JP2009522005A - 時間横断的かつモダリティ横断的な医療診断 - Google Patents

Abstract

医用画像診断における時間横断的かつモダリティ横断的な検査の方法を提供する。被検者の第１セットの医用画像にアクセスする。第１セットは第１期間に第１モダリティによって取得される。被検者の第２セットの医用画像にアクセスする。第２セットは第２期間に第２モダリティによって取得される。第１セットおよび第２セットはそれぞれ複数の医用画像を含む。第１セットおよび第２セットの複数の医用画像を所定の空間座標にマッピングすることによって画像位置合わせを実行する。第１セットおよび第２セットに対し、時間横断的な画像マッピングを実行する。対話式の時間横断的な医用画像解析の手段を提供する。

Description

本発明は、画像解析用のデジタル画像処理方法に関し、特に、医用画像における特性が異なる組織（例えば異常組織と正常組織）に対する時間横断的かつモダリティ横断的な（ｃｒｏｓｓ−ｔｉｍｅ ａｎｄ ｃｒｏｓｓ−ｍｏｄａｌｉｔｙ）検査に関する。

デジタル撮像技術の医療への応用は、例えばＣＴ（コンピュータ断層撮影法）スキャナの臨床的な使用など、１９７０年代に実施された。その後、Ｘ線撮像の使用、デジタルコンピュータの出現、および新たなモダリティ（超音波およびＭＲＩ（磁気共鳴撮像法）など）が融合され、診断用撮像技術を向上した。

デジタル撮像技術の使用は医療に貢献している。例えば、脳、腎臓、手足、および心臓内の血管を調べる血管造影検査は、医用デジタル撮像技術および画像処理技術を適応することによって向上した。

デジタル画像によって、コンピュータ化された多次元（空間的および時間的など）の画像解析が可能となった。多次元画像解析は、人体部位の連続した画像による三次元スキャンにおける変化（構造的または機能的）の自動数量化、異物位置検出、一貫した診断の提供などに適用可能である。

さらに、さまざまな医用撮像モダリティは、人体の機能および構造をさまざまに表示する画像を生成するが、このような画像は、適切な医用画像処理ソフトおよび視覚化ツールを利用すれば、診断の精度を著しく向上させる可能性がある。例えば、Ｘ線ＣＴ（コンピュータ断層撮影法）およびＭＲＩ（磁気共鳴撮像法）は、脳の構造は示すが、機能的な情報はほとんど示さない。ＰＥＴ（ポジトロン放出断層撮影法）およびＳＰＥＣＴ（単光子放射型コンピュータ断層撮影法）によるスキャンは、脳の機能的な面を表示しメタボリック測定を可能にするが、構造的な表示は得意ではない。さらに、ＣＴおよびＭＲＩ画像は、補完的で形態学的な特徴を描写する。例えば、骨や石灰化はＣＴ画像によって最適に表示され、軟部組織構造はＭＲＩによってより良く鑑別される。ＭＲＩやＣＴなどのモダリティでは、通常特定の部位に対し画像が多数収集される。

異なる次元（空間的または時間的）または異なるモダリティによって得られた情報は、多くの場合差異が生じるか、補完的なものとなる。現在の病院の環境では、このような差異または補完的な画像情報は、病院の診療環境、および外科手術や放射線治療の計画および分析の分野における多数のアプリケーション内の構成要素の一つである。

この差異または補完的な情報を効果的に使用するため、医療関係者は視覚的なアライメント装置を使用して、異なる次元または異なるモダリティによる画像の特徴を相互に重ね合わせる。残念ながら複数の画像を相互に組み合わせることは非常に困難であり、経験豊富な放射線科医のような高い訓練を受けた医療関係者であっても、治療計画を患者の現在の病状に即して立てられるように、一連の医用画像を一貫して適切に解釈するのは難しい。

医療関係者が遭遇する別の問題は、現在の医用撮像装置から得られる大量のデータおよび無数の画像である。標準的な１回のスキャンで収集される画像数は１００を超え、数百に達する場合も多い。医療関係者は各画像を適切にチェックするために長い時間を費やし、現在の医療技術がもたらす多くの画像によって、すべてのデータを完全に分析するには長い時間が必要とされる。

このため、画像処理／コンピュータビジョン技術を使用して自動的に疾病を検出／診断する効果的な手法が必要である。

特許文献１（Ｓｍｉｔｈ）は、参照によって本願明細書に引用したものとするが、医用画像を処理するルールベース手法に関する。この技術では、医用画像データが分類される方法または他の処理を受ける方法を特定するあらかじめプログラムされたルールを適用する。プログラムするルールは、既存のルールから選択したルールを含んでもよく、既存のルールを変更／カスタマイズして新規ルールを作成してもよく、または完全に新しいルールを作成してもよい。しかしながら特許文献１の技術は、信頼性が高く正確な診断および手術計画を立てられるような、１人の患者に対する時間横断的かつモダリティ横断的な医用画像の検査方法は教示していない。

特許文献２（Ｄａｗ）は、参照によって本願明細書に引用したものとするが、解析状況表示を有するユーザインタフェースに関する。特許文献２は、医用画像の処理方法と視覚化方法について記載している。データ解析が画像に対し実行される間、データに対する実行中または実行済みのコンピュータ解析の結果や状況がディスプレイの左上端に設けられた解析表示によって視覚的に示される。特許文献２の装置では、造影剤に対する応答時間が異なる撮像物質（組織）に対応する画像領域を自動的に検出し鑑別する機能はない。このような機能は、ＭＲＩ造影画像を使用して悪性および良性の乳房腫瘍を診断する際に特に有用であると、出願人は認識している。

特許文献３（Ｄｅｇａｎｉ）は、参照によって本願明細書に引用したものとするが、流体が流れ、時間的および空間的な変化を特徴とするシステムを監視する装置と方法に関する。システム内の所定の地点がシステムの状況に応じた複数の時点で監視される。このデータは、システムでの流入（ｗａｓｈ−ｉｎ）動作および流出（ｗａｓｈ−ｏｕｔ）動作に関連する少なくとも２つの変数の関数として、時間とともに変化するシステムパラメータを示す。

このような曲線／パラメータの研究は、臨床的に腫瘍を特定し、悪性クラスまたは良性クラスに特徴付けるために使用されているが、正確性は不確定であって、概して高感度であるが低特異度となることが多い（例えば非特許文献１参照）。

このようなシステムは、特定の用途においてある程度の成果を上げるかもしれないが、上記の問題を解決し上記の実用的な必要性を満たす医用画像解析用の改良されたデジタル画像処理方法が必要である。

本発明は、画像解析方法に関し、特に、医用画像における特性が異なる組織（例えば異常組織と正常組織）に対する時間横断的かつモダリティ横断的な検査に関する。

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６，３５３，８０３号明細書 エス・シー・ランキン（Ｓ．Ｃ．Ｒａｎｋｉｎ）著、「乳房ＭＲＩ（ＭＲＩ ｏｆ ｔｈｅ ｂｒｅａｓｔ）」、Ｂｒ．Ｊ．Ｒａｄｉｏｌ ７３，ｐｐ ８０６−８１８，２０００年

本発明の目的は、医用画像における特性が異なる組織（例えば異常組織と正常組織）に対する時間横断的かつモダリティ横断的な検査方法を提供することである。

ここに示す目的は、説明に役立つ例として挙げるものにすぎず、本発明の一つまたは複数の実施形態の例である。開示する発明に本来含まれるその他の望ましい目的や利点は、当業者であれば思い当たるか明らかであろう。本発明は、添付の請求項によって定義されるものである。

本発明は、医用画像における特性が異なる組織（例えば異常組織と正常組織）に対する時間横断的かつモダリティ横断的な検査の画像処理方法およびパターン認識方法を提供する。本方法は、時間横断的な医用画像シーケンス内の組織の特性を任意に分類するステップと、時間横断的かつモダリティ横断的な画像をマッピングするステップと、対話式の時間横断的かつモダリティ横断的な画像検査を実行するステップとを含む。

本発明の一態様では、時間横断的な医用画像シーケンス内における特性が異なる組織に対する時間横断的な検査方法を提供する。本方法は、時間横断的な複数の医用画像シーケンス（例えば造影剤注入前後におけるＭＲＩ画像）を取得するステップと、時間横断的な複数の医用画像シーケンス内の空間座標に対する位置合わせを実行するステップと、時間横断的な複数の医用画像シーケンス間での空間座標に対する位置合わせを実行するステップと、位置合わせされた時間横断的な複数の医用画像シーケンスにおいて特性が異なる組織を分類するステップと、時間横断的な検査の分類結果を提示するステップとを含む。

本発明の他の態様では、物理的または非物理的な要因によって補われたＭＲＩ造影画像を用いた異常組織の自動検出および鑑別方法を提供する。本方法は、複数のＭＲＩ乳房画像セットを取得するステップと、複数のＭＲＩ乳房画像を空間座標に対してアライメントするステップと、複数のＭＲＩ乳房画像セットと基準ＭＲＩ画像セットとの差異を求めて複数の差分画像セットを生成するステップと、複数の差分画像セットをセグメント化して強度によってセグメント化された画素を有する複数のＭＲＩ乳房画像を生成するステップと、強度によってセグメント化された画素に動的システム同定を適応して複数の動的システムパラメータを生成するステップと、他の物理的または非物理的な要因によって補われた複数のシステムパラメータを異なるクラスに分類するステップとを含む。

