JP2010000349A - 制約されたマージナル空間学習を使用して３ｄ解剖学的オブジェクトを検出するための方法およびシステム - Google Patents

Abstract

【課題】３Ｄ解剖学的オブジェクトの検出において、ＭＳＬを使用して行われる解剖学的オブジェクト検出の効率をさらに上昇させること。
【解決手段】入力された医療用画像に対し、制約された探索範囲をトレーニングボリュームに基づいて決定し、トレーニングされる第１の分類子を使用して該制約された探索範囲内で位置候補を検出し、該トレーニングボリューム内において方向例を使用して位置候補から位置‐方向仮定を生成し、トレーニングされる第２の分類子を使用して該位置‐方向仮定から位置‐方向候補を検出し、該トレーニングボリューム内においてスケール例に基づいて位置‐方向候補から類似性変換仮定を生成し、トレーニングされる第３の分類子が使用して該類似性変換仮定から類似性変換候補を検出し、該類似性変換候補のうち少なくとも１つに基づいて、医療用画像ボリューム内で３Ｄ解剖学的オブジェクトを検出する。
【選択図】図１

Description

本願は、２００８年６月４日に提出した米国特許仮出願明細書第６１／０５８６６１号の優先権を主張するものであり、その開示内容は参照によって本願に含まれるものとする。

本発明は画像内の３Ｄオブジェクトの検出に関し、より詳細には、マージナル空間学習を使用して医療用画像中の３Ｄ解剖学的構造体を自動的に検出することに関する。

医療用画像中の解剖学的構造体（たとえば心臓、肝臓、腎臓等）を効率的に位置検出することはしばしば、後続の診断画像処理手順の前提条件となっており、たとえばセグメンテーション、測定および分類の前提条件となっている。３Ｄ医療用画像ボリューム（たとえばＣＴ，ＭＲＩ等）中の人体の解剖学的構造体の検出およびセグメンテーションは難解な課題であり、これは典型的には、２Ｄ画像中の解剖学的構造体を検出するよりも困難である。

従来、弁別可能な分類子の学習に基づいて３Ｄオブジェクトを効率的かつ自動的に位置検出するためにマージナル空間学習（marginal space learning, ＭＳＬ）が提案されている。３Ｄオブジェクト位置検出を行うための完全なパラメータ空間は９つの次元を有し、３つの次元は位置を表し（Ｐ_ｘ，Ｐ_ｙおよびＰ_ｚ）、３つの次元は方向を表し（オイラー角ψ、φおよびθによって表される）、３つの次元は異方性スケーリングを表す（Ｓ_ｘ，Ｓ_ｙおよびＳ_ｚ）。ＭＳＬでは、オブジェクトを効率的に位置検出するために、次元の昇順で連続するマージナル空間でパラメータ推定を行う。とりわけ、このようなオブジェクト検出は３つのステップに分割される：
オブジェクト位置推定
位置‐方向推定
類似性変換推定
各ステップで、次のステップで使用される比較的少数の候補が得られる。したがって、本来の９次元パラメータ空間を均質に探索する代わりに、ＭＳＬでは低次元のマージナル空間を均質に探索する。ＭＳＬは、医療用イメージングにおいて多くの３Ｄ解剖学的構造体検出の問題に適用されることに成功しており、たとえば腹部ＣＴにおける回盲弁、ポリープおよび肝臓、超音波画像中の脳組織および心臓各室、ＭＲＩにおける心臓各室に適用されることに成功している。

ＭＳＬはテスト仮定の数を、９次元のパラメータ空間を均質に探索するのと比較してほぼ６オーダ低減することができる。しかしＭＳＬは、精確なオブジェクト検出を行うのに必要とされるよりも多くのテスト仮定をテストする場合が多い。

それゆえ、ＭＳＬを使用して行われる解剖学的オブジェクト検出の効率をさらに上昇させることが望まれる。

本発明では、制約されたマージナル空間学習（ＭＳＬ）を使用して医療用画像中の３Ｄ解剖学的構造体の効率的な検出を提供する。本発明の実施形態は、ＭＳＬを使用して３Ｄ解剖学的オブジェクトを検出する場合に、探索空間を位置、方向およびスケールで制約するのに使用することができる。このことにより、ＭＳＬオブジェクト検出の各ステージでテストすべき仮定の数が低減され、ＭＳＬオブジェクト検出が高速化される。

本発明の１つの実施形態では、入力された医療用画像に対し、制約された探索範囲をトレーニングボリュームに基づいて決定する。トレーニングされる第１の分類子は、この制約された探索範囲内で位置候補を検出するのに使用される。このトレーニングボリューム内において、方向例を使用して位置候補から位置‐方向仮定が生成される。この位置‐方向仮定から位置‐方向候補を検出するために、トレーニングされる第２の分類子が使用される。このトレーニングボリューム内において、スケール例に基づいて位置‐方向候補から類似性変換仮定が生成される。この類似性変換仮定から類似性変換候補を検出するために、トレーニングされる第３の分類子が使用され、該類似性変換候補のうち少なくとも１つに基づいて、医療用画像ボリューム内で３Ｄ解剖学的オブジェクトが検出される。

当業者であれば、以下の詳細な説明と添付の図面を参照することにより、本発明の上記の利点および別の利点を理解することができる。

制約されたマージナル空間学習（ＭＳＬ）を使用して医療用画像ボリューム内で３Ｄ解剖学的オブジェクトを検出する本発明の実施形態による方法を示す。 異なる捕捉範囲を有する３次元ＣＴスキャン例を示す。 トレーニングデータに基づいて行われる、制約された探索範囲の検出を示す。 トレーニング超音波ボリューム内の左心室の方向のオイラー角のヒストグラム例を示す。 トレーニングデータからテスト仮定を生成するための本発明の実施形態の事例ベース方法を示す。 テスト仮定の事例ベースの選択を示す。 本発明を実施することのできるコンピュータの上位レベルのブロック図を示す。

本発明は、医療用画像内の３Ｄ解剖学的オブジェクトを検出するための方法に関し、この医療用画像はたとえばコンピュータ断層撮影法（ＣＴ）、磁気共鳴撮影法（ＭＲＩ）、超音波等である。本発明の複数の実施形態をここに説明して、本発明の解剖学的オブジェクト検出方法が視覚的にわかるようにする。デジタル画像はしばしば、１つまたは複数のオブジェクト（または形状）のデジタル表示から構成されることが多い。このようなオブジェクトのデジタル表示は、以下ではしばしば、オブジェクトの識別および操作の観点から説明される。このような操作は、コンピュータシステムのメモリまたは別の回路／ハードウェアで行われる仮想的な操作である。したがって本発明の実施形態は、コンピュータシステムに記憶されたデータを使用して、このコンピュータシステム内で実行できることはいうまでもないことである。

