JP2009545799A - バイナリー・クラスター・マップを単一のクラスター・マップに組み合わせる方法 - Google Patents

バイナリー・クラスター・マップを単一のクラスター・マップに組み合わせる方法 Download PDF

Info

Publication number
JP2009545799A
JP2009545799A JP2009522386A JP2009522386A JP2009545799A JP 2009545799 A JP2009545799 A JP 2009545799A JP 2009522386 A JP2009522386 A JP 2009522386A JP 2009522386 A JP2009522386 A JP 2009522386A JP 2009545799 A JP2009545799 A JP 2009545799A
Authority
JP
Japan
Prior art keywords
cluster map
reliability
map
binary
cluster
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2009522386A
Other languages
English (en)
Inventor
ヴェングラー，マルク，クリストフ
パオルス，ティモ
フィッシャー，アレクサンダー
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Koninklijke Philips Electronics NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV, Koninklijke Philips Electronics NV filed Critical Koninklijke Philips NV
Publication of JP2009545799A publication Critical patent/JP2009545799A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/945—User interactive design; Environments; Toolboxes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本発明は、複数のバイナリー・クラスター・マップを単一のクラスター・マップに組み合わせる方法に関する。それぞれの個別バイナリー・クラスター・マップは特徴的な情報を表し、前記単一のクラスター・マップは前記特徴的な情報の和を表す。最初に、それぞれの個別バイナリー・クラスター・マップは、該バイナリー・クラスター・マップの信頼性を示す信頼性因子を割り当てられる。次いでこれらの因子が、信頼性因子要素からなる信頼性ベクトルを決定するために利用される。ここで、それぞれの個別信頼性因子要素は、前記単一のクラスター・マップ中のあるクラスター・マップ領域に関連付けられ、そのクラスター・マップ領域の信頼性を示す。

