JP2014501126A - 組織病変部の輪郭描出方法 - Google Patents
組織病変部の輪郭描出方法 Download PDFInfo
- Publication number
- JP2014501126A JP2014501126A JP2013543533A JP2013543533A JP2014501126A JP 2014501126 A JP2014501126 A JP 2014501126A JP 2013543533 A JP2013543533 A JP 2013543533A JP 2013543533 A JP2013543533 A JP 2013543533A JP 2014501126 A JP2014501126 A JP 2014501126A
- Authority
- JP
- Japan
- Prior art keywords
- image
- lesion
- mask
- ttp
- volume
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 221
- 230000003902 lesion Effects 0.000 title claims description 349
- 230000000877 morphologic effect Effects 0.000 claims abstract description 65
- 238000002372 labelling Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 49
- 230000010412 perfusion Effects 0.000 claims description 36
- 238000009792 diffusion process Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 31
- 238000003672 processing method Methods 0.000 claims description 30
- 238000012905 input function Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 7
- 210000005013 brain tissue Anatomy 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 186
- 238000004458 analytical method Methods 0.000 abstract description 8
- 210000001519 tissue Anatomy 0.000 description 65
- 210000004556 brain Anatomy 0.000 description 43
- 230000035945 sensitivity Effects 0.000 description 43
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 22
- 230000008901 benefit Effects 0.000 description 21
- 208000006011 Stroke Diseases 0.000 description 16
- 230000003447 ipsilateral effect Effects 0.000 description 14
- 238000002595 magnetic resonance imaging Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 230000005291 magnetic effect Effects 0.000 description 10
- 238000013459 approach Methods 0.000 description 9
- 206010061216 Infarction Diseases 0.000 description 8
- 230000007574 infarction Effects 0.000 description 8
- 239000003550 marker Substances 0.000 description 8
- 230000000302 ischemic effect Effects 0.000 description 7
- 208000032382 Ischaemic stroke Diseases 0.000 description 6
- 210000000988 bone and bone Anatomy 0.000 description 6
- 239000002872 contrast media Substances 0.000 description 6
- 210000003657 middle cerebral artery Anatomy 0.000 description 6
- 230000002861 ventricular Effects 0.000 description 6
- 210000004885 white matter Anatomy 0.000 description 6
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000000926 neurological effect Effects 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 238000011282 treatment Methods 0.000 description 5
- 238000010989 Bland-Altman Methods 0.000 description 4
- 230000001154 acute effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000003727 cerebral blood flow Effects 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 238000004574 scanning tunneling microscopy Methods 0.000 description 4
- 206010058558 Hypoperfusion Diseases 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 230000036770 blood supply Effects 0.000 description 3
- 208000006170 carotid stenosis Diseases 0.000 description 3
- 230000004087 circulation Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000002597 diffusion-weighted imaging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 208000028867 ischemia Diseases 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 229940061368 sonata Drugs 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- AYEKOFBPNLCAJY-UHFFFAOYSA-O thiamine pyrophosphate Chemical compound CC1=C(CCOP(O)(=O)OP(O)(O)=O)SC=[N+]1CC1=CN=C(C)N=C1N AYEKOFBPNLCAJY-UHFFFAOYSA-O 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 206010007687 Carotid artery stenosis Diseases 0.000 description 2
- 208000005189 Embolism Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001771 impaired effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000700 radioactive tracer Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 210000001782 transverse sinus Anatomy 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000272194 Ciconiiformes Species 0.000 description 1
- 229910052688 Gadolinium Inorganic materials 0.000 description 1
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 206010054805 Macroangiopathy Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 210000004004 carotid artery internal Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012885 constant function Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 230000010102 embolization Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000003527 fibrinolytic agent Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007654 ischemic lesion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000012803 optimization experiment Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000005298 paramagnetic effect Effects 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 210000001152 parietal lobe Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 239000002504 physiological saline solution Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000010410 reperfusion Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
Description
本発明は、組織病変部のコンピュータ援用輪郭描出方法に係り、特に、本発明は、脳卒中患者の脳における組織病変部のコンピュータ援用輪郭描出方法に関する。さらに、本発明は、システム、コンピュータプログラム製品、および対応する方法の使用に関する。
患者の脳に急性脳卒中があった場合、血液供給の減少が、脳組織の一部の灌流病変部と呼ばれる部位に虚血を発症させる、すなわち、酸素と栄養の供給不足を起こす。灌流病変部のさらにその一部は、回復不能な損傷を受けることがあり、その部位は中心病変部または拡散病変部と呼ばれる。灌流病変部の残りの部分、いわゆる虚血半影帯は、数時間内程度の短時間枠内で血液供給が回復する場合には、救われるかもしれない。半影帯のボリュームと位置を特定することは、個々の脳卒中患者に対する治療戦略を決定する上で極めて重要である。血栓溶解薬療法などの治療は、短時間枠内に開始しなければならないので、迅速な評価が枢要である。