本発明の実施形態によれば、制約されたマージナル空間学習（ＭＳＬ）を使用して３Ｄ医療用画像中で解剖学的構造体を検出する。ＭＳＬは、学習された弁別可能な分類子を使用して画像中の３Ｄオブジェクトを効率的に検出または位置検出するための技術である。３Ｄオブジェクト位置検出を行うための完全なパラメータ空間は９つの次元を有し、３つの次元は位置を表し（Ｐ_ｘ，Ｐ_ｙおよびＰ_ｚ）、３つの次元は方向を表し（オイラー角ψ、φおよびθによって表される）、３つの次元は異方性スケーリングを表す（Ｓ_ｘ，Ｓ_ｙおよびＳ_ｚ）。ＭＳＬを使用してオブジェクトを効率的に位置検出するためには、次元の昇順で連続するマージナル空間でパラメータ推定を行う。とりわけ、このようなオブジェクト検出は３つのステップに分割される：
オブジェクト位置推定
位置‐方向推定
類似性変換推定
これらの各ステップは別個のトレーニングされる分類子を使用する。たとえば、確率的ブースティングツリー（ＰＢＴ）を使用して、トレーニングされるデータに基づいて、各検出ステップに使用される分類子をトレーニングすることができる。

ＭＳＬの従来の用途では、各マージナル空間を均質に探索することにより、該マージナル空間内で検出を行うためのテストサンプルを生成する。しかし、用途シナリオによっては、各パラメータの探索範囲をさらに縮小することができる。たとえば、ＣＴスキャン内の心臓方向のばらつきを制限し、心臓の物理的サイズも制限する。各パラメータごとに値の範囲を、ＭＳＬプロシージャで使用される弁別可能な分類子をトレーニングするのに使用されるトレーニングデータの集合から推定することができる。トレーニングデータにおいて、パラメータＰ^ｉの最大値および最小値がそれぞれＰ^ｉ _ｍｉｎおよびＰ^ｉ _ｍａｘであると仮定する。探索中、仮定の集合を得るための範囲［Ｐ^ｉ _ｍｉｎ，Ｐ^ｉ _ｍａｘ］を厳密にカバーするために、Ｐ^ｉを特定の探索ステップによって均質にサンプリングすることができる。３つのマージナル空間（並進空間、方向空間およびスケール空間）はそれぞれ、同一のマージナル空間内のパラメータ間のいかなる相関関係も考慮することなく、均質にサンプリングされる。しかし、多くの実際の用途では、同一のマージナル空間内のパラメータが独立している可能性は極めて低い。たとえば心臓室の検出では、３つのオイラー角を組み合わせて方向を表現することができる。その際には、ＣＴスキャン内の心臓室の方向は制限される（たとえば、心臓の尖端は人間の頭の方向に向くことはできない）。３つのスケールパラメータも独立していない。大きいオブジェクト（たとえば成人の心臓）の３つのスケールパラメータはすべて、小さいオブジェクト（たとえば乳児の心臓）より大きい値を有する可能性が高い。従来のＭＳＬアプリケーションで使用されているこのような排他的な均質サンプリングストラテジーは、３Ｄ解剖学的構造体を精確に検出するのに必要とされるよりテストが大量になってしまうことに繋がる。さらに、ＭＳＬを使用して検出する速度は、仮定の数に対して大まかに線形である。仮定の数を低減することによってＭＳＬ検出を高速化することができ、３Ｄ解剖学的構造体の検出がより効率的になる。

本発明の実施形態によれば、オブジェクトポーズパラメータ間の相関関係を使用して、異なるマージナル空間における探索を制限することができる。スキャンプロトコルの捕捉範囲が不均質であることにより、器官の位置はボリューム内で有意にばらつくことがある。本発明の実施形態により、検出される解剖学的構造体に関係なくオブジェクト位置の探索範囲を低減する包括的な手段が実現される。器官を調べるためには、ボリューム内の器官全体（またはほぼ全体）を捕捉する必要があるのが典型的である。それゆえ、器官の中心はボリューム境界に任意に接近できない。このような観察に基づいて、解剖学的オブジェクトの位置を検出する場合にボリュームマージン周辺のこれらの仮定を安全にスキップすることができる。

方向空間およびスケール空間の探索を制約するためには、トレーニングデータを使用してパラメータの結合分布を推定することができ、高い確率を有する領域のみをサンプリングする。しかし、多くのパラメータは調整またはトレードオフする必要があるため（たとえばパラメトリック、ノンパラメトリック、カーネルの種類およびカーネルのサイズ）、結合分布を高信頼性で推定することは並大抵のことではない。したがって本発明の実施形態は、高い確率を有する領域に探索を制約するための事例ベースのストラテジーを使用する。まず、パラメータ空間を均質に（範囲内で）サンプリングすることにより、大きな集合を得る。各トレーニングサンプルごとに、この集合内のすべての隣接する仮定を探索し、テスト集合に挿入する。すべてのトレーニングサンプルでこのプロセスを繰り返し、テスト集合から冗長的な仮定を除去することにより、テスト集合を、均質にサンプリングされた本来の集合より格段に小さくすることができる。本発明の実施形態による制約されたＭＳＬを使用することにより、３Ｄ解剖学的オブジェクトの検出速度を改善することができる。さらに、検出の高速化の他に付加的に、探索を小さい有効な領域に制約することにより、検出アウトライヤの尤度を低減し、検出結果の全体的な精度を改善することもできる。

従来のＭＳＬ検出アプリケーションでは、３Ｄ方向空間は３つのオイラー角として表現されるが、これらのオイラー角は幾つかの制限を有する。同じ方向となる可能性のあるパラメータ値の集合は複数存在し、根本的な多義性に繋がってしまう。トレーニング中に、仮定からグラウンドトゥルースまでの間隔に基づいて、該仮定を正の集合または負の集合に割り当てる。オイラー角空間におけるユークリッド距離が、２つの方向間の間隔の尺度として使用される。しかしユークリッド距離は、２つの方向間の間隔を測定するために良好な距離尺度とならない場合がある。根本的な多義性に起因して、２つの近接する方向が、オイラー角空間内では相互間に大きなユークリッド距離を有する場合がある。それゆえ、トレーニングデータの収集された正の集合および負の集合は混乱を来し、分類子の学習が困難になる可能性がある。オイラー角の使用に関する別の問題に、オイラー角空間内の均質なサンプリングは、方向空間内では均質でないという問題がある。さらに、幅広く使用されるオイラー角の規則が数多く存在し、特定の用途では、１つの規則による表現が別の規則より遥かにコンパクトになる場合がある。探索範囲を縮小するためには、オイラー角規則をターゲットの解剖学的構造体と撮像モードとに依存して選択する必要がある。たとえば、心臓室検出の同じタスクでも、ＣＴボリュームにはＺＸＺ規則を使用し、超音波ボリュームにはＸＹＺ規則を使用する。要約すると、従来のＭＳＬオブジェクト検出アプリケーションで方向を表現するためにオイラー角を使用することは、以下の欠点を有する。

１）探索範囲を表すオイラー角規則は、手動で選択しなければならない。
２）オイラー角空間内におけるユークリッド距離は、方向の良好な距離尺度にはならない。
３）オイラー角空間を単純に均質にサンプリングすることは、方向空間内では均質にならない。
４）各オイラー角は、パラメータ間の相関関係を使用せずに均質にサンプリングされる。

本発明の実施形態では、上記の問題を解消するために、４元数を基礎とする方向間隔尺度を使用する。

図１は、本発明の実施形態にしたがって制約されたマージナル空間学習（ＭＳＬ）を使用して医療用画像ボリューム内で３Ｄ解剖学的オブジェクトを検出する方法を示す。図１の方法は、患者の解剖学的構造体を表すデータを変換して、該患者の特定の解剖学的オブジェクトの位置を表すデータを出力する。たとえばこのような解剖学的オブジェクトは、心臓、心臓の特定の室、脳組織、肺、肝臓、回盲弁、ポリープ等を含むことができる。

