JP2012512672A - 医用画像内病変自動検出方法およびシステム - Google Patents

Abstract

【解決手段】本発明は、医用画像を処理するシステムおよび方法を提供する。入力医用画像は初めに、皮下脂肪を含むコントロールポイント組織のピクセル強度を用いて正規化される。クラスタ化密度マップと悪性確率マップは、正規化された画像から生成され、病変を示す可能性のある、共通内部特性の部位、つまりブロブを同定するように、さらに分析される。これらのブロブは、真性の可能性のあるブロブを、医用画像でよく見られる他のタイプの非悪性腫瘤から識別するために、分析および分類される。

Description

本発明は、概して、医用画像のコンピュータ処理の分野に関するものであり、特に、医用画像における組織層の同定、医用画像における病変自動検出および医用画像におけるピクセル強度の正規化に関する。

多くの国において、癌は死亡の主な原因として認識されている。一般に、癌の早期発見および診断、それに伴う癌の早期治療は死亡率を減少させることに役立つと考えられている。乳癌、卵巣癌、前立線癌等の癌の検出および診断のための様々な画像技術が開発されている。例えば、乳がんの検出および診断のための現在の画像技術は、特に、他の技術の中で、マンモグラフィー、ＭＲＩおよびソノグラフィを含む。

ソノグラフィは超音波に基づく画像技術であり、一般には身体の軟組織の画像化に使用される。通常、トランスデューサは患者の体をスキャンするために使用される。生体組織および器官の超音波（ＵＳ）画像は、トランスデューサにより受信された超音波エコーから生成される。撮像された腫瘤の形状、輪郭および縁の特徴的記述子ならびにエコー輝度は、通常、医用超音波画像の診断に使用される。ソノグラフィは、良性と悪性腫瘤の分類における効果的な撮像モダリティであることが証明されている。

しかし、超音波画像の正確な診断においては、放射線医の経験が重要な役割を担うことが多い。経験豊かな専門家により得られる感度と陰性適中率は、経験の浅い放射線医により必ずしも得られるものではない。さらに、スキャン技術は、悪性病変および良性病変の特徴を識別する定量化および能力に強い影響を及ぼす。このような強い影響はまた、経験値の異なる放射線医の間における超音波画像の一貫性のない診断の一因となる。

また、超音波画像の一貫性を有する分析は、絶対強度の変動によりさらに困難になる。組織タイプの絶対強度は、主に、画像取得中にハードウエア操作者により設定される利得係数などのオペレータ依存変数によって、異なる超音波画像の間で大いに異なる。利得係数は、組織のエコー輝度からグレーピクセル強度まで、マッピング決定における重要な役割を果たす。異なるオペレータによる利得係数の設定はスキャンの間で大きく異なることがあり、その結果、超音波画像の一貫性を有する分析をさらに困難にする。

オペレータに依存する他の設定としては、タイム・ゲイン・コントロール（ＴＧＣ）設定があり、超音波画像の全体的な利得係数に密接に関係する。ＴＧＣは、組織深さに応じて強度マッピングに対するエコー輝度を調節する。組織深さは通常、ピクセルのＹ座標により示される。一貫性に欠けるＴＧＣ設定、または一貫性のないＴＧＣ設定の一貫した補償は、一貫性を有する統一された画像分析への別の困難をもたらす。

オペレータ依存の効果を克服し、胸部ソノグラフィの診断能を改善するために、コンピュータ支援診断（ＣＡＤ）システムが開発されている。ＣＡＤシステムの機能の1つは、コンピューターベース画像処理アルゴリズムを画像に適用することによる、超音波画像における疑わしい領域の自動検出および画定である。これは、ソノグラムにおける多くの検鏡ノイズおよび構造的作為により困難な作業となる。異なる画像取得条件は、一貫性のある画像分析をより困難にする。更なる困難としては、超音波画像における正常解剖構造の腫瘍状外観を含む。クーパー靭帯、腺組織および皮下脂肪は特に、真性病変と同一の多くのエコー輝度および形態学的特徴を共有する、正常な胸部解剖構造である。

本発明の目的は、上記困難の少なくとも１つを軽減または除去することである。

本発明は、医用画像における、組織層の同定、自動病変検出およびピクセル強度正規化に関する。

本発明は、医用画像を処理するシステムおよび方法を提供する。入力医用画像は初めに、皮下脂肪を含むコントロールポイント組織のピクセル強度を用いて正規化される。クラスタ化された密度マップと悪性確率地図は正規化された画像から生成され、病変を示す可能性のある共通内部特性の部位、つまりブロブを同定するためにさらに分析される。これらのブロブは、真性の可能性のある病変を、医用画像でよく見られる他のタイプの非悪性腫瘤から識別するために、さらに分析および分類される。

本発明の一態様において、超音波医用画像における疑われる病変の同定方法を提供する。この方法は、前記医用画像内の皮下脂肪ピクセルの推定代表脂肪強度値を計算するステップと、正規化画像を取得するために、正規化脂肪強度値と前記代表脂肪強度値の間のマッピング関係を利用して、前記医用画像のピクセル値から正規化グレーピクセル値を計算するステップと、個別領域を形成する前記正規化画像内のピクセルを同定し、前記個別領域の各々は一貫性のある内部特性を有するステップと、前記各個別領域から、記述的特徴を抽出するステップと、前記個別領域の前記抽出された記述的特徴を分析し、前記各個別領域が病変である尤度値を前記各個別領域に割当てるステップと、所定の基準を満たす尤度値を有する全ての個別領域を病変候補として同定するステップとを備える。

本発明の別の態様において、病変に対応する可能性のある医用画像における領域を自動同定するシステムを提供する。このシステムは、前記医用画像内のコントロールポイント組織の推定強度を、前記医用画像のピクセル値から計算するよう構成される強度部と、入力ピクセルと正規化ピクセルとの間のマッピング関係を生成し、グレーピクセル値を正規化ピクセル値に変換して、前記マッピング関係に従って正規化画像を取得するよう構成される正規化部と、パラメータ値を入力画像の各ピクセルに割り当てて、パラメータマップを生成するマップ生成部と、前記パラメータマップにあるブロブを、検出および画定するよう構成されるブロブ検出部と、前記検出ブロブの記述的特徴を、検出および計算するよう構成される特徴抽出部と、ブロブが悪性である推定尤度値をブロブの記述的特徴から計算し、前記尤度値を前記ブロブに割り当てるブロブ分析部と、を備える。

別の態様において、デジタルまたはデジタル化された医用画像における組織のグレースケール強度推定方法を提供する。この方法は、クラスタリング操作を医用画像のピクセルの強度値に適用して、前記強度値を個別強度クラスタに分類するステップと、前記個別強度クラスタの１つを、前記組織に対応する強度クラスタとして同定するステップと、前記強度クラスタの代表グレースケール強度値を、前記強度クラスタのピクセルのグレースケール強度から推定するステップと、前記代表グレースケール強度値を前記組織に割り当てるステップと、を備える。

本発明の別の態様において、超音波胸部画像処理方法を提供する。この方法は、胸部の層モデルを構築し、前記モデルの隣接層の各対は前記隣接層の各対間の境界面を定義するステップと、複数のサンプル超音波胸部画像でモデルをキャリブレーションし、前記複数のサンプル超音波胸部画像はそれぞれ、前記サンプル超音波胸部画像の境界面を同定するために手動でセグメント化され、キャリブレーションされた前記モデルはパラメータ化表面モデルを含み、各パラメータ化表面モデルは、サイズパラメータの離散値に対応する一組の境界面参照テーブル（ＬＵＴ）を含むステップと、前記超音波胸部画像の前記サイズパラメータの推定値を受信するステップと、前記サイズパラメータの前記推定値に対応する新規表面モデルを、前記パラメータ化された表面モデルから確立し、前記新規表面モデルは、前記サイズパラメータの前記推定値に対応する一組の計算された境界面ＬＵＴを含むステップと、前記超音波胸部画像内の一次層のピクセルを同定するために、境界面の推定位置を、前記新規表面モデルの前記一組の計算された境界面ＬＵＴから計算するステップと、を備える。

本発明のさらに別の態様において、超音波胸部画像における病変同定方法を提供する。この方法は、一次層組織を分離する表面の推定位置を計算し、前記一次層組織は乳房領域の組織を含むステップと、前記乳房領域のピクセルを同定するステップと、前記乳房領域の各ピクセルに対してピクセル特性ベクター（ＰＣＶ）を構築し、前記ＰＣＶは、少なくとも前記ピクセルの各々の近隣の特性を含むステップと、前記乳房領域の各ピクセルに対して、前記各ピクセルのＰＣＶから悪性確率値を計算し、前記ピクセルのそれぞれに悪性確率値を割り当てて、前記割り当てられた悪性確率値が閾値を上回る場合は、ピクセルを病変の可能性のあるピクセルとして同定するステップと、全ての病変の可能性のあるピクセルの隣接領域を、潜在病変として報告するステップと、を備える。

別の態様において、本発明は、上記の態様の様々な組み合わせおよびサブセットを提供する。

限定ではなく説明の目的で、本発明の上記及び他の態様を、添付図面を参照して詳細に説明する。

医用画像の自動セグメント化および可能性のある病変を検出する過程の手順を示すフローチャートである。 医用画像の処理および診断を行い、図１に示す処理を実施するＣＡＤシステムの概略機能要素を説明する図である。 医用画像の自動セグメント化し、セグメント化された腫瘤を病変候補と非重要領域とに分類する、別の処理における手順を示す図である。 図４ａはノイズ除去アルゴリズム適用前の入力画像であり、図４ｂは平滑化画像である。 医用画像における皮下脂肪の平均脂肪強度自動検出処理の手順を示し、平均脂肪強度は図１および図３に示す処理における正規化ステップで使用される。 胸部超音波画像の一般的な構造である。 胸部画像のおける一次組織層の位置推定方法の手順を示すフローチャートである。 ３Ｄ表示における乳房領域深度（ＭＺＤ）の変動例である。 図９ａは３Ｄ表示におけるモデルＭＺＤ表面の例であり、図９ｂは図９ａに示すモデルＭＺＤ表面の例の２Ｄプロファイルである。 図１０ａは正規化処理適用前の超音波入力画像であり、図１０ｂは正規化画像である。 ８ビット画像における個別コントロールポイント組織に対するピクセル強度値のグレーレベルマッピングである。 悪性マップ生成処理手順を示すフローチャートである。 医用画像を自動セグメント化し、セグメント化された腫瘤を病変候補と非重要領域とに分類する、別の処理の手順を示すフローチャートである。

下記の説明およびその中の実施例は、本発明の原理の特定の実施例の一つまたは複数の例を説明するために与えられたものである。これらの例は、これらの原理と発明を限定することなく説明を目的として与えられたものである。下記説明において、同様の要素は明細書および図面の全体にわたり同じ符号を付す。