本発明のさらに他の態様では、物質の自動分類方法を提供する。本方法は、時間的に連続する複数の画像セットを取得するステップと、複数の画像セットを空間座標に対してアライメントするステップと、複数の画像セットと基準画像セットとの差異を求めて複数の差分画像セットを生成するステップと、複数の差分画像セットをセグメント化し強度によってセグメント化された画素を有する複数の画像を生成するステップと、強度によってセグメント化された画素に対して動的システム同定を適用し複数の動的システムパラメータを生成するステップと、複数のシステムパラメータを異なるクラスに分類するステップとを含む。

本発明のさらに他の態様では、ＭＲＩ造影画像を利用して異常組織を検出する方法を提供する。本方法は、時間的に連続する複数のＭＲＩ乳房画像セットを取得するステップと、複数のＭＲＩ乳房画像セットを空間座標に対してアライメントするステップと、複数のＭＲＩ乳房画像セットと基準画像セットとの差異を求めて複数の差分画像セットを生成するステップと、複数の差分画像セットをセグメント化して強度によってセグメント化された画素を有する複数のＭＲＩ乳房画像セットを生成するステップと、複数のＭＲＩ乳房画像セットの強度によってセグメント化された画素に対して動的システム同定を適用して複数の動的システムパラメータを生成するステップと、複数のシステムパラメータを異なるクラスに分類して異常組織を検出するステップとを含む。

本発明の上記の目的とその他の目的および特徴や利点は、添付の図面にも示すが、以下の本発明の実施形態に関するより詳細な説明によって明らかになるであろう。図中の構成要素は、相互の寸法が相対的であるとは限らない。

本発明の好適な実施形態を以下に図を参照しながら詳細に説明する。なお、図中における同じ参照番号は、複数の図における構成内の同じ要素を識別する。

患者に関する時間横断的かつモダリティ横断的な医用画像の観察は、信頼性が高く正確な診断および手術計画の立案に役立てることができる。例えばＸ線マンモグラフィは、特異度および感度が限られている。Ｘ線マンモグラフィによって癌の５％〜１５％が見逃されていると報告されている。それに代わる撮像方法であるＭＲＩマンモグラフィは、３ｍｍ以上の腫瘍に対し高い感度を示す。

悪性の乳房腫瘍は、特定の大きさに達すると独自の血液供給網を発達させ始めることが知られている。これにより癌は成長を続けることができる。乳房ＭＲＩスキャンでは、血流に造影剤を注入することによって、乳房組織への血液供給に関する情報を得ることができる。造影剤は、その血管網を強調することによって腫瘍を「照らし出す」のである。通常スキャンは数回行なわれる。造影剤を注入する前に一回、そして注入後に少なくとももう一回行なわれる。造影剤注入前および注入後の画像が比較され、異なる部分が強調される。二回のスキャンの間に患者が僅かでも体を動かすと、画像の形や大きさがゆがみ、情報の損失につながる。

ＭＲＩ用の造影剤としては、ガドリニウムまたはガドジアミドが使用され、脳および人体における正常組織と異常組織の対比を可能にする。ガドリニウムは、水のように澄んでおり非放射性である。ガドリニウムは血管に注入された後、人体や頭部に作用している可能性のある異常組織内に蓄積される。ガドリニウムによって、これらの異常な部分はＭＲＩで明るく（強調）表示される。これにより容易に確認できる。ガドリニウムはその後、腎臓によって人体から排泄される。ガドリニウムによって、ＭＲＩでより明白に異常組織を示すことが可能となる。腫瘍はガドリニウムが与えられると強調される。腫瘍の正確な大きさと位置は、治療計画を立てたり経過観察に重要である。ガドリニウムは、小さな腫瘍でも明るく表示し確認を容易にするので、それらの検出に役立つ。

ダイナミック造影ＭＲＩは、乳癌撮像に使用されるが、特に、Ｘ線マンモグラフィに基づく診断において明白でない場合に使用される。ＭＲＩ分析では、時間分解能が１分程度である一連のＴ１強調ＭＲＩ立体像を取得するが、その直前に造影剤（通常ガドペンテト酸ジメグルミン）の静脈注射が行なわれる。撮像対象のボクセル内に造影剤が存在することによって信号が高まり、分析の間、観察することができる。

図１に示すように、このような信号対時間の曲線を分析することによって、組織の異なる種類をそれらの造影剤の取り込み特性の違いによって識別できる。通常、癌にかかった組織は「漏れやすい」血管形成による微小血管のまん延によって取り込み度が高く、また取り込み速度も速い。一方、正常組織および脂肪組織は、取り込み度が低い。取り込み（ダイナミック）曲線は、薬動力学モデルを使用し、曲線を生理学的にパラメータ化することで、多くの場合適応される（ピー・エス・トフツ、ビー・ベルコウィッツ、エム・シュナール（Ｐ．Ｓ．Ｔｏｆｔｓ、Ｂ．Ｂｅｒｋｏｗｉｔｚ、Ｍ．Ｓｃｈｎａｌｌ）著、「透過モデルを用いた乳房腫瘍におけるダイナミックＧｄ−ＤＴＰＡ造影の定量分析（Ｑｕａｎｔｉｔａｔｉｖｅ ａｎａｌｙｓｉｓ ｏｆ ｄｙｎａｍｉｃ Ｇｄ−ＤＴＰＡ ｅｎｈａｎｃｅｍｅｎｔ ｉｎ ｂｒｅａｓｔ ｔｕｍｏｕｒｓ ｕｓｉｎｇ ａ ｐｅｒｍｅａｂｉｌｉｔｙ ｍｏｄｅｌ）」、Ｍａｇｎ Ｒｅｓｏｎ Ｍｅｄ ３３、ｐｐ５６４−５６８、１９９５）。

図２に、本発明による方法を実践するために役立つ画像処理システム１０を示す。システム１０は、例えば、ＭＲＩスキャナなどのデジタルＭＲＩ画像源１００、デジタル画像記憶装置（ＣＤドライブなど）、またはその他を含む。ＭＲＩ画像源１００からのデジタル画像は、例えばプログラム可能なＰＣまたはＳｕｎ Ｓｐａｒｃワークステーションなどを含むデジタル画像処理ワークステーションなどの画像処理装置１０２に送られる。画像処理装置１０２は、ディスプレイ１０４（ＣＲＴディスプレイや他のモニタなど）、キーボード１０６、マウス１０８、またはその他の周知の入力装置に接続可能である。画像処理装置１０２は、コンピュータ読み取り可能記憶媒体１０７にも接続される。画像処理装置１０２は、処理されたデジタル画像を出力装置１０９に送信する。出力装置１０９は、ハードコピープリンタ、長期画像記憶装置、他の処理装置への接続、および、例えばインタネットなどに接続された画像通信装置を有してもよい。

以下の説明では、１つの実施形態を方法として説明する。しかしながら他の実施形態では、本発明は、説明する方法によってデジタルＭＲＩ画像内の異常組織を検出するコンピュータプログラム製品を有する。本発明の説明において、本発明のコンピュータプログラムは、図２に示すようなＰＣなど、いかなる周知のコンピュータシステムであっても利用できることを理解されたい。また逆に、他のタイプのコンピュータシステムであっても本発明のコンピュータプログラムを実行するために使用できる。例えば本発明の方法は、デジタルＭＲＩ機またはＰＡＣＳ（picture archiving communication system，画像管理システム）に含まれるコンピュータにおいて実行可能である。このためコンピュータシステムについては、ここではこれ以上詳細に論じないものとする。

さらに理解されるであろうが、本発明のコンピュータプログラム製品は、周知の画像処理アルゴリズムや処理方法を利用できる。したがって本発明の説明は、本発明の方法の一部を形成するか、または、より直接的に連携するそれらのアルゴリズムや処理方法に特に向けられる。理解されるであろうが、このように本発明のコンピュータプログラム製品の実施形態は、ここでは具体的に示したり説明したりしていないアルゴリズムおよび処理方法であっても実施に有用であれば含むことができる。このようなアルゴリズムおよび処理方法は、従来技術であって、このような分野における通常の技術である。

本発明のコンピュータプログラム製品に含まれるか連携する画像を生成したり処理するこのようなアルゴリズム、システム、ハードウェア、および／またはソフトウェアは、ここでは具体的に示したり説明したりしていないが、関連技術における周知のこのようなアルゴリズム、システム、ハードウェア、コンポーネント、および構成要素から選択可能である。

