JP2008188428A - 血管画像抽出及びラベル付けのシステム及び方法 - Google Patents

Abstract

【課題】卒中及び他の血管疾患の治療及び診断を容易にする。
【解決手段】アルゴリズムを用いて血管画像データをセグメント分割し（１０４）、血管画像データを小容積（１２８、１３０、１３２）に区分し、小容積を用いて主動脈の根元側端部（１２６）及び終点（１３４、１３６、１３８）を指定する。区画の小容積（１２８、１３０、１３２）の一つの内部の血管の１本において単一シード点ボクセル（１２２）を識別し（１１０）、単一シード点ボクセルからの測地距離に基づいて他のボクセルにコード付けする。血管の終点（１３４、１３６、１３８）に対応するボクセルにラベル付けする。終点（１３４、１３６、１３８）から開始して、アルゴリズムを用いて動脈セグメントを始点まで遡って追跡し、このアルゴリズムは同時に、経路に沿った血管ボクセルの全てに、所属の血管を識別する対応する解剖学的ラベル（１４８）でラベル付けする。
【選択図】 図５

Description

本発明は一般的には、医用撮像の分野に関する。さらに具体的には、本発明は、医用画像において血管を自動的に識別してラベル付けする手法に関する。

容積測定医用イメージング・システムは、多くの病気及び疾患の診断及び治療に有益な手段となっている。患者の体内の解剖学的特徴について二次元的情報のみを収集し得るに留まる従来のＸ線イメージング・システムとは対照的に、容積測定医用イメージング・システムは、体内の解剖学的情報を三次元で収集することが可能である。次いで、この三次元情報を用いて多様な異なる視点からの医用画像を形成することができるが、従来のＸ線画像は単一のビューからの画像に限定されている。容積測定イメージング・システムの例は、計算機式断層写真法（ＣＴ）イメージング・システム、磁気共鳴イメージング（ＭＲＩ）システム、及び陽電子放出断層写真法（ＰＥＴ）である。

これらの撮像手法の有用性を損ない得る一つの要因は、関心のある特定の構造を背景から識別することが、背景が類似のテクスチャ又は構造を有するときには特に、比較的困難であることである。不要の解剖学的特徴を画像から除去することにより特定の解剖学的特徴の検査を容易にするために、セグメント分割プログラムが開発されている。例えば、軟組織をより容易に観察し得るように画像から骨を除去することが可能なセグメント分割プログラムが開発されている。幾つかの応用では、解剖学的特徴を識別するときの問題がセグメント分割後も依然として存在する場合がある。例えば、セグメント分割プログラムを用いて、脳に血液を供給する頭蓋骨の内部の血管を他の軟組織及び骨からセグメント分割することができる。しかしながら、セグメント分割後にも多数の血管が残存するため、特定の血管を識別することが困難になる。加えて、脳の血管は多くの捩れ及び転回や絡まりを形成しており、特定の血管を識別することが一層困難になっている。結果として、脳を巡って走行する個々の血管を識別したり追跡したりすることが困難である場合がある。

脳の血管の画像は放射線科医にとって極めて重要である。例えば、走査の目的が虚血性脳卒中の検出である場合には、放射線科医は閉塞した血管セグメントを識別することに関心を持つ。一方、走査の目的が出血性脳卒中の検出である場合には、放射線科医は動脈瘤の一般的な位置である血管合流点（又は分岐点）の位置を知ることに関心を持つ。しかしながら、いずれの状況でも、脳の血管の通常のセグメント分割画像が格別に有用でない場合がある。放射線科医にとって、関与している特定の血管を識別することが困難である場合がある。さらに、１本の血管の分岐点を単なる２本の血管の重なりから区別することが困難である場合がある。

