JP2010119850A - 統計モデルを用いた医療画像自動セグメンテーションシステム、装置並びにプロセッサ - Google Patents

Abstract

【課題】解剖学データの自動セグメント化
【解決手段】分析システム（１００）の入力モジュール（１２２）は、複数タイプ（１０８）のデータソース（１１２、１１４、…、１１８）から導かれた複数の多次元データセットを受け付ける。登録モジュール（１３８）は、入力モジュールから受け付けた入力データセットを、選択された解剖学的モデルに対して登録し、登録データセットを提供する。処理モジュール（１３８）は、登録モジュールの前記登録データセットを用いてコア領域及び関連するコア領域情報を決定し、前記登録データセットの閾値特性を計算する。セグメンテーションモジュール（１３８）は、登録データセットと前記処理モジュールからの前記コア領域情報とを受け付け、登録データセットをセグメント化して、登録データセットとコア領域情報とから臓器の区域記述を提供する。
【選択図】図１

Description

本発明は、概して、データ自動処理技術に関し、特に、如何なる種類のイメージングツールからでも、フレキシブルで自動化されたコンテンツ拡張ツールを介して、正確に、迅速に、効果的に、かつ確実に、解剖学的データをセグメント化するシステム、装置、並びにプロセスに関する。

多くの医療上の診断手順、外科的手順、並びにインターベンショナル手順は、患者の部位又は臓器の視覚的表現のステータスを示す情報を提供するイメージングツールに依存している。一般的な医療ツール、特にイメージング装置の精巧化が進んだ結果、より多くのイメージングデバイスが、外科的処理の流れの中で用いられている。

多くの例において、臓器や組織を画像で表現できる医療ツールが非常に有用だということが分かってきており、そのようなツールを適用することで、診断、手術、生体臓器移植或いは治療を容易に行なうことができるようになってきた。このようなイメージングツール並びに特徴化ツールは、多くの状況に適用される。例えば、術者が直接術野を見ることができない状況や、注目する特徴を直接見て検査できない場合、或いは、現在の画像と他の例における他の画像データとを比較しようとする場合、などである。これらの場合にイメージングツール並びに特徴化ツールを適用した結果、様々な種類のツールが開発されてきた。例えば、断面レントゲン写真としても知られるＸ線によるコンピュータ断層撮影装置（いわゆるＣＡＴ又はＣＴ）や、X線透視装置、ＭＲＩ（magnetic resonance imaging：核磁気共鳴イメージング）装置並びにＭＲＩ技術、超音波方法及び装置、そして、多くの他の光学的イメージング装置などを含む装置である。

１９００年前半には、イタリア人の放射線技師、Alessandro Vallebonaが、身体を透過して見られる、仮想的な「断面」を画像化するシンプルな方法を提案した。この方法は、しっかりとした支持部材を用いて適切なフィルムホルダにＸ線管を接続したものであり、そのＸ線管とフィルムホルダとは、一定間隔を維持しつつ、焦点となるピボットポイントを中心に回転するように構成されている。結果として、現像フィルムにおいて、焦点面にある解剖学的特徴の画像はよりシャープになり、他のポイントの画像は全体的に消滅し、ノイズが生成される。さらに複雑な動きを伴うさらに高性能な技術であって、さらに効果的に、所望としない画像データをぼかし、それにより、より一層鮮明に患者の所望の部分を写した画像を得ることのできる技術が後に開発された。

１９７０年代になると、異なる団体（さらには異なる国）で働いていたGodfrey HounsfieldとAllan McLeod CormackとがミニコンピュータをＸ線検知器に接続して、デジタルコンピュータ断層撮影（ＣＴ）を実現した。核磁気共鳴イメージングは、その「核」という単語が放射能や被爆の危険を連想させる、という無知な見解によって一般に広まらないことを回避するため、一般に磁気共鳴イメージング（ＭＲＩ）と呼ばれる。このＭＲＩは、１９７７年に初めて人間に適用され、したがって、Ｘ線画像技術に比べてかなり短い歴史にしか持っていない。

ある意味においては、Ｘ線装置は、ＭＲＩ技術に関連するハードウェアに比べて、実に大きく発達してきたので、ＣＴシステムは、ＭＲＩ技術に比べると、より広範な自動評価ツールを活用でき、より発達した製造技術及び製造インフラを活用できるという利点がある。結果として、Ｘ線設備は幅広く利用され、医療（及び非破壊検査）の測定の範囲にまで、より広くＸ線測定が適用されてきた。これにより、ＣＴシステムのマーケットが全世界に行き渡っているのに対し、ＭＲＩシステムは遅れをとっている。ＭＲＩ装置に特有のイメージング特性は、現在のところ、実現可能なところまできていない。その少なくとも一つの理由としては、ＭＲＩ技術に、ＣＴスキャナ用に開発されてきたようなコンピュータツールの基礎がないことが挙げられる。

イメージングアプリケーションについて考察する限り、ＣＴシステム及びＭＲＩシステムは、多くの重複する領域を有しているが、ＭＲＩには、状況によっては、かなり大きな利点がある。特に、様々な軟部組織同士を識別する必要がある場合には、その利点が顕著である。その結果、医療施設は、しばしば、まずＸ線及びＣＴ設備について予算を組み、より多くの患者を対象とする場合に、ＭＲＩシステムのコストを評価できるにすぎない。それ故、ＭＲＩデータの処理に用いることのできる自動化ツールはほとんどなく、その結果、より成熟したＣＴハードウェア及びソフトウェア産業によって享受できる製造面及びコスト面での利点と相まって、世界的に、実施可能なＭＲＩシステムが比較的欠乏しており、ＭＲＩイメージングデバイスによってもたらされる効果は十分に活用されていない。

デジタルイメージング技術の出現により、イメージングツールを新たに医療用に適用したり、利用したりする場合が多くなってきた。初期には、平面画像が記憶媒体を用いて形成され、後に、画像要素或いは画素が光電子工学的に表示されるようになった。次に、これらの平面画像は、最初は、用いられているイメージング技術に特有のマニュアル技術によって、専門家によって解析された。

しかし、より洗練された技術が徐々に発展してきており、ボクセルとして知られている単位セルの集合体を含む、ボリュームデータのデータセットを実現できるまでになってきている。そのような発展の結果、そのようなボクセルを利用して情報を提供する豊富な種類の技術が出現してきているが、それと共に、より少量の放射線を用いて詳細な解剖学的記述を形成する技術が要求されている。

特に、軟部組織のイメージングでは、通常の組織と、様々なタイプの病理部との間のコントラストが高くなるように表示するべく挑戦が行なわれている。
この挑戦は、その挑戦を達成するために発達してきた技術やモダリティと同様に、利用するイメージング技術に対し大きく特化したものとなりつつある。

手術計画、放射線治療計画、並びに多くの他の分野の利用を含む、多くの異なる医療アプリケーションにおいては、測定して得た内臓の特徴を表わす、画像のようなデータのセグメンテーションが必要となる。軟部組織の画像を、手動でセグメンテーションを実行するには、大きな労働力を必要とし、長時間のトレーニングも必要となる。結果的に、そのようなデータ処理の自動化技術の発展が、現在のところ、非常に活発な研究領域となっており、今まで、多くの時間及び費用が、このために費やされてきたし、現在も費やされている。しかし、これらの個々のタスクのために開発されたそれら多くのツールは、非常に特殊であり、例えば、特定の臓器に特化したものであったり、あるいは、モダリティに特化したものであったりする。そして、また、ユーザからのインタラクションが、頻繁に必要となる。同様に、それらのツールは、非常に長い計算時間を要する傾向にある。また、これらのコンピュータを用いた手続きは、しばしば、十分に訓練された職員による入力無しには機能しない。これらのコンピュータを用いた補助機器からの情報を解釈する専門的知識、及び、そのようなコンピュータを用いた診断のガイダンスや特徴処理は、特定の画像タイプに特化したものとなりやすく、そのデータの性質は、イメージング技術ごと又はイメージングモダリティごとに、かなりの違いがある。特にコントラスト比が異なる傾向にあり、その結果、あるイメージングモダリティを用いて特定の解剖学的部分を認識する際に用いられる、特定の解剖学的特徴の顕著な特性は、少なくとも、同じ或いはかなり似かよっているイメージングデータの特徴や特性を判定することによりそのような認識を実現する他のイメージング技術によっては、うまく表現されないかもしれない。

いくつかの種類の解剖学的データを自動的に処理する際に補助的に用いられるツールに利点はあるものの、これらの分析が困難な例も多く存在する。例えば、研究対象としての臓器の柔組織が、周辺臓器のデータと（質感やコントラストなどの面で）かなりよく似たデータを提供する場合、自動的に特徴付けを行なう装置が、一方を他方と区別するのは、困難かもしれない。同様に、大きな腫瘍の塊が原因で、注目している臓器の大部分のデータが、その臓器に適用可能で対象臓器の一部の画像を形成する際に含まれるべきピクセル又はボクセルに関する基本的な仮定を形成する特徴から逸脱している場合、自動的なアプローチでは、明確且つ確実には、その対象臓器のセグメント化を行なうことができない。このような全ての例において、正確且つ適正な結果を導き出そうとするためには、人間の介在が必要である。

上述の理由により、及び以下に説明する理由により、本開示を読んで、理解した際には、当業者にとっては明瞭となるが、より高度に自動化された画像計算エンジンを提供する必要があり、そのような特性の適用及び利用のための、より一般的に適用可能なプロトコルを提供する必要もある。特に、ＭＲＩ装置からの情報を自動的に収集し分析する作業の合理化を図る自動データ処理ツールであって、さらに、画像診断用イメージングのような分野における、ますます厳しく過酷な要求性能並びに経済水準の中で、様々な異なるタイプの測定装置からのデータを扱うことができる自動データ処理ツールを開発する必要性が非常に大きい。

国際公開公報WO 03/023717 A2

E.V. RIKXOORT ET AL., "Automatic segmentation of the liver in computed tomography scans with voxel classification", Proc. MICCAI 2007, pp. 102-108, Springer-Verlag Berlin. D. FURUKAWA ET AL., "Automatic Liver Segmentation Method based on Maximum A Posterior Probability Estimation", Proc. MICCAI 2007, pp. 117-124, Springer-Verlag Berlin. D. SEGHERS ET AL., "Landmark based liver segmentation using local shape and local intensity models", Proc. MICCAI 2007, pp. 135-142, Springer-Verlag Berlin. L. RUSKO ET AL., "Fully automatic liver segmentation for contrast-enhanced CT images", Proc. MICCAI 2007, pp. 143-150, Springer-Verlag Berlin. HEIMANN ET AL., "A Statistical Deformable Model for the Segmentation of Liver CT Volumes" MICCAI 2007, pp. 161-166, Springer-Verlag Berlin. F. DING ET AL. "Segmentation of 3D CT Volume Images Using a Single 2D Atlas", Lecture Notes in Computer Science, 2005, pp. 459-468. S.W. FARRAHER ET AL., "Liver and spleen脾臓 volumetry with quantitative MR imaging and dual-space clustering segmentation", Radiology Vol. 237(1), 2005, pp. 322-328.L. HERMOYE ET AL., 'Liver segmentation in living liver transplant donors: Comparison of semiautomatic and manual methods', Radiology Vol. 234, 2005, pp. 171-178. H. LAMECKER ET AL., "Segmentation of the Liver using a 3D Statistical Shape Model", Konrad-Zuse-Zentrum fur Informationstechnik Berlin, ZIB-Report 04-09, 2004. H. LI ET AL., "An improved image segmentation approach based on level set and mathematical morphology", Proc. SPIE, Vol. 5286, 2003, pp. 851-854.