図３は、医用画像における特性が異なる組織に対する、時間横断的かつモダリティ横断的な医用画像検査の方法を一般的に示す。より具体的には、図３は特性が異なる組織に対する、時間横断的かつモダリティ横断的な医用画像検査の方法の一実施形態を示すフローチャートである。図３に示す実施形態では、マルチモダリティによる複数の医用画像は、一連の処理を受ける。これらの処理は特定の機能を実施するが、それには１つのモダリティによる医用画像の取得、他のモダリティによる医用画像の取得１２０４、モダリティ横断的な画像のマッピング１２０６、時間横断的な医用画像シーケンスにおける任意の組織特性の分類１２０２、および時間横断的かつモダリティ横断的な対話式検査の実施１２０８が含まれる。

以下に、図３で示す各処理をより詳細に説明する。なお、ステップ１２０２で使用する医用画像シーケンスは、造影剤が投与された状態で取得してもよいし、投与されない状態で取得してもよい。造影剤が投与されない状態で医用画像を取得する場合は、ステップ１２０２において組織の特性を分類する必要はない。

次に図４を参照し、医用画像における特性が異なる組織を時間関数として時間横断的に検査する方法の概要を説明する。図４は、本発明の医用画像における特性が異なる組織に対する時間横断的な検査方法の一実施形態を示すフローチャートである。図４に示す実施形態では、時間横断的な複数の医用画像シーケンスは、一連の処理を受ける（８０２）。これらの各処理は、シーケンス内位置合わせ８０４、シーケンス間位置合わせ８０６、ダイナミック曲線分類８０８、および視覚化と診断８１０などの特定の機能を実行する。

画像の位置合わせの概念についてここで述べる。

次に、図５を参照する。包括的な画像位置合わせ処理方法のフローチャートが示されている。画像の位置合わせの目的は、同一対象物の同一特徴点に対応する２つの空間における点を相互にマッピングするように、１つの空間（１つの二次元画像）内の座標ともう１つの空間（もう１つの二次元画像）内の座標とのマッピングを決定することである。２つの画像内の座標のマッピングを決定する処理によって、２つの画像内の対応する点の水平方向変位マップと垂直方向変位マップが得られる。そして水平変位マップおよび垂直変位マップは、対象となる画像のうちの１つの画像を変形し、２つの画像間のずれを最小とする。

画像の位置合わせに関する用語では、位置合わせ処理において対象となる２つの画像は、元画像１０２０および基準画像１０２２と呼ばれる。論じる上で、元画像をＩ（ｘ_t，ｙ_t，ｔ）、基準画像をＩ（ｘ_t+1，ｙ_t+1，ｔ＋１）とする。記号ｘおよびｙは、画像座標系の水平座標および垂直座標、ｔは画像インデックス（画像１，画像２など）である。画像座標系の原点（ｘ＝０，ｙ＝０）は、画像面の中央に定義される。画像座標ｘおよびｙは整数でなくてもよいことを理解されたい。

実施する上で便利なように、画像（または画像画素）はＩ（ｉ，ｊ）としてもインデックスが付けられ、単純にするため、ｉおよびｊは必ず整数とし、パラメータｔは無視する。このような表現は、離散領域における行列のインデックス付けと関連する。画像（行列）の高さがｈ、幅がｗであるとすると、対応する画像面座標ｘとｙは、位置（ｉ，ｊ）においてｘ＝ｉ−（ｗ−１）／２．０、ｙ＝（ｈ−１）／２．０−ｊとして算出できる。列インデックスｉは０からｗ−１まであり、行インデックスｊは０からｈ−１まである。

一般的には、位置合わせ処理とは、以下が成り立つような最適な変形関数Φ_t+1（ｘ_t，ｙ_t）（ステップ１００２参照）を求めることである。
［ｘ_t+1，ｙ_t+1，１］^T＝Φ_t+1（ｘ_t，ｙ_t）［ｘ_t，ｙ_t，１］^T （１０−１）

式（１０−１）の変形関数は、３×３行列であって、要素を式（１０−２）に示す。

変形行列は、回転サブ行列

と、並進ベクトル

との、２つの部分を有する。

なお、変形関数Φはグローバル関数またはローカル関数のどちらでもよい。グローバル関数Φであれば、画像内のすべての画素を同じように変形させる。ローカル関数Φであれば、画素内の位置に基づき画像内の画素ごとに異ならせて変形させる。画像位置合わせの作業では、変形関数Φはグローバル関数、ローカル関数、またはそれら２つの組み合わせでもよい。

実際には、変形関数Φは２つの変位マップＸ（ｉ，ｊ）とＹ（ｉ，ｊ）を生成し（ステップ１００４）、これらのマップは、元画像内の画素を基準画像内の対応する画素の位置と合わせる新たな位置に移動させるための情報を含む。言い換えれば、ステップ１００８において元画像は空間的に補正され、位置合わせされた元画像１０２４となる。Ｘ（ｉ，ｊ）とＹ（ｉ，ｊ）のどちらの変位マップにおいても、列インデックスｉは０からｗ−１、行インデックスｊは０からｈ−１まである。

図６に、位置のずれを補正した結果の例を示す。この図には、元画像１１０２と基準画像１１０６が示されている。元画像１１０２と基準画像１１０６の間には、さまざまな垂直方向のずれがある。図５で示したステップをこれら２つの画像に適用することによって、垂直方向のずれを補正した元画像（図６に画像１１０４として示す）を取得できる。

なお、画像の変形関数Φを算出するために用いる位置合わせアルゴリズムは、剛体位置合わせアルゴリズム、非剛体位置合わせアルゴリズム、またはそれら２つの組み合わせであってもよい。当業者であれば理解することであるが、２つの関連する画像における位置のずれを補正するためには変位マップが必要であって、その変位マップを生成する変形係数Φを求めるための作業を実行する位置合わせアルゴリズムは多数存在する。位置合わせアルゴリズムの例は、リディア・ネヌジーら（Ｌｙｄｉａ Ｎｇ ｅｔ ａｌ．）著「ＩＴＫを用いた医療における視覚化（Ｍｅｄｉｃａｌ Ｖｉｓｕａｌｉｚａｔｉｏｎ ｗｉｔｈ ＩＴＫ）」（ｈｔｔｐ：//ｗｗｗ．ｉｔｋ．ｏｒｇ）において参照できる。当業者であればさらに理解することであるが、変位マップを用いた画像の空間的な補正は、適切な画像補間アルゴリズム（例えば、バートホールド・クラウス・ポール・ホーン（Ｂｅｒｔｈｏｌｄ Ｋｌａｕｓ Ｐａｕｌ Ｈｏｒｎ）著「ロボットビジョン（Ｒｏｂｏｔ Ｖｉｓｉｏｎ）」、Ｔｈｅ ＭＩＴ Ｐｒｅｓｓ Ｃａｍｂｒｉｄｇｅ、Ｍａｓｓａｃｈｕｓｅｔｔｓ）を使用することによって実施可能である。

再び図５を参照すると、本発明による上記の画像位置合わせ処理をブラックボックス１０００として確認でき、このブラックボックス１０００には入力端末Ａ（１０３２）、入力端末Ｂ（１０３４）、および出力端末Ｄ（１０３６）がある。ブラックボックス１０００を用いて、特性が異なる組織に対する本発明による時間横断的な検査について以下に説明する。

図４に示したシーケンス内位置合わせ８０４およびシーケンス間位置合わせ８０６の処理について、より詳しく図７を参照して次に説明する。

図７に、対象物（例えば乳房）に対するＭＲＩ画像シーケンスの例を示す。ＭＲＩ画像シーケンス７０４は、同一対象物（例えば乳房）に対するＭＲＩスライスセット７０６，７０８，７１０の集合を例として含む。各ＭＲＩスライスセットは、対象物（乳房）の画像（断面）であるスライスを多数含む。図７に例として示すスライスは、セット７０６内のスライス（画像）７１２、セット７０８内のスライス（画像）７１４、およびセット７１０内のスライス（画像）７１６である。

造影剤が投与された際の、対象物の機能的な時空における変化を捉えるために、ＭＲＩスライスセットは意図的に異なる時刻に撮影する。ＭＲＩスライスセット間の時間的な隔たりは、例えば１、２分などでもよい。

特性の異なる組織に対する時間横断的な検査を行なうには、シーケンス７０４の他に、同一対象物（乳房）に対する単数または複数の別のＭＲＩ画像シーケンスが必要である。そのような画像シーケンスの例がＭＲＩシーケンス７２４である。シーケンス７２４は、シーケンス７０４とは異なる時刻に取得されている。シーケンス７２４とシーケンス７０４との間の時間的な隔たりは、例えば数ヶ月でもよい。

シーケンス７０４と同様、シーケンス７２４は同一対象物（乳房）に対するＭＲＩスライスセット７２６，７２８，７３０の集合を例として含む。各ＭＲＩスライスセットは、対象物（乳房）の画像（断面）であるスライス画像を多数含む。スライス画像は例として、セット７２６内のスライス（画像）７３２、セット７２８内のスライス（画像）７３４、およびセット７３０内のスライス（画像）７３６である。

上記と同様、時空における対象物の機能的な変化を捉えるために、ＭＲＩスライスセットは異なる時刻に撮影する。ＭＲＩスライスセット間の時間的な隔たりは、例えば１、２分などでもよい。

