JP2009072593A - ３次元心臓エコーグラフデータからの平面の自動検出方法 - Google Patents

Abstract

【課題】３次元心臓エコーグラフデータから平面を自動的に検出する方法を提供する。
【解決手段】標準ビューに対する平面位置が３次元心臓エコーグラフデータから検出される（３６）。容積内の平面の位置は、変換、配向（回転）、および／またはスケールにより定義される。可能な位置が検出（３６）され、他の可能な位置は除外される。可能な位置の分類は、変換（２６）、配向（２８）、そしてスケール（３０）によってシーケンシャルに行われる。シーケンシャル処理は、所望のビューに対して平面位置を同定するために必要な計算を制限する。
【選択図】図１

Description

関連出願
本特許出願は、２００７年９月１８日出願の暫定的米国特許出願番号第６０／９７３２１７号および２００７年９月２５日出願の第６０／９７４９３５号の優先権を主張するものであり、その内容を参照として取り入れる。

本実施形態は、医学的診断超音波画像に関連するものである。とりわけ所望の平面のビューは、容積を表わす心臓エコーグラフデータから抽出される。

３次元（３Ｄ）超音波画像システムは、３Ｄ心臓エコーグラフに使用される。３Ｄ心臓エコーグラフにより、形態学所見と病理学所見の両方を評価することができる。３Ｄ分析により心臓の病態生理学に関して従来の２次元（２Ｄ）像分析の場合よりもより正確な情報を得ることができ、とりわけ容積計算と駆出率（ＥＦ）計算に有用であることが研究で示された。しかし３Ｄ容積データの解釈および量的分析は、従来の２次元（２Ｄ）心臓エコーグラフの場合よりも複雑であり、時間が掛かる。３Ｄ容積データで解剖学的構造を検出することによって、より良好な分析が可能となるが、複雑であるため診断にはさほど使用されない。

標準ビューが心臓構造を視覚化するために使用され、この標準ビューは多くの心臓エコーグラフ検査の出発点である。例えば４つすべてのチャンバ、すなわち左右の心室と左右の心房が、心尖部４腔断面像（Ａ４Ｃ）に提示される。心尖部３腔（Ａ３Ｃ）断面像では、左心室、左心房および大動脈が提示される。３Ｄ容積でこのようなビューは、多面再構成／復元（ＭＰＲ）面として復元される。標準２Ｄ面を３Ｄ容積で発見すれば、ユーザ間の一貫性が改善され、より良好な画像品質のために獲得パラメータを調整するのに使用することができる。

しかし３Ｄ心臓エコーグラフ容積は心臓について、２次元心臓エコーグラフ画像よりも格段に多くの情報を提供し、心臓は各容積内を種々異なる配向で異なる位置に位置することができる。３Ｄ容積内をナビゲーションしてターゲット構造をサーチすることはユーザにとって時間が掛かる。３Ｄ心臓エコーグラフを心機能の量的分析のために医療実務ルーチンに使用することの大きな障害は、分析を自動化するために必要な、精確で頑強な検出方法がないことである。超音波オペレータの技量に加えて、トランスデューサの選択、機器の設定、患者の快適性と位置決め、スキャンの構築、および患者の呼吸パターンを含む別の要因が超音波画像または分析データの品質に影響を及ぼす。このことにより、多数の変形が出現し、画像品質が一致しなくなる。このことは自動検出のタスクを非常に困難なものにする。

本発明の課題は、３次元心臓エコーグラフデータから平面を自動的に検出する方法を提供することである。

上記課題は本発明により、３次元心臓エコーグラフデータから平面を検出するための方法であって、マシントレーニングされた分類器のシーケンスが３次元心臓エコーグラフデータに適用され、第１の分類器は、３次元心臓エコーグラフデータにより提示される容積内の平面を変換するためのものであり、第２の分類器は容積内の平面を回転するためのものであり、第３の分類器は容積内の平面をスケーリングするためのものであり、平面の位置が、第１，第２および第３の分類器の出力の関数として検出され、画像が平面の位置関数として発生される、ことを特徴とする方法によって解決される。

発明の要約
はじめに、以下に説明する有利な実施例は、３次元心臓エコーグラフデータから平面を検出するための方法、コンピュータ読み出し可能媒体、およびシステムを含んでいる。容積内の平面の位置は、変換、配向（回転）、および／またはスケールにより定義される。所望のビューに対する可能な位置が検出され、他の可能な位置は除外される。可能な位置の分類は、変換、配向、そしてスケールによってシーケンシャルに行われる。シーケンシャル処理は、所望のビューに対して平面位置を同定するために必要な計算を制限する。分類のために、容積内の平面を表わすデータからフィーチャが計算される。この平面または他のフィーチャはマシン学習分類器によって使用され、１つまたは複数の所望のビューの位置が検出される。

第１の側面では、３次元心臓エコーグラフデータから平面を検出するための方法が提供される。マシントレーニングされた分類器のシーケンスは３次元心臓エコーグラフデータに適用される。第１の分類器は、３次元心臓エコーグラフデータにより提示される容積内の平面を変換するためのものである。第２の分類器は容積内の平面を回転するためのものである。第３の分類器は容積内の平面をスケーリングするためのものである。平面の位置は、第１，第２および第３の分類器の出力の関数として検出される。画像は平面位置の関数として発生される。

第２の側面においては、コンピュータ読み出し可能記憶媒体が、３次元心臓エコーグラフデータにより提示される容積内の標準像平面を検出するためにプログラミングされたプロセッサによって実行可能な命令を表わすデータを記憶している。記憶媒体は、容積内の複数の可能な平面位置に対するフューチャを計算するための命令、標準ビュー平面をそれぞれの分類器により、フューチャの関数として検出するための命令、および標準ビュー平面に対するデータから画像を発生するための命令を含む。

第３の側面では、心臓容積のＭＰＲ像の標準ビュー平面に対する平面位置を検出するためのシステムが提供される。メモリは、心臓容積を表わす超音波データを記憶するように動作する。プロセッサは、変換された複数の平面位置に対して第１の二次元フューチャを計算し、
変換された平面位置に相当する仮説を変換分類器により、第１の二次元フューチャの関数として除外し、第１の残余仮説を残し、
回転された複数の平面位置に対する第２の二次元フィーチャを第１の残余仮説に関連して計算し、
回転された平面位置に相当する仮説を回転分類器により、第２の二次元フィーチャの関数として除外し、第２の残余仮説を残し、
スケーリングされた複数の平面に対する第３の二次元フィーチャを第２の残余仮説に関連して計算し、
スケーリングされた平面に相当する仮説をスケール分類器により、第３の二次元フィーチャの関数として除外し、少なくとも１つの第３の残余仮説を残し、
１つの標準平面の平面位置を少なくとも１つの第３の残余仮説の関数として決定するように動作する。ディスプレイは、１つの標準平面の画像を平面位置の関数として表示するように動作する。

本発明は以下に続く請求の範囲によって規定されるが、以下の詳細な説明はこれらの請求項に基づく限定として解釈すべきものではない。さらに本発明のさらなる有利な側面および利点は、以下の明細書で有利な実施例に基づいて説明され、請求の範囲において独立的または組み合わせで権利主張される。