上述の欠点、短所及び問題がここで解決されることは、以下の開示を読んで検討すれば理解されるであろう。

一態様において、対象の少なくとも一部を特徴付ける多次元データを分析するシステムが記載される。本システムは、複数タイプのデータソースの何れかから導かれた、少なくとも１つの多次元データセットを含むデータセットを受け付ける入力モジュールを含む。また、本システムは、入力モジュールに接続され、入力モジュールから入力データセットを受け付ける登録モジュールを含む。登録モジュールは、入力モジュールから受け付けた入力データセットを、選択された解剖学的モデルに対して登録でき、登録データセットを提供できる。本システムはさらに、登録モジュールに接続され、登録モジュールから登録データセットを受け付ける処理モジュールを含む。処理モジュールは、登録データセット内のコア領域と関連コア領域情報とを決定し、コア領域情報と登録データセットとを用いて、登録データセットの閾値特性を計算する。本システムは、加えて、処理モジュールに接続され、登録データセットと処理モジュールからのコア領域情報とを入力できるセグメンテーションモジュールを含む。セグメンテーションモジュールは、登録データセットをセグメント化して、登録データセットとコア領域情報とから臓器のセグメント化記述を提供する。ここで、セグメント化された登録データセットは、対象の臓器の特徴を記述する。

他の態様において、本明細書は、複数の解剖学的区域を含む臓器モデルを記述している。各解剖学的区域は、統計データゾーンに関連する。

さらに他の態様において、本明細書は、対象の少なくとも一部を特徴付ける多次元データをセグメント化するプロセスを記載し及び教示している。本プロセスは、データセットを入力モジュールに入力する処理を含む。データセットは、少なくとも１つの多次元データセットを含む。ここで、このデータセットは、複数タイプのデータソースの何れかから導かれる。プロセスは、また、また、本プロセスは、登録データセットを提供するために、入力モジュールから受け付けたデータを、選択された解剖学的モデルに対して登録する処理を含む。
また、本プロセスは、登録データセット内のコア領域と関連コア領域統計情報とを決定する処理を含む。そして、その後、コア領域統計情報と登録データセットとを用いて、登録データセットの閾値特性を計算する。本プロセスは、加えて、コア領域統計情報を用いて、登録データセットをセグメント化して、本プロセスは、登録データセットとコア領域情報とを入力できる登録データセットをセグメント化して、登録データセットとコア領域情報とから臓器のセグメント化記述を提供する処理を含む。セグメント化された登録データセットは、対象の臓器の特徴を記述する。

更なる態様において、本明細書は、コンピュータ可読コードが書き込まれたコンピュータ可読媒体を備えた製品を教示する。コンピュータ可読コードは、コンピュータ可読命令を含み、コンピュータ可読命令は、１つ以上のプロセッサによって実行される際に、その１つ以上のプロセッサに、少なくとも１つの多次元データセットを、入力する処理を実行させる。そのデータセットは、複数タイプのデータソースのいずれかから導かれる。コンピュータ可読命令はまた、１つ以上のプロセッサによって実行される際に、その１つ以上のプロセッサに、入力モジュールからのデータセットのデータの少なくとも一部を、選択された解剖学的モデルに登録し、登録データセットを提供する処理を実行させる。また、登録データセットを処理して登録データセット内でコア領域を決定する処理を実行させる。また、関連するコア領域統計情報を算出する処理を実行させる。さらに、コア領域統計情報と登録データセットを用いて、登録データセットの統計上の特徴を算出する処理を実行させる。そして、コア領域統計情報を用いて登録データセットをセグメント化し、登録データセットとコア領域統計情報とから臓器のセグメント化記述を提供する処理を実行させる。セグメント化された登録データセットは、対象の臓器の特徴を記述する。

範囲を異にする複数のシステム、プロセス、コンピュータ可読媒体が本明細書に記載されている。図面を参照しつつ以下の詳細な説明を読むことにより、本手段の欄に記載された態様及び利点に加えて、更なる態様及び利点が明らかになるであろう。

様々な測定技術を示すメニューの中の少なくとも１つの要素を用いて取得した多次元解剖学的データを、1つ以上の専用アプリケーションに準じて提供しかつ処理するシステムのブロック図である。 肝臓及びその隣接臓器の組織を切断した腹部断面の見本画像であって、電子化されたＸ線断層撮影データから導きだした画像を示す図である。 図２に類似しているが、肝臓及びその周辺組織の見本画像であって、本発明に従って、ＭＲＩ技術によって収集したデータを用いて形成された画像を示す図である。 本発明に従って、臓器モデルを構築する主要構成及び主要プロセスを示すフローチャートである。 本発明に従って、臓器モデルを生成するプロセス中に形成される確率マップの軸状断を示す図である。 本発明に従って、臓器モデルを生成するプロセス中に形成される確率マップの矢状断を示す図である。 本発明に従って、臓器モデルを生成するプロセス中に形成される確率マップの冠状断を示す図である。 本発明の実施形態に係り、肝臓のクイノー分類を例として用いて、それぞれ独立して切除できる部分を表わす解剖学上重要な複数の境界線を表示するように拡張された、図５の確率マップの軸状断画像を示す図である。 本発明の実施形態に係り、肝臓のクイノー分類を例として用いて、それぞれ独立して切除できる部分を表わす解剖学上重要な複数の境界線を表示するように拡張された、図５の確率マップの矢状断画像を示す図である。 本発明の実施形態に係り、肝臓のクイノー分類を例として用いて、それぞれ独立して切除できる部分を表わす解剖学上重要な複数の境界線を表示するように拡張された、図５の確率マップの冠状断画像を示す図である。 本発明の実施形態に係り、一方又は他方の測定モダリティを用いて取得されたボリュームデータ(volumetric data)のセグメンテーションのための主要構成及び主要プロセスを示すフローチャートである。 本発明の実施形態に係り、臓器の柔組織に関する局部的な最大輝度を囲み、輝度限界値G_MIN 及びG_MAXを意味する垂直な線で表わされた全体の輝度閾値を示す、ボクセル輝度ヒストグラムを描いた図である。 本発明の実施形態に係り、上に示した画像を例にして、入力画像データに対し、図１２の輝度限界値G_MIN及びG_MAX を閾値として用いて処理した後の画像を示す図である。 本明細書で開示された主題の実施形態に係り、図１３の閾値処理後の画像データに基づいた距離マップを表わす図である。 本発明の実施形態に係り、セクションＩＶにおいて図１１のフローチャートで例示された処理によって決定された、肝臓例の中心領域の画像を示す図である。 本発明の実施形態に係り、セクションＩＩＩで説明するように生成されたモデルに対して登録され、図１４によって表わされた多次元データを用いた２次元断面の例に対応する軸状断を表わす図である。 本発明の実施形態に係り、セクションＩＩＩで説明するように生成されたモデルに対して登録され、図１４によって表わされた多次元データを用いた２次元断面の例に対応する矢状断を表わす図である。 本発明の実施形態に係り、セクションＩＩＩで説明するように生成されたモデルに対して登録され、図１４によって表わされた多次元データを用いた２次元断面の例に対応する冠状断を表わす図である。 本発明の実施形態に係り、本明細書中のモデルベース領域成長アルゴリズムの結果としての多次元データ体から取得された、軸状断に対応する２次元断面を表わす図である。 本発明の実施形態に係り、本明細書中のモデルベース領域成長アルゴリズムの結果としての多次元データ体から取得された、矢状断に対応する２次元断面を表わす図である。 本発明の実施形態に係り、本明細書中のモデルベース領域成長アルゴリズムの結果としての多次元データ体から取得された、冠状断に対応する２次元断面を表わす図である。 本発明の実施形態に係り、図１の環境下において利用できる汎用コンピュータリソースの例を示す図である。

以下の詳細な説明において、添付の図面を参照し、例示的に本発明の実施形態について示す。以下の実施形態は、当業者が実施可能な程度に十分詳細に記載されているが、それらの実施形態の範囲から逸脱することなく、他の実施形態を用いてもよいし、論理的変更、機械的変更、電気的変更及び他の変更を施してもよい。

以下の詳細な説明は、６つのセクションに分かれている。第１セクションでは、少なくとも本明細書中に用いられる言葉の意義を明瞭化している。第２セクションでは、システムレベルの概要を説明している。第３セクションでは、一例として肝臓の臓器モデルの構築について記載している。第４セクションでは、臓器のセグメンテーションのプロセスについて論じている。第５セクションでは、開示したコンセプトを実現できる環境例を記載している。

第６セクションは結論を示しており、詳細な説明においてそれまでに説明されたセクションにおける本発明の態様をレビューしている。本発明の技術的効果としては、単一のソフトウェアツールを用いて、様々なアセスメントモダリティ（すなわち特徴付けツール）の１つを表わすデータセットから形成された多次元の解剖学的データを自動的にレジストレーションでき、同時に自動的にセグメンテーションできることが挙げられる。これは、本発明に係る処理、装置、及び／又はシステムを用いて収集されたデータから、そのような解剖学的データに対する自動臓器セグメンテーションを一つの目的としたものである。

＜セクションＩ：語義の明瞭化＞
本明細書中、「又は」は、別途記述されない限り、或いは、文脈から明らかでない限り、連言的に解釈すべきである。言い換えれば、「又は」は、何らかの意味において類似した２つ以上のアイデアの少なくとも１つを含むという意味である。さらに言い換えれば、「又は」の選言的意味（ブール演算の「XOR」や「exclusive OR」に類似した意味）、すなわち、一対のアイテムのうち一方又は他方であって両方ではない、という意味は、通常、好ましい意味或いは意図する意味ではない。

本明細書中、「ピクセル」は、２次元ユニットセル或いは、ディスプレイの基本画像要素を意味する。ここで、画像は、ピクセルを適切に敷き詰めることによって形成されうる。ここでは「ボクセル」は、３次元データフィールドを表現するための３次元ユニットセルを意味する。ピクセルとボクセルは、それぞれ、それに関する１組以上の値を有する。すなわち、その値は、敷き詰められたピクセルモザイクにおける座標、或いは、２次元例の敷き詰められたピクセルモザイクに類似した方法で配列されたボクセルに適したセットで記述された３次元空間領域における座標に対応する。

本明細書中、「軸状断（axial）」は、患者又は対象生物を水平面で切った断面図を意味する。例えば、軸状断は、直立した患者に対し、例えば、へそから背骨を通りつつ地面に平行な面で、或いは、地面に平行なあらゆる面で、水平に切った断面を表わす（上或いは下から見た）図に対応する。

本明細書中、「冠状断（coronal）」は、患者又は対象生物を、長軸を通り正面に向かった面、或いはその面に平行な面で切った断面図を意味する。例えば、肝臓を通る冠状断は、一般的に、患者の一方のサイドから他方のサイドに伸びた垂直な平面に沿って切った断面図である。

本明細書中、「矢状断（sagittal）」は、上記の軸状断と冠状断の両方の平面に対して直角に交わる面又は平面に沿った図を意味する。言い換えれば、「矢状断」は、一般的に、患者又は対象生物の長軸に沿って伸びた平面であって、例えば、患者又は対象生物を通常左右対称な部分に分割する平面、すなわち、前面から背面へ、かつ上から下へ或いはその逆へ伸びた平面、に平行な平面を意味する。

結果として、臓器についての一組の軸状断、冠状断、及び矢状断は、通常、相互に直交する面に対応する。言い換えれば、これらの３つの面のどの１つの面も、一般的に、他の２つの面に対して直角に交わる。多次元データ集合モダリティによれば、結果的に、ボクセルデータ体が得られる。それにより、これらのタイプの面のそれぞれは、患者又は物体の内部構造を示すボクセルデータ体（ボクセルデータのアンサンブル）から任意に構築される。そして、非線形スケールの面を含む他の方向の面も、ボクセルデータ体から形成される。

対象臓器に関する軸状断、冠状断、矢状断のファミリーを、その全３断面が相互に交差する点が、対象臓器の内部に位置するように、全体として組織することができる。それらの３断面の交点が対象臓器の中心点に概ね対応する場合、その断面を集めたファミリーによれば、その全３断面を同時に見ている人の心の中で、３次元画像を容易に形成できる。どこまで正確に３次元画像を形成できるかについては、その人が人間の解剖に精通している程度、そして、そのジャンルに適用可能な経験のレベルにも依存する。

本明細書中、「登録（レジストレーション）」とは、通常、同じ物理的な特徴を表わす複数の点同士の対応関係を確立するために、２つ以上の画像又はデータセットのそれぞれの少なくとも一部に含まれる特徴同士を関連づけることをいう。言い換えれば、２つ以上のデータセットのそれぞれの一部に対応するデータエレメントは、コロケートされ、コーディネートされ、或いは、互いに関連づけられる。これにより、複数のデータセットの複数のエレメントにおける、関連或いは類似したエレメント対同士の間において、又は、関連或いは類似した他の要素サブセット同士の間において、重要な関係性或いは重要なコンビネーションを容易に形成できる。

本明細書中で用いられる意味において、セグメンテーション（セグメント化）とは、異なる臓器、組織、空気又は水又は他の液体で埋められうる嚢又は空隙、外部の物体（例えば、手術に用いられる器具や、他の手段を介して挿入され特定の医療上の目的を持たない物体、例えば、患者が飲み込んでしまったコインや傷口から入った弾丸）、そして、他の非臓器含有物を表わす、ピクセルデータ同士、ボクセルデータ同士又は他の多次元データ（例えば、超音波画像データ、蛍光透視ディスプレイデータ、或いはX線フィルムデータ）を互いに識別すること、そして、その臓器のプロパティを評価するために特定の臓器を表わすデータを識別することを含む意味である。セグメンテーションは、病理学上の特徴を示すデータを識別することをも含んでもよい。セグメンテーションは、臓器を明確に識別し、定義するために利用してもよいし、傷のサイズの定量化のために用いてもよい。

ここでは、「セグメンテーション」という単語は、対象生物や患者における臓器の画像データ又は空間的に組織されたデータを分割する処理を示す。広義には、セグメンテーションは、アナログ画像データ又は空間組織アナログデータ或いはそれから形成されたデジタルデータを分割することを意味してもよい。本発明の内容においては、セグメンテーションをデジタル画像に適用する場合が多い。空間的に並べられたデータセットを、例えばピクセルのセットと言った複数領域にセグメント化する場合や、デジタル３次元表現又は空間的に組織された多次元データを、例えばボクセルのセットといった複数の領域に分割する場合がある。