Description

本発明は、複数のバイナリー・クラスター・マップを単一のクラスター・マップに組み合わせる方法および装置に関する。ここで、それぞれの個別バイナリー・クラスター・マップは特徴的な情報（characteristic information）を表しており、前記単一のクラスター・マップは前記特徴的な情報の組み合わせを表している。
さまざまな医療撮像システムは、直接的に、あるいは薬物動態モデリングのような測定データの好適な解析により、生物機能パラメータの測定を許容する（特許文献１参照）。臨床適用のため、結果として得られる機能画像はしばしばさらに処理されてクラスター・マップが得られる（非特許文献１参照）。クラスタリングによって、もとのパラメータ・マップの準連続的なレベルは、より明瞭な表示を許容するよう還元される。しばしば、クラスタリングは、結果が二つのレベルだけとなるような仕方で行われる。これはたとえば二つの組織状態：正常組織および病変組織に対応する。そのような機能的な２レベルのクラスター・マップ（バイナリー・マップ）は、その二つの種類の組織の簡単な区別を許容し、放射療法計画（RTP: radio therapy planning）のような用途のために一般的に使われている（非特許文献１参照）。
いくつかの生物学的に重要なパラメータは、たった一回よりは多い測定または解析方法によって得ることができる。一つの例は、低酸素症に関係したパラメータである。これは、磁気共鳴血中酸素レベル依存（MR-BOLD: Magnetic Resonance Blood Oxygen Level Dependent）測定によって、好適な陽電子放出断層撮影（PET: Position Emission Tomography）画像の薬物動態解析によって、あるいは磁気共鳴化学交換依存飽和伝達（MR-CEST: Magnetic Resonance Chemical Exchange Dependent Saturation Transfer）測定によって測定できる。それらの結果として得られる機能マップは通例、互いに異なっており、バイナリー・クラスター・マップもそうである。これは、一部のバイナリー・クラスター・マップはきわめて重要な情報を含む一方、他のクラスター・マップはそれほど重要ではない情報を含みうるということを意味する。したがって、バイナリー・マップからできるだけよい情報を獲得するために、使用される測定または解析方法は非常に慎重に選択される必要がある。
しかしながら、複数のクラスター・マップからの情報を単一のクラスター・マップに集めることができ、さらにその単一のクラスター・マップの信頼レベルを医師が評価できるようにする方法が必要とされている。
欧州特許出願第EP04102015.7号、「区画解析のためのデータ処理システム（Data processing system for compartmental analysis）」 L・シン（Xing）ら、「機能的画像案内強度変調放射線療法のための逆計画（Inverse planning for functional image-guided intensity modulated radiation therapy）」、Phys. Med. Biol.、47、3567、2002年
本発明の目的は、特徴的な情報を表す複数のバイナリー・クラスター・マップからの情報を単一のバイナリー・クラスター・マップに組み合わせて、非常にユーザー・フレンドリーな仕方で、かつより精確に、その単一のクラスター・マップの信頼レベルを医師が評価できるようにする方法および装置を提供することである。
ある側面によれば、本発明は、複数のバイナリー・クラスター・マップを単一のクラスター・マップに組み合わせる方法であって、それぞれの個別バイナリー・クラスター・マップは特徴的な情報を含み、前記単一のクラスター・マップは前記特徴的な情報の組み合わせを表し、当該方法は：
・それぞれの個別バイナリー・クラスター・マップに、それぞれの個別バイナリー・クラスター・マップの信頼性を示す信頼性因子を割り当てる段階と、
・所定の組み合わせ規則についての入力パラメータとして前記信頼性因子を利用して前記単一のクラスター・マップについての信頼性ベクトルを決定する段階とを有しており、ここで、前記信頼性ベクトルは信頼性因子要素を含み、それぞれの個別信頼性因子要素は前記単一のクラスター・マップ中のあるクラスター・マップ領域に関連付けられ、そのクラスター・マップ領域の信頼性を示す、方法に関する。
したがって、バイナリー・クラスター・マップの組み合わせは典型的には、少なくとも部分的にはバイナリー・クラスター・マップどうしの重なりにつながるので、種々の重なり領域は、前記信頼性因子要素によって与えられる信頼性値を割り当てられる。関連する信頼性因子要素が高い信頼性をもつ領域はきわめて重要な領域と考えられることになり、信頼性因子要素が低い信頼性をもつ領域はそれほど重要でない領域と考えられることになる。そのようにして、医師は、放射療法計画のような用途におけるたとえば診断および／または療法におけるさらなる処理のために、ずっと効果的な仕方で、前記単一のクラスター・マップ中の種々の領域の信頼性を評価できる。
ある実施形態では、それぞれの個別バイナリー・クラスター・マップに信頼性因子を割り当てる前記段階は、手動で実行される。すべての初期クラスター・マップの信頼レベルは、経験のある医師（またはユーザー、ドクター、技師）によってのみ評価されることができる多くの因子に依存する。したがって、可能な最良の組み合わされたクラスター・マップを得るために、逐次反復的な方法が提供される。
ある実施形態では、それぞれの個別バイナリー・クラスター・マップに信頼性因子を割り当てる前記段階は、前記複数のバイナリー・クラスターを、割り当てられた信頼性因子をもつ基準バイナリー・クラスターと比較することによって自動的に実行される。この自動手順は、ある種の応用／モダリティについてのライブラリに基づくことができる。たとえば、モダリティがPETおよびCTであり、PETトレーサーがフルオロデオキシグルコース（FDG: FluoroDeoxyGlucose）であり、応用が肺癌である場合、ライブラリから適切な信頼性因子を見つけ出すことができる。
ある実施形態では、前記方法はさらに：
・前記信頼性ベクトルについての閾値を割り当て、
・更新された単一のクラスター・マップについての入力パラメータとして前記の割り当てられた閾値を利用することを含む。
そのようにして、融合したクラスター・マップにおける閾値レベルは、たとえば前記閾値を越える信頼性因子だけが融合したクラスター・マップに参加するよう、変えることができる。
ある実施形態では、信頼性因子要素についての閾値を割り当てる段階は手動で実行される。そのようにして、ユーザー、たとえば医師、ドクター、技師は、逐次反復的に、融合したクラスター・マップの閾値レベルを変える、すなわち融合したクラスター・マップのうち信頼レベルが低すぎる部分を除去することができる。
ある実施形態では、信頼性因子要素についての閾値を割り当てる段階は、前記複数のバイナリー・クラスターを、割り当てられた閾値をもつ基準バイナリー・クラスターと比較することによって自動的に実行される。この自動手順は、ある種の応用／モダリティについてのライブラリに基づくことができる。たとえば、モダリティがPETおよびCTであり、PETトレーサーがFDGであり、応用が肺癌である場合、ライブラリから適切な閾値を見つけ出すことができる。
ある実施形態では、前記所定の規則は式：
RN,N-1,...,1＝RN＋(1−RN)RN-1,...,1
によって定義される。ここで、Rjはバイナリー・クラスター・マップj＝1…Nについての信頼性因子であり、Nは最初のバイナリー・クラスター・マップの総数である。よって、N＝3でR1＝0.6、R2＝0.8、R3＝0.4の場合、７つの要素R321、R31、R32、R12、R3、R2、R1をもつ信頼性ベクトルが得られる。この例については前記ベクトルは：R＝［0.952；0.920；0.880；0.760；0.800；0.600；0.400］となる。上述した実施形態では、閾値はたとえば0.8と選ぶことができる。それにより、組み合わされたクラスター・マップは、信頼性値0.8以上の信頼性因子をもつクラスター・マップ領域のみを含む。
ある実施形態では、異なる色情報がそれぞれの個別バイナリー・クラスター・マップに関連付けられ、信頼性ベクトルは組み合わされたクラスター・マップと同時に対応する色情報をもって表示される。それにより、所与の組み合わされたクラスター・マップ部分に関連付けられた各ベクトル要素は、同じ色情報をもって表示される。そのようにして、ユーザーは非常に簡単にベクトル要素の異なる色をクラスター・マップにリンクさせることができ、そのようにして、前記単一のクラスター・マップのどの領域が最も重要な領域かを簡単に発見することができる。
別の側面によれば、本発明は、コンピュータ上で実行されたときに上記の方法の諸ステップを実行するよう処理装置に命令するコンピュータ・プログラム・プロダクトに関する。
さらにもう一つの側面によれば、本発明は、複数のバイナリー・クラスター・マップを単一のクラスター・マップに組み合わせるよう適応された装置であって、それぞれの個別バイナリー・クラスター・マップは特徴的な情報を含み、前記単一のクラスター・マップは前記特徴的な情報の組み合わせを表し、当該装置は：
・それぞれの個別バイナリー・クラスター・マップに、それぞれの個別バイナリー・クラスター・マップの信頼性を示す信頼性因子を割り当てる割り当て手段と、
・所定の組み合わせ規則についての入力パラメータとして前記信頼性因子を利用して前記単一のクラスター・マップについての信頼性ベクトルを決定するプロセッサとを有しており、ここで、前記信頼性ベクトルは信頼性因子要素を含み、それぞれの個別信頼性因子要素は前記単一のクラスター・マップ中のあるクラスター・マップ領域に関連付けられ、そのクラスター・マップ領域の信頼性を示す、装置に関する。
ある実施形態では、前記割り当て手段は、ユーザーからの手動の入力を受領するよう適応された入力手段またはそれぞれの個別バイナリー・クラスター・マップに割り当てられた信頼性因子を自動的に評価するよう適応されたアルゴリズムを有する。前記入力手段は、ユーザーから信頼性因子についてのコマンドを受領するよう適応された、たとえばキーボード、マウス、音声入力システムなどを有することができる。前記割り当て手段が前記アルゴリズムを有する場合、信頼性因子はそのアルゴリズムによって、たとえば前記バイナリー・マップを同じ解析方法で取得されたあらかじめ記憶されたバイナリー・マップと比較することによって、自動的に選択されることができる。ここで、たとえば統計的な評価がバイナリー・マップの品質を決定する。あるいは、関連付けられた「平均的な」信頼性値をもつ解析方法およびモダリティのライブラリを有していてもよい。たとえば、CTでの肺結節スキャン：R＝0.8、FDG PETでの肺結節スキャン：R＝0.85などといった具合である。
本発明の諸側面は、それぞれ他のどの側面と組み合わされてもよい。本発明のこれらおよびその他の側面は、以下に記述する実施形態から明白となり、そうした実施形態を参照することで明快にされるであろう。
本発明の実施形態について、あくまでも例として、図面を参照しつつ述べる。
同じ特徴的な情報を表す複数のバイナリー・クラスター・マップを融合して単一のクラスター・マップにする、本発明に基づく方法のフローチャートである。 バイナリー・クラスター・マップの一例を示す図である。 バイナリー・クラスター・マップの一例を示す図である。 バイナリー・クラスター・マップの一例を示す図である。 図２ａ〜２ｃのバイナリー・クラスター・マップから得られる単一の組み合わされたクラスター・マップを示す図である。 信頼性ベクトルについて閾値が割り当てられる実施例を描いた図である。 信頼性ベクトルについて閾値が割り当てられる実施例を描いた図である。 信頼性ベクトルについて閾値が割り当てられる実施例を描いた図である。 本発明に基づく装置を示す図である。
図１は、組み合わせアルゴリズムによって定義される組み合わせ規則に従って、特徴的な情報を表す複数のバイナリー・クラスター・マップを融合して単一のクラスター・マップにする、本発明に基づく方法のフローチャートを示している。ある実施形態では、組み合わせ規則は漸化式：
RN,N-1,...,1＝RN＋(1−RN)RN-1,...,1
によって定義される。ここで、RＮはバイナリー・クラスター・マップNについての信頼性因子、RＮ-1はクラスター・マップN−1についての信頼性因子、などである。図２ａ〜２ｃは、三つのバイナリー・クラスター・マップ２０１〜２０３の例を示している。ここで、この特定の場合では、特徴的な情報は、同じであるが、異なるアプローチで得られたものである。一例として、特徴的な情報は低酸素症に関係したパラメータであることができ、これはMR-BOLD測定によって、好適なPET画像の薬物動態解析によって、あるいはMR-CEST測定によって測定できる。図２に示されるように、それらの結果として得られるクラスター・マップは互いに異なっている。
より一般的な言い方をすると、各クラスター・マップは、最終的にある生物学的／臨床的／医学的問題に答えるはたらきをするパラメータを表している。パラメータは必ずしも厳密に同じでなくてもよく、多くの場合、異なっていることがある。たとえば、臨床的な応用は、悪性肺結節をみつけることでありうる。この課題のため、典型的にはCTスキャンおよび追加的にPETスキャンが実行されることになる。スキャンのそれぞれにおいて、癌性組織に対応する可能性のある領域が輪郭付けされる（delineated）。CTについては、これは密度変化および解剖学的情報に基づいている。PETについては、これは代謝情報に基づいている。この特定の場合では、特徴的な情報は、原理的には異なっているが、同じ目的、すなわち癌性組織の領域がどこにあるかを見出すことに役立つ。したがって、一つのバイナリー・マップはCTからの解剖学的パラメータに基づく癌を表し、一つのバイナリー・マップはPETからの代謝速度に基づく癌を表す。したがって、発想は、両情報源を組み合わせて一つのマップを臨床担当者に呈示するということである。
図１を参照すると、図２に示される各バイナリー・クラスター・マップ２０１〜２０３は、最初に信頼性因子を割り当てられなければならない（S1）１０１。これは、ユーザー、たとえばドクター、技師によって、そのユーザーの経験に基づいて手動で実行されうる。一例として、ユーザーは、図２の第一のマップ２０１については信頼性因子の値R1＝0.6を、第二のクラスター・マップ２０２についてはR2＝0.8を、第三のクラスター・マップ２０３についてはR3＝0.4を割り当てうる。ここで、0＜R＜1で、1が最高の信頼性である。これで、ユーザーはマップ２０１〜２０３の信頼性を評価を済ませたことになる。すなわち、そのユーザーの意見によれば、第二のバイナリー・クラスター・マップ２０２が最も信頼できるものである。信頼性割り当ては、自動的に行うこともできる。これは、たとえば、バイナリー・マップを、同じ解析方法で得られたあらかじめ記憶されている諸バイナリー・マップと比較することを含むことができる。ここで、たとえば統計的な評価がバイナリー・マップの品質を決定してもよい。あるいは、関連付けられた「平均的な」信頼性値をもつ解析方法およびモダリティのライブラリを有していてもよい。たとえば、CTでの肺結節スキャン：R＝0.8、FDG PETでの肺結節スキャン：R＝0.85などといった具合である。
割り当てられた信頼性因子は次いで、前記単一のクラスター・マップについての信頼性ベクトルを決定するために入力パラメータとして利用される（S2）１０３。ここで、信頼性ベクトルは信頼性因子要素を含む。各要素は、前記単一のクラスター・マップ中のあるクラスター・マップ領域に関連付けられており、そのクラスター・マップ領域の信頼性を示す。これはのちにより詳しく論じる。
ある実施形態では、信頼性ベクトルのために閾値が割り当てられ（S3）１０５、更新された単一のクラスター・マップのための入力パラメータとして利用される（S4）１０７。これは、三つの異なる閾値レベルを示す図４〜図６に描かれている。
上の例を参照し、N＝3（たとえば、図２ａ〜２ｃの三つのバイナリー・クラスター・マップ）、R1＝0.6、R2＝0.8およびR3＝0.4とすると、
RN,N-1,...,1＝RN＋(1−RN)RN-1,...,1は：
R3,2,1＝R3＋(1−R3)R2,1＝R3＋(1−R3)(R2＋(1−R2)R1)＝0.952
R2,1＝R2＋(1−R2)R1＝0.920
R1,3＝R1＋(1−R1)R3＝0.76
R2,3＝R2＋(1−R2)R3＝0.88
R3＝0.4
R2＝0.8
R1＝0.6
となる。
前記組み合わせ規則の出力は、R＝［0.952；0.920；0.880；0.760；0.800；0.600；0.400］によって与えられる信頼性ベクトルである。ここで、最初の四つのベクトル要素が、融合された信頼性要素であり（クラスター・マップ２０１〜２０３におけるクラスターからの二つ以上の部分が重なり合う）、最後の三つの要素が初期信頼性要素である（クラスター・マップの重なりなし）。図３は、バイナリー・クラスター・マップ２０１〜２０３についての信頼性因子の値としてR1＝0.6（図２ａについて）、R2＝0.8（図２ｂについて）、R3＝0.4（図２ｃについて）が割り当てられるときの、図２ａ〜２ｃのバイナリー・クラスター・マップから得られる単一の組み合わされたクラスター・マップ３０１を示している。図３では、領域３０３は図２ａ〜２ｃからの三つのバイナリー・クラスター・マップ領域からの境界によって定義される。すなわち、これらの領域は、図２における前記三つのクラスター・マップからの重なり部分によって定義される。信頼性ベクトル３０２における信頼性因子値３０４は値0.952によって与えられる。ある好ましい実施形態では、この信頼性因子の値は、領域３０３と簡単にリンクできるように示される。そのようにする一つの方法は、色情報を使うことである。もしたとえば図２ａ〜２ｃにおける初期クラスター・マップが異なる色によって示される場合、たとえばマップ２０１は赤色によって示され、マップ２０２は青色によって示され、マップ２０３は黄色によって示される場合、前記単一のクラスター・マップは部分的にはこれらの色の組み合わせを、部分的には重なりが生じないもとの色を含むことになる。したがって、図３の領域３０３はある中間色（前記三つの色の和に基づく）をもつことになり、したがって、信頼性因子値３０４はそれと同じ色によって何らかの仕方で表示または指示されることになる。他方、図３の領域２０１は、図２ａから直接描かれており、したがって赤の領域として示される。値0.6をもつ対応するベクトル要素３０６が赤色として示される。ある実施形態では、複数のもとの領域からなる領域（重なった領域）は、関連するもとの色すべての縞で色付けできる。すなわち、それによれば領域３０３は、赤、青および黄色の交互の縞で色付けされることになる。
したがって、図３における前記単一のクラスター・マップをたとえばそのような色情報で示すことによって、種々の領域が、信頼性ベクトル３０２中の信頼性因子値を用いて解釈できる。この例において、ベクトル３０２における最も高い信頼性値は、クラスター・マップ２０１〜２０３が重なるところのものである。これは、たとえば、前記の領域３０３と、図２からのクラスター・マップ２０１および２０２に基づく領域３０７であり、この後者に対応するベクトル要素３０８は0.920である（これは同じ色で表示され、その色は紫であろう）。
もう一つの実施形態では、前記単一のクラスター・マップは、たとえば「緑」は初期の三つのマップすべてが互いに一致することを意味し、「オレンジ」は初期のマップ二つだけが一致することを意味し、「赤」は初期のマップの一つだけがこの領域で寄与していることを意味するというように呈示することもできる。
ある実施形態では、閾値なしで連続的な色マップをもって融合されたマップを表示することも可能であろう。
図４〜図６は、信頼性ベクトル３０２について閾値が割り当てられている実施形態を描いている。ここで、閾値は、更新された単一のクラスター・マップのための入力パラメータとして利用される。図４では、閾値は0.88と割り当てられる。これは、更新されたクラスター・マップ４０１が0.88を超える信頼性をもつクラスター、すなわち信頼性0.920および0.956をもつ領域のみを含むということを意味する。この割り当ては、医師または他の任意のユーザー、たとえば技師によって手動で実行されることができる。技師は、クラスター・マップ４０１が受け入れられるものではないと評価し、したがって閾値を0.600まで下げて図５に示される単一のクラスター・マップ５０１を得る、あるいはさらに0.400まで下げて図６の更新された単一のクラスター・マップ６０１を得ることができる。
したがって、本方法は閾値を対話的に変更する手段を提供する。
ある実施形態では、さまざまな閾値は自動的に変更できる。一例として、典型的な閾値が自動的に選択されることができ、結果として得られる単一のクラスター・マップが医師に対して表示されることができる。その継続として、技師はその後単一のクラスター・マップを手動で改善することができる。
図７は、複数のバイナリー・クラスター・マップをあらかじめ定義された組み合わせ規則に従って組み合わされたクラスター・マップに組み合わせるための本方法に基づく装置７００を示している。ここで、それぞれの個別バイナリー・クラスター・マップは特徴的情報を含み、組み合わされたクラスター・マップは前記特徴的情報の和を含む。装置７００は、それぞれの個別バイナリー・クラスター・マップに信頼性因子を割り当てるための割り当てユニット（A_M）７０２と、複数のバイナリー・クラスター・マップを組み合わせて組み合わされたクラスター・マップにするために、前記信頼性因子を前記組み合わせ規則のための入力パラメータとして利用するプロセッサ（P）７０３とを有する。ある実施形態では、割り当てユニットは、ユーザー７０１（たとえば医師、技師）による手動入力を可能にするための入力ユニットを有する。これは、ユーザー７０１から命令を受領するための、たとえばキーボード、マウス、タッチスクリーン機能、音声認識システムなどであることができる。割り当てユニットはさらに、それぞれの個別バイナリー・クラスター・マップを処理してその処理に基づいてバイナリー・クラスター・マップについての信頼性因子を評価するよう適応されたソフトウェアを含むことができる。
開示された実施形態のある種の個別的な詳細は、本発明の明確かつ十全な理解を与えるために限定というよりは説明の目的で述べられている。しかしながら、当業者は、本発明は、本開示の精神および範囲から著しく外れることなく、厳密には本稿で述べられている詳細と一致しない他の実施形態において実施されてもよいことは理解するはずである。さらに、この背景において、および簡明のため、よく知られた装置、回路および方法論の詳細な記述は、無用な詳細および考えられる混乱を避けるために省略されている。
参照符号が請求項に含められているとしても、それは単に明確のためであって、特許請求の範囲を限定するものと解釈されるべきではない。

