JP2007524438A - 放射線画像処理技術における補償の方法 - Google Patents

Abstract

本発明は、Ｘ線画像解析の方法および装置に関する。本発明は、特に、Ｘ線画像から、骨格およびマクロ解剖学的パラメータを正確かつ確実に評価可能な装置、方法、および、アルゴリズムを供する。

Description

本発明は、撮像術およびその分析に関する分野に属する。本発明は、特に、画像を正確に分析することにより骨ミネラル密度(bone mineral density)および／または骨格（骨構造）(bone structure)を決定するための方法および構成に関する。

骨粗鬆症(osteoporosis)は、数百万のアメリカ人を冒している症状である。骨粗鬆症とは、低骨重(low bone mass)および骨組織のミクロ（微細）構造の劣化を特徴とし、結果として骨の脆弱性および骨折の可能性が増加する症状を指す。一般に骨粗鬆症は、骨ミネラル密度の減少ならびに骨の構造上の特性およびミクロ構造の劣化のために椎骨骨折(vertebral fractures)または股関節部骨折(hip fracture)を生じさせる。

画像化技術は、特に骨に関連した症例にとっては、重要な診断ツールである。骨粗鬆症診断のための骨格の非侵襲的アセスメント（評価）または骨折の危険性の増大を評価するために、現在利用することができる技術には、二重Ｘ線吸光光度分析法(dual x-ray absorptiometry)（ＤＸＡ）（イーステルら(Eastell et al. )(1998) New Engl J. Med 338:736-746（非特許文献１））、定量的コンピュータ断層撮影法(quantitative computed tomography)（ＱＣＴ）（カン(Cann)(1988) Radiology 166:509-522（非特許文献２））、周辺ＤＸＡ(peripheral DXA)（ｐＤＸＡ）（パーテルら(Patel et al.)(1999) J Clin Densitom 2:397-401（非特許文献３））、末梢ＱＣＴ(peripheral QCT)（ｐＱＣＴ）（グルーエルら(Gluer et al.)(1997) Semin Nucl Med 27:229-247（非特許文献４））、Ｘ線画像吸光光度分析法(x-ray image absorptiometry)（ＲＡ）（非特許文献４）、および、定量的超音波診断法(quantitative ultrasound)（ＱＵＳ）（ニエら(Njeh et al.)"Quantitative Ultrasound: Assessment of Osteroporosis and Bone Status" 1999, Martin-Dunitz, London England（非特許文献５）、米国特許第６，０７７，２２４号（特許文献１）（参照により全て本願に含まれる。））、を含む。（また、国際公開ＷＯ９９／４５８４５号（特許文献２）、国際公開ＷＯ９９／０８５９７号（特許文献３）、および、米国特許第６，２４６，７４５号（特許文献４）を参照されたい。）

脊椎および股関節部のＤＸＡは、最も広く使用されるＢＭＤ(bone mineral density)測定法としての地位を有する。（トシル、Ｐ．およびＤ．Ｗ．パイ(Tothill, P and D. W. Pye)(1992) Br J Radiol 65:807-813（非特許文献６））ＤＸＡの背後にある基本原理は、２つの異なる光子エネルギーレベルを有するＸ線の人体透過測定である。減衰係数は原子番号および光子エネルギに依存するため、２つのエネルギーレベルにおいて透過率を計測することにより、異なる２種の組織の面密度（つまり、単位投影面積あたりの質量）を推測することが可能である。ＤＸＡスキャンにおいては、これらの２つの組織はそれぞれ、骨ミネラル（ヒドロキシアパタイト(hydroxyapatite)）と軟組織(soft tissue)に設定される。しかしながら、ＤＸＡスキャンの正確性は、軟組織の変動的な組成により制限を受けることが広く知られている。水素含有量がより高い脂肪の減衰係数は、赤身(lean tissue)の減衰係数と異なる。複数の研究結果によれば、隣接する軟組織参照エリアと比較して骨を通るＸ線ビームの経路内の軟組織の組成が異なるとＢＭＤ測定に誤差が生じる。（非特許文献６、および、スベンセン、Ｏ．Ｌ．ら(Svendsen, O. L., et al.)(1995) J Bone Mine Res 10:868-873（非特許文献７））さらに、ＤＸＡシステムは、大きくかつ高価、７５，０００ドルから１５０，０００ドルに渡る、である。

通常、定量的コンピュータ断層撮影法（ＱＣＴ）は椎体(vertebral bodies)の骨梁(trabecular bone)の測定に用いる。（非特許文献２）一般に、ＱＣＴによる検査は、誤差の主要原因が骨髄の変動的組成にある場合、単一ｋＶ設定(single kV setting)を用いて実施される（シングル・エネルギＱＣＴ）。しかしながら、二重ＫＶスキャン(dual-kV scan)を実施することも可能である（デュアル・エネルギＱＣＴ）。これにより、利便性の低下および放射線量の増大という犠牲を負うものの、精度誤差は減少する。しかしながら、ＱＣＴは、ＤＸＡのように、非常に高価であり、目下、使用に供される設備も僅かの研究センタに限定されている。

定量的超音波診断法（ＱＵＳ）は、周辺部の骨格(peripheral skeleton)を測定するための技術である。ニエら(Njeh et al.)(1997)Osteoporosis Int 7:7-22（非特許文献８）、ニエら(Njeh et al.)Quantitative Ultrasound: Assessment of Osteoporosis and Bone Status. 1999, London, England: Martin Dunitz（非特許文献９）。広範多岐にわたる設備機器が入手可能である。殆どの装置はかかとを測定部位に用いている。骨を透過する超音波パルス(sonographic puluse)は、信号が梁柱(trabeculae)により散乱および吸収されるために、大きく減衰する。減衰は周波数とともに線形で増加し、この関係性の傾きを広帯域超音波減衰(broadband ultrasonic attenuation)（ＢＵＡ、単位［ｄＢ／ＭＨｚ］）と称する。骨粗鬆症を患っている患者ではＢＵＡが減少する。その理由は、信号の減衰に資する踵骨内の梁柱(trabeculae)が殆どないためである。ＢＵＡに加え、殆どのＱＵＳシステムにおいては踵部における音速(speed of sound)（ＳＯＳ）も測定する。この測定は、超音波トランスデューサ(sonographic transducer)間距離を伝搬時間で除する（単位［ｍ／ｓ］）ことでなされる。骨粗鬆症患者においては、ＳＯＳ値は減少する。その理由は鉱化した骨(mineralized bone)の減少に伴い骨の弾性率が低下するためである。しかしながら、ＱＵＳ測定には幾つかの制限が存在する。若年の患者に対する骨折の危険性の予測におけるＱＵＳの成否はいまだ不明である。ＱＵＳ測定に関わる別の困難性としては骨粗鬆症および骨減少症に関するＷＨＯの定義の範囲を網羅することが容易でないことである。さらには、治療適応判断基準(intervention thresholds)が形成されていない。よって、治療法に対する意志決定に用いることができない。

さらには、ＱＵＳに対する技術的な制限も存在する。多くの装置では患者の踵を固定したトランスデューサの間に位置合わせするフット・サポートを使用する。そのため、異なる大きさ、形状の踵骨に対し測定の位置を適応させることは容易ではなく、測定にかかる精確な解剖学的な位置は患者毎に変化する。一般的に認識されていることだが、ＱＵＳ測定は比較的不正確なため、多くの装置は患者の治療に対する反応のモニタリングに適さない。グルーエル(Gluer)(1997) J Bone Min Res 12:1280-1288（非特許文献１０）。

放射線吸光光度分析法(radiographic absorptiometry)（ＲＡ）は手の骨密度を評価するため古くに開発された手法であるが、本手法は最近になって再び多くの関心を惹き付けている。（非特許文献４）。本手法を用いて指骨(phalanges)内のＢＭＤが測定される。手に対するＲＡの原理的な不利点は高代謝回転の骨梁(high turnover trabecular bone)が相対的に不足している点である。そのため、手のＲＡは骨粗鬆症を検出する感度（有病正診度）が限定的であり、治療効果により誘導された変化をモニタリングするにはさほど有用ではない。

上述にあるような周辺Ｘ線吸光光度分析法(peripheral x-ray absorptiometry method)は、ＤＸＡやＱＣＴよりもかなり安価であり、システム価格は１５，０００ドルから３５，０００ドルの範囲である。しかしながら、周辺ＢＭＤ測定(peripheral BMD measurements)の脊椎および股関節部の骨折の予測に対する識別能は、脊椎および股関節部ＢＭＤ測定(spine and hip BMD measurements)を用いた場合よりも低いことが疫学的研究により示されている。カミングスら(Cummings et al.)(1993) Lancet 341:72-75（非特許文献１１）、マーシャルら(Marshall et al.)(1996) Br Med J 312:1254-1259（非特許文献１２）。このことの主な理由は、これらの手法において測定に用いられる測定位置における骨梁の不足である。加えて、ホルモン補充療法(hormone replacement therapy)、ビスフォスフォネート(bisphosphonates)、および、選択的エストロゲン受容体調節物質(selective estrogen receptor modulators)に対する前腕または手のＢＭＤ(forearm or hand BMD)の変化は比較的小さいため、これらの測定法は、主として骨梁を計測する手法よりも、治療に対する反応のモニタリングに適さない。フォークナー(Folkner)(1998) J Clin Densitom 1:279-285（非特許文献１３）、ホスキングスら(Hoskingus et al.)(1998) N Engl J Med 338:485-492（非特許文献１４）。歯科Ｘ線(dental x-rays)を用いて骨ミネラル密度に関する情報を求める試みがなされたが、これらの試みからは正確かつ信頼性のある結果を得ることはできなかった（例えば、シュラウトら(Shrout et al.)(2000) J. Periodonol. 71:335-340（非特許文献１５）、フェアホーベンら(Verhoeven et al.)(1998) Clin Oral Implants Res 9(5):333-342（非特許文献１６）参照。）。

また、現行の方法および装置は一般に、骨格（骨の構造）分析(bone structure analysis)を考慮していない。例えば、ルッチマンら(Ruttiman et al.)(1992) Oral Surg Oral Med Oral Pathol 74:98-110（非特許文献１７）、サザード・アンド・サザード(Southard & Southard)(1992) Oral Surg Oral Med Oral Pthol 73:751-9（非特許文献１８）、ホワイト・アンド・ルドルフ(White & Rudolph)(1999) Oral Surg Oral Med Oral Pathol Oral Radiol Endod 88:628-35（非特許文献１９）参照。
米国特許第６，０７７，２２４号明細書 国際公開ＷＯ９９／４５８４５号パンフレット 国際公開ＷＯ９９／０８５９７号パンフレット 米国特許第６，２４６，７４５号明細書 イーステルら(Eastell et al. )(1998) New Engl J. Med 338:736-746 カン(Cann)(1988) Radiology 166:509-522 パーテルら(Patel et al.)(1999) J Clin Densitom 2:397-401 グルーエルら(Gluer et al.)(1997) Semin Nucl Med 27:229-247 ニエら(Njeh et al.)"Quantitative Ultrasound: Assessment of Osteroporosis and Bone Status" 1999, Martin-Dunitz, London England トシル、Ｐ．およびＤ．Ｗ．パイ(Tothill, P and D. W. Pye)(1992) Br J Radiol 65:807-813 スベンセン、Ｏ．Ｌ．ら(Svendsen, O. L., et al.)(1995) J Bone Mine Res 10:868-873 ニエら(Njeh et al.)(1997)Osteoporosis Int 7:7-22 ニエら(Njeh et al.)Quantitative Ultrasound: Assessment of Osteoporosis and Bone Status. 1999, London, England: Martin Dunitz グルーエル(Gluer)(1997) J Bone Min Res 12:1280-1288 カミングスら(Cummings et al.)(1993) Lancet 341:72-75 マーシャルら(Marshall et al.)(1996) Br Med J 312:1254-1259 フォークナー(Folkner)(1998) J Clin Densitom 1:279-285 ホスキングスら(Hoskingus et al.)(1998) N Engl J Med 338:485-492 シュラウトら(Shrout et al.)(2000) J. Periodonol. 71:335-340 フェアホーベンら(Verhoeven et al.)(1998) Clin Oral Implants Res 9(5):333-342 ルッチマンら(Ruttiman et al.)(1992) Oral Surg Oral Med Oral Pathol 74:98-110 サザード・アンド・サザード(Southard & Southard)(1992) Oral Surg Oral Med Oral Pthol 73:751-9 ホワイト・アンド・ルドルフ(White & Rudolph)(1999) Oral Surg Oral Med Oral Pathol Oral Radiol Endod 88:628-35

しかして、骨を評価するための数多くの装置および方法が存在するが、これらの装置および方法には制限が数多くある。そのため、本願の発明者は、とりわけ画像（例えば放射線画像）およびデータから骨ミネラル密度および骨格（骨構造）に対する正確な情報を得ることができる方法および構成を提供する必要性を感じていた。

本発明は、その一の態様においては、画像より１つまたは複数のパラメータに関する情報を導出する方法を提供する。この方法は、（ａ）被写体から骨の含まれる画像を取得するステップ、（ｂ）画像より２つまたはより多くの関心領域(regions of interest)（ＲＯＩｓ）を定めるステップ、および（ｃ）ＲＯＩｓ内の複数の位置を分析し、骨の微細構造(bone microarchitecture)、骨のマクロ解剖学的構造(bone macro-anatomy)、生体力学的パラメータ(biomechanical parameters)、および、これらの組み合わせを含むグループから選択した１つまたは複数のＲＯＩｓのパラメータを決定するステップを含む。ある実施形態においては、ＲＯＩｓは重なり合っている。ＲＯＩｓ内における分析される位置は、互いに規則的な間隔であっても、互いに不規則な間隔であってもよい。しかして、ある実施形態においては、本方法は、骨の微細構造を決定するステップを含み、それは例えば規則的な間隔を置いた位置を分析することによりなされる。他の実施形態においては、本方法は、骨のマクロ解剖学的構造を決定するステップを含み、それは例えば画像内において不規則な間隔を置いた位置を分析することによりなされる。

本願明細書に含まれる方法はいずれにおいても、画像は、２次元的（２Ｄ）または３次元的（３Ｄ）画像であってよい。画像は、Ｘ線、ＭＲＩ画像、ＣＡＴスキャン画像、または骨を含むその他の画像であってよい。いずれの方法においても、画像は電子的な画像(electronic image)であってよい。

本願記載の方法はいずれにおいても、被写体は、例えば、骨粗鬆症の被験者とすることができる。

本発明は、他の態様においては、１つまたは複数の骨のパラメータのマップを生成する方法に関する。この方法は、（ａ）本願に記載の方法のいずれかにより骨のパラメータに関する情報を取得するステップ、および（ｂ）類似するパラメータ特性を示す画像領域を特定し、よって画像のパラメータ・マップを作成するステップを含む。

本発明は、さらに別の態様においては、被写体における骨折の進路(fracture path)を予測する方法を提供する。この方法は、（ａ）本願明細書に記載のパラメータ・マップを作成する方法のいずれかにより複数のパラメータ・マップを作成するステップ、（ｂ）ステップ（ａ）の複数のパラメータ・マップから合成パラメータ・マップを作成するステップ、および（ｃ）その合成パラメータ・マップを分析して起こりうる骨折進路を特定するステップを含む。

本発明は、さらに別の態様においては、被写体の骨折進路を予測する方法を含む。この方法は、（ａ）本願明細書に記載の方法のいずれかによりもたらされる１つまたは複数のパラメータ・マップを分析するステップであって、そのステップにおける分析が強度による（ウォーターシェッド）セグメンテーション解析(watershed segmentation analysis)もしくはマルコフ・ランダム場解析であるステップ、および（ｃ）ステップ（ａ）の解析に基づいて起こりうる骨折進路を特定し、被写体の骨折進路を予測するステップを含む。

本発明は、他の態様においては、被写体の骨折の危険性を予測する方法を含む。この方法は、（ａ）本願明細書に記載のいずれかの方法により取得した１つまたは複数のパラメータ・マップから有限要素モデルを作成するステップ、（ｂ）（複数の）ステップで作成された有限要素モデルに対し、骨折事象(fracture incident)において生じるであろうシミュレーション力ベクトル(simulated force vectors)を適用するステップ、および（ｃ）骨折に至るに要する最小の力を決定し、それより骨折の危険性を予測するステップを含む。

本発明は、またさらに別の態様においては、被写体の骨折の危険性を決定する方法を含む。この方法は、（ａ）本願明細書に記載の骨折進路を予測する方法のいずれかにより骨折進路を予測するステップ、（ｂ）予測した骨折進路に沿って、１つまたは複数の選択した骨のパラメータを評価して骨折の危険性を推定するステップを含む。

本発明は、他の態様においては、骨の疾病を有する被写体を処置する方法を含む。この方法は、（ａ）被写体の画像を取得するステップ、（ｂ）本願明細書に記載のいずれかの方法を用いてステップ（ａ）で取得した画像を分析するステップ、（ｃ）ステップ（ｂ）の分析に基づいて骨の疾病を診断するステップ、および（ｄ）診断に基づいて被写体に対する適切な処置を選択し施すステップを含む。

以下、当該分野の技能を有する者が本発明を実施し使用することができるように本発明を説明する。記載の実施形態に関するあらゆる変形は、当該分野の技能を有する者であれば容易である。本発明の思想および範囲から逸脱することなく本願の定める一般原理を他の実施形態および用途に適用することは可能である。よって、本発明を記載の実施形態に限定する意図はなく、本発明は本願に記載および図示されている原理および特徴と矛盾しない範囲で最も広い範囲と一致する。本願の開示する発明を完全に理解するために必要な範囲において、本願に記載の登録特許、公開特許、および特許出願の明細書および図面は参照により本願に含まれる。

特に明示がない限りにおいて、本発明を実施するにあたり当該分野の画像化および画像処理に関する従来の方法を利用する。これらの技術は全て文献に記載されている。例えば、国際公開ＷＯ第０２／２２０１４号パンフレット（参照により本願にその全てを含む。）、X-Ray Structure Determination: A Practical Guide, 2nd Edition,スタウトとエンセン編(editors Stout and Jensen), 1989, 出版者 John Wiley & Sons, publisher、Body CT: A Practical Approach, スローン編 (editor Slone), 1999, 出版者 McGraw-Hill publisher、The Essential Physics of Medical Imaging,ブッシュベルク、ザイベルト、ライホールトＪｒ、および、ブーネ編 (editors Bushberg, Seibert, Leidholdt Jr & Boone), 2002, 出版者 Lippincott, Williams & Wilkins、X-ray Diagnosis: A Physician's Approach, ラム編 (editor Lam), 1998, 出版者 Springer-Verlag, publisher、および Dental Radiology: Understanding the X-Ray Image, レティティア・ブロックルバンク編 (editor Laetitia Brocklebank), 1997, 出版者 Oxford University Press publisherを参照されたい。

画像分析に有用な方法および構成体について説明する。特に、本発明は骨ミネラル密度および／または骨格に関する情報を、画像から取得および／または導出する方法を含む。さらには、本発明は、骨格の決定に用いる正確なキャリブレーションファントムの提供、および、これらキャリブレーションファントムの使用方法を含む。特に、本発明は初めて、骨密度および／もしくは骨格の歯科または股関節部Ｘ線における精査場所の間違い(misplacement)より生起する誤差はＸ線チューブ、ディテクタ、および／またはキャリブレーションリファレンスを解剖学的ランドマーク（または解剖学的関心領域）に対して位置合わせ(positioning)することで補正することが可能であることを見出した。

本発明は、その効果に、（ｉ）利用容易かつ高信頼性Ｘ線分析手段の提供（ｉｉ）骨格およびマクロ解剖学的構造の無侵襲測定法の提供（ｉｉｉ）骨状態(bone condition)（例えば、骨粗鬆症、骨折危険度）の診断法の提供（ｉｖ）これら方法の高費用効果的な提供、を含み、かつ、それらに限られない。

１．０． 画像からのデータの取得
周知技術を用いることにより、様々な現場において画像を取得することが可能である。データを取得可能な画像の取得に適当な画像化技術の非限定的例としては、超音波法、ＣＡＴスキャン、ＭＲＩ等がある。「Primer of Diagnostic Imaging」３版 (3rd edition), ワイスレダーら(Weissleder et al.)(2002), Mosby Press、および国際公開ＷＯ第０２／２２０１４号パンフレットを参照されたい。

ある態様においては、２Ｄ平面Ｘ線画像化技術(2D planer x-ray imaging technique)を用いる。２Ｄ平面Ｘ線画像化法は、Ｘ線光線を人体または構造または材料に透過させて人体または構造または材料の反対側におけるＸ線の減衰を測定することにより画像を作成する方法である。２Ｄ平面Ｘ線画像化法は、コンピュータ断層撮影法や（核）磁気共鳴映像法(magnetic resonance imaging)といった断層画像化技術とは区別される。従来のＸ線フィルムを用いて画像を取得した場合、適当なスキャン装置を用いてＸ線をデジタル化することができる。デジタル化されたＸ線画像は例えばインターネットといったネットワーク化されたシステムを介して遠隔のコンピュータまたはサーバに送ることができる。自明のことだが、Ｘ線画像を、例えば輝尽性蛍光体検出システム(photostimulable phosphor detector system)、または、セレンもしくはシリコン検出システムといったデジタル的収集技術を用いて取得することも可能であり、Ｘ線画像情報はネットワークを介して容易に送信することが可能なデジタルフォーマットですぐに入手することができる。別の実施形態においては、例えば３Ｄ画像化技術の使用および／または２Ｄ画像からの３Ｄ画像の作成により３Ｄ画像を取得することができる。

デジタル化Ｘ線および従来的Ｘ線フィルム（市販のフラットベッドスキャナを用いてデジタル化することができる。）を含みかつこれらに限定されないあらゆる画像をしようすることができる。ある実施形態においては、例えばＸ線画像は股関節部領域に関するものである。これは、標準的デジタル化Ｘ線設備（コダック・ダイレクトビューＤＲ９０００、ニューヨーク、ロチェスター、コダック(Kodak DirectView DR9000, Kodak, Rochester, NY)）を用いて撮影された。一般に、患者は仰臥位でＸ線テーブルにのり、テーブルの長手に平行になって、腕を胴体のそばで平行にする。被写体である足部はつま先を上方に向けたニュートラルポジションもしくは内旋(internal rotation)させて置かれてよく、または、フットホルダに置かれ、ニュートラルポジション（０度回転）もしくはニュートラルに対して所望の回転角（内側もしくは外側）にされてもよい（後文における例８を参照されたい。）。このような目的でのフットホルダに適当なものとしては、例えば、足部から延びるベースプレートがある。このベースプレートは例えば遠位大腿部、大腿部中央あたりから踵にかけて延びている。このベースプレートはＸ線テーブル上に乗っていることが望ましい。患者の足部は、踵の後部側(posterior aspect)がベースプレートの上端に位置するように位置合わせされる。足部の中間部(medial aspect)は、適当な手段（例えば、ストラップ(strap)、ベルクロ(velcro)、プラスチック、テープ等）で９０度の角度でベースプレートにしっかりと固定された中間ガイド(medial guide)に置かれる。摺動機構(sliding mechanism)でベースプレートに９０度の角度で取り付けられた第２の、側面ガイド(lateral guide)は、足部の側部に向かって移動することができ、ある位置、例えば足部の側部に接触した状態、でロックされる。フットホルダを使用することで骨格のパラメータ(bone structure parameter)またはマクロ解剖学的(macro-anatomical)および／もしくは生体力学的(biomechanical)パラメータの測定の再現性が向上する。

当該分野の技能を有する者であればわかるように患者または被写体はあらゆる温血動物であってよい。患者または被写体は一般には哺乳類である。よって、患者または被写体は、例えば、ヒト、チンパンジーやその他の類人猿およびサル種といったヒト以外の霊長類、牛、羊、山羊、および馬といった家畜、犬や猫といった家畜哺乳類、ハツカネズミ、ネズミ、およびテンジクネズミといった齧歯類を含む実験動物等を含む。必要に応じて本発明の範囲を逸脱することなく本願明細書に記載の手続をその他の非哺乳類に対して行うことが可能である。

当該分野の技能を有する者であればわかるようにマクロ解剖学的パラメータは一般に、骨および／または周囲の構造(surrounding structure)の形状(shape)、サイズ、または、厚さを表す。多くの場合においては、一般的なパラメータは、少なくとも一の次元において０．５ミリメートルよりも大きなサイズを有する。但し、このことが必要というわけではない。一般に、股関節においてマクロ解剖学的パラメータは、大腿骨幹皮質(femoral shaft cortex)の厚さ、大腿骨頸部皮質 (femoral neck cortex) の厚さ、皮質の幅(cortical width)、骨盤軸(hip axis)の長さ、ＣＣＤ（頭(caput)−頸(collum)−骨幹(diaphysis)）の角、頸(neck)−幹(shaft)角、および転子領域(trochanteric region)の幅を含む。脊椎部においては、マクロ解剖学的パラメータは、上位および下位終板(superior and inferior endplate)の厚さ、前部、側部、および後部椎骨壁(anterior, lateral and posterior vertebral walls)の厚さ、椎体(vertebral body)の径および高さ、脊柱管(spinal canal)および後部要素(posterior elements)の大きさ、を含む。

一般に、光線は大転子の内側および上位の股関節に集められる。アルミニウム製の階段光学くさび(step wedge)といったキャリブレーションファントムも画像に入れてさらなる画像の分析の前にグレー値の校正を行ってもよい。