各構成要素および図面は、必ずしも縮尺通りではなく、本発明の原理を示すのに強調されている。さらに、各図面では、相応する部分を指示する参照番号は、異なった図面でも全体を通じて同じである。
図１は、医用超音波画像システムの１つの実施形態のブロック図を示す。
図２は、３次元心臓エコーグラフデータから平面を検出する方法の実施例のフローチャートである。
図３は、１つの実施例での容積領域、対象物、および多面復元の関連する平面の概略図である。
図４は、標準心臓エコーグラフビューの例としての医用画像を示し、このビューに対する相対平面位置も示している。

自動化されたスーパーバイズド学習方法は、標準平面または多面再構成面（ＭＰＲ）を、３Ｄ心臓エコーグラフ容積から、高速、精確かつ一貫したＭＰＲ検出を達成するために検出する。例えばコンピュータは６つの主なる標準ＭＰＲ平面を検出する。これは、Ａ４Ｃ−心尖部４腔面；Ａ２Ｃ−心尖部２腔面；Ａ３Ｃ−心尖部３腔平面；ＳＡＸＢ−短軸基底面；ＳＡＸＭ−短軸中央面；そしてＳＡＸＡ−短軸尖部面である。自動検出により、臨床的作業の流れの自動化、および後続の処理タスク、例えば心臓内壁運動分析の促進が可能になる。

図１は、所望のビューの平面位置を検出するための医用診断画像システム１０を示す。平面検出は、超音波容積データからＭＰＲ像を提供する。このシステム１０は医用診断超音波画像システムであるが、コンピュータ、ワークステーション、データベース、サーバ、または他のシステムでも良い。

システム１０は、プロセッサ１２、メモリ１４、ディスプレイ１６およびトランスデューサ１８を含む。付加的なコンポーネントまたは別のコンポーネントを設けるか、またはコンポーネントを少なくすることも可能である。例えばシステム１０は、送信ビーム形成器、受信ビーム形成器、Ｂモード検出器、ドップラー検出器、高調波応答検出器、造影剤検出器、スキャンコンバータ、フィルタ、それらの組合わせ、または未知のまたは将来開発される医用診断超音波システムコンポーネントを含む。別の実施例として、システム１０が、容積内の１つまたは複数の所望の２Ｄ像をオフラインで、または後で検出するためのワークステーションである場合には、トランスデューサ１８は設けられていない。

トランスデューサ１８は圧電デバイスまたは容量性デバイスであり、音響エネルギーと電気エネルギーを変換するように動作する。トランスデューサ１８はエレメントのアレイであり、例えば多次元アレイまたは二次元アレイである。択一的にトランスデューサ１８は、一次元での機械的走査、または別の次元での電気的走査を行うウォーブラである。

システム１０はトランスデューサ１８を使用して容積を走査する。電気的および／または機械的走査によって、容積内の異なる走査線に沿って送信および受信を行うことができる。何らかの走査パターンを使ってもよい。１つの実施例では、送信ビームは複数の走査線に沿って受信するのに十分な広さである。別の実施例では、平面送信波形、視準化された送信波形または拡散送信波形が、複数、多数、またはすべての走査線に沿って受信するために設けられている。

容積を表わす超音波データは、走査に対する応答を規定する。超音波データはビーム形成され、検出され、および／または走査変換される。超音波データはいずれかの形式で、例えば極性座標、デカルト座標、３次元グリッド、極性座標を備えるデカルト座標中の２次元面として平面の間にプロットされる。

メモリ１４はバッファ、キャッシュ、ＲＡＭ、リムーバルメディア、ハードディスク、磁気的、光学的データベース、またはその他の公知のメモリである。メモリ１４はシングルデバイスまたは２つまたはそれ以上のデバイスのグループである。メモリ１４はシステム１０内に図示されているが、システム１０の外側に配置されても、またはシステム１０の別のコンポーネントのリモートであっても良い。

メモリ１４は超音波データ、例えば心臓容積を表わす超音波データを格納する。心臓容積は、心臓の少なくとも一部を含む容積である。メモリ１４は、血流（例えば速度、エネルギー、または両者）および／またはＢモード超音波データを格納する。択一的に医学画像データはプロセッサ１２に、他のデバイスから伝送される。医学画像データは、３次元データセット、またはそのようなデータセットのシーケンスである。このデータは３次元領域を表わす。いずれのフォーマットも使用することができ、例えばボクセルは３次元グリッド、または平行面または非平行面を表わすデータと解釈される。

リアルタイム画像形成のために、超音波データはメモリ１４をバイパスするか、または一時的にメモリ１４に記憶されるか、またはメモリ１４からロードされる。リアルタイム画像形成は、１秒以下または数秒の遅延を、データ収集と画像形成との間で許容する。例えばリアルタイム画像形成は、走査によるデータ収集と実質的に同時に画像を発生することにより行われる。次のデータセットまたはデータセットシーケンスの走査中に、先行のデータセットに対する画像が発生される。画像形成は、データ収集に使用されるのと同じ画像形成セッション中に行われる。リアルタイム演算のためのデータ収集と画像形成との遅延量は変化する。例えば多面復元で最初に平面を位置決めする際の遅延は大きく、後続の画像形成に対する遅延は小さい。択一的実施例では、先行の画像形成セッションからの超音波データがメモリ１４に格納され、同時にデータ収集することなく多面復元の発生のために使用される。

メモリ１４は付加的または択一的に、処理命令を伴うコンピュータ読出し可能記憶媒体である。メモリ１４は、プログラミングされたプロセッサ１２により実行可能な命令を表わすデータを格納している。このプロセッサは標準ビュー平面を、３次元超音波心臓エコーグラフデータにより表わされた容積および／または超音波容積データのための多面復元により表わされた容積内で検出する。本明細書において記述した処理、方法および／または技術を実施するための命令は、コンピュータ読み出し可能記憶媒体またはメモリ上に提供されており、この記憶媒体は例えば、キャッシュ、バッファ、ＲＡＭ、ハードディスクドライブまたはそれ以外のコンピュータ読み出し可能記憶媒体である。コンピュータで読み出し可能な記憶媒体は、種々のタイプの揮発性および不揮発性記憶媒体を含む。図面または本明細書において説明した機能、動作またはタスクは、コンピュータ読み出し可能記憶媒体に記憶されている１つまたは複数の命令のセットに応答して実行される。機能、動作またはタスクは、特定のタイプの命令セット、記憶媒体、プロセッサまたは処理ストラテジーとは無関係であり、ソフトウエア、ハードウエア、集積回路、ファームウェア、マクロコードなどによって、単独でまたは組み合わせて実行されるようにしてもよい。同様に、処理ストラテジーは、マルチプロセシング、マルチタスク処理、並列処理などを含んでいてもよい。１つの実施形態において、命令はローカルシステムまたはリモートシステムによる読み出しのために、取り外し可能な媒体装置に記憶されている。別の実施形態において、命令はコンピュータネットワークまたは電話回線を介して転送するために、遠隔地に記憶されている。さらに別の実施形態において、命令は所定のコンピュータ、ＣＰＵ、ＧＰＵまたはシステム内に記憶されている。

