JP2011514190A - 画像内の解剖学的構造のセグメンテーションおよびモデリングのための方法およびシステム - Google Patents

Abstract

３次元脳スキャン画像（たとえば、ＭＲまたはＣＴ）内の１つ以上の脳室をセグメント化するための方法を提案する。前記画像は、１つ以上の脳室それぞれの脳モデルに対してレジストされる。各関心領域は、前記脳室モデルに基づいて画定される。対象領域は、前記関心領域において領域拡張手続きを適用することによって最初に得られるとともに、解剖学的知識に基づいてトリミングされる。１つ以上の対象の３Ｄ表面モデルは、セグメント化された構造から３Ｄ空間内に構築される。３Ｄ表面は、欠落している細部の特徴を示す、３Ｄ空間内の修正点をユーザが選択することによって、編集および改良される。次いで、選択された点に近い３Ｄ表面の領域は、修正点に向かってスムーズにワーピングされるとともに、修正されたパッチは、他の３Ｄ表面と組み合わされ、正確な解剖学的構造モデルを生成する。

Description

本発明は、画像内の解剖学的構造をセグメント化するための方法およびシステム、ならびにセグメント化された構造の３Ｄ表面モデルを構築するための方法およびシステムに関する。特定の適用例は、ＭＲ画像及びＣＴ画像などの医用画像における脳室系のセグメンテーションおよびモデリングである。

図１に示されているように、ヒト脳室系は、４つの相互連絡する室、すなわち左側脳室、右側脳室、第３脳室、および第４脳室で構成されている。脳質は、白質（ＷＭ）および灰白質（ＧＭ）によって囲まれた脳脊髄液（ＣＳＦ）で満たされている。大脳内に位置する２つの側脳室は、比較的大きくかつＣ字型で、大脳基底核の背側面をおおよそ包み込んでいる。各側脳室は、前角、下角、および後角を経由して前頭葉、側頭葉、および後頭葉にそれぞれ広がっている。側脳室は両方とも室間孔を経由して第３脳室（間脳内の中央に存在する）と連絡し、第３脳室は、中脳水道（中脳内に位置する）を経由して第４脳室（後脳内に存在する）と連絡する。図中の略語は、次のように定義される。すなわち、ＡＣ：前交連、ＢＣ：基底槽（脚間槽）、ＣＣ：脳梁、ＣＰ：大脳脚、ＣＱ：四丘体、ＨＰ：下垂体（脳下垂体）、ＩＣＶ：内大脳静脈（横裂内）、ＩＳ：漏斗茎、ＬＴ：終板、ＬＶ：側脳室、ＭＩ：中間質（中交連）、ＭＯ：延髄、ＯＣ：視交叉、ＰＣ：後交連、ＰＧ：松果体、ＳＰ：透明中隔、ＴＣ：灰白隆起、ＴＦ：横裂（脳梁の下のくも膜下腔）、Ｖ３：第３脳室、Ｖ４：第４脳室である。

ＭＲイメージングは、ｉｎ ｖｉｖｏヒト脳の３Ｄ画像を非侵襲的に得ることを可能にしている。ＣＳＦの容積および脳室の形状における容積は、一般的に、いくつかの内因性および外因性の病変,と関連付けられるため、ＭＲ画像からの脳室系のセグメンテーションおよび定量化は最重要である。

脳室の手動セグメンテーションは、時間がかかり、主観的であるとともに、非再現的（または非反復的）であるため、多数の自動化された方法も脳室のセグメンテーションのために提案されている。一般に、脳室のセグメンテーションのための方法は、３Ｄ脳室モデルが使用されるかどうかに依存して、モデルベースの方法、または非モデルベースの方法のいずれかに分類することができる。

強度スレッショルディング（非特許文献１７）および領域作成法（領域拡張法）（非特許文献１２、１３、１９）などの非モデルベースの方法は、脳室系の形状およびサイズのばらつきに適応可能である。しかし、これらの方法は、脳室の形状の予備知識を利用しないため、脳室領域から非脳室領域への「漏出」を生じ得る。さらに、いくつかの脳室領域は、画像の不均一性、または画像内のノイズおよび部分容積アーチファクトの存在によって、これらの方法では除外されることがある。第３脳室の正確な境界は、それらの形状およびトポロジー制約、ならびに周囲の対象とそれらの関係性に依存するため、これら非モデルベースの方法を使用する場合、第３脳室の正確なセグメンテーションは、特に困難である。

一方、アトラスワーピング（非特許文献４）、またはジオメトリカル・パラメトリックモデル変形（幾何学的パラメトリックモデル変形）（非特許文献３、６、１８）などのモデルベースの方法は、脳室の形状の予備知識として振舞う明示的または暗黙的モデルを採用する。モデルの形状と検討される対象との間のばらつきが小さい場合に、これらの方法は、ノイズに対してロバストであるとともに、正確なセグメンテーションを実現することができる。しかし、脳室の形状およびサイズにおける大きなばらつきにより、あらゆるばらつきに対して適応可能なモデル変形を実現するように、妥当なエネルギーまたは相似関数を設計することは困難である。さらに、セグメンテーションの失敗を必然的に生じる局所極小化問題（local minimization problem）が、これらの方法には存在する。

一般に、画像からの解剖学的構造のセグメンテーションには、主に２つの難問がある。第一に、部分容積効果によって、検討される構造（たとえば脳室系）とその周囲の組織（たとえば灰白質）との間の移行領域が存在し得る。移行領域を完全に排除した場合、構造は、不十分にセグメント化される、または数個の断絶されたコンポーネントに分かれ得る。第二に、構造とその周囲の組織との間のいくつかの境界は非常に薄いため、画像内で検出することができない。その結果、いくつかの対象領域は、他の非対象領域に「漏洩（leak）」し得る（すなわち結び付き得る）。現在、移行領域を検出するのと同時に、対象領域の非対象領域への「漏洩」を回避することができる方法は存在していない。