別の実施形態においては、歯科Ｘ線が望ましい。なぜなら、これら画像を取得することが比較的容易でありかつ費用がかからないからである。さらに、下顎骨および上顎骨は主として骨梁で構成されている。骨梁の代謝回転は、皮質骨の代謝回転のおよそ８倍を上回る。そのため、椎体といった骨梁が支配的な領域は骨ミネラル密度の測定に好ましい場所である。ラングら(Lang et al.)(1991) Radiol Clin North Am 29:49-76参照。従って骨梁は歯科Ｘ線画像に明瞭に映り、骨ミネラル密度および構造の定量的分析を容易にする。ジェフコートら(Jeffcoat et al.)(2000) Periodontol 23:94-102、およびサザードら(Southard et al.)(2000) J Dent Res 79:964-969参照。骨粗鬆症患者の骨量の減少は、その初期において骨梁の領域で発生する。殆どのアメリカ人は通例、一生を通じて複数の歯科Ｘ線画像を撮る。実際、毎年およそ７５０，０００，０００人のアメリカ合衆国民が歯科を訪れ、このうち１５０，０００，０００人は、毎年１，０００，０００，０００もの歯科Ｘ線を撮影する。よって、歯科Ｘ線で骨粗鬆症を診断することができれば非常に有益なことである。なぜなら住民に対し低コスト集団検診(mass screening of the population)の機会を与えることになるからである。

Ｘ線撮像は、標準的なＸ線設備、例えば標準的歯科Ｘ線設備（例えば、ウィスコンシン州ミルウォーキーのジェネラル・エレクトリック・メディカル・システムズ(General Electric Medical Systems, Milwaukee, WI)）で実施することが望ましい。前歯領域(incisor region)および犬歯領域(canine region)のＸ線は、８０ｋＶｐで露光タイマー(phototimer)を用いて自動照射する標準的Ｘ線画像化技術を用いて、または１０ｍＡ管電流で手動的方法を用いて、得ることができる。例えば、Ｘ線画像は、コダック・ウルトラスピード・フィルム(Kodak Ultraspeed film)（ニューヨーク州ロチェスター、コダック(Kodak, Rochester, NY)）で得ることができる。Ｘ線画像は、市販のフラットベッドスキャナ（エイサー・スキャン・プレミオＳＴ(Acer ScanPremio ST)）を透明原稿オプションで用いてデジタル化することができる。同様に、標準的設備を用いて、例えばＭＲＩまたはＣＡＴ設備を用いて、その他の画像化技術を実施することもある。

１．１． キャリブレーションファントム
例えば所与の画像の、骨ミネラル密度ならびに／または骨格ならびに／または１つもしくは複数のマクロ解剖学的および／もしくは生体力学的パラメータ、を評価するためのキャリブレーションファントムといった、正確なリファレンス・マーカ(reference markers)を画像に含めることは特に好ましい。画像化技術において用いるキャリブレーションリファレンス（キャリブレーションファントムとしても知られる。）に関する文献は存在する。例えば、米国特許第５，４９３，６０１号明細書および米国特許第５，２３５，６２８号明細書参照。米国特許第５，３３５、２６０号は、Ｘ線およびＣＴ撮影システムにおいてカルシウム、骨量、および骨ミネラル密度の定量のためのリファレンスとして供される可変的カルシウム濃度を備えるヒトの組織を表すキャリブレーションファントムを開示する。しかしながら、現行において入手可能なキャリブレーションファントムは常に正確とは限らない。なぜならば、骨ミネラル密度は骨粗鬆症における骨折の危険性では１００％よりもかなり低い原因である（オイヤンら(Ouyang et al.) Calif Tissue Int, 60:139-147）。本願明細書に記載の方法および装置は骨ミネラル密度のみならず、骨格、さらには、マクロ解剖学的および／または生体力学的パラメータをも評価するように設計されている。これらパラメータのうち２つまたはそれよりも多くを評価することで、骨粗鬆症といった症状に対するより正確な試験および検査を行うことができる。

しかして、ある態様において本発明は、解剖学的構造の密度および／または解剖学的構造の形態論といったＸ線に含まれる情報の正確な定量的評価が可能な方法ならびに装置を提供する。あらゆる適当なキャリブレーションファントムを使用することができる。例えば、そのうちの１つではアルミニウムまたはその他の放射線不透過性(radio-opaque)材料を含んでいる。米国特許第５，３３５，２６０号は、画像で骨ミネラル密度を評価することに用いるのに適当なその他のキャリブレーションファントムを開示する。その他適当なキャリブレーションリファレンス材料の例としては、流体(fluid)もしくは流体状(fluid-like)材料がある。例えば、濃度可変な塩化カルシウム等で満たされる１つまたは複数のチャンバがある。

数多くのキャリブレーションファントム（またはキャリブレーションリファレンス）を本発明の実施に用いることができる。一般に、標的有機的組織体における骨ミネラル密度ならびに／または骨格ならびに／または１つもしくは複数のマクロ解剖学的および／もしくは生体力学的パラメータをモニタすることに用いるシステムは、被写体に関する情報を提供する画像（例えば、歯科もしくは股関節部放射線写真）、画像に含まれるデータのリファレンスとして機能するキャリブレーションファントムを含むアセンブリ、ならびに、画像および／もしくはキャリブレーションファントムアセンブリからのデータを評価し処理する少なくとも１つのデータ処理システム、を含む。

明白な事柄だが、キャリブレーションファントムは単一で既知の密度または構造上のリファレンスを含むことができる。さらには、Ｘ線光線の進路に沿ってキャリブレーションファントムの厚さもしくは幾何形状を変化させることにより、密度勾配も与えることが可能である。例えば、厚さの変化するＶ形状キャリブレーションファントムを用いることで密度勾配を与えることができる。キャリブレーションファントムは角度を備えることもできる。例えば、キャリブレーションファントムを「Ｔ形状」または「Ｌ形状」にすることで１つまたは複数の９０度角を備えることができる。

キャリブレーションファントムは、異なる放射線不透過性を有する別個の幾つかの領域を備えることができる。例えば、キャリブレーションファントムは、階段状の設計がなされてもよい。そうすることで、くさびの局所厚の変化によって放射線不透過性の差違が生じる。可変厚の材料を用いた階段光学くさびは、しばしば放射線医学においてＸ線光線特性の品質管理試験に用いられる。階段の厚さを変化させることで、投影像におけるＸ線光線の強度およびスペクトル含有量を変化させることができる。階段光学くさびは通例、アルミニウム、銅、およびその他既知のＸ線減衰特性を有し使いやすくて均質な材料で作られる。階段光学くさび状ファントムは、リン酸カルシウム粉または融解パラフィンに含まれるリン酸カルシウム粉を含むこともできる。

あるいは、連続的くさびを用いてもよいし、または、キャリブレーションリファレンスを、その放射線不透過性が周部から中心に向かって変化（例えば、円形、楕円、矩形、三角形、またはその他の形状の構成で変化）するように設計してもよい。上記のように、キャリブレーションリファレンスもまた、分割された複数のチャンバ、例えば流体で満たされたチャンバ、として構成することもできる。各チャンバは、特定の濃度のリファレンス流体（例えば塩化カルシウム）を含んでいる。キャリブレーションファントムは、１つまたは複数の流体に加えて、例えばアルミニウム粉または鋼鉄粉といった金属粉を内部に埋め込んでおいてもよい（例えば、プラスチックに埋め込まれる。）。

ある実施形態においては、キャリブレーションファントムは、厳密に骨格のリファレンスに供し得るように設計される（例えば、骨梁の間隔、厚さ等）。例えば、キャリブレーションくさびは、既知の寸法の１つまたは複数の幾何学的パターンを含んでよい。例えば、格子の場合は格子間隔、個々の格子要素の厚さ等が既知である。キャリブレーションファントムにおける放射線不透過性要素の既知の幾何学的パターンは、Ｘ線における骨梁構造の測定の正確性を向上させることができる。このような骨梁構造の測定には、骨梁の間隔、骨梁の長さ、および骨梁の厚さの測定が含まれ、さらにこれらに限定されない。このような骨梁の間隔、骨梁の長さ、および骨梁の厚さの測定は、例えば、歯科または脊椎または股関節部Ｘ線で実施することができる。これらのキャリブレーションファントムは、様々な材料で構成することができる。それら様々な材料には、プラスチック、金属、およびそれらの組み合わせが含まれる。さらに、リファレンス構成材は個体、粉体、流体、またはそれらの組み合わせが可能である。よって、キャリブレーションくさびを用いて骨格の測定を改善することも可能である。

ある実施形態においては、キャリブレーションファントムは、厳密にマクロ解剖学的パラメータのリファレンスとして供し得るように設計される（例えば、股関節においては、大腿骨幹皮質の厚さ、大腿骨頸部皮質の厚さ、皮質の幅、骨盤軸の長さ、ＣＣＤ（頭−頸−骨幹）の角、頸−幹の角、および転子領域の幅、があり、脊椎部においては、上位および下位終板の厚さ、前部、側部、および後部椎骨壁の厚さ、椎体の径および高さ、脊柱管および後部要素の大きさ、がある。）。例えば、キャリブレーションくさびは、１つまたは複数の既知の寸法の幾何学的パターンを含むことができる。例えば、格子の場合は格子間隔、個々の格子要素の厚さ等が既知である。キャリブレーションファントムにおける放射線不透過性要素の既知の幾何学的パターンは、Ｘ線におけるマクロ解剖学的および／または生体力学的パラメータの測定の正確性を向上させることができる。それは例えば、画像の拡大における補償に資する。このようなマクロ解剖学的パラメータの測定は、例えば、歯科または脊椎または股関節部のＸ線で実施可能である。これらのキャリブレーションファントムは、様々な材料で構成することができる。それら様々な材料には、プラスチック、金属、およびそれらの組み合わせが含まれる。さらに、リファレンス構成材は個体、粉体、流体、またはそれらの組み合わせが可能である。よって、キャリブレーションくさびを用いて骨格の測定を改善することも可能である。

本発明は、骨格、骨ミネラル密度、または、骨格および密度の両方に関する情報に関して歯科Ｘ線画像を分析することを企図する。よって明白だが、キャリブレーションファントムは、測定されようとしている構造もしくは密度、または両方に基づいて選択される。よって、１つまたは複数のキャリブレーションファントムが存在してもよい。

少なくとも１つの既知の濃度および／または構造のマーカがファントム内に存在するならば、キャリブレーションファントムの全体的形状または構成は何でもよい。さらには、キャリブレーションファントム内に少なくとも１つの幾何学的形状またはパターンが含まれることが好ましい。正方形、円形、楕円形、矩形、星形、月形（三日月、半月等）、多辺体（例えば八角形）、ＶもしくはＵ形状、逆Ｖもしくは逆Ｕ形状、不規則形状等が形状に含まれ、さらにそれらに限定されない。キャリブレーションファントムの特定の密度と関連づけながら既知の位置に存在しさえすればよい。好適な実施形態においては、本願に記載のキャリブレーションファントムは２Ｄ平面Ｘ線画像化法で用いられる。

キャリブレーションファントムは、Ｘ線画像が撮像される前または撮像された後で撮像することが可能である。或いは、キャリブレーションファントムは、Ｘ線撮像と同時的に撮像することも可能である。キャリブレーションファントムは、Ｘ線フィルムおよび／またはフィルムホルダに物理的に接続してもよい。そのような物理的接続は適当な機械的またはその他の取付け機構を用いて行うことができる。それら機構には、接着剤、化学結合(chemical bond)、ネジもしくは釘の使用、溶着(welding)、ベルクロ(Velcro)（商標）ストラップもしくはベルクロ（商標）材料等が含まれ、さらにそれらに限定されない。同様に、キャリブレーションファントムは、１つまたは複数の取付け機構（例えば、機械的接続装置、ベルクロ(Velcro)（商標）ストラップもしくはベルクロ（商標）材料、化学結合(chemical bond)、ネジもしくは釘の使用、溶着(welding)、接着剤等）を用いて検出システムデジタルＸ線撮像のための貯蔵プレート(storage plate)に物理的に接続することができる。外部標準(external standard)およびフィルムは保持装置を用いて、例えば、フィルムおよび外部標準の両方について圧入を用いて接続することができる。

加えて、キャリブレーションファントムアセンブリは解剖学的構造、例えば、１つまたは複数の歯、粘膜、下顎および／または上顎、に取り付けることができる。例えば、キャリブレーションファントムは、（例えば、粘着性取付手段により）下顎もしくは上顎を覆う上皮もしくは粘膜の内側に取り付けることができる。或いは、キャリブレーションファントムは、歯もしくは歯の近隣に配することができ、例えば、ＶもしくはＵ形状（上顎の場合）または逆Ｖもしくは逆Ｕ形状（下顎の場合）のキャリブレーションファントムを用いることができる。ＶまたはＵの開口部は、少なくとも１つの歯またはできれば複数の歯の自由端と接触する（図４）。

好適な実施形態においては、解剖学的構造または生きていない物体のＸ線をとる場合、キャリブレーションファントムは視野(field of view)に含まれる。様々な適当なキャリブレーションファントムを用いることができ、例えばその１つにあってはアルミニウムまたはその他の放射線不透過性材料が含まれている。米国特許第５，３３５，２６０号は、別の、画像において骨ミネラル密度を評価することに使用するのに適切なキャリブレーションファントムを開示する。その他の、適切なキャリブレーションリファレンス材料には、流体または流体状材料がある。例えば、１つまたは複数のチャンバが可変的濃度の塩化カルシウム等により満たされる。好適な実施形態においては、ファントムの材料はステンレス鋼である（例えば、炭素（０．０８％）、マンガン（２％）、シリコン（１％）、リン（０．０４５％）、硫黄（０．０３％）、ニッケル（１０−１４％）、クロム（１６−１８％）、モリブデン（２−３％）、それらに加えて１００％に達するまでの鉄を含むＡＩＳＩ（米国鉄鋼研究所）グレード３１６がある。）。組成の相対パーセンテージは重量または容積に関するものでよい。

明白だが、解剖学的構造に取り付けることに適したキャリブレーションファントムは、その解剖学的構造（例えば１つの歯または複数の歯）の形状によって様々な形状を有する。そのような解剖学的構造にまたは隣接して配されるものには、Ｕ形状、Ｖ形状、湾曲形状、平坦形状、またはそれらの組み合わせが含まれ、さらにそれらに限定されない。例えば、Ｕ形状（または逆Ｕ形状）のキャリブレーションファントムは、臼歯の上端に配することができ、他方Ｕ形状（または逆Ｕ形状）のキャリブレーションファントムは、Ｖ形状（または逆Ｖ形状）のキャリブレーションファントムは、前歯の上端に配することができる。さらに、明白なことであろうが、ある例（例えば、下顎上の歯）においては、キャリブレーションファントムは、単に重力にのみ従って歯の上端に静止することもできるし、歯に（例えば接着剤を用いて）取り付けることもできる。上顎上の歯の場合には、キャリブレーションファントムは一般に、例えば接着剤を用いて、歯に取り付けられる。

これらの取付けは永続的(permanent)でも一時的(temporary)なものでもよく、さらに、キャリブレーションファントムが、フィルム、フィルムホルダ、および／または検出システムに一体化(integral)（例えば作り付け(built-in)）されていてもよいし、あるいは、フィルムおよび／またはフィルムホルダが製造された後に永続的にもしくは一時的に、適切な方法で取付けられ、または、位置合わせされ配されていてもよい。よって、キャリブレーションファントムは、１回きり使用されるように（例えば使い捨てに）、または、複数回にわたって異なるＸ線画像に対して使用されるように設計することができる。しかして、ある実施形態においては、キャリブレーションファントムは再利用可能であり、かつ、さらには使用と使用の間に消毒することもできる。キャリブレーションファントムの一体化(integration)は、Ｘ線フィルムの２つの物理的層の間に既知のＸ線密度を有する材料を含めることにより実現される。あるいは、Ｘ線フィルムの物理的層の１つの内部に既知のＸ線密度の材料を含めることでも実現できる。さらに、キャリブレーションファントムをフィルムカバーと一体化することもできる。キャリブレーションファントムまたは外部標準を検出システムまたはデジタルＸ線撮像のための貯蔵プレートと一体化することも可能である。例えば、検出システムまたは貯蔵プレートの物理的層の間に既知のＸ線密度を有する材料を含めることにより一体化を実現することができる。あるいは、検出システムまたは貯蔵プレートの物理的層の１つの内部に既知のＸ線密度の材料を含めることでも一体化を実現することができる。

ある実施形態においては、例えば、キャリブレーションファントムをＸ線アセンブリシステム（例えば、Ｘ線フィルムホルダ、Ｘ線フィルム、検出システム等）の構成要素に一時的に取り付けるような実施形態においては、クロスヘア(cross-hairs)、ライン(lines)等のマーカを装置上に配し、キャリブレーションファントムの位置合わせのための指標（インジケータ(indicator)）にしてもよい。これらの指標によりキャリブレーションファントムが得られた画像における見かけの密度を変えるように材料の上に投影されないように配されているかを確認することが容易になる。

本願に記載の、キャリブレーションファントムを含むアセンブリは、Ｘ線画像における、骨格ならびに／または１つまたは複数のマクロ解剖学的および／もしくは生体力学的パラメータ（もしくは骨ミネラル密度）の分析および／または定量の方法に用いることができる。これら方法には、一般に、撮像された素材の密度（例えば骨量）を定量する目的でキャリブレーションファントムおよびその他の素材（例えば被写体に含まれる骨組織）を同時的に撮像またはスキャンするステップが含まれる。歯科放射線写真の場合においては、キャリブレーションファントム、Ｘ線チューブ(x-ray tube)、または歯科Ｘ線フィルム(dental x-ray film)は一般に、キャリブレーションファントムと下顎部および／または上顎部とが歯科Ｘ線画像内確実に収まるように位置合わせされる。少なくとも画像に含まれる下顎部または上顎部の部分が、皮質骨(cortical bone)よりも主に骨梁(trabecular bone)を含むように、キャリブレーションファントム、Ｘ線チューブ、および歯科Ｘ線フィルが位置合わせされることが好ましい。

よって、本発明の方法では、キャリブレーションファントムは個々の被写体と同時的に撮像またはスキャンされることが好ましい。ただし、本発明はファントムと被写体との非同時的なスキャンも可能である。Ｘ線撮影術による構造体のスキャンおよび撮像の方法は、広く周知である。キャリブレーションファントムを被写体と共にＸ線光線を受けるように配することでリファレンスキャリブレーションサンプル(reference calibration sample)によって骨の吸光特性を補正(correction)および校正(calibration)することができる。ファントムと被写体の両方が同一のＸ線光線スペクトルを受ける故、個々の被写体とファントムとを同時的に撮像またはスキャンすることでＸ線光線エネルギの変動および線質硬化を補正される。異なる大きさ、厚さ、筋肉−脂肪の比率、および骨の含有量(bone content)を有する個々の被写体は、異なった光減衰を起こし、それによって実効的Ｘ線光線スペクトルを変化させる。骨に等価なキャリブレーションファントムを被写体である骨と同一の光線スペクトルに曝し、正確な校正を可能とすることが望まれる。

現在使用されるＸ線撮像アセンブリは、撮像される構造体に対するキャリブレーションファントムの位置を考慮しない。よって、キャリブレーションファントムを周知のアセンブリで使用する場合にキャリブレーションファントムはしばしば、得られるＸ線画像においてキャリブレーションファントムの見かけの密度を変化させてしまうような材料または構造（例えば、骨）の上に投影されるような位置に配される。明白なことだが、この、見かけの密度の変化は骨ミネラル密度、構造またはマクロ解剖学的パラメータを決定するためのリファレンスとしてのキャリブレーションファントムの精度に影響を与える。しかして、本発明は、リファレンスの見かけの密度を変化させるような材料または構造体を免れながらキャリブレーションファントムを投影する方法を提供することも目的の１つである。歯科Ｘ線との関連において、例えば、本願に記載の方法はキャリブレーションファントムを骨（例えば、歯や顎）の組織から免れて、確実に投影する方法である。このことは様々な手法によって実現できる事柄である。例えば、Ｘ線フィルムもしくはＸ線フィルムホルダにキャリブレーションファントムを、歯科Ｘ線において歯の間に見られるように配することで実現可能である。

本発明におけるキャリブレーションファントムの材料および方法は、口の中に配置する上で十分に小さくかつ十分に薄く構成することが好ましく、本発明の方法を用いれば、例えば、Ｘ線フィルムホルダにキャリブレーションファントムを一時的または永続的に含ませることで標準的な歯科Ｘ線システムを用いて骨量を定量することができる。さらには、少なくともキャリブレーションファントムの一部を、キャリブレーションファントムの見かけの密度もしくは構造的特徴を変化させる構造体または材料に投影させないようにキャリブレーションファントムを位置決めすることが、特に望まれる。また、キャリブレーションファントムを、少なくとも１つの歯もしくは下顎部もしくは上顎部に対して規定の間隔をおいて配することが望ましい。そうすることでキャリブレーションファントムのかなりの部分がＸ線画像において歯、下顎部、もしくは上顎部を免れて投影されることになる。その間隔はどのような距離でもよいが、例えば、およそ１ｍｍ、５ｃｍ、またはその間に含まれる任意の距離でよい。

クロスキャリブレーション（相互校正）(cross-calibration)用ファントムを用いてシステムパフォーマンス、例えば、Ｘ線チューブのセッティングまたはフィルム現像機(film processor)のセッティング、を最適化することができる。また、一般に異なる場所に配されている異なる機械またはシステムとの比較可能性(comparability)を改善することもできる。このためには、患者または人体の部分を含まない別個の画像を取得すればよい。その画像には、患者に対して使用した当初のキャリブレーションファントム、例えば既知密度の階段光学くさび、と、クロスキャリブレーション用ファントムとが含まれる。当初のキャリブレーションファントムの見かけの密度はクロスキャリブレーション用ファントムの密度と対照して校正される。当初のファントムのクロスキャリブレーション結果により、骨密度、骨格、ならびにマクロ解剖学的および／もしくは生体力学的パラメータの測定の精度の向上を容易にする。また、測定の包括的な再現性の向上にも資する。本発明のある実施形態においては、Ｘ線技師または歯科衛生士が１日に１回クロスキャリブレーション試験を、大体において早朝に最初の患者のスキャンの前に実施する。クロスキャリブレーションの結果およびクロスキャリブレーションの検討の全てを、ネットワークを介して中央コンピュータ(central computer)に送信することができる。そうすることで中央コンピュータは、別々のシステム間の比較可能性を高レベルに維持するように調整(adjustment)を実施することができる。

１．２． 内在的リファレンスマーカ(Inherent Reference Markers)
本発明のある実施形態においては、解剖学的構造または生きていない物体に内在する（固有な）(inherent)情報を用いて、解剖学的構造または生きていない物体の選択した骨の関心領域の、密度および／または構造および／またはマクロ解剖学的構造を推定することができる。例えば、筋肉、脂肪、水（例えば、軟組織）、金属（例えば、歯科充填材）、および空気の密度は一般に既知であるので、解剖学的構造または生きていない物体の周囲を取り囲む空気の密度、皮下脂肪の密度、および筋肉組織の密度を用いて選択した骨の領域の密度、例えば、橈骨遠位端の密度を推定(estimate)することができる。例えば、１つまたは複数の内部標準(internal standards)（例えば、空気、水、金属、および／または脂肪）の間で加重平均(weighted mean)を求め、同一のＸ線画像における骨密度を決定する上で内部標準として利用することができる。同様に、歯または歯の一部の密度を用いて選択された骨の領域、例えば下顎部の領域、の密度を推定することができる。

上述の解剖学的構造において内在する（固有の）情報とキャリブレーションファントムよりもたらされる情報を組み合わせることができ、組み合わせことによってキャリブレーションファントムの正確性を向上させることができる。

上述のとおり、ある実施形態においては、キャリブレーションファントムの位置合わせにホルダを使用することができる。ホルダは、歯への取付けを容易にする目的でＵ形状またはＶ形状（図５）とすることができる。その取付けは例えば接着剤を用いて行うことができる。そしてさらにキャリブレーションファントムがそのホルダに取り付けられる。同様に、キャリブレーションファントムを、少なくとも１つまたは複数の歯の１つまたは複数の型(molds)を備えたホルダに取り付けることができる。さらには、ホルダを用いてフィルムおよびキャリブレーションファントムの両方を、Ｘ線画像に含まれることになる骨格(osseous structure)に対して位置合わせすることができる。別の実施形態においては、Ｘ線フィルムをホールドすることができる保持装置は、キャリブレーションファントムに一体化される。この保持装置は、Ｘ線で撮像する前にフィルムを所定位置に保持することができる。保持装置は、バネ荷重式、または、その他のＸ線フィルムを保持し固定化する機械的手段を用いることができる。

ある実施形態においては、ホルダは、使い捨て式または消毒可能なハイゼニックカバーを有してよい。例えば、国際公開ＷＯ第９９／０８５９８号を参照されたい。これの開示する内容は参照により全て本願に含まれる。さらに、ホルダは、複数の構成要素を含んでよい。例えば、キャリブレーションファントムならびに、キャリブレーションファントムおよび／もしくは骨と共に投影されるかもしれない軟組織の影響に相当させることでキャリブレーションファントムの正確性の向上に資することが可能な一体式もしくは挿入可能なボーラスバックを含んでよい。

ある実施形態においては、キャリブレーションファントムは、さらなるホルダの追加使用なしで周囲の組織に対して安定的に固定するような構成とすることができる。キャリブレーションファントムは、ハイゼニックカバーで保護することができる。

