JP2013534440A - 非侵襲的画像分析装置、それに用いるワークステーションおよび画像分析方法 - Google Patents

非侵襲的画像分析装置、それに用いるワークステーションおよび画像分析方法 Download PDF

Info

Publication number
JP2013534440A
JP2013534440A JP2013516741A JP2013516741A JP2013534440A JP 2013534440 A JP2013534440 A JP 2013534440A JP 2013516741 A JP2013516741 A JP 2013516741A JP 2013516741 A JP2013516741 A JP 2013516741A JP 2013534440 A JP2013534440 A JP 2013534440A
Authority
JP
Japan
Prior art keywords
image
tissue
atlas
segmented
anatomical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2013516741A
Other languages
English (en)
Inventor
進 森
アンドレイア ヴィー． ファリア
マイケル アイ． ミラー
健一 大石
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Johns Hopkins University
Original Assignee
Johns Hopkins University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Johns Hopkins University filed Critical Johns Hopkins University
Publication of JP2013534440A publication Critical patent/JP2013534440A/ja
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20128—Atlas-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Physiology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Nuclear Medicine (AREA)
  • Image Processing (AREA)

Abstract

【課題】放射線画像の組織境界の高品質描画を自動化する。
【解決手段】本発明の非侵襲的画像分析装置は、診断中の対象の少なくとも１つの解剖学的副構造と１つ以上の構造組織要素を有する組織領域から画像信号を発生することのできる画像スキャナと、画像スキャナからの画像信号を受信するために画像スキャナに接続される信号処理装置と、信号処理装置と交信するデータ蓄積装置と、を備え、データ蓄積装置は、組織領域内の少なくとも１つの解剖学的副構造の空間的な情報を含む区分アトラスを蓄積するように構成され、信号処理装置は、入力画像に基づき組織領域の画像を再生し、画像中の少なくとも１つの解剖学的副構造を区分アトラスに基づき区分し、画像中の１つ以上の構造組織要素に要素化し、１つ以上の構造的組織要素の１つに対応する少なくとも１つの解剖学的副構造の部分を画像中で自動的に識別する。
【選択図】図１

