JP2009039446A - 画像処理装置、画像処理方法、および画像処理プログラム - Google Patents

Abstract

【課題】被検体の画像から所定の構成部位に属する領域を精度良く抽出することができる画像処理装置、画像処理方法、および画像処理プログラムを提供する。
【解決手段】所定グループに属する被検体内の所定方向に対して交わる断面画像を取得する画像取得部と、所定グループに共通した構造的特徴によって被検体が区分けされてなる、所定方向に並んだ複数の区域それぞれにおける、所定方向に対して交わる断面が有する画像的特徴に基づいて、画像取得部で取得された断面画像が属している区域を推定する区域推定部と、画像取得部で取得された断面画像について、被検体を構成する各種構成部位のうちの所定の構成部位における断面が区域推定部で推定された区域で有している特徴に相当する画像的特徴を有している領域を探索する領域探索部とを備えた。
【選択図】 図６

Description

本発明は、被検体の断面画像から、その被検体を構成する所定の構成部位に属する領域を探索する画像処理装置、画像処理方法、および画像処理プログラムに関する。

医療の分野においては、放射線等を使って被検体の体内を撮影した医用画像を、被検体の病状の診断等に利用することが広く行われている。医用画像を診断に利用することにより、被検体に外的なダメージを与えることなく、被検体の病状の進行状態などを把握することができ、治療方針の決定などに必要な情報を手軽に得ることができる。

また、近年では、放射線を使ってデジタルの医用画像を得るＣＲ（Ｃｏｍｐｕｔｅｄ Ｒａｄｉｏｇｒａｐｈｙ）装置や、放射線を使って被検体の断層像を得るＣＴ装置（Ｃｏｍｐｕｔｅｒｉｚｅｄ Ｔｏｍｏｇｒａｐｈｙ）、および強磁場を使って被検体の断層像を得るＭＲＩ装置（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）などが広く用いられてきており、従来のＸ線フィルム等を使った医用画像に替えて、デジタルの医用画像が一般的に利用されてきている。医用画像がデジタル化されたことにより、医用画像に画像処理を施すことが容易となり、同一の被検体について異なる時期に撮影された複数の医用画像をモニタ上に並べて表示したり、医用画像上の、病巣と推測される画像の異常陰影を拡大表示することなどが広く行われてきている。

ここで、ＣＴ装置などから得られた医用画像では、骨に属する骨領域は骨領域以外の領域と比べてかなり高い画像濃度を有していることが一般的であり、医用画像中に病巣と疑われる異常陰影が存在していても、骨に紛れてしまって発見しにくいという問題がある。このため、医用画像から骨を抽出し、その抽出した骨を除去した除去画像を使って診断を行うことが行われている。医用画像中の骨を抽出する骨抽出方法としては、骨領域の画像濃度がその他の領域の画像濃度よりも高いことを利用して、医用画像から基準濃度以上の画像濃度を有する領域を骨領域として抽出する方法が広く知られている。しかし、被検体に造影剤を投じて撮影された造影画像では、血管に属する血管領域も骨領域と同様に高い画像濃度を有しており、造影画像から基準濃度以上の画像濃度を有する領域を抽出すると、骨領域といっしょに血管領域も抽出されてしまうという問題がある。

この点に関し、特許文献１には、骨領域における画像濃度の最大値に近い高基準濃度と、血管領域における画像濃度の最大値に近い低基準濃度とを使って、医用画像中の、高基準濃度よりも高い画像濃度を有する高濃度領域を除去するとともに、低基準濃度よりも高い画像濃度を有し、高濃度領域と重なっている重なり領域も除去する技術について記載されている。特許文献１に記載された技術によると、確実に骨であると推定される高濃度領域と、骨であるか血管であるか不明確で、高濃度領域と重なった重なり領域とが除去されるため、骨領域に加えて血管領域が除去されてしまう不具合を軽減することができる。

しかし、被写体の胸部や腹部を撮影した造影画像では、一部の血管領域が骨領域よりも高い画像濃度を有することがあり、特許文献１に記載された技術では、血管領域よりも画像濃度が低い骨領域を抽出することができないという問題がある。一方、画像濃度が低い骨領域も確実に抽出できるように基準濃度を低く設定してしまうと、検出される領域が増加して骨領域が周囲の領域と１つに繋がってしまい、骨領域だけを抽出することができなくなってしまう。

図１は、被検体の断面画像を示す図である。

図１のパート（Ａ）には、被検体の胸部下部における断面画像が示されており、図１のパート（Ｂ）には、被検体の腹部下部（骨盤を含む）における断面画像が示されている。

パート（Ａ）において点線で囲んだ領域Ｐ１は、大動脈に属する血管領域であり、パート（Ｂ）において点線で囲んだ領域Ｐ２は、骨に属する骨領域である。２つの領域Ｐ１，Ｐ２は、ともに画像濃度が高く、各断面画像上における位置、大きさ、形状などが似ているため、骨領域と血管領域とに分類することは困難である。
特開平１１−３１８８８３号公報

図１に示す２つの領域Ｐ１，Ｐ２を骨領域と血管領域とに分類する方法として、ユーザが予め各断面画像の撮影位置を入力しておき、その撮影位置における骨や血管の位置と、２つの領域Ｐ１，Ｐ２の位置とを比較することが考えられるが、複数の断面画像それぞれに対して撮影位置を手動で入力するのは、大変面倒であるという問題がある。

本発明は、上記事情に鑑み、被検体の医用画像から所定の構成部位に属する領域を精度良く抽出することができる画像処理装置、画像処理方法、および画像処理プログラムを提供することを目的とする。

上記目的を達成する本発明の画像処理装置は、所定グループに属する被検体内の所定方向に対して交わる断面画像を取得する画像取得部と、
所定グループに共通した構造的特徴によって被検体が区分けされてなる、所定方向に並んだ複数の区域それぞれにおける、所定方向に対して交わる断面が有する画像的特徴に基づいて、画像取得部で取得された断面画像が属している区域を推定する区域推定部と、
画像取得部で取得された断面画像について、被検体を構成する各種構成部位のうちの所定の構成部位における断面が区域推定部で推定された区域で有している特徴に相当する画像的特徴を有している領域を探索する領域探索部とを備えたことを特徴とする。