本発明は、概して、医用画像を処理するシステムおよび方法に関する。具体的には、本発明は、超音波医用画像における病変候補の検出に関する。

一実施例において、一連の画像処理ルーチンは、より一層の診断的再検討を要することがある各病変候補の検出および分類のために、１つの胸部超音波画像（またはボリュームデータセット）等の入力画像に適用される。図１は、処理１００の概略を提供するフローチャートである。

準備ステップ１１０として、初めに、入力画像（またはボリューム）が処理のため受信される。入力画像は、画像システムにより取得した画像を保存および提供する、医用デジタル画像と通信（ＤＩＣＯＭ）アーカイブ等の画像保存装置から読み出すことができる。また、入力画像は超音波プローブ等の画像取得装置から直接受信することができる。取得パラメータは画像データと共に読み出しが可能である。取得パラメータは、深度およびトランスデューサ周波数を含む、異なる業者の超音波トランスデューサ機器の間の差異によるハードウエアパラメータと、例えばトランスデューサ圧力や時間利得補償等の技術者の機器または取得設定等のオペレータパラメータとを含む。これらのハードウエアパラメータおよびオペレータパラメータは、ＤＩＣＯＭ基準に定義されるデータヘッダから抽出、または、画像システムにより取得された画像がリアルタイムで処理される時に、画像データと共に直接送信できる。

この準備ステップ１１０に続いて、処理１００はノイズ除去、すなわちノイズ除去またはノイズ低減ステップ１２０を有し、入力画像からノイズを除去または低減する。ノイズは、例えばエッジ保存拡散アルゴリズムを入力画像に適用することにより、除去または低減することができる。このようなアルゴリズムは、画像内の物体のエッジを保存および好ましくは強調しながら、画像からノイズを除去または低減するために使用することができる。

次のステップは、画像強度の正規化（ステップ１３０）である。当業者にはよく知られているように、ほとんどの医用画像モダリティのハードウエア装置により生成されたピクセルの強度は、通常、画像取得ハードウエアの差異によりもたらされる非一貫性に見舞われる。これらはまた、超音波画像取得中にハードウエアオペレータに選択される利得係数等、オペレータにより適用される取得技術の不一致に見舞われる。これらの不一致を減少させることが望ましい。非一貫性を減少させる１つの手法は、例えば、一貫して目に見える皮下脂肪等、よく特徴づけられる共通の組織タイプをコントロールポイントとして選択し、このコントロールポイントに対して画像強度を正規化することである。理想的には、強度は、入力画像から動的に判定または測定されたコントロールポイント組織の代表強度に対して正規化される。コントロールポイント、つまりコントロールポイント組織の代表強度は、入力組織タイプから出力強度まで、マッピング関数を確立する。コントロールポイントは、例えば、皮下脂肪の計算された平均強度値であり、出力ダイナミックレンジの中間点にマッピングされる。皮下脂肪は、一貫して、胸部超音波（ＢＵＳ）画像の上部に非常に近接した皮膚線の下に表れる。ＢＵＳ画像では、皮下脂肪は強度正規化のための信頼できるコントロールポイント組織であると考えられている。コントロールポイントとして通常選択することができる他の画像要素には、例えば、無響嚢胞等の器官組織、皮膚組織、線維腺組織、カルシウムがあるが、必ずしもこれらに限定されない。前立腺または甲状腺等、相当量の皮下脂肪が必ずしも存在しない器官においては、別の組織タイプが正規化処理のために持続的にみられることがある。これらの別のコントロールポイント組織は、これらの他の撮像された器官に通常見られる典型的な解剖構造を説明するために使用することができる。

正規化は、ピクセル値をそれぞれの初期値から正規化値へマッピングすることであり、すなわち、初期値と正規化数との間のマッピング関係に従ってそれぞれの初期値から正規化値への変換することである。画像は、平均脂肪強度に基づいたマッピング関係に従って正規化することができる。皮下脂肪が位置することが予想される画像領域が選択され、その後、例えば強度クラスタリングアルゴリズムを選択領域に適用することにより皮下脂肪の強度値が計算される。ｋ平均アルゴリズム等のロバストクラスタリングアルゴリズムを、皮下脂肪の強度推定値の計算に使用することができる。他のロバストクラスタリングアルゴリズムとして、ファジーｃ平均またはR.O. Dudaによる"Pattern Classification", John Wiley & Sons Inc., 2001に記載された期待値最大化クラスタリング技術などがある。クラスタリングアルゴリズムは、ピクセル強度によりグループ化されたいくつかのクラスタを生成する。皮下脂肪に対応するクラスタが同定され、同定されたクラスタ内のピクセルのピクセル値から代表脂肪強度としての平均脂肪強度が計算できるようになる。入力画像を正規化するためのマッピング関係は、脂肪組織のグレーレベルが中間レベルのグレーに表れるように確立することができる。これは、クラスタリングアルゴリズムにより計算された代表脂肪強度を変換するために、マッピング関係を確立する。他の組織または撮像対象を示すピクセルの強度値は、マッピング関係に従って、それぞれの入力値から正規化値に変換される。このステップでは、「脂肪強度正規化画像」が出力される。他のコントロールポイント組織を含むこともできる。便宜上、コントロールポイント組織の検出強度からそれらの各正規化強度へのマッピングを確立することができる。適切な補間を有するマッピング関係は、画像を正規化し、またより一貫性のある正規化画像を生成するために使用することができる。正規化画像の画像強度は、強度と組織のエコー輝度との間のより一貫性のあるマッピングを提供する。

正規化画像は、次に、一致するまたは同様の内部強度特性を有する隣接ピクセルの個別エリア、つまり「ブロブ」を検出するよう処理される（ステップ１４０）。異なるブロブ検出方法を採用することができる。一般に、まず、選択パラメータに対して、パラメータマップ、すなわち画像の各ピクセルにおけるパラメータ値の空間的変動を生成する。次に、閾値を上回る、閾値を下回るまたは所定の範囲内等、一定の基準を満たすパラメータ値を有し、且つ、個別のエリアを形成する隣接ピクセルは、ブロブに属すると同定され、各個別エリアは一つの検出ブロブとなる。パラメータは、結果として生じるマップ、特に、検出されたブロブが病変または他の下層組織構造の検出を支援するよう選択される。このようなマップは、脂肪正規化画像のグレーピクセル強度値に基づいた密度マップである。このようなマップ内のブロブはピクセルの強度クラスタに対応し、これは一般に認められている相対エコー輝度に基づいて、胸部を構成する胸部組織の対応クラスに分類することができる。他のパラメータマップを生成するために他のパラメータを選択することも可能であり、これらについては後述する。

便宜上、潜在的病変のエコー輝度をいくつかのカテゴリの１つとして分類するためにBI-RADS地図を使用することができる。
１．無響：内部エコーがなく暗穴に類似する
２．低エコー：脂肪と関連性があると定義され、領域全体にわたる低レベルのエコーを特徴とする
３．等エコー：脂肪と同一のエコー輝度を有する
４．高エコー：脂肪に比べ増加されたエコー輝度、または線維腺組織に等しい
５．複合：低エコー（嚢胞性）とエコー輝度（固形体）の両要素を含む

クラスタリングアルゴリズムは、それらのグレーピクセル値に基づいてピクセルをクラスタリングする密度マップに適用可能である。例えば、結果として生じるクラスタは、上術の様々なBI-RADSカテゴリに対応する密度マップ内の領域を描写することができる。この処理は通常、多くのクラスタまたは隣接ピクセルの領域、すなわち、個別の画像領域を生成し、それらのうちいくつかの強度は潜在的病変の範囲にある。これらの領域または形状のそれぞれは「密度ブロブ」として特定される。

上述の通り、グレーピクセル密度値に基づく密度マップに加えて、他のパラメータを使用することもできる。そのうちの１つはピクセルの悪性である確率値である。各ピクセルに対して該ピクセルの悪性確率値が計算され、各ピクセルに割り当てられる。その結果、悪性確率マップが生成される。悪性確率マップの生成方法については、後述する。７５％または他の適切な値の閾値を上回る悪性確率を有するピクセルを、複数の個別の領域にグループ化することができる。これらの個別領域は、それぞれ「悪性ブロブ」として同定される。

同定されたブロブの全てが真性の病変ではない。それらのいくつかは、真性の病変ではなく、偽陽性病変候補でありうる。偽陽性病変候補の数を減らすために、ステップ１５０では、ブロブの特徴に基づく分析が行われる。この特徴に基づく分析の詳細は後述する。簡潔に言えば、各ブロブの記述子が、各ブロブの特徴を数値化するために推定される。これらの記述子は通常、形状、方位、深度および局部的背景に対するブロブコントラスト等の特徴や大域的皮下脂肪の強度に関連する。

本処理の次のステップ１６０では、ステップ１５０で推定された記述子を使って、専門家が同定した病変に一致する真性病変候補と、誤って報告された候補との間の微妙な相違を識別する。偽陽性は、除去される。真性病変の可能性のあるものと偽陽性候補とを識別する１つの手法は、各ブロブの記述子をCART(Classification And Regression Trees)アルゴリズムを介して供給することである。CARTアルゴリズムは、初めにトレーニング画像の代表的な一組でトレーニングされる。CARTアルゴリズムをトレーニングするために、トレーニング画像の各画像から抽出または計算されたブロブの特徴は、それらの各記述子と、対応する専門家による分類とに関連付けられる。ステップ１６０では、ステップ１５０で推定された記述子が、トレーニングされたCARTアルゴリズムに供給される。その結果、あるブロブが病変であるという推定確率が生成され、その値がブロブに割り当てられる。ステップ１６０において、閾値を下回る、すなわち所定の基準を満たさない推定確率を有するブロブは、偽陽性として扱われ除去される。ステップ１７０で、残ったブロブのみが、さらなる再検討と研究のための病変候補として同定および報告される。

図２は医用画像の処理および診断のためのＣＡＤシステム２００の概略図である。ＣＡＤシステムは医用画像の１つまたは複数のソースと通信する。ソース２０２は、患者の超音波画像がリアルタイムで取得される超音波画像システム等の医用画像取得システムで構成されることができる。ソースは、画像システムにより取得した画像を１つまたは複数のコンピュータ可読メディアに保存したＤＩＣＯＭアーカイブ等の画像アーカイブであっても良い。また、ソースは、医師により既に読み出された、医師のコンピュータシステムの局部的な保存メディアに保存された画像データであっても良い。画像ソース２０２と連動する画像読出部２０４は、入力画像データを受信する。当該分野の当業者にとって明らかなように、画像読出部２０４はまた、ＣＡＤシステム２００により提供される画像読出し機能でもあり、必ずしも１つまたは複数の特定のモジュールに属するわけではない。取得パラメータ部２０６は、保存された、もしくは医用画像データと共に転送された取得パラメータを抽出する。取得パラメータ部２０６は、ＤＩＣＯＭデータを処理し、これらのパラメータを画像データ内のＤＩＣＯＭデータヘッダから抽出する。また、非標準データ形式に対応するように構成され、任意の独自形式で保存された画像データからこれらのパラメータを抽出しても良い。

