JP2017531519A - 画像化不確実性の可視化 - Google Patents

画像化不確実性の可視化 Download PDF

Info

Publication number
JP2017531519A
JP2017531519A JP2017521203A JP2017521203A JP2017531519A JP 2017531519 A JP2017531519 A JP 2017531519A JP 2017521203 A JP2017521203 A JP 2017521203A JP 2017521203 A JP2017521203 A JP 2017521203A JP 2017531519 A JP2017531519 A JP 2017531519A
Authority
JP
Japan
Prior art keywords
volume
voxel
interest
evaluation
uncertainty
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
Application number
JP2017521203A
Other languages
English (en)
Other versions
JP6789933B2 (ja
JP2017531519A5 (ja
Inventor
レイズ カルミ
レイズ カルミ
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of JP2017531519A publication Critical patent/JP2017531519A/ja
Publication of JP2017531519A5 publication Critical patent/JP2017531519A5/ja
Application granted granted Critical
Publication of JP6789933B2 publication Critical patent/JP6789933B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • 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
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/30—Image reproducers
    • H04N13/388—Volumetric displays, i.e. systems where the image is built up from picture elements distributed through a volume
    • 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
    • G06T2207/10081—Computed x-ray 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/028—Multiple view windows (top-side-front-sagittal-orthogonal)

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Geometry (AREA)
  • Architecture (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

方法は、画像化システムによって生成された体積画像データを取得すること、体積画像データのそれぞれのボクセルの不確実性を生成すること、及び体積画像データを用いた評価ボリュームを、生成された不確実性に基づいて生成することを含む。この方法はさらに、評価ボリューム内の関心の領域及び／又はボリュームを識別する入力を受け取ること、意図された診断タイプを受け取ること、関心の評価確率レベルを受け取ること、及び関心の影響方向を受け取ることを含む。この方法はさらに、評価ボリュームを変形させて、意図された診断タイプに対する不確実性の影響を反映した人工ボリュームを、関心の評価確率レベル及び関心の影響方向に基づいて作成することを含む。この方法はさらに、変形させた評価ボリュームを視覚的に表示することを含む。

Description

以下は一般に、画像データの可視化（ｖｉｓｕａｌｉｚａｔｉｏｎ）に関し、より詳細には、画像化不確実性（ｉｍａｇｉｎｇ ｕｎｃｅｒｔａｉｎｔｙ）の可視化に関し、特にコンピュータ断層撮影（ＣＴ）に適用される。しかしながら、以下は、他の画像化モダリティ、例えば、限定はされないが、Ｘ線、磁気共鳴（ＭＲ）、単一光子放射型コンピュータ断層撮影（ＳＰＥＣＴ）、陽電子放射型断層撮影（ＰＥＴ）、ＵＳ及び／又はその他の画像化モダリティにも適用できる。