シーケンス内位置合わせ（８０４）とは、同一対象物の同一断面に対するスライス（画像）をＭＲＩ画像セットの１つのシーケンス内で位置合わせすることであると定義される。例えば、シーケンス７０４ではスライス（画像）７１２，７１４，７１６、また、シーケンス７２４ではスライス（画像）７３２，７３４，７３６である。

シーケンス内位置合わせの実施形態について、各画像セットに対する組織特性検査方法に関係して論じるが、各画像セットは独立した構成要素として機能する。ＭＲＩ画像を取得する処理の間に発生する対象物（例えば乳房）の動きは避けられないので、対象物の同一断面に対する画像（例えば７１２，７１４，７１６）であってもずれが生じ、シーケンス内位置合わせが必要となる。このずれによって組織特性検査の処理にエラーが生じる可能性がある。

前述のように、特性が異なる組織に対する時間横断的な検査では、同一対象物に対する異なる時間に取得された２つ以上の画像シーケンス（例えばシーケンス７０４および７２４）が必要となる。異なるシーケンス内の対応するスライス（スライス７１２と７３２など）は、ずれている可能性が高く、またいくらか形状が異なる可能性もある。シーケンス間位置合わせ（８０６）はこのような場合に必要とされ、異なるシーケンス間の同一対象物の同一断面に対するスライス（画像）を位置合わせすることであると定義される。シーケンス間位置合わせの対象となるスライスのペアは、例えばペア７１２と７３２、ペア７１４と７３４、およびペア７１６と７３６である。

次に図８に進み、画像セットに対する組織特性検査方法（およびステップ８０８、ダイナミック曲線分類）の概要を説明する。図８は、本発明による異常組織自動検出方法の一実施形態を説明するフローチャートである。なお、図８に示すフローチャートは単独の処理を構成する独立した単位として機能することを理解されたい。つまり、図８に示すフローチャートはステップ８０８を発展させたものであると解釈されるものではない。むしろ、ステップ８０８とステップ８０４が図８のフローチャートに示されるステップを用いて説明されるものである。

図８に示す実施形態では、造影剤注入前と後に取得した複数のＭＲＩ乳房画像に対し一連の処理が施こされる。これらの各処理は、アライメント、差し引き、セグメント化、システム同定、および分類など特定の機能を実行する。本発明では、動的なシステムパラメータの分類によって異常組織の検出作業が達成される。

図８に示す実施形態では、第１ステップ２０２（図４のステップ８０２および図３のステップ１２０２に関連する）では、造影剤の注入前および後で複数のＭＲＩ乳房画像セットを一回取得する。時間横断的かつモダリティ横断的な検査では、ステップ２０２を繰り返して、造影剤の注入前と後に別の複数のＭＲＩ乳房画像セットをもう一回取得する。当業者であれば理解することであるが、モダリティ横断的な検査では、造影剤が注入されない場合は、異なる複数回に取得された医用画像シーケンス（ステップ２０２）は、各シーケンス内に画像スライスを１セットしか含まないことも可能である（例えばシーケンス７０４の７０６、シーケンス７２４の７２６）。前者（注入あり）の場合は、ステップ１２０２では医用画像シーケンスを取得して時間横断的な医用画像シーケンスにおける組織特性を分類する。後者（注入なし）の場合は、ステップ１２０２は医用画像シーケンスを取得し、ステップ８０４およびステップ８０８は省略される。次の詳細な説明では、造影剤を投与する場合について述べる。

Ｉ₀（ｘ，ｙ，ｚ）は、造影剤注入前の乳房のＭＲＩ画像セットを示し、画像（スライス）は空間順に番号が付けられる。ここで、ｚ∈［１，．．．，Ｓ］は空間順を示すインデックス、Ｓはセット内の画像数、ｘおよびｙは画像の水平方向および垂直方向のインデックスを各々示し、ｘ∈［１，．．．，Ｘ］、ｙ∈［１，．．．，Ｙ］である。造影剤投入後、複数のＭＲＩ画像セットを取得するが、各セットに対し同一乳房画像と同じ数（Ｓ）、同じ空間順ｚで取得する。複数のＭＲＩ画像セットは、例えば約１分の時間分解能で撮影する。このＭＲＩ画像セットは、Ｉ_k（ｘ，ｙ，ｚ）で表すことができるが、ここでｋは時間順を示すインデックスを示しｋ∈［１，．．．，Ｋ］であり、Ｋはセット数を示す。例えばセットは、７０６，７０８，７１０（セット数３、Ｋ＝３）、または、セット７２６，７２８，７３０（セット数３、Ｋ＝３）である。例えばセット７０６内のスライスＩ_k（ｘ，ｙ，１）（位置１）（シーケンス７０４内の最初のセット、ｋ＝１）は、スライス７１２である。

撮像対象のボクセル内に造影剤が存在すると信号が高まるので、画像を取得する処理の間観察することができる。信号対時間の曲線を分析することによって、異なる種類の組織をその造影剤取り込み特性の違いによって識別することができる。異常組織を自動検出するためには、造影剤注入後に撮影されたセット数ＫのＭＲＩ画像セットＩ_k（ｘ，ｙ，ｚ）は、空間座標ｘ，ｙに対して基準ＭＲＩ画像セットとステップ２０４（およびシーケンス内位置合わせ８０４）において空間的にアライメント（位置ずれ補正）する必要がある。一般的には、ＭＲＩ画像の基準セットは造影剤注入前に撮影されたＭＲＩ画像セットＩ₀（ｘ，ｙ，ｚ）である。アライメント処理は、セット数Ｋのすべての画像セットにおいて、乳房の同一組織領域に属す画素が必ず同じｘ，ｙ座標を有するようにする。アライメント処理では、以下が実行される。

ブラックボックス１０００（図５参照）を使用すると、Ｉ_k（ｘ，ｙ，ｚ）は端末Ａ（１０３２）に入力され、Ｉ₀（ｘ，ｙ，ｚ）は端末Ｂ（１０３４）に入力される。そして位置合わせされた画像Ｉ_k（ｘ，ｙ，ｚ）は、出力端末Ｄ（１０３６）で取得される。

アライメント関数ａｌｉｇｎ（Ａ，Ｂ）を実施するのに利用できる方法は例として、端末Ａと端末Ｂの位置を合わせる非剛体位置合わせであり、この方法は医用撮像およびリモートセンシング分野において広く利用されている。位置合わせ処理（位置ずれ補正）に関しては前述のとおりである。当業者であれば理解することであるが、他の位置合わせ方法を利用してもよい。

図１を参照して論じたように、造影剤注入後、異なる乳房組織における画像画素強度の増加は異なる。この現象は、注入後の画像から注入前の画像を差し引くことによって、画像内の異常組織の位置に関するより明確な情報を放射線科医に提供することができることを示す。この情報はＭＲＩ乳房元画像から領域を抽出して、異常組織を自動的に検出し差異を求めるためにも利用できる。この情報は図８におけるステップ２０６において取得され、このステップでは複数のＭＲＩ乳房画像セットＩ_k（ｘ，ｙ，ｚ）、ｋ∈［１，．．．Ｋ］を基準ＭＲＩ画像セットと比較し、複数の差分画像セットδＩ_k（ｘ，ｙ，ｚ）、ｋ∈［１，．．．Ｋ］を生成する。ＭＲＩ画像セットＩ₀（ｘ，ｙ，ｚ）は、強度基準画像として選択される。差異を求める処理は次のように実行される。

ここで、関数ｓｕｂｔｒａｃｔｉｏｎ（Ａ，Ｂ）は、ＡからＢを引く。

図８におけるステップ２０８では、差分画像セットδＩ_k（ｘ，ｙ，ｚ）はセグメント化処理の対象となる。このセグメント化処理では、複数の差分画像セットδＩ_k（ｘ，ｙ，ｚ）をまず評価し、複数のマスク画像セットＭ_k（ｘ，ｙ，ｚ）、ｋ∈［１，．．．Ｋ］を、以下を実行して生成する。

ここで、マスク画像セットＭ_k（ｘ，ｙ，ｚ）、ｋ∈［１，．．．Ｋ］はゼロで初期化され、Ｔは統計上の強度閾値を示す。Ｔは、例としての値として経験値１０である。

ステップ２０８におけるセグメント化処理では、複数のＭＲＩ乳房画像セットＩ_k（ｘ，ｙ，ｚ）内の画像をマスク画像Ｍ_k（ｘ，ｙ，ｚ）内の非ゼロ画素に従ってセグメント化し、複数のＭＲＩ乳房画像セット内の画像における強度によってセグメント化された画素を取得する。その結果得られる画像をＳ_k（ｘ，ｙ，ｚ）、ｋ∈［１，．．．Ｋ］とすると、セグメント化の演算は次のように表すことができる。

