JP2009516551A - 医用画像の定量的および定性的なコンピュータ支援分析方法およびシステム - Google Patents

Abstract

医用画像分析および悪性病変検出に関するコンピュータ支援システムならびに方法について記述する。多様なモダリティにより取得された医用画像を分析する。形態学的な特徴ならびに時間的な、例えば動力学的すなわち速度論的な特性を組み合わせて、医用画像中に検出した病変可能性の総合評価を算定する。システムは少なくとも１個の動力学的モジュールを有し、この動力学的モジュールは、患者に造影剤を投与した後に取得される時系列ＭＲＩ画像またはＭＲＳデータから動力学的特性を抽出することができるものとする。総合評価は確認または改善のためにユーザに提示する。

Description

本発明は、一般的に、医用画像のコンピュータ支援分析および疑わしい異常の検査の分野に関する。とくに、本発明は、動力学（速度論）的分析と同様に形態学的分析ならびに画像中の異常の自動検出と、多数のモダリティからの医用画像の分析を含む、多数のモダリティからの医用画像処理の方法ならびにシステムに関する。

磁気共鳴映像法（ＭＲＩ）は、胸部異常のイメージングのための強力な道具として普及しつつある。一般には、ＭＲＩは、豊かな軟部組織コントラスト、薄断面および多層断面能力により、従来のイメージングモダリティよりも、良好な胸部病変の特徴付けを提供する。

通常、良性病変を可能性のある癌腫瘍から区別するために、病変形態を分析および分類付けする。例えば、アメリカ放射線学カレッジ（ＡＣＲ：American College of Radiology）は、胸部撮像レポーティングおよびデータシステム（登録商標ＢＩ−ＲＡＤＳ）に使用する、一組の特徴およびレキシコン（辞書）セットを長年にわたって開発した。ＢＩ−ＲＡＤＳ ＭＲＩレキシコンは、以下の形態学的な特徴が、良性病変と関連する可能性があることを示唆する。

一方では、ＢＩ−ＲＡＤＳ ＭＲＩレキシコンは、以下の特徴が悪性の可能性を示唆する。

近年では、胸部病変のコントラスト強調ＭＲＩに注目が集まった。検査前または検査中に、コントラスト強調剤を、患者の腕の静脈に注射する。一般には、ガドリニウムベースの造影剤（例えばＧｄ−ＤＴＰＡ）が用いられる。造影剤の使用により、通常な組織と異常な組織との間で、より大きなコントラストを呈する傾向がある。コントラスト強調は、腫瘍の成長および転移の可能性が、周囲の血管形成の範囲に直接的に関連し得るという事実に由来する。直径２、３ミリメートルより大きくなる腫瘍は、生存のために必要な酸素および栄養分を供給する血管の形成を必要とする。これらの新しい血管は無秩序な方法で増殖し、粗悪である、従って、血液は漏れやすく腫瘍周辺でうっ血を引き起こす。拡散性造影剤からの信号を分析することが、胸部の疑わしい異常の検出および特性解析を支援する。

経時的な信号強度（または「動力学（速度論）的曲線」）の定量的研究では、強調レベルの経時変化および動力学的（例えば、上昇的および逓減的な挙動）が示唆する通り、悪性病変は、注射後１および３分の間にピーク値に達する、急激に強調する領域であると思われる。良性病変はそれよりも緩やかに強調し、ピーク値に達するのは数分後である。

病変が悪性であるかどうかについては、動力学的曲線の形状も良好な指標であり得る。研究は、良性病変を示す動力学的曲線が直線的またはわずかに曲線を描く（Ｉ型）傾向があることを明らかにした。曲線の型では、時間対信号強度が増加し続けるが、増加は一般的には遅く、飽和効果により、強調後時間が経つと曲線は平坦化する。一方では、悪性を示唆するかまたは示す動力学的曲線は、平坦部または逓減部を示す。平坦型（II型）は初期上昇があり、この後強調が急激に中断し、そして、中間およびポストコントラスト期間では信号強度は平坦化する。逓減型（III型）は、初期上昇があり、その後強調が急激に中断し、ポストコントラスト期間（造影剤の注入の２〜３分後）では、信号強度が減少（逓減）する。

しかし、コントラスト強調ＭＲＩ法は高水準の感度（９４％〜１００％）が得られたにもかかわらず、限定された特異性レベルしか得られない（４０％〜９５％）。ここで、感度は真の陽性検出に関連し、特異性は偽陽性の減少に関連する。低い特異性は悪性病変の強調だけでなく、多くの不要な生検の原因となる良性病変の強調の結果である。このように、強調があることのみを用いて良性病変を悪性から区別することはできない。

良性病変は、通常のプロセス逸脱の結果と考えられる。例えば、線維嚢胞性病変は最もよくみられる良性障害（４０％〜５０％）であり、線維腺腫は若い、思春期の女性において最も頻繁にみられる腫瘍であり、そして、パピローマは危険性の低い病変である。これら以外の良性病変は、星形の病変に擬態している癌、仮葉腫瘍および管過形成などの放射状瘢痕（硬化症）を含む。

近年、胸部のＭＲＩを用いたコントラストの検査は、悪性病変が強調されるだけで無く、線維腺腫、線維嚢胞性の変化、および放射状瘢痕を含む多くの良性病変をも強調した。また、悪性病変には、場合によっては、浸潤性乳管癌（ＩＤＣ）、浸潤性小葉癌（ＩＬＣ）、または、非浸潤性乳管癌（ＤＣＩＳ）など、速やかに強調されないが、病変形態学によってその中に悪性の存在が示唆されるものがある。コントラスト強調のみを用いて、良性病変を悪性病変から区別することはできないことは確実である。

近年では、癌を診断することの新規な技術として、磁気共鳴分光法（「ＭＲＳ」）にも注意が向けられてきた。ＭＲＳは、磁気共鳴検査技術のうちの特殊な型である。それは、疑わしい腫瘍において、さまざまなマーカー化学物質（例えばコリン）の濃度または強度を計量することで、化学情報を提供する。マーカー化学物質の量または濃度が検査した領域の疾患経過に関する情報を提供すると考えられている。

一般には、ＭＲＳにより得られた信号は、走査画像を生成しない。その代わりに、さまざまな化学物質の分光情報が提供される。最近になって、ごく限られた箇所からは光データを得ることが可能になった。これによって、ＭＲＳから得られた生化学的情報が、局所的領域と関連して査定することが可能になる。しかしながら、分光データと走査画像を相関させることは、一般に、臨床環境では難しい作業である。

先行者達により、臨床のニーズに適合するような良性および悪性病変を区別するための医用画像分析の方法およびシステムの開発が試みられてきた。本発明の目的は、上述した不利な点のうちの少なくとも１つを緩和するかまたは取り除くことである。

発明の開示
本発明は、撮像された胸部病変などの疑わしい異常の最適な区別を成し遂げるために定量的および定性的な特徴を組み合わせる。多数のモダリティからの画像およびデータを処理および分析し、定量的および定性的な情報を抽出する。定量的情報は、動力学的情報および生化学的情報を含むことができる。動力学的特徴は、画像データ（例えばＭＲＩ画像データ）の時系列から抽出することができる。生化学的情報は、ＭＲＳデータの分光分析から抽出できる。形態学的な特徴は、ＭＲＩ画像、超音波画像、Ｘ線画像または他のモダリティの画像から抽出できる。コンピュータアプリケーションプログラムは、定量的および定性的な特徴を医用画像およびデータから抽出し、そして、総合的な結果を得るために定量的および定性的な分析の結果を組み合わせる。経時的な動力学的分析は、ポストコントラスト画像の病変形態学的評価の前または後に実行できる。随意的に、最初に実行した分析の結果を、次の分析を実行する前に査定する。このような場合においては、最初に実行した分析（例えば動力学的分析）からの結果が明らかに示唆的な場合、次の分析（例えば形態学的分析）は実行しない。１つのモード（例えば動力学的）の分析からの結果が不確定であるかまたは良性病変を示唆する場合、更なる分析（例えば形態学的）を実行する。

本発明の１つの態様において、解剖学的組織中の１つの領域について、複数の医用画像データを分析して、領域内の異常を検出する方法を提供する。少なくとも１組の複数の医用画像データセットは、コントラスト強調剤の投与に応答する経時的情報を含む。この方法は、複数の医用画像データを取得するステップと、複数の医用画像データから領域内で可能性のある病変を示す１組のデータポイントセットを識別するステップと、複数の医用画像データから１組のデータポイントセットに関連する特徴を抽出するステップであって、１組の形態的特徴セット、１組の経時的情報である動力学的特徴セット、および１組の生化学的特徴セットのうち少なくとも２組の特徴セットの特徴を抽出するステップと、可能性のある病変の初期診断評価を少なくとも２組の特徴セットから算定するステップと、およびユーザが評価するために初期評価を査定するためにユーザに与えるステップとを有する。評価は、少なくとも２組の特徴セットを評価プロセスに取り入れることによって査定する。

本発明のこの態様の特徴において、分析方法は、さらに、少なくとも２組の特徴セットに対する修正をユーザから受信するステップと、修正を組み込んで修正評価を再算定するステップと、修正評価を更なる評価のためにユーザに与えるステップと、を有する。修正評価は、修正は算定に取り入れることによって再算定する。

本発明のこの態様の他の特徴において、動力学的特徴は、１組のデータポイントの部分集合における時間依存の局所的なコントラスト変化に対応するコントラスト変化曲線から抽出するものとする。更なる特徴において、動力学的特徴は、コントラスト変化曲線を継続的な強調型、平坦型および逓減型のうち１タイプに分類付けする。

本発明によるこの態様におけるさらにもう一つの特徴において、生化学的特徴は、１組のデータポイントセットにおける部分集合に対するＭＲＳを用いた分光分析から抽出するものとする。更なる特徴において、生化学的特徴は、少なくとも１つのマーカー化学物質の濃度分布、または、分光分析から得られた２つまたはそれ以上のマーカー化学物質の相対強度を含むものとする。

別の態様においては、解剖学的組織内の１つの領域について、複数の医用画像データを分析するシステムを提供する。少なくとも１組の複数の医用画像データセットは、コントラスト強調剤の投与に応答する経時的情報を含むものとする。このシステムは、複数の医用画像データ読み出す画像データモジュールと、前記医用画像データにおける可能性のある病変を識別し、前記可能性のある病変に関連する形態学的特徴を抽出および分類付けする形態学的モジュールと、動力学的モジュールと、分光分析モジュールと、総合決定エンジンと、ユーザによる評価および修正のために多数の医用画像データの少なくとも一部を初期診断評価と共に表示するグラフィカルユーザインタフェースを備える。動力学的モジュールは、可能性のある病変に関連する経時的情報である動力学的特徴を多数の医用画像データから抽出し、分光分析モジュールは、１つまたは複数のマーカー化学物質に関連する生化学的特徴を多数の医用画像データから抽出し、総合決定エンジンは、形態学的特徴を形態学的モジュールから、時間的情報の動力学的特徴を動力学的モジュールから、生化学的特徴を分光分析モジュールから受け取り、可能性のある病変についての初期診断評価を形態学的特徴、動力学的特徴、および生化学的特徴に基づいて算定する。