− 空間分解灌流パラメータを表すデータを含む第1画像を入力するステップと、
− 空間分解拡散パラメータを表すデータを含む第2画像を入力するステップと、
− 前記第1画像上で、灌流病変部に対応する第1エリアを特定するステップと、
− 前記第2画像上で、拡散病変部に対応する第2エリアを特定するステップと、
− 前記第1エリアおよび前記第2エリアに基づいて前記半影帯サイズがどの程度かを推定するステップと
を含み、
前記方法は、さらに、
− 前記灌流強調画像上で、レベルセット法を含む第1画像処理方法を適用することと、
− 前記拡散強調画像上で、グレースケール・モルフォロジー演算を含む第2画像処理方法を適用すること
を含む。
または、
を演算し、安定化にいたる、
ここで、Bは構造要素、gは原画像である。
− プライマリ第1画像上でプライマリマスクを特定し、
− 前記第1画像上の第1エリアを、セカンダリ第1画像上のエリアとして、該セカンダリ第1画像および前記プライマリマスクに基づいて特定し、
前記プライマリ第1画像は動脈入力関数用に補正せず、前記セカンダリ第1画像は動脈入力関数用に補正する
ような方法が提供される。
前記プライマリ第1画像上でプライマリマスクを特定するステップが、
前記プライマリ第1画像上でレベルセット法を適用する
ような方法が提供される。
− 空間分解灌流パラメータを表すデータを含む第1画像を入力する入力部と、
− 空間分解拡散パラメータを表すデータを含む第2画像を入力する入力部と、
− 前記第1画像上で、灌流病変部に対応する第1エリアを特定するよう構成された画像処理ユニットと、
− 前記第2画像上で、拡散病変部に対応する第2エリアを特定するよう構成された画像処理ユニットと、
− 前記第1エリアと、前記第1エリアおよび前記第2エリアの両方により構成される領域(area)である第3エリアとの間の差として、前記半影帯サイズがどの程度かを推定するよう構成された処理部と
を含み、方法はさらに、
− 前記灌流強調画像上で、レベルセット法を含む第1画像処理方法を適用するよう構成された画像処理ユニットと、
− 前記拡散強調画像上で、グレースケール・モルフォロジー演算を含む第2画像処理方法を適用するよう構成された画像処理ユニットと
を含む。
図1に、本発明の実施形態による方法のフローチャートを示す。図1は、手続きを制御する処理部に入力を提供するためのたとえばグラフィカルユーザーインターフェース(GUI)からの入力100を入力するステップ示す。グラフィカルユーザーインターフェースは、主たるグラフィカルユーザーであってもよく、第1画像および第2画像および/またはそのサブタイプのセグメンテーションのようなセグメンテーション手続きを処理するものであり、セグメンテーション手続きから返される病変部ボリュームに関するデータを含んでいる。入力100に起因して、一ないし複数のセグメンテーション手続き(たとえば、TTP、MTT、DWIおよびFUといったタイプの画像のセグメンテーション)を、破線矢印102によって示されているように個別に、あるいは、矢印101、103、104に示されているように順次(たとえば、TTP、MTTおよびDWIといった時間的な順序で)開始することができる。図1において、各縦列のステップは特定の画像タイプに対して実行されるステップを表す。矢印103、104は、一つの画像タイプのための方法ステップにおいて取得されたデータが別の画像タイプに対する方法ステップにおける入力として機能することができることを示している。
素材と方法
モルフォロジー・グレースケール再構成
灌流病変部内のボクセル、いわゆるシード点、を求めることは、肉眼で容易に識別可能であるようだが、画像強度の最大を検索することでは、しばしば、擬似陽性シード点が得られてしまう(たとえば、両眼や脳脊髄液(CSF)のような無関係の領域に対応する画像の領域における高い強度、脳外の強度など)。シード点を自動検出するために、我々は、モルフォロジー・グレースケール再構成を用いて、TTP病変部のエッジを保存しつつ小規模のスパイクを切り詰め、TTPマップの背景を均質化する。従来のたとえばガウシアンカーネルによる平滑化と比較して、モルフォロジー・グレースケール再構成は、スパイクの影響を受けにくいので、シード点検出に適している。この文脈においては、スパイクは、病変部に比して比較的小さく、画像中の平均値に対して病変部のデータ点と同じ方向(たとえば極性など)で異なるような極値を有するデータ点を含む領域と理解される。換言すれば、病変部が明るいピクセルを含む場合に、スパイクとは明るいピクセルの小さな領域として見えるかもしれないものである。
連結成分ラベリング(CCL)アルゴリズムは、ピクセルのクラスターを求めるために画像を検査するものであり、各クラスターのピクセルは所与の連結性パス(the given connectivity path)に順に連結されている。例示的実施形態において、CCLアルゴリズムは、4つのステップを含む。簡潔な記載とするため、4−連結性の検索パスを有するバイナリ画像を検討する。ステップ1:アルゴリズムは、すべてのピクセルにわたり左から右へ走査する。ステップ2:強度=1のピクセル(p)に到達すると、すでに走査済みの(4−連結性[−1,0;0,1]に相当する)隣接部を検査し、i)隣接する両方が=0ならば、pに新しいラベルを割り当て、ii)隣接するうちのひとつ=1ならば、pにそのラベルを割り当て、iii)隣接する両方が=1ならば、pにラベルの内のひとつを割り当てて、いくつかのピクセルに対する等価であることを記録する。ステップ3:等価のペアを等価のクラスターに分類する。ステップ4:CCLアルゴリズムを全ピクセルにわたって実行し、新しいラベルを割り当てる。この研究で、我々は3次元でCCLを実行し、6−連結性のパスを使用している。
自動生成されたCSFマスクが、TTPマップにおいて脳室を除去する。CSFマスクは、クラスター分析を用いることによって取得される。k平均クラスタリング法への入力画像は、構造画像(T2強調)および拡散強調影像法(見かけの拡散係数、ADC)によって得られた画像により結合された画像である。MNI(Montreal Neurological Institute)テンプレートをPWIマップに位置合わせ(co-registering)することによって、左右の半球マスクが自動的に生成される。脳以外の組織(たとえば眼、骨、空気など)および静脈(横洞およびS状洞)は、PWIボリューム中の低質スライスのノイズ成分をもたらし、擬似陽性率が高くなる。したがって、我々は、この低質スライスを、各スライス毎の強度の分散を分析することによって除去している。
研究調査には119名の患者(女性=49名)が含まれ、患者は4つの異なる国(英国、フランス、ドイツ、デンマーク)の病院に収容されている。これらの病院はI−KNOWコンソーシアムのメンバーである。患者の年齢の中央値は71歳、症状の発現から最初のMRIスキャンまでの時間は中央値で148分である(添付1の表I)。
豊富な臨床経験をもつ神経放射線科医が、院内で開発されたソフトウェアを用いて、TTP病変部を半自動的に輪郭描画する。このソフトウェアは、標準閾値化法を利用するものであって、これでTTP病変部をおおまかに特定してから、神経放射線科医が病変部の境界をマニュアル調整することができるが、神経放射線科医は、なんらかの強度スケール等の脳マップを参照することはない。我々は、全データセットに対する二乗誤差の総合計を最小化することによって、現在の神経放射線科医のための最適TTP閾値を推定する最適化実験を実施する。最終的に、標準閾値化法STMを用いても、>4秒のTTP病変部が推定されている。実施例1によるアルゴリズム/STMとマニュアルで輪郭描画した病変部との間の幾何学的かつボリューム上の類似度を定量化するために、我々は、0と1の間の比であるダイス係数を用いる。1という値は、完全に重なることを示しており、0という値は重ならないことを示す。感度と特異性が同側半球上で判定される。
ボリューム比較
実施例1によるアルゴリズムの最高のパフォーマンスがTTP>2.8秒で得られる。マニュアルでの輪郭描画および実施例1の手法によるアルゴリズムから得られるTTP病変部ボリューム間のスピアマン相関は、R2=0.89である。図2A参照。
図2A:現在の神経放射線科医に対するの最適の閾値は>2.8秒(R2=0.89)と推定された。図2Aは実施例1によるアルゴリズムに対するデータを示しており、第1軸はマニュアル判定されたマスクボリューム[mL]を示し、第2軸は実施例1によるアルゴリズムで判定された病変部ボリューム[mL]を示す。
最適TTP閾値において、実施例1によるアルゴリズムに対する感度の中央値(中央値:80%、第25〜第75四分位数:64〜88%)はSTMに対する感度の中央値(中央値:74%、第25〜第75四分位数:57〜83%)を上回る幅に有意差はない(p=0.22)が、実施例1によるアルゴリズムとSTMとは特異性に有意差がある(p<0.001)。実施例1によるアルゴリズムに対して、特異性の中央値は95%(第25〜第75四分位数:92〜98%)であり、STMに対しては、特異性の中央値は、91%(第25〜第75四分位数:88〜95%)である。添付1の表II参照。
素材と方法
レベルセット
この手法は、低灌流領域における平均MTT値Mhypoが平均正常MTT値Mnormよりも高いという仮説から浮上してきたものである。低灌流エリアにおいて、MTT値は、Mhypo近くで変動するが、正常組織においては、Mnormに近くなる。これは、画像MTT値MTT(x,y)とそれぞれの平均値との間の平均二乗誤差が低いことと対応する。そして、虚血病変部のような病変部の特定は、合計変化量(数式(1))を最小化する滑らかな閉じた曲線Cを求めるものとして定式化することができる。
グローバル画像強度の患者間のばらつきを最小化するため、レベルセット手続きを適用する前に画像を標準化しなければならない。このやり方では、我々は、正常に見える白質の小さな対側領域を輪郭描出して、すべてのボクセルから対応する平均MTT値を減算する。脳室の擬似輪郭描画(いくつかの後処理アルゴリズムが、CFSボクセルに対応する長いMTTをもつエリアを生成する)を回避するために、脳卒中プロトコルの一部として取得されたDWIに基づいて画像を自動セグメンテーションする。PWIおよびDWI画像の線形位置合わせに続き、脳室ボクセルが、その見かけの拡散係数(ADC)によって、すなわち、平均正常白質ADCのADCV=2.9倍を超えるADC値をもつボクセルが正規化されたMTT画像においてゼロにセットされるようにすることで、特定される。実施例2によるレベルセットアルゴリズムで用いる初期病変部推定値は、ADCVを下回る相対ADCと1.2を上回る相対MTTを有する領域として定義される。
我々は、急性虚血性脳卒中の症状(NIHSS12.5±5.64)を示す14名の患者を有する。標準動的磁化率造影剤MRIを、発症3時間以内に3.0 T MRスキャナー(Signa Excite HDx, 米国ウィスコンシン州ミルウォーキーのジェネラルエレクトリックメディカルシステムズ社製(General Electric Medical Systems, Milwaukee, WI, USA))で実施する。平均通過時間は、灌流分析ソフトウェアPENGUIN(www.cfin.au.dk/software/penguin)を用いて、自動動脈入力関数検索アルゴリズムで、ブロック循環特異値分解(block-circulant singular value decomposition:oSVD)により計算される。ブロック循環SVDは、動脈入力関数の結果を利用してブロック循環(テプリッツ:Toeplitz)行列を形成し、振動指数に基づいて固有値を閾値化することにより進行する(たとえば、次の文献に記載されている。Wu O, Oestergaard L, Weisskoff RM, Benner T, Rosen BR, Sorensen AG. 共著、「ブロック循環逆畳み込み行列での特異値分解を用いたMR灌流強調影像法における流量推定のためのトレーサー到達タイミングの影響を受けない技法(Tracer arrival timing-insensitive technique for estimating flow in mr perfusion-weighted imaging using singular value decomposition with a block-circulant deconvolution matrix.)」医学における磁気共鳴:医学における磁気共鳴学会誌/医学における磁気共鳴学会(Magnetic resonance in medicine : official journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine.)2003年、第50巻、164〜174頁(2003;50:164-174)。この文献は、ここで引用により補充するものとする。)。