ここで、画像Ｓ_k（ｘ，ｙ，ｚ）はゼロとして初期化される。

当業者であれば理解することであるが、実用的に実施するには、マスク画像の生成段階は省略でき、セグメント化の演算は次のように実行できる。

ここで、画像Ｓ_k（ｘ，ｙ，ｚ）はゼロとして初期化される。

図８におけるステップ２１０は、動的システム同定のステップであって、図９および１０を参照して説明する。図９は、図１に示したグラフの繰り返しであるが、図９はステップ関数ｆ（ｔ）で表される曲線３０２を含み、正常および脂肪組織に関する曲線は削除されている点で異なる。

異常組織を検出することが本発明の目的であるが、より重要なことは良性組織から悪性組織を鑑別することである（注：ステップ関数ｆ（ｔ）はｆ（ｔ＜０）＝０；ｆ（ｔ≧０）＝|λ|；λ≠０）。セグメント化ステップ２０８では、画像Ｓ_k（ｘ，ｙ，ｚ）内で正常および脂肪組織に属す画素はゼロに設定される。画像Ｓ_k（ｘ，ｙ，ｚ）内の残りの画素は、悪性または良性の組織に属する。

悪性の組織と良性の組織を鑑別するのは、静的な形式において、つまり個々の画像内の画素の輝度（強度）を評価するだけでは難しい。それに対しダイナミックな形式では、輝度の変化によってこれら２つの種類の組織を区別する。図９に示すように、悪性組織の輝度（コントラスト）曲線３０４（ｍ（ｔ））は、時間ゼロから始まり、ステップ関数曲線３０２よりも上方にすばやく上がり、その後ステップ関数曲線３０２に漸近的に近づく。一方、良性組織の輝度（コントラスト）曲線３０６（ｂ（ｔ））は、ステップ関数曲線３０２の下方をゆっくり上り、その後ステップ関数曲線３０２（ｆ（ｔ））に漸近的に近づく。

当業者であれば理解することであるが、輝度（コントラスト）曲線３０４（ｍ（ｔ））は低減衰の動的システムにおけるステップ応答と類似し、一方、輝度（コントラスト）曲線３０６（ｂ（ｔ））は過減衰の動的システムにおけるステップ応答と類似する。

動的システムの動作を同定するための一般的な方法を例として図１０に概略的に示す。不明な動的システム４０４に対しステップ関数４０２を励起として使用する。動的システム４０４からのステップ関数４０２に対する応答４０６は、システム４０４の動的パラメータを判断するためにシステム同定ステップ４０８に供給される。

図８に示すように、動的システム同定２１０のシステムモデル化は、ステップ２１２において達成される。動的システムのモデル化２１２を実現した例を図１１に示すが、この図にはＡＲＸ（autoregressive，自己回帰）モデル５００が示されている（レナート・リュング（Ｌｅｎｎａｒｔ Ｌｊｕｎｇ）著、「システム同定ツールボックス（Ｓｙｓｔｅｍ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｔｏｏｌｂｏｘ）」、Ｔｈｅ Ｍａｔｈ Ｗｏｒｋｓ参照）。

一般的なＡＲＸモデルは、次の式で表すことができる。
ｙ（ｔ）＝Ｇ（ｑ）ｆ（ｔ）＋Ｈ（ｑ）ε（ｔ） （１）
ここで、図１１に示すように、Ｇ（ｑ）（５０６）とＨ（ｑ）（５０４）はシステム伝達関数、ｕ（ｔ）（５０２）は励起、ε（ｔ）（５０８）は外乱、ｙ（ｔ）（５１０）はシステム出力である。伝達関数Ｇ（ｑ）（５０６）とＨ（ｑ）（５０４）は、有理関数ｑ^-1で示すことができ、分子係数および分母係数は、次の式で示すことができる。

ここで、ＡおよびＢは次に示す遅延演算子ｑ^-1の多項式である。
Ａ（ｑ）＝１＋ａ₁ｑ^-1＋．．．．．．．＋ａ_naｑ^-na （４）
Ｂ（ｑ）＝ｂ₁＋ｂ₂ｑ^-1＋．．．．．．．＋ａ_nbｑ^-nb+1 （５）

ＡおよびＢが多項式である場合、システムのＡＲＸモデルは次のように明示的に書き換えることができる。
ｙ（ｔ）＝−ａ₁ｙ（ｔ−１）−．．．−ａ_naｙ（ｔ−ｎａ）＋ｂ₁ｕ（ｔ−ｎｋ）＋．．．ｂ_nbｕ（ｔ−ｎｋ−ｎｂ＋１）＋ｅ（ｔ） （６）
式（６）はさらに次の回帰式で書き換えることができる。

係数ベクトルθを求めるシステム同定の解は、次のように表される。

式（９）および（１０）では、ｔ₀はデータのサンプリング開始時刻であって、Ｎ_tはサンプル数である。

輝度（コントラスト）曲線（ｍ（ｔ））３０４および輝度（コントラスト）曲線（ｂ（ｔ））３０６に関し、φ（ｔ）はそれぞれ次のようになる。

この特定の事例では、ｕ（ｔ）はステップ関数である。また、対応する解は

および

である。

を算出することによって動的システム同定ステップ２１０（および図１０のステップ４０８）を実行できる。

図８を再度参照すると、ＭＲＩ画像内のコントラストおよび輝度が高い領域を良性腫瘍または悪性腫瘍に分類する（分類ステップ２１４）ために、教師あり学習ステップ２１８が設けられている。

教師あり学習とは、入力と望ましい出力との組み合わせである模範セットを含む学習処理であると定義される。ＭＲＩ画像乳房組織を分類する本事例では、模範入力は

及び

（または周知の曲線）、望ましい模範出力は悪性腫瘍を示す指数Ｏ_mおよび良性腫瘍を示す指数Ｏ_bである。図８におけるステップ２１８では、ステップ２１６から特性（良性または悪性）が判明しているＭ個のサンプル乳房ＭＲＩダイナミック曲線を受け取る。Ｍの例としての値は、１００である。Ｍ個の曲線には、悪性腫瘍に属すＭ_m個の曲線と、良性腫瘍に属すＭ_b個の曲線とがある。Ｍ_mおよびＭ_bの例としての値は５０である。ステップ２１８では、式（８）をすべてのサンプル曲線に適用し、Ｍ個の係数ベクトルである

を生成するが、その中のＭ_m個の係数ベクトル（

によって表され、ｉ＝１．．．Ｍ_m）は、指数Ｏ_mによって悪性腫瘍を示し、Ｍ_b個の係数ベクトル（

によって表され、ｉ＝１．．．Ｍ_b）は、指数Ｏ_bによって良性腫瘍を示す。これらの学習された係数ベクトル

及び

は分類器を訓練するのに使用され、その後分類器は検出処理または診断処理においてダイナミックコントラスト曲線を分類するために使用される。

特異度（良性腫瘍を悪性腫瘍から鑑別する精度）を上げるには、他の要因（ステップ２２０）も訓練（学習）および分類処理に組み入れることができる。要因として、造影剤の投与速度、撮像に対する造影剤投与のタイミング、撮影時間、およびスライスの厚さなどが知られている（シー・ダブル・ピッコリ（Ｃ．Ｗ．Ｐｉｃｃｏｌｉ）著、「造影乳房ＭＲＩ：感度および特異度に影響を与える要因（Ｃｏｎｔｒａｓｔ−ｅｎｈａｎｃｅｄ ｂｒｅａｓｔ ＭＲＩ：ｆａｃｔｏｒｓ ａｆｆｅｃｔｉｎｇ ｓｅｎｓｉｔｉｖｉｔｙ ａｎｄ ｓｐｅｃｉｆｉｃｉｔｙ）」、Ｅｕｒ．Ｒａｄｉｏｌ．７（Ｓｕｐｐｌ．５）、Ｓ２８１−Ｓ２８８（１９９７）参照）。

造影剤の投与速度をα、撮像に対する造影剤投与のタイミングをβ、撮影時間をγ、およびスライスの厚さをδと表わす。これらの要因は例であるが、係数ベクトル

および

とともに使用して分類器を訓練することができ、その後、分類器を使用してＭＲＩ乳房画像の領域を悪性腫瘍クラスまたは良性腫瘍クラスに分類できる。なお、これらの例としての要因は、係数ベクトル

および

の範囲と比較できる範囲に数量化する必要がある。

学習および訓練を目的に、訓練データセットを次のように構築する。

ここで、τ_jはクラスを示すラベルである。

例えば、腫瘍が悪性の場合はτ_j＝１、良性の場合はτ_j＝−１である。ベクトル

はコンピュータビジョンの分野では以前から「特徴ベクトル（ｆｅａｔｕｒｅ ｖｅｃｔｏｒ）」と呼ばれる。記号

は領域を表わし、ｄは領域の次元である。この事例では、係数ベクトルθに要素が５つ含まれているとすると、ｄ＝９となる。式（１１）内のデータ形式は、教師あり学習ステップ２１８および分類ステップ２１４で使用される。当業者であれば理解することであるが、データベクトル