プロセッサ１２は、一般的プロセッサ、デジタルシグナルプロセッサ、３次元データプロセッサ、グラフィック処理ユニット、アプリケーション専用集積回路、フィールドプログラマブルゲートアレイ、アナログ回路、デジタル回路、それらの組み合わせ、または他の現在公知の、または将来開発されるデータ処理デバイスである。プロセッサ１２はシングルデバイス、複数のデバイス、またはネットワークである。１つ以上のデバイスに対しては、並列処理またはシーケンシャル分割処理を使用することもできる。プロセッサ１２を形成する種々のデバイスが種々の機能を実行する。これは例えばスキャンコントローラ、および別個の画像発生演算である。１つの実施例で、プロセッサ１２はコントロールプロセッサまたは医学診断画像システムの別のプロセッサであり、例えば医学診断超音波画像システムプロセッサである。プロセッサ１２は、格納された命令にしたがって種々の動作を実行する。これは例えばデータの獲得、標準ビューの検出、および／または画像形成のコントロールである。

１つの実施例で、プロセッサ１２は走査中または走査後に、収集された超音波データを受信し、このデータにより表される容積に対する１つまたは複数の平面の位置を検出する。プロセッサ１２は別のコンポーネントを制御し、ここに説明する方法を実行する。

プロセッサ１２は、マシン学習を実行し、および／またはマシン学習アルゴリズムを適用する。適用のためにプロセッサ１２は、フューチャをシーケンシャル分類のために計算する。プロセッサ１２により実現される検出アルゴリズムは、多重仮説を検証し、確率の高い１つを同定する。多重仮説はアルゴリズムステージの間で維持される。変換ステージ、配向ステージ、およびスケールステージのような各ステージは、残った偽仮説を早期のステージから迅速に除去する。正しい仮説または残った仮説は最終ステージまで伝播する。１つの仮説だけが最終的検出結果として選択される。または平面位置が情報から検出され、仮説が結合される（例えば最終ステージの後に残った仮説の平均）。

同じまたは異なるフューチャが各ステージでの分類に使用される。例えば変換ステージでは、フューチャが複数の変換された平面位置ごとに計算される。マシントレーニングされた変換分類器を使用することで、フューチャは変換された平面位置に相応する仮説を除外するために使用され、残りの仮説の部分集合が残る。

フューチャは３次元フューチャである。平面を囲む３Ｄデータ、すなわちサブ容積がフューチャの計算のために使用される。択一的に容積データを平面に補間することができ、平面を表わす結果データがフューチャの計算に使用され、他のデータは使用されない。

どのようなフューチャを使用してもよい。種々の形式のフューチャを同じ分類器に対して使用することができる。または同じ形式のフューチャのすべてを所定の分類器に使用することができる。１つの実施例ではハールのウェーブレットフューチャが計算される。ハールのウェーブレットフューチャは、領域の種々の部分間の差を表わす。他のフューチャ数、例えば数１０、数１００，または数１０００のフューチャを使用することができる。マシン学習プロセスは、所定の分類タスクに対して使用される所望のフューチャの部分集合またはセットを決定するために動作する。

フューチャ値は各仮説に対して計算される。変換分類のために、フューチャは変換された平面位置のそれぞれに対して計算される。同じフューチャ、例えば同じハール関数が、変換された平面位置のそれぞれに対して計算される。変換分類器は、フューチャ値に基づいて正しい平面位置の確率、または所望のビューである平面位置の確率を出力する。この確率が閾値より高ければ、関連する仮説が維持される。この確率が閾値より低ければ、関連する仮説は除外され、仮説のプールから破棄される。

１つまたは複数の仮説を除外することにより、回転に関連する平面位置の数を制限することができる。例えば１つの仮説を除外し、２つの仮説を残すことにより、配向分類器はフューチャを、３つではなく２つの異なる変換に関連する種々異なる回転ごとに計算することができる。

プロセッサ１２は、同じまたは異なる平面および／または他のフューチャを、残りの仮説に関連する回転された複数の平面位置の各々に対して計算する。回転された平面位置に相応する仮説は配向分類器により、平面の関数または他のフューチャの関数として除外される。配向分類器の適用の後、さらに仮説の部分集合が残る。残余仮説は、少なくとも１つの十分な回転を備える十分な変換に対するものである。

プロセッサ１２は、同じまたは異なる平面および／または他のフューチャを、変換および配向テストの後に残った仮説に関連するスケーリングされた複数の平面位置の各々に対して計算する。スケール分類器は、スケーリングされた平面に相応する仮説フューチャの関数として除外する。１つまたは複数の仮説を除外した後、または何も除外しなくても、検出された平面に対して仮説のセットが残る。

１つの実施例では、配向分類器およびスケール分類器に使用されるフューチャの形式は勾配フューチャである。例えばZheng, et alにより、「Fast Automatic Heart Chamber Segmentation from 3D CT Data Using Marginal Space Learning and Steerable Features」Proc. Int'l Conf. on Computer Vision, pp. 1 -8, 2007に記述された「steerable」フューチャが使用される。他の形式のフューチャを択一的にまたは付加的に使用することもできる。このフューチャは容積測定である。

モデルベースの分類器または学習分類器（例えば機械学習に基づく分類器）のようないずれの分類器も適用できる。学習された分類器、バイナリまたはマルチクラス分類器、例えばベイズの分類器またはニューラルネットワーク分類器も使用できる。１つの実施例では、ツリー構造およびカスケード構造を備えるバイナリブースティング分類器が使用される。分類器は、医学画像の情報を区別するための命令、マトリクス、学習コード、または他のソフトウエアおよび／またはハードウエアである。変換分類器、配向分類器、およびスケール分類器は、同じ形式の分類器または異なる形式の分類器とすることができる。

１つの実施例では、変換分類器、配向分類器、およびスケール分類器がマシントレーニングされた確率論的ブースティングツリーである。各分類器はツリー構造に構成されている。択一的実施例では、非シーケンシャル処理が設けられている。これは例えば変換、配向、およびスケール用の独立分類として、またはスケールを含むすべての可能な位置に基づく分類のためのシングル分類器である。

マシントレーニングされた確率論的ブースティングツリーは、標準平面の１つに対してトレーニングされる。プロセッサ１２は、種々のマシントレーニングされた確率論的ブースティングツリー分類器を、標準平面の種々異なる１つに対して実現するように動作する。

プロセッサ１２は、標準平面または他の平面の１つの平面位置を、残余仮説の関数として決定する。検出されたビューは共通ビューまたは標準ビューである（例えば心尖部４腔、心尖部２腔、左胸骨傍、またはサブコアスタール）。しかし他のビューも認識される。分類器の出力、例えば確率論的ブースティングツリーは、平面位置の検出に用いられる。確率のもっとも高い平面位置が選択される。別の実施形態では１つ以上の平面位置が、選択され結合された仮説として残る。例えば、残余仮説の変換、配向およびスケールの平均が計算される。平均は、所望のビューに対する平面位置である。

ディスプレイ１６は、ＣＲＴ、ＬＣＤ、プラズマ、プロジェクタ、プリンタ、または画像を表示するための他の出力デバイスである。このディスプレイ１６が、検出された平面の画像、例えば検出された標準画像（例えばＡ４Ｃ）の画像を表示する。容積を表わすデータは画像の発生のために使用される。検出された平面に隣接する容積データセット、または検出された平面により交差される容積データセットからのデータは、カット平面、または多面復元画像の発生のために使用される。