ホルダ（例えば、ハイゼニックカバー）は、堅牢な材料(rigid material)、柔軟な材料(flexible material)、またはそれらの組み合わせを含んでよい。さらに、ホルダは、キャリブレーションファントム、ボーラスバック等といった追加的な構成要素を受承する１つまたは複数のポケット／小物入れ（コンパートメント(compartments)）を含んでよい。さらには、ホルダの一部または複数の部分が放射線透過性であってもよい。

２．０． データの解析および操作
上述のようにして撮像された画像から取得されたデータは次に、解析され(analyze)、操作される(manipulate)ことが望ましい。よって、本願明細書に記載のシステムおよびアセンブリは、例えば、画像中の骨密度または骨格またはマクロ解剖学的および／または生体力学のデータを解析するように、解剖学的領域における解剖学的ランドマークを特定するように、軟組織の測定を補正するように、ならびに／または、画像の骨密度および構造およびマクロ解剖学を評価するように、設計された、１つまたは複数の計算部(computational units)を有することもできる。当該分野の技能を有する者にとっては明白だが、計算部は、様々なソフトウェア、チップ、またはその他計算に供する装置を含むことができる。さらに、計算部は撮像用アセンブリ(imaging assembly)、または検出機（検出機に関連する他のパラメータも同様）を管理・制御するように設計することができる。本願に記載の方法および装置に対する計算部のその他の用途は、当該分野の技能を有する者には理解されるであろう。コンピュータソフトウェアおよびハードウェアを用いることで容易ならしめる当該技術分野に関連するその他の用途に計算部を使用することもできる。さらに、計算部は、例えばリファレンス用解剖学マップを含むデータベースを備えることもでき、またさらに、計算部は、解剖学マップとリファレンス用解剖学マップとを比較するように設計することもできる。リファレンス用解剖学マップは、（精査の手続(interrogation protocol)の一部として作成された、同一または他の患者についての）歴史的、または、理論的な、またはその他の種類の所望のリファレンス用マップであってよい。

あらゆる画像について解析を行い、データを取得し操作することができる。よって、データポイント、導出されたデータ、および、データ属性に関する本発明によるデータベースは、以下を含む。（１）データポイントの収集。このデータポイントは、画像より取得された情報を含む。例えば、骨ミネラル密度情報または骨格（構造（アーキテクチャ））に関する情報を含む。（２）データポイントと、関連するデータポイント属性との関連付け。本方法は、さらに、（３）１つまたは複数の直接的な（ダイレクト）データポイント(direct data point)から導出データを求めること、および、（４）これらのデータポイントと、関連するデータポイント属性との関連付けを行うこと、を含んでもよい。本方法は、また、（５）ネットワーク環境下で動作するリモートコンピュータを用いてデータポイントを収集すること、を含んでもよい。

ある実施形態においては、これら情報は歯科Ｘ線画像より取得される。本明細書に記載のとおり、歯科Ｘ線画像は、周知の技術を用いて各地で得ることができる。Ｘ線画像を従来のＸ線フィルムを用いて撮像するならば、Ｘ線画像のデータポイント（情報）は、スキャン装置を用いてデジタル化することができる。そして、デジタルＸ線画像情報は、例えばインターネットといった、ネットワークを介して離れたコンピュータ（リモートコンピュータ）またはサーバ（リモートサーバ）に送ることができる。Ｘ線画像を、例えば、リンプレートシステム(phosphorus plate system)またはセレニウムもしくはシリコン検出システム(selenium or silicon detector systems)といったデジタル撮像技術を用いて撮像するならば、Ｘ線画像の情報は早速デジタルフォーマットで得ることができる。この場合、画像は直接的にネットワーク、例えば、インターネット、を介して送ることができる。情報を、送信に先立って圧縮および／または暗号化することもできる。また、送信は、ファックス、郵便(mail)等で送ることも可能である。

２．１． データポイント
よって、本願明細書に記載の方法および構成を用いて、例えば、Ｘ線画像からの骨格および／または骨ミネラル密度の、測定値のデータセットの収集を行うことができる。レコードをスプレッドシート（集計表）状の形式で表してもよい。レコードには、例えば、Ｘ線撮影の日付、患者の年齢、性別、体重、現在の投薬、地理的位置等といったデータ属性を含んでよい。データベースの定型(database formulation)には、さらに、１つまたは複数の取得したデータポイントから導出、または計算したデータポイントの計算を含んでもよい。導出したデータポイントの多様性は、後のデータベース操作において個人もしくはグループに関する情報を与える上で有用となる場合がある。そのため、データポイントは、データベースの編成の際に含まれる。導出したデータポイントは、（１）選択した骨の領域、または、同一または複数の被写体から抽出した複数のサンプルにおける最大骨ミネラル密度、（２）選択した骨の領域、または、同一または複数の被写体から抽出した複数のサンプルにおける最小骨ミネラル密度、（３）選択した骨の領域、または、同一または複数の被写体から抽出した複数のサンプルにおける平均骨ミネラル密度、（４）所与の測定データポイントを選択した値と比較して求めた異常に高いまたは低い測定の数、等を含み、さらにこれらに限定されない。その他の導出したデータポイントは、（１）選択した骨の領域、または、同一または複数の被写体から抽出した複数のサンプルにおける選択した骨格パラメータの最大値、（２）選択した骨の領域、または、同一または複数の被写体から抽出した複数のサンプルにおける選択した骨格パラメータの最小値、（３）選択した骨の領域、または、同一または複数の被写体から抽出した複数のサンプルにおける選択した骨格パラメータの平均値、（４）所与の測定データポイントを選択した値と比較して求めた異常に高いまたは低い骨格測定の数、等を含み、さらにこれらに限定されない。別の導出したデータポイントは、（１）選択した骨の領域、または、同一または複数の被写体から抽出した複数のサンプルにおける選択したマクロ解剖学的および／または生体力学的パラメータの最大値、（２）選択した骨の領域、または、同一または複数の被写体から抽出した複数のサンプルにおける選択したマクロ解剖学的および／または生体力学的パラメータの最小値、（３）選択した骨の領域、または、同一または複数の被写体から抽出した複数のサンプルにおける選択したマクロ解剖学的および／または生体力学的パラメータの平均値、（４）所与の測定データポイントを選択した値と比較して求めた異常に高いまたは低い選択したマクロ解剖学的および／または生体力学的パラメータ測定の数、等を含み、さらにこれらに限定されない。さらに別の導出したデータポイントは、本願明細書の開示内容に照らせば、当該分野の技能を有する者にとっては明白であろう。利用可能なデータおよびオリジナルデータから導出した（もしくは解析により到達した）データの量から、前例のない量の、骨粗鬆症のような骨に関連する疾病の管理に関係する情報をもたらす。例えば、被写体を経時的に調べることで、薬剤の有効性を評価することができる。

測定および導出したデータポイントはそれぞれ収集され計算され、また、１つまたは複数のデータ属性に関連付けされてデータベースを形成することができる。利用可能なデータおよびオリジナルデータから導出した（もしくは解析により到達した）データの量から、前例のない量の、骨粗鬆症のような骨に関連する疾病の管理に関係する情報をもたらす。例えば、被写体を経時的に調べることで、薬剤の有効性を評価することができる。

データ属性は、Ｘ線画像より自動的に入力可能であり、例えば時間情報（例えば日付および時間）を含むことができる。他のこのような属性には、用いたＸ線撮像機の種類、スキャンの情報、デジタル化の情報等が含まれ、さらにこれらに限定されない。あるいは、日付属性は、被写体および／または操作者によって、例えば被写体識別子(subject identifier)、つまりは特定の被写体と関連付けた特性により入力することができる。これらに識別子には、（１）被写体コード（例えば番号または英数字のシークエンス）、（２）人種(race)、性別(gender)、および年齢といった人口学的情報、（３）体重、身長、および体格指数（ボディー・マス・インデックス(body mass index)）といった身体的特徴、（４）被写体の病歴の選択的側面（例えば、疾病の状態、または症状等）、ならびに、（５）骨の疾患(bone disorder)の種類といった疾病に関係する特徴、さらにもしあるならば被写体（被験者）の用いている薬剤の種類、が含まれ、さらにこれらに限定されない。本発明の実施において、各データポイントは通例、人口統計等と同様、特定の被写体、被写体の特徴と同定されている。

さらに別のデータ属性は、本願明細書の開示内容に照らせば、当該分野の技能を有する者にとっては明白であろう。

２．２． データセットの記憶およびデータポイントに関係するデータ属性との関連付け
データセットを記憶し同時に関連する属性に関連付けるフォーマットは数多く存在し、それらには、（１）表(tabular)、（２）関係(relational)、および、（３）配列(dimensional)が含まれ、さらにこれらに限定されない。一般に、データベースは、データポイント、数値、を含み、これらは、物理的測定（「取得した」データもしくはデータポイント）または本願に開示の様々な方法を用いて取得した１つもしくは複数の取得したデータポイントから計算もしくは導出した一の数値的結果に対応する。データベースは、ローデータ(raw data)を含むことができ、また、例えば、データポイントの「属性」とも称されるデータタグといった追加的な関連情報を含むこともできる。データベースは多くの形式を備えることが可能であり、また、様々な方法により構築することができる。

最も一般的なフォーマットは表である。これは一般にはスプレッドシートと称される。様々なスプレッドシートプログラムが現在流通しており、大体において本発明の実施に用いることができる。このようなプログラムには、マイクロソフト・エクセル・スプレッドシート・ソフトウェア、および、コーレル・クワトロ・スプレッドシート・ソフトウェアが含まれ、さらにこれらに限定されない。このフォーマットにおいては、データポイントと関係のある属性との関連付けは、測定された時点でデータポイントとそのデータポイントに関係する属性とを同一の行に入力することにより行われる。

さらに、合理的（ラショナル(rational)）であって、リレーショナル(relational)であり（Database Design for Mere Mortals, Michael J. Hernandez 著, 1997, Addison-Wesley Pub. Co. 出版、Database Design for Smarties Robert J. Muller 著, 1999, Morgan Kaufmann Publishers 出版、Relational Database Design Clearly Explained, Jan L. Harrington 著, 1998, Morgan Kaufmann Publishers 出版）、かつ配列的な（ディメンジョナル(dimensional)）（Data-Parallel Computing, V.B. Muchnick et al. 著, 1996, International Thomson Publishing 出版、Understanding Fourth Dimensions, David Graves 著, 1993, Computerized Pricing Systems 出版）データベースシステム、を用いて、その管理・運営を行ってもよい。

リレーショナルデータベースは通例、関係代数(relational algebra)により定義される操作のセットをサポートしている。このようなデータベースは通例、データベースに含まれるデータに対し列(column)と行(row)を有する。データベースの各テーブルはプライマリーキー(primary key)を備えており、これは列もしくは列のセットでよく、その値に対してテーブルの行が一意的に特定される。データベースのテーブルは、列もしくは列のセットである外部キー(foreign key)を備えることもでき、その値が、別のテーブルのプライマリーキー値と一致する。通例、リレーショナルデータベースはデータベース内の関係(relations)を支配する関係代数の基部を形成する操作（例えば、セレクト、ジョイン、および、コンバイン）のセットをもサポートする。

このようなリレーショナルは、様々な方法により実施される。例えば、サイベース（登録商標）(Sybase (R))（カリフォルニア州、エメリービル、サイベース・システムズ(Sybase Systems, Emeryville, CA)）のデータベースにおいては、テーブルは、物理的に別々のデータベースに分離(segregate)することができる。対照的に、オラクル（登録商標）(Oracle (R))（カリフォルニア州、レッドウッド・ショアズ、オラクル・インコーポレーテッド(Oracle Inc., Redwood Shores, CA)）のデータベースでは様々なテーブルは物理的に分離されていない。その理由は、別々のテーブルに対して指定された別々の所有権(ownership)を備えたワークスペースの１つのインスタンスが存在するからである。ある構成においては、データベースは単一のコンピュータ上の単一のデータベース（例えば、データウエアハウス(data warehouse)）に全てのデータベースがおかれている。別の事例においては、様々なデータベースが、別個のコンピュータに分離している。

当然のことだが、データベースは先述の構成または構造に限定されない。当該分野の技能を有する者であれば、その他の様々な構成の存在を認識している。

２．３． データ操作
本願明細書に記載のように、Ｘ線画像から取得したデータを、例えば様々な統計学的解析を用い、操作し、有益な情報を作り出すことができる。本発明のデータベースは、例えば個人もしくは個々人からなる選択したグループから所定の期間（例えば数日、数ヶ月、もしくは数年）にわたって収集したデータから、導出したデータから、またはデータ属性から、作り出してよい。

例えば、データポイントに関連付けされた属性を用いてデータを総計(segregate)、ソート(sort)、選択(select)、ふるい分け(sift)、クラスター分析(cluster)、および分離(segregate)してもよい。所望の操作の実行に用いることができるデータマイニング(data mining)ソフトウェアが数多く存在する。

様々なデータにおける関係性について直接的に問い合わせ（クエリ(query)）を行うことができ、かつ／または、データベースを操作することで取得した情報を評価する統計学的方法を用いてデータを分析することもできる。

例えば、選択したデータセット、ならびに選択したデータセットに対して計算した平均値、中央値、および最頻値（モード(mode)）より分布曲線を求めることができる。さらには、データの広がりの特徴(data spread characteristics)、例えば変動性(variability)、四分位数(quartiles)、および標準偏差(standard deviations)を計算することもできる。

関心のある変数間の関係性の本質は、相関係数を計算することで調べることができる。これを行うために有用な方法は、ピアソンの積率相関係数(Pearson Product Moment correlation)およびスピアマンの順位相関係数(Spearman Rank Order Correlation)を含み、さらに、これらに限らない。

分散(variance)の分析によりサンプルのグループ間の差(difference)を検証可能であり、選択した変数が測定したパラメータに対して目に見えるような影響を有するかどうかを知ることができる。

ノンパラメトリック検定を用いて、実験データと実験予測値との間の差違(variation)が、単に偶然性に起因するものであるのか、または、調べている変数もしくは複数の変数に起因するものであるかを検証することができる。これを行うための方法には、χ二乗検定(Chi Square Test)、χ二乗適合度(Chi Square Goodness of Fit)、２×２分割表(2 x 2 Contingency Table)、符号検定(Sign Test)、および、φ相関係数(Phi correlation coefficient)を含む。

本発明のデータベースの解析に適用可能な標準的なデータマイニングソフトウェアから数多くのツールおよび解析を利用することができる。このようなツールおよび解析には、クラスター分析(cluster analysis)、因子分析(factor analysis)、決定樹(decision trees)、ニューラルネットワーク(neural network)、規則帰納分析(rule induction)、データ駆動モデリング(data driven modeling)、およびデータ視覚化解析(data visualization)が含まれ、さらにこれらに限らない。更に複雑なデータマイニング技法の幾つかを用いることにより、より経験的（実験的）かつデータ駆動型の、理論駆動型とは対立するような、関係性を発見することができる。

本発明にかかる分析および／またはデータベースの作成に利用可能なデータマイニングソフトウェアの例としては、リンク解析(Link Analysis)（例えば関連性解析(Associations analysis)、シーケンシャルパターン(Sequential Patterns)、シーケンシャルタイムパターン(Sequential time patterns)、およびベイズネットワーク。）、分類(Classification)（例えばニューラルネットワーククラシフィケーション(Neural Networks Classification)、ベイズ式分類(Bayesian Classification)、ｋ最近隣分類(k-nearest neighbors classification)、線形判別解析(linear discriminant analysis)、記憶に基づく推論(Memory based Reasoning)、および関連による分類(Classification by Associations)。）、クラスタリング(Clustering)（例えばｋ平均クラスタリング(k-Means Clustering)、人口統計学的クラスタリング(demographic clustering)、関係分析(relational analysis)、およびニューラルネットワーククラスタリング(Neural Networks Clustering)）、統計学的方法(Statistical methods)（例えば平均(Means)、標準偏差(Std dev)、度数(Frequencies)、線形回帰(Linear Regression)、因子分析(Factor Analysis)）、予測(Prediction)（例えばニューラルネットワーク予測モデル(Neural Networks Prediction Models)、動径基底関数予測(Radial Based Function predictions)、ファジー理論予測(Fuzzy logic predictions)、時系列分析(Times Series Analysis)、および記憶に基づく推論(Memory Based Reasoning)）、オペレーティングシステム(Operating Systems)、ならびにその他（例えば並列スケーラビリティ(Parallel Scalability)、シンプルクエリランゲージ関数(Simple Query Language functions)、およびアプリケーション用に生成されたＣ＋＋オブジェクト）が含まれ、さらにこれらに限られない。このようなソフトウェアを提供している法人は、例えば、ＵＴＳのアダプタティブ・メソッズ・グループ(Adaptative Methods Group at UTS)（UTS City Campus, Sydney, NSW 2000）、ＣＳＩ（登録商標）インコーポレイテッド(CSI(R) Inc.)(Computer Science Innovations, Inc. Melbourne, Florida)、ＩＢＭ（登録商標）(International Business Machines Corporation, Armonk, NY)、オラクル（Ｏｒａｃｌｅ）（登録商標）(Oracle Inc., Redwood Shores, CA)、およびＳＡＳ（登録商標）(SAS Institute Inc., Cary, NC)を含む。

これらの方法およびプロセスを本願に記載の方法、例えばＸ線画像データセット、導出したデータ、およびデータ属性を含むデータベース、を用いて取得したデータに適用することができる。

ある実施形態においては、データ（例えば骨格情報またはマクロ解剖学的および／もしくは生体力学的情報または骨ミネラル密度情報）は本願に記載の方法を用いて健常対照者(normal control subject)より取得する。これらデータベースは通例、「リファレンスデータベース」と称され、所与の被写体のＸ線画像の分析に、例えば被写体より得た情報とリファレンスデータベースとを比較することにより、寄与する。一般に、健常対照者から取得した情報は、平均化されるか、さもなくば統計的操作を行って「正常」（リファレンス）測値の範囲を定める。適切な統計的操作および／または計算については、本願の開示を見れば当該分野の技能を有する者には明らかであろう。

Ｚ値、Ｔ値に加え、重要と考える統計学的測度を加えてもよい。被写体のＸ線情報とリファレンスデータベースとを比較することで、リファレンスデータベースより定まる正常範囲の外部に被写体のＸ線情報が位置するかどうか、または、被写体のＸ線情報が健常対照から統計学的に著しく異なるかどうかを判断することができる。例えば、連続的変数に対してはＺ検定もしくはＴ検定統計、カテゴリーデータに対してはχ二乗検定もしくはフィッシャーの直接確率検定(Fisher's exact test)、ならびに、ランクデータ(ranked data)に対しては順位和検定もしくはクラスカル−ワーリス検定(Kruskal-Wallis test)を用いることでデータ比較および統計学的重要度（顕著性）は容易に求めることができる。Ｘ線画像の分析におけるリファレンスデータベースの利用は、骨粗鬆症のような骨の症状の診断、治療、およびモニタリングに有益である。

データ解析への統計学的方法の適用に関する一般的議論については、Ａ．ロマノ(A. Romano)著、Applied Statistics for Science and Industry, 1977, Allyn and Bacon 出版を参照されたい。

データは記憶され、１つまたは複数のコンピュータプログラムまたはコンピュータシステムを用いて操作することが望ましい。これらのシステムは通例、データ記憶機能（例えばディスクドライブ、テープストレージ、ＣＤ−ＲＯＭ等）を備える。さらに、コンピュータシステムは、ネットワーク化された、または、スタンドアロンのシステムでもよい。もし、ネットワーク化されているのならば、コンピュータシステムは、例えば、標準的な電子メールソフトウェアを用いて医師もしくは医療施設、データベースクエリーを用いて中央データベース、といったネットワーク化コンピュータシステムに接続しているあらゆる装置に対してデータを送信することができ、また、ソフトウェア（例えば、数多くの被験者（被写体）から取得したデータポイント、導出したデータ、およびデータ属性のデータウエアハウス(data warehouse)）を更新することができる。

ネットワーク化コンピュータシステムがワールドワイドウェブ用アプリケーションを備えるならば、アプリケーションはデータベース言語のステートメント、例えばＳＱＬのステートメント、を生成するのに必要な実行可能コードを備えている。このような実行可能コードは通例、エンベッデッドＳＱＬステートメント(embedded SQL statements)を備えている。このアプリケーションはさらに、環境設定ファイル(configuration file)を備え、このファイルは、ユーザのリクエストに応じてアクセスされる外部または内部の別のデータベースに加えてデータベースサーバ上の様々なソフトウェアの実体に対するポインタまたはアドレスを含んでいる。環境設定ファイルはまた、データベースサーバが２つまたはそれ以上の異なるコンピュータに分散されている場合に必要に応じ、データベースサーバのリソースへのリクエストを適当なハードウェアへ送る(direct)。

通常、ネットワーク化コンピュータシステムは、ワールドワードウェブ用ブラウザを備え、このブラウザはネットワーク化されたデータベースサーバに対するユーザーインターフェースとなる。ネットワーク化コンピュータシステムは、ウェブブラウザを介してデータベースから情報を検索するためのサーチリクエストを構成することができる。ウェブブラウザにアクセスし、ユーザは通例、ボタン、プルダウンメニューおよび他のグラフィカル・ユーザ・インターフェースの要素をポイントし、クリックして、データベースから関連する情報を抽出するクエリを準備して送信することができる。このようにして定型化された(formulated)リクエストは、次にウェブアプリケーションに送られ、ウェブアプリケーションはリクエストをフォーマットしてデータベースから関連する情報を抽出するのに用いることができるクエリを作成する。

ウェブベースのアプリケーションを用いる場合、ウェブアプリケーションは、サイベース(Sybase)またはオラクル(Oracle)ＳＱＬといったデータベース言語でクエリを構築してデータベースのデータにアクセスする。そしてクエリはリレーショナルデータベース管理システムに送られ、この管理システムが次にクエリを処理してデータベースから患者の情報を取得する。

よって、本発明の一態様は、例えばインターネットといったネットワーク上のＸ線画像から取得したデータを提供する方法を開示し、この接続性を用いてリアルタイム型および遅延型のデータ分析を提供する方法を開示する。中央のネットワークはまた、医師(physician)による被写体（被験者）のデータへのアクセスも許可することができる。同様に、被写体の読み出しが規定の範囲等を超えた場合には医師に警告を発することもできる。そして医師は、電子メールまたはウェブページのインターフェースのメッセージを用いて患者にアドバイスを出すことができる。さらに、全ての被写体のデータであるところのデータベース全体へのアクセスは、統計学的または研究目的にとって有益となり得る。適当なネットワークセキュリティ対策（例えばデータ転送、問い合わせ(inquiries)、デバイスの更新等）は言うまでもなく使用される。

さらに、リモートコンピュータを用い、ネットワークを介して自動的に送信されてきたＸ線画像を分析することができる。このような方法で、例えば対象のＸ線密度情報または構造的情報を作成することができる。Ｘ線密度情報とは、例えば骨ミネラル密度であってよい。このようにして用いれば、骨粗鬆症といった骨に関する症状を診断するためにテストを行うことができる。

２．４． グラフィカル・ユーザ・インターフェース
あるコンピュータシステムにおいては、ひと揃いの機能を含めたインターフェース画面といったインターフェースを備えることにより、ユーザは、本発明にかかる方法およびデータベースによりユーザが求める情報に容易にアクセスすることができる。このようなインターフェースは通常、メインメニューページを有する。ユーザはメインメニューページから様々な異なるタイプの分析を始めることができる。例えば、データベースのためのメインメニューページは一般に、ある種の情報にアクセスするためのボタンを供えている。このある種の情報とは、プロジェクトの情報、プロジェクト間の比較、時間（帯）(times of day)、出来事(event)、日付、時間、値域(range of values)等を含み、さらにこれらに限らない。

２．５． コンピュータプログラム製品
様々なコンピュータプログラム製品を用いて本願に記載の様々な方法および分析を実施することができる。一般に、コンピュータプログラム製品は、コンピュータ読取り可能な媒体および先述の方法の実施に必要なコードを含んでいる。プログラム命令がエンコードされているコンピュータ読取り可能な媒体は、様々な既知の媒体種のいずれであってもよく、それらにはフロッピィーディスク、ハードドライブ、ＺＩＰドライブ、ＷＯＲＭドライブ、磁気テープ、および、ＣＤ−ＲＯＭといった光学媒体が含まれ、さらにこれらに限定されない。

例えば、局所的または長距離間コンピュータネットワークを介して画像からそのイメージまたはデータが一度送られ、そしてリモートコンピュータまたはリモートネットワークコンピュータに接続されたコンピュータによってデータが受信されれば、骨の形態学および密度の分析を、例えば適切なコンピュータプログラムを用いて、実行することができる。この、対象（被写体）の形態に関する分析は、２次元的または３次元的手法で行うことができる。例えば、骨の構造(osseous structure)を撮像する場合、送信されたＸ線画像に対するこのような分析を行うことで骨の減少または代謝性骨疾患を示すか(indicative)もしくは連想させる(suggestive)パラメータの測定が可能である。こういったパラメータは、骨の構造を評価することに用いることが可能である現行および将来のパラメータを含む。例えば、こういったパラメータには、骨梁の間隔(trabecular spacing)、骨梁の厚さ(thickness)、骨梁の連結性(connectivity)、骨梁間間隔(intertrabecular space)が含まれ、さらにこれらに限定されない。