は他の方法でも構築でき、上記以外の物理的または非物理的な数値要素（要因）によって強化できる。

ダイナミックコントラスト曲線を他の物理的または非物理的な要因とともに使用して、悪性腫瘍を良性腫瘍から鑑別する作業を実施するために使用できる分類器は複数知られている。例えば、ＳＶＭ（Support Vector Machine，サポートベクトルマシン）である。（シー・バージェス（Ｃ．Ｂｕｒｇｅｓ）著、「パターン認識におけるサポートベクトルマシンの手引き（Ａ Ｔｕｔｏｒｉａｌ ｏｎ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ ｆｏｒ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ）」、Ｄａｔａ Ｍｉｎｉｎｇ ａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ、２（２）、１−４７、１９９８、Ｋｌｕｗｅｒ Ａｃａｄｅｍｉｃ Ｐｕｂｌｉｓｈｅｒ、Ｂｏｓｔｏｎ参照、ｈｔｔｐ：／／ａｙａ．ｔｅｃｈｎｉｏｎ．ａｃ．ｉｌ／ｋａｒｎｉｅｌ／ＣＭＣＣ／ＳＶＭ−ｔｕｔｏｒｉａｌ．ｐｄｆから情報入手可）。

ＳＶＭ分類器の事例としては、超平面によって分離される２つのクラスを表わすデータに対する訓練と分類がある。データを分離する超平面は、次の式を満たす。

ここで、「・」はドット積である。

ＳＶＭを訓練する目的は、自由パラメータ

およびσを決定することである。すべてのデータが次の不等なペア（ｐａｉｒｅｄ ｉｎｅｑｕａｌｉｔｉｅｓ）に従うように、

およびσの比率にスケーリングを常に適用することができる。

式（１３）は、次のラグランジュ関数

をパラメータ

に対して最小にし、未定乗数法ξ_j≧０に対して最大とすることで解くことができる。

最適化の問題を解決すれば、式（１３）内の

に関する式はゼロでない係数によってサポートベクトルの観点から書き換えることができ、分離超平面用の式に当てはめ、次のＳＶＭ決定関数を導くことができる。

ここで、ｌ_sはサポートベクトルの数である。新規ベクトル

を２つのクラス（悪性と良性）のうちのどちらに分類するかは、決定関数の符号に基づく。当業者であれば理解することであるが、分離不能な場合は、非線形ＳＶＭを利用することができる。

画像セットの組織特性を検査する上記の方法（およびステップ８０４と８０８）は、時間横断的な組織特性検査用の時間横断的なすべての画像シーケンス（７０４および７２４など）に適用される。本発明における時間横断的な画像シーケンスは、ステップ８０８の手前のステップであるシーケンス内位置合わせステップおよびシーケンス間位置合わせステップで対象とされることを理解されたい。シーケンスに対するシーケンス内位置合わせステップおよびシーケンス間位置合わせステップの手順は例として、まずシーケンス７０４に対してシーケンス内位置合わせを実行し、次にシーケンス７０４および７２４に対してシーケンス間位置合わせを実行する。当業者であれば理解することであるが、シーケンス７０４と７２４の役割は入れ替えてもよい。

この特定の例における実行手順で使用されるシーケンス７０４内の位置合わせでは、任意の画像セット（例えばセット７０６）を基準画像セットとして選択する。画像セット７０６は次に端末Ｂ（図５の１０３４）に入力され、他の画像セット（例えば７０８および７１０）は端末Ａ（図５の１０３２）に入力される。画像セット（７０８および７１０）の位置合わせされた画像が端末Ｄ（図５の１０３６）で取得される。

この特定の例における実行手順で使用されるシーケンス間の位置合わせでは、画像シーケンス７２４は端末Ａ（図５の１０３２）に入力され、画像シーケンス７０４は端末Ｂ（図５の１０３４）に入力され、シーケンス７２４の位置合わせされた画像が出力端末Ｄ（図５の１０３６）で取得される。

ステップ８０８（図４）が完了すると、複数の時点（この事例では２つ）における時間横断的な複数の画像シーケンス（例えばこの事例では、２つのシーケンス７０４と７２４）において把握された組織特性を反映するように複数のダイナミック曲線（この事例では２つの曲線）が生成される。これらのダイナミック曲線によって医療専門家は患者の病状（または経過）に関する有用な情報を得られることが分かっている。

ステップ８１０において医療専門家は、より優れた診断を行なうように検査対象者の関心領域（画像内の気になる領域）を検査する際に視覚化ツールを利用する。このような視覚化機器の１つの実施形態を図１２に示す。

図１２に、上記の方法ステップを実施するように適応された画像処理装置（図２における画像処理装置１０２に対応）と通信するコンピュータのモニタ画面９００（図２におけるディスプレイ１０４に対応）を示す。

画面９００には、２つの典型的な画像スライス７１２および７３２が画面の左側に示されている。例えばスライス７１２は、空間位置１における３つのセット（７０６，７０８、７１０）内の最初の画像Ｉ_k（ｘ，ｙ，１）|ｋ∈［１，２，３］である。スライス７３２は、空間位置１における３つのセット（７２６，７２８，７３０）内の最初の画像Ｉ_k（ｘ，ｙ，１）|ｋ∈［１，２，３］である。乳房画像９０２および９１２は、それぞれスライス７１２および７３２内に示されている。乳房画像９０２および９１２は、同一乳房の同一断面の画像である。

医療専門家は操作中、画像を操作してスライス７１２内の位置９０８上にポインタ９０６を移動させる（例えばコンピュータのマウス１０８や他のユーザインタフェースを動かすことによって）。この移動と同時に、スライス７３２内の同一空間位置９１８に擬似ポインタ９１６が表示される（つまり、スライス７１２内の９０８と同一空間位置）。または、ユーザはポインタ９１６をスライス７３２内の位置９１８上に動かすこともでき（ユーザインタフェースに従う）、スライス７３２内の９１８と同様、スライス７１２内の同一空間位置９０８に擬似ポインタ９０６が同時に表示される。

いずれの場合であっても、２つのダイナミック曲線（実線曲線９２４と破線曲線９２６）がディスプレイ９００上のチャート９２２内に表示される。例として示す曲線９２４と９２６は、２つの異なる時刻における同一乳房の同一位置での異なる組織特性を反映する。例えば、スライス７１２を含む画像シーケンスは、スライス７３２を含むシーケンスよりも６ヶ月前に撮影されたとする。医療専門家はマウスを他の位置へ動かすことによってある期間（６ヶ月など）における組織特性の変化を観察することができる。このような視覚化機器を用いれば、病状の進行を簡単に解析可能である。

当業者であれば理解することであるが、組織特性はダイナミック曲線プロット９２４，９２６を図示することに加えて他の方法でも表わすことができる。例えば、組織特性をカラーの血管形成マップによって表わすこともできる。当業者であればさらに理解することであるが、時間横断的な複数の画像シーケンスを本発明の方法によって処理でき、医療診断用に複数のダイナミック曲線を同時に表示することも可能である。

特性が異なる組織を分類することによって血管形成マップのような特別なグラフを作成することができる。図１３に、腫瘍の疑いのある領域１３０２と他の組織領域を含む、乳房血管形成マップ１３００を例として示す。この例としてのマップでは、領域１３０２は、さらなる検査（定量分析など）のための関心領域（region of interest，ＲＯＩ）であって、残りの他の領域は非関心領域（ｎｏｎ−ＲＯＩ）と見なされる。

異なる状況では、複数の関心領域を解析する場合もある。しかしながら、便宜上、乳房血管形成マップ１３００を使用して、本発明による時間横断的かつモダリティ横断的な検査の処理について説明する。当業者であれば理解することであるが、本発明の方法は他の撮像モダリティ（ＰＥＴ、ＣＴ、ＵＳ、およびその他）、他の信号（情報）形式、および／または他の疾患に適用可能である。

次に図３を再び参照し、方法ステップ１２０４、１２０６、および１２０８について詳細に説明する。

乳癌診断では、Ｘ線マンモグラフィの特異度と感度は限られている。それに代わる撮像方法としてのＭＲＩマンモグラフィは、特定の大きさよりも大きな腫瘍に対して感度が高い。医療従事者や研究者にとって、Ｘ線マンモグラフィとＭＲＩ画像の両方を観察し補完的な情報を得ることは有益である。例えば、微小石灰化は従来のＸ線画像によって最も良くとらえることができる。

図３におけるステップ１２０２では、１つのモダリティとして時間横断的なＭＲＩ画像シーケンスが取得され、ステップ１２０４では、別のモダリティとして時間横断的なＸ線マンモグラフィが取得される。図７には、時間横断的なＭＲＩシーケンス７０４と７２４とともに、２つのＸ線マンモグラフィ画像７０５および７２５が例として示されているが、画像７０５はシーケンス７０４、画像７２５はシーケンス７２４が収集された時点とほぼ同じ時点でそれぞれ撮影されている。これらの２つのマンモグラフィ画像は、ステップ１２０６および１２０８においてモダリティ横断的な解析に使用される。

理解されることであるが、Ｘ線マンモグラフィ画像７０５および７２５は、三次元の対象物（例えば乳房）を投影したものであるのに対し、画像シーケンス７０４および７２４は三次元の対象物（乳房）の断面画像である複数の二次元スライスで構成されている。

