JP2009522004A - 医療診断用経過観察検査方法 - Google Patents

Abstract

医用画像診断用経過観察時検査方法を提供する。第１時期に撮影された複数枚の第１医用画像にアクセスし、更に第１医用画像で捉えた被写体を同じく被写体として第２時期に撮影された複数枚の第２医用画像にアクセスする。所定の空間座標系上へのマッピングにより各複数枚の第１医用画像及び第２医用画像を位置合わせする。各複数枚の第１医用画像及び第２医用画像を時間軸上にマッピングする。経過観察時医用画像解析のための対話を司る。

Description

本発明は、ディジタル画像処理技術及びコンピュータ表示技術による画像解析、特にその撮影時点が異なる複数枚一組の医用画像（経過観察用医用画像列）の時間変化として現れる特性の違いによる組織の検査即ち経過観察時（クロスタイム）組織検査に関する。

ディジタル医用画像撮影は１９７０年代に実用化された技術である。当初ＣＴ（コンピュータ断層撮影）スキャナとして医療現場に進出した画像診断技術は、ＣＴによるＸ線撮影の普及、ディジタルコンピュータの発達、並びに新種の撮影方式例えば超音波やＭＲＩ（核磁気共鳴撮影）の出現と相俟って、ここ３０年程の間に爆発的な普及を見ている。

ディジタル医用画像撮影は健康管理に役立つ技術である。例えば血管造影術による脳内、腎臓内、四肢内及び心臓内血管の探査はディジタル医用画像撮影処理技術なくしては行いがたい。

画像のディジタル化はコンピュータ利用多次元画像解析の途を拓いた。これは画像を例えば空間的且つ時間的に解析する手法である。この手法によれば、撮影部位をシーケンシャルに変えて身体を立体的に撮影すること（スキャン）によって、解剖学的変化か機能的変化かを問わず身体の変化を定量的に自動検知すること、異物の所在を特定すること、診断時に表示する画像に一貫性を持たせること等ができる。

更に、複数方式併用による医用画像撮影の途も拓かれた。これは、互いに異質な画像が得られる複数の方式で同じ身体部位を撮影して解剖面及び機能面を調べる手法である。この手法によれば、それに相応しい医用画像処理ソフトウェア及び表示ツールさえあれば、診断の正確さを飛躍的に高めることができる。併用可能な方式としては、例えば、脳の解剖学的状態はわかるが機能的情報がほとんど得られないＸ線ＣＴ又はＭＲＩと、脳の機能的状態を表示させその代謝状態を計測することができても解剖学的状態がほとんどわからないＰＥＴ（陽電子放射断層撮影）又はＳＰＥＣＴ（単一光子放射断層撮影）とがある。その画像に骨や石灰化個所がうまく映るＣＴとその画像から軟組織構造を好適に識別できるＭＲＩ、というように、互いに形態的に異なる組織を捉える複数の方式を使用し、各種身体部位から相応の方式で一群の画像を収集することもできる。

ご理解頂けるように、ある（空間的／時間的）次元乃至方式を使用して得られる情報と、それとは別の次元乃至方式を使用して得られる情報は、本質的に相互差のある情報であり、従ってそれらを相補的に使用することができる。今日の医療現場では、医療診断設備を構成する多数の装置の一つとしてそうした相補情報を処理できる装置が使用されており、その種の装置は外科手術や放射線療法の計画立案及び評価に役立っている。

しかしながら、相補情報を有効利用するには、次元／方式が異なる複数個の画像間で同一構成部分の位置を一致させねばならない。位置合わせシステムはあるもののそれは医師が目視で操作するシステムであり、実際には画像間座標合わせは非常に難しい。高度に熟練した医療従事者例えばたたき上げの放射線科医であっても、一群の画像を齟齬なく理解して正しく位置を揃え、その患者の現状に最適な術式を特定するのは難しい。

今日の医療従事者が直面している問題としては、更に、昨今の医用画像撮影装置で得られる画像の枚数乃至データ量が多すぎる、という問題もある。１回のスキャンで１００枚を超える画像が集まるのは普通であり、数百枚に上ることもしばしばである。医療の専門家といえども画像を正しく理解するにはそれなりの時間がかかるので、昨今の医用画像撮影装置でもたらされる多数のデータを余さず調べるには大変な時間が必要になる。

そのため、画像処理技術及びコンピュータ表示技術を使用して疾病部位を自動検知し診断を支援することができる効率化手法が求められている。

なお、この参照を以て本願に繰り入れられるところの特許文献１（発明者：Ｓｍｉｔｈ）には、医用画像データの分類乃至処理形態を指定するルールを事前にプログラミングしておき適用する、という手法が示されている。

同じくこの参照を以て本願に繰り入れられるところの特許文献２（発明者：Ｄａｗ）は、コンピュータを利用した医用画像処理表示方法に関するものである。

米国特許出願公開第２００４／００６４０３７号明細書 米国特許出願公開第２００３／００９５１４７号明細書 米国特許第６３５３８０３号明細書 Paul S. Tofts, B. Berkowitz, and M. Schnall, "Quantitative Analysis of Dynamic Gd-DTPA Enhancement in Breast Tumours Using a Permeability Model", Magn Reson Med 33, pp. 564-568, 1995 S.C. Rankin, "MRI of the breast", The British Journal of Radiography 73, August 2000, pp 806-818 Lydia Ng, et al., "Medical Visualization with ITK", pp.1-25, [online] Internet URL: http://www.itk.org Berthold Klaus and Paul Horn, "Robot Vision - The MIT Electrical Engineering and Computer Science Series", The MIT Press Cambridge, Massachusetts, ISBN No:0-262-08159-8 Lennart Ljung, "System identification Toolbox: Theory for The User", The Math Works, ISBN No:0-13-881640-9, 1987 C.W. Piccoli, "Contrast-enhanced breast MRI: factors affecting sensitivity and specificity", Eur. Radiol. 7 (Suppl. 5), S281-S288 (1997) Christopher J.C. Burges, "A Tutorial on Support Vector Machines for Pattern Recognition", Data Mining and Knowledge Discovery, 2(2), 121-167, 1998, Kluwer Academic Publisher, Boston, [online] Internet URL: http://aya.technion.ac.il/karniel/CMCC/SVM-tutorial.pdf

ご存じの通り、悪性乳癌はあるサイズに達すると自分専用に血管網を発達させ、その血管網を通じて更なる成長を続ける。従って、胸部組織に対する血液供給状況を調べること、例えば血流中に造影剤を注入して胸部ＭＲＩスキャンを実施し血管網を画像上で浮きだたせることで、その腫瘍を“ライトアップ”することができる。このスキャンは、通常は造影剤注入前に１回、造影剤注入後に少なくとも１回行われる。それは、注入前画像と注入後画像との比較でライトアップ部位がわかるからである。但し、スキャンとスキャンの間に患者が僅かでも動くと画像の形状や大きさが変わり、それによって多くの情報が失われるのが難点である。

ＭＲＩにて造影剤、即ち正常な体内（例えば脳内）組織と異常な体内組織の間のコントラストを強調する薬剤として使用される物質は、例えばガドリニウムやガドジアミドである。