従来から、被検体を体軸方向に沿った複数の切断位置で切断したときの各断面を撮影し、それら複数の断面画像を使って被検体の病状を診断することが行われている。初診時や検診時には、全身の断面画像が撮影されることもあるが、被検体に照射される放射線量を最小限に抑えたり、撮影時間を短縮するために、病巣や患部の位置が判明しているときには、その病変付近の断面画像のみを撮影することが多い。また、目的に応じて断面画像を撮影する切断位置間の距離（スライス幅）が調整されたり、人によって体の大きさが異なったり、同じ被検体であっても正確に同じ姿勢で撮影することは困難であるため、同じスライス番号が付された複数の断面画像であっても、それらに写っている構成部位の種類や位置は相互に異なっていることが一般的である。

本発明の画像処理装置によると、まず、被検体の断面画像が、被検体を所定方向に並んだ複数の区域に区分けするときのどの区域に属しているかが推定され、続いて、被検体の断面画像中で、骨などといった構成部位の、推定された区域における断面の特徴に相当する画像的特徴を有している領域が探索される。このように、本発明の画像処理装置によると、断面画像に写っている構成部位の種類や位置が自動的に推定された後で、それらの情報を使って領域の探索が行われるため、画像濃度が高い骨領域と血管領域とを精度良く分類することができる。

また、本発明の画像処理装置において、上記区域推定部が、複数の区域それぞれにおける断面の画像的特徴として、正規化された断面形状を用いるものであることが好ましい。

断面の画像的特徴として正規化された断面形状が用いられることによって、被検体の体の大きさなどに関わらず、骨などに属する領域を精度良く探索することができる。

また、本発明の画像処理装置において、上記区域推定部が、複数の区域それぞれにおける断面の画像的特徴として、マシンラーニングの手法で予め得られた画像的特徴を用いるものであることが好ましい。

近年、様々なシーンで撮影された複数のサンプル画像それぞれに対して、画素値の最大値、最小値、平均値、中間値などといった多数種類の画像的特徴量を算出して、各シーンとその画像的特徴との対応をコンピュータで学習させるマシンラーニングが広く利用されている。このマシンラーニングを用いると、人間では扱いきれない数の特徴量を用いることができるとともに、人間の推測力では思いもつかないような相関関係が見つかって、精度の高い判別が実現することが知られている。このようなマシンラーニングを利用して、複数の区域それぞれにおける断面の画像的特徴を保存しておき、それら複数の画像的特徴の中から断面画像の画像的特徴と合致するものを探索することによって、断面画像が属している区域を容易かつ正確に推定することができる。

また、本発明の画像処理装置において、上記領域探索部が、所定の構成部位における断面が上記区域で有している特徴として、マシンラーニングの手法で予め得られた特徴を用いるものであることが好適である。

この好適な画像処理装置によると、所定の構成部位に属している領域を容易かつ正確に探索することができる。

また、本発明の画像処理装置において、上記領域探索部が、骨に属する領域を探索するものであることが好ましい。

医用画像を使って病巣と疑われる異常陰影を確認する際には、医用画像中の骨を精度良く抽出することが求められており、本発明の画像処理装置を好ましく適用することができる。

また、本発明の画像処理装置において、上記領域探索部が、血管の領域に属する領域を探索するものであることも好ましい。

例えば、骨折時などには、医用画像中の血管に属する領域を抽出し、血管が除去された除去画像を生成することによって、患部の状態が見やすくなる。

また、本発明の画像処理装置は、領域探索部における探索結果に基づいて、断面画像中の構成部位を抽出した抽出画像、および／又は、断面画像から構成部位を除去した除去画像を作成する画像作成部を備えたことが好適である。

例えば、断面画像から骨に属する領域が抽出され、その抽出された骨が除去されることによって、断面画像中の異常陰影などが見やすくなる。

また、上記目的を達成する本発明の画像処理方法は、所定グループに属する被検体内の所定方向に対して交わる断面画像を取得する画像取得過程と、
所定グループに共通した構造的特徴によって被検体が区分けされてなる、所定方向に並んだ複数の区域それぞれにおける、所定方向に対して交わる断面が有する画像的特徴に基づいて、画像取得過程で取得された断面画像が属している区域を推定する区域推定過程と、
画像取得過程で取得された断面画像について、被検体を構成する各種構成部位のうちの所定の構成部位における断面が区域推定部で推定された区域で有している特徴に相当する画像的特徴を有している領域を探索する領域探索過程とを有することを特徴とする。

本発明の画像処理方法によると、断面画像に写っている構成部位の種類や位置が自動的に推定されて領域の探索が行われるため、画像濃度が高い骨領域と血管領域とを精度良く分類することができる。

尚、画像処理方法については、ここではそれらの基本形態のみを示すのにとどめるが、これは単に重複を避けるためであり、本発明にいう画像処理方法には、上記の基本形態のみではなく、前述した画像処理装置の各形態に対応する各種の形態が含まれる。

また、上記目的を達成する本発明の画像処理プログラムは、コンピュータ内で実行され、コンピュータ上に、
所定グループに属する被検体内の所定方向に対して交わる断面画像を取得する画像取得部と、
所定グループに共通した構造的特徴によって被検体が区分けされてなる、所定方向に並んだ複数の区域それぞれにおける、所定方向に対して交わる断面が有する画像的特徴に基づいて、画像取得部で取得された断面画像が属している区域を推定する区域推定部と、
画像取得部で取得された断面画像について、被検体を構成する各種構成部位のうちの所定の構成部位における断面が区域推定部で推定された区域で有している特徴に相当する画像的特徴を有している領域を探索する領域探索部とを構築することを特徴とする。

本発明の画像処理プログラムによると、被検体の画像から所定の構成部位に属する領域を精度良く抽出する画像処理装置を構築することができる。

尚、画像処理プログラムについても、ここではそれらの基本形態のみを示すのにとどめるが、これは単に重複を避けるためであり、本発明にいう画像処理プログラムには、上記の基本形態のみではなく、前述した画像処理装置の各形態に対応する各種の形態が含まれる。