Claims (12)

  1. 複数のバイナリー・クラスター・マップを単一のクラスター・マップに組み合わせる方法であって、それぞれの個別バイナリー・クラスター・マップは特徴的な情報を含み、前記単一のクラスター・マップは前記特徴的な情報の組み合わせを表し、当該方法は：
    ・それぞれの個別バイナリー・クラスター・マップに、それぞれの個別バイナリー・クラスター・マップの信頼性を示す信頼性因子を割り当てる段階と、
    ・所定の組み合わせ規則についての入力パラメータとして前記信頼性因子を利用して前記単一のクラスター・マップについての信頼性ベクトルを決定する段階とを有しており、ここで、前記信頼性ベクトルは信頼性因子要素を含み、それぞれの個別信頼性因子要素は前記単一のクラスター・マップ中のあるクラスター・マップ領域に関連付けられ、そのクラスター・マップ領域の信頼性を示す、
    方法。
  2. ・前記信頼性ベクトルについて閾値を割り当て、
    ・更新された単一のクラスター・マップについての入力パラメータとして前記の割り当てられた閾値を利用することを含む、
    請求項１記載の方法。
  3. それぞれの個別バイナリー・クラスター・マップに信頼性因子を割り当てる前記段階が手動で実行される、請求項１記載の方法。
  4. それぞれの個別バイナリー・クラスター・マップに信頼性因子を割り当てる前記段階が、前記複数のバイナリー・クラスターを、割り当てられた信頼性因子をもつ基準バイナリー・クラスターと比較することによって自動的に実行される、請求項１記載の方法。
  5. 信頼性因子要素についての閾値を割り当てる段階が手動で実行される、請求項２記載の方法。
  6. 信頼性因子要素についての閾値を割り当てる段階が、前記複数のバイナリー・クラスターを、割り当てられた閾値をもつ基準バイナリー・クラスターと比較することによって自動的に実行される、請求項２記載の方法。
  7. 前記所定の組み合わせ規則が式：
    RN,N-1,...,1＝RN＋(1−RN)RN-1,...,1
    によって定義され、ここで、Rjはバイナリー・クラスター・マップj＝1…Nについての信頼性因子であり、Nは初期のバイナリー・クラスター・マップの総数である、請求項１記載の方法。
  8. 異なる色情報がそれぞれの個別バイナリー・クラスター・マップに関連付けられ、信頼性ベクトルは、組み合わされたクラスター・マップと同時に、対応する色情報をもって表示され、所与の組み合わされたクラスター・マップ部分に関連付けられた各ベクトル要素が、同じ色情報をもって表示される、請求項２記載の方法。
  9. コンピュータ上で実行されたときに請求項１ないし８のうちいずれか一項記載の方法の段階を実行するよう処理装置に命令するコンピュータ・プログラム。
  10. 複数のバイナリー・クラスター・マップを単一のクラスター・マップに組み合わせるよう適応された装置であって、それぞれの個別バイナリー・クラスター・マップは特徴的な情報を含み、前記単一のクラスター・マップは前記特徴的な情報の組み合わせを表し、当該装置は：
    ・それぞれの個別バイナリー・クラスター・マップに、それぞれの個別バイナリー・クラスター・マップの信頼性を示す信頼性因子を割り当てる割り当てユニットと、
    ・所定の組み合わせ規則についての入力パラメータとして前記信頼性因子を利用して前記単一のクラスター・マップについての信頼性ベクトルを決定するプロセッサとを有しており、ここで、前記信頼性ベクトルは信頼性因子要素を含み、それぞれの個別信頼性因子要素は前記単一のクラスター・マップ中のあるクラスター・マップ領域に関連付けられ、そのクラスター・マップ領域の信頼性を示す、
    装置。
  11. 前記割り当てユニットが、ユーザーからの手動の入力を受領するよう適応された入力手段またはそれぞれの個別バイナリー・クラスター・マップに割り当てられた信頼性因子を自動的に評価するよう適応されたアルゴリズムを有する、請求項１０記載の装置。
  12. 医療用ワークステーションまたは医療用撮像システムに含まれる請求項１０または１１記載の装置。
JP2009522386A 2006-08-02 2007-07-17 バイナリー・クラスター・マップを単一のクラスター・マップに組み合わせる方法 Pending JP2009545799A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP06118315 2006-08-02
PCT/IB2007/052843 WO2008015609A2 (en) 2006-08-02 2007-07-17 Method of combining binary cluster maps into a single cluster map

