JP2008520322A - 新規な３ｄ特徴を備えるコンピュータ支援検出（ｃａｄ）における誤検出の低減 - Google Patents

Abstract

HRCT医療画像データ内で検出される注目領域のコンピュータ支援による検出(CAD)及び分類のための方法が、結節又は非結節である領域／ボリュームの識別での特異度及び感度を最大化するために適用されるポストCAD機械学習技術を含む。その領域はCAD処理により識別され自動的に分割される。特徴プールが各分割領域から識別及び抽出され、最適な特徴サブセットを特定するため遺伝的アルゴリズムにより処理される。そのサブセットは、非トレーニングデータ内で発見される候補領域／ボリュームを分類するためにサポートベクタマシンをトレーニングするのに使用される。

Description

本願／本発明は、本願出願人により2004年11月19日に出願された米国仮特許出願番号 60/629,750号に由来する。本願は、共通して所有される共に係属中のPhilips出願番号PHUS040505(779361)、PHUS040500(778964)及びPHUS040501(778962)と関連する。

本発明は、コンピュータ支援による検出システム及び方法に関する。本発明は、より詳細には、特に高分解能の薄層スライスコンピュータ断層撮影(HRCT)画像から、例えば肺結節といった、臨床的又は形態学的に注目する領域及び／又は注目ボリュームのコンピュータ支援検出(CAD)における誤検出(false positive:偽の陽性)低減のためのシステム及び方法に関し、サポートベクタマシン(SVM)が、結果として適切な感度を維持しつつ非常に高い特異度を生じさせる新しい3D特徴を利用するポストCAD分類を実現する。

現在のコンピュータ関連システムの速度及び精巧さは、高速でより洗練された医療画像化システムの開発をサポートする。処理及びポスト処理(post-processing)のために生成されるデータ量の必然的な増加が、その医療画像データを自動的に分析するための多数のアプリケーションプログラムの生成をもたらした。すなわち、様々なデータ処理ソフトウェア及びシステムが、医療画像を識別並びに／又は診断及び評価するために医療画像を評価する際に、医師、臨床医、放射線科医等を補助するために開発されてきた。例えば、マルチスライスCT(MSCT)スキャンから「疑わしい」領域（例えば病巣）を自動的に識別するためのコンピュータ支援による検出(CAD)アルゴリズム及びシステムが開発されてきた。異常個所又は病巣だけでなく、生体構造の大きさ、形状及び位置を正確に図示するその固有の能力ゆえに、CTつまりコンピュータ断層撮影システムは、画像化を介して病気を診断するのに通常使用される画像化モダリティとなっている。

CADシステムは、形態学的に注目する領域(例えば病巣、結節、微小石灰化)、及び臨床的に重要な他の構造的に検出可能な状態／領域を自動的に検出(識別)することができる。医療画像が描画され表示されると、CADシステムは、その調査された領域にマークを付けるか又は特定する。そのマークは、その疑わしい領域に対する放射線科医の注意を引くためのものである。例えば、癌の可能性のある結節を見つけるための肺画像の分析において、CADシステムは、検出された結節をマークすることになる。そのようなものとして、CADシステムは、医療画像データにおける異常個所の検出に関するセカンドオピニオンを自動的に提供するよう、放射線科医の専門的な知識を組み込む。癌の疑いのある病巣又は結節の早期検出をサポートすることより、CADシステムは、患者に対するより良い予後診断をもたらす早期の介入を理論的には可能とする。

CAD及び他の機械学習システムに対する現行のほとんどの作業は、教師有学習(supervised learning)に対するのと同じ方法論に従う。CADシステムは、グラウンドトルース(ground truth:根拠真理)が判明しているデータの収集で始まる。そのグラウンドトルース、つまり非トレーニングデータにおける結節又は非結節を区別するのに十分な識別力を持つと信じられる特徴セットを特定するため、そのCADシステムはトレーニングデータに基づきトレーニングされる。当業者にとっての課題は、カテゴリ間での区別を容易にする特徴を抽出することであり、理想的には特徴プール内で最も重要な特徴のサブセットを発見することを含む。一旦トレーニングされると、CADシステムは、CADで描写された候補領域から特徴が抽出され分類される非トレーニングデータ上でも機能することができる。

CADシステムは、異種の情報(例えば、患者データを伴う画像ベースの特徴)を結合することができるか、又はそれらは例示ベースの手法に対する類似性指標を見つけることができる。当業者は、コンピュータ駆動によるいずれの決定支援システムの精度も、学習処理によって既に分類されたパターンのセットの利用可能性により(つまりトレーニングセットにより)制限されることを理解するであろう。診断スキャン処理において使用されるいずれのコンピュータ学習システムの出力もアドバイスとなる。従って、結節である可能性のある候補として医師に提供される各アドバイスにより、医師は、調査することを強いられる。すなわち、CAD支援による出力が、調査された領域のボトムライントルース(bottom line truth)(例えば結節)を表す場所で、医師は、彼／彼女がその領域をそれ以上詳細には調査しないかのように、無頓着である場合がある。当業者は、診断に関する文脈において「真の陽性(true positive)」がしばしば、真に悪性である検出結節を指すものであることを理解すべきである。しかしながら、CADに関する文脈において、例えそれが良性又は石灰化された結節を指すとしても、あるマーカが真の陽性のマーカであると考えられる。当然「真の陰性(true negative)」は規定されず、正規化された特異度はCADでは与えられることができないということになる。

