JP2007216007A - 医療用画像においてリンパ節をラベリングおよび識別するためのシステムおよび方法 - Google Patents

医療用画像においてリンパ節をラベリングおよび識別するためのシステムおよび方法 Download PDF

Info

Publication number
JP2007216007A
JP2007216007A JP2007015464A JP2007015464A JP2007216007A JP 2007216007 A JP2007216007 A JP 2007216007A JP 2007015464 A JP2007015464 A JP 2007015464A JP 2007015464 A JP2007015464 A JP 2007015464A JP 2007216007 A JP2007216007 A JP 2007216007A
Authority
JP
Japan
Prior art keywords
medical image
lymph node
landmark
anatomical
location
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.)
Withdrawn
Application number
JP2007015464A
Other languages
English (en)
Inventor
Atilla Peter Kiraly
ピーター キラリー アティラ
Zhang Li
ツァン リ
Carol L Novak
エル ノヴァク キャロル
Lutz Guendel
ギュンデル ルッツ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Medical Solutions USA Inc
Original Assignee
Siemens Medical Solutions USA Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens Medical Solutions USA Inc filed Critical Siemens Medical Solutions USA Inc
Publication of JP2007216007A publication Critical patent/JP2007216007A/ja
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

【課題】本発明の課題は、医療用画像において迅速かつ精確にリンパ節をラベリングできる方法およびシステムを提供することである。
【解決手段】前記課題は、
医療用画像において目印を識別する。
該医療用画像におけるリンパ節の位置に対する、該目印に関する特徴を計算する。
計算された該特徴と分類規則とを比較するクラシファイアを使用して、解剖学的名称をリンパ節の位置に対応付ける
方法によって解決される。
【選択図】図５