ＣＴ、Ｘ線、ＭＲ、ＳＰＥＣＴ、ＰＥＴ、ＵＳなどのモダリティからの医療画像化データは、さまざまな要因で不明確になり、それらの要因が、診断結果の信頼性及び正確さに影響を及ぼす。画像雑音及び画像化システムの正確さの限界に加えて、さまざまなタイプの画像化バイオマーカマップ又は機能画像化マップの生成も、計算モデル及び仮定に関係したかなりの不確実性を含むことがある。医療診断の目的上、臨床診療では、主として平均値又は最確値を可視化することが一般的である（例えばＣＴにおける従来のＨＵ画像）。
画像データと一緒に不確実性を示すことは、カラーマップ、半透明性、並びに特殊な構造及びテクスチャの人工的オーバレイによって達成されることを文献は示している。それらの手法は、臨床画像化情報とデータ不確実性情報の両方を含む精巧な可視化技法のための方法を含んでいる。残念なことに、それらの技法は、複雑な多重パラメータ画像を生み出し、それらの画像は、実際的な臨床診断を支援しない可能性があり、そのような可視化に基づいて臨床判断を下すために改良することは困難となりうる。
本明細書に記載された諸態様は、上で言及した問題及びその他の問題に対処する。
一態様では、方法は、画像化システムによって生成された体積画像データ（ｖｏｌｕｍｅｔｒｉｃ ｉｍａｇｅ ｄａｔａ）を取得すること、体積画像データのそれぞれのボクセルの不確実性を生成すること、及び体積画像データを用いた評価ボリューム（ｅｖａｌｕａｔｉｏｎ ｖｏｌｕｍｅ）を、生成された不確実性に基づいて生成することを含む。この方法はさらに、評価ボリューム内の関心の領域及び／又はボリュームを識別する入力を受け取ること、意図された診断タイプを受け取ること、関心の評価確率レベルを受け取ること、及び関心の影響方向を受け取ることを含む。この方法はさらに、評価ボリュームを変形させて、意図された診断タイプに対する不確実性の影響を反映した人工ボリューム（ａｒｔｉｆｉｃｉａｌ ｖｏｌｕｍｅ）を、関心の評価確率レベル及び関心の影響方向に基づいて作成することを含む。この方法はさらに、変形させた評価ボリュームを視覚的に表示することを含む。
別の態様では、画像化システムが、人工ボリューム生成器モジュールのコンピュータ実行可能命令を記憶するように構成されたメモリ、及びプロセッサを含む。このプロセッサは、コンピュータ実行可能命令の実行に応じて、体積画像データのそれぞれのボクセルの不確実性を生成し、体積画像データを用いた評価ボリュームを、生成された不確実性に基づいて生成し、評価ボリューム内の関心の領域及び／又はボリュームを示す入力信号を受け取り、診断タイプを受け取り、関心の評価確率レベルを受け取り、関心の影響方向を受け取り、評価ボリュームを変形させて、診断タイプに対する不確実性の影響を反映した人工ボリュームを、関心の評価確率レベル及び関心の影響方向に基づいて作成し、人工ボリュームを視覚的に表示する。
別の態様では、コンピュータ可読命令によってコンピュータ可読記憶媒体がコード化され、このコンピュータ可読命令がプロセッサによって実行されたときに、このコンピュータ可読命令によって、このプロセッサは、体積画像データのそれぞれのボクセルの不確実性を生成し、体積画像データを用いた評価ボリュームを、生成された不確実性に基づいて生成し、評価ボリューム内の関心の領域及び／又はボリュームを示す入力信号を受け取り、診断タイプを受け取り、関心の評価確率レベルを受け取り、関心の影響方向を受け取り、評価ボリュームを変形させて、診断タイプに対する不確実性の影響を反映した人工ボリュームを、関心の評価確率レベル及び関心の影響方向に基づいて作成し、人工ボリュームを視覚的に表示する。
本発明は、さまざまな構成要素及び構成要素の配置の形態、並びにさまざまなステップ及びステップの構成の形態をとることができる。図面は、好ましい実施形態を示すためだけに示されたものであり、それらの図面を、本発明を限定するものと解釈すべきではない。
人工ボリューム生成器モジュールを含む例示的な画像化システムを概略的に示す図である。 人工ボリューム生成器モジュールがコンピューティングシステムの部分である、図１の変形形態を概略的に示す図である。 人工ボリューム生成器モジュールの例を概略的に示す図である。 連続局所体積値又は非連続若しくは離散局所体積値に基づいて不確実性を可視化する例示的な方法を示す図である。 導き出されたカテゴリー値又はテキスト値に基づいて不確実性を可視化する例示的な方法を示す図である。 分類に関する不確実性を可視化する例示的な方法を示す図である。 スカラー値に関する不確実性を可視化する例示的な方法を示す図である。 テクスチャ解析又は構造解析に関する不確実性を可視化する例示的な方法を示す図である。 