図１を参照すると、ステップ１０２において医療用画像ボリュームを受け取る。たとえば、この医療用画像ボリュームはＣＴボリューム、ＭＲＩボリューム、または超音波ボリュームであるが、本発明はこれらに限定されない。医療用画像ボリュームは、たとえばＣＴスキャナまたはＭＲＩスキャナ等の画像取得装置から直接受け取ることができる。また医療用画像ボリュームは、予めスキャンされコンピュータのメモリまたは記憶装置またはコンピュータ読出し可能な媒体から呼び出されるボリュームとすることもできる。

スキャンプロトコルは不均質であるため、器官（解剖学的オブジェクト）の位置はボリューム間で有意にばらつく場合がある。図２は、異なる捕捉範囲を有する３次元ＣＴスキャン例を示す。図２に示されているように、各列２０２，２０４，２０６は各ＣＴボリュームの３つの直交面を示す。列２０２および２０４は心臓ＣＴスキャンであり、列２０６は全胴ＣＴスキャンである。心臓ＣＴスキャン２０２と２０４と全胴ＣＴスキャン２０６との間の捕捉範囲の差は大きい。２つの心臓スキャンの間では格段なばらつきを観察することもできる。

図１を参照すると、ステップ１０４において、受け取られた医療用画像内において、トレーニングデータ内の解剖学的オブジェクトの位置に基づいて、制約された探索範囲を決定する。従来の学習ベースのオブジェクト検出手順では、ボリューム内のすべてのボクセルをオブジェクト中心の仮定としてテストする。このことにより、オブジェクト中心の仮定の数が潜在的に多くなる。オブジェクト中心の探索を、ボリュームの比較的小さい領域に制約するのが有利である。しかしここでの難題は、制約された領域を決定するためのスキームが、分解能設定および捕捉範囲が異なるボリュームに適用された場合に、見えないボリュームのテスト中に本当の位置を見失うことなく機能しなければならないことである。本発明の実施形態では、分解能および捕捉範囲が異なっても、縮小された探索範囲が精確であるように、該探索範囲をトレーニングデータに基づいて縮小する。

図３は、トレーニングデータに基づいて行われる、制約された探索範囲の検出を示す。トレーニングデータは複数のトレーニングボリュームを含み、ここでは、ターゲットの解剖学的オブジェクトに注釈が付与されている。解剖学的オブジェクトを調べるためには、ボリュームはオブジェクト全体（またはほぼ全体）を捕捉しなければならないのが典型的である。それゆえ、オブジェクトの中心はボリューム境界に任意に接近できない。各トレーニングボリュームごとに解剖学的オブジェクトの中心からボリューム境界までの６つの方向の間隔を測定することができる（たとえば、Ｘ^ｌはボリューム左側境界までの間隔を表し、Ｘ^ｒはボリューム右側境界までの間隔を表し、Ｙ^ｔはボリューム頂部境界までの間隔を表し、Ｙ^ｂはボリューム底部境界までの間隔を表し、Ｚ^ｆはボリューム前面境界までの間隔を表し、Ｚ^ｂはボリューム背面境界までの間隔を表す）。図３のイメージ（ａ）に示されているように、トレーニング心臓ＣＴボリュームの断層内で左心室の中心３０２からの間隔Ｘ^ｌ，Ｘ^ｒ，Ｙ^ｔおよびＹ^ｂを測定する。有利な実施形態では、すべての間隔を物理的単位（たとえばｍｍ）で測定する。というのも、異なるボリュームの分解能設定は異なる場合があるからだ。オブジェクトの中心から各ボリューム境界までの間隔を各トレーニングボリュームごとに測定した後、各距離尺度の最小値（たとえば左側マージンのＸ^ｌ _ｍｉｎ等）をトレーニング集合から決定する。このような最小マージンが、入力されたボリュームにおける領域を画定し、解剖学的オブジェクトの中心点の探索を制約することができる。図３のイメージ（ｂ）に示されているように、制約された探索範囲３０４は、捕捉範囲が大きいＣＴスキャン上のＸ^ｌ _ｍｉｎ，Ｘ^ｒ _ｍｉｎ，Ｙ^ｔ _ｍｉｎおよびＹ^ｂ _ｍｉｎによって画定される。図３のイメージ（ｃ）に示されているように、制約された探索範囲３０６は、捕捉範囲が小さいＣＴスキャン上のＸ^ｌ _ｍｉｎ，Ｘ^ｒ _ｍｉｎ，Ｙ^ｔ _ｍｉｎおよびＹ^ｂ _ｍｉｎによって画定される。もちろん、制約された探索範囲３０４および３０６は実際には、Ｚ^ｆｍｉｎおよびＺ^ｂ _ｍｉｎによっても画定されるＣＴボリューム内の３Ｄ領域であるが、イメージ（ｂ）および（ｃ）では２Ｄ断層で示されている。図３のイメージ（ｂ）および（ｃ）に示されているように、制約された探索範囲は、捕捉範囲が大きいボリューム（イメージ（ｂ））よりも、捕捉範囲が小さいボリューム（イメージ（ｃ））に対しての方が有効である。図３には、左心室の検出で使用するための制約された探索範囲の決定が示されているが、もちろん、本願で記載されている制約された探索範囲の決定方法は全般的であり、種々異なるアプリケーションシナリオで使用することができる。さらに、オブジェクト位置に使用できる用途固有の従来の知識が存在する場合、この従来の知識と、本願で記載された方法とを組み合わせて、探索範囲をさらに縮小することもできる。

図１を再び参照すると、ステップ１０６において、医療用画像ボリュームの制約された探索範囲内で、トレーニングされる第１の分類子を使用して位置候補を検出する。とりわけこの第１の分類子は、ステップ１０４で決定された制約された探索範囲内の各ボクセルをスキャンするために使用され、これによって、各ボクセルが解剖学的オブジェクトの中心点である確率が求められる。第１の分類子は、操縦可能な特徴を有する確率的ブースティングツリー（ＰＢＴ）を使用して、注釈付きのトレーニングデータに基づいてトレーニングすることができる。ＰＢＴ分類子は、各ノードが強い分類子となるツリーを帰納的に構築することによってトレーニングされる。各ノードの強い分類子がトレーニングされた後、ノードの入力されたトレーニングデータは、学習された強い分類子を使用して２つの集合（正または負）に分類される。２つの新たな集合がそれぞれ、左側および右側の子ノードに供給されることにより、左側および右側の子ノードがトレーニングされる。このようにして、ＰＢＴ分類子は帰納的に構築される。制約された探索範囲内の各仮定（ボクセル）ごとに確率が求められた後、最高確率を有する所定数（たとえば１００個）の仮定を位置候補として維持する。