本発明によるこの態様の特徴において、分析システムは、さらに、形態学的な特徴から形態学的評価を導き出す形態学的決定エンジンと、動力学的特徴から動力学的評価を導き出す動力学的決定エンジンと、および生化学的特徴から分光学的評価を導き出す分光分析決定エンジンとを備える。総合決定エンジンは、形態学的評価、動力学的評価および分光学的評価を相関付けして、決定の算定に組み込む。

本発明によるこの態様の他の特徴において、分析システムは、さらに、形態学的な特徴、動力学的特徴および生化学的特徴のうちの少なくとも１つに対する修正を、グラフィカルユーザインタフェースを通して受信する注釈モジュールを備える。修正は、総合決定エンジンに提供され、総合決定エンジンは受け取った修正に基づいて修正した診断評価を再算定する。

本発明によるこの態様におけるさらにもう１つの特徴において、システムは、患者のリスクプロファイル情報をデータベースから読み出す患者のリスクプロファイルモジュールと、および患者の病歴情報を読み出す患者の病歴モジュールと、を備える。評価の査定は、患者のリスクプロファイル情報および患者の病歴情報を組み込む。

本発明の更に別の態様において、患者の解剖学的組織内の領域からＭＲＳ医用画像データを取得および分析する方法を提供する。この分析方法は、領域に対する複数の医用画像データを取得するステップと、領域内で可能性のある病変を表す１組のデータポイントセットを複数の医用画像データから識別するステップと、可能性のある病変に関連する特徴を複数の医用画像データから抽出するステップと、可能性のある病変の初期診断評価を特徴から算定するステップと、初期診断評価の際に予め選択した基準を満たしているかを確認するステップとを有し、この確認ステップは、可能性のある病変を含む候補領域からＭＲＳ医用画像データを取得するステップと、ＭＲＳ医用画像データから生化学的特徴を抽出するステップと、さらに、生化学的特徴組み込んで再算定し可能性のある病変の総合評価を再算定するステップと、査定および修正のために総合評価をユーザに与えるステップとを有するものとする。

本発明の更に別の態様において、解剖学的組織内における領域の医用画像データを分析するシステムであって、医用画像データは複数のモダリティから取得するものとした、分析システムを提供する。この分析システムは、医用画像データを受信する画像データモジュールと、複数の画像処理モジュールと、複数のモダリティ決定エンジンと、モダリティ評価を結合して、モダリティ評価から可能性のある病変の初期診断評価を算定する総合決定エンジンと、およびユーザによる査定および修正のために初期診断評価とともに少なくとも一部の医用画像データを表示するグラフィカルユーザインタフェースとを備える。複数の画像処理モジュールの各々は、医用画像データの可能性のある病変を識別し、可能性のある病変に関連する１組のモダリティ特徴セットを抽出および分類付けする。モダリティと関連する１組のモダリティ特徴セットは、可能性のある病変のモダリティ評価を算定するために対応するモダリティ決定エンジンに転送する。モダリティ決定エンジンによって算定されるモダリティ評価を、その算定の総合決定エンジンによって組み合わせる。

他の態様において、本発明は、前記態様のさまざまな組み合せおよびサブセットを提供する。

限定するものではなく、説明目的として、上述したおよびその他の本発明の態様について、添付図面につきより詳細に説明する。

本発明は、一般には、コンピュータ支援による、医用画像の分析および疑わしい異常部位検出の分野に関する。特に、本発明は、動力学（速度論）的特徴ならびに形態学的特徴の分析を含んで、多数のモダリティから得られる医用画像を処理する方法およびシステムに関する。

本発明は、動力学的（定量的）、形態学的（定性的）、および生化学的（定量的）情報を含む多数のモダリティからのデータを組み合わせて、撮像した疑わしい異常、例えば胸部病変の最適な区別を行う。病変の形態学的特徴は、通常、サイズ、形状、撮像体中での信号分布、または病変の辺縁線の特徴に関連する。これら特徴としては、病変が、円、卵型、または小葉形状の形状をしている塊状体であるか、平滑、不規則、または針骨状の境界を有する塊状体であるか、均質的、周縁的、または管状的な強調部分のある塊状体であるか等の特徴がある。形態学的な特徴は、ＭＲＩ、超音波またはＸ線画像、または他のモダリティから得た画像データから抽出することができる。動力学的または速度論的特徴は、時系列の画像または画像データにおける、撮像した病変における信号の時間的な挙動に関連する。ＭＲＩデータの動力学的特徴は、一般的には、これに限定されるものではないが、造影剤投与の後に続く、走査した解剖学的体積中の領域での時間依存のコントラスト強調を参照する。動力学的曲線は、Ｉ型（連続増加）、II型（平坦）または、III型（逓減）のいずれかとなる。生化学的情報は、ＭＲＳデータ、すなわち分光情報を分析することによって得ることができ、単独のボクセルまたは複数ボクセル中で、マーカー化学物質（例えば、とくにコリン、クレアチン、または³¹Ｐ）の存在および相対濃度を決定する。これらの情報は、癌を診断する際に考慮する。コンピュータアプリケーションプログラムを用意し、このアプリケーションプログラムによって形態学的、動力学的および生化学的情報を医用画像データから抽出し、そして、総合結果を得るために多数のモダリティから得た医用画像データの定量的および定性的な分析結果を組み合わせる。

診断評価は、単独のモダリティによる画像データに対する動力学的、形態学的、または生化学的（すなわち、分光的）分析のうちいずれか一つの分析結果からも導き出せるが、多数のモダリティからの結果を組み合わせることにより、得られる評価の信頼度が増す傾向があり、このことは、この種の総合評価は、一般にはより大きなデータ集合に由来し、したがって、より統計学的信頼性が高くなる傾向にあるからである。例えば、経時的な動力学的分析は、ポストコントラスト画像における病変形態学的査定の前または後に実行することができる。随意的に、先に実行した分析による結果は、次の分析を実行する前に評価する。先に実行した分析（例えば動力学的分析）からの結果が明らかに示唆に富んでいる場合、次の分析（例えば形態学的または分光分析）は必要ない。他方では、１つのモード（例えば動力学的）分析からの結果が不確定であるかまたは良性病変を示唆する場合、更なる分析（例えば形態学的）は有意義である。更に、１つの分析からの結果を、他のモードの分析に対する入力として利用できる。例えば、動力学的分析の結果は一般には病変の識別を含み、この識別を使用して形態学的方法のセグメンテーション（区分け）部分を追跡する。

図１は、コンピュータ支援検出（ＣＡＤ）システム１００を示す。ＣＡＤシステム１００は、動力学的、形態学的、および分光学的な分析の実施を含む多数のモダリティから得られる画像およびデータを処理し、また分析して、抽出した動力学的、形態学的、分光学的な特徴に基づく診断評価を下す。ＣＡＤシステム１００は、医用撮像装置１０２を有する。この医用撮像装置１０２をユーザが使用して、患者を走査するまたは撮像することによって医用画像およびデータを得る。異なる撮像モダリティは、ＣＡＤシステム１００によって使用するために構成することができる。例えば、医用画像は、超音波画像、Ｘ線画像、ＭＲＩ画像、コンピュータ断層（ＣＴ）画像、陽電子放出型断層（ＰＥＴ）画像、ＰＥＴ／ＣＴ、核、ＭＲＳ、または、適切な画像またはデータ収集装置にて取得したあらゆる画像またはデータとすることができる。

医用撮像装置１０２によって取得した画像データを、処理のためのコンピュータ１０４に供給する。図１においてはスタンドアローンのコンピュータを示すが、コンピュータ１０４は任意の汎用コンピュータまたは専用コンピュータとすることができる。このコンピュータは、さらに、埋め込みシステム、例えば医用撮像装置１０２を含む画像取得システムにおける埋め込みシステムとすることもできる。

コンピュータプログラム１０６、すなわち、ＣＡＤシステムの機能を実行するためのソフトウェア・アプリケーションは、コンピュータ１０４が司る。
ＣＡＤアプリケーションプログラム１０６は、多くの構成要素（コンポーネント）を有する。各々のモダリティに対応して、専用の構成要素（コンポーネント）がある。例えば、超音波モダリティに対応する超音波サブシステム１０８がある。超音波サブシステムは、超音波画像データの読み出し、処理、および分析に特化する。同様に、ＣＴ画像データの処理および分析に特化したＣＴサブシステム１１０を設ける。ＭＲＩ画像データに対応して、ＭＲＩサブシステム１１２を設ける。ＭＲＳ分光データに対応して、ＭＲＳサブシステム１１３を設ける。

ＣＡＤアプリケーションプログラム１０６は、総合決定エンジン１１４を有する。総合決定エンジン１１４は、これらモダリティすなわち、超音波サブシステム１０８、ＣＴサブシステム１１０、ＭＲＩサブシステム１１２およびＭＲＳサブシステム１１３からの結果を入力として受け取り、これら各モダリティから得た結果を組み込んだ総合評価を算定する。ＣＡＤアプリケーションプログラム１０６は、アプリケーションプログラムに組み込んだまたはデータベース１１６に格納した規則を使用して、総合決定をする。これらの規則は、良性および悪性病変を含むサンプル画像から導き出す、または統計モデルから策定する、または任意の適当な方法論を用いて策定することができる。

ワークステーション１１８を設ける。ワークステーション１１８は、システム１００のユーザが医用画像を見て、画像を操作し、システムと双方向に交信して画像を処理できるようにするユーザインタフェース１２０を備えている。ユーザインタフェース１２０としては、ディスプレイ１２２がある。ディスプレイは、ディスプレイ画面、またはイメージプロテクター、または視覚的に医用画像をユーザに提示し、またグラフィカルおよびテキストによる内容をユーザに提示することができる、他の任意なディスプレイ装置とすることができる。

ワークステーション１１８は、ＣＡＤアプリケーションプログラム１０６によって作成される画像データおよび結果をユーザに表示して、ユーザによる画像の診断を容易にする。例えば、各モダリティからの画像、ならびにこれら画像から抽出した特徴を、ユーザに表示することができる。それらを、同一画面上に併置して表示し、ユーザが診断を下すのにより都合よくする。これら医用画像において識別される病変、ならびに抽出した特徴を、強調表示することもできる。さらに、医科的標準に合致するフォームを予め装備し、システムが自動的に検出する結果を組み込むことができる。システムが自動的に算定する予備評価もユーザに示し、ユーザが確認または修正することができるようにする。

ユーザインタフェース１２０としては、さらに、ユーザがシステムと双方向交信し、また表示された医用画像中の特定の関心領域をシステムに識別させるための入力装置１２４がある。この入力装置１２４としては、例えばユーザが任意のテキストを入力するキーボードがある。音声を文字に変換する音声認識モジュールを設け、ユーザが、撮像したオブジェクトのテキスト記述を音声入力する、またはテキストをタイプすることなく他のテキスト入力を行う、またはコンピュータプログラムコマンドを送ることができるようにする。さらにまた、入力装置として、ユーザがシステムに対して、医用画像中の特定ピクセルまたは領域を識別させるための、マウスまたはいくつかの他のポインティングデバイスを設けることができる。ディスプレイ１２２および入力装置１２４は、単一ピースのハードウェアユニット、例えばグラフィックおよびテキスト出力を表示し、またユーザの入力を受信できるタッチスクリーンとして、物理的に組み合わせることができる。ユーザインタフェース１２０としては、さらに、遠隔ユーザインタフェース、例えば遠隔端末またはウェブ・ブラウザ１２６を設け、結果を通信ネットワーク１２８上の他の放射線科医または医師と共有できるようにする。通信ネットワーク１２８は、直接ケーブル接続、ローカルエリア・ネットワーク（ＬＡＮ）またはインターネットによって実現したネットワークとすることができる。遠隔ユーザインタフェースによって、医師が遠隔で患者からオペレータによって得られる画像を検視して、システム１００によって自動的提供された結果にリアルタイムであらゆる修正をすることができる。医用撮像装置１０２またはワークステーション１１８の隣の部屋であっても、または２、３千キロメートルが離れた施設であっても、医師は遠隔ユーザインタフェースにより、診断を下すことができる。

