JP2008505704A - 融合型マンモグラフィにおける乳房スクリーニング方法 - Google Patents

Abstract

患者の医学的イメージングに使用する方法が、患者をイメージング基準枠に関して不動化させた状態で、第一イメージングモダリティを使用して第一関心領域を含む第一デジタルイメージング情報を採取し、該第一デジタルイメージング情報を処理して解析用の特徴を識別し、且つ第二イメージングモダリティを使用して第二関心領域に対するターゲットとした第二イメージング情報を採取することを包含しており、該第二関心領域は該第一関心領域のサブセットに対応しており、該第二関心領域は解析用の特徴を包含している。医学的イメージングに使用する装置が患者をイメージング基準枠に関して不動化させる構成体、第一イメージングモダリティを使用して第一関心領域を含む第一デジタルイメージング情報を採取する第一イメージングシステム、関心特徴を識別するために診断ツールを使用して該第一デジタルイメージング情報を処理するプロセッサ、第二イメージングモダリティを使用して第二イメージング情報を採取するための第二イメージングシステム、を有しており、該第二イメージング情報が該解析用特徴を含む第二関心領域に対応している。

Description

本発明の実施例は、大略、融合型マンモグラフィにおける乳房スクリーニングに関するものであり、より詳細には、第一モダリティを使用して第一関心領域をイメージングし且つ第二モダリティを使用して第二関心領域をイメージングすることにより関心特徴を解析することに関するものであり、該第一及び第二関心領域は該関心特徴を包含している。

医学的イメージングの分野においては、磁気共鳴映像法（ＭＲＩ）及びコンピュータトモグラフィ（ＣＴ）等の種々のモダリティが使用可能である。複数のイメージングモダリティの融合（即ち、結合した使用）は過去１０年の間使用されており且つ未だにその幼児期段階にある。ＭＲとＣＴとの融合が最初であったが、その理由の一部はこれらのモダリティのデジタル特性のためである。ＭＲとＣＴとの融合に対する従来のアプローチは、典型的に、処理のために全体的な乳房ボリュームを使用するものであるので、関連付けられ結合されたアルゴリズムは計算上集中的である。そうであるから、従来の融合アプローチは、しばしば、画像誘導型手術及び実時間乳房イメージング適用例においては実際的なものではない。

図１及び図２はゼネラルエレクトリックカンパニィにより開示されているような結合型医学的イメージングモダリティの従来のアプローチの１例を示している。そのシステムは３Ｄトモシンセシス原理（Ｗｕ ｅｔ ａｌ．）を使用して３ＤＸ線ボリュメトリックスライスを発生する。第二ステージは、プラスチックシートの上部をスキャンするために使用されるＵＳトランスデューサを使用する３Ｄ超音波（ＵＳ）スキャニングが関与する。その出力はマルチ３Ｄ超音波スライスを包含している。

患者の医学的イメージングに使用する方法の１実施例は、イメージング基準枠に関して患者を不動化させた状態で、第一イメージングモダリティを使用して第一関心領域を含む第一デジタルイメージング情報を採取し、解析用の特徴を識別するために該第一デジタルイメージング情報を処理し、且つ第二関心領域に対するターゲットとしての第二イメージング情報を採取するために第二イメージングモダリティを使用することを包含しており、該第二関心領域は該第一関心領域のサブセットに対応しており、該第二関心領域は該解析用特徴を包含している。

医学的イメージングに使用する装置の１実施例は、イメージング基準枠に関して患者を不動化させる構成体と、第一イメージングモダリティを使用して第一関心領域を含む第一デジタルイメージング情報を採取する第一イメージングシステムと、関心特徴を識別するために診断ツールを使用して該第一デジタルイメージング情報を処理するプロセッサと、第二イメージングモダリティを使用して第二イメージング情報を採取するための第二イメージングシステムとを包含しており、該第二イメージング情報が該解析用特徴を含む第二関心領域に対応している。

従来のコンピュータ補助検知（ＣＡＤ）システムにおいては、腫瘍検知は画像を採取した後に行なわれる。ＣＡＤシステムの開発においては時間はめったに臨界的な事項ではない。然しながら、超音波（ＵＳ）でのフルフィールドデジタルマンモグラフィ（ＦＦＤＭ）の幾つかの実施においては、時間が臨界的な場合がある。このような実施においては、次続の超音波イメージングシステムが腫瘍区域のみのイメージを採取することを誘導するために高速のＣＡＤ方法が必要とされる。従って、該方法は超音波イメージングの時間を減少させる。

本明細書に記載するシステムの種々の実施例は、オフライン開発及びトレーニングシステム、及び高速のオンライン分類システムを包含している。該システムはオフラインで開発され且つ訓練され、例えば、医学的イメージング手順の時間枠外において行われる。次いで、そのトレーニングシステムから得られるトレーニングパラメータは入力テストイメージを変換させるためにオンラインで使用され、そのことは高速病変検知システムにおける助けとなる。

特定の実施例においては、病変検知システムは２つのステージを包含している。ステージ１において、初期的なセグメント化が関心領域（ＲＯＩ）において実施される。ステージ２はオフライントレーニングシステムにおいて開発された知識データベースから発生されるトレーニング係数を使用して偽陽性の除去を包含している。初期的なセグメント化の前に、乳房・皮膚境界を保存するためのスプラインフィッティング及びスレッシュホールド処理の組合わせを使用してスクリーニングマンモグラムの乳房区域をバックグラウンドからセグメント化させる。乳房マスクを該境界に沿って拡張させて端部効果を減少させる。これは関心領域（ＲＯＩ）として画定される。次いで、このＲＯＩイメージを、イメージメモリ条件及びサーチ空間を減少させるために（例えば、１６倍）ダウンサンプリング係数によってダウンサンプリングを行う（例えば、４倍）。

幾つかの実施例においては、初期的なセグメント化は、スレッシュホールド処理とそれに続く形態学的後処理とが関与する。局所的なヒストグラムに基づく局所的適応性スレッシュホールド処理を使用して低コントラスト腫瘍のセグメント化を改善する。初期的なセグメント化は、典型的に、抽出された乳房区域において実施される。

その他の実施例においては、セグメント化したマス（ｍａｓｓ）候補は、グランドトルース（ｇｒｏｕｎｄ−ｔｒｕｔｈ）腫瘍及び偽陽性を包含している。ステージ２において、分類方法を使用して真陽性を偽陽性から区別する。偽陽性結果の発生を減少させるために、病変候補から特徴及び／又は測定値を抽出する。これらの特徴は、真陽性を特性付けるために使用することが可能である。処理時間が臨界的な場合があるので、高速抽出での一組の特徴が典型的に使用される。テクスチャ及び形状等の特徴が幾つかの実施例において使用される。同時濃度生起行列（ＧＬＣＭ）又はガボール（Ｇａｂｏｒ）フィルタから抽出される特徴等のテクスチャ特徴が使用される。該候補の境界から抽出される形状特徴も偽陽性からグランドトルース腫瘍を分類するのに重要である。次いで、これらの特徴を使用して既知のデータベースに関して教師付き訓練を介して分類器を構築する。幾つかの実施例においては決定木分類器が使用される。分類器のトレーニング即ち訓練はオフラインで行われる。次いで、そのトレーニングパラメータを病変検知のためにオンラインで使用する。

種々の実施例によれば、オンライン病変検知システムはテストマンモグラフィイメージに関して訓練した分類器パラメータを使用する。このことは、初期的なセグメント化ステップから得られた不知のマス候補を区別するために使用することが可能である。高速特徴抽出は、典型的に、多くの時間がかかるものではないが、多数の偽陽性を取除く。

三次元（３Ｄ）乳房ボリュームを乳房イメージングを簡単化させるために二次元（２Ｄ）投影イメージと融合させることが可能である。２つの異なるモダリティを使用することが可能である。例えば、ハンドヘルド型超音波をＸ線投影イメージと関連して使用することが可能である。本明細書に記載する実施例は、Ｘ線投影イメージと３Ｄ超音波イメージとの融合に向けられている。このプロセスの診断能力を簡単化させるために、カスタム化した超音波トランスデューサを使用して採取した３Ｄ超音波から超音波投影イメージを計算する（例えば、以下の図５を参照）。この超音波投影イメージは、３Ｄコンピュータトモグラフィ（ＣＴ）イメージングにおいて使用されるような扇形ビーム投影アルゴリズムを使用して計算することが可能である。このＸ線投影イメージはフィッシャ（Ｆｉｓｈｅｒ）イメージングコーポレイションからＳｅｎｏＳｃａｎ（登録商標）等のスキャニング装置を使用して採取することが可能である。

種々の実施例は、超音波イメージ採取を駆動するソフトウエアイメージング方法を包含する操縦システムを包含している。このソフトウエアイメージング方法は、該操縦システムを高速且つ正確なものとさせる。更に、融合型モダリティ枠組におけるスキャニングに対して全体的な採取時間が改善される。

幾つかの実施例は融合型モダリティの診断画像の迅速な発生を提供する。潜在的な利点は、病変のより良いピクチャ、それらの位置及び／又はそれらの成長係数（又は乳癌の血管新生）を提供する能力である。

種々の実施例によれば、等方的ボリュームを発生することが可能である。等方的ボリュームの発生は、第二モダリティスキャニングが全体的なイメージのスキャニングを必要とするものではないので、スキャニングプロセスを高速化させることが可能である。

このシステムのシステム信頼性は、改善されたスクリーニング特定性及び感度に起因して種々の実施例において確保される。更に、プロセスの実施例は、Ｘ線及び超音波イメージの融合を使用する診断システムに関し発生する負担はより少ない。

システムの幾つかの実施例は、正確なスキャニングを可能とする統合型超音波スキャナを提供する。ハンドヘルド型ＵＳスキャナと関連する不正確性は回避することが可能である。これらの実施例において、ＵＳスキャニングはＸ線スキャニングシステムと関連して自動的である。