ガドリニウムは水のように透明な非放射性の物質であり、血管に注入されると異常組織に沈着する。ガドリニウムが沈着した異常体内組織例えば脳内異常個所はＭＲＩ画像上で明るく表示され（強調され）るので、ガドリニウムを注入すると異常組織を見つけやすくなる。即ち、ガドリニウムはＭＲＩによる異常組織発見に大いに役立つ物質であり、ガドリニウムを投与すると腫瘍がＭＲＩ画像上で強調されるので、その画像から腫瘍の正確なサイズ及び位置を知り手術の計画や術後の手当に役立てることができる。また、小さな腫瘍でも明るく即ち見やすく表示されるので、腫瘍を小さいうちに発見することができる。なお、ガドリニウムはいずれ腎臓の働きで体外に排出される。

ＭＲＩに関する研究によれば、造影剤例えばガドペンテタートジメグルミン（gadopentetate dimeglumine）の静注直後から約１分の時間分解能で立体的ＭＲＩスキャンを行い一組のＴ１加重ＭＲＩ画像を取得すると、撮影した単位空間（ボクセル）のうち造影剤が存在している単位空間からの信号はその造影剤の作用で強い信号になり、またその信号強度が時間経過と共に増大する信号になる。そのため、Ｘ線マンモグラフィだけでは診断を下しがたい乳癌（疑い）個所等については、造影剤使用下でＭＲＩ撮影を行いコントラスト変化を調べるとよい。

このコントラスト変化法による組織種類識別は、組織種類が違うと図１に示すコントラスト変化曲線の立ち上がり勾配が違うことを利用したものである。例えば癌性組織では“リーキー”な新生毛細血管が増殖するので立ち上がりが大幅且つ急峻になるのが普通だが、正常組織や肥満組織からの信号はほとんど増加を呈さない。なお、こうしたコントラスト変化化曲線（立ち上がり曲線）は薬物動態モデルへの当てはめによって定めることができ、それによってその曲線の生理学的パラメタを求めることができる（非特許文献１参照）。

また、この参照を以て本願に繰り入れられるところの特許文献３（発明者：Ｄｅｇａｎｉ及びＨａｄａｓｓａ）は、時間経過に伴い空間的な変化が生じる性質を持った流体流通システムを監視する装置及び方法に関するものである。この装置及び方法では、そのシステム内の特定の場所を監視し、システムイベントに対応する複数の時点でデータを収集する。そのデータにより表される系パラメタの時間的変化は、システム流入流出挙動に係る少なくとも二種類の変数の関数として記述可能である。

これらの曲線乃至パラメタ処理技術は、医療現場における腫瘍の識別及び分類、即ち悪性腫瘍か良性腫瘍かの判別に利用されている。但し、うまく判別できるかどうかは全体として感度が良好か否かにかかっているので、うまく特定できないこともままある（非特許文献２参照）。

このように、従来のシステムは使用する分野によってうまく機能しないことがあった。そのため、前述した種々の問題を克服でき且つ前述した実用上の要請に応えうる優れた医用画像解析用ディジタル画像処理方法が求められている。

本発明は画像解析方法、とりわけ医用画像の時間変化として現れる特性の違いに基づく経過観察時組織検査方法を提供するものである。

本発明の目的の一つは、撮影時点順に並べた複数枚一組の医用画像（経過観察用医用画像列）の時間変化として現れる特性の違いに基づき組織を検査し、例えば異常組織と正常組織を弁別可能にする経過観察時組織検査方法を提供することにある。

なお、本願にて目的として例示した事項はいずれも本発明の実施形態のうち１個又は複数個についての目的にすぎない。本件技術分野にて習熟を積まれた方々（いわゆる当業者）には追々明らかになるように、本発明により根本的に達成できる事項はそれ以外にもある。本発明の定義については別紙特許請求の範囲を参照されたい。

本発明の一実施形態は、コントラスト強調済みＭＲＩ画像を利用し且つ他の身体的又は非身体的要因を踏まえその特性の違いにより組織を経過観察時組織検査するためのパターン認識方法である。本方法は、複数個の経過観察用医用画像列（例えば造影剤注入前に撮影したＭＲＩ画像と造影剤注入後に撮影したＭＲＩ画像）を取得するステップと、各経過観察用医用画像列内で空間座標を基準に画像を位置合わせする（列内位置合わせする）ステップと、各経過観察用医用画像列間で空間座標を基準に画像を位置合わせする（列間位置合わせする）ステップと、位置合わせが済んだ医用画像に現れる特性の違いで組織を分類するステップと、その結果を表示するステップと、を有する。

本発明の他の実施形態は、コントラスト強調済みＭＲＩ画像を利用し且つ他の身体的又は非身体的要因を踏まえて異常組織を自動検知及び弁別する方法である。本方法は、複数組の胸部ＭＲＩ画像を取得するステップと、取得した画像を空間座標基準で整列させるステップと、一組の参照ＭＲＩ画像に対する胸部ＭＲＩ画像の相違に基づき複数枚の差分画像を生成するステップと、生成した差分画像群を強度選別して複数個の画素値選別胸部ＭＲＩ画像を生成するステップと、生成した画素値区分胸部ＭＲＩ画像に対し力学系識別を適用して複数個の力学系パラメタを導出するステップと、導出した複数個の力学系パラメタに基づき且つ身体的又は非身体的要因を踏まえて系を複数種別に分類するステップと、を有する。

本発明の更に他の実施形態は自動データ分類方法である。本方法は、その撮影時点が異なる複数組の被写体画像を取得するステップと、取得した画像を空間座標基準で整列させるステップと、一組の参照画像に対する被写体画像の相違に基づき複数組の差分画像を生成するステップと、生成した差分画像を強度選別して複数個の画素値選別画像を生成するステップと、生成した画素値選別画像に対し力学系識別を適用して複数個の力学系パラメタを導出するステップと、導出したパラメタに基づき力学系を複数種別に分類するステップと、を有する。

本発明の更なる実施形態は、コントラスト強調済みＭＲＩ画像を利用する異常組織検知方法である。本方法は、その撮影時点が異なる複数組の胸部ＭＲＩ画像を取得するステップと、取得した画像を空間座標基準で整列させるステップと、一組の参照ＭＲＩ画像に対する胸部ＭＲＩ画像の相違に基づき複数個の差分画像群を生成するステップと、生成した差分画像を強度選別して複数個の画素値選別ＭＲＩ画像を生成するステップと、生成した画素値選別ＭＲＩ画像に対し力学系識別を適用して複数個の力学系パラメタを導出するステップと、導出したパラメタに基づき力学系を複数種別に分類して異常組織を検知するステップと、を有する。

以下、上記以外のものを含め本発明の目的、構成及び効果を示すため、本発明の実施形態について別紙図面を参照しつつより具体的に説明する。実際の部材寸法は図面上での寸法に対し必ずしも比例していないので注意されたい。