MTTマップ評価で豊富な臨床経験を有する4名の神経放射線科医が、無料で利用可能な画像解析ソフトウェア(Chris Rordenによる”MRIcro”、2005年、www.sph.sc.edu/comd/rorden/mricro.html)を利用して急性MTT病変部をマニュアルで輪郭描画した。読み取り者は、自身の最良の臨床判断に基づいて低灌流組織の範囲を描出するよう要求されている。病変部の描画輪郭が、独立した臨床エキスパート間の「真の」評価者間一致を反映するものとなるように、研究調査に先立って、さらに基準や指示は与えていない。評価者は、好みにしたがい、ウィンドウ/レベル設定を自由に調整することができる。閾値化などの自動前処理は適用しない。読み取り者には、すべての臨床上その他の撮像データは伏せてある。
過去の研究調査で、病変部描画輪郭の評価者間のばらつきが相当あることが示されている。基準となる病変部の輪郭がないので、我々は、提案されている実施例2によるアルゴリズムを、エキスパート間の一致の程度を変えることによって決定した病変部描画輪郭の確実性の程度と比較している。その結果、4つの病変部推定結果が生成され、その最も大きい推定結果は少なくとも一名のエキスパートにより低灌流であると区分されたボクセルに対応するものであり、最も控えめな推定結果はすべてのエキスパートにより低灌流虚血であると区分されたボクセルのみを含むものである。それから、我々は、実施例2によるアルゴリズムにより推定された病変部描画輪郭を、これら4段階の一致度のボリュームと比較している。
収束
図6に、右半球の2つの分水界領域において高いMTTを有する患者の病変部境界に向かって、初期輪郭が収束していくようすを示す。図6に示す初期推定結果(Init.)は、多数の分離した領域を示しており、基礎となる閾値化法により予想されるように、「正常な」組織の小さなエリアが、拡がる病変部の中にある。10回の反復(Iter.)(0.2秒に対応する)の後、2つの大きな密着した領域が現れる一方で、ほとんどの小さな領域は消失している。さらなる反復の主たる結果は、数式(3)の曲線長ペナルティ項による推定輪郭の平滑化である(100回の反復、1.8秒)。100回の反復と600回の反復(10.0秒)との間で観察されるのは、急速な収束を示す、小さな変化だけである。この研究調査の全患者にわたる、600回の反復による単一スライス計算時間の中央値は10.0秒[9.9,10.1]である。
図7では、レベルセット病変部ボリュームを各エキスパート(Expert)のボリュームと比較しており、マニュアル(Manual)による推定と実施例2のアルゴリズムによるMTT病変部輪郭描画による推定(Estimated)との間で病変部ボリューム(Lesion volumes)の一致を示している。我々は、エキスパートのボリュームに相当のばらつきがあることを確認しているが、一致ラインからの規則性のある偏移は観測されていないので、マニュアルで推定された病変部ボリュームと実施例2のアルゴリズムにより推定された病変部ボリュームとの間に全体として良好な一致がみられることがわかる。エキスパート間においては、評価者2と評価者3が、概して、評価者1と評価者4よりも低灌流ボリュームを小さく輪郭描画する傾向が見られる。
脳室のような人為的に延長されたMTTのエリアは、MTT病変部の全自動輪郭描出に対する決定的な難問を示すものである。我々は、利用者の介在や速度のかたちで余計なコストをかけずにCSFボクセルを除外する便利な手段として並行DWI影像法を利用することを提案する。もう一つの選択肢として、脳室を、初期(無限TR)の未処理T2強調DSC画像上で、あるいは、CBV基準を用いることによって、特定することができるかもしれない。
素材および方法
モルフォロジー・グレースケール再構成
拡散病変部には人為的低信号強度が含まれ、高信号強度は解剖およびノイズ人為結果のせいで画像のいたるところに存在するけれども、DWI病変部は、高信号強度領域として容易に視認できるようにみえる。したがって、画像強度の単純な閾値化によって、図11Bに示すように、擬似陽性比率および擬似陰性比率がともに高くなる。ガウシアンカーネルによる畳み込みのような、よくある画像のボケ(blurring)が、ある程度は人為結果を除去してくれるが、病変部境界の「移動」のコストが潜在している。モルフォロジー・グレースケール再構成は、カーネルサイズにより決まる密着エリアの元エッジを保存しようとしながら、画像中の高いピークを一意的に切り詰める。我々は、DWI病変部と背景の間のコントラストを強調するためにモルフォロジー・グレースケール再構成を使用する。従来のボケ(blurring)フィルターと比べて、モルフォロジー・グレースケール再構成は、エッジを保存する(図11Cおよび11D参照)ので、自動DWI病変部セグメンテーションに適している。
自動生成されたCSFマスクがDWIマップ中の脳室を除去する。CSFマスクは、クラスター分析を用いることによって取得される。k平均クラスタリング法への入力画像は、構造画像(BZERO)および拡散強調画像(見かけの拡散係数、ADC)により結合された画像である。MNI(Montreal Neurological Institute)テンプレートをPWIマップに位置合わせ(co-registering)することによって、左右の半球マスクが自動的に生成される。脳マスクの全体は、閾値化CBV>0により生成され、その全脳マスク中のまばらに連結された島がモルフォロジー的間引きによって除去される。DWIボリュームの低質スライス中の脳以外の組織(たとえば眼、骨、空気など)が、ノイズ成分をもたらし、擬似陽性比率が高くなる。したがって、我々は、この低質スライスを、各スライス毎の強度の分散を分析することによって除去している。
実施例1と同様。
豊富な臨床経験をもつ神経放射線科医が、院内で開発されたソフトウェアを用いて、DWI病変部を半自動的に輪郭描画する。このソフトウェアは、標準閾値化法を利用するものであって、これでDWI病変部をおおまかに特定してから、神経放射線科医が病変部の境界をマニュアル調整することができるが、神経放射線科医は、何らかの強度スケール等の脳マップを参照することはない。マニュアル半影帯マスクは、マニュアルで輪郭描画されたDWI病変部マスクおよびTTP病変部マスクに基づいて決定され、同様に、自動半影帯マスクは、自動生成されたDWI病変部マスクおよびTTP病変部マスクに基づく。半影帯については、感度と特異性は同側半球において判定され、DWI病変部については、感度と特異性はTTP病変部において判定される。
実施例3によるアルゴリズムによって輪郭描画されるDWI病変部は、STMによって輪郭描画されたDWI病変部と比べて、マニュアルで輪郭描画されたDWI病変部に、空間的ボリューム的によりよく一致する。実施例3によるアルゴリズムに対する全体のスピアマン相関は、R2=0.79である、図13A参照。マニュアル輪郭描画と実施例3によるアルゴリズムとの間の差の中央値は、−1.4mL(±2SD:20mL)である。実施例3によるアルゴリズムで判定される半影帯ボリュームは、マニュアルで輪郭描画される半影帯ボリュームと良好な相関R2=0.86を有する、図14A参照。マニュアル輪郭描画と実施例3によるアルゴリズムとの間の半影帯ボリュームの差の中央値は、−0.07mL(±2SD:73.5mL)である。感度の中央値は71%(第25〜第75四分位数:59〜83%)であり、特異性の中央値は95%(第25〜第75四分位数:92〜98%)である。マニュアル輪郭描画とSTMとの間の半影帯ボリュームの差の中央値は、−41.1mL(±2SD:116.2mL)である。感度の中央値は64%(第25〜第75四分位数:49〜77%)であり、特異性の中央値は92%(第25〜第75四分位数:88〜95%)である。最後に、ダイス係数分析によって、実施例3によるアルゴリズムが推定する半影帯(中央値=0.67、第25〜第75四分位数:0.51〜0.75)が、STMが推定する半影帯(中央値=0.46、第25〜第75四分位数:0.27〜0.60)と対比すると、マニュアルで輪郭描画した半影帯に対する類似度が高い(p<0.001)ことが示されている。
図12A:ADCマップを550mm2/秒で閾値化処理した。
12B)TTP病変部に含まれていなかったADC病変部を除去した。図12C:モルフォロジー・グレースケール再構成処理されたDWIマップ上でADCマスクを適用し、スライス固有閾値を決定した。
図12Dは、実施例3によるアルゴリズムによってセグメンテーションされた自動セグメンテーション済DWI病変部を元のDWIマップに重ね合わせて示す図である。
素材および方法
モルフォロジー・グレースケール再構成
実施例1と同様。
実施例1と同様。
CCL生成病変部境界は、マニュアルで輪郭描画した経験的事実認識に基づく境界に比べて滑らかでないかもしれない。我々は、経験的事実認識に基づく病変部境界を、滑らかな曲線Cを探索することによって間接的に近似したが、これは、この曲線内外のTTPの変動を最小化する。我々は、チャン−ヴェーゼにより提案されているマンフォード−シャー・エネルギー最小化問題のレベルセット表現を利用した。詳細は、TF チャン(Chan TF)、LA ヴェーゼ(Vese LA)著の参考文献「エッジのないアクティブな輪郭(“Active contours without edges”)」IEEE画像処理関連紀要、第10巻第2号、266〜277頁、2001年(IEEE Transactions on Image Processing, vol. 10, issue 2, p. 266-277, 2001)でも参照可能である。この文献は、ここで引用により補充するものとする。実施例4のレベルセット法は、実施例2のレベルセット法とほぼ同じである。
−病変部境界を平滑化するステップ
に代えて、
−CCLアルゴリズムによって発生するTTP病変部マスクで開始されるレベルセットアルゴリズムを適用するステップ
があることを除き、実施例1と同様である。
この後者のステップから得られるマスクは、TTP>4秒でソフト閾値化処理されたTTP病変部マスクと考えることができる。
我々は、APSのパフォーマンスを評価するため、168名の急性虚血性脳卒中患者の同齢集団(女性=70名)を利用した。患者は、多施設治験I−KNOWに参加している病院に収容されていた。患者の年齢の中央値は70歳、症状の発現から最初のMRIスキャンまでの時間は中央値で152分であった(表V)。