J.C. Bezdek, 1981. Pattern recognition with fuzzy objective function algorithms. Plenum Press, New York. P. Besl and N. McKay, "A method for registration of 3-D shapes," IEEE Transactions on Pattern Analysis and Machine Intelligence, 14(2), pp. 239-256, 1992. C. Baillard, P. Hellier, C. Barillot, 2000. "Segmentation of ３Ｄ brain structures using level sets and dense registration". IEEE Workshop Math. Methods Biomed. Image Anal. 94-101. M. Holden, J.A. Schnable, D.L.G. Hill, 2001. "Quantifying small changes in brain ventricular volume using non-rigid registration". MICCAI, 49-56. K. Held, E.R. Kops, B.J. Krause, (1997). Markov random field segmentation of brain MR images. IEEE Transactions on Medical Imaging 16,876-886. M.R. Kaus, S.K. Warfield, A. Nabavi, P.M. Black, F.A. Jolesz, R. Kikinis, 2001. "Automated segmentation of MR images of brain tumors," Radiology 218, 586-591. J. Liu, W. Gao, S. Huang, and W.L. Nowinski, "A model-based, Semi-global Segmentation Approach for Automatic ３Ｄ Point Landmark Localization in NeuＲＯＩmages", TMI-2008 (in press). J. Liu, W. L. Nowinski, (2006), "A hybrid approach to shape-based interpolation of stereotactic atlases of the human brain," NeuＲＯＩnformatics, vol. 4, no.2, pp. 177-198. W.L. Nowinski, G. Qian, K.N.B. Prakash, Q. Hu, A. Aziz 2006 "Fast Talairach Transformation for magnetic resonance neuＲＯＩmages" Jul-Aug;30(4):629-41. J Comput Assist Tomogr. K. Rohr, Landmark-based Image Analysis, Kluwer Academic Pub-lishers, 2001. S.M. Smith. "Fast robust automated brain extraction," Human Brain Mapping, 17(3):143-155, November 2002. H.G. Schnack, P.H.E. Hulshoff, W.F.C. Baare, M.A. Viergever, R.S. Kahn, 2001, "Automatic segmentation of the ventricular system from MR images of the human brain". Neuroimage 14, 95-104. M. Sonka, S.K. Tadikonda, S.M. Collins, 1996. "Knowledge-based interpretation of MR brain images". IEEE Trans. Med. Imag. 15, 443-452. J. Talairach, P. Tournoux (1988) Co-Planar Stereotactic Atlas of the Human Brain, Stuttgart, Thieme. H. Tang, E.X., Wu, Q., Ma, Y., Gallagher, D., Perera, G.M., and Zhuang, T. (2000). "MRI brain image segmentation by multi-resolution edge detection and region selection". Computerized Medical Imaging and Graphics 24, 349-357. W. Wells, W. Grimson, R. Kikinis, and F. Jolesz (1996) "Adaptive segmentation of MRI data". IEEE Transactions on Medical Imaging 15, 429-442. A.J. Worth, N. Makris, M.R. Patti, J.M.Goodman, E.A. Hoge, V.S. Caviness, D.N. Kennedy, 1998. "Precise segmentation of the lateral ventricles and caudate nucleus in MR brain images using anatomically driven histograms", IEEE Trans. Med. Imag. 17, 303-310. Y. Wang, L.H. Staib, 1998. Boundary finding with correspondence using statistical shape models. "Proceeding IEEE Conference on Computer Vision and Pattern Recognition". IEEE Press, Washington, DC, pp. 338-345. Y. Xia, Q. Hu, A. Aziz and W. L. Nowinski, "A knowledge-driven algorithm for a rapid and automatic extraction of the human cerebral ventricular system for MR meuroimages.". NeuＲＯＩmage, 21, 2004, pp. 269-282. C. Yan, N. Sangt, and T. Zhang, 2003, "Local entropy-based transition region extraction and thresholding", Pattern recognition letters, 24(2003), pp.2935-2941. Y. Zhang, M. Brady, and S. Smith (2001) "Segmentation of Brain MR Images through hidden markov random field model and the expectation maximization algorithm". IEEE Transactions on Medical Imaging 20, 45-57. Lorensen WE and Cline HE, "Marching Cubes: A High Resolution ３Ｄ Surface Construction Algorithm," Computer Graphics, 1987, 21(4), 163-169. P. Lindstrom and G. Turk, "Fast and Memory Efficient Polygonal Simplification," Proc. Visualization ’98, IEEE Computer Soc. Press, Oct. 1998, pp. 279-286.

本発明は、画像内の構造のセグメンテーションおよび３Ｄ表面モデルの構築のための方法およびシステムを提供することを目的とする。

特に、本発明は、脳スキャンデータにより構成される３次元脳スキャン画像において、１つ以上の脳室をセグメント化するための方法を提案する。前記方法は、（ａ）前記１つ以上の脳室それぞれの１つ以上の各脳室モデルを具備する脳モデルを前記画像とともにレジストすることによって、前記脳モデル内の位置と前記脳スキャン画像内の位置との間の対応を形成するステップと、（ｂ）前記対応に従って、前記１つ以上の脳室モデルに基づき前記画像内の１つ以上の各関心領域を画定するステップと、（ｃ）前記各脳室を示す各ボリュームを形成するように、脳スキャンデータを使用して前記１つ以上の関心領域に関する領域拡張を実行するステップと、（ｄ）前記各ボリュームを使用して前記脳スキャン画像をセグメント化するステップとを具備する。

本発明は、前記セグメント化された解剖学的構造の表面モデルを構築して、前記セグメンテーションで失われた特徴および細部を正確に記述するように表面モデルを編集するステップをさらに含み得る。

ステップ（ｃ）は、ステップ（ｄ）の前に接続領域の形でボリュームを生成するステップを含み得るとともに、関係する脳室に特有の解剖学的知識に基づいて前記ボリュームをトリミングするステップが存在し得る.

本発明は、そのような方法を実行するコンピュータシステムとして代替的に表されてもよい。このコンピュータシステムは、前記画像を取得するデバイスに統合されてもよい。本発明はさらに、前記方法のステップを実行するようにコンピュータシステムによって動作可能なプログラム命令を有し、有形のコンピュータ媒体上に記録されたものなどの、コンピュータプログラム製品として表されてもよい。

本発明の実施形態は、添付の図面を参照しながら単なる例示目的で説明される。

ヒト脳室系の一例を例示する図である。 方法ステップ２０２および２０４を具備する本発明の実施形態であるシステムの主要なフローチャートを例示する図である。 画像から脳室系をセグメント化する方法２０２のフローチャートを例示する図である。 方法２０２のセグメンテーションの出力から脳室構造の正確な３Ｄ表面モデルを生成する方法２０４のフローチャートを例示する図である。 本発明に実施形態による、修正点を使用して表面モデルを修正するプロセスを例示する図である。 方法２０２を使用して、データセットＩＢＳＲ−１８内の左脳室をセグメント化することによって得られた結果を例示する図である。 方法２０２を使用して、データセットＩＢＳＲ−１８において第３脳室をセグメント化することによって得られた結果を例示する図である。 方法２０２を使用して、データセットＩＢＳＲ−１８内の第４脳室をセグメント化することによって得られた結果を例示する図である。 方法２０２を使用して、データセットBIL-20内の４つの異なる脳ボリュームセットからセグメント化された４つの脳室構造を例示する図である。

図２を参照すると、本発明の実施形態であるとともに、脳室の３Ｄ表面モデルを生成する方法２００の各ステップが例示されている。

方法２００への入力は、ボリューム画像である。ステップ２０２で、ボリューム画像内の脳室はセグメント化される。ステップ２０４で、３Ｄ表面モデルは、各脳室に対して構築されるとともに、３Ｄ表面モデルは、その精度を向上させるために編集される。他の実施形態において、ステップ２０２の後にステップ２０４が続かない場合もあることを留意されたい。さらに、ステップ２０４の方法は、前記方法２００での適用以外の可能な適用を有しているとともに、３−Ｄモデリングの広範な場面において別々にまたは組み合わせて行ってもよい。

ステップ２０２：ボリューム画像における脳室のセグメント化
図３を参照すると、本発明の実施形態であるとともに、脳室系を示すボリューム画像を生成する方法２０２の各ステップが例示されている。

方法２０２への入力は、ボリューム画像である。ステップ３０２において、前記画像は、標準タライラッハ（Talairach）空間に再構成されるとともに、次いで標準脳室モデルは、複数（例えば１０個）の自動的に識別された脳室ランドマークに従って、前記画像上にワーピングされる。ステップ３０４において、各脳室に対する関心領域は、変形された脳室モデルを使用して指定される。ステップ３０８，３１０および３１２において、側脳室、第３脳室、および第４脳室は、セグメント化される。ステップ３０６ａ，３０６ｂおよび３０６ｃにおいて、ヒステリシススレッショルディング（すなわち、ヒステリシスを用いたスレッショルディング）が行われ、最小の非脳室領域を含んだＣＳＦ領域とともに、脳室コンポーネントを含んだ接続（connected）ＣＳＦ領域を生成する。

ステップ３０２：画像の再構成
ボリューム画像Ｉを与えれば、画像Ｉを標準Talairach空間（非特許文献１４）に再構成するためにTalairach変換（非特許文献９）が一般的に使用されるため、それは解剖学的知見を用いて処理または理解することができる。しかし、Talairachランドマークを自動的に探索することができる場合があったとしても、Talairach変換を自動化することはできない。

したがって、例示的な実施形態において、皮質輪郭ベースのレジストレーションアプローチは、前記画像を再構成するために使用される。脳の皮質輪郭は、皮質表面の近似凸包である。画像内の皮質輪郭Ｓ_１は、形態学的解析（非特許文献１１）を使用して自動的に抽出され、３Ｄ Talairach空間内の皮質輪郭Ｓ_２は、３Ｄ Talairach-Tournoux（ＴＴ）脳アトラスの２Ｄデジタル電子版を補間する（非特許文献８）ことによって生成されるとともに、３ＤＴＴ脳アトラス（非特許文献８）における脳室系は、標準ボリューメトリック脳室モデルとして見なされる。