セグメント化に関する不確実性を可視化する例示的な方法を示す図である。 連続スカラーデータの大域領域解析に関する不確実性を可視化する例示的な方法を示す図である。 分類データの大域領域解析に関する不確実性を可視化する例示的な方法を示す図である。 動脈の狭窄に関する例を示す図である。 動脈の狭窄に関する例を示す図である。 動脈の狭窄に関する例を示す図である。 動脈の狭窄に関する例を示す図である。 セグメント化された領域を異なる組織クラスに分類することに関する例を示す図である。 セグメント化された領域を異なる組織クラスに分類することに関する例を示す図である。 セグメント化された領域を異なる組織クラスに分類することに関する例を示す図である。 セグメント化された領域を異なる組織クラスに分類することに関する例を示す図である。 選択された組織タイプに対応するセグメント化された領域の寸法を含む例を示す図である。 選択された組織タイプに対応するセグメント化された領域の寸法を含む例を示す図である。 選択された組織タイプに対応するセグメント化された領域の寸法を含む例を示す図である。 選択された組織タイプに対応するセグメント化された領域の寸法を含む例を示す図である。 関心の組織のテクスチャ又は微細構造に関する例を示す図である。 関心の組織のテクスチャ又は微細構造に関する例を示す図である。 関心の組織のテクスチャ又は微細構造に関する例を示す図である。 診断結果の大域定量解析に関する例を示す図である。 診断結果の大域定量解析に関する例を示す図である。 診断結果の大域定量解析に関する例を示す図である。 診断結果の大域定量解析に関する例を示す図である。 診断結果の大域定量解析に関する例を示す図である。
以下では、推定される画像化不確実性が、意図された特定のタイプの臨床診断にどのような影響を及ぼしうるのかを可視化する手法を説明する。一例では、結果が、医療画像化情報に基づく特定の診断及び関連する臨床判断の信頼度を評価する便利な手段を臨床専門家に提供する。
図１は、コンピュータ断層撮影（ＣＴ）スキャナなどの例示的な画像化システム１００を概略的に示す。画像化システム１００は、静止ガントリ１０２及び回転ガントリ１０４を含み、回転ガントリ１０４は、静止ガントリ１０２によって回転可能に支持されている。回転ガントリ１０４は、検査領域１０６の周りを、縦軸又はｚ軸「Ｚ」を軸にして回転する。被検者支持体１０８は、検査領域１０６内の被検者又は物体を支持する。
回転ガントリ１０４によって、Ｘ線管などの放射線源１１０が回転可能に支持されており、放射線源１１０は、回転ガントリ１０４と一緒に回転し、検査領域１０６を横切るＸ線を放射する。検査領域１０６の放射線源１１０とは反対の側に、検出器アレイ１１２が、ある角度の弧として拡がる。検出器アレイ１１２は、検査領域１０６を横切る放射線を検出し、その放射線を示す信号（投影データ）を生成する。再構成プロセッサ１１４が、その信号を再構成し、体積画像データを生成する。
オペレータコンソール１１６は、コンピュータ可読記憶媒体（「メモリ」）１２０に記憶されたコンピュータ可読命令を実行するプロセッサ１１８（例えばマイクロプロセッサ、中央処理ユニットなど）を含む。メモリ１２０は、一時的媒体を含まず、物理メモリ及び／又は他の非一時的媒体を含む。マイクロプロセッサ１１８は、搬送波、信号又は他の一時的媒体によって運ばれたコンピュータ可読命令を実行することもできる。コンソール１１６はさらに、ディスプレイモニタ、フィルマ（ｆｉｌｍｅｒ）などの出力装置１２２、及びマウス、キーボードなどの入力装置１２４を含む。
図示された例では、このコンピュータ可読命令が、入力された体積画像データに基づいて人工ボリュームを生成する人工ボリューム生成器モジュール１２６に対する命令である。後により詳細に説明するが、一例では、人工ボリューム生成器モジュール１２６が、体積画像データを変形させて、その画像データを、関心のフィーチャ（ｆｅａｔｕｒｅ）の不確実性に基づいて視覚的に適合させる。一例では、その結果生じる変形させた画像が、推定される画像化不確実性が臨床診断にどのような影響を及ぼしうるのかを可視化する。この可視化は、例えば、特定の診断及び関連する臨床判断が医療画像化情報に基づく場合に、それらの診断及び臨床判断の信頼度を評価する便利な手段を臨床専門家に提供する。
従来の診断プロセスは普通、最も確からしい画像データ又は平均画像データ（例えばＣＴにおける従来のＨＵ画像）を検討することによって実行される。潜在性の特定の病気又は医療的状況に関して、臨床専門家は普通、ある画像値の分布、特殊な構造又はテクスチャ、特定の形状の寸法、及び他の画像フィーチャを探す。本明細書に記載された手法では、画像化モダリティソフトウェア（又は他のソフトウェア）から、推定されるデータ不確実性を提供することができ、特定の画像領域又はセグメントに対して、意図された診断のタイプが決定される。これを用いて、人工的に変形させた画像が計算され、この画像は、推定される不確実性に起因する潜在的な誤診に対する推定を与える。