ノイズ除去等の前処理部、つまりノイズ低減部２０８は、ノイズレベル低減のために提供される。この目的のため、任意の適切なノイズ低減または除去アルゴリズムを組み入れることができる。画像読出部２０４は、受信画像を前処理部へ送る。前処理部は、ノイズ低減のために組み入れられたノイズ低減又は除去アルゴリズムを、受信画像に適用して、ほとんどのＵＳ画像に見られる周知のスペックルノイズアーチファクト等のノイズを低減する。

システム２００は強度測定部２１０、つまり強度部を含む。強度測定部はノイズ低減画像等の画像をノイズ低減部２０８から受信し、脂肪または皮膚の平均強度または中間強度等の選択されたコントロールポイント組織の代表強度を測定する。組織強度を測定するために異なる方法を実施することも可能である。例えば、使用者は画像内のある領域をコントロールポイント組織に属するとして同定することができ、次に強度測定部が使用者に同定されたその領域内の各ピクセルの強度値を推定し、そこからコントロールポイント組織の平均強度を計算する。クラスタリングにより強度値を抽出する等、より精緻な方法を使用することも可能である。平均強度値を計算するためのｋ平均クラスタリングを使用する例は、後述する。

また、システム２００は強度正規化部２１２、つまり正規化部を含む。強度正規化部２１２は、コントロールポイント組織の代表強度に基づいて、画像のピクセル強度を正規化し、これにより、正規化後、異なるハードウエアユニットまたは異なるオペレータにより取得された画像は、同タイプの組織の対しより一貫性のある強度を有する。強度正規化部２１２は通常、ノイズ低減部２０８により前処理されたノイズ低減画像を入力とするが、画像読出部２０４から直接転送された画像を正規化することもできる。強度正規化部２１２は強度測定部２１０からの出力、すなわち、コントロールポイント組織の代表強度値を使って画像を正規化する。脂肪の強度のみを正規化処理に組み込む場合、強度正規化部は脂肪正規化画像を出力する。通常、一組のコントロールポイント組織の強度が強度正規化部２１２により取り入れられ、その結果、一般強度正規化画像が得られる。一組のコントロールポイント組織に基づいた画像の正規化に採用される方法の詳細については後述する。

また、システム２００は、密度マップ生成部２１６および悪性マップ生成部２１８等の１つ以上の異なるマップ生成部を含むマップ生成モジュール２１４を含む。これらのマップ生成部は、密度値または悪性確率値等のパラメータ値を各ピクセルに割当てる。その結果、密度マップまたは悪性確率マップが生成される。密度マップ部２１６は、各ピクセルに正規化グレーピクセル値、すなわち対応する密度値に割り当てることにより、密度マップを生成する。悪性マップ生成部２１８は、通常はノイズ除去され強度が正規化された画像内の各ピクセルに、ピクセルの悪性確率値、すなわち組織の悪性領域に属するピクセルの確率値を割当て、それにより悪性確率マップを生成する。また、胸部解剖マップ（ＢＡＭ）部２１８'を有することも可能である。ＢＡＭ部２１８'は、正規化画像またはノイズ除去画像等の入力医用画像を受信し、画像の各ピクセルを可能性のある組織タイプに分類する。分類されたピクセルを有する画像は、悪性マップ生成部２１８によってさらに処理することができる。ピクセルの悪性である確率値は各ピクセルに割り当てることができ、これによっても悪性マップを生成できる。これらのマップ生成部で実行可能な処理は、詳細に後述する。

これらのマップは、ブロブにクラスタ化される。ブロブ検出部２２０は、マップ内のピクセルをクラスタして、各ブロブを含む関心領域（ＲＯＩ、以下「ブロブＲＯＩ」）を検出するために、提供される。ブロブは、上述のように、クラスタリングにより、または所定の基準を満たすパラメータを有するピクセルをグループ化することにより検出することができる。ブロブの境界を追跡する、もしくは境界を判定することにより、ブロブ検出部２２０はまた、検出されたブロブを画定する。特徴抽出部２２２は、検出されたブロブから特徴または特性を抽出するために提供される。特徴または記述子の異なるカテゴリを定義し分類することができる。例えば、ブロブの形状に関する特徴や、グレーレベルの変動に関する特徴、または撮像された領域内の解剖構造に関するブロブの空間的位置に関する特徴などが挙げられる。特徴抽出部２２２は、特徴の定義された各カテゴリに従って特徴又は記述子を抽出する、すなわち検出および／または計算をするよう実行される。当然、定義された特徴のカテゴリが増すとともに、特徴抽出部２２２の機能性は、特徴の幅広い領域に対応するよう拡張される。

検出されたブロブは、さらに分析される。例えば、詳細に後述するように、形状、稠密度および伸長等のブロブの形態学的特徴が計算および分析される。分析の前に、ブロブは、ブロブＲＯＩ内のいかなる「穴」も埋めるなどの形態的変更、または形状学的フィルタリングを用いたＲＯＩの境界輪郭の平滑化等を受けることができる。これらのブロブは、ブロブ分析部２２４により、抽出された特徴と、適応可能な場合は各特徴に割り当てられた数値とを考慮して分析される。この分析の結果は、ブロブが悪性、すなわち真性病変の可能性があるという推定尤度値を計算するために組み合わされる。ブロブ分析部２２４はまた、一旦その値が計算または決定されると、推定された尤度値をブロブに割り当てる。所定の閾値を上回る尤度値を有する全てのブロブは、放射線医による更なる検討のために報告されることができる、もしくはさらなる自動診断的評価を受けることができる。報告する病変候補（または疑わしいブロブ）の同定およびこれらの病変候補の報告は、病変報告部２２６により実行される。

さらなる改善として、システム２００はまた粗胸部解剖マップ（ＣＢＡＭ）モデリング部２２８を含むことができる。詳細は後述するため簡単に述べるなら、ＣＢＡＭモデルは胸部の層状モデルであり、胸部の一般的解剖構造とマッチングさせるために、胸部画像をいくつかの一次層に分割したものである。ＣＢＡＭモデリングは、皮下脂肪または乳房領域等の、一次層の位置を推定することに対する自動的なアプローチを提供する。境界面の推定位置は、例えば、脂肪の強度を推定する強度検出部２１０により、またはＢＡＭ’部２１８により、乳房領域のピクセルのみを分類するために使用することができる。ＣＢＡＭモデリング部２２８により実行することができる処理の詳細は、後述する。

図３は、超音波画像等の医用画像を自動区画し、医用画像内で検出された区画された複数の腫瘤を病変候補と偽陽性とに自動分類する処理を示す。この方法は図２に示すＣＡＤシステム、またはＣＡＤの一部と、数ある可能性の中でも特に、画像取得ハードウエアに埋め込まれた画像取得システムとを用いて実行することができる。

最初のステップは、医用画像データと、それに関連する画像取得パラメータとを含む入力画像データを受信することである（ステップ３０２）。これは、例えば、画像読出部２０４と取得部２０６とにより実行することができる。次に、入力医用画像は、ノイズ低減のために前処理される（ステップ３０４）。超音波入力画像内の通常のハイレベルノイズを低減するために、このステップは通常、ノイズ低減およびノイズ除去を含む。ノイズ除去技術はノイズを除去するのみでなく、画像エッジの位置を不鮮明または変更することなく除去するべきである。例えば、入力画像は、画像エッジを維持および強調する一方で、超音波画像からノイズを除去するエッジ保存拡散アルゴリズムにより強調することができ、これにより、極めて限局させることを確実にする。従って、このようなノイズ除去ステップは、ノイズ除去、画像平滑化およびエッジ強調の目的を同時に達成することができる。ノイズ低減部２８８（図２参照）は、ノイズ除去ステップを行うために、任意の適切なノイズ除去、すなわちノイズ低減および除去アルゴリズムを実施することができる。画像エッジの位置を不鮮明または変更せずに画像に収められた特徴のエッジを強調する目的で、ノイズ低減またはノイズ除去アルゴリズムが選択されることが好ましい。さらに、エッジ強調またはノイズ除去処理は、オペレータによる設定またはハードウエアフィルタリングによる画像の特徴の内在的相違を計上するために、画像取得パラメータの関数として構成される。

多くの異なる適切なエッジ保存画像フィルタリングアルゴリズムが使用可能であるが、以下の説明では、これが唯一の適切または利用可能な方法ではないという理解のもと、非線形拡散法を使用する。非線形拡散法は、関心対象のエッジを保存する一方で、入力画像内の無関係又は誤った細部を除去するためによく使用される、周知の画像処理強調技術である。非線形拡散平滑化は、インターリージョン平滑化よりもイントラリージョン平滑化を優先して促す選択的フィルタリングであり、エッジの鮮明さを保存する。この方法は、非線形偏微分方程式の反復的解決
の形式を有し、ｋはコントラストパラメータの役割を果たし、すなわちｋよりも大きい勾配値の構造はエッジであるとみなされ、拡散率は0に近く、ｋよりも小さい勾配値は内部領域に属するとみなされる。アルゴリズムは、Weickert, Jによる"Anisotropic Diffusion in Image Processing", ECMI Series, Verlag, 1998に記載されている。エッジ保存拡散の適用例は、図４に示す。図４ａはノイズ除去アルゴリズム適用前の入力画像を示し、図４ｂは平滑化画像を示す。

病変候補の検出を単純化するため、入力画像Iは画像ピクセル強度と組織エコー輝度との間の一貫性のあるマッピングを確保するために正規化されて、画像間における利得係数設定の変動性を軽減させる。正規化ステップ３０６は、ノイズ除去画像に適用される。正規化されたピクセル値は、画像に示された組織に対し、より一貫したピクセル値の領域を有する。皮下脂肪のエコー輝度は、正規化画像の中間レベルグレー強度により示されることが好ましい。典型的な８ビットの超音波画像では、強度値の中間点は強度１２７に相当し、グレーレベルの範囲は０から２５５の間となる。強度正規化を適用するために、まず脂肪の強度がステップ３０８にて検出される。正規化ステップ３０６の結果、脂肪正規化画像が生成される。より一般的な手法では、皮下脂肪に加えていくつかのコントロールポイント組織の強度が、例えば強度測定部２１０により測定または検出される（ステップ３１０）。マッピング関係は、マッピング参照テーブル（ＬＵＴ）により示される。マッピングＬＵＴは、コントロールポイント組織の代表強度およびそれらに割り当てられた各値から計算される（ステップ３１２）。次に、マッピングＬＵＴに従って、画像を正規化する（ステップ３０６）。以下は、脂肪に基づく正規化を最初に説明する。

図５は、皮下脂肪の強度を判定し、その平均強度を脂肪強度の代表値として使用して原入力画像を正規化する自動処理５００を示す。超音波画像取得プロトコルは、解釈を容易にするために、一般に、強度に対するエコー輝度の均一なマッピングを確保するようにソノグラファが、時間利得補償設定を構成するよう促す。このことは、任意の空間的変動性を考慮して、ここに記載する方法の一層の改良を行うことができることは当然であるが、マッピングの空間的変動性が最小であるという仮定を容認する。