豊富な臨床経験をもつ4名の評価者(1名の神経放射線科医と3名の放射線科医)が、院内で開発されたソフトウェアを用いて、TTP病変部をマニュアルで輪郭描画した。評価者が、何らかの強度スケール等の脳マップを参照しないようにしておいた。閾値化法のような自動前処理は適用されない。自動判定されたTTP病変部ボリュームを、1、2、3および4の評価者間一致度ごとに、マニュアルで輪郭描画したTTP病変部ボリュームと比較した。最後に、>4秒のTTP病変部も、STMを用いて推定され、マニュアルで輪郭描画したTTP病変部と比較された。この研究調査において、我々は、TTP>4秒でTTP病変部を推定したが、この固有閾値は、梗塞形成リスクのある組織を特定するためのいくつかの研究調査において評価されている(たとえば、Sobesky, J., et al.共著、「どのピーク到達時間閾値が半影帯フローを最も良く特定するか?急性虚血性脳卒中における灌流強調磁気共鳴影像法およびポジトロン放射型断層撮影法の比較(Which time-to-peak threshold best identifies penumbral flow? A comparison of perfusion-weighted magnetic resonance imaging and positron emission tomography in acute ischemic stroke)」Stroke誌、2004年、35(12):2843〜7頁(2004. 35(12): p. 2843-7)。この文献は、ここで引用することにより補充するものとする。)。アルゴリズム/STMおよびマニュアルで輪郭描画された病変部の間の幾何学的かつボリューム上の類似度を定量化するために、我々は、0と1の間の数であるダイス係数(定義:結びつけられたマスクの集合について、2つのマスクの論理積の2倍)を利用する。1は完全に重なること、0(ゼロ)はまったく重ならないことを示す。感度および特異性が、同側半球上で判定される。
ボリューム比較
マニュアルでの輪郭描画および実施例4のアルゴリズムによって自動輪郭描画されたTTP病変部間のボリュームの最も良く相関するのは、評価者間一致度が3のときで、スピアマン相関はR2=0.89であった(図18A参照)。マニュアルでの輪郭描画(データ省略)に比べると、評価者間一致度が1および2のとき、実施例4のアルゴリズムによる自動手法では、TTP病変部ボリュームを小さく推定したが、評価者間一致度が4のとき、アルゴリズムはTTP病変部ボリュームを過大に推定した。最適ボリューム相関において、マニュアルでの輪郭描画とアルゴリズムとの間の平均差は、−0.26mL(±2SD:33mL)であった(図18C参照)。
図18Cは、実施例4によるアルゴリズムと対比して示したマニュアルでの輪郭描画に対するブランド−アルトマンプロットを示し、図18Dは、STMと対比して示したマニュアルでの輪郭描画に対するブランド−アルトマンプロットを示す。実線は対比されている両方法の間の平均値を示し、破線は、平均差±2SDを示す。第1軸(目盛りは0〜500の範囲)は平均病変部ボリューム[mL]を示し、第2軸(目盛りは−250〜400の範囲)はマニュアルで判定されたボリュームと、図18Cでは実施例4によるアルゴリズム、図18DではSTM法によってそれぞれ判定されたボリュームとの間の差[mL]を示す。
評価者間一致度が3で、実施例4によるアルゴリズムに対する感度の中央値(中央値:79%、第25〜第75四分位数:40〜85%)は、STMに対する感度(中央値:72%、第25〜第75四分位数:40〜85)を上回る幅に有意差はなかった(p=0.22)。対照的に、アルゴリズムに対する特異性の中央値は(95% 第25〜第75四分位数:90〜98%)はSTMの95%(第25〜第75四分位数:87〜96%)と比べて有意に高い(p<0.001)値となった。添付2の表IV参照。さらに、ダイス係数分析によって、アルゴリズムによって推定されるTTP病変部マスク(ダイス係数中央値:0.74、第25〜第75四分位数:0.52〜0.82)が、STMにより生成されるマスク(ダイス係数中央値:0.54、第25〜第75四分位数:0.24〜0.70)よりも、マニュアルで輪郭描画したTTP病変部マスクに対する類似度が有意に(p<0.001)高いことが示された。図19参照。
素材および方法
モルフォロジー・グレースケール再構成
実施例3と同様。
病変部と正常な組織との間の画像コントラストは、DWI画像において明瞭に認識可能であり、モルフォロジー・グレースケール再構成によって、さらに強調される。しかし、単純な閾値化法は、個体差を問わず適用可能な確立したDWI閾値が存在せず、DWI画像に固有のノイズに起因する「擬似」病変部が現れるという難点がある。レベルセットアルゴリズムは、DWI病変部境界を、滑らかな曲線Cを探索することによって間接的に推定し、これは、同時に、この曲線内外のDWI強度の変動を最小化する。我々は、チャン−ヴェーゼにより提案されているマンフォード−シャー・エネルギー最小化問題のレベルセット表現を利用した。詳細は、TF チャン(Chan TF)、LA ヴェーゼ(Vese LA)著の参考文献「エッジのないアクティブな輪郭(“Active contours without edges”)」IEEE画像処理関連紀要、第10巻第2号、266〜277頁、2001年(IEEE Transactions on Image Processing, vol. 10, issue 2, p. 266-277, 2001)でも参照可能である。この文献は、ここで引用により補充するものとする。実施例5のレベルセット法は、実施例2のレベルセット法とほぼ同じである。
自動生成されたCSFマスクがDWIマップ中の脳室を除去する。CSFマスクは、クラスター分析を用いることによって取得される。k平均クラスタリング法への入力画像は、構造画像(BZERO)および拡散強調画像(見かけの拡散係数、ADC)により結合された画像である。MNI(Montreal Neurological Institute)テンプレートをPWIマップに位置合わせ(co-registering)することによって、左右の半球マスクが自動的に生成される。脳マスクの全体は、閾値法CBV>0により生成され、その全脳マスク中のまばらに連結された島がモルフォロジー的間引きによって除去される。DWIボリュームの低質スライス中の脳以外の組織(たとえば眼、骨、空気など)が、ノイズ成分をもたらし、擬似陽性比率が高くなる。したがって、我々は、この低質スライスを、各スライス毎の強度の分散を分析することによって除去している。TTP病変部マスクは、実施例4に記載されているアルゴリズムを用いて自動生成した。
我々は、APS(automatic penumbra segmentation:自動半影帯セグメンテーション)のパフォーマンスを評価するため、168名の急性虚血性脳卒中患者の同齢集団(女性=70名)を利用した。患者は、多施設治験I−KNOWに参加している病院に収容されていた。患者の年齢の中央値は70歳、症状の発現から最初のMRIスキャンまでの時間は中央値で152分であった(表V)。急性DWI病変部の中央値は2.4mL、NIHSSの中央値は10であった。I−KNOWプロトコルでは7つの脳卒中サブタイプを定義しており、そのうち、心臓塞栓源が第一の脳卒中サブタイプであり、それに続くのが、明らかにされていないサブタイプおよび重篤な頸動脈狭窄を有する大血管疾患であった(表V)。MRIを異なるモデルのスキャナー(GE社のSigna Excite 1.5、GE社のSigna Excite 3、GE社のSigna HDx 1.5、シーメンス社のTrioTim 3、シーメンス社のAvanto 1.5、シーメンス社のSonata 1.5、フィリップス社のGyroscan NT 1.5、およびフィリップス社のIntera 1.5)上で実行した。b値=0およびb値=1.000秒/mm2で、エコープラナー(echoplanar)DWIを取得した。
豊富な臨床経験をもつ4名の評価者(1名の神経放射線科医と3名の放射線科医)が、院内で開発されたソフトウェアを用いて、DWI病変部をマニュアルで輪郭描画したが、評価者は、何らかの強度スケール等の脳マップを参照しないようにしておいた。閾値化法のような自動前処理は適用されない。自動判定されたDWI病変部ボリュームを、1、2、3および4の評価者間一致度ごとに、マニュアルで輪郭描画したDWI病変部ボリュームと比較した。マニュアル半影帯マスクはマニュアルで輪郭描画されたDWIおよびTTP病変部マスクに基づいて決定され、同様に、自動半影帯マスクは自動生成されたDWIおよびTTP病変部マスクに基づいている。半影帯に対して、同側半球における感度と特異性、およびダイス係数が判定される。
ボリューム比較
実施例5によるアルゴリズムおよびマニュアルで輪郭描画されたDWI病変部間のボリュームの最も良く相関するのは、評価者間一致度が3のときであった。スピアマン相関はR2=0.61、マニュアルとアルゴリズムとの間の平均差は0.23mL((±2SD:25.6mL)となった(図22Aおよび22C参照)。対照的に、STM病変部ボリュームおよびマニュアルで輪郭描画されたマスクボリューム間では、ボリュームの相関は低かった。スピアマン相関はR2=0.33、マニュアルと自動化された手法との間の平均差は−124.4mL(±2SD:84.5mL)となった(図22Bおよび22D参照)。
感度およびダイス係数に関して、実施例5によるアルゴリズム(感度:中央値=75%、第25〜第75四分位数:63〜85%;DC:中央値=0.70、第25〜第75四分位数:0.57〜0.78)は、STM(感度:中央値=52%、第25〜第75四分位数:31〜70%;DC:中央値=0.44、第25〜第75四分位数:0.26〜0.60)よりパフォーマンスが優れていた(感度:p<0.001、ダイス係数:p<0.0001)。しかし、これら2つの手法間には、特異性に対するオーダーにおいて何ら有意な差は見られなかった(p=0.22)。
PWIセグメンテーション
虚血半影帯を特定するために、さまざまなPWI測定基準(たとえば、逆畳み込み曲線のピーク到達時間(Tmax)、平均通過時間(MTT)およびピーク到達時間(TTP))が提案されてきたが、これらは、組織濃度曲線から得られるサマリーマップ(たとえば、TTP)と、動脈入力関数を用いた逆畳み込みにより生成されるマップ(たとえば、TmaxおよびMTT)という2つのカテゴリーに分かれる。逆畳み込みマップは生理学的に解釈可能であると仮定されるが、サマリーマップは、必ずしも生理学的な事象を反映するわけではない。対照的に、サマリーマップは、そのより直接的な性質のおかげで、逆畳み込みマップに比べてノイズが少ないので、結果的にセグメンテーションの目的にとっては好都合である。この実施例では、我々は、PWI測定基準としてTTPの正規化バージョンを利用した。低灌流組織を特定するためのいくつかの研究調査においてTTP>4秒と評価されているが、4秒でTTPマップを閾値化すると、多くの分散した擬似陽性病変部、たとえば、脳室、眼、磁化率人為結果が、生ずるだろう。この実施例では、我々は、TTPマップ上で認知境界をもつ密着した低灌流病変部を特定するためのアルゴリズムを提案する。
モルフォロジー・グレースケール再構成
実施例1と同様。
モルフォロジー再構成とは、バイナリー画像変換技法であり、たとえば、L.ヴィンセント(Vincent, L.)著の参考文献「画像解析におけるモルフォロジー・グレースケール再構成:応用例と効率的アルゴリズム(“Morphological Grayscale Reconstruction in Image Analysis: Applications and Efficient Algorithms “)」IEEE(米国電気電子技術者学会)画像処理関連紀要、1993年、第2巻第2号、176〜201頁(IEEE Transactions on Image Processing, 1993. 2(2): p. 176-201)を参照のこと。この文献は、ここでその全体を引用することにより補充するものとし、特に、セクションが参照される。この文脈において、モルフォロジー再構成は、擬似陽性TTP病変部を除去するために使用されている。この技法は、概念的には、TTPマップの閾値化法により得られる初期マスクにより拘束されるシード点(図26、J、K、Lのラベルが付された画像を含む列4参照)の反復膨張と考えることができる。シード点を拘束していなかったボクセルのクラスターは、再構成マスクには保持されていない。