輪郭Ｓ_１およびＳ_２は、Ｑ_１およびＱ_２としてそれぞれ示された頂点を有する三角メッシュによって表されている。ＩＣＰ（Iterated Closest Points）法（非特許文献２）を適用して、ポイントセットＱ_１、Ｑ_２をレジストすると、線形変換が得られるとともに、線形変換は画像ＩをTalairach空間に再構成するために使用される。標準的な放射線学的慣例(http://www.grahamwideman.com/gw/brain/orientation/orientterms.htm)は、３ＤＴＴアトラスの前交連に位置する原点を有するとともに、対象の右側から左側に広がるｘ、対象の後側から前側へ広がるｙ、および対象の下側から上側へ広がるｚを有する、Talairach空間における座標系（ｘｙｚ）を定義するために採用される。

ステップ３０４：関心領域の指定
例示的な実施形態において、各脳室コンポーネントに対する関心領域を指定するために、１０個の脳室ランドマーク（非特許文献７）が、前記画像および３ＤＴＴアトラス内で最初に識別される。モデルベースの半球（semi-global）アプローチは、画像内の１０個の脳室ランドマークを自動的に識別するために使用され、ＭＩＵＥ（Medical Image Understanding Environment）（非特許文献７、８）というツールは、専門知識と同様に３ＤＴＴアトラス内のこれらのランドマークを対話的に指定するために使用される。

一例において、これらランドマークのうち４つは、各側脳室上にあるとともに、各側脳室の最後部点（most posterior point）、最上部点（most superior point）、前外側前頭極（anterior lateral frontal pole）、および後中心線交差（posterior center-line intersection）である。ランドマークはさらに、第３脳室上の前極（anterior pole）、および第４脳室上の後上部点（posterior-superior point）を含んでいる。

前記画像およびＴＴ脳アトラス内の１０個の脳室ランドマークに基づいて、標準脳室モデルは、画像上にレジストされる。自動的に検出されたランドマークの定位は、正確でない場合があるため（非特許文献７、１０）、薄板スプライン近似アプローチ（非特許文献１０）が、レジストレーション（またはワーピング）機能を得るために使用される。

ワーピングされた（または変形された）ボリュームメトリック脳室モデルは、４つのボリューム：Ｖ_１（左側脳室）、Ｖ_２（右側脳室）、Ｖ_３（第３脳室）ならびにＶ_４（第４脳室および水道）に分割される。各脳室コンポーネントに関して対応する関心領域Ω_ｉは、式（１）に従って、対応するワーピングされたサブボリュームＶ_ｉを拡張することによって定義される。

式（１）において、関心領域Ω_１〜Ω_４は、左側脳室、右側脳室、および第４脳室それぞれのセグメント化のために使用される。ｓ（Ｖ_ｉ，ｐ）は、ボリュームＶ_ｉの境界に対するボクセルｐ（ｐ＝（ｐ_ｘ，ｐ_ｙ，ｐ_ｚ）∈Ｒ^３）の符号付き最小ユークリッド距離を、ボクセルｐがボリュームＶ_ｉの外側であることを示すｓ(Ｖ_ｉ，ｐ)の正の値と、ボクセルｐがボリュームＶ_ｉの内側であることを示すｓ(Ｖ_ｉ，ｐ)の負の値とを用いて示す。一例において、ｄ_０が６ｍｍに設定されることによって、各領域は、３種類の脳組織、関連する脳室コンポーネントを含む灰白質、白質、およびＣＳＦを含めるのにちょうど十分な大きさである。これは、前記領域において続いて推定されるように、関連する脳室コンポーネントに対する閾値を与える。加えて、Ｖ_０は、中矢状スラブを表している。一例において、Ｖ_０の厚みは、式（２）に従って８ｍｍに設定されるとともに、２つの側脳室の脳半球間ＣＳＦへの「漏洩」、または２つの側脳室の互いへの「漏洩」を回避するように、Ｖ_０は、Ω_１およびΩ_２から除外される。
Ｖ_０＝｛ｐ｜−４≦ｘ≦４｝ （２）

ステップ３０６ａ，３０６ｂおよび３０６ｃ：ヒステリシススレッショルディングの実行
いくつかの方法（非特許文献５、１５、１６および２１）が、脳ボリュームからＣＳＦ領域をセグメント化するのに利用することができるが、抽出されたＣＳＦ領域は通常、脳室領域だけなく非脳室領域の大部分も同様に含む。多数の相互接続した非脳室領域から脳室領域をセグメント化することは困難である。その結果、これらの方法は、脳室ＣＳＦと非脳室組織との間の移行領域を特定するのに失敗して、不十分なセグメンテーションを生じ得る。既存の方法（非特許文献２０）は、移行領域の抽出に利用することができるが、これらの方法は、勾配ベース、または局所エントロピーベースのいずれかである。したがって、これらの方法は、移行領域として非脳室ＣＳＦ領域の大部分を抽出する可能性がある。

例示的な実施形態において、ステップ３０４において指定された関心領域Ω_ｉ（Ω_１〜Ω_４）は、対応する脳室コンポーネントを含む、接続ＣＳＦ領域Ｘを収集するために、ステップ３０６ａ，３０６ｂおよび３０６ｃにおいてガイドとして使用される。ステップ３０６ａ，３０６ｂおよび３０６ｃにおいて、ヒステリシススレッショルディングは、以下のサブステップに従って領域Ω_ｉに対応する領域Ｘを収集するために使用される。

ステップ１：各領域Ω_１内の脳室コンポーネントに対して２組の強度閾値が、それぞれ計算される。

一例において、ステップ１は、以下のステップに従って実行される。

最初に、ＦＣＭ（fuzzy c-mean）法（非特許文献１）は、領域Ω_１内の画像の全ボクセルをそれらの強度に従って５つのクラスタに分類するために使用される。これら５つのクラスタは３種類の組織（ＧＭ、ＷＭおよびＣＳＦ）、ならびに２つの移行領域（ＣＳＦ＿ＧＭ（ＣＳＦとＧＭとの間）、およびＧＭ＿ＷＭ（ＧＭとＷＭとの間））を表す。

次に、クラスタｋに対する強度ｇのメンバーシップをｕ_ｋ（ｇ）として、および各クラスタの中心の強度をｃ_ｋ（ｋ＝１，２，・・・，５）として示し、一般性を喪失することなく、ｃ_１≦ｃ_２≦…ｃ_５と仮定すると、２つのメンバーシップ関数ｕ_ｋおよびｕ_ｋ＋１の交点ｇ_ｋは、ｕ_ｋ（ｇ_ｋ）＝ｕ_ｋ＋１（ｇ_ｋ）（ここで、ｋ＝１，２，・・・，４）というように計算される。クラスタｋの低閾値ｔ_ｋＬおよび高閾値ｔ_ｋＨは、可能最小強度および可能最大強度に対してそれぞれ設定されているｇ_０およびｇ_５を用いて、ｇ_ｋ‐１およびｇ_ｋにそれぞれ設定される。

専門知識に従って、ＣＳＦおよびＣＳＦ＿ＧＭに対応する２つのクラスタが選ばれる。一例において、Ｔ１−ＭＲ画像では、強度閾値［ｔ_１Ｌ，ｔ_１Ｈ］を有する第１クラスタは、ＣＳＦとして選択されるとともに、強度閾値［ｔ_２Ｌ，ｔ_２Ｈ］を有する第２クラスタは、ＣＳＦ＿ＧＭとして選択される。ＣＳＦクラスタを含む閾値は、狭閾値（狭閾値）［Ｔ_Ｌ１，Ｔ_Ｈ１］であるとされる一方で、ＣＳＦおよびＣＳＦ＿ＧＭクラスタの両方を含む閾値は、広閾値（広閾値）閾値［Ｔ_Ｌ２，Ｔ_Ｈ２］であるとされる。換言すると、Ｔ_Ｌ１＝ｔ_１Ｌ，Ｔ_Ｈ１＝ｔ_１Ｈ，Ｔ_Ｌ２＝ｍｉｎ｛ｔ_１Ｌ，ｔ_２Ｌ｝，Ｔ_Ｈ２＝ｍａｘ｛ｔ_１Ｈ，ｔ_２Ｈ｝である。