例えば空間解像度といった画像の獲得にかかるパラメータを知ることができれば、形態学または解剖学的対象の２次元的もしくは３次元的構造に関する情報をより正確に導くことができる。錐体梁(cone beam)のひずみの度合いといった別のパラメータもこのセッティングに有用である。

上述のように、画像を各地のサイトからリモートサーバへ送信することができ、リモートサーバが自動化された画像分析を実行することができる。さらに、リモートサーバまたはリモートサーバに接続されたコンピュータが診断レポートを作成することも可能である。よって、ある実施形態においては、（例えばリモートサーバ上の、または、リモートサーバに接続されたコンピュータ上の）コンピュータプログラムは、この診断レポートに対し料金（チャージ(charges)）を生じさせることができる。それから、リモートサーバは医師に対して診断レポートを送信することができる。この医師は通例、このテストを発注した医師または患者を担当する医師である。また、診断レポートを第３者、例えば健康保険会社に送信することもできる。このような診断レポートの送信は、電子的に（例えば電子メールによって）、郵便、ファクス、その他の通信手段によって、行えばよい。送信された情報の全てまたは一部（例えば患者を特定する情報）は暗号化することで医療記録の機密性を保つことが可能である。

よって、被験者（被写体）の下顎および／または上顎の少なくとも一部を含む歯科Ｘ線撮像とその後のＸ線画像の評価により被写体系の骨の形態または構造を分析するシステムの一例が開示される。歯科Ｘ線撮像はあらゆる従来的方法により行われればよい。Ｘ線撮像によって画像が作成され、この画像は（例えば選択したアルゴリズムおよび／またはコンピュータプログラムを用いて）付属するシステムコントローラによって解釈され、骨ミネラル密度または骨格に対する評価が表示に供される。

本発明のさらに別の態様においては、モニタリングシステムは２つまたはそれよりも多くの構成要素を含む。その第１構成要素は、Ｘ線画像およびキャリブレーションファントムであって、これらを用いて被写体の骨に関係するデータを抽出し検出する。第２構成要素は、第１構成要素からデータを受け取り、そのデータについてデータ処理を実施して処理したデータを表示する。その一または両方の構成要素において、マイクロプロセッサの機能を使用可能である。このモニタリングシステムの第２構成要素は多くの形態をとることが可能である。

３．０．０．０ 補正因子(correction factors)
キャリブレーションファントムがあれば、歯、股関節部、または脊椎のＸ線画像から取得されるデータの正確性を飛躍的に向上させることができるが、しかし本発明はある場合においては所与のＸ線画像から取得されるデータの正確性をさらに向上させるには１つまたは複数の補正因子を用いる必要があることを認識している。このような補正因子は、画像の見かけの密度または構造に関する情報を改変してしまう様々な影響（例えば、軟組織の厚さ、データを抽出した領域等）の１つまたは複数を考慮する。

この点を鑑み、校正(calibration)および規格化(normalization)の目的で１つまたは複数のデータベースを用いることが可能である。例えば、画像の規格化または軟組織の減衰の補正は、患者の体重、身長、および体格指数といった患者の特性データを用いて行うことができる。一例を挙げると、体重が重く低身長である被験者では軟組織による減衰が大きいことが想定される。また、体重が軽く高身長である被験者では軟組織による減衰が小さいことが想定される。

他の実施形態においては、標準校正曲線(standard calibration curve)をＸ線画像に適用する。その場合、この校正曲線は、キャリブレーションファントムを用いて取得したリファレンスＸ線から導出可能である。例えば、１００人の患者がキャリブレーションファントムと共に歯科Ｘ線を受ければ、これらの画像から標準校正曲線を導出可能である。同様に１００人の患者がキャリブレーションファントムと共に股関節部Ｘ線を受ければ、これらの画像から標準校正曲線を導出可能である。例えば異なる体格指数範囲に対して、異なる体重の範囲に対して、異なる性に対して、異なる人種に対して等、母集団が異なれば、異なる校正曲線が生成される可能性がある。

３．１．０．０ 解剖学的ランドマーク(Anatomical Landmarks)
ある実施形態においては、分析されるべき構造の解剖学的ランドマークの特定、または、分析されるべき構造の近隣の解剖学的ランドマークの特定が、位置合わせおよびこれら解剖学的ランドマークに関するＸ線画像のコンピュータ解析、または、位置合わせおよびこれら解剖学的ランドマークに関する解剖学的関心領域（ＲＯＩ）のコンピュータ解析と併せて実施される。本発明は、歯科もしくはその他のＸ線検出機の位置合わせ、歯科もしくはその他のＸ線チューブの位置合わせ、ならびに、測定される組織もしくは構造、および、測定場所の近隣の組織もしくは構造の、１）組織情報(textual information)、２）構造情報(structural information)、３）密度情報（例えば密度）、４）２次元または３次元コンター(contour)情報、５）それらの組み合わせのいずれかに基づいたランドマークを用いる、得られた画像の解析を含む。本発明はまた、必ずしも解剖学的ランドマークにのみ基づく必要性はないが、幾つかの用途においては解剖学的ランドマークの実施形態と組み合わせることのできる方法および装置をも含む。本願明細書に記載の多くの実施形態は、最小限の操作者の介在の下での自動化された利用に適した設計が好ましく、また、装置の遠隔的なもしくはコンピュータによる制御に適した設計が好ましい。

ある実施形態においては、位置合わせ装置を用いて歯科もしくはその他のＸ線チューブをＸ線フィルムに対して垂直もしくはおよそ垂直な配置を確実にすることができる。そうすることによってチューブの成角（角形成）（アンギュレーション）(angulation)により生じる幾何学的ひずみが減少する。例えば、Ｘ線フィルムホルダは解剖学的ランドマーク、例えば前歯領域における下顎の後壁、に対して位置合わせされる。図１５は、歯科Ｘ線フィルムホルダを用いた位置合わせシステム例の側面図である。本システムは、咬合阻止器（１００）、ステンレススチールのロッド（１０１）、フィルム（１０３）、随意的キャリブレーションファントム(optional calibration phantom)（１０４）、一般に環状もしくはドーナツ型形状を有するリン・ホルダ(Rinn holder)（１０２）、ならびに、延長チューブ(extension tubing)（２００）を有する。延長チューブは、リン・ホルダの内側とはまり合うように設計され、一時的もしくは永続的に取り付けられることができる。本システムは、歯槽堤または下顎の後壁といった解剖学的ランドマークに対するフィルムの位置の高再現性を実現する。延長チューブは、Ｘ線チューブの位置合わせを可能とし、よってリン機器(Rinn instrument)および、究極的には歯科フィルムとほぼ垂直に位置合わせされる。

マニュアルでの歯科Ｘ線チューブ、つまりは指示および位置合わせ目的で歯科Ｘ線チューブの前に配された（例えば金属製の）チューブの位置合わせはしばしば、３もしくは５、さらにはそれ以上の度（degree）の位置決め誤差を伴い非常に正確とは言えない。そのため、Ｘ線チューブの前方にある金属製チューブとリン・ホルダとの間の垂直なもしくはほぼ垂直な位置合わせには機械的もしくは電磁気的装置を用いることが好ましい。例えば、金属製チューブは１つまたは複数のベルクロ（商標）(Vercro (TM))ストラップを用いてリン・ホルダに物理的に取付け、水準器、クロスヘア、（点または面）光源等といった光学的補助を用いて位置合わせを行うことができる。あるいは、このような物理的な取付けを、１つまたは複数の、歯科Ｘ線システムの金属製チューブとリン・ホルダにしっかりと取り付けた磁石を用いて行うこともできる。この実施形態においては、リン・ホルダおよび歯科Ｘ線システムの金属製チューブの磁石が位置合わせと物理的接触とを実現する。他の実施形態においては、例えば接着剤によって延長チューブがリン・ホルダに取り付けられる。延長チューブはリン・ホルダの一部と一体化してもよい。延長チューブは、その内径が僅かに歯科Ｘ線システムの金属製チューブの外径よりも大きくなるように設計される。歯科Ｘ線システムの金属製チューブは、リン・ホルダに取り付けられた延長チューブに挿入され、よってＸ線チューブのＸ線フィルムに対する位置決め誤差を大幅に減少させる。あるいは、延長チューブは、その外径が歯科Ｘ線システムの金属製チューブの内径よりも僅かに小さく設計されてもよい。歯科Ｘ線システムの金属製チューブは、リン・ホルダに取り付けられた延長チューブを覆って前進されることで、Ｘ線チューブのＸ線フィルムに対する位置決め誤差を大幅に減少させる。本願の開示に照らせば、当該分野の技能を有する者には容易にわかることだが、その他の数多くの取付け手段を用いて歯科Ｘ線チューブと歯科Ｘ線フィルムとを適切に位置合わせすることが可能である。取付け装置を組み合わせて使用することもまた可能である。

選択される解剖学的ランドマークは、解剖学的領域(anatomical region)の一部である。解剖学的領域とは、解剖学的特徴または位置によって特定することができる、骨、歯、またはその他の規定可能な生体（バイオマス(biomass)）上のある部位(site)を指す。解剖学的領域には表面下にある生体を含むこともできる。通常、このような領域は、ウィリアムスら著(Williams et al.)のGray's Anatomy, 1980 に見られるような標準的な医学的参照の方法論(standard medical reference methodology)によって規定することができる。解剖学的領域は、下顎縁部、上顎縁部、歯の縁部、これらの構造のいずれかにおける谷(valleys)もしくは溝(grooves)、または、それらの組み合わせを含んだグループから選択することができる。これら解剖学的部位を含むようにして歯科Ｘ線画像を撮影することは容易である。その他の解剖学的領域としては、股関節部、脊椎、前腕、足、および膝が含まれ、さらにこれらに限られない。

例えば、関心領域は、歯の頂部と下側下顎皮質(inferior mandibular cortex)との間にある。頂部については、以下の方法で自動的に見つけることができる。その方法とは、各画素の並び(row)に対し、グレー値のプロファイルを調べる方法である。歯と歯根とが交互的に交差するプロファイルは幾つかの顕著なピークと谷を有し、骨梁のみにかかるプロファイルはグレー値が不規則な変化を見せる（図６）。歯の頂部はこれら２つのパターンの遷移領域に位置する。

骨梁の構造またはマクロ解剖学的および／もしくは生体力学的パラメータの評価のための測定技法は、ユーザの介入なしで行われるように設計されることが望ましい。歯科Ｘ線の分析処理を完全に自動化するため、骨梁の構造的パラメータの計算に用いる関心領域（ＲＯＩ（ｓ））の位置決め技法を開発する必要がある。もし特定の画素の並びのプロファイルに顕著なピークが含まれるならば、その数、幅、および高さを求めることができる。次にそれらのラインの下方にある並びについて、ピークが消失するまで評価する。このラインが境界を規定し、その５ｍｍ下、歯根(root)の縦軸(longitudinal axes)の間の中央にＲＯＩを決定することができる。歯根の縦軸もまた画素の並びのプロファイルから求めることができる（図６）。画素サイズが０．０４２ｍｍ×０．０４２ｍｍの場合、これは６００ｄｐｉの解像度に相当し、ＲＯＩは５．４ｍｍ×５．４ｍｍ（１２８×１２８画素）の大きさを有する。その他のスキャン解像度に対しても、ＲＯＩの画素解像度はしかるべく調整することが可能である。

歯を失った(edentulous)患者の場合、骨ミネラル密度はライン上に位置決定された全てのＲＯＩにおいて測定可能である。例えば、８ｍｍ下方のラインであって歯槽堤に平行にＲＯＩを位置決定することが可能である。ＲＯＩをピクセル単位で左右に移動させることもできる。そして最小のＢＭＤを示すＲＯＩを後続の構造的骨パラメータ(structural bone parameter)の評価のために選択することができる。こうすることにって、犬歯(canine teeth)近傍の下顎の湾曲部の投影に起因する骨ミネラル密度の過大評価につながるＸ線像領域の算入を回避することができる。あるいは、ＢＭＤ中央値(median)を示すＲＯＩを用いてもよい。本目的においてその他の統計学的パラメータを用いることもできる。

よって、ソフトウェアその他計算部によって精査されたＸ線画像内の選択した解剖学的ランドマークを特定し、様々なパラメータおよび解析関数（機能）を用いて画像を直接的に解析することができる。さらに、このようなソフトウェアその他コンピュータを利用した解析部を用いて選択した解剖学的ランドマークからある距離だけ離れて特定の密度を示す領域を特定することも可能である。同様にして、マニュアルでの、または、コンピュータを利用した解析を行うことによって選択したランドマークに関し、最低の、最高の、中央値の、または平均の密度（もしくは構造的特性）を示す領域を特定することもできる。

さらに、異なる時刻のおける同一のランドマークについて比較（イントラランドマーク比較）すること、または、１つもしくは複数のランドマークを比較（インターランドマーク比較）することも可能である。例えば、特定の解剖学的ランドマークを参照する同一の領域に関する複数の精査を伴う単一の精査の手続の際にイントラランドマーク比較を用いてもよい。本願明細書に記載され当該分野の従来技術である統計学的分析を行うことも可能である。

よって、本発明は骨格、（骨の構造）(bone structure)の評価のための方法を提供する。つまり、２次元的または３次元的な骨梁の構造上の構成を評価する方法を提供する。骨梁の構造上の構成には、骨梁間隔、骨梁の厚さ、骨梁の長さ、および骨梁の連結性の測定が含まれ、さらにこれらに限定されない。その他の骨格測定の例を〈表１〉に示す。これらの測定は、単独で行うことができるが、また、画像強度の補正もしくは規格化を可能にし、ある実施形態においては、例えばＸ線光線の錘状光線形状に起因する幾何学的形状の歪みの補正を可能にするキャリブレーションファントムもしくは外部標準(external standards)の利用でさらに効果を向上させることもできる。

本発明は、マクロ解剖学的および／または生体力学的パラメータの評価の方法を提供する。これらの測定は、単独で行うことができるが、また、画像強度の補正もしくは規格化を可能にし、ある実施形態においては、例えばＸ線光線の錘状光線形状に起因する、倍率を含む幾何学的形状の歪みの補正を可能にするキャリブレーションファントムもしくは外部標準(external standards)の利用でさらに効果を上げることもできる。

本願明細書に記載のように、骨格またはマクロ解剖学的および／もしくは生体力学的パラメータの１つまたは複数の測定を行うことで、例えば、骨減少もしくは変質（劣化）の場合における蛋白同化または再吸収抑制剤(anabolic or antiresorptive agent)の使用といった治療法の選択を行うことができる。ある実施形態においては、骨格ならびに／または１つまたは複数のマクロ解剖学的および／もしくは生体力学的パラメータの測定を長期にわたって実施し、被写体（被験者）の骨の健康状態を長期的にモニタリングする。測定は様々に異なる時点（タイムポイント）Ｔ１、Ｔ２、．．．、Ｔｎにおいて実行することができ、骨格ならびに／またはマクロ解剖学的および／もしくは生体力学的パラメータにおける変化は登録でき、患者の骨の健康状態の追跡に利用することができる。単一または長期間にわたる測定のいずれにおいても、測定について通知を受けることができ、（例えば患者の骨格またはマクロ解剖学的および／もしくは生体力学的パラメータについての測値が健常な準拠集団(normal, healthy refernce population)から標準偏差の１倍もしくは２倍より大きく異なるような場合）所定のカットオフ値を設けることができ、また、この情報を治療法の選択に利用することができる。

本願明細書に記載のようにして所得して分析されたデータを用いて患者の治療に対する反応をモニタリングすることができる。例えば、蛋白同化または再吸収抑制薬(anabolic or antiresorptive drug)を服用している患者の、異なる時間間隔Ｔ１、Ｔ２、．．．、Ｔｎにおいて評価した骨格ならびに／またはマクロ解剖学的および／もしくは生体力学的情報に関する情報、ならびに、それら骨格ならびに／またはマクロ解剖学的および／もしくは生体力学的パラメータにおける変化を用いて治療の効果を評価することができる。医師はこの情報を利用して（例えば骨粗鬆症の治療のために）投与している薬剤の投与量を調節したり、または、投薬計画(regimen)を変更したりすることができる。

デジタル断層（トモシンセシス(tomosynthesis)）といったＸ線情報を用いた他の技術を用いて骨格の測定および治療法の選択もしくは治療のモニタリングを行うこともできる。

骨格の測定は他の数多くの技術的アプローチを用いて行うことができる。これらには、ハフ変換(Hough Transform)、骨梁の密度およびサイズの分布の解析、画素強度の分散、フーリエスペクトル解析(Fourier spectral analysis)、フラクタル次元および形態的パラメータが含まれ、さらにこれらに限られない。

３．１．１．０． ハフ変換
ハフ変換（例えばハフ(Hough)、「Machine analysis of bubble chamber pictures」、高エネルギ加速器および計測器に関する国際会議(High Energy Accelerators and Instrumentation)、１９５９、ＣＥＲＮ、を参照されたい。）を用いて２値イメージにおける幾何学的対象を検出することができる。これは、骨格およびマクロ解剖学的な評価としては全く新しい手法であり、本発明では、これらの方法を用いて骨の画像における構造の方向性および長さを分析する。そのために、関心領域（ＲＯＩ）を、ガウシアンフィルタでぼかす(blur)ことができる。そして、フィルタを通したＲＯＩの画素値を、元のＲＯＩの画素値から差し引いて各画素位置に対して値１２８を加算することができる。この結果、平均グレー値が１２８である画像が得られ、この値はさらに、骨梁が白色画素として表されている２値画像を生成するためのスレッショルドとして用いることができる。

スケルトナイゼーション（贅肉を取り去り細線化する）ステップ(skeletonization step)の後、線的パラメータ化ρ＝ｘｃｏｓθ＋ｙｓｉｎθと共にハフ変換を２値画像に適用し、直線状セグメントを発見することができる。ここで、ρは原点からの垂直な距離であり、θはｘ軸と法線とのなす角である。元の画像において各点

にある画像は、変換画像の（ρ，θ）平面における正弦曲線

に変換される（図７参照。）。理想的には元の画像において共線的な点群から変換された曲線は、変換画像においては単一の点において交差する。（ρ，θ）平面をビン(bins)に分けることができ、ここでは各ビンはそこを通過する変換曲線の数をカウントする。このカウントの数は、元の画像における線セグメント上の共線的点群の数に対応する。さらに、変換画像は、元の画像における線セグメントの優位な角(predominant angle)に関する情報を提供する（図８参照。）。

あるスレッショルドを上回るカウント数の全てのビンについて計算した、線セグメントの平均長さおよびその分散を、骨梁の形状に関する構造的パラメータとして用いることができる。長さの多様性のみならず平均長さは、骨粗鬆症患者では減少する。スレッショルドはある最小長さのセグメントのみが計算に盛込まれる効果を有する。健常な固体と罹患した固体とを、最もよく区別するスレッショルドの選定は、本願明細書の開示を考慮すれば、当該分野の技能を有する者には容易である。

変換画像ｈの質量中心は次式で与えられる。

ここでは、各ビンは、そのカウントに等しい質量を有する要素と解される。これは骨梁セグメントの優位な角を測定する方法の１つである。ｃｍの角は、歯槽の縁に対して測定され、標準化した値(standardized value)として取得される。さらに重要なことに、（ビンのカウントをスレッショルドで分けた（スレッショルディング(thresholding)）あとで再度計測した）セグメント角の分散は、骨梁の異方性に関する情報を提供する。骨粗鬆症の椎骨に関する組織形態学的研究により、疾病により骨梁の方向性の多様さが失われることが知られている。

３．１．２．０． 骨梁の密度およびサイズの分布の解析
拡張(dilation)および浸食(erosion)ならびにそれらの組み合わせの変動性分析(variation)といった形態学的作業もまた、グレースケールのまたは２値の画像における構造のサイズの検出に用いることができる。例えば、スケルトンオペレータ(skeleton operator)を用いて異なる大きさおよび方向性の骨梁の抽出ならびに定量化が可能であり、この結果より、骨梁構造のサイズの分布を測定できる。このスケルトンオペレータは、クマサカら(Kumasaka et al.)の、(1997), Dentomaxillofac Rad 26:161-168 ならびに以下の研究成果に基づいている。

２次元的構造要素ｅをウィンドウ−ｍ≦ｉ，ｊ≦ｍ （ｍ＞０），Ｅ（ｉ，ｊ）∈｛０，１｝の関数とする。ダイレーション（拡張）オペレータは、グレースケール画像ｆにおける画素値ｆ（ｘ，ｙ）をサイズｍのウィンドウ内部の画素値の最大値に設定し、ｅ（ｉ，ｊ）＝１に対し、

である。

エロージョン（浸食）オペレータは、最大値の代わりに最小値を用いて次式で表される。

「オープン(opening)」は、最小探索（ミニマム・サーチ）の後での最大探索（マキシマム・サーチ）操作である。

従って、「クローズ(closing)」操作は、最大探索の後での最小探索と定義される。

−１≦ｉ，ｊ≦１に対しＥ_１（ｉ，ｊ）＝１のように、固定的な構造要素Ｅ_１が与えられる場合には、スケルトンオペレーション（操作）は次式で定義される。

Ｅ_２は別の構造要素であって、この要素は円形形状に関する要素であり、サイズの変化も可能である。よって、この要素は画像内の構造の大きさに敏感なスケルトンオペレータの役割を果たす。Ｅ_２でのｆのエロージョン（浸食）は、Ｅ_２よりも小さな構造を異レース（消去）し、少なくともサイズが同等の骨梁を抽出する。厳密に同じサイズの構造は１画素幅に減縮される。Ｅ_１でのオープンステップは、１画素幅の構造の全てを見えなくする（式（１）における第２項。）。第１項からこの第２項を差し引いた後、厳密にＥ_２のサイズと一致する骨梁構造のみが残る。最終的には、画像は１のレベルで分けられる(thresholded)。このオペレータの効果を図９に示す。

図１０は、骨梁を含む歯科Ｘ線像からのグレースケールの関心領域上で図９と同じ構造要素の径でのスケルトンオペレータを実際に使用した例である。スケルトンオペレーションのそれぞれから得られる２値画像における明るい画素の数は、元の画像における特定のサイズの骨梁部分に対応する。肉を取り去った（スケルトナイズド）画像のそれぞれにおける総画素数に対する明るい画素のパーセンテージを、Ｅ_２の径に対してプロットし、曲線の「質量中心」、つまり、支配的な構造サイズ、を骨粗鬆症の骨と健康な骨との区別の指標として用いることができる。

さらに、スケルトンオペレータを最適化および外延し、特定の方向を向く構造のみを検出することが好ましい。これは、例えば対角画素を１にのみ設定した構造要素で、エロージョンオペレーションをスケルトンオペレータに加えることで実現することができる。

これによって異方性指標（インデックス）(anisotropy index)を計算することができる。これは、ハフ変換より導出されるものと類似したものである。両異方性指標は、骨粗鬆症の骨と健康な骨とを区別する能力に関してテストを受ける。

同様の方法で、髄腔のサイズを調べることができる。その場合、スケルトンオペレータは次式で定義される。

さらに、強度による（ウォーターシェッド）セグメンテーション解析を、Ｘ線画像のグレーレベルの構造を差し引かれた背景（バックグラウンド）に適用し、骨梁構造の均質性(homogeneity)を特徴付けることができる。この処理（プロセス）は、構造間のグレーレベルのコントラストを考慮に入れることで、髄腔を規定する。差し引かれたバックグラウンドの骨Ｘ線画像に対し強度による（ウォーターシェッド）セグメンテーション解析を適用した場合、このウォーターシェッドセグメンテーションは、隆線（リッジ(ridge)）の空間的範囲およびグレーレベルに準じて、髄腔のような、より高いグレーレベルの構造（または隆線）に取り囲まれたより低いグレーレベルを有する領域（または盆（ベーズン(basin)））を規定する。よって、この手続で定まる髄腔セグメントのサイズおよび方向性は、近隣の骨梁構造の間隔(spacing)、相対密度、および方向性に関連を有する。ウォーターシェッドセグメンテーションで生成される髄腔のセグメントは、セグメントの内部のＸ線画像上での、その面積、離心率(eccentricity)、方向性、および平均グレーレベルについて測定される。各セグメントの特性を調べるために（例えば平均、標準偏差、最小、最大、および最頻（モード）といった）統計量を測定することができる。これらの統計量から選択すれば髄腔および骨梁構造の均質性を反映させることができ、髄腔および骨梁構造の異常な分布の存在を検出することに用いることができる。

３．１．３．０． 多元的分類スキーム(Multidimensional Classification Scheme)
ある実施形態においては、複数の指標（インデックス）を用いて骨格および／またはマクロ解剖学的パラメータを測定することが好ましい。よって、１つまたは複数の適当な指標を統合する新規な手法を採用することができる。例えば最近傍分類法(nearest neighbor classification)を用いることによって、指標を最適化し、多元的分類スキームに組み込むことが可能である。カバーら(Cover et al.), (1967) IEEE Trans Inform Theory 13(1):21-7 を参照されたい。（例３を参照。）

＜表１＞は、異なる分析法と、測定可能なパラメータの解剖学的／生理学的相関関係を示す表である。

３．１．３．１ 平均画素強度
平均画素強度は、骨ミネラル密度に関する一般的なパラメータである。骨組織を透過するＸ線が吸収される程度は、骨のミネラル含有量に依存する。より高いミネラル密度を有する骨は、Ｘ線のより多くの部分を吸収する。従ってＸ線画像にあってはより明るく映る。