自動生成されるTTP病変部は、マニュアルで輪郭描画される病変部と同じ範囲である必要は必ずしもなく、また、境界が、マニュアルで輪郭描画される認知境界と比べて滑らかでなくてもよい。我々は、認知病変部境界を、滑らかな曲線Cを探索することによって間接的に近似したが、これにより、同時に曲線内外のTTPの変動が最小化される。我々は、チャン−ヴェーゼにより提案されているマンフォード−シャー・エネルギー最小化問題のレベルセット表現を利用した。たとえば、T.チャン(Chan, T.)、L.ヴェーゼ(L. Vese)著の参考文献「エッジのないアクティブな輪郭(“Active contours without edges”)」、コンピュータビジョンにおけるScale-space理論、1999年、1682:141〜151頁(Scale-Space Theories in Computer Vision, 1999. 1682: p. 141-151)を参照。この文献は、ここでその全体を引用により補充するものとする。
全脳マスクおよびCSFマスクにより構成される自動生成される脳マスクが、脳以外の組織、たとえば、脳室、眼等を除去した。全脳マスクは、閾値CBVマップ(CBV>0)により取得された。連結されていない、またはまばらに連結されている、眼や磁化率人為結果などの成分が、モルフォロジー演算を菲薄化(thinning)およびH−ブレーク(H-break)として適用することによって一掃された。R.C.ゴンザレス(Gonzalez, R.C.)、R.E.ウッズ(R.E. Woods)、S.L.エディンズ(S.L. Eddins)共著の参考文献「Matlabを利用したデジタル画像処理(Digital image processing using Matlab)」(2004年)を参照のこと。この文献は、ここで全体を引用することにより補充するものとし、特に、第9章(chapter 9)が参照される。CSFマスクは、高コントラストCSF組織マップ上のボクセル強度のヒストグラム分離により取得された。CSF組織マップは、構造画像(T2)および拡散強調画像(見かけの拡散係数、ADC)を結合することにより取得された、(図26、A、B、Cのラベルが付された画像を含む列1を参照)。MNI(Montreal Neurological Institute)テンプレートをPWIマップに位置合わせする(co-registering)ことによって、左右の半球マスクが自動生成された(図26、D、E、Fのラベルが付された画像を含む列2を参照)。脳以外の組織(たとえば、眼、骨、空気など)および静脈(横洞およびS状洞)は、PWIボリューム中の低質スライスのノイズ成分をもたらし、擬似陽性比率が高くなる。したがって、我々は、この低質スライスを、各スライス毎の強度の分散を分析することによって除去した。
自動TTP病変部セグメンテーションアルゴリズムは、MatlabR2010a(MathWork社、マサチューセッツ州ネイティック)において実装した。
実施例4と同様。
神経放射線学分野の豊富な臨床経験をもつ4名の評価者(1名の神経放射線科医と3名の放射線科医)が、院内で開発されたソフトウェアを用いて、TTP病変部をマニュアルで輪郭描画した。評価者が、何らかの強度スケール等の脳マップを参照しないようにしておいた。自動判定されたTTP病変部ボリュームを、1、2、3および4の評価者間一致度ごとに、マニュアルで輪郭描画したTTP病変部一致マップと比較した。最後に、>4秒のTTP病変部も、STMを用いて推定され、マニュアルで輪郭描画したTTP病変部と比較された。この実施例では、我々は、TTP>4秒でTTP病変部を推定したが、この固有閾値は、いくつかの研究調査において、梗塞形成リスクのある組織を特定するための最適閾値として評価されているものである。APS/STMおよびマニュアルで輪郭描画された病変部の間の幾何学的かつボリューム上の類似度を定量化するために、我々は、ボリューム相関およびダイス係数(DC)を利用した。DC(定義:結びつけられたマスクの集合について、2つのマスクの論理積の2倍)は、0〜1の間の数であり、1は完全に重なることを、0はまったく重ならないことを示す。区分のパフォーマンスが、感度と特異性について評価され、同側半球上で判定された。
ボリューム比較
図27に、TTP>4秒でのアルゴリズムとSTM、およびマニュアルでの輪郭描画により推定されたTTP病変部のボリューム比較を示す。A)アルゴリズムとマニュアル輪郭描画間のボリューム相関(R2=0.92)(x軸はマニュアルマスクボリューム[mL]を示し、y軸はアルゴリズムマスクボリューム[mL]を示す)。B)STMとマニュアル輪郭描画間のボリューム相関(R2=0.79)(x軸はマニュアルマスクボリューム[mL]を示し、y軸はSTMマスクボリューム[mL]を示す)。C)アルゴリズムと比較したマニュアル輪郭描画のブランド−アルトマンプロット(x軸は平均病変部ボリューム[mL]を示し、y軸は差を示す)であり、D)STMと比較したマニュアル輪郭描画のブランド−アルトマンプロット(x軸は平均病変部ボリューム[mL]を示し、y軸は差を示す)である。実線は、比較されている2つの方法の平均を示し、破線は、平均差±2SDを示す。
STMに対するスピアマン相関はR2=0.78であった、図27B参照。マニュアル輪郭描画とSTMとの間の平均差は、−22.6mLで、±2SDは85.8mLであった、図27D参照。
APSは、マニュアルで輪郭描出されたTTP病変部マスクとの幾何学的一致という観点ではSTMより優れたパフォーマンスを示した。APSに対するDCの中央値は、第25〜第75四分位数間範囲が0.50〜0.81のとき0.74であった(p<0.001)。対照的に、STMに対するDCの中央値は、第25〜第75四分位数間範囲が0.21〜0.68のとき0.53であった、図28参照。
処理時間の中央値は、患者一人当たり3.4秒(1.9〜4.9)で、もっぱらTTP病変部のボリュームのみによって決定するものであった。
評価者間一致度が3で、APSは、区分において、STMを有意に上回るパフォーマンスを示した。APSに対する感度の中央値は77%、第25〜第75四分位数間範囲(IQR)は58〜87%(p<0.01)で、特異性の中央値は97%、第25〜第75IQRは95〜100%(p<0.05)であった。STMに対しては、感度の中央値は65%、第25〜第75IQRは38〜80%で、特異性の中央値は95%、第25〜第75IQRは92〜98%であった。
本発明で達成可能な利点としては、連結成分ラベリングアルゴリズムおよびマンフォード−シャー・セグメンテーションのレベルセット実装形態を用いて関連するTTPマップ上にTTP病変部を輪郭描画するための時間効率的で全自動のセグメンテーションアルゴリズムが提供されることが挙げられるかもしれない。APSに対するアルゴリズムは、マニュアル輪郭描画された病変部との良好な一致を示し、ボリューム相関、DCおよび感度/特異性に関して、閾値TTP病変マスクよりも有意に優れたパフォーマンスを示した。
複数の患者について梗塞形成リスクのある組織を特定するための生理学的に真のTTP閾値が、いくつかの研究で評価されている。TTP>4秒が、急性虚血性脳卒中のMRI−PET研究において認証され、臨床現場で広く受容されている。
この実施例では、ADCマップからの同時発生情報を利用してDWI画像上のDWI病変部を自動セグメンテーションするためのアルゴリズムが提供されている。DWI病変部のセグメンテーションのための自動アルゴリズムをPWI病変部のセグメンテーションのための自動アルゴリズムと組み合わせることで、臨床用のツールとなるような、全自動半影帯セグメンテーションツールを提供することができる方法が提供される。
実施例3と同様。
モルフォロジー再構成は、バイナリー画像変換技術[10]であり、この文脈においては、DWI画像上の擬似陽性DWI病変部を取り除くために用いられている。この技術は、概念上、DWIマップの閾値化によって得られる初期マスクにより拘束されるシード点(図30、第5列3060参照)の反復膨張と考えることができる。シード点を拘束していなかったボクセルのクラスターは、再構成マスクには保持されていない。
全脳マスクおよびCSFマスクにより構成される自動生成される脳マスクが、脳以外の組織、たとえば、脳室、頭骨等を除去した、図30および第1列3052参照。全脳マスクは、閾値CBVマップ(CBV>0)により取得され、連結されていない、またはまばらに連結されている、眼や磁化率人為結果などの成分が、モルフォロジー演算を菲薄化(thinning)およびH−ブレーク(H-break)として適用することによって一掃された。たとえば、R.C.ゴンザレス(Gonzalez, R.C.)、R.E.ウッズ(R.E. Woods)、S.L.エディンズ(S.L. Eddins)共著の参考文献「Matlabを利用したデジタル画像処理(Digital image processing using Matlab)」(2004年)を参照のこと。この文献は、ここで全体を引用することにより補充するものとする。CSFマスクは、構造画像(T2)とADCとを結合することにより取得された高コントラストCSF組織マップ上のボクセル強度のヒストグラム分離により取得された。MNI(Montreal Neurological Institute)テンプレートをPWIマップに位置合わせする(co-registering)ことによって、左右の半球マスクが自動生成された。DWIボリューム中の低質スライスにおける脳以外の組織(たとえば、眼、骨、空気など)は、ノイズ成分をもたらし、擬似陽性比率が高くなる。そこで、我々は、対象となるDWIスライスを特定するために、実施例6に記載の自動生成TTP病変部マスクを使用した。初期ADCおよびDWIマスクは、ADCマップを600*10−6mm2/秒で、DWI画像を対側性平均強度+2標準偏差で、閾値化処理することによって作成された、図30および第2〜第3列3045〜3056参照。初期マスクの多重化によって、DWI病変部のコアを保持し、擬似陽性病変部(マーカー画像)を一掃する、図30および第4列3058参照。初期DWI病変部マスクにより拘束されるマーカー画像を再構成することによって、最終DWI病変部マスクが得られる、図30および第5列3060参照。PWI−DWI不一致は、TTP病変部からDWIおよびTTP病変部の論理積をマイナスしたものとして定義される。自動半影帯セグメンテーションアルゴリズムは、MatlabR2010a(MathWork社、マサチューセッツ州ネイティック)において実装した。
実施例5と同様。
神経放射線学分野の豊富な臨床経験をもつ4名の評価者(1名の神経放射線科医と3名の放射線科医)が、院内で開発されたソフトウェアを用いて、DWI画像上にDWI病変部をマニュアルで輪郭描画した。評価者が、何らかの強度スケール等の脳マップを参照しないようにしておいた。自動判定されたDWI病変部ボリュームを、そして、評価者間一致度3で、マニュアル輪郭描画されたDWI病変部一致マップと比較した。自動化された手法およびマニュアルで輪郭描画された病変部の間の幾何学的およびボリューム上の類似度を定量化するために、我々は、ボリューム相関およびダイス係数(DC)を利用した。DC(定義:結びつけられたマスクの集合について、2つのマスクの論理積の2倍)は、0〜1の間の数であり、1は2つの同一形状が完全に重なることを、0はまったく重ならないことを示す。マニュアルで輪郭描画されたPWI病変部内でDWI病変部のボリューム上および幾何学的な比較がなされた。区分のパフォーマンスが、感度と特異性について評価され、同側半球上で判定された。
ボリューム比較
図31に、自動化された手法およびマニュアル輪郭描画により推定されるDWI病変部のボリューム比較を示す。
APSで生成したDWIマスクに対するDCの中央値は0.65(第25〜第75四分位数:0.44〜0.79)、感度の中央値は0.83(第25〜第75四分位数:0.53〜0.95)、そして特異性の中央値は1(第25〜第75四分位数:100〜1)であった。
STMで生成したDWIマスクに対するDCの中央値は0.24(第25〜第75四分位数:0〜0.51)、感度の中央値は0.96(第25〜第75四分位数:0〜1)、そして特異性の中央値は1(第25〜第75四分位数:1〜1)であった。
STM半影帯マスクに対して、DCの中央値が0.37(第25〜第75四分位数:0.06〜0.59)で、感度の中央値は0.54(第25〜第75四分位数:0.23〜0.77)、そして、特異性の中央値は0.95(第25〜第75四分位数:0.90〜0.98)であった。患者ごとの処理時間の中央値は、21.4秒(8.9〜33.9)であったが、これは、主に半影帯ボリュームおよび評価対象となるスライスの数により変動するものである。
