JP2007534352A

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

Info

Publication number: JP2007534352A
Application number: JP2006521982A
Authority: JP
Inventors: ツァンリ; ミン　ファン
Original assignee: Siemens Medical Solutions USA Inc
Current assignee: Siemens Medical Solutions USA Inc
Priority date: 2003-07-31
Filing date: 2004-07-27
Publication date: 2007-11-29
Also published as: WO2005013197A1

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。

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、

によって計算され、ここでこのラベル付けでは、収束するまで上記のＶＯＩをスキャンニングする。

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、

によって計算される。

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、

によって計算され、ここでこのＩＣＭプロシージャは上記の初期状態からはじまる。

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。

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。

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，ＣＤＲＯＭ，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Ｘ_ｒｅｓおよびＺ_ｒｅｓ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、

であり、ここでμ_ｌは、ＧＧＮまたは背景輝度に対する平均値である。

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

は、２６コネクティビティの３Ｄ近傍によって定められるすべての１および２ピクセルのクリークの集合Ｃにわたる和であり、これは（図５に示した）クリークを定めるために使用される。これについては以下で式７に関連して説明する。

１ピクセルクリークＣ_１のポテンシャル関数Ｖ_ｃ(l)は式５によって定められ、

２ピクセルクリークｃ∈Ｃ_２のポテンシャル関数Ｖ_ｃ(l)は式６によって定められ、すなわち、

すなわち、

であり、ここで(ｂ)，(ｃ)，…，(ｎ)は、図５に示した面内クリーク（例えばｂ〜ｅ）および面を横断した（cross-plane)クリーク（例えばｆ〜ｎ）であり、βはあらかじめ定めたポテンシャル定数であり、ｗは重み付け定数である。β_ｋは１クリークの２つのピクセル間の間隔が大きい場合に小さくなり、１クリークの２つのピクセル間の間隔が小さい場合には大きくなる。

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

である。

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。

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。

「ピュア」なすりガラス様小結節（ＧＧＮ）および「ミックスド」ＧＧＮを示す図である。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である。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である。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を示す図である。本発明の実施例により、領域拡張中に使用される一連のクリークを示す図である。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す図である。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を示す図である。

Claims

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。
により、前記の各ピクセルをラベル付けするステップを計算する、
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、
によって計算される、
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、
によって計算する、
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。