Description

関連出願の参照
本出願は、２０１０年６月２２日に出願された米国仮出願番号６１／３５７，３６１の優先権を主張し、当該出願の全内容は参照によって本出願に組み込まれる。
米国政府は、本出願に対して支払い済みの実施権および国立衛生研究所によって授けられた許可番号Ｒ０１ＡＧ２００１２およびＰ４１ＲＲ１５２４１に規定される合理的な期間第三者に使用許可することを特許権者に要求する権利を限られた条件の範囲で有する。
本発明は、非侵襲的画像装置および方法に係り、特に人間および動物である対象の組織異常のコンピュータによる診断を提供する画像装置および方法に関する。
従来の放射線診断は定性的または主観的なものである。
定量的分析は、我々の異常の検出および特徴付け能力を大幅に改善するけれども、現在定量的な方法がルーチン的放射線診断の一部として受け入れられていることはほとんど存在しない。
これは、一部は、磁気共鳴（ＭＲ）画像のような放射線に基づく組織領域の分析の困難性に起因する。例えば、多量の人力作業（代表的には２−４時間の単調な描画）が、個々の脳の高品質な描画のために必要とされる。
さらに、脳の副構造の描画には、さらなる人力作業が必要となる。自動化された種々の形式の組織境界描画用プログラムは存在するが、それらは近似的な結果さえも提供できない。自動画像解析においては、ボクセルに基づく分析（ＶＢＡｓ）が広く使用されている。
最初に、各脳の形状は、脳アトラスの形状に変換される。いったん全部の脳の画像がアトラスに変換されると、ボクセルごとの分析が実行される。この形式の分析では、各ボクセルは独立な存在として扱われる。
この手法は診療目的として効果的であることは証明されておらず、現在使用されている放射線画像からの組織異常の検出および特徴付けを改善する組織境界の高品質描画の自動化に対する要求が存在する。
本発明に係る実施形態は、診断中の対象の、少なくとも１つの解剖学的副構造と１つ以上の構成組織要素を有する組織領域から画像信号を生成するための画像スキャナと、前記画像スキャナからの画像信号を受信するために前記画像スキャナと接続される信号処理装置と、前記信号処理装置と交信し、前記組織領域中の少なくとも１つの副構造の空間的情報を含む区分アトラスを記憶するデータ蓄積装置とを備える非侵襲的画像分析装置であって、
前記信号処理装置は、前記画像信号に基づいて組織領域の画像を再生し、前記区分アトラスに基づいて画像中の少なくとも１つの解剖学的副構造を区分し、前記画像中の１つ以上の構成組織要素を要素化し、画像中で１つ以上の構成組織要素の１つに対応する少なくとも１つの解剖学的副構造を自動的に識別するために使用される非侵襲的画像分析装置を提供する。
本発明の実施形態は、対象の組織領域を表わす入力画像および組織領域の少なくとも１つの解剖学的副構造の空間的情報を受信するために使用される受信エンジンと、区分アトラスを記録することにより変形を介して入力画像に対し区分された画像を提供するための正規化エンジンと、組織領域中の１つの構成組織要素に対応する少なくとも１つの解剖学的副構造を自動的に識別するように構成された計算エンジンを含むワークステーションを備えている。
本発明に係る実施形態は、画像装置、ワークステーションまたはデータ蓄積装置の１つから、対象の組織領域を表わす入力画像を受信する段階であって、この入力画像は複数の画像ボクセルからなり、この組織領域は複数の解剖学的副構造および複数の構成組織要素を有し、少なくとも１つの解剖学的副組織は複数の構成組織要素の少なくとも２つの構成組織要素からなる段階と、
解剖学的副構造の空間的情報を含む組織領域の区分アトラスであって、第１のデータ蓄積装置または第２のデータ蓄積装置に蓄積される区分アトラスを提供する段階と、変形を介して入力画像に区分アトラスを登録することにより、組織領域の解剖学的副構造がその中に区分化画像を生成する段階と、
複数の構造組織要素の１つに対応する区分化画像中の解剖学的副構造の１つの画像ボクセルを識別することにより要素化された区分化画像を提供する段階を含む入力画像の分析方法を提供する。
詳細な説明、図面および実施形態を考慮することにより、目的および利点が明らかになるであろう。
図１は、本発明の実施形態に係る非侵襲的画像分析装置のブロック図である。 図２Ａは、本発明の実施形態のフローチャートである。 図２Ｂは、本発明の実施形態の処理例である。 図２Ｃは、本発明の実施形態の区分化および要素化を結合する流れの例である。 図３Ａは、ボクセルに基づく分析の例である。ボクセルに基づく分析は多量のボクセルを独立に取り扱う。８×８×８ミリメートルの低分解能の場合でさえも、数千個のボクセルが分析される。 近隣ボクセルの統計学的平均分析は空間的分解能を大きく低減する等方性の空間的平滑化を含んでいる。統計学的に相違するボクセルの集合は強調されている。 図３Ｂは、本発明の実施例のアトラスに基づく分析の例である。アトラスに基づく分析によれば、脳画像は解剖学的副構造に区分される。統計的分析の後に、異常が構造ごとに検出される。 図３Ｃは、ボクセルに基づく分析および本発明の実施例のアトラスに基づく分析の登録品質の比較する図である。ボクセルに基づく分析の使用では、同一の組み合わせが、異なる対象の脳脊髄液（ＣＳＦ）、皮層または白質を定義し、分析を不正確にしている。アトラスに基づく要素化と組織領域の結合では、各対象において各構造が明確に定義される。 図４は、本発明の実施兄他のワークステーションを示す。
本発明のいくつかの実施形態が以下に詳細に説明される。実施形態の記述において特定の専門用語が簡略化のために使用される。
しかし、本発明は選択された特定の専門用語に限定されない。関連分野の当業者は、他の同等の部材が適用され得ること、および本発明の広い概念から逸脱することなく他の方法が展開され得ることを認めるであろう。
本明細書で引用したすべての参照文献はそれぞれが独立に組み込まれるように組み込まれる。
図１は、本発明のいくつかの実施形態に係る非侵襲的画像分析装置１００の構成図である。非侵襲的画像装置１００は、画像スキャナ１０１、データ蓄積装置１０２および信号処理装置１０３を含む。
画像スキャナ１０１は、これに限定されるものではないが、磁気共鳴画像（ＭＲＩ）スキャナ、コンピュータ断層撮影（ＣＴ）スキャナ、陽電子放出断層撮影（ＰＥＴ）画像スキャナ、単一陽子放出コンピュータ断層撮影（ＳＰＥＣＴ）スキャナ、またはこれらの組み合わせであってよい。
例えば、ＭＲＩスキャナは、（スキャナベッド１０９上の診断対象１０８に対して本質的に均一な主磁場Ｂｏを与える）主磁石１０５を支える土台１０４、（診断中の対象１０８の含有水分子量の空間的な情報を符号化するために主磁場Ｂｏの摂動を提供する）傾斜装置１０６、および（電磁波を伝達し、対象１０８から磁気共鳴信号を受信する）高周波（ＲＦ）コイル装置１０７を有している。
データ蓄積装置１０２は、診断中の対象１０８の組織領域に対応するアトラスデータを蓄積する。
組織領域は、例えば、脳、心臓、肝臓、筋肉および対象１０８の他の特定の臓器である。