また、本発明の好適な実施形態を詳細に説明するに当たり別紙図面で使用する参照符号は、どの図でも、同一構成部材なら同一符号としてある。

図２に本発明の実施に適する画像処理システム１０を示す。本システム１０はディジタルＭＲＩ画像源１００を備えており、その画像源１００例えばＭＲＩスキャナやディジタル画像記憶／記録装置（コンパクトディスクドライブ等）はディジタル画像を画像プロセッサ１０２に供給している。プロセッサ１０２としてはプログラミング可能な装置、例えばパーソナルコンピュータやＳｕｎ Ｓｐａｒｃ（登録商標）ワークステーション等のディジタル画像処理ワークステーションを使用するとよい。プロセッサ１０２には更にディスプレイ１０４、例えばＣＲＴディスプレイ等のモニタや、オペレータに対するインタフェースになりうるキーボード１０６、マウス１０８等の入力装置が接続されている。プロセッサ１０２は、コンピュータ可読記憶／記録媒体１０７にも適宜アクセスしつつディジタル画像を処理し、処理した画像を出力装置１０９に送る。出力装置１０９としては、例えばハードコピー用のプリンタ、長期間画像記憶／記憶装置、他のプロセッサ、インターネット等につながった画像通信装置等を、接続することができる。

本発明はこうしたシステム上で好適に実施できる方法（手順）に関する発明である。但し、本発明はＭＲＩで得たディジタル画像（ＭＲＩ画像）から当該手順に従い異常組織を検知するコンピュータプログラム製品としても実施できる。本発明の実施形態に係るコンピュータプログラム製品は、図２に示したタイプのパーソナルコンピュータや、ディジタルＭＲＩ装置或いはＰＡＣＳ（picture archiving communication system：医用画像ファイリングシステム）に組み込まれたコンピュータ等を含め、様々な構成のコンピュータシステム上で実行できるので、本発明の実施に適するコンピュータシステムの構成についてはこれ以上の詳細な説明は省くことにする。

本発明をコンピュータプログラム製品として実施する場合、そのプログラム中には、周知の画像操作アルゴリズム及び処理を表す部分と、本発明の実施形態に係る手順を構成し又は当該手順と直接に連携するアルゴリズム及び処理を表す部分とが、含まれることとなろう。以下の説明では専ら後者を採り上げ、前者については説明を省くこととする。従って、本願中に明示説明されていないが本発明の実施に役立つアルゴリズム及び処理もあるので、その点をご理解頂きたい。いわゆる当業者ならば、既存のアルゴリズム及び処理から適切なものを選んで使用することができよう。

更に、本発明を実施する際に採用しうる他のアルゴリズム及びシステム構成や、本発明の実施形態に係るコンピュータプログラム製品への組み込み又は当該製品との併用が可能な画像処理（生成）用ハードウェア及びソフトウェアについて、どのようなものがあるかに関する説明を本願では省略しているが、そうしたアルゴリズム、システム、ハードウェア、コンポーネント及び要素としては本件技術分野で知られているものを適宜選んで使用すればよい。

そして、本発明は、本発明の実施形態に係るコンピュータプログラム製品を記憶／記録するコンピュータ可読記憶／記録媒体として実施することもできる。コンピュータプログラムを可能な有形媒体乃至装置であればよいので、本発明の実施に際しては磁気記録媒体、光学記録媒体、固体電子記憶装置等のどれでも使用できる。磁気記録媒体とはハードディスク、フロッピー（登録商標）ディスク等の磁気ディスクや磁気テープのことであり、光学記録媒体とは光ディスクや光ディスクや機械可読バーコードのことであり、固体電子記憶装置とはＲＡＭ（ランダムアクセスメモリ）やＲＯＭ（リードオンリメモリ）のことである。また、本発明の実施形態に係るコンピュータプログラム製品を記憶／記録させたコンピュータ可読記憶／記録媒体と、画像プロセッサとを、インターネットその他の通信媒体を介して相互に接続するようにしてもよい。いわゆる当業者であれば直ちに理解できるように、本発明の実施形態に係るコンピュータプログラム製品の機能をそれに代わるハードウェアで実現することもできる。

図８に、本発明の一実施形態における手順、即ち医用画像の時間変化として現れる特性に違いのある組織を対象にした経過観察時検査手順の大まかな流れを示す。このフローチャートに示す手順では、複数個の経過観察用医用画像列を一連の処理ステップに供している。各処理ステップで施される機能的処理は、列内位置合わせ、列間位置合わせ、変化曲線利用分類、診断用表示等といった処理である。

ここではまず、そのうちの画像位置合わせについて概念的に説明する。変化曲線利用分類手順については後により詳細に説明する。

図１０に画像位置合わせ処理のあらましをフローチャートにより示す。この画像位置合わせ処理では、二種類の空間座標系即ち２個の二次元画像座標系間でマッピング即ち対応関係画定を実施し、同一被写体の同一部位を表す画素同士が両空間座標系上で同一の位置を占めるようにする。この画像座標系間マッピング処理即ち対応関係画定処理で得られる水平変位マップ及び垂直変位マップは画像間画素対応関係を示しているので、処理対象にしている２枚の画像のうち１枚をそれらのマップに従い変形することで、他方の画像に対する位置ずれを小さくすることができる。

画像位置合わせ処理に関する説明の都合上、２枚の位置合わせ対象画像のうち１枚を原画像１０２０、もう１枚を参照画像１０２２と呼び、原画像１０２０をＩ（ｘ_t，ｙ_t，ｔ）、参照画像１０２２をＩ（ｘ_t+1，ｙ_t+1，ｔ＋１）と表すこととする。この表記で使用している引数ｘ及びｙは順に画像座標系上での水平及び垂直座標値であり、引数ｔは画像番号即ち画像１、画像２等というときの１、２等のことである。画像座標原点即ち（ｘ，ｙ）＝（０，０）の点は画像平面の中心にとる。画像座標値（ｘ，ｙ）を整数に限る必要はないが、実用上は整数値ｉ及びｊでその位置が表される画素Ｉ（ｉ，ｊ）の行列配置で画像を表記した方がよい（引数ｔについては簡略化のため付記を省略している）。画素位置（ｉ，ｊ）即ち離散化座標は座標値（ｘ，ｙ）と対応付けることができ、例えばその幅がｗ、高さがｈの画像で画素位置（ｉ，ｊ）を画像平面上での座標値（ｘ，ｙ）に換算するにはｘ＝ｉ−（ｗ−１）／２．０及びｙ＝（ｈ−１）／２．０−ｊを計算すればよい。列番号ｉの値域は０〜ｗ−１、行番号ｊの値域は０〜ｈ−１である。

大まかには、位置合わせ処理とは
［ｘ_t+1，ｙ_t+1，１］^T＝Φ_t+1（ｘ_t，ｙ_t）［ｘ_t，ｙ_t，１］^T （１０−１）
を満たす最適な画像変形関数Φ_t+1（ｘ_t，ｙ_t）をステップ１００２で導出する処理のことである。この式中の画像変形関数は成分表記すると次の式

の３×３変換行列になる。この変換行列は見ての通りローテーション（回転）行列

及びトランスレーション（平行移動）ベクトル

という二種類の構成部分を有している。画像変形関数Φは大域的関数でも局所的関数でもかまわないが、大域的関数なら画像内の全画素が同様に変形され局所的関数なら各画素がその位置に応じ別様に変形されることになる。画像位置合わせタスクを実行するのに、画像変形関数Φが大域的関数、局所的関数及びそれらの組合せのいずれであっても差し支えない。