ステップ２：各Ω_１に対して脳室コンポーネントの対応するカーネル領域Ｋは、狭閾値［Ｔ_Ｌ１，Ｔ_Ｈ１］に従って収集される。

一例において、ステップ２は、以下のステップに従って行われる。

最初に、ＣＳＦクラスタ｛ｐ｜Ｔ_Ｌ１≦Ｉ（ｐ）≦Ｔ_Ｈ１｝を得るために、前記画像Ｉは、低閾値Ｔ_Ｌ１および高閾値Ｔ_Ｈ１を用いて２値化される。次に、最大接続領域Ｋは、６隣接接続性（6-neighbor connectivity）に従ってＣＳＦクラスタから抽出される。前記画像内の対応する脳室コンポーネントと大まかに一致している領域Ω_ｉは、変形された脳室コンポーネントを拡張することによって生成されるため、必然的に領域Ｋは、領域Ω内の関連する側脳室の主要部分である、または少なくともそれを含む。換言すると、領域Ω_３から得られた領域Ｋは、第３脳室の主要部分を含む一方で、他の領域の各々から得られた領域Ｋは、左側脳室、右側脳室、または第４脳室の主要部分である。領域Ｋは、関連する脳室コンポーネントのカーネル領域として示される。

ステップ３： 前記領域Ｋは、広閾値［Ｔ_Ｌ２，Ｔ_Ｈ２］に従って移行領域を含むように、適応的に拡張される。

一例において、ステップ３は、脳室コンポーネントの移行領域を含むと同時に非脳室領域への領域Ｋの「漏洩」を回避するように領域Ｋを適応的に拡張するための境界パッチベースの領域拡張（growing）手続きを使用して行われる。

２６個の最近隣ｑのうち少なくとも１つがｑ∈Ω‐Ｋ、およびＴ_Ｌ２≦Ｉ（ｑ）≦Ｔ_Ｈ２というような場合、ボリュームの境界ボクセルｐは、能動的ボクセルであるとされる。Ｋの能動的 境界ボクセルは、２６隣接接続性（26-neighbor connectivity）に従って境界パッチ｛∂_１，∂_２，…∂_ｎ｝（ｎは、パッチ数を表している）のセットにグループ化される。パッチ∂_ｉ内の全ボクセルは、接続された２６個の近隣である一方で、２つの異なるパッチ∂_ｉおよび∂_ｊ（ｉ≠ｊ）は接続されていない。

領域拡張法は、各パッチ∂_ｉに関して別々に適用される。最初に、∂_ｉ，０は、∂_ｉとして設定されるとともに、∂_{ｉ，ｋ＋１}は、式（３）に従って∂_ｉ，ｋから繰り返し生成される。式（３）において、Ｎ_２６（ｐ）は、ボクセルｐの２６個の近隣を表している。

∂_ｉ，ｋから∂_{ｉ，ｋ＋１}を生成する手続きは、ｋ＝ｋ_ｉ（以下、ｋ_ｉを記号の添え字として使用する際に、便宜上「（ｋｉ）」と表記する）おいて、∂_{ｉ，（ｋｉ）＋１}が空になるまで、または∂_{ｉ，（ｋｉ）＋１}内のボクセルの数は、∂_{ｉ，（ｋｉ）}内のボクセル数の２倍よりも大きくなるまで、すなわち＃∂_{ｉ，（ｋｉ）＋１}＞＃∂_{ｉ，（ｋｉ）}×２になるまで続く。移行領域のサイズは、∂_ｉ，０と同じスケールのものであると予想されるため、停止条件は、非脳室領域への移行領域の「漏洩」を回避するためのものである。

前記手続きの最後に、新しい値
が、パッチ∂_ｉ，０から得られる。最後に、新たに拡張されたボリュームＶ_ｉおよびカーネル領域Ｋは、式（４）に従って接続ＣＳＦ領域Ｘを生成するように結合される。

ステップ３０８，３１０および３１２のステップ３０６ａ，３０６ｂおよび３０６ｃにおいてそれぞれ、接続ＣＳＦ領域は、脳室系の形状、強度および構造に関する専門知識に従って以下のようにさらにトリミングされる。

ステップ３０８：側脳室のセグメンテーション
２つの側脳室をセグメント化するために、ヒステリシススレッショルディングは、左脳室および右脳室の主要部分である２つのボリュームＸ_１およびＸ_２を得るように、領域Ω_１およびΩ_２に別々に適用される。
中矢状スラブＶ_０において側脳室の残っていそうな部分を検出するために、領域Ｖ_０のそれぞれ内側である、Ｘ_１およびＸ_２の境界パッチ∂_１および∂_２が最初に特定されるとともに、次いで境界パッチベースの領域拡張手続きは、領域Ｖ_０内の∂_１および∂_２を適応的に拡張するために使用される。ここで、左側脳室および右側脳室の残りの部分を含む、２つの新しいボリュームＸ _１およびＸ _２（これらの下線は、補正箇所を示すことを意図するものではなく、記号の一部として用いられる）は、得られる。

ステップ３０８ａ：側脳室の分離
２つの側脳室の間の透明中隔が十分に大きい場合（一例において、矢状方向における少なくとも１つのボクセルの厚みである。これは、テストデータセット内の対象の約３０％で生じる。）、Ｘ _１およびＸ _２は、分離しているとともに（すなわち、ボリュームＸ _１およびＸ _２の重複Ｘ _１２＝Ｘ _１∩Ｘ _２は空である）、Ｘ_１∪Ｘ _１およびＸ₂∪Ｘ _２は、それぞれ左脳室および右脳室とされる。透明中隔が非常に薄い場合、２つの領域Ｘ _１およびＸ _２は、空でない重複領域Ｘ _１２によって結合され、以下のステップに従って、左側脳室および右側脳室を分離する必要がある。最初に、２つの領域Ｘ’_１＝Ｘ _１−Ｘ _１２およびＸ’₂＝Ｘ _２−Ｘ _１２を得るように、Ｘ _１２は、Ｘ _１およびＸ _２から除去される。次に、Ｘ _１２内の各ボクセルｐに関して、領域Ｘ’_１の境界への距離が領域Ｘ’₂に対してよりも小さい、すなわちｓ（Ｘ’_１，ｐ）＜ｓ（Ｘ’₂，ｐ）の場合、ボクセルｐは、Ｘ’_１に分配され、そうではなくｓ（Ｘ’_１，ｐ）＞ｓ（Ｘ’₂，ｐ）の場合、ボクセルｐは、Ｘ’₂に分配される。ｓ（Ｘ’_１，ｐ）＝ｓ（Ｘ’₂，ｐ）の場合、ｐは、透明中隔からのボクセルとして見なされる。最後に、和集合Ｘ _１∪Ｘ’_１およびＸ _２∪Ｘ’₂は、左脳室および右脳室のセグメンテーションとされる。すなわち、Ｘ _１およびＸ _２は、Ｘ _１∪Ｘ’_１およびＸ _２∪Ｘ’₂にそれぞれ更新される。

ステップ３１０：第３脳室のセグメンテーション
接続ＣＳＦのボリュームＸ₃を得るために、ヒステリシススレッショルディングが、最初に領域Ω₃に適用される。

次に、左側脳室または右側脳室のいずれかの部分であると識別されたボクセルは、Ｘ₃から除去される。換言すると、Ｘ₃は、Ｘ₃−（Ｘ_１＋Ｘ_２）となるように更新される。最後に、他の脳室外部のボクセルがＸ₃から除去される。