本明細書中の術語「アトラス」は必ずしも三次元の有形物体のように、実在の有形物体であることは必要ではない。
この術語は、空間的および幾何学的構造を表わすデータまたは情報を参照するためにも通常使用される。
例えば、データ蓄積装置１０２は、組織領域の解剖学的構造の空間的情報を含む組織領域の区分アトラスを蓄積するものであってよい。
例えば、区分アトラスは、人間の脳を表わし、種々の皮層副構造等の位置および形状を符号化した情報を含んでいるものであってよい。
区分アトラスは、例えば、対象１０８と同等の対象の複数の小集団の複数の画像から導出されるものであってもよい。
例えば、ある応用においては、画像は対象１０８と同年齢のグループから取得可能である。
これは、各年齢層は異なる形状および諧調を有するかもしれないからである。区分アトラスは、性別、人種あるいは可能性のある応用に基づく他の小集団の間のばらつきを考慮して構成され得る。
データ蓄積装置１０２は、さらに、例えば組織領域の構造的組織要素の空間的情報を含む要素化されたアトラスを蓄積するものであってもよい。
例えば、脳組織は灰白質、白質、および脳脊髄液（ＣＳＦ）の構造的組織形式を含んでいてもよい。
区分アトラスおよび要素アトラスを構成するために使用される複数の画像は、例えば、ＭＲＩ画像、ＣＴ画像、ＰＥＴ画像、ＳＰＥＣＴ画像濤であってよい。
区分アトラスおよび要素アトラスは、診断中の対象１０８と異なる少なくとも１つの対象の画像の情報を取り込んでもよい。
区分アトラスおよび要素アトラスは、診断中の対象１０８の以前の診断の画像の情報を取り込んでもよい。
区分アトラスおよび要素アトラスは、それぞれの輪郭が望ましくは組織領域の副構造を含む諧調の異なる種々の画像から得られたものであってもよい。
例えば、外側の脳の深い灰白質に適したＴ１強調核磁気共鳴画像が使用されてもよい。
例えば、脳の脳室に対して大きいコントラストを有するＴ２強調核磁気共鳴画像が使用されてもよい。
例えば、脳の内部白質が最も良く描画される拡散テンソル画像が使用されてもよい。
区分アトラスは、例えば、組織領域の形状情報、位置情報のような空間的な情報を含んでいてもよい。
区分アトラスおよび要素アトラスは、さらに、対象の小集団の画像中の柔らかい組織領域に対する空間的な情報の登録に関連する可変性の情報を組み込むものであってもよい。
対象の画像中の柔らかい組織領域に対するアトラスの空間的情報の登録は、画像中の柔らかい組織領域と協調するためのアトラスの幾何学的情報の変形または変換（すなわち、変換、拡大縮小、変形等）を含んでいてもよい。
登録は、また、正規化と言い換えてもよい。
要素アトラスは、組織領域に対する要素化されたアトラスを登録するときに、例えば形状情報、位置情報、変換情報のような三次元情報を含んでいてもよい。
術語「アトラス」は上記の例を含むが、これに限定されるものではない。
データ蓄積装置１０２は、例えば、ハードディスクドライブ、ネットワーク領域蓄積装置（ＮＡＳ）、レイド（ＲＡＩＤ）、フラッシュドライブ、光学ディスク、磁気テープ、磁気光学ディスク等であってよい。
しかし、データ蓄積装置１０２は、これらの特定の例に限定されるものではない。
データ蓄積装置１０２は、本発明の範囲を逸脱することなく、他の既存の、あるいは将来開発されるデータ蓄積装置を含む。
信号処理装置１０３は、対象１０８の画像を形成するための画像信号を受信するために画像スキャナ１０１と交信する。
信号処理装置１０３は、画像スキャナ１０１を格納する構造体に中に部分的に、あるいは全体的に組み込まれていてもよい。
信号処理装置１０３は、画像スキャナ１０１とは構造的に分離し、画像スキャナ１０１と交信するワークステーション中に少なくとも部分的に組み込まれていてもよい。
信号処理装置１０３に受信された画像信号は、例えば緩和時間Ｔ１、緩和時間Ｔ２、見かけの拡散係数、ボールド（ＢＯＬＤ）効果、拡散テンソルに関連する性質等のような磁気共鳴パラメータに関連付けられていてもよい。
信号処理装置１０３は、データ蓄積装置１０２と交信する。
信号処理装置１０３は、画像スキャナ１０１が出力する画像信号に基づく組織領域の画像の再生、診断中の対象１０８の組織領域を示す再生画像中の解剖学的副構造の区分アトラスに基づく区分、再生画像中の組織領域の構造的組織要素の要素化、再生画像中の構造的組織要素の１つに対応する解剖学的副構造の一部の自動的識別に適用される。
信号処理装置１０３は、さらに、構造的組織要素の１つに対応する解剖学的副構造の一部を分析することによって、対象１０８の組織領域中に組織異常が存在するか否かを自動的に診断するために適用されてもよい。
解剖学的副構造の自動的に識別された一部は、区分化画像上に識別された一部を重畳することによって可視化装置１１０またはコンソールステーション１１１上に可視表示される。
可視化装置１１０またはコンソールステーション１１１は、例えば、表示装置あるいはプリンタである。
表示装置の例としては、例えば、陰極線管（ＣＲＴ）、発光ダイオード（ＬＥＤ）表示装置、液晶（ＬＣＤ）表示装置、デジタル光放射（ＤＬＰ）モニタ、蛍光表示管（ＶＦＤ）、表面伝導型電子放出表示装置（ＳＥＤ）、電界放出表示装置（ＦＥＤ）、反射型液晶（ＬＣＯＳ）表示装置等を含んでいてもよい。
プリンタの例としては、例えば、トナープリンタ、液体インクジェットプリンタ、固体インクジェットプリンタ、染料昇華型プリンタ、サーマルプリンタおよび紫外線プリンタ等のようなインクなしプリンタ等を含んでいてもよい。
図２Ａは、１または複数のデータ蓄積装置に記憶されたソフトウエアを実行する１または複数の処理装置によって実行される、本発明のいくつかの実施例における処理を図示したフローチャートである。
処理装置は、信号処理装置、計算処理装置、またはそれらの組み合わせであってよい。
信号処理装置の例としては、プログラムされたＦＰＧＡ素子、プログラムされたＤＳＰ素子、ＡＳＩＣ素子等が含まれてよい。
計算処理装置の例としては、単一コアまたはマルチコアの中央演算ユニット（ＣＰＵ）、単一コアまたはマルチコアの画像処理（ＧＰＵ）素子等を含んでいてよい。
本発明のいくつかの実施例において、図２Ａに図示された処理装置は、データ蓄積装置１０２および信号処理装置１０３によって遂行され得る。
ブロック２０１は、１以上の画像ボクセルを有する入力画像に対応する。
入力画像２０１は、少なくとも１つの解剖学的副構造を有する組織領域に対応している。
入力画像２０１は、診断中の対象の組織領域を示す１以上の画像を含んでいてもよい。
例えば、入力画像２０１は、対象１０８から診断中に取得される機能ＭＲＩ（ｆＭＲＩ）画像に対応していてもよい。
入力画像２０１は、画像スキャナ１０１またはデータ蓄積装置１０２から出力されてもよい。
入力画像２０１は、核磁気共鳴画像（ＭＲＩ）、機能核磁気共鳴画像（ｆＭＲＩ）、磁気共鳴スペクトロスコピ（ＭＲＳ）画像、コピュータ断層撮影（ＣＴ）画像、陽電子放出断層撮影（ＰＥＴ）画像、単一陽子放出コンピュータ断層撮影（ＳＰＥＣＴ）画像等であってよい。
ＭＲＩ画像は、拡散テンソル画像（ＤＴＩ）である。ＭＲＩ画像は、拡散画像、潅流画像、Ｔ１強調画像、Ｔ２強調画像等であってよい。