実施例7によるDWI病変部セグメンテーションアルゴリズムで達成可能な利点は、DWI病変部の自動セグメンテーションのためにADCマップおよびDWI画像から同時発生情報を抽出することで、より良好なセグメンテーションが達成できることである。ADCマップ上で低信号強度が、そしてDWI画像上で高信号強度が現れている病変部のみが、DWI病変部としてセグメンテーションされる。この手法によって、アルゴリズムは、通常ならばDWI画像上に高信号強度として現れる「古い」病変部や、普通はADCマップ上で低信号強度として現れる白質構造をセグメンテーションしてしまうことを回避した。
Claims (21)
- 生体組織における半影帯の半影帯サイズがどの程度かを推定する方法であって、
− 空間分解灌流パラメータを表すデータを含む第1画像を入力するステップと、
− 空間分解拡散パラメータを表すデータを含む第2画像を入力するステップと、
− 前記第1画像上で、灌流病変部に対応する第1エリアを特定するステップと、
− 前記第2画像上で、拡散病変部に対応する第2エリアを特定するステップと、
− 前記第1エリアおよび前記第2エリアに基づいて前記半影帯サイズがどの程度かを推定するステップと
を含み、
前記方法は、さらに、
− 前記灌流強調画像上で、レベルセット法を含む第1画像処理方法を適用することと、
− 前記拡散強調画像上で、グレースケール・モルフォロジー演算を含む第2画像処理方法を適用すること
を含むことを特徴とする方法。 - 前記方法は、さらに、前記第1画像および前記第2画像からなる群から選択される任意の一画像上で連結成分ラベリングを適用することを含む、請求項1に記載の方法。
- 前記方法は、さらに、前記第1画像および前記第2画像からなる群から選択される任意の一画像上でモルフォロジー・バイナリー再構成を適用することを含む、請求項1に記載の方法。
- 前記第2画像処理方法が、さらに、
− 前記第1画像処理方法によって決定されたパラメータを入力すること
を含み、
前記第2エリアを特定するステップが、当該パラメータに基づく
ことを特徴とする、請求項1に記載の方法。 - 前記第1画像処理方法が、
− プライマリ第1画像上でプライマリマスクを特定すること
を含み、前記第1画像上で第1エリアを特定するステップが、
− セカンダリ第1画像、および
− 前記プライマリマスク
を入力としてとり、
前記プライマリおよび前記セカンダリ第1画像が、前記セカンダリ第1画像が動脈入力関数に基づいて処理されているという点で、異なっている
ことを特徴とする、請求項1に記載の方法。 - 前記第1画像処理方法が、さらに、グレースケール・モルフォロジー演算を適用することを含む、請求項1に記載の方法。
- 前記第2画像処理方法が、さらに、レベルセット法を適用することを含む、請求項1に記載の方法。
- 前記第1画像処理方法の前記レベルセット法が、マンフォード−シャー・セグメンテーションのレベルセット実行形態である、請求項1に記載の方法。
- 前記方法は、さらに、
− 前記第1画像および前記第2画像からなる群から選択される任意の一画像上でバイナリー・モルフォロジー演算を適用すること
を含むことを特徴とする、請求項1に記載の方法。 - 前記バイナリー・モルフォロジー演算が、オープニング、クロージング、フィリングからなる群から選択される画像処理方法のうちの任意のひとつを含むことを特徴とする、請求項9に記載の方法。
- 前記方法は、さらに、前記第1画像および前記第2画像からなる群から選択される任意の一画像中のシード点を特定することを含む、請求項1に記載の方法。
- 前記シード点を特定するステップが、当該画像中の他の点に対して高いまたは低いデータ値を有する当該画像中の点に対応する、当該画像中のプライマリ点の特定を含むことを特徴とする、請求項11に記載の方法。
- 前記シード点を特定するステップが、病変部側性の検出を含むことを特徴とする、請求項11または12のいずれか一項に記載の方法。
- 前記病変部側性を特定するステップが、複数の異なる影像法モダリティから由来する各半球に対する一ないし複数の特徴を抽出することを含むことを特徴とする、請求項13に記載の方法。
- 前記方法は、さらに、
− 見かけの拡散係数画像を入力すること
を含み、前記第1および/または第2画像処理方法が、さらに、
− 前記見かけの拡散係数画像において閾値を上回るか下回る見かけの拡散係数エリアを特定すること
を含むことを特徴とする請求項1に記載の方法。 - 患者における半影帯の半影帯サイズがどの程度かを推定するためのシステムであって、当該システムは、
− 空間分解灌流パラメータを表すデータを含む第1画像を入力する入力部と、
− 空間分解拡散パラメータを表すデータを含む第2画像を入力する入力部と、
− 前記第1画像上で、灌流病変部に対応する第1エリアを特定するよう構成された画像処理ユニットと、
− 前記第2画像上で、拡散病変部に対応する第2エリアを特定するよう構成された画像処理ユニットと、
− 前記第1および前記第2エリアに基づいて、前記半影帯サイズがどの程度かを推定すること
を含み、前記方法が、さらに、
− 前記灌流強調画像上で、レベルセット法を含む第1画像処理方法を適用するよう構成された画像処理ユニットと、
− 前記拡散強調画像上で、グレースケール・モルフォロジー演算を含む第2画像処理方法を適用するよう構成された画像処理ユニットと
を含むことを特徴とするシステム。 - 前記システムは、さらに、撮像ユニットを含むことを特徴とする、請求項16に記載の患者における半影帯の半影帯サイズがどの程度かを推定するためのシステム。
- 請求項1の方法を実行することを可能にしたコンピュータプログラム製品。
- 請求項1に記載の、生体組織における半影帯の半影帯サイズがどの程度かを推定する方法の使用であって、当該生体組織が脳組織である、使用。
- 前記第1画像処理方法が、
− プライマリ第1画像上でプライマリマスクを特定すること、
− 前記第1エリアを、前記第1画像上で、セカンダリ第1画像上のセカンダリマスクとして、前記セカンダリ第1画像と前記プライマリマスクに基づいて、特定すること
を含み、前記プライマリ第1画像は、動脈入力関数用に補正されていないものであり、前記セカンダリ第1画像は、動脈入力関数用に補正されているものであることを特徴とする、請求項1に記載の方法。 - − 前記プライマリ第1画像上でプライマリマスクを特定する
ステップが、前記プライマリ第1画像上でレベルセット法を適用することを含むことを特徴とする、請求項20に記載の方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DKPA201070558 | 2010-12-17 | ||
DKPA201070558 | 2010-12-17 | ||
DKPA201170070 | 2011-02-07 | ||
DKPA201170070 | 2011-02-07 | ||
PCT/DK2011/050493 WO2012079593A1 (en) | 2010-12-17 | 2011-12-16 | Method for delineation of tissue lesions |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014501126A true JP2014501126A (ja) | 2014-01-20 |
JP6034299B2 JP6034299B2 (ja) | 2016-11-30 |
Family
ID=45390019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013543533A Active JP6034299B2 (ja) | 2010-12-17 | 2011-12-16 | 半影帯サイズを推定するためのシステムおよびその作動方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US9036878B2 (ja) |
EP (1) | EP2652704A1 (ja) |
JP (1) | JP6034299B2 (ja) |
KR (1) | KR20140033332A (ja) |
CN (1) | CN103339653B (ja) |
AU (1) | AU2011344876B2 (ja) |
CA (1) | CA2821395A1 (ja) |
WO (1) | WO2012079593A1 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015208420A (ja) * | 2014-04-24 | 2015-11-24 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | 磁気共鳴装置およびプログラム |
JP2021504035A (ja) * | 2017-11-29 | 2021-02-15 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 時間分解血管造影画像と空間分解血管造影画像との組み合わせ |
JP2021109104A (ja) * | 2020-01-06 | 2021-08-02 | 株式会社リコー | クラスタリング及びテンプレートを利用する脳セグメンテーション |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016515019A (ja) | 2013-03-15 | 2016-05-26 | セノ メディカル インストルメンツ,インク. | 診断ベクトル分類サポートのためのシステムおよび方法 |
JP5946800B2 (ja) * | 2013-07-22 | 2016-07-06 | 株式会社日立製作所 | 磁気共鳴イメージング装置、画像処理装置、画像処理方法、及び画像処理プログラム |
US9905002B2 (en) * | 2013-11-27 | 2018-02-27 | Universidad Politécnica de Madrid | Method and system for determining the prognosis of a patient suffering from pulmonary embolism |
US9619882B2 (en) * | 2014-06-19 | 2017-04-11 | Alexander Sheung Lai Wong | Correlated diffusion imaging system and method for identification of biological tissue of interest |
EP2988270A1 (en) | 2014-08-22 | 2016-02-24 | Siemens Aktiengesellschaft | Method for volume evaluation of penumbra mismatch in acute ischemic stroke and system therefor |
KR20160118037A (ko) * | 2015-04-01 | 2016-10-11 | 고려대학교 산학협력단 | 의료 영상으로부터 병변의 위치를 자동으로 감지하는 장치 및 그 방법 |
US9659368B2 (en) * | 2015-05-15 | 2017-05-23 | Beth Israel Deaconess Medical Center, Inc. | System and method for enhancing functional medical images |
KR101806841B1 (ko) * | 2015-10-26 | 2017-12-11 | 주식회사 인피니트헬스케어 | 영상 기반 뇌졸중 병변 진단 시스템 및 방법 |