セグメンテーションの目的は、空間的に並べられたデータセットの表現を、対象臓器に関してより重要な何かに単純化及び／又は変更することにあり、注目する解剖学的特徴を容易に分析し定量化する１つの方法である。画像又は２次元データフィールドのセグメンテーションは、通常、物体及び境界（直線や曲線など）を画像内に配置するために用いられ、ボリュームデータについても同様の処理が行なわれる。

セグメンテーションの結果、全画像又は全ボリュームデータセットを集合的にカバーしうる１セットの領域群、或いは、エッジ検出及び他の従来からある信号処理技術又は画像処理技術によって画像又はボリュームデータセットから抽出された１セットの輪郭線群が得られる。一定の領域にあるピクセル又はボクセルのそれぞれは、何らかのよく似た特徴的電子的特性、例えば、色、輝度又はテクスチャなどを有する。隣接する領域は、識別方法によっては、かなり相違する特性を示す。

本明細書中、「ヒストグラム」とは、確率ｐ＝ｈ（ｌ）を各輝度値ｌに割り当てる数式ｈ（ｌ）を示す。例えば、１００ハウンスフィールド単位の輝度ｌに対して確率ｐが０．５であれば、ボクセル又はピクセルの半分が、１００ハウンスフィールド単位の輝度値を有することを意味する。言い換えれば、その対象を調べるために異なる物理的現象を用いる異なる測定モダリティから、正規化された輝度ｌ１とｌ２とを比較すると、これらの正規化された輝度ｌは、共通スケールにフィットし、例えば、ゼロから１までの値（或いはI

[0, 1]）になる。

言い換えれば、特定の輝度値ｌに対するヒストグラム値ｐ＝ｈ（ｌ）は、この輝度値ｌを有するボクセル又はピクセルの確率値ｐを示す。一般に、ヒストグラムは、単一画像に関連してもよいし、２つ以上の画像に関連してもよい。ヒストグラムのグラフィック表現は、横座標（すなわちｘ軸）が輝度ｌを示し、縦座標（すなわちｙ軸）が確率ｐ＝ｈ（ｌ）を示すように生成されてもよい。

本明細書において、「コア領域」とは、完全に臓器内にあり、血管や腫瘍部分を含まない、繋がった３次元領域を言う。

＜セクションＩＩ：システムの概要＞
図１は、イメージングモダリティ１０８のリスト又はメニューから選択されたエレメントを介して集められたデータを用いて、内蔵表現の自動プロセッシング及び自動セグメンテーションを改良した変形システム１００の概要を示す概略図である。ここで、エレメントは、複数のイメージング／アセスメントモダリティ１１０の各一つを表わす。メニュー１０８でアイテム化されたイメージング／アセスメントモダリティは、Ｘ線イメージングオペレーションに基づいて得た測定値、或いは、ＭＲＩ技術を用いて得た測定値、又は、これらの技術などを用いて集められたデータを含む。システム１００は、第１データソース１１２、第２データソース１１４、第３データソース１１６、…、第Ｎデータソース１１８のうちの少なくとも１つからデータを受け取る。データソース１１２〜１１８のアレイ１１０は、例えば、ＣＴシステム１１２、ＭＲＩシステム１１４、超音波画像システム１１６、或いは、Ｘ線血管撮影システム１１８を含んでもよい。データソース１１２〜１１８のアレイ１１０は、図２２を参照してセクションＶでさらに詳しく説明するように、１つ以上のオンサイト測定システム１１２、１１４、…、１１８を含んでもよい。または、例えば、ＬＡＮ、ＷＡＮ、インターネットなどを介して、１つ以上のリモートデータソース１１２、１１４、…、１１８からデータを受け取る機構を含んでもよい。

システム１００は、また、１つ以上のデータソースアレイ１１０から、出力側でバス１２４に接続されたデータ取得調整モジュール１２２に対して、データを接続するバス１２０を含む。１つ以上のコンピュータ１３０は、１つ以上のプロセッサ（図１には不図示）を含み、バス１２４からデータを受け取る。１つ以上のコンピュータ１３０は、バス１３２、１３４、１３６を介して、他のシステム構成に合わせてデータを変換する。

例えば、バス１３２は、画像処理エンジンとして構成されたモジュール１３８に対してデータ及び制御信号を伝送する。一般に、バス１３２、１３４、１３６は、コンピュータ１３０と、システム１００の他の要素、及び／又は外部コンピュータ或いは通信リソース（図１には不図示）との間で、信号及びデータをやり取りする構成となっている。

システム１００は、また、信号パス１３９とオペレータ操作部１４０とを含む。オペレータ操作部１４０は、バス１３４を介してコンピュータ１３０に接続されている。オペレータ操作部１４０は、１つ以上のディスプレイ１４２とユーザ入力インタフェース１４４とを含む。また、画像のコピーを適当な媒体に形成するハードコピーエンジン１４６を含むか或いはハードコピーエンジン１４６に接続されていてもよい。ここで、適当な媒体とは、例えば、紙、スライド又はフィルムである。或いは３次元モデルを提供するものであってもよい。

ユーザ入力インタフェース１４４は、タッチスクリーン、キーボード、マウスなどの他の接触入力デバイス、ボイスコマンド機能、及び／又は他の入力デバイスを含んでもよい。１つ以上のディスプレイ１４２は、システム１００のオペレーション、ユーザ選択オプション、並びに対象を描いた画像に関する、ビデオ情報、記号情報及び／又は音声情報を提供する。また、ディスプレイ１４２は、様々なオペレーションモードや他のシステムセッティングをユーザが容易に選択可能な１つ以上のＧＵＩを表示するものであってもよい。

画像処理エンジン１３８によれば、正確な測定及び評価を容易に自動化できる。画像処理エンジン１３８は、例えばディスプレイ１４２に表示するための、複数の座標画像を形成することができ、本明細書中の後述するセクションにおいて示された様々なタイプの描画を行なう。画像処理エンジン１３８は、分離識別モジュールを備える。この分離識別モジュールは、アプリケーション専用の統合回路を含んでもよいし、適切なコンピュータ可読プログラムモジュールに接続される１つ以上のプロセッサを含んでもよいし、コンピュータ１３０又は他の電算装置の一部を含んでもよい。

システム１００は、また、適切なデータインタフェースを介してバス１３６でコンピュータ１３０に接続されたデータストレージメモリデバイス１５０を含む。３次元ボクセルデータ及び画像又は２次元ピクセルデータを表わすデータセットは、通常、ＤＩＣＯＭ（医療におけるデジタル画像と通信）規格に準じている。この規格は、医療画像の取り扱い、保存、記録及び伝送を行なうために広く適用されている。ただし、他の規格を用いても良い。

ＤＩＣＯＭ規格は、ファイルフォーマット定義とネットワーク通信プロトコルを含む。その通信プロトコルは、図１に示したように、ＴＣＰ／ＩＰを用いて、システム間の通信を行なう、アプリケーションプロトコルである。ＤＩＣＯＭファイルは、メモリ装置１５０に保存され、そこから配信される。ＤＩＣＯＭフォーマットの画像データ及び患者データを受信可能な２つの構成間で、そのファイルをやり取りすることもできる。

メモリデバイス１５０は、データインタフェース１５２と、大容量記憶装置１５４と、１つ以上の外部記憶装置用ポート１５６を可搬記憶装置１５８に対して取り外し可能に接続（点線の両矢印１５７で示されている）するのに適している。可搬記憶装置１５８は、光メモリ、磁気メモリ及び／又は半導体メモリを含んでもよく、書き込み及び／又は読み出し機能を有しても良い。また、可搬記憶装置１５８は、揮発性又は不揮発性デバイスであってもよく、或いは、それらの機能を組み合わせたものであっても良い。

システム１００は、データソースアレイ１１０に接続されたデータ入力部を有するデータ取得調整モジュール１２２を含む。このデータ取得調整モジュールは、バス１２０によって、１つ以上のコンピュータ１３０に接続されている。データ取得調整モジュール１２２は、入力データをキャプチャーし、情報デジタルフォームを出力する。情報デジタルフォームは、少なくとも１つのディスプレイ１４２に対して究極の表示を行なう目的で、及び、大容量記憶装置１５４において予め保存しておくため、１つ以上のコンピュータ１３０に供給される。及び／又は、例えば、データインタフェース１５２を介して、或いは、１つ以上の可搬記憶装置用ポート１５６を用いて、遠隔設備（図１には不図示）との間でデータ交換を行なうために、１つ以上のコンピュータ１３０に供給される。取得した画像データは、データ取得調整モジュール１２２又は１つ以上のコンピュータ１３０、又はその両方において調整されうる
システム１００はまた、電源１７０をも含む。電源１７０は、点線で示した電源バス１７２として表わされた相互接続部を介して、他のシステム要素及び電源コントローラ１７４に接続される。システム１００は、バッテリーのようなポータブル電源１７０を伴う、移動可能システムとして構成されても良い。言い換えれば、システム１００は車輪付きユニットを備え、それ自身から電源を供給される電気移動式システムであっても良い。そうすれば、システム１００によって提供される一連の特性に加えて、物理的な機動性を有することになる。

対象（不図示）の一部から集められる、その対象を表わす多次元データは、多くの異なるタイプのツールを用いて集められ、及び／又は処理される。それらのツールはそれぞれそのデータによって記述された情報コンテンツの一部を強調するのに用いられ、したがって、システム１００の全機能に寄与し、システム１００によって提供されるアプリケーションのスペクトルにも寄与する。結果として、様々な測定モダリティ又は様々なタイプの信号処理ツールからの解析結果を増強できる。これは、信号処理エンジン１３８又は１つ以上のプログラムモジュールを用いて行なわれる。或いは、異なる測定時間及び／又は測定位相対応する測定結果間の分析結果を増強することもできる。図２及び図３は、ディスプレイ１４２又はハードコピー機構１４６を介して表示され可視化される画像例を示す。

図２は、肝臓２０２をＣＴスキャンによって特徴化した３次元ボクセルデータ体を用いた２次元断面２００を示す。図２の画像２００は、肝臓の柔組織２０２と近似の輝度で腹壁２０４を示している。逆に、骨組織２０５は、高い輝度の領域として、或いは、白黒表示において白い領域として表わされる。

肝臓柔組織２０２は、その肝臓柔組織内にいくつかの特徴を有する比較的単一のグレー領域として示されている。概して、肝臓柔組織２０２を表わすグレー領域は、非常に様々な輝度値を持つ、比較的希薄な領域密度の領域を有する。

図３は、肝臓３０２を特徴化した３次元ボクセルデータ体を用いた２次元断面３００を示す。図３は、図２の画像２００とよく似ているが、ここでのボクセルデータは、ＭＲＩ技術を用いて収集されたものである。画像３００は、肝臓柔組織３０２、腹壁筋３０４、骨組織３０５、及び脾臓組織３０７を示し、さらに肝臓柔組織３０２内の血管構造又は網状組織３０９を示している。

ＭＲＩデータを用いて形成された画像３００において、骨組織３０５は、ほとんど不可視であって、腹壁組織３０４を構成する他の部分と識別困難である。これは、図２の画像２００とは対照的である。図２の画像２００では、骨組織２０５は、著しく強く表わされ、骨組織２０５を囲む組織とは非常に高いコントラストをなしているからである。

隣接臓器３０７は、肝臓柔組織３０２と近似した輝度で示されている。また、肝臓柔組織３０２における網状組織３０９により、肝臓柔組織３０２は、図１に示されているものに比べて、非常に不均質的に表わされる。

図２の画像２００と図３の画像３００を比較すると、特定の臓器である肝臓の、様々な要素間でコントラストに違いがあることが分かる。結果として、ＣＴスキャンで収集されたデータとを比較してＭＲＩで収集されたデータは、非常に均質性の小さなデータセットとなる。すなわち、ＣＴスキャンの環境で開発された自動処理ツールは、研究対象となる臓器をセグメント化する際にボクセルデータを処理するためのキーとなる特性に１つとして、肝臓柔組織の均一性に依存している。従って、そのような自動処理ツールは、ＭＲＩデータの自動処理には有効ではなく、特に、深刻な病理が存在する場合に、ＭＲＩデータの自動処理又は自動セグメンテーションに対して容易又は明らかには適用できない。

１つ以上のデータ測定モダリティに利用でき、データ収集に用いられるモダリティの特性として導かれる均質性の違いやアーティファクト(artifact)のタイプの違いにも拘わらず、正確な臓器セグメンテーションを可能にする測定処理、測定問題及び測定解析については、セクションＩＩＩからセクションＶにおいて後述する。本明細書の内容において有効な臓器モデルの生成については以下のセクションＩＩＩで説明する。