ブロック１０２は、上記したような組織領域の空間的情報を含む一塊化された地図に対応する。
区分アトラス２０２は、入力画像２０１より鮮明な空間的分解能に対応していてもよい。
ブロック２０３において、区分アトラス２０２は、入力画像に対して正規化される。
登録は、入力画像２０１中の同じ柔らかい組織領域の形とともに、区分アトラス２０２中での変形または変換（すなわち、移動、拡大縮小、変形等）を含んでいてもよい。
ＬＤＤＭＭ（大変形微分同相計量写像）(Miller 他 1993, Proc Natl Acad Sci, 90, 1 194-1 1948; Joshi 他, 1995, Geometric methods in Applied Imaging, San Diego, CA; Granander and Miller, 1996, Statistical computing and graphics newsletter 7, 3-8)と呼ばれる変形アルゴリズムが、登録中に使用され得る。
ＬＤＤＭＭには、いくつかの重要な技術的に魅力的な特徴がある。
第一に、ＬＤＤＭＭは、高度に非線形性であり、２つの脳の形に適合し得る。ＬＤＤＭＭは、厳密な縮退をもって脳を変形することさえできる。
第二に、ＬＤＤＭＭは、トポロジ的な保存が可能である。トポロジ的な保存は、生物学的な物にモーフィングアルゴリズムを適用する際には、非常に重要な特徴となる。例えば、１つの顔を他の顔にモーフィングしたときに、非生物学的な結果（例えば２つの眼が３つになる等）が発生するかもしれない。
第３に、変換は可逆的である。ＬＤＤＭＭに代えて、画像変形可能で組織のトポロジを保存可能な他の変換アルゴリズムを使用することもできる。いくつかの場合、すなわち、柔らかい組織領域において僅かな変更だけが必要な場合には、トポロジ的な要求は放棄され得る。
区分化画像２０４は、画像変換ブロック２０３によって生成されてもよい。
区分化画像２０４は、区分アトラスからの柔らかい組織領域の変換された形状情報を入力画像２０１上に重畳することによって可視化されてもよい。
ブロック２０５において、柔らかい組織領域の構造的組織要素が識別される。
例えば、脳組織に対しては、構造的組織形式は灰白質（ＧＭ）、白質（ＷＭ）および脳脊髄液（ＣＳＦ）を含んでいてもよい。
要素化された区分化画像２０６は、ブロック２０５で生成される。図２Ｂは、３つの要素化された要素化画像２０６、すなわち、ＧＭ、ＷＭおよびＣＳＦの例示である。
特に、３つの例示的な要素化された区分化画像は、ＧＭ、ＷＭおよびＣＳＦという構造的組織要素に従って、区分化画像２０４の画像ボクセルを識別することによって提供される。
３つの例示的な区分化画像２０４は、例示的な入力画像２０１中の脳組織に対する例示的な区分アトラス２０２を変換することによって生成される。
代案として、図２Ｃに示では、要素化されたアトラスが、灰白質（上段）、白質（中段）および脳脊髄液（下段）を示す例示的要素化画像２０９を生成するために、経路２０７を介して例示的入力画像２０１の脳組織に変換される。
一方、区分アトラスは、例示的な区分化画像２０４を生成するために、経路２０８を経由して例示的入力画像２０１の脳組織に変換されてもよい。
その後、例示的区分化画像２０４および３つの例示的セグメント化された画像は、経路２０９Ａおよび２０９Ｂを介して灰白質（上段）、白質（中段）および脳脊髄液（下段）に対応する３つの要素化された区分化画像２０６を生成するために、一纏めにされてもよい。
経路２０９Ａおよび２０９Ｂは、要素化画像２０６と区分化画像２０４のボクセルごとの混合操作に対応するものであってよい。
ブロック２１０において、要素化された区分化画像は、組織の異常を評価するために分析される。
組織異常は、例えば、（例えば、１次進行性失語症のような組織萎縮を含む）脳疾患、肝臓疾患、腎臓疾患、（例えば、筋肉萎縮、筋肉水腫、筋肉脆化等の）筋肉異常、（例えば、リウマチ様関節炎、変形性関節炎等の）関節異常を含んでいてもよい。
組織異常は萎縮であってもよい。
例えば、同じ解剖学的副構造の構造的組織要素の画像ボクセルは、例えば、平均、合計、中央値を含む定量的な分析と結合されてもよい。
この結合は、以下に説明するように、例えば、感度、特定性、再現性等のような分析に関する定量的な指標を改善するであろう。
この手法は、組織の解剖学的、および／または機能的性質の分析に対しても使用され得る。
例えば、陽電子放出断層撮影（ＰＥＴ）スキャンに対してセグメント化された一塊化画像を適用することにより、ＰＥＴ画像はそれぞれの解剖学的副構造に対して定量化され得る。
各解剖学的副構造の内部におけるボクセルの経時的な明るさの変化を計測することにより、機能ＭＲＩ（ｆＭＲＩ）は、より高い信号対雑音比を有する構造特定態様で実行され得る。
ｆＭＲＩ休止中に、解剖学的副構造間の相関が、膨大なボクセルごとの相関分析に代えて、検査され得る。
磁気共鳴スペクトロスコピ（ＭＲＳ）データに対して各要素化された区分化解剖学的副構造を適用することにより、信号対雑音比を向上したスペクトラムが各解剖学的副構造に対して取得され得る。
この手法は、時間領域だけでなく、周波数領域にも適用され得る。
この手法は、部分的な体積補正も許容する。
図３Ａおよび３Ｂは、それぞれ、ボクセルに基づく分析（ＶＢＡ）およびアトラスに基づく分析（ＡＢＡ）の例示的大きさを示す。
特に、画像ボクセル当たり１×１×１ミリメートル（ｍｍ）の空間的分解能で脳（容積１．２リットル）のＭＲＩ画像に対して、脳組織に対応する１２０万個のボクセルが存在する。
ＶＢＡは、１２０万個のボクセルのそれぞれに対して定量化および統計的分析を実行する。
ＶＢＡ法は、各微小な画像ボクセルに関して信号雑音比（ＳＮＲ）が低い傾向がある。
膨大な画像ボクセル（例えば１００万個）に対する多重比較試験の後で、統計的な優位性は達成することは、依然として困難である。
この制限を改善するために最も一般的に使用されている手法の１つでは、図３Ａに示すように、平滑フィルタを使用するために画像解像度は著しく低減する。
例えば、実効的な解像度が８×８×８ミリメートルに低減されると、ＳＮＲを本質的に改善するために約５００個のボクセルがグループ化される。
しかしながら、これは空間的な解剖学的情報の深刻な喪失をもたらし、図３Ａに示すように、脳組織の灰白質、白質、脳脊髄液（ＣＳＦ）のような種々の構造的組織要素を混合してしまう傾向がある。
しかし、アトラスに基づく分析は、構造特定的にボクセルをグループ化することができる。
例えば、脳組織が区分アトラス中で定義されたような種々の解剖学的構造に区分けされた後に、解剖学的構造中の画像ボクセルは平均化される。
平均化は解剖学的構造中の、および１つの構造的組織要素に対応する画像ボクセルに対して実行されてもよい。
例えば、脳組織は、（例えば皮層副構造である）解剖学的な副構造中の（例えば、灰白質、白質、脳脊髄液）である構造組織形式にそれぞれが対応する領域に区分され、要素化されてもよい。
１００万の画像ボクセルに代わって、数百のそのような領域が存在してもよい。