図２は、図１の変形形態を示す。
この変形形態は、コンピューティングシステム２０２を含み、コンピューティングシステム２０２は、プロセッサ１１８、人工ボリューム生成器モジュール１２６を含むメモリ１２０、出力装置１２２、及び入力装置１２４を含む。コンピューティングシステム２０２は、画像化システム１００の部分とすることができ、又は画像化システム１００とは別個のシステムとすることができる。データリポジトリ（ｒｅｐｏｓｉｔｏｒｙ）２０４に、生データ、元のボリューム及び／又は人工ボリュームを記憶することができる。データリポジトリの例は、画像保管通信システム（ＰＡＣＳ）、放射線科情報システム（ＲＩＳ）、病院情報システム（ＨＩＳ）、電子医療記録（ＥＭＲ）、データベース、サーバ、画像化システム、コンピュータ、及び／又は他のデータリポジトリを含む。
図３は、人工ボリューム生成器モジュール１２６の例を示す。
人工ボリューム生成器モジュール１２６は、入力として、体積画像データを受け取る。不確実性推定器３０２が、１つ若しくは複数のボクセル、１つ若しくは複数のボクセル群、及び／又は入力された体積画像データ全体の不確実性を生成する。この不確実性は例えば、１つ又は複数の可視化属性の確率をボクセルごとに提供するマップとすることができる。評価ボリューム生成器３０４が、入力された体積画像及びこの不確実性に基づいて、評価ボリュームを生成する。例えば、この評価ボリュームは、ボクセルに対する最も高い確率を有する材料クラスに対応する平均ボクセルなどを含む。
ボリューム変形器３０６が、この評価ボリュームを、少なくとも、推定される不確実性、関心の領域及び／又はボリュームを示す入力、関心の診断タイプを示す入力、関心の確率レベルを示す入力、並びに影響方向を示す入力に基づいて変形させる。このような情報は、メモリ１２０から、及び／又は入力装置１２４からの入力から、取得することができる。関心の領域及び／又はボリュームは、体積画像データセットのサブセット又は体積画像データセット全体とすることができ、自動的に及び／又は手動で決定することができる。関心の診断タイプは、臨床結果に影響を及ぼす特性、又はユーザが下す臨床判断に影響を及ぼす特性を識別する。
影響方向は、評価ボリュームをどのように変形させるのかを示す。例えば、陰性方向は、より陽性でないケースを表すように人工ボリュームを変形させ、又は、陽性方向は、より陽性のケースを表すように人工ボリュームを変形させる。例えば、より陽性のケースが、検査した病気がより重症である状況に関係することがある。関心の評価確率レベルは、評価ボリュームを変形させるか否か、又は評価ボリュームをどの量だけ変形させるのかを判定する目的に使用されるしきい値又は相対値である。例えば、関心の診断タイプに対する不確実性の影響を模倣するため、より陽性でない結果を調査する目的に、例えば６０％などの５０〜７０％の確率レベルが選択される。確率６０％の選択は、ガウスの分布における１つの標準偏差シフトの確率に等しい。この確率百分率は、ボリューム変形の際にボリューム変形器３０６によって使用されるボクセルごとの実際の不確実性値を導き出すために、不確実性推定器３０２の出力、例えば不確実性マップに適用される。
人工ボリューム及び／又は評価ボリュームは視覚的に表示される。一例では、この表示が、表示ウインドウ内に、人工ボリュームと評価ボリュームとを、重なり合わないように、例えば横に並べて、同時に表示することを含む。別の例では、表示ウインドウ内に、人工ボリュームと評価ボリュームとが、二者択一的に別々に表示される。ユーザは、個々のボリュームを交互に切り換えることができる。さらに別の例では、例えば半透明カラムオーバレイを使用して、人工ボリュームと評価ボリュームとを融合させ、且つ／又は他のやり方で結合して単一のボリュームとし、その単一のボリュームを表示ウインドウに表示することができる。
この誘導された画像変形を、より重症でない診断結果又はより重症な診断結果を模倣することができる属性と一緒に適用することができる。元のボリューム及び人工ボリュームは、潜在的な診断結果に対する印象が一般的な不確実性可視化技法を用いるよりも明瞭であるようなデフォルトの方式又はユーザが好む方式で可視化することができる。この手法は、解剖学的画像又は機能画像化マップなどの中の定量的スケール値を含む画像、並びに分類及びセグメント化結果などの中のカテゴリーマップを含む画像に適用することができる。
図４は、連続局所体積値又は非連続若しくは離散局所体積値に基づく画像化情報を使用して不確実性を可視化する例示的な方法を示す。
本明細書に記載された方法における操作の順序は、それらの方法を限定するものではないことを理解すべきである。そのため、本明細書では他の順序も企図される。加えて、１つ若しくは複数の操作を省くこと、及び／又は１つ若しくは複数の追加の操作を含めることもできる。
４０２で、体積画像データを、例えば画像化システム１００、データリポジトリ２０４及び／又は他の装置から入手する。
４０４で、体積画像データの体積局所不確実性分布の推定を決定する。
４０６で、体積画像データ及び局所不確実性分布に基づいて、評価ボリュームを生成する。
４０８で、評価ボリューム内において関心の領域及び／又はボリュームを識別する。
４１０で、診断タイプを識別する。この例では、診断タイプが、結果を陽性（又は陰性）の結果にする関心の特性を示す。
４１２で、関心の評価確率レベルを受け取る。
４１４で、影響方向を識別する。陰性の影響は、より陽性でないケースを表す人工ボリュームを与え、陽性の影響は、より陽性のケースを表す人工ボリュームを与える。
４１６で、計算するボクセル環境の大域フィーチャのタイプを決定する。
４１８で、ボクセル環境の大域フィーチャのタイプを計算する。
４２０で、関心の評価確率レベル及びボクセル環境の計算された大域フィーチャに基づいて、そのボクセル値を変形させるべきかどうかを判定する。
そのボクセル値を変形させるべきであると判定された場合には、
４２２で、関心の領域及び／又はボリュームについて、その値の変形の大きさ及び方向を、診断タイプ及び影響方向に基づいて決定する。
そのボクセル値を変形させるべきではないと判定された場合、又はあるボクセルを変形させた場合には、４２４で、別のボクセルを評価すべきかどうかを判定する。
別のボクセルを評価すべきであると判定された場合には、操作４１６を繰り返す。
４２４で、評価すべきボクセルが他にないと判定された場合には、４２６で、その人工ボリュームを視覚的に提示する。
任意選択で、操作４２６の前に、診断画像の条件を維持するためのモデルを決定し、そのモデルをボリュームに適用して、最終的なボリュームを生み出すこともできる。
図５は、導き出されたカテゴリー値又はテキスト値に基づく画像化情報を使用して不確実性を可視化する例示的な方法を示す。
本明細書に記載された方法内における操作の順序は、それらの方法を限定するものではないことを理解すべきである。そのため、本明細書では他の順序も企図される。加えて、１つ若しくは複数の操作を省くこと、及び／又は１つ若しくは複数の追加の操作を含めることもできる。
５０２で、体積画像データを、例えば画像化システム１００、データリポジトリ２０４及び／又は他の装置から入手する。
５０４で、体積画像データの体積局所不確実性分布の推定を決定する。
５０６で、体積画像データ及び局所不確実性分布に基づいて、評価ボリュームを生成する。
５０８で、評価ボリューム内において関心の領域及び／又はボリュームを識別する。
５１０で、診断タイプを識別する。この例では、診断タイプが、結果を陽性（又は陰性）の結果にする関心の特性を示す。
５１２で、関心の評価確率レベルを受け取る。
５１４で、影響方向を識別する。陰性の影響は、より陽性でないケースを表す人工ボリュームを与え、陽性の影響は、より陽性のケースを表す人工ボリュームを与える。
５１６で、シミュレーション解析を実行するのか、又は分析的解析（ａｎａｌｙｔｉｃ ａｎａｌｙｓｉｓ）を実行するのかを判定する。
シミュレーション解析が選択された場合には、５１８で、その不確実性分布に基づいて、関心の領域及び／又はボリューム内のそれぞれのボクセルにランダムな値／クラスを割り当て、一時的な大域解析を計算する。このプロセスを所定の回数だけ繰り返し、シミュレーションの全ての繰返しの値を記録する。
分析的解析が選択された場合には、５２０で、関心の領域及び／又はボリューム内の全てのボクセルの分析的不確実性特性を決定する。
５２２で、大域解析結果の確率分布を計算する。５１６でシミュレーション解析が選択された場合には、記録された値を使用して、例えばヒストグラムを作成する。
５２４で、確率レベルに対応する大域解析の値を計算する。
人工ボリュームは、元のボリュームに統計的雑音を適用することと同じではないことを理解すべきである。さらに、影響を及ぼす不確実性は方向を有し、ランダムではないため、画像全体として、人工ボリュームが、元のボリュームに統計的雑音を適用することと同じであることは、ありそうな実際的な結果ではない。しかしながら、人工ボリュームにより、単一の単純な画像表現内において、不確実性に起因して任意の位置で何が起こりうるのか、及び意図された診断にそれがどのような影響を及ぼしうるのかについての所感をユーザが持てるようになる。
一変形形態では、対応する多数の定義を有する１つの臨床症例に対して多数の領域が選択される。さらに、この不確実性属性が、ボクセル間の相関を有することもある。
図６〜図１１は、人工ボリューム生成器モジュール１２６の例示的なユーザケースを示す。
図６は、分類に関する例示的な方法を示す。
本明細書に記載された方法内における操作の順序は、それらの方法を限定するものではないことを理解すべきである。そのため、本明細書では他の順序も企図される。加えて、１つ若しくは複数の操作を省くこと、及び／又は１つ若しくは複数の追加の操作を含めることもできる。
６０２で、スキャンを実行して、体積画像データを生成する。
６０４で、ボクセル不確実性を生成する。このボクセル不確実性は、体積画像データのそれぞれのボクセルについて、多数の異なる材料クラスのそれぞれの確率を提供する。この点に関して、材料は、画像化信号によって示される生体組織若しくは化合物、材料の影響、又は材料の機能とすることができる。
６０６で、それぞれのボクセルが、局所不確実性に基づく最も高い確率を有する材料クラスに対応する、評価ボリュームを生成する。
６０８で、評価ボリューム内において関心の領域及び／又はボリュームを識別する。
６１０で、診断タイプを識別する。この例では、診断タイプが、陽性の診断結果を与える材料クラスを表す関心の材料クラスを示す。
６１２で、関心の評価確率レベルを、本明細書に記載されたとおりに及び／又は他のやり方で受け取る。
６１４で、影響方向を識別する。この例では、影響方向が陰性方向であり、このことは、変形させた場合に関心の評価確率レベルに基づいてより陽性でないケースを表すように、評価ボリュームを変形させることを意味する。
６１６で、ボクセルが異なる材料クラスである確率が、関心の評価確率レベルと一致していること又は関心の評価確率レベルを超過していることに応じて、識別された材料クラスに対応する評価ボリュームの関心の領域及び／又はボリューム内のそれぞれのボクセルを、異なる材料クラスに対応するボクセルで置き換えることにより、人工ボリュームを生成する。識別された材料クラス以外の材料クラスに対応するボクセルは置き換えられない。人工ボリュームは、識別された関心の材料クラスに対応する同じ数又はより少ない数のボクセルを含み、このことは、より陽性でないケースを表す。
多数の異なる材料クラスの確率が、関心の評価確率レベルと一致している又は関心の評価確率レベルを超過している場合、そのボクセルは、最も大きな確率を有する材料クラスのボクセルで置き換えられる。少なくとも２つの異なる材料クラスが同じ確率及び最も高い確率を有する場合、そのボクセルは、それらの少なくとも２つの異なる材料クラスのボクセルのうちのランダムに選択された１つのボクセルで置き換えられる。一例では、人工ボリュームに空間フィルタを適用して、このボリュームを、所定のボクセルコヒーレンス長、例えば２．５ボクセルのボクセルコヒーレンス長に基づいて平滑化する。これは、それぞれのボクセルが他のボクセルから独立して置き換えられるためである。次いで、フィルタにかけたデータに再離散化を適用して、最終的な人工ボリュームを生み出す。
６１８で、人工ボリュームを視覚的に提示する。
図７は、スカラー値に関する例示的な方法を示す。
本明細書に記載された方法内における操作の順序は、それらの方法を限定するものではないことを理解すべきである。そのため、本明細書では他の順序も企図される。加えて、１つ若しくは複数の操作を省くこと、及び／又は１つ若しくは複数の追加の操作を含めることもできる。
７０２で、スキャンを実行して、モデル化された機能マップの連続ボクセル値を含む体積画像データを生成する。
７０４で、不確実性を生成する。この不確実性は、体積画像データのそれぞれのボクセルについて、異なる値を有する確率分布を提供する。知られている確率分布（例えばガウスの確率分布）が決定される場合には、標準偏差などの単一の特性をそれぞれのボクセルに割り当てることができる。この確率分布は非対称であってもよい。
７０６で、それぞれのボクセルがそのボクセルの最確値に対応する値を有する、評価体積画像データセットを生成する。
７０８で、評価ボリューム内において関心の領域及び／又はボリュームを識別する。
７１０で、診断タイプを識別する。この例では、診断タイプが、より高いボクセル値が陽性の診断結果を表し、より低いボクセル値が陰性の診断結果を表すことを示す。
７１２で、関心の評価確率レベルを、本明細書に記載されたとおりに及び／又は他のやり方で受け取る。
７１４で、影響方向を識別する。この例では、影響方向が陰性方向であり、このことは、変形させた場合に関心の評価確率レベルに基づいてより陽性でないケースを表すように、評価ボリュームを変形させることを意味する。
７１６で、ボクセルが異なる値である確率が、関心の評価確率レベルと一致していること又は関心の評価確率レベルを超過していることに応じて、評価ボリュームの関心の領域及び／又はボリューム内のそれぞれのボクセル値を、元の値からそのボクセルのＳＴＤを引いた差に対応する値で置き換えることにより、人工ボリュームを生成する。
