JP2007534352A - すりガラス様小結節(ggn)セグメンテーションを行うためのシステムおよび方法 - Google Patents
すりガラス様小結節(ggn)セグメンテーションを行うためのシステムおよび方法 Download PDFInfo
- Publication number
- JP2007534352A JP2007534352A JP2006521982A JP2006521982A JP2007534352A JP 2007534352 A JP2007534352 A JP 2007534352A JP 2006521982 A JP2006521982 A JP 2006521982A JP 2006521982 A JP2006521982 A JP 2006521982A JP 2007534352 A JP2007534352 A JP 2007534352A
- Authority
- JP
- Japan
- Prior art keywords
- voi
- ggn
- segmentation
- markov random
- random field
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
ここで提案されるのはすりガラス様小結節(GGN)セグメンテーションに対するシステムおよび方法である。この方法では、医用画像においてGGNにある点を選択し(320)、この点の周りにこのGGNを含む関心ボリューム(VOI)を定め(330)、このVOIから胸壁を取り除き(340)、マルコフ確率場に対する初期状態(350)を得、上記のVOIのセグメンテーションを行う。ここでは上記のマルコフ確率場が使用されてこのVOIのセグメンテーションが行われる(360)。
Description
本発明は、2003年7月31日に提出された米国暫定特許第60/491,650号に優先権を主張するものである。そのコピーをここに参考文献として援用する。
発明の背景
1.技術の分野
本発明の小結節セグメンテーションに関し、殊にマルコフ確率場(Markov random field)を使用した、肺コンピュータトモグラフボリュームにおけるすりガラス様小結節(GGN ground glass nodule)のセグメンテーションに関する。
2.関連技術の考察
すりガラス様小結節(GGN)は、例えば、下にある血管によって覆い隠されていないぼやけた肺(hazy lung)の混濁部のラジオグラフィー像である。GGNは、図1に示したように「ピュア」(pure)または「ミックスド」(mixed)の2つの形態で得られる。ピュアGGNは固形部分から構成されないのに対して、ミックスドGGNはいくつかの固形部分から構成される。
1.技術の分野
本発明の小結節セグメンテーションに関し、殊にマルコフ確率場(Markov random field)を使用した、肺コンピュータトモグラフボリュームにおけるすりガラス様小結節(GGN ground glass nodule)のセグメンテーションに関する。
2.関連技術の考察
すりガラス様小結節(GGN)は、例えば、下にある血管によって覆い隠されていないぼやけた肺(hazy lung)の混濁部のラジオグラフィー像である。GGNは、図1に示したように「ピュア」(pure)または「ミックスド」(mixed)の2つの形態で得られる。ピュアGGNは固形部分から構成されないのに対して、ミックスドGGNはいくつかの固形部分から構成される。
GGNは、高解像度コンピュータトモグラフ(HRCT High Resolution Computed Tomographic)画像において、ふつうのラジオグラフィよりも一層明瞭に示される。またHRCT画像においてGGNは固形の小結節とは異なって見える。それは、固形小結節は、比較的高いコントラストおよび明確な境界を有するからである。さらにHRCT画像におけるGGNの見え方は極めて重要な所見である。それはこれらのGGNにより、細気管支胞上皮癌(bronchiolalveolar carcinomas)または浸食腺癌(invasive adenocarcinoma)のような進行性でありかつ処置可能なプロセスが存在することが示されるからである。
GGNは通例、進行性肺疾患に結びついており、GGNが存在することにより、例えば肺の穿刺生検などのさらなる診断評価に結びつくことが多い。このため、コンピュータベースのセグメンテーションは、所定のタイプの肺疾患の診断および処置を行うために医療専門家の補助となり得るのである。したがって迅速な診断を行うため、GGNの正確かつ一貫したセグメンテーションを行うために使用できるコンピュータベースのセグメンテーションのシステムおよび方法が必要なのである。
発明の要約
本発明は、すりガラス様小結節(GGN)セグメンテーションを行うための1システムおよび方法を提供することによって、既知であり教示された技術において発生した上記の問題および他の問題を克服するものである。
本発明は、すりガラス様小結節(GGN)セグメンテーションを行うための1システムおよび方法を提供することによって、既知であり教示された技術において発生した上記の問題および他の問題を克服するものである。
本発明の1実施形態において、すりガラス様小結節(GGN)セグメンテーションを行う方法では、医用画像において1点を選択し、ここでこの点はGGN内にあり、この点の周りで上記の関心ボリューム(VOI=volume of interest)を定め、ここでこのVOIはGGNを含んでおり、このVOIから胸壁を取り除き、マルコフ確率場に対する初期状態を得、上記のVOIのセグメンテーションを行う。ここでこのVOIは、上記のマルコフ確率場を使用してセグメンテーションされる。さらにこの方法では、上記の医用画像を収集し、ここでこの医用画像は、コンピュータトモグラフ(CT)イメージング技術を使用して収集される。