従って、上述のような問題点を克服する手法の必要性が存在する。以下に説明する手法は、これらの問題点の１又は複数を解決することができる。

患者の頭蓋骨の内部の血管の三次元セグメント分割画像を形成して、血管に自動的にラベル付けする手法を提供する。但し、本手法は身体の他の部分の血管にも適用可能である。頭部の画像を得て、次いでアルゴリズムを用いて画像の他組織の画像データから血管画像データをセグメント分割し、「血管樹」として公知のものを形成する。アルゴリズムを用いて頭部従って血管画像データを小容積に区分し、次いでこれらの小容積を用いて血管樹の内部の主動脈の根元側端部及び終点を指定する。アルゴリズムを用いて区分の下部小容積の内部に位置する内頸動脈の１本において１個のボクセルを識別する。次いで、血管樹の残部におけるボクセルに、上述の内頸動脈のボクセルからの測地距離に基づいてコード付けする。上部小容積では、距離の極大値を用いて血管樹の内部の動脈の終点を識別する。また、このアルゴリズムを他の小容積でも用いて他の血管の始点及び終点の位置を求めることができる。上部小容積はさらに、左右の前領域、中間領域及び後領域に細別される。これらの領域の一つにおける位置に基づいて血管の終点に対応するボクセルにラベル付けする。これらの終点から開始して、最短経路アルゴリズムを用いて動脈セグメントを遡って追跡し、このアルゴリズムは同時に、経路に沿った血管ボクセルの全てに、所属の血管を識別する対応する解剖学的ラベルでラベル付けする。合流する多数の軌跡はタグ付けされて、分岐点としてラベル付けされる。

本発明の上述の特徴、観点及び利点並びに他の特徴、観点及び利点は、添付の図面を参照して以下の詳細な説明を読むとさらに十分に理解されよう。図面全体を通して類似の参照符号は類似の部分を表わす。

図１を全体的に参照すると、患者を三次元で走査して患者の体内の解剖学的構造の医用画像データを生成するように動作可能なスキャナ２２を有する医用イメージング・システム２０の線図が掲げられている。スキャナ２２は、計算機式断層写真法（ＣＴ）、磁気共鳴（ＭＲ）、又は陽電子放出断層写真法（ＰＥＴ）のような多様な異なる撮像モダリティの任意のものを利用し得る。この実施形態では、スキャナ２２によって得られる医用画像データはディジタル形態にある。三次元画像はボクセルで構成されている。三次元医用撮像におけるボクセルは、二次元撮像におけるピクセルに類似している。ボクセルは、三次元空間の格子での値を表わす空間要素である。スキャナ２２は、ボクセルに値を割り当てるように動作可能である。ボクセルの値は様々な特性を表わし得る。ＣＴ走査では、これらの値はＸ線に対する物質の不透過性を表わすハンスフィールド単位である。ＭＲ撮像では、ボクセルは異なる特性を表わす。

スキャナ２２は、利用者がスキャナ２２及び医用イメージング・システム２０の他の構成要素を動作させることを可能にするローカル・コンピュータ２４に接続されている。ローカル・コンピュータ２４は、スキャナ２２によって生成された医用画像データを受け取り、医用画像データを処理して患者の医用画像を形成するように動作可能である。モニタ２６、キーボード２８及びマウス３０が設けられており、利用者がローカル・コンピュータ２４と相互作用（対話）することを可能にしている。利用者はこれらの装置を用いてローカル・コンピュータ２４に命令して、患者の所望の部分を走査することをスキャナ２２に指示することができる。加えて、プリンタ３２が設けられており、医用画像のハード・コピーを印刷することを可能にしている。

放射線科医は、インターネットのような通信網３６又はＰＡＣＳの一部としての通信網３６を介してローカル・コンピュータ２４に接続されているリモート・コンピュータ３４を用いて医用画像を受け取って操作することができる。スキャナ２２からの医用画像データは、診断の目的やさらなる処理のためにリモート・コンピュータ３４によって検索され得る。ローカル・コンピュータ２４と同様に、リモート・コンピュータ３４にもモニタ３８、キーボード４０及びマウス４２が設けられており、利用者がリモート・コンピュータ３４と対話することを可能にしている。