各領域に対応する画像ボクセルは、領域の信号対雑音比を強調するために結合されてもよい。
結合は、平均化あるいは加算であってよい。
このように、脳画像は、領域の数に対応する大きさのベクトルとして取り扱われてもよい。
診断はこのベクトルに基づいて実行される。
他のアトラスに基づく分析の潜在的な利点は、異なる構造組織要素と結合されたならば、皮層のように解剖学的に複雑な領域は、感度、特定性、再現性のような品質が改善されて分析されるということである。
対象全体の変形性が大きいため、皮層の正確な記録は現実的ではない。
図３Ｃは、皮層領域内の潜在的な誤記録を示している。
左側に３つの場合について示したように、同じ空間的位置のボクセルが、灰白質、白質、または脳脊髄液のどれかに対応している。
ｆＭＲＩ、ＭＲスペクトロスコピ、ＰＥＴまたは形態学的調査に対して、皮層の誤記録は脳脊髄液と白質との混合を招き、引き続く医療的な診断において感度および識別性の顕著な損失を招来する。
例えば、皮層萎縮の研究においては、肥大が脳脊髄液にあるにも拘わらず、皮層が萎縮しているようになりがちである。
誤記録に起因する２つの構造的組織形式の混合は、以後の医療的診断に弊害をもたらす。
アトラスに基づく分析において、各構造的組織要素の要素化は正確に実行され得るものであり、要素化の結果は区分された解剖学的構造と結合されるので、構造的組織要素の混合は本質的に排除される。
さらに、ＭＲスペクトロスコピおよびＰＥＴ画像に対して、入力画像の空間的分解能は低く（例えば、５〜１０ミリメートル）なりがちである。
この結果、部分的体積効果のレベルが増加し、各ボクセルが隣接する解剖学的副構造の影響を受け信号の明白な混合を生じることになる。
平滑フィルタの使用はさらに画像分解能を低下させるだけである。
このような状況において、アトラス準拠分析はボクセルをグループ化するための進歩した方法を提供するだけでなく、組織混合の量を推定し、それを補正することを可能とする。
例えば、一緒に記録された高分解能解剖学的ＭＲＩ画像（例えば、画像ボクセルの大きさが１×１×１ミリメートルの空間分解能）に基づけば、人間の脳の高分解能の区分アトラスが生成される。
区分アトラスは、例えば相互に近接している脳室、尾状核、内部被膜等を含む重複した解剖学的副構造を含むかもしれない。
この区分アトラスは、低分解能のＭＲスペクトロスコピまたはＰＥＴ画像（例えば１画像ボクセルの大きさが１０×１０×１０ミリメートル）にも適用され得る。
各１０×１０×１０ミリメートルのボクセルに対する、脳室、尾状核および内部被膜の比は、高分解能の区分アトラス中の画像ボクセルの対応セットに基づいて算出され得る。
例えば、脳室のＭＲスペクトロスコピが所望されるときには、脳室に対応する入力画像中のすべてのボクセルのスペクトルを平均化することによって得られる。ただし、各ボクセルは高分解能区分アトラス中の対応する画像ボクセルから算出される脳室比によって重み付けされている。
例えば、１つのＭＲＳボクセルは２つの要素、すなわち分容積ｆＡおよびｆＢの構造ＡおよびＢに分轄され得るとする。
もし構造Ａが５つのボクセルを含み、各ボクセルが分容量ｆＡ ｉ（ただしｉはボクセル１〜５を示す）であれば、構造Ａの分容積補正スペクトラムは［数１］で表わされる。
このように、従来のボクセル準拠の手法と比較してアトラスに基づく分析手法が開示された。
対象の柔らかい組織領域を示す入力画像は、区分アトラスを入力画像中の柔らかい組織の形状に変形することにより、柔らかい組織領域の解剖学的副構造に区分される。
区分された柔らかい組織領域は要素化された区分画像を提供するために、要素化された構造組織要素と結合される。
図４は、本発明のいくつかの実施例で使用するワークステーション４０１を示す。
ワークステーションは、受信エンジン４０２、正規化エンジン４０３および計算エンジン４０４を含む。
受信エンジン４０２は、対象の柔らかい組織領域を示す画像データおよび少なくとも１つの柔らかい組織領域の解剖学的副構造の空間的情報を符号化したデータを受信するために使用される。
受信される画像データは、組織領域の副構造の少なくともいくつかを好ましく描画する少なくとも１つの対比形式を有する。
正規化エンジン４０３は、変換を介して、入力画像データに対する区分アトラスを記憶することにより区分された画像データを提供するように構成される。
計算エンジン４０４は、構造組織要素の１つに対応する少なくとも１つの解剖学的副構造の部分を自動的に識別するように構成される。
ワークステーション４０１は、さらに識別された部分に対応する画像ボクセルを結合することによって、少なくとも１つの解剖学的副構造の識別された部分を分析するように構成された分析エンジン４０５を有する。
ワークステーション４０１は、要素化され区分された入力画像を表示するための可視化エンジン４０６をそなえていてもよい。
可視化エンジン４０６は、例えば、表示装置または印刷装置であればよい。
表示装置の例としては、陰極線管（ＣＲＴ）、発光ダイオード（ＬＥＤ）、デジタル投射（ＤＬＰ）モニタ、蛍光表示管（ＶＦＤ）、表面伝導型電子放出表示装置（ＳＥＤ）、電界放出表示装置（ＦＥＤ）、反射型液晶（ＬＣＯＳ）表示装置等を含んでいてもよい。
印刷装置の例としては、トナー型プリンタ、液体インクジェットプリンタ、固体インクプリンタ、染料昇華型プリンタ、サーマルプリンタおよび紫外線プリンタ等のようなインクなしプリンタ等を含んでいてもよい。
ワークステーション４０１は、少なくとも１つの中央演算処理装置（ＣＰＵ）および複数のメモリを備えるコンピュータであってよい。
ワークステーション４０１は、例えばフィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号処理器（ＤＳＰ）、画像処理ユニット（ＧＰＵ）、ＡＳＩＣ等であってよい。
ワークステーション４０１は、画像装置１００の中に組み込まれてもよい。
エンジンは、少なくとも１つの処理装置と複数のメモリを有するコンピュータの中に組み込まれてもよい。
処理装置は、例えば、１つ以上のシングルコアまたはマルチコアのＣＰＵ、および１つ以上のシングルコアまたはマルチコアのＧＰＵであってもよい。
コンピュータは、演算を分轄するためにネットワークを介して接続された１以上のコンピュータで構成される分散型コンピュータであってよい。
ネットワークの例としては、限定的ではないが、イントラネット、エクストラネット、インターネットまたはそれらの組み合わせであってよい。
受信エンジン４０２、正規化エンジン４０３、演算エンジン４０４、分析エンジン４０５は、例えば、例えばＦＰＧＡ、ＤＳＰ、ＧＰＵ、ＡＳＩＣ等の中に組み込まれてもよい。
上記の本発明の実施形態において、特定の技術は明瞭化のために適用されたものである。
しかし、本発明は、この特定の技術に限定することを意図するものではない。
上記の本発明の実施形態は、上記技術の当業者によって評価されるように、本発明から逸脱することなく変形・変更されてもよい。
したがって、請求の範囲およびその同等範囲を逸脱することなく、本発明は特に説明された以外でも使用されてもよい。