＜セクションＩＩＩ 臓器モデルの構築例＞
以下のセクションでは、例として肝臓モデル形成の流れの中で、様々な臓器のモデルを形成する態様について、説明する。この臓器モデルは、統計的に独立に治療される区域(セグメントsegment)に分割され、それにより、CT、MRI、XA などの異なる測定モダリティから導き出されたデータ型を、より柔軟に適用できるようになる。

図２及び図３は、本発明の実施形態に係り、ＣＴで肝臓を測定して得た画像２００と、ＭＲＩで肝臓を測定して得た画像３００を、それぞれ表わしている。画像２００は、肝臓柔組織２０２と腹壁筋２０４と骨組織２０５とを描画している。画像２００において、肝臓柔組織２０２と腹壁筋２０４とは、近似した輝度で示されており、位置によっては隣接している。骨組織２０５は、非常に明るいアーティファクトとして表示されている。

ＭＲＩ測定から得られた画像３００において、肝臓柔組織３０２と脾臓３０７とはよく似た輝度を有し、高いに近接した部分を有する。図２においては、肝臓２０２の輝度範囲は、筋肉２０４の輝度範囲にオーバーラップしているが、図３では、肝臓柔組織３０２の輝度範囲は、脾臓３０７の輝度範囲にオーバーラップしているが、腹壁３０４とは全く異なる輝度となっている。結果として、肝臓柔組織２０２又は３０２を表わす輝度範囲を特定することがそのデータの自動セグメンテーションを行なうための必要条件となる。しかし一方で、臓器全体しか表わさない輝度範囲は、自動信号処理を行なうのに十分ではなく、隣接する組織の識別にも十分ではない。

また、図３の肝臓柔組織３０２の内部には、図２の肝臓柔組織２０２に比べて、非常に大量の詳細部又は網状組織３０９が存在している。結果として、肝臓柔組織３０２を表わすデータを他のデータから識別する際に、輝度範囲を大きくとる必要がある。言い換えれば、ＭＲＩデータは、ＣＴデータよりも不均質だということである。残念なことに、従来の造影剤注入及び従来のＣＴスキャンを用いて取得された肝臓データの自動特徴化及び自動セグメンテーションに関するアルゴリズムには、図２のように肝臓柔組織２０２が比較的均質であることが必要である。それは、そのデータの他の特徴部分から肝組織を識別する基準を確立するためである。そして、ＣＴスキャンで収集されたデータに通常発生するいくつかのアーティファクトを利用して、肝臓柔組織２０２を表わすボクセルを選り分けるためである。

結果的に、ＣＴボクセルデータから取得した肝組織２０２の自動特徴化のために開発された従来の方法論及び従来のコンピュータプログラムは、大きな腫瘍塊（健康な肝組織とは異なる輝度になる傾向がある）がある場合に問題が起こりやすく、ＭＲＩ特徴化処理を介して収集されたボクセルデータの処理には、全く適してない。本明細書の出願時点では、データ測定モダリティのメニューからボクセルデータを扱うことができ、ユニバーサルに適用できる自動特徴化セグメンテーションツールの開発努力に関して、どうみても文献があまりない。現在のところ、ＭＲＩ又はＣＴスキャンからの肝組織データの自動セグメンテーションが可能な実際上商業上利用可能なツールは存在していない。

ＣＴモダリティを用いて集められたデータの特性に合わせたツールは、ＭＲＩモダリティで集められたデータに強い拒否反応を示す。ＭＲＩデータ又はＭＲＩ画像の特徴化のためのツールの開発は、ＣＴデータの場合ほどは、じっくりと時間をかけて行なわれていない。

ＭＲＩデータの臓器部分を識別するデータ分類処理は、ＣＴデータの場合よりもかなり難しい。このデータ分類は、例えば腫瘍のような大きな異変部分が存在すると、非常に複雑になる。そして、これらの測定技術のそれぞれによって現われる各種のアーティファクトは、かなり異なるからである。例えば、呼吸の影響（アーティファクト）は、ＭＲＩデータにはＣＴデータとは明らかに異なって現われる。要求される測定時間が異なるからであり、ＭＲＩデータは、ＣＴデータに比べて非常に長い時間を必要とするため、他の技術関連のアーティファクトと共に、呼吸の影響が出やすい。

対象を特徴付けるボクセルデータを集めることができる他のモダリティのユニークな特徴は勿論のこと、このたった２タイプの画像データ間で現われる特徴における相違にも対応するため、新しいタイプの臓器モデルが開発された。この、新規で革新的な臓器モデルは、例えば、クイノー分類方法に従って、臓器を亜区域（subregion）に分割する。これは、肝臓柔組織の特徴に特に適している。肝臓移植を計画する目的にも適しているし、或いは、患者から大部分の肝臓柔組織を切除する手術を行なうのにも適している。クイノー分類方法は、肝臓を８つの亜区域に分割しているが、その８つの亜区域は、それぞれ独立した脈管構造の流入路及び流出路を有し、胆汁の排出路を有している。

その結果、これら８つの亜区域のそれぞれは、他の亜区域に実質的なダメージを与えることなく独立して切除できる。そして、これら亜区域のそれぞれは、移植を受ける受容患者への移植の可能性をも表わす。移植された部分が、受容者にうまくグラフトできるかを判断する理由ともなる。臓器組織の亜区域化に他の方法を用いても良いし、その他の方法によれば、従来よりも多くのモダリティの組合せのどの１つを用いて取得したボクセルデータを用いて、臓器特徴化及び／又はセグメンテーションを、高度に自動化しつつ、正確且つ迅速に行なう技術的効果を保持しつつ、特定の臓器に応じた、利点や効果を提供しうる。そのような臓器モデルの特定の例を構成することについて、リアルタイム自動肝臓データセグメンテーションの、比較的困難なケースを例にとって、図４を参照しつつ、図５乃至図１０の例を用いて、以下に、より詳しく説明する。

図４は、本発明に係る、臓器モデルを構築する主要構成と主要プロセスを示すフローチャート４００である。プロセス４００は、ブロック４０５から開始する。

ブロック４１０では、手動でセグメント化した臓器ボリュームのコレクション又はセットが形成される。これらの臓器ボリュームは、図１のデータソース１１２、１１４…１１８の何れかから取得したデータであってもよい。一例として、肝臓柔組織の６０個の独立した測定値や脈管構造などが熟練した放射線医師によってセグメント化され、ブロック４１０において収集される。処理は、その後、ブロック４１５に移る。

ブロック４１５において、プロセス４００は、ブロック４１０で収集された画像データ又はボクセルデータを正規化する。本実施例において、正規化とは、ブロック４１０で収集された臓器ボリュームを等方性のボクセル空間に変形することを含む。処理は次にブロック４２０に移る。

ブロック４２０において、プロセス４００は、参照臓器ボリュームを選択する。本実施形態において、ブロック４１０で収集された臓器測定値から導かれたボリュームは、平均化され、参照ボリュームとなる。処理は次にブロック４２５に移る。

ブロック４２５において、プロセス４００は、ブロック４１０で収集され、手動でセグメント化された臓器ボリュームのそれぞれを、ブロック４２０で得た参照ボリュームに登録する。本実施形態において、この登録は、例えば３次元近似変換といった従来の相似変換を利用して行なわれる。処理は次にブロック４３０に移る。

ブロック４３０において、プロセス４００は、確率マップを生成する。一実施形態では、確率マップは、登録された画像を合計し、０〜１のような範囲にその値を正規化することによって生成される。臓器モデルを形成する確率マップの軸状断、矢状断及び冠状断の表示例を、図５〜７にそれぞれ示す。処理は次に、処理はブロック４３５に移る。

ブロック４３５において、プロセス４００は、ブロック４３０に形成され図５〜図７に表わされた確率マップに解剖学的特徴を追加する。一実施形態では、解剖学的特徴は、臓器のクイノー分類によって、Ｍ個の区域S_iとして表現される。クイノー分類は、各区域(portions or segments )S_iを、他のＳ_j≠ｉ（ここでｉ及びｊのそれぞれは、１からＭまでの範囲にある、つまり、i, j

{1, M}）に損傷を与えることなく切除できるように臓器を分割する。

図８乃至１０によって描かれた例では、肝臓モデルを形成するために用いられたデータは、解剖学上重要基準に従って、８つの独立した区域S_iに分割される。図８乃至１０のぞれぞれは、これら８つの区域S_iに含まれる異なる区域部分を示しているが、その部分は、関連する統計データゾーンに対応し、他の７つの区域S_iの何れかに適用可能な統計データゾーンから独立している。

逆に、臓器ボリュームに関連する登録済みの測定ボクセルデータの亜区域を、図１１のプロセス１１００の一部としての登録によって（少なくとも、例えば、ブロック１１２０及び１１３０及び関連記載参照）、そのような独立した区域、或いは、関連統計データゾーンS_iに分割することにより、特定区域又は関連統計データゾーンS_iに関連する測定データから導かれた独立した統計データを用いて、各区域S_iを解析できる。

言い換えれば、測定によって得た画像データが、（図１１の処理１１００を参照して説明したように、そして、少なくとも図１２乃至図２１を参照して後述するように）図４のプロセス４００のブロック４３５で追加された解剖学的特徴を有するモデルに登録された場合、その測定データは、対応して、適正な解剖学的特徴に登録される。この適正な解剖学的特徴は、臓器モデルのボリュームを集合的に測定して得たＭ個の区域S_iの１つを形成する。さらに言い換えれば、測定データの区域S_iのそれぞれは、臓器モデルデータが分割されたＭ個の解剖学的区域S_iにおける対応する１つに対し、登録され、マッピングされる。

以下、図１１のブロック１１３０など及び図１６乃至図１８並びに関連する記載を参照してさらに詳細に説明するが、モデル中の区域S_iに対応する測定輝度統計値によれば、独立した複数セットの輝度統計値｛S_i｝は、モデル中の区域S_iに対応する測定輝度統計値によれば、最低値S_{MIN_i}から最高値S_{MAX_i}までの各範囲にわたる独立した複数セットの輝度統計値｛S_i｝を、各区域Ｓ_ｉについて、独立に算出できる。結果として、本明細書において開示され示唆される本発明によれば、臓器の柔組織、腫瘍、または他の病理、隣接臓器、或いは解剖学的構造などの全体又は一部を含みうる、強く重なった輝度範囲に帰する扱いにくい計算上の問題を解消できる。

ＣＴスキャンなどの他のイメージング技術を用いて取得した測定データと比較した場合、オーバーラップが増加することは、様々な輝度範囲を有するＭＲＩデータの特徴であり、これは、ＭＲＩデータによって得られる輝度値が、より高精細であって、網状であって、従って、均質性に乏しいことによる。本明細書に開示された技術によれば、肝臓などの臓器で対しても、迅速で正確な臓器ボクセルデータの自動セグメンテーションを容易に実現できる。ここで、例えばＣＴ測定から得られるデータに現われる輝度等のように、他のデジタルイメージング技術を利用した場合に比べると、ＭＲＩ測定を介して現われる輝度分布の性質により本質的に、より複雑で不均質な輝度データが得られる。

解剖学的特徴が、臓器モデルを分割するために生成された区域S_iを分離するために用いられ、他のタイプの基準に基づいて選択されることは理解されるであろう。例えば、臓器内の位置、他の臓器との関係、或いは解剖学的構造などといった1つ以上の特徴に基づいて、解剖学的情報を加えても良い。また、典型的な臓器のタイプによって表れる湾曲に基づいて、解剖学的情報を加えても良い。さらに、例えば、モダリティに特有なセグメンテーションをおこなう必要がある場合には、輝度に基づいて解剖学的情報を加えても良い。若しくは、これらの及び／又は他の、識別可能な解剖学的臓器態様に基づいて、解剖学的情報を加えても良い。

言い換えれば、クイノー分類における各区域は、他の各区域S_iとは独立しているであろう脈管構造などの要素を有する場合、解剖学的に重要である。肝臓の確率マップ画像の一例は、図５、図６、図７の軸状断５００、冠状断６００、矢状断７００にそれぞれ示されており、そのような区域S_iへの分割後の画像は、図８乃至図１０において、それぞれ軸状断８００、矢状断９００及び冠状断１０００にて示されている。その後、ブロック４４０に進む。

ブロック４４０において、プロセス４００は、モデル形成モジュールから臓器モデルデータを出力する、及び／又はそのデータを、例えば図１のデータストレージ機構１５０に格納する。或いは例えば臓器モデルライブラリにそのデータを保管し、後に、バス１３６又はバス１５２を介してアクセスできるようにする。プロセス４００は、次に、ブロック４４５において処理を終了する。これらの様々なオペレーション（すなわち４１０〜４４０）は、これらのオペレーションを実行するように構成された装置やモジュールに対応し得る。また、或いは、これらは、コンピュータ可読命令に含まれるコンピュータコードモジュールとしてプログラミングされ得る。そして、そのプログラムが、１つ以上のプロセッサ（例えば上述した図１の１３０、又は後述する図２２の２２０４）によって実行される場合には、その１つ以上のプロセッサが、対応する処理を実行する。