システム１００は、さらに、多くの出力周辺機器１３０を設け、ユーザが分析セッションの結果またはシステムの他の出力を複製または記録することができるようにする。例えば、出力周辺機器として、フィルムベースまたは紙ベースのプリンタ１３２を設ける。フィルムベースのプリンタを使用して、原画像または処理済画像のいずれかの医用画像をフィルムに転写し、フィルム画像を必要とするより一般的な従来ディスプレイ装置で使用できるようにする。紙ベースのプリンタを使用して、ハードコピーのレポートを作成し、他の医師と共有するまたはアーカイブ保管する。さらに、出力周辺機器１３０として、処理した結果、すなわち、関連するレポートと共にシステムが生成する合成画像を、転写または格納するＤＩＣＯＭ対応装置１３４を設けることができる。

システム１００は、画像アーカイブサーバ１３６にアクセスする。画像アーカイブサーバ１３６は、システム１００の一部とすることができる。さらに、サーバーは、外部のサービスプロバイダ、例えば、病院情報システムが提供することもできる。画像アーカイブサーバ１３６は、アーカイブされた画像１４０を格納するためのサーバデータベース１３８を有する。ＣＡＤアプリケーションプログラム１０６が画像アーカイブサーバ１３６からのアーカイブ画像１４０を要求するとき、画像アーカイブサーバ１３６は要請された画像をサーバデータベース１３８から読み出して、要求された画像をＣＡＤアプリケーションプログラム１０６に送る。アーカイブ画像は、医用撮像装置によって既に取得した全ての画像であることは理解できるであろう。アーカイブ画像は、任意の支援モダリティ、例えばＭＲＩ、ＣＴまたはＰＥＴからの画像でありえる。アーカイブ画像データは、さらに、異なるモダリティからの画像相互を複合した画像、例えばデジタル断層合成画像データとすることができる。アーカイブ画像１４０は、必ずしも、その時点でコンピュータ１０４に直接接続している医用撮像装置１０２と同一モダリティである必要はない。例えば、コンピュータは超音波撮像デバイスに接続するとともに、画像アーカイブサーバ１３６には、前もってＣＴ撮像デバイスまたはＭＲＩ撮像デバイスから得られた画像を含むことができる。さらに、図１に１台の画像アーカイブサーバ１３６のみを示しているが、コンピュータ１０４に接続する数個の画像アーカイブサーバを設けることができると理解されたい。さらに、各画像アーカイブサーバ１３６は、必ずしも１個のデータベースだけを有するものである必要はなく、それは多くのデータベースにアクセスすることができ、また、これらのデータベースは物理的に異なるサイトに配置することができる。

システムに関連した、またはシステムが生成したデータは、通常、アーカイブ画像１４０と共に格納する。例えば、アーカイブ画像は、医師が過去の分析中画像に付加した注釈または診断データと共に格納することができる。好ましくは、画像アーカイブサーバ１３６は、ＤＩＣＯＭに準拠した画像、ならびに他のフォーマット、とくにＪＰＥＧ、ＢＩＴＭＡＰ等のアーカイブ保管に適合する画像に対応する。注釈、コメント、画像処理の結果は、すべてＤＩＣＯＭ準拠ファイルの一部分としてアーカイブ保管できる。監査情報、例えばユーザＩＤ、処理済画像の日付または時間スタンプ、検出した特徴に関するユーザ追加項目または修正項目を、すべて処理済み画像の各アーカイブ事例（インスタンス）毎に記録する。

図２は、ある一実施例における、ＣＡＤアプリケーションプログラム１０６の主要な機能コンポーネントのブロック図である。図２に示すように、ＣＡＤアプリケーションプログラム１０６は、画像データモジュール２０２、処理モジュール２０４およびモダリティ決定エンジン２０６を有し、画像データを読み出し、また分析する。以下に詳述するように、画像データモジュール２０２は、画像データを医用撮像装置１０２または画像アーカイブサーバ１３６から読み出して、更なる処理のために、画像または他のデータを画像データから抽出するために、画像データを前処理する。画像データモジュール２０２が読み出し、また前処理した画像を、処理モジュール２０４に転送する。処理モジュール２０４は、前処理済画像データから疾患を診断することに関連する情報を抽出するために設ける。例えば、このモジュールは、画像中の疑わしい病変を識別し、また病気の診断に直接的に関係すると考えられる疑わしい病変に関連する特徴の箇所を画像から抽出する、すなわち、病変を区別するのに設ける。モダリティ決定エンジン２０６は、抽出した情報に基づいて病変を分類し、抽出した情報から病変の評価を算定する。このような評価は、例えば、予め策定した規則のセットに基づいて、または予め選択したアルゴリズムを使用して算定することができる。

画像データモジュール２０２、処理モジュール２０４およびモダリティ決定エンジン２０６は、それぞれ対応モダリティのためのコンポーネントを有するという点で、ＣＡＤアプリケーションプログラム１０６はモジュラー形式である。例えば、モダリティ決定エンジン２０６は、その超音波コンポーネントとして超音波決定エンジン２０８を、そのＭＲＳコンポーネントとしてＭＲＳ決定エンジン（図示せず）を、そのＭＲＩコンポーネントとしてＭＲＩ形態学的決定エンジン２１０およびＭＲＩ動力学的決定エンジン２１２を有する。特定モダリティから得られた画像またはスキャンデータが、ＣＡＤアプリケーションプログラム１０６によって処理されるとき、画像またはスキャンデータは画像データモジュール２０２、処理モジュール２０４およびモダリティ決定エンジン２０６の対応するモダリティ・コンポーネントによって処理される。特定モダリティにおけるコンポーネントの、画像データモジュール２０２、処理モジュール２０４およびモダリティ決定エンジン２０６は、そのモダリティのサブシステムを形成する。例えば、画像データモジュール２０２、処理モジュール２０４およびモダリティ決定エンジン２０６の超音波コンポーネントは、超音波サブシステム１０８を形成する。他のモダリティの画像またはデータを扱うために、ＣＡＤアプリケーションプログラム１０６の全体の構造を変えることなく、対応するコンポーネントを、それぞれ画像データモジュール２０２、処理モジュール２０４およびモダリティ決定エンジン２０６に加える。一般には１個のモダリティから得られる画像データは、他のモダリティにはない特定の独自の態様を有するので、各モダリティはそれ自体のコンポーネントを必要とする。例えば、エコーパターンのような、超音波画像に関連する特定超音波特性は、一般にはＸ線画像には現れない。同様にして、分光処理は、通常、ＭＲＳモダリティに対して固有である。

図２はＭＲＩモダリティがプロセスモジュール２０４およびモダリティ決定エンジン２０６のそれぞれに２個ずつのコンポーネントを有することを示し、一方のコンポーネントはＭＲＩ走査によって撮像された病変に関係する形態学的な特徴を抽出および処理するためのものであり、他方のコンポーネントは動力学的な、すなわち、経時的な、ＭＲＩ走査に関連する特徴を抽出および処理するためのものである。

ＣＡＤアプリケーションプログラム１０６は、総合決定エンジン１１４を有する。総合決定エンジン１１４は、患者データと共に、各々のモダリティから得られる全ての結果を総合し、個別のモダリティによって識別される病変の総合スコアを算定する。患者データとしては、例えば、患者のリスクプロファイル、または患者の病歴、またはこれらの双方とすることができる。リスクプロファイルモジュール２１４を設ける。リスクプロファイルモジュール２１４は、リスクプロファイル情報をデータベース１１６から抽出し、リスクプロファイル情報を処理し、この結果を総合決定エンジン１１４に供給する。リスクプロファイル情報としては、特定の遺伝子、例えば、乳癌感染性遺伝子（別名ＢＲＣＡ−１）がある。患者の病歴モジュール２１６も設ける。患者の病歴モジュール２１６は、患者の病歴に関連する情報を抽出し、病歴情報を処理し、処理した病歴情報を総合決定エンジン１１４に供給する。患者の病歴としては、家族の乳癌歴、以前の診断、および癌の治療歴がある。患者の病歴情報としては、さらに、例えば、２、３ヵ月以前に病院にかかった期間中に取得した同一病変の画像に関連する情報を含めることができる。患者の病歴モジュール２１６は、以前に撮られた画像に関する情報を使用し、画像データモジュール２０２に対して、現在処理している画像と比較するために以前に撮られた画像を読み出すように指示することができる。

総合決定エンジン１１４は、いくつかの個別のコンポーネントを有する。これら個別のコンポーネントは、分類モジュール２１８、病変型モジュール２２０、病変範囲モジュール２２２を有し、病期評価モジュール２２４を有する。同一病変は、一般には多数のモダリティで見ることができる。各々のモジュール２１８，２２０，２２２，２２４は、各モダリティからの画像データを処理するためのコンポーネントを含むことができる。合成画像を生成し、多数のモダリティからの結果を提示するために表示することができる。例えば、ＭＲＳモダリティの結果を、画像モダリティのうち１つの画像に重ね合わせ、この画像と共に示すことができる。総合決定エンジン１１４は、画像で見える病変の分析結果を相関させ、この分析結果は、総合結果を得るために、多数のモダリティから複数ボクセルまたは単独ボクセルＭＲＳ分析を経て得られた腫瘍の化学的組成の生化学情報を含む

例えば、ある一つの実施態様では、分類モジュール２１８は、病変の可能性のある分類付けをするために、すべてのモダリティからの結果を総合する。例えば、すべてのモダリティにより検出された局所的な形態学的特徴、例えば局所的な針骨状化、局所的な分枝パターン、局所的な血管拡張を総合し、また一組の予め定義した特徴のリストと比較し、病変を、ＡＣＲ ＢＩ−ＲＡＤＳ（登録商標）の５カテゴリまたはＡＣＲ ＢＩ−ＲＡＤＳ（登録商標）４ａカテゴリに属するように分類付けする。同様に、病変型モジュール２２０は、すべてのモダリティから得られた結果を総合して、ＤＣＩＳまたはＣＡなどのあり得る病変型（タイプ）を導き出す。病変範囲モジュール２２２は、すべてのモダリティからの結果を総合して、推定サイズを導き出し、病変の幾何学的な輪郭を割り出す。病期評価モジュール２２４は、入力として、すべてのモダリティからの結果ならびに総合分類、型および範囲を患者のリスクプロファイルおよび患者の病歴情報と共に結びつけ、病変段階の示唆評価を算定または規定する。病変の分類、型および範囲、ならびに病変段階の示唆診断評価を含む総合結果を、ユーザインタフェース１２０を介してユーザに示す。