Description

本願は、２００６年１月２５日に提出された米国特許仮出願番号６０／７６２０２９で留保されている権利を請求するものである。ここに記載された内容は、参照によって本願の開示内容に含まれる。
本発明は、医療用画像における解剖学的対象のラベリングおよび識別に関し、詳細には、医療用画像においてリンパ節をラベリングおよび識別するためのシステムおよび方法に関する。
癌病期分類のためのリンパ節の識別および評価は、放射線専門医の作業フローの中で大部分を占める。その例が、J.P. Ko, E.A. Drucker, J.A. Shepard, C.F. Mountain, C. Dresler, B. Sabloff, および T.C. McLoudによる『CT depiction of regional nodal stations for lung cancer staging』（AJR Am J Roentgenol. 2000 Mar; 174(3):775-82）と、S. Aquino, M. Harisinghani, および B. Branstetterによる『Lymph Node Anatomy and Imaging for Cancer Staging』（RSNA 2005）に記載されている。リンパ節の識別および評価時に取得された情報は、癌診断および癌治療において中心的な役割を果たす。
リンパ節の識別および評価を自動化するための従来のアプローチは、リンパ節のセグメンテーションに焦点を当てる傾向があった。その例が、D.M. Honea, Y. Ge, W.E. Snyder, P.F. Hemler, および D.J. Viningによる『Lymph node segmentation using active contours』第265〜273頁（SPIE Medical Imaging 1997: Image Processing, Vol. 3034. 1997）、J. Dornheim, H. Seim, B. Preim, I. Hertel, および G. Straussによる『Segmentation of Neck Lymph Nodes in CT Datasets with Stable 3D Mass-Spring Models』第904〜911頁（Medical Image Computing and Computer-Assisted Intervention - MICCAI 2006, Volume 4191/2006）、ならびに、G. Unal , G. Slabaugh , A. Ess , A. Yezzi , T. Fang , J. Tyan , M. Requardt , R.Krieg , R.Seethamraju, M. Harisinghani, および R. Weisslederによる『Semi-Automatic Lymph Node Segmentation in LN-MRI』（Proceedings of the IEEE Int. Conf. Image Processing, 2006）に記載されている。
リンパ節をセグメンテーションできることにより、大きさおよび形状に関する量的な情報のベースが得られる。このような自動化された方法は、読み取り側による変動および誤りを低減するのに役立ち、このことによって、さらに一貫した測定および評価が実現される。高速マッチング、方向性輪郭（directed contours）およびスプリングマスモデル（spring-mass model）を含むアプローチは、従来の形状の種々の形態とともに適用されてきた。これらの手法は確実な結果を提供するにもかかわらず、リンパ節セグメンテーションは未だに挑戦段階の課題である。さらに、このようなツールが使用できるにもかかわらず、放射線専門医は未だに、病期分類および評価中にリンパ節に対する解剖学的なラベルを手動で供給しなければならない。
解剖学的なラベルは、身体の特定の領域内のリンパ節のグループに対応付けられる。これらは癌病期分類において決定的に重要である。というのも、癌がどの程度広がったかを決定するのを補助するからである。このようなラベルは、解剖学的な目印に対するリンパ節の相対的な位置に依存して、該リンパ節に付与される。それゆえ、特定のリンパ節に対して適切なラベルを対応付けるためには、放射線専門医は画像を精査し、該リンパ節に関連するこのような目印を見つけなければならない。さらに、フォローアップのケースでは、特定のリンパ節を見つけて、先行のスキャン時の該リンパ節の外観と比較しなければならない。これらの要求は、近傍の目印を見つけるのに必要な時間においても、たとえばディクテーションシステムにおいて情報を付加するための時間においても、放射線専門医の仕事負荷に影響を与える。
医療用画像の自動的な解剖学的ラベリングは、リンパ節以外の種々の目的に使用されてきた。気道の場合、このようなラベリングは特定の分岐をラベリングするのに使用され、フォローアップの調査では、仮想的な気管支鏡法に使用されてきた。その例が、K. Mori, J. Hasegawa, Y. Suenaga, J. Toriwakiによる『Automated anatomical labeling of the bronchial branch and its application to the virtual bronchoscopy system』第１０３〜１１４頁（IEEE Transaction in Medical Imaging, vol. 19, no. 2, Feb. 2000）、J. Tschirren, G. McLennan, K. Palagyi, E.A. Hoffman, および M. Sonkaによる『Matching and anatomical labeling of human airway tree』第１５４０〜１５４７頁（IEEE Transactions in Medical Imaging, vol. 24, no. 12, Dec. 2005）、ならびにJ. Kaftan, A.P. Kiraly, D.P. Naidich, C.L. Novakによる『A Novel Multi-Purpose Tree and Path Matching Algorithm with Application to Airway Trees』（SPIE Medical Imaging 2006, vol. 6143, 2006）に記載されている。
解剖学的な目印の識別は、腸のセグメンテーションを改善するのに使用されてきた。その例が、J.J. Nappi, A.H. Dachman, H. Abraham, P. MacEneaney, H. Yoshidaによる『Automated Knowledge-Guided Segmentation of Colonic Walls for Computerized Detection of Polyps in CT Colonography』（Journal of Computer Assisted Tomography, 26(4):493-504, July/August 2002）に記載されている。放射線専門医の作業の流れを削減するために、コンピュータ断層撮影（ＣＴ）データセットの肋骨ラベリングが使用される。その例が、H. Shen, L. Liang, M. Shao, および S. Qingによる『Tracing Based Segmentation for the Labeling of Individual Rib Structures in Chest CT Volume Data』第９６７〜９７４頁（MICCAI 2004, vol. 3217, 2004）に記載されている。
J.P. Ko, E.A. Drucker, J.A. Shepard, C.F. Mountain, C. Dresler, B. Sabloff, および T.C. McLoudによる『CT depiction of regional nodal stations for lung cancer staging』（AJR Am J Roentgenol. 2000 Mar; 174(3):775-82）に、リンパ節を４つの主要なグループに分割するための方法が記載されている。この４つの主要なグループは、たとえば上縦隔リンパ節、大動脈リンパ節、下縦隔リンパ節およびＮ１リンパ節である。図１に、気道および大動脈に対するこれらのグループの相対的位置が示されており、図２に、実際のデータセットにおいてマーキングされたリンパ節位置および気道が示されている。たとえば図１（ａ）では、１＝上縦隔リンパ節、２＝大動脈リンパ節、３＝下縦隔リンパ節、４＝Ｎ１リンパ節、Ａ＝大動脈、ＰＡ＝肺動脈、およびＣ＝気管分岐部である。図１（ｂ）では、グループ１に固有のリンパ節のうち幾つかがラベリングされており、Ａ＝最上縦隔リンパ節、Ｂ＝上気管傍リンパ節、およびＣ＝下気管傍リンパ節である。リンパ節はさらに、１４個の下位グループまたは部位に分割され、この下位グループまたは部位には、図３に示された表に挙げられたように、肺門、葉間、肺葉等が含まれる。
現在、病期分類検査を読み取る放射線専門医は、異常を記録するために主要なリンパ節を識別および評価しなければならない。リンパ節のラベルを正確に決定するのは、高精度の病期分類、ひいては、患者に関しては最良の治療の選択の決定を実現するのに、決定的に重要である。しかし、このプロセスは時間を要し、不精確になる場合がある。したがって、医療用画像において迅速かつ精確にリンパ節をラベリングできる技術が必要とされる。
『CT depiction of regional nodal stations for lung cancer staging』（J.P. Ko, E.A. Drucker, J.A. Shepard, C.F. Mountain, C. Dresler, B. Sabloff, および T.C. McLoud, AJR Am J Roentgenol. 2000 Mar; 174(3):775-82） 『Lymph Node Anatomy and Imaging for Cancer Staging』（S. Aquino, M. Harisinghani, および B. Branstetter, RSNA 2005） 『Lymph node segmentation using active contours』第265〜273頁（.M. Honea, Y. Ge, W.E. Snyder, P.F. Hemler, および D.J. Vining, SPIE Medical Imaging 1997: Image Processing, Vol. 3034. 