肝臓の属性を特徴付ける本セグメンテーション処理において、肝臓は、しばしば、最大の体積を有する腹部臓器として仮定される。これは、明らかに他の臓器の場合には当てはまらないし、稀には、肝臓にすらも当てはまらない。結果として、汎用の自動登録セグメンテーション処理を行なうには、輝度範囲、輝度限界又はサイズに基づく、単純なルール、方法、又はアルゴリズムでは、十分ではない。すなわち、各測定において、注目する臓器の重要な表現（例えば、重要な診断値）に適した複数の輝度範囲を決定するためには、本質的な柔軟さを備えた洗練された技術が必要である。

図５乃至図７は、それぞれ、本発明の実施形態に係る、臓器モデル例を形成する１ステージでの、軸状断５０２、矢状断６０２、冠状断７０２のそれぞれを示す確率マップ画像５００、６００、７００を表わしている。これらの確率マップ画像５００、６００、７００は、手動でセグメント化された対象臓器のデータセット数の正規化合計に対応しており、図４のプロセス４００におけるブロック４３０の出力として生成される。図５では、軸状断５０２は、最高確率又は最低確率を表わす中央部分５０３と共に、やや高確率又はやや低確率の領域を含む。ここで、連続的に半径方向外側に広がる輪状部５０５、５０７、５０９、５１１は、それぞれ固有のグレースケール値を持つ帯状部分に対応し、徐々に確率が低くなっていくゾーンを表わしている。

同様に、図６の矢状断６０２の中央部分６０３は、最高確率を表わし、図６において異なるグレースケール表現で表わされた、連続的に半径方向外側に広がる輪状部６０５、６０７、６０９、６１１は、徐々に確率が低くなっていくゾーンを表わしている。同様に、図７の冠状断７０２も、最高確率値に対応する中央部分７０３を描いており、図７において異なるシェーディング表現で表わされた、連続的に半径方向外側に広がる輪状部７０５、７０７、７０９、７１１は、徐々に確率値が低くなっていくゾーンを表わしている。なお、図５乃至図７及び他の類似の図面に示された帯状部分、ゾーンや、区域を視覚的に区別して表現するにあたっては、様々な色を用いることができる。

様々な確率値を、図５乃至図７にそれぞれ示されたタイプの確率マップ画像５００、６００、７００に表わしてもよいことは、当業者にとって明らかであろう。その場合、１００％、９０％、８０％などといった一定のインクリメントに対応して線引きしてもよいし、例えば１００％、９０％、５０％というように非線形に変化する確率値に対応して線引きしてもよい。さらには、指定された目的に合った他の方法で構築してもよいし、或いは、対応臓器モデルの確率マップの特定の態様を強調又は明確化するために選択された他の方法で、構築してもよい。

図５乃至図７の画像５００、６００、７００によって表わされた確率マップが、これらの図と、図４のプロセス４００のブロック４３０とを参照して説明したように形成されると、次に、図４のブロック４３５を参照して記述したように、その確率マップに、一連の分割部分が表わされる。以下に、図８乃至図１０に示された画像を参照して、この種の結果の一例について述べる。この種の結果の一例では、モデル化された対象臓器が肝臓である場合、効果を奏する。

図８乃至図１０は、それぞれ、画像例８００、９００、１０００を示している。各画像は、それぞれ分割線８０１、９０１、１００１によって示されるように、一例としての肝臓のクイノー分類に従って、一連の区域S_iに分割されている。これは、（図４を参照してより詳細に上述したように）解剖学的に重要な部分への分割であり、本発明の実施形態に従って、独立して摘出できる各区域S_iがそれぞれ線引きで示されている。図８は、確率マップによって生成された軸状断８０２の画像８００を含む。図９は、確率マップによって生成された矢状断９０２の画像９００を示す。一方、図１０は、冠状断１００２に対応する。

説明を明瞭に行なうために、かつ、図中に示された異なるタイプのエレメントをより明確に識別するため、そして、ある意味においては、図８乃至図１０に示されたコントラストのバリエーションの本質的な範囲のため、参照番号とそれに関するクイノー亜区域とを結びつける「タッチ」ラインは、これらの図面に示されているように、小さな黒いドットを端点に有している。この端点は、階段状の輪郭線８０１、９０１、１００１の中に含まれ、従って、例示的な対象臓器の現像モデルの内部にある、解剖学的に重要な亜区域を示す表示部分同士を線引きするために用いられる。

対照的に、他の識別符号は、どれも、そのような端部と結びつけられていない。同様に、個々の亜区域と非アルファベット符号との対応をさらに一層より明確に示すため、黒いドットは、亜区域を示す符号にのみ結びつけられている。結果として、このやり方は、読み手が、図面中の他の特徴に付された参照符号と、個々の亜区域を示すこれらの符号とを区別しやすくする。

図８の軸状断画像８０２において、階段状の境界線８０１は、対象臓器を、（一番下の部分８０８から時計回りに）符号８０８、８１０、８１２、８１４、８１６によって示された５つの亜区域S_iに分割する。同様の境界線９０１は、図９に示すように、矢状断画像９０２に重畳されている。そして、また、この画像９００に表わされた肝臓の断面の一番下の部分から時計回りに）符号９０８、９１０、９１２、９１４によって示された４つの亜区域S_iに分割する。

さらに、図８及び図９の表示画像に用いられた方法と同様に、１セットの水平及び垂直線分区域１００１は、図１０の冠状断画像１００２における区域S_iとの中心的な関係に示されている。そして、同様に、符号１００８、１０１０、１０１２及び１０１４によって示された４つの異なる亜区域S_iが示されている。同時に、図８及び図９のそれぞれに記載されたように、様々なサイズの亜区域S_iを区分けし、識別又は定義するために線分区域１００１が設けられている
従って、一連の臓器モデルは、様々な対象臓器に対応し、関連するランドマーク特性に従い、亜区域S_iへ分割され、或いは、解剖学的に又は医学的に関連する方法においてそれぞれ別個の亜区域S_iを識別する。言い換えれば、統計上区別できる特徴または特色を、対象臓器の少なくとも１つの亜区域S_iに与える測定可能な特徴又は特性をシンプルにキャプチャーするために、複数の亜区域S_iを選択された臓器の１つのモデル内に構成する。ここで、その亜区域S_iの重要な構成は、それぞれが他の亜区域S_j

_iに関連するクラスタ又は値の軌跡から何らかの方法で識別可能な値の軌跡に対応する。そして、図１１を参照して後述するハイレベルフローチャートを用いたこの方法論の概要に従って、本明細書のセクションＩＶにおいてより詳細に説明するように、単一の、統合された、正確な、リアルタイム分析ツールを配置することにより、異なるモダリティデータをセグメント化する際に用いられる、強力なハンドルを提供する。

＜セクションＩＶ：セグメンテーション＞
画像又はボリュームのセグメンテーションを実際に医療イメージングに適用する場面として以下の場面が挙げられる。つまり、腫瘍及び他の病理の大きさと位置の測定、組織の体積の測定、コンピュータガイド手術、診断、治療計画（例えば、移植のため或いは、外部物質の体内への挿入のため）、及び解剖学的構造の研究、のために適用される。特に、（前述のセクションＩＩＩにおいて）肝臓モデルの形成例に結びつけて説明したクイノー分類方法に対して、定量化は、明らかに有効であり、非常に特殊な場面において、大きな利点がある。そして定量化は、特定データ採取モダリティとは別に、特に目的を絞った有用な情報をもたらす。特定データ採取モダリティとは、肝臓等の臓器を、ドナー（doner臓器提供者）からドネー（donee臓器受容者）へ、生体移植する計画に必要なデータを集める際に用いられるものである。その一方で、任意のデータ収集モダリティからのデータのセグメンテーションに有用な、等しく強い識別要素を提供する代案の概要は非常に多い。

ここで図１１を参照すると、本発明の実施形態に従って、１つ以上の測定モダリティを用いて取得されたボリュームデータのセグメンテーションのための主要構成及び主要プロセスを示すフローチャート１１００が示されている。
プロセス１１００は、ブロック１１０５から開始する。ブロック１１０５において、プロセス１１００は、測定された多次元データを入力する。実施形態によっては、測定された多次元データは、対象又は患者のＭＲＩ特徴化から導かれたボクセルデータも良いし、ＣＴスキャンで収集したボクセルデータでもよい。データ収集モダリティは、ＤＩＣＯＭ画像データプロトコルを参照して図１に関連づけて上述したように、データフィールド又はファイルのヘッダ部分に記載されている。特定の臓器用のモデルデータ１１１０（例えば図４から）のライブラリも利用可能である。処理は、ブロック１１１５に進む。

処理１１１５において、ライブラリ１１１０からの適当なモデルも同様に入力される。次に、制御は、ブロック１１２０に進む。

ブロック１１２０では、プロセス１１００は、ブロック１１０５からの測定データを登録する。この測定データ、適当なモデル１１１０と共に、特定の患者又は対象の特徴を示す。この測定データは、（例えば、図１のブロック４４０で説明したように図１のマスストレージ１５０内に）予め格納される。或いはこの測定データは、例えば、バス１５２といったバスを介して、外部データソースから取得される。実施形態によっては、モデルが、特定臓器のモデルライブラリから選択される。そのモデルライブラリのそれぞれは、「臓器モデルの構築例」というタイトルが付けられた前述のセクションＩＩＩにおいて図４を参照して説明した方法論及びプロセス４００に調和して生成される。

ブロック１１２０に関連して生成されたモデルに対する測定データの登録処理は、複数のサブタスクを含む。ブロック１１２０によって表わされたように、登録の第１部分は、図１２で詳細に説明する、輝度の閾値G_MIN と G_MAX,を決定する処理を含む。

図１２は、本発明の実施形態に従い、個々のボクセルに関連する輝度のヒストグラム１２００を示す。ヒストグラム１２００は、（「輝度Ｉ）とラベル付けされている）横座標１２０２と、（「確率ｐ」とラベル付けされている）縦座標１２０４とを含む。それぞれ、単位は任意である。

確率関数p = h(I)を示す軌跡１２０６は、臓器の柔組織に関する極大値１２０８を含み、この極大値１２０８は、値G_MIN１２１０及び値G_MAX１２１２によって囲まれる。一実施形態では、極大値は、最高輝度から最低輝度まで検査され、環境[G_MIN, G_MAX]によって区切られた第1の極大値が選択される。この第1の極大値は、少なくとも画像ボクセルの所定の閾値割合（おそらく調整可能）を含む。

例えば５％といった所定の閾値割合値を用いれば、小さいが非常に明るい非臓器領域に対応する極大値及び関連環境の選択を回避することができる。他の目的のため、或いは、適正なモデルを持つ様々な臓器タイプを登録するために、他の基準を用いても良い。軌跡１２０６は、肝臓の記述を含む典型的なデータを表わしている。

輝度閾値G_MIN１２１０及びG_MAX１２１２が確立された後に、データを閾値処理する。つまり、輝度閾値G_MIN１２１０及びG_MAX１２１２によって表わされた範囲内にある輝度値を有するデータ（ボクセル）が、さらに処理されるべく、識別される。

図１３は、上述した画像と同様であるが、本発明の実施形態に従い、図１２の輝度限界G_MIN１２１０及びG_MAX１２１２によって、入力画像データに閾値処理を加えた画像１３００を示す。それらの輝度限界で設定された範囲内のデータエレメント又はボクセルは、図１３において白色領域１３０２で表わされている。つまり、その範囲外の輝度を有するエレメントやボクセルは、画像１３００において暗い部分として表わされている。

図１４は、本発明の実施形態に従って、図１３の閾値処理画像データ１３０２上の３次元距離マップ１４００の例を示す。矢印１４０２によって示され、白色領域１３０２によって表現された輪郭内にある領域は、距離を割り当てられ、最大距離値は、例えばボクセルやピクセルといったデータの量に割り当てられる。この領域は、肝臓柔組織を表わすデータエレメントを示す。逆に、この距離値は、図４のフローチャート４００のブロック４３０で決定された確率マップの最高値にマッチする。

一実施形態では、従来の多次元近似変換を用いてレジストレーションを実行する。一実施形態では、モデルと算出されたディスタンスマップとの間の距離の二乗を最小化することによりレジストレーションの計量及び最適化を図る。次に、処理はブロック１１２５に進む。

ブロック１１２５において、プロセス１１００は、測定データの範囲内で調べた臓器のコア領域を対象とする。この主のコア領域の例は、以下のように図１５に示されている。

図１５は、臓器１５０２（ここでは例として肝臓）及び肝臓表現１５０２のコア領域１５１８を取り囲む境界１５１３を表わすデータエレメント画像１５００を示す。脈管１５３０は、画像１５００中、非常に明るいスポットとして現われている。コア領域１５１８内に表現され或いは含まれるデータエレメント、及び境界１５１３に対応するデータエレメントは、図１１にフローチャートに例示したプロセス１１００のブロック１１２５を参照にして、本発明の実施形態に従い、上述されたように決定される。