他の実施形態もまた可能であると理解されたい。例えば、超音波画像の処理のために１つの超音波サブシステムを有することができる。すなわち、分類モジュール、病変型モジュール、病変範囲モジュールおよび病期評価モジュールを、超音波画像処理に当たらせることができる。さらに、ＭＲＩサブシステムを設け、このＭＲＩサブシステムには、ＭＲＩ画像処理に当たらせる、分類モジュール、病変型モジュール、病変範囲モジュールおよび病期評価モジュールを設けることができ、または他のモダリティ用に他のサブシステムを設けることができる。総合エンジンは、このとき、モダリティサブシステムからの結果を総合して、総合結果を得る。分類、病変型および病変範囲の決定などの重要な処理がすべてのモダリティについて行われ、総合結果がすべてのモダリティからの結果を総合することによって得られる限りにおいては、多数のモダリティの処理を行うが異なるモジュールの組み合わせにした他の実施態様もまた可能である。

この総合結果は、ユーザの確認または修正を受ける。例えば、ユーザは、多数のモダリティのうち１つから得た画像中で自動的に検出した特徴を修正することができる。ある一つのモダリティで検出した特徴に対するいかなる修正も、モダリティレベルで病変に関して検出結果に影響を及ぼすことができ、さらに、総合結果を変更することができることはいうまでもない。さらにまた、ユーザは直接、総合エンジンによって自動的に生成される総合結果を修正することもできる。たとえどのような修正がユーザによってなされたとしても、このような修正は、場合によっては、処理モジュール２０４、モダリティ決定エンジン２０６または総合決定エンジン１１４へ戻される。病変段階の修正示唆評価を含む、修正総合結果を、再計算し、再度の修正または確認のためユーザに提示する。一旦確認されると、分析結果およびこれらの医用画像の評価を要約した報告を自動的に生成できる。

操作にあたり、ユーザは、処理および分析のためにＣＡＤアプリケーションプログラム１０６に画像取得装置によって生成した中間画像またはデータを読み出する、または以前に走査してアーカイブした画像またはデータを画像アーカイブサーバ１３６から読み出すように指示する。ユーザは、例えば、ワークステーション１１８によって提供されるユーザインタフェース１２０、またはウェブ・ブラウザ１２６のようなリモートユーザインターフェースから指示を出すことができる。図３は、ＣＡＤアプリケーションプログラム１０６が追随して、画像データに含まれる画像を分析および処理し、また総合評価を生成するプロセス３００をフローチャートで示す。

図３は、３つの平行したサブプロセス、すなわち、患者の病歴データ読み出サブプロセス３０２、超音波サブプロセス３０４およびＭＲＩサブプロセス３０６を示す。これらサブプロセスを、並列プロセスとして示す。これらサブプロセスは、必ずしも同時平行的に実行されるのではなく、むしろ、それぞれ互いに独立して実行するものである。これらサブプロセスの結果の全てが最終段階、すなわち、総合評価（ステップ３０８）の前に入手できるならば、これらのサブプロセスは互いに任意の時間シーケンスで実行することができる。例えば、患者のリスクプロファイルまたは病歴に関連した患者データの読み出しは、超音波画像処理の前、後、または処理中に行うことができる。しかし、ステップ３００の実際の実施で、ある１個のモダリティからの結果は、しばしば他のモダリティへの入力（または少なくとも入力の一部）に供することができる。例えば、ＭＲＩサブプロセス３０６を一組のＭＲＩデータセットに最初に適用する場合、病変の重心は、集中した面積または体積の信号強調の分析で識別できる。このようにして識別される病変の重心は、ＭＲＩ形態学的処理のためのセグメント化プロセス（セグメンテーション処理）の出発点に供することができる。２個のモダリティに対応するサブプロセスが示したが、他のモダリティ（例えばＣＴモダリティ）に対応するサブプロセスを加えることもできる。これらの他モダリティは、超音波モダリティまたはＭＲＩモダリティの該ステップに類似したステップに従うので、図３には示さない。

図３を参照すると、これら３個のサブプロセスのそれぞれを、以下に説明する。患者データ読み出しサブプロセス３０２は、患者のリスクプロファイルデータをデータベース１１６（ステップ３１０）から読み出すリスクプロファイルモジュール２１４から始まる。データベースは、図１に示すようにＣＡＤアプリケーションプログラム１０６に直接アクセスできる、または、例えば病院情報システムのように、外部で保守されるデータベースから情報を請求することが必要であるものとすることができる。次に、ステップ３１２で、患者の病歴モジュールは、患者のリスクプロファイルデータが保守されるデータベース１１６、または、他の外部で保守されるデータベースから、患者の病歴情報を読み出す。リスクプロファイル情報および患者の病歴情報を、ステップ３０８でこれら情報を使用するための総合決定エンジン１１４に転送し、後述するように総合評価を算定する。

超音波サブプロセス３０４は、超音波画像データ（ステップ３１４）を取得することから始まる。超音波画像データは、医用撮像装置１０２から取得することができる。代案として、ＣＡＤアプリケーションプログラム１０６、すなわち、その画像データモジュール２０２は、画像アーカイブサーバ１３６から超音波画像データを要求できる。通常、取得した超音波画像データは、医用画像情報以外の情報も含む。このステップで、個別の画像も、画像データから抽出する。抽出した画像を、画像処理のための処理モジュール２０４に転送する。

ステップ３１６で、処理モジュール２０４の超音波コンポーネントは、画像を処理する。このステップで、処理モジュール２０４は計算する、すなわち、分離した個別の画像における、関心オブジェクトに関連する、物理的、組織（テクスチャ）的、形態的ならびに超音波的な特性、を抽出および識別する。関心オブジェクトは、異常な領域、例えば病変の境界線によって画定することができる。ステップ３１８で、超音波決定エンジン２０８は、これら特徴を分析し、分類付け、病変型識別および病変評価を行う。随意的に（オプションとして）、表示および確認ステップ３２０で、抽出しまた識別した特徴を、確認または修正のためのユーザに示す。

図４は、超音波画像における形態学的な特徴を処理するときの、ＣＡＤアプリケーションプログラム１０６によるサブステップを詳細に示す。超音波画像は、面積の２次元画像または体積の３次元画像とすることができる。画像処理ステップ３１６は、関心領域（「ＲＯＩ(region of interest)」）を選択するステップ、すなわち、ステップ４０２から始まる。ＲＯＩは、病変などの異常なオブジェクトを含む解剖学的領域である。２次元の画像を処理すると、ＲＯＩは２次元であり、撮像した体積を処理すると、３次元でる（いわゆる「ＶＯＩ」または「関心体積(volume of interest)」と呼ばれる。ＲＯＩは、あらゆる適切な方法で識別できる。例えば、ユーザは、ユーザインタフェース１２０により表示された画像上のＲＯＩを目視で識別することができる。ＣＡＤアプリケーションプログラム１０６は、例えば先行の検査で識別され、現在データベースに格納されたＲＯＩのように、他のソースからすでに識別されたＲＯＩを抽出できる。または、ＣＡＤアプリケーションプログラム１０６は、画像の形態学的分析を行って、ＲＯＩを識別し、それをユーザに提示する。ある実施例では、ユーザは、最初にセグメンテーションの「シードポイント」、すなわち、関心領域の出発点を選ぶことによって、ＲＯＩを選択し、システムに、認識させる。ユーザは、例えば、ポインティングデバイスを使用して、疑わしい病変の中央域におけるポイントを選ぶことによって、セグメンテーション、すなわちセグメント化のシードポイントを選択することができる。つぎに、シードポイントから離れるようにカーソルをドラッグすると、シードポイントの周りに円を形成することによってＲＯＩが画定される。この円は、セグメンテーションアルゴリズムが動作する領域を包囲する。ＲＯＩが全ての疑わしい病変を囲む程度に十分な大きさとなるときに、ユーザはポインティングデバイスを離す。

一旦ＲＯＩが識別されると、ＲＯＩは疑わしい病変の境界を詳細に線引きするためにセグメンテーションステップ４０４でセグメント化する。ＲＯＩをセグメント化した後、パターン認識操作（ステップ４０６）をセグメント化したＲＯＩに適用し、形態学的な特徴をＲＯＩから識別しまた抽出する。パターン認識ステップ４０６中に、ＲＯＩの構造的特徴を、識別および分析する。それらは、それらの形態学的および組織（テクスチャ）的なパターンまたは特徴に基づいて分類付けする。局所的な形態学的特徴、例えば局所的な針骨状化、局所的な分枝パターン、局所的な血管拡張および局所的な微小分葉を、識別しまた牽引付けする。さらに、ＲＯＩ内のピクセルを走査して、超音波特徴、例えばエコーパターン識別する。ＡＣＲ−ＢＩＲＡＤＳ目録のような基準によって予め定義された局所的形態学的特徴を一組の超音波特徴セットと組み合わせて、このように識別される特徴のリストを生成する。パターン認識ステップで、処理モジュール２０４は、よう、セグメント化したＲＯＩのクラスタリングおよびピクセルのコントラストの特徴を識別するよう画像分析する、または、ＲＯＩを包囲するピクセルの情報など、領域（ドメイン）知識の何らかの概念を組み込むよう画像を分析し、特定の局所的特徴をよりよく識別する。

次に、特徴抽出（ステップ４０８）のステップで、処理モジュール２０４は、これら局所的に識別されたパターンから、癌を診断するのに関連するとみなされる、ある特定の特徴を抽出する、すなわち、良性病変か悪性病変かを区別する。これら特徴のいくつかとしては、形状、方向性、角張った縁、病変境界線および石灰化がある。これら特徴は、また、特定の検出技術に固有の特徴とすることができる。例えば、超音波画像では、このような特徴としては、エコーパターンおよび後方音響特徴がある。

次に、分類付けステップ４１０で、画像処理ステップ３１６（サブステップ４０２〜４０８）中に、抽出されまた識別された特性および特徴を、組み合わせ、また分析する。好都合には、抽出および識別された特性または特徴は、概して、予め定義した特性セットと一致する。予め定義した特性および特徴のセットは、通常、癌のような疾患を診断することに関連するとして、医師により開発される。これら特徴の説明は、通常、これらの特徴の定義と共に用意する。そのような、このような予め定義した特性および辞書（レキシコン）セットの一つとしては、ＢＩ−ＲＡＤＳレキシコンがある。このステップでは、抽出および識別した特徴を、一組のＢＩ−ＲＡＤＳレキシコンと比較し、分析している病変にレキシコン中の何らかの特徴が存在するかの統計的可能性を割り振る。

次にステップ４１２で、病変評価を算定する。規則またはアルゴリズムは、評価を算定するために開発されることができる。評価は、例えば、ＢＩ−ＲＡＤＳレキシコンによって識別および分類された特徴の分類および可能性から算定できる。ある実施例では、大量に収集した医用画像を、最初に処理する。パターン認識および特徴抽出演算を、それら収集した各画像に適用する。識別された特徴を、ＢＩ−ＲＡＤＳによって定義されたスキーム（体系）およびレキシコン（辞書）に基づいて、分類付けおよび牽引付けする。収集した画像は、さらに、例えば、生検結果に基づいて診断する。画像処理および既知の診断結果から、抽出した特徴セットと診断の統計的可能性とをリンクする統計モデルを開発できる。評価を算定する一組の規則セットはモデルから抽出でき、この規則セットを、分析した画像結果に適用して、評価を下すことができる。ただし、評価の算定は、統計モデルを使用することに限定するものでないことを認識されたい。評価は、さらに、超ベクトル計算機（ＳＶＭ：super vector machine）を使用する方法で算定する、または、より複雑な手法、例えば神経回路網（ニューラルネットワーク）方法を用いたＡＩエンジンを使用して生成することもできる。使用する方法が何であれ、識別、抽出、分類付けされる特徴から、このステップにおいて評価を算定する。