画像変形関数Φを導出したら、それを用いステップ１００４にて二種類の変位マップＸ（ｉ，ｊ）及びＹ（ｉ，ｊ）を生成する。続くステップ１００８では、これらのマップＸ（ｉ，ｊ）及びＹ（ｉ，ｊ）を構成する情報を使用し、原画像１０２０における画素位置を動かして参照画像１０２２内の対応画素位置に揃える。即ち、原画像１０２２を空間的に補正し位置合わせ済み原画像１０２４を生成する。なお、マップＸ（ｉ，ｊ）及びＹ（ｉ，ｊ）のいずれについても列番号ｉの値域は０〜ｗ−１、行番号ｊの値域は０〜ｈ−１である。

図１１にこの画像位置合わせによる位置ずれ補正効果の例を示す。図中、左側に示した原画像１１０２と右側に示した参照画像１１０６の間には不均一な垂直位置ずれが明らかに存在しているが、図１０に示した諸ステップをこれらの画像１１０２及び１１０６に適用するとその垂直位置ずれが補正された画像１１０４が生成される。

なお、画像変形関数Φの導出に使用する画像位置合わせアルゴリズムはリジッドなアルゴリズム、非リジッドなアルゴリズム或いはそれらの組合せのいずれでもよいが、関連画像間位置ずれ補正用の変位マップを生成するための画像変形関数Φを導出可能なアルゴリズムは数多くある。非特許文献３にはその例が幾つか示されている。また、変位マップを利用して画像を空間的に補正する処理は上記アルゴリズムに限らず様々な画像補間アルゴリズムに従い実行することができる（非特許文献４参照）。いわゆる当業者であればこれらのことをいずれも理解できる。

そして、本発明の実施に際しては上述した画像位置合わせ処理を一種のブラックボックス１０００と見なすことができる。１０３２はその入力端子Ａ、１０３４は入力端子Ｂ、１０３６は出力端子Ｄである。本実施形態ではこのブラックボックス１０００を後述の如くに用い特性の違いによる経過観察時組織検査を実行する。

さて、その画像位置合わせには、図８に示した通り列内位置合わせ処理と列間位置合わせ処理とがある。図７に同一の被写体（以下の例では胸部）から得た複数個のＭＲＩ画像列の例を示す。図中の胸部ＭＲＩ画像群７０４は同じ胸部を捉えた複数個のスライス画像群７０６、７０８及び７１０の集まりであり、胸部の機能的変化を捉えることができるようそのうちのスライス画像群７０６は造影剤投与前、スライス画像群７０８及び７１０は造影剤投与後というように意図的に異なるタイミングで撮影されている。スライス画像群撮影とスライス画像群撮影の間には例えば１分、２分等々の時間をおく。また、いずれのスライス画像群も、その撮影部位を空間的に動かして撮影した複数枚のスライス画像即ち胸部断層像の集まりである。例えばスライス画像群７０６はスライス画像７１２、スライス画像群７０８はスライス画像７１４、スライス画像群７１０はスライス画像７１６等から構成されている。

その特性に違いがある組織に対する経過観察時組織検査には、胸部ＭＲＩ画像群７０４の他にもう１個又は複数個、同じ被写体（胸部）を捉えた別の胸部ＭＲＩ画像群が必要になる。図示中の胸部ＭＲＩ画像群７２４がそれに該当する。この画像群７２４は、画像群７０４とは別のタイミングで、またその間に例えば数個月といった期間をおいて、撮影されたものである。

胸部ＭＲＩ画像群７２４も同様に、同じ被写体（胸部）を捉えた複数個のスライス画像群７２６、７２８及び７３０の集まりであり、胸部の機能的変化を捉えることができるようそのうちのスライス画像群７２６は造影剤投与前、スライス画像群７２８及び７３０は造影剤投与後というように意図的に異なるタイミングで撮影されている。スライス画像群撮影とスライス画像群撮影の間には例えば１分、２分等々の時間をおく。また、いずれのスライス画像群も、その撮影部位を空間的に動かして撮影した複数枚のスライス画像即ち胸部断層像の集まりである。例えば例えばスライス画像群７２６はスライス画像７３２、スライス画像群７２８はスライス画像７３４、スライス画像群７３０はスライス画像７３６等から構成されている。

ステップ８０４で実行される列内位置合わせは、同一被写体の同一断面から得られた複数枚のスライス画像であって同じ被写体ＭＲＩ画像群に属するもの同士を位置合わせする処理である。図７の例でいえば、胸部ＭＲＩ画像群７０４に属するスライス画像７１２、７１４及び７１６が互いに位置合わせされ、胸部ＭＲＩ画像群７２４に属するスライス画像７３２、７３４及び７３６が互いに位置合わせされる。列内位置合わせは例えば一組の画像に基づく組織特性検査手順として実施でき、またその手順は図３に示すように自立した一個の機能として稼働させることができる。列内位置合わせが必要になるのは、あるスライス画像群を撮影してから次のスライス画像群を撮影するまでの間に被写体の乳房が動くことを避けられず、同じ乳房の同じ断面を分単位の僅かな時間間隔で撮影してもスライス画像間（例えば７１２、７１４及び７１６の間）に位置ずれが発生してしまうからである。この位置ずれをそのままにしておくと組織特性検査処理で誤差乃至過誤が発生する。

また、前述した通り、その特性に違いのある組織に対する経過観察時組織検査の際には、その撮影時期を変えて同一の被写体を何回か撮影し複数個の画像群（例えば胸部ＭＲＩ画像群７０４及び７２４）を得る必要がある。その位置ずれが最も問題になるのは別々のＭＲＩ画像群に属する対応スライス画像間（例えば画像７１２・７３２間）であり、ときとして形状差も発生することがある。ステップ８０６にて列間位置合わせを実行する必要があるのはそのためである。列間位置合わせは同一被写体の同一断面から得られた複数枚のスライス画像であって別々の画像群に属するもの同士を位置合わせする処理である。列間位置合わせ手法としてはまずペア的（２Ｄ）位置合わせがあり、その手法では例えば画像７１２と画像７３２、画像７１４と画像７３４、画像７１６と画像７３６というように対をなすスライス画像間で位置合わせを行う。列間位置合わせ手法としては更に立体的（３Ｄ）位置合わせがあり、この手法ではまず各画像群内（例えば胸部ＭＲＩ画像群７０４内及び胸部ＭＲＩ画像群７２４内）で列内位置合わせを行い、列内位置合わせが済んだそれらの画像群をブラックボックス１０００に入力する。

図３に、本発明の一実施形態における異常組織自動検知手順の流れを示す。図示手順は一組の画像した組織特性検査手順であり、図８に示した変化曲線利用分類ステップ８０８に相当している。但し、図３に示した手順は独立性を有する自己完結的処理として稼働するので単なるステップ８０８の具体化ではなく、むしろステップ８０８及び８０４をまとめたものに相当する。この手順は造影剤注入前及び後を合わせ複数個の胸部ＭＲＩ画像群を取得し、それらを一連の処理ステップ即ち位置合わせ、差分導出、強度選別、系識別、分類等といった機能的処理ステップに供する手順であり、異常組織検知タスクは力学系パラメタに基づく分類により行われる。