種々の実施例は患者データベースに対するシステムの拡張性を可能とする。システムをオフラインで訓練することが可能であり、且つトレーニングパラメータはオンライン病変検知のために使用される。従って、トレーニング即ち訓練は、開発中にオフラインで患者データベースへ拡張させることが可能である。トレーニングパラメータはオンライン分類のためにアップデートさせることが可能である。

実施例は初期的な病変候補を得るためにセグメント化を使用することにより改良した病変検知を提供する。偽陽性の蓋然性を減少させるために特徴が使用される。大きなデータベースに関しての教師付きトレーニングを介して、偽陽性の大部分を除去することが可能である。特徴抽出は偽陽性の数を減少させる。

幾つかの実施例によれば、かすかな病変のセグメント化が従来のアプローチと比較して改善される。これらの実施例においては、局所化した適応的スレッシュホールド処理が病変候補を得るための初期的セグメント化を改善する。グローバルスレッシュホールド処理に基づくセグメント化はこれらの病変をミスする場合があるが、局所化したスレッシュホールド処理はかすかな病変のセグメント化を改善する。更に、実施例は形態学的処理を包含することが可能であり、そのことは確かな且つ接続された病変候補の識別及び偶発的なドットの除去を可能とする。

ある実施例により実施される処理は、速度性能を改善するためのダウンサンプリングを包含している。ある範囲におけるダウンサンプリングはマス検知のためのＣＡＤ性能を劣化させることはなく、著しく処理時間を減少させることが可能である。例えば、イメージが各方向において４回ダウンサンプリングされる場合には、速度は最大で１６倍となる場合がある。幾つかの実施例においては、端部保存ダウンサンプリングが多重分解能で実施される。ダウンサンプリングは、典型的に、端部を劣化させるぼかし効果を有する場合のあるアンチエイリアシング及びローパスフィルタ処理が関与する。従って、多重分解能をベースとしたダウンサンプリングは端部の鮮明性を保存することが可能である。

種々の実施例は自動的且つ適応的な態様でヒストグラムをベースとしたスレッシュホールド処理を使用する。ヒストグラムをベースとしたスレッシュホールド処理は自動的適応的スレッシュホールド選択を与えるので、ヒストグラムをベースとしたスレッシュホールド処理は、通常、固定スレッシュホールドアプローチからの結果と比較した場合にスレッシュホールド結果を改善する。

その他の実施例によれば、乳房マスク抽出が速度及び精度を改善することが可能である。バックグラウンドからの乳房区域セグメント化は、処理区域を減少させ且つ処理速度を改善することが可能である。乳房マスク抽出は、又、検知がバックグラウンドにおいて使用される場合に発生する場合のある不正確性を減少させる。

更にその他の実施例においては、より良好な乳房・皮膚境界抽出を与えるためにスプラインフィッティングが使用される。狭帯域におけるスプラインフィッティングは連続的な乳房・皮膚境界を可能とする。抽出された境界は実際の乳房・皮膚の線に一層近い。

更にその他の実施例においては、形状及びテクスチャ（例えば、同時濃度生起行列（ＧＬＣＭ）及び／又はガボール変換から）特徴は偽陽性結果の減少を容易化させ、形状及びテクスチャ特徴はＣＡＤ方法において使用されて真病変を偽陽性から区別する。境界形状特徴は偽陽性の大部分を取除く上で強力なツールとなる場合がある。

幾つかの実施例において、多重分解能（ウェーブレットを含む）解析が、乳房及び／又は病変寸法変動に起因する効果の影響を減少させるために使用される。多重分解能解析は寸法変動を取扱うことが可能であり、且つ乳房区域及び病変寸法が患者が異なると共に変化するので有益的である。

更にその他の実施例によれば、システムのトレーニングのために特徴のリストが維持される。トレーニングシステムにおける特徴の集まりは病変候補のデータベースの拡張を可能とする。特徴の集まりはオフラインで開発される。特徴のサブセットがオンラインで使用される。データベースの拡張は、特徴のサブセットを変化させる場合がある。新たな特徴を開発し及び／又は迅速にアップデートさせることが可能である。オンライン分類はアップデートされたトレーニングパラメータを使用する。

種々の実施例は決定木を使用し、それは高速で強力な分類ツールとして作用する。該決定木は任意のクラス境界へアプローチすることが可能である。１実施例においては、該決定木は複数個の「ｉｆ−ｔｈｅｎ」規則を使用して訓練又はプリセットすることが可能である。

種々の実施例によれば、高速病変検知システムはスタンドアローンのコンピュータ補助検知（ＣＡＤ）システムを包含している。該システムを使用して、医者は実時間における高速のオンライン病変検知能能力を有している。１つのビューの明確な否定的なマンモグラムの高い特定性は医者がその他のビューを取ることを停止することを促す場合がある。このことは患者が耐えねばならない苦痛及び患者のＸ線露光を減少させることが可能である。