上記の方法にはさらにコンピュータ支援GGN検出技術を使用したGGNの検出および手動によるGGNの検出が含まれる。上記の点は自動的にまたは手動で選択される。上記のGGNはピュアGGNおよびミックスドGGNのうちの1つである。上記の方法ではさらにVOIの形状およびサイズのうちの1つを定める。上記の胸壁は、領域拡張(region growing)を行うことによって取り除かれる。上記のマルコフ確率場に対する初期状態は、胸壁を取り除いた後、VOIにおいて領域拡張を行うことによって得られる。
上記のマルコフ確率場を使用したVOIのセグメンティングステップには、このVOIに対して事後確率を定めることと、この事後確率の最大値を使用してこのVOIの各ピクセルにラベル付けすることとが含まれており、ここでこのVOIの各ピクセルはGGNおよび背景のうちの1つとしてラベル付けされる。定められる上記の事後確率は、P(L|F)∝P(F|L)P(L)によって計算される。各ピクセルをラベル付けするステップは、
さらに上記の方法には、マルコフ確率場を使用してVOIにセグメンテーションを行った後、GGNの近くまたはこれにくっついている血管を取り除くために形状分析を行うことと、このマルコフ確率場を使用してセグメンテーションが行われたこのVOIを表示することとが含まれている。
本発明の別の実施形態において、GGNセグメンテーションを行うためのシステムは、プログラムを記憶するための記憶装置と、この記憶装置と通信するプロセッサとを有しており、このプロセッサは上記のプログラムによって動作し、これによって肺の医用画像に関連するデータが使用されてGGNの周りに関心ボリューム(VOI)が定められ、このVOIから胸壁が取り除かれ、マルコフ確率場に対して初期状態が得られ、上記のVOIのセグメンテーションが行われる。ここでは上記のマルコフ確率場が使用されてこのVOIのセグメンテーションが行われる。上記プロセッサはさらにプログラムコードによって動作して医用画像が得られる。ここでこの医用画像はCTイメージング技術を使用して収集される。
上記の胸壁は、領域拡張を行うことによって取り除かれる。上記のマルコフ確率場に対する初期状態は、胸壁を取り除いた後、VOIにおいて領域拡張を行うことによって得られる。
マルコフ確率場を使用してVOIのセグメンテーションを行う場合に上記のプロセッサはさらにプログラムコードによって動作し、これによってこのVOIに対して事後確率が定められ、この事後確率の最大値を使用してこのVOIの各ピクセルにラベル付けが行われる。ここでこのVOIの各ピクセルはGGNおよび背景のうちの1つとしてラベル付けされる。定められる上記の事後確率は、P(L|F)∝P(F|L)P(L)によって計算される。各ピクセルをラベル付けするステップは、
上記のプロセッサはさらにプログラムコードによって動作し、これによってマルコフ確率場が使用されてセグメンテーションが行われたVOIにおいてGGNにくっついている血管を取り除くために形状分析が行われ、またこのマルコフ確率場が使用されてセグメンテーションが行われたこのVOIが表示されてGGNが視覚化される。
本発明のさらに別の実施形態では、GGNセグメンテーションに対するコンピュータプログラムロジックが記録された、コンピュータに利用可能な媒体を含むコンピュータプログラム製品に関連し、ここで上記のコンピュータプログラムロジックは、医用画像においてGGN内またはこれの近くにある1点を選択するためのプログラムコードと、この点の周りで上記のGGNを含む関心ボリュームVOIを定めるためのプログラムコードと、このVOIから胸壁を取り除くためのプログラムコードと、マルコフ確率場に対する初期状態を得るためのプログラムコードと、このVOIのセグメンテーションを行うためのプログラムコードとを含み、ここでは上記のマルコフ確率場が使用されてこのVOIのセグメンテーションが行われる。
本発明の別の実施形態においてGGNセグメンテーションに対するシステムは、医用画像にてGGN内にある1点を選択する手段と、この点の周りで前記GGNを含むVOIを定める手段と、このVOIから胸壁を取り除く手段と、マルコフ確率場に対する初期状態を得る手段と、上記VOIのセグメンテーションを行う手段とを含んでおり、ここでは上記のマルコフ確率場が使用されてこのVOIのセグメンテーションが行われる。
本発明のさらに別の実施形態において、マルコフ確率場を使用した肺CTボリュームのGGNセグメンテーションに対する方法では、肺CTボリュームに関連したデータからGGNを選択し、このGGNのまわりにVOIを定め、このVOIにおいて領域拡張を行うことによってこのVOIから胸壁を取り除き、胸壁を取り除いた後、VOIのセグメンテーションを行うことによって反復条件最大化(ICM iterated condition mode)プロシージャに対する初期状態を得、マルコフ確率場を使用することによってVOIのセグメテーションを行う。ここでこのセグメンテーションではVOIに対して事後確率を定め、ICMプロシージャを実行し、またこのICMプロシージャでは、上記の事後確率の最大値を使用してVOIの各ピクセルにラベル付けを行い、ここでこのVOIの各ピクセルに、VOIの各ピクセルがラベル付けされるまで、GGNおよび背景のうちの1つとしてラベル付けを行う。
定められる上記の事後確率は、P(L|F)∝P(F|L)P(L)によって計算される。ICMプロシージャ中に各ピクセルにラベル付けを行うステップは、
上記の実施形態は、代表的な実施形態であり、本発明の理解を助けるためのものである。これらの実施形態は、請求項に定められた本発明に対する制限または請求項と同等のものに対する制限を意図したものではないこと理解されたい。したがってここに示した機能の要約は、同等のものを決める際に決定的なものであると考えてはならない。本発明の付加的な機能は、以下の説明において、また図面および請求項から明らかになろう。
図面の簡単な説明
図1は、「ピュア」なすりガラス様小結節(GGN)および「ミックスド」GGNを示しており、