この方法は、超音波入力画像等の原入力画像を受信することにより開始する（ステップ５０２）。次に、主に皮下脂肪ピクセルから構成される入力画像内のＲＯＩを選択または同定する（ステップ５０４）。実験的に、皮下脂肪領域の前面の標準的深度はおよそ１．５ｍｍであり、皮下脂肪領域の後面の標準的深度はおよそ６ｍｍである。皮下脂肪領域の正確な位置における変動に関わらず、深度１．５ｍｍと６ｍｍの間の画像領域のかなりの部分は、脂肪により構成される傾向がある。

脂肪領域は、ターゲット深度の間のノイズ除去画像をトリミングすることにより選択できる。従って、ＲＯＩは、原入力画像の脂肪領域を示すために取得される。乳頭領域の周辺等の一部の領域では、皮下脂肪領域は、画像の最上部におけるより通常の位置よりも後方となる。脂肪領域の選択は、画像領域内の乳頭、乳頭パッドまたは他の特徴の存在を検出することにより、一層改良することができ、必要な場合は、これらのケースに対応するために、皮下脂肪画像ストリップの推定位置の輪郭を移動または変更する。胸部超音波画像の組織タイプの深度のモデリング等の他の方法も、皮下脂肪領域の境界線を描写するために採用することができる。そのようなモデリング方法の一つとして、いわゆるＣＢＡＭ方法を簡潔に後述する。

次に、ステップ５０６にて、ｋ平均クラスタリングアルゴリズム等のロバストクラスタリングアルゴリズムが、皮下脂肪領域の強度に適用される。ｋ平均クラスタリングアルゴリズムの使用につきここで説明するが、前述のように、ｋ平均アルゴリズムの代わりに、ファジーc平均または期待値最大化クラスタリング技術等の他のロバストクラスタリングアルゴリズムを使用することもできる。ｋ平均クラスタリングアルゴリズムは、ｋ＝３である場合、皮下脂肪画像ストリップ等の脂肪領域を３つのピクセル強度クラスタに分割するよう構成される。ストリップの無響および低エコー領域は最低ピクセル強度のクラスタにより同定され、ストリップの等エコー領域は中間レベル強度のクラスタにより同定され、高エコー領域は高強度クラスタにより同定される。

ステップ５０８において、中間レベル強度クラスタの強度を計算または抽出する。ステップ５１０において、代表強度、すなわち本例においては平均脂肪強度が、抽出された強度から計算される。このクラスタリング操作の結果、画像ストリップ内の脂肪の強度のロバスト推定値が得られる。脂肪組織は同一の強度を有することが期待されるため、脂肪組織が皮下ストリップ内または他所に位置するかに関わらず、この推定値は画像全体にわたる脂肪の代表強度として使用することができる。最後に、ステップ５１２にて、ステップ５０２で受信された原入力画像が、推定された脂肪強度を使用して正規化され、その結果、脂肪正規化画像が生成される。正規化処理は、本明細書においてさらに詳細に説明する。

前述のように、皮下脂肪領域はまた、胸部超音波画像の様々な組織タイプの深度のモデリングを通して同定されることができる。図６は、４つの一次層を含む胸部超音波画像の通常の構造を示す。皮膚層６０２は、画像最上部近くで明るい水平領域として表れ、次に、乳房後方筋膜６０８により腺領域または乳房領域６０６から分離された皮下脂肪６０４の均一領域（多くの場合、水平画像ストリップの形状である）が続く。画像の下端には、乳房後方領域６１０、すなわち胸壁領域、通常は胸筋および肋骨が、乳房領域６０６から筋膜６０８により分離された暗い領域として、再度示される。

皮膚線６１２、すなわち皮膚層６０２の外面は、様々な一次層の深度を測定する堅固な基準表面を提供する。各一次層始まりと終わりの深度は、皮膚線６１２から一次層とその隣接する一次層との間の境界面までの距離により便宜的に測定することができる。例えば、皮膚層６０２と皮下脂肪６０４とを分離する第一境界面６１４の深度により、皮膚層６０２の厚さの測定値が得られる。同様に、皮下脂肪６０４の厚さは、皮下脂肪６０４と乳房領域６０６の間の第二境界面６１６の深度を測定し、第一境界面６１４と第二境界面６１６の深度の差を計算することにより得ることができる。また、乳房領域６０６と乳房後方領域６１０との間の第三境界面６１８の深度が分かる場合、乳房領域６０６の厚さは、第二境界面６１６と第三境界面６１８の深度の差から計算することができる。

周知の通り、一次層の厚さは胸部にわたり、胸部のサイズにより変化する。有利なことに、粗胸部解剖マップ（ＣＢＡＭ）モデルは、胸部内の一次層の近似位置のモデルを作る、すなわち推定するために確立することができる（図６）。一次層の位置は、隣接層から分離する境界面により示すことができる。ＣＢＡＭモデルは、一組の境界面参照テーブル（ＬＵＴ）を使用して、境界面の位置を示す。胸部のサイズのばらつきを考慮するため、異なる組の境界面ＬＵＴをパラメータ化するために胸部のサイズを反映したパラメータが選択され、従ってパラメータ化されたＣＢＡＭモデルとなる。このようなサイズパラメータのひとつは、皮膚表面から測定された境界面の最大深度であってもよい。

下記において、最大乳房領域深度ＭＺＤ_maxは、パラメータ化された胸部組織の層状モデル生成、キャリブレーションおよび適用を説明ためのサイズパラメータとして使用される。乳房部深度ＭＺＤは、皮膚からの乳房部の深度、すなわち皮膚線６１２と、乳房領域６０６を後方乳房領域６１０から分離する第三境界面６１８との間の距離である。通常、ＭＺＤ_maxは乳頭の位置としばしば一致する領域である胸部の中央領域にあり、これは顕著な解剖学的特徴である。撮像された胸部のサイズを反映する他の任意の適切なサイズパラメータを、モデリングのために選択できることに注意されたい。

図７は、胸部の一次組織層のパラメータ化モデルを確立し、一時組織層の位置、つまりＢＵＳ画像内の皮膚の深度、皮下脂肪、乳房組織および後方乳房組織層の位置を推定する処理７００のフローチャートである。なお、本処理は二次元（２Ｄ）および三次元（３Ｄ）胸部超音波画像のいずれに対しても等しく適用可能である。

処理７００は、大きく分けて３つの段階を含む。第１段階は、一次層のパラメータ化モデルを構築することである。パラメータ化モデルは、多くの入力画像により構築され、サイズパラメータの選択範囲にわたり生成される。第２段階では、新規ＢＵＳデータセットを受信すると、モデルのサイズパラメータの値であるＭＺＤ_maxが取得パラメータから推定または判定される。新規ＢＵＳデータセットに対するサイズパラメータの推定値は、新規ＢＵＳ画像に対する新規ＣＢＡＭモデルを動的に生成するために、パラメータ化モデルに渡される。第３段階では、一次層の境界面の位置が、新規ＣＢＡＭモデルから計算される。これらの各段階における、各段階のステップおよびそれらのいくつかの変動について、下記で詳述する。

第一段階では、モデルを構築する段階であり、例えば、胸部を４つの一次層に分けて、その後、パラメータ化モデルを多くのサンプルＢＵＳ画像でトレーニング、すなわちキャリブレーションすることにより、４つの一次層の推定位置を計算することによる、物理的胸部解剖の表現を生成する。各サンプルＢＵＳ画像は、手動でセグメント化される、すなわち専門家によりマークされた一次層の間の境界面を有する。モデルはまた、胸部の全体厚み領域に広がるように（例えば、２ｃｍから５ｃｍの間）、多くのサイズパラメータ値、すなわち最大領域深度を用いてキャリブレーションされる。

図７を参照すると、第一ステップ７１０において、多くのサンプルＢＵＳ画像データが読み出され、各サンプル画像が手動でセグメント化される。各サンプル画像と共に、ピクセルサイズ、トランスデューサ角度、最大乳房領域深度値ＭＺＤｍａｘおよび胸部クロックマップの胸部上のトランスデューサの位置等の、スキャン取得パラメータが受信される。次に、ステップ７２０において、スキャン取得パラメータを使って各セグメント画像に対する各境界面の位置が計算される。例えば、ピクセルサイズパラメータは深度値とピクセル値の間で変換するために使用することができる。同様に、トランスデューサスキャン角度は（利用可能であれば）、トランスデューサの配向が皮膚表面に対して垂直でない場合はいつでも、三角形状に基づいて深度値を再計算するために使用できる。次に、ステップ７３０において、各境界面に対して、多くの表面参照テーブル（ＬＵＴ）が生成され、各ＬＵＴはＭＺＤｍａｘ値、つまりトレーニングＢＵＳ画像のＭＺＤｍａｘ値のビン（bin）に対応する。表面ＬＵＴにより境界面の位置を計算することができる。各表面ＬＵＴ（およびその対応する境界面）は、乳頭を参照して測定されるような、胸部上の位置の関数である。乳頭は、ＭＺＤ値が最も高いＭＺＤｍａｘの位置であることが多い。

図８および図９は、ＭＺＤ表面、つまり第３境界面６１８の例であり、乳房領域６０６と後方乳房筋膜６０８との間の境界面である。図８は、通常は乳房領域組織の層が最も厚くなる乳頭８０４から始まる、胸部クロックマップ８０２の位置に対するＭＺＤ値の変化例を示す。この例は、ＭＺＤｍａｘ値が３ｃｍの中央領域８０４を示し、乳頭の位置と一致する。従って、乳頭の位置におけるＭＺＤ値は、ＭＺＤｍａｘパラメータの１００％として示される。遠位細胞８１０は、乳頭８０４の位置から離れるに従って、ＭＺＤ値が小さくなる。この例は、ほぼ対称なＭＺＤ表面を示す。例えば、中央領域８０４までほぼ同じ距離にあるセル８０６、８０８は、ほぼ同じＭＺＤ値を有するが、実際には、表面の形状は非対称であることが多い。ＭＺＤ表面９１０の３Ｄビューを図９ａに示し、２Ｄプロファイル９２０を図９ｂに示す。両者とも、ＭＺＤ_maxのポイント、つまり乳頭の位置９３０から離れるにつれてＭＺＤ値が減少する一般的な傾向、およびＭＺＤ_maxのポイントの周囲におけるほぼ対称な性質を明示している。上述のように、ＭＺＤ表面に対して表面ＬＵＴが生成される。同様に、他の一次層境界、例えば図８および９に示すような、皮膚層６０２と皮下脂肪６０４との間の境界面、そして皮下脂肪６０４と乳房領域６０６との間の境界面を計算することができ、これらの境界面に対して類似のＬＵＴを生成することができる。

離散ＭＺＤ_max値の３Ｄ（または２Ｄ）ＬＵＴが、保存される。これらはその後、新たな一組の新規ＬＵＴが新規胸部ＵＳスキャン、すなわち新規ＭＺＤ_max値に対して計算される時に、利用される。その後、ピクセルサイズパラメータが、ピクセル値に対するＭＺＤ値を図るために使用され、トランスデユーサスキャン角度は、トランスデューサが皮膚表面に対して垂直でない場合に、三角形状に基づいてＭＺＤ値の再計算に使用されることができる。