データ７０５、７２５、７０４、７２４などに対するモダリティ横断的な検査を容易にするため、図３におけるステップ１２０６では次元が高いモダリティ（ＭＲＩシーケンスである７０４および７２４）のデータ（画像）を次元が低い他のモダリティのデータ（Ｘ線画像である７０５および７２５）にマッピングする。

高い次元のモダリティを低い次元の他のモダリティにマッピングする処理（ステップ１２０６）について図１４Ａ〜１４Ｅに示すグラフを参照しながら説明する。

図１４Ａに図７の画像セット７０６または７２６と同様のＭＲＩスライスセット１４０２を例として示す。説明上、セット１４０２は３つのスライス１４０３，１４０４，および１４０５を含み、それぞれ乳房画像１４０６，１４０７および１４０８を示す。一般的には三次元医用撮像装置は、スライス内の隣接する画素間の距離がスライスの中心間距離よりも小さい画像スライスを生成する場合が多い。このため、ボクセル寸法は一般的に等方性ではなく、多くの医用画像用の解析アプリケーションにおいて好ましくない。このため本発明では、得られた画像セット（セット１４０２）を等方性または十分に等方性に近くするようにスライス補間を実行し、モダリティ横断的なマッピングが効果的に実行できるようにするステップを実行する。従って本発明には、二つの既存のスライスの間に任意の数の新規スライスを生成し、等方性が得られるようにするスライス補間方法が含まれる。スライス補間は次の式で表わすことができる。
Ｉ_int＝βＩ_1-β（ｉ→ｊ）＋（１−β）Ｉβ（ｊ→ｉ） （１６）
ここで、Ｉ_intは補間スライス、Ｉ_1-β（ｉ→ｊ）およびＩβ（ｊ→ｉ）は、Ｉ_intを生成する２つの中間スライスである。スライスＩ_1-β（ｉ→ｊ）およびＩβ（ｊ→ｉ）は、２つの元の隣接するスライスＩ（ｉ）およびＩ（ｊ）の擬似相互位置合わせ（ｐｓｅｕｄｏ−ｃｒｏｓｓ−ｒｅｇｉｓｔｒａｔｉｏｎ）方法によって取得される。係数βおよび１−βは２つの中間スライスの補間スライスに対する寄与度を制御する。下付き文字βおよび１−βの役割は、部分置き換えマップおよび擬似位置合わせ処理についての下記の解説で理解されるであろう。例えば図１４Ｂでは、Ｉ_intの例はスライス１４１３、Ｉ（ｉ）の例はスライス１４０３、またＩ（ｊ）の例はスライス１４０４である。

次に、本発明のスライス補間に使用される２つのスライスの擬似相互位置合わせ方法を説明する。

画像位置合わせに使用される式（１０）では、変形関数Φは２つの変位マップＸ（ｉ，ｊ）およびＹ（ｉ，ｊ）を生成し、これらのマップには元画像の画素を基準画像内の対応する画素の位置に合わせる新規の位置に移動させる情報が含まれている。

補間スライスＩ_int（スライス１４１３など）を２つのスライス（１４０３と１４０４など）の間の位置に実際に生成するため、部分変位マップＸα（ｉ，ｊ）およびＹα（ｉ，ｊ）が使用される。この部分変位マップによって、元画像（スライス）内の画素Ｉ（ｘ）は、元画像の画素と基準画像内の対応する画素Ｉ（ｙ）の位置との間に位置する新たな位置に移動する。部分変位マップＸα（ｉ，ｊ）およびＹα（ｉ，ｊ）は、特定の値である所定の因数αを使用して次のように算出される。
Ｙα（ｉ，ｊ）＝αＹ（ｉ，ｊ）
Ｘα（ｉ，ｊ）＝αＸ（ｉ，ｊ）
ここで、０≦α≦１。

生成された部分変位マップは次に、元画像を変形して中間画像（スライス）Ｉα（ｘ→ｙ）を得るために使用され、この中間画像は次のように算出される。
Ｉα（ｘ→ｙ）＝ａｌｉｇｎ_partial（Ｉ（ｘ），Ｉ（ｙ），α）
ここで、ａｌｉｇｎ_partial（Ｉ（ｘ），Ｉ（ｙ），α）は、元画像および基準画像に対して擬似位置合わせ（アライメント）を実行する関数であって、制御パラメータαを使用して元の変位マップＸ（ｉ，ｊ）およびＹ（ｉ，ｊ）をＸα（ｉ，ｊ）およびＹα（ｉ，ｊ）に変更する。

上記の処理である擬似位置合わせは、式（１６）に示すように異なる制御パラメータを使用して、両方の元のスライス（例えば１４０３と１４０４）に適用される。これによって、両方の元スライスの情報を含む中間スライス（例えば１４１３）が生成される。つまり各元画像は、基準画像としても元画像としても使用されることになる。このため「擬似相互位置合わせ（ｐｓｅｕｄｏ−ｃｒｏｓｓ−ｒｅｇｉｓｔｒａｔｉｏｎ）」という用語が使用される。

図１４Ｂでは、スライスセット１４１２は、２つの補間スライス１４１３（元スライス１４０３と１４０４）および１４１４（元スライス１４０４と１４０５）を含む。元画像の各ペアには補間スライスは１つしかないので、この事例ではパラメータβとして０．５が選択される。通常、パラメータβは、β_k＝ｋ／（Ｎ＋１）で算出される。ここで、ｋ∈［１，２，．．．Ｎ］であって、Ｎは補間スライスの望ましい数である。式（１６）は次のようになる。

乳房画像１４０６，１４０７，１４０８の実例をスライスセット１４１２内に示す。スライスセット１４１２内の補間乳房画像１４１５には、１４０６の寸法と１４０７の寸法の間の寸法である補間乳房が示されている。スライスセット１４１２には、元スライス１４０４および１４０５の間にもう１つの補間スライス１４１４もある。

説明上、スライスセット１４１２は、等方性ボクセルの要件を満たすように、元スライスの各ペアの間に補間スライスを適切な数含むものとする。このようにスライスセット１４１２は、二次元空間における対象物（乳房）の表示（Ｘ線）と一緒に観察できるように、低い次元（二次元）にマッピングする必要のある対象物（乳房）の三次元ＭＲＩ画像集の典型的な例である。高い次元の表示から低い次元の表示へのマッピングには、関心のある視点からの投影が含まれる。乳房検査を例とすると、Ｘ線マンモグラフィにおける頭尾方向（Cranio-Caudal，ＣＣ）および内外側方向（Medio-Lateral，ＭＬ）の表示が一般的に受け入れられている。

デジタルＭＲＩ画像集（例えば補間スライスセット１４１２）が利用可能であれば、スライスセット１４１２の画像集を、軸１４１７を軸として回転し、次に方向１４１９（スライス左右の辺と平行）または方向１４２１（スライス面に垂直）に沿って画像集を投影して任意の表示（頭尾方向および内外側方向の表示を含む）を得られれば、医療従事者にとって有用となり得る。軸１４１７は、スライス上下の辺と実質的に平行であって、画像集の中央を通ると理想的である。概して対象物の画像集の中央はスライス集の中央と一致する必要はないので、実用的には軸１４１７は実際の対象物（乳房）の中央を通らせる。回転の中央（対象物の中央）を求める方法については後で説明する。

図１４Ｃでは、軸１４１７を軸としてスライス集を回転させる１つの例として、スライスセット１４１２を再度スライスすることが挙げられ、結果として得られるスライス（例えばスライスセット１４２２内の１４２３，１４２４，１４２５）は軸１４１７に対して垂直である。個々のスライス１４２３，１４２４，１４２５を回転させることによって、実質的にスライスセット１４１２を回転させることになる。これらの新規スライス（１４２３，１４２４，１４２５）はスライス１４０３，１４１３，１４０４，１４１４，および１４０５と交差する。１４０６，１４１５，１４０７，および１４０８などの乳房画像は、１４２３，１４２４，１４２５では線となる。投影スライス１４２３，１４２４，１４２５は、方向１４１９では図１４Ｄに示すように略図１４３２内の画像１４３３における点となる。投影スライス１４２３，１４２４，１４２５は、方向１４２１では略図１４３２内の画像１４３４における線となる。

より一般的な事例では、スライスセット１４１２は、投影実施前に、軸１４４３，１４４４，１４４５（図１４Ｅの略図１４４２参照）を軸としてロール方向、ピッチ方向、ヨー方向に回転させる。当業者であれば分かることであるが、任意の角度から投影を得るそれ以外の方法では、仮想プロジェクタを三次元空間に置き、軸１４４３，１４４４，１４４５を軸としてこの仮想プロジェクタを回転させ、静止しているスライスセット１４１２に対し投影を実施する。