コア領域１５１８は、領域成長のために用いられるシード領域となる。閾値処理画像データ（図１３の領域１３０２に表わされたもの）は浸食処理され、小領域が削除される。本例のように対象となる臓器が肝臓である場合、肝臓は、最も大きな体積を有する腹部内の臓器であるため、比較的大きな半径を有する球体が、その浸食処理のために用いられる。ボクセルデータを浸食処理した後、最大の連続領域は、セグメンテーション用のシード領域１５１８として選択される。

この領域１５１８は、肝臓ボクセルの中でも高い信頼性を有するボクセル群を含み、肝臓組織を表わすいくつかのボクセルを排除するが、同時に、腫瘍や脈管構造といった他の構成に対する全てのボクセルを排除する。本コア領域１５１８内のボクセルは、次に、腫瘍や脈管構造を含まない臓器柔組織の輝度統計値L_MINとL_MAXを決定するために用いられる。肝臓柔組織統計値L_MIN、L_MAXは、図１１のブロック１１３０に関する記載と図１２とを参照して上述したグローバル輝度統計値G_MIN、G_MAXのサブセットを構成する。言い換えれば、G_MIN

L_MINかつG_MAX

L_MAX.である。

肝臓組織のＭＲ画像は、イメージング処理の特性に起因して、及び、病変及びアーティファクトが存在する結果、比較的不均一である。また、肝臓組織の部分の中には、隣接臓器とよく似た輝度特性を有するものもあるし、そうでない肝臓組織の部分もある。つまり、これらの要因が組み合わされるため、単一の輝度統計値群を用いた、肝臓柔組織を表わすＭＲＩデータエレメントの特徴化は最も困難であり、通常は不可能である。肝臓組織をあらわすＣＴデータは、肝臓の全ボリュームを含む輝度特性の単一セットを、他の識別特性から導かれた特性と共に用いてうまく特徴化される。

結果として、各解剖学的区域S_iに関連する統計値、つまり、統計値対S_{MIN_i}とS_{MAX_i}（ここでｉは、８つの肝臓区域の１つを表わすインデックスである）を用いて、少なくとも図８乃至図１０で前述したクイノー区分などのように、肝臓の異なる部分をセグメント化すれば、そのような組織を表わすＭＲＩデータの特徴化及びセグメント化をしようとする場合に発生する問題のうち、少なくともいくつかを解決することができる。８つの統計値対S_{MIN_i}とS_{MAX_i}のそれぞれは、インデックスを付加された区域S_iに対してのみ適用でき、その統計値対のそれぞれは、脈管、腫瘍組織或いは周辺組織を表わすボクセルと共に、肝臓柔組織を含む一部からのボクセルのみを用いて算出される。

その結果、各サブセットS_{MAX_i} and S_{MIN_i}のための統計データの範囲は、L_MINと L_MAXで区切られる肝臓柔組織の輝度範囲より狭くてもよい。またその統計データの範囲は、G_MINとG_MAXで区切られるグローバル統計範囲より広くても良い。或いは、その統計データの範囲は、G_MIN及びL_MINの一方又は両方よりも小さい最低値を有する範囲内のどこかにあってもよい。或いは、その統計データの範囲は、G_MAX及びL_MAXの両方又は一方よりも大きな最大値を有する範囲内のどこかにあってもよい。ローカルな環境及び病理に応じて、これらの範囲の何れか又は両方の外側（又は内側）の両極値の１つを有する範囲に何らかの方法で上記統計データを配置しても良い。ローカルな統計データにおけるこのセット{S_MIN_i, S_MAX_i}をプロセス１１００のブロック１１３０で算出した後、処理はブロック１１３５に進む。

ブロック１１３５においては、プロセス１１００は、ブロック１１３０において計算された統計データを用いて、臓器を表わすボクセルデータをセグメント化する。隣接ボクセルの輝度が閾値(V_MIN, V_MAX)に対応するか否か、各ボクセルを調べる。閾値V_MINと V_MAXは以下のように求められる。
V_MIN = S_{MIN_i} + |S_{MIN_i}- L_MIN|

(1.0 - p) …数式１
V_MAX = S_{MAX_i} - |S_{MAX_i}- L_MAX|

(1.0 - p) …数式２
ここで、pは（すなわち図４のブロック４３０を参照して記載され、図１４及びその説明を参照して記載され、ブロック１１２０に関して記載された）モデルから求められ、処理すべきボクセルに属する確率値である。

数式１及び２の関係により、（区域S_iのそれぞれから算出されたS_{MIN_i} とS_{MAX_i}）ローカルな統計データと臓器コアボクセル輝度範囲の境界を形成する他の統計データ（コア肝臓領域１５１８、つまりL_MIN とL_MAX）との間でバランスを取ることが可能となる。「ｐ」のより大きな値は、高い又は増加する確率値を示す。調査されるボクセルは、肝臓組織（又は調査される臓器に応じた他の臓器組織）を表わす。

図１６乃至図１８は、それぞれ軸状断１６００、矢状断１７００及び冠状断１８００を示す。これらは、図１４に表わされた多次元データから求められた典型的な２次元断面図に対応する。またこれらは、本発明の実施形態に従って、図１１のプロセス１１００によるセグメンテーションの後で、セクションＩＩＩの図４を参照して説明したように生成されたモデルに登録される。図１６乃至図１８によって提供される透視図１６００、１７００及び１８００は、それぞれ、ブロック１１３５を参照して記載された結論を提供する処理までに、プロセス１１００の結果としての直交２次元可視化を提供する。

図１６は、セグメント化されたモデルに対する登録後のボクセルデータを用いた軸状断画像１６００を表わす図である。軸状断１６００は、セグメンテーションライン１６０１を示す（これらのうちの３つのみが、１６０１という符号を用いて明確にラベル付けされているが、これは図面を単純化して理解を簡単にするためである）。このセグメンテーションライン１６０１は、臓器画像１６０２を５つの区域１６０８、１６１０、１６１２、１６１４及び１６１６に分割する。これらは、８つのクイノー区域S_iのうち臓器１６０２がセグメント化された５つの区域を示している。隣接臓器１６１７は、セグメント化ボクセルデータから明確に除かれ、非常に明るい領域１６３０が臓器１６０２内に存在するように示される。

図１７は、セグメント化モデルに対して登録されたボクセルデータを用いた矢状断画像１７００を示す図である。矢状断画像１７００は、セグメンテーションライン１７０１を示す（１つのみが、１７０１という符号を用いて明確にラベル付けされているが、これは図面を単純化して理解を簡単にするためである）。このセグメンテーションライン１７０１は、臓器画像１７０２を４つの区域１７０８、１７１０、１７１２、１７１４に分割する。これらは、８つのクイノー区域S_iのうち臓器１７０２をセグメント化した４つの区域を示している。

図１８は、セグメント化モデルに対して登録されたボクセルデータを用いた冠状断画像１８００を示す図である。冠状断画像１８００は、セグメンテーションライン１８０１を示す（１つのみが、１８０１という符号を用いて明確にラベル付けされているが、これは図面を単純化して理解を簡単にするためである）。このセグメンテーションライン１８０１は、臓器画像１８０２を４つの区域１８０８、１８１０、１８１２、１８１４に分割する。これらは、８つのクイノー区域S_iのうち臓器１８０２をセグメント化した４つの区域を示している。

処理は次にブロック１１４０に進む。ブロック１１４０において、プロセス１００は、データの後処理を実行する。処理は次に、ブロック１１４５に進む。臓器組織のセグメンテーションを示す結果、つまり、調査対象としての臓器を表わすボクセルと、腹部の周辺部位との違いについて、図１９乃至図２１を参照して以下に示す。

図１９乃至図２１は、それぞれ、軸状断１９００、矢状断２０００、及び冠状断２１００に対応する２次元断面図を表わす。これらは、本発明の実施形態に従って、モデルベース領域の成長アルゴリズムを行なった結果を表わす多次元データ体によって生成される。これらの画像は、セグメント化された臓器（それぞれ肝臓１９０２、２００２、２１０２）の周りに境界線１９０１、２００１、２１０１を示しており、臓器から延びた組織からと同様に周辺組織からも識別できる。

図１９は、図１６の軸状断１６００と同様に、セグメント化されたボクセルデータを用いて生成された軸状断１９００を表示する画像である。軸状断画像１９００は、例えば臓器１９１７（図１６の臓器１６１７に類似）のような他の隣接する部分から臓器１９０２を表わすボクセルデータを識別するセグメンテーション境界線１９０１を示している。臓器１９０２の極小部１９２０は、境界線１９０１の外側に存在する。しかし、図１６の類似特徴部分１６３０とは対照的に、明るい特徴部分１９３０は、臓器１９０２を示すボクセルデータから境界線１９０１によって明確に排除されている。

図２０は、セグメント化ボクセルデータを用いた矢状断２０００を示す画像である。矢状断画像２０００は、セグメンテーション境界線２００１を示している。セグメンテーション境界線２００１は、臓器画像２００２を、他の臓器２００５から切り離す。セグメント化された臓器の柔組織２００２内に２００７のような不均質データが含まれる。

図２１は、セグメント化されたボクセルデータを用いた冠状断２１００を示す画像である。冠状断画像２１００は、臓器画像２１０２を２つの区域に分けるセグメンテーション境界線２１０１を示す。特に、（図１５の断面１５３０及び図１９の断面１９３０に対応する）図２１の長尺部２１０３は、臓器２１０２の柔組織を通過する脈管である。そして、その脈管は、境界２１０１により臓器の柔組織から明確に区別される。これは、図１９の断面図１９３０も同様である。

ブロック１１４５において、プロセス１１００は、図１９、図２０、及び図２１に示すように、処理済みのセグメント化されたボクセルデータを出力する。図１のディスプレイ１４２等のディスプレイを介して、又は、ハードコピー機構１４６からのハードコピーを介して、その画像を審査するためである。後でレビュー等するために、図１の大容量記憶装置１５４や可搬記憶装置１５８などの大容量記憶媒体を用いてそのボクセルデータを格納することもできる。或いは、図１のデータリンク１５２等のデータリンクを介して、他の設備又はシステムに、そのボクセルデータを送信しても良い。処理は次に、ブロック１１５０に進み、プロセス１１００は終了する。様々な処理（例えば１１１５、…、１１４５）は、これらの処理を実行できるように構成された装置又はモジュールに対応しても良い。或いは、コンピュータ可読命令を含むコンピュータコードモジュールとしてプログラムされても良い。それらの処理が１つ以上のプロセッサ（例えば前述した図１の１３０又は後述の図２２の２２０４）によって実行される場合、そのコンピュータ可読命令は、その１つ以上のプロセッサに、対応する動作を実行させる。

本明細書に記載されたアプローチにより、アーティファクトを表わすボクセルを、ロバストにかつ正確に処理できるという効果を享受できる。アーティファクトを表わすボクセルは、セグメント化された臓器ボクセルデータの境界内における病変を表わすボクセルを含む。ここで、臓器内（ここでは例として肝臓）に病変が存在する可能性は高い。同様に、開示された方法論では、ＣＴデータ又はＭＲＩデータを自動特徴化又は自動セグメント化しようとする従来のアプローチでは観察されていた、大きなオーバーセグメンテーションをなくすことができる。しかし、それは意図したものではない、或いは、ＣＴデータ測定モダリティとＭＲＩデータ測定モダリティとの両方からデータを扱うことができる。

ここで記述され開示される態様は、図４と図１１を参照して上述したようなプロセスを介して実現されうる。図４及び図１１のプロセス４００、１１００は、（例えば、上述した図１の記憶装置１５０又は可搬記憶装置）コンピュータ可読媒体にコンピュータ可読コードとして埋め込まれたコンピュータ可読命令によって実現されても良い。そして、コンピュータ可読命令を１つ以上のプロセッサ（例えば図１のコンピュータ１３０及び／又は画像処理エンジン１３８）が実行する場合、そのコンピュータ可読命令は、その１つ以上のプロセッサに、プロセス４００又は１１００を用いて上述した動作を実行させる。これは、様々な臓器及び病理を示すデータセットを自動的にセグメント化するためである。データセットは、ピクセルデータ、ボクセルデータ又は他の表現形式のデータを含む。またデータセットは、患者の解剖学的（そしてしばしば内部の）態様を表現するデータを収集する目的で開発された、多くの様々なタイプの器具の何れかから導かれてもよい。

図１１のプロセス１１００は、改良され、自動化されたデータセットのセグメンテーションを提供する。このデータセットは、いくつかの異なるデータ収集モダリティの何れかによって形成される。解剖学的データから潜在的に病理が存在することを明確に識別し、後に定量化することを促進できる。この種のプロセスの実行にコンピュータを利用する例について、以下のセクションＶにおいて説明する。