CN105654085A (zh) * | 2015-12-31 | 2016-06-08 | 杭州晨鹰军泰科技有限公司 | 一种基于图像技术的弹孔识别方法 |
CN108122221B (zh) * | 2016-11-29 | 2020-11-17 | 中国科学院深圳先进技术研究院 | 弥散加权成像图像中脑缺血区域的分割方法及装置 |
WO2018119766A1 (zh) * | 2016-12-28 | 2018-07-05 | 上海联影医疗科技有限公司 | 多模态图像处理系统及方法 |
US10115197B1 (en) * | 2017-06-06 | 2018-10-30 | Imam Abdulrahman Bin Faisal University | Apparatus and method for lesions segmentation |
CN107301645A (zh) * | 2017-06-20 | 2017-10-27 | 上海联影医疗科技有限公司 | 一种数据处理方法和装置 |
CN107610115A (zh) * | 2017-09-18 | 2018-01-19 | 彭建伟 | 一种直观显示缺血半暗带的图像处理方法 |
GB2567636B (en) * | 2017-10-17 | 2021-11-10 | Perspectum Diagnostics Ltd | Method and apparatus for imaging an organ |
JP7149516B2 (ja) * | 2018-08-24 | 2022-10-07 | 富士通株式会社 | 検査支援プログラム、検査支援方法および検査支援装置 |
US10762632B2 (en) * | 2018-09-12 | 2020-09-01 | Siemens Healthcare Gmbh | Analysis of skeletal trauma using deep learning |
CN109726753A (zh) * | 2018-12-25 | 2019-05-07 | 脑玺(上海)智能科技有限公司 | 基于时间信号曲线的灌注动态影像的分割方法及系统 |
WO2020237525A1 (zh) * | 2019-05-29 | 2020-12-03 | 中国科学院重庆绿色智能技术研究院 | 基于相关系数的中风灌注成像病变区域检测系统及方法 |
CN110362489B (zh) * | 2019-07-15 | 2023-10-03 | 上海仪电(集团)有限公司中央研究院 | 一种测试用例生成方法、生成装置及软件自动测试系统 |
CN110859622B (zh) * | 2019-11-18 | 2023-07-04 | 东软医疗系统股份有限公司 | 成像方法、装置及核磁系统 |
CN111407277B (zh) * | 2020-03-06 | 2022-04-26 | 中国科学院武汉物理与数学研究所 | 一种急性缺血性脑卒中磁共振灌注-弥散影像配准方法 |
CN111986254B (zh) * | 2020-08-21 | 2022-11-18 | 四川大学华西医院 | 一种靶区轮廓的分析方法、装置、存储介质及电子设备 |
CN115797307B (zh) * | 2022-12-13 | 2023-08-08 | 北京大学第三医院(北京大学第三临床医学院) | 一种骨骼冠状位平衡参数检测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005211672A (ja) * | 2004-02-02 | 2005-08-11 | Siemens Ag | 磁気共鳴画像の評価方法およびミスマッチカード |
WO2007046172A1 (ja) * | 2005-10-20 | 2007-04-26 | Niigata University | 磁気共鳴画像処理方法および磁気共鳴画像処理装置 |
JP2009247534A (ja) * | 2008-04-04 | 2009-10-29 | Ge Medical Systems Global Technology Co Llc | 画像処理装置,磁気共鳴イメージング装置,および,画像処理方法 |
JP2009540998A (ja) * | 2006-06-29 | 2009-11-26 | サントル ナショナル ドゥ ラ ルシェルシュ スィヤンティフィック(セーエヌエルエス) | 脳梗塞の進展ポテンシャルを推定する方法 |
US20100014727A1 (en) * | 2008-07-21 | 2010-01-21 | Shenzhen Institute Of Advanced Technology | Methods and devices for producing the parameters of the brain tissues and assessing data of the suitability for thrombolysis of a patient |
WO2010083623A1 (en) * | 2009-01-20 | 2010-07-29 | Carestream Health, Inc. | Method and apparatus for detection of caries |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6994841B1 (en) * | 1990-03-09 | 2006-02-07 | Kucharczyk And Moseley Partners | Relating to magnetic resonance imaging |
US7672540B2 (en) | 2005-07-13 | 2010-03-02 | Siemens Medical Solutions USA, Inc, | Nonrigid registration of cardiac perfusion MR images using adaptive local template matching |
US7702153B2 (en) | 2005-10-07 | 2010-04-20 | Siemens Medical Solutions Usa, Inc. | Systems and methods for segmenting object of interest from medical image |
WO2007058632A1 (en) | 2005-11-21 | 2007-05-24 | Agency For Science, Technology And Research | Superimposing brain atlas images and brain images with delineation of infarct and penumbra for stroke diagnosis |
US7949401B2 (en) * | 2006-04-11 | 2011-05-24 | Advanced Neuromodulation Systems, Inc. | Electromagnetic signal delivery for tissue affected by neuronal dysfunction, degradation, damage, and/or necrosis, and associated systems and methods |
US8125223B2 (en) | 2006-10-03 | 2012-02-28 | Singapore Agency For Science, Technology And Research Act | Segmenting infarct in diffusion-weighted imaging volume |
US8064664B2 (en) * | 2006-10-18 | 2011-11-22 | Eigen, Inc. | Alignment method for registering medical images |
US8355552B2 (en) | 2007-06-20 | 2013-01-15 | The Trustees Of Columbia University In The City Of New York | Automated determination of lymph nodes in scanned images |
WO2009105530A2 (en) | 2008-02-19 | 2009-08-27 | The Trustees Of The University Of Pennsylvania | System and method for automated segmentation, characterization, and classification of possibly malignant lesions and stratification of malignant tumors |
CN101596109B (zh) * | 2009-06-12 | 2012-01-25 | 深圳先进技术研究院 | 获取脑部特征参数的方法、系统及溶栓指征生成系统 |
-
2011
- 2011-12-16 CA CA2821395A patent/CA2821395A1/en not_active Abandoned
- 2011-12-16 JP JP2013543533A patent/JP6034299B2/ja active Active
- 2011-12-16 WO PCT/DK2011/050493 patent/WO2012079593A1/en active Application Filing
- 2011-12-16 KR KR1020137018704A patent/KR20140033332A/ko not_active Application Discontinuation
- 2011-12-16 EP EP11799358.4A patent/EP2652704A1/en not_active Withdrawn
- 2011-12-16 AU AU2011344876A patent/AU2011344876B2/en active Active
- 2011-12-16 US US13/994,064 patent/US9036878B2/en active Active
- 2011-12-16 CN CN201180065488.0A patent/CN103339653B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005211672A (ja) * | 2004-02-02 | 2005-08-11 | Siemens Ag | 磁気共鳴画像の評価方法およびミスマッチカード |
WO2007046172A1 (ja) * | 2005-10-20 | 2007-04-26 | Niigata University | 磁気共鳴画像処理方法および磁気共鳴画像処理装置 |
JP2009540998A (ja) * | 2006-06-29 | 2009-11-26 | サントル ナショナル ドゥ ラ ルシェルシュ スィヤンティフィック(セーエヌエルエス) | 脳梗塞の進展ポテンシャルを推定する方法 |
JP2009247534A (ja) * | 2008-04-04 | 2009-10-29 | Ge Medical Systems Global Technology Co Llc | 画像処理装置,磁気共鳴イメージング装置,および,画像処理方法 |
US20100014727A1 (en) * | 2008-07-21 | 2010-01-21 | Shenzhen Institute Of Advanced Technology | Methods and devices for producing the parameters of the brain tissues and assessing data of the suitability for thrombolysis of a patient |