ステップ３１０ａ：投影ベースの非脳室領域トリミング
一例において、投影ベースのトリミング法は、Ｘ₃から非脳室ボクセルを除去するために使用される。それは、第３脳室が、脳中央の狭い開口であるとともに、ボリュームＸ₃に含まれる非脳室部分は、矢状（左から右への）方向に沿って第３脳室よりも広いからである。投影ベースのトリミング法のステップは、以下の通りである。

ステップ１：２次元画像ｆ（ｙ，ｚ）は、式（６）に従って、ボリュームＸ₃を中矢状面ｘ＝０上に投影することによって生成される。
ｆ（ｙ，ｚ）＝＃｛ｐ｜ｐ_ｙ＝ｙ，ｐ_ｚ＝ｚ，ｐ∈Ｘ₃｝ （６）

式（６）において、＃は、１セットのカージナル（cardinal）（すなわち、平面x=0における点（ｙ，ｚ）における）を表しているとともに、ｆ(ｙ，ｚ)は、点(y, z)における投射線上のボリュームＸ₃のボクセル数を表している。

ステップ２：次いで、ＦＣＭ法は、零でない全ての値｛ｆ｛ｙ，ｚ｝≠０｝を２つのクラスタに分類するために使用されるとともに、適応的閾値ｈが得られ、ｆ（ｙ，ｚ）は、あるクラスタにおけるｈよりも小さく、かつ他のクラスタにおけるｈよりも大きい。

ステップ３：各ボクセルｐ∈Ｘ₃に関して、ｆ（ｐ_ｙ，ｐ_ｚ）＞ｈの場合、ボクセルは、Ｘ₃から除去される。

ステップ３１０ｂ：ランドマーク誘導の非脳室領域トリミング
投影ベースの脳室外部トリミング法を適用した後、Ｘ₃は、第３脳室の前下側部分において狭小の非脳室領域を依然と含み得る。一例において、ランドマーク誘導の非脳室領域トリミング法は、この非脳室領域を除去するために使用される。ランドマーク誘導の非脳室領域トリミング法において、第３脳室の前極に対する全ボクセルの前側は、除去される。ランドマーク（第３脳室の前極）は、モデルベースのアプローチ（非特許文献７）を使用して画像内で識別される。

ステップ３１０ｃ：形状ベースの非脳室領域トリミング
第３脳室の上側において、Ｘ₃は、横裂およびＩＣＶによって構成される薄いＣ字型の領域を含み得る。さらに、ＰＣ（またはＰＧ）から下後側に向かって、Ｘ₃は、基底槽へ「漏洩」する１つ以上の狭小の経路を含み得る。一例において、これらの「漏洩」は、「漏洩」の帯状の形状的特徴に基づく形状ベースの非脳室領域トリミング法を使用して除去される。最初に、除去のための全候補コンポーネントは、後側から前側への冠状スライス上の接続領域をグループ化することによって特定される。次に、これらの候補コンポーネントから帯状の「漏洩」は識別および除去される。一例において、以下のサブステップは、形状ベースの非脳室領域トリミング法において行われる。

ステップ１：候補漏洩コンポーネントセット
および一時的コンポーネントセット
は、初期化される。

ステップ１において、ボリュームＸ₃の最後側冠状スライスｙ_０＝ｍｉｎ｛ｙ｜ｐ（ｘ，ｙ，ｚ）∈Ｘ₃｝が特定されるとともに、
は空に設定される一方で、
は、｛｛Ｃ_０｝｜Ｃ_０∈Ｓ_０｝に設定される。ここで、Ｃ_０は、ｙ_０によってインデックスが付された冠状スライス上のＸ₃の全ての８隣接接続領域Ｓ_０のうちの１つを示し、｛Ｃ_０｝は、領域Ｃ_０によって構成された候補漏洩コンポーネントである。

ステップ２：
を生成するために、全ての候補漏洩コンポーネントは、
内の各コンポーネントをトレースすることによって特定される。

各コンポーネント
に関して、ｙ_０＋ｋ＋１によってインデックスが付された冠状スライス上の８隣接接続領域Ｃ_ｋ＋１が存在し、Ｃ_ｋ＋１が、別のボクセルｐ_ｋ∈Ｃ_ｋの２６個の隣接ボクセルである少なくとも１つのボクセルｐ_ｋ＋１∈Ｃ_ｋ＋１が存在するという意味で、Ｃ_ｋに接続されている場合、新しいコンポーネントＬ_ｋ＋１＝｛Ｃ_０，Ｃ_１，…，Ｃ_ｋ，Ｃ_ｋ＋１｝を形成するために、領域Ｃ_ｋ＋１は、コンポーネントＬ_ｋに追加される。

Ｃ_ｋ内のボクセルに対する、Ｃ_ｋ＋１内のボクセルの面積比が所与の閾値ｒ（一例において、ｒは３に設定される）よりも大きい場合、Ｌ_ｋ＋１は、
に追加される。そうでない場合、Ｌ_ｋ＋１は、さらなる拡張のために
に追加される。
が空である場合、ステップ２は、
から
を生成することによって繰り返される。

ステップ３：ステップ３において、Ｘ₃の上側のＣ字型漏洩コンポーネントが除去される。

以下の３つの条件を満たす場合、候補コンポーネント
は、横裂およびＩＣＶによって構成されたＣ字型漏洩コンポーネントとして識別される。
（１）Ｃ_ｋ＋１は、分岐領域である、すなわち、別の接続領域Ｃ’_ｋ∈Ｓ（ｋ）およびＣ’_ｋ≠Ｃ_ｋが存在する。
（２）角度∠Ｐ_ｋＰ_ｋ＋１Ｐ’_ｋは、３０°よりも小さく、ここで、Ｐ_ｋＰ_ｋ＋１Ｐ’_ｋは、それぞれ領域Ｃ_ｋ，Ｃ_ｋ＋１およびＣ’_ｋの質量中心である。
（３）各領域Ｃ_ｉ∈Ｌ_ｋ＋１（ｉ＝０，１，…ｋ＋１）は、ｙ_０＋ｉによってインデックスが付された冠状スライスにおけるＸ₃の全ボクセルの上側であり、すなわちｍａｘ｛ｚ｜ｐ（ｘ，ｙ_０＋ｉ，ｚ）∈Ｃ_ｉ｝＞ｍａｘ｛ｚ｜ｐ（ｘ，ｙ_０＋ｉ，ｚ）∈Ｘ_３−Ｃ_ｉ｝である。

Ｌ_ｋ＋１＝｛Ｃ_０，Ｃ_１，…，Ｃ_ｋ，Ｃ_ｋ＋１｝が、Ｃ字型漏洩コンポーネントとして識別された場合、Ｃ_０，Ｃ_１，…，Ｃ_ｋは、Ｘ₃から除去されるとともに、Ｌ_ｋ＋１は、
から除去される。

ステップ４：ステップ４において、Ｘ₃の後側の帯状漏洩コンポーネントが除去される。

各候補コンポーネント
に対して、領域Ω₃の質量中心Ｇ（ｘ，ｙ，ｚ）の後側において特定される、すなわちｙ_０＋ｋ＋１＜Ｇ_ｙである場合、漏洩コンポーネントとして識別される。次いで、Ｃ_０，Ｃ_１，…，Ｃ_ｋは、Ｘ₃から除去される一方で、Ｌ_ｋ＋１は、
から除去される。

最後のＸ₃領域は、第３脳室のセグメンテーションの結果である。

ステップ３１２：第４脳室および水道のセグメンテーション
第４脳室と水道との間には明確に定義された境界がないため、それらは同時にセグメント化される。領域Ω_４に関してヒステリシススレッショルディングを適用すると、ボリュームＸ_４は得られる。水道と第４脳室との接合部において、水道の後壁（すなわち四丘体）は、非常に薄くなるとともに、画像から識別され得ないため、Ｘ_４は、第４脳室から小脳周囲の基底槽に「漏洩」し得る。同時に、水道は、第３脳室および第４脳室を接続する狭い経路のみであるため、水道の一部または水道の全体は、Ｘ_４に含まれ得ない。