このシステムの幾つかの実施例はモジュールをベースとしている。モジュールは、ソフトウエア、ハードウエア、ファームウエア又はそれらの任意の組合わせで実現することが可能である。ソフトウエアモジュールは、容易な開発及び修正を行うことを可能とする場合がある。更に、モジュールはスタンドアローン適用例に対して使用することが可能であり、又はその他のシステムに組込むことが可能である。

図３は結合型超音波（ＵＳ）及びＸ線イメージングでの乳房イメージング用の１つの例示的なプロセスである。このプロセスは２つのステージ即ち段階を包含している。第一ステージはＸ線スキャニングシステムを使用し、それは２ＤＸ線投影イメージを使用する（図３において楕円で示したように）。第二ステージは３Ｄ超音波スキャニングが関与し、その場合にマイラーシートの下側にトランスデューサを移動させることにより超音波トランスデューサを使用して超音波スキャニングを行う。その出力は３つの直交方向、即ちサジタル（Ｓａｇｉｔｔａｌ）、コロナル（Ｃｏｒｏｎａｌ）、トランスバース（Ｔｒａｎｓｖｅｒｓｅ）におけるスライスを包含している。ＵＳトランスデューサステージから出力された例示的なイメージを図４に示してある。

図５は１実施例に基づいてイメージデータ採取を実施することが可能な例示的なシステムを例示している。この特定の実施例はスクリーニングのために２つのモダリティを使用する。スキャンすべき乳房を平坦な乳房支持体と乳房パドルとの間に位置決めさせる。Ｘ線ビームが患者の乳房を通り抜け且つ減衰特性がデジタル検知器において捕獲される。デジタル検知器原理を使用してイメージを再生させることが可能である。同じシステムにおいて、３Ｄ超音波乳房スライスが再生される。１実施例によれば、乳房スライスは、Ｘ線イメージ上で高速病変検知システムにより検知された病変区域においてのみスキャンされる。

図６は融合型マンモグラフィスクリーニングシステムにより実施されるプロセスの例示的な実施例を例示している。例示したように、スクリーニングのために２つのモダリティが使用される。スキャンされるべき乳房を平坦な乳房支持体と乳房パドルとの間に位置決めさせる。Ｘ線ビームが患者の乳房を通り抜け且つ減衰特性がデジタル検知器において捕獲される。デジタル検知器原理を使用してイメージが再生される。同じシステムにおいて、我々は３Ｄ超音波乳房スライスを再生する。３Ｄ超音波乳房スライスはＸ線イメージ上で我々の高速病変検知システムにより検知された病変区域においてのみスキャンされる。

図７は高速病変検知用システムの１実施例を例示している。この高速病変検知システム（ＦＬＤＳ）は２つのフェーズ、即ちオフライン開発及びトレーニング及び高速オンラインシステムにおいてプロセスを実施する。フェーズ１はオフラインシステム開発及びトレーニングシステムである。フェーズ２は実時間オンライン高速病変検知であり、それはフェーズ１からのトレーニングパラメータを使用する。オフラインシステムはＸ線イメージ採取及びトレーニングシステムが関与する。トレーニングシステムから得られたトレーニングパラメータは、次いで、オンライン病変検知のために使用される。オンラインシステムは３つのモジュール、即ちＸ線スキャニングシステム、マルチ分解能に基づくプレセグメント化、及び病変検知システム、を包含している。各モジュールについては図８−１０に関して以下に更に説明する。

図８はＸ線スキャニングシステムの１実施例を示しており、それはオンライン及びオフラインの両方のシステムにおいて使用される。２つのビューのマンモグラムがＸ線スキャニング装置から採取される。それらは内外斜位方向（ＭＬＯ）ビュー及び頭尾方向（ＣＣ）ビューである。

図９は図７に示したトレーニングシステムにより実施される例示的な手順を示している。オンライン病変検知はオフライントレーニング期間中に得られたトレーニングパラメータを使用する。トレーニングシステムには４つのステージが存在している。第一ステージはマルチ分解能分析に基づくプレセグメント化が関与する。このステージにおいては、ＦＦＤＭ／ＵＳシステムの時間拘束条件を満足するために処理時間を減少させるために端部保存用ダウンサンプリングが実施される。ステージ２においては、セグメント化を介して病変候補が得られる。病変候補の中には多数の偽陽性が存在する場合がある。ステージ３及び４は教師付きトレーニング処理を介して殆どの偽陽性を取除くために使用される。ステージ３は特徴回収システムであり、それはセグメント化ステップから得られた真陽性から偽陽性を分離するために使用することが可能な特徴のリストを定義する。特徴のリストは偽陽性から真陽性を区別するために抽出される。この特徴の組から、ステージ４におけるトレーニングを介して分類システムが構築される。この分類ステージからのトレーニングパラメータが未知の病変候補のオンライン分類のために使用される。

マルチ分解能に基づくプレセグメント化手順の例示的な実施例が図１０に示されている。この手順は関心領域（ＲＯＩ）の抽出及びマルチ分解能ダウンサンプリングが関与する。ＲＯＩ抽出は乳房区域を得るために使用される。次いで、このＲＯＩはある係数によりダウンサンプリングされてイメージを表わすのに必要なデータの量を減少させる。１つの特定の実施例においては、ＲＯＩを各方向において４倍だけダウンサンプリングして１６倍だけイメージにおけるデータビットの数を減少させる。ダウンサンプリングは処理速度を増加させることが可能である。

図１１はＲＯＩ抽出プロセスの例示的な実施例を例示している。最初にマンモグラムを二進化させる。次いで、胸壁から皮膚境界へ向かって一組の放射状の線を引いて初期的な境界を得る。次いで、最初の輪郭として該初期的な境界を使用して、セグメント化した乳房区域及び乳房マスクを得るためにスプラインフィッティングを使用する。図１２−１４において、ＲＯＩ抽出プロセスの３つのステップについて更に詳細に記載されている。

図１２は図１１に示した二進化ステップの１実施例を例示している。この二進化は乳房区域及びバックグラウンド区域のヒストグラム解析に基づいている。ヒストグラムにおけるピークを推定し、次いで乳房区域及びバックグラウンド区域に対応するピークを選択する。２つのピークの間においてスレッシュホールドが自動的に計算される。スレッシュホールド処理の後に二進マスクイメージが得られる。

図１３は放射状の線での初期化のプロセスの実施例を例示している。図１４は例示的な放射状の線の交差を例示している。放射状の線は胸壁から皮膚境界へ向かって引かれている。放射状の線の交差は初期的な輪郭の高速の抽出を有益的に与える。次いで、この初期的な輪郭を使用して正確な乳房・皮膚境界を見つけ出す。

図１５は乳房・皮膚セグメント化の正確な境界を得るためのスプラインフィッティングプロセスの実施例を例示している。該初期的な輪郭から、スプラインフィッティングに対するレンジとして該初期的な輪郭に沿って幅狭のバンドが計算される。オリジナルのイメージにおいて見つけられた安定なスプラインが乳房・スキンの正確且つ連続的な境界である。この境界から、セグメント化した乳房区域を得ることが可能である。

図１６は関心領域（ＲＯＩ）を抽出するプロセスの１実施例を示している。１実施例において、抽出したＲＯＩに関して処理ステップを実施する。セグメント化した乳房区域を取囲む最小の矩形が推定される。この推定された最小の矩形は乳房マスクと呼ばれる。次いで、マスクされた矩形状の乳房領域を該境界に沿って拡大させて端部効果を減少させる。これは関心領域（ＲＯＩ）と呼ばれる。

図１７はマルチ分解能ダウンサンプリングプロセスの１実施例を例示したブロック図である。ダウンサンプリングはアンチエイリアシング及びローパスフィルタ処理が関与する。ローパスフィルタ処理はぼかし効果を有することが可能であり、それは端部及びシャープな角部を劣化させる。マルチ分解能ダウンサンプリングは有益的に端部を保存する。

図１８はセグメント化プロセスの１実施例を例示したブロック図である。このプロセスは適応的局所的スレッシュホールド処理、形態処理及び分離された小さなオブジェクトの除去を包含している。局所化されたヒストグラムに基づく適応的局所的スレッシュホールド処理は乳房病変の初期的なセグメント化を改善する。グローバルスレッシュホールド処理と異なり、適応的スレッシュホールド処理は低コントラストの病変の検知を可能とする場合がある。形態的処理は隣りのセグメント化したオブジェクトを合体させ且つ偶発的な分離された小さなオブジェクトを取除くための助けとなる。形態的処理は、セグメント化したオブジェクトを形作り且つ病変候補の数を減少させることの助けとなる。小さな分離されたオブジェクトの最終ステップは、更に、幾つかの非常に明らかな偽陽性を取り除く。これらの得られた病変候補は、次いで、検知システムへ入力させて偽陽性を減少させる。

図１９はダウンサンプリングしたイメージから局所化したヒストグラムを得るためのプロセスの１実施例を例示している。イメージを領域に分割させる。領域の寸法は経験的に決定される。各領域からヒストグラムが計算される。

図２０は適応的局所化スレッシュホールドを得るためのプロセスの１実施例を例示したブロック図である。スレッシュホールドは各領域に対して適応的である。従って、局所的な領域に対して適応されたスレッシュホールドでより良いセグメント化を得ることが可能である。

図２１は形態的処理の１実施例を例示したブロック図である。隣りの二進オブジェクトをマージ即ち合体させるために形態的閉合が使用される。グレイレベル変化に起因して、イメージ内の幾つかのグレイレベルオブジェクトが破壊される場合がある。連続的なオブジェクトを得るために形態的クロージング（ｃｌｏｓｉｎｇ）即ち閉合を使用することが可能である。セグメント化したイメージ内の偶発的な小さな分離されたオブジェクトを除去するために形態的オープニング（ｏｐｅｎｉｎｇ）即ち開放が使用される。

図２２は分離された小さなオブジェクトを除去するためのプロセスの１実施例を例示したブロック図である。このステップは、小さな分離されたオブジェクトである非常に明らかな偽陽性を減少させるために使用される。１実施例においては、偽陽性の大きな部分を除去するために簡単な技術が使用される。除去されない場合には、偶発的なオブジェクトは次続の病変検知システムにおいて困難性を発生する場合がある。

図２３は特徴回収システムの１実施例を例示したブロック図である。このシステムは４つの種類の特徴抽出を実施する。テクスチャ特徴抽出は同時濃度生起行列（ＧＬＣＭ）及びガボールフィルタを使用して実施される。形状特徴は偽陽性から真陽性の境界を特性付けるために抽出される。ウェーブレット特徴は病変候補の寸法変化を考慮するために使用される。抽出された特徴は既知のデータベースに関して決定木のトレーニングプロセスにおいて後において使用することが可能である。

図２４はＧＬＣＭ特徴抽出の１実施例を例示したブロック図である。ＧＬＣＭ行列のエントリ（ｉ，ｊ）はある距離及びある方向においての一対の強度（ｉ，ｊ）の相対的周波数として計算される。ＧＬＣＭから、イメージにおけるテクスチャ情報を特性付けるために一組の特徴を定義することが可能である。１実施例においては、ＨａｒａｌｉｃｋによるＧＬＣＭのオリジナルの文献において定義されている特徴が使用される。制限としてではなく例示として、特徴抽出はエネルギ、エントロピー、コントラスト、及び／又は相関を包含することが可能である。

図２５はガボール特徴抽出の１実施例を例示したブロック図である。母体ガボールから、ガボールフィルタバンクを得ることが可能であり、それは空間的且つ周波数の局所化を与える。病変候補のガボールフィルタ処理したバージョンから、フィルタ処理した候補の平均及び標準偏差がガボール特徴として計算される。これらの特徴はテクスチャ解析及びブロブ（ｂｌｏｂ）検知のために使用することが可能である。スケール及び配向パラメータがガボールフィルタバンクにおけるガボールフィルタの数を決定する。高及び低周波数パラメータは解析において関心のある周波数範囲を決定するために使用される。

図２６は形状特徴抽出のプロセスを例示したブロック図である。形状特徴を得るために３つのタイプの処理が使用される。第一に、フーリエ記述子を使用して形状特徴を得る。第二に、リングフィルタを使用して境界形状の情報を得る。形状特徴の最終的な組は統計的特徴を得るために該境界から直接的に計算される。これらの特徴は、通常、異なる特性を有しているので、偽陽性から真陽性を区別するために使用することが可能である。

図２７はウェーブレット特徴抽出のプロセスの１実施例を例示したブロック図である。ウェーブレット変換は病変候補の寸法変化を捕獲するためにマルチ分解能解析を可能とさせる。この実施例においては、１組の統計的特徴、平均、分散、エントロピー及び歪みが各分解イメージから計算される。

図２８は分類システムの例示的な実施例のブロック図である。抽出した特徴から、トレーニングパラメータを得るために分類及び回帰ツリー（ＣＡＲＴ）が構築される。次いで、トレーニングパラメータが乳房病変の高速検知のためにオンラインで使用される。

図２９は決定木構築のプロセスの１実施例を例示している。このプロセスにおいて、１つの濃度における各特徴に対してジニ（ｊｉｎｉ）指数を計算してその濃度における最良の特徴を見つけ出す。スレッシュホールドが自動的に決定されて二進決定を有しそれは左及び右の子ノードを発生する。二進決定木が構築される。この二進決定木分類器は使用可能な最も強力な分類ツールのうちの１つである。それは任意的なクラス境界へアプローチすることが可能である。構築した決定木から得られたトレーニングパラメータが次いでオンラインテストのために使用される。

図３０はオンライン病変検知システムの１実施例を図示している。このシステムはトレーニングシステムにおいて示したのと同じ特徴回収システムを使用する。トレーニングパラメータは、次いで、オンラインテスト用マンモグラムを分類するために適用される。検知された病変は病変区域における乳房の高速且つ局所化した３Ｄスライスを得るために超音波イメージングを誘導するために使用される。

結論として、フルフィールドデジタルマンモグラフィ（ＦＦＤＭ）及び超音波スクリーニングシステムの実施例を開示しており、その場合に、超音波（ＵＳ）イメージ採取は選択した区域においてのソフトウエアイメージング方法により駆動される。等方的なボリュームを発生させることが可能である。高速病変検知Ｘ線モダリティが減少させた乳房区域においてＵＳモダリティ用の等方的なボリュームの発生を誘導することが可能である。実施例はスクリーニングの特定性及び感度を改善する。２番目のモダリティでのスキャニングは最初のモダリティにより誘導することが可能である。実施例はＸ線スキャニングシステムに伴う自動的超音波スキャニングを包含している。実施例は、システムトレーニングはオフラインで実施され且つトレーニングパラメータがオンラインでアップデートされるので、新たな患者データベースに対しての拡張性を提供する。セグメント化及び教師付き検知が病変検知プロセスを簡単化させる。適応的局所化スレッシュホールド処理がかすかな病変のセグメント化を向上させる。形態的処理が病変候補のセグメント化を向上させ、形態的処理が接続されたオブジェクトのイメージング及び分離された小さなオブジェクトの除去を可能とさせるので改善される。

幾つかの実施例はマルチ分解能に基づくダウンサンプリングを使用しており、そのことは処理区域を減少させ且つ全体的なシステムの速度を改善する。マルチ分解能に基づいたダウンサンプリングでは端部が保存される。スレッシュホールドの選択は自動的且つ適応的であり、何故ならばスレッシュホールド選択は局所化したウインドウにおけるヒストグラム解析に基づいているからである。幾つかの実施例においては、抽出した関心領域（ＲＯＩ）のみについて高速病変検知が実施される。従って、バックグラウンドは乳房区域として処理される。

種々の実施例は乳房・皮膚境界を抽出するためにスプラインフィッティングを使用する。テクスチャ及び形状特徴等の特徴が偽病変から真病変を区別するために使用され、それにより偽陽性結果の数を減少させる。実施例は病変及び／又は乳房の寸法変化に起因する効果を減少させるためにウェーブレットに基づいたマルチ分解能解析を使用する。特徴の回収は枠組を変化させること無しにデータベースの拡張を可能とさせる。特徴の回収はオフラインで展開させることが可能であり、特徴のサブセットがオンライン検知のために使用される。特徴データベースの拡張は特徴のサブセットを変更する場合がある。

実施例では決定木に基づく分類システムを使用している。決定木は低い誤分類率を得るために任意の境界へアプローチすることが可能である。高速病変検知システムの実施例は、スタンドアローンコンピュータ補助検知（ＣＡＤ）システムとして使用することが可能である。高速オンライン病変検知システムはマンモグラフィスクリーニングにおいて使用することが可能である。幾つかの実施例はモジュールに基づいており、それにより各モジュールが個別的に開発され且つ修正することを可能とする。モジュールは容易にその他のシステムに統合させるか又はスタンドアローンアプリケーションとして使用することが可能である。

本発明の範囲から逸脱すること無しに説明した例示的実施例に対して種々の修正及び付加を行うことが可能である。例えば、上述した実施例は特定の特徴について言及しているが、本発明の範囲は説明した特徴の全てを包含するものではない実施例及び異なる特徴の組合わせを有する実施例を包含するものである。従って、本発明の範囲はその全ての均等物と共に特許請求の範囲内に該当するこのような変更、修正及び変化の全てを包含することが意図されている。

ゼネラルエレクトリックカンパニーにより開示されているような結合型医学的イメージングモダリティの従来のアプローチの１例を示した概略図。 ゼネラルエレクトリックカンパニーにより開示されているような結合型医学的イメージングモダリティの従来のアプローチの１例を示した概略図。 結合型超音波（ＵＳ）及びＸ線イメージングでの乳房イメージング用の１つの例示的なプロセスを示した概略図。 ＵＳトランスデューサステージから出力された例示的なイメージを示した概略図。 イメージデータ採取を１実施例に基づいて実施することが可能な例示的なシステムを示した概略図。 融合型マンモグラフィスクリーニングシステムにより実施されるプロセスの例示的な実施例を示した概略図。 高速病変検知用のシステムの１実施例を示した概略図。 オンラインとオフラインの両方のシステムにおいて使用されるＸ線スキャニングシステムの１実施例を示した概略図。 図７に示したトレーニングシステムにより実施される例示的な手順を示した概略図。 マルチ分解能に基づいたプレセグメント化手順の例示的実施例を示した概略図。 ＲＯＩ抽出プロセスの例示的な実施例を示した概略図。 図１１に示した二進化ステップの１実施例を示した概略図。 放射状の線での初期化プロセスの１実施例を示した概略図。 例示的な放射状の線の交差を示した概略図。 乳房・皮膚セグメント化の正確な境界を得るためのスプラインフィッティングプロセスの１実施例を示した概略図。 関心領域（ＲＯＩ）を抽出するプロセスの１実施例を示した概略図。 マルチ分解能ダウンサンプリングプロセスの１実施例を示したブロック図。 セグメント化プロセスの１実施例を例示したブロック図。 ダウンサンプリングしたイメージから局所化したヒストグラムを得るプロセスの１実施例を示した概略図。 適応的局所化スレッシュホールドを得るプロセスの１実施例を例示したブロック図。 形態的処理の実施例を例示したブロック図。 分離した小さなオブジェクトを除去するプロセスの１実施例を例示したブロック図。 特徴回収システムの１実施例を例示したブロック図。 ＧＬＣＭ特徴抽出の１実施例を例示したブロック図。 ガボール特徴抽出の１実施例を例示したブロック図。 形状特徴抽出プロセスを例示したブロック図。 ウェーブレット特徴抽出プロセスの１実施例を例示したブロック図。 分類システムの例示的実施例のブロック図。 決定木構築プロセスの１実施例を例示した概略図。 オンライン病変検知システムの１実施例を示した概略図。

Claims (21)

1. 医学的イメージングにおいて使用する方法において、
   １）イメージング基準枠に関して患者を不動化させ、
   ２）前記患者を不動化させたままで、
   ａ）第一イメージングモダリティを使用して第一関心領域を含む第一デジタルイメージング情報を採取し、
   ｂ）コンピュータをベースとした診断ツールを使用して前記第一デジタルイメージング情報を処理して解析用の特徴を識別し、
   ｃ）前記処理ステップに基づいて、前記第一イメージングモダリティと異なる第二イメージングモダリティを使用して第二関心領域に対するターゲットとされる第二イメージング情報を採取し、前記第二関心領域は前記第一関心領域のサブセットに対応しており、前記第二関心領域は前記解析用の特徴を包含している、
   上記各ステップを有している方法。
2. 請求項１において、前記処理ステップが、訓練したシステムを動作させて該解析用特徴を識別することを包含しており、該訓練したシステムは既知の診断を有する基準特徴が関与するオフライントレーニングに基づいて疑わしい特徴を認識するために訓練されている方法。
3. 請求項２において、前記オフライントレーニングが、考慮中の特徴の分類に使用する第一組の潜在的パラメータの識別が関与する方法。
4. 請求項３において、前記処理ステップが、前記解析用の特徴を識別するために前記第一組の全体より少ないサブセットを有する第二組のパラメータを使用することが関与する方法。
5. 請求項１において、前記処理ステップが、セグメント化したイメージングデータを与えるために前記第一関心領域を多数のセグメントへセグメント化させることを包含している方法。
6. 請求項５において、前記セグメント化ステップが、前記特徴のある特性を高分解能品質で保存し且つ前記第一関心領域を表わすために使用されるデータの全体的な量を減少させるために前記セグメント化に関連してマルチ分解能解析を実施することを包含している方法。
7. 請求項５において、前記処理ステップが、前記セグメント化したイメージングデータに基づいて候補特徴を識別することを包含している方法。
8. 請求項７において、前記処理が、更に、教師付きトレーニングプロセスに基づいて前記候補特徴から関心特徴のサブセットを区別することを包含している方法。
9. 請求項５において、前記セグメント化ステップが、前記第一関心領域の境界を画定することを包含している方法。
10. 請求項９において、前記画定することが、前記第一関心領域内側の第一位置におけるイメージングパラメータ値を測定し、前記第一関心領域外側の第二位置における第二イメージングパラメータ値を測定し、前記第一値と前記第二値との間のスレッシュホールド値を確立し、且つ前記スレッシュホールド値を使用してマスク領域を画定することを包含している方法。
11. 請求項１０において、前記画定するステップが、更に、多数の点において前記マスク領域の端部と交差する多数の線形投影を確立することを包含している方法。
12. 請求項１１において、前記画定するステップが、前記多数の点に対して曲線を当て嵌めることを包含している方法。
13. 請求項１２において、前記セグメント化するステップが、更に、前記第一関心領域として前記曲線により画定された領域に対応する矩形を画定することを包含している方法。
14. 請求項５において、更に、セグメント毎に前記第一イメージング情報を処理するためのイメージングパラメータを確立するステップを包含している方法。
15. 請求項５において、更に、一つを超えるセグメントにわたり延在する特徴を処理するために形態学的処理を行うことを包含している方法。
16. 請求項１において、前記識別するステップがテクスチャをベースとした解析を包含している方法。
17. 請求項１において、前記識別するステップが形状をベースとした解析を包含している方法。
18. 医学的イメージングに使用する方法において、
    第一関心領域を含む第一デジタルイメージング情報を採取し、
    セグメント化したイメージングデータを与えるために前記第一関心領域を多数のセグメントへセグメント化し、
    前記第一イメージング情報をセグメント毎に処理するためのイメージングパラメータを確立し、
    前記イメージングパラメータを使用して診断評価のための特徴を識別する、
    上記各ステップを包含している方法。
19. 請求項１８において、前記セグメント化するステップが、前記第一関心領域の境界を画定し、前記関心領域と相対的にマスク領域を確立し、且つ前記マスク領域を多数のセグメントへセグメント化する、ことを包含している方法。
20. 請求項１９において、更に、一つを超えるセグメントにわたり延在する特徴を処理するために形態学的処理を行うことを包含している方法。
21. 医学的イメージングに使用する装置において、
    イメージング基準枠に関して患者を不動化させるための構成体、
    第一イメージングモダリティを使用して第一関心領域を含む第一デジタルイメージング情報を採取するための第一イメージングシステム、
    関心特徴を識別するためにコンピュータをベースとした診断ツールを使用して前記第一デジタルイメージング情報を処理するプロセッサ、
    該プロセッサと動作上関連しており、前記第一イメージングモダリティとは異なる第二イメージングモダリティを使用して第二イメージング情報を採取するための第二イメージングシステム、を有しており、前記第二イメージング情報が前記第一関心領域の全体より小さなサブセットに対応する第二関心領域に対応しており、前記第二関心領域が前記解析用特徴を包含している装置。