図２は、平面の検出方法を示す。この平面は、３次元心臓エコーグラフデータからの、例えば標準多面復元平面である。この方法は、医学診断画像システム、レビューステーション、ワークステーション、コンピュータ、ＰＡＣＡステーション、サーバ、それらの組合わせ、または医学超音波データを画像処理するための他のデバイスによって実現される。例えば図１に示されたシステムまたはコンピュータ読出し可能媒体はこの方法を実現するが、他のシステムを使用することもできる。

この方法は、図示の順序で実現してもよいし、または異なった順序で実現してもよい。付加的に、異なった動作部を実行してもよいし、動作部を殆ど実行しなくてもよい。例えばアクト３４および／または３８はオプションである。別の例として、シーケンシャルな分類は設けられていない。すなわちアクト２４、２６および２８のシーケンスまたは別個のパフォーマンスは設けられていない。

これらのアクトは、走査中にリアルタイムで実行される。ユーザはアクト３８の画像を、容積を表わす他のデータセットの走査収集中に閲覧することができる。この画像は、同じ画像セッションではあるが、異なる容積データによるアクト２２−３８の以前の実行に関連することができる。例えばアクト２２−３８は初期走査と、同じ画像セッション中での後続走査のために実行される。多面復元画像は数秒で、例えば２秒以下で提供される。

１つまたは複数のデータセットが得られる。超音波データは、標準３Ｄグリッド、表示された画像（例えば検出され、走査変換された超音波データ）、ビーム形成されたデータ、検出されたデータ、および／または変換されたデータに補間されたデータセットに相当する。この超音波データは患者の容積または３Ｄ領域を表す。この領域は、組織、流体、またはその他の構造を含む。種々の構造または構造の形式はそれぞれ異なって音響エネルギーに反応する。例えば心筋組織は運動するが、流体と比較すれば緩慢である。時間的応答は、種々異なる速度または流量データとなる。構造の形状または空間的側面は、Ｂモードデータに反映される。１つまたは複数の対象物、例えば心臓、器官、血管、流体チャンバ、血栓、病変、筋肉、および／または組織は容積領域内にある。このデータは領域を表わす。

アクト２２では、マシン学習分類器のシーケンスが学習され、および／または３次元心臓エコーグラフデータに適用される。各所望の平面、例えば標準ＭＰＲ平面が、抽象的な２Ｄドメインだけでなく、３Ｄ容積サンプルでも考慮される。平面検出は、所望の各平面に対するポーズパラメータ（すなわち、位置）を評価する。３Ｄグリッドボディに対するポーズパラメータは、９つのコンポーネントを含む。すなわち３つの変換（ｘ；ｙ；ｚ）、３つの配向（例えば各軸に対するオイラー角ｗ．ｒ．ｔ．）、３つのスケール（各軸に対して１つ）である。パラメータの１つまたは複数を使用しないこともでき、例えばスケールを設けないことも、１つの軸に沿ってスケールだけを設けることもできる。

高解像度３Ｄ容積での観察は、オンライン適用または高速検出に対しては重たい。例えば１００×１００×１００ボクセルの容積は、変換に対して１０^６の仮説を有する。配向とスケールが結合される場合、コンビネーション仮説の観察スペースは劇的に拡大する。仮説の制限されたセットは所望の基準に基づいて使用される。この基準は例えば種々の平面の相対的に予測された位置である。平面またはポーズパラメータを複数のシーケンシャルステージで評価する一連の検出器をトレーニングすることにより、計算数を低減することができる。ステージは複雑性の順序で、自由度上昇のパラメータ等級として適用される。しかし別の順序を使用することもできる。例えばスケールは、変換と配向を規定する２つの軸に沿ってだけ調整することができる。別の実施例では、階層的サーチを伴う、または階層的サーチを伴わない別の学習が使用される。

いずれの分類器を使用しても良い。分類器は、画像処理、フィルタリング、または他の技術を使用するモデルまたは検知器とすることができる。シングル等級またはバイナリ分類器、種々の分類器のコレクション、カスケードされた分類器、階層分類器、マルチ等級分類器、モデルベースの分類器、機械学習に基づく分類器、またはそれらの組合わせを使用することができる。マルチ等級分類器はＣＡＲＴ、Ｋ再近隣選択法、ニューラルネットワーク（例えばマルチレイヤーパーセプトロン）、混合モデル、またはその他を含む。確率論的ブースティングツリーを使用することができる。エラー補正出力コード（ＥＣＯＣ）を使用することもできる。

分類器は、トレーニングデータセットからコンピュータを使用してトレーニングされる。１つの実施例で、分類器は知識ベースの確率論的モデル、例えば階層的サーチを使用する周辺空間学習である。既知症例のデータベースが、データベースドライブが知識ベースのアプローチであれば機械学習のために収集される。トレーニングデータに対しては、３次元コンテクスト情報が保存され、検出プロセスをガイドする。知識は大容量の注釈付けデータ貯蔵所に埋め込まれる。ここでは専門の専門医が標準ＭＰＲ平面を指示する。既知の症例は空間的に配列されるか、または記録される。これは例えば座標システムを同定されたＡ４Ｃビューに配列することにより行われる。検出器は、多数の注釈付き３Ｄ心臓エコーグラフ容積に基づいてトレーニングされる。

オプションのピラミッドデータ構造に対しては、トレーニングセットが検出器に対して、種々異なるレベルで検出タスクの複雑性に依存して選択される。粗いレベルでは、負の平面位置が正の平面位置から遠く離れており、正の平面から相対的に大きなギャップ（例えば経験的に決定されたスペース）を維持して論理平面構成にわたってランダムにサンプリングされる。最終レベルでは、負の平面が、正の平面の経験的に決定された周辺内でサーチストラテジーに従い選択される。一方、ギャップは粗いレベルと比較してその間に減少される。

図３と４は、平面４４を備える例としての容積を示す。学習されたアルゴリズムは学習されたモデルを、仮説空間内でターゲット（ＭＰＲ平面）をサーチするために使用する。分類器は種々のフューチャベクトルを、所望の平面と検出されなかった平面とを区別するために学習する。択一的な実施形態では、分類器は手動でプログラミングされる。

学習ベースのアプローチに対して、分類器はフューチャに基づいて区別することを教えられる。例えば確率論的モデルアルゴリズムはフューチャを、弱い学習者の強い委員会にハールのローカル矩形フィルタに基づいて選択的に組み合わせる。ＭＰＲに関連するフューチャが抽出され、マシンアルゴリズムで専門家の注釈に基づいて学習され、ＭＰＲに対する確率論的モデルが得られる。フューチャの大きなプールが抽出される。トレーニングは、所定の分類に対してもっとも決定的なフューチャを決定し、決定的でないフューチャを破棄する。