次の段階では、新規胸部ＵＳ画像、すなわちステップ３０２で受信した医用画像の粗胸部解剖マップ（ＣＢＡＭ）モデルを生成する。図７を参照すると、画像データと関連するスキャン取得パラメータがステップ７４０で読み出される。または、既にステップ３０２で受信している場合は、単にＣＢＡＭモジュール２２８を処理のため転送する。上述のように、受信した画像は、それに関連付けられた推定ＭＺＤ_max値を有する。受信した医用画像のＭＺＤ_max値に対して、表面ＬＵＴの一組がステップ７５０にて計算される。便宜上、新規ＢＵＳ画像の推定ＭＺＤ_max値が、パラメータ化層モデルの生成およびキャリブレーションに用いられた離散ＭＺＤ_max値の１つに一致する場合、対応する表面ＬＵＴは単に読み出され、次のステップで直接使用することができる。そうでない場合は、画像のＭＺＤ_max値に対応する表面ＬＵＴの新たな一組が、パラメータ化層モデルから計算されなければならない。１つの手法では、ＭＺＤ_max値が一括するまたは画像のＭＺＤ_max値に最も近い二組の表面ＬＵＴを単純に選択し、表面ＬＵＴの新たな一組を、これらの表面ＬＵＴの２つの組から、内挿または単純にこれら２つのモデルの間の加重算術平均により計算する。特定のＭＺＤ_maxがモデル内の２つの表面により一括されない場合は、表面ＬＵＴの新たな一組は、最も類似するＭＺＤ_max値を有するモデルから外挿することができる。当然、表面ＬＵＴの新たな一組を計算するために、二組以上のＬＵＴを使用するさらに改良された方法を使用することも可能である。計算された表面ＬＵＴの新たな一組は、新規ＣＢＡＭモデルを構成する。

ＬＵＴの新たな一組が計算されると、最終段階として推定境界表面、すなわち一次組織層の位置を、計算されたＬＵＴの新たな一組を使用して計算する（ステップ７６０）。必要な場合は、異なるスキャンパラメータにより生じた偏差を補正、すなわち補償するために、スキャン取得パラメータを使用することもできる。

本処理はＣＢＡＭモデルを利用するため、ここではＣＢＡＭ方法７００と言及される。ＣＢＡＭ方法は、例えば任意のＢＵＳ画像における一次層の位置推定等、一般的な複数のアプリケーションを有するが、一つのアプリケーションは皮下脂肪領域６０４を同定することである。第一境界面６１４と第二境界面６１６との間のピクセル（図６参照）は、主に脂肪組織を構成すると考えられる。平均脂肪強度は、前述のように、複数の方法の中で、ｋクラスタリング技術の適用、または単純平均化により、これらのピクセルの強度から抽出することができる。

ＣＢＡＭ方法はいくつかの一般的アプリケーションを有することを理解されたい。例えば、グレーレベル強度は、一次層から一次層の間で著しく変化する傾向がある。撮像された胸部を可視化するため、ＣＢＡＭモデルから同定された各層は別々にレンダーリングされることができ、これにより、大きく異なる強度により引き起こされる困難を軽減する。または、可視化のために画像をレンダーリングする時に、撮像された胸部の一部のみがレンダーリングされる。例えば、皮膚層または後部乳房層、またはその両方は、乳房層のレンダーリングから除外することができる。また、後述するように、病変のより一層の処理および同定は、特定の一次層、もしくは一定タイプの組織または病変がより発生する見込みのある層にフィルタの適用を限定することにより、異なる一次層の位置における知識を利用することができ、フィルタはこれらのタイプの組織または病変を検出するよう設計される。

皮下脂肪に対応する画像領域を同定し（例えばＣＢＡＭ方法を使用する）、代表脂肪強度を推定したため、図３に戻り、ステップ３０６で代表脂肪強度を入力画像の正規化に使用する。正規化ステップでは、入力画像の入力範囲[MinGreyLevel, MaxGrayLevel]を、０から２^Nrbits−１までに広がるダイナミックレンジにマッピングする。ここで、Nrbitsが出力画像のピクセル毎のビット数を示す。皮下脂肪の推定強度は、出力ダイナミックレンジ（２^Nrbits−１）/２の中間強度、例えばNrbits＝８の場合１２７のように、通常は強度の中間レベルに近い点にマッピングされる。正規化は、単なる例であるNrbits＝８に限定されないことに注意されたい。

図１０は、強度正規化および画像平滑化の前（図１０ａ）と後（図１０ｂ）の超音波画像の例であり、画像の上端領域の皮下脂肪領域（１００２ａおよび１００２ｂ）の中間レベルグレーへのマッピングを示す。正規化画像において、低エコー領域と無響領域は、より簡単に同定される。病変はこれらの２つのエコー輝度分類のいずれかに当てはまることが非常に多いため、正規化処理によりそれらの検出と描写が容易になる。

画像強度を正規化した後、次の段階は、病変候補ブロブ検出である。図３を参照すると、様々なタイプの組織エコー輝度に対する自動病変候補検出に対応するために、最初にパラメータマップが生成される。下記では、ステップ３１４の密度マップ生成、すなわち正規化グレーピクセル値を使用した密度マップの生成を想定する。他のタイプのパラメータマップの生成と処理については後述する。正規化グレーピクセル値は、胸部の組織組成に類似する胸部組織に対するいくつかのエコー輝度領域にクラスタ化される。無響クラス、低エコークラスまたは等エコークラスのいずれの１つに属する領域は、潜在的病変候補として個別に追跡および保存され、後述のように、それらの分類を支援するためのさらなる分析を受ける。

密度マップからブロブを検出するために（ステップ３１８）、密度マップは初めにクラスタ化されてクラスタリング密度マップが生成される。密度マップからのクラスタリング密度マップの計算は、画像の無響領域、低エコー領域および等エコー領域を検出するためにロバストクラスタリングまたは正規化画像の強度への分類アルゴリズム適用により構成される。この方法に続いて、入力画像のピクセルが初めにピクセル強度に基づいて５つの領域カテゴリにグループ化される。第１クラスタは、画像の無響の暗領域を含む。第２クラスタは、ＢＵＳ内の低エコー領域をとらえる。第３クラスタは、等エコー脂肪領域を含む。第４クラスタは、わずかに低エコーの腺領域を含み、最後に、皮膚、クーパー靭帯、スペックル雑音および微小石灰化が、高エコーの第５クラスタを構成する。ピクセルをクラスタ化するために、k＝５であるk平均クラスタリングアルゴリズムが正規化画像に適用される。このことは、正規化入力画像のダイナミックレンジを、上記の５つのカテゴリに対応する５つの強度クラスタに区分化する。クラスタ内の各隣接領域は、一貫したまたは類似した内部強度特性を有し、そのため「密度ブロブ」である。これらの隣接した個別領域はそれぞれ、潜在的病変として別々に分析することができる。その後、ブロブの検出は、クラスタ化された隣接する領域、すなわち密度ブロブの概略的輪郭の生成のみを必要とする。

真性病変の可能性のあるものを、医用画像に見られる他のタイプの腫瘤から区別するために、ブロブに関連する異なる特徴または特性が抽出され、ブロブを分類するために分析される（ステップ３２０）。通常、これらの特徴又は特性は、ブロブが何を示すかを説明するため、記述子と称される。以下は、特徴に基づくブロブ分析の１つの手法を説明する。この分析は、最初に一組の関連記述子を選択することにより開始する。次に、これらの記述子は分析され、ブロブの悪性である推定確率との関連性が評価される。これらの記述子を評価し、ブロブが悪性であるという推定確率を生成するために、例えば、ＣＡＲＴツリーを採用することができる。次に、ブロブが悪性である尤度を示す値が計算され、ブロブに割り当てられる。高推定確率を有するブロブは、可能性のある病変としてマークされる。これらの各ステップは後ほど詳述する。

前述のように、これらの特徴、つまり記述子は、ＣＡＲＴ操作に入力される。ＣＡＲＴアルゴリズムは最初に、これらのブロブ記述子、およびこれらに対応する、トレーニング画像の代表的な一組に対する専門家による分類により展開される。次に、ＣＡＲＴアルゴリズムは入力画像から同定された各ブロブの一組の記述子に適用される。ＣＡＲＴツリー操作の出力は、ブロブが病変であることの尤度値または推定確率を取得するために使用される。偽陽性は、分析されたブロブに割り当てられた尤度値に基づいて除去される。（ステップ３２２）。

ＣＡＲＴ操作を準備するために、まず、固体小結節と疑わしくない病変候補とを区別するために、いくつかのブロブ特徴が定義される。特徴又は記述子は、形状、グレーレベル変動および空間的位置の３つの主なカテゴリに分類することができる。記述子の各カテゴリは、さらにサブクラスに分類することができる。例えば、形状記述子は、セグメント化されたブロブ候補から生じた特徴と、楕円をブロブの輪郭に合わせた結果生じる特徴との２つのサブクラスに分類することができる。稠密度指標と伸長値は、第１サブクラスに属する。稠密度指標は、下記の様に計算することができる。
ここで、円は稠密度１を有し、正方形は稠密度値π/４を有する。上記の数式では、BlobAreaはブロブ領域であり、BlobPerimeterはブロブの概略的輪郭の全長を示す。

伸長指標は、幅と高さの割合を使用して定義され、下記の様に計算することができる。

上記の数式において、WidthBlobBoundingBoxは密接にブロブの境界をつける長方形ボックスの幅であり、HeightBlobBoundingBoxは長方形境界ボックスの高さである。伸長度の値は常に０よりも大きい。１の値は、ほぼ正方形または円形のオブジェクトを表す。伸長度の値が無限である傾向に従って、オブジェクトは水平方向により伸長される一方で、その伸長度の値が０に近づくに従ってオブジェクトは垂直方向により延伸される。

同様に、楕円をブロブの輪郭に合わせた結果生成された特徴は、主軸の偏心および配向の２つのサブクラスにさらに分けられる。偏心は、下記の様に定義される。

上記の数式において、ShortEllipseAxisLengthは合わせた楕円の短軸の長さであり、LongEllipseAxisLengthは合わせた楕円の長軸の長さである。偏心値は、厳密に０より大きく、１以下である。

主軸の配向は、以下から計算される。
μ₁₁、μ₂₀、μ₀₂はオブジェクト内でピクセルが腫瘤の中心からどれだけ分散しているかを測定する二次モーメントである。より一般的には、中央モーメントμ_mnは下記の様に定義される。
ここで、（X_mean, Y_mean）は腫瘤の中央の座標である。

グレーレベル変動記述子も、病変内のグレーレベル変動を記述するカテゴリと、病変の局部的および全体的背景に対して病変グレーレベルコントラストを記述するカテゴリとの、２つのカテゴリに分けられる。病変内のピクセルのグレーレベル変動を記述する特徴は、さらに分割され下記の４つのサブカテゴリに分類される。