さらに、本発明の画像処理プログラムがコンピュータシステム上に構築する画像取得部などといった要素は、１つの要素が１つのプログラム部品によって構築されるものであってもよく、複数の要素が１つのプログラム部品によって構築されるものであってもよい。また、これらの要素は、そのような作用を自分自身で実行するものとして構築されてもよく、あるいはコンピュータシステムに組み込まれている他のプログラムやプログラム部品に指示を与えて実行するものとして構築されてもよい。

本発明によれば、被検体の画像から所定の構成部位に属する領域を精度良く抽出することができる。

以下、図面を参照して本発明の実施の形態を説明する。

図２は、本発明の一実施形態が適用された医療診断システムの概略構成図である。

図２に示す医療診断システムは、被検体の体内を撮影して医用画像を生成する画像生成装置群１０と、医用画像やカルテなどを保存する管理サーバ２０と、医用画像を表示する診断装置３０とで構成されており、画像生成装置群１０と管理サーバ２０、および管理サーバ２０と診断装置３０は、ネットワーク回線を介して接続されている。

この医療診断システムでは、初診の被検体に対して、各被検体を識別するための識別番号が割り当てられ、その識別番号と、被検体の氏名や年齢や病歴などが示されたカルテとが対応付けられて管理サーバ２０に登録される。

画像生成装置群１０には、被検体に放射線を照射し、被検体を透過してきた放射線を読み取ってデジタルの医用画像を生成するＣＲ装置１１や、放射線を使って被検体の断層画像を生成するＣＴ装置１２や、強磁場と電波とを使って被検体の断層画像を生成するＭＲＩ装置（図示しない）や、超音波のエコーを読み取って医用画像を生成する超音波装置（図示しない）などが含まれる。画像生成装置群１０で生成された医用画像は、その医用画像の被写体である被検体を識別する識別番号とともに管理サーバ２０に送られる。

管理サーバ２０は、画像生成装置群１０から医用画像と識別番号とが送られてくると、その医用画像を識別番号と対応付けて記憶する。すなわち、管理サーバ２０には、識別番号と、その識別番号が割り当てられた被検体のカルテと、被検体の医用画像とが対応付けられて登録される。

診断装置３０は、外観構成上、本体装置３１、その本体装置３１からの指示に応じてモニタ３２ａ上に画像を表示する画像表示装置３２、本体装置３１に、キー操作に応じた各種の情報を入力するキーボード３３、および、モニタ３２ａ上の任意の位置を指定することにより、その位置に表示された、例えばアイコン等に応じた指示を入力するマウス３４を備えている。

ユーザが診断装置３０のマウス３４等を使って被検体の氏名や識別番号などを入力すると、その入力内容が管理サーバ２０に伝えられる。管理サーバ２０は、診断装置３０から被検体の氏名および識別番号を取得し、それらと対応付けられた医用画像およびカルテを診断装置３０に向けて送る。診断装置３０では、医用画像に画像処理が施されることによって、医用画像中の骨が除去された骨除去画像が生成され、加工前の医用画像や骨除去画像がモニタ３２ａ上に表示される。診断装置３０のモニタ３２ａ上に表示された各種医用画像を確認することにより、ユーザは、被検体に外的なダメージを与えることなく、被検体の病状を診断することができる。

ユーザは、診断装置３０のモニタ３２ａに表示された医用画像を見て被検体の病状を診断し、マウス３４やキーボード３３を使ってカルテを編集する。編集後のカルテは、管理サーバ２０に送られ、管理サーバ２０に記憶されているカルテが診断装置３０から送られてきた新たなカルテに更新される。

図２に示す医療診断システムは、基本的には以上のように構成されている。

以下、診断装置３０について詳しく説明する。

図３は、診断装置３０のハードウェア構成図である。

診断装置３０の本体装置３１には、図３に示すように、各種プログラムを実行するＣＰＵ１０１、ハードディスク装置１０３に格納されたプログラムが読み出されＣＰＵ１０１での実行のために展開される主メモリ１０２、各種プログラムやデータ等が保存されたハードディスク装置１０３、ＦＤ（フレキシブルディスク）４１が装填され、そのＦＤ４１をアクセスするＦＤドライブ１０４、ＣＤ−ＲＯＭ４２をアクセスするＣＤ−ＲＯＭドライブ１０５、管理サーバ２０から画像データ等を受け取り、管理サーバ２０に各種指示データを送るＩ／Ｏインタフェース１０６が内蔵されており、これらの各種要素と、さらに図１にも示す画像表示装置３２、キーボード３３、マウス３４は、バス１０７を介して相互に接続されている。

ここで、ＣＤ−ＲＯＭ４２には、診断装置３０内に本発明の画像処理装置の一実施形態を構築するための、本発明の画像処理プログラムの一実施形態である画像表示プログラム２００（図３参照）が記憶されている。

図４は、ＣＤ−ＲＯＭ４２を示す概念図である。

図４に示すように、ＣＤ−ＲＯＭ４２に記憶された画像表示プログラム２００は、画像取得部２１０、特徴量算出部２２０、区域推定部２３０、領域探索部２４０、画像生成部２５０、画像表示部２６０、および画像登録部２７０で構成されている。

ＣＤ−ＲＯＭ４２は、診断装置３０のＣＤ−ＲＯＭドライブ１０５に装填され、ＣＤ−ＲＯＭ４２に記憶された画像表示プログラム２００が診断装置３０にアップロードされてハードディスク装置１０３に記憶される。そして、この画像表示プログラム２００が起動されて実行されることにより、診断装置３０内に本発明の画像処理装置の一実施形態としての機能を備えた医用画像表示装置３００（図５参照）が構築される。

尚、上記では、画像表示プログラム２００を記憶する記憶媒体としてＣＤ−ＲＯＭ４２が例示されているが、画像表示プログラム２００を記憶する記憶媒体はＣＤ−ＲＯＭに限られるものではなく、それ以外の光ディスク、ＭＯ、ＦＤ、磁気テープなどの記憶媒体であってもよい。また、画像表示プログラム２００は、記憶媒体を介さずに、Ｉ／Ｏインタフェース１０６を介して直接に診断装置３０に供給されるものであってもよい。