ＲＯＩにおける平均画素強度である、

は、画像に含まれるアルミニウムの校正用光学くさび（キャリブレーションウェッジ(calibration wedge)）に対して校正される。キャリブレーションウェッジの各厚さレベルに対する平均画素強度のログが厚さに対してプロットされ、それによって、

を、標準化したアルミニウム厚さ当量(standardized aluminum thickness equivalent)に変換することができる。この当量をこのパラメータの値として用いる。キャリブレーションウェッジの異なる厚さレベルの自動認識は、ウェッジに刻み込まれた異なる幾何学的パターンによって可能となる。このパターンはＸ線画像において見ることができ、自動的に位置特定される。

３．１．３．２． 画素強度の分散
ＲＯＩにおける画素のグレー値の分散、ｖａｒ ｆ（ｘ，ｙ）、は画素強度の多様性を示し、よって、骨梁の画素強度の可変性を表し、そのため、骨梁形成(trabeculation)の程度を測る手段となり得る。ｖａｒ ｆ（ｘ，ｙ）の減少は、骨梁の減少を反映していると予測されている。サザード＆サザード(Southard & Southard)(1992) Oral Surg Oral Med Oral Pathol 74:111-117 参照。

３．１．３．３． フーリエスペクトル解析
構成（テクスチャ）の空間的周波数スペクトルは、その粗さ(coarseness)に関する情報を提供する。画像における微細な構造および縁部（エッジ）は、周波数領域における高周波数に対応し、他方、粗いテクスチャは、より低い周波数を示す。骨梁のＸ線画像にこの手法を適用すれば、粗いまたは小さな骨梁形成（トラベキュレーション(trabeculation)）は低い空間周波数においてフーリエスペクトルのエネルギの集中を示し、微細な骨梁構造の領域は高周波数におけるスペクトルのエネルギの集中を見せる。

通例、選択したＲＯＩに関する２次元フーリエ係数を用いる。この２次元的係数を用いて離散的な空間周波数ｕに対応した半径の円上の全ての係数を平均化することにより１次元的パワースペクトルＦ（ｕ）を求める。変換係数絶対値の平均、

および、係数絶対値の空間第１モーメントの平均、

を、第１（「直流（ＤＣ）」）係数を除いた後で求める。Ｍ_１は、幾何学的対象（オブジェクト）に関する「質量中心」に類似して、どの周波数がスペクトルのエネルギに最も寄与しているかを測る手段を提供する。

３．１．３．４． フラクタル次元
画像におけるテクスチャの分析の別手法にフラクタル解析がある。フラクタルとは、ある統計学的自己相似または自己アフィン特性を示す対象である。元のサイズまで伸縮した対象の一部は、例えば、元の対象と同じ表面積（３次元）または同じ周囲の長さを有する。フラクタル解析との関連において、特定のテクスチャにおけるグレー値は、高さ(altitude)と解され、よって得られる３次元的表面が分析される（図１１）。

フラクタル次元（ｆｄ）は、測定スケールが小さくなるにつれ、対象の周囲の長さまたは表面積の増加する比率である。ラス(Russ) "The Image Processing Handbook", Third edition ed. 1999, Baca Raton: CRC press を参照されたい。これは境界または表面の複雑さに対する測定手段であり、対象の粗さ(roughness)の直感的概念(intuitive notion)に対応する。１つの理論にとらわれなければ、骨梁が薄くなりその連結性が失われ、故に複雑性が増加している骨粗鬆症の骨梁は、健康な骨よりも高いフラクタル次元を有するであろうことが仮定される。

ＦＤを測定することができる幾つかの方法論より導かれる、複数の結果は類似しない。よって、様々な方法をテストして、どれが（またはどの組み合わせが）最もよく正常な被写体（被験者）と骨粗鬆症の被写体（被験者）とを区別しうるか、決定する。

第１の方法は、高速フーリエ変換（ＦＦＴ）を用いてＲＯＩの２次元パワースペクトルを計算した後で、周波数領域において適用される。２次元フーリエ係数より、上記のようにして、フーリエ解析のために１次元パワースペクトルを作成する。この１次元パワースペクトルを周波数のログに対するパワーのログとしてプロットした場合、フラクタル理論によれば、１＜ｂ＜３なる大きさｂの負の傾きが現われるはずである。そして次に、ＦＤ値を、ＦＤ_１＝３．５−ｂ／２より計算する。

別の手法である、ミンコフスキー(Minkowski)の方法では、近傍で用いられている値の大きさの関数として与えられる、表面に対してフィットされた上方包絡線と下方包絡線(upper and lower envelope)の差（のＲＯＩにわたる総計）を測定する。ペレッグら(Peleg et al.)(1984) Anal Mach Intell 6(4):518-523 を参照されたい。δ（δ＝１，２，３，．．．）を包絡線と表面との差とすると、上方包絡線ｕ_δおよび下方包絡線ｕ_δは次式で与えられる。

ここで、ｆ（ｉ，ｊ）は、ＲＯＩにおける画素ｕ（ｉ，ｊ）のグレー値である。ｌｏｇ（δ）に対してプロットした面積Ａ（δ）のログは、大きさｂ’の負の傾きを有する線となる。フラクタル次元は、ＦＤ_２＝２−ｂ’より求められる。この面積は、

より計算される。ここでは、

である。

３．１．３．５． 形態学的パラメータ
上述の特徴的機構およびパラメータは、どちらかと言えば骨梁構造に関する一般的な情報をもたらすが、以下の例では、さらに細やかな側面を説明する。

グレースケールの関心領域は、先ず２値化される。ホワイトら(White et al.)(1999) Oral Surg Oral Med Oral Patholo Oral Radiol Endod 88:628-635 に記載されているように、このことは次のようにして実行することができる。ＲＯＩを、ガウシアンフィルタを用いてぼかす(blur)。次に、ぼかしたＲＯＩを元のＲＯＩから差し引き、値１２８を各画素位置に対して加算する。この結果平均グレー値が１２８の画像が得られ、この値をスレッショルドとしてさらに用いることにより骨梁は白色、髄腔は黒色の画像が得られる。

この２値画像では、白色画素の総数が骨梁の領域を表す。この値は総ＲＯＩ領域に対するパーセンテージで示される。外側の骨梁の境界上の画素の数は、骨梁の周囲の長さを示す。黒色画素を計数することによって、これと同様のパラメータを髄腔に対しても求めることができる。

２値画像に関して細線化した（スケルトナイゼーションを行った）後、骨梁の総長さを、白色画素の総数より求める。さらに、終端点および分岐点の計数は、骨梁の長さの比率(proportion)を表す。骨梁の平均長さの推定量は、骨梁の総長さと、終端点および分岐点の合計の比で計算される。

３．１．３．５． マルコフ・ランダム場(Markov Random Fields)
ある実施形態においては、放射線画像からの骨粗鬆症の検出および骨折の危険性の予測のためのモデルとして、マルコフ・ランダム場を用いることができる。本願に記載のように、骨粗鬆症は通例、コンピュータによる検出および特徴付けが可能な構造上の変化として放射線画像内に現われる。よって、この、放射線画像による骨粗鬆症の検出および／または特徴付けは、画像中の骨もしくは骨梁の構造の密度に関連する特徴または特徴群を測定ならびに分析することに依存している。

マルコフ・ランダム場を使用することで、各画像の要素もしくは画像の周辺で評価される、特定の結合特徴の分布（｛Ｆ１，Ｆ２，．．．，Ｆｎ｝）のモデリング（図１９）、または、特定の構造の定義付け（例えば骨梁）に関する実際の放射線写真上の明瞭な出現のモデリング（図２０）によって、構造の密度の変化を分析ならびに検出することができる。

各画像要素または画像の周辺における評価に関する第１の場合においては、マルコフ・ランダム場の枠組みを用いて、コンテキストベースの特徴解析／識別を行う。この解析／識別の手法は、構造間の局所的な関係性を考慮し、よって、これら考慮する構造の相対的な値に影響を与え得る（例えば可変的な軟組織または、境界によって失われた、もしくは不完全な、データといった）空間的に変化している過程を効果的に補償する。（ブンティン(Buntine)(1994) "Operations for learning with graphical models", J. Artificial Intelligence Res. December:159-225 を参照されたい。）

この手法を用いて、骨梁構造の節点（ノード）および、結合特徴のセットに関する最も有望な連鎖を決定することによって定まる、それらに関係する特徴の解析に基づいて、最も起こりやすい骨折の進路を予測することもできる。解析の枠組みには尤度比の手法(Likehood Ration approach)、

を用いることができ、ここでＰ（ＲＯＩ｜．）は、相当するマルコフ・ランダム場モデルによって与えられる。

別の解析手法は、例えばヘッカーマン Ｄ(Heckerman D)(1996) "A tutorial on learning with Bayesian networks", Microsoft Research Technical Report, MSR-TR-95-06 に記載のような、入手可能なテストケースのデータに基づくベイジアンネットワークの構築と学習を利用する。

また、マルコフ・ランダム場を用いて、画像内の構造の明示性(manifestations)を確率論的な用語でモデル化することもできる。（ゲーマンら(Geman et al.)(1984) "Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of images", IEEE Transactions on Pattern Analysis and Machine Intelligence 6:721-741 、ベーサック(Besag)(1986) "On the statistical analysis of dirty pictures", Journal of the Royal Statistical Society, 48(3):259-302 を参照されたい。）図２０に示すように、画像の各構成要素（ノイズおよび特徴的構造）は、それぞれ関連付けられた確率論的モデルＰ（Ｎ）およびＰ（Ｉ｜Ｔ）を有する。これらは、グレーレベルの強度の空間的分布を記述する。例えば、デジタル／デジタイズド放射線写真におけるノイズ成分は通例、正規分布またはポワソン分布している画素と仮定される。特徴的なテクスチャの分布Ｐ（Ｉ｜Ｔ）の記法は、領域Ｉの対応する確率分布が、特徴的構造の存在Ｔの条件付き（記号｜で表される）であることを反映するようにして定められている。このような確率論的な枠組みのための分析ツールは、図２１に示す確率論の法則および、特にベイズの規則に基づいてもたらされる。ベイズの規則は、特徴的構造の出現がどのくらい頻繁か（どのくらい起こりそうか）についての経験（確率分布Ｐ（Ｔ）で表される事前情報）ならびにノイズおよび可変性の源（ソース）がどのくらい対応する特徴的構造の明示性を変化させるかについての知識（起こりうる特徴的構造および重なった質を下げる構成要素が与えられたＲＯＩ画像の尤度に関する知識、よって尤度関数Ｐ（ＲＯＩ｜Ｔ）とも称される）に基づく、ＲＯＩ内の所与の特徴的構造の存在に関する我々の知識の更新の規則と言うことができる。図２１は、決定基準(decision criteria)として用いることが可能な最大事後情報での構造の単純な選択を例示する。

尤度関数Ｐ（ＲＯＩ｜Ｔ）を定めるために、マルコフ・ランダム場モデリングを用いてよい。マルコフ・ランダム場は、マルコフ性(Markov property)を満足する特定の多元ランダム過程である。マルコフ性は単に、事象のランダムな列においては、各事象は事象の限られた集合にのみ依存することを述べるに過ぎない。この性質は画像における構造のモデリングおよび分析では使い勝手がよくて直感的に理解しやすい。基本的には、ＲＯＩ内の画素の分布がマルコフ性を有するようにモデル化可能であれば、画素が所与の構造に属するかどうかを決定するためには周辺の限られた数の画素のみが必要となる、ことを述べている。

マルコフ性を有するランダム場は次式で表される関連を有するギブスの確率分布が与えられるというさらなる利益をもたらす。

ここで、関数
Ｕ（Ｓ_１，Ｓ_２，．．．）＝ΣＶ（Ｓ_ｉ）＋ΣＶ（Ｓ_ｉ，Ｓ_ｊ）
＋ΣＶ（Ｓ_ｉ，Ｓ_ｊ，Ｓ_ｋ）＋．．．
は、クリーク(clique)と呼ばれる局所的周辺要素の（ポテンシャルと呼ばれる）関数Ｖに従属する。クリークは、
｛Ｓ_ｉ｝，｛Ｓ_ｉ，Ｓ_ｊ｝，｛Ｓ_ｉ，Ｓ_ｊ，Ｓ_ｋ｝，．．．∈Ｃ
である。

クリークの有意性とは、クリークが、例えば垂直な、水平な、および対角的な幾何形状といった、関心のある構造の特定の空間的分布特性を反映させるために用いることができる基本的要素である点である。さらに、各画素を局所的周辺におけるクリーク

で表すことができるので、マルコフ性は好都合に明示することもできる。

特定の構造上の密度グレードに関する画像の特徴のファミリーに対するモデルのパラメータ化および事前情報の定義は、入手可能な患者データからの推定、従って経験的事前(empirical prior)の定義、または、画像生成過程に基づく物理的および確率論的モデルの構築のいずれかによって可能である。

３．１．４．０ オーバーラッピングウィンドウ処理
さらに、２つまたはそれよりも多くの、オーバーラップしたＲＯＩを定義し、所与の画像の分析に用いることができる。換言すれば、骨密度、微細構造、マクロ解剖学的および／または生体力学的な分析を、規定のサイズ、形状および、位置の領域内に用いることができる。この関心領域のことを「ウィンドウ」とも称する。画像の異なる位置にあるウィンドウの内部に対して処理を繰り返し行うことができる。例えば、サンプリングポイントの場（フィールド）を作成し、これらのポイントにおいて分析を実施してよい（図１６）。各パラメータに対する分析の結果は、マトリックス空間に記憶することができる。例えば分析を実施するサンプリングポイントの位置に対応するマトリックスの位置に記憶してパラメータの空間的分布のマップを形成する（パラメータ・マップ）。サンプリングのフィールドは規則的間隔を有することも、画像において密度を変えて不規則な間隔で行うこともできる。

例えば、サンプリングポイント（およびパラメータ・マップの解像度）の間隔または密度を用いて、ウィンドウ間での重なり（オーバーラップ）の量を定めることができる。よって、サンプリングポイントの密度は高解像度が望ましい領域においては、より高く設定し、かつ、適度な解像度で十分な場所ではより低く設定し、処理の効率を向上させることができる。ウィンドウのサイズおよび形状はパラメータの局所的特異性(specificity)を定める。ウィンドウのサイズは、計測される構造の殆どを含むように設定されることが好ましい。大きすぎる(oversized)ウィンドウは一般に避けられる。その理由は、局所的特異性の損失が生じないことを確保するためである。

ウィンドウの形状は、測定される局所的構造の方向性および／または幾何形状と同じ形状に変更することができ、刈り取られる（クリップされる）構造の量を最小化して局所的特異性を最大化することができる。よって、得るべきデータおよび画像の性質に応じて、２次元的および／または３次元的ウィンドウの両方を用いることができる。

別の実施形態においては、（例えば有限要素モデリングを用いて導出される）骨密度、微細構造、マクロ解剖学的および／または生体力学的な分析を、所定のサイズおよび形状および位置に用いることができる。領域は一般に、検査される全てまたは殆どの解剖学的領域を含むように選択され、またパラメータを、画素単位で、または断面もしくは容積のある画像の場合にはボクセル(voxel)単位で評価することができることが望ましい。あるいは、分析を、画素もしくはボクセルのクラスターに適用することもできる。この場合、クラスターのサイズは通例、空間的解像度と処理速度との間の妥協点となるように選択される。各種分析により、パラメータ・マップがつくられる。

パラメータ・マップは、画像もしくはウィンドウの１つまたは複数のパラメータの測定に基づいてつくることができるが、統計学的方法を用いて導出することもできる。ある実施形態においては、このような統計学的比較に、例えばｚ値もしくはＴ値を用いた、データと準拠集団(reference population)との比較を含むことができる。よって、パラメータ・マップは、ｚ値またはＴ値の表示を含むことができる。

３．１．４．１． パラメータ・マップの分析と選択
パラメータ・マップは、個々のパラメータを表すことができ、また、例えば有限要素モデリングから導出した密度、微細構造、マクロ解剖学的パラメータまたは、生体力学的パラメータといったパラメータの組み合わせを表すことができる。パラメータ・マップは、類似する特徴を備えた領域またはパッチ(patch)を特定する上で有用である。例えば、その位置、形状、サイズ、方向性、および広がりの程度に従い、（例えばデータセットにおける高い値もしくは低い値といった）類似の特徴を示す特定の領域またはパッチは通例、例えばより強いもしくはより弱い領域といった異なる性質を有する骨の領域を示す。よって、パラメータ・マップを用いて仮想的な骨折線を作成することができ、これは骨折の危険性の増加が考えられる骨の領域を予測する上で役立つ。体外における機械的負荷試験の結果、または、その他の手段（例えば骨粗鬆症の被験者における横断的もしくは長期的な研究、特にそれらの進行中の骨折に関する研究）の結果の統計学的解析より、１つまたは複数のパラメータ・マップを選択することができる。例えば、この選択は、実際の骨折線の位置と最もよく相関があるような、および／または、骨折の危険性、骨粗鬆症の骨折の発生、または骨折につながる負荷と最もよく相関があるようなパラメータ値を有する、パッチの位置、形状、サイズ、方向性、および広がりの程度に基づいて行うことができる。

３．１．４．２． 骨折進路予測(Fracture path prediction)
骨折線とよい相関があるパラメータ・マップが複数ある場合、当該分野の技能を有する者には周知の統計学的方法および／または本願明細書に記載の手法を用いて、多変量回帰モデルをフィットさせることによって、例えばＸ線撮像、デジタルトモシンセシス(digital tomosynthesis)、ＣＴおよびＭＲＩといった２次元的または３次元的データセットから導出した複合的パラメータ・マップ(composite parameter map)を作成することができる。パラメータ・マップは、骨の全体的な強さもしくは骨折の危険性、または、骨折進路の予測による骨折につながる負荷の予測に用いることができる。予測した骨折進路は、本願明細書においては、１つまたは複数の特定の方向に十分な力がかかった場合に最も骨折が生じやすいと思われる仮想的経路である。

ある実施形態においては、強度による（ウォーターシェッド）セグメンテーション解析を、選択した、または、複合的な、パラメータ・マップに対して適用することができる。ウォーターシェッドセグメンテーション解析は、（例えばＣＴもしくはＭＲから取得した断面的または体積のある(volumetric)データといった）３次元画像のみならず、２次元画像に対して適用することもできる。ウォーターシェッドセグメンテーション解析の境界は一般に、パラメータ・マップの隆線（リッジ）、つまりはピーク値、に沿って形成される。骨の強度または骨折につながる負荷と正の相関を有するパラメータ、つまり、より強い骨に対し高い値を有するパラメータに対しては、パラメータの逆数を用いてウォーターシェッドの境界を作成し、境界がパラメータの極小に沿って形成されるようにする。ウォーターシェッドの境界の節点を特定することができ、この節点はウォーターシェッドの境界をセグメントに分ける（図１７）。これらセグメントはそれぞれ強度値もしくは骨折負荷値を割り当てることができ、この値は、セグメントを通底する１つまたは複数のパラメータ・マップからの複合的な値である。セグメントの長さ、方向性、および、位置は、強度値の規格化の係数として使用することができる。

ウォーターシェッドの境界の節点およびセグメントを、ラベル付けし、トレースし、測定し、例えば図形に関する（グラフィカルな）構造体といった、データ構造体の形で記録することができる。強度値および相互の連結に関する関係性(interconnect relationship)を、各セグメントに対して記録することもできる。最も生じやすいと思われる骨折進路を特定するために、例えば縦型探索(depth-first search)（ラッセル Ｓ．(Russell S.)、ノルビク Ｐ．(Norvig, P.), Artificial Intelligence: A modern approach 1995, NJ: Prentice Hall. pp.77）といった探索方法(search strategy)を、データ構造にわたって反映させ、所定の立体角で限定した骨のある表面からそのもう一方の対向する表面への最小の抵抗力を示す経路を求める。あるいは、人工のニューラルネットワークを学習させることにより、入力として与えられたパラメータ・マップについて骨折進路を予測することができる。

３．１．４．３． 骨折の危険性の予測
１つまたは複数の骨折進路を予測した後、さらなる処理を、通例では異なるウィンドウのサイズおよび／または形状で予測した骨折進路に沿ってさらに高濃度で節点を有する新たな処理グリッドで、実行してもよい。（２次元的または３次元的画像において）より高い解像度で骨折進路の出口（終点(exit)）における皮質の厚さといったマクロ解剖学的パラメータについて評価することができる。骨折の危険性を最もよく予測するパラメータを、予測された骨折進路に沿って評価することができる。例えば１つまたは複数の特定の負荷の方向性に対する１つまたは複数の骨の力学的特性の大きさと高い相関のある、または、骨折の危険性、新しい骨折の発生、もしくは骨折につながる負荷と高い相関性のある、密度、微細構造、マクロ解剖学的測定および生体力学的パラメータを含むパラメータは、（例えば骨粗鬆症の被験者における横断的もしくは長期的な研究、特にそれらの進行中の骨折に関する研究といった、）体外における機械的負荷試験の結果またはその他の手段の結果の統計学的解析によって選択される。この力学的特性は、降伏負荷（降伏点）(yielding load)、剛性(stiffness)、およびヤング率を含み、さらにこれらに限らない。

予測される骨折進路に沿ったパラメータの値を、母集団の統計学的分布と比較してもよい。これらのパラメータのｚ値およびＴ値は、特定の予測される骨折進路で生じる骨折の危険性と関連性を有する。よって、骨折の危険性の値（スコア(score)）を、この骨折進路に与えることができる。また、予測される骨折進路を、一般的骨折類型の臨床的定義(clinical definition)と関連付けることもできる。予測される骨折進路のそれぞれの骨折危険性のスコアを特定のタイプの骨折の生じる確率で重み付けすることで、総体的骨折危険性を評価することができる。図１８は、この処理に関する概略的説明例である。

３．１．５．０． 生体力学的評価
密度、微細構造、マクロ解剖学的パラメータに関する処理より抽出した特徴および値を、例えば有限要素解析を用いたモデリングといった生体力学的モデリングに対する入力として用いることができる。有限要素モデリング（ＦＥＭ）は、骨の物理的機械的特性または骨および移植物の混合体の物理的機械的特性の代替物として用いることができる。簡潔に言えば、ＦＥＭは、構造もしくは物体（オブジェクト）の分割(division)を備え、各要素に関する力学的ふるまいは的確な数式で記述することができる。ＦＥＭのサブセットである構造有限要素解析(structural finite element analysis)（ＦＥＡ）は、特定の負荷条件の下での構造内の任意のポイントにおける力学的ふるまい（応力およびひずみ）の計算である。全ての有限要素モデルの基礎は、物体もしくは構造の２次元的または３次元的なデータである。

有限要素解析のための入力メッシュ(input mesh)として使用することができる微細構造およびマクロ解剖学的特徴の例は、骨梁構造に関する実のならびに導出による画像もしくはデータ構造、皮質骨に関する画像もしくはデータ構造、骨梁の骨格(trabecular skeleton)の画像、データ構造、または、オーバーラッピングウィンドウ処理より導出したパラメータ・マップを含み、さらにこれらに限らない。入力特徴（量）は、２次元的および／または３次元的画像から取得することができる。１つまたは複数の方向に、模擬的（シミュレーションした）力を加えることができ、その方向は通例、骨折を生じるであろう実際の力の成分と関連している。有限要素解析により、骨折のシナリオのそれぞれに対する骨折につながる負荷および方向性を推定することができる。骨折の危険性は、骨折につながる負荷を骨折のシナリオの発生する確率で重み付けすることにより推定される。さらに、有限要素解析により推定される骨折進路を、密度、微細構造、マクロ解剖学的特徴の解析に対する入力として用いることができる。例えば、密度、微細構造、マクロ解剖学的特徴を、有限要素モデリングにより予測される骨折進路の領域で測定することができる。逆に、有限要素解析を、別の画像および臨床データと組み合わせることができ、骨折を発生させるかもしれない力の成分を加えた場合に骨が折れるかどうかを予測することによって骨折の危険性を求めることができる。

従属的なもしくは独立した解析結果または統計学的方法の１つまたは２つ以上の組み合わせを用いることで、骨の骨折の危険性を評価することができる。この組み合わせの一例は、重み付けした密度の平均値（スコア）、微細構造、マクロ解剖学、有限要素解析、ならびに、体重、身長、骨折歴、骨折の家族歴等といった臨床的危険因子である。

有限要素モデリングは、画像に含まれる全ての骨質(bony)の構造に対し適用することができる。しかしながら、有限要素モデリングは通例、選択した下位領域（サブリージョン）に適用される。ある実施形態においては、予測される骨折進路と重なるか境界を接する領域において、例えば微細な構造の、または、マクロ解剖学的な測定に基づいて、有限要素モデリングを適用する。骨の特性に関する生体力学的評価を、密度、微細構造的、および、マクロ解剖学的な評価と組み合わせることにより、骨折の危険性の予測および／または骨折につながる負荷との相関性を改善することができる。そして、生体力学的特性に関する局所領域的な評価も骨折進路（経路）の予測の精度を向上させることができる。

生体力学的評価には、マクロ解剖学的レベルでのてこ（レバー(lever)）および力を推定する、さらに旧来からある手法を含むことができる。それらの手法は、例えば、予想される負荷もしくは応力ならびに骨のマクロ幾何学的パラメータに基づく、モーメント、剪断力、および圧縮力の測定である。これら旧来の手法を、有限要素モデリング、密度、骨格、および、例えば皮質の厚さといったマクロ解剖学的パラメータの測定と組み合わせることができ、よって、骨の強度および骨折の危険性の評価を改善し、骨折につながる負荷との、究極的には新しい骨折の発生との相関性を改善する。