ａ．二次中心モーメントである、分散
ここで、ブロブはNピクセルを含み、ブロブ内のi^thピクセルのグレーレベルはxⁱにより示され、μはブロブ内の全てのピクセルの平均グレーレベルを示す。

ｂ．三次中心モーメントであり確率変数の非対称を表す、歪度
ここで、σは標準偏差または変数の平方根である。負の歪度は左に歪んだデータを示し、正の歪度は右に歪んだデータを示す。

ｃ．第４モーメントである、尖度
正の尖度は「尖頂を有する」分布を示し、負の尖度は「平らな」分布を示す。

ｄ．セグメント化された病変に含まれる全てのピクセルのＬ₂勾配ノルム

病変の背景と皮下脂肪領域に対して病変内のピクセルのグレーレベルの変動を表す特徴は、下記の２つのサブカテゴリに分類することができる。

ａ．任意の背景上の病変の可視性。背景は、ブロブの境界輪郭の外縁から始まる領域として定義され、輪郭を超えていくつかのピクセルを伸長する。ブロブ領域を囲むこのような背景領域を描出する１つの方法は、ブロブ領域を示す二値画像に形態学的膨張フィルタを適用し、その後、元のブロブ領域を膨張領域から差引いて、ブロブ領域を直接包囲する管状背景領域を残すことである。さらに単純な背景領域は、ブロブ領域と境を接する長方形のボックスを当てて、背景領域を示すために、ブロブ領域外で当てられた長方形内の全てのピクセルを考慮することにより抽出することができる。可視性指標は、以下から計算することができる。

この数式において、MeanLesionは病変内のピクセルの平均グレー値であり、MeanBackgroundは背景領域のピクセルの平均グレー値である。

ｂ．病変内のピクセルの平均グレーピクセル値の正規化値と皮下領域からの脂肪値：

上述のように画像から計算または抽出された特徴の分析および偽陽性除去の後、最終ステップ（ステップ３２４）にて、閾値を超える尤度値を有する全てのブロブが、例えば、放射線医によるより一層の検討のために表示装置に表示されたり、またはより一層の自動分析のために追加ＣＡＤモジュールに転送されることにより、報告される。これらは尤度値の降順に表示されるよう分類されてから後に報告することができる。これにより、自動病変検出処理が完了する。

病変候補の自動検出のパフォーマンス向上のため、上記の処理にバリエーションを取り入れることができる。例えば、上記の説明は、概して脂肪正規化画像の処理に関連している。通常、入力画像の正規化は、皮下脂肪のみの代わりに、いくつかのコントロールポイント組織を含むことができる。このことは、脂肪の強度に加え、入力画像強度範囲内にいくつかの基準強度値（「コントロールポイント値」）を確立することを要する。各コントロールポイントは、入力またはノイズ除去された画像から測定されたコントロールポイント組織の代表強度と、コントロールポイント組織の期待される、または割り当てられた強度との２つの値とを含む。ステップ３０８（処理５００として詳述されるステップ）で判定される脂肪の強度と他のコントロールポイントの強度は、画像正規化参照テーブルを生成するために使用される。

一実施例において、ステップ１３０（図３参照）で、正規化ＬＵＴに対するコントロールポイント値を計算するために、ロバストクラスタリング操作（例えば、ｋ平均クラスタリング）が、皮下脂肪領域のみの代わりに全体画像に適用される。最初のクラスタリング実行で取得された脂肪および高エコーの強度値は、全体画像を分類する一方、脂肪および皮膚の後続するクラスタ中心を設定するために使用される。この第２クラスタリング操作の結果、無響、低エコー輝度、および高エコー輝度を示す強度をとらえるいくつかの追加の特異的なクラスタ中心が推定される。これらの幅広いクラス（例えば高エコー輝度）は、クラスタリングにより個別に検出される必要があるエコー輝度のいくつかのサブクラスを含むことが多い。例として、類似しているが統計的に異なる、皮膚と線維腺組織のエコー輝度が挙げられる。スペックルノイズのレベルを減らすために、平滑化画像を使用することができる。あるいは、クラスタリングアルゴリズムを適用する前に、読み出した画像にメジアンフィルターを適用することができる。

全てのコントロールポイントの強度が推定または測定された後、前処理画像のピクセルの強度と、結果として生じる画像との間の一貫性のあるマッピングを確立する必要がある。マッピング関係（ステップ３１２）は、様々な方法で確立することができる。例えば、コントロールポイントは所定の値または割当てられた値にマッピングされ、隣接するコントロールポイントの間のピクセル値が補間される。また、最小または最大ピクセル値とその隣接するコントロールポイントとの間の強度を有するピクセル値を、補間することができる。例えば、スプライン当てはめのような、任意の周知の曲線当てはめ方法を使用して、最小または最大ピクセル値を含む滑らかな曲線をこれらのコントロールポイントに当てはめ、これらのコントロールポイントの間に、値を補間することができる。

図１１は、測定されたコントロールポイント組織の、それらのそれぞれ割り当てられたグレーピクセル強度値へのマッピングを表す。本実施例において、これらのコントロールポイント１１０４（そのうちの１つは脂肪１１０６）を連結する滑らかな曲線１１０２が最初に求める。例えば、スプライン補間はいくつかのコントロールポイントを入力し、コントロールポイントを連結するように滑らかな曲線を当てはめる。次に、滑らかな曲線１１０２に基づく参照テーブルが生成され、すなわち、滑らかな曲線１１０２に示される近似関数を使用して計算され、入力画像の最初のピクセル値１１０８から正規化画像の出力ピクセル値１１１０までの速いマッピングを容易にする。

マッピングＬＵＴまたは正規化ＬＵＴにおける各コントロールポイント位置は、入力画像の基準強度と、あらかじめ確立された相対的エコー輝度関係に密接に従う各基準組織に対する、所定または割り当てられた出力強度との関数である。このような相対エコー輝度関係の１つは、A.T.Stavrosによる"Breast Ultrasound", Lippincott Williams and Wilkins, 2004により提案されている。この方法を説明するために、下記では一組のコントロールポイントの割当てを説明する。
１．最小入力グレーピクセル値は０にマッピングされる。
２．無響領域の強度は出力強度P_Cyst*(2^NrBits-1)にマッピングされ、P_Cystは最大出力強度の所定の割合値（通常５％）である。
３．皮下脂肪の推定強度は、出力ダイナミックレンジ(2^NrBits-1)/2の中強度、例えばNrBits＝８である場合１２７に位置づけされる。
４．皮膚強度は、入力画像の高エコーピクセル強度の範囲の底部で認識され、新規強度P_Skin*(2^NrBits-1)にマッピングされ、P_Skinは９０％など所定の高い割合値である。
５．線維腺組織のエコー輝度の強度は、入力画像の高エコーピクセル強度の中程度で同定され、出力強度P_{Fibroglandular}*(2^NrBits-1)に割り当てられ、P_{Fibroglandular}はP_Skinよりも大きい所定の割合値で、例えば９５％である。
６．カルシウム強度は、入力画像の最高強度クラスタにおける平均グレーピクセル値であると推定される。これらの入力強度はP_Calcium*(2^NrBits-1)に割り当てられ、P_CalciumはP_{Fibroglandular}よりもさらに大きい所定の割合値であり、例えば９８％である。
７．最後に、最大入力グレーピクセル値は(2^NrBits-1)に割り当てられ、例えばNrBits＝８の場合２５５である。
NrBitsという用語は、入力ピクセル強度値を示すために使用されるビット数を示し、本例では通常の値８が示され、入力ピクセル強度のダイナミックレンジが０から２５５となる。より大きなデータタイプ（NrBitsの値が１６、３２または６４）、または非整数強度値をサポートする浮動小数点タイプもまた、これらの目的のため使用することができる。

図１１は、上記の各コントロールポイント組織へのピクセル強度値のグレーレベル割り当てを示す。本例は一組の７つのコントロールポイントを説明するが、当然、他の適切な組のコントロールポイントを選択および定義することも可能である。コントロールポイントの選択は、画像診断法（例えば、ＭＲＩ画像は異なる一組のコントロールポイントを必要とする）および撮像された解剖領域（例えば、肺、前立腺、または卵巣の画像は異なる一組のコントロールポイントを使用することがより好ましく標準化される）に左右されることが多い。

正規化ＬＵＴは、ステップ３０６にて、ノイズ除去画像の正規化に使用することができる。その結果、全般強度正規化画像が生成される。強度正規化画像を処理するさらなるステップは、脂肪正規化画像の処理に関する上記の処理、つまり、ステップ３１４、３１８乃至３２４と基本的に同様である。これらのさらなるステップの説明はここでは繰り返さない。

他の変形態様は、ハードウエアおよびオペレータパラメータにおける変動を補償するために使用できる悪性マップの使用に関する。前述の様に、画像処理に関与する様々な取得パラメータは、画像データの一貫性に影響を及ぼす。これらのパラメータは２つのグループに分類することができる。第１クラスは、異なるメーカーの超音波トランスデューサ機材における変動によるパラメータであり、深度およびトランスデューサ周波数を含む。第２クラスは、トランスデューサ圧力およびＴＧＣ等、技術者による手動設定に関連する要素を含む。

ステップ３１６では、悪性可能性マップが生成される。このステップは、密度マップの生成（ステップ３１４）の代替または追加となりえる。悪性可能性マップは、入力画像の各ピクセルに、ピクセルの悪性である確率値を割り当てる。確率値は良性の０．０と悪性の１．０の間に広がる。

当業者にとって周知のように、確率は０から１の間の任意の値を取ることができる。一方、専門家によるマークはバイナリ方式で病変領域を示す。つまり、病変領域内のピクセルは１の値を有し、画像背景の悪性値は０に設定される。バイナリ変数０と１を扱うためのモデルを生成するために、ロジスティック回帰が使用される。モデルは放射線医によりマークされた病変領域を含む多くの画像でトレーニングされる。ロジスティックモデルは、下記のような画像ピクセル値、ハードウエアおよびオペレータ変数を組み込んで生成される。
１．正規化グレーピクセル値
２．クラスタ化された密度マップ値
３．皮膚表面からの検査領域の深度を示すｍｍで表されるピクセルサイズ
４．トランスデューサ周波数
５．ＴＧＣ値

従って、悪性確率マップは、正規化グレーピクセル値、密度マップ値および取得パラメータを考慮して生成されるため、これらのパラメータの不一致を最小限に抑える。

ロジスティックモデルの１つの主な利点は、皮膚表面からの物理領域深度を考慮することであり、その結果得られる悪性確率マップは、後部特徴として陰影または部分的な陰影を有する病変の上部を示すことができることである。一方、通常は深度に関する情報を持たない密度マップは、後部特徴を示すことができない。従って、密度マップのみの検査では見逃される特定の病変候補を、悪性可能性マップから特定することができる。

悪性確率マップは、所定の確率閾値を確率マップに適用することにより、ステップ３１８にてクラスタ化される。０．７５等の所定の閾値よりも大きい確率値を有する全ての領域は、ブロブ、つまり「悪性ブロブ」に分類される。検出された悪性ブロブの分析およびそれに関する報告を行うさらなるステップは、密度ブロブの分析および報告（ステップ３２０および３２２）に関連する説明と同様であるため、ここでは説明を繰り返さない。