ステップ１０８において、トレーニングボリュームからの方向例の制約された集合に基づいて、位置‐方向仮定を位置候補から生成する。

３Ｄ方向は３つの自由度を有し、３つのオイラー角として表現できることは周知である。従来のＭＳＬアプリケーションでは、オブジェクトの方向を表すためにオイラー角を使用する。オイラー角の利点の１つに、直観的な物理的意味を有するという利点がある。たとえば、ＺＸＺ規則においてオイラー角ψ，φおよびθを有する方向は、ｚ軸を中心として本来の座標系を量ψだけ回転し、その後にｘ軸を中心として量φだけ回転し、最後に再びｚ軸を中心として量θだけ回転することによって得られる。この回転操作は転換不可能である。このことは、回転の次数を変化できないことを意味する。方向の正しい推定と不適切な方向とを区別できる分類子をトレーニングするためには、正のトレーニングサンプルと負のトレーニングサンプルと双方が必要である。従来の適用では、仮定Ｏ^ｈ（ψ^ｈ，φ^ｈ，θ^ｈ）からグラウンドトゥルースＯ^ｔ（ψ^ｔ，φ^ｔ，θ^ｔ）までの間隔を以下のように測定するために、オイラー角空間内におけるユークリッド距離を使用する。

この距離が閾値を下回る場合、これは正のサンプルとして扱われ、そうでない場合には負のサンプルとして扱われる。ユークリッド距離は便利であるが、方向を測定するためにユークリッド距離を使用することは欠点を有する。所与の２つの方向では、１つの方向を他方の方向に整合するために軸回転できることが周知である。この回転量は、２つの方向間の間隔の自然な定義である。同じ方向となる可能性のあるパラメータ値の集合は複数存在し、根本的な多義性に繋がってしまう。このことは、２つの近接する方向が、オイラー角空間内では相互間に大きなユークリッド距離を有する場合があることを意味する。それゆえ、収集された正および負のサンプルが混乱を来し、学習を困難にしてしまう。オブジェクトの方向を推定するためには、方向空間を均質にサンプリングして仮定の集合を生成することができる。その後、トレーニングされた分類子を使用して各仮定をテストする。ユークリッド距離では均質でも、誤った間隔測定結果が使用されることにより、オイラー角空間を単純に均質にサンプリングすることが方向空間では本当には均質にならない。

オイラー角の別の欠点として、規則が１２個存在するという欠点があり、これらのうち幾つかは幅広く使用されている。オイラー角の範囲をトレーニングデータから計算することができる。テスト中、この範囲内で各オイラー角を均質にサンプリングして仮定を生成することができる。規則が異なると、探索範囲が極端に異なる場合がある。たとえば、回転がｙ軸のみを中心とする場合、（２つのオイラー角はほぼゼロである）ＹＸＺ規則は他の規則よりコンパクトになる。図４は、トレーニング超音波ボリューム内の左心室の方向のオイラー角のヒストグラム例を示す。ヒストグラム（ａ），（ｂ）および（ｃ）はそれぞれ、ＺＸＺ規則を使用した左心室方向の第１のオイラー角のヒストグラム、第２のオイラー角のヒストグラム、第３のオイラー角のヒスとグラムである。ヒストグラム（ｄ），（ｅ）および（ｆ）はそれぞれ、ＸＹＺ規則を使用した左心室方向の第１のオイラー角のヒストグラム、第２のオイラー角のヒストグラム、第３のオイラー角のヒスとグラムである。図４の実施例では、ＸＹＺ規則による表現はＺＸＺ規則よりコンパクトである。しかし、心臓ＣＴボリュームにおける心臓室検出のアプリケーションには、ＸＹＺ規則よりＺＸＺ規則の方が効率的である。したがって実際には、最もコンパクトな規則を選択するための新たな用途では、異なる規則を試みる必要がある。

本発明の実施形態では、方向空間を表現するために４元数を使用することにより、オイラー角の欠点が解消されるようにすることができる。４元数によって、回転を含む幾つかの問題を簡単に解くことができるきれいでコンセプト的な枠組みが得られる。４元数は４つの数字として表される：
ｑ＝［ｗ，ｘ，ｙ，ｚ］ （２）
または、スカラおよびベクトルとして表される。
ｑ＝［ｓ，ｖ］ （３）
スカラ‐ベクトル表現では、２つの４元数の乗算は以下のようになる：
ｑ_１ｑ_２＝［ｓ_１ｓ_２−ｖ_１・ｖ_２，ｓ_１ｖ_２＋ｓ_２ｖ_１＋ｖ_１×ｖ_２］ （４）
ただし、ｖ_１・ｖ_２はベクトル内積であり、ｖ_１×ｖ_２はベクトルクロス積である。２つの４元数の積も４元数となる。
方向を表すために単位４元数を使用することができる。その際には、
｜ｑ｜＝ｗ^２＋ｘ^２＋ｙ^２＋ｚ^２＝１ （５）
である。

それゆえ、単位４元数の自由度は３であり、オイラー角の自由度に等しい。単位４元数を使用して回転行列Ｒを以下のように表現できる。

単位４元数は、スカラ‐ベクトルの形態で表すこともできる：
ｑ＝［ｃｏｓ（θ／２），ｖ ｓｉｎ（θ／２）］ （７）
ただしｖは３次元ベクトルであり、｜ｖ｜＝１である。４元数ｐが与えられた場合、これとｑ＝［ｃｏｓ（θ／２），ｖ ｓｉｎ（θ／２）］とを左乗算し、新たな４元数ｑｐが得られる。この演算の物理的な意味は、ｑｐが、軸ｖを中心としてｐを回転量θだけ回転した後の方向を表すことである。４元数の共役は、以下の数式によって得られる：

この数式は、
が、軸ｖを中心とする回転量−θの回転を表す。

上記の数式に基づいて、２つの方向間の回転量を計算することができる。回転
は、ｑ_２をｑ_１へ動かす回転である。数式（３）においてスカラ‐ベクトル表現を使用すると、４元数ｑ１とｑ２との間の回転量は以下のように表現される：
Ｄ_ｑ（ｑ_１，ｑ_２）＝θ＝ａｒｃｃｏｓ（｜ｓ_１ｓ_２・ｖ_１・ｖ_２｜） （９）

比較すると、オイラー角空間Ｄ_ｅにおけるユークリッド距離（数式１）は４元数距離Ｄ_ｑより大きい場合が多い（数式９）。しかし、Ｄ_ｅ（Ｏ_１，Ｏ_２）＝Ｄ_ｑ（Ｏ_１，Ｏ_２）となる場合もある。ＺＸＺ規則が使用され、ｚ軸を中心として１８０°未満の範囲で回転が行われるだけであると仮定する。この場合、最後の２つのオイラー角は０になる。オイラー角空間内のユークリッド距離が、ｚ軸を中心とする回転を測定するので、数式（９）によって定義された４元数距離と等しくなる。

数式（９）の４元数距離の定義を使用すると、方向空間全体を均質にサンプリングすることができる。この問題は、所与のＮ個のサンプル方向として定式化され、方向空間内で可能な限り均質にこのサンプル方向を分布する。カバーする半径αは、任意の方向とサンプル方向のうち１つとを整合するのに必要な最大回転として定義することができる。均質なサンプリングを行うためには、最適化プロシージャを使用して、Ｎ個のサンプル方向のうちで最小のαを与える最適な構成を定義することができる。

多くのアプリケーションでは、解剖学的オブジェクトの方向は小さな領域内で良好に制約され、方向空間全体をテストする必要はない。たとえば、一例の心臓ＣＴのデータセットでは、ＺＸＺ規則を使用する左心室のオイラー角の範囲は、ψでは［−０．９，３９．１］°であり、φでは［−６０．０，８８．７］°であり、θでは［−６８．８，−２１．９］°である。テスト仮定を生成するために、各オイラー角をこのような領域内で均質にサンプリングすることができるが、これら３つのオイラー角は独立しておらず、方向を定義するためにこれら３つのオイラー角を組み合わせるのが有利である。したがって、各オイラー角を独立して均質にサンプリングすることにより、必要とされるよりも遥かに多くの仮定が生成されてしまう。