当該分野の技能を有する者にとっては理解容易なことだが、測定するマクロ解剖学的パラメータを、測定すべき関心領域に応じて変更することができる。例えば、脊椎の部分を調べる場合ならば、ユーザは、骨格測定を、マクロ解剖学的測定および／またはＦＥＡおよび／またはその他の生体力学的測定および／または骨ミネラル密度と組み合わせることができる。脊椎において使用される実際のマクロ解剖学的測定は、例えば、内側の椎弓根の径(inner pedicle distance)、外側の椎弓根の径(outer pedicle diameter)、（前部、中央部、後部、左部、右部、もしくはそれらの組み合わせのいずれかの）椎骨の高さ、（上部、中央部、下部、もしくはその他の位置のいずれかにおける）椎骨の前部−後部の径、（斜交する平面における）椎骨の径、（例えば内部皮質または外部皮質を用いた）椎骨の対角、（前部、中央部、後部、左方から、右方から、もしくはそれらの組み合わせにおける）上位終板の厚さ、または（同様に前部、後部、左方から、右方から、もしくはそれらの組み合わせにおける）下位終板の厚さ、を用いることができる。

同様に、膝および脛骨を調べる場合ならば、ユーザは、骨格測定を、マクロ解剖学的測定および／またはＦＥＡおよび／またはその他の生体力学的測定および／または骨ミネラル密度と組み合わせることができる。当該分野の技能を有する者にとっては理解容易なことだが、膝および脛骨の領域を調べる際に測定に用いる骨格は、解剖学的な変化に起因して変化する。よって、膝および脛骨の領域を調べる際、例えば、内部皮質もしくは外部皮質を用いた骨の前部−後部の径もしくはそれらの組み合わせ、内部皮質もしくは外部皮質を用いた骨の内側−外側(medial-lateral)の径もしくはそれらの組み合わせ、様々な場所における皮質の厚さ、皮質の厚さの標準偏差、様々な場所における軟骨下骨の厚さ、ならびに／または、それらの組み合わせから、適切な測定を行うことができる。

マクロ解剖学的な測定を用いて、骨格または骨密度測定の規格化を行うような場合も生じると思われる。例えば、脛骨においては、患者の脛骨が前部−後部の寸法において太い（例えば平均よりも太い）場合、骨格および／または密度測定を改めることができる。それから、マクロ解剖学的測定を用いて、例えば、前部−後部方向における太い脛骨の測定とその他の測定との比を取るなどすることによって、脛骨測定を規格化する。

３．２．０．０． 軟組織
Ｘ線像において、骨密度および骨格、マクロ解剖学的パラメータ、ならびに例えば有限要素モデリングを用いて導出した生体力学的パラメータを解析し評価する上で、軟組織の厚さの変動が重要な意味を持つ場合がある。従って本発明は、骨格または高密度な組織(dense tissue)の評価において、特に骨粗鬆症もしくはその他の骨の症状の診断ならびに／または予測において軟組織に対する補正を行う方法ならびに装置を含む。

ある実施形態においては、Ｘ線画像は、歯科Ｘ線画像であり、以下のような補正方法を含んでいる。その補正方法とは、（ａ）Ｘ線検出機を用いた被写体（被験者）の下顎および／または上顎の少なくとも部分に関する精査(iterrogating)、（ｂ）精査された下顎および／または上顎のＸ線画像の作成、（ｃ）Ｘ線画像からの、骨密度または骨格に関するデータの取得、（ｄ）周囲を取り囲んでいる軟組織の精査による軟組織の厚さの決定、ならびに（ｅ）Ｘ線画像から取得したデータの、軟組織の厚さに対する補正による補正、である。この調査のグループには、骨粗鬆症でない月経閉止前の、骨粗鬆症でない月経閉止後の、骨粗鬆症である月経閉止後の患者が含まれる。歯科Ｘ線に関連して例示するが、本願に記載の数多くの方法は、例えば股関節部もしくは脊椎部Ｘ線画像といった他のＸ線画像に対しても適用することができる。

被写体において測定された軟組織の厚さを、（例えば、年齢、性別、人種、または体重の一致する健常な対象といった）管理対照集団(control population)から取得したリファレンス軟組織厚(reference soft tissue thickness)と比較することができる。リファレンス軟組織厚は、健常な血管の、心臓の、肝臓の、もしくは腎臓の機能を有しかつその他の病状を有さない健康な対象（被写体）の軟組織厚さを測定して作成することができる。リファレンス軟組織厚は、平均および標準偏差もしくは標準誤差として表すことができ、さらにこれらに限定されない。リファレンス軟組織厚は、１５−２０、３０−３０、３０−４０、４０−５０、５０−６０、６０−７０、７０−８０、および８０以上の年齢の患者ごとに独立して取得することができ、さらには、男性と女性とで分けて独立して、かつ、人種ごと（例えばアジア人、アフリカ人、白人(Caucasian)、およびラテンアメリカ人(Hispanic)の被験者）に分けて取得することが望ましい。さらに、リファレンス軟組織厚は、各年齢、性、および人種の下位グループにおいて、体重別に取得することもできる。

個々の患者について、リファレンス軟組織厚と比較することができる。患者の軟組織厚が上昇した場合には、補正因子(correction factor)を用いることができる。補正因子の量／大きさは、脂肪、繊維質、および筋組織からの寄与の大きさによって影響を被る可能性のある軟組織厚の増加する規模の大きさで左右される。臨床的調査のグループを評価することで、後の調査のためのデータベースの作成、または、より洗練した補正因子を作成することができる。このような調査のグループには、浮腫を患わず骨粗鬆症でなく月経閉止前の、浮腫を患わず骨粗鬆症でなく月経閉止後の、浮腫を患わず骨粗鬆症である月経閉止後の、浮腫を患い骨粗鬆症でない月経閉止前の、浮腫を患い骨粗鬆症でない月経閉止後の、および浮腫を患い骨粗鬆症である月経閉止後の患者が含まれる。各調査グループにおいて、以下の手続で比較を行うことができる。その手続とは、ＳＯＳおよびＢＵＡ測定または定量的コンピュータ断層撮影法（トモグラフィー）（「ＱＣＴ」）を伴った、脊椎、股関節部、もしくは踵骨に対する二重Ｘ線吸収法（「ＤＸＡ」）である。よって、軟組織厚さの補正は、二重Ｘ線もしくはその他のＸ線法の分析における正確性および識別能をも向上させる。これら方法を使用することで、母集団を、骨粗鬆症といった骨の疾病に対する危険性の多寡で区別することが可能である。

４．０． 適用
例えば、下顎もしくは上顎における、または股関節部における、または脊椎における、マクロ解剖学的および／もしくは生体力学的パラメータならびに／または骨ミネラル密度もしくは骨梁構造の測定により、あらゆる被験者の骨の健康状態の評価をすることができる。さらに、Ｘ線法より得たデータの解析および操作により、骨の健康状態評価が可能である。この骨の健康状態評価はさらに、適切な治療計画の策定に用いることができる。本願明細書に記載の方法および装置を用い、（例えば、骨ミネラル密度または骨梁構造における差違を検出する目的で２つの別個の時点Ｔ１およびＴ２において行われた下顎もしくは上顎または股関節部または脊椎におけるマクロ解剖学的および／もしくは生体力学的パラメータならびに／または骨ミネラル密度もしくは骨梁構造に関する測定を用いることで、）治療計画の有効性を評価することもできる。

さらに、本願明細書に記載の方法は、骨粗鬆症の進行および治療に対する反応のモニタリングのためのツールの改善のみならず、例えば、標準的股関節部放射線写真についての完全に自動化された骨梁の骨組織および構造上の構成ならびに／またはマクロ解剖学的および／もしくは生体力学的パラメータの評価を可能にする。ある実施形態においては、骨組み(skeleton)のネットワークにおける分岐点および終点の検出ならびに自由端セグメントおよび節点−節点セグメントへの分類に形態学的オペレータを用いた、骨梁の２値化ならびにスケルトナイゼーションを含む。他の実施形態においては、本方法は、２値化および／またはスケルトナイズした画像に基づく、骨梁密度、骨梁の周囲長さ、骨梁パターンファクタ(trabecular bone pattern factor)、セグメント計数、セグメント長さ、セグメント配向角、および節点−節点セグメントの自由端セグメントに対する比の測定を含む。さらに別の実施形態においては、本方法は、（ａ）ユークリッド距離変換(Euclidean distance transform)を用いた骨量厚の測定（例３を参照。）、（ｂ）２次元高速フーリエ変換を用いた骨量の方向性の評価、および／または（ｃ）少なくとも２つもしくはより多くの構造的パラメータを組み合わせた骨粗鬆症の診断もしくは骨折の危険性の予測のための骨格指標(bone structure index)の作成を含む。

ある実施形態においては、放射線写真は被験者の股関節部である。さらに、骨格の、および／またはマクロ解剖学的な、および／または生体力学的な測定の正確性に対する放射線写真撮影の位置の影響の管理を支援するため、本方法に、次のなかから１つまたは複数を含めてもよい。それらは、股関節部の骨格測定に対する角度依存性の評価であって、例えば、健康な状態の股関節部の前後方向の放射線写真と、骨粗鬆症患者（被験者）のニュートラルポジションおよび様々な角度の内旋および外旋位置での大腿部放射線写真とを比較すること、または、チューブの成角（アンギュレーション）を変えて異なる角度で股関節部の放射線写真を取得することで股関節部の骨格測定に対する角度依存性の評価がなされる。０度のニュートラルポジションにおける結果と１５度の内旋ポジションまたは外旋ポジションにおける結果との間の、対になった変動の率（係数）が、計測された構造にかかるパラメータの大部分に対して１０％を超える場合、骨格の、および／またはマクロ解剖学的な、および／または生体力学的な測定を、異なる位置同士で比較することによって、いずれの骨格（骨の構造）に関するパラメータが、放射線写真撮像位置合わせ、および／または患者の足をニュートラルポジションに固定するためのフットホルダの使用に対する最小の依存性を示すか求めることができる。

本発明は、別の実施形態において、例えば、骨粗鬆症の進行および／または治療に対する反応を評価する目的で、骨格の、および／またはマクロ解剖学的な、および／または生体力学的なパラメータを経時的に（例えば長期にわたって）モニタリングする方法をも提供する。ある実施形態においては、本方法は、例えば、６つの定められた関心領域（複数のＲＯＩ）を含んだ近位大腿骨に関する一般モデルを作成し使用することによる、股関節における関心領域（ＲＯＩ）の自動的位置決定を含む。

骨格の測定を可能にする本願に記載の方法は、ある意味において、骨粗鬆症の診断および治療に有用である。究極的には、これらの技術が、高価な専用の資本設備の必要がなく、いろいろな場所で利用することができる標準的な放射線撮影設備を用いた、費用効果が高くかつ正確な、骨粗鬆症の危険性を負う多くの女性の検査に活用される。このような類のプログラムが、予想される骨粗鬆症による骨折の汎発を未然に防ぐために必要な、新しい蛋白同化または再吸収抑制薬による治療的介入を大いに推進するであろう。

４．１． キット
本発明は、例えば、放射線写真といった画像からの骨格、微細構造、マクロ解剖学的および／または生体力学的パラメータに関する情報の取得といった、画像から情報を取得するためのキットをも提供する。ある実施形態においては、本キットは、例えば画像に基づく報告（レポート）を受け、分析し、レポートを作成する、１つまたは複数のコンピュータプログラム（例えばソフトウェア）を有する。他の実施形態においては、本キットは、例えばホルダ、ハイゼニックカバー、Ｘ線フィルム、および／またはＸ線フィルムホルダと一体化もしくは取り付けられたキャリブレーションファントムといった、キャリブレーションファントムを有する。

本発明は、例えば骨粗鬆症または歯の疾患を治療する、治療用キット(therapeutic kit)をも提供する。ある実施形態においては、本キットは、１つもしくは複数のＸ線フィルムと共に使用するためのキャリブレーションファントム、コンピュータソフトウェア製品、データベース、治療用薬剤、ならびに、随意的に、例えばＸ線撮影におけるキャリブレーションファントムの位置決め方法、Ｘ線像の分析のためのソフトウェアの使用法、投薬量等に関する説明書(instruction)といった、使用説明書を有する。治療用薬剤としては、例えば再吸収抑制剤または蛋白同化剤が利用可能である。

４．２． 診断および予測
本発明のさらに別の態様においては、例えば本願明細書に記載のキット、方法、および／または装置の少なくともいずれかを用いた、被写体（被験者）の、骨に関連した疾患（例えば骨粗鬆症、パジェット病、骨形成不全症、骨肉腫）、歯周病、または口内のインプラントの不具合の診断および予測法を提供する。明らかなことだが、これらの方法は、歯周病やインプラントの不具合のみならず例えば骨粗鬆症、骨肉腫等を含む、骨に関連する様々な疾患に適用することができる。

骨粗鬆症だけで、２５百万の月経閉止後の女性および７百万の男性に対する公共の健全さを損なう大きな脅威(major public health threat)である。１９９５年において、骨粗鬆症および関連する骨折に対する国家の直接経費(national direct expenditures)は、１３０億ドル($13 billion)である。高齢者人口の増加を伴う人口統計の変化は、確実に、骨粗鬆症による骨折件数の増加および初期の潜在的な経済的には御し難い骨粗鬆症の蔓延を助長する。予測によれば、４０年のうちに、骨粗鬆症に関する総費用は米国単独で年間２，４００億ドル(240 billion dollars)を超えるとされる。

患者のうち２０％未満の者が疾患を有することを認識し、さらにずっと少ない者のみが医師の指導による特定の治療を受けている。今にも起こりそうな骨粗鬆症の蔓延への首尾よい対処を妨げる主要な障害は、治療様式(treatment modalities)の欠如ではなく、危険性が高く治療を必要とする人を識別することができないことである。骨粗鬆症検査を受ける者が限られていることは、現在利用可能なシステムのコスト高の大きな要因であり、病院や専門的な診療所に限定されている設置基盤の小ささを招いている。

本願明細書に記載の装置および方法は、安価で信頼性の高い骨格分析検査を提供し、骨の病状および／または疾患の存在を診断することにより、これらおよびその他の課題に取り組んでいる。実際、骨ミネラル密度（ＢＭＤ）の測定を実施することは技術的には比較的容易いのだが、低ＢＭＤの骨折危険性に占める率は１００％よりもかなり低い。高齢者における骨折危険性への主要な寄与は、骨梁構造および機構の進行性の分断であることが示されている。

よって、ある実施形態においては、本方法は、コンピュータプログラムを用いて画像（例えばＸ線画像）の骨ミネラル密度および／またはマクロ解剖学的および／または生体力学的パラメータを分析し、画像から取得した値もしくは測定（測値）とリファレンス標準もしくは曲線と比較し、よって、被写体（被験者）が骨粗鬆症といった骨に関連する症状を有するかどうか、または、被写体（被験者）の骨折の危険性を求める。この画像にはキャリブレーションファントムを含めることができる。例えばキャリブレーションファントムは、本願明細書に記載のものを用いることができる。

ある実施形態においては、骨格（骨の構造）の測定は、例えば統計学的または数学的方法によって、マクロ解剖学的および／または生体力学的パラメータ（例えば股関節部のＸ線における皮質の厚さ）と組み合わせること、または、関連付けることが可能であり、疾患の重大さに関する指標を作成することができる。そしてその指標を少なくとも２つまたはそれよりも多くの骨格もしくは形態的パラメータと組み合わせて用いることで骨素養症の診断または骨折の危険性の予測を行うことができる。

４．３． 治療
本願明細書に記載の方法および装置は、被写体（被験者）の必要に応じて適切な治療の治療計画を策定することに用いることもできる。加えて、本発明は、被験者に対する治療計画の効果に関する継続的な分析を行うことを可能にしている。

月経閉止後のエストロゲンの不足は、最もよく文書化されている骨粗鬆症の原因の１つであり、これはホルモン補充療法（ＨＲＴ）で防止することができるのだが、ＨＲＴは、長期的に使用する者における乳癌の危険性を（およそ３５％）増大させる原因ともなり得る。ランセット(Lancet)(1997) 350:1047-1059 参照。そのため、骨粗鬆症の代替療法の開発に対し、これまでにも多大な努力が注がれてきた。そういった治療法のなかでもビスフォスフォネートは最適な治療法であるとの認識が高まりつつある。リン(Lin)(1996) Bone 18:75-85 、リバーマンら(Liberman et al.)(1995) N Engl J Med 333:1437-1443 、モルテンセンら(Mortensen et al.)(1998) J Clin Endocrinol Metab 83:396-402 参照。最近発表された新しい種類の治療薬剤に、選択的エストロゲン受容体調節物質（ＳＥＲＭｓ）がある。デルマら(Delmas et al.)(1997) N Engl J Med 337:1641-1647 、ルフキンら(Lufkin et al.)(1998) J Bone Min Res 13:1747-1754 参照。副甲状腺ホルモンといった蛋白同化性の治療(anabolic therapies)も、骨粗鬆症の治療法に提案されている。ローら(Roe et al.)(1999) J Bone Miner Res 14(suppl1):S137 Abst#1019 、レーンら(Lane et al.)(1998) J Clin Invest 102:1627-33 を参照。

これらおよびこれら以外の研究の結果を総合すれば、一旦、症状が診断されれば、骨粗鬆症に対する効果的治療法を策定することが可能であることを示唆している。例えば、本願に記載の方法、キット、または装置の少なくともいずれかを用いることにより被写体（被験者）が骨粗鬆症であることを診断することは可能であり、そしてその被験者に（例えば１つまたは複数の再吸収抑制剤ならびに／または１つまたは複数の蛋白同化剤の投与といった）適切な治療が施される。歯周病もまた同様にして診断され、口内の衛生学的な実践から外科的処置までの治療法の示唆が可能である。長期にわたり、本願に記載の方法および構成を用いて治療効果の評価をすることができ、必要に応じて治療計画の変更も可能である。例えば、被験者は、一度または継続的な治療を受け、治療後、その治療の評価を反映した画像からその効果を観察（モニタリング）することができる。よって、本発明は、ある実施形態においては、骨に関連した疾患に対する治療または治療に関するモニタリングを提供する。

４．４． 決定樹
よって、本願記載の方法により、診断、予測、治療計画の策定、および治療効果の評価等を容易に行うことができる。これらの用途は、ある態様においては、アルゴリズムまたは決定樹（ロジックツリー、フローチャートとしても知られる。）を用いて完遂することも可能である。骨の不具合（問題(problem)）に対する予測に関して決定樹の一例を示す。これら決定樹は、（例えば、治療計画の策定、治療効果の評価等といった）他の用途に対しても等しく利用可能である。

骨の不具合（例えば骨粗鬆症）、歯周病、または口のインプラントの不具合を予測するための方法の１例では、決定樹（分類樹(classification tree)とも呼ばれる。）を用いる。決定樹は、スレッショルドに関する階層化した評価を用いる。（例えば、Ｊ．Ｊ．オリバーら(J. J. Oliver et al.) Proceedings of the 5th Australian Joint Conference on Artificial Intelligence, pages 361-367 、Ａ．アダムスおよびＬ．スターリング編(A. Adams and L. Sterling) World Scientific, Singapore, 1992 、Ｄ．Ｊ．ハンドら(D. J. Hand et al.) Pattern Recognition, 31(5):641-650, 1998 、Ｊ．Ｊ．オリバーおよびＤ．Ｊ．ハンド(J. J. Oliver and D. J. hand) Journal of Classification, 13:281-297, 1996 、Ｗ．ブンティン(W. Buntine) Statistics and Computing, 2:63-73, 1992 、Ｌ．ブライマンら(L. Breiman et al.) "Classification and Regression Trees", Wadsworth, Belmont, CA, 1984 、Ｊ．ロス・クインラン(J. Ross Quinlan) C4.5: Programs for Machine Learning, The Morgan Kaufmann Series in Machine Learning, パット・ラングレー編(Pat Langley Series Editor), October 1992, ISBN 1-55860-238-0 を参照されたい。）決定樹の構築および実行を行う市販のソフトウェアを入手することができる。（例えば、カリフォルニア州サンディエゴのサルフォードシステムズのＣＡＲＴ（５）(CART (5), Salford Systems, San Diego, CA)、オーストラリア、ニューサウスウェールズ州、セントアイブスのルールクエストリサーチのＣ４．５（６）(C4.5 (6), RuleQuest Research Pty Ltd., St Ives NSW Australia)）また、本願の記載に照らして本発明にかかる方法において使用することも可能である。簡単な形式の決定樹では、特定の解剖学的ランドマーク（例えば下顎もしくは上顎の縁部、歯根の端部等）において読み取ったスレッショルドの骨格および／またはマクロ解剖学的および／または生体力学的もしくは骨ミネラル密度を選択する。もし、値がスレッショルドの骨データ値を下回っているならば、さらに画像を評価する。その結果、スレッショルド値を下回っていれば、骨の不具合、歯周病、またはインプラントの不具合が予測される。

例えば、第１レベルにおける決定は、本願に記載のようにして取得し分析された最も最近のＸ線画像に基づくアルゴリズムで行われ、差し迫ったもしくは現状の骨もしくは歯周に関連した現象を示唆すると思われる初期スレッショルドと比較される。例えば、アルゴリズムは、現在の骨格測定（測値）（時刻(time)＝ｎ）または予測される骨格測定（測値）（時刻＝ｎ＋１）と、スレッショルド値とを比較することができる。もし、その骨格測定（測値）がスレッショルド値よりも大きいならば、アルゴリズムは、決定を行い、さらなる将来におけるＸ線撮像を提案する。もし、骨格測定（測値）がスレッショルドレベル以下ならば、アルゴリズムは決定樹の次のレベルに進む。

決定樹の次のレベルは、被験者の、Ｘ線が撮られた時点（ｎ）における年齢および／または性別に関する評価を行い、ここでは、その年齢および／または性別の「健常な」被験者に関するスレッショルドの骨の測定（測値）と比較が行われる。例えば、被験者の骨の測定（測値）が、特定の年齢および／または性別に対するスレッショルドの骨格レベルより大きいならば、アルゴリズムは決定を行い、将来におけるさらなる観察（モニタリング）を促す。骨格に関する情報がスレッショルド以下ならば、アルゴリズムは決定樹の次のレベルに進む。

決定樹の次のレベルは、例えば被験者の軟組織（例えば歯肉）の厚さ（ｎ）の評価であって、これがスレッショルドの測定（測値）と比較される。例えば軟組織が、その厚さの正常な範囲よりも著しく低いかまたは高い場合、アルゴリズムは決定を行い、Ｘ線画像のさらなる調査の実行または骨に関連した不具合を予測する。

さらなる深いレベルを付加することで、決定樹をさらに精緻化することができる。例えば、骨および／または歯周に関する現象（発症）が生じうると判定した後で、被験者は再度Ｘ線撮影を受けて値が変化しているかどうかを観察することができる。さらに、年齢、性別、体重、軟組織厚等も検査され、予測を確認することもできる。

このような決定樹においては、最も重要な条件（属性(attribute)）は通例、決定樹の根本（ルート(root)）に置かれる。本発明のある実施形態においては、根本に配される条件は、現在の骨格測定（測値）である。別の実施形態においては、将来のある時点における骨格測定（測値）の予測を、根本に配される条件としてもよい。あるいは、骨ミネラル密度および／またはインプラントの構造を根本に配される条件に用いることも可能である。

さらには、スレッショルドを事前に設ける必要はない（可能ではある。）。アルゴリズムは、個々の被験者に対する見解(readings)および測定に関するデータベースのレコードから情報を得ることができる。アルゴリズムは、例えば決定樹のアルゴリズムを用いて、データベースのレコードに基づくスレッショルド値の設定についてアルゴリズム自身を学習させることができる。

さらには、上述の簡単なシナリオのよりもさらに複雑化した決定樹を用いてもよい。例えば、特定の被験者の軟組織が非常に厚い場合、アルゴリズムは、骨格測定に対するスレッショルドを通常よりもより高くまたはより低く設定してもよい。

パラメータ（例えば現状のまたは将来の骨の情報等）を設定し、個々の被写体（被験者）に対するこれらパラメータに関するデータベースのレコードに基づいてアルゴリズムが学習可能とすることにより、アルゴリズムは、各パラメータを、疾病および／またはインプラントの不具合に関する独立的なまたは複合的な予測値(predictors)として評価することができる。よって、予測モデルは学習し、そのアルゴリズムが、どのパラメータが最も重要な指針値(indicator)であるかを判断する。決定樹は、再帰分割アルゴリズムといったアルゴリズムを用い、データから自動的に学習してもよい。再帰分割アルゴリズムは、根本の節点において全ての学習データ(training examples)で出発してツリーを成長させる。根本の節点は、例えば次の３ステップの処理を用いて、「分割(split)」されればよい。（１）根本の節点は、（例えば学習データベースにおいて）利用可能な全てのスレッショルドで全ての利用可能な条件について分割してよい。考えられている分割のそれぞれに対し、（ＧＩＮＩインデックス、データのエントロピー、またはデータのメッセージ長といった）判断基準（クライテリア(criteria)）を適用する。（２）判断基準を最適化する条件（Ａ）とスレッショルド（Ｔ）が選定される。これにより決定樹は１つの分割節点および２つの葉(leaves)を有する。（３）学習データベースにおける各学習データ(examples)は、（学習データの大きさに基づいて）これら２つの葉の１つに関連付けられる。各葉節点は、上記の３ステップ処理により再帰的に分割される。分割は、停止判断基準(stopping criteria)が適用されるまで継続される。停止判断基準の一例としては、節点に関連付けられた、学習データベースからの例（学習データ）が５０未満であるかどうか、がある。