悪性確率マップの生成は、上記のロジスティックモデル手法に限定されない。以下は、悪性確率マップを生成する他の方法を詳細に説明する。この方法は、ピクセルを異なる組織タイプに分類するために、ピクセルに特有の特徴およびピクセルの近隣に関連する特徴を分析する。ピクセルが一組の組織タイプのそれぞれに属する確率値は、ピクセルが病変に属する確率を含めて、ピクセルに割り当てられ、そこから悪性確率マップが生成される。この方法は、後節で詳細に説明する。

図１２を参照すると、まず、入力画像が前処理される（ステップ１２１０）。これはノイズ除去（サブステップ１２１２）、エッジ保存フィルタリング（サブステップ１２１４）および画像正規化（サブステップ１２１６）を含むが、必ずしもこの順序とは限らない。入力画像の強度は、動的に検出されたコントロールポイント組織強度（皮下脂肪等）を使用して正規化される（サブステップ１２１６）。異方性エッジ保存フィルタリング（サブステップ１２１４）が、超音波画像から典型的なスペックルノイズを除去するために適用される。フィルターパラメータは、特定のスキャナの低いネイティブ解像度、または他のスキャナに適用される増強された「固有平滑化」を説明するメーカー特有の画像特性に対応するためにチューニングされる。他の前処理ステップを含むこともできる。例えば、フィルタチューニングは、前処理に対するフィルタ構成に影響することが多いトランスデューサ周波数等の要素を含むことができる。

次に、この方法は、ベクター、すなわちピクセルおよびその近隣を示す一組のパラメータの計算または構築に関与する（ステップ１２２０）。一組のパラメータは、ピクセル特性ベクター（ＰＣＶ）と称される。当然、３Ｄ画像の場合、一組のパラメータはボクセルを表し、ボクセル特性ベクター（ＶＣＶ）と称される。ここで説明する方法は、２Ｄまたは３Ｄに関わらず、等しく適用可能である。下記において、ＰＣＶとＶＣＶを区別しない。両者とも、ＰＣＶと称される。ピクセル固有特性値は、例えば、ピクセルの正規化グレーレベルと、皮膚ラインからのピクセルの物理的深度とを含む。入手できる限り、乳頭からのピクセルの垂直距離や、乳頭（胸部クロック位置）を横断するＳＩ（上下位）ラインからのピクセル位置の角度のようなピクセルの概位を含むこともできる。これらのピクセル固有特性は、サブステップ１２２２にて画像データから抽出され、その後ピクセルのＰＣＶに含められる。

各ピクセルの近隣の特性もまた、多重解像度ピクセル近隣解析で測定される（サブステップ１２２４）。いくつかの近隣サイズおよびスケールは分析に使用され、分析は各スケールの各ピクセルの物理的サイズ（例えば、ｍｍ/ピクセル）を具体的に説明する。いくつかの多重解析フィルタが、ピクセルの近隣に適用される。多重解析フィルタに対する反応は、近隣における、質感、エッジ構造、線状パターンまたはグレーレベル強度等の、対象ピクセルの近隣特性を提供する。これらのフィルタの反応は、カテゴリに分類され、ＰＣＶの近隣部に含められる。以下の例は、組織タイプの同定を支援するために適用可能なフィルタータイプを説明する。

１．線状パターンフィルタは、画像内の線形構造に対する高反応を実現する。胸筋は、その特徴的短い線状「小体」により同定されることが多いため、適切なスティックフィルタが高反応を起こす独特の質感を与える。

２．多重スケールで高反応を起こすエッジフィルタは、長い構造を示すことが多い。画像の上半分における長エコー輝度ラインは、画像上部において皮膚を示す可能性のある水平状でない限り、乳筋膜またはクーパー靭帯に一致することがある。

３．直径４ｍｍ未満の円形低エコー領域は、通常、健康な管または終末乳管小葉単位（ＴＤＬＵｓ）を示し、テンプレート円形コンボリューションカーネルは、これらの領域に対する高反応を起こす傾向がある。

４．大きな近隣サイズにおけるフーリエ分析は、シャープなエッジの細部の量に対して徐々に変化する領域内のシェーディングを示し、これは脂肪の見込みがある、低周波数の質感変動を有する、等エコー組織の領域を同定するために使用することができる。

次に、ピクセル特性ベクター（ＰＣＶ）が、サブステップ１２２２と１２２４で獲得されたピクセル固有値とピクセル近隣値から各ピクセルに対して構成される（サブステップ１２２６）。

各ピクセルに対するＰＣＶを獲得した後、次のステップ（１２３０）では、各ピクセルのＰＣＶを分類する。ＰＣＶを分類するために、任意の適切な分類子を使用することができる。一般に、多次元分類コンポーネントはＰＣＶを入力とし、問題となっているピクセルが各特定出力クラスに属する確率を表す出力ベクターを生成する。一組の出力クラスは、以下のうち１つ以上を含む。
・脂肪組織
・管
・ＴＤＬＵ
・筋膜
・クーパー靭帯
・病変組織
・胸筋（筋）組織
・リンパ節
・肋骨

一実施例において、ＰＣＶを分類するためのＣＡＲＴツリーは、多次元分類子を構成、すなわちキャリブレーションするために専門家にマークされたトレーニングデータのセットを使用して生成される。各出力タイプに対する最大識別反応を発生させるようにフィルタを整調するために、ＰＣＶを獲得するために使用されるフィルタセットと類似した、もしくは同一の多重解像度フィルタセットが、これらのＢＵＳ画像を背景に適用される。ＣＡＲＴツリーでのＰＣＶの処理は、ＰＣＶが可能性のある出力カテゴリのいずれかひとつ、特に、病変組織カテゴリに当てはまる確率を返す。各ピクセル、すなわち各ＰＣＶが分類された後（ステップ１２３０）、ＢＵＳ画像内の各ピクセルが属する組織および解剖タイプを表すＢＡＭが生成される。

これらの２つのステップ１２２０と１２３０およびそれらのサブステップ、すなわち各ピクセルに対する一組のＰＣＶを抽出するために、一組の多重解像度フィルタをＢＵＳ画像に適用することと、ＰＣＶを分類するために続けて多次元分類子を適用することは、ＢＡＭ部２１８’で実行されることができる。次に、ＢＡＭ部２１８’は、悪性確率マップを抽出または生成するために、分類されたＰＣＶを悪性マップ部２１８に渡すことができる。

病変組織カテゴリは、ピクセルが疑わしく、さらなる調査を必要とするＢＵＳ画像の領域に属することを示す。ＰＣＶ分類時に、病変組織に属する対応するピクセルの確率が取得されて、ピクセルに割り当てられる。悪性確率値をピクセルにマッピングすることにより、悪性確率マップが生成される（ステップ１２４０）。

ニューラルネットワークと混合モデル（クラスタに基づく）技術を含む、別の分類システムを使用することも可能である。これらの他の分類子内の内部処理は異なるが、全ての手法は同一タイプの入力を取り、ピクセルを分類し、同一タイプの出力を生成すると考えることができる。

図３に示す処理の、各ステップの代替手段により紹介された変形に加え、ここに記載した異なる代替手段を組み合わせることにより、図３に示す処理の変形も可能である。図１３は図３に示す例の１つの代替手段の例を示す。

この変形形態によると、前述のように、その取得パラメータと共に画像は最初に読み出しおよびノイズ除去される（ステップ１３０２）。次に、エッジ保存フィルタリングが、ノイズ除去画像に適用される（ステップ１３０４）。一方、ＭＺＤ_maxでパラメータ化されたＣＢＡＭモデルが生成される（ステップ１３０６）。ＣＢＡＭモデル構築の詳細なステップは、図６から９を参照に既に説明済みであるため、ここでは繰り返さない。画像の推定ＭＺＤ_max値に基づいて、画像の新規ＣＢＡＭモデルが生成され、そこから一次層境界面の位置を推定することができる（ステップ１３０８）。次に、この画像は、脂肪のみの代表強度またはいくつかのコントロールポイント組織の代表強度を使用して正規化される（ステップ１３１０）。

前述のように、ＣＢＡＭモデル方法の出力により提供された一次層の位置に対する知識は、後に続くステップの精度と効果を改善するために使用することができる。特定タイプの組織または病変に反応するフィルタは、このタイプの組織または病変が発生すると最も考えられる一次層のみにおいて選択的に適用可能であり、それらの存在が期待されない１つまたは複数の層には適用されない。通常、例えば、胸筋は、１ｍｍ²よりも大きな近隣で明白に可視できる特徴的質感を有するが、通常は後方乳房領域のみに予期される。効率を上げ偽陽性を低減するために、胸筋を検出するよう設計されたフィルタを、後方乳房領域で同定されるピクセルのみに適用することができる。フィルタ反応は、他の全ての一次層に対して０に設定される。このことは、皮膚層の胸筋を誤って報告する可能性をなくす。同様に、乳房領域にもっともよく起こる病変を検出するよう設計されたフィルタは、他の層ではなく、乳房領域内のピクセルのみに適用することができる。

次のステップでは、画像内の各ピクセルに対してＰＣＶを構築（計算）する時（ステップ１３１２）、上記の様に効率と精度を改善するために、乳房領域６０６内のみのピクセルに計算を限定することができる。次に、乳房領域のピクセルは、計算された各タイプに属する確率値を有する異なる組織タイプに分類される（ステップ１３１４）。ピクセルの悪性である確率値から、悪性マップが生成される（ステップ１３１６）。次のステップでは、例えば悪性確率の閾値を悪性マップに適用することにより、ブロブを分離する（ステップ１３１８）。さらなる分析ステップ、すなわち、ブロブ検出（ステップ１３２０）、ブロブ分析（ステップ１３２２）および偽陽性の除去（ステップ１３２４）を実行することができる。最後に、病変の候補が報告される（ステップ１３２６）。これらのステップは、全て詳細に説明済みであるため、ここではその説明を繰り返さない。

本発明の様々な実施例を、詳細に説明した。当業者であれば、本発明の範囲から逸脱することなく、これらの実施例に対し種々の変更、適応および変形を行うことが可能であることを理解されたい。上記のベストモードにおける変更または追加を、本発明の本質、精神または範囲から逸脱することなく行うことができるため、本発明はこれらの詳細にではなく、添付された特許請求の範囲によってのみ限定される。

Claims (30)