容積フューチャまたは平面フューチャは３Ｄ心臓エコーグラフデータで使用される。１つの実施形態においては、平面フューチャが提供される。フューチャは平面を表わすデータから計算される。同じフューチャが、所定の平面の可能な各位置に対して計算される。フューチャの種々異なる組合わせが、種々の平面および／または平面パラメータの検出のために使用される。例えば種々のシーケンシャル分類ステージが、３Ｄ容積データから計算された種々異なるフューチャを利用する。
各分類器は決定的フューチャのセットを選択する。これらのフューチャは正のターゲットを負のターゲットから区別するために使用される。これらのフューチャはフューチャの大きなプールから選択される。この大きなプールはプログラマにより決定されるか、または決定されたフューチャを系統的に含んでいる。

変換ステージでの分類器に対してハールのウェーブレットフューチャが使用される。しかし他のフューチャを設けることもできる。ハールのウェーブレットフューチャは、積分画像ベースの技術を使用することにより効率的に計算される。 回転ステージおよびスケールステージでの分類器に対して、勾配フューチャまたはステーブルフューチャが使用される。しかし他のフューチャを設けることもできる。ステーブルフューチャはフレキシブルな骨組みを続ける。ここでは少数のポイントが容積から特別のパターン（例えば正方形グリッド）の下で収集される。少数のローカルフューチャが各サンプリングポイントに対して抽出される。このサンプリングポイントは例えばボクセル強度および勾配である。ステーブルフューチャを特別の配向の下で評価するために、サンプリングパターンがコントロールされ、計算的に負荷のかかる容積回転は含まれない。ステーブルフューチャの計算は、計算負荷の掛かる容積回転と再スケーリングを必要としない。

ツリー構造は学習することができ、トレーニングとアプリケーションの両方に効率を提供する。しばしば、マルチ等級分類器をブースティングするときに、１つの等級（または複数の等級）が残りの１つから完全に分離され、さらなるブースティングにより付加的な改善が分類精度の点で得られないことがある。効率的トレーニングのためにツリー構造がトレーニングされる。この事実を利用するために、ツリー構造は残りの等級に焦点を当てることによりトレーニングし、学習効率を改善する。事後確率または既知の分散は、例えば以前の確率を相互に相関させることにより計算することができる。

多数の例を備えるバックグランド等級を処理するために、カスケードトレーニングプロシージャが使用される。ブーストされたバイナリ等級の強力な分類器のカスケードが生じる。分類器のカスケードは統一アルゴリズムを提供し、この統一アルゴリズムは多重オブジェクトを検出し、分類することができ、またバックグランド等級を拒絶する。このカスケード構造は退化した決定ツリーに相当する。このようなシナリオは、データサンプルの不平衡な性質を提示する。バックグランド等級は容積サンプルを有する。なぜならオブジェクトに所属しないすべてのデータポイントがバックグランド等級に所属するからである。択一的に分類器はカスケードなしでシーケンシャルにトレーニングされる。

確率論的ブースティングツリー（ＰＢＴ）は、分類、認識および集積性を１つの治療に統合する。この確率論的ブースティングツリーを使用することができる。例えば、変換分類器、配向分類器、およびスケール分類器が確率論的ブースティングツリーとしてトレーニングされる。確率論的ブースティングツリーは、対象の各平面に対して学習される。分類器はツリーベース構造であり、これにより対象平面の存在の事後確率が所定のデータから計算される。各平面検出器は、所定のサンプルに対してバイナリ決定を提供するだけでなく、この決定に関連する信頼値も提供する。ツリーのノードは、ブースティング技術を使用するシンプル分類器の組合わせにより構成される。このことはＴｕ著、"Probabilistic Boosting-Tree: Learning Discriminative Models for Classification, Recognition, and Clustering," Proc. Int'l Conf. on Computer Vision, pp 1589-1596, 2005に記載されている。

いずれの確率論的ツリー構造も使用することができる。１つの実施例では、アクト２６で適用される変換ステージが、ハールのウェーブレットフューチャを使用するバイナリツリーである。３つのレベルが設けられており、ここでは各ノードが２０の弱い分類器を含む。各分類器は１つのフューチャに基づく。アクト２８で適用される配向ステージは、勾配またはステーブルフューチャを使用するバイナリツリーである。６つのレベルが設けられており、ここでは各ノードが４０の弱い分類器を含む。アクト３０で適用されるスケールステージは、勾配またはステーブルフューチャを使用するバイナリツリーである。７つのレベルが設けられており、ここでは各ノードが４０の弱い分類器を含む。最終確率論的ブースティングツリー確率は、すべての確率の重み付けされた和として、所定のサンプルが変換されたリーフノードから計算される。付加的フューチャ、または異なるフューチャ、分類器、レベル、フューチャ形式、確率の組合わせ、ツリーの形式が使用される。例えば、スケール分類器は設けられていないか、または適用されない。

分類器に適用するために、フューチャはアクト３２で計算される。フューチャは可能な平面位置のそれぞれに対して計算される。別のフューチャが可能な平面位置に関係なく計算される。ここでは、サブ容積に対するフューチャが平面フューチャとの組合わせで可能な平面位置に対して決定的である。

各可能な平面位置に対して、所定の分類に対するフューチャが計算される。変換ステージに対しては、可能な平面位置は、３つの軸に沿って変換された異なる位置に関連する。例えば、ハールのフューチャが分類のために計算される。ここでは所定の変換可能な平面位置が所望の平面である。回転ステージに対しては、可能な平面位置は、残りの変換位置にある３つの軸を中心にする回転に関連する。スケールステージに対しては、可能な平面位置は、残りの回転および変換位置にある６つの異なる領域に関連する。種々異なるフューチャが異なるステージに対して計算される。種々異なるフューチャが、検出された異なるビューに対して計算される。

フューチャは、容積を表わす心臓エコー検査データから計算される。１つの実施例で、フューチャは異なる解像度のデータから計算される。容積ピラミッドが設けられており、データセットは異なる解像度にアンダーサンプルされる。例えば１つのデータセットが微細解像度、例えば走査解像度を有し、別のデータセットは粗い解像度、例えば各次元で１／４により減分された（すなわち係数４によるアンダーサンプル）微細セットを有する。これらのセットは同じ対象を同じ容積に表わす。任意の数（１，２，またはそれ以上）のセットを使用することができる。フューチャは粗いセットから計算され、容積ピラミッドの微細なセットになる。機械学習は決定的フューチャを決定することができる。各決定的フューチャに対して、相応する解像度でのデータセットが提供される。

セットはいずれの形式でも良く、例えばデカルト座標または極座標である。１つの実施例では、超音波データが音響（例えば極）座標フォーマットでキャプチャされ、デカルト空間または表示空間が、視覚的表面だけ、または選択された平面だけを伴ってリアルタイムで一般化される。走査変換器、プロセッサ、グラフィック処理ユニットを使用する別の実施例では、音響空間からデカルト空間または表示空間へのリアルタイム変換が行われる。超音波データはデカルト空間（例えば３Ｄ）で処理され、多重平面復元を配向する。

アクト３４では、フューチャの少なくとも１つが正規化される。超音波の画像条件が真の適用では一致しないから、各サンプル内のフューチャは正規化される。いずれの正規化関数も使用することができる。これは例えば所定の平面位置に対する例のデータベースの平均による正規化である。１つの実施例では、フューチャは、このフューチャの計算に使用されるデータにより正規化される。例えばハールのフューチャが、平面全体を表わすデータから計算される。平面または領域のデータは平均されている。平均がハールのフューチャ値から減算され、結果は平面または領域からのデータの標準偏差により割り算される。別の正規化を使用することも可能であり、正規化しないことも可能である。例えば配向ステージおよびスケールステージに対するステーブルフューチャまたは勾配フューチャは正規化されない。