Claims (26)

  1. 非侵襲的画像分析装置であって、
    診断中の対象の少なくとも１つの解剖学的副構造と１つ以上の構造組織要素を有する組織領域から画像信号を発生することのできる画像スキャナと、
    前記画像スキャナからの画像信号を受信するために前記画像スキャナに接続される信号処理装置と、
    前記信号処理装置と交信するデータ蓄積装置と、を備え、
    前記データ蓄積装置は、前記組織領域内の前記少なくとも１つの解剖学的副構造の空間的な情報を含む区分アトラスを蓄積するように構成され、
    前記信号処理装置は、
    前記入力画像に基づき前記組織領域の画像を再生し、前記画像中の少なくとも１つの解剖学的副構造を前記区分アトラスに基づき区分し、前記画像中の１つ以上の構造組織要素に要素化し、前記１つ以上の構造的組織要素の１つに対応する少なくとも１つの解剖学的副構造の部分を前記画像中で自動的に識別するために適用される非侵襲的画像分析装置。
  2. 前記画像スキャナは、磁気共鳴画像（ＭＲＩ）スキャナ、コンピュータ断層撮影（ＣＴ）スキャナ、陽電子放出断層撮影（ＰＥＴ）画像スキャナ、単一陽子放出コンピュータ断層撮影（ＳＰＥＣＴ）画像スキャナ、またはそれらの組み合わせである請求項１に記載の非侵襲的画像分析装置。
  3. 前記画像信号が、前記組織領域中の１つ以上の構造組織要素の１つを好ましく描画する少なくとも１つの階調調整機能を提供できるものである請求項１に記載の非侵襲的画像分析装置。
  4. 前記信号処理装置が、前記１つ以上の構造組織要素の１つに対応する少なくとも１つの解剖学的副構造の部分を解析することにより、前記対象の前記組織領域中に組織異常が存在するか否かを自動的に診断するためにさらに適用される請求項１に記載の非侵襲的画像分析装置。
  5. 前記少なくとも１つの解剖学的副構造の一部を前記少なくとも１つの解剖学的副構造の上に当該部分と重ねて表示するように構成された表示ステーションあるいはコンソールステーションをさらに備える請求項１に記載の非侵襲的画像分析装置。
  6. 対象の組織領域を示す入力画像を受信するための受信エンジンと、
    前記組織領域中の少なくとも１つの解剖学的副構造の空間的情報を含む区分アトラスと、
    入力画像に対して、変形により、区分アトラスを登録することにより区分化画像を提供するように構成された正規化エンジンと、
    前記少なくとも１つの解剖学的副構造の部分であって、前記組織領域の１つの構造組織要素に対応する部分を自動的に識別するように構成された計算エンジンと、を具備するワークステーション。
  7. 前記部分に対応する画像ボクセルを結合することにより前記部分を分析するように構成された分析エンジンをさらに備える請求項６に記載のワークステーション。
  8. 識別された前記部分と共に区分化画像を表示するために適用される視覚化エンジンをさらに備える請求項６に記載のワークステーション。
  9. 画像分析方法であって、
    画像装置、ワークステーションまたはデータ蓄積装置の１つから、対象の組織領域を表わす入力画像を受信する段階であって、
    前記入力画像は複数のボクセルから成り、
    前記組織領域は、複数の解剖学的副構造と複数の構造組織要素を有し、
    前記複数の剖学的副構造の少なくとも１つは複数の構造的組織要素の中の少なくとも２つの構造的組織要素からなるものである段階と、
    前記解剖学的副構造の空間的情報からなる前記組織領域の区分アトラスを提供する段階であって、
    前記区分アトラスは第１のデータ蓄積装置または第２のデータ蓄積装置の１つから出力されるものである段階と、
    前記入力画像に対して、変形により、前記区分アトラスを登録することにより区分化画像を生成する段階であって、
    前記組織領域の前記解剖学的副構造は前記区分化画像中で区分されるものである段階と、
    前記複数の構造的組織要素の１つに対応する前記区分化画像中の前記解剖学的副構造の１つの画像ボクセルを識別することにより要素化された区分化画像を提供する段階と、を含む方法。
  10. 信号・雑音比あるいは前記入力画像の分析に関連する精度を改善するために前記区分化画像または前記要素化された区分化画像を使用する段階をさらに含む請求項９に記載の方法。
  11. 前記複数の構造組織要素の１つに対応する前記区分化画像中の解剖学的副構造の１つの画像ボクセルをグループ化することによって前記要素化された区分化画像を分析する段階をさらに含む請求項９に記載の方法。
  12. 前記複数の構造的組織要素の１つ、および前記解剖学的副構造に対応する画像ボクセルの数量を計数する段階をさらに含む請求項１１に記載の方法。
  13. 前記数量が、平均値、合計または中央値のいずれかである請求項１２に記載の方法。
  14. 前記数量に基づいて前記組織領域の組織異常を自動的に診断する段階をさらに含む請求項１２に記載の方法。
  15. 前記組織の異常が、組織萎縮、脳梗塞または腫瘍の１つである請求項１４に記載の方法。
  16. 前記組織の異常が、磁気共鳴画像（ＭＲＩ）緩和時間の変化、拡散ＭＲＩパラメータの変化、陽電子放出断層撮影（ＰＥＴ）の濃度、コンピュータ断層撮影（ＣＴ）の濃度、または、磁気共鳴スペクトロスコピ（ＭＲＳ）の代謝集中の異常に対応する請求項１４に記載の方法。
  17. 前記分析に関連する数量的指標を増加する段階をさらに含む請求項１１に記載の方法。
  18. 前記数量的指標が、鋭敏度、特異度または再現度の１つである請求項１７に記載の方法。
  19. 前記識別段階が、
    前記組織領域の要素アトラスを提供する段階であって、前記要素アトラスは前記複数の構造組織要素の１つの空間的情報からなる段階と、 前記入力画像の変形により前記組織領域の前記要素アトラスを登録することにより前記入力画像を要素化する段階をさらに含む請求項９に記載の方法。
  20. 前記入力画像が、磁気共鳴撮影（ＭＲＩ）画像、機能化磁気共鳴撮影（ｆＭＲＩ）画像、磁気共鳴スペクトロスコピ（ＭＲＳ）画像、陽電子放出断層撮影（ＰＥＴ）画像またはコンピュータ断層撮影（ＣＴ）画像の１つである請求項９に記載の方法。
  21. 前記区分アトラスが、入力画像の空間的分解能より高い対応する空間的分解能を有する請求項９に記載の方法。
  22. 前記区分化画像を生成するために前記区分アトラスを使用することにより前記入力画像中の局所的体積効果を補償する段階をさらに含む請求項２１に記載の方法。
  23. 前記区分アトラスの使用が、前記入力画像中のそれぞれの画像ボクセル中の前記複数の解剖学的副構造の１つの重みを推定し、前記区分化画像に対して前記重みを適用することである請求項２２に記載の方法。
  24. 機能化磁気共鳴撮影（ｆＭＲＩ）検査における時間依存性濃度変化を計測するために前記要素化された区分化画像を使用する段階をさらに含む請求項９に記載の方法。
  25. 休止期ｆＭＲＩ検査の相関分析に対して前記要素化された区分化画像を使用する段階をさらに含む請求項９に記載の方法。
  26. 前記変形が、大変形微分同相計量写像（Large Deformation Diffeomorphic Metric Mapping (LDDMM)））である請求項９に記載の方法。
JP2013516741A 2010-06-22 2011-06-22 非侵襲的画像分析装置、それに用いるワークステーションおよび画像分析方法 Pending JP2013534440A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US35736110P 2010-06-22 2010-06-22
US61/357,361 2010-06-22
PCT/US2011/041488 WO2011163391A2 (en) 2010-06-22 2011-06-22 Atlas-based analysis for image-based anatomic and functional data of organism