画像表示プログラム２００の各部の詳細については、医用画像表示装置３００の各部の作用と一緒に説明する。

図５は、医用画像表示装置３００の機能ブロック図である。

医用画像表示装置３００は、画像取得部３１０と、特徴量算出部３２０と、区域推定部３３０と、領域探索部３４０と、画像生成部３５０と、画像表示部３６０と、画像登録部３７０と、記憶部３８０とを有している。画像取得部３１０は、本発明にいう画像取得部の一例にあたり、区域推定部３３０は、本発明にいう区域推定部の一例に相当する。また、領域探索部３４０は、本発明にいう領域探索部の一例にあたり、画像生成部３５０は、本発明にいう画像作成部の一例に相当する。

医用画像表示装置３００を構成する、画像取得部３１０と、特徴量算出部３２０と、区域推定部３３０と、領域探索部３４０と、画像生成部３５０と、画像表示部３６０と、画像登録部３７０は、図４の画像表示プログラム２００を構成する、画像取得部２１０、特徴量算出部２２０、区域推定部２３０、領域探索部２４０、画像生成部２５０、画像表示部２６０、および画像登録部２７０にそれぞれ対応する。

図５の各要素は、コンピュータのハードウェアとそのコンピュータで実行されるＯＳやアプリケーションプログラムとの組合せで構成されているのに対し、図４に示す画像表示プログラム２００の各要素はそれらのうちのアプリケーションプログラムのみにより構成されている点が異なる。

図６は、図４に示す医用画像表示装置３００において、管理サーバ２０から医用画像を取得し、その取得した医用画像中の骨を抽出するまでの一連の処理の流れを示すフローチャート図である。

以下、図６のフローチャートに従って、図５に示す医用画像表示装置３００の各要素の動作について説明することによって、図４に示す画像表示プログラム２００の各要素も併せて説明する。

ユーザが図２に示すマウス３４やキーボード３３を使って、診断を行う被検体の氏名や識別番号を入力すると、その入力内容が図３のＩ／Ｏインタフェース１０６を介して管理サーバ２０に伝えられる。管理サーバ２０では、被検体の氏名や識別番号が取得されると、その被検体の医用画像およびカルテが診断装置３０に向けて送られる。

管理サーバ２０から送られてきた医用画像は、図５に示す画像取得部３１０で取得される（図６のステップＳ１）。

図７は、管理サーバ２０から送られてくる医用画像の概念を示す図である。

本実施形態では、図２に示すＣＴ装置１２において、被検体Ｑを頭の上から足の先まで複数のスライス位置Ｘ０〜Ｘｎで切断したときの各断面が撮影され、それら複数のスライス位置それぞれにおける複数の断面画像４００が生成される。尚、撮影開始位置（スライス位置Ｘ０）および撮影終了位置（スライス位置Ｘｎ）は、被検体Ｑが寝かされている領域から食み出しており、スライス位置Ｘ０，Ｘｎにおける断面画像４００には被検体Ｑが写っていない。

図８は、１つのスライス位置Ｘｍにおける断面画像を示す図である。

この図８には、図７に示す複数のスライス位置Ｘ０〜Ｘｎのうちの１つのスライス位置Ｘｍにおける断面画像４１０が示されている。実際には、図５に示す画像取得部３１０において複数の断面画像４００が取得されるが、以下では、それらを代表して、図８に示す断面画像４１０を使って説明する。

断面画像４１０には、臓器や血管に加えて骨も含まれており、病巣と疑われる異常陰影が存在していても、骨に紛れてしまって見つかりにくいという問題がある。

図５の画像取得部３１０で取得された断面画像４１０は、特徴量算出部３２０に伝えられる。

特徴量算出部３２０では、まず、断面画像４１０に正規化処理が施されることにより、被検体の大きさや撮影時の姿勢による、断面画像４１０中の臓器などの大きさや傾き等の個体差が調整される。（図６のステップＳ２）。

図９は、正規化処理の概念図である。

まず、断面画像４１０中の、取り囲まれた輪郭が検出されることにより、被検体が写っている人体領域が抽出される。画像中の人体領域を抽出する方法としては、例えば、特開平９−１８７４４４号広報などに記載された技術を適用することができる。

図９のパート（Ａ）では、１つの人体領域が抽出されている。１つの人体領域が抽出された場合は、その人体領域の長軸Ｌ１と短軸Ｌ２が検出され、その人体領域が横長形状ならば短軸Ｌ２の両端Ｐｓ，Ｐｅが基準点に設定され、人体領域が縦長形状ならば長軸のＬ１両端が基準点Ｐｓ，Ｐｅに設定される。また、基準点Ｐｓ，Ｐｅを結ぶ線が、長軸Ｌ１と短軸Ｌ２との交点を通る縦線に対して所定角度以上傾いている場合には、基準点Ｐｓ，Ｐｅの位置を所定程度（例えば、２０％）縦線に近づける。図９のパート（Ａ）に示す例では、人体領域が横長形状を有しており、短軸Ｌ２の両端Ｐｓ，Ｐｅが基準点に設定されている。

図９のパート（Ｂ）では、２つの人体領域が抽出されている。２つの人体領域が抽出された場合は、各人体領域ごとに重心ｍ１，ｍ２が検出され、各人体領域における長軸の両端同士を結んだ２つの連結線それぞれの中点が基準点Ｐｓ，Ｐｅに設定される。尚、２つの人体領域の面積の差が所定以上大きい場合は、被検体の近くに置かれていた医療機器が写り込んでいる可能性があるため、小さい方の人体領域を削除して、大きい方の人体領域を使って図９のパート（Ａ）と同様に基準点Ｐｓ，Ｐｅが設定される。

図９のパート（Ｃ）では、３つの人体領域が抽出されている。３つ以上の人体領域が抽出された場合は、最も面積が大きい人体領域のみが用いられて、図９のパート（Ａ）と同様に基準点Ｐｓ，Ｐｅが設定される。

基準点Ｐｓ，Ｐｅが設定されると、特徴量算出部３２０では、アファイン変換などを使って、基準点Ｐｓ，Ｐｅ間の距離が一定となるように断面画像４１０が正規化される。

続いて、特徴量算出部３２０では、正規化された人体領域が複数の領域（本実施形態においては、３行×３列の分割領域）に分割され、各分割領域における画像的特徴量が算出される（図６のステップＳ３）。本実施形態においては、各分割領域中の各画素の画像濃度、それらの画像濃度の平均値、最大値、最小値、中間値が画像的特徴量として算出されるとともに、各分割領域において画像濃度が所定の閾値よりも大きい骨領域の割合、各分割領域において画像濃度が所定の閾値よりも低い空気領域の割合も画像的特徴量として算出される。算出された画像的特徴量と、断面画像４１０は、図５の区域推定部３３０に伝えられる。