図2は、本発明の実施例による、GGNセグメンテーションに対するシステムのブロック図を示しており、
図3は、本発明の実施例による、GGNセグメンテーションに対する方法のフローチャートを示しており、
図4は、本発明の実施例により、領域拡張中に使用されるコネクティビティタイプ(connectivity type)を示しており、
図5は、本発明の実施例より、領域拡張中に使用される一連のクリーク(clique)を示しており、
図6は、本発明の実施例により、反復条件最大化(ICM)によって使用されるラスタスキャンの順序を示しており、
図7は、本発明の実施例による、GGNセグメンテーションを行う前および行った後のいくつかのGGNを示している。
図1は、「ピュア」なすりガラス様小結節(GGN)および「ミックスド」GGNを示しており、
図2は、本発明の実施例による、GGNセグメンテーションに対するシステムのブロック図を示しており、
図3は、本発明の実施例による、GGNセグメンテーションに対する方法のフローチャートを示しており、
図4は、本発明の実施例により、領域拡張中に使用されるコネクティビティタイプ(connectivity type)を示しており、
図5は、本発明の実施例より、領域拡張中に使用される一連のクリーク(clique)を示しており、
図6は、本発明の実施例により、反復条件最大化(ICM)によって使用されるラスタスキャンの順序を示しており、
図7は、本発明の実施例による、GGNセグメンテーションを行う前および行った後のいくつかのGGNを示している。
実施例の詳細な説明
図2は、すりガラス様小結節(GGN)セグメンテーションに対する、本発明の実施例によるシステムのブロック図である。図2に示されているようにこのシステムには殊に、例えばイーサネットネットワーク220によって接続されたスキャンニング装置205と、パーソナルコンピュータ(PC)210と、オペレータコンソールおよび/または仮想ナビゲーション端末装置215とが含まれている。スキャニング装置205は高解像度コンピュータトモグラフィ(HRCT)イメージング装置である。
図2は、すりガラス様小結節(GGN)セグメンテーションに対する、本発明の実施例によるシステムのブロック図である。図2に示されているようにこのシステムには殊に、例えばイーサネットネットワーク220によって接続されたスキャンニング装置205と、パーソナルコンピュータ(PC)210と、オペレータコンソールおよび/または仮想ナビゲーション端末装置215とが含まれている。スキャニング装置205は高解像度コンピュータトモグラフィ(HRCT)イメージング装置である。
ポータブルまたはラップトップコンピュータないしは携帯情報端末PDA(Personal Digital Assistant)その他とすることの可能なPC210には、中央演算処理ユニット(CPU)225および記憶装置230が含まれており、これらは入力側255および出力側260に接続されている。PC210は関心ボリューム(VOI)セレクタ245およびセグメンテーション装置250に接続されており、これにはすりガラス様小結節(GNN)セグメンテーションに対する1つまたはそれ以上の方法が含まれている。またPC210は、診断モジュールに接続できるおよび/またはこれを含むことができ、この診断モジュールは、医用画像データの自動診断または評価機能を実行するために使用される。これに加えてPC210は肺気量検査装置に結合可能である。
記憶装置230にはランダムアクセスメモリ(RAM)235およびリードオンリメモリ(ROM)240が含まれている。記憶装置230にはデータベース、ディスクドライブ、テープドライブその他またはこれらの組み合わせを含めることも可能である。RAM235は、CPU225におけるプログラムの実行中に使用されるデータを記憶するためのデータ記憶装置として機能し、またワークエリアとして使用される。ROM240はCPU225で実行されるプログラムを記憶するためのプログラム記憶装置として機能する。入力側255は、キーボード、マウスその他によって構成され、また出力側260は液晶ディスプレイ(LCD)、陰極線管(CRT)ディスプレイ、プリンタその他によって構成される。
このシステムの動作はオペレータコンソール215によってコントロールされ、これは、例えばキーボードであるコントローラ270および例えばCRTディスプレイであるディスプレイ265を含む。オペレータコンソール215はPC210およびスキャニング装置205と通信して、スキャンニング装置205によって収集された2D画像データがPC210によって3Dデータに描画されてこれをディスプレイ265上で見ることができる。オペレータコンソール215がなくても、PC210を構成し、例えば入力側255および出力側260の装置を使用することにより、スキャンニング装置205によって供給された情報を操作して表示し、これによってコントローラ270およびディスプレイ265によって行われる所定の処理を実行できることを理解されたい。
さらにオペレータコンソール215は任意の有利な画像描画システム/ツール/アプリケーションを含んでおり、これらは、収集した画像データセット(またはその一部)のデジタル画像データを処理することができ、これによってディスプレイ265に2Dおよび/または3D画像が形成および表示される。さらに詳しくいうと、この画像描画システムは、医用画像データの2D/3D描画および視覚化を行うアプリケーションとすることができ、これは汎用または特定用途のコンピュータワークステーション上で動作する。さらにこの画像描画システムにより、ユーザは3D画像内または2D画像の複数のスライス内を移動することができる。PC210は、収集した画像データセットのデジタル画像データを処理する画像描画システム/ツール/アプリケーションも含むことができ、これによって2Dおよび/または3D画像が形成および表示される。
図2に示したようにセグメンテーション装置250はPC210にも使用され、これによってデジタル医用画像データが受信および処理される。ここでこのデジタル医用画像データは、上記のように生画像データの形式、2Dで再構成されたデータ(例えば軸スライス)の形式、例えばボリューム画像データまたはマルチプラーナーリフォーマットMPR(multiplanar reformat)などの3Dで再構成されたデータ形式、またはこれらの形式の任意の組み合わせとすることができる。
データ処理を行った結果は、PC210からネットワーク220を介してオペレータコンソール215の画像描画システムに出力することができ、これにより、解剖学的構造または器官のセグメンテーション、色または輝度変化などのデータ処理結果にしたがって画像データの2Dおよび/または3D描画が行われる。
本発明によるGGNセグメンテーションに対するシステムおよび方法は、医用画像データを処理するために使用される従来のセグメンテーション手法の拡張または択一的な手法として実現できることを理解されたい。さらにここに説明した例示的なシステムおよび方法は、広範な種類のイメージング(例えばCT,MRIなど)に適合化され、また肺小結節、腫瘍、狭窄、炎症領域などのさまざまな異常な肺構造および病変を診断および評価するために適合化された3D医用画像およびコンピュータ支援診断(CAD computer aided diagnosis)システムまたはアプリケーションと共に容易に実現可能である。これに関し、ここでは実施例を特定の種類のイメージングまたは解剖学的機能に基づいて説明するが、これらはいずれの本発明の範囲を制限するものと見なしてはならない。
さらに本発明はさまざまな形態のハードウェア、ファームウェア、特定用途向けプロセッサ、またはこれらの組み合わせで実現できることを理解されたい。1実施形態において本発明は、プログラム記憶装置(例えば磁気フロッピィディスク、RAM,CD ROM,DVD,ROMおよびフラッシュメモリ)上に具現化されるアプリケーションプログラムとしてソフトウェアで実現することができる。このアプリケーションプログラムは、任意の有利なアーキテクチャを含むマシンにアップロードして、このマシンによって実行することができる。
図3は、本発明の実施例によるGGNセグメンテーション方法の動作を示すフローチャートである。図3に示したように3Dデータを片方の肺または1対の肺から収集する(ステップ310)。これはスキャンニング装置205、例えばHRCTスキャナを使用することによって行われ、これによって肺がスキャンされてこの肺に関連した一連の2D画像が形成される。肺の2D画像はつぎに例えば図7のカラム(a)に示したように3D描画画像にコンバートないしは変換される。
3Dデータを肺から収集した後、GGNを選択する(ステップ320)。これは例えば、放射線専門医のような医療の専門家により、データからGGNが手動で選択されることによって行われるか、またはコンピュータ支援のGGN検出および/または特徴化技術を使用することによって行われる。択一的にはステップ320においてGGN内の点またはGGNの近くの点を選択することができる。この処理も片方の肺または1対の肺に関連しているデータを検査している放射専門医によって手動で、またはコンピュータのプログラムによって自動的に行うことができ、これによって医用画像データにおいてGGNの点が識別される。
GGNを選択した後、VOIセレクタ245を使用してVOIを定める(ステップ330)。このステップにおいてVOIのサイズおよび/または形状は、GGNを含むように自動的に決定される。例示的なVOIは、図7のカラム(a)においてGGNの周りに配置された矩形のボックス内のエリアによって示されている。VOIをズームインしたものは図7のカラム(b)に示されている。つぎにVOIの前処理を行う。殊に胸壁をVOIから取り除く(ステップ340)。したがって例えば胸壁に所属するVOIの一部分はVOIから取り除かれる。これは、胸壁に所属するVOIのエリアを取り除く領域拡張を行うことによって達成される。これにより、(以下に説明する)MRFセグメンテーションなどのさらなる処理技術に胸壁が及ぼし得る影響が取り除かれるのである。
つぎに(胸壁が取り除かれた)VOIのセグメンテーションが行われる(ステップ350)。これは例えばつぎのような領域拡張を使用することによって行われる。すなわち、この領域拡張に対するシード点(seed point)が、上記のGGN内またはこのGGNの近くにあるVOIの点であるような領域拡張を使用することによって行われるのである。領域拡張中に使用され得るコネクティビティタイプ(connectivity type)の例は図4に示されている。例えば、ピクセルおよびスライス間隔(それぞれXresおよびZresである)が、以下の式1(ここでdはあらかじめ定めた間隔定数である)に示したように10コネクティビティタイプに対する条件を満たす場合、10コネクティビティ領域拡張は図4に示したように行われる。同様にあらかじめ定めた間隔定数が、式1に示した18コネクティビティに対する条件を満たす場合、18コネクティビティ領域拡張が図4に示したように行われる。
ステップ350において、ヒストグラム解析ベースの閾値設定、ガウス平滑化(Gaussian smoothing)、エッジ検出およびテンプレートマッチングなどの付加的なさまざまなセグメンテーション技術を使用できることを理解されたい。またステップ350は、以下に説明するステップ360で行われる反復条件最大化(ICM iterated condition mode)プロシージャに対する初期状態を得るために行われることを理解されたい。
ステップ350でVOIのセグメンテーションを行った後、マルコフ確率場(MRF)を使用して再度このVOIのセグメンテーションを行う(ステップ360)。類似の特徴と異なる特徴との間の非線形な相互作用を指定するMRFが使用されて、例えば、推定すべき特徴についての一般的な知識を導入することによって、空間および時間的な情報が結合されて組織化される。例えば、ステップ360においてMRFを適用することによって、VOIにおいて隣接するボクセルからの空間的な制約を適用することにより、このMRFによって事前確率が得られる。つぎにこのVOIにおいて各ボクセルにラベルを割り当てることができ、ここでこれは隣接するボクセルからの空間的な制約および輝度を考慮することによって行われる。したがってGGNには1ラベルタイプを付与することができ、また非GGNまたは背景情報、例えば、肺組織、血管、胸壁部などには別のラベルタイプが付与されるのである。これにより、MRFを使用してセグメンテーションを行ったVOIが別個に表示され、上記のGGNおよび背景が、例えば図7のカラム(c)にように示される。ここではこれらの画像の中央部においてぎざぎざしたエッジによって示されるエリアはGGNを示しており、外側のエリアは背景である。
したがってMRFセグメンテーションに対する統計的に最適なラベル付けは、事後確率の最大値(MAP maximum of a posteriori)によって得られる。
上記の条件付き確率P(F|L)は、GGNおよび背景輝度分布によって得られ、これは共に以下の式3に示すようにガウス分布によってモデリングされる。すなわち、
セグメンテーションラベル付けLがMRFであるとすると、事前確率P(L)は、以下の式4に示すようにギッブス分布によって得られ、
P(L = l) ∝ exp[−U(l)] [4]
であり、ここで
P(L = l) ∝ exp[−U(l)] [4]
であり、ここで
1ピクセルクリークC1のポテンシャル関数Vc(l)は式5によって定められ、
2ピクセルクリーク c∈C2のポテンシャル関数Vc(l)は式6によって定められ、すなわち、
すなわち、
式3を使用して条件付き確率を決定し、式4を使用して事前確率P(L)を決定した後、これらの式3および4から得られたデータは式2に代入されて、GGNおよび背景情報をラベル付けするための事後確率P(L|F)が計算される。つぎにMAPの最適化は、以下の式8に示した最小化処理になる。すなわち
最終的なセグメンテーション結果である式8のMAPは、つぎにICMプロシージャによって決定される。
各ICM反復中にVOIのラスタスキャンが行われ、したがってこのVOIのボクセルにGGNまたは背景ラベルが付与される。図6に示したようにボクセルラベル付けは、相異なる8通りでラスタスキャンすることによって更新される。すなわち、
(1)VOIの前方左上コーナ(A)から後方右下コーナ(H)に向かって、
(2)VOIの前方右上コーナ(B)から後方左下コーナ(G)に向かって、
(3)VOIの前方左下コーナ(C)から後方右上コーナ(F)に向かって、
(4)VOIの前方右下コーナ(D)から後方左上コーナ(E)に向かって、
(5)VOIの後方右下コーナ(H)から前方左上コーナ(A)に向かって、
(6)VOIの後方左下コーナ(G)から前方右上コーナ(B)に向かって、
(7)VOIの後方右上コーナ(F)から前方左下コーナ(C)に向かって、
(8)VOIの後方左上コーナ(E)から前方右下コーナ(D)に向かって、
ラスタスキャンすることによって更新されるのである。
(1)VOIの前方左上コーナ(A)から後方右下コーナ(H)に向かって、
(2)VOIの前方右上コーナ(B)から後方左下コーナ(G)に向かって、
(3)VOIの前方左下コーナ(C)から後方右上コーナ(F)に向かって、
(4)VOIの前方右下コーナ(D)から後方左上コーナ(E)に向かって、
(5)VOIの後方右下コーナ(H)から前方左上コーナ(A)に向かって、
(6)VOIの後方左下コーナ(G)から前方右上コーナ(B)に向かって、
(7)VOIの後方右上コーナ(F)から前方左下コーナ(C)に向かって、
(8)VOIの後方左上コーナ(E)から前方右下コーナ(D)に向かって、
ラスタスキャンすることによって更新されるのである。
上記の処理(ここでICM反復毎に上記の8通りのうちの1つでラスタスキャンが行われる)は、収束が観察されるまで反復される。言い換えると、この処理はVOIにおけるすべてのボクセルがラベル付けされるまで反復されるのである。上記の処理においてスキャン命令および/またはシーケンスの数の異なる択一的なラスタスキャンプロシージャを使用できることを理解されたい。
ステップ360において、マルコフ確率場を使用してVOIのセグメンテーションを行った後、セグメンテーションが行われたVOIに対してさらなる処理を行うことができる(ステップ370)。例えば、形状分析を行うことによって上記のGGNの近くまたはこれにくっついている血管が取り除かれる。この例は図7のカラム(c)に示されており、ここではGGNにくっついている血管が取り除かれている。これらの血管は、例えば、まず血管とGGNとを区別するコンパクトネス測定(compactness measurement)および閾値判定を行うことによってGGNの近くまたはこれにくっついている血管を識別し、つぎにGGNの近くまたはこれにくっついているこれらの血管を除去し、さらに一連のモルフォロジ演算(morphological operation)を適用することによってこれらの結果を平滑化することによって、GGNおよび/またはGGNから取り除かれる。VOIにおいてGGNから血管を取り除く技術は、"Improved GGO Nodule Segmentation with Shape Analysis"なる名称で2003年9月17日に提出された米国暫定特許明細書第60/503,602号に記載されており、そのコピーをここに文献として援用する。つぎに、例えばオペレータコンソール215のディスプレイ265を介して上記のGGNをユーザに表示する(ステップ380)。本発明にしたがってMRFセグメンテーションを行った後、表示されるGGNの例は図7のカラム(d)に示されている。これらの画像の中央部における暗い部分がGGNである。
したがって本発明にしたがってMRFセグメンテーションを行うことにより、医用画像のGGNは、関連するボクセルにラベルを割り当てることにより、背景情報から正確かつ迅速に区別され、これによって医療専門家はGGNを視覚化して、特定の肺疾患を診断および評価することができるのである。
添付の図面に示した構成システムのコンポーネントおよび方法ステップのいくつかはソフトウェアで実現できるため、システムコンポーネント(または処理ステップ)間の実際の接続は、本発明のプログラムの仕方に応じて変わり得ることを理解されたい。ここで示した本発明の教示があれば、当該技術分野における通常の知識を有する者は、本発明の上に示したおよび類似の実現ないしは構成を考え出すことができる。
上に述べたことは、説明のための実施形態の単なる代表であることも理解されたい。読者の便宜のため、上の説明は考えられ得る実施形態の代表的な例に注目したのであり、この代表的な例は、本発明の原理を説明するものである。上で述べたことは、考え得るすべての変形実施例を網羅的に列挙しようとしたものではない。本発明の特定の部分に対して択一的な実施形態が示されていなかったり、または特定の部分に対して記載していない別の択一的な実施形態が可能であるが、このことはこれらの択一的な実施形態を放棄したものではない。他の応用および実施形態は、本発明の精神および範囲を逸脱することなく簡単に実現可能である。したがってここで意図したのは、記載した特定の実施形態によって本発明が制限されないことである。それは、上に示したことと、本発明によらない上記に代わるものを含む実現とからなる数多くの順列および組み合わせを構成することができるが、本発明は以下の請求項にしたがって定められるべきものであるからである。上記の記載されていない実施形態の多くは、以下の請求項の文言上の範囲内にあり、その他のものもこれらと同等であると考えることができる。
Claims (32)
- すりガラス様小結節(GGN)セグメンテーションを行う方法において、
該方法では、
医用画像にて1点を選択し、ここで当該の点はGGN内にあり、
当該点の周りで関心ボリューム(VOI=volume of interest)を定め、ここで該VOIは前記GGNを含んでおり、
該VOIから胸壁を取り除き、
マルコフ確率場に対する初期状態を得、
前記VOIをセグメンテーションし、ここで該VOIを前記マルコフ確率場を使用してセグメンテーションすることを特徴とする、
すりガラス様小結節(GGN)セグメンテーションを行う方法。 - さらに前記医用画像を収集する、
請求項1に記載の方法。 - コンピュータトモグラフ(CT)イメージング技術を使用して前記医用画像を収集する、
請求項2に記載の方法。 - 前記の点を自動的に選択する、
請求項1に記載の方法。 - 前記の点を手動で選択する、
請求項1に記載の方法。 - さらにコンピュータ支援GGN検出技術を使用して前記GGNを検出する、
請求項1に記載の方法。 - さらに前記GGNを手動で検出する、
請求項1に記載の方法。 - 前記GGNは、ピュアGGNまたはミックスドGGNのうちの1つである、
請求項1に記載の方法。 - 領域拡張を行うことによって前記胸壁を取り除く、
請求項1に記載の方法。 - さらに前記のVOIの形状およびサイズのうちの1つを定める、
請求項1に記載の方法。 - 前記の胸壁を取り除いた後、VOIにて領域拡張を行うことにより、前記のマルコフ確率場に対する初期状態を得る、
請求項1に記載の方法。 - 前記のマルコフ確率場を使用したVOIのセグメンティングステップには、
該VOIに対して事後確率を定めることと、
該事後確率の最大値を使用して当該VOIの各ピクセルにラベル付けすることとが含まれており、
ここで該VOIの各ピクセルにGGNおよび背景のうちの1つとしてラベル付けを行う、
請求項1に記載の方法。 - 定められる前記の事後確率を
P(L|F)∝P(F|L)P(L)
によって計算する、
請求項12に記載の方法。 -
請求項12に記載の方法。 - 前記のラベル付けで、収束するまで上記のVOIをスキャンニングする、
請求項12に記載の方法。 - さらに、マルコフ確率場を使用してVOIのセグメンテーションを行った後、GGNの近くまたは該GGNにくっついている血管を取り除くために形状分析を行う、
請求項1に記載の方法。 - さらに前記のマルコフ確率場を使用してセグメンテーションを行ったVOIを表示する、
請求項1に記載の方法。 - すりガラス様小結節(GGN)セグメンテーションを行うためのシステムにおいて、
該システムは、
プログラムを記憶するための記憶装置と、
該記憶装置と通信するプロセッサとを有しており、
該プロセッサは前記プログラムによって動作し、これにより、
肺の医用画像に関連するデータが使用されてGGNの周りに関心ボリューム(VOI)が定められ、
該VOIから胸壁が取り除かれ、
マルコフ確率場に対して初期状態が得られ、
VOIのセグメンティングが行われ、ここでは前記マルコフ確率場が使用されて該VOIのセグメンテーションが行われることを特徴とする、
すりガラス様小結節(GGN)セグメンテーションするためのシステム。 - 前記プロセッサはさらにプログラムコードによって動作し、これによって医用画像が得られ、ここで該医用画像はコンピュータトモグラフ(CT)イメージング技術を使用して収集される、
請求項18に記載のシステム。 - 前記胸壁は、領域拡張を行うことによって取り除かれる、
請求項18に記載のシステム。 - 前記のマルコフ確率場に対する初期状態は、胸壁を取り除いた後、VOIにて領域拡張を行うことによって得られる、
請求項18に記載のシステム。 - 前記のマルコフ確率場を使用してVOIをセグメンティングする場合に前記のプロセッサはさらにプログラムコードによって動作し、これによって、
当該VOIに対して事後確率が定められ、
該事後確率の最大値を使用して該VOIの各ピクセルにラベル付けが行われ、ここで該VOIの各ピクセルはGGNおよび背景のうちの1つとしてラベル付けが行われる、
請求項18に記載のシステム。 - 定められる前記の事後確率は、P(L|F)∝P(F|L)P(L)によって計算される、