(CADシステムから出力される)偽の陽性のマークは、全く結節を指さずに、傷跡、気管支壁肥厚、動きアーチファクト、血管分岐等を指すようなマークである。従って、CAD性能は通常、感度(検出率)、及び、CADに関する文脈においてしばしば特異度と称される偽の陽性率又はCT検査あたりにおける偽の陽性のマーク数により制限される(qualified)。そのようなものとして、出力における偽の陽性数が最小のCADシステムが非常に望ましい。

(マークあり又はなしの)自動化された検出プロセスの完了後、多くのCADシステムは、例えば冗長性を削減するためユーザ及びCAD検出による病巣(領域)に適用する１つ又は複数のツール、実装された解釈的なツール等を自動的に呼び出す。そのために、CADにおける誤検出を削減する様々な技術が知られている。例えば、W.A.H.Mousa及びM.A.U.Khanは、タイトル「Lung Nodule Classification Utilizing Support Vector Machines」、Proc.of IEEE ICIP'2002でその誤検出低減技術を開示する。K. Suzuki、S.G.Armato III、F.Li、S.Sone、K.Doiは、「Massive training artificial neural network (MTANN) for reduction of false positives in computerized detection of lung nodules in low-dose computed tomography」、Med. Physics 30(7)、July 2003、pp.1602-1617において、誤検出を最小化する試みを述べている。Z.Ge、B.Sahiner、H.-p.Chan、L.M.Hadjiski、J.Wei、N.Bogot、P.N.Cascade、E.A.Kazerooni、C.Zhouによる「Computer aided detection of lung nodules: false positive reduction using a 3D gradient field method」、Medical Imaging 2004:Image Processing、pp.1076-1082においても、同様である。

従来の誤検出低減(FPR)システムは、特異度を改善するためのポストCAD処理で使用されるだけでなく、しばしば特異度を改善するためのCADアルゴリズムに埋め込まれている。例えば、R.Wiemkerらは、「COMPUTER-AIDED SEGMENTATION OF PULMONARY NODULES: AUTOMATED VASCULATURE CUTOFF IN THIN- AND THICK-SLICE CT」、2003 Elsevier Science BVにおいて、(部分的なボリューム効果を改善するため)薄層スライスCTにおける結節の周囲の脈管構造から肺の結節を効率的に分離するCADアルゴリズムの感度を最大化することを論じている。意図される目的は、分類誤差を減らすことである。しかしながら、WeimkerのCADシステム及び方法は、洗練された機械学習技術を使用するものではなく、FPRに対する特徴抽出及び選択方法を最適化するものでもない。例えば、Mousaらは真の肺結節を非結節(FP)から区別するためサポートベクタマシンを利用するが、そのシステムは、特異度を改善するどころか制限してしまう非常に単純化した特徴抽出ユニットに基づかれる。

結節といった「真の」発見物を非結節(偽の陽性)から区別するシステムの識別力を与えるのは、特徴が調査下にある候補領域から識別され抽出される事と、(同じ特徴を用いてトレーニングされる)CAD又はFPRシステムにより特徴が使用される事とである。

そこで、本発明の目的は、結果として向上した特異度を生じさせる、システムトレーニングフェーズの間のポストCAD機械学習と非トレーニングデータのポストCAD処理とをサポートする１つ又は複数の新規な3次元(3D)特徴の実現を介して、特異度における決定された改善、つまり誤検出低減を示すCAD関連システム及び方法を提供することにある。

新しい3D特徴の２つのセットが本発明において使用される。3D特徴の２つの新しいセット又はそのいくつかのサブセットが、他の周知の特徴に結合されるとき、同じ本発明の3D特徴を実現するCAD又はFPRシステムが、偽の陽性から真の陽性と識別されるものを区別すること、例えば非結節から肺結節を好適に区別する能力を提供する。

これらの新しい3D特徴の第１のグループは、その構造体に付けられる肺壁(lung wall)を排除する、グレーレベル分布のヒストグラム尺度(measure)に基づかれる。他の3D特徴グループは、勾配分布と特定の方向におけるその勾配磁場(gradient field)の変化とに基づかれる。例えば、抽出された3D特徴が、CADプロセスにおける箔層スライスの胸部CTスキャンのための誤検出低減システムを実現するサポートベクタマシンによる、トレーニング及びポストトレーニング処理をサポートする。それは結果として、高い特異度を生じさせる。本発明において提案される3Dベースの特徴は、肺結節及び結節として誤認識される構造体の3D特性を提供することによりこの問題を解決する。従って、この新規な3D特徴を用いてトレーニングされた分類器(classifier)は、トレーニング及び後続する非トレーニング処理に対して同じ特徴を用いないCAD又はFPRシステムより高い特異度を実現するため、結節と非結節とをより好適に区別することができる。それは、結果として、感度を維持しつつ、トレーニングされたシステムの識別力を改善することになる。当業者は、SVM以外の他の分類器がその新しい3D特徴に関して使用されることができることを理解すべきである。

本発明のシステム及び方法は、CTデータ又は高分解能CTスキャンデータ(HRCT)に関する処理として説明されるが、当業者はその説明が本発明の範囲をCT又はHRCTデータに関する処理に限定することを意味せず、任意の取得画像化データに関しても機能することができ、添付される請求項の範囲だけが権利範囲を決定することを理解されたい。