ここで、本実施形態においては、予め、健康な被検体の頭部、首部、胸部、胸腹部、腹部、腰部、および足部の各区域における断面画像が撮影され、各断面画像に対して図６のステップＳ２およびステップＳ３の処理を経て画像的特徴量が算出されている。図５の記憶部３８０には、画像登録部３７０によって、算出された画像的特徴量が各区域と対応付けて記憶されている。

区域推定部３３０は、記憶部３８０に記憶されている画像的特徴量と断面画像４１０の画像的特徴量とに基づいて、断面画像４１０が属する区域を推定する（図６のステップＳ４）。まず、マシンラーニング手法（例えば、ＡｄａＢｏｏｓｔなど）が用いられて、記憶部３８０に記憶されている各区域ごとの画像的特徴量に対する、特徴量算出部３２０で算出された画像的特徴量の近似度（スコア）が算出される。マシンラーニング手法は、撮影画像を分析して撮影シーンを解析するシーン解析などに広く利用されている技術であるため、本明細書では詳しい説明を省略する。

表１は、各断面画像の画像的特徴量と、各区域の画像的特徴量との近似度（スコア）の一例を示す表である。

表１には、各断面画像のスライス位置を示すスライス番号と、そのスライス番号が付された断面画像の画像的特徴量と各区域の画像的特徴量との近似度（スコア）とが示されている。各区域のスコアが大きいほど、各断面画像のスライス位置がその区域に属している確率が高いことを示している。

続いて、各断面画像ごとに、各区域のスコアから、その断面画像における最大スコアを減算した減算スコアが算出される。

表２は、各断面画像における各区域の減算スコアを示す表である。

表２には、各断面画像のスライス番号と、各断面画像における各区域ごとの減算スコアとが示されている。表２では、全ての減算スコアが正の値となっており、表１において各断面画像の最大スコアを有していた区域の減算スコアが「０」となっている。

各断面画像ごとに減算スコアが最も小さい値「０」である区域を抽出していくと、スライス番号「１」の断面画像は「頭部」、スライス番号「２」の断面画像は「首部」、スライス番号「３」の断面画像は「胸部」、スライス番号「４」の断面画像は「胸腹部」、スライス番号「５」の断面画像は「胸部」、スライス番号「６」の断面画像は「胸腹部」、…となる。人体の区域は、頭部、首部、胸部、胸腹部、腹部、腰部、および足部の順に並んでいるため、区域の出現順番が誤っている断面画像における最小スコアにコスト「１」を加える。各断面画像ごとに減算スコアが最小である区域を抽出し、区域の出現順番が誤っている場合にはコストを加える処理を、各断面画像の区域が正しい出現順番で抽出されるまで繰り返される。この表２の例では、スライス番号「５」の断面画像における出現順番が誤っており、スライス番号「５」の断面画像の「胸部」のスコアにコストが加えられる。その結果、スライス番号「５」の断面画像においては、「胸腹部」の減算スコア「０．５」が最小値となり、スライス番号「１」の断面画像は「頭部」、スライス番号「２」の断面画像は「首部」、スライス番号「３」の断面画像は「胸部」、スライス番号「４」の断面画像は「胸腹部」、スライス番号「５」の断面画像は「胸腹部」、スライス番号「６」の断面画像は「胸腹部」、…と正しい出現順番で抽出される。以上のようにして抽出された区域が、各断面画像が属する区域と推定される。

また、人体における各区域の体軸方向の位置（以下では、この位置を体軸位置と称する）は、頭頂部の位置を「０」、足先の位置を「１」としたときに、平均的には、頭部＋首部が「０〜０．２」、胸部＋胸腹部が「０．２〜０．５」、腹部が「０．５〜０．７」、腰部が「０．７〜０．８」、足部が「０．８〜１．０」に位置する。例えば、スライス番号「１０」の断面画像からスライス番号「２０」の断面画像までが「腹部」に属すると推定された場合、スライス番号「１５」の断面画像における体軸位置は、０．５＋（０．７−０．５）×５／１０＝０．６と算出される。このように、各区域の画像的特徴量として、正規化された各分割領域の画像濃度分布などが利用されることによって、被検体の体の大きさなどに関わらず、骨などに属する領域を精度良く探索することができる。

算出された体軸位置と断面画像４１０は、区域推定部３３０から領域探索部３４０に伝えられる。

断面画像４１０の体軸位置が算出されると、断面画像４１０中の骨領域の探索が開始される（図６のステップＳ５）。

図１０は、断面画像４１０中の骨を抽出するまでの一連の処理の流れを示すフローチャート図である。

領域探索部３４０では、区域推定部３３０から推定結果と断面画像４１０が伝えられると（図１０のステップＳ１１）、まず、断面画像４１０の画像濃度の分布に基いて、骨の抽出に利用される第１閾値および第２閾値が決定される。

図１１は、断面画像４１０の画像濃度の分布を示すグラフである。

図１１では、横軸に画像濃度値、縦軸に頻度が対応付けられている。図１１のグラフにおいて、画像濃度値の最大値側から最小値側へとピークを探索して最初に現れる頻度ピークの終了位置における画像濃度値Ｔ１が第１閾値として決定され、２番目に現れる頻度ピークの開始位置における画像濃度値Ｔ２が第２閾値として決定される。最初に現れる頻度ピークの開始位置から終了位置までの間の範囲Ｄ１には、主に骨の領域が含まれており、最初のピークの終了位置から２番目に現れる頻度ピークの開始位置までの間の範囲Ｄ２には、主に血管の領域が含まれている。

続いて、断面画像４１０から第１閾値Ｔ１以上の画像濃度を有する各領域が検出されることにより、断面画像４１０中の、骨領域の候補と推定される各候補領域が抽出される（図１０のステップＳ１２）。