＜セクションＶ：ハードウェア及び動作環境＞
図２２は、本発明の実施形態に従い、図１の環境で用いることのできる、汎用コンピュータ環境２２００の例を示す。この汎用コンピュータ環境２２００は、上述したプロセスを実行できるコンピュータリソース２２０２を含む。この代わりに、図２２で示されたものよりも、多くの構成又は少ない構成を有する他のデバイスを用いても良い。

図示された動作環境２２００は、適切な動作環境の一例に過ぎない。そして、図２２を参照して記載された本例は、本明細書の実施形態の用途や機能の範囲を何ら限定しようとするものではない。他の周知のコンピュータシステム、環境、及び／又は構成も、ここに開示された発明の実施及び／又は適用に適し得るものである。

コンピュータリソース２２０２は、１つ以上のプロセッサ又はプロセッシングユニット２２０４とシステムメモリ２２０６とを有する。また、コンピュータリソース２２０２は、システムメモリ２２０６を含む様々なシステム構成をプロセッサ２２０４及びこの環境２２００の他の構成に接続するバス２２０８を含む。バス２２０８は、メモリバスやメモリコントローラ、ペリフェラルバス、アクセラレーテッドグラフィックスポート、並びに様々なバスアーキテクチャの何れかを用いるプロセッサ又はローカルバスを含むいくつかのタイプのバス構成の何れか１つ以上を表わす。そして、このバス２２０８は、ＳＣＳＩ（small computer system interconnect）や他の従来のバスアーキテクチャ及びプロトコルとの互換性を有してもよい。

システムメモリ２２０６は、不揮発性リードオンリメモリ（ＲＯＭ）２２１０とランダムアクセスメモリ（ＲＡＭ）２２１２とを含むが、揮発性メモリエレメントを含んでも含まなくてもよい。ベーシック入出力システム（ＢＩＯＳ）２２１４はＲＯＭ２２１０に格納されている。このＢＩＯＳ２２１４は、コンピュータリソース２２０２内のエレメント間での情報の転送を助けるエレメンタリールーティンを含み、外部アイテムと共に、通常はスタートアップ時にオペレーティングメモリに呼び出される。

コンピュータリソース２２０２は、さらに、ハードディスクドライブとして図２２に示されているような不揮発性のリード／ライトメモリ２２１６を含んでも良い。このメモリ２２１６は、データメディアインタフェース２２１７（例えばＳＣＳＩ、ＡＴＡ、又は他のタイプのインタフェース）を介してバス２２０８に接続されている。コンピュータリソース２２０２は、読み出し対象又は書き込み対象としての磁気ディスクドライブ（不図示）を含んでも良い。また更に、コンピュータリソース２２０２は、リムーバブル磁気ディスク２２２０（図１の可搬記憶装置１５８に類似）を含んでも良い。そしてまた、読み出し対象又は書き込み対象としての光学ディスクドライブ（不図示）を含んでも良い。ＣＤ、ＤＶＤといったリムーバブル光学ディスク２２２６又は他の光学メディア（可搬記憶装置１５８にも類似）を含んでも良い。

不揮発性リード／ライトメモリ２２１６及び関連するコンピュータ可読メディアは、コンピュータ可読命令、データ構造、プログラムモジュール、及びこのコンピュータリソース２２０２の他のデータを不揮発的に記憶する。ここに示される例示的な環境２２００では、不揮発性リード／ライトメモリ２２１６とリムーバブル磁気ディスク２２２０とリムーバブル光ディスク２２２６とを用いているが、当業者で合えば、データを格納できる他のタイプのコンピュータ可読メディアを用いても良いことは正しく理解されるであろう。そのような他のタイプのコンピュータ可読メディアとしては、磁気カセット、ＦＬＡＳＨメモリデバイス、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、ライトワンスリードメニーメモリ（ＷＯＲＭ）等が挙げられる。

不揮発性リード／ライトメモリ２２１６、磁気ディスク２２２０、光ディスク２２２６、ＲＯＭ２２１０、又はＲＡＭ２２１２に対して多くのプログラムモジュールを格納してもよい。多くのプログラムモジュールには、オペレーティングシステム２２３０、１つ以上のアプリケーションプログラム２２３２、他のプログラムモジュール２２３４及びプログラムデータ２２３６が含まれる。従来から、３次元及び／又は２次元医療画像データを処理するために従来からいくつかのコンピュータオペレーティングシステムが用いられている。このオペレーティングシステムには、NUCLEUS（登録商標）オペレーティングシステム、LINUX（登録商標）オペレーティングシステムが含まれる。そして、例えば、C++（登録商標）コンピュータプログラム言語によって記述されたコードモジュールを用いて、アプリケーションプログラム２２３２をサポートする能力を提供するその他のものも含まれる。

ユーザは、入力メディア２２３８（例えばキーボード／キーパッド、接触入力又はポインティングデバイス、マウス、足で動作させるスイッチ装置、いわゆる「ラット」、ジョイスティック、タッチスクリーン、タッチパッド、マイク、アンテナなど、図１のユーザ入力インタフェース１４４に類似のもの）のような入力デバイスを用いて、コンピュータリソース２２０２にコマンド及び情報を入力しても良い。それらの入力デバイス２２３８は、従来の入力／出力インタフェース２２４２を介して、プロセッシングユニット２２０４に接続され、さらに同様にシステムバス２２０８に接続される。モニタ２２５０又は他のタイプのディスプレイデバイスは、ビデオアダプタ２２５２といったインタフェースを介して、システムバス２２０８に接続される。

コンピュータリソース２２０２は、リモートコンピュータ２２６０のような１つ以上のリモートコンピュータに対し論理的に接続して、ネットワーク環境（不図示）において動作する機能を有しても良い。リモートコンピュータ２２６０は、パーソナルコンピュータでも、サーバでも、ルータでも、ネットワークＰＣでも、ピアデバイスでも、或いは他の公共のネットワークノードでもよく、通常、コンピュータリソース２２０２に関して上述したエレメントの全て又は多くを含む
ネットワーク環境では、コンピュータリソース２２０２に関連するプログラムモジュールが、又は、その一部が、リモートメモリストレージデバイスに格納され、リモートコンピュータ２２６０に関連付けられる。例として、リモートアプリケーションプログラム２２６２は、リモートコンピュータ２２６のメモリデバイス上に置かれる。図２２に示された論理接続はインタフェース機能を含む。インタフェース機能とは、例えば、インタフェース機能１５２（図１）、ストレージエリアネットワーク（ＳＡＮ、図２２には不図示）、ローカルエリアネットワーク（ＬＡＮ）２２７２、及び／又はワイドエリアネットワーク（ＷＡＮ）２２７４といったものが含まれるが、他のネットワークを含んでも良い。

そのようなネットワーク環境は、近代コンピュータシステムにおいてよく知られており、イントラネットとインターネットに関連付けられている。実施形態としては、コンピュータリソース２２０２が、マイクロソフトコーポレーションによって製造され配布された"Internet Explorer（登録商標）"ウェブブラウザなどの、インターネットウェブブラウザプログラム（オプションとして、オペレーティングシステム２２３０に組み込まれてもよい）を実行する。

ＬＡＮ接続環境に用いられる場合、コンピュータリソース２２０２は、ネットワークインタフェース又はアダプタ２２７６を介してローカルエリアネットワーク２２７２と又はそれを介して通信を行なう。ＷＡＮ接続環境に用いられる場合、コンピュータリソース２２０２は、通常、モデム２２７８のようなインタフェース又は他の装置を含み、インターネットのようなＷＡＮ２２７４と又はそれを介して通信を行なう。内部又は外部にあるモデム２２７８は、シリアルポートインタフェースを介してシステムバス２２０８に接続される。

ネットワーク環境においては、コンピュータリソース２２０２と関連して表わされたプログラムモジュール２２６２又はその一部が、リモートコンピュータ２２６０内のメモリに格納されていても良い。ここで示されたネットワーク接続は、例示にすぎず、様々なコンピュータシステム又はエレメント間で１つ以上の通信リンクを確立する手段を用いても良い。

リモートコンピュータ２２６０などの１つ以上のリモートコンピュータに対するローカル接続を用いたネットワーク環境１００においてコンピュータを利用しても良い。リモートコンピュータ２２６０は、パーソナルコンピュータ、サーバ、ルータ、ネットワークＰＣ、ピアデバイスまたは他の通信ネットワークノードであってもよい。通常、リモートコンピュータ２２６０は、図２２のコンピュータ２２００に関して述べたエレメントの多く又はその全部を含む。

コンピュータリソース２２０２は、通常、少なくとも何らかのコンピュータ可読メディアを含む。コンピュータ可読メディアは、コンピュータリソース２２０２によってアクセスされる如何なる利用可能な媒体であってもよい。例としては、コンピュータ可読メディアは、コンピュータ記憶媒体及び通信媒体を含んでも良いがこれに限定されるものではない。

コンピュータ記憶媒体は、コンピュータ可読命令、データ構造、プログラムモジュールなどのデータを記憶する如何なる方法又は技術において実現される、揮発性の及び不揮発性の、可搬性の及び不可搬性の媒体を含む。「コンピュータ記憶媒体」は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ，ＦＬＡＳＨメモリ又は他のメモリ技術、ＣＤ、ＤＶＤ、他の光記憶装置、磁気カセット、磁気テープ、磁気ディスク装置又は他の磁気記憶装置、或いはコンピュータが扱うことのできる情報を記憶するために用いられ、コンピュータリソース２２０２によってアクセスできる他の如何なる媒体をも含む。

通信メディアは、一般的に、コンピュータ可読命令、データ構造、プログラムモジュール又は他のデータを収容する。これらは、搬送波又は他の転送メカニズムのような変調データ信号を介して現われ、そこから確定できる。また、通信メディアは、如何なる情報配信媒体をも含む。「変調データ信号」は、１つ以上の特徴を有し、或いはコンピュータの解釈に応じたやり方で信号中の情報をエンコードするように変更される信号を意味する。

例として、通信メディアは、有線ネットワークやダイレクト有線接続などの有線媒体及び音声、ＲＦ、赤外線などの無線媒体を含むがこれに限定されるものではない。コンピュータ可読媒体の範囲は、上述の何れかの組み合わせを含む。

コンピュータ２２０２は、モジュール１１０（図１）の１つ以上のコントロールセグメント、コンピュータ１３０、オペレータ操作部１４０及び／又はデータ取得調整モジュール１６０として機能する。これは、例えば、１つ以上のコンピュータプログラムモジュールとしての、図４と図１１にそれぞれ記載されたプロセス４００及び１１００の実現によるものであり、ここに開示された実質的な効果を有利に提供する。これらの特徴及びその効果を要約した結論が、以下のセクションＶＩに示される。

＜セクションＶＩ：結論＞
開示した例は、多くの有用な構成を組み合わせたものであり、近代の病院設備における長所を提供する。これらの例は、他の事例のなかで、病変、特に肝臓の病変をセグメント化して測量する際に、異なるデータ測定モダリティ間での連続性欠如と相違によって起こるキーとなる問題を解決する。異なる測定技術からのデータを処理するのが困難なのは、多くの要因がある。例えば、異なる測定方法で取得したコントラスト比の違いが挙げられる。また、造影剤の注入のタイミングの違い、及び／又はその位相のタイミングの違いにより、病変のコントラスト取込に様々な不一致を含むことも挙げられる。さらにイメージングの不一致を含むことも挙げられる。局部的に導かれた統計値をこれらの各区域を表わすデータに適用するため、本明細書で示唆されているように、異なる解剖学的重要部分の違いを伴うロバストなモデルを組合せることによって、強固で正確な臓器組織の測量及びセグメンテーションを提供する。これは、大きな病変及び他の特異な態様があると、従来の分析は不十分で利用できないような例をも含む。つまり、これは、成長／変化分析、手術計画、放射線治療計画及び他の目的に利用できる、一貫したセグメンテーション及び測量を改良するものである。

加えて、画像データ表現のための既存のツールとモードを両立させることにより、そして、従来の画像データの格納と交換の標準的方法を両立させることにより、これらの目的のために開発された既存のモジュールと相互運用を容易に行なうことができ、統合手術ナビゲーションといった新しいアプローチとの互換性をも容易に促進できる。また、開示した特性によれば、既存システムとの互換性から利益を得ることができ、従って、他の従前のオペレータ訓練と同様の作業により、スピードが重視されるシナリオにおいて起こりうるようなエラーの可能性を減らすことができる。

ここでは特定の実施形態について述べてきたが、同じ目的を達成するために考えられるどのようなアレンジをも、ここで示された特定の実施形態の代わりに用いることができることは、当業者であれば、容易に理解できるであろう。本開示は、どのような改良又はバリエーションをもカバーしようとするものである。例えば、手続的事項について説明したが、当業者であれば、手続き的な設計環境又はその要求関係を提供する他の設計環境においても、実現が可能である。