形態学的特徴を医用画像から抽出して、抽出および分類付けした形態学的特徴に基づいて疑わしい病変の示唆評価を下す方法および装置は、２００５年６月２日に出願された、同時係属中の、共同出願である米国特許出願番号６０／６８６，３９７号にもより詳細に説明している。この特許出願について、参照として本明細書に付記する。
米国特許出願番号６０／６８６，３９７

図３に一旦戻って、ＭＲＩサブプロセス３０６のステップを詳述する。図３に示すように、ＭＲＩサブプロセス３０６は、ＭＲＩ画像データを取得するステップ３２２からスタートする。ＭＲＩ画像データは、ＭＲＩ医用撮像装置１０２によって供給される、または画像アーカイブサーバ１３６から読み出すことができる。ある実施例では、ＭＲＩ画像データを多重ＭＲＩ走査で取得し、そして、時系列のＭＲＩ画像データを形成する。これら一連のＭＲＩ走査から、疑わしい異常、例えば疑わしい病変に関連する経時的情報を、動力学的、すなわち速度論的な分析で抽出できる。

一般には、医用画像は、特定タイプの組織間を差異化することによって、医用撮像装置によって形成される。組織タイプ間におけるコントラストを強調することで、より良好な画質が得られる傾向がある。患者にコントラスト強調剤を投与することで、特定組織タイプの撮像特性に選択的に影響を及ぼすことができ、通常組織と腫瘍組織との間におけるコントラストを強調し、その結果、撮像された病変のコントラストを協調することができる。ガドリニウムベースの造影剤（例えばＧｄ−ＤＴＰＡ）は、ＭＲＩ画像のための、よく用いられるコントラスト強調剤である。一般には、良性または悪性の病変は、造影剤を投与後、コントラスト強調の挙動が時間的に異なる。一連のＭＲＩ走査は、コントラスト強調剤の注射後、一定の時間間隔、例えば２分間隔で患者に対して実行し、コントラスト強調の経時的挙動を捉える。従って、一連のＭＲＩ走査は、ＭＲＩデータの時系列を含む。診断技術の一つとしては、時系列のＭＲＩデータから構築されるコントラスト変化曲線を分析することである。モデルまたは診断技術に関連するさまざまな動力学的特徴を、更なる分析のためにコントラスト変化曲線から抽出する。

図５は、そのような時系列を線図的に示す。図５には時系列の３個の画像だけを線図的に示すが、一般的には、より多くの画像を使用する。第１ウインドウ５０２は、プレコントラスト走査画像５０４を示す。それは、コントラスト強調の前に撮像した病変を示す。病変は、視認可能な構造を示すが、それほど詳細ではなく、実際の範囲明示するものではない。第２ウインドウ５０６は、コントラスト強調した画像５０８を示す。コントラストが強調されているので、画像は、より詳細に撮像された病変を示す。病変およびその周囲の通常の組織とのコントラストが強調されているので、実際の病変の範囲をより詳細に示す。第３ウインドウ５１０は、時間的に遅延した画像５１２を線図的に示す。残余のコントラスト強調効果により、病変は、プレコントラスト走査画像５０４よりもまだ視認性がよいが、コントラストを強調した画像５０８よりは視認性および細部提示性に劣る。

また、図５は、コントラスト変化曲線５１４示すウインドウも示す。コントラスト変化曲線５１４は、造影剤を投与後の経時的コントラスト変化を示す曲線である。この曲線は、一般には、ＭＲＩ画像５０４，５０８，５１２に見られるようなコントラスト強調の低下が続く、最初のコントラスト増加を示す。

一般には、経時変化特性、すなわち、ＭＲＩ画像データの動力学的特性、とくに、コントラスト変化曲線の特性は、癌を診断する際に有用な支援となり得ると考えられている。関係のある動力学的特徴は、一般的には、コントラスト変化曲線から得られる全体的または局所的基準であり、これらは統計モデルのために、または統計モデルによって得られる重要な記述子と考えられる。そのような動力学的特徴の一つとしては、単に、コントラスト変化曲線の形状がある。図５に示したのに類似する表示をユーザに提示することができる。ＣＡＤアプリケーションプログラム１０６は、コントラスト変化曲線５１４を分析し、撮像したオブジェクト、すなわち、疑わしい病変の評価を下し、ユーザが診断をするのを支援する。

図６は、コントラスト変化曲線で予期される一般的な挙動を示す。コントラスト変化曲線は、一般には、立ち上がり部分６０２、遷移ポイント６０４、時間遅延部分６０６とを有する。好都合には、図６に示したコントラスト変化曲線を、正規化する、すなわち、コントラストの相対的な強調のみを示す。正規化曲線は、コントラスト強調のパーセンテージの増加（および減少）率を示す。これは、患者毎のばらつきを減らす傾向がある。

コントラスト強調剤によって誘発されるコントラストの初期強調は、初期的な急速コントラスト増加または急峻な立ち上がり部分６０２として示される。曲線が急峻になるほど、強調がより迅速になる。この初期増加は、通常、病変に関連する脈管内で、造影剤の増加したレベルと関連する。コントラストの急速な初期増加の後、病変のタイプに基づいて、増加率は緩慢になり、一般には３タイプの異なる挙動における一つのタイプを呈する。コントラスト変化曲線における遷移ポイント６０４は、この緩慢化の目印となる。第１タイプは、緩慢になるが、よりコントラスト強調増加が継続する。連続的な強調６０８は、通常、良性病変を表すとみなされる。第２タイプは、強調が持続するまたは平坦な部分６１０である。コントラストは、急速な初期増加の後、急激な増加が止み、中間でほぼ恒常的なコントラストの上昇を維持し、後期のポストコントラスト期間を持続する。第３タイプは、逓減部分６１２を示す緩慢減少である。遷移ポイント６０４は、ピークの強調に対応する。コントラストは、急速な初期増加の後、急激な増加が止み、中間および後期のポストコントラスト期間において低下し始め、逓減部分６１２となる。平坦部分６１０または逓減部分６１２の存在は、腫瘍血管形成および脈管浸透性を表すと考えられている。通常、腫瘍の成長および転移の可能性は、周囲の血管形成の範囲に直接関係があると考えられている。従って、コントラスト変化曲線５１４を分析することで、良性および悪性の病変を区別するための付加的な指標となり得る。

ＭＲＩサブプロセス３０６は、ＭＲＩ走査の個々の画像データが抽出されるステップ３２２の後で、２つのブランチに分岐する。一方のブランチは、図４につき説明したように、個別の超音波画像における形態学的特徴の処理と類似し、画像処理（ステップ３２４）、病変の分析および評価（ステップ３２６）、および、随意的に、確認および修正のために結果をユーザに表示する（ステップ３２８）ステップを有する。これらステップは、通常、超音波サブプロセス３０４につき説明したものと同様であり、ここでは詳述はしない。

しかし、ＭＲＩデータが時系列の多重走査を含むことができるため、画像処理のステップ（ステップ３２４）は形態学的分析内にも経時的情報を組み込むことができる点に留意されたい。この点を示すために、プレコントラスト走査およびポストコントラスト走査を考慮する。対応するポストコントラスト走査の値からプレコントラスト走査のボクセル値を減算すると、走査した値が大きくなる箇所、すなわち、疑わしい病変の構造に対応する領域が強調される傾向にある。言うまでもなく、減算以外の数値演算も、実行できる。さらに、一連の数学的または論理的演算を、幾つかの（多重ポストコントラスを含む）適切な走査に適用して、形態学的分析を支援することもできる。

ＭＲＩサブプロセス３０６の他方の分岐は、動力学的データを抽出および処理し（ステップ３３０）、病変を分類付けしまた抽出した動力学的特徴に基づいて評価を算定し（ステップ３３２）、そして、随意的に結果を確認および修正のためのユーザに表示する（ステップ３３４）ステップを含む。これらステップを、図５〜図８を参照して、以下により詳細に説明する。

ＭＲＩ画像データは、一般には三次元領域または体積に対応し、三次元グリッドまたは格子に配置されるデータポイント（または「ボクセル」）によって表される。ＭＲＩ走査によって表される三次元体積は、三次元処理における単位体積として処理できる。代案として、このような三次元走査は、平面「スライス」のスタックとして構成することができる。ユーザは、一連の２次元処理で、スライス毎にスタックを処理する選択をとることもできる。

図７は、コントラスト変化曲線を構築するためのＭＲＩサブプロセス３０６の動力学的ブランチを詳細に示すフローチャートである。これらステップは、図３に示すステップ３２２および３３０に対応する。第１ステップ（ステップ７０２）においては、医用撮像装置１０２またはアーカイブサーバ１３６からＭＲＩ画像を取得する。コントラスト強調剤を投与する前の、初期の時点における走査で取得した画像データをまず抽出する（ステップ７０４）。

好都合には、ＭＲＩサブプロセス３０６の形態学的なブランチまたは超音波サブプロセス３０４の形態学的なブランチからの結果を、ここで再利用することができる。形態学的分析中に、識別したのと同一病変を選択して、動力学的分析（ステップ７０６）を行う。形態学的分析を行わず、また、ＭＲＩ走査のためにＲＯＩを識別しなかった場合、ＲＯＩはユーザが手動でまたは時系列から識別できる。例えば、ＭＲＩ走査の時系列を処理して、経時的な信号強度の著しい増加を有するボクセルを識別する。時間遅延挙動（例えば平坦化または逓減）は、同様に分析できる。強調されたコントラストを示し、かつ予想される時間遅延挙動を示すボクセルは、病変に対応する重心内である可能性が高い。これらボクセルを囲んでいるＲＯＩを、自動的に選択することができる。このようなボクセルのクラスタリングを分析して、１個の病変を他の病変から分離する、または同一病変に属する、異なった構造要素にグループ分けすることができる。ＲＯＩは潜在的に病変に属する全てのボクセルを囲むよう画定することができる。

次に、ステップ７０８で、セグメンテーション（セグメント化）およびパターン認識を含む形態学的演算をＲＯＩに適用して、病変を含んでいる重心を線引きし、また病変内の構造を識別する。やはり、ＭＲＩサブプロセスの形態学的なブランチで生ずる結果を、ここで再利用できる。さらに、後述するように、ＲＯＩが時間に依存するコントラスト強調の分析から識別される場合、ボクセルのクラスタリングは良好なセグメンテーションをすでに提供することができる。次に、ステップ７１０で、識別された形態学的な特徴間のコントラスト、すなわち、周囲の構造と関連する病変の信号強度を査定する。ある実施例では、識別した重心内の全ボクセルの信号強度を合計し、疑わしい病変のコントラスト値を評価する。しかし、コントラスト強調を表す他の方法も、用いられることができる。例えば、辺縁強調を考慮しているモデルでは、総信号強度は、病変の境界線に沿って位置するボクセルの合計となり得る。他の診断方法論またはモデルを実施するとき、若干の他の構造に対応するボクセルを合計することができる。換言すれば、コントラスト値は、ＣＡＤアプリケーションプログラムにより実行もしくはサポートされる診断方法またはモデルに基づいて、病変内における特定部分集合のボクセルに対する合計とすることができる。

第１のプレコントラスト画像のコントラストレベルを査定した後、プロセスは、時系列における、次走査のＭＲＩデータ抽出を継続する。すなわち、プロセスは、画像抽出ステップ（ステップ７０４）に戻る。画像抽出ステップの後、ステップ７０６〜７１０を、第１ポストコントラスト走査のために繰り返す。まず、すでに識別された同一病変を再利用して、ＲＯＩ識別の出発点とする。これらのボクセルを囲むＲＯＩも、同様に再利用できる。ステップ７０６でＲＯＩの識別後に、形態学的演算を行って、ステップ７０８で病変を含む重心を識別し、また線引きを行う。次に、第１ポストコントラスト走査における、病変とその周囲組織とのコントラストを、ステップ７１０で計算する。これらのステップは時系列における全てのＭＲＩ走査のために繰り返し、時系列の全てのＭＲＩ走査が処理される（ステップ７１２）まで行う。最終ステップ７１４で、一連の画像から算定される病変のコントラスト値を、初期コントラスト値に対して正規化し、また、コントラスト変化曲線５１４を構築する。

図３に戻って説明すると、一旦コントラスト変化曲線が構築された後、コントコントラスト変化曲線５１４の定量的分析を行い、時系列画像からの経時的特徴、すなわち動力学的特徴を抽出し、病変の分類付けを行う（ステップ３３２）。コントラスト変化曲線５１４の定量分析は、一般的には動力学的曲線の形状分析および分類付け、すなわち、時間遅延部分６０６が、連続的な強調部分６０８、平坦な部分６１０、逓減部分６１２のいずれであるか、また、遷移ポイント６０４での強調レベル、遷移ポイント６０４に至るまでの時間（すなわち立ち上がり部分６０２の勾配または初期増加率）、およびポストコントラスト期間の低下率（すなわち逓減部分６１２の有無およびその低下率）についての分析および分類付けを含む。下層の病変は、これら動力学的特徴に基づいて分類付けできる。ある実施例では、病変は、単に連続的な強調が見られる場合にはスコア０を、平坦化が見られる場合にはスコア１を、逓減部分が見られる場合にはスコア２を割り振り、０は良性病変を、２は悪性病変を示すものとする。より高度な分類体系は、他の特徴、例えば立ち上がり部分の勾配、曲線または低下率のピーク値を考慮することによって実施できる。このような高度な分類体系は、一般には、超音波画像につき上述したものと同様の統計モデルを使用して策定することができる。

図３につき説明すると、最終ステップとして、これら各並列的サブプロセスからの結果を、総合評価する（ステップ３０８）ための総合決定エンジン１１４に転送する。総合決定エンジン１１４は、全てのモダリティから識別、抽出された病変の特徴を相関付けする。すべてのモダリティによる結果を組み合わせ、病変の範囲を見積り、分類し、病期を決める、すなわち予め定義した病期決定体系に従って病変の病期評価を行う。

上述のように、ＣＡＤアプリケーションプログラム１０６は、モジュラー形式とする。図３は、２個のモダリティ、すなわち、超音波モダリティおよびＭＲＩモダリティを実装しているフローチャートを示すが、他のモダリティ、すなわち、他のサブプロセスをＣＡＤアプリケーションプログラム１０６に容易に加えることができる。さらに、超音波またはＭＲＩモダリティのいずれも、他のモダリティと交換または置換することができる。例えば、図３Ａで、ＭＲＳモダリティを実装する別の実施例を示す。図３Ａにおいて、ＭＲＳサブプロセス３４０をＭＲＩサブプロセス３０６に置き換わっているが、超音波サブプロセス３０４は、図３を参照して説明したものとほぼ同様であるので、ここでは詳述しない。

図３Ａを参照する。ＭＲＳサブプロセス３４０は、ＭＲＳデータを取得することからスタートする（ステップ３４２）。明らかなように、ＭＲＳデータは、ＭＲＳ装置１０２から、例えば他のモダリティからの結果に基づいて実行される処置から直接取得することができる。あるいは、ＭＲＳデータは、画像アーカイブサーバ１３６から読み出すこともできる。

一般的には、ＭＲＳデータは、多くのＭＲＳ測定に対応する。各ＭＲＳ測定は、単独のボクセルにおける化学物質から得られる分光データに対応する単一のスペクトルとすることができる。ＭＲＳ測定は、さらに、２ＤＣＳＩまたは３ＤＣＳＩ検査から得られるデータのような、多数のボクセルの化学物質から得られる分光データに対応するものとすることもできる。２ＤＣＳＩまたは３ＤＣＳＩ検査において、各測定は多数のボクセルの化学物質からのスペクトルに対応し、それぞれの体積は、例えば、１ｃｍ³〜１.５ｃｍ³とすることができる。更なる分析のためにステップ３４４で、測定値をＭＲＳデータから抽出する。

次のステップで、マーカー化学物質の強度または濃度を、分光分析３４４において、識別、算定する。例えば、コリンのスペクトルを、分光データから分離、および識別できる。コリン特性周波数のピークを、識別および測定し、つぎに、ボクセルのコリン濃度の絶対測定値またはボクセルの他の化学物質に対する相対強度または濃度に変換する。多重マーカー化学物質からの生化学的情報が望ましい場合、分光データをさらに処理して、各残留するマーカー化学物質からの影響を分離または識別する。それら濃度または相対強度も、各対応の分光データから算定することができる。

次のステップで、分光分析３４６の結果、すなわち、各々のボクセルまたはボクセルに対応するマーカー化学物質の濃度または相対強度を表示する。これら結果を、各測定において数値的に表示する。結果は、マーカー化学物質の濃度または強度の分布をより視覚的に示すために、等濃度線としてプロットすることができる。好都合には、濃度または強度の分布を、擬似カラーマップに変換し、ＭＲＩ画像に重ね合わせることができる。

明らかなように、ＭＲＳサブプロセス３４０は超音波サブプロセス３０４とは独立して実行するものとして説明するが、好都合には、超音波サブプロセス３０４を最初に実行することができる。形態学的分析、とくにセグメント化プロセスによる結果は、病変を示す可能性あるボクセルまたは重心集合の識別を支援することができる。体積または重心を囲むエンベロープを生成することができる。その後、エンベロープの範囲内に含まれるボクセルに対応するＭＲＳデータのみ分析する必要がある。他の実施例として、超音波またはＭＲＩなどの、１個のモダリティからの画像データの分析により、例えば、各モダリティ単独のデータからの初期評価結果に基づいて、癌の疑いがある、１個または複数の領域を識別する場合がよくある。しかし、これら結果は、決定的なものではない。解剖学的領域全体または他のモダリティと同一領域に対してＭＲＳ手順を行う代わりに、ＭＲＳ処置は、他のモダリティで識別された疑わしい病変だけを含む、より小さい領域に対して実施することができる。このことは、効率を改善する傾向がある。同様に、ＭＲＩまたはＭＲＳ分析からの予備結果は、他のモダリティのデータ収集および分析に出発点となり得る。

一般には、システム１００のようなマルチモダリティシステムは、１個のモダリティからの結果を活用でき、また、効率を改善するために、その結果を他のモダリティへの入力として使用することができる。同一病変は、一般的には多数のモダリティでも見ることができるので、しばしば１個のモダリティで実行された形態学的分析の結果を他のモダリティにおいて直接使用することができる。図３Ｂは形態学的分析の結果をＭＲＩ動力学的分析の入力として用いた、代替的なプロセス３５０のフローチャートを示す。

明らかなように、形態学的な分析法では、最初にＲＯＩを識別し、ついで、正常な組織から腫瘍を切り分けることができる境界を識別するために、セグメンテーション処理すなわちセグメント化処理を行う。三次元セグメンテーション処理において、境界は腫瘍に対応すると思われる体積または重心を囲むエンベロープである。処理３５０の第１ステップとして、このセグメンテーション結果を、例えば、超音波モジュール（ステップ３５２）から、最初に取得する。次に、これらのボクセルまたは重心を囲んでいるエンベロープを、生成する（ステップ３５４）。つぎに、エンベロープの範囲内で含まれる全てのボクセルを分析して、動力学的特徴を抽出する。

ＭＲＩデータを取得し、異なる時点Ｔ０，Ｔ１，Ｔ２等における個々の時系列の走査に分けるステップは、図３につき詳述したのでここでは説明しない。動力学的特徴を抽出するために、異なる時点、例えば、Ｔ０とＴ１で、またはＴ１とＴ２で走査した画像を比較する。例えば、これは、まず、Ｔ１で撮った画像からＴ０で撮った画像を減算することによって行うことができる。このとき、正の値を有するボクセルはコントラストが増加したボクセルであるということを表し、負の値を有するボクセルはコントラストが減少したボクセルであるということを表す。エンベロープは、形態学的な分析からすでに決定されているので、エンベロープの範囲内のボクセルだけが動力学的情報を抽出するための処理を必要とする。その後の時系列の画像または走査は、動力学的情報を抽出するために、同様に処理される（ステップ３５６）。エンベロープ内に含まれるボクセルのための動力学的情報の処理を制限することは、例えば、立ち上がりおよび平坦化または逓減挙動を示すものを同定するというような、分離した処理を行って腫瘍に対応するボクセルを識別する必要性を排除できる。これにより、エンベロープの外側のボクセルを処理する必要を回避することもできるようになる。従って、結果的にはマルチモダリティシステム１００の正確さと同様に、効率を改善することができる。

図８は、総合決定エンジン１１４が総合スコア付け処理で追随するステップを示すフローチャートである。総合決定エンジン１１４は、初めに、ステップ８０２で、すべてのモダリティ決定エンジンによって得られたすべての特徴を相関付ける。例えば、各モダリティによって定まる病変の形状を、このステップで相関付けることができる。総合決定エンジン１１４の分類モジュール２１８、病変型モジュール２２０および病変範囲モジュール２２２の各々は、分類ステップ８０４で病変を分類付けし、型の決定ステップ８０６で病変型を決定して、病変の大きさを範囲決定ステップ８０８で推定するために、すべてのモダリティからの結果を組み合わせる。

総合決定エンジン１１４は病変をスコア付けする（ステップ８１０）、すなわち、すべてのモダリティからの結果を組み込むことによって、診断評価を算定する。総合した診断評価は複数のモダリティからの結果に基づくので、評価の信頼度は概して増加する。規則に基づく処理に続いて総合評価を算定することができる。例えば、一般に、各モダリティで悪性を示す特徴は、スコアポイントを割り振ることができる。すべてのモダリティから得られるスコアポイントを合計することによって、全体としてのスコアが得られる。段階評価は、最終的な全体のスコアの値に基づいて、病変に与えられる。通常、あるモダリティが示す特徴に基づく段階評価を、他のモダリティで見られる特徴によって確認すると、評価に対する信頼が増す傾向がある。