別の実施形態においては、アルゴリズムのソフトウェアが、決定樹の各レベルにおける決定のそれぞれにおいて、その決定とその確率を結びつける。各レベルにおける決定は、（例えば総和を取る(sum)ことで）評価することができ、累積確率を用いてどの疾病および／またはインプラントの不具合が予測されるかを決定することができる。
受信者動作特性（ＲＯＣ(Receiver Operating Characteristic)）曲線解析を、上述の決定樹分析に用いることができる。ＲＯＣ解析は、もう１つのスレッショルド最適化手段である。ＲＯＣ解析は、最良の真陽性率を定め、偽陽性率を最小化する方法である。ＲＯＣ解析を用いることで２つの分類スキームを比較することができ、いずれのスキームが、選択した事象（例えば骨粗鬆症の徴候(evidence)）に関する予測手段としてより良いかを求めることができる。例えばＲＯＣ解析を用いて、簡単なスレッショルドによる分類手段と決定樹とを比較することができる。ＲＯＣソフトウェアパッケージは通例、次の手続（プロシージャ）を含んでいる。それらプロシージャは、相関があって(correlated)、本質的に連続的な分布をした(continuously distributed as well as inherently)カテゴリー評定尺度データ(categorical rating scale data)のためのプロシージャ、２つの従法線ＲＯＣ曲線(two binormal ROC curves)間の統計学的比較のためのプロシージャ、カテゴリー別であって連続的なデータセットからの従法線ＲＯＣ曲線の最大尤度推定のためのプロシージャ、および、ＲＯＣ曲線の比較に関する統計的検出力分析のためのプロシージャを含む。ＲＯＣを構築し実行する商用のソフトウェアを入手することができる。（例えばマイクロソフトエクセルのためのＡｎａｌｙｓｅ−Ｉｔ(Analyse-It for Microsoft Excel, Analyse-It Software, Ltd., Leeds LS12 5XA, England, UK)、ＭｅｄＣａｌｃ（登録商標）(MedCalc(R), MedCalc Software, Mariakerke, Belgium)、ＡｃｃｕＲＯＣ(AccuROC, Accumetric Corporation, Montreal, Quebec, CA)が入手可能である。）

上記解析に適用可能な関連技術としては、決定グラフ(Decision Graphs)、決定ルール(Decision Rules)（ルール帰納(Rules Induction)とも呼ばれる。）、判別分析（ステップワイズ判別分析(Stepwise Discriminant Analysis)を含む。）、ロジスティック回帰分析(Logistic Regression)、最近傍類別法(Nearest Neighbor Classification)、ニューラルネットワーク(Neural Networks)、およびナイーブベイズ分類法(Naive Bayes Classifier)が含まれ、さらにこれらに限定されない。

本発明のこれら全ての態様は、別個にまたは組み合わせて実施することが可能である。一般的には、上述の実施形態を組み合わせて使用することはなおさらに有利である。さらに、本発明の好適な実施形態について詳細部を含めて説明した。しかし、明白なことだが、本発明の思想および範囲を逸脱することなく様々な変形例を完成することは可能である。

実験
以下において、本発明を実施するための特定の実施形態の例を示す。これら例は、例示目的でのみ示されている。これら例には、決して、本発明の範囲を限定する意図は含まれない。

例１：臨床再現性および臨床診断有病正診率
(In vivo reproducibility and in vivo diagnostic sensitivity)
Ａ．歯科Ｘ線撮影
歯科Ｘ線より取得したデータの臨床（インビボ）再現性を試験する目的で、以下の実験を実施した。被験者は歯科用椅子にすわり、Ｘ線撮影を下顎の前歯および臼歯の領域で行った。キャリブレーションファントムの階段光学くさびは歯科Ｘ線フィルムに取付けられた。歯科Ｘ線フィルムは、前歯の領域に対するＸ線で、標準的なＸ線撮像技術を用いて露光された。被験者は、撮像から１５分間散歩し、同一の手順が繰り返された。

Ｘ線フィルムは市販のフラットベッドスキャナを用いて、透明原稿オプションでデジタル化された（エイサー・スキャン・プレミオＳＴ）。関心領域（ＲＯＩｓ）は、ＮＩＨイメージソフトウェアプログラム(NIH Image software program)(http://rsb.info.nih.gov/nih-image/Default.html)を用いて、同一の被験者の全てのデジタル化Ｘ線像における歯根に対して同一の位置にマニュアルで設定された。ＲＯＩ内の平均グレー値の測定の再現性は、変動係数(coefficient of variation)（ＣＯＶ＝測定の標準偏差／測定の平均）として求めた。総体的な結果は、両被写体に関する二乗平均平方根(root mean square)、すなわち、

として表される。データを表２にまとめる。

データより、既に、骨粗鬆症診断のための超音波システムの再現性と比肩する再現性を実現していることがわかる。

Ｂ．股関節部放射線撮影
股関節部Ｘ線像における骨のテクスチャの検査により、正常な骨と骨粗鬆症の骨との差違を検出することができる。サンプル股関節部Ｘ線画像は、２人の患者より、Ｆｕｊｉ ＦＣＲ５０００コンピュータ放射線撮影システム(Fuji FCR5000 computed radiography system)(Fuji Medical Systems, Stemford, CT)を用いて獲得した。第１患者は、ＤＸＡで測定したところ、股関節部において正常な骨ミネラル密度を有した。第２患者は、ＤＸＡによる股関節頚部ＢＭＤ測定において、正常より１標準偏差低い値を示した。

Ｘ線撮像において、患者は、Ｘ線テーブル上でテーブルの長手に平行に仰臥位になった。患者の腕は、胴体の側で平行にされた。患者の安楽性(patient comfort)は、患者の首の下に枕を配することで確保した。だが、膝の下には枕を配さなかった。Ｘ線技術者は、頭から（つま先を上に向けてニュートラルポジションに位置決めされた）足までを目視して患者がテーブル上で真っ直ぐに横たわっていることを確認した。光線を、股関節中央部から大転子上部にかけて集中させた。

以下のパラメータで、前後方向の股関節部放射線写真を獲得した。フィルム−焦点間距離：１００ｃｍ、チューブ電圧：６５ｋＶｐ、露光：露光タイマーによる自動露光または約２０ｍＡｓのマニュアル露光、コリメーション：近位大腿骨骨幹部を含む股関節に限定、センタリング：大腿骨頭上（上記参照）、チューブ成角（アンギュレーション）：ゼロ度。アルミニウム製の階段光学くさびを画像内に含め、後続の画像分析の前にグレー値を校正した。処理は、ＩｍａｇｅＪ（ＮＩＨｉｍａｇｅのＪａｖａバージョン）(http://rsb.info.nih.gov/ij/)を用いて実行された。

図９に示すような６つの関心領域をマニュアルで適切な位置に設定した。骨梁は、バックグラウンド除去(background subtraction)で抽出された。結果得られた二値化画像を複数の図に示す。次のステップにおいて、選択した関心領域における骨梁をスケルトナイズした。

健常な、および骨減少症の患者における二値化したＲＯＩを用いて、骨梁密度比（骨梁領域（面積）対ＲＯＩ領域（面積））を求めた。以下の骨格測定（測値）は、スケルトナイズしたＲＯＩから取得された。これら測値は、平均セグメント長、総骨（総スケルトン(total skeleton)）長（ＲＯＩ面積で規格化）、骨（スケルトン(skeleton)）セグメント計数（ＲＯＩ面積で規格化）、および骨（スケルトン(skeleton)）節点計数（ＲＯＩ面積で規格化）である。結果を表３、４、５、６、および７に示す。

これらの結果は、骨梁の評価によって健常な骨と骨減少症の骨との間の顕著な差違が明らかになること、および、異なるＲＯＩにおける、ある方向を向いた骨梁に対する選択的な分析により、近位大腿骨の生体力学的安定性にとって重要な構造についての評価ができることを示している。

Ｃ．脊椎放射線撮影
脊椎Ｘ線像の骨のテクスチャ分析が、健常な骨と骨粗鬆症の骨との差違を検出可能かどうか検証することを目的として、２人以上の患者からサンプル脊椎Ｘ線画像を獲得する。脊椎においては、骨格パラメータは、重なり合った肋骨、腸骨稜、または腸のガスによって見えにくくならない限り、Ｌ１、Ｌ２、Ｌ３、およびＬ４椎体において測定可能である。第１患者が正常な骨ミネラル密度の脊椎を有するならば、第１患者が対照データ（コントロールデータ(control data)）を提供する。第２患者およびそれ以降の患者において、脊椎ＢＭＤを測定する。

図２２に示した位置にほぼ等しい位置に関心領域をマニュアルで選択する。背景除去により骨梁を抽出する。その次のステップにおいては、選択した関心領域内の骨梁をスケルトナイズ（余分な部分を取り去って概略化）する。図２４は、脊椎Ｘ線を用いた構造抽出および治療用モニタリングへの適用例を示す。治療前（ａ）、そして治療後（ｂ）において、白くかたどられた抽出された構造が見える。

Ｄ．膝／脛骨放射線撮影−骨粗鬆症
膝および脛骨Ｘ線像の骨のテクスチャ分析が、健常な骨と骨粗鬆症の骨との差違を検出可能かどうか検証することを目的として、２人以上の患者からサンプルＸ線画像を獲得する。第１患者が正常な骨ミネラル密度もしくは骨格の脛骨または大腿骨を有するならば、第１患者が対照データ（コントロールデータ）を提供する。第２患者およびそれ以降の患者において、関節(joint)のＢＭＤまたは骨格（骨の構造）を測定する。

図２３に示した位置にほぼ等しい位置に関心領域をマニュアルで選択する。ＲＯＩは、例えば、脛骨高平部軟骨下骨(tibial plateau subchondral bone)直下の領域とすることができる。背景除去により骨梁を抽出する。その次のステップにおいては、選択した関心領域内の骨梁をスケルトナイズする。

Ｄ．膝／脛骨放射線撮影−関節炎
膝および脛骨Ｘ線像の骨のテクスチャ分析が、健常な患者と関節炎の患者との差違を検出可能かどうか検証することを目的として、２人以上の患者からサンプルＸ線画像を獲得する。第１患者が正常な骨ミネラル密度もしくは骨格の脛骨または大腿骨を有するならば、第１患者が対照データ（コントロールデータ）を提供する。第２患者およびそれ以降の患者において、関節のＢＭＤまたは骨格（骨の構造）を測定する。

図２３に示した位置にほぼ等しい位置に関心領域をマニュアルで選択する。ＲＯＩは、例えば、脛骨高平部軟骨下骨直下の領域とすることができる。背景除去により骨梁を抽出する。その次のステップにおいては、選択した関心領域内の骨梁をスケルトナイズする。

例２：画像処理技術
大腿骨頭(femoral head)、大腿骨頚(neck)、および大腿骨近位幹(proximal shaft)の異なる領域における骨梁の構造解析の技術は、ＰＣ上で動作するＭａｔｌａｂ（マサチューセッツ州、ナティックのマスワークス・インコーポレィテッド(The MathWorks, Inc., Natick, MA)）において開発されている。以下の技術（モジュール）が開発されている。それらモジュールは、放射線写真における異なる関心領域（ＲＯＩ）の骨梁の密度、長さ、厚さ、および方向性のソフトウェア的分析のためのアルゴリズム、ならびに自動化ＲＯＩ位置決定技術のためのアルゴリズムである。

骨格の評価のためには近位大腿骨内に６つの関心領域を選択する。これらのＲＯＩのサイズおよび形状は、骨梁密度および構造（例えば図９参照。）の局所的変化を捉えるように計画されており、また骨梁の異なる圧縮性および伸張性のグループの位置を踏まえてもよい。シンフら(Singh et al.)(1970) J Bone Joint Surg Am. 1970. 52:457-467 参照。よって、複数のパラメータの統計学的コンバージェンス（収束）に基づく、股関節部の骨折を予測するための高精度な指標（インデックス）を提供する分類スキームが開発されている。

例３：股関節部の放射線撮影における骨格（骨構造）分析
大腿骨の骨梁の抽出は、背景除去法により行われ、その基本原理は、ジェレーツら(Geraets et al.)(1998) Bone 22:165-173に記載されている。画像のコピーに対し１５×１５のガウシアンフィルタでぼかしをかける。その結果は不均一なバックグラウンド（背景）を示す。この背景画像を元の画像から差し引いて骨梁構造画像を取得する。このイメージに対しスレッショルド値ゼロを適用し、骨梁構造に関する２値画像に変換する。図１０にその最終結果の例を示す。

第２のステップにおいて、骨梁構造の幾何形状および連結性に関連したパラメータを、骨梁のスケルトンまたはセンターラインにおいて測定する。このスケルトン化（スケルトナイゼーション）は、例えばソワール(Soille)"Morphological image analysis: principles and application" Springer, 1998: p. 129-154に記載のような、形態学的ヒット−オア−ミス細線化(hit-or-miss thinning)を用いて行われる。スケルトンネットワークの分岐点および端点が検出され、スケルトンセグメントは、自由端セグメント(free-end segments)および節点−節点セグメント(node-to-node segments)に分類される。

以下の、２値化およびスケルトナイズドＲＯＩより求めた１つまたは複数のパラメータが用いられる。それらパラメータは、骨梁密度、骨梁面積と総ＲＯＩ面積との比、骨梁周囲長、スターボリューム(star volume)（イクタら(Ikuta et al.)(2000) J Bone Miner Res. 18:271-277 、フェスタビー(Vesterby)(1990) Bone 11:149-155）、骨梁パターンファクタ（因子）（ハーンら(Hahn et al.)(1992) Bone 13:327-330）、ユークリッド距離変換、フーリエ解析を用いた骨梁の方向性の評価、および特定方向骨梁評価を含む。さらに、全体としては以下の、スケルトン化した（スケルトナイズド）骨梁のネットワーク上の各ＲＯＩにおいて測定された１つまたは複数のパラメータを使用することもできる。それらパラメータは、全てのスケルトンセグメントおよび各タイプのセグメントに対し、セグメント計数、セグメント長、セグメントの方向性の角度および相互連結指標(Interconnectivity Index)（ルグランら(Legrand et al.)(2000) J. Bone Miner Res. 15:13-19）、ならびに、規格化された、節点−節点セグメント数と自由端セグメント数との比を含む。

例えば、ユークリッド距離変換においては、２値化された骨梁上の各画素には、構造の境界からのユークリッド距離に等しい値が割り当てられる。よって、厚い骨梁はその中心においてより大きな距離変換値を有することになり、そうすることで、骨梁のスケルトンに沿った距離変換値の平均として骨梁厚さ推定がなされる（図１１参照。）。さらに、この値に２をかけることで骨梁厚の測値が与えられる。

同様に、支配的な骨梁の方向性を、２次元高速フーリエ変換を用いて評価してもよい。各ＲＯＩ内において矩形領域が選択され、変換を行う前に２次元カイザー窓(Kaiser window)を乗じる（図１２左参照。）。フーリエ計数のログを取って、ＲＯＩの周波数領域を表す像を形成する。その結果を５×５のガウシアンフィルタにかけて局所的変動を減少させる。図１２中央にその例図を示す。続いて、フーリエ画像を固定した大きさレベルのスレッショルドにかける。この２値画像は、四角形の画像に再標本化（リサンプル）されて垂直および水平軸が規格化され、その長軸(major axis)の方向性および長さが求められる（図１２右）。大腿骨頚および大腿骨幹の軸に対する角度が測定される。軸は、２値化された大腿骨のセンターラインの最も長いセグメントに線をフィットさせることで求められる。ＲＯＩは、近位大腿骨における圧縮性および伸張性の骨梁の異なる、それぞれ特定の方向性に特徴を有する、グループを含むように位置決定される。特定のＲＯＩに対して予想される特徴的な方向を向いた、特定のＲＯＩに対する、上記の異なる定量的構造パラメータを完全に自動的に評価する技術が開発されている。

各骨梁のスケルトンセグメントの方向性は、スケルトンの点に対してフィットさせた線の傾きから求める。この方向性に関する情報に基づき、特定のＲＯＩに対し特徴的な方向をおよそ向いた骨梁のみを、構造パラメータの評価で考慮する。

当該分野の技能を有する者にとっては明白なことだが、特定の角度範囲に含まれるセグメントのみを測定することにより、全ての測定を１つまたは複数の所望の方向性に正弦することができる。ウォーターシェッドセグメントの統計量には、セグメント数、総セグメント面積、平均セグメント面積、セグメント面積の標準偏差、最小セグメント面積、および、最大セグメント面積が含まれる。しかしながら、これらセグメントは、本質的に一般的なものである。

股関節部を評価する場合、別のパラメータを用いることも考えられる。パラメータには、例えば幹角度(shaft angle)、頚角度(neck angle)、大腿骨頚の径(diameter of the femur neck)、骨盤軸長(hip axis length)、大腿骨頭(femur head)最大断面、ＲＯＩ内皮質領域(cortical region)平均厚さ、ＲＯＩ内皮質厚の標準偏差、またはＲＯＩ内皮質厚の最大厚さもしくは最小厚さ、が含まれる。

一方、脊椎部を評価する場合には、また別のパラメータを用いることも考えられる。それらのパラメータには、垂直な構造に関する全てのパラメータ、水平な構造に関する全てのパラメータ、椎骨の皮質の厚さ、最大椎骨高さ、最小椎骨高さ、平均椎骨高さ、最大椎間高さ、最小椎間高さ、および平均椎間高さ、が含まれる。

膝および脛骨領域では、別のパラメータを用いた評価も考えられる。それらパラメータは、平均内側関節間隙幅(medial joint space width)、最小内側関節間隙幅、最大内側関節間隙幅、平均外側関節間隙幅(lateral joint space width)、最小外側関節間隙幅、および最大外側関節間隙幅、を含む。

当該分野の技能を有する者であれば明白なことだが、パラメータはさらに、上記の例示的に生体組織に対して示したもの以外を含むことができる。さらに、パラメータは、本発明の範囲を逸脱することなしに、上述の特定の生体組織以外の評価に用いることができる。

例４：多元的分類
例３では、近位大腿骨部の異なる領域において骨梁構造を評価するために測定される数多くのパラメータを示した。本例においては、各セクション（区域）において異なる構造パラメータを組み合わせ、そして、全ての関心領域における単一の指標（インデックス）を求める。

ある被験者グループの股関節部Ｘ線画像の学習用セットを、先のＤＸＡの結果に基づいて、２つのカテゴリー、「骨粗鬆症」および「非骨粗鬆症」に分割する。続いて、学習用セットの全てのＸ線像に対し、例３に示したパラメータを、例３に示したような全ての関心領域に対して計算し、学習用セットＩ＝｛Ｉ_ｉ｝，ｉ＝１，．．．，ｎに対してｍ次元プロトタイプ特徴ベクトルｆ_ｉ＝（ｆ_ｉ１，．．．，ｆ_ｉｍ）^Ｔを得る。

各パラメータに対し、単一のスカラー・インデックス（指標）値を計算する。全ての指標値は、統合されてひとつのｎ次元特徴ベクトルになる。あるステップにおいては、システムは、月経閉止前および月経閉止後の健常者ならびに月経閉止後の骨粗鬆症の被験者に対する臨床バリデーション調査から得たデータで学習する。被験者グループは、「骨折」および「非骨折」カテゴリーに分割されることが好ましい。Ｘ線画像より計算した特徴ベクトルは、プロトタイプパターンとして用いられる。

各患者に対し、特徴ベクトルが、プロトタイプパターンに対して成された計算のようにして計算され、個々の患者は、ｋ個の最近接プロトタイプパターン(closest prototype pattern)の大多数(majority)がカテゴリーＣである場合に、カテゴリーＣに分類される。患者の特徴ベクトルｆ＝（ｆ_１，ｆ_２，．．．，ｆ_ｎ）^Ｔとプロトタイプパターンｐ＝（ｐ_１，ｐ_２，．．．，ｐ_ｎ）^Ｔとの距離ｄは、ユークリッド的ノルムＬ_２によって定められる。

異なるパラメータに対する最適なスケールも定めることが好ましい。しかしながら、いくつかのパラメータでは、その指標値のカテゴリー間での差違は、他のパラメータよりも小さい。また、最適なｋも求められる。ｋの増加により、分類の正確性は向上される。しかし、ｋは各カテゴリーにおけるプロトタイプの数よりも小さくなければならない。分類を決定するｋ個の最近接プロトタイプパターンの大多数の厳密なパーセンテージ値は、分類の信頼性に関する目安となる。特定のカテゴリーＣのプロトタイプパターンのパーセンテージが高ければ高い程、分類によって提供される情報の尤もらしさはより顕著なものとなる。

本分類手法は、一連の、大腿骨位置での検討での０度ニュートラルポジション画像（例８参照。）およびインビボ再現性に関する検討における短期の基準(baseline)股関節部Ｘ線像を用いたリーブ・ワン・アウト実験(leave-one-out experiments)によって有効性が認められている。これら実験に対し、各被験者は、一度だけ、テストケースとして用いられることが望ましい。システムのための学習用セットは、残りの被験者の全てもしくは大部分に対して計算されたパターンを含む。テストケースは、この学習用セットを用いて正しく分類され、骨格（骨構造）パラメータの組み合わせによる診断の有病正診率(sensitivity)および無病正診率(specificity)が決定される。

（「骨梁長」、「骨梁の方向性および異方性」、ならびに「骨梁厚さ」に対する指標値を与える）上記測定に加え、分類システムにおける別のパラメータに対する別の測定を用いることもできる。これら測定は、過去における、Ｘ線、ＣＴ、ＭＲ画像からの骨密度および構造の研究において検討されている。それらは、（１）平均画素強度、（２）画素強度の分散、（３）フーリエスペクトル解析、（４）フラクタル次元、（５）骨梁面積、骨梁周囲長さ、総骨梁長、終点および分岐点の数、ならびに骨髄に関する類似のパラメータといった形態学的パラメータを含む。

例５：自動化関心領域（ＲＯＩ）位置決定
Ｘ線像（例えば股関節部放射線写真）の分析は、骨梁の構造パラメータの計算に用いる１つまたは複数の関心領域（ＲＯＩ）の位置決定技術の発展によってさらに容易なものになる。例えば、大腿骨に関する一般的な位置は、適当なグレー値でスレッショルドをかけた股関節部放射線写真の２値画像を用いて決定することができる。典型的な股関節部放射線写真においては、大腿骨は骨盤から延在する明るい構造である。（図１３）デジタル化放射線写真に典型的な大腿骨の強度値でスレッショルドをかけることにより、大腿骨の写る２値画像が作成される。大腿骨幹の比較的薄い構造は、２値画像に対して形態学的操作を加えることにより抽出することができる。垂直な矩形構造化要素(upright rectangular structuring element)を用いた形態トップ・ハット・フィルタ(morphological top-hat filter)は、大腿骨幹を分割(segment)する。図１３に、元の放射線写真上に重ねられた２値化大腿骨部の輪郭で、その結果を示す。この領域は、さらなる処理のために刈り取られる(crop)。大腿骨頭を含む程に十分な余裕を持たせることが好ましい。

予め定めたＲＯＩを位置決めするため、正規化動的輪郭アルゴリズム(regularized active shape algorithm)を用いることができる（ベヒールスら(Behiels et al.)(1999) Proceedings of the 2nd International Conference on Medical Image Computing Science 1679:128-137、クーツ(Cootes)(1994) Image and Vision Computing 12:355-366）。近位大腿骨の一般モデル(general model)は、典型的な股関節部放射線写真の学習用セットにおいて形状をマニュアルで輪郭描写して平均形状を形成することによって作成される。そして、６つの予め定めたＲＯＩが、このモデルに組み込まれる（エンベッドされる）。この平均モデルは、そのセンターラインに沿って等積的に（アイソメトリックに(isometrically)）８０％にスケールダウンされる。同様、この変換は、予め定めたＲＯＩに対しても適用される。スケールが変更されたモデルの輪郭（アウトライン）を初期テンプレートとして用い、これを入力画像における近位大腿骨部内に配置する。続いて、コンター（輪郭）のコントロールポイントを最近のセンターラインの点から遠ざかるように外側に広げる。この反復的プロセスにおいて最適化されるべきエネルギ関数は、傾き、強度、平均モデルからの偏差、およびコンターのセグメントの曲率といった局所的な特徴を考慮に入れることが可能である。図１４は、初期コントロールポイントが大腿骨縁部に向かって広がる様を例示する図である。イタレーション（反復的プロセス）が完了すると、モデルの領域に対する変形場（デフォーメーション・フィールド(deformation field)）が計算される。この変形場は、大腿骨モデルの境界内部のモデルのＲＯＩに対して補間（インターポレート(interpolate)）される。この結果は、解剖学的ランドマークに関してはモデルのＲＯＩと類似するが、入力画像に適合したＲＯＩの新しいセットとなる（図９参照。）。

例６：データ解析
患者は、３つのグループのうちの１つに選別される。それらグループは、月経閉止前の健常な（ＰＲＥ）、月経閉止後の健常な（ＰＯＳＴ）、および月経閉止後の骨粗鬆症の（ＯＳＴＥＯ）女性である。全てのグループは、（１）根尖周囲および犬歯領域の歯科Ｘ線画像、（２）脊椎および（３）股関節部の定量的コンピュータ断層撮影、（４）脊椎および（５）股関節部の二重Ｘ線吸光光度分析、（６）踵骨の単一Ｘ線吸光光度分析(single x-ray absorptiometry SXA)、ならびに（７）標準的技法による踵骨の超音波分析、によって調査される。従来の側方Ｘ線像における胸部脊椎および腰椎の形態的変化の半定量的評価によって求められる非外傷性の椎骨骨折が少なくとも１つ観察された場合、骨粗鬆症と診断される。