アクト３６では、平面の位置が検出される。所望のビューに関連する位置が検出される。例えば１つまたは複数の標準ビュー平面が、分類器の出力の関数として検出される。フューチャは、このビューに対する平面のもっとも妥当な位置を決定するために使用される。平面検出器は弁別的分類器であり、３Ｄ心臓エコー検査容積でトレーニングされる。平面検出器は、所定のサブ容積サンプ（可能な平面位置に対するデータ）が正であるか負であるかを決定する。正のサンプルおよび負のサンプルはそれぞれ、正しい平面パラメータ（位置）および間違った平面パラメータに相当する。

複雑性を制限する、または効率を向上させるシーケンシャルな検出のために、１つのビューに対する平面位置が、シーケンシャルな変換、配向およびスケール検出により検出される。分類器は、変換された可能な平面位置、回転された可能な平面位置、およびスケーリングされた可能な平面位置に対するフューチャを連続的に計算することにより可能な平面位置を除外する。各ステージは、可能な平面位置を仮説リストから除去する。

まず、フューチャは種々異なる可能な平面位置に対して計算される。種々異なる可能な平面位置は、異なる軸に沿った変換に相当する。いずれのステップサイズ、またはサーチストラテジーも使用することができる。これは例えば、粗いサーチで妥当であると識別された個所での微細なサーチを伴う粗いサーチである。検出器は各可能な位置に対して確率を提供する。十分な確率に関連する可能な位置は仮説プールに維持される。十分な確率は閾値により、トップＸ確率の選択により（ここでＸは１つまたは複数）、または他のテストにより決定される。

配向検出器に対しては、回転すべき平面の位置が、変換分類器の適用後に残った可能な平面位置である。各十分な変換位置に対して、種々異なる回転がテストされる。いずれの角度ステップサイズおよび／またはサーチストラテジーも使用することができる。配向検出器は、種々異なる回転と関連する十分な平面位置を同定する。所定の変換位置に対して回転位置が十分でなければ、この変換位置は仮説プールから脱落する。

スケール検出器は、種々異なるスケール係数を、変換検出および配向検出の後に残った可能な平面位置に対して適用する。いずれのステップサイズおよび／またはサーチストラテジーもスケーリングのために使用することができる。所定の平面位置に対してスケールが十分でなければ、この平面位置は仮説プールから脱落する。残った平面位置と相応のスケールが、変換、配向、およびスケール分類器に応じて十分である。

検出されたビューは、スケール分類器により出力されたもっとも確率の高い可能な平面位置である。択一的に、検出されたビューは、変換、配向、およびスケール検出器からのもっとも平均確率の高い可能な平面位置である。別の実施例では、残った十分な可能な平面位置の平均位置が決定される。この平均位置は検出されたビューである。別の制限を使用することもでき、例えばトップＹもっとも可能な平面位置の平均とすることができる。

１つまたは複数の平面が検出される。例えば標準心臓エコー検査ビューに対する平面位置が決定される。心尖部２腔ビュー、心尖部４腔ビュー、心尖部３腔ビュー、胸骨傍長軸ビュー、および／または胸骨傍短軸ビューが決定される。例えば図３と図４は、少なくとも一部が領域４０内にある対象４２と容積領域４０を示す。対象４２は容積領域４０内でいずれの配向も有することができる。容積に関連する平面４４の位置は多重平面復元のために決定される。別の標準ビューまたは非標準ビューも決定される。標準ビューは医学団体に対する標準、または１つの研究所に対する標準である。予め決定されたビューは非標準ビュー、例えば医学テストのための予め決定されたビューを含む。

異なる分類器が種々の標準ビューのために機械トレーニングされる。いずれの分類器の組合わせを使用しても良い。各分類器は、相応の平面位置の決定に、別の分類器の出力とは関係なく決定するために適用される。択一的に、分類器の出力は別の平面の検出に使用される。２つまたはそれ以上の平面（例えば６つの標準平面）を検出する実施例では、粗−微ストラテジーがマルチスケール階層を通じて適用される。心尖部４腔ビューの位置は、アンダーサンプリングされたデータセット（例えばＶＡ解像度）により検出される。ターゲットＭＰＲ平面は解剖学的規則性を相互におよび左心室（ＬＶ）に関連して有するから、他のビューの可能な平面位置の最初の位置はＡ４Ｃ平面位置に基づいてセットされる。４ＡＣ検出器は学習され、粗いレベルで低解像度容積に適用される。別のビューは元の位置またはベース位置に対して検出される。

４ＡＣビューに対する平面位置は、微細な平面パラメータ評価、または粗い平面パラメータ評価のためのサーチ領域を制限するために使用される。標準ビュー平面の別の最初の位置は、Ａ４Ｃビューの位置の関数として決定される。Ａ４Ｃビューに関連する他のビュー（例えばＡ２Ｃ、Ａ３Ｃ、ＳＡＸＢ、ＳＡＸＭおよびＳＡＸＡ）に対する最初の平面パラメータ（位置、配向、およびスケール）は経験的統計に基づく。例えばトレーニングデータから平均相対位置が使用される。最初の位置セットはサーチ領域である。可能な平面位置は、変換、回転、および／またはスケールで、最初の位置に関連して制限される。

別の標準ビュー平面は容積データを使用して検出され、サーチ空間は初期位置により制限される。初期位置はサーチ空間を制限するから、より高解像度のデータを使用することができる。解像度が高ければ、より精確なパラメータ評価のために各平面についてトレーニングされた平面検出器が、最適候補の探索のためにそれらの初期検出結果の小さな周囲だけに適用される。異なるＡ４Ｃ検出器または同じ検出器を微細なデータベースに適用し、Ａ４Ｃ位置をリファインすることができる。

アクト３８で、画像は検出された平面位置の関数として発生される。画像は決定された各ビューに対して発生される。平面の位置に対応するデータは容積から抽出される。データは検分ための画像を発生するのに使用される。例えば多重平面復元画像が超音波データから発生される。平面は、画像形成に使用されるデータを規定する。各平面に交差する位置に関連するデータまたは各平面に隣接するデータは２次元画像の発生に使用される。データは、平面に対して空間的配向を提供するために補間することができる。または最近隣区間を使用することができる。生じた画像は多重平面復元の配向の関数として発生され、所望のビューを提供する。この画像は、容積領域４０にわたる種々の平面４４を表わす。

１つの実施形態においては、特別のビューが発生される。特別のビューのすべてまたは部分集合が発生される。平面がビューに対応する個所が同定され、ビューが提供される。例えば超音波データにおいて領域を表わす入手可能なすべてのビューまたは所定のビューが提供される。各ビューに対する画像はラベル付けすることができる（例えばＡ４Ｃ）。および／または注釈を付けることができる（例えばハイライトされた値）。入手可能なすべてのビューよりも少数を提供することができる。例えば３つ以上のビューは表示せず、ビューの優先リストを提示する。