図１５を参照して、回転の中心（対象物の中心）を求める方法を説明する。スライス１４２３は乳房画像（１４０６，１４１５，１４０７など）と交差するところでは、画素の集合１６０２を形成する。集合１６０２の中心（ｏ₁，ｏ₂）は、次のように算出する。
ｏ₁＝ｍ₁₀／ｍ₀₀
ｏ₂＝ｍ₀₁／ｍ₀₀
ここで、モーメントｍ_pqは、次のように算出する。

ここで、集合１６０２内ではｆ（ｃ₁，ｃ₂）＝１、それ以外の場所では０となり、Ｃ₁およびＣ₂はこの用途における画像座標（図１５）である。

図１６に例として、スライス補間後の３つのＭＲＩ乳房立体投影画像を示す。画像１５３３は方向１４１９に沿った投影であって、画像１５４４は方向１４２１に沿った投影である。それ以外の投影画像１５５５が示されているが、この画像は方向１４１７に沿ったものであり、上記の説明では触れていない。実際には、この画像の投影方向は必要性が最も低いと見なす医療専門家もいる。

三次元体を二次元空間に投影後、得られた投影画像（例えば１５３３および１５４４）をマッピング処理によって直接２次元空間で取得された画像（Ｘ線マンモグラフィ画像７０５）と位置合わせをする。なお、マッピング（投影および位置合わせ）に使用する三次元体は、処理前の元スライス（スライスセット７０６）または血管形成画像（マップ１３００など）によって構成された三次元体でもよい。

時間横断的かつモダリティ横断的な検査を実行するには、三次元体の投影画像（スライスセット７０６または７１０）を画像（７０５または７２５）と位置合わせする必要がある。また、投影画像７０６と７１０を相互に位置合わせする必要もある。さらに、画像７０５および７２５も相互に位置合わせする必要がある。これらの必要な位置合わせによって、ステップ１２０８における対話式の時間横断的かつモダリティ横断的な検査は容易となる。次に１つのケースを例に挙げて説明する。

図１７に、これまで説明したステップを実行する画像処理装置（１０２）と通信するコンピュータのモニタ画面９００（図２のディスプレイ１０４と対応）を示す。画面９００には時間横断的な典型的な二次元画像（マンモグラフィ画像）７０５および７２５が表示される。例えば画像７０５は、同一対象物（乳房）の画像７２５が取得されたよりも６ヶ月前に取得されたものとする。画像７０５および７２５は、撮影後、相互に位置合わせされる。画面９００には他に、時間横断的な２つのＭＲＩ立体投影画像１７０５および１７２５も表示される。投影画像の実際的な例を図１６に示す。同様に、時間横断的な立体投影画像１７０５と１７２５も相互に位置合わせされる。さらに、７０５および７２５とも位置合わせされる。

時間横断的かつモダリティ横断的な検査の操作例として、医療専門家はポインタ１７０６（ユーザインタフェースを介して設けられたマウスなど）を画像７０５内の乳房１７０２上の位置１７０８に移動する。実質的にそれと同時に、画像７０５内の１７０８と同一の空間位置１７１８あたりに、円１７１６のようなマーカが画像７２５内の乳房１７１２に表示される。また、画像７０５内の１７０８と同一の空間位置あたりに、円１７２６が画像１７０５内の乳房１７２２に表示される。さらに、画像７０５内の１７０８と同一の空間位置あたりに、円１７３６が画像１７２５内の乳房１７３２に表示される。実際には、病理学的な解析のため、医療従事者は時間横断的かつモダリティ横断的な検査に使用される画像（スライス）のうちのどの画像上で関心地点（位置および領域）を選択してもよく、対応する地点（領域）は他のすべての画像（スライス）内でマーカ（円、四角、または他の形）によって強調される。図１２に示すように、画面９００上には、２つのダイナミック曲線（実線９２４および破線９２６）を表示することが望ましく、例としての曲線９２４および９２６は、２つの異なる時期における同一乳房の同一位置に対する異なる組織特性を反映する。

本発明の時間横断的かつモダリティ横断的な方法は、スタンドアロン型ＣＡＤ（computer aid diagnosis，コンピュータ支援診断）ワークステーションまたはＰＡＣＳ（picture archiving and communication system，画像保管通信システム）によって実施してもよい。検査結果は、セキュリティの確保されたネットワークリンクまたは無線通信によって伝送することができる。

本発明の要旨は、デジタル画像処理およびコンピュータビジョン技術に関する。これらの技術は、デジタル画像を認識できるようデジタル的に処理し、それによって人間が理解可能なオブジェクト、属性、または条件に有用な意味づけを行ない、そして得られた結果をデジタル画像のさらなる処理に利用する技術を意味する。

本発明の方法を実行するコンピュータプログラムは、コンピュータ読み取り可能記憶媒体に保存可能である。この媒体は、例えば、磁気ディスクのような磁気記憶媒体（ハードドライブやフロッピディスクなど）または磁気テープ、および光ディスク、光テープ、機械読み取り可能バーコードのような光記憶媒体、もしくはＲＡＭ（ランダムアクセスメモリ）またはＲＯＭ（読み出し専用メモリ）などの固体電子記憶装置、またはコンピュータプログラムを保存するためのそれ以外の物理的なデバイスまたは媒体を有してもよい。また、本発明方法を実行するためのコンピュータプログラムは、インタネットや他の通信媒体によって画像処理装置に接続されたコンピュータ読み取り可能記憶媒体に保存してもよい。当業者であれば簡単に理解することであるが、このようなコンピュータプログラム製品の等価物は、ハードウェアとして構成してもよい。

異なる乳房組織に関するダイナミック造影における取り込み特性（曲線）を示すグラフである。 本発明に基づく方法を実践するために利用できる画像処理システムの概略図である。 本発明に基づく医用画像の時間横断的かつモダリティ横断的な検査の方法を示すフローチャートである。 本発明に基づく時間横断的な組織特性検査方法の一実施形態を示すフローチャートである。 本発明に基づく画像の位置合わせの方法を示すフローチャートである。 画像の位置合わせの概念を示す図である。 時間横断的な２つの画像シーケンスを示す図である。 本発明に基づく異常組織自動検出の一実施形態を示すフローチャートである。 悪性および良性の腫瘍組織に関するダイナミック造影における取り込み特性（曲線）を示すグラフである。 ステップ関数応答およびシステム同定の概念を示す概略図である。 本発明に基づくシステム同定の方法を示すフローチャートである。 本発明に基づく時間横断的な組織特性検査の視覚化による提示の方法を示す図である。 医用画像における特性が異なる組織を示した図である。 本発明に基づく三次元画像を立体投影するステップを示す図である。 本発明に基づく三次元画像を立体投影するステップを示す図である。 本発明に基づく三次元画像を立体投影するステップを示す図である。 本発明に基づく三次元画像を立体投影するステップを示す図である。 本発明に基づく三次元画像を立体投影するステップを示す図である。 画素の集合を有するスライスを示す図である。 複数の医用三次元立体投影の図である。 本発明に基づく時間横断的かつモダリティ横断的な医用画像検査の一実施形態を示す図である。

Claims (6)

1. 時間横断的かつモダリティ横断的な医用画像の解析方法であって、
   第１期間に第１モダリティによって取得された被検者の第１セットの医用画像にアクセスするステップと、
   第２期間に第２モダリティによって取得された前記被検者の第２セットの医用画像にアクセスするステップであって、前記第１セットと前記第２セットはそれぞれ複数の医用画像を有するステップと、
   前記第１セットおよび前記第２セットの前記複数の医用画像を所定の空間座標にマッピングすることによって画像の位置合わせを実行するステップと、
   前記第１セットおよび前記第２セットに対する時間横断的な画像マッピングを実行するステップと、
   対話式の時間横断的な医用画像解析の手段を設けるステップと、
   を含む方法。
2. 前記画像の位置合わせを実行するステップは、
   前記第１セットおよび前記第２セット内の前記複数の医用画像に対するセット内位置合わせを実行するステップと、
   前記第１セットおよび前記第２セット内の前記複数の医用画像に対するセット間位置合わせを実行するステップと、
   を含む、請求項１に記載の方法。
3. 前記第１セットおよび前記第２セット内の前記画像の少なくとも１つに対して組織特性検査を実行するステップをさらに含む、請求項１に記載の方法。
4. 前記被検者の基準セットの医用画像にアクセスするステップと、
   前記第１セットおよび前記第２セットと前記基準セットとの差異を求めるステップであって、複数の画像を有する差分画像セットを生成するステップと、
   前記差分画像セットの前記複数の画像をセグメント化するステップであって、強度によってセグメント化された画素を有する複数の画像を生成するステップと、
   強度によってセグメント化された画素を有する前記複数の画像にシステム同定を適用するステップであって、複数のシステムパラメータを生成するステップと、
   前記複数のシステムパラメータを分類するステップと、
   をさらに含む、請求項１に記載の方法。
5. 前記複数のシステムパラメータを分類するステップの前に、物理的または非物理的な要因によって前記システムパラメータを補うステップをさらに含む、請求項４に記載の方法。
6. 前記画像の位置合わせを実行するステップの後に、特性によって組織を分類するステップをさらに含む、請求項１に記載の方法。

Images