それぞれ異なる骨格（骨構造）測定（上記参照）および骨ミネラル密度測定（下顎ＢＭＤ、脊椎ＱＣＴ、股関節部ＱＣＴ、脊椎ＤＸＡ、股関節部ＤＸＡ、踵骨ＳＸＡ、踵骨超音波）の平均ならびに標準偏差が、各グループについて計算される。グループ間の差違を反映させるために、スチューデントのｔ検定（ｔ値およびｐ値）ならびにパーセント減少(percent decrement)を用いて、異なる測定の比較を行う。１年ごとの、年齢に関係する変化は、年齢３０歳における予測値に対するパーセントの変化、およびＰＲＥの統計的誤差(fractional standard deviation)（ＳＤ）として表される。ｐ値と合わせて、年齢との相関も報告される。（測定したパラメータにおける１標準偏差の変化に対する）オッズ比(odds ratio)および年齢調整したロジスティック回帰分析に基づく９５％信頼限界は、（月経閉止後の骨粗鬆症患者のグループと月経閉止後の健常者のグループとを識別するための）識別力および測定したパラメータに関連付けられる骨粗鬆症による骨折の危険性を測定することで計算される。識別力に関する、対比較(pairwise comparisons)は、年齢調整した受信者動作特性（ＲＯＣ）曲線解析を用いてテストされる。

全ての技法に関する対比較は、全ての被験者（ＰＲＥ、ＰＯＳＴ、ＯＳＴＥＯ）をプーリングし、ピアソンの相関係数（ｒ）、推定の標準誤差百分率（ＣＶ）、および相関の有意性の検定のためのｐ値を用いて、得ることができる。

その診断能力に関し測定を比較するため、月経閉止後の健常女性（ＰＯＳＴ）および月経閉止後の骨粗鬆症女性（ＯＳＴＥＯ）に対してκ値解析(kappa score analysis)を行う。この解析は、月経閉止後のグループに属する全ての女性について、彼女の、リファレンスグループ（ＰＲＥ）に対するＴ値が２．５未満であれば（構造パラメータの場合、より大きければ）骨減少症に分類することで、行われる。個々の女性および特定の測定に対するＴ値は、測値から、ＰＲＥグループ内における測値群のＳＤで割った若い健常者（ＰＲＥ）測値平均を差し引いた値と定義される。注記するが、このＴ値は、個々の女性の、ＰＲＥグループに対する位置関係の尺度であって、スチューデントのｔ値とは異なる。

例７：骨格（骨構造）の長期的モニタリング
時点Ｔ２において取得された追跡(follow-up)歯科Ｘ線像を、より前の時点Ｔ１において取得された下顎の基準Ｘ線に対してマッチ(match)させるアルゴリズムおよびソフトウェアが開発されている。治療に対する反応をモニタリングするため、骨格（骨構造）パラメータを異なる時点において同一の下顎の位置で測定する必要がある。よって、患者の位置取りの差違を補償するため、そして、基準検査と追跡検査との間の結果を比較するために対応する関心領域（ＲＯＩ）を見出すためには、２つの歯科Ｘ線画像を登録(register)することが望ましい。

登録される２つの画像におけるＸ線光線のフィルムに対する投影角に僅かな差違があることが考えられるため、弾性的マッチングステップ(elastic matching step)を導入することが好ましい。しかしながら、第１ステップは、大域的アフィン変換(global affine transformation)であり、そのために相互情報量(mutual information)は、費用関数(cost function)として用いられる。ウェルズら(Wells et al.)(1996) Medical Image Analysis 1:35-51 参照。２つの画像ＭおよびＮの相互情報量Ｉ_Ｍ，Ｎは、次式で定義される。

ここで、２つの画像にあるグレー値は、確率変数(random variable)とみなされ、相互情報量は、これら変数間の従属性の強度の尺度となる。ｐ_Ｍおよびｐ_Ｎは、それぞれＭおよびＮの分布であり、ｐ_ＭＮは、ＭおよびＮの結合分布(joint distribution)である。マインツら(Maintz et al.)(1998) SPIE Medical Imaging - Imaging Processing 参照。これら分布は、周辺および結合グレー値ヒストグラムから近似することができ、さらに正確にはパーゼンの窓関数(Parzen window function)を用いる。パウエルの方法を最適化スキームに用いてＮとＭがマッチする最良のアフィン変換を見出すこともできる。プレスら(Press et al.) "Numerical Recipes in C", 2nd edition, 1992, Cambridge University Press 参照。

この大域的変換の後で、マッチ度を向上させるために局所的な弾性的調整(local elastic adjustments)を用いる。このため、全体的に登録した画像の結合ヒストグラムから条件付確率密度ｐ（ｎ｜ｍ）を推定する。変換ベクトル場ｔ（ｘ）は、局所的グレー値コレスポンデンスを最大化することでＮ（ｘ−ｔ（ｘ））が可能な限りＭ（ｘ）に近づく（相似する）ように、決定される。これは、固定した値ｘに対し、次式のように定義される。

ここで、ｗは窓関数であり、その幅はｔ（ｘ）を計算するために用いる領域のサイズを決定する。窓関数を定めるために、ワーフィールドら(Warfield et al.)"Brain Warping" 1999, Academic Press, p:67-84 に記載の手法に類似の手法を用いる。多くの連続する広い窓関数ｗｉは、単一の窓、

に合成される。ここで重みＷ_ｉは次式で与えられる。

ここで、

である。

個々の患者の基準画像における自動的位置決定の後、ＲＯＩの厳密な位置をデータベースに保存する。患者が追跡検査に訪れたとき、新しい画像を、基準画像に登録し、基準画像の座標系に変換する。そして、登録された追跡Ｘ線像の骨格（骨構造）を、基準画像と厳密に同一の位置において測定することができる。

例８：大腿骨部における位置決めの骨格測定への影響
骨格（骨構造）評価の各パラメータについて大腿骨部での位置決定の影響を調査する。股関節Ｘ線像を、月経閉止後の健常女性および月経閉止後の骨粗鬆症の女性についてニュートラルポジションならびに様々な内旋および外旋角で取得する。

従来の側方放射線写真における胸部脊椎および腰椎の半定量的形態変化評価により決定される非外傷性の椎骨骨折が認められた場合、骨粗鬆症と診断される。ゲナントら(Genant et al.)(1993) J. Bone Miner Res. 8:1137-1148 も参照されたい。

標準的な前後方股関節部放射線写真は、肢部を３０度内旋、１５度内旋、ゼロ度、１５度外旋、および３０度外旋させて撮影される。これらの角度は、大腿骨部を内旋もしくは外旋させ、足およびくるぶしを３０度もしくは１５度のウェッジ(wedge)に配することで実現される。足は、ベルクロストラップ(Velcro strap)を用いてウェッジに対して固定される。

位置決定による影響は、各被験者に対し、ゼロ度ポジションとその他のポジションとの間の、対を成す変動の係数（ＣＶ％）(pair wise coefficient)を計算することで評価される。角度依存性は、３０度内旋、１５度内旋、１５度外旋、３０度外旋のそれぞれに対し、全ての被験者（被写体）に渡るＣＶ％値の二乗平均平方根として表される。一般に、大腿骨部の角度位置決定に対し最小の依存性を有するパラメータが選択される。

ゼロ度ニュートラルポジションと１５度内旋または外旋位置との間の対を成す変動の係数が、測定した構造パラメータの大多数に対して１０％を超えているならば、患者の足をニュートラルポジションに固定するフットホルダを用いることができる。フットホルダは、大腿部の中央部、遠位部から踵に延在するベースプレートを備えた形状を有する。ベースプレートはＸ線テーブル上に載置されることが好ましい。患者の足は、踵の後方面がベースプレート端部にくるように位置決めされる。足の中間部は、ベースプレートに対し９０度の角度でしっかりと接続された中間ガイドにもたれるように位置が決定される。摺動機構でベースプレートに対して９０度の角度で取り付けられた、第２の、側方ガイドは、足の側面に接する位置でロックされる。足は、ベルクロストラップを用いて中間ガイドおよび側方ガイドに固定される。この手法を用いることで、不随意的な内旋または外旋の角度は５度未満に抑えられる。

例９：Ｘ線チューブのアンギュレーションの骨格測定への影響
Ｘ線チューブの位置の、骨格（骨構造）パラメータ評価に対する影響を調査する。歯科Ｘ線像が、月経閉止後の健常女性および月経閉止後の骨粗鬆症の女性に対して取得される。従来の側方放射線写真における胸部脊椎および腰椎の半定量的形態変化評価により決定される非外傷性の椎骨骨折が認められた場合、骨粗鬆症と診断される。ゲナントら(Genant et al.)(1993) J. Bone Miner Res. 8:1137-1148 も参照されたい。

標準的な前後方歯科放射線写真は、下顎の前歯領域で撮影される。Ｘ線チューブは、歯科Ｘ線フィルムに対して、ゼロ度、１０度、２０度、３０度、ならびにマイナス１０度、マイナス２０度、およびマイナス３０度の角度に合わせられる。これらの角度は、歯科Ｘ線チューブ前部の金属製チューブに取り付けられた測角器（ゴニオメータ）を用いて実現される。

位置決定による影響は、各被験者に対し、ゼロ度ポジションとその他のチューブポジションとの間の、対を成す変動の係数（ＣＶ％）を計算することで評価される。角度依存性は、角度のそれぞれに対し、全ての被験者（被写体）に渡るＣＶ％値の二乗平均平方根として表される。

その結果、１０度のチューブ成角（アンギュレーション）が見かけの密度において１２％の誤差を生じさせることがわかった。

次に、機械的な位置合わせ装置をリン・ホルダ(Rinn holder)に付ける。そのために、リン・ホルダに延長チューブを取り付ける。延長チューブは、その内径が僅かに歯科Ｘ線システムの金属製チューブの外径よりも大きく、覆うように嵌合するように設計される。そして、歯科Ｘ線システムの金属製チューブは、リン・ホルダに取り付けられた延長チューブに挿入され、よってＸ線チューブのＸ線フィルムに対する位置決め誤差を大幅に減少させる。そして、患者のある１グループは、前歯領域について２回のＸ線撮影を受ける。その結果、歯科骨密度および骨格（骨構造）測定に関する短期的インビボ再現性誤差は、機械的位置合わせシステムを用い、歯科Ｘ線チューブの歯科Ｘ線フィルムおよび下顎内の解剖学的ランドマークに対する角（アンギュレーション）を減少させることにより、減少されることが判った。

例１０：骨密度、骨格（骨構造）、マクロ解剖学的パラメータ、および生体力学的パラメータの測定、ならびに治療法の選択
下顎部、または股関節部、または脊椎、またはその他の骨のＸ線画像を、例えば上記のような、骨密度、骨格、マクロ解剖学的パラメータ、または生体力学的パラメータを評価することができるコンピュータプログラムを用いて分析する。コンピュータプログラムは、骨梁に関する、１つまたは複数の骨密度、骨格、マクロ解剖学的、または生体力学的パラメータの測値を導出する。これらパラメータの測値は、データベースと比較される。このデータベースは、標準的な、健康で年齢、性別、および人種を一致させた対照（コントロール）における先述の１つまたは複数のパラメータに関する情報を含んでいる。患者の測値が、年齢、性別、および人種を一致させた標準的な健常な被験者の平均から、２標準偏差よりも乖離していれば、レポートが医師に送られ、医師はその測値に基づいて治療法を選択する。

例１１：骨密度、骨格（骨構造）、マクロ解剖学的パラメータ、および生体力学的パラメータの測定、ならびに治療のモニタリング
例えば、蛋白同化または再吸収抑制薬を用いて、骨粗鬆症の治療を受けている患者から１つまたは複数の（下顎部、または股関節部、または脊椎、またはその他の骨の）Ｘ線画像を、異なる時点Ｔ１およびＴ２において取得する。これらＸ線像は、骨密度、骨格（骨構造）、マクロ解剖学的パラメータ、または生体力学的パラメータを評価することができるコンピュータプログラムを用いて分析される。コンピュータプログラムは、時点Ｔ１およびＴ２の両方における骨に関する１つまたは複数のパラメータを導出する。Ｔ１およびＴ２における骨密度、骨格、マクロ解剖学的、または生体力学的パラメータに関する測値は、データベースと比較される。このデータベースは、各時点に対して、標準的な、健康で年齢、性別、および人種を一致させた対照（コントロール）における先述の１つまたは複数のパラメータに関する情報を含んでいる。治療にもかかわらず、時点Ｔ１とＴ２との間に、患者が５％以上の骨を失っていれば、医師は、別のさらに積極的な(aggressive)治療法を選択する。

例１２：マクロ解剖学的および／または生体力学的パラメータの測定
股関節部放射線写真を、標準的な技法を用い、上述のようなキャリブレーションファントムを含めて撮影する。股関節部Ｘ線像の参照方向(reference orientation)は、大腿骨幹の方向性の平均とする。

Ａ．エッジ（縁部）検出
バイモーダル（双峰型）ヒストグラムセグメンテーションアルゴリズムを股関節部Ｘ線像に用い、大域的スレッショルディング（画面全体に対し１のスレッショルドを定めて２値化(global thresholding)）を行い、近位大腿骨部の２値画像を作成する。股関節部Ｘ線像のエッジ（縁部）検出を用いることができる。随意的には、小さなセグメントで突然現われるエッジ(breaking edge)を求めて各セグメントの方向性を特徴付けし、よって近位大腿骨部の輪郭を求めることで、エッジ検出の方法は、さらに精緻化される。そして、各エッジのセグメントは、予想される近位大腿骨部のエッジの方向性に関するマップおよびエッジ位置の確率に関するマップとの参照をつけられる。予想される方向性と同調しないか、または低確率領域にあるエッジのセグメントは、除去される。形態学的操作（形態オペレーション）をエッジの画像に適用してエッジの不連続部を結びつける。エッジの画像は、閉じた近位大腿骨部の境界を形成する。境界内部の領域は、大域的スレッショルディングから得た２値画像と組み合わせられて近位大腿骨部のファイナルマスクを形成する。

選択した関心領域の内部において、エッジ検出が実行される。形態オペレーションを用い、エッジの不連続部を結びつける。セグメントは、閉じたエッジの内部において形成される。そして、各セグメントの面積および主軸(major axis)が測定される。この領域は、元のグレーレベル画像上に重ね合わされ（スーパーインポーズされ）、各領域における平均グレーレベルが測定される。皮質は、近位大腿骨部のマスクの境界に接続しているセグメントとして識別される。皮質は、最大の面積、最長の主軸長を有し、近位大腿骨部のマスク内に囲まれたセグメントの全てについての平均グレーレベルよりも高い平均グレーレベルを有する。そして、皮質と識別されたセグメントは、スケルトン化（スケルトナイズ）される。皮質スケルトンの方向性は、近位大腿骨部エッジの方向性マップと同調しているかどうか確認される。セグメントの２つ画像に対し、ユークリッド距離変換が施される。スケルトンに沿った距離変換値の値は、標本化（サンプル化）され、統計量（平均、標準偏差、最小、最大、および最頻）が測定される。

当該分野の技能を有する者にとっては当然のことだが、本願に記載のマクロ解剖学的パラメータは、股関節部、脊椎、または膝の放射線写真は、それら解剖学的領域に特有のマクロ解剖学的特徴の形状、スケールおよび位置に適するように、修正して撮影することができる。

歯科Ｘ線の例である。キャリブレーション（校正用）ファントム１１０が見られる。構造の骨ミネラル密度を測定するために関心領域１２０が設定されている。 歯科Ｘ線の別例である。キャリブレーションファントム１１０が見られる。構造の骨ミネラル密度を測定するために関心領域１２０が設定されている。 下顎および上顎の骨ミネラル密度測定の結果より得られる分析レポートの例である。被写体（Ｘ）の値は、同齢対照(age-matched control)の平均から１標準偏差以上下回る（ｘ軸は年齢、ｙ軸は任意単位のＢＭＤである。）。 歯１２０に取り付けたＶ形状キャリブレーションファントム１１０の例である。歯肉（ガム）(gums)１３０が見られる。 キャリブレーションファントム１１０のためのホルダ１１５の例である。ホルダ１１５は歯１２０に取付けられる。歯肉１３０も見られる。 （ａ）：歯根の歯科Ｘ線像である。（ｂ）〜（ｅ）：異なる画素の並びに沿った歯の頂部(dental apices)の位置決めに用いるグレー値のプロファイルである。上から下に（（ｂ）から（ｅ）に）向かって歯根(dental roots)（図６（ａ）の歯科Ｘ線像に写っている。）の特徴的ピークは徐々に消えている。 テスト画像（図７Ｂ）のハフ変換の図である。同一の線からの全ての共線的な点は、単一の点（円(circle)）で交差する正弦曲線に変換される。 テスト画像の図である。 スケルトナン化された骨梁(skeletonized trabecular bone)のＸ線画像（図８Ｂ）のハフ変換の図である。図８Ａにおける白色領域は、より長いセグメントおよび支配的角度(predominant angles)を示す。 スケルトン化された骨梁(skeletonized trabecular bone)のＸ線画像である。 構造要素(structuring element)Ｅ２のサイズの変更による影響を示す図である。幅を変えた線（１、３、５、７、９、１１、１３画素）でキャリブレーションファントム画像を示す（左上）。径３画素（右上）、７画素（左下）、１１画素（右下）のＥ２を用いたスケルトンオペレーションをそれぞれ示す。 構造要素Ｅ２のサイズの変更による影響を示す図である。骨梁のグレースケール画像である。 構造要素Ｅ２のサイズの変更による影響を示す図である。径３画素のＥ２を用いて行ったスケルトンオペレーションの図である。 構造要素Ｅ２のサイズの変更による影響を示す図である。径７画素のＥ２を用いて行ったスケルトンオペレーションの図である。 構造要素Ｅ２のサイズの変更による影響を示す図である。径１１画素のＥ２を用いて行ったスケルトンオペレーションの図である。 フラクタル解析を用いた、歯科Ｘ線（挿入図）からの解剖学的関心領域(anatomical region of interest)のグレー値表面プロット(gray value surface plot)の図である。 キャリブレーションファントムおよび液充填ボーラスバック(fluid-filled bolus back)のためのコンパートメントを有するハイゼニックカバーホルダ(hygienic cover holder)の例を示す図である。 解剖学的関心領域（黒点）の例を示す図である。これは歯または下顎の凸性／凹性に関連して決定されている。 ３つの解剖学的関心領域（黒点）の例を示す図である。これらは歯または下顎の凸性／凹性に関連して決定されている。 本願明細書に記載のチューブ成角(tube angulation)を最小化するためのシステム例の側面図である。本図では、システムは歯科Ｘ線システムとして図示している。延長チューブ(extension tubing)の外径は歯科Ｘ線システム／歯科Ｘ線チューブの前に位置するチューブの内径よりも僅かに小さい。延長チューブは金属チューブに挿入され、よってチューブ成角およびそれによって生じる見かけの骨密度(bone apparent density)および骨格測定における誤差を減ずる。 大腿部放射線写真における微細構造のための規則的サンプリングフィールド（＋）およびマクロ解剖学的形態のための高密度サンプリングフィールド（＊）の例を示す図である。白色の矩形は重なり合った（オーバーラッピング）ウィンドウ位置の例を示している。 パラメータ・マッププ上に重畳したウォーターシェッドセグメンテーションの境界を示す図である。２つの白線は生体外機械的負荷テスト(in vitro mechanical load test)により生じた実際の骨折の進路を示す。 オーバーラッピングウィンドウ処理および骨折進路予測を用いた骨折の危険性の決定処理の例を示すフローチャートである。 特定の結合特徴の分布のモデリングによるマルコフ・ランダム場解析を示す図である。分布は、各画像要素または画像周辺(image neighborhood)において推定される。 ノイズモデルＰ（Ｎ）および密度レベルＰ（Ｉ｜Ｔｉ）により与えられる特徴的構造パターンを用いた関心領域（ＲＯＩ）内の骨梁パターン密度特性決定(trabecular pattern density characterization)のためのモデル定義例である。 ベイズ規則解析の例図である。 脊椎放射線写真における微細構造のための規則的サンプリングフィールド（＋）およびマクロ解剖学的形態のための高密度サンプリングフィールド（＊）の例を示す図である。白色の矩形は重なり合ったウィンドウ位置の例を示している。 膝部放射線写真における微細構造のための可変密度サンプリングフィールド（＋、ｘ、ダイヤモンド）およびマクロ解剖学的形態のための規則的サンプリングフィールド（＊）の例を示す図である。白色の矩形は重なり合ったウィンドウ位置の例を示している。 脊椎Ｘ線を用いた構造抽出および治療的モニタリングのための測定への適用例である。（ａ）治療前の、（ｂ）治療後の、抽出された構造の白色の輪郭が示されている。

符号の説明

１００咬合阻止器
１０１ステンレススチールのロッド
１０２リン・ホルダ
１０３フィルム
１０４随意的キャリブレーションファントム
１１０キャリブレーションファントム
１１５ホルダ
１２０関心領域
１３０歯肉
２００延長チューブ

Claims (17)

1. 画像から１つまたは複数の骨に関するパラメータを導出する方法であって、
   （ａ）被写体から骨を含む画像を取得するステップと、
   （ｂ）前記画像における２つまたは３以上の関心領域（ＲＯＩｓ）を定めるステップと、
   （ｃ）前記関心領域における複数の位置を分析し、前記関心領域に関する、骨の微細構造パラメータ、骨のマクロ解剖学的パラメータ、生体力学的パラメータ、および前記パラメータの組み合わせを含むグループから選択された１つまたは複数のパラメータを決定するステップを有する方法。
2. 前記関心領域は重なり合っている請求項１に記載の方法。
3. 前記関心領域において分析される前記複数の位置は、前記画像において規則的な間隔をおいて存在する請求項１に記載の方法。
4. 前記関心領域において分析される前記複数の位置は、前記画像において不規則な間隔をおいて存在する請求項１に記載の方法。
5. 前記パラメータは骨の微細構造であり、前記分析される複数の位置は前記画像において規則的な間隔をおいて存在する請求項１に記載の方法。
6. 前記パラメータは骨のマクロ解剖学的パラメータであり、前記分析される複数の位置は前記画像において不規則な間隔をおいて存在する請求項１に記載の方法。
7. 前記画像は２次元的画像である請求項１ないし６のいずれか１つに記載の方法。
8. 前記画像はＸ線画像である請求項７に記載の方法。
9. 前記画像は３次元的画像である請求項１ないし６のいずれか１つに記載の方法。
10. 前記画像は電子的な画像である請求項１ないし９のいずれか１つに記載の方法。
11. 前記被写体は骨粗鬆症の被験者である請求項１に記載の方法。
12. １つまたは複数の骨のパラメータ・マップを作成する方法であって、
    （ａ）請求項１ないし１１のいずれか１つに記載の方法により骨のパラメータに関する情報を取得するステップと、
    （ｂ）類似するパラメータ特性を示す前記画像の領域を特定し、前記画像のパラメータ・マップを作成するステップを有する方法。
13. 被写体における骨折の進路を予測する方法であって、
    （ａ）請求項１２に記載の方法により複数のパラメータ・マップを作成するステップと、
    （ｂ）前記ステップ（ａ）の前記複数のパラメータ・マップから合成パラメータ・マップを作成するステップと、
    （ｃ）前記合成パラメータ・マップを分析して起こりうる骨折の進路を特定するステップを有する方法。
14. 被写体における骨折の進路を予測する方法であって、
    （ａ）請求項１２に記載の方法によりもたらされる１つまたは複数のパラメータ・マップを分析し、前記分析がウォーターシェッドセグメンテーション解析またはマルコフ・ランダム場解析による分析であるステップと、
    （ｃ）前記ステップ（ａ）の分析に基づいて生じうる骨折の進路を特定し、前記被写体における骨折の進路を予測するステップを有する方法。
15. 被写体における骨折の危険性を予測する方法であって、
    （ａ）請求項１２に記載の方法により取得した１つまたは複数のパラメータ・マップから有限要素モデルを作成するステップと、
    （ｂ）骨折が起こる時に作用している力のベクトルをシミュレートしたベクトルを前記ステップ（ａ）で作成した前記有限要素モデルに作用させるステップと、
    （ｃ）骨折に至るに要する最小の力を求めて前記骨折の危険性を推定するステップを有する方法。
16. 被写体における骨折の危険性を求める方法であって、
    （ａ）請求項１３または１４のいずれかに記載の方法により骨折の進路を予測するステップと、
    （ｃ）前記予測される骨折の進路における１つまたは複数の骨のパラメータを評価して前記骨折の危険性を推定するステップを有する方法。
17. 骨の疾病を有する被写体を治療する方法であって、
    （ａ）被写体の画像を取得するステップと、
    （ｂ）請求項１ないし１１のいずれか１つに記載の方法でステップ（ａ）において取得した前記画像を分析するステップと、
    （ｃ）前記ステップ（ｂ）の分析に基づいて骨の疾病を診断するステップと、
    （ｄ）前記診断に基づく前記被写体に対する適切な治療法を選択して施すステップを有する方法。
    

Images