１つの実施例では、３２６の心臓エコー検査容積シーケンスが収集される。各シーケンスに対して弛緩末期（ＥＤ）フレーム（３Ｄ容積）が抽出され、実験データベースに加算される。全体で３２６の３Ｄ心臓エコー検査容積がデータベースに存在する。各容積に対して６つの標準平面（Ａ４Ｃ、Ａ２Ｃ、Ａ３Ｃ、ＳＡＸＢ、ＳＡＸＭ、およびＳＡＸＡ）が医療専門家により手動で注釈付けられ、評価のためのグランドトルースとして使用される。

２つの平面間の差を測定するために、２つの誤測定基準が適用される。すなわち角度と距離である。２つの平面間の角度は、２つの平面垂線間の角度として定義される。２つの平面間の距離は、１つの平面上のアンカと別の平面上のアンカとの距離として測定される。ここでアンカはＬＶセンタ（Ａ４Ｃ、Ａ３Ｃ、Ａ２Ｃ、およびＳＡＸＭに対して）であるか、またはＬＶ長軸とＭＰＲとの交点（ＳＡＸＢおよびＳＡＸＡに対して）である。グランドトルース注釈に基づいて、ＬＶ長軸がＡ４Ｃ−Ａ２ＣおよびＡ４Ｃ−Ａ３Ｃの２つの交点の平均として計算され、ＬＶセンタがＬＶ長軸とＳＡＸＭの交点として計算される。

４フォールドクロス妥当性スキームが評価のために適用される。３２６容積の全体データベースは４つの四分の一に任意に分割される。各実験に対して、四分の三（２４４容積）がトレーニングのために結合され、残りの四分の一（８２容積）がテストのための不可視データとして使用される。

全体として４つの実験が存在し、したがって各容積はテストに１回使用される。自動的ＭＰＲ能力は、４フォールドすべてに基づいて要約され、以下の表１に提供される。３Ｄ心臓エコー検査データのＭＰＲは、データ品質のため曖昧に存在し、精確な識別に対して困難性を導く。予備的ユーザ内妥当性分析は、約８．２度の平均角度エラーと約３．２ｍｍの平均距離エラーを引き起こす。

この自動化システムは、大量の種々異なる容積にわたって解剖学的構造をサーチする人の心臓エコー検査技師の負担を有意に低減する。検出された標準ＭＰＲにより、高度な量的分析を自動的に続行することができる。これは例えばエジュクションフラクション分析である。

別の実施例では、アンカベースの方法とシステムが、３Ｄ心臓エコー検査データからの自動平面検出のために提供される。解剖学的構造の精確で頑強な検出により、心機能の自動的な量的分析が、３Ｄ心臓エコー検査の医療診断ルーチンで可能となる。標準平面は多くの医学的検査のスタート点である。アンカベースのアプローチでは、標準多重平面リフォーマット／復元（ＭＰＲ）平面が３Ｄ心臓エコー検査容積から、アンカから推定された平面配向によって、ただし大量の配向空間をサーチすること成しに検出される。

３次元空間内の平面を決定するのには３つの非共線点で十分であるから、配向空間をサーチする代わりに、検出されたアンカがターゲット平面の配向を推定するために使用される。同じストラテジーを興味対象の解剖学的構造のスケールを評価するために適用することができる。

平面は、平面上のポイント（Ｐ）および平面の垂線（ｎ）として表わされる。３つの検出されたアンカ（Ｐ１，Ｐ２およびＰ３）が１平面上にあれば、この平面パラメータ（ｐ，ｎ）は次のように計算することができる：
ｎ ＝ （ｐ３−ｐ１）×（ｐ２−ｐ１），
ｐ ＝ （ｐ１ ＋ ｐ２ ＋ ｐ３）／３，（または平面上の任意のポイント）
ただし×はクロス乗積を表わす。

アンカは３Ｄ容積から、データベースドライブ、知識ベースアプローチを使用して検出される。知識は膨大な容積データトレーニング記録を通して学習される。この記録では専門医が標準ＭＰＲ平面を、知識ベースのアプローチを通して、解剖学的意味のあるアンカにより注釈付けている。ＭＰＲ平面は共通のフューチャを共有する。３つの主要な心尖平面（すなわち、Ａ４Ｃ、Ａ２ＣおよびＡ３Ｃ）に対して専門医は全部で７つのアンカで注釈付ける。すなわち、頭頂、基底下位中隔点、基底前側方点、基底下方点、基底前方点、基底下側方点、そして基底前方中隔点である。例えばＡ４Ｃ平面は、頭頂、基底下位中隔点、および基底前側方点により決定される。３つの非共線アンカが平面を決定する必要最低限であるが、より多くのアンカを平面フィッティングアルゴリズムおよび／またはアンカ選択スキームにしたがって、ノイズおよび異常値に対する干渉頑強性を高めるために適用することができる。

モデル／検出器は各アンカに対して学習される。アンカ検出器は、登録された大量の３Ｄ心臓エコー検査容積に基づいてトレーニングされる。この容積は、所定のサブ容積サンプルが正であるか負であるかの決定に使用される。正のサンプルはターゲットアンカにセンタリングされたサブ容積である。一方、負のサンプルはサブ容積の抽出により選択される。負のサンプルは正のサンプルから、変換空間における所定のマージンだけ離れている。

確率論的ブースティングツリー（ＰＢＴ）または他のアルゴリズムが、各アンカ検出器を構築するために使用される。異なるアルゴリズムを異なるアンカに対して使用することができる。１つの実施例で、分類器はツリーベース構造であり、この構造によりアンカの存在の事後確率が所定のデータから計算される。各平面検出器は、所定のサンプルに対してバイナリ決定を提供するだけでなく、この決定に関連する信頼値も提供する。ツリーにあるノードは、ブースティング技術を用いたサンプル分類器の非線形結合により構築される。

各アンカ検出器は決定的フューチャのセットを選択する。これらのフューチャは大量のフューチャプールから、ターゲットアンカを負のターゲットと区別するために使用される。ハールのウェーブレットフューチャが使用されるが他のフューチャを使用することもできる。このハールのウェーブレットフューチャは過剰完全フューチャプールを構築し、積分画像ベースの技術を使用して効率的に計算することができる。超音波の画像条件は真の適用では一致しないから、各サンプル内のフューチャは正規化される。これは例えば平均を減算し、標準偏差で割り算することにより行われる。

オンライン検出アルゴリムは、アンカを検出するためモデル適用し、検出されたアンカをターゲットＭＰＲ平面を推定するために使用する。各アンカに対しては、ＭＰＲ平面を推定するのに変換パラメータだけを評価すればよい。このＭＰＲ平面は、パラメータサーチ空間（非配向）を格段に縮小する。

これまで本発明を複数の実施形態に基づいて説明してきたが、本発明の趣旨から逸脱することなく種々の変更を加えることが可能であるものと理解されたい。したがって上記における詳細な説明は制限を意図しているもののではなく説明を意図しているものであり、本発明の精神および範囲を定めるのは、すべての同等のものを含む添付の特許請求の範囲であると解される。

図１は、医用超音波画像システムの１つの実施形態のブロック図を示す。 図２は、３次元心臓エコーグラフデータから平面を検出する方法の実施例のフローチャートである。 図３は、１つの実施例での容積領域、対象物、および多面復元の関連する平面の概略図である。 図４は、標準心臓エコーグラフビューの例としての医用画像を示し、このビューに対する相対平面位置も示している。

Claims (20)

1. ３次元心臓エコーグラフデータから平面を検出するための方法であって、
   マシントレーニングされた分類器のシーケンスが３次元心臓エコーグラフデータに適用され（２２）、
   第１の分類器は、３次元心臓エコーグラフデータにより提示される容積内の平面を変換するためのものであり、
   第２の分類器は容積内の平面を回転するためのものであり、
   第３の分類器は容積内の平面をスケーリングするためのものであり、
   平面の位置が、第１，第２および第３の分類器の出力の関数として検出され（３６）、
   画像が平面の位置関数として発生される（３８）、
   ことを特徴とする方法。
2. 請求項１記載の方法であって、
   第１，第２および第３の分類器は確率論的ブースティングツリーを有する方法。
3. 請求項１記載の方法であって、
   第１，第２および第３の分類器は、計算されたフューチャ（３２）の入力を、３次元心臓エコーグラフデータから受け取り、可能な平面位置を仮説リストからそれぞれ除去し、
   前記位置は、第１，第２および第３の分類器を適用した後に残った少なくとも１つの可能な平面の位置関数である方法。
4. 請求項１記載の方法であって、
   第１の分類器は、第１の複数の可能な位置を同定（２６）し、
   第２の分類器は、第２の複数の可能な位置を、第１の複数の関数として同定（２８）し、
   第３の分類器は、第３の複数の可能な位置を、第２の複数の関数として同定し（３０）、
   前記平面の位置は第３の複数の関数である方法。
5. 請求項４記載の方法であって、
   前記平面の位置は、第３の複数の可能な位置の平均である方法。
6. 請求項１記載の方法であって、
   第１，第２および第３の分類器は、フューチャにより動作し、該フューチャは前記平面の可能な位置に対する容積フューチャである方法。
7. 請求項１記載の方法であって、
   前記第１の分類器は、ハールのウェーブレットフューチャにより動作する方法。
8. 請求項１記載の方法であって、
   前記第２および第３の分類器は、勾配フューチャにより動作する方法。
9. 請求項１記載の方法はさらに、
   少なくとも第１の分類器のフューチャを正規化する（３４）方法。
10. 請求項１記載の方法であって、
    前記平面の位置は、心尖部２腔ビュー、心尖部４腔ビュー、心尖部３腔ビュー、胸骨傍長軸ビュー、胸骨傍短軸ビューのグループからの標準心臓エコーグラフを含み、
    さらに
    他の標準心臓エコーグラフ平面の位置を、マシントレーニングされた種々異なる分類器を使用して決定する（３６）方法。
11. 請求項１記載の方法であって、
    前記適用（２２）は、容積プラミッドの第１の粗いセットおよび第２の微細なセットにあるデータから複数のフューチャを同定することを含む方法。
12. コンピュータ読み出し可能記憶媒体（１４）には、３次元心臓エコーグラフデータにより提示される容積内の標準ビュー平面を検出（３６）するためにプログラミングされたプロセッサ（１２）によって実行可能な命令を表すデータが記憶されており、
    前記記憶媒体（１４）は次の命令を含む：
    容積内にある複数の可能な平面位置のそれぞれに対してフューチャを計算する命令（３２）、
    ただし前記フューチャの少なくとも１つは、容積内にある可能な平面位置を表わすデータからだけ計算され、 標準ビュー平面を、それぞれの分類器によりフューチャの関数として検出する命令（３６）、
    画像をデータから標準ビュー平面のために発生する命令（３８）、を含むコンピュータ読出し可能記憶媒体。
13. 請求項１２記載のコンピュータ読出し可能記憶媒体であって、
    前記フューチャの計算（３２）は、種々異なるフューチャを種々異なる標準ビューに対して計算する（３２）ことを含み、
    種々異なる分類器が種々異なる標準ビューのために機械トレーニングされるコンピュータ読出し可能記憶媒体。
14. 請求項１２記載のコンピュータ読出し可能記憶媒体であって、
    最初の標準ビュー平面に対して、
    それぞれの分類器は、変換された可能な平面位置、回転された可能な平面位置、およびスケーリングされた可能な平面位置に対するフューチャを連続的に計算（３２）することにより可能な平面位置を除外するコンピュータ読出し可能記憶媒体。
15. 請求項１２記載のコンピュータ読出し可能記憶媒体であって、
    前記フューチャの計算（３２）は、勾配フューチャの計算（３２）を含むコンピュータ読出し可能記憶媒体。
16. 請求項１２記載のコンピュータ読出し可能記憶媒体であって、
    前記フューチャの少なくとも１つを、当該フューチャの計算に使用されるデータの関数として正規化する（３４）命令をさらに含むコンピュータ読出し可能記憶媒体。
17. 請求項１２記載のコンピュータ読出し可能記憶媒体であって、
    心尖部４腔ビューの位置は、アンダーサンプリングされたデータのセットにより検出され、
    別の標準ビュー平面の初期位置は前記位置の関数として決定され、
    前記検出（３６）は、別の標準ビュー平面をデータから初期位置により制限されたサーチ空間により検出（３６）することを含むコンピュータ読出し可能記憶媒体。
18. 心臓容積の多面復元の標準面に対する平面位置を検出（３６）するシステムであって、
    メモリ（１４）を有し、該メモリは心臓容積を表わす超音波データを記憶するように動作し、
    プロセッサ（１２）を有し、
    該プロセッサは、変換された複数の平面位置に対して第１のフューチャを計算し、
    変換された平面位置に相当する仮説を変換分類器により、第１のフューチャの関数として除外し、第１の残余仮説を残し、
    回転された複数の平面位置に対する第２のフィーチャを前記第１の残余仮説に関連して計算し、
    回転された平面位置に相当する仮説を回転分類器により、第２のフィーチャの関数として除外し、第２の残余仮説を残し、
    スケーリングされた複数の平面に対する第３のフィーチャを前記第２の残余仮説に関連して計算し、
    スケーリングされた複数の平面に相当する仮説をスケール分類器により、第３のフィーチャの関数として除外し、少なくとも１つの第３の残余仮説を残し、
    １つの標準平面の平面位置を少なくとも１つの前記第３の残余仮説の関数として決定するように動作し、
    ディスプレイ（１６）を有し、
    該ディスプレイは、１つの標準平面の画像を平面位置の関数として表示するように動作する、ことを特徴とするシステム。
19. 請求項１８記載のシステムであって、
    前記変換分類器、前記配向分類器、および前記スケール分類器は、マシントレーニングされた確率論的ブースティングツリーを標準平面の１つに対して有し、
    前記プロセッサ（１２）は、種々異なるマシントレーニングされた確率論的ブースティングツリー分類器を、種々異なる標準平面の１つに対して実現するように動作するシステム。
20. 請求項１８記載のシステムであって、
    第１のフューチャは、変換された位置に相当する平面を表わすデータから計算されたハールのフューチャを含み、第２および第３のフューチャはステーブルフューチャを含むシステム。