図示手順で最初に実行されるステップ２０２はステップ８０２に相当する処理ステップ、即ちある時期に撮影された複数個の胸部ＭＲＩ画像群にアクセスするステップである。その胸部ＭＲＩ画像群は、造影剤注入前に撮影されたスライス画像群と、造影剤注入後に撮影されたスライス画像群を合わせ、複数個のスライス画像群から構成されている。経過観察時検査を行うためこのステップ２０２は繰り返され、別の時期に撮影された別の複数個の胸部ＭＲＩ画像群も取得される。この胸部ＭＲＩ画像群も、造影剤注入前に撮影されたスライス画像群と、造影剤注入後に撮影されたスライス画像群を合わせ、複数個のスライス画像群から構成されている。

いま、ある被写体（胸部）を造影剤注入前に撮影して複数枚のスライス画像を得たとする。更に、それらのスライス画像を空間順（撮影部位順）に並べて１個のスライス画像群を形成したとする。そのスライス画像群を構成するスライス画像はＩ₀（ｘ，ｙ，ｚ）と表すことができる。引数のうちｘ∈［１，…，Ｘ］及びｙ∈［１，…，Ｙ］は順に画素の水平及び垂直位置、ｚ∈［１，…，Ｓ］はこのスライス画像群におけるスライス画像の空間順であり、Ｓはそのスライス画像群に含まれるスライス画像の枚数を表している。また、造影剤投与後には複数回スキャンを実施し複数個のスライス画像群を得るものとする。スライス画像群撮影間隔（時間分解能）は例えば約１分、撮影対象の胸部やスキャン毎のスライス画像撮影枚数Ｓは先の撮影時と同じとし、得られた各スキャンＳ枚ずつのスライス画像を各スライス画像群内で先のスライス画像群における空間順と同じ空間順ｚで並べる。それらのスライス画像群を構成するスライス画像はＩ_k（ｘ，ｙ，ｚ）と表すことができる。添え字ｋ∈［１，…，Ｋ］はスライス画像群同士の時間順であり、Ｋはスライス画像群の個数を表している。図７に例示した胸部ＭＲＩ画像群７０４ならスライス画像群を３個（７０６、７０８及び７１０）含むのでＫ＝３、胸部ＭＲＩ画像群７２４もやはりスライス画像群を３個（７２６、７２８及び７３０）含むのでＫ＝３である。胸部ＭＲＩ画像群７０４に含まれる３個のスライス画像群のうちｋ＝１即ち最初のスライス画像群は７０６であり、そのスライス画像群７０６を構成する複数枚のスライス画像のうちｚ＝１即ち第１撮影部位のスライス画像Ｉ₁（ｘ，ｙ，１）は７１２である。

撮影先単位空間内の造影剤による信号強度の強まりは、画像を時間軸上にマッピングすること即ち撮影順に並べることで、観察することができる。そうした信号強度時間変化曲線について調べたところによれば、組織種類によるコントラスト立ち上がり特性の違いから組織の種類を識別することができる。自動異常組織検知を行うにはＫ個の造影剤注入後スライス画像群Ｉｋ（ｘ，ｙ，ｚ）間を空間的に整列させること即ち位置ずれを補正することが必要である。列内位置合わせステップ８０４に対応するステップ２０４では、一組の参照ＭＲＩ画像を用い且つ画素の空間座標（ｘ，ｙ）を基準にこの位置ずれ補正即ち列内位置合わせを行う。大抵の場合、参照ＭＲＩ画像としては造影剤注入前スライス画像Ｉ₀（ｘ，ｙ，ｚ）を使用できる。この列内位置合わせによって、Ｋ個ある注入後スライス画像群のいずれにおいても同一胸部組織内の同一個所が同一画素位置（ｘ，ｙ）に対応付けされる。これは

なる手順で実行される。

これをブラックボックス１０００で考えると、入力端子Ａ（１０３２）にスライス画像Ｉ_k（ｘ，ｙ，ｚ）をまた入力端子Ｂ（１０３４）にスライス画像Ｉ₀（ｘ，ｙ，ｚ）を入力するとその出力端子Ｄ（１０３６）からスライス画像Ｉ_k（ｘ，ｙ，ｚ）に列内位置合わせを施した画像が得られる、ということである。また、ＡとＢとを整列させる整列関数ａｌｉｇｎ（Ａ，Ｂ）は例えば医用画像撮影やリモートセンシングの分野で広く用いられている非リジッドな位置合わせ手順を使用して実現すればよい。位置合わせ処理（位置ずれ補正）の内容については前述の通りであるが、いわゆる当業者にはご理解頂ける通り、上記以外の手順を使用して位置合わせを行うことも可能である。

図１に示した通り、造影剤注入後の画素値の高まり方は胸部組織の種別によって異なる。この事実に鑑みるに、造影剤注入前撮影画像を造影剤注入後撮影画像から差し引いた情報を提示することで、その画像上のどこに異常組織が現れているかを放射線技師・放射線科医に対しわかりやすく知らせることができよう。また、その情報を使用して原画像たる胸部ＭＲＩ画像から一部の領域を抽出すること即ち異常組織自動検知弁別を実行することもできる。図３中のステップ２０６では、この情報を導出するため、各胸部ＭＲＩ画像群を構成するスライス画像ｌ_k（ｘ，ｙ，ｚ）と参照ＭＲＩ画像群を構成するスライス画像例えばＩ₀（ｘ，ｙ，ｚ）との差分例えば強度差（画素値差）を求め、それによって得られた差分画像δｌ_k（ｘ，ｙ，ｚ）複数枚からなる差分画像群を生成する（但しｋ∈［１，…，Ｋ］）。この差分導出処理は

なる手順で実行できる。関数ｓｕｂｔｒａｃｔｉｏｎ（Ａ，Ｂ）はＡからＢを減ずる関数である。

同図中のステップ２０８では差分画像δｌ_k（ｘ，ｙ，ｚ）に基づき強度選別処理を実行する。この処理ではまず複数組の差分画像δｌ_k（ｘ，ｙ，ｚ）の値を判別して複数組のマスク画像Ｍ_k（ｘ，ｙ，ｚ）を生成する（但しｋ∈［１，…，Ｋ］）。そのマスク画像生成処理は

なる手順で実行できる。この手順では、差分画像δｌ_k（ｘ，ｙ，ｚ）上での画素値が統計的強度しきい値Ｔより小さい画素位置（ｘ，ｙ）についてはマスク画像Ｍ_k（ｘ，ｙ，ｚ）上での画素値が初期値即ち０のままとなる。しきい値Ｔは例えば経験的に１０に設定しておく。

ステップ２０８における強度選別処理では更に、複数個ある胸部ＭＲＩ画像群に属するスライス画像Ｉ_k（ｘ，ｙ，ｚ）を対応するマスク画像Ｍ_k（ｘ，ｙ，ｚ）内の非０値画素を利用して強度選別し、それにより各スライス画像Ｉ_k（ｘ，ｙ，ｚ）から強い（画素値が大きい）画素を切り出す。同じスライス画像Ｉ_k（ｘ，ｙ，ｚ）から切り出された画素の集まり即ち画素値選別画像をＳ_k（ｘ，ｙ，ｚ），ｋ∈［１，…，Ｋ］と表すこととすると、この強度選別処理の手順は