図１２は、ステップＳ１２で抽出された各候補領域を示す図である。

図１２に示す第１抽出画像４２１は、図８に示す断面画像４１０から抽出された複数の候補領域５１，５２，５３，５４，５５，５６，５７，６１，６２で構成されている。通常、医用画像を撮影する際には造影剤が投与されることが多いため、断面画像４１０は、骨に属する骨領域に加えて血管や臓器などに属する一部の非骨領域の画像濃度も高く、第１閾値Ｔ１以上の画像濃度を有する候補領域５１，５２，５３，５４，５５，５６，５７，６１，６２には、骨領域と非骨領域とが混在していると推定される。

続いて、領域探索部３４０では、候補領域５１，５２，５３，５４，５５，５６，５７，６１，６２がマシンラーニング手法で得られた画像的特徴を用いて骨領域と非骨領域とに分類される（図１０のステップＳ１３）。

本実施形態においては、健康な人体を頭頂部から足先まで複数のスライス位置で切断したときの各断面を撮影した複数の断面画像が取得されており、図５の記憶部３８０には、骨であることが判明している骨領域の画像濃度分布と円形度とが記憶されているとともに、体軸位置（頭頂部「０」〜足先「１」）と、各断面画像の画像的特徴（本実施形態においては、骨領域の重心のＸ，Ｙ座標、骨領域の体表からの距離、骨領域の大きさ）とが対応付けて記憶されている。

以下では、各画像的特徴ごとの領域の分類法について説明する。

（１）画像濃度分布
領域探索部３４０は、各候補領域５１，５２，５３，５４，５５，５６，５７，６１，６２の画像濃度の分布を分析し、その分析結果が、記憶部３８０に記憶された骨領域中の画像濃度分布とどの程度似ているかを判定する。

（２）円形度
記憶部３８０には、人体が有する複数の骨それぞれに対して、健康な人体を撮影した複数の断面画像を体軸方向に見たときに、各骨に属する骨領域の面積が最も大きくなる断面画像上における正規化された円形度と面積とが記憶されている。領域探索部３４０は、複数の断面画像４００それぞれにおいて、各候補領域５１，５２，５３，５４，５５，５６，５７，６１，６２に相当する骨候補領域を検出し、各候補領域５１，５２，５３，５４，５５，５６，５７，６１，６２の面積が最も大きくなる断面画像４００を探索する。さらに、探索された断面画像４００上で、各候補領域５１，５２，５３，５４，５５，５６，５７，６１，６２の正規化された円形度と面積を算出し、算出した円形度および面積が記憶部３８０に記憶された複数の骨それぞれの円形度および面積とどの程度似ているかを判定する。

（３）骨領域の重心のＸ，Ｙ座標、体表からの距離、大きさ
記憶部３８０には、体軸位置（頭頂部「０」〜足先「１」）と、各体軸位置における断面画像中の骨領域の重心のＸ，Ｙ座標、体表からの距離、および大きさが記憶されている。領域探索部３４０は、記憶部３８０から断面画像４１０の体軸位置における骨領域の重心のＸ，Ｙ座標、体表からの距離、大きさを取得する。さらに、各候補領域５１，５２，５３，５４，５５，５６，５７，６１，６２それぞれの重心のＸ，Ｙ座標、体表からの距離、および大きさを算出し、その算出したＸ，Ｙ座標、体表からの距離、および大きさが、記憶部３８０から取得したＸ，Ｙ座標、体表からの距離、および大きさとどの程度似ているかを判定する。

以上の各項目における判定結果が点数化され、合計点数が所定値以上である候補領域が骨領域に分類される。図１２に示す例では、第１抽出画像４２１中の各候補領域５１，５２，５３，５４，５５，５６，５７，６１，６２のうち、図１２において白抜きで表現された候補領域５１，５２，５３，５４，５５，５６は骨領域に分類され、点線で表現された領域６１，６２が非骨領域に分類される。

本実施形態によると、まず、断面画像の体軸位置が推定され、その推定された体軸位置における被検体の断面の特徴と断面画像の画像的特徴とに基づいて骨領域が抽出される。したがって、被検体の姿勢や体の大きさ、および断面画像を撮影した区域に関わらず、骨領域と血管領域とを精度良く分類することができる。

続いて、領域探索部３４０では、図８に示す断面画像４１０から、ステップＳ１２で利用された第１閾値Ｔ１よりも低い第２閾値Ｔ２を用いて、その第２閾値Ｔ２以上の画像濃度を有する各領域が抽出される（図１０のステップＳ１２＿２）。

図１３は、ステップＳ１２＿２において抽出された各領域を示す図である。

図１３に示す第２抽出画像４２２には、図１２に示す第１抽出画像４２１にも含まれる骨領域５１，５２，５３，５４，５５，５６，５７、および非骨領域６１，６２に加えて、それら各領域それぞれを取り囲む候補領域７１，７２，７５，７６，７７が含まれている。この時点では、新たに抽出された候補領域７１，７２，７５，７６，７７のうちの中央の候補領域７２は、すでに分類済みの骨領域５２，５３，５４、および非骨領域６１，６２を包括して取り囲んでいる。領域探索部３４０は、新たに抽出された候補領域７１，７２，７５，７６を骨領域と非骨領域とに分類する。

まず、第２抽出画像４２２中の、分類済みの骨領域５１，５２，５３，５４，５５，５６，５７、および非骨領域６１，６２を所定サイズだけ拡張する（図１０のステップＳ１４＿２）。拡張サイズは、例えば、断面画像４１０の大きさが５１２ピクセル×５１２ピクセルの場合、２〜４ピクセル程度が好ましい。

図１４は、分類済みの領域が拡張された第２抽出画像４２２を示す図である。

図１４に示す第２抽出画像４２２では、図１３に示す非骨領域６１，６２それぞれが拡張することによって１つの非骨領域６０として合体され、新たに抽出された候補領域７１，７２，７５，７６，７７のうち、骨領域５５，５６を取り囲んでいた候補領域７５，７６は、拡張した骨領域５５，５６に吸収され、骨領域５２，５３，５４、および非骨領域６１，６２を包括して取り囲んでいた候補領域７２は、拡張した骨領域５２，５３，５４、および合体した非骨領域６０によって一部が吸収されている。