特に、当業者は、プロセス及び装置の名前や符号は、実施形態を限定するものではないことを十分理解できるであろう。さらには、追加的なプロセス及び装置を構成に付加できるし、機能をその構成内で再アレンジすることもできるし、更なる改良に対応する新しい構成及び実施形態で用いられる物理デバイスを、実施形態の範疇から逸脱することなく導入することもできる。実施形態はさらなる通信デバイス、異なるファイルシステム、及び新しいデータタイプに適用可能であることは、当業者であれば、容易に理解できるであろう。本明細書で用いられている単語は、全てのオブジェクト指向のデータベース並びに通信環境、さらには、ここで記載された同じ機能を提供する他の技術を含むことを意味する。

100 データ収集システム
108 イメージングモダリティのメニュー
110 複数のイメージング／アセスメントモダリティ
112 ＣＴシステム
114 ＭＲＩシステム
116 超音波システム
118 Ｘ線血管造影システム
120 データバス
122 データ取得調整モジュール
124 データバス
130 コンピュータ
132 データバス
134 コンソールバス
136 データバス
138 画像／信号処理エンジン
140 オペレータ操作部
142 ディスプレイ
144 ユーザ入力インタフェース
150 メモリシステム
154 大容量記憶装置
156 可搬記憶装置用ポート
157 インターコネクション
158 可搬記憶装置
170 電源
172 パワーバス
174 電源コントローラ
200 ＣＴスキャン画像
202 肝臓柔組織
204 筋肉
205 骨
300 ＣＴスキャン画像
302 肝臓柔組織
304 筋肉
305 骨
307 脾臓
309 血管構造又は網状組織
400 処理フローチャート
405 処理開始
410 セグメント化された臓器ボリュームの収集
415 正規化画像データ
420 参照臓器ボリュームを選択
425 リファレンスにボリュームを登録
430 確率マップを生成
435 解剖学的特徴を追加
440 データ出力
445 終了処理
500 確率マップ画像
502 軸状断
503 中心部（軸状断）
505 連続的に半径方向外側に広がる第１輪状部
507 連続的に半径方向外側に広がる第２輪状部
509 連続的に半径方向外側に広がる第３輪状部
511 連続的に半径方向外側に広がる第４輪状部
600 確率マップ画像
602 冠状断
603 中心部（冠状断）
605 連続的に半径方向外側に広がる第１輪状部
607 連続的に半径方向外側に広がる第２輪状部
609 連続的に半径方向外側に広がる第３輪状部
611 連続的に半径方向外側に広がる第４輪状部
700 確率マップ画像
702 矢状断
703 中心部（矢状断）
705 連続的に半径方向外側に広がる第１輪状部
707 連続的に半径方向外側に広がる第２輪状部
709 連続的に半径方向外側に広がる第３輪状部
711 連続的に半径方向外側に広がる第４輪状部
800 画像
801 分割線
802 軸状断
808 第１区分
810 第２区分
812 第３区分
814 第4区分
816 第5区分
900 画像
901 分割線
902 矢状断
908 第1区分
910 第２区分
912 第３区文
914 第４区文
1000 画像
1001 分割線
1002 冠状断
1008 第１区分
1010 第２区分
1012 第３区分
1014 第４区分
1000 ＣＴスキャン画像
1003 肝臓
1005 筋肉
1007 脾臓
1100 フローチャート
1105 処理開始／データ受付
1110 モデル（図４から）
1115 モデル入力
1120 測定データをモデルに登録
1125 コア領域を決定
1130 統計を算出
1135 臓器ボリュームをセグメント化
1140 後処理
1145 データ出力
1150 処理終了
1200 確率対輝度ヒストグラム
1202 横座標
1204 縦座標
1206 代表データのトレース
1208 極大値
1210 G_MIN
1212 G_MAX
1300 画像
1302 閾値処理後のデータ
1400 距離マップ画像
1402 領域
1500 画像
1502 臓器
1513 コア領域の境界
1518 コア領域
1530 脈管
1600 区域モデルに登録されたデータの軸状断
1601 セグメンテーションライン
1602 臓器画像
1608 第１区域
1610 第２区域
1612 第３区域
1614 第４区域
1616 第５区域
1617 隣接する排除臓器
1630 臓器から排除される明るい領域
1700 区域モデルに登録されたデータの矢状断
1701 セグメンテーションライン
1702 臓器画像
1708 第１区域
1710 第２区域
1712 第３区域
1714 第４区域
1800 区域モデルに登録されたデータの冠状断
1801 セグメンテーションライン
1802 臓器画像
1808 第１区域
1810 第２区域
1812 第３区域
1814 第４区域
1900 領域成長処理結果の軸状断
1901 境界
1902 臓器（肝臓）
1917 隣接する排除臓器
1920 臓器の排除部分
1930 ブライトスポット
2000 領域成長処理結果の矢状断
2001 境界
2002 臓器（肝臓）
2005 隣接する排除臓器
2007 臓器に含まれる不均一部分
2100 領域成長処理結果の冠状断
2101 境界
2102 臓器（肝臓）
2103 隣接する排除された血管部分
2200 システム環境
2202 コンピュータリソース
2204 プロセッサ
2206 システムメモリ
2208 バス
2210 不揮発性メモリ
2212 揮発性メモリ
2214 ＲＯＭ
2216 マスストレージ
2217 データメディアインタフェース
2220 リムーバブル磁気ディスク
2226 リムーバブル光ディスク
2230 オペレーティングシステム
2232 アプリケーションプログラム
2234 他のプログラム
2236 プログラムデータ
2238 入力媒体
2242 入出力インタフェース
2250 モニタ
2252 ビデオアダプタ
2260 リモートコンピュータ
2262 リモートアプリケーションプログラム
2272 ローカルエリアネットワーク
2274 ワイドアエリアネットワーク
2276 ネットワークインタフェース
2278 モデム

Claims (10)

1. 対象の少なくとも一部を特徴付ける多次元データを分析するシステム（１００）であって、
   複数タイプのデータソース（１０８）から導かれた、少なくとも１つの多次元データセットを含むデータセットを受け付ける入力モジュール（１２２）と、
   前記入力モジュール（１２２）に接続され、前記入力モジュール（１２２）から入力データセットを受け付ける登録モジュール（１３８、１１２０）であって、入力モジュール（１２２）から受け付けた前記入力データセットを、選択された解剖学的モデル（１１１０）に対して登録し、登録データセットを提供する登録モジュール（１３８、１１２０）と、
   前記登録モジュール（１３８、１１２０）に接続され、前記登録データセットを前記登録モジュール（１３８、１１２０）から受け付ける処理モジュール（１３８、１１２５）であって、前記登録データセット内のコア領域（１５１８）と関連コア領域情報とを決定し（１３８、１１２５）、前記コア領域情報と前記登録データセットとを用いて、前記登録データセットの閾値特性を計算する処理（１３８、１１３０）を行なう処理モジュール（１３８、１１２５）と、
   前記処理モジュール（１３８、１１２５）に接続され、前記登録データセット、前記処理モジュール（１３８、１１２５）からの前記コア領域情報、並びに前記閾値特性を入力し、前記登録データセットをセグメント化して、前記登録データセットと前記コア領域情報とから臓器のセグメント化記述を提供するセグメンテーションモジュール（１３８、１１３５）と、
   を備え、
   セグメント化された前記登録データセットは、前記対象の前記臓器の特徴を記述することを特徴とするシステム（１００）。
2. 前記臓器は前記対象の肝臓（２０２、３０２）であることを特徴とする請求項１に記載のシステム（１００）。
3. 前記入力データセットは、ボクセルデータであって、前記データソース（１１０）は、コンピュータ断層撮影システム（１１２）、核磁気共鳴イメージングシステム（１１４）、超音波イメージングシステム（１１６）又はＸ線血管撮影システム（１１８）を含むグループから選択されることを特徴とする請求項１に記載のシステム（１００）。
4. 前記入力データセットは、コンピュータ断層撮影システム（１１２）からのボクセルデータであって、前記解剖学的モデル（１１１０）は、人間の肝臓（２０２、３０２）のモデル（１１１０）であることを特徴とする請求項１に記載のシステム（１００）。
5. 前記入力データセットは、核磁気共鳴イメージングシステム（１１４）からのボクセルデータであって、前記ボクセルデータは、比較的単一な輝度データを表わす柔組織を有する臓器を記述し、前記臓器は、同様に比較的に単一な輝度データを表わす組織内に存在することを特徴とする請求項１に記載のシステム（１００）。
6. 前記モデル（１１１０）は、複数の臓器モデルのライブラリから選択されることを特徴とする請求項１に記載のシステム（１００）。
7. 前記モデル（１１１０）は、複数の対象の測定から得られた測定データセットを用いて予め構築（４００）されたものであって、
   各データセットについて臓器ボリュームを判定するため、各測定データセットを評価し（４１０）、
   評価された前記臓器ボリュームを正規化する、ここで、各臓器ボリュームを変換して、単一のボクセル間隔を有する正規化ボクセル表現を生成し（４１５）、
   参照臓器ボリュームとして平均臓器ボリュームを選択し（４２０）、
   前記参照臓器ボリュームに前記正規化ボクセル表現のそれぞれを登録することにより登録ボクセルデータを提供し（４２５）、
   前記登録ボクセルデータを合計して、合計ボクセルデータセットを求め、
   臓器タイプに対応した前記モデル（４００、１１１０）に含まれる確立マップ（５００、６００、７００）を提供するために、前記合計ボクセルデータセットを正規化する（４３０）ことを特徴とする請求項1に記載のシステム（１００）。
8. コンピュータ可読コードが書き込まれたコンピュータ可読媒体（１５０、１５４、１５８、２２０６、２２１６、２２２０、２２２６）を備えた製品を含む装置であって、
   前記コンピュータ可読コードは、コンピュータ可読命令を含み、
   前記コンピュータ可読命令は、１つ以上のプロセッサ（１３０、２２０４）によって実行される際に、その１つ以上のプロセッサ（１３０、２２０４）に対して、
   複数タイプ（１０８）のデータソース（１１２、１１４、…、１１８）のいずれかから導かれた、少なくとも１つの多次元データセットを含むデータセットを、前記入力モジュール（１２２）を用いて入力する処理（１１０５）と、
   前記入力モジュール（１２２）からのデータセットのデータの少なくとも一部を、選択された解剖学的モデル（１１１０）に登録し（１１２０）、登録データセットを提供する処理と、
   前記登録データセットを処理して（１１２５）、前記登録データセット内でコア領域を決定する処理と、
   関連するコア領域統計情報を算出する処理（１１３０）と、
   前記コア領域統計情報と登録データセットを用いて、登録データセットの統計上の特徴を算出する処理（１１３０）と、
   を実行させ、
   セグメント化された前記登録データセットは、前記対象の前記臓器の特徴を記述することを特徴とする装置。
9. 前記コンピュータ可読命令は、１つ以上のプロセッサ（１３０、２２０４）によって実行される場合には、１つ以上のプロセッサ（１３０、２２０４）に、登録処理（１１２０）を実行させ、さらに、前記１つ以上のプロセッサ（１３０、２２０４）によって実行される場合には、
   合計画像ボクセル数の所定割合を超える数の画像ボクセルを表す環境 [G_MIN, G_MAX] を有する第１のローカル最大値に関連付けられたグローバル輝度統計値（Ｇ）のセットを求めるために、最大輝度値から最小輝度値に向かって輝度統計値のセット全体（Ｔ）を処理することにより、脈管構造、腫瘍組織、又は臓器の外側からの組織を表すボクセルを含み得る統計値であって、臓器データを表わすボクセルに対して適用可能な統計値を含み、下界G_MIN及び上界G_Maxを有する、グローバル輝度統計値（Ｇ）のセットを決定するステップ（１１３０）と、
   前記グローバル輝度統計値のセット（G_MIN, G_MAX）内に収まる、ボクセルセット（Ｖ）を選択するため、前記登録データセットを閾値処理するステップと、
   前記ボクセルセット（Ｖ）に対応する３次元距離マップ（１４００）を生成するステップと、
   相似変換を用いて、臓器モデルボクセルに対し前記ボクセルセット（Ｖ）からの画像ボクセルデータを関連づけるステップと、
   登録データセットを提供するため、臓器モデルと距離マップ（１４００）との違いの二乗合計を最小化するステップと、
   を前記１つ以上のプロセッサ（１３０、２２０４）に実行させることを特徴とする請求項８に記載の装置。
10. 前記コンピュータ可読命令（１５０、１５４、１５８、２２０６、２２１６、２２２０、２２２６）は、１つ以上のプロセッサ（１３０、２２０４）によって実行される場合には、前記１つ以上のプロセッサ（１３０、２２０４）に、さらに、脈管構造と病理特性について記述したボクセル以外の、臓器組織を記述するボクセルのみで構成されることが分かっているコアボクセル（１５１８）を使用して、下界L_MIN及び上界L_Maxを有するコア統計値（Ｌ）のセットを算出する（１１３０）ステップを実行させることを特徴とする請求項８に記載の装置。