と表せる。この画像Ｓ_k（ｘ，ｙ，ｚ）でも画素値初期値を０とする。いわゆる当業者であれば理解できるように、実施に当たっては強度選別処理との統合によってマスク画像生成処理を省略することができる。その場合の手順は

となる。ここでも画像Ｓ_k（ｘ，ｙ，ｚ）の画素値初期値は０とする。

図４に図１と同様のグラフを示す。この図では、図１に示した曲線のうち正常組織曲線及び肥満組織曲線を省略すると共に、ステップ関数ｆ（ｔ）を表す曲線３０２を追記してある。

本発明で目指しているのは異常組織の検知、とりわけ良性腫瘍組織からの悪性腫瘍組織の弁別である。画素値選別画像Ｓ_k（ｘ，ｙ，ｚ）を構成する画素のうち、正常組織内画素や肥満組織内画素はステップ２０８における強度選別処理の際に０値のまま残されているので、画像Ｓ_k（ｘ，ｙ，ｚ）中に非０値の画素があればそれは悪性腫瘍組織内又は良性腫瘍組織内の画素である。輝度即ち画素値を静的に即ち画像別に調べるだけでは、その画素に係る腫瘍組織が悪性かそれとも良性かの判別は至極困難乃至不可能であるが、動的に即ち輝度変化を調べればそれらの組織を弁別することができる。図４に示すように、ｆ（ｔ＜０）＝０且つｆ（ｔ≧０）＝｜λ｜（但しλ≠０）で定義されるステップ関数ｆ（ｔ）が時刻ｔ＝０に立ち上がると、悪性腫瘍組織の輝度（コントラスト）ｍ（ｔ）を表す曲線３０４は急速にステップ関数曲線３０２上に突き抜けた後その曲線３０２に漸近していくが、良性腫瘍組織の輝度ｂ（ｔ）を表す曲線３０６は曲線３０２上に突き抜けないままゆっくりと上昇し曲線３０２に漸近していく。

いわゆる当業者ならば理解できるように、輝度ｍ（ｔ）を表す曲線３０４はダンピング不足の力学系から返ってくるステップ応答によく似ており、輝度ｂ（ｔ）を表す曲線３０６はダンピング過剰な力学系から返ってくるステップ応答によく似ている。

図５に、力学系の挙動からその系の性質を識別する処理（系識別）の一例実行手法を示す。この図にそのあらましを示す通り、未知の力学系４０４をステップ関数２０２によって励振し、その力学系４０４から返ってくる応答４０６即ちステップ応答を系識別ステップ４０８に供することによって、その力学系４０４を表す動的パラメタ即ち力学系パラメタを推定することができる。

図３に示す手順では系識別のため力学系モデル２１２を使用する。使用するモデル２１２は例えば図６に示すＡＲＸ（自己回帰）モデル５００（非特許文献５参照）である。

図６に示すＡＲＸモデル５００は、一般に
ｙ（ｔ）＝Ｇ（ｑ）ｕ（ｔ）＋Ｈ（ｑ）ε（ｔ） （１）
なる式で表せる。Ｇ（ｑ）及びＨ（ｑ）は順にこの力学系を構成するブロック５０６及び５０４の伝達関数、ｕ（ｔ）は励振入力５０２、ε（ｔ）は外乱５０８、そしてｙ（ｔ）はこの力学系の出力５１０である。既知の通りブロック５０６及び５０４の伝達関数Ｇ（ｑ）及びＨ（ｑ）は遅延演算子ｑ^-1の有理関数Ａ及びＢをその分子及び分母に持つ次の式
Ｇ（ｑ）＝ｑ^-nkＢ（ｑ）／Ａ（ｑ） （２）
Ｈ（ｑ）＝１／Ａ（ｑ） （３）
により表すことができる。Ａ及びＢは遅延演算子ｑ^-1の多項式
Ａ（ｑ）＝ １＋ａ₁ｑ^-1＋…＋ａ_naｑ^-na （４）
Ｂ（ｑ）＝ｂ１＋ｂ₂ｑ^-1＋…＋ｂ_nbｑ^-nb （５）
であるので、力学系のＡＲＸモデル５００から直ちに次の式
ｙ（ｔ）＝−ａ₁ｙ（ｔ−１）−…−ａ_naｙ（ｔ−ｎａ）
＋ｂ₁ｕ（ｔ−ｎｋ）＋…＋ ｂ_nbｕ（ｔ−ｎｋ−ｎｂ＋１）
＋ｅ（ｔ） （６）
が得られる。この式をより簡略な形式に書き直すと次の式
ｙ（ｔ）＝φ（ｔ）^Tθ （７）
になる。但し

である。これを係数ベクトルθについて解いて得られる系識別解は

となる。但し

及び

である。これらの式（９）及び（１０）中、ｔ₀はデータサンプリング開始時刻、Ｎ_tはサンプルの個数である。

輝度ｍ（ｔ）を表す曲線３０４及び輝度ｂ（ｔ）を表す曲線３０６では、それぞれ

となるので、従ってステップ関数ｕ（ｔ）を与えたときの解

を求めればよい。即ち、

の計算によって、ステップ４０８に対応する力学系識別ステップ２１０を実行することができる。

また、図３に示す手順では、ＭＲＩ画像中の高輝度（高コントラスト）領域を悪性腫瘍と良性腫瘍とに分類するステップ２１４を実行する際、教師あり学習ステップ２１８を実行することとしている。

教師あり学習（スーパバイズドラーニング）とは、入力及び期待出力からなる教師信号（イグザンプラセット）を用いる学習処理のことである。胸部ＭＲＩ画像に基づき組織分類を行う際には

等の既知曲線で表される入力と、期待出力たる悪性腫瘍指示子Ｏ_m又は良性腫瘍指示子Ｏ_bとを対にして教師信号にし、複数組の教師信号を訓練データセットとして使用して教師あり学習を行うとよい。そのため、図３中のステップ２１８では、ステップ２１６にて求めたＭ本の胸部ＭＲＩ画像コントラスト変化曲線サンプルを受け取る。即ち、その組織が良性腫瘍かそれとも悪性腫瘍かがわかっている組織についてのコントラスト変化曲線を、Ｍ本例えば１００本受け取る。Ｍ本の曲線サンプルのうちＭ_m本例えば５０本は悪性腫瘍の曲線とし、Ｍ_b本例えば５０本は良性腫瘍の曲線とする。ステップ２１８では、それらの曲線サンプルに対して式（８）を適用して係数ベクトル

をＭ通り求める。そのうちＭ_m通りは悪性腫瘍を表す係数ベクトル

であり（ｉ＝１，…，Ｍ_m）、それらを指示子Ｏ_mに対応付けることで悪性腫瘍について学習できる。また、Ｍ_b通りは良性腫瘍を表す係数ベクトル

であり（ｉ＝１，…，Ｍ_b）、それらを指示子Ｏ_bに対応付けることで良性腫瘍について学習できる。学んだ係数ベクトル

を用いて分類子（クラシファイア）を訓練することで、検知乃至診断処理の際にコントラスト変化曲線に基づく組織分類に使用可能な分類子が得られる。

悪性腫瘍良性腫瘍間の識別精度即ち特定性を向上させるには、ステップ２２０として示すように、学習乃至訓練処理や分類処理の際に他の要因を踏まえればよい。踏まえるのは造影剤の投与速度、撮影時造影剤投与タイミング、撮影時刻及びスライス厚等の要因である（非特許文献６参照）。