本発明の１つの実施形態では、事例ベース手法を使用してトレーニングデータからテスト仮定を生成することができる。図５に、トレーニングデータからテスト仮定を生成するための本発明の実施形態による事例ベース方法が示されている。図５の事例ベース方法は、位置‐方向仮定を生成するための図１のステップ１０８を実施するために使用することができる。図６に、テスト仮定の事例ベースの選択が示されている。図５および６を参照しながら図５の方法を説明する。

ステップ５０２において、パラメータ空間を特定の分解能ｒで均質にサンプリングし、均質にサンプリングされた仮定Ｓ_ｕの集合を生成する。図６のイメージ（ａ）に、均質にサンプリングされた仮定（‘＋’として示されている）の集合が示されている。ステップ５０４において、テスト仮定Ｓ_ｔの選択された集合がクリアにされる。ステップ５０６において各トレーニングサンプルごとに、Ｓ_ｕのうちで特定のトレーニングサンプルにおけるグラウンドトゥルースパラメータの指定された間隔ｄ以内にあるすべての仮定をＳ_ｔに追加する。ここではｄ≧ｒ／２であり、そうでない場合には、Ｓ_ｕ内においてこの条件を満たすサンプルは存在しない。有利な実施形態では、ｄ＝ｒとなるようにｄを設定することができる。図６のイメージ（ｂ）に、ステップ５０６が最初の第１のトレーニングデータに適用されるのが示されている。図６のイメージ（ｂ）に示されているように、均質にサンプリングされた仮定のうち、第１のトレーニングサンプルのグラウンドトゥルース６０２の距離６０４以内にあるすべての仮定が、テスト仮定の集合に追加される。図６のイメージ（ｃ）に、ステップ５０６が第２のトレーニングデータに適用されるのが示されている。図６のイメージ（ｃ）に示されているように、均質にサンプリングされた仮定のうち、第１のトレーニングサンプルおよび第２のトレーニングサンプルのグラウンドトゥルース６０２および６０６の距離６０４以内にあるすべての仮定が、テスト仮定の集合に追加される。このことはトレーニングデータセット内のすべてのトレーニングサンプルに行われ、得られたテスト仮定Ｓ_ｔの集合は、すべてのトレーニングサンプルにおけるグラウンドトゥルースの隣接する仮定の結合体である。ステップ５０８において、冗長的な要素をＳ_ｔから除去し、最終的なテスト仮定集合を生成する。

図５の方法は、方向テスト仮定の集合を生成するために使用することができる。心臓ＣＴボリューム内の左心室（ＬＶ）を検出するためのトレーニングデータセットの一例を参照して、このことを詳細に説明する。ＬＶ検出トレーニングデータセットのこの例では、本方法は、α＝９．７２°を有する方向空間全体に分布された７４１６個のサンプルの均質な集合であるＳ_ｕを開始点とする。４５７個の心臓ＣＴボリュームのデータセットに、ＬＶ方向のＳ_ｔは６６個のみの一義的な方向を有する。これはＳ_ｕ（７４１６）より格段に少なく、また、トレーニングボリュームの数（４５７）よりも少ない。

従来のＭＳＬアプリケーションでは、各オイラー角をサイズβ間隔で均質にサンプリングして仮定を生成する。任意の方向での最近傍の仮定までの最大間隔は、ユークリッド距離の尺度を使用すると
である。上記のように、本発明の実施形態は４元数距離の尺度を使用する。従来のＭＳＬアプリケーションで使用される距離尺度と、本発明の実施形態で使用される距離尺度とは異なるので、これらを直接比較するのは困難である。しかし最悪な場合、ユークリッド距離測定結果Ｄ_ｅは４元数距離測定結果Ｄ_ｑに等しい大きさとなる。オイラー角空間を使用して、文字通りの等価的なサンプリング分解能を実現するためには、サイズβの探索幅は
でなければならない。すなわち、１１．２°でなければならない。パラメータの範囲が［Ｖ_ｍｉｎ，Ｖ_ｍａｘ］以内であると仮定する。Ｎ個のポイントであるＰ_ｍｉｎ，Ｐ_ｍｉｎ＋ｒ・・・Ｐ_ｍａｘ＋（Ｎ−１）ｒを、分解能ｒでサンプリングする。この範囲全体、Ｐ_ｍｉｎ≦Ｖ_ｍｉｎおよびＰ_ｍａｘ≧Ｖ_ｍａｘを完全に網羅するためには、必要とされるサンプル数は以下のようになる。

ただし［ｘ］は、ｘ未満でない最小の整数を返す。この心臓ＣＴデータセットの例では、１１．２°の分解能でサンプリングすると、方向空間をカバーするために５×１５×６＝４５０個のサンプルを必要とする。４元数表現を使用して方向パラメータ間の相関関係を使用すると、仮定の数は８５％低減され、サンプル数は４５０個から６６個に低減される。

上記のように、図５の方法を使用してトレーニングデータから、方向テスト仮定の集合を求める。図１のステップ１０６において検出された位置候補から位置‐方向仮定を生成するためには（図１のステップ１０８）、各方向テスト仮定に相応する仮定を各位置候補ごとに生成し、位置‐方向仮定の集合が得られる。たとえば、ステップ１０６から１００個の位置候補が維持され、図５の事例ベース方法から６６個の方向サンプルが得られる場合、ステップ１０８において６６００個の位置‐方向仮定が生成される。

図１を再び参照すると、ステップ１１０において、位置‐方向仮定から、トレーニングされる第２の分類子を使用して位置‐方法候補を検出する。とりわけ、第２の分類子を使用して、ステップ１０８において生成された各位置‐方向仮定をスキャンして、各仮定ごとに、該仮定が解剖学的オブジェクトの正しい位置および方向である確率を求める。このステップを行うために、各仮定をトレーニングデータ内の平均的なオブジェクトのスケールでテストする。第２の分類子は、操縦可能な特徴を有する確率的ブースティングツリー（ＰＢＴ）を使用して、注釈付きのトレーニングデータに基づいてトレーニングすることができる。第２の分類子をトレーニングするためには、トレーニングデータ内で第１の分類子によって正であるとして（すなわち高確率であるとして）検出された位置候補のみに基づいて、正のトレーニングサンプルと負のトレーニングサンプルとを生成する。制約された探索範囲内の各位置候補仮定ごとに確率が求められると、最高確率を有する所定数（たとえば１００個）の仮定を位置‐方向候補として維持する。