ステップ３１２ａ：第４脳室の形状ベースのトリミング
「漏洩」を除去するために、座標ｚとしてインデックスが付されたボリュームＸ_４の各軸方向スライスにおけるボクセルｆ（ｚ）の数が計算される。スライスｚ_ｍａｘ（ｆ（ｚ）はその最大に達する）が特定される。ｆ（ｚ）＞０のスライスに対して、上側または（または背側）方向における、スライスｚ_ｍａｘから次のスライスへの相対増加率は、式（７）に従って計算される。
ｑ（ｚ）＝［ｆ（ｚ＋１）−ｆ（ｚ）］／ｆ（ｚ） （７）

ｚ_ｍａｘから腹側方向に向かう第１漏洩スライス（軸方向スライスｚ_ｌｅａｋ）として表される）は、ｑ（ｚ）が正の最大に達するところで特定される。それは、「漏洩」が始まるところでｆ（ｚ）が顕著に増加するためである。ｑ（ｚ）の最大値が正でない場合、Ｘ_４は、基底槽に「漏洩」していないことを暗示する。この場合、ｚ_ｌｅａｋはＶ_４内のボクセルの最大ｚ座標として設定される。

水道は第３脳室との接合の前方を歪める（slant）ため、漏洩スライスｚ_ｌｅａｋ上のボリュームＸ_４の最後側としてｙ_ｌｅａｋを示すと、ｙ_ｌｅａｋより小さいｙ座標を有する背側方向におけるｚ_ｌｅａｋ以降の全てのボクセルは、「漏洩」とされるとともに、ボリュームＸ_４から除去される。

下側（または背側）方向に向かうスライスｚ_ｍａｘから、それはｆ（ｚ）が増加しないことを必要とする。したがって、ｆ（ｚ_ｍｉｎ＋１）＞ｆ（ｚ_ｍｉｎ）というようにスライスｚ_ｍｉｎが存在する場合、ｚ_ｍｉｎよりも小さいｚ座標を有する全ボクセルは、Ｘ_４からトリミングされるであろう。

最後のＸ_４領域は、第４脳室のセグメンテーションの結果である。

水道を見つけるために、［Ｔ_Ｌ２，Ｔ_Ｈ２］を領域Ω_４内で得られた広閾値として、Ｎ_ｚ＋（ｐ）＝｛（ｐ_ｘ＋ｉ，ｐ_ｙ＋ｊ，ｐ_ｚ＋ｋ）｜ｉ，ｊ＝−１，０，１，ｋ＝０，１｝をボクセルｐ（ｘ，ｙ，ｚ）の方向性近隣（directional neighbors）として、さらにＳ_０をスライスｚ_ｌｅａｋ内のボリュームＸ_４の全ボクセルとして示すと、Ｓ_ｎ＋１は、式（８）に従う方向性領域拡張法によって、Ｓ_ｎから生成される。

Ｓ_ｎ＋１が空になるまで、またはＳ_ｎ＋１内のボクセル数が、Ｓ_０内のボクセルの数よりも大きくなる（すなわち、＃（Ｓ_ｎ＋１）＞＃（Ｓ_０））までＳ_ｎ＋１は、Ｓ_ｎから繰り返し生成される。水道ボリュームは、Ｓ_１∪Ｓ_２…∪Ｓ_ｎとされる。Ｓ_ｎからＳ_ｎ＋１を繰り返し生成する手続きが＃（Ｓ_ｎ＋１）＞＃（Ｓ_０）のときに停止した場合、これは、第３脳室に達した水道の検出によるものであり得る。一方、Ｓ_ｎからＳ_ｎ＋１を繰り返し生成する手続きがＳ_ｎ＋１が空のときに停止した場合、これは、部分容積効果により第３脳室に達しなかった水道の検出によるものであり得る。多くの状況において、前記手続きは、＃（Ｓ_ｎ＋１）＞＃（Ｓ_０）のときに停止する。

ステップ２０４：脳室の表面モデルの構築および改良
図４は、方法２０２のセグメンテーション出力から、脳室構造の正確な３Ｄ表面モデルを生成する、方法２０４のフローチャートを例示している。ステップ４０２で、表面モデルは、脳室構造に関して構築されるとともに、ステップ２０４で、表面モデルの細部は、局所正弦波ワーピングによって改良される。

ステップ２０２は、脳室のセグメンテーション結果を生成する。しかし、スライス間の距離が大きい、および／または検討中の画像が低品質のものである場合において、いくつかの細部は依然と欠落している、または不正確であり得る。そのような環境において、幾何学的表面モデルは、画像スライス間で紛失した微細な特徴を有する、または画像品質により分断された解剖学的構造を記述するためにより柔軟および平滑である。脳室の正確な表面モデルを構築するために、周知のマーチングキューブ法（非特許文献２２）は、ステップ２０２からの脳室ボリューム出力から初期表面モデルを生成するために使用することができる。次いで、三角メッシュとして表された初期表面モデルは、簡略化され（非特許文献２３）、次の処理のための計算時間を減少させるとともに効率性を向上させる。

精度を高めるために、例示的な実施形態においてシステムは、局所正弦波ワーピング法を使用して、ユーザによる表面モデルの修正を支援する。専門知識に基づいて、ユーザは、３Ｄモデル空間上に修正点を配置することによって、欠落している微細な特徴を示すことができる。局所正弦波変形（ＬＳＤ）関数は、解剖学的構造の継続性を失うことなく紛失した微細な特徴を回復するために、修正点へスムーズに近づくように限定領域をワーピングする（図５に示されているような）。

図５は、本発明の実施形態による、修正点を使用して表面モデルを修正するプロセスを例示している。

ユーザが、モデルＭの近くに修正点Ａを配置したことを仮定すると、細部の特徴がモデル内で欠落していることを示している。モデルは、メッシュ上の各頂点Ｖに対して多角形メッシュとして表され、ＡからＶへの距離は、ｄ（Ａ，Ｖ）として示される。Ａとモデルとの距離は、ｄ（Ａ，Ｍ）＝ｍｉｎ（ｄ（Ａ，Ｖ）｜Ｖ∈Ｍ）である。半径Ｒ＞ｄ（Ａ，Ｍ）（Ｒはシステムにおいて調節可能である）を与えると、頂点Ｐ＝｛ｐ_１，ｐ_２，…ｐ_ｋ｜ｄ（Ａ，ｐ_ｉ）＜Ｒ｝の限定セットが構築される。セットＰ内の各点ｐ_ｉに対して、対応点ｑ_ｉは以下の通りに計算される。ｑ_ｉは、ｐ_ｉ｛ｉ＝１，２，…ｋ｝に対してＡに沿った線上に置かれるとともに、Ａからｑ_ｉへの距離は、式（９）に従って、ＬＳＤ関数により計算される。

各ｐ_ｉを上記計算されたｑ_ｉ｛ｉ＝１，２，…ｋ｝で置き換えることによって、表面モデルの局所領域は、修正点Ａに向かってワーピングされることによって、欠落した微細な解剖学的特徴を回復することができる。

ステップ２０４における表面モデル改善手続きは、対話型手続きであるとともに出力が満足されるまで繰り返し実行することできる。

ステップ２０２の実験結果
図６は、本発明の実施形態による、方法２０２および側脳室セグメンテーションアプローチを使用して、データセットＩＢＳＲ−１８（ＩＢＳＲ−１８−０２．ｉｍｇ、スライス１４４ａ，５７ｃ，１２０ｓ）における左脳室をセグメント化することによって得られた結果を例示している。輪郭線１２０２〜１２１８は、左側脳室に対して自動的に定義された、関心領域を示す。輪郭線１２２０〜１２３０は、中矢状スラブに拡張された左側脳室モデルの関心領域を示す。輪郭線１２３２〜１２４２は、狭閾値によって得られた領域を示すとともに、輪郭線１２３１〜１２４２の周囲の輪郭線は、広閾値によって得られた追加的領域を示す。