ここに例示した要因即ち造影剤投与速度α、撮影時造影剤投与タイミングβ、撮影時刻γ及びスライス厚δは、係数ベクトル

と併用することで分類子の訓練に使用できる。そうして訓練された分類子は、胸部ＭＲＩ画像内領域の悪性腫瘍／良性腫瘍分類に使用できる。但し、これらの要因を組み込むには係数ベクトル

のそれと比較しうる程度の値域になるよう数値調整する必要がある。

学習及び訓練処理で使用する訓練データセットは

なるフォーマットである。この式中のτ_jは種別記号である。

例えばその腫瘍が悪性ならτ_j＝１となりそうでなければτ_j＝−１となる。ベクトル

はコンピュータ表示の分野で以前からフィーチャベクトルと呼ばれているものである。表記

はｄ次元空間を表しており、本実施形態の場合係数ベクトルθの要素数が５個であるならｄ＝９になる。更に、式（１１）に記したデータフォーマットは学習ステップ２１８のみならず分類ステップ２１４でも使用される。いわゆる当業者なら理解できるように、データベクトルｐ_jの構成形態はこれとは異なる形態にすることもできる。また、踏まえることが可能な身体的又は非身体的要因（数値要素）は上記のもの以外にも数多くある。

使用できる分類子の種類、即ちコントラスト変化曲線と他の身体的又は非身体的要因を併用して悪性腫瘍を良性腫瘍から弁別するタスクを実行可能な種類は複数ある。その例としてはＳＶＭ（サポートベクタマシン）がある（非特許文献７参照）。

ＳＶＭを訓練すると、例えば超平面で分離可能な２個の種別にデータを分類できる分類子が得られる。データ間を分離する超平面は
ｗ・ｐ＋σ＝０ （１２）
で表される。この式中の「・」は内積である。

ＳＶＭに対する訓練のゴールはフリーパラメタｗ及びσを決定することである。その際にはパラメタｗ及びσの値域をスケーリングし、全てのデータで一群の不等式
τ_j（ｗ・ｐ_j＋σ）−１≧０，∀ｊ （１３）
が成り立つようにする。この式を解くにはラグランジアン関数

をパラメタｗについて最小にし、且つ未知の因子ξ_j≧０について最大にすればよい。

この最適化問題が解けたら式（１３）中のｗについての式をサポートベクタ及び非０値係数による式に書き直し、超平面による分類用の式にそれを代入してＳＶＭ決定関数

を求めればよい。但しｌ_sはサポートベクタの個数である。新たなベクトルｐ_newを二種類（悪性腫瘍と良性腫瘍）に分類する処理はこの決定関数の符号に基づき行う。また、いわゆる当業者ならば理解できるように、超平面で分離できない場合は非線形ＳＶＭを使用すればよい。

一組の画像を用いる上述の組織特性検査方法即ちステップ８０４及び８０８の処理は、あらゆる経過観察用画像列例えば７０４及び７２４に対して適用でき、それによって経過観察時組織特性検査を実施することができる。また、本発明を実施するに当たっては、ステップ８０８に供する前にそれら経過観察用画像列を列内位置合わせステップ８０４及び列間位置合わせステップ８０６に供する。先に例示した胸部ＭＲＩ画像群７０４及び７２４に関してステップ８０４及び８０６を実行するのであれば、例えばまず画像群７０４に列内位置合わせを適用し、次いで画像群７０４及び７２４に列間位置合わせを適用すればよい。なお、いわゆる当業者にはいうまでもないが、画像群７０４及び７２４の立場・役割を互いに入れ替えることもできる。

また、ここで例示した手順に従い胸部ＭＲＩ画像群７０４に列内位置合わせを施す場合、任意のスライス画像群を参照画像群として選択することができる。例えばスライス画像群７０６を参照画像群にする場合、その群に属するスライス画像を入力端子Ｂ（１０３４）に、他のスライス画像群７０８及び７１０に属するスライス画像を入力端子Ａ（１０３２）にそれぞれ入力する。出力端子Ｄ（１０３６）からは、群７０８及び７１０に属するスライス画像に位置合わせを施した画像が得られる。

列間位置合わせでは、同じ例の場合、胸部ＭＲＩ画像群７２４に属する画像を入力端子Ａ（１０３２）に、また胸部ＭＲＩ画像群７０４に属する画像を入力端子Ｂ（１０３４）にそれぞれ入力する。出力端子Ｄ（１０３６）からは、群７２４に属する画像に位置合わせを施した画像が得られる。

ステップ８０８が終了したら複数本（上の例では２本）のコントラスト変化曲線を再構築する。それらの曲線に反映している組織特性は、互いに別々の時期（ここでは二通りの時期）に撮影された合計複数個の経過観察用画像列（ここでは２個の胸部ＭＲＩ画像群群７０４及び７２４）に現れているものである。周知の通り、それらのコントラスト変化曲線によって医療従事者にもたらされる情報は、患者の症状やその進行度合いに関する有益な情報である。ステップ８１０では、よりよい診断結果が得られるよう表示ツールを用いてその被写体の疑い領域即ち画像中の注目領域が医療従事者向けに表示される。その際の表示形態の一例を図９に示す。

図９に示したコンピュータモニタ画面９００は図２に示したディスプレイ１０４の画面であり、前述した種々のステップを実行する画像プロセッサ１０２に係止固定されている。この画面９００の左半部にはスライス画像のうち２枚（この例では７１２及び７３２）が表示されており、また右半部９２２には２本のコントラスト変化曲線（実線９２４及び波線９２６）が表示されている。それらのうちスライス画像７１２は、３個のスライス画像群７０６、７０８及び７１０中の第１部位画像Ｉ_k（ｘ，ｙ，１）｜ｋ∈［１，２，３］のうち最初のスライス画像群７０６に属するものであり、スライス画像７３２は、３個のスライス画像群７２６、７２８及び７３０中の第１部位画像Ｉ_k（ｘ，ｙ，１）｜ｋ∈［１，２，３］のうち最初のスライス画像群７２６に属するものである。スライス画像７１２及び７３２中の画像９０２及び９１２は同じ乳房の同一断面を捉えた胸部画像である。システムを稼働させる際、医療従事者がユーザインタフェースたるマウスを操作しスライス画像７１２上の所望位置９０８までマウスカーソル９０６を動かすと、これに反応してゴーストカーソル９１６が現れ、スライス画像７３２上の位置９１８即ちスライス画像７１２に対するマウス位置９０８と同じ位置に表示される。逆に、医療従事者がユーザインタフェースたるマウスを操作しスライス画像７３２上の所望位置９１８までマウスカーソル９１６を動かすと、これに反応してゴーストカーソル９０６が現れ、スライス画像７１２上の位置９０８即ちスライス画像７３２に対するマウス位置９１８と同じ位置に表示される。いずれにせよ、画面右半部９２２に表示される２本のコントラスト変化曲線９２４及び９２６は乳房上の同一個所についての曲線になり、撮影の間にその部位に生じた組織特性変化がそれらの曲線９２４及び９２６間の差分（特性差）として現れる。例えば、スライス画像７１２を含む胸部ＭＲＩ画像群７０４を撮影してからスライス画像７３２を含む胸部ＭＲＩ画像群７２４を撮影するまでに６個月が経過しているとする。医療従事者は、スライス画像上の任意の個所にマウスカーソルを動かすだけで、６個月の間にその個所にどのような組織変化が生じたかを調べることができる。この表示形態であれば、疾病の進行度合いを容易に察知、解析することができる。また、いわゆる当業者ならば理解できるように、組織特性はコントラスト変化曲線９２４及び９２６以外の形態、例えば新生血管のマップを着色表示する形態でも表示させることができる。これもまたいわゆる当業者ならば理解できるように、複数個の経過観察用画像列を本発明の手順で処理して得られる複数本のコントラスト変化曲線を、診断用に同時表示させることもできる。