例えば、ある実施態様で、総合決定エンジン１１４がＭＲＩ画像データだけの分析結果に基づいて総合した段階評価を算定するときに、以下に述べるスコア付け体系を用いる。

同様に、単独モダリティで構築されるものと同様の統計モデルは、多数のモダリティから得られる画像データのために構築されることができる。例えば、結果に割り振られた統計的可能性により、多数のモダリティにより得られた画像データのそれぞれに見られた特徴の存在と可能性のある腫瘍の段階とを関連付けるために、多数のモダリティから得た画像データのプールでよく知られている生検の結果によって、規則を構築することができる。この一組の規則セットは、病変の総合病期評価を算定するために、総合決定エンジンによって提供される病変の全てのモダリティ、病変型、範囲および分類法に適用できる。このような組み合わされたスコア付けまたは評価は、より大きな入力セットを考慮するので、結果はより堅実となる傾向がある。一般には、独立に得られたデータをより多く用いれば用いるほど、算定された評価は統計学的に信頼性が一層高くなる傾向にある。更に、単独のモダリティの画像データを分析する結果から算定される評価は、例えば、統計モデルの基礎的な関数に貢献する重要な記述子が算定できないときなど、欠けたデータポイントに大きく影響される。多数のモダリティからの結果については、他のモダリティからの結果が、必須の（そして、欠けている）情報を提供することができるので、算定された評価に対する信頼が増す。

しかし、多数のモダリティからの組み合わさっている結果が信頼性および評価に対する信頼を改善する傾向があるにもかかわらず、１個のモダリティの分析からの結果がでも充分である状況があることは言うまでもない。１個のモダリティからの結果が明らかに示唆的な場合、パフォーマンスを高めるために、他のモダリティによる分析は任意に省略できる。例えば、ＭＲＩ動力学的分析により、明らかに病変がガンであるとわかった場合、ユーザが特に形態学的分析を要請しない限り、ＭＲＩ形態学的分析または他のモダリティによる形態学的分析は任意にスキップまたは停止することができる。同様に、形態学的な分析が明らかにガン所見を示す場合、ＭＲＩ動力学的分析はスキップまたは停止できる。この場合、総合決定エンジンによって得られる結果は、ガン所見を示した特定のモダリティ決定エンジンによって得られるものと同様である。

総合エンジンの結果は、確認または修正のためにユーザに提示される（ステップ８１２）。ユーザは、それぞれのモダリティの、抽出された特徴を重ね合わせた画像を見ることができる。ＣＡＤアプリケーションプログラム１０６によって識別された特徴は、注釈付けすることができる。コントラスト変化曲線５１４もまた、同時にユーザに示すこともできる。識別された結果は、ＢＩ−ＲＡＤＳ ＭＲＩレキシコンか、または他のふさわしい基準により確立した標準の報告形式を予め組み込むことができる。図９はそのような一つのあり得るディスプレイを示し、第１モダリティから得られる第１画像９０２、第２モダリティからの第２画像９０４、および予め組み込んだ総合評価および抽出した特徴と共に総合結果を含んでいるレポート９０６を示す。

ユーザ（例えば医師または放射線科医）は、ＣＡＤアプリケーションプログラム１０６によって算定されると結果を確認し、また、自動的に検出および評価した結果の全てを修正できる。ユーザによる入力を受信するために、注釈モジュール（図示せず）を備えても良い。ユーザは、ユーザインタフェースによって示される結果に修正または注釈付けすることができる。例えば、ユーザは病変を再分類するか、ＣＡＤアプリケーションプログラム１０６による分類を覆すか、または、ＣＡＤアプリケーションプログラム１０６により算定された病期評価を修正することができる。ユーザは、また、ＣＡＤアプリケーションプログラム１０６によって抽出した形態学的または動力学的特徴を再分類することができる。そして、ＣＡＤアプリケーションプログラム１０６は、修正した総合決定および評価を生成するために、必要に応じて再算定するであろう。

一旦結果がユーザによって確認されると、レポートを生成することができる（ステップ８１４）。生成されたレポートは、結果が総合決定および評価である場合を除き、個々のモダリティのために生成したものと類似している。レポート内容は、一般には、初期設定より被処理画像において利用可能なデータに基づく。換言すれば、図９に示したものに類似した結果がレポートに反映される。レポートは、注釈およびコメントならびにユーザの修正と共に、検出および分類されたＭＲＩ画像、超音波またはＣＴ特徴、そして場合によっては、算定および確認された評価を含む。同様にして、オリジナルおよび被処理の医用画像も含まれる。最後に、レポートは、放射線科医の画像所見および評価を含む（好適には、関連したＡＣＲ ＢＩＲＡＤＳ分類フォームに適合するフォーマットで）。

レポートは、追跡可能性および監査の目的のために識別および監査情報を含んでも良い。識別および監査情報は、その中に個別のレポート識別子、シリーズ番号、日付または時間の記録（すなわち、研究またはレポートの日時、患者の識別番号、研究識別番号、ユーザＩＤ、個別のレポート識別子、検出された特徴についてのユーザによる追記または修正の日付など）を含むことができる。好都合には、放射線科医が電子署名を行うために、暗号モジュールを備えることができる。電子署名は監査能力を向上させ、偶発的なレポートの修正を阻止するために、アーカイブ時に毎回、盛り込まれ、記録されることができる。

好適には、レポートはＤＩＣＯＭ二次キャプチャとしてアーカイブする。注釈、コメント、病変境界のような画像処理結果、および診断結果は、ＤＩＣＯＭ対応ファイルの一部としてアーカイブする。また、例えば、ユーザは、例えば、レポートのＰＤＦ版を患者症例ディレクトリに局所的に保存することができる。こうすることで将来の参照を容易になる。その複合レンダリングのための症例がすでに患者のためのアーカイブ内に存在する場合、新規な症例を作成する。

ＣＡＤアプリケーションプログラム１０６は、単独の撮影セッションまたは臨床訪問の間に取得される画像データを分析することに限られない。多くは、数ヵ月間隔で患者を撮像することが必要である。これは、定期的な検査の一部として、または手術後の経過観察の通院または癌の治療の一部として必要とされるであろう。異なる通院の際に撮像した同一のモダリティによる画像を分析し、互いに比較する必要がある。例えば、それは、検出した良性病変が悪性になったかどうか決定するのに必要であろう。あるいは、それは、悪性病変がより小さくなったかまたは治療の後、成長するのを止めたかどうか決定するのに必要であろう。

図１０は、異なる時期に得られた、同じモダリティにより得た画像処理のためのプロセスを示す。これは、図３に示す方法に修正を加えたプロセスである。図１０も、３個の並列サブプロセス、すなわち、患者のデータ読み出しサブプロセス３０２、第１形態学的サブプロセス１００４、および第２形態学的サブプロセス１００６を示す。同様にして、サブプロセスも並列的な処理として示す。この修正されたプロセスにおいて、１つの例外の他は、第１および第２の形態学的サブプロセス１００４および１００６は、基本的に同じである。サブプロセス１００４の開始時に、第１臨検の画像データを読み出す（ステップ１０１４）。サブプロセス１００６の開始時に、第２臨検の画像データを読み出す（ステップ１０２０）。画像データの処理（ステップ１０１６）ならびに病変の分類付けおよび評価（ステップ１０１８）は、両方のサブプロセス１００４および１００６について同一であり、本質的には超音波サブプロセス３０４につき説明したものと同一である。従って、サブプロセス１００４および１００６についてはここに詳述しない。

最終ステップ１００８において、総合決定エンジン１１４は、第１臨検の画像データから抽出された特徴を組み込んだ第２臨検の画像データに関する病変の総合評価を算定する。異なる時点に画像データが得られるので、両方の画像データにおいて見られる場合であっても、同じ病変は異なるステージにある傾向があって、２つの臨検において得られた画像に見られる仮想のパターンとマッチングが必要となる。病変を相関付けするときに、総合決定エンジン１１４は、時間差を考慮に入れることが必要になる。第１臨検の画像データに見られた病変の発達の時間投影は、必須とすることができる。一旦両方の一揃いの画像データにおける病変の特徴を相関付けると、総合評価は前記通り評価できる。しかし、異なる時点に撮像した病変において識別される特徴を相関付けするためには、異なったモデルまたは異なる一組の規則セットが必要とされるであろうことが理解される。放射線医等のユーザに、並置比較で、個々の一組の画像データセットを示すことができる。並置比較は、分類付けはもちろん、範囲および病変型などの結果を含んでも良い。このような比較は、病変の発達または治療の効果についての医師による評価を支援することができる。

本発明の各種実施形態を詳述してきた。当業者であれば、多数の修正、適応および変更が本発明の範囲内において、実施可能であろう。本発明の本質、精神および範囲から逸脱しない範囲で、前記発明を実施するための最良の形態に変更または追加を行うことができるため、発明は上述の実施形態に制限されるものではなく、むしろ、添付の特許請求の範囲のみによって規定されるものと認識されたい。

コンピュータ支援検出（ＣＡＤ）システムを示している模式図である。 図１に示すＣＡＤシステムのＣＡＤアプリケーションプログラムにおける主要機能構成要素のブロック図である。 図２に示すＣＡＤアプリケーションプログラムによって定量的および定性的に実施される医用画像データ分析プロセスのステップを示すフローチャートである。 ＣＡＤアプリケーションプログラムによって実行される、ＭＲＳデータおよび超音波画像を分析する他のプロセスを示す。 あるモダリティからの結果を他のモダリティへの入力として使用して、図２に示すＣＡＤアプリケーションプログラムによって実施する、代替的なプロセスを示すフローチャートである。 図３に示すプロセスの一部を詳細に示す。 時系列に配置した医用画像および対応するコントラスト変化曲線を線図的に示す。 コントラスト変化曲線に期待される一般的な挙動を示す。 図５および図６に示されるコントラスト変化曲線を生ずる図３に示すプロセスの一部を示すフローチャートである。 形態学的特徴および動力学的特徴を組み合わせた、総合的結果を得るための図３に示すプロセスの一部を示すフローチャートである。 ユーザに対して、２種類のモダリティによる分析画像を並置比較および総合的な結果を与えるディスプレイ表示の一例を線図的に示す。 異なる時期に同一モダリティで取得した画像を処理するため、図３に示したプロセスから修正したプロセスを示す。

Claims (30)