領域探索部３４０は、図１４に示す第２抽出画像４２２において、吸収されずに残っている候補領域７１，７２，７７それぞれについて、すでに分類済みの骨領域５１，５２，５３，５４，５５，５６，５７、および非骨領域６０のうち、最も多く接している最接領域を判定し（図１０のステップＳ１５＿２）、それら各候補領域７１，７２，７７の分類を、判定された最接領域が属する分類と同じ分類に決定する。この例では、左上の候補領域７１は、左上の骨領域５１と最も多く接しているため、骨領域であると決定され、左下の候補領域７２は、中央の非骨領域６０と最も多く接しているため、非骨領域であると決定され、右上の候補領域７５は、右上の骨領域５５と最も多く接しているため、骨領域であると決定される。

図１５は、候補領域が分類された第２抽出画像４２２を示す図である。

図１４に示す新たに抽出された候補領域７１，７２，７５，７６，７７が分類されることによって、図１５に示すように、第２抽出画像４２２は、新たな骨領域５１，５２，５３，５４，５５，５６，５７と非骨領域６０とに分類されている。本実施形態では、断面画像４１０から厳しい抽出条件（第１閾値Ｔ１）を満たす各領域が抽出されて、マシンラーニング手法で得られた画像的特徴に基いて骨領域と非骨領域とに分類され、さらに、緩い抽出条件（第２閾値Ｔ２）を満たす各領域が抽出されて、新たに抽出された領域がすでに分類されている領域との接触関係に基いて分類される。したがって、第１閾値Ｔ１よりも画像濃度が低い骨領域があっても、その骨領域を精度良く分類することができる。

さらに、領域探索部３４０は、図８に示す断面画像４１０から、第２閾値Ｔ２よりもさらに低い第３閾値Ｔ３を用いて、その第３閾値Ｔ３以上の画像濃度を有する新たな候補領域を抽出し（図１０のステップＳ１２＿３）、新たに抽出された各候補領域を骨領域と非骨領域とに分類する（図１０のステップＳ１４＿３，Ｓ１５＿３）。

さらにその後、抽出条件である閾値を下げて新たな候補領域を抽出して（図１０のステップＳ１２＿ｎ）新たな候補領域を骨領域と非骨領域とに分類する（図１０のステップＳ１４＿ｎ，Ｓ１５＿ｎ）一連の処理が所定回数（例えば、５回）繰り返される。候補領域の抽出と、抽出された候補領域の分類とがこのように複数回繰り返されることによって、候補領域を少しずつ抽出し、本来骨に所属すべき領域のみを骨領域に分類していくことができるので、骨の抽出精度が向上する。

以上のようにして、断面画像４１０中の骨領域が抽出される。尚、断面画像４１０から骨領域を除いた領域は血管や臓器を含む非骨領域であるため、領域探索部３４０は、実際には断面画像４１０中の骨領域を探索しているが、断面画像４１０中の非骨領域を探索しているとも言える。骨の抽出結果と断面画像４１０は、画像生成部３５０に伝えられる。

画像生成部３５０は、図８に示す断面画像４１０から、領域探索部３４０から伝えられた骨領域を除去して骨除去画像を生成する（図６のステップＳ６）。生成された骨除去画像は、画像表示部３６０に伝えられ、モニタ３２ａ上に表示される（図６のステップＳ７）。

図１６は、抽出された骨の画像部分４２３を示す図であり、図１７は、モニタ３２ａ上に表示された断面画像表示画面５００を示す図である。

図１７に示す断面画像表示画面５００には、骨除去画像５１０に加えて、被験者の氏名、スライス位置「Ｘｍ」、撮影日なども表示されている。この骨除去画像５１０は、図８に示す断面画像４１０から図１６に示す骨の画像部分４２３が除去された画像であり、ユーザは、骨除去画像５１０を確認することによって、病巣と疑われる異常陰影の大きさや位置などを正確に認識することができる。

以上で、本発明の第２実施形態の説明を終了し、本発明の実施例について説明する。

本発明の実施例では、図５に示す医用画像表示装置３００を使って、断面画像中の骨領域と血管領域とを分類し、断面画像中の骨領域を除去した骨除去画像を生成した。

また、実施例に対する比較例として、図５に示す医用画像表示装置３００と同様の構成を有する医用画像表示装置を使って、領域探索部において、図１０のステップＳ１３のマシンラーニングによる体軸位置に基づいた学習判定に替えて、図１０のステップＳ１４＿２，１５＿２と同様の領域拡張と接触判定を使って、体軸位置を用いないで断面画像中の骨領域を抽出し、骨除去画像を生成した。

図１８は、比較例における骨除去画像の一例を示す図である。

図１８に示す領域Ｐは、骨に属する骨領域であるが、非骨領域に分類されてしまい、除去されずに残ってしまっている。

図１９は、実施例における骨除去画像の一例を示す図である。

図１９では、領域Ｐが正しく骨領域に分類されていることがわかる。

被写体の胸部や腹部を撮影した造影画像では、一部の血管領域が骨領域よりも高い画像濃度を有することがあり、図１８に示すように、骨領域の一部が抽出しきれないことがある。本発明の画像処理装置では、被検体のどの区域に属する断面画像であるかが最初に推定され、その推定された区域の断面の特徴と断面画像の画像的特徴とに基づいて骨領域が抽出される。このため、図１９に示すように、造影剤が投与された血管領域よりも画像濃度が低い骨領域であっても、精度良く抽出することができる。

以上の結果から、本発明の有用性が確認できた。

ここで、上記では、医用画像から骨領域を抽出する例について説明したが、本発明の画像処理装置は、医用画像から骨以外の構成部位に属する領域を確定するものであってもよく、医用画像以外の被検体の画像に対して適用されたものであってもよい。

また、上記では、断面画像中の骨領域を抽出するための第１閾値および第２閾値を画像濃度分布に基いて決定したが、本発明における領域探索部は、予め設定された抽出条件を利用して骨領域を抽出するものであってもよい。また、造影画像では、骨と造影血液との双方が高い画像濃度を有しているが、骨と造影血液との間には画像濃度が低い血管壁が存在している。上記第１閾値Ｔ１として、画像中の骨および造影血液は抽出され、造影血液以外の血管壁や臓器や病巣は抽出されない値（ＣＴ値で２８０〜３２０程度）を適用し、まずは、骨と造影血液とを抽出して、それらを核として血管壁に達するまで骨領域および非骨領域を広げていくことが好ましい。