このように、本発明はディジタル画像処理技術及びコンピュータ表示技術に関する発明、とりわけディジタル画像処理によって目的身体部位を精査し、その性質や状態の認識及び解釈を可能にし、そしてその結果を利用して更なるディジタル画像処理を行えるようにする発明である。

胸部組織種類によるコントラスト変化曲線（立ち上がり特性）の違いを示すグラフである。 本発明に係る手順の実施に適する画像処理システムを示す模式図である。 本発明の一実施形態における異常組織自動検知手順を示すフローチャートである。 その腫瘍組織が悪性か良性かの違いによるコントラスト変化曲線（立ち上がり特性）の違いを示すグラフである。 ステップ関数に対する応答を利用した力学系識別の概念を示す模式図である。 本発明の一実施形態における系識別手順を示すブロック図である。 ２個の経過観察用画像列を示す図である。 本発明の一実施形態におけ経過観察時組織特性検査手順を示すフローチャートである。 本発明の一実施形態における経過観察時組織特性検査結果表示形態を示す図である。 本発明の一実施形態における画像位置合わせ手順を示すフローチャートである。 画像位置合わせの効果を概念的に示す図である。

Claims (13)

1. 複数個の経過観察用医用画像列にアクセスするステップと、
   各医用画像列内で空間座標を基準に画像を位置合わせするステップと、
   各医用画像列間で空間座標を基準に画像を位置合わせするステップと、
   位置合わせが済んだ医用画像列に現れる特性の違いで組織を分類するステップと、
   その結果を表示するステップと、
   を有する経過観察時医用画像検査方法。
2. 第１時期に撮影された複数枚の第１医用画像にアクセスするステップと、
   第２時期に撮影された複数枚の第２医用画像であって第１医用画像で捉えた被写体を同じく被写体とする画像にアクセスするステップと、
   所定の空間座標系上へのマッピングにより各複数枚の第１及び第２医用画像を位置合わせするステップと、
   各複数枚の第１及び第２医用画像を時間軸上にマッピングするステップと、
   経過観察時医用画像解析のための対話を司るステップと、
   を有する経過観察時医用画像解析方法。
3. 請求項２記載の経過観察時医用画像解析方法であって、上記位置合わせステップが、
   第１医用画像間及び第２医用画像間で画像を位置合わせするステップと、
   各複数個ある第１医用画像第２医用画像間で画像を位置合わせするステップと、
   を含む経過観察時医用画像解析方法。
4. 請求項２記載の経過観察時医用画像解析方法であって、更に、第１及び第２医用画像のうち少なくとも１枚について組織特性検査を行わせるステップを有する経過観察時医用画像解析方法。
5. 請求項２記載の経過観察時医用画像解析方法であって、更に、
   上記被写体を捉えた複数枚の参照医用画像にアクセスするステップと、
   参照医用画像に対する第１及び第２医用画像の相違に基づき複数枚の差分画像を生成するステップと、
   生成した差分画像を強度選別することにより複数個の画素値選別画像を生成するステップと、
   生成した画素値選別画像に対し系識別を適用して複数個の系パラメタを導出するステップと、
   導出したパラメタに基づき系を分類するステップと、
   を有する経過観察時医用画像解析方法。
6. 請求項５記載の経過観察時医用画像解析方法であって、更に、身体的又は非身体的要因を踏まえて上記分類を行わせるステップを有する経過観察時医用画像解析方法。
7. 請求項２記載の経過観察時医用画像解析方法であって、更に、上記位置合わせが済んだ画像に基づき特性の違いで組織を分類するステップを有する経過観察時医用画像解析方法。
8. その撮影時点が異なる複数枚のコントラスト強調済み胸部ＭＲＩ画像にアクセスするステップと、
   それらの画像を所定の空間座標系上にマッピングするステップと、
   一組の参照胸部ＭＲＩ画像にアクセスするステップと、
   参照ＭＲＩ画像に対するコントラスト強調済み胸部ＭＲＩ画像の相違に基づき一組の差分画像を生成するステップと、
   生成した差分画像を強度選別して複数個の画素値選別画像を生成するステップと、
   生成した画素値選別画像に対し系識別を適用して複数個の系パラメタを導出するステップと、
   導出したパラメタに基づき系を分類するステップと、
   を有し、コントラスト強調済み胸部ＭＲＩ画像を利用する組織解析方法。
9. 請求項８記載の組織解析方法であって、更に、身体的又は非身体的要因を踏まえて上記分類を行わせるステップを有する組織解析方法。
10. 請求項８記載の組織解析方法であって、
    コントラスト強調済み胸部ＭＲＩ画像アクセスステップが、
    造影剤注入前に撮影され空間順に並べられた複数枚の第１胸部ＭＲＩ画像を取得するステップと、
    造影剤注入後に撮影され空間順に並べられた同枚数の第２胸部ＭＲＩ画像を取得するステップと、
    各複数枚の第１及び第２胸部ＭＲＩ画像を時間順に並べるステップと、
    を含む組織解析方法。
11. その撮影時点が異なる複数枚のコントラスト強調済み胸部ＭＲＩ画像にアクセスするステップと、
    それらの画像を所定の空間座標系上にマッピングするステップと、
    一組の参照胸部ＭＲＩ画像にアクセスするステップと、
    参照ＭＲＩ画像に対するコントラスト強調済み胸部ＭＲＩ画像の相違に基づき一組の差分画像を生成するステップと、
    生成した差分画像を強度選別して複数個の画素値選別画像を生成するステップと、
    生成した画素値選別画像に対し系識別を適用して複数個の系パラメタを導出するステップと、
    導出したパラメタに基づき系を複数種類に分類して異常組織を検知するステップと、
    を有する人体組織パターン認識方法。
12. 請求項１３記載の人体組織パターン認識方法であって、更に、上記複数個の画素値選別画像のうち１個で注目領域の指定を受けるステップを有する人体組織パターン認識方法。
13. 請求項１４記載の人体組織パターン認識方法であって、更に、上記複数個の画素値選別画像のうち他の１個又は複数個で上記注目領域を指し示すステップを有する人体組織パターン認識方法。

Images