ステップ１１２において、トレーニングボリュームからのスケール例の制約された集合に基づいて、類似性変換仮定を位置‐方向候補から生成する。ここで使用されているような「類似性変換」という用語は、３Ｄ解剖学的オブジェクトの位置、方向およびスケールの完全な推定に関連する用語である。本発明の１つの実施形態では、パラメータのテスト仮定を生成するための図５の事例ベース方法を使用して、方向テスト仮定の生成と同様にスケールテスト仮定を生成することができる。このスケールテスト仮定の生成はスケールパラメータの相関関係を使用し、この生成によって探索空間が格段に縮小される。たとえば上記の心臓ＣＴ画像における左心室（ＬＶ）の検出の例を参照すると、ＬＶの形状は大体回転対称的である。それゆえ、ＬＶ長軸（ｚ軸として表される）に対して垂直な２つのスケール（Ｓ_ｘおよびＳ_ｙ）は高い相関関係にある。というのも、これらは大体同じであるからだ。４５７個のトレーニングボリューム例から計算されるスケールの範囲は、Ｓ_ｘでは［５３．０，９１．１］ｍｍであり、Ｓ_ｙでは［４９．９，９４．０］ｍｍであり、Ｓ_ｚでは［７２．３，１２８．４］ｍｍである。６ｍｍの分解能を使用して各スケールを独立して均質にサンプリングする場合、８×９×１１＝７９２個のサンプルが必要である。図５の事例ベース方法を使用すると、２４０個のサンプルがトレーニングデータの分布範囲全体をカバーする。

したがって、図５の方法を使用してトレーニングデータから、スケールテスト仮定の集合を求める。図１のステップ１１０で検出された位置‐方向候補から類似性変換仮定を生成するためには、各位置‐方向候補ごとに、各スケールテスト仮定に相応する仮定を生成することにより、類似性変換仮定の集合が得られる。たとえば、ステップ１１０から１００個の位置‐方向候補が維持され、かつ図５の事例ベース方法から２４０個のスケールサンプルが得られた場合、ステップ１１２において生成される類似性変換仮定は２４０００個になる。

ステップ１１４において、トレーニングされる第３の分類子を使用して類似性変換仮定から類似性変換候補を検出する。とりわけ、第３の分類子を使用して、ステップ１１２において生成された各類似性変換仮定をスキャンして、各仮定ごとに、該仮定が解剖学的オブジェクトの正しい位置、方向およびスケールである確率を求める。第３の分類子は、操縦可能な特徴を有する確率的ブースティングツリー（ＰＢＴ）を使用して、注釈付きのトレーニングデータに基づいてトレーニングすることができる。第３の分類子をトレーニングするためには、トレーニングデータ内で第２の分類子によって正であるとして（すなわち高確率であるとして）検出された位置‐方向候補のみに基づいて、正のトレーニングサンプルと負のトレーニングサンプルとを生成する。

ステップ１１６において、第３の分類子の検出結果に基づいて、医療用画像ボリューム内で３Ｄ解剖学的オブジェクトを検出する。１つの可能な実施形態では、ステップ１１４において各類似性変換仮定ごとに確率が求められると、最高確率を有する所定数（たとえば５０個または１００個）の仮定を組み合わせて、医療用画像ボリューム内の３Ｄ解剖学的オブジェクトの最終的な位置、方向およびスケールを求める。別の可能な実施形態ではステップ１１４において、３Ｄ解剖学的オブジェクトのロケーション（すなわち位置、方向およびスケール）を、最高確率を有する類似性変換仮定であるとして検出する。

ステップ１１８において、検出された３Ｄ解剖学的オブジェクトを出力する。たとえば、検出された３Ｄ解剖学的オブジェクトをコンピュータシステムのディスプレイ上に表示することによって出力することができる。また、検出された３Ｄ解剖学的オブジェクトを、たとえばコンピュータシステムのメモリまたは記憶装置に記憶するか、またはコンピュータ読み出し可能な媒体に記憶することによって出力することもできる。

３Ｄオブジェクト検出およびパラメータサンプル生成を行うための上記の方法は、周知のコンピュータプロセッサ、メモリユニット、記憶装置、コンピュータソフトウェアおよび他のコンポーネントを使用するコンピュータ上で実施することができる。このようなコンピュータの上位レベルのブロック図が図７に示されている。コンピュータ７０２は該コンピュータ７０２の動作全体を制御するプロセッサ７０４を含んでおり、この制御はそのような動作を定義するコンピュータプログラム命令を実行することにより行われる。コンピュータプログラム命令を記憶装置７１２（例えば磁気ディスク）に記憶することができ、またこのコンピュータプログラム命令の実行が要求されるとメモリ７１０にロードすることができる。したがって、図１および図５の方法のステップは、メモリ７１０および／または記憶装置７１２に格納されたコンピュータプログラム命令によって規定することができ、またこれらのコンピュータプログラム命令を実行するプロセッサ７０４により制御することもできる。さらに、トレーニングされた第１の分類子と第２の分類子と第３の分類子と、上記方法によって得られた検出結果とを、メモリ７１０および／または記憶装置７１２に記憶することができる。たとえばＣＴスキャン装置、ＭＲＩスキャン装置等である画像取得装置７２０をコンピュータ７０２に接続することにより、３Ｄ画像（ボリューム）をコンピュータ７０２に入力することができる。画像取得装置７２０とコンピュータ７０２とを１つの装置として構成することができる。また、画像取得装置７２０とコンピュータ７０２とがネットワークを介して無線通信する構成も可能である。コンピュータ７０２はまた、別の装置とネットワークを介して通信するための１つまたは複数のネットワークインタフェース７０６も有する。コンピュータ７０２にはまた、ユーザとコンピュータ７０２との対話を行うための他の入／出力装置７０８が含まれている（例えばディスプレイ、キーボード、マウス、スピーカ、ボタンなど）。当業者であれば、実際のコンピュータのインプリメンテーションが他のコンポーネントも含み得ること、また図７が、図解のためにこのようなコンピュータのコンポーネントのうちのいくつかを上位レベルで表現したものであることを認識できる。

上記の詳細な説明はすべての点で説明目的に為された例示的なものであって、限定的なものではない。また本明細書において開示されている発明の範囲は詳細な説明から定められるべきではなく、特許法により認められる最も広い解釈の幅で解釈された請求項から定められるべきであることを解すべきである。本願において図示して説明した実施形態は、本発明の原理を説明するためだけのものであり、当業者であれば本発明の範囲および思想を逸脱することなく、種々の修正を実現することができる。当業者であれば本発明の範囲および思想から逸脱することなく他の種々の特徴の組み合わせを実現することができる。

Claims (27)