本発明のCAD又はFPRシステムは、機械学習サブシステムを含む。そのサブシステムは、特徴抽出器、(本書で開示される本発明による3Dベースの特徴を含む、教師有システムトレーニングに対する最も重要な特徴を選択するための)遺伝的アルゴリズム(GA)及びサポートベクタマシン(SVM)を有する。当業者は、一旦GAにより最も重要な特徴が選択されると、GAベースの特徴選択が最終的なFPRサブシステムの一部ではなくなることになる点を理解されたい。真の陽性と識別されたものがすべて維持されるという制約の下、SVMは、例えば、領域／ボリュームが実際に結節又は非結節であるかといった幾つかのグラウンドトルース事項に関して、CADにより検出される候補領域を適合させる(qualify)。

ポストCAD機械学習は、感度を維持しつつ実質的に誤検出を減らす十分な特異度を備える「最良の」特徴サブセットであるとGAが決定したものに基づきトレーニングされたSVMを用いて、非トレーニングデータ内における候補領域を最も好適に分類するよう、(新規な3D特徴を含む)特徴プールから特徴のサブセットを選択する遺伝的アルゴリズム(GA)の使用を含む。

その新しい特徴は、薄層CTスキャンから抽出されることができる。それらは、CADアルゴリズムにより検出される構造体の3D特性を表わす。こうした特徴の１つのグループは、その構造体に付けられる肺壁を排除するグレーレベル分布のいくつかのヒストグラム尺度に基づかれる。その特徴の他のグループは、勾配分布と、特定の方向における勾配磁場の変化とに基づかれる。その新たな3D特徴を含む、機械学習に基づくポスト処理ステップは、CAD感度は維持しつつ、できる限り多くの誤検出を(高い特異度で)削減する。より詳細には、真の識別と偽の識別とを区別するのに、例えば、結節と非結節とを区別するのに十分な識別力を特徴が持たなければならないので、特徴抽出はCAD処理における最も重要な要素の１つである。

画像データセット(例えばCT)における肺結節を検出する際のコンピュータ支援における基礎をなす目的は、機械による診断を指定するものではなく、放射線科医が決定を行う際に医師をサポートする機械ベースのアルゴリズム又は方法を実現するものである。つまり、全体の感度(検出率)が上昇するよう、疑わしい対象物の位置を指し示すものである。CAD又は他の臨床的な決定支援システムでの主な問題は、必然的に偽のマーカ(いわゆる偽の陽性)が、真の陽性のマーカと共に生じることである。

臨床的な研究は、トレーニングされた放射線科医による検出の測定率とは別に、測定されたCAD検出率が、読影する放射線科医(reading radiologist)の数に依存し、CAD精度を検証することをサポートする。疑わしい病巣、微小石灰化等の読影に参加して読影者がトレーニングされればされるほど、発見されることになる(画像内の)病巣の数は一層大きくなる。CAD又は熟練した施術者による読影か否かに関わらず、絶対感度を表すいずれの図も、容易に誤解される場合があることを、当業者は留意されたい。すなわち、臨床研究からのデータは、CADシステムなしの状態で読影する放射線科医により見落とされていたかなりの数の結節が、追加的なCADソフトウェアにより一層容易に検出可能であることをサポートする傾向にある。本発明は、感度(真の結節発見)を維持しつつ、向上した特異度(好適なFPR)を提供する。

Wiemker、Mousaら等により説明される文書にあるような誤検出低減処理を含むCADベースのシステムは、１つの大きな課題を抱えており、それは、医療画像データにおいて検出される「すぐに使用可能な」構造体を識別することである。一旦識別され分割されると、本発明の場合、例えば結節又は非結節といったいくつかのグラウンドトルースに関して、分割された領域を分類するために、重要な特徴の包括的なセットがCADシステム、又は以下のFPRサブシステムにより得られる。当業者は、コンピュータ駆動の決定支援又はCADシステムの精度が、トレーニングセットとして用いられる既知の病理学のパターン又は領域のセットの利用可能性により制限されることを認識するであろう。例えば、Wiemker,R.、T.Blaffertによる「Options to improve the performance of the computer aided detection of lung nodules in thin-slice CT」2003、Philips Research Laboratories: Hamburg、及びWiemker,R.、T.Blaffertによる「Computer Aided Tumor Volumetry in CT Data, Invention disclosure.」2002、Philips Research、Hamburgなどに記載されるように、技術水準のCADアルゴリズムでさえ、随伴するリスクと低いユーザ許容性とを伴う不要な介入をもたらす多数の誤検出を生じさせる可能性がある。

更に、現在の誤検出低減アルゴリズムはしばしば、胸部X線画像又は厚層スライスCTスキャンのために開発されたものであり、HRCTから生じるデータに関して必ずしも良好に動作するものではない。

そのため、本書で説明される本発明のFPRシステム及び方法は、候補領域を識別し、その領域を分割するためのCADサブシステム又は処理を含む。トレーニングの間、トレーニングデータセット内のその分割された領域は、特徴抽出器又は特徴抽出処理を実現するプロセッサへと渡される。特徴抽出は、本書で開示され請求項に記載される新しい3D特徴を含み、3D及び2D特徴から作られる特徴プールを検出された構造から得る。その特徴プールは、最適な特徴サブセットを実現するため特徴プールを処理する遺伝的アルゴリズム(GA)サブシステム、又はGAプロセッサ(ポストCAD)に渡される。最適な特徴サブセットは、本発明のCAD又はFPRシステム内で、SVMが候補領域／ボリュームを識別するのに十分な識別力を与えるような特徴を含む。

トレーニングの間、GAによるポストCAD処理が、結節を陽性として識別するようSVMによる使用のための最適な特徴サブセットを決定する。この処理は、ポストCADにおける使用のための最適な特徴サブセットを決定する。その後、CADは、「新しい」画像データを処理し、非トレーニングデータにおいて発見される候補領域を分割する。候補を適切な区分に適切な特異度で分類するため、(トレーニングの間に決定されるような)特徴のサブセットが、候補領域から抽出され、「トレーニングされた」分類器(SVM)により使用される。その結果、本発明のFPR又はCADシステムは、特徴においてトレーニングセットを有するものに似ており、かつ、その新しい新規な3D特徴を含む、高分解能な薄層CT(HRCT)における小さな肺結節を正確にそして十分な特異度で検出することができる。例えば、スライス厚が1 mm以下のHRCTデータは、非常に小さな結節の検出を可能にするほど十分詳細なデータを提供する。より小さな結節を検出する能力は、本書における請求の範囲に記載されるような、候補領域を信頼性高く検出し区別するための新しい手法を必要とする。

本発明のFPRシステム４００の好ましい実施形態が、図１を参照して概して説明されることになる。FPRシステム４００は、特定の基準に合致する注目領域又はボリュームを識別及び分割するCADサブシステム４２０と、FPRサブシステム４３０とを含む。好ましくは、CADサブシステム４２０は、CADプロセッサ４１０を含み、更に、医療画像データに関する低レベル処理を行い、医療画像データを分割する分割ユニット４３０を含むことができる。CADシステムは、分割機能がCADサブシステムとして実現されるか、CAD処理をサポートする個別の分割ユニット(例えば分割ユニット４３０)として実現されるかに関わらず、更なる分析のため候補領域を描写すべく分割機能を実行しなければならない点を当業者は理解されたい。トレーニングデータに関する処理か「新しい」候補領域の調査かに関係なく、CADサブシステム４２０は、例えば結節のような注目する候補領域又はボリュームの分割を提供し、安定的な分割を実現するためパラメタ調整処理をガイドする。

分割されたデータは、FPRサブシステム４３０を有する特徴抽出ユニット４４０に与えられる。各分割された領域／ボリュームに資格を与えるため(qualify)、本書で教示される２つの「新しい」3Dベースの特徴セットを含む特徴プールが抽出又は生成される。特徴プールは、特徴プールの「最良の」サブセットを識別するための遺伝的アルゴリズムプロセッサ４５０により処理される。GA処理の背景にある意図は、SVM４６０により予想されるよう、トレーニングされたCADシステムによるグラウンドトルースへの特異度を最大化することである。すなわち、GAプロセッサ４５０は、SVMにより処理されるとき非トレーニングデータにおける特異度を増加させる、特徴のサブセットを生成又は識別する。GA識別された特徴のサブセットは、偽の陽性と識別されるものを最小化するのに十分な特異度を備えるSVMにより利用されるべき特徴の選択及び数の両方に関して決定される。トレーニングデータセットを用いて最適な特徴サブセットがGAにより一旦決定されると、トレーニングされたCADシステムが非トレーニングデータに関して処理するときGAプロセッサは必要とされない。

CADサブシステム４２０は、２値又は３値(trinary)画像を生成する事により、背景から(非結節を含む)候補結節を描写する。そこでは、結節領域、背景領域及び肺壁(又は「カットアウト」)領域がラベル付けされる。グレーレベル及びラベル付けされた候補領域又はボリュームを受信すると、特徴抽出器４４０は、例えば、2D及び3D形状特徴、ヒストグラムベースの特徴、勾配ベースの特徴等といった任意の重要な特徴を特徴プールとして計算(抽出)する。トレーニングモードにおいて、それがFPRシステム全体の性能に非常に影響を与えるので、特徴抽出は重要である。特徴の全体のセット又はプールの適切な抽出がなければ、GAプロセッサ４５０は、(オーバーフィッティングを避け、一般化可能性を増加させるため)最良の識別力を持ち最小のサイズの最適な特徴サブセットを正確に決定することはできない。

GAベースの特徴選択処理は、共通して所有される係属中のPhilips出願番号US040120(ID disclosure #779446)により教示され、その内容は本書においても参照により含まれる。GAによる特徴サブセットの選択は、複数の「遺伝子」から作られる多数の「染色体」を作成する事によって開始される。各遺伝子は、選択された特徴を表す。染色体により表される特徴のセットが、トレーニングデータに基づきSVMをトレーニングするのに使用される。染色体の適合性は、結果SVMがいかに好適に動作するかにより評価される。本発明において、３つの適合関数が使用される：感度、特異度及び染色体に含まれる特徴の数である。３つの適合関数は、異なる優先度で順位付けされる。言い換えると、感度は優先度が最高で、２番目は特異度、３番目が特徴の数となる。これは、階層的適合関数と呼ばれる。この処理の開始時において、染色体の母集団は、染色体を形成する特徴をランダムに選択することにより生成される。すると、そのアルゴリズム(つまりGA)は、好適に動作する(高い適合度の)染色体を繰り返し探索する。

各生成において、GAは母集団における各染色体の適合度を評価し、２つの主要な進化型操作(evolutionary operation)である変異(mutation)及び交叉(crossover)を介して、現在の染色体から新たな染色体を作成する。「良性の」染色体における遺伝子は、次世代においても維持されやすく、貧弱な性能のものは切り捨てられやすい。最終的に、最適なソリューション(つまり、特徴の収集)は、最も適合したものが生存するというこの処理を介して発見される。新たな3D特徴を含む特徴サブセットが決定された後、それは、例えばSVMのような分類器をトレーニングするのに使用される。図２は、GAベースの特徴サブセット選択処理の一般的なワークフローを表す。

当業者は、SVMが「もとの」特徴空間を幾つかの高次の特徴空間にマッピングすることを理解されたい。その特徴空間では、図３に示されるように、トレーニングセットが超平面により分離可能である。SVMベースの分類器は、その性能に影響を与える幾つかの内部パラメタを持つ。斯かるパラメタは、全体の精度を可能性として最良のものとすべく経験的に最適化される。更に、小さな数値範囲を持つ特徴を大きな数値範囲を持つ特徴が上回り、独占状態になることを避けるため、SVMにより使用される前に特徴値が正規化される。それは、共通して所有される係属中のPhilips出願番号US040499(ID disclosure番号 778965)により教示される本発明のシステム及び処理の焦点である。

本発明のFPRシステムは、トレーニングデータ又は病状が分かっている領域を含む肺結節データセットを用いて検証される。その検証が実現され、すべての真の結節を実質的に保持しつつ大多数の偽の結節を削減するため、その新しい3D特徴を用いる本発明のFPRシステムが示される。

図４は、処理本発明により実現されるを表すフロー図である。図４において、ボックス５００は、注目する特定の領域又はボリュームに関する臨床的なグラウンドトルースが判明している医療画像トレーニングデータのセットに基づく分類器のトレーニングを表す。そのステップは、多数の真及び偽の結節を含むよう選択され、かつ自動的に選択される医療画像トレーニングデータのセットに基づく分類器のトレーニングを含むことができる。特徴プールは、トレーニングデータ内のそれぞれ分割された領域及びボリュームから識別／抽出され、好ましくは、本書で教示される新しい3D特徴を含む。特徴プールは、最適な特徴サブセットを識別する遺伝的アルゴリズムプロセッサにより処理される。最適な特徴サブセットに基づき、サポートベクタマシンがトレーニングされる。

ボックス５２０は、例えば結節又は非結節といったグラウンドトルースに関する識別のための候補である領域又はボリュームを、新しい又は非トレーニング医療画像データ内で検出するポスト・トレーニングステップを表わす。ボックス５３０は、候補領域を分割するステップを表し、ボックス５４０は、GAにより適切な分類に対して最も重要な特徴であると決定されたそれらの特徴、つまり特徴のサブセットを抽出する分割された候補領域を処理するステップを表す。そして、ブロック５５０に示されるように、サポートベクタマシンは、感度を維持しつつ向上した特異度で非トレーニング候補領域で偽の陽性と識別されるものを決定する。

本書で提案されるその新しい3Dベースの特徴は、3Dヒストグラムベースの特徴セット及び3D勾配ベースの特徴セットを含む。その新しい特徴の２つのセットはそれぞれ、CADアルゴリズムにより結節として検出される構造を含む注目ボリューム(VOI)から計算される。肺結節又は誤認識される構造はしばしば肺壁に付いているので、肺壁であると識別されるピクセルはヒストグラム演算から除外される。もしこれが行われないと、その特徴は、互いに区別されることが必要な結節及び非結節からなる候補を信頼性高く特徴付けることはないであろう。壁除去処理は、画像処理に基づかれる。すると、(例えば２次及び高次の)特定の統計量がヒストグラムから計算されることができる。

3D勾配ベースの特徴は、3D勾配磁場に基づかれる。その3D勾配磁場は結節又は構造体の表面で計算される。すると勾配磁場は、例えば対象物の主方向(principal direction)といった特定の方向で解析される。主方向に沿った結節及び非結節の表面における勾配磁場の差は、提案される勾配ベースの特徴で活用される。その新しい特徴がSVMベースの誤検出低減システムで実現されると、結果として、CADアルゴリズムの感度は維持されつつ、誤検出の大きな削減をもたらす。

特徴抽出
VOI画像からの少なくとも２３の特徴が、特徴プールを形成する領域／ボリュームから抽出されることができる。これらの2D及び3D特徴(表１)は、薄層スライスCTスキャンにより提供される機会を活用して異なる側面(例えば、グレーレベル分布、形状)から検出される構造体を特徴付ける。

表１における最初の４つの特徴は、肺結節として描写される対象物の内部の3Dグレーレベル分布はしばしば、結節として誤認識される血管の部分より高いグレー値を持つことを表す。特徴 #5-9は、描写される対象物の3D形状を特徴付けることにより、真の結節を偽の結節から区別することを試みる。なぜなら、例えば血管の部分といった誤認識される構造体は、真の結節よりもより細長い形状を持つ傾向にあるからである。特徴 #6-8は、描写された3D対象物から計算される慣性行列の異なる固有値間の比として計算される。特徴 #10は、真の結節及び偽の結節が、描写された対象物の内部とその周囲との間で異なる3Dコントラストを持つ傾向があるという観察に基づかれる。

形状ベースの特徴はしばしば小さな結節に対しては計算が困難になるので、対象物の先見的な分割を必要としない所定のヒストグラムベースの特徴(#11-15)を開発した。注目ボリュームにおいて中心化されるが、その構造体に付けられる壁ピクセルを除いた立方体の中心モーメント(central moment)として、それらの特徴は計算される。特徴 #15-23は、勾配分布と特定の方向における勾配磁場の変化とに基づかれる。検出された構造体の表面における勾配磁場を分析することにより、結節と非結節とを区別することができる。特に、非結節においては、血管が続くため勾配が劇的に変化するということはなく、結節及び非結節の主方向に沿った勾配は異なる。

不要な計算及びオーバーフィッティングを避け、信頼性の高い分類器を確実にするため、本書で開示される本発明は、GAの使用に基づく特徴サブセット選択処理を含む。堅牢である(robustness)という理由から、特にCHCと呼ばれるGAが使用される。CHCは斯かる特徴の最適なサイズ及びセットを自動的に決定する。

図５ａ−ｄは、真の結節(図５ａ)、及び実際に欠陥の一部であり、誤って検出された結節(図５ｃ)を示す。図５ｂ及び図５ｄは、対応する分割マスクを示す。しばしば結節又は構造体は、肺壁に付いているので、これらのピクセルを追加的な計算から排除することが必須である。構造体の描写の間カットアウトされる壁及び他のピクセルは、分割アルゴリズムにより識別されることができる。これらのアルゴリズムは、どれが壁及び「カットアウト」ピクセルかをレベルの１つ(例えば中間レベル)が示す、３値分割マスクを提供することができる。提案される本発明において、壁ピクセルを識別するのに画像処理技術を使用する。例えば血管といった「カットアウト」ピクセルを計算から排除したいのではないことに留意されたい。なぜなら、それらは結節を非結節から区別するのに重要である場合もあるからである。８つある近傍の全てが中間レベルとラベル付けされている場合、そのピクセルが壁ピクセルであると特定した。血管のような比較的薄い構造体において「穴」を防ぐため、壁ピクセルに対して注目ボリューム全体をスキャンした後、これらの穴を埋めるポスト処理ステップを適用する。特に、図６に示されるようにその近傍がラベルを持つ場合、壁ピクセルとして宣言されたピクセルが、非壁ピクセルに戻されることになる。表２は、この処理に用いたフィルタマスクを示す：この図は最後に置かれるべきである。

偽の陽性の結節はしばしば、特定形状及びテクスチャ関連の特徴を計算するには余りにも小さいので、代わりに、注目ボリューム(VOI)のグレーレベル分布に基づく量を計算し、分割を必要としない。特に、モーメント、及びVOIの中心で中心化されるが上述の壁ピクセルのすべてを除いた立方体における中心モーメントといったヒストグラムベースの特徴を計算する。表３は、これらの特徴の定義を示す。

表３において、

が成り立つ。実験では、ヒストグラムのビン(bin:階級数)を20とし、立方体の大きさを13 x 13 x 13ピクセルとした。Histogram_high_value_count特徴規定の定義における閾値は、実験結果ではおよそ900であった。

薄層スライスCTスキャンにおいて、CADアルゴリズムはしばしば、血管の一部を結節として検出する。検出され描写される構造体の表面における勾配磁場を分析することにより、結節と非結節とを区別することができる。特に、血管が続くため非結節において勾配が劇的に変化するということはなく、結節及び非結節の主方向に沿った勾配は異なる。実際の結節の場合、その変化は結節がコンパクトになるほどより顕著である。

最初に、描写される対象物の3D表面における勾配磁場が3D勾配カーネルを用いて計算される。そして、表面の各点における勾配の大きさが計算される。次に、２次中心モーメントに基づく結節の慣性行列と共に3Dモーメントに基づく対象物の主方向が計算される：

であり、ここでM_ijkは(i,j,k)中心モーメントであり、「ラベル付けされた」データLから：

として計算される。ここで、c = (c_sl,c_r,c_c)は、結節の重心を表す。重心の座標は：

として規定される。慣性行列の固有値は、対象物の主軸を決定する。特に、最大固有値に対応する固有値を用いる。この方向に沿って、勾配の大きさの分布を特徴として用いる。それにより、結節と、血管の一部であるような非結節とを区別することができる。

本発明の方法を実行する又は本発明のFPR分類器を駆動するのに必要なソフトウェアは、論理的な機能を実現するための実行可能命令の順序付けされたリストを有することができる点に留意することが重要である。そのようなものとして、そのソフトウェアは、コンピュータベースのシステム、プロセッサを含むシステム、若しくは命令実行システム、装置若しくはデバイスから命令をフェッチし、その命令を実行することができる他のシステムといった命令実行システム、装置若しくはデバイスにより、又はそれらに結び付けて使用するいずれかのコンピュータ可読媒体で実現されることができる。本書の文脈において、「コンピュータ可読媒体」は、命令実行システム、装置又はデバイスにより、又はそれらと結び付けて使用するプログラムを含み、格納し、通信し、伝播し、又は運搬するいずれの手段ともすることができる。

コンピュータ可読媒体は、例えば、電子的、磁気的、光学的、電磁気的、赤外線による、又は半導体のシステム、装置、デバイス又は伝播媒体とすることができるが、これらに限定されるものではない。コンピュータ可読媒体のより特定の例(非包括的なリスト)は、以下を含む：１つ又は複数のワイヤを持つ電気接続(電子)、ポータブルコンピュータディスケット(磁気)、ランダムアクセスメモリ(RAM)(磁気)、リードオンリメモリ(ROM)(磁気)、消去可能プログラム可能リードオンリメモリ(EPROM又はフラッシュメモリ)(磁気)、光学ファイバ(光学)及びポータブル・コンパクトディスク・リードオンリメモリ(CDROM)(光学)である。コンピュータ可読媒体は、プログラムがプリントされる紙又は他の適切な媒体であってさえよいことに留意されたい。なぜなら、プログラムは、例えば、紙又は他の媒体の光学スキャニングを介して電子的にキャプチャされ、コンパイルされ、インタープリタにかけられ(interpreted)、又は必要なら適切な態様で処理され、その後コンピュータメモリ格納されることができるからである。

本発明の上述された実施形態は、特に、いずれの「好ましい」実施形態も本発明の原理の明確な理解のために単に記載される実現の可能な例示に過ぎないことを強調しておく。更に、本発明の精神及び原理から実質的に逸脱することなく、多くの変形及び変更が上述した本発明の実施形態に対してなされることができる。斯かる変形及び変更はすべて、本開示により教示されるものとして意図され、本発明の範囲に含まれるものであり、添付の請求項により保護されるものである。

サポートベクタマシン(SVM)を用いる、コンピュータ断層撮影(CT)医療画像からのコンピュータ支援検出(CAD)における誤検出低減(FPR)のためのシステムを表す図である。 特徴サブセット選択を表すシステムレベルの図である。 サポートベクタマシンの基本的なアイデアを表す図である。 本発明の例示的な処理を特定する処理フロー図である。 真の結節を示す図である。 分割マスクを示す図である。 偽の結節を示す図である。 分割マスクを示す図である。

Claims (17)

1. 医療画像データ内における注目領域又はボリュームのコンピュータ支援検出のための方法において、候補領域を検出及び描写するためのコンピュータ支援検出処理ステップと、特異度を最大化し、かつ非トレーニングデータの処理後に報告される偽の陽性の数を低減するためのトレーニングフェーズでのポスト・コンピュータ支援検出の機械学習ステップとを含んでおり、
   グラウンドトルースに関して真及び偽であることが判明している多数の領域を含むよう選択される医療画像トレーニングデータのセットに基づき分類器をトレーニングするステップと、前記コンピュータ支援検出処理ステップを用いて前記領域を識別及び分割するステップと、前記領域を適合させる特徴プールを作成するため特徴を抽出するステップと、3Dヒストグラムベースの特徴及び3D勾配ベースの特徴の少なくとも１つを含むステップと、非トレーニングデータ内の候補領域を向上した特異度で識別するサポートベクタマシンによる使用のための最小の特徴サブセットを決定すべく、前記特徴プールへ遺伝的アルゴリズムプロセッサを適用するステップと、
   非トレーニングデータ内において候補領域を検出するステップと、
   前記非トレーニングデータ内における前記候補領域を分割するステップと、
   分割された候補領域のそれぞれに関連する特徴セットを抽出するステップと、
   前記特徴セットを用いて、前記サポートベクタマシンにより候補領域をマッピングするステップとを有する、方法。
2. 前記トレーニングステップが、最高の適合へマッピングするようサポートベクタマシンを最適化するために、前記トレーニングデータにおける各候補領域に対して、トレーニングの間前記遺伝的アルゴリズムにより最適化される前記特徴のサブセットの大きさと、前記サブセットを有する実際の特徴とを共に決定するステップを更に有する、請求項１に記載の方法。
3. 前記トレーニングステップが、前記トレーニングデータ内のそれぞれの領域内で識別される特徴プールを染色体として規定するステップを更に含み、各遺伝子は特徴を表し、前記遺伝的アルゴリズムが、まず特徴のランダム選択により前記染色体を母集団とし、各生成に対して評価を繰り返して行ってより高い適合度を持つ前記染色体を繰り返し探し、及び前記トレーニングフェーズの間、変異及び交叉を用いて、新たにより適合する染色体を生成する、請求項１に記載の方法。
4. 前記決定ステップが、２つのフェーズにおいて前記遺伝的アルゴリズムを適用するステップを含み、
   a) 特徴セット及び特徴の数に関して各染色体を識別するステップと、
   b) 異なる染色体の発生数と平均エラー数とに基づき前記特徴の最適な大きさを決定するため、各染色体に対して、前記識別された特徴セットと前記識別された特徴数とを分析するステップとを含む、請求項３に記載の方法。
5. 前記トレーニングステップが、フィルタマスクを用いて壁ピクセルを識別するステップを含む、請求項１に記載の方法。
6. 前記3Dベースのヒストグラムセットが、ヒストグラム平均、ヒストグラム標準偏差、ヒストグラム歪度、ヒストグラム尖度及びヒストグラム・ハイ・バリュー・カウントの少なくとも１つを含む、請求項１に記載の方法。
7. 前記3Dベースの勾配セットが、まず3D勾配カーネルを用いて前記描写される対象物の3D表面における前記勾配磁場を計算し、前記表面の各点における前記勾配の大きさを計算し、並びに、3Dモーメントに基づく前記対象物の前記主方向及び前記２次中心モーメントに基づく前記結節の慣性行列を計算することにより生成される、請求項１に記載の方法。
8. 医療画像化データ内の注目ボリュームのグレーレベル分布に基づき、医療画像化データからヒストグラムベースの3D特徴セットを生成する方法において、
   ヒストグラム由来の特徴であるヒストグラム平均、ヒストグラム標準偏差、ヒストグラム歪度、ヒストグラム尖度及びヒストグラム・ハイ・バリュー・カウントの少なくとも１つを計算するステップを有し、前記計算ステップが、前記注目領域内の壁ピクセルを排除するステップを含む、方法
9. 前記計算ステップが、グレーレベルxを持つピクセルの数をヒストグラムのビンにおけるピクセルの総数で割って規定される関数p(x)を用いることを含む、請求項８に記載の方法。
10. 医療画像化データ内の注目ボリューム内で検出される調査対象の対象物の分類をサポートするため、医療画像化データから勾配ベースの3D特徴セットを生成する方法において、
    前記対象物を描写するステップと、
    勾配カーネルを計算するステップと、
    前記勾配カーネルを用いて前記描写された対象物の境界における勾配磁場を計算するステップと、
    前記境界の各点で前記勾配の大きさを計算するステップと、
    前記主勾配方向を計算するステップとを有する、方法。
11. 前記主勾配方向を計算するステップが、前記対象物の主軸を計算するステップを含み、計算された最大の主軸は、勾配の大きさの分布が計算される方向を規定するのに使用される、請求項１０に記載の方法。
12. 前記計算するステップが、3Dモーメントと慣性行列とに基づき計算される対象物の最大主軸の主方向を識別するステップを含み、前記慣性行列は、２次中心モーメントに基づかれ、前記慣性行列の固有値が、前記主軸を規定する、請求項１０に記載の方法。
13. 汎用コンピュータにダウンロードされるとき請求項１に記載の方法を実現するコンピュータ可読命令のセットを有するコンピュータ可読媒体。
14. 医療画像データ内の注目領域及び／又はボリュームを検出及び特定するシステムであって、コンピュータ支援検出サブシステムと、向上した特異度で２つのグラウンドトルースの状態のいずれかへ領域をマッピングし、前記システムにより報告される偽の陽性の数を最小化する誤検出低減サブシステムとを含み、
    画像データ内で検出される注目領域を識別及び描写するコンピュータ支援検出サブシステムと、
    まずトレーニングデータのセットに基づきトレーニングされ、次に向上した特異度で非トレーニングデータ内の候補領域に関する処理を行う、前記コンピュータ支援検出サブシステムと通信する誤検出低減サブシステムであって、
    3Dヒストグラムベースの特徴サブセット又は該サブセットからの特徴、及び3D勾配ベース特徴サブセット又は該サブセットからの特徴の少なくとも１つを含み、コンピュータ支援検出により描写された候補領域それぞれに対応する特徴プールを抽出する特徴抽出器と、
    トレーニングに使用される前記コンピュータ支援検出により描写された領域の特徴プールから最適な特徴のサブセットを決定し、前記特徴抽出器と通信する遺伝的アルゴリズムと、
    非トレーニングデータにおいて検出される各コンピュータ支援検出描写の候補領域をマッピングし、前記最適な特徴サブセットに基づきポストトレーニングを行う、前記特徴抽出器及び前記遺伝的アルゴリズムと通信するサポートベクタマシンとを有する誤検出低減サブシステムとを有し、
    向上した特異度で前記候補領域をマッピングするため、前記システムが非トレーニングデータに関する処理の間十分な識別力を表示するよう、前記システムが、抽出された特徴の最適なサブセットを識別する前記遺伝的アルゴリズムを用いて、各分割された領域から特徴プールを抽出することにより、グラウンドトルースが判明している候補領域を含む画像化データに基づきトレーニングされる、システム。
15. 前記コンピュータ支援検出サブシステムが、トレーニングのために使用される領域を好適に描写するため前記トレーニングの間に読影入力を提供する分割サブシステムを更に含む、請求項１４に記載の医療画像分類システム。
16. 前記遺伝的アルゴリズムが、トレーニングと非トレーニングデータに関する処理との両方において、階層的な適合理論で動作する、請求項１４に記載の医療画像分類システム。
17. 医療画像化データ内で検出される対象物を分類するときに誤検出分類における著しい低減を生じさせる方法において、
    前記医療画像化データにおいて存在する対象物を検出及び描写するコンピュータ支援検出処理ステップと、
    描写された対象物が最大の特異度で分類されるよう、十分な識別力を備える特徴セットを生成するポスト・コンピュータ支援検出処理ステップとを有し、
    トレーニングフェーズの間、知られたトレーニングデータのセットが、前記トレーニングデータ内の対象物を分割するようコンピュータ支援検出処理され、特徴プールは、3Dヒストグラムベースの特徴サブセット又は該サブセットからの特徴、及び3D勾配ベース特徴サブセット又は該サブセットからの特徴を少なくとも１つ含む前記分割された対象物から／に対して、抽出／計算され、機械学習が前記特徴プールから特徴サブセットを最適化し、
    トレーニングの後、特徴を抽出するステップと前記対象物を前記ポスト・コンピュータ支援検出の機械学習を考慮して高い特異度で分類する分類ステップとを含むポスト・コンピュータ支援検出処理により、前記コンピュータ支援検出処理により描写される候補対象物が処理される、方法。

Images