図７は、本発明の実施形態による、方法２０２を使用してデータセットＩＢＳＲ−１８（ＩＢＳＲ−１８−０２．ｉｍｇ、スライス１４２ａ，６０ｃ，１２８ｓ）において、第３脳室をセグメント化することによって得られた結果を例示している。左から右への４つの列は、軸方向、冠状、矢状、および３Ｄの図を例示している。第１行は、第３脳室に対して自動的に定義された関心領域を示す。第２行は、ＲＯＩにおけるヒステリシススレッショルディングの結果を示す。第３行は、投影ベーストリミングによって得られた結果を示すとともに、第４行は、前側部分のランドマーク誘導トリミング、および他の脳室外部コンポーネンの形状ベーストリミングの後の最終結果を示す。

図８は、本発明の実施形態による方法２０２を使用して、データセットＢＩＬ−２０（ＢＩＬ−Ｊａ０３、スライス４４ａ，１０２ｃ，１２９ｓ）内の第４脳室をセグメント化することによって、得られた結果を例示している。左から右への４つの列は、軸方向、冠状、矢状、および３Ｄの図を例示している。第１行は、第４脳室に対して自動的に定義された関心領域を示し、第２行は、ＲＯＩにおいてヒステリシススレッショルディングを適用することによって得られた結果を示すとともに、第３行は、「漏洩」除去後の最終結果を示す。

図９は、本発明の実施形態によると方法２０２を使用して、データセットＢＩＬ−２０における４つの異なる脳ボリュームセットからセグメント化された４つの脳室構造を例示している。第１〜４行は、異常がある成人の脳（脳腫瘍を有する）、正常な成人の脳、小児の脳、および高齢者の脳のボリューム画像を示している。右から左への４つの列は、抽出された脳室系の元スキャンの軸方向図、冠状図、矢状図、および３Ｄ図を例示している。をそれぞれ例示している。

例示的な実施形態の利点
ボリューメトリック変形可能モデルは、例示的な実施形態において、検討される構造、たとえば脳室構造のセグメンテーションに関する関心領域を自動的に画定する専門知識としてステップ２０２で使用される。適切なＲＯＩは、正確なセグメンテーションのために重要である。ＲＯＩが非常に小さい場合、検討される構造を含まない可能性がある。一方、ＲＯＩが非常に大きい場合、セグメンテーションの誤りを導く関連のない情報を非常に多く含む可能性がある。ステップ２０２において、モデルは、最初に３Ｄ点ランドマークベースのワーピングアプローチによって画像内の対応構造に大まかに合うように変形されるとともに、次いでＲＯＩは、変形されたモデルを拡張する（または広げる）することによって定義される。その結果生じるＲＯＩは、検討される構造の予備形状をとるとともに、従って、ＲＯＩ内の関連のない情報の量は最小化される。したがって、ステップ２０２は、ノイズに対してロバストであるとともに、大きい形状およびサイズのばらつきに対してロバストである

さらに、ヒステリシススレッショルディングアプローチは、ステップ２０２において所与の関心領域における領域拡張手続きのために使用される。ヒステリシススレッショルディングアプローチでは、２組の強度閾値、すなわち狭閾値および広閾値が使用される。狭閾値の範囲は、広閾値の範囲に含まれる。狭閾値のペアは、移行領域を拡張するカーネル部分を収集するために使用され、広閾値のペアは、構造の移行領域を収集するために使用される。「漏洩」が検出された場合、領域拡張手続きは停止する。ステップ２０２における領域拡張手続きは、移行領域を検出する一方で、「漏洩」を最小化することができる。移行領域の検出能力は、正しい正確なセグメンテーションのために重要であり、「漏洩」の最小化は、領域トリミング手続きに対する負担を顕著に緩和するため、これは有利である

加えて、ステップ２０２における領域トリミング手続きに対して提案された投影ベース、ランドマーク誘導、および形状ベースのトリミングなどの、複数の知識ベースストラテジーは、第３脳室の正確なセグメンテーションのために重要である。

同様に、ステップ２０２は、従来技術の方法、たとえば非特許文献１９によりも有利である。非特許文献１９で提案された方法は、ＡＣ、ＰＣおよびＭＳＰの正確な識別に依存し、従って、提供されたＡＣ、ＰＣおよびＭＳＰの位置が、あまり正確性でない（ＡＣおよびＰＣの位置誤差が３ｍｍよりも小さい必要がある）場合、動作不良を起こし得る。加えて、非特許文献１９で提案された方法では、１組のみの閾値が関心領域内で使用されるため、この方法はコンポーネントのいくつかの部分で未接続を生じる部分容積問題に対処することができない。特に、非特許文献１９における方法で使用されるＲＯＩの形状は、脳室の形状とは非常に異なった長方形である。したがって、大量の非脳室組織がＲＯＩに含まれ、非特許文献１９では、セグメンテーションエラーの可能性および「漏洩」を招く。これ対して、ステップ２０２において、１０個の脳室 ランドマークは、画像内の対応する脳室構造に合った脳室モデルをワーピングするために使用される。薄板スプライン近似アプローチ（非特許文献１０）は、ワーピング機能を得るために使用されるとともに、変形されたモデルは、６ｍｍの厚みにさらに拡張されるため、ステップ２０２は大きいランドマーク識別エラーに対して、より耐えることができる（ＩＢＳＲ−１８において３．４ｍｍに増加）（非特許文献７の表２に示されているように）。第３脳室の前極の誤った識別は、ステップ２０２によって、第３脳室セグメンテーションの精度に影響する可能性があるが、第３脳室の前極は、第３脳室全体で比較的小さい部分である第３脳室の後側をトリミングするために使用されるだけであるため、この影響は局所的かつ小さい。さらに、ステップ２０２において、関心領域を適応的に改良するために２組の広閾値および狭閾値を使用するヒステリシススレッショルディングの使用は、移行領域が、ＲＯＩに含まれると同時に、非脳室領域の最小化を保証する。同様に、ステップ２０２に使用されるＲＯＩは、脳アトラス内の脳室形状から得られるため、ＲＯＩの形状は、対象の構造の形状に非常に近づけられることによって、セグメンテーションエラーの可能性および「漏洩」を有意に減少させる。

２００ 脳室の３Ｄ表面モデルを生成する方法
２０２ 画像内の脳室をセグメント化するステップ
２０４ セグメント化された各脳室の３Ｄ表面モデルを構築するとともに、必要に応じてモデルを改良するステップ

Claims (19)