請求項22に記載のシステム。 - 各ピクセルをラベル付けするステップは、
請求項22に記載のシステム。 - 前記のプロセッサはさらにプログラムコードによって動作し、これによってマルコフ確率場が使用されてセグメンティングが行われたVOIにて、GGNにくっついている血管を取り除くために形状分析が行われる、
請求項18に記載のシステム。 - 前記のプロセッサはさらにプログラムコードによって動作し、これによってマルコフ確率場が使用されてセグメンテーションが行われたVOIが表示され、GGNが視覚化される、
請求項18に記載のシステム。 - すりガラス様小結節(GGN)セグメンテーションに対するコンピュータプログラムロジックが記録された、コンピュータに利用可能な媒体を含むコンピュータプログラム製品において、
前記のコンピュータプログラムロジックは、
医用画像にてGGN内または該GGNの近くにある1点を選択するためのプログラムコードと、
該点の周りで前記のGGNを含む関心ボリューム(VOI)を定めるためのプログラムコードと、
該VOIから胸壁を取り除くためのプログラムコードと、
マルコフ確率場に対する初期状態を得るためのプログラムコードと、
前記のVOIのセグメンテーションを行うためのプログラムコードとが含まれており、ここでは前記マルコフ確率場が使用されて前記VOIのセグメンテーションが行われることを特徴とする、
コンピュータプログラム製品。 - すりガラス様小結節(GGN)セグメンテーションに対するシステムにおいて、
医用画像にてGGN内にある1点を選択する手段と、
該点の周りで前記GGNを含む関心ボリューム(VOI)を定める手段と、
該VOIから胸壁を取り除く手段と、
マルコフ確率場に対する初期状態を得る手段と、
前記VOIのセグメンテーションを行う手段とが含まれており、ここでは前記マルコフ確率場が使用されて該VOIのセグメンテーションが行われることを特徴とする、
すりガラス様小結節(GGN)セグメンテーションに対するシステムシステム。 - マルコフ確率場を使用して肺CTボリュームのすりガラス様小結節(GGN)セグメンテーションを行う方法において、
肺CTボリュームに関連したデータからGGNを選択し、
該GGNの周りに関心ボリューム(VOI)を定め、
該VOIにて領域拡張を行うことによって該VOIから胸壁を取り除き、
胸壁を取り除いた後、VOIのセグメンテーションを行うことによって反復条件最大化(ICM iterated condition mode)プロシージャに対する初期状態を得、
マルコフ確率場を使用することによってVOIのセグメンテーションを行い、ここで当該のセグメンテーションでは、
前記VOIに対して事後確率を定め、
前記ICMプロシージャを実行し、
該ICMプロシージャでは、前記の事後確率の最大値を使用してVOIの各ピクセルにラベル付けを行い、ここで当該VOIの各ピクセルに、VOIの各ピクセルがラベル付けされるまで、GGNおよび背景のうちの1つとしてラベル付けを行うことを特徴とする、
マルコフ確率場を使用して肺CTボリュームのすりガラス様小結節(GGN)セグメンテーションを行う方法。 - 定められる前記の事後確率をP(L|F)∝P(F|L)P(L)によって計算する、
請求項29に記載の方法。 - 前記ICMプロシージャ中に各ピクセルにラベル付けを行うステップを、
請求項29に記載の方法。 - 前記のICMプロシージャを初期状態から開始する、
請求項29に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US49165003P | 2003-07-31 | 2003-07-31 | |
US10/898,511 US7209581B2 (en) | 2003-07-31 | 2004-07-23 | System and method for ground glass nodule (GGN) segmentation |
PCT/US2004/024077 WO2005013197A1 (en) | 2003-07-31 | 2004-07-27 | System and method for ground glass nodule (ggn) segmentation |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2007534352A true JP2007534352A (ja) | 2007-11-29 |
Family
ID=34118878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006521982A Pending JP2007534352A (ja) | 2003-07-31 | 2004-07-27 | すりガラス様小結節(ggn)セグメンテーションを行うためのシステムおよび方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2007534352A (ja) |
WO (1) | WO2005013197A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013154162A (ja) * | 2012-01-30 | 2013-08-15 | Toshiba Corp | 医用画像処理装置、画像診断装置、コンピュータシステム、医用画像処理プログラム、及び医用画像処理方法 |
WO2014038428A1 (ja) * | 2012-09-07 | 2014-03-13 | 株式会社 日立メディコ | 画像処理装置及び画像処理方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7627173B2 (en) * | 2004-08-02 | 2009-12-01 | Siemens Medical Solutions Usa, Inc. | GGN segmentation in pulmonary images for accuracy and consistency |
-
2004
- 2004-07-27 WO PCT/US2004/024077 patent/WO2005013197A1/en active Application Filing
- 2004-07-27 JP JP2006521982A patent/JP2007534352A/ja active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013154162A (ja) * | 2012-01-30 | 2013-08-15 | Toshiba Corp | 医用画像処理装置、画像診断装置、コンピュータシステム、医用画像処理プログラム、及び医用画像処理方法 |
WO2014038428A1 (ja) * | 2012-09-07 | 2014-03-13 | 株式会社 日立メディコ | 画像処理装置及び画像処理方法 |
US9396395B2 (en) | 2012-09-07 | 2016-07-19 | Hitachi Medical Corporation | Image processing apparatus and image processing method, configured to apply threshold conditions to specify target pixel |
JPWO2014038428A1 (ja) * | 2012-09-07 | 2016-08-08 | 株式会社日立製作所 | 画像処理装置及び画像処理方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2005013197A1 (en) | 2005-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7209581B2 (en) | System and method for ground glass nodule (GGN) segmentation | |
EP1315125B1 (en) | Image processing method and system for disease detection | |
JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
US7627173B2 (en) | GGN segmentation in pulmonary images for accuracy and consistency | |
US7349563B2 (en) | System and method for polyp visualization | |
JP7005191B2 (ja) | 画像処理装置、医用画像診断装置、及びプログラム | |
US20080117209A1 (en) | Medical image segmentation | |
US20080080770A1 (en) | Method and system for identifying regions in an image | |
US8150121B2 (en) | Information collection for segmentation of an anatomical object of interest | |
JP2008515466A (ja) | 対象物のクラスの画像表現を識別する方法及びシステム | |
JP2005526583A (ja) | 車輪状投影分析を用いた肺結節検出 | |
US8520923B2 (en) | Reporting organ volume for a medical digital image | |
US7912294B2 (en) | System and method for toboggan-based object detection in cutting planes | |
JP2006297099A (ja) | コンピュータ支援診断における小結節の改善されたセグメンテーションのための方法及びシステム及びコンピュータ支援診断において小結節の改善されたセグメンテーションのためのプログラムされたプロセッサにより実行可能な命令 | |
JP6747785B2 (ja) | 医用画像処理装置及び医用画像処理方法 | |
US7391893B2 (en) | System and method for the detection of shapes in images | |
US7653225B2 (en) | Method and system for ground glass nodule (GGN) segmentation with shape analysis | |
US7369638B2 (en) | System and method for detecting a protrusion in a medical image | |
JP2007534352A (ja) | すりガラス様小結節(ggn)セグメンテーションを行うためのシステムおよび方法 | |
US7747052B2 (en) | System and method for detecting solid components of ground glass nodules in pulmonary computed tomography images | |
JP2023551421A (ja) | 医用画像内の標識要素の抑制 | |
WO2005002432A2 (en) | System and method for polyp visualization | |
WO2000063831A1 (en) | Method and apparatus for enhancing an image using data optimization and segmentation |