図示の実施形態では、リモート・コンピュータ３４には、リモート・コンピュータ３４が医用画像データを処理して血管の三次元セグメント分割画像を形成し、個々の血管に自動的にラベル付けすると共にこれら個々の血管の経路を始点及び終点を含めて識別することを可能にするプログラミングが提供されている。結果として、このプログラムは、利用者が、捩れて転回したり他の血管と絡み合ったりしている個々の血管の経路を追跡することを可能にする。加えて、このプログラミングはまた、血管分岐点を自動的に識別するようにリモート・コンピュータ３４に指示する。さらに、このプログラムは、関心のある経路に位置しない血管のような望まれない血管を医用画像から除去するように利用者がリモート・コンピュータ３４に指示することを可能にする。代替的には、このプログラミングをリモート・コンピュータ３４ではなくローカル・コンピュータ２４の内部に記憶させてもよいし、両方のコンピュータがこのプログラミングを有していてもよい。この実施形態では、医用イメージング・システム２０を用いて、脳に血液を供給している頭蓋骨の内部の自動的にラベル付けされた血管の三次元セグメント分割画像を形成する。但し、医用イメージング・システム２０を用いて、心臓の血管のような他の血管の画像を形成することもできる。

図２を全体的に参照すると、患者の頭部４４及び頸部４６の右側の図が掲げられている。脳は患者の頭蓋骨４８の内部の頭蓋腔に収容されており、頭蓋骨４８は頸部４６の頸椎５０によって支持されている。頭部４４は、右総頸動脈５２、左総頸動脈（この図には示されていない）、右椎骨動脈５４、及び左椎骨動脈（やはりこの図には示されていない）から血液を受ける。左総頸動脈及び左椎骨動脈は頭部４４の反対側に位置している。右総頸動脈５２は右内頸動脈５６及び右外頸動脈５８に分かれる。同様に、左総頸動脈も左内頸動脈及び左外頸動脈に分かれる。右椎骨動脈５４及び左椎骨動脈は頸椎５０を通して延在し、大後頭孔を通って頭蓋骨４８の内部まで達して、脳に血液を供給する。右内頸動脈５６及び左内頸動脈は破裂孔を通って頭蓋骨４８に達する。左右の外頸動脈は、顔面筋のような頭蓋骨４８の外側の頭部４４の血管に血液を供給する。

図３及び図４を全体的に参照して述べると、脳に血液を供給する各動脈は、頭蓋骨４８の内部で脳６０の様々な部分に血液を供給する血管網を形成するように合流する。脳６０の後端に向かって右椎骨動脈５４及び左椎骨動脈６２が合流して、脳底動脈６４を形成する。脳底動脈６４は、脳幹腹側部に沿って進み、脳橋、中脳及び小脳に血液を供給する枝を有する。脳底動脈６４は、大脳の後頭葉及び側頭葉の部分に血液を供給する右後大脳動脈６６並びに左後大脳動脈６８に分かれることにより終端する。

図４に最も分かり易く示すように、後大脳動脈はまた、脳６０の底部において、参照番号７０によって全体的に参照されるウィリス動脈輪としても公知である大脳動脈輪の一部を形成している。ウィリス動脈輪７０は椎骨動脈系と頸動脈系とを結ぶ動脈輪であり、血管が閉塞したり狭窄したりした場合にも血液が脳の組織に達し得るようにする代替経路を提供している。内頸動脈もまたウィリス動脈輪７０の一部を形成している。右内頸動脈５６は、右前大脳動脈７２及び右中大脳動脈７４に分岐することにより終端する。同様に、左内頸動脈７６は、左前大脳動脈７８及び左中大脳動脈８０に分岐することにより終端する。右前大脳動脈７２は、前交通動脈８２によって左前大脳動脈７８に連結されている。右中大脳動脈７４は、右後交通動脈８４によって右後大脳動脈６６に連結されている。同様に、左中大脳動脈８０は、左後交通動脈８６によって左後大脳動脈６８に連結されており、ウィリス動脈輪７０を完結させる。

再び図３を参照すると、大脳動脈は脳６０を巡って延在し、脳６０に血液を供給する多数のさらに小さい動脈に枝分かれする。様々な大脳動脈の名称は、これら小動脈の最終的な行先を示す。右前大脳動脈７２は脳６０の右前部８８に血液を供給する。左前大脳動脈７８は脳６０の左前部９０に血液を供給する。右中大脳動脈７４は脳６０の右中間部９２に血液を供給する。左中大脳動脈８０は脳６０の左中間部９４に血液を供給する。右後大脳動脈６６は脳６０の右後部９６に血液を供給する。最後に、左後大脳動脈６８は脳６０の左後部９８に血液を供給する。