Publications (1)

Publication Number Publication Date
JP2009545799A true JP2009545799A (ja) 2009-12-24

Family

ID=38997540

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2009522386A Pending JP2009545799A (ja) 2006-08-02 2007-07-17 バイナリー・クラスター・マップを単一のクラスター・マップに組み合わせる方法

Country Status (5)

Country Link
US (1) US20090324035A1 (ja)
EP (1) EP2050068A2 (ja)
JP (1) JP2009545799A (ja)
CN (1) CN101496062A (ja)
WO (1) WO2008015609A2 (ja)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090214134A1 (en) * 2008-02-27 2009-08-27 Motorola, Inc. System and method for image data extraction and assembly in digital cameras
US8423902B2 (en) 2010-04-21 2013-04-16 Microsoft Corporation Representation of overlapping visual entities
CN103235900B (zh) * 2013-03-28 2016-03-30 中山大学 蛋白质复合体挖掘的加权组装聚类方法
CN105492919A (zh) * 2013-07-30 2016-04-13 皇家飞利浦有限公司 组合式mri pet成像
US9582519B2 (en) 2013-08-15 2017-02-28 Dassault Systemes Simulia Corp. Pattern-enabled data entry and search
CN107563104B (zh) * 2017-10-18 2020-01-24 安庆师范大学 基于模拟退火优化算法的二元团簇结构优化方法
US11553867B2 (en) * 2019-02-28 2023-01-17 St. Jude Medical, Cardiology Division, Inc. Systems and methods for displaying EP maps using confidence metrics