また、上記では、記憶部に記憶された骨領域の画像的特徴を使って領域を探索する例について説明したが、本発明の画像処理装置は、記憶部に骨と間違えやすい血管領域の画像的特徴を記憶しておき、領域探索部において、その血管領域の画像的特徴を使って領域を探索するものであってもよい。

また、上記では、断面画像中の骨領域が除去された骨除去画像を生成する例について説明したが、本発明の画像処理装置は、断面画像中の骨領域のみを抽出した骨画像を生成して、骨画像をモニタ上に表示するものであってもよい。例えば、骨折したときなどには、骨画像が表示されることによって患部の状態を診断しやすくなる。

被検体の断面画像を示す図である。 本発明の一実施形態が適用された医療診断システムの概略構成図である。 診断装置のハードウェア構成図である。 ＣＤ−ＲＯＭを示す概念図である。 医用画像表示装置の機能ブロック図である。 図５に示す医用画像表示装置において、管理サーバから医用画像を取得し、その取得した医用画像中の骨を抽出するまでの一連の処理の流れを示すフローチャート図である。 管理サーバから送られてくる医用画像の概念を示す図である。 １つのスライス位置Ｘｍにおける断面画像を示す図である。 正規化処理の概念図である。 断面画像中の骨を抽出するまでの一連の処理の流れを示すフローチャート図である。 断面画像の画像濃度の分布を示すグラフである。 ステップＳ１２で抽出された各候補領域を示す図である。 ステップＳ１２＿２において抽出された各領域を示す図である。 分類済みの領域が拡張された第２抽出画像を示す図である。 候補領域が分類された第２抽出画像を示す図である。 抽出された骨の画像部分を示す図である。 モニタ上に表示された断面画像表示画面を示す図である。 比較例における骨除去画像の一例を示す図である。 実施例における骨除去画像の一例を示す図である。

符号の説明

１０ 画像生成装置群
１１ ＣＲ装置
１２ ＣＴ装置
２０ 管理サーバ
３０ 診断装置
３１ 本体装置
３２ 画像表示装置
３３ キーボード
３４ マウス
１０１ ＣＰＵ
１０２ 主メモリ
１０３ ハードディスク装置
１０４ ＦＤドライブ
１０５ ＣＤ−ＲＯＭドライブ
１０６ Ｉ／Ｏインタフェース
２００ 画像表示プログラム
２１０ 画像取得部
２２０ 特徴量算出部
２３０ 区域指定部
２４０ 領域探索部
２５０ 画像生成部
２６０ 画像生成部
２７０ 画像登録部
３００ 医用画像表示装置
３１０ 画像取得部
３２０ 特徴量算出部
３３０ 区域指定部
３４０ 領域探索部
３５０ 画像生成部
３６０ 画像生成部
３７０ 画像登録部

Claims (9)

1. 所定グループに属する被検体内の所定方向に対して交わる断面画像を取得する画像取得部と、
   前記所定グループに共通した構造的特徴によって前記被検体が区分けされてなる、前記所定方向に並んだ複数の区域それぞれにおける、該所定方向に対して交わる断面が有する画像的特徴に基づいて、前記画像取得部で取得された断面画像が属している区域を推定する区域推定部と、
   前記画像取得部で取得された断面画像について、前記被検体を構成する各種構成部位のうちの所定の構成部位における断面が前記区域推定部で推定された区域で有している特徴に相当する画像的特徴を有している領域を探索する領域探索部とを備えたことを特徴とする画像処理装置。
2. 前記区域推定部が、前記複数の区域それぞれにおける断面の画像的特徴として、正規化された断面形状を用いるものであることを特徴とする請求項１記載の画像処理装置。
3. 前記区域推定部が、前記複数の区域それぞれにおける断面の画像的特徴として、マシンラーニングの手法で予め得られた画像的特徴を用いるものであることを特徴とする請求項１または２記載の画像処理装置。
4. 前記領域探索部が、前記所定の構成部位における断面が前記区域で有している特徴として、マシンラーニングの手法で予め得られた特徴を用いるものであることを特徴とする請求項１から３のうちいずれか１項記載の画像処理装置。
5. 前記領域探索部が、骨に属する領域を探索するものであることを特徴とする請求項１から４のうちいずれか１項記載の画像処理装置。
6. 前記領域探索部が、血管の領域に属する領域を探索するものであることを特徴とする請求項１から５のうちいずれか１項記載の画像処理装置。
7. 前記領域探索部における探索結果に基づいて、前記断面画像中の前記構成部位を抽出した抽出画像、および／又は、該断面画像から該構成部位を除去した除去画像を作成する画像作成部を備えたことを特徴とする請求項１から６のうちいずれか１項記載の画像処理装置。
8. 所定グループに属する被検体内の所定方向に対して交わる断面画像を取得する画像取得過程と、
   前記所定グループに共通した構造的特徴によって前記被検体が区分けされてなる、前記所定方向に並んだ複数の区域それぞれにおける、該所定方向に対して交わる断面が有する画像的特徴に基づいて、前記画像取得過程で取得された断面画像が属している区域を推定する区域推定過程と、
   前記画像取得過程で取得された断面画像について、前記被検体を構成する各種構成部位のうちの所定の構成部位における断面が前記区域推定部で推定された区域で有している特徴に相当する画像的特徴を有している領域を探索する領域探索過程とを有することを特徴とする画像処理方法。
9. コンピュータ内で実行され、該コンピュータ上に、
   所定グループに属する被検体内の所定方向に対して交わる断面画像を取得する画像取得部と、
   前記所定グループに共通した構造的特徴によって前記被検体が区分けされてなる、前記所定方向に並んだ複数の区域それぞれにおける、該所定方向に対して交わる断面が有する画像的特徴に基づいて、前記画像取得部で取得された断面画像が属している区域を推定する区域推定部と、
   前記画像取得部で取得された断面画像について、前記被検体を構成する各種構成部位のうちの所定の構成部位における断面が前記区域推定部で推定された区域で有している特徴に相当する画像的特徴を有している領域を探索する領域探索部とを構築することを特徴とする画像処理プログラム。