1. 解剖学的組織内の領域に関する、複数の医用画像データを分析して、前記領域における異常を検出する方法であって、少なくとも一組の前記複数の医用画像データセットがコントラスト強調剤の投与に応答する経時的情報を含むものとした、該分析方法において、
   前記複数の医用画像データを取得するステップと、
   前記複数の医用画像データから前記領域における可能性のある病変を示す１組のデータポイントセットを識別するステップと、
   前記複数の医用画像データから、前記１組のデータポイントセットに関連する特徴を抽出するステップであって、１組の形態的特徴セット、１組の経時的情報である動力学的特徴セット、および１組の生化学的特徴セットのうち少なくとも２組の特徴セットの特徴を抽出するステップと、
   前記可能性のある病変の初期診断評価を前記少なくとも２組の特徴セットから算定するステップと、および
   前記初期評価を査定のためにユーザに与えるステップと、
   を有することを特徴とする分析方法。
2. 請求項１に記載の分析方法において、さらに、
   ユーザから前記少なくとも２組の特徴セットに対する修正を受信するステップと、
   前記修正を組み込んで修正評価を再算定するステップと、および
   前記修正評価を更なる評価のためにユーザに与えるステップと
   を有する分析方法。
3. 請求項１に記載の分析方法において、前記動力学的特徴は、前記１組のデータポイントセットの部分集合における、時間依存の局所的コントラスト変化に対応するコントラスト変化曲線から抽出するものとした、分析方法。
4. 請求項３に記載の分析方法において、前記動力学的特徴は、コントラスト変化曲線を、継続的強調型、平坦型および逓減型のうち１タイプに分類付けするものとした、分析方法。
5. 請求項３に記載の分析方法において、前記動力学的特徴を抽出するステップは、可能性のある病変を囲むエンベロープを識別するステップを有するものとし、コントラスト変化曲線は、前記エンベロープに囲まれるデータポイントにおける前記時間依存の局所的コントラスト変化を識別することにより抽出するものとした、分析方法。
6. 請求項３に記載の方法において、さらに、前記１組の形態学的特徴セット、前記１組の経時的情報である動力学的特徴セット、および、前記１組の分光情報である生化学的特徴セットを、可能な診断に関連付けする複数の規則を取得するステップを有し、前記初期評価および前記修正評価は、前記複数の規則および前記少なくとも２組の特徴セットから算定するものとした、分析方法。
7. 請求項１または２に記載の方法において、前記複数の医用画像データは、少なくとも２個のモダリティから取得した医用画像データを含むものとし、前記算定、および再算定のステップは、さらに、
   前記少なくとも２個のモダリティに対して、各モダリティの医用画像データから抽出した特徴よりモダリティ決定を算定するステップと、
   前記モダリティ決定を前記算定および再算定に相関させるステップと
   を有するものとした、分析方法。
8. 請求項１に記載の分析方法において、前記生化学的特徴は、前記１組のデータポイントセットにおける、ＭＲＳ部分集合に対するスペクトル分析から抽出するものとした分析方法。
9. 請求項８に記載の分析方法において、前記生化学的特徴は、少なくともマーカー化学物質の濃度分布を含むものとした、分析方法。
10. 請求項８に記載の分析方法において、前記生化学的特徴は、分光分析から得られる２個以上のマーカー化学物質の少なくとも、相対強度を含むものとした、分析方法。
11. 請求項１に記載の方法において、前記複数の医用画像データは、Ｘ線画像データ、超音波画像データ、ＭＲＩ画像データ、ＭＲＳデータ、ＣＴ画像データ、ＰＥＴ画像データ、ＰＥＴ／ＣＴ画像データ、デジタル切断合成画像データおよび核画像データのグループから選択した少なくとも１組の画像データセットを含むものとした、分析方法。
12. 請求項１に記載の方法において、さらに、患者のリスクプロファイル情報を読み出すステップを有するものとし、前記査定ステップは前記患者のリスクプロファイル情報を組み込むものとした、分析方法。
13. 解剖学的組織内の領域における、複数の医用画像データを分析するシステムであって、少なくとも一組の前記複数の医用画像データセットがコントラスト強調剤の投与に応答する経時的情報を含むものとした該分析システムにおいて、
    前記複数の医用画像データを読み出す画像データモジュールと、
    前記医用画像データにおける、可能性のある病変を識別し、前記可能性のある病変に関連する形態学的な特徴を抽出および分類付けする形態学的モジュールと、
    前記複数の医用画像データから、前記可能性のある病変に関連する経時的情報である動力学的特徴を抽出する動力学的モジュールと、
    前記複数の医用画像データから、１つ以上のマーカー化学物質に関する生化学的特徴を抽出する分光分析モジュールと、
    前記形態学的モジュールから抽出および分類付けした前記形態学的特徴を受信し、前記動力学的モジュールから抽出した前記経時的情報である前記動力学的特徴を受信し、ならびに前記分光分析モジュールから前記生化学的特徴を受信し、また前記形態学的特徴、前記動力学的特徴および前記生化学的特徴から前記可能性のある病変を評価算定して、初期診断評価を算定する総合決定エンジンと、および
    ユーザによる評価および修正のために、前記初期診断評価とともに、少なくとも前記複数の医用画像データの一部を表示するグラフィカルユーザインタフェースと、
    を備えたことを特徴とする分析システム。
14. 請求項１３に記載のシステムにおいて、さらに、
    前記抽出および分類付けした前記形態学的特徴から形態学的評価を導き出す、形態学的決定エンジンと、
    前記抽出した前記動力学的特徴から動力学的評価を導き出す動力学的決定エンジンと、および
    前記生化学的特徴から分光学的評価を導き出す分光分析決定エンジンと、
    を備え、前記総合決定エンジンは、前記形態学的評価、前記動力学的評価および前記分光学的評価を相関付けして、決定の算定に組み込むものとした、分析システム。
15. 請求項１３に記載のシステムにおいて、さらに、前記グラフィカルユーザインタフェースを経て、前記抽出および分類付けした形態学的特徴、前記動力学的特徴、および、前記生化学的特徴のうち少なくとも一つに対する修正を受信する注釈モジュールを備え、前記総合決定エンジンは、前記修正を受信する際に、修正した診断評価を再算定するものとした、分析システム。
16. 請求項１３に記載のシステムにおいて、前記動力学的モジュールは、１組のデータポイントセットの部分集合における、時間依存の局所的コントラスト変化に対応するコントラスト変化曲線を構築する曲線構築モジュールと、および前記動力学的特徴を前記コントラスト変化曲線から抽出する動力学的分析モジュールと、を有するものとした分析システム。
17. 請求項１３に記載のシステムにおいて、画像データモジュールは、多数のモダリティの医用画像データを読み出す構成とし、また、前記総合決定エンジンは、前記多数のモダリティのそれぞれから取得した医用画像データから抽出した、形態学的特徴および動力学的特徴を受信するモジュールを有する構成とした、分析システム。
18. 請求項１７に記載のシステムにおいて、多数のモダリティは、Ｘ線画像データ、超音波画像データ、ＭＲＩ画像データ、ＭＲＳデータ、ＣＴ画像データ、ＰＥＴ画像データ、ＰＥＴ／ＣＴ画像データ、デジタル切断合成画像データおよび核画像データを含むものとした、分析システム。
19. 請求項１６に記載のシステムにおいて、前記動力学的分析的モジュールは、コントラスト変化曲線を継続的な強調型、平坦型および逓減型のうち１タイプに分類付けする構成とし、前記動力学的特徴は、前記曲線型タイプを有するものとした、分析システム。
20. 請求項１３に記載のシステムにおいて、さらに、
    患者のリスクプロファイル情報をデータベースから読み出す患者のリスクプロファイルモジュールと、および
    患者の病歴情報を読み出す患者の病歴モジュールと
    を備え、前記評価の前記査定は、前記患者のリスクプロファイル情報および前記患者の病歴情報を組み込むものとした、分析システム。
21. 患者の解剖学的組織内の領域からＭＲＳ医用画像データを取得および分析する方法において、
    領域に対する、複数の医用画像データを取得するステップと、
    前記複数の医用画像データから前記領域内で可能性のある病変を表す１組のデータポイントセットを識別するステップと、
    前記複数の医用画像データから、前記可能性のある病変に関連した特徴を抽出するステップと、
    前記可能性のある病変の初期診断評価を前記特徴から算定するステップと、および
    前記初期診断評価の際に予め選択された基準を満たすかを確認するステップと
    を有し、この確認ステップは、
    前記可能性のある病変を含む候補領域からＭＲＳ医用画像データを取得るステップと、
    生化学的特徴を前記ＭＲＳ医用画像データから抽出するステップと、
    さらに前記生化学的特徴を組み込んで再算定し、前記可能性のある病変の総合評価を再算定するステップと、および
    査定および修正のためにユーザに前記総合評価を与えるステップと、
    を有するものとした分析方法。
22. 請求項２１に記載の方法において、前記複数の医用画像データのうち、少なくとも一部は、患者へのコントラスト強調剤の投与に応答する経時的情報を含み、前記特徴は、１組の形態的特徴セットおよび１組の経時的情報である動力学的特徴セットのうち少なくとも一方のセットを含むものとした、分析方法。
23. 請求項２２に記載の方法において、さらに、前記１組の形態学的特徴セット、前記１組の経時的情報である動力学的特徴セット、および、１組の分光特徴セットを、可能な診断に関連付けする複数の規則を取得するステップを有し、前記初期評価および前記再算定評価は、前記複数の規則から算定するものとした、分析方法。
24. 請求項２３に記載の方法において、さらに、
    ユーザから、前記形態学的特徴、前記１組の動力学的特徴セット、および、前記１組の分光特徴セットの少なくとも１つに対する修正を受信するステップと、
    更に前記修正を組み込んで修正評価を再算定するステップと、および
    更なる査定および修正のために、ユーザに前記修正評価を与えるステップと、
    を有するものとした、分析方法。
25. 解剖学的組織内の領域における医用画像データを分析するシステムであって、医用画像データは複数のモダリティから取得するものとした該分析システムにおいて、
    前記医用画像データを受信する画像データモジュールと、
    前記複数のモダリティのうち１つから取得した画像データを処理する複数の画像処理モジュールであって、各画像処理モジュールは、前記医用画像データにおける可能性のある病変を識別し、この可能性のある病変に関連する１組のモダリティ特徴セットを抽出および分類付けするものとした該複数の画像処理モジュールと、
    複数のモダリティ決定エンジンであって、それぞれ、モダリティに関連する１組のモダリティ特徴セットから、前記複数のモダリティにおけるモダリティのための、前記可能性のある病変のモダリティ評価を算定する、該複数のモダリティ決定エンジンと、
    前記モダリティ評価を組み合わせ、また前記モダリティ評価から前記可能性のある病変の初期診断評価を算定する、総合決定エンジンと、および
    ユーザ評価および修正のための前記初期診断評価とともに、前記医用画像データのうち少なくとも一部を表示するためのグラフィカルユーザインタフェースと、
    を備えたことを特徴とする分析システム。
26. 請求項２５に記載のシステムにおいて、前記医用画像データのうち少なくとも一部は、患者へのコントラスト強調剤の投与に応答する経時的情報を含み、前記特徴は、１組の形態的特徴セットおよび１組の経時的情報である動力学的特徴セットのうち少なくとも一方の特徴セットを含むものとした、分析システム。
27. 請求項２５に記載のシステムにおいて、前記医用画像データのうちの少なくとも一部はＭＲＳデータ取得から得た分光特徴を含み、前記モダリティ特徴セットは、少なくとも１個または複数個のマーカー化学物質の生化学的特徴を含むものとした、分析システム。
28. 請求項２７に記載のシステムにおいて、前記生化学的特徴は、少なくとも、前記１個または複数個のマーカー化学物質に関する濃度分布を含むものとした、分析システム。
29. 請求項２５〜２８のいずれか一項に記載のシステムにおいて、前記可能性のある病変を識別する際に、前記複数の画像処理モジュールのうち１つが、複数の画像処理モジュールのうち、他の少なくとも１つの画像処理モジュールおよび、複数のモダリティ決定エンジンのうち、他の少なくとも１つのモダリティ決定エンジンから入力を受信するものとした、分析システム。
30. 請求項２９に記載のシステムにおいて、前記入力は、前記可能性のある病変に対応する１組の病変データポイントセットに対する参照入力とした、分析システム。

Images