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06309492A (ja) * 1993-04-21 1994-11-04 Eastman Kodak Co 複数分類器出力合成方法及び合成システム
US5914748A (en) * 1996-08-30 1999-06-22 Eastman Kodak Company Method and apparatus for generating a composite image using the difference of two images
US6371912B1 (en) * 2000-04-05 2002-04-16 Duke University Method and apparatus for the identification and characterization of regions of altered stiffness
DE10141186A1 (de) * 2001-08-22 2003-03-20 Siemens Ag Einrichtung zum Bearbeiten von Bildern, insbesondere medizinischen Bildern
US7035467B2 (en) * 2002-01-09 2006-04-25 Eastman Kodak Company Method and system for processing images for themed imaging services
US6898331B2 (en) * 2002-08-28 2005-05-24 Bae Systems Aircraft Controls, Inc. Image fusion system and method
US20060004274A1 (en) * 2004-06-30 2006-01-05 Hawman Eric G Fusing nuclear medical images with a second imaging modality
US8090429B2 (en) * 2004-06-30 2012-01-03 Siemens Medical Solutions Usa, Inc. Systems and methods for localized image registration and fusion
WO2006075902A1 (en) * 2005-01-14 2006-07-20 Samsung Electronics Co., Ltd. Method and apparatus for category-based clustering using photographic region templates of digital photo

Also Published As

Publication number Publication date
WO2008015609A3 (en) 2008-12-31
WO2008015609A2 (en) 2008-02-07
EP2050068A2 (en) 2009-04-22
US20090324035A1 (en) 2009-12-31
CN101496062A (zh) 2009-07-29

Similar Documents

Publication Publication Date Title
JP6081126B2 (ja) 医用画像処理装置、画像診断装置、コンピュータシステム、医用画像処理プログラム、及び医用画像処理方法
JP2009545799A (ja) バイナリー・クラスター・マップを単一のクラスター・マップに組み合わせる方法
JP6088498B2 (ja) 医用画像を処理するシステム及び方法
CN107072625A (zh) 治疗程序规划系统和方法
CN104487978B (zh) 用于基于来自放射医生的输入来生成报告的系统和方法
CN113646655B (zh) 差分脑网络分析
JP2006502751A (ja) コンピュータ診断（ｃａｄ）システムのためのｉ／ｏインタフェース
EP2620885A2 (en) Medical image processing apparatus
CN106845090A (zh) 医学影像标记方法和装置
JP6357108B2 (ja) 被写体画像ラベリング装置、方法及びプログラム
CN109273066A (zh) 医疗报告生成方法及装置、电子设备及存储介质
JP2020102214A (ja) 医用情報匿名化システム、及び匿名化方法設定装置
US20110313479A1 (en) System and method for human anatomic mapping and positioning and therapy targeting
Amrehn et al. A semi-automated usability evaluation framework for interactive image segmentation systems
EP4252839A1 (en) Graphical user interface control device for radiation therapy treatment planning
Mörth et al. Radex: Integrated visual exploration of multiparametric studies for radiomic tumor profiling
CN108573514B (zh) 一种图像的三维融合方法及装置、计算机存储介质
Priya et al. From Vision to Reality: Virtual Reality’s Impact on Baffle Planning in Congenital Heart Disease
JP2015221141A (ja) 医用画像診断支援装置、医用画像診断支援装置の作動方法、および医用画像診断支援プログラム
CN104115191B (zh) 以手动&自动分割算法量化轮廓的不确定度的系统
US7706587B2 (en) Method for creation of an overview of medical data sets
JP7360651B2 (ja) 医用画像処理装置、医用画像処理プログラム、及び医用画像処理方法
Ramkumar et al. Design Issues of the Existing Radiotherapy Segmentation Software
US11380060B2 (en) System and method for linking a segmentation graph to volumetric data
Kuhlengel et al. Multi-destination procedure planning for comprehensive lymph node staging bronchoscopy