1997） 『Segmentation of Neck Lymph Nodes in CT Datasets with Stable 3D Mass-Spring Models』第904〜911頁（J. Dornheim, H. Seim, B. Preim, I. Hertel, および G. Strauss, Medical Image Computing and Computer-Assisted Intervention - MICCAI 2006, Volume 4191/2006） 『Semi-Automatic Lymph Node Segmentation in LN-MRI』（G. Unal , G. Slabaugh , A. Ess , A. Yezzi , T. Fang , J. Tyan , M. Requardt , R.Krieg , R.Seethamraju, M. Harisinghani, および R. Weissleder, Proceedings of the IEEE Int. Conf. Image Processing, 2006） 『Automated anatomical labeling of the bronchial branch and its application to the virtual bronchoscopy system』第１０３〜１１４頁（K. Mori, J. Hasegawa, Y. Suenaga, J. Toriwaki, IEEE Transaction in Medical Imaging, vol. 19, no. 2, Feb. 2000） 『Matching and anatomical labeling of human airway tree』第１５４０〜１５４７頁（J. Tschirren, G. McLennan, K. Palagyi, E.A. Hoffman, および M. Sonka, IEEE Transactions in Medical Imaging, vol. 24, no. 12, Dec. 2005） 『A Novel Multi-Purpose Tree and Path Matching Algorithm with Application to Airway Trees』（J. Kaftan, A.P. Kiraly, D.P. Naidich, C.L. Novak, SPIE Medical Imaging 2006, vol. 6143, 2006） 『Automated Knowledge-Guided Segmentation of Colonic Walls for Computerized Detection of Polyps in CT Colonography』（J.J. Nappi, A.H. Dachman, H. Abraham, P. MacEneaney, H. Yoshida, Journal of Computer Assisted Tomography, 26(4):493-504, July/August 2002） 『Tracing Based Segmentation for the Labeling of Individual Rib Structures in Chest CT Volume Data』第９６７〜９７４頁（H. Shen, L. Liang, M. Shao, および S. Qing, MICCAI 2004, vol. 3217, 2004）
本発明の課題は、医療用画像において迅速かつ精確にリンパ節をラベリングできる方法およびシステムを提供することである。
前記課題は、
医療用画像において目印を識別する。
該医療用画像におけるリンパ節の位置に対する、該目印に関する特徴を計算する。
計算された該特徴と分類規則とを比較するクラシファイアを使用して、解剖学的名称をリンパ節の位置に対応付ける
方法によって解決される。
前記目印は、気道の中心線と大動脈の中心線とを含む。計算された前記特徴には、前記目印上の位置に対するリンパ節の相対的な位置ベクトルが含まれる。計算された前記特徴には、前記目印上の位置に対するリンパ節の距離値が含まれる。前記クラシファイアは、分類規則を定義する医療用画像における位置に対応する解剖学的名称のセットを有するモデルを含む、トレーニング方式のサポートベクトルマシン（ＳＶＭ）である。
本方法ではさらに、コンピュータ断層撮影（ＣＴ）技術、磁気共鳴（ＭＲ）技術または超音波撮像技術を使用して、前記医療用画像を取得する。解剖学的名称をリンパ節の位置に対応付ける場合、該解剖学的名称に所属する生検関連の情報が供給される。
本発明の１つの実施例では、医療用画像においてリンパ節と解剖学的名称とを対応付けるためのシステムは、以下のものを有する：プログラムを記憶するための記憶装置
該記憶装置と通信するプロセッサ
該プロセッサは、次のことを行うためのプログラムによって動作する：
医療用画像において目印を識別する。
該医療用画像におけるリンパ節の位置に対する、該目印に関する特徴を計算する。
計算された該特徴と分類規則とを比較するクラシファイアを使用して、解剖学的名称をリンパ節の位置に対応付ける。
前記目印は、気道の中心線と大動脈の中心線とを含む。計算された前記特徴には、前記目印上の位置に対するリンパ節の相対的な位置ベクトルが含まれる。計算された前記特徴には、前記目印上の位置に対するリンパ節の距離値が含まれる。前記クラシファイアは、分類規則を定義する医療用画像における位置に対応する解剖学的名称のセットを有するモデルを含む、トレーニング方式のＳＶＭである。
前記プロセッサはさらに、ＣＴ技術、ＭＲ技術または超音波撮像技術を使用して医療用画像を取得するためのプログラムによって動作する。解剖学的名称をリンパ節の位置に対応付ける場合、前記プロセッサはさらに、該解剖学的名称に関連する生検関連の情報を供給するためのプログラムによって動作する。
本発明の１つの実施例では、第１の医療用画像においてリンパ節を含む領域を見つけるための方法は、以下のことを特徴とする：第１の医療用画像において目印を識別する。
該第１の医療用画像の領域内における位置の、該目印に対する相対的な特徴を計算する。
計算された該特徴と分類規則とを比較するクラシファイアを使用して、該位置と解剖学的名称とを対応付ける。
与えられた解剖学的名称に関する領域を供給する。
位置と解剖学的名称とを第１の医療用画像または第２の医療用画像から得る場合、当該方法ではさらに以下のことを行う：該第２の医療用画像において目印を識別する。
該第１の医療用画像および第２の医療用画像の目印間でレジストレーションを行う。
与えられた解剖学的名称に関連する位置を、該第１の医療用画像および該第２の医療用画像のうち他方で供給する。この領域は、第１の医療用画像における関心対象の領域の定義によって決定された該第１の医療用画像の一部である。
本発明の１つの実施例では、医療用画像においてリンパ節のラベルを決定する方法は、以下のことを特徴とする：医療用画像において目印を識別する。
該医療用画像においてリンパ節のラベルを手動で解釈するために、所与のオブジェクト位置とともに該目印を可視化する。
本発明の１つの実施例では、医療用画像において構造とラベルとを対応付ける方法は、以下のことを特徴とする：医療用画像において目印を識別する。
該医療用画像における構造の位置に対する、該目印に関する特徴を計算する。
計算された該特徴と分類規則とを比較するクラシファイアを使用して、ラベルを該構造の位置に対応付ける。
計算された前記特徴は空間的であり、かつ目印に対して相対的であり、医療用画像内の解剖学的位置の強度値、または構造のモデルである。この構造はリンパ節である。
本発明の１つの実施例では、医療用画像においてリンパ節と解剖学的名称とを対応付ける方法は、以下のことを特徴とする：医療用画像において目印を識別する。
該医療用画像におけるリンパ節の位置に対する、該目印に関する特徴を計算する。
計算された該特徴を使用して、解剖学的名称をリンパ節の位置に対応付ける。
上記特徴は代表的な実施形態の一部であり、本発明を理解できるようにするために挙げられたものである。これらは、特許請求の範囲で定義された本発明を限定すると見なされるべきものではなく、特許請求の範囲と同等のものを限定すると見なされるべきものでもないことを理解すべきである。したがってこの特徴の概要は、同等のものを決定するための方向性を有するものであると見なすべきではない。以下の説明、図面および特許請求の範囲に、本発明の別の特徴が記載されている。
ここで、医療用画像においてリンパ節をラベリングおよび識別するための、本発明の１つの実施例によるシステムを説明する。
図４は、医療用画像においてリンパ節をラベリングおよび識別するための、本発明の１つの実施例によるシステム４００を示す。図４に示されているように、システム４００は取得装置４０５と、パーソナルコンピュータ（ＰＣ）４１０と、オペレータコンソール４１５とを有する。これらは有線ネットワークまたは無線ネットワーク４２０を介して接続されている。
取得装置４０５はコンピュータ断層（ＣＴ）撮像装置であるか、または磁気共鳴（ＭＲ）スキャナまたは超音波スキャナ等の、別の任意の３次元（３Ｄ）高分解能撮像装置とすることができる。
ＰＣ４１０、または、医療診断撮像システムまたは画像アーカイブ通信システム（ＰＡＣＳ）データ管理ステーションは、中央処理ユニット（ＣＰＵ）４２５およびメモリ４３０を有し、これらは入力装置４５０および出力装置４５５に接続されている。このＰＣ４１０は、ポータブルコンピュータまたはラップトップコンピュータとすることができる。ＣＰＵ４２５は、リンパ節ラベリング識別モジュール４４５を有する。このモジュールは、医療用画像においてリンパ節をラベリングおよび識別する１つまたは複数の方法を含む。これは以下で、図５〜１０を参照して説明する。ＣＰＵ４２５内部に示されているが、リンパ節ラベリング識別モジュール４４５をＣＰＵ４２５外部に配置することができる。
メモリ４３０はランダムアクセスメモリ（ＲＡＭ）４３５および読み出し専用メモリ（ＲＯＭ）４４０を有し、データベース、ディスク駆動機構、テープ駆動機構等も含むことができ、またはそれらの組み合わせを含むこともできる。ＲＡＭ４３５はデータメモリとして機能し、ＣＰＵ４２５においてプログラムの実行中に使用されるデータを記憶し、作業域として使用される。ＲＯＭ４４０は、ＣＰＵ４２５において実行されるプログラムを記憶するためのプログラムメモリとして機能する。入力部４５０はキーボード、マウス等によって構成され、出力部４５５は液晶ディスプレイ（ＬＣＤ）、陰極線管（ＣＲＴ）ディスプレイ、プリンタ等によって構成される。
システム４００の動作はオペレータコンソール４１５から制御され、このオペレータコンソール４１５は、たとえばキーボード等のコントローラ４６５とディスプレイ４６０とを有する。オペレータコンソール４１５はＰＣ４１０および取得装置４０５と通信し、これによって、取得装置４０５によって収集された画像データはＰＣ４１０によってレンダリングされ、ディスプレイ４６０で見られる。ＰＣ４１０は、例えば入力装置４５０および出力装置４５５を使用して、オペレータコンソール４１５を用いずに、取得装置４０５によって供給された情報を演算および表示し、コントローラ４６５および表示装置４６０によって実施される特定のタスクを実行するように構成できる。
オペレータコンソール４１５はさらに、画像を生成し表示装置４６０において表示するために取得された画像データセット（またはそれらの画像セットの一部）のデジタル画像データを処理することができる適した任意の画像レンダリング用のシステム／ツール／アプリケーションを包含することができる。より詳細には、画像レンダリングシステムは医療用画像データのレンダリングおよび可視化を行うために使用され、かつ汎用または特殊なコンピュータワークステーションにおいて実行されるように構成されたアプリケーションであってよい。ＰＣ４１０は、上記の画像レンダリング用のシステム／ツール／アプリケーションを含むことができる。
ここで、医療用画像においてリンパ節をラベリングおよび識別するための、本発明の１つの実施例による方法を説明する。
図５は、医療用画像においてリンパ節をラベリングおよび識別するための、本発明の１つの実施例による方法を示す。簡単に言うと、図５に示されているように、患者の胸部の３Ｄ画像を取得する（５１０）。取得後、３Ｄ画像内の（たとえば放射線専門医によってマーキングされた）リンパ節位置を得る（５２０）。３Ｄ画像を前処理し、たとえば患者の気道および大動脈の中心線等である特定の目印を識別する（５３０）。次に、この中心線を使用して、与えられたリンパ節の位置に対して空間的に関連する特徴を計算する（５４０）。その後、計算された特徴をクラシファイアにおいて使用して、前記リンパ節に適切なラベルを決定する（５５０）。
ここで、この方法を詳細に説明する。以下の説明は、気道および大動脈の近傍の胸部のリンパ節をラベリングおよび識別することに焦点が当てられるが、本方法および／または本方法の変形形態は、たとえば腹部の腸近傍に位置するリンパ節等であるリンパ節をラベリングおよび識別するために使用することができ、また、幾何的特徴も非幾何的特徴も有する別の解剖学的構造をラベリングおよび識別するのに使用できることを理解すべきである。
以下の説明では、本来の胸部ボリュームをＩとし、選択されたリンパ節位置をｘ∈Ｉとする。ここではｘ＝（ｘ，ｙ，ｚ）は、画像を有する３Ｄ位置を定義する。対応づけされるラベルであるＬ∈｛ｓ１，ｓ２，・・・ｓ１４｝は、図３の表に挙げられた１４個の可能な部位のうちの１つである。必要な場合には、付加的な表記を導入する。要約すると、これから説明する方法のアプリケーションは、位置ｘ∈Ｉに対して適切なＬ∈｛ｓ１，ｓ２，・・・ｓ１４｝を決定することである。
ステップ５３０では、空間的な特徴を収集するためには、まず画像Ｉ内で目印を取得しなければならない。気道および大動脈弓を目印として使用する。というのも、胸部におけるリンパ節の大部分は、これらの構造に沿って存在するからである。これらの目印を表すために、ツリー構造モデルを使用する。一般的にツリー構造Ｔ＝（Ｖ，Ｂ，Ｐ）は、観察場所Ｖと分岐Ｂと経路Ｐとの集合から成る。各分岐は観察場所の繋がりから成り、各経路は分岐の繋がりから成る。これは、ルート分岐として知られている空間的分岐ｂ１∈Ｂを有する階層的構造である。すべての経路がこの分岐で開始する。A.P. Kiraly, J.P. Helferty, E.A. Hoffman, G. McLennanおよびW.W. Higginsによる『Three-Dimensional Path Planning for Virtual Bronchoscopy』第１３６５〜１３７９頁（IEEE Transactions on Medical Imaging, vol. 23, no. 1, November 2004）に、このようなツリー構造モデルの説明が記載されている。この開示内容はすべて、参照によって本願の開示内容に含まれるものとする。気道ツリーモデルはＴＡＩＲとし、大動脈弓モデルはＴＡＯＲＴＡとする。このケースは、大動脈弓では比較的単純である。というのも分岐点は存在せず、この場合には、すべての場所を含む単独の経路および単独の分岐が存在するからである。図６に、これらの構造の双方の中心線が示されている。
気道中心線はまず、気管で開始して適応領域拡大セグメンテーションを行うことによって得られる。この一例が、B. Odry, A.P. Kiraly, C.L. Novak, D.P. Naidich, J.F. Lerallutによる『Automated airway evaluation system for multi-slice computed tomography using airway lumen diameter, airway wall thickness and broncho-arterial ratio』第２４３〜２５３頁（SPIE Medical Imaging 2006, vol. 6143 (2006)）に記載されている。この開示内容はすべて、参照によって本願の開示内容に含まれるものとする。次に、セグメンテーションされた画像を細線化して高精度化することにより、構造ＴＡＩＲを作成する。このような細線化および高精度化処理は、A.P. Kiraly, J.P. Helferty, E.A. Hoffman, G. McLennanおよびW.W. Higginsによる『Three-Dimensional Path Planning for Virtual Bronchoscopy』第１３６５〜１３７９頁（IEEE Transactions on Medical Imaging, vol. 23, no. 1, November 2004）に記載されている。この構造の中で３つの場所が識別され、たとえば気管分岐部および左側または右側の主要な気管支の分岐点が識別される。これらの場所は、肺の異なる領域への経路の発散を検査することによって、自動的に検出される。たとえば、肺の最左側の領域および最右側の領域に繋がる２つの経路の発散が、気管分岐部を決定する。
次に、簡略的なリッジトランスバーサル法を使用して、大動脈モデルＴＡＯＲＴＡを作成する。リッジトランスバーサルが管状オブジェクトの中心線を定義するために、種々の手法を使用できる。S.R. AylwardおよびE. Bullittによる『Initialization, Noise, Singularities, and Scale in Height Ridge Traversal for Tubular Object Centerline Extraction』（IEEE Transactions in Medical Imaging, vol. 21, no. 2, Feb. 2002）に、一例の手法が記載されている。この開示内容は、参照によって本願の開示内容に含まれるものとする。これらの手法は、ある１つの位置で開始し、ポイントを続けて追加していくのと同時に、分岐点を検出して異なるスケールに対して調節を行うことによって実施される。このシチュエーションでは大動脈は比較的大きく、分岐点を有さないので、モデルを作成するのが容易になる。フィルタを適用して縦隔領域内の隆起を強調することにより、画像の１次微分に基づいて血管が検出される。開始位置は、気管分岐部の後方に位置する最大隆起強度を有する位置として選択される。その後、この位置が、追跡が開始されたのと同じ横断層に戻るまで、該位置を上方向に追跡する。大動脈中心線を定義するための別の任意の手法も使用できることを、理解すべきである。さらに、大動脈モデルの最も高いポイントを、後の特徴計算で使用するためにマーキングする。
モデルが１つの画像ボリュームに関して決定された後、位置特徴を計算することができる。上記のステップは、ボリュームごとに１度だけ行うことを理解すべきである。というのも、所与の位置Ｘに依存しないからである。同一の画像ボリューム内で別の位置の特徴を迅速に計算することができ、残りの分類ステップが必要とする時間量はごく僅かである。図６に、気道および大動脈において得られた中心線が一例の位置および一例の特徴とともに示されている。
ステップ５４０では、収集されたすべての特徴は、中心線モデルＴＡＩＲおよびＴＡＯＲＴＡに関する位置情報Ｘを含む。これらの特徴は、ベクトル、距離および角度を符号化する数値であるか、または別の任意の空間的特徴である。距離計算は、Ｘと選択されたポイントとの間で計算されたユークリッド距離値である。このポイントは、気管分岐部等である予め定義されたポイントとするか、またはＸに最近傍の中心線モデル内のポイントとすることができる。２つのポイント間で計算されたベクトルは、規格化されて３つの特徴として符号化される。１つの特徴は、気管分岐部に位置し下方向（たとえば患者の足の方向）を向いているベクトルと、該気管分岐部の位置と位置Ｘとの間のベクトルとの間で測定された角度である。分析用の収集された特徴の集合例が、図７に示された表に挙げられている。距離ベースの特徴は、特徴が収集された元である画像のサンプル集合で得られる値に基づいて、０〜１に規格化することができる。図７の表に挙げられた特徴は空間的であるだけなので、本方法を異なる撮像モードに適用するためには、中心線モデルを取得する手法を変更するだけでよい。したがって、非コントラストのＣＴデータにも、ＭＲデータにも適用できる。
ステップ５５０では、所与のリンパ節位置から特徴が収集された後、該特徴を使用してラベルを供給する。特徴を検査および処理するために、放射状基底関数を有するサポートベクトルマシン（ＳＶＭ）を使用する。C. CortesおよびV. Vapnikによる『Support-Vector Networks』第２７３〜２９７頁（Machine Learning, vol. 20, no. 3, 1995）に、ＳＶＭのコンセプト例が記載されている。この記載内容はすべて、参照によって本願の開示内容に含まれるものとする。ＳＶＭは、モデルを形成するためのトレーニングされ、このモデルを使用して、任意の新たな画像ボリュームにおいて、リンパ節に適切なラベルを対応付ける。ＳＶＭは、画像空間を目印に基づいて異なる領域に分割するために使用されるだけであることを、理解すべきである。これらの特徴は位置的および直観的であるため、放射線専門医の規則から直接、ベイズのクラシファイアを形成することもできる。このステップにおいて、特徴を分類するのに適した任意の手法を使用することもできることを理解すべきである。
図８は、医療用画像においてリンパ節をラベリングおよび識別するための、本発明の１つの実施例によるシステムのスクリーン写真を示す。ここではリンパ節位置８１０を医師によって選択し、リンパ節位置８１０が選択された後は、システムにおいて、上記で図５を参照して説明した処理を行い、システムは該リンパ節位置８１０の解剖学的名称８２０を表示する。この解剖学的名称８２０は、リンパ節位置８１０の選択と同時に与えられる。
本発明の１つの実施例ではＳＶＭは、図９に示された画像の収集に関してトレーニングされている。すべての特徴を使用するのは望ましいことではない場合がある。というのも、クラシファイアを初期のデータセットに対して過剰にトレーニングしてしまう可能性があるからだ。したがって、モデルの作成において下位集合の可能なすべての組み合わせを検査することにより、最適な特徴の下位集合を決定した。このことは、同一のデータセットに関してテストおよびトレーニングを行うことによって行われた。このステップにおいて、最適な特徴を決定するのに適した任意の手法を使用することもできることを理解すべきである。下位集合が見つかった後、これを使用して、データのラウンドロビン評価を行った。この評価では、クラシファイアは１つの画像を除外して、データすべてに関してトレーニングされた。その後、すべての画像においてこのプロセスを繰り返し、全体の結果を記録した。
この方法の決定領域を可視化するために、画像の心肺領域内の各ボクセルに、図９に示されたような出力ラベルを付与した。このケースでは、リンパ節グループのみが示されている。ここでは、肺および気管の近傍の領域内のボクセルすべてにラベリングした後、ラベルにしたがって可視化した。これらのグループは、以下のように階調陰影づけによって表される：白色‐上縦隔
明るい灰色‐Ｎ１
暗い灰色‐下縦隔
黒色‐大動脈画像（ａ）〜（ｃ）は、すべての領域の種々の観察面を示す。画像（ｄ）〜（ｇ）は、個々の領域を参照のために気道および大動脈の中心線にとともに示している。
この可視化は、本方法の直観性を改善するためのツールとしても、クラシファイアおよびモデルの特性を決定するためのツールとしても使用できることを理解すべきである。たとえば各決定領域グループの観察面は、可能性のある過剰なトレーニング、または付加的な目印または特徴の要件を検出するのに役立つ。というのも、同様の位置において一致エラーを補正するために、１つまたは複数の付加的な目印が必要になる場合があるからだ。このような観察面は、どの目印が最も有利であるかを決定するのにも役立つ。さらに、このような観察面を、選択された目印と対応付けされたラベルとの間の新たな相関関係を位置決定するためのツールとして使用することにより、既存のラベル既述を簡略化することができる。
この実施例では、コントラスト強調された１０個のＣＴデータセットを使用して、方法および特徴を評価した。
スキャンは、Siemens Sensation 16 CT scannerによって、０．７５ｍｍのコリメート、０．５ｍｍごとに再構築される０．７５ｍｍの区域で取得された。経験豊富な放射線専門医が、各画像内で可視のリンパ節をマーキングおよびラベリングした。全部で８６個のリンパ節位置がマーキングされた。図１０は、リンパ節グループ分けによって分割されたマーキング済みのリンパ節の円グラフを示す。このデータは、特徴ｆ０〜ｆ２１を評価するのに使用された。
各画像を自動処理することにより、目印を得た。マーキングおよびラベリングされた各リンパ節ごとに、特徴ｆ０〜ｆ２１を計算した。特徴を評価するために、可能なすべての特徴の組み合わせの網羅的な探索を使用して、クラシファイアをトレーニングおよびテストした。８つの特徴が、良好な弁別を行うのに十分であると決定された。特徴の数が大きいほど、同様の精度が得られる。また、特徴の数が小さいほど、過剰トレーニングの可能性が低減される。選択された特徴にラウンドロビンテストを行い、グループ分類で１００％の正解と、部位ラベルで７６％の正解とが得られた。
選択された８つの特徴は、ｆ６，ｆ１０，ｆ１２，ｆ１５，ｆ１８，ｆ１９，ｆ２０，ｆ２１である。
最初の５つの特徴は気道に関するものであり、残りの３つは大動脈に関するものである。この結果は、双方が重要な目印であることを示している。特徴の別の組み合わせも、双方の目印からの情報の同様の混合で同様の結果を示した。
また、個別に使用する場合、位置Ｘと気管分岐部とに基づく角度測定結果である特徴ｆ７が最も有用な単独の特徴であることが決定された。
これは、グループラベリングでは７８％の精度と、部位ラベルでは４８％の精度が得られるという結果を示した。図１から、なぜこのような結果が得られたのかを直観的に理解できることが分かる。主要なグループ分けは、気管分岐部によって大まかに分けられてしまう傾向があるが、同様のことは部位ラベルには当てはまらない。
本発明の実施例によれば、肺癌病期分類処理を改善するために胸部において自動的なリンパ節ラベリングを行うためのシステムおよび方法が開示されている。リンパ節は、身体の大部分において血管および線形の構造に追従する傾向があるので、このような同様のコンセプトを使用して、本システムおよび方法を身体の別の領域にまで拡張することができる。さらに、主要な解剖学的目印の中心線記述は、特徴生成のためのオーバーヘッドを低くするので、システムおよび方法において必要とされる、実行するための処理能力または記憶容量は大きくない。
上記のように、１００％のグループ精度および７６％のリンパ節部位精度の初期の結果が期待される。このことは、２つの中央線目印に由来する８つの特徴を使用するだけで実現された。さらに改善を図るには、付加的なデータセットと、特徴分析と、場合によっては１つまたは２つの付加的な目印とを使用する。たとえば腕頭動脈は、とりわけ上縦隔リンパ節を下位分割するための目印として使用するのを期待される候補に思われる。このような目印は、J.P. Ko, E.A. Drucker, J.A. Shepard, C.F. Mountain, C. Dresler, B. Sabloff, および T.C. McLoudによる『CT depiction of regional nodal stations for lung cancer staging』（AJR Am J Roentgenol. 2000 Mar; 174(3):775-82）に記載されている。この記載内容はすべて、参照によって本願の開示内容に含まれるものとする。肺癌病期分類を行うためには、最終的な病期分類スコアはリンパ節グループに対して、実際の部位ラベルより依存する。このことにより、異常なリンパ節が不適正な部位に分類され、かつ適正なリンパ節グループに分類された場合、この病期分類に影響が及ぼされることはない。このシチュエーションは、とりわけリンパ節のＮ１グループに当てはまる。それゆえ、本発明のこの特定の実施形態の結果はリンパ節部位に関して完璧ではない場合があるにもかかわらず、なお肺癌病期分類を支援することができる。
図９のリンパ節グループ決定領域は、個々のグループが多かれ少なかれ立体的な領域に制約されることを示している。確実ではないが、このことはクラシファイアが過剰トレーニングされていないことを示唆している。使用可能なデータが多いほど、決定面の何らかの変化が、存在する可能性のある過剰トレーニングを示す。図９の画像（ｄ）〜（ｇ）では気道および大動脈の中心線をレンダリングすることにより、これらが決定面に及ぼす影響が示されることを述べておく。決定面は、ラベリング法において特定のエラー位置を検出するためのツールとして使用することができる。また、新たなデータセットによる結果と何らかのラベリングエラーの位置とに依存して付加的な特徴が必要であるか否かを決定するために使用することもできる。
ここで、本発明の幾つかの択一的な実施形態を説明する。まず、付加的な目印を使用して、リンパ節部位ラベルの精度を改善することができる。さらに上記のように、特徴および目印が選択された後、目印を抽出するのに使用される本方法を変更することにより、本方法を異なるモードの画像に適用することができる。上記のことは、単に空間的な特徴のみが使用されるシチュエーションのみに当てはまることを述べておく。非コントラストＣＴデータでは、このことは必然的に、大動脈中心線を識別するために択一的な手法を構成することを含む。ＭＲデータの場合には、気道セグメンテーションを取得するための新規の手法を必要とする場合もある。他のステップはすべて、全く変更しないままにすることができる。
別の択一的な実施形態に、リンパ節の解剖学的名称とともに生検関連の情報を提供する手段がある。このことは典型的には、リンパ節の正確な位置に依存して、経気管的および／または経胸腔的な針吸引／生検、縦隔鏡検査、開胸も含めて、顕著に異なるアプローチを必要とするが、これらの手続きを使用するための指示は、解釈側の放射線専門医に知られていないことが多い。ラベリングの時点で直接、この情報を放射線専門医に供給することにより、病期分類および治療に関して、より多くの情報に基づく決定を行うことができる。
本発明の別の実施形態では、３Ｄ観察面における目印の視覚化を使用して、医師または操作者が迅速にラベルを決定できるようにすることができる。これは手動の手続きであるが、２Ｄ断層をスクロールして、主要な解剖学的目印に対するリンパ節の相対的な位置を決定するより格段に高速である。図２に示されたのと同様のディスプレイをユーザに示すことにより、リンパ節グループ分けの高速な決定が可能になる。基本的に、このプロセスは放射線専門医を、分類を行う位置に置くことになるが、参照用の目印を瞬時に見る付加的な知識を与えることになる。
この実施形態に近い関連性を有するのは、試行的に、より簡略かつ効率的なラベリング基準を供給するために、最も有用な目印または特徴の探索を行うことである。特徴および構造をクラシファイアによって評価することにより、不必要な複雑さを排除するのに使用することができる。たとえば上記の実施で得られた１つの結果は、気管分岐部を有する位置の角度は、最も有用な特徴の１つであることを示している。したがって、別の目印のラベルを決定する際の有効性を迅速に評価するために、別の目印を探索することができる。この結果は、自動的な方法または可視化法に適用することができる。
さらに別の実施形態に、マッピングの反転を使用し、たとえばリンパ節のラベルでは、該ラベルが位置すべきボリュームの領域を決定する実施形態がある。このことは、放射線専門医が特定のリンパ節またはリンパ節グループを検査しなければならないフォローアップ検査を強化するのに使用することができる。画像ボリューム内の適切な領域を直ちに提示することにより、作業フローからナビゲーション的なステップを排除することができる。この実施形態は、特定のリンパ節ラベルで画像内において関心対象の制限された領域を提供することによって、既存のリンパ節の検出およびセグメンテーション法を補完することもできる。
図９は、この実施形態がどのように実現されるかを示している。たとえば図９に示されているように、このような領域は大きい。というのも、この領域はリンパ節グループを表しているからである。したがって、特定のリンパ節部位の領域はそれより小さく、放射線専門医またはアルゴリズムに与えられた領域を確立するために直接使用することができる。さらに、この実施形態と画像レジストレーション法とを結合することにより、フォローアップ検査の場合に、放射線専門医が精確なリンパ節を位置決定することができる。J.B.A. MaintzおよびM. A. Viergeverによる『A survey of medical image registration』第１〜３６頁（Medical Image Analysis 2(1), 1998）に、画像レジストレーション技術の一例が記載されている。この記載内容はすべて、参照によって本願の記載内容とする。この実施形態では、目印だけをレジストレーションに使用し、画像レジストレーションに必要とされる複雑性および時間を削減することができる。
本発明は、種々の形態のハードウェア、ソフトウェア、ファームウェア、特殊用途プロセッサで実現でき、またこれらの組み合わせで実現できることを理解すべきである。１つの実施形態では本発明をソフトウェアで、プログラム記憶装置（たとえば磁気フロッピーディスク、ＲＡＭ、ＣＤＲＯＭ、ＤＶＤ、ＲＯＭおよびフラッシュメモリ）上に実装されたアプリケーションプログラムとして、実現することができる。このアプリケーションプログラムは、任意の適切なアーキテクチャを有する機器にアップロードすることができるか、またはこのような機器によって実行することができる。
また、添付図面に示されたシステム構成要素およびステップのうち幾つかをソフトウェアで具現化することができシステム構成要素間の実際の接続（または処理ステップ間の繋がり）を、本発明をどのようにプログラミングするかに依存して変更することができることも理解すべきである。当分野の通常の知識を有する者であれば、ここで挙げられた本発明の思想を参酌して、本発明のこのような実施または構成、または同様の実施または構成に想到することができる。
また上記説明は、実施形態を例示する代表的なものに過ぎないことも理解すべきである。読み手に対して簡略化するため、上記説明は可能な実施形態の代表的な例に、本発明の基本的思想を説明するための例に焦点を合わせているが、この説明は、可能な変形形態をすべて、排他的に列挙するためのものではない。本発明の特定の部分において択一的な実施形態を挙げなかったこと、また一部で可能な別の未記載の択一的構成が存在することで、これらの択一的な実施形態を放棄したと見なされるべきではない。この他にも、本発明の思想および範囲から逸脱せずに実施できる別のアプリケーションおよび実施形態が存在する。
したがって、本発明をここで詳細に記載された実施形態に限定する意図はない。というのも、上記実施形態の数多くの順序変更および組み合わせ、ならびに上記実施形態に対する非発明的な代替的手段を有する構成も想到することができ、本発明は特許請求の範囲で定義すべきであるからだ。これら未記載の実施形態のうち多数は、明文化された請求の範囲内であり、他も同等のものであることを理解できる。
主要な解剖学的構造に関連して肺癌病期分類を行うためのリンパ節部位を示す。 セグメンテーションされた気道ツリーを、識別されたリンパ節とともに示す。 グループ分けおよび部位によって分類された胸部リンパ節の表を示す。 医療用画像においてリンパ節をラベリングおよび識別するための、本発明の１つの実施例によるシステムを示す。 医療用画像においてリンパ節をラベリングおよび識別するための、本発明の１つの実施例による方法を示す。 本発明の実施例による、得られた気道および大動脈の中心線を、リンパ節位置および特徴ベクトルとともに示す。 リンパ節位置を特徴づけるための本発明の１つの実施例による特徴を示す。 医療用画像においてリンパ節をラベリングおよび識別するための、本発明の１つの実施例によるシステムのスクリーン写真を示す。 本発明の１つの実施例にしたがって可視化された４つの主要なリンパ節グループの決定領域を示す。 本発明の１つの実施例の実施による、リンパ節グループ分けによって分けられたリンパ節から成る初期グラウンドトゥルーステストデータの円グラフである。
符号の説明
１ 上縦隔リンパ節
２ 大動脈リンパ節
３ 下縦隔リンパ節
４ Ｎ１リンパ節
Ａ 大動脈
ＰＡ 肺動脈
Ｃ 気管分岐部
Ａ 最上縦隔リンパ節
Ｂ 上気管傍リンパ節
Ｃ 下気管傍リンパ節
４１０ パーソナルコンピュータ
４１５ オペレータコンソール
４２０ 有線ネットワークまたは無線ネットワーク
８１０ リンパ節位置
８２０ 解剖学的名称

Claims (22)

  1. 医療用画像においてリンパ節と解剖学的名称とを対応付ける方法において、
    医療用画像において目印を識別し、
    該医療用画像中のリンパ節の位置に対して、該目印に関する特徴を計算し、
    計算された該特徴と分類規則とを比較するクラシファイアを使用して、該リンパ節の位置に対して解剖学的名称を対応付けることを特徴とする方法。
  2. 前記目印は、気道の中心線と大動脈の中心線とを含む、請求項１記載の方法。
  3. 計算された前記特徴には、前記目印上の位置に対するリンパ節の相対的な位置ベクトルが含まれる、請求項１記載の方法。
  4. 計算された前記特徴には、前記目印上の位置に対するリンパ節の距離値が含まれる、請求項１記載の方法。
  5. 前記クラシファイアは、前記分類規則を定義する医療用画像における位置に対応する解剖学的名称のセットを有するモデルを含む、トレーニング方式のサポートベクトルマシン（ＳＶＭ）である、請求項１記載の方法。
  6. コンピュータ断層撮影（ＣＴ）技術、磁気共鳴（ＭＲ）技術または超音波撮像技術を使用して、前記医療用画像を取得する、請求項１記載の方法。
  7. 前記解剖学的名称を前記リンパ節の位置に対応付ける場合、該解剖学的名称に関連する生検関連の情報を供給する、請求項１記載の方法。
  8. 医療用画像においてリンパ節と解剖学的名称とを対応付けるためのシステムにおいて、
    プログラムを記憶するための記憶装置と、該記憶装置と通信するプロセッサとを有し、
    該プロセッサは、
    医療用画像において目印を識別し、
    該医療用画像中のリンパ節の位置に対して、該目印に関する特徴を計算し、
    計算された該特徴と分類規則とを比較するクラシファイアを使用して、該リンパ節の位置に対して解剖学的名称を対応付ける
    ためのプログラムによって動作することを特徴とする方法。
  9. 前記目印は、気道の中心線と大動脈の中心線とを含む、請求項８記載のシステム。
  10. 計算された前記特徴には、前記目印上の位置に対するリンパ節の相対的な位置ベクトルが含まれる、請求項８記載のシステム。
  11. 計算された前記特徴には、前記目印上の位置に対するリンパ節の距離値が含まれる、請求項８記載のシステム。
  12. 前記クラシファイアは、前記分類規則を定義する医療用画像における位置に対応する解剖学的名称のセットを有するモデルを含む、トレーニング方式のサポートベクトルマシン（ＳＶＭ）である、請求項８記載のシステム。
  13. 前記プロセッサはさらに、コンピュータ断層撮影（ＣＴ）技術、磁気共鳴（ＭＲ）技術または超音波撮像技術を使用して、前記医療用画像を取得するためのプログラムによって動作する、請求項８記載のシステム。
  14. 解剖学的名称をリンパ節の位置に対応付ける場合、前記プロセッサはさらに、該解剖学的名称に関連する生検関連の情報を供給するためのプログラムによって動作する、請求項８記載のシステム。
  15. 第１の医療用画像において、リンパ節を含む領域を見つけるための方法において、
    第１の医療用画像において目印を識別し、
    該第１の医療用画像の領域内の位置に対して、該目印に関する特徴を計算して、計算された該特徴と分類規則とを比較するクラシファイアを使用して該位置と解剖学的名称とを対応付け、
    与えられた解剖学的名称に関連する領域を供給することを特徴とする方法。
  16. 位置と解剖学的名称とを第１の医療用画像または第２の医療用画像から得る場合、
    該第２の医療用画像において目印を識別し、
    該第１の医療用画像の目印と該第２の医療用画像の目印との間でレジストレーションを行い、
    与えられた前記解剖学的名称に関連する位置を、該第１の医療用画像および第２の医療用画像のうち他方において供給することを特徴とする、請求項１５記載の方法。
  17. 前記第１の医療用画像の前記領域は、該第１の医療用画像における関心対象の領域の定義によって決定された該第１の医療用画像の一部である、請求項１５記載の方法。
  18. 医療用画像においてリンパ節のラベルを決定する方法において、
    医療用画像において目印を識別し、
    該医療用画像中の該リンパ節のラベルの手動の解釈のために、所与のオブジェクト位置とともに該目印を可視化することを特徴とする方法。
  19. 医療用画像において構造とラベルとを対応付ける方法において、
    該医療用画像において目印を識別し、
    該医療用画像中の構造の位置に対して、該医療用画像の該目印に関する特徴を計算し、
    計算された該特徴と分類規則とを比較するクラシファイアを使用して、該構造の位置に対してラベルを対応付けることを特徴とする方法。
  20. 計算された前記特徴は空間的であり、かつ目印に対して相対的であり、医療用画像内の解剖学的位置の強度値、または構造のモデルである、請求項１９記載の方法。
  21. 前記構造はリンパ節である、請求項１９記載の方法。
  22. 医療用画像においてリンパ節と解剖学的名称とを対応付ける方法において、
    医療用画像において目印を識別し、
    該医療用画像中のリンパ節の位置に対して、該目印に関する特徴を計算し、
    計算された該特徴を使用して、該リンパ節の位置に対して解剖学的名称を対応付けることを特徴とする方法。
JP2007015464A 2006-01-25 2007-01-25 医療用画像においてリンパ節をラベリングおよび識別するためのシステムおよび方法 Withdrawn JP2007216007A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US76202906P 2006-01-25 2006-01-25
US11/624,746 US7804990B2 (en) 2006-01-25 2007-01-19 System and method for labeling and identifying lymph nodes in medical images

Publications (1)

Publication Number Publication Date
JP2007216007A true JP2007216007A (ja) 2007-08-30

Family

ID=38572824

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2007015464A Withdrawn JP2007216007A (ja) 2006-01-25 2007-01-25 医療用画像においてリンパ節をラベリングおよび識別するためのシステムおよび方法

Country Status (3)

Country Link
US (1) US7804990B2 (ja)
JP (1) JP2007216007A (ja)
DE (1) DE102007003260A1 (ja)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009153677A (ja) * 2007-12-26 2009-07-16 Konica Minolta Medical & Graphic Inc 動態画像処理システム
JP2009254600A (ja) * 2008-04-17 2009-11-05 Fujifilm Corp 画像表示装置並びに画像表示制御方法およびプログラム
KR101038729B1 (ko) 2008-08-08 2011-06-03 울산대학교 산학협력단 확산강조영상 기반의 임파절 추출 방법
JP2012000448A (ja) * 2010-05-17 2012-01-05 Toshiba Corp 画像処理装置及びｘ線ｃｔ装置
CN103596854A (zh) * 2011-04-14 2014-02-19 雷蒙德·U·奥萨罗吉亚格本 淋巴结样品收集试剂盒与使用该试剂盒诊断肺癌的病理学分析方法
JP2014521053A (ja) * 2011-06-29 2014-08-25 インナー モンゴリア フルイ メディカル サイエンス カンパニー リミテッド 肝線維症検出装置および検出システム
KR101824691B1 (ko) * 2017-01-05 2018-02-02 서울여자대학교 산학협력단 조영 증강된 다중검출 컴퓨터 단층 촬영 영상에서 정량적 특징 분류를 사용하여 지방이 적은 혈관근지방종과 투명세포 신세포암을 구별하기 위한 방법
CN111553883A (zh) * 2020-03-31 2020-08-18 杭州依图医疗技术有限公司 一种医学影像的处理方法及装置、计算机设备及存储介质
CN111833293A (zh) * 2019-03-26 2020-10-27 西门子医疗有限公司 用于提供淋巴结信息的方法和数据处理系统
JP2021506470A (ja) * 2017-12-20 2021-02-22 ベラソン インコーポレイテッドＶｅｒａｔｈｏｎ Ｉｎｃ． 超音波システムのためのエコー窓のアーチファクト分類及び視覚的インジケータ
JP6863647B1 (ja) * 2020-02-19 2021-04-21 ＴＣＣ Ｍｅｄｉａ Ｌａｂ株式会社 医療画像用のマーキングシステム及びマーキング判定装置

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7873223B2 (en) * 2002-10-15 2011-01-18 Definiens Ag Cognition integrator and language
US8594410B2 (en) 2006-08-28 2013-11-26 Definiens Ag Context driven image mining to generate image-based biomarkers
DE102006020399A1 (de) * 2006-04-28 2007-10-31 Siemens Ag Medizintechnisches Diagnose- und Datenverarbeitungssystem
CN101536001B (zh) * 2006-08-11 2014-09-10 皇家飞利浦电子股份有限公司 用于有效诊断的与解剖有关的随图像环境而定的应用
US20090024022A1 (en) * 2006-10-25 2009-01-22 Siemens Corporate Research, Inc. System and method for lymph node imaging using co-registration of ct and mr imagery
US8989468B2 (en) 2007-05-25 2015-03-24 Definiens Ag Generating an anatomical model using a rule-based segmentation and classification process
WO2009103046A2 (en) * 2008-02-14 2009-08-20 The Penn State Research Foundation Medical image reporting system and method
GB0803064D0 (en) * 2008-02-20 2008-03-26 Siemens Medical Solutions System for defining volumes of interest with reference to anatomical features
DE102008013908B4 (de) * 2008-03-12 2016-11-03 Siemens Healthcare Gmbh Automatische Positionsklassifizierung eines Gewebemerkmals und/oder Objekts in einem Hohlorgan
US8577108B2 (en) 2008-08-13 2013-11-05 Carestream Health, Inc. Method for detecting anatomical structures
US8189886B2 (en) 2008-08-13 2012-05-29 Carestream Health, Inc. Method for detecting anatomical structures
US8385688B2 (en) 2008-08-27 2013-02-26 International Business Machines Corporation System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans
JP5583128B2 (ja) * 2008-10-01 2014-09-03 コーニンクレッカ フィリップス エヌ ヴェ 医用画像シーケンスのスナップショットの選択
US8442330B2 (en) 2009-03-31 2013-05-14 Nbcuniversal Media, Llc System and method for automatic landmark labeling with minimal supervision
JP5352738B2 (ja) * 2009-07-01 2013-11-27 本田技研工業株式会社 ３次元モデルを使用した物体認識
EP2454720B1 (en) * 2009-07-17 2019-11-27 Koninklijke Philips N.V. Multi-modality breast imaging
WO2012035492A1 (en) 2010-09-15 2012-03-22 Koninklijke Philips Electronics N.V. Robotic control of an endoscope from blood vessel tree images
DE102011076233B4 (de) * 2011-02-09 2013-04-18 Siemens Aktiengesellschaft Verfahren und Computersystem zur Erkennung einer statistisch relevanten Normvariante der Gefaßstruktur eines Patienten mit Hilfe tomographischer Bilddatensatze
EP2751726B1 (en) * 2011-09-13 2019-10-09 Koninklijke Philips N.V. Vessel annotator
US10588597B2 (en) 2012-12-31 2020-03-17 Intuitive Surgical Operations, Inc. Systems and methods for interventional procedure planning
US9113781B2 (en) * 2013-02-07 2015-08-25 Siemens Aktiengesellschaft Method and system for on-site learning of landmark detection models for end user-specific diagnostic medical image reading
US9855114B2 (en) * 2013-05-21 2018-01-02 Carestream Health, Inc. Method and system for user interaction in 3-D cephalometric analysis
US10154826B2 (en) 2013-07-17 2018-12-18 Tissue Differentiation Intelligence, Llc Device and method for identifying anatomical structures
US10716536B2 (en) 2013-07-17 2020-07-21 Tissue Differentiation Intelligence, Llc Identifying anatomical structures
DE102014213408B4 (de) * 2014-07-10 2018-10-25 Siemens Healthcare Gmbh Verfahren zur Ermittlung eines dreidimensionalen Modelldatensatzes eines wenigstens ein Gefäßsegment umfassenden Blutgefäßsystems
US9740710B2 (en) * 2014-09-02 2017-08-22 Elekta Inc. Systems and methods for segmenting medical images based on anatomical landmark-based features
US11986341B1 (en) 2016-05-26 2024-05-21 Tissue Differentiation Intelligence, Llc Methods for accessing spinal column using B-mode imaging to determine a trajectory without penetrating the the patient's anatomy
US11701086B1 (en) 2016-06-21 2023-07-18 Tissue Differentiation Intelligence, Llc Methods and systems for improved nerve detection
US11514571B2 (en) * 2018-12-17 2022-11-29 Siemens Healthcare Gmbh Hierarchical analysis of medical images for identifying and assessing lymph nodes
BR112021020451A2 (pt) 2019-04-11 2022-03-08 Univ Pittsburgh Commonwealth Sys Higher Education Procedimento para o transplante de célula minimamente invasivo para induzir o desenvolvimento de organogênese in vivo
KR102057277B1 (ko) 2019-05-14 2019-12-18 주식회사 코어라인소프트 의료 영상의 정량화 및 분석에 기반한 빅데이터 데이터베이스를 구축하기 위한 서버 및 서버 기반의 의료 영상 분석 방법
KR102318959B1 (ko) * 2019-09-10 2021-10-27 계명대학교 산학협력단 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 의료 영상 분석 장치
US11923070B2 (en) 2019-11-28 2024-03-05 Braid Health Inc. Automated visual reporting technique for medical imaging processing system
DE112020005870T5 (de) * 2019-11-29 2022-11-03 Fujifilm Corporation Unterstützungsvorrichtung für dokumentenerstellung, unterstützungsverfahren für dokumentenerstellung und unterstützungsprogramm für dokumentenerstellung
KR102516154B1 (ko) 2019-12-31 2023-03-30 주식회사 코어라인소프트 정량화 파라미터를 이용하는 의료 영상 분석 시스템 및 유사 증례 검색 시스템, 및 그 시스템에서 실행되는 방법
CN111583177B (zh) * 2020-03-31 2023-08-04 杭州依图医疗技术有限公司 一种医学影像的显示方法及装置、存储介质
CN111951309B (zh) * 2020-06-30 2024-01-30 杭州依图医疗技术有限公司 一种淋巴结配准方法及装置、计算机设备及存储介质
CN112488993A (zh) * 2020-11-16 2021-03-12 杭州依图医疗技术有限公司 肺癌tnm分期获取方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7117188B2 (en) * 1998-05-01 2006-10-03 Health Discovery Corporation Methods of identifying patterns in biological systems and uses thereof
US6829379B1 (en) * 2000-11-27 2004-12-07 Ge Medical Systems Global Technology Company, Llc Methods and apparatus to assist and facilitate vessel analysis
US7225011B2 (en) * 2001-04-02 2007-05-29 Koninklijke Philips Electronics, N.V. Heart modeling using a template

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009153677A (ja) * 2007-12-26 2009-07-16 Konica Minolta Medical & Graphic Inc 動態画像処理システム
JP2009254600A (ja) * 2008-04-17 2009-11-05 Fujifilm Corp 画像表示装置並びに画像表示制御方法およびプログラム
KR101038729B1 (ko) 2008-08-08 2011-06-03 울산대학교 산학협력단 확산강조영상 기반의 임파절 추출 방법
JP2012000448A (ja) * 2010-05-17 2012-01-05 Toshiba Corp 画像処理装置及びｘ線ｃｔ装置
CN103596854A (zh) * 2011-04-14 2014-02-19 雷蒙德·U·奥萨罗吉亚格本 淋巴结样品收集试剂盒与使用该试剂盒诊断肺癌的病理学分析方法
JP2014521053A (ja) * 2011-06-29 2014-08-25 インナー モンゴリア フルイ メディカル サイエンス カンパニー リミテッド 肝線維症検出装置および検出システム
KR101824691B1 (ko) * 2017-01-05 2018-02-02 서울여자대학교 산학협력단 조영 증강된 다중검출 컴퓨터 단층 촬영 영상에서 정량적 특징 분류를 사용하여 지방이 적은 혈관근지방종과 투명세포 신세포암을 구별하기 위한 방법
JP2021506470A (ja) * 2017-12-20 2021-02-22 ベラソン インコーポレイテッドＶｅｒａｔｈｏｎ Ｉｎｃ． 超音波システムのためのエコー窓のアーチファクト分類及び視覚的インジケータ
JP7022217B2 (ja) 2017-12-20 2022-02-17 ベラソン インコーポレイテッド 超音波システムのためのエコー窓のアーチファクト分類及び視覚的インジケータ
CN111833293A (zh) * 2019-03-26 2020-10-27 西门子医疗有限公司 用于提供淋巴结信息的方法和数据处理系统
CN111833293B (zh) * 2019-03-26 2024-05-28 西门子医疗有限公司 用于提供淋巴结信息的方法和数据处理系统
JP6863647B1 (ja) * 2020-02-19 2021-04-21 ＴＣＣ Ｍｅｄｉａ Ｌａｂ株式会社 医療画像用のマーキングシステム及びマーキング判定装置
CN111553883A (zh) * 2020-03-31 2020-08-18 杭州依图医疗技术有限公司 一种医学影像的处理方法及装置、计算机设备及存储介质

Also Published As

Publication number Publication date
US20070237373A1 (en) 2007-10-11
DE102007003260A1 (de) 2007-10-31
US7804990B2 (en) 2010-09-28

Similar Documents

Publication Publication Date Title
US7804990B2 (en) System and method for labeling and identifying lymph nodes in medical images
US11823431B2 (en) System and method for detecting trachea
Li et al. Optimal surface segmentation in volumetric images-a graph-theoretic approach
US8150113B2 (en) Method for lung lesion location identification
US8155403B2 (en) Methods and devices for airway tree labeling and/or matching
JP5597429B2 (ja) 医用画像処理装置および方法、並びにプログラム
JP5011426B2 (ja) 画像診断支援装置、方法及びプログラム
EP2244633A2 (en) Medical image reporting system and method
JP2008259622A (ja) レポート作成支援装置およびそのプログラム
EP1865464A2 (en) Processing device and program product for computer-aided image diagnosis
JP2007061622A (ja) 気道内腔の直径、気道壁の厚さおよび気管支動脈比を使用して多断面コンピュータ断層撮影（ｍｓｃｔ）イメージデータの自動的な気道評価を行うためのシステムおよび方法
Gibbs et al. 3D MDCT-based system for planning peripheral bronchoscopic procedures
US12051156B2 (en) System and method for linking a segmentation graph to volumetric data
WO2020209382A1 (ja) 医療文書作成装置、方法およびプログラム
JP2007061635A (ja) 気道内腔の大きさおよび気道壁の厚さを求めるためのシステムおよび方法
Perchet et al. Advanced navigation tools for virtual bronchoscopy
JP2017189394A (ja) 情報処理装置および情報処理システム
Kiraly et al. Novel method and applications for labeling and identifying lymph nodes
JP2007090064A (ja) 気道及び動脈を定量分析のためにグループ化するためのシステム及び方法
Drechsler et al. Semi‐Automatic Anatomical Tree Matching for Landmark‐Based Elastic Registration of Liver Volumes
Schaap Quantitative Image Analysis in Cardiac CT Angiography
Moerth Scaling Up Medical Visualization: Multi-Modal, Multi-Patient, and Multi-Audience Approaches for Medical Data Exploration, Analysis and Communication
Borras et al. A validation benchmark for assessment of medial surface quality for medical applications

Legal Events

Date Code Title Description
A300 Application deemed to be withdrawn because no request for examination was validly filed

Free format text: JAPANESE INTERMEDIATE CODE: A300

Effective date: 20100406