1. 医療用画像ボリューム内で３Ｄ解剖学的オブジェクトを検出するための方法において、
   前記医療用画像ボリューム内で、注釈付きのトレーニングボリュームの集合に基づいて、制約された探索範囲を検出するステップと、
   前記制約された探索範囲内で、トレーニングされる第１の分類子を使用して位置候補を検出するステップと、
   前記トレーニングボリュームの集合内の方向例に基づいて、前記位置候補から位置‐方向仮定を生成するステップと、
   前記位置‐方向仮定から第２の分類子を使用して、位置‐方向候補を検出するステップと、
   前記トレーニングボリュームの集合内のスケール例に基づいて、前記位置‐方向候補から類似性変換仮定を生成するステップと、
   トレーニングされる第３の分類子を使用して前記類似性変換仮定から類似性変換候補を検出するステップと、
   前記類似性変換候補のうち少なくとも１つに基づいて、前記医療用画像ボリューム内で前記３Ｄ解剖学的オブジェクトを検出するステップ
   とを有することを特徴とする方法。
2. 前記医療用画像ボリューム内で制約された探索範囲を検出するステップは、
   前記トレーニングボリュームそれぞれにおいて、オブジェクト中心から該トレーニングボリュームの各境界までの６つの距離を測定するステップと、
   前記トレーニングボリュームすべてにおいて、前記６つの距離それぞれの最小値を計算するステップと、
   前記医療用画像ボリュームの各境界からの最小距離によって定義された範囲として、前記医療用画像ボリューム内の制約された探索範囲を決定するステップ
   とを有する、請求項１記載の方法。
3. 前記トレーニングボリュームの集合内の方向例に基づいて前記位置候補から位置‐方向仮定を生成するステップは、
   該トレーニングボリューム内の例に基づいて生成された複数の各方向仮定を各位置候補に適用することにより、各位置候補から複数の位置‐方向仮定を生成するステップを有する、請求項１記載の方法。
4. 前記トレーニングボリュームの集合内の方向例に基づいて前記位置候補から位置‐方向仮定を生成するステップはさらに、
   ・方向の４元数表現を使用して該トレーニングボリュームの方向空間を均質にサンプリングすることにより、均質にサンプリングされた方向の集合を生成し、
   ・各トレーニングボリュームごとに、４元数距離測定を使用して、均質にサンプリングされた各方向と該トレーニングボリューム内のグラウンドトゥルース方向との間の間隔を計算して、該均質にサンプリングされた方向のうち、該グラウンドトゥルース方向の指定された距離内にあるすべての方向を、前記複数の方向仮定に追加することにより、前記複数の方向仮定を生成し、
   ・前記複数の方向仮定から冗長的な要素を除去する
   ことによって、該トレーニングボリューム内の例に基づいて前記複数の方向仮定を生成するステップを有する、請求項３記載の方法。
5. 前記トレーニングボリュームの集合内のスケール例に基づいて前記位置‐方向候補から類似性変換仮定を生成するステップは、
   該トレーニングボリューム内の例に基づいて生成された複数の各スケール仮定を各位置‐方向候補に適用することにより、各位置‐方向候補から複数の類似性変換仮定を生成するステップを有する、請求項１記載の方法。
6. 前記トレーニングボリュームの集合内のスケール例に基づいて前記位置‐方向候補から類似性変換仮定を生成するステップは、
   前記トレーニングボリュームのスケール空間を均質にサンプリングして、均質にサンプリングされたスケールの集合を生成し、
   各トレーニングボリュームごとに、前記均質にサンプリングされたスケールのうち、前記トレーニングボリューム内のグラウンドトゥルーススケールの指定された距離内にあるすべてのスケールを、前記複数のスケール仮定に追加することによって、前記複数のスケール仮定を生成し、
   前記複数のスケール仮定から冗長的な要素を除去する
   ことによって、前記トレーニングボリューム内の例に基づいて前記複数のスケール仮定を生成するステップを有する、請求項５記載の方法。
7. 前記トレーニングボリュームの集合に基づいて、確率的ブースティングツリー（ＰＢＴ）を使用して、トレーニングされる前記第１の分類子と前記第２の分類子と前記第３の分類子とをトレーニングする、請求項１記載の方法。
8. 前記類似性変換候補のうち少なくとも１つに基づいて前記医療用画像ボリューム内の前記３Ｄ解剖学的オブジェクトを検出するステップは、
   最高確率を有する複数の前記類似性変換候補を集めて、前記医療用画像ボリューム内の前記３Ｄ解剖学的オブジェクトの位置、方向およびスケールを検出するステップを有する、請求項１記載の方法。
9. 前記類似性変換候補のうち少なくとも１つに基づいて前記医療用画像ボリューム内の前記３Ｄ解剖学的オブジェクトを検出するステップは、
   前記３Ｄ解剖学的オブジェクトを、最高確率を有する類似性変換候補の位置、方向およびスケールを有する３Ｄ解剖学的オブジェクトとして検出するステップを有する、請求項１記載の方法。
10. 医療用画像ボリューム内で３Ｄ解剖学的オブジェクトを検出するための装置において、
    前記医療用画像ボリューム内で、注釈付きのトレーニングボリュームの集合に基づいて、制約された探索範囲を検出するための手段と、
    前記制約された探索範囲内で、トレーニングされる第１の分類子を使用して位置候補を検出するための手段と、
    前記トレーニングボリュームの集合内の方向例に基づいて、前記位置候補から位置‐方向仮定を生成するための手段と、
    前記位置‐方向仮定から第２の分類子を使用して、位置‐方向候補を検出するための手段と、
    前記トレーニングボリュームの集合内のスケール例に基づいて、前記位置‐方向候補から類似性変換仮定を生成するための手段と、
    トレーニングされる第３の分類子を使用して前記類似性変換仮定から類似性変換候補を検出するための手段と、
    前記類似性変換候補のうち少なくとも１つに基づいて、前記医療用画像ボリューム内で前記３Ｄ解剖学的オブジェクトを検出するための手段
    とを有することを特徴とする装置。
11. 前記医療用画像ボリューム内で制約された探索範囲を検出するための手段は、
    前記トレーニングボリュームそれぞれにおいて、オブジェクト中心から該トレーニングボリュームのそれぞれの境界までの６つの距離を測定するための手段と、
    前記トレーニングボリュームすべてにおいて、前記６つの距離それぞれの最小値を計算するための手段と、
    前記医療用画像ボリュームの各境界からの最小距離によって定義された範囲として、前記医療用画像ボリューム内の制約された探索範囲を決定するための手段
    とを有する、請求項１０記載の装置。
12. 前記トレーニングボリュームの集合内の方向例に基づいて前記位置候補から位置‐方向仮定を生成するための手段は、
    該トレーニングボリューム内の例に基づいて生成された複数の各方向仮定を各位置候補に適用することにより、各位置候補から複数の位置‐方向仮定を生成するための手段を有する、請求項１０記載の装置。
13. 前記トレーニングボリュームの集合内の方向例に基づいて前記位置候補から位置‐方向仮定を生成するための手段はさらに、
    ・方向の４元数表現を使用して該トレーニングボリュームの方向空間を均質にサンプリングすることにより、均質にサンプリングされた方向の集合を生成するための手段と、
    ・各トレーニングボリュームごとに、４元数距離測定を使用して、均質にサンプリングされた各方向と該トレーニングボリューム内のグラウンドトゥルース方向との間の間隔を計算して、該均質にサンプリングされた方向のうち、該グラウンドトゥルース方向の指定された範囲内にあるすべての方向を、前記複数の方向仮定に追加することにより、前記複数の方向仮定を生成するための手段と、
    ・前記複数の方向仮定から冗長的な要素を除去するための手段
    とを有する、請求項１２記載の装置。
14. 前記トレーニングボリュームの集合内のスケール例に基づいて前記位置‐方向候補から類似性変換仮定を生成するための手段は、