図５を全体的に参照すると、患者の頭蓋骨の内部の血管の三次元セグメント分割画像を形成して血管に自動的にラベル付けする手法のブロック図が掲げられており、全体的に参照番号１００によって参照されている。以下でさらに詳細に議論するように、頭部の画像を得て、次いでアルゴリズムを用いて画像の他組織に対応するボクセルから血管ボクセルをセグメント分割し、血管樹を形成する。また、アルゴリズムを用いて頭部を三つの小容積に区分し、次いでこれらの小容積を用いて血管樹の主動脈の根元側端部及び終点を指定する。次いで、アルゴリズムを用いて頭部区分の下部小容積に位置する内頸動脈のボクセルを識別する。次いで、血管樹の残部におけるボクセルに、上述の前記内頸動脈のボクセルからの測地距離に基づいてコード付けする。上部小容積では、距離の極大値を用いて血管樹での動脈の終点を識別する。上部小容積はさらに、左右の前領域、中間領域及び後領域に細別される。終点に対応するボクセルは、これらの領域の一つにおける各々の位置に基づいてラベル付けされる。これらの終点から開始して、最短経路アルゴリズムを用いて動脈セグメントを遡って追跡し、このアルゴリズムは同時に、経路に沿った血管ボクセルの全てを対応する解剖学的ラベルでラベル付けする。交わる多数の軌道はタグ付けされて、分岐点としてラベル付けされる。尚、この手法を身体の他の部分の血管に用いてもよいことに留意されたい。

ブロック１０２によって全体的に参照される手法の第一のブロックは、図１の医用イメージング・システム２０のスキャナ２２を用いて患者の頭部の走査を実行するものである。患者の頭部の走査を実行すると、骨画像データ、脳実質画像データ及び神経画像データ等のように、血管以外の解剖学的特徴からのデータが存在する。典型的には、血管と他の解剖学的特徴との間の差を強調する造影剤を患者の血流に注入する。例えば、画像データは、ＣＴアンジオグラフィ法、タイム・オブ・フライト（ＴＯＦ）ＭＲアンジオグラフィ法、造影剤強調ＭＲアンジオグラフィ法、又は同様の手順から得ることができる。患者の頭部の走査から得られた医用撮像データは、放射線科医による検討又はさらなる処理のために記憶され得る。ここまでは、本手法は標準的な医用画像形成手法によるものである。医用撮像データのさらなる処理は放射線科医又は他の人員によって実行され得る。

この実施形態では、医用画像データのさらなる処理は、ブロック１０４によって全体的に表わされているセグメント分割アルゴリズムから開始する。セグメント分割アルゴリズムは、血管に対応するボクセルを他の組織に対応するボクセルから識別するように動作可能である。他の組織からセグメント分割された血管は血管樹を形成する。このブロック及び後続のブロックの幾つか又は全ては、一旦開始されると自動的に実行され得ることに留意されたい。

次いで、セグメント分割された血管画像データは、ブロック１０６によって全体的に表わされているように前処理アルゴリズムを用いて処理される。ＣＴアンジオグラフィ法又はＴＯＦ ＭＲアンジオグラフィ法、造影剤強調ＭＲアンジオグラフィ法のような実行されるアンジオグラフィ手順に応じて、セグメント分割された医用画像データは、漂遊構造を除去するように動作可能なアルゴリズムによって浄化される。例えば、ＣＴアンジオグラフィ法からの画像データを浄化するためには骨除去アルゴリズムを用いることができるが、ＴＯＦ ＭＲアンジオグラフィ法の場合には強度及び空間的制約に基づくアプローチを用いることができる。セグメント分割アルゴリズムは、エッジ、識別可能な構造、境界、色又は強度の変化又は推移、及び分光画像情報の変化又は推移等のような既知の画像特性又は予期される画像特性を参照することにより関心のある特徴を識別することができる。図示の実施形態では、セグメント分割された容積は、１５００ｍｍ^３の閾値寸法の三次元連結成分を用いて浄化されると共にラベル付けされる。この容積閾値を用いて微小な外頸動静脈を除去する。但し、頸動脈及び椎骨動脈のような主動脈の血管セグメントは残す。

前処理の後に、ブロック１０８によって全体的に表わされる頭部区分アルゴリズムによって血管画像データを処理する。この実施形態では、頭部区分アルゴリズムは頭部及び頸部を三つの小容積に区分する。これらの小容積は、動脈が円形断面であるが骨に接触しているか又は骨を通過している下部区画（ＩＰ）、血管がウィリス動脈輪に沿ってループしている中間区画（ＭＰ）、及び血管が脳の様々な領域に枝分かれする上部区画（ＳＰ）を含む。

次いで、三つの頭部区画に区分された画像データは、ブロック１１０によって表わされているような単一シード検出アルゴリズムによって自動的に処理される。単一シード点とは、距離を参照する始点となる「シード」ボクセル又はボクセル集合を指している。単一シード点アルゴリズムを下部区画において用いて、単一シード点（すなわち開始点）となる内頸動脈のボクセルを識別する。加えて、アルゴリズムは下部区画での血管の終点を識別する。

次いで、ブロック１１２によって全体的に参照されるように、測地距離及び境界コード算出アルゴリズムが三つ全ての区画を通して実行される。血管樹の全てのボクセルは、単一シード点からの測地距離によって参照される。数学の一分野であるグラフ理論では、グラフの２点の頂点の間の距離は、各頂点を結ぶ最短経路における辺の数である。この距離は測地距離としても知られている。単一シードのコードが血管樹の内部で生成されて、ボクセルとこの単一シード点との間の最短測地線経路の長さを確定する。単一シードのコードは対象をクラスタの集合に分類し、この各々のクラスタは血管と血管内部の参照点を中心とする球面との交わりであって、ビビアニ（Viviani）曲線として知られるものである。ビビアニ曲線は、ビビアニ窓としても知られ、半球状の円蓋に設けられた四つの窓によって形成される空間曲線であって、円蓋を求長可能とするものである。境界コードは境界までの最小の距離であり、三次元市街距離法を用いて算出される。

また、ブロック１１４によって全体的に参照されるように、アルゴリズムを用いて上部区画での終点を検出する。上述のように、上部区画は脳の頭蓋領域に対応する。この小容積はさらに、中大脳動脈についての左領域及び右領域、並びに前後大脳動脈についての中間領域に分割される。終点検出検索をこれらの領域のみに限定することにより、静脈及び他の構造から生ずる誤った肯定的情報（false positive）が減少する。左領域、右領域及び中間領域の単一シードのコードの極大値が終点候補として識別される。これらの領域の一つにおける終点の位置に基づいて、終点に対応するボクセルがラベル付けされる。例えば、脳の右前部で検出された終点に対応するボクセルに、右前大脳動脈を表わす「ＲＡＣＡ」とラベル付けすることができる。

ブロック１１６によって全体的に参照されるように、これらの終点から開始して、動脈セグメントを上部区画から下部区画へ最短経路アルゴリズムを用いて遡って追跡し、最短経路アルゴリズムは同時に、経路に沿った血管セグメントの全てのボクセルに、対応する解剖学的ラベルでラベル付けする。最短経路アルゴリズムは、標準的な２６隣接の領域成長連鎖（キュー）を用いて終点を始点と連結する。閾値を超える長さを有する経路を有効血管枝と看做して、セグメント分割の人為的効果（artifacts）又は誤った「橋架け」から生じ得る不要血管枝を抑止する。成長させている領域が、もう一つの終点から算出される経路が既にこの位置を訪れていることを意味する以前にタグ付けされた位置に遭遇すると、分岐点が検出される。最短経路は、スプライン、血管セグメントの色分け、又は他の幾つかの視覚的指標によって医用画像に示され得る。

次いで、ブロック１１８によって表わされているように、図示のアルゴリズムにおいて能動型輪郭アルゴリズムを用いて、最短経路アルゴリズムによって抽出されたスプラインを平滑化する。スプラインが血管壁、特に微小で捩れた血管を跨いで横断しないことを確実にする制約を加えておく。

次いで、血管画像は、ブロック１２０によって表わされているように、識別された血管経路、分岐点及び／又はラベル付けに基づいて利用者によって修正され得る。例えば、必要とされない血管セグメントは、利用者によって医用画像から除去され得る。

図６を全体的に参照すると、脳の下部区画の血管樹の画像の一部が掲げられている。図示の実施形態では、内頸動脈の１本１２４に位置する単一シード点１２２が識別されている。加えて、下部区画の動脈の終点１２６もまた識別されている。

図７を全体的に参照すると、脳の上部区画の一方の側の図が掲げられている。前述のように、上部区画は後領域１２８、中間領域１３０及び前領域１３２に分割される。後領域１２８に位置する終点１３４には、これら終点１３４を後大脳動脈の血管セグメントとして識別する解剖学的ラベルが与えられる。同様に、中間領域１３０に位置する終点１３６には、これら終点１３６を中大脳動脈の血管セグメントとして識別するような解剖学的ラベルが与えられる。最後に、前領域１３２に位置する終点１３８には、これら終点１３８を前大脳動脈の血管セグメントとして識別するような解剖学的ラベルが与えられる。これらのラベルは、最短経路アルゴリズムが血管セグメントを単一シード点まで遡って追跡している間に保持される。

図８を全体的に参照すると、参照番号１４０によって全体的に参照されている血管セグメントの経路のスプラインの一例が掲げられている。血管セグメントの中心線経路は線１４２によって表わされている。分岐点が、この実施形態では円１４４によって表わされている。

図９を全体的に参照すると、以上に述べた手法に従って形成された血管セグメントの医用画像が掲げられている。血管セグメント１４６の画像を提供することに加えて、血管セグメント１４６の中心線経路を標識する線１４２が血管セグメント１４６に重ね合わされている。また、血管セグメント１４６の分岐点を識別する円１４４も与えられている。この例では、血管セグメント１４６の識別情報は視覚的ラベル付け１４８によって示されている。視覚的ラベル付け１４８は多くの形態を取り得る。画像において血管セグメント１４６に隣接して名称を略さずに表示してもよいし、略号を用いてもよい。加えて、又は代替的には、血管セグメント１４６を色分けして、異なる血管セグメント１４６に異なる色を対応させてもよい。この例では、動脈瘤１５０が存在する。この動脈瘤１５０が分岐点に近接して位置していることに留意されたい。同図では、動脈瘤１５０の存在が動脈瘤に隣接した参照矢印１５２の配置によって強調表示されている。

この手法の結果として、利用者は医用イメージング・システム２０によって自動的に識別された脳の血管内部の問題箇所を迅速に識別することができる。例えば、動脈瘤が迅速に識別され、次いで画像において標識され得る。血管の名称が自動的に識別され、容易な検索のためにラベル付けされる。加えて、分岐点が自動的に識別されて、医用画像上において標識される。これらの特徴の全て及び他の特徴は、卒中及び他の血管疾患の治療及び診断を極めて容易にすることができる。

画像に追加の修正を施してもよい。例えば、血管セグメント１４６を色分けすることができる。また、血管セグメント１４６を、利用者が血管セグメント１４６の中心線経路を標識する線１４２を案内として用いることにより削除してもよい。

発明の幾つかの特徴のみを本書で図示して説明したが、当業者には多くの改変及び変更が想到されよう。従って、特許請求の範囲は、発明の真意に含まれるような全ての改変及び変更を網羅するものと理解されたい。また、図面の符号に対応する特許請求の範囲中の符号は、単に本願発明の理解をより容易にするために用いられているものであり、本願発明の範囲を狭める意図で用いられたものではない。そして、本願の特許請求の範囲に記載した事項は、明細書に組み込まれ、明細書の記載事項の一部となる。

本発明の手法の実施形態の一例による医用イメージング・システムのブロック図である。 頭部及び頸部の内部の解剖学的特徴の幾つかの解剖図である。 脳の主動脈を示す脳の一部の底面図である。 ウィリス動脈輪を示す図３の一部の拡大図である。 自動的に確定される血管の識別情報と共に脳の血管のセグメント分割画像を形成する本発明の手法の実施形態の一例による方法のブロック図である。 本発明の手法の実施形態の一例による脳の下部区画の一部の医用画像の一実施形態である。 三つの領域に細別されている脳の上部区画及び三つ全ての領域での血管の終点の検出を示す本発明の手法の実施形態の一例による図である。 血管セグメントの経路を標識することにより形成される本発明の手法の実施形態の一例によるスプラインの図である。 スプラインによって標識されてラベル付けされた血管セグメントの経路を有する血管の本発明の手法の実施形態の一例によるセグメント分割医用画像の図である。

符号の説明

２０ 医用イメージング・システム
２２ スキャナ
２４ ローカル・コンピュータ
２６ モニタ
２８ キーボード
３０ マウス
３２ プリンタ
３４ リモート・コンピュータ
３６ 通信網
３８ モニタ
４０ キーボード
４２ マウス
４４ 患者の頭部
４６ 頸部
４８ 患者の頭蓋骨
５０ 頸椎
５２ 右総頸動脈
５４ 右椎骨動脈
５６ 右内頸動脈
５８ 右外頸動脈
６０ 脳
６２ 左椎骨動脈
６４ 脳底動脈
６６ 右後大脳動脈
６８ 左後大脳動脈
７０ ウィリス動脈輪
７２ 右前大脳動脈
７４ 右中大脳動脈
７６ 左内頸動脈
７８ 左前大脳動脈
８０ 左中大脳動脈
８２ 前交通動脈
８４ 右後交通動脈
８６ 左後交通動脈
８８ 脳の右前部
９０ 脳の左前部
９２ 脳の右中間部
９４ 脳の左中間部
９６ 脳の右後部
９８ 脳の左後部
１００ 患者の頭蓋骨の内部の血管の三次元セグメント分割画像を形成して血管に自動的にラベル付けする手法
１０２ 医用イメージング・システムを用いて患者の頭部の走査を実行する
１０４ セグメント分割アルゴリズムによる医用画像データのさらなる処理
１０６ 次いで、セグメント分割された血管画像データを、前処理アルゴリズムを用いて処理する
１０８ 前処理の後に、頭部区分アルゴリズムによって血管画像データを処理する
１１０ 次いで、三つの頭部区画に区分された画像データを単一シード検出アルゴリズムによって自動的に処理する
１１２ 次いで、三つ全ての区画を通して測地距離及び境界コード算出アルゴリズムを実行する
１１４ やはりアルゴリズムを用いて、上部区画での終点を検出する
１１６ これらの終点から開始して、最短経路アルゴリズムを用いて動脈セグメントを上部区画から下部区画へ遡って追跡し、最短経路アルゴリズムは同時に、経路に沿った血管セグメントのボクセルの全てに、対応する解剖学的ラベルでラベル付けする
１１８ 次いで、図示のアルゴリズムにおいて能動型輪郭アルゴリズムを用いて、最短経路アルゴリズムによって抽出されたスプラインを平滑化する
１２０ 次いで、識別された血管経路、分岐点及び／又はラベル付けに基づいて血管画像を利用者によって修正することができる
１２２ 単一シード点
１２４ 内頸動脈の１本
１２６ 動脈の終点
１２８ 後領域
１３０ 中間領域
１３２ 前領域
１３４ 後領域に位置する終点
１３６ 中間領域に位置する終点
１３８ 前領域に位置する終点
１４０ 血管セグメントの経路のスプライン
１４２ 血管セグメントの中心線経路
１４４ 分岐点を表わす円
１４６ 血管セグメント
１４８ 解剖学的ラベル
１５０ 動脈瘤
１５２ 分岐点を識別する矢印

Claims (10)

1. 複数の血管を表わす画像データを複数の小容積（１２８、１３０、１３２）に区分するステップ（１０８）と、
   血管の相対的な終点（１３４、１３６、１３８）に対応する第一のボクセルを識別するステップ（１１０）と、
   前記第一のボクセルが位置する前記小容積（１２８、１３０、１３２）に基づいて前記第一のボクセルに対応する前記血管を識別するステップ（１１４）と、
   前記第一のボクセルを前記血管の一部であると識別するデータで前記第一のボクセルにラベル付けするステップ（１１４）と
   を備えた医用画像データを処理するコンピュータ利用型の方法。
2. 血管の相対的な始点（１２６）に対応する第二のボクセルを識別するステップ（１１０）と、
   前記第二のボクセルを識別するデータで前記第二のボクセルにラベル付けするステップ（１１４）と
   を含んでいる請求項１に記載のコンピュータ利用型の方法。
3. 複数の血管を表わす前記画像データを、複数の血管を表わす当該画像データを含む患者の体内の解剖学的構造を表わす画像データからセグメント分割するステップ（１０４）を含んでいる請求項１に記載のコンピュータ利用型の方法。
4. 複数の血管を表わす前記画像データの中から特定の血管に属するボクセルを識別するステップ（１１０）と、
   複数の血管を表わす前記画像データの各々のボクセルについて特定の血管に属する前記ボクセル（１２２）までの相対距離を確定するステップ（１１２）と、
   特定の血管に属する前記ボクセル（１２２）までの各々のボクセルの相対距離で該各々のボクセルにラベル付けするステップ（１１２）と、
   特定の血管に属する前記ボクセル（１２２）までの各々のボクセルの相対的な距離に基づいて、血管の前記相対的な終点（１３４、１３６、１３８）に対応する前記第一のボクセルから血管の相対的な始点（１２６）に対応する前記第二のボクセルまで、複数の血管を表わす前記画像データを通る経路を追跡するステップ（１１６）と
   を含んでおり、当該アルゴリズムは、前記血管の前記相対的な終点に対応する前記血管を識別するデータで前記経路に沿った各々のボクセルにラベル付けする、
   請求項１に記載のコンピュータ利用型の方法。
5. 血管の相対的な終点（１３４、１３６、１３８）に対応する第一のボクセルを識別する前記ステップは、特定の血管に属する前記ボクセル（１２２）までの相対距離の極大値を有するボクセルを識別することに基づく、請求項４に記載のコンピュータ利用型の方法。
6. 複数の血管を表わす前記画像データの各々のボクセルについて特定の血管に属する前記ボクセル（１２２）までの相対距離を確定する前記ステップ（１１２）は、複数の血管を表わす前記画像データの各々のボクセルについて特定の血管に属する前記ボクセル（１２２）に対する測地距離を確定するステップ（１１４）を含んでいる、請求項４に記載のコンピュータ利用型の方法。
7. 複数の血管を表わす前記画像データを通る経路を追跡する前記ステップ（１１６）は、血管の前記相対的な終点（１３４、１３６、１３８）に対応する前記第一のボクセルから血管の前記相対的な始点（１２６）に対応する前記第二のボクセルまでの最短経路を確定するために、複数の血管を表わす前記画像データのボクセルについて特定の血管に属する前記ボクセル（１２２）に対する測地距離を利用するステップを含んでいる、請求項６に記載のコンピュータ利用型の方法。
8. 前記複数の血管を通って追跡された第一の経路（１４２）が、前記複数の血管を通って追跡された第二の経路（１４２）であって前記血管の前記相対的な終点に対応する前記血管を識別するデータでラベル付けされたボクセルを既に有する第二の経路（１４２）と合流するときに、前記血管の部分を分岐点（１４４）としてラベル付けするステップ（１２０）を含んでいる請求項７に記載のコンピュータ利用型の方法。
9. 複数の血管を表わす前記画像データの中から特定の血管に属するボクセルを識別する前記ステップ（１１０）は、前記特定の血管の期待される位置に対応する小容積（１２８、１３０、１３２）に限定される、請求項４に記載のコンピュータ利用型の方法。
10. 血管の相対的な終点に対応する第一のボクセルを識別する前記ステップ（１１０）は、血管の終点（１３４、１３６、１３８）の期待される位置に対応する１又は複数の小容積（１２８、１３０、１３２）に限定される、請求項１に記載のコンピュータ利用型の方法。