1. 超音波医用画像内における疑われる病変を同定する方法において、
   前記医用画像内の皮下脂肪ピクセルの推定代表脂肪強度値を計算するステップと、
   正規化画像を取得するために、正規化脂肪強度値と前記代表脂肪強度値の間のマッピング関係を利用して、前記医用画像のピクセル値から正規化グレーピクセル値を計算するステップと、
   複数の個別領域を形成する前記正規化画像内のピクセルを同定し、前記個別領域の各々は一貫性のある内部特性を有するステップと、
   前記各個別領域から、記述的特徴を抽出するステップと、
   前記各個別領域の前記抽出された記述的特徴を分析し、前記各個別領域が病変である尤度値を前記各個別領域に割当てるステップと、
   所定の基準を満たす尤度値を有する全ての個別領域を病変候補として同定するステップと、
   を備えることを特徴とする方法。
2. 前記医用画像の正規化グレーピクセル値を計算する前に、ノイズ除去画像を得るために前記医用画像のノイズを除去するステップをさらに備え、前記正規化グレーピクセル値は、前記ノイズ除去画像のピクセル値から計算されることを特徴とする、請求項１記載の方法。
3. 前記ノイズを除去するステップは、エッジ保存拡散画像フィルタリングを前記医用画像に適用することをさらに備えることを特徴とする、請求項２記載の方法。
4. 前記ノイズを除去するステップは、エッジの鮮明さを保ちイントラリージョン平滑化を促進する選択的フィルタリングを前記医用画像に適用することをさらに備えることを特徴とする、請求項２記載の方法。
5. 前記超音波画像内の皮下脂肪領域を選択するステップをさらに備え、
   前記推定代表脂肪強度値は、前記選択された皮下脂肪領域内のピクセルから計算されることを特徴とする、請求項１記載の方法。
6. 前記推定代表脂肪強度値を計算するステップは、ｋ平均クラスタリングを前記選択された皮下脂肪領域に適用することさらに備えることを特徴とする、請求項５記載の方法。
7. 前記推定代表脂肪強度値を計算する前記ステップは、前記ｋ平均クラスタリングから取得した中間レベル強度クラスタ内のピクセルの平均ピクセル強度値を計算することをさらに備えることを特徴とする、請求項６記載の方法。
8. 皮下脂肪を含む複数のコントロールポイント組織を選択するステップと、
   強度クラスタを生成するためにピクセル強度をクラスタリングし、前記複数のコントロールポイント組織はそれぞれ少なくとも１つの前記強度クラスタにより示されるステップと、
   前記複数のコントロールポイント組織の各々に対して、
   少なくとも１つの強度クラスタに対応するピクセルのグレー強度値から、前記各コントロールポイント組織に対する代表強度値を判定するステップと、
   正規化強度値を前記各コントロールポイント組織に割り当てるステップと、をさらに備え、
   前記マッピング関係は、前記正規化強度値を前記複数のコントロールポイント組織のそれぞれの代表強度値に関連付けることを特徴とする、請求項１記載の方法。
9. 悪性確率マップを生成するために、前記正規化画像の各ピクセルに対する悪性確率値を推定することをさらに備え、
   前記個別領域を同定するステップは、
   前記個別領域を形成するために、閾値を上回る悪性確率値を有するピクセルを隣接領域に分類することを含むことを特徴とする、請求項１記載の方法。
10. 前記悪性確率値を推定するステップは、
    サンプル画像のコレクションでキャリブレーションされたロジスティックモデルを確立し、前記ロジスティックモデルは、画像ピクセル値と、ハードウエアおよびオペレータ取得パラメータとを取り組むステップと、
    前記悪性確率値を推定するために、前記ロジスティックモデルを前記正規化画像に適用するステップと、
    をさらに備えることを特徴とする、請求項９記載の方法。
11. 病変に対応する可能性のある医用画像における領域を自動的に同定するシステムにおいて、
    前記医用画像内のコントロールポイント組織の推定強度を、前記医用画像のピクセル値から計算するよう構成される強度部と、
    入力ピクセルと正規化ピクセルとの間のマッピング関係を生成し、グレーピクセル値を正規化ピクセル値に変換して、前記マッピング関係に従って正規化画像を取得するよう構成される正規化部と、
    パラメータ値を入力画像の各ピクセルに割り当てて、パラメータマップを生成するマップ生成部と、
    前記パラメータマップにあるブロブを、検出および画定するよう構成されるブロブ検出部と、
    前記検出ブロブの記述的特徴を、検出および計算するよう構成される特徴抽出部と、
    ブロブが悪性である推定尤度値をブロブの記述的特徴から計算し、前記尤度値を前記ブロブに割り当てるブロブ分析部と、
    を備えることを特徴とするシステム。
12. 前記コントロールポイント組織は、皮下脂肪、無響嚢胞、皮膚、および線維腺組織の少なくとも１つを含むことを特徴とする、請求項１１記載のシステム。
13. 前記マップ生成部は密度マップ部を含み、前記パラメータ値は密度であり、前記パラメータマップは密度マップであることを特徴とする、請求項１１記載のシステム。
14. 前記マップ生成部は悪性確率マップ部をさらに含み、前記悪性確率マップ部は、各ピクセルに対する悪性確率を計算し、前記悪性確率を前記各ピクセルに割り当てて悪性確率マップを生成し、前記検出部により検出および画定された前記悪性確率マップ内のブロブは、前記特徴抽出部および前記ブロブ分析部により処理された前記ブロブに含まれることを特徴とする、請求項１１記載のシステム。
15. 前処理部をさらに備え、前記前処理部は、前記医用画像のノイズ除去を行いノイズ除去画像を生成することを特徴とする、請求項１１記載のシステム。
16. 報告部をさらに備え、前記報告部は、所定の閾値を上回る尤度値を有する全てのブロブを同定することを特徴とする、請求項１１記載のシステム。
17. デジタルまたはデジタル化された医用画像における組織のグレースケール強度を推定する方法において、
    クラスタリング操作を医用画像のピクセルの強度値に適用して、前記強度値を個別強度クラスタに分類するステップと、
    前記個別強度クラスタの１つを、前記組織に対応する強度クラスタとして同定するステップと、
    前記強度クラスタの代表グレースケール強度値を、前記強度クラスタのピクセルのグレースケール強度から推定するステップと、
    前記代表グレースケール強度値を前記組織に割り当てるステップと、
    を備えることを特徴とする方法。
18. 前記代表グレースケール強度値は、前記グレースケール強度の平均強度であることを特徴とする、請求項１７記載の方法。
19. 前記組織は皮下脂肪であることを特徴とする、請求項１７記載の方法。
20. 前記クラスタリングアルゴリズムは、ｋ＝３を有するｋ平均アルゴリズムであり、前記同定された個別クラスタは中強度クラスタであることを特徴とする、請求項１７記載の方法。
21. 前記組織が位置することが見込まれる医用画像内の領域を画定することをさらに備え、
    前記クラスタリング操作を前記画定された領域に適用することを特徴とする、請求項１７記載の方法。
22. 胸部超音波画像を処理する方法において、
    胸部の層モデルを構築し、前記モデルの隣接層の各対は前記隣接層の各対間の境界面を定義するステップと、
    複数のサンプル超音波胸部画像でモデルをキャリブレーションし、前記複数のサンプル超音波胸部画像はそれぞれ、前記サンプル超音波胸部画像の境界面を同定するために手動でセグメント化され、キャリブレーションされた前記モデルはパラメータ化表面モデルを含み、各パラメータ化表面モデルは、サイズパラメータの離散値に対応する一組の境界面参照テーブル（ＬＵＴ）を含むステップと、
    前記超音波胸部画像の前記サイズパラメータの推定値を受信するステップと、
    前記サイズパラメータの前記推定値に対応する新規表面モデルを、前記パラメータ化された表面モデルから計算し、前記新規表面モデルは、前記サイズパラメータの前記推定値に対応する一組の計算された境界面ＬＵＴを含むステップと、
    前記超音波胸部画像内の一次層のピクセルを同定するために、境界面の推定位置を、前記新規表面モデルの前記一組の計算された境界面ＬＵＴから計算するステップと、
    を備えることを特徴とする方法。
23. 複数のコントロールポイント組織の代表強度値を獲得し、前記複数のコントロールポイント組織の前記代表強度値は、皮下脂肪層のグレーピクセル値の代表強度値を含むステップと、
    前記複数のコントロールポイント組織の前記代表強度値と前記複数のコントロールポイント組織の正規化値との間のマッピング関係に基づいて、前記複数のコントロールポイント組織に対して前記超音波胸部画像を正規化することにより正規化画像を得るステップと、
    をさらに備えることを特徴とする、請求項２２記載の方法。
24. 前記正規化画像を可視化するためにレンダーリングするステップをさらに備えることを特徴とする、請求項２３記載の方法。
25. 前記層モデルは皮膚層と後部乳房層とを含み、前記方法は、
    前記皮膚層を画定する第１境界面と、前記後部乳房層を画定する第２境界面の位置を推定するステップと、
    前記皮膚層と前記後部乳房層とを除外する、前記超音波胸部画像の一部を可視化するためにレンダーリングするステップと、
    をさらに備えることを特徴とする、請求項２２記載の方法。
26. 前記一次層は乳房領域であり、前記方法は、
    前記乳房領域の各ピクセルに対して、各ピクセルの悪性である確率値を推定するステップと、
    閾値を上回る確率値を有するピクセルを、疑わしい病変として隣接領域に分類するステップ、
    をさらに備えることを特徴とする、請求項２２記載の方法。
27. 胸部超音波画像内の病変を同定する方法において、
    一次層組織を分離する表面の推定位置を計算し、前記一次層組織は乳房領域の組織を含むステップと、
    前記乳房領域のピクセルを同定するステップと、
    前記乳房領域の各ピクセルに対してピクセル特性ベクター（ＰＣＶ）を構築し、前記ＰＣＶは、少なくとも前記ピクセルの各々の近隣の特性を含むステップと、
    前記乳房領域の各ピクセルに対して、前記各ピクセルのＰＣＶから悪性確率値を計算し、前記ピクセルのそれぞれに悪性確率値を割り当てて、前記割り当てられた悪性確率値が閾値を上回る場合は、ピクセルを病変の可能性のあるピクセルとして同定するステップと、
    全ての病変の可能性のあるピクセルの隣接領域を、潜在病変として報告するステップと、
    を備えることを特徴とする方法。
28. 皮下脂肪を含む複数のコントロールポイント組織の代表強度値を計算するステップと、
    割当てられた強度値と前記複数のコントロールポイント組織の各代表強度値との間のマッピング関係に従って、前記乳房領域のピクセルのグレーピクセル値を正規化するステップと、
    をさらに備え、
    前記ピクセルに対する前記ＰＣＶは、前記乳房領域のピクセルのグレーピクセル値から構築されることを特徴とする、請求項２７記載の方法。
29. 前記各ピクセルに対する前記ＰＣＶは、前記各ピクセルのみから判定されたピクセル固有特性を含むことを特徴とする、請求項２７記載の方法。
30. 手動でマークされた胸部画像のコレクションで分類子をキャリブレーションし、前記手動でマークされた各胸部画像はマークされた病変ピクセルを含み、前記マークされた病変ピクセルはそれぞれＰＣＶを有し、前記分類子の出力は病変組織クラスを含むステップ、
    をさらに備え、
    前記ＰＣＶから前記悪性確率値を計算するステップは、悪性確率値を取得するために、前記分類子を前記ＰＣＶに適用することを含むこと特徴とする、請求項２７記載の方法。