1. 脳スキャンデータによって構成された３次元脳スキャン画像において１つ以上の脳室をセグメント化する方法であって、
   （ａ）前記１つ以上の各脳室の１つ以上の各脳室モデルを有する脳モデルを前記画像とともにレジストすることによって、前記脳モデル内の位置と前記脳スキャン画像内の各位置との間の対応を形成するステップと、
   （ｂ）前記対応に従って、前記１つ以上の脳室モデルに基づき前記画像内の１つ以上の各関心領域を画定するステップと、
   （ｃ）前記各脳室を示す各ボリュームを形成するように、前記脳スキャンデータを使用して前記１つ以上の関心領域に関して領域拡張を実行するステップと、
   （ｄ）前記各ボリュームを使用して前記脳スキャン画像をセグメント化するステップと
   を具備することを特徴とする方法。
2. 前記ステップ（ａ）は、
   （１）前記画像を前記脳モデルの座標系へ再形成するサブステップと、
   （２）前記脳モデル内のランドマークに対応する前記再形成された画像内のランドマークを識別するサブステップと、
   （３）前記識別されたランドマークに基づいて、前記画像とともに前記脳モデルをレジストするサブステップと
   を具備することを特徴とする請求項１に記載の方法。
3. 前記ステップ（１）は、
   （４）前記画像内の第１皮質輪郭を画定するサブステップと、
   （５）前記脳モデル内の第２皮質輪郭を画定するサブステップと、
   （６）線形変換を得るように、前記第２皮質輪郭内の点に対する前記第１皮質輪郭内の点をレジストするサブステップと、
   （７）前記線形変換を使用して、前記画像を前記脳モデルの座標系へ再形成するサブステップと
   を具備することを特徴とする請求項２に記載の方法。
4. 前記点は、前記ステップ（６）でＩＣＰ法を適用することによってレジストされることを特徴とする請求項３に記載の方法。
5. 前記ステップ（３）は、
   （８）薄板スプライン近似アプローチを使用して、レジストレーション機能を得るサブステップと、
   （９）前記レジストレーション機能を使用して、前記識別されたランドマークに基づき前記画像とともに前記脳モデルをレジストするサブステップと
   を具備することを特徴とする請求項２〜４のいずれか１項に記載の方法。
6. 前記ステップ（ｃ）は、前記１つ以上の各関心領域に対して、
   （１０）強度閾値の狭いペアと広いペアとをそれぞれ計算するサブステップと、
   （１１）前記強度閾値の狭いペアに従って、前記関心領域のカーネル領域を画定するサブステップと、
   （１２）前記ボリュームを接続領域として形成するように、前記強度閾値の広いペアに従って、前記関心領域の周囲の移行領域を含むよう前記カーネル領域を拡張するサブステップと
   を具備することを特徴とする請求項１〜５のいずれか１項に記載の方法。
7. 前記ステップ（１０）は、
   （１３）強度に従って前記関心領域内のボクセルをクラスタリングするサブステップと、
   （１４）各クラスタと隣接するクラスタとの交点に基づいて、各クラスタに対する強度閾値のペアを計算するサブステップと、
   （１５）前記関心領域の強度を有するクラスタの強度閾値のペアを前記強度閾値の狭いペアとして定めるサブステップと、
   （１６）前記関心領域の強度を有するクラスタ、および前記移行領域の強度を有するクラスタに対する強度閾値のペアの組み合わせの下限および上限を前記強度閾値の広いペアとして定めるサブステップと
   を具備することを特徴とする請求項６に記載の方法。
8. 前記ステップ（２）は、
   （１７）クラスタを得るように前記強度閾値の狭いペアで前記画像を２値化するサブステップと、
   （１８）前記カーネル領域となるように、６隣接接続性アプローチに従って前記クラスタから最大接続領域を抽出するサブステップと
   を具備することを特徴とする請求項６または７に記載の方法。
9. 前記ステップ（３）は、
   （１９）前記カーネル領域の能動的境界ボクセルを決定するサブステップと、
   （２０）２６隣接接続性アプローチに従って、前記能動的境界ボクセルを境界パッチへグループ化するサブステップと、
   （２１）境界パッチの拡張を得るように、領域拡張を各境界パッチに適用するサブステップと、
   （２２）接続領域を形成するように、前記拡張された境界パッチを含むよう前記カーネル領域を拡張するサブステップと
   を具備することを特徴とする請求項６〜８のいずれか１項に記載の方法。
10. ステップ（ｄ）の前に、前記対応する脳室に関する特有の処理ステップによって、前記接続領域からボクセルを除去するトリミングステップを具備することを特徴とする請求項６〜８のいずれか１項に記載の方法。
11. 前記関心領域のうちの１つは側脳室に対応し、
    当該関心領域に対する前記トリミングステップは、以下の
    （２３）中矢状スラブとともに前記接続領域の共通の境界ボクセルセットを特定するステップと、
    （２４） 種子点として前記共通の境界ボクセルセットの最大２６隣接接続領域を使用して第１の新しい領域を生成するステップと、
    （２５）後続の新しい領域が空になるまで、前の新しい領域から次の新しい領域を繰り返し生成するステップと、
    （２６）前記共通の境界ボクセルセットと前記新しい領域との和として、前記接続領域を画定するステップと
    を具備することを特徴とする請求項１０に記載の方法。
12. 前記関心領域のうちの１つは第３脳室に対応し、
    前記トリミングステップは、
    （２７）投影画像を得るように、前記接続領域を中矢状面上に投影するサブステップを具備し、
    前記投影画像内の各画素は、前記画素へ向かう投射線に沿った前記接続領域内のボクセル数を表し、
    前記トリミングステップは、
    （２８）２つのクラスタに対して前記投影画像内の画素の閾値クラスタリング値を得るサブステップと、
    （２９）前記閾値よりも大きい値を有する画素に対応する接続領域からボクセルを除去するサブステップと
    を具備することを特徴とする請求項１０または１１に記載の方法。
13. 前記トリミングステップは、
    （３０）前記画像内のランドマークを識別するサブステップと、
    （３１）前記ランドマークに関連する配置位置を有する前記接続領域内のボクセルを除去するサブステップと
    を具備することを特徴とする請求項１０〜１２のいずれか１項に記載の方法。
14. 前記トリミングステップは、
    （３２）現在のスライス内のボクセルに対する次のスライス内のボクセルの面積比が、所定の閾値よりも大きくなるまで、前記画像の各スライス上の接続領域に属している画素の８隣接接続領域を繰り返し特定するサブステップと、
    （３３）前記８隣接接続領域の組み合わせをＣ字型漏洩コンポーネントとして識別するサブステップと
    （３４）前記接続領域から前記Ｃ字型漏洩コンポーネントを除去するサブステップと
    具備することを特徴とする請求項１０〜１３のいずれか１項に記載の方法。
15. 前記トリミングステップは、
    （３５）前記接続領域内の最大画素数を有する前記画像内の第１スライスを識別するサブステップと、
    （３６）前記第１スライスから次のスライスに対する前記接続領域内の画素数の増加を計算するサブステップと、
    （３７）前記接続領域内の画素数の増加が最大である漏洩スライスを識別するサブステップと、
    （３８）前記漏洩スライスの向こう側にある前記接続領域からボクセルを除去するサブステップと
    を具備することを特徴とする請求項１０〜１３に記載の方法。
16. 前記トリミングステップは、
    （３９）前のスライスに対して比較したように、前記接続領域内で画素数がより大きい第１スライスを識別するサブステップと、
    （４０）前記第１スライスの向こう側にある前記接続領域からボクセルを除去するサブステップと
    を具備することを特徴とする請求項１０〜１３のいずれか１項に記載の方法。
17. 画像内の構造の３Ｄ表面モデルを構築する方法であって、
    前記方法は、
    請求項１に記載の方法によって前記構造をセグメント化するステップと、
    ３Ｄ空間内の前記セグメント化された構造の３Ｄ表面モデルを構築するステップと
    を具備し、
    前記３Ｄ表面モデルは複数の頂点を有し、
    前記方法は、
    以下のステップ（４１）〜（４３）を繰り返すことによって、３Ｄ表面モデルを編集するステップを具備し、
    ステップ（４１）は、ある特徴が前記３Ｄ表面モデルから除かれている位置において前記３Ｄ表面モデル上に修正点を配置するステップであり、
    ステップ（４２）は、前記３Ｄ表面モデル内の前記修正点から各頂点までの距離を計算するステップであり、
    ステップ（４３）は、前記３Ｄ表面モデル内の各頂点に対して、前記３Ｄ表面モデル内の前記修正点から前記頂点までの距離が所定の閾値よりも小さい場合、前記修正点から対応する点までの距離がｓｉｎ（πｄ（Ａ，ｐ_ｉ）／２Ｒ）になるように、前記修正点を前記頂点に結合する線上に対応点の位置を決めることによって、前記頂点の対応点を計算するステップであり、
    ｄ（Ａ，ｐ_ｉ）は、前記修正点から前記頂点ｐ_ｉまでの距離であるとともに、Ｒは、前記所定の閾値であることを特徴とする方法。
18. 請求項１〜１７のいずれか１項に記載の方法を行うように配置されたプロセッサを有することを特徴とするコンピュータシステム。
19. コンピュータによって読み取り可能であるとともに、コンピュータシステムのプロセッサに請求項１〜１７のいずれか１項に記載の方法を実行させるように、前記プロセッサによって動作可能な命令を含むコンピュータプログラム製品。