WO2010083623A1 (en) * | 2009-01-20 | 2010-07-29 | Carestream Health, Inc. | Method and apparatus for detection of caries |
Non-Patent Citations (4)
Title |
---|
A BARDERA: "A FRAMEWORK TO ASSIST ACUTE STROKE DIAGNOSIS", VISION,MODELLING AND VISUALIZATION(VMV 2005), JPN5014002162, 16 November 2005 (2005-11-16), pages 1 - 8, ISSN: 0003409695 * |
HE RENJIE: "AUTOMATIC DELINEATION OF GD ENHANCEMENTS ON MAGNETIC RESONANCE IMAGES IN MULTIPLE SCLEROSIS", MEDICAL PHYSICS, vol. V29 N7, JPN5014002164, 1 July 2002 (2002-07-01), US, pages 1536 - 1546, ISSN: 0003409696 * |
NEIMARK MATTHEW A: "SEQUENTIAL ACQUISITION AND PROCESSING OF PERFUSION AND DIFFUSION MRI DATA FOR A PORCINE STROKE MODEL", PROCEEDINGS OF THE 2005 IEEE ENGINEERING IN MEDICINE AND BIOLOGY 27TH ANNUAL CONFERENCE, JPN5014002163, 1 September 2005 (2005-09-01), US, pages 5782 - 5785, XP010907491, ISSN: 0003174989, DOI: 10.1109/IEMBS.2005.1615802 * |
SUSHMITA DATTA: "SEGMENTATION OF GADOLINIUM-ENHANCED LESIONS ON MRI IN MULTIPLE SCLEROSIS", JOURNAL OF MAGNETIC RESONANCE IMAGING, vol. V25 N5, JPN5014002165, 1 May 2007 (2007-05-01), pages 932 - 937, ISSN: 0003409697 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015208420A (ja) * | 2014-04-24 | 2015-11-24 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | 磁気共鳴装置およびプログラム |
JP2021504035A (ja) * | 2017-11-29 | 2021-02-15 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 時間分解血管造影画像と空間分解血管造影画像との組み合わせ |
JP7252230B2 (ja) | 2017-11-29 | 2023-04-04 | コーニンクレッカ フィリップス エヌ ヴェ | 時間分解血管造影画像と空間分解血管造影画像との組み合わせ |
JP2021109104A (ja) * | 2020-01-06 | 2021-08-02 | 株式会社リコー | クラスタリング及びテンプレートを利用する脳セグメンテーション |
JP7010393B2 (ja) | 2020-01-06 | 2022-01-26 | 株式会社リコー | クラスタリング及びテンプレートを利用する脳セグメンテーション |
Also Published As
Publication number | Publication date |
---|---|
KR20140033332A (ko) | 2014-03-18 |
EP2652704A1 (en) | 2013-10-23 |
CN103339653B (zh) | 2016-11-23 |
US20130266197A1 (en) | 2013-10-10 |
AU2011344876B2 (en) | 2017-05-25 |
AU2011344876A1 (en) | 2013-08-01 |
US9036878B2 (en) | 2015-05-19 |
CN103339653A (zh) | 2013-10-02 |
JP6034299B2 (ja) | 2016-11-30 |
WO2012079593A1 (en) | 2012-06-21 |
CA2821395A1 (en) | 2012-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6034299B2 (ja) | 半影帯サイズを推定するためのシステムおよびその作動方法 | |
Kalavathi et al. | Methods on skull stripping of MRI head scan images—a review | |
Stokking et al. | Automatic morphology-based brain segmentation (MBRASE) from MRI-T1 data | |
Cocosco et al. | A fully automatic and robust brain MRI tissue classification method | |
Somasundaram et al. | Fully automatic brain extraction algorithm for axial T2-weighted magnetic resonance images | |
Somasundaram et al. | Automatic brain extraction methods for T1 magnetic resonance images using region labeling and morphological operations | |
Dogdas et al. | Segmentation of skull and scalp in 3‐D human MRI using mathematical morphology | |
Udupa et al. | Multiple sclerosis lesion quantification using fuzzy-connectedness principles | |
Dubey et al. | Evaluation of three methods for MRI brain tumor segmentation | |
JP2017520305A (ja) | 急性脳虚血患者における組織領域の区分法及び予測法 | |
Hu et al. | Segmentation of brain from computed tomography head images | |
Bardera et al. | Semi-automated method for brain hematoma and edema quantification using computed tomography | |
Balan et al. | Smart histogram analysis applied to the skull-stripping problem in T1-weighted MRI | |
Bozkurt et al. | An inverse approach for automatic segmentation of carotid and vertebral arteries in CTA | |
Colliot et al. | Segmentation of focal cortical dysplasia lesions on MRI using level set evolution | |
Worth et al. | Precise segmentation of the lateral ventricles and caudate nucleus in MR brain images using anatomically driven histograms | |
Vupputuri et al. | Ischemic stroke segmentation in multi-sequence MRI by symmetry determined superpixel based hierarchical clustering | |
Ezhilarasan et al. | Automatic brain extraction from MRI of human head scans using Helmholtz free energy principle and morphological operations | |
Woźniak et al. | 3D vascular tree segmentation using a multiscale vesselness function and a level set approach | |
Dogdas et al. | Segmentation of the skull in 3D human MR images using mathematical morphology | |
Hanuman et al. | Brain tumor segmentation and volume estimation from T1-contrasted and T2 MRIs | |
Yang et al. | Tissue classification for PET/MRI attenuation correction using conditional random field and image fusion | |
Shah et al. | Efficient T2 brain region extraction algorithm using morphological operation and overlapping test from 2D and 3D MRI images | |
Parimal | Segmentation of magnetic resonance images of brain and abdomen | |
Yones et al. | A fuzzy tumor volume estimation approach based on fuzzy segmentation of MR images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20131022 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20141209 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20150916 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20151020 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20160112 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160420 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20161004 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20161027 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6034299 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |