した組織タイプの撮像特性を選択的に強調するために患者に対して造影剤が投与される。これらの用途では、撮像信号の強度によって、悪性の組織からの健康な組織の識別を支援することができる。さらに、造影剤投与に続く時間に対する組織の応答も組織を評価する際に有用である。例えば時間的に変動するすなわち動的な組織依存性の造影剤取り込み特性を用いて、具体的な組織タイプを特定すること、並びに悪性組織を良性組織から識別することが可能となる。

多くの場合、ＭＲＩ過程と連係してガドリニウムＤＰＴＡやその他の造影剤を使用すると、軟部組織の各タイプ同士の識別性が向上する、また特には乳房の腫瘍や病変の悪性と良性を識別することができる。正常なすなわち健康な組織は典型的には造影剤が存在しないバックグラウンド信号強度を示すが、異常なすなわち腫瘍組織の示す信号強度は、バックグラウンド強度と比較して低下するか、上昇するか、あるいは実質的に同じであるかのいずれかになる。したがって、造影剤投与の前では、異常な組織は正常な組織と違って表示されることや違って表示されないことがある。

造影剤を投与すると一般に、各病変は時間依存性の造影剤取り込み挙動をもつ多くのタイプのうちの１つを示すことになる。時系列のスキャンに対応する撮像データの内部において、各タイプの造影剤取り込み挙動は、動的な撮像信号強度プロフィールすなわち曲線の対応するタイプとして現れる。各タイプの動的な強度曲線は、当該病変が良性であるか悪性であるかに確率論的に対応する。

したがって、がんやその他の悪性疾患をコンピュータ支援式検出（ＣＡＤ）するために、造影剤投与の前と後の両方で収集した撮像データがコンピュータに提供される。このＣＡＤシステムは収集した画像を受け取り、関心領域内で１組の計測値またはフィーチャを計算する。ＣＡＤシステムはこの計算データに基づいて、関心領域内の組織を分類し、ユーザ（典型的には、放射線医）に対して表示を提供する。この表示は典型的には、潜在的に悪性のエリアに対する指標と、さらには選択エリア内の組織の輝度に対する百分率強調（ｐｅｒｃｅｎｔａｇｅ ｅｎｈａｎｃｅｍｅｎｔ）などの数値パラメータまたは評点（ｒａｔｉｎｇ）と、の両方を含んでいる。
米国特許第５２３５５１０号

実際上は、ＣＡＤシステムの大部分の表示はユーザによって容易に解釈可能である。すなわち、表示された検出は悪性と認められるか、画像内で観察されるある種のアーチファクトに由来する偽陽性マーキングとして容易に棄却されるかのいずれかとなる。しかしこのマーキングを受けた領域に関して、ユーザがさらに詳細な情報を希望することがある。ＣＡＤシステムは典型的には、その表示決定が複数の計測値から計算した数値スコアに基づいているため、具体的なある画像領域がマーキングされたりマーキングされなかった理由に関するフィードバックを放射線医に提供するための方法は目下のところ存在していない。

したがって、具体的なある領域を検出としてマーキングするか否かに関するＣＡＤシステムの決定に影響を及ぼす要因を示すデータをユーザに提供することが必要とされている。

一態様では、本発明は、４次元系列の医用画像において悪性疾患をコンピュータ支援式検出するための方法であって、ある関心領域に関する３次元医用画像系列に対してある時間期間にわたってアクセスする工程であって該系列内の少なくとも１つの組が造影剤の投与前に取得されかつ複数の組が造影剤の投与後に取得されて４次元画像が作成されているアクセス工程と、該４次元画像内の各ボクセルを時間解析に基づいて複数の組織タイプのうちの１つと特徴付けする工程と、４次元画像内の各ボクセルを該時間的特徴付けに基づいて組織タイプに空間的にセグメント分けする工程と、を含む方法である。