Publications (1)

Publication Number Publication Date
JP2013534440A true JP2013534440A (ja) 2013-09-05

Family

ID=45372084

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2013516741A Pending JP2013534440A (ja) 2010-06-22 2011-06-22 非侵襲的画像分析装置、それに用いるワークステーションおよび画像分析方法

Country Status (3)

Country Link
US (1) US8838201B2 (ja)
JP (1) JP2013534440A (ja)
WO (1) WO2011163391A2 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017524430A (ja) * 2014-07-02 2017-08-31 サントル・ナショナル・ドゥ・ラ・ルシェルシュ・シャンティフィクＣｅｎｔｒｅ Ｎａｔｉｏｎａｌ Ｄｅ Ｌａ Ｒｅｃｈｅｒｃｈｅ Ｓｃｉｅｎｔｉｆｉｑｕｅ 脳の機能的な撮像のための方法及びデバイス

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010032450A1 (de) * 2010-07-28 2012-02-02 Siemens Aktiengesellschaft Verfahren zum Auswerten von MR-Messsignalen, Computerprogrammprodukt, elektronisch lesbarer Datenträger, Verarbeitungseinrichtung und Magnetresonanzanlage
US9275456B2 (en) * 2010-10-29 2016-03-01 The Johns Hopkins University Image search engine
JP2014527420A (ja) * 2011-06-29 2014-10-16 ザ・ジョンズ・ホプキンス・ユニバーシティ ３次元インターフェイス及びデータベースのためのシステム
US9740912B2 (en) * 2011-12-20 2017-08-22 Definiens Ag Evaluation of co-registered images of differently stained tissue slices
EP2798608A4 (en) * 2011-12-30 2015-05-27 Univ Johns Hopkins BIOBILDGEBUNGSRASTER
US9510756B2 (en) * 2012-03-05 2016-12-06 Siemens Healthcare Gmbh Method and system for diagnosis of attention deficit hyperactivity disorder from magnetic resonance images
US8965094B2 (en) 2012-04-14 2015-02-24 Nocimed, Llc Magnetic resonance spectroscopy pulse sequence, acquisition, and processing system and method
KR101540946B1 (ko) * 2013-07-17 2015-07-31 삼성전자주식회사 뇌 신경 섬유를 추적하기 위한 시드 영역 선택 방법 및 장치
US10074173B2 (en) 2013-12-06 2018-09-11 The Johns Hopkins University Methods and systems for analyzing anatomy from multiple granularity levels
US9311570B2 (en) * 2013-12-06 2016-04-12 Kabushiki Kaisha Toshiba Method of, and apparatus for, segmentation of structures in medical images
WO2015085319A1 (en) 2013-12-06 2015-06-11 The Johns Hopkins University Gross feature recognition of anatomical images based on atlas grid
US11412975B2 (en) * 2014-03-28 2022-08-16 The General Hospital Corporation System and method for measuring functional brain specialization
TWI509534B (zh) * 2014-05-12 2015-11-21 Univ Nat Taiwan 自動化計算大腦纖維連結強度的方法
WO2015183753A1 (en) 2014-05-30 2015-12-03 Zonare Medical Systems, Inc. Systems and methods for contextual imaging workflow
DE102014213409A1 (de) * 2014-07-10 2016-01-14 Centre Hospitalier Universitaire Vaudois Verfahren und Vorrichtung zur Darstellung von pathologischen Veränderungen in einem Untersuchungsobjekt basierend auf 3D-Datensätzen
DE102014223516A1 (de) * 2014-11-18 2016-05-19 Siemens Aktiengesellschaft Medizinisches Bildgebungsverfahren und Bildgebungssystem
WO2016134125A1 (en) * 2015-02-18 2016-08-25 Vanderbilt University Image segmentation via multi-atlas fusion with context learning
EP4289347A3 (en) 2016-06-19 2024-03-06 Aclarion, Inc. Magnetic resonance spectroscopy system and method for diagnosing pain or infection associated with propionic acid
US11298072B2 (en) 2016-07-01 2022-04-12 Bostel Technologies, Llc Dermoscopy diagnosis of cancerous lesions utilizing dual deep learning algorithms via visual and audio (sonification) outputs
WO2018005316A1 (en) * 2016-07-01 2018-01-04 Bostel Technologies, Llc Phonodermoscopy, a medical device system and method for skin diagnosis
TWI639830B (zh) * 2017-03-17 2018-11-01 長庚大學 Method for identifying neurological diseases using magnetic resonance imaging images
TWI651688B (zh) * 2017-03-17 2019-02-21 長庚大學 利用磁振造影影像預測神經疾病的臨床嚴重度的方法
US10593033B2 (en) * 2017-06-27 2020-03-17 Nec Corporation Reconstructor and contrastor for medical anomaly detection
JP6739658B2 (ja) * 2017-08-28 2020-08-12 富士フイルム株式会社 医用画像処理装置、方法およびプログラム
JP6785976B2 (ja) * 2017-08-28 2020-11-18 富士フイルム株式会社 脳画像正規化装置、方法およびプログラム
EP3684463A4 (en) 2017-09-19 2021-06-23 Neuroenhancement Lab, LLC NEURO-ACTIVATION PROCESS AND APPARATUS
US11717686B2 (en) 2017-12-04 2023-08-08 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to facilitate learning and performance
EP3731749A4 (en) 2017-12-31 2022-07-27 Neuroenhancement Lab, LLC NEURO-ACTIVATION SYSTEM AND METHOD FOR ENHANCING EMOTIONAL RESPONSE
US11364361B2 (en) 2018-04-20 2022-06-21 Neuroenhancement Lab, LLC System and method for inducing sleep by transplanting mental states
CA3112564A1 (en) 2018-09-14 2020-03-19 Neuroenhancement Lab, LLC System and method of improving sleep
US11361436B2 (en) * 2019-05-10 2022-06-14 Sunnybrook Research Institute Systems and methods for metabolite topography of the brain with magnetic resonance imaging
US11055849B2 (en) * 2019-10-18 2021-07-06 Omniscient Neurotechnology Pty Limited Processing of brain image data to assign voxels to parcellations
WO2023283795A1 (en) * 2021-07-12 2023-01-19 Shanghaitech University Method for high-resolution image reconstruction
IL292663A (en) * 2022-05-01 2023-11-01 Sheba Impact Ltd A real-time and multi-dimensional automatic 3D image-based pre-surgical guidance system specific to neural intervention

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005237441A (ja) * 2004-02-24 2005-09-08 Kokuritsu Seishin Shinkei Center 脳疾患の診断支援方法及び装置
JP2010012176A (ja) * 2008-07-07 2010-01-21 Hamamatsu Photonics Kk 脳疾患診断システム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6633686B1 (en) 1998-11-05 2003-10-14 Washington University Method and apparatus for image registration using large deformation diffeomorphisms on a sphere
IL139655A0 (en) * 2000-11-14 2002-02-10 Hillman Yitzchak A method and a system for combining automated medical and psychiatric profiling from combined input images of brain scans with observed expert and automated interpreter using a neural network
US7324842B2 (en) 2002-01-22 2008-01-29 Cortechs Labs, Inc. Atlas and methods for segmentation and alignment of anatomical data
US7738683B2 (en) * 2005-07-22 2010-06-15 Carestream Health, Inc. Abnormality detection in medical images
US9101282B2 (en) * 2005-09-22 2015-08-11 Brainlab Ag Brain tissue classification
DE602007008390D1 (de) * 2006-03-24 2010-09-23 Exini Diagnostics Ab Automatische interpretation von medizinischen 3d-bildern des hirns und verfahren zum produzieren von zwischenergebnissen
US8041088B2 (en) * 2007-02-05 2011-10-18 General Electric Company Brain image alignment method and system
WO2009097612A1 (en) 2008-01-31 2009-08-06 The Johns Hopkins University Automated image analysis for magnetic resonance imaging
JP2011512999A (ja) 2008-03-04 2011-04-28 トモセラピー・インコーポレーテッド 改良された画像セグメンテーションの方法およびシステム
US9730615B2 (en) 2008-07-07 2017-08-15 The John Hopkins University Automated surface-based anatomical analysis based on atlas-based segmentation of medical imaging

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005237441A (ja) * 2004-02-24 2005-09-08 Kokuritsu Seishin Shinkei Center 脳疾患の診断支援方法及び装置
JP2010012176A (ja) * 2008-07-07 2010-01-21 Hamamatsu Photonics Kk 脳疾患診断システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017524430A (ja) * 2014-07-02 2017-08-31 サントル・ナショナル・ドゥ・ラ・ルシェルシュ・シャンティフィクＣｅｎｔｒｅ Ｎａｔｉｏｎａｌ Ｄｅ Ｌａ Ｒｅｃｈｅｒｃｈｅ Ｓｃｉｅｎｔｉｆｉｑｕｅ 脳の機能的な撮像のための方法及びデバイス

Also Published As

Publication number Publication date
WO2011163391A2 (en) 2011-12-29
US8838201B2 (en) 2014-09-16
WO2011163391A3 (en) 2012-03-29
US20130102877A1 (en) 2013-04-25

Similar Documents

Publication Publication Date Title
JP2013534440A (ja) 非侵襲的画像分析装置、それに用いるワークステーションおよび画像分析方法
Jones et al. Spatial normalization and averaging of diffusion tensor MRI data sets
Giuliano et al. H ippocampal subfields at ultra high field MRI: A n overview of segmentation and measurement methods
US11344199B2 (en) Systems and methods for detection and prediction of brain disorders based on neural network interaction
KR101503940B1 (ko) 신경퇴행성 질환의 진단을 돕는 수단
US7995825B2 (en) Histogram segmentation of FLAIR images
JP4402436B2 (ja) 気道測定のための方法及びシステム
US20150015253A1 (en) Automated image analysis for magnetic resonance imaging
US20130172727A1 (en) Intelligent Atlas for Automatic Image Analysis of Magnetic Resonance Imaging
Martinez-Heras et al. Improved framework for tractography reconstruction of the optic radiation
US20100226552A1 (en) Identification and visualization of regions of interest in medical imaging
US9607392B2 (en) System and method of automatically detecting tissue abnormalities
US20030142857A1 (en) Method and system for segmenting magnetic resonance images
US20100135560A1 (en) Image processing method
Caan DTI analysis methods: fibre tracking and connectivity
Cardenas et al. Reliability of tissue volumes and their spatial distribution for segmented magnetic resonance images
Faro et al. Basal ganglia activity measurement by automatic 3-D striatum segmentation in SPECT images
Ibrahim et al. Magnetic resonance tractography of the lumbosacral plexus: Step-by-step
Forkel et al. Structural neuroimaging
Raymond et al. The performance of machine learning approaches for attenuation correction of PET in neuroimaging: A meta-analysis
US20050010097A1 (en) System and method for measuring fluid volumes in brain images
US10147186B2 (en) Multi-parameter based tissue classification
US20230320610A1 (en) Method and system for estimating brain tissue damage within white matter tracts from a quantitative map
Obeid et al. 3D Modeling for Multimodal Visualization of Medical Data
Genkin et al. Semiautomated segmentation and analysis of airway lumen in pediatric patients using ultra short echo time MRI

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20140620

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20150707

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20151222