    該トレーニングボリューム内の例に基づいて生成された複数の各スケール仮定を各位置‐方向候補に適用することにより、各位置‐方向候補から複数の類似性変換仮定を生成するための手段を有する、請求項１０記載の装置。
15. 前記トレーニングボリュームの集合内のスケール例に基づいて前記位置‐方向候補から類似性変換仮定を生成するための手段は、
    前記トレーニングボリュームのスケール空間を均質にサンプリングして、均質にサンプリングされたスケールの集合を生成するための手段と、
    各トレーニングボリュームごとに、前記均質にサンプリングされたスケールのうち、前記トレーニングボリューム内のグラウンドトゥルーススケールの指定された距離内にあるすべてのスケールを、前記複数のスケール仮定に追加することによって、前記複数のスケール仮定を生成するための手段と、
    前記複数のスケール仮定から冗長的な要素を除去するための手段
    とを有する、請求項１４記載の装置。
16. 前記トレーニングボリュームの集合に基づいて、確率的ブースティングツリー（ＰＢＴ）を使用して、トレーニングされる前記第１の分類子と前記第２の分類子と前記第３の分類子とがトレーニングされる、請求項１０記載の装置。
17. 前記類似性変換候補のうち少なくとも１つに基づいて前記医療用画像ボリューム内の前記３Ｄ解剖学的オブジェクトを検出するための手段は、
    最高確率を有する複数の前記類似性変換候補を集めて、前記医療用画像ボリューム内の前記３Ｄ解剖学的オブジェクトの位置、方向およびスケールを検出するための手段を有する、請求項１０記載の装置。
18. 前記類似性変換候補のうち少なくとも１つに基づいて前記医療用画像ボリューム内の前記３Ｄ解剖学的オブジェクトを検出するための手段は、
    前記３Ｄ解剖学的オブジェクトを、最高確率を有する類似性変換候補の位置、方向およびスケールを有する３Ｄ解剖学的オブジェクトとして検出するための手段を有する、請求項１０記載の装置。
19. 医療用画像ボリューム内で３Ｄ解剖学的オブジェクトを検出するためのコンピュータ実行可能な命令によって符号化されたコンピュータ読出し可能な媒体において、
    前記コンピュータ実行可能な命令は、
    前記医療用画像ボリューム内で、注釈付きのトレーニングボリュームの集合に基づいて、制約された探索範囲を検出するステップと、
    前記制約された探索範囲内で、トレーニングされる第１の分類子を使用して位置候補を検出するステップと、
    前記トレーニングボリュームの集合内の方向例に基づいて、前記位置候補から位置‐方向仮定を生成するステップと、
    前記位置‐方向仮定から第２の分類子を使用して、位置‐方向候補を検出するステップと、
    前記トレーニングボリュームの集合内のスケール例に基づいて、前記位置‐方向候補から類似性変換仮定を生成するステップと、
    トレーニングされる第３の分類子を使用して前記類似性変換仮定から類似性変換候補を検出するステップと、
    前記類似性変換候補のうち少なくとも１つに基づいて、前記医療用画像ボリューム内で前記３Ｄ解剖学的オブジェクトを検出するステップ
    とを定義することを特徴とする、コンピュータ読出し可能な媒体。
20. 前記医療用画像ボリューム内で制約された探索範囲を検出するステップを定義するコンピュータ実行可能な命令は、
    前記トレーニングボリュームそれぞれにおいて、オブジェクト中心から該トレーニングボリュームの各境界までの６つの距離を測定するステップと、
    前記トレーニングボリュームすべてにおいて、前記６つの距離それぞれの最小値を計算するステップと、
    前記医療用画像ボリュームの各境界からの最小距離によって定義された範囲として、前記医療用画像ボリューム内の制約された探索範囲を決定するステップ
    とを定義するコンピュータ実行可能な命令を含む、請求項１９記載のコンピュータ読出し可能な媒体。
21. 前記トレーニングボリュームの集合内の方向例に基づいて前記位置候補から位置‐方向仮定を生成するステップを定義するコンピュータ実行可能な命令は、
    該トレーニングボリューム内の例に基づいて生成された複数の各方向仮定を各位置候補に適用することにより、各位置候補から複数の位置‐方向仮定を生成するステップを定義するコンピュータ実行可能な命令を有する、請求項１９記載のコンピュータ読出し可能な媒体。
22. 前記トレーニングボリュームの集合内の方向例に基づいて前記位置候補から位置‐方向仮定を生成するステップを定義するコンピュータ実行可能な命令はさらに、
    ・方向の４元数表現を使用して該トレーニングボリュームの方向空間を均質にサンプリングすることにより、均質にサンプリングされた方向の集合を生成し、
    ・各トレーニングボリュームごとに、４元数距離測定を使用して、均質にサンプリングされた方向と該トレーニングボリューム内のグラウンドトゥルース方向との間の間隔を計算して、該均質にサンプリングされた方向のうち、該グラウンドトゥルース方向の指定された範囲内にあるすべての方向を、前記複数の方向仮定に追加することによって、前記複数の方向仮定を生成し、
    ・前記複数の方向仮定から冗長的な要素を除去する
    ことによって、該トレーニングボリューム内の例に基づいて複数の方向仮定を生成するステップを定義するコンピュータ実行可能な命令を有する、請求項２１記載のコンピュータ読出し可能な媒体。
23. 前記トレーニングボリュームの集合内のスケール例に基づいて前記位置‐方向候補から類似性変換仮定を生成するステップを定義するコンピュータ実行可能な命令は、
    該トレーニングボリューム内の例に基づいて生成された複数の各スケール仮定を各位置候補に適用することにより、各位置‐方向候補から複数の類似性変換仮定を生成するステップを定義するコンピュータ実行可能な命令を有する、請求項１９記載のコンピュータ読出し可能な媒体。
24. 前記トレーニングボリュームの集合内のスケール例に基づいて前記位置‐方向候補から類似性変換仮定を生成するステップを定義するコンピュータ実行可能な命令は、
    前記トレーニングボリューム内の例に基づいて前記複数のスケール仮定を生成し、
    前記トレーニングボリュームのスケール空間を均質にサンプリングして、均質にサンプリングされたスケールの集合を生成するステップと、
    各トレーニングボリュームごとに、前記均質にサンプリングされたスケールのうち、前記トレーニングボリューム内のグラウンドトゥルーススケールの指定された距離内にあるすべてのスケールを、前記複数のスケール仮定に追加することによって、前記複数のスケール仮定を生成し、
    前記複数のスケール仮定から冗長的な要素を除去する
    ことによって、前記複数のスケール仮定を前記トレーニングボリューム内の例に基づいて生成するステップを定義するコンピュータ実行可能な命令を有する、請求項２３記載のコンピュータ読出し可能な媒体。
25. 前記トレーニングボリュームの集合に基づいて、確率的ブースティングツリー（ＰＢＴ）を使用して、トレーニングされる前記第１の分類子と前記第２の分類子と前記第３の分類子とがトレーニングされる、請求項１９記載のコンピュータ読出し可能な媒体。
26. 前記類似性変換候補のうち少なくとも１つに基づいて前記医療用画像ボリューム内の前記３Ｄ解剖学的オブジェクトを検出するステップを定義するコンピュータ実行可能な命令は、
    最高確率を有する複数の前記類似性変換候補を集めて、前記医療用画像ボリューム内の前記３Ｄ解剖学的オブジェクトの位置、方向およびスケールを検出するステップを定義するコンピュータ実行可能な命令を有する、請求項１９記載のコンピュータ読出し可能な媒体。
27. 前記類似性変換候補のうち少なくとも１つに基づいて前記医療用画像ボリューム内の前記３Ｄ解剖学的オブジェクトを検出するステップを定義するコンピュータ実行可能な命令は、
    前記３Ｄ解剖学的オブジェクトを、最高確率を有する類似性変換候補の位置、方向およびスケールを有する３Ｄ解剖学的オブジェクトとして検出するステップを定義するコンピュータ実行可能な命令を有する、請求項１９記載のコンピュータ読出し可能な媒体。