別の態様では、本発明は、４次元系列の医用画像において悪性疾患をコンピュータ支援式検出するための方法であって、ある関心領域に関する３次元医用画像系列に対してある時間期間にわたってアクセスする工程であって該系列内の少なくとも１つの組が造影剤の投与前に取得されておりかつ複数の組が造影剤の投与後に取得されて４次元系列の画像が作成されているアクセス工程と、該系列内の画像のそれぞれに関して画像処理のための第１のスケール空間を選択する工程と、関心対象ボクセルを特定するために該画像内のボクセルに対して時間解析を実施する工程と、該画像内のボクセルに対して空間解析を実施して関心対象ボクセルを特定しこの画像を組織タイプにセグメント分けする工程と、新たなスケール空間を選択しあるレンジ域のスケール空間にわたって反復する工程と、を含む方法である。

本発明のまた別の態様では、４次元系列の医用画像における悪性疾患のコンピュータ支援式検出に関する表示を提供するための方法であって、ある関心領域に関する３次元医用画像系列に対してある時間期間にわたってアクセスする工程であって該系列内の少なくとも１つの組が造影剤の投与前に取得されておりかつ複数の組が造影剤の投与後に取得されて４次元系列の画像が作成されているアクセス工程と、関心対象ボクセルを特定するために該画像内のボクセルに対して時間解析を実施し各ボクセル位置における時間経過を追った強度のグラフを作成する工程と、関心対象ボクセルを特定しこの画像を組織タイプにセグメント分けするために該画像内のボクセルに対して空間解析を実施すると共に所与のボクセルが所与のタイプの組織である確率の指標として各ボクセルに対して視覚データ指標を関連付けする工程と、時間経過を追った強度のグラフと各ボクセル位置における視覚指標の両方を表示する工程と、を含む方法である。

本発明のさらに別の態様では、４次元系列の医用画像に対して予備的時間解析を以下の２つの方法を用いて実施することができる。その方法の１つは、詳細な空間及び時間解析の実施を要するボクセルを選択し、これによりその解析を大幅に高速化するための方法であり、またその２つ目は、ボクセルの空間及び時間解析の結果の表示をある基準を満たしたボクセルに限定し、これにより結果の判読を向上させる方法である。

本発明のこれら及び別の態様は以下の説明から明らかとなろう。この説明では、本明細書の一部を形成すると共に本発明の好ましい一実施形態を示している添付の図面を参照することにする。この実施形態は必ずしも本発明の全範囲を示しておらず、したがって本発明の範囲を解釈するためには添付の特許請求の範囲を参照すべきである。

先ず図１を参照すると、本発明のための画像の収集に有用な磁気共鳴撮像システム（ＭＲＩ）の主要なコンポーネントを表している。本システムの動作は、キーボード／制御パネル１０２及びディスプレイ１０４を含むオペレータ・コンソール１００から制御を受けている。コンソール１００は、オペレータが画像の作成及び画面１０４上への画像表示を制御できるようにする独立のコンピュータ・システム１０７と、リンク１１６を介して連絡している。コンピュータ・システム１０７は、バックプレーンを介して互いに連絡している多くのモジュールを含んでいる。これらのモジュールには、画像プロセッサ・モジュール１０６、ＣＰＵモジュール１０８、並びに当技術分野でフレーム・バッファとして知られている画像データアレイを記憶するためのメモリ・モジュール１１３が含まれる。コンピュータ・システム１０７は、画像データ及びプログラムを記憶するためにディスク記憶装置１１１及びテープ駆動装置１１２とリンクしており、さらに高速シリアルリンク１１５を介して独立のシステム制御部１２２と連絡している。

システム制御部１２２は、バックプレーンにより互いに接続させたモジュールの組を含んでいる。これらのモジュールには、ＣＰＵモジュール１１９や、シリアルリンク１２５を介してオペレータ・コンソール１００に繋がっているパルス発生器モジュール１２１が含まれる。システム制御部１２２は、実行すべきスキャンシーケンスを指示するオペレータからのコマンドをこのリンク１２５を介して受け取っている。パルス発生器モジュール１２１は、所望のスキャンシーケンスを実行させるように各システム・コンポーネントを動作させている。これによって、発生させようとするＲＦパルスのタイミング、強度及び形状、並びにデータ収集ウィンドウのタイミング及び長さを指示するデータを発生させている。パルス発生器モジュール１２１は、スキャン中に発生させようとする傾斜パルスのタイミング及び形状を指示するために１組の傾斜増幅器１２７と接続させている。パルス発生器モジュール１２１はさらに、生理学的収集制御器１２９から患者データを受け取っており、この生理学的収集制御器１２９は、電極からのＥＣＧ信号やベローズからの呼吸信号など患者に接続した異なる多数のセンサからの信号を受け取っている。また最終的には、パルス発生器モジュール１２１は、患者の状態及びマグネット系に関連付けした様々なセンサからの信号を受け取っているスキャン室インタフェース回路１３３と接続させている。このスキャン室インタフェース回路１３３を介してさらに、患者位置決めシステム１３４がスキャンのために患者を所望の位置まで移動させるコマンドを受け取っている。

パルス発生器モジュール１２１が発生させる傾斜波形は、Ｇｘ、Ｇｙ及びＧｚ増幅器から構成される傾斜増幅器システム１２７に加えられる。各傾斜増幅器は全体を番号１３９で示すアセンブリ内の対応する傾斜コイルを励起させ、収集信号の位置エンコードのために使用する磁場傾斜を発生させている。この傾斜コイル・アセンブリ１３９は、偏向用マグネット１４０及び全身用ＲＦコイル１５２を含むマグネット・アセンブリ１４１の一部を形成している。システム制御部１２２内にある送受信器モジュール１５０は、ＲＦ増幅器１５１によって増幅させかつ送信／受信スイッチ１５４によってＲＦコイル１５２に結合させるパルスを発生させている。患者内の励起した原子核が放射して得られた信号は、同じＲＦコイル１５２によって検知すると共に、送信／受信スイッチ１５４を介して前置増幅器１５３に結合させることができる。増幅したＮＭＲ信号は、送受信器１５０の受信器セクション内で復調し、フィルタ処理しかつディジタル化している。送信／受信スイッチ１５４は、送信モードではコイル１５２にＲＦ増幅器１５１を電気的に接続させ、また受信モードでは前置増幅器１５３を電気的に接続させるように、パルス発生器モジュール１２１からの信号によって制御されている。送信／受信スイッチ１５４はさらに、送信と受信のいずれのモードにおいても単独のＲＦコイル（例えば、頭部用コイルや表面コイル）の使用を可能とさせている。

ＲＦコイル１５２により取り込まれたＮＭＲ信号は送受信器モジュール１５０によりディジタル化され、システム制御器１２２内のメモリ・モジュール１６０に転送される。スキャンが完了しデータのアレイ全体をメモリ・モジュール１６０内に収集し終わると、アレイ・プロセッサ１６１がこのデータをフーリエ変換して画像データのアレイにするように動作する。この画像データはシリアル・リンク１１５を介してコンピュータ・システム１０７に送られ、コンピュータ・システム１０７において画像データはディスク記憶装置１１１内に格納される。この画像データは、オペレータ・コンソール１００から受け取ったコマンドに応じて、テープ駆動装置１１２上にアーカイブされることや、画像プロセッサ１０６によりさらに処理を受けオペレータ・コンソール１００に伝達されてディスプレイ１０４上に表示されることがある。

ＭＲＩシステムを図示し説明しているが、本発明のための画像はコンピュータ断層（ＣＴ）、陽電子放出断層（ＰＥＴ）、単一光子放出コンピュータ断層（ＳＰＥＣＴ）、超音波、または別の撮像テクノロジーを用いて収集することも可能であることは明らかであろう。

ここで図２を参照すると本発明では、上に記載したいずれかのタイプの医用撮像システムを用いて４次元画像データ組が収集される。このデータ組は、時間Ｔ_１とＴ_ｎの間に散在させた時間間隔の位置で時間の経過を追って収集した１系列の３Ｄボリュームからなる。この収集の間で造影剤の投与前と投与後の両方において画像を収集することによって、関心領域（ＲＯＩ）内の組織の造影剤に対する反応を解析することができる。したがって、先ず初めに時間Ｔ_１において比較を目的として１つまたは複数の造影剤前スキャンを実施して基準画像を収集する。時間Ｔ_１とＴ_ｎの間のある途中の時間において、造影剤を投与する。Ｔ_１とＴ_ｎの間の時間間隔で１系列の３Ｄボリュームを収集することによって、選択した関心領域内の組織への造影剤の吸収に従った組織の反応を評価することができる。

図２を参照しながら記載したようにして画像を収集すると、造影剤投与後まもなくして病変に関連する血管系内の造影剤レベルが撮像信号強度を増加または減少させる。撮像プロトコル及び病変特性に応じて、組織依存性の造影剤動態によって特徴的な撮像信号強度を示すことできる。

ここで図３ａ〜３ｃを参照すると、時間の経過に伴う造影剤に対する反応のこうした変動のために、組織の既知特性に対する強度対時間プロフィールの比較に基づいて組織を特徴付けすることが可能である。乳房ＭＲＩの例として、３種類の組織サンプルに関する取り込み曲線を示しており、時間Ｔ_１と時間Ｔ_ｎの間の時間期間における強度対時間曲線に関する組織タイプの反応が図示されている。図３ａの第１のサンプルでは、強度の変動は時間に対して比較的一定であり、比較的平坦なプロフィールが得られている。このプロフィールは典型的には、健康な組織を表している。ここで図３ｂを参照すると、ボクセルの画像強度は時間に対して凸凹の形で変動しており、動きのある心臓組織を特徴付けるものとして知られる応答となっている。ここで図３ｃを参照すると、第３の組織サンプルの画像の強度は、造影剤の投与前では強度が第１の比較的低いレベルにあり、次いで比較的高いピークレベルに達し、さらにプラトーをなすような変動を示している。この反応は腫瘍組織を特徴付けるものである。したがって、強度対時間プロフィールを使用すると、コンピュータ支援式検出またはコンピュータ支援式診断システムを用いた解析を介した組織の特徴付けが可能となる。

ここで図４を参照すると、本発明に従って製作したコンピュータ支援式検出システム１０のブロック図を表している。このコンピュータ支援式検出システムは、処理ユニット１２、ディスプレイ１９、ユーザ入力デバイス１６、及びメモリ・コンポーネント１４やその他の機械読み取り可能な媒体を備えている。メモリ・コンポーネント１４は、画像の保存（以下で説明する）、並びにコンピュータ支援式検出機能を提供するように画像処理用のソフトウェアまたはアルゴリズムを含むコンピュータコードの保存（以下で説明する）の両方の目的で使用することができる。コンピュータ支援式検出システム１０はさらに、外部デバイスとの通信の送受信のための通信デバイス１８を含むことができる。この通信デバイスは、ネットワーク・デバイス、モデム、ユニバーサルシリアルバス・デバイス、あるいは別のタイプのポートを含む任意の数の周知のデバイスとすることができる。コンピュータ支援式検出システムについて特定のハードウェア・デバイスを提供することもできるが、本発明では市販のパーソナルコンピュータを使用することが好ましい。

ここで図５を参照すると、本発明のコンピュータ支援式検出システムの第１の実施形態で有用なアルゴリズムを表している。図２のデータを収集した後、このデータはコンピュータ支援式検出システム１０のメモリ・コンポーネント１４に送る（さもなければ、転送する）ことが可能であり、あるいはコンピュータ支援式検出システム１０にアクセス可能なリモート箇所に保存することが可能である。４次元系列の撮像データがコンピュータ・システム１０に提供された後、工程２２において元の収集画像に関して関心領域が選択される。この指定の関心領域（ＲＯＩ）は空間的に選択することも、時間的に選択することも可能である。ＲＯＩを空間的に選択するには、ユーザはユーザ入力デバイス１６（例えば、キーボード、マウス、ジョイスティック、あるいは別のデバイスとすることができる）を使用して、境界の描画によるか数値座標を用いた境界の選択によるかのいずれかによって原画像に関して境界を選択することが可能である。例えばバックグラウンドから身体部を分離するように、この選択をさらに自動化させることも可能である。ＲＯＩを時間的に選択するには、ユーザは数値しきい値限界を指定することができ、また収集値をこれらの限界に従ってフィルタ処理することができる。限界を示す数量は、その計算時間が工程２４で実施されるフル時間解析（以下で検討する）の場合と比べてはるかに短いようなパラメータとすることが可能である。

さらに図５を参照すると、関心領域を選択した後、工程２４において時間に対する各ボクセルの強度プロフィールの時間解析を実施しそのボクセル位置にある組織を特徴付けする。特徴付けには、当てはめパラメータ、様々なフィーチャの有無の探索、曲線当てはめのうちの少なくとも１つを実行することによって曲線の記述を抽出することが必要である。例えば曲線当てはめの場合、各ボクセルごとの強度対時間曲線をコンピュータ支援式検出デバイス１０のメモリ１４内に格納しておいた１つまたは複数の特性プロフィールと比較することができる。この比較は、最小二乗値最小化の方法を使用した区分的線形モデル（ｐｉｅｃｅｗｉｓｅ−ｌｉｎｅａｒ ｍｏｄｅｌ）の当てはめ、あるいは１つまたは複数のパラメータ関数の当てはめ、あるいは当技術分野で周知の別の方法を含むことができる。さらにこの解析は、少なくとも１つの組織タイプに関するボクセルの分類を含むこともできる。ボクセルがある具体的な組織タイプである尤度（ｌｉｋｅｌｉｈｏｏｄ）を示す確率要因は、そのプロフィールがある既知の組織タイプのプロフィールをどの程度密着してトレースしているかに基づいて決定してボクセルと関連付けすることができる。さらに、信頼要因を各ボクセルに関連付けすることもできる。

再び図５を参照すると、工程２４において時間解析を実施した後、工程２６において関心領域内の組織に対する空間解析が実施される。先ず工程２７において、事前定義の組織タイプに画像がセグメント分けされる。このセグメント分けは、ベイジアン（Ｂａｙｅｓｉａｎ）確率解析を用いて各ボクセルごとに最大事後仮説（ｍａｘｉｍｕｍ ａ ｐｏｓｔｅｒｉｏｒ ｈｙｐｏｔｈｅｓｉｓ：ＭＡＰ）を選択して実施することができる。ベイジアン解析は、組織タイプの仮説を与えたときに観測されたデータが生成される尤度と、このデータの観測前に既知であった内容を与えたときに仮説が真である確率と、いう２つの要素を組み合わせている。すべての仮説の事前の確率が等しいとき、この方法は最尤度仮説（ＭＬ）を選択することと等価である。ベイジアン解析を使用する実施形態では、この事前確率と尤度確率のうちの少なくとも１つの計算は時間解析の結果の影響を受ける。

空間的フィーチャに対して確率分布を当てはめることによって、ベイジアン解析に空間属性を組み入れることもできる。この当てはめは、トレーニングデータから作成された計測値に基づいて確率分布のパラメータに関して解くことによって実施することができる。トレーニングデータがない場合は、これらの分布はＰａｒｚｅｎウィンドウを用いて画像データから推定することができる。確率分布に関してパラメータだけではなくその形式も事前に既知でない場合は、最近隣分類子及びファジー分類子の非パラメータ方法を適用することができる。これらの方法を用いて解析する空間属性は、局所的フィーチャ及び大域的フィーチャを含むことができる。局所的属性は例えば、所与のボクセルの近傍にあるボクセルに関連付けされた情報である。マルコフのランダム場は、この近傍コヒーレンスのモデル化に対する確率論的アプローチを提供する。別の局所的属性には例えば、画像の傾斜及び曲率が含まれる。別の空間属性は、表面コイルの不均質性に由来してＭＲＩに存在するバイアス場など範囲がより大域的である。期待値最大化は、画像のセグメント分けとバイアス場の推定を同時に行う確率論的方法である。別の空間属性は、構造の曲率、サイズ及び厚さ、並びに構造的境界からの距離など、これまでのセグメント分けで得られた計測値を含む。ベイジアン確率伝播（Ｂａｙｅｓｉａｎ ｂｅｌｉｅｆ ｐｒｏｐａｇａｔｉｏｎ）方法や別のグラフィカルモデルなどの確率論的方法を用いて画像から離れたエリアで解析することによって使用するために、この画像内部で局所的に計算した確率論的情報を伝播させることができる。さらに、画像データ（本質的には、空間的に変動する事前確率に関するボクセル単位のマップである）に対して解剖学的アトラスを位置合わせすることによって、事前の情報をベイジアンのスキームに組み入れることができる。コンテキスト情報を提供するように画像データ及び／またはセグメント分けに対して形状モデルを当てはめることもできる。

セグメント分けの間に、ボクセルの各々が１つの組織タイプに分類されると共に、例えばその組織タイプに関連付けされた色相を割り当てることができる。工程２９では、パラメータ解析または計算が実施される。ここでは、各ボクセルごとに確率が決定されており、また割り当てるこの色相は、その組織が実際に選択したタイプである確率に基づいて異ならせることができる。例えばその色相は、セグメント分け分類が正しい百分率尤度に基づいて異ならせることができる。別の例では、割り当てる色相を最も確度が高い組織タイプに基づいて異ならせることができる。

最後に、セグメント分け工程２７及びパラメータ計算工程２９が完了したら、時間Ｔ_１とＴ_ｎの間で収集した画像を位置合わせすなわち整列させ、工程３１に示すように収集中の動きを勘案し各画像の位置を検証することができる。この手順は、任意の多くの周知の画像位置合わせ方法を用いて実施することができる。ここでは工程２７及び２９の次に示しているが、この位置合わせは本処理の様々な段階で実施することが可能である。

ここで図６を参照すると第２の実施形態では、コンピュータ支援式検出システム１０は、スケール空間（例えば、所与の画像内で評価を受けるボクセルの数）が最小の粗いレベル（１×１程度の低レベル）と最大の精細レベル（２５６×２５６など）の間で様々であるような一連の反復を通じてデータを処理している。反復は、スケール空間内の所定の工程において実施することができる。この際、処理に先立て初期スケール空間及び反復レベルが選択される。これらのパラメータを選択した後、工程２２を参照しながら上述したように指定の関心領域（ＲＯＩ）が空間的または時間的のいずれかによって選択され、次いで選択関心領域内の画像が評価を受ける。

関心領域を選択した後、上述のように選択したスケール空間に対する時間解析２４及び空間解析２６が実施される。次いで工程３２では、すべての所定のスケール空間ステップにおいて解析を実施し終えたか否かの判定が行われる。すべての所定のスケール空間ステップにおいて画像が解析済みであれば、処理が停止され、工程３４において画像を描出することができる。しかし追加のスケール空間解析が必要であれば、工程３６においてスケール空間がより細かい精細レベルまで調整される（すなわち、画像内のボクセル数を増やし各ボクセルがより小さいボリュームを表すようにする）。スケール空間を調整した後、直前のスケール空間レベルにおける結果に基づいて新たな関心領域を選択することができる、またあるいは処理を工程２４の時間解析に進めることができる。関心領域がスケール間で変更される実施形態では、その後続の計算を画像の最も重要な部分に集中させるように直前のスケール空間レベルの結果が適用される。解析が進むに従ってスケール空間を変化させることによって、処理速度が速くなりかなり短い時間期間で診断を完了することが可能となる。上述のように本処理の１つの工程において、周知のアルゴリズムを用いて画像を位置合わせすることが好ましい。この位置合わせ工程にとってはセグメント分け工程が正確であると有利であり、またセグメント分け工程は位置合わせ工程が正確であると有利である。このため反復が役に立つがこれでは時間もかかることになり、これが反復の際にスケールを変更することの動機付けとなる。ここでは工程２６の次に来るように示しているが、位置合わせは本処理の様々な段階で実施することが可能である。

ここで図７及び図８を参照すると、上に記載したアルゴリズムのうちのいずれかを用いると、その結果を描出することができる。まず図７を参照すると、上述した処理法に従って解析を受ける乳房の表示画像を、ボックス２３０によって境界を示した選択関心領域を伴って表している。ここでさらに図８を参照すると、関心領域２３０内の各ボクセルごとに、上述した空間解析のセグメント分けに基づいた視覚パラメータを割り当てることができる。例えば、悪性の組織には第１の色相を割り当て、また健康な組織には別の色相を割り当てることができる。ここに示したように例えば、図８のブロックの中心にあり２３２、２３４及び２３６の境界域のより暗いセグメントは腫瘍の可能性が高く、一方より明るい周囲のブロックは健康な組織の可能性が高い。

パラメータ解析は、例えば確率解析に基づいて可能な選択肢間でその色に階調を付ける（ｓｈａｄｉｎｇ）ことによってその組織が健康や悪性にどの程度近いかを示す変動を提供する。例えばある１つのボクセルは、健康な乳房組織である確率が３０％、腫瘍組織である確率が５０％、かつ心臓組織である確率が２０％であることがある。これらの確率はパラメータ式色付けに反映させることができる。

さらに図７を参照すると、解析を実施する医療従事者に追加の情報を提供するために、各ボクセルごとに強度対時間の曲線を表示させることもできる。この曲線以外にも、その表示には任意選択で、モデルへの当てはめの適合度の指示を含めることができる。これらの表示には例えば、区分的線形モデル、パラメータ関数のグラフ、数値パラメータを示すテキスト、階調などのグラフィカルフィーチャ、及びその他の指標を含むことができる。時間対強度の曲線は元のスキャン上や純粋にセグメント分けしたビュー上、あるいは百分率強調などの色付けを含むパラメータビュー上に重ね合わせることができる。別の様々なパラメータが提供されることもあり得る。施術者はさらに、ディスプレイ１９上に描出させるデータのレベル及びタイプをユーザ入力デバイス１６を介して対話式で選択することができる。

したがって本発明によれば、算出した単一の検出パラメータではなく医学施術者に対して情報がアレイ状に提供される。どの組織が腫瘍組織でありどれが健康であるかの解析が提供される以外に本発明によれば、これらのレベル間の変動に対するグラフィック表示を提供することができる。さらに、医学施術者が解析を確認できるようにするため、時間対強度の曲線並びにその他のパラメータデータも提供でき、これにより施術者がコンピュータ支援式検出の結果をより容易に確認することが可能となる。

組織分類や、所与の組織クラスに属する確率を指示するパラメータ色付けは２Ｄ及び３Ｄディスプレイのレンダリングにおいて有用となり得る。２Ｄディスプレイでは、このパラメータを使用して、グレイスケール解剖学画像上に重ね合わせるように各ボクセルに対して色相を割り当てることができる。３Ｄサーフェス・レンダリングでは、このパラメータを使用して、その表面がセグメント分け処理の間に特定した解剖学構造のエンベロープとなるような表面パッチに対して色相を割り当てることができる。３Ｄボリューム・レンダリングでは、このパラメータを使用して、ボクセル対して色相及び／または不透明度属性を割り当て、レイトレース（ｒａｙ−ｔｒａｃｉｎｇ）で必要な情報を提供することができる。

上述した方法及び装置は単に例示的なものであり本発明の範囲を制限するものではないこと、並びに当業者であれば本発明の範囲に属するような様々な修正をすることが可能であることを理解されたい。

添付の特許請求の範囲は、本発明の範囲の公開を周知させるために示したものである。

本発明に有用な画像を収集するための磁気共鳴撮像システムのブロック図である。 時系列となった３次元医用画像のブロック図である。 健康な乳房組織を特徴付ける強度対時間曲線である。 心臓組織を特徴付ける強度対時間曲線である。 腫瘍組織を特徴付ける強度対時間曲線である。 本発明のコンピュータ支援式検出システムのブロック図である。 本発明の第１の実施形態に関するコンピュータ支援式検出アルゴリズムを表した流れ図である。 本発明の別の実施形態に関するコンピュータ支援式検出アルゴリズムを表した流れ図である。 関心領域の選択を表している原画像である。 セグメント分けしたボクセル並びに対応する強度対時間曲線を表したディスプレイの図である。

符号の説明

１０ コンピュータ支援式検出システム
１２ 処理ユニット
１４ メモリ・コンポーネント
１６ ユーザ入力デバイス
１８ 通信デバイス
１９ ディスプレイ
２２ 関心領域選択工程
２４ 時間解析工程
２６ 空間解析工程
２７ セグメント分け工程
２９ パラメータ解析工程
３１ 位置合わせ工程
３２ スケール空間確認工程
３４ 描出工程
３６ スケール空間調整工程
１００ コンソール
１０２ キーボード／制御パネル
１０４ ディスプレイ
１０６ 画像プロセッサ・モジュール
１０７ コンピュータ・システム
１０８ ＣＰＵモジュール
１１１ ディスク記憶装置
１１２ テープ駆動装置
１１３ メモリ・モジュール
１１５ 高速シリアルリンク
１１６ リンク
１１９ ＣＰＵモジュール
１２１ パルス発生器モジュール
１２２ システム制御部
１２５ シリアルリンク
１２７ 傾斜増幅器
１２９ 生理学的収集制御器
１３３ スキャン室インタフェース回路
１３４ 患者位置決めシステム
１３９ 傾斜コイル・アセンブリ
１４０ 偏向用マグネット
１４１ マグネット・アセンブリ
１５０ 送受信器モジュール
１５１ ＲＦ増幅器
１５２ コイル
１５３ 前置増幅器
１５４ 送信／受信スイッチ
１６０ メモリ・モジュール
１６１ アレイ・プロセッサ
２３０ 関心領域

Claims (10)

1. ４次元系列の医用画像に対するコンピュータ支援式検出のための方法であって、
   （ａ）関心領域（２３０）に関する３次元医用画像系列に対してある時間期間にわたってアクセスする工程であって、該系列内の少なくとも１つの組が造影剤の投与前に取得されかつ複数の組が造影剤の投与後に取得されて４次元画像が作成されるアクセス工程と、
   （ｂ）前記４次元画像内の各ボクセルを特徴付けするための時間解析（２４）を実施する工程と、
   （ｃ）前記時間特徴付けの影響を受けた空間解析（２６）を実施し前記ボクセルを組織タイプにセグメント分けする工程と、
   を含む方法。
2. 工程（ｂ）の解析に基づいて関心対象ボクセルを特定する工程と、該特定した関心対象ボクセルを用いて工程（ｃ）において空間解析（２６）を実施する工程と、をさらに含む請求項１に記載の方法。
3. 前記３次元画像系列内の画像を位置合わせする工程（３１）をさらに含む請求項１に記載の方法。
4. 工程（ｂ）は曲線当てはめ解析を適用する工程を含む、請求項１に記載の方法。
5. 工程（ｂ）は、既知の組織タイプを表す少なくとも１つの記憶済み曲線にアクセスし、前記ボクセル位置における時間経過を追った強度を該少なくとも１つの曲線と比較し、かつ該ボクセル位置にある組織が該曲線が表すタイプである確率に基づいて組織を分類する工程を含む、請求項１に記載の方法。
6. 工程（ｃ）は、各ボクセルが選択した組織タイプである確率を決定する工程を含む、請求項１に記載の方法。
7. 前記確率は、ベイジアン最大事後解析、最尤度解析、期待値最大化、マルコフモデル、最近隣分類子、ファジー分類子、Ｐａｒｚｅｎウィンドウ推定に基づく分類子、及びベイジアン確率伝播ネットワークのうちの少なくとも１つを含む方法に基づいて決定されている、請求項６に記載の方法。
8. 工程（ｃ）はさらに、組織タイプ及び所与の組織タイプに属する確率のうちの少なくとも一方に基づいて各ボクセルに視覚指示子を割り当てる工程を含む、請求項７に記載の方法。
9. ２Ｄ画像、３Ｄサーフェス・レンダリング、３Ｄボリューム・レンダリング、及び各ボクセル位置における時間経過を追った強度のグラフのうちの少なくとも１つの中に前記視覚指示子を表示する工程（３４）をさらに含む請求項８に記載の方法。
10. 工程（ａ）はさらに前記系列内の画像の各々に関して画像を処理するための第１のスケール空間を選択する工程（２２）を含み、かつ工程（ｃ）はさらに新たなスケール空間を選択する（３６）と共にあるレンジ域のスケール空間にわたって工程（ａ〜ｂ）を反復する工程を含む、請求項１に記載の方法。

Images