任意選択で、全てのボクセル値に対してこれが実行され、操作７１２が省略される。任意選択で、図６に関して論じたとおりに空間フィルタが適用される。
７１８で、人工ボリュームを視覚的に提示する。
図８は、テクスチャ解析又は構造解析に関する例示的な方法を示す。
本明細書に記載された方法内における操作の順序は、それらの方法を限定するものではないことを理解すべきである。そのため、本明細書では他の順序も企図される。加えて、１つ若しくは複数の操作を省くこと、及び／又は１つ若しくは複数の追加の操作を含めることもできる。
８０２で、スキャンを実行して、モデル化された機能マップの連続ボクセル値を含む体積画像データを、例えば説明したとおりに及び／又は他のやり方で生成する。
８０４で、不確実性を、例えば本明細書で説明したとおりに及び／又は他のやり方で生成する。
８０６で、評価体積画像データセットを生成する。
８０８で、評価ボリューム内において関心の領域及び／又はボリュームを識別する。
８１０で、意図された診断タイプを受け取る。この例に関しては、意図された診断タイプが、ボクセル値の空間分布においてそれらのボクセルのうちより多くのボクセルが異質且つ不規則であることに応じて、より陽性の臨床結果を割り当てる。
８１２で、関心の評価確率レベルを、本明細書で説明したとおりに及び／又は他のやり方で受け取る。
８１４で、影響方向を識別する。この例では、影響方向が陰性方向であり、このことは、変形させた場合に関心の評価確率レベルに基づいてより陽性でないケースを表すように、評価ボリュームを変形させることを意味する。
８１６で、評価体積画像データセットの関心の領域及び／又はボリューム内のそれぞれのボクセル値を、関心の評価確率レベルと一致した値又は関心の評価確率レベルを超過した値を有するボクセルについてのみ、計算された値で置き換えることにより、人工ボリュームを生成する。この置換え値は、関心のボクセルの周囲の決められた空間領域（例えば、例えばｍｍで表された関心の所定の半径を有する球又は他のボリューム）内の全てのボクセルの値の平均値を計算することによって計算される。中心ボクセルの値がこの平均値よりも高い場合には、中心ボクセルの値が、その不確実性ＳＴＤの分だけ減らされ、中心ボクセルの値がこの平均値よりも低い場合には、中心ボクセルの値が、その不確実性ＳＴＤの分だけ増やされる。任意選択で、図６に関して論じたとおりに空間フィルタが適用される。
８１８で、人工ボリュームを視覚的に提示する。
図９は、セグメント化に関する例示的な方法を示す。
本明細書に記載された方法内における操作の順序は、それらの方法を限定するものではないことを理解すべきである。そのため、本明細書では他の順序も企図される。加えて、１つ若しくは複数の操作を省くこと、及び／又は１つ若しくは複数の追加の操作を含めることもできる。
９０２で、スキャンを実行して、体積画像データを生成する。
９０４で、体積画像データをセグメント化モデルに基づいてセグメント化して、評価ボリュームを作成する。
９０６で、不確実性を生成する。この不確実性は、体積画像データのそれぞれのボクセルについて、セグメント化された構造体に含まれている確率又はセグメント化された構造体に含まれていない確率を提供する。例えば、あるボクセルが、セグメント化された構造体の外側にあるが、セグメント化された構造体に非常に近い場合、そのボクセルの含まれている確率は、含まれていない確率よりもほんのわずかだけ低い。ボクセルが、セグメント化された構造体内に十分に含まれている場合、そのボクセルの含まれていない確率は非常に低い。
９０８で、意図された診断タイプを受け取る。この例に関しては、意図された診断タイプが、より大きなセグメント化された構造体に、より陽性の臨床結果を割り当てる。
９１０で、関心の評価確率レベルを受け取る。この例では、関心の評価確率レベルが、セグメント化された構造体の外側にあるボクセルの確率に対応する。
９１２で、影響方向を、本明細書で説明したとおりに及び／又は他のやり方で識別する。
９１４で、ボクセルが、関心の評価確率レベルと一致した確率又は関心の評価確率レベルを超過した確率を有することに応じて、セグメント化された構造体内のボクセル値に印をつけることにより、人工ボリュームを生成する。既にセグメント化された構造体の外側にあるボクセルに関しては、元の値が変更されない。この例では、このセグメント化が、関心の領域及び／又はボリュームを画定する。
任意選択で、セグメント化された構造体の形状に制約（例えば形状表面の滑らかさ）がある場合には、以前の制約と整合させるために、形態学的操作が適用される。
９１６で、人工ボリュームを視覚的に提示する。
図１０は、連続スカラーデータの大域領域解析に関する例示的な方法を示す。
本明細書に記載された方法内における操作の順序は、それらの方法を限定するものではないことを理解すべきである。そのため、本明細書では他の順序も企図される。加えて、１つ若しくは複数の操作を省くこと、及び／又は１つ若しくは複数の追加の操作を含めることもできる。
１００２で、モデル化された機能マップの連続ボクセル値を含む体積画像データを受け取る。
１００４で、不確実性を、例えば本明細書で説明したとおりに及び／又は他のやり方で生成する。
１００６で、評価ボリューム内において関心の領域及び／又はボリュームを識別する。
１００８で、意図された診断タイプを受け取る。この例に関しては、意図された診断タイプが、選択された関心の領域の大域解析、例えばこの領域内の全てのボクセル値の平均値に基づく。この例では、意図された診断が、局部平均値がより高いときにより陽性の臨床結果を割り当てる。
１０１０で、関心の評価確率レベルを、本明細書で説明したとおりに及び／又は他のやり方で受け取る。
１０１２で、影響方向を、本明細書で説明したとおりに及び／又は他のやり方で識別する。
１０１４で、関心の領域及び／又はボリューム内のそれぞれのボクセル値の不確実性を考慮し、関連ボクセルの誤り伝搬を考慮して、新たな大域平均値を計算する。例えば、選択されたＲＯＩ内に「Ｎ」個のボクセルがあり、それぞれのボクセルが、ＳＴＤ「ｅ」を有するガウスの不確実性推定を有し、選択された確率レベルがｐである場合、平均ＳＴＤはｅ／（Ｎ１／２）であり、変更された局部平均値は、ｐ、及びＳＴＤがｅ／（Ｎ１／２）であるガウスの分布から計算することができる。
１０１６で、結果をテキスト結果として提示する。
図１１は、分類データの大域領域解析に関する例示的な方法を示す。
本明細書に記載された方法内における操作の順序は、それらの方法を限定するものではないことを理解すべきである。そのため、本明細書では他の順序も企図される。加えて、１つ若しくは複数の操作を省くこと、及び／又は１つ若しくは複数の追加の操作を含めることもできる。
１１０２で、スキャンを実行して、体積画像データを生成する。
１１０４で、不確実性マップを、本明細書で論じたとおりに及び／又は他のやり方で生成する。
１１０６で、評価ボリュームを、本明細書で論じたとおりに及び／又は他のやり方で生成する。
１１０８で、評価ボリューム内において関心の領域及び／又はボリュームを識別する。
１１１０で、意図された診断タイプを受け取る。この例では、意図された診断タイプが、選択された関心の領域の大域解析、例えば、全てのクラスの和に対する、関心の領域及び／又はボリューム内の関心の材料クラスに対応するボクセルの比に基づく。意図された診断は、関心の材料クラスの局部比がより高いときにより陽性の臨床結果を割り当てる。
１１１２で、関心の評価確率レベルを、本明細書で説明したとおりに及び／又は他のやり方で受け取る。
１１１４で、影響方向を識別する。この例では、影響方向が陰性方向であり、このことは、変形させた場合に関心の評価確率レベルに基づいてより陽性でないケースを表すように、評価ボリュームを変形させることを意味する。
１１１６で、関心の領域及び／又はボリューム内のそれぞれのボクセル値の不確実性を考慮し、関連ボクセルの誤り伝搬を考慮して、新たなクラス比を計算する。
多分類不確実性のケースでは、それぞれの反復において、領域内のそれぞれのボクセルが、その不確実性分布に基づく値を得る、モンテカルロシミュレーションを実行することができる。それぞれの反復では、大域解析が実行され、結果が保存される。全ての反復の結果は、大域解析結果の大域確率分布を与え、その分布から、決められた確率レベルに関連した値を見つけることができる。
１１１８で、結果をテキスト結果として提示する。
上記の方法は、コンピュータ可読記憶媒体上にエンコード化され又は埋め込まれたコンピュータ可読命令によって実施することができる。このコンピュータ可読命令は、コンピュータプロセッサによって実行されたときに、プロセッサに、上記の操作を実行させる。それに加えて又はその代わりに、それらのコンピュータ可読命令のうちの少なくとも１つのコンピュータ可読命令は、信号、搬送波又は他の一時的媒体によって運ばれる。
図１２〜図３１はいくつかの例を示す。
図１２〜図１５の例は、心臓ＣＴにおける動脈（例えば冠状動脈）の狭窄に関する。図１２は、造影剤によって増強された血管１２０２を表すボクセルを含む元の診断画像１２００を示す。Ａ、Ｂ及びＣは、危険な状態にある狭窄領域を示す。図１３は、推定される画像化不確実性に関する情報１３０２を示す。ｙ軸１３０４はＺ方向を表し、ｘ軸１３０６は、不確実性レベル（例えばガウスのＳＴＤ）を表す。図１４は、不確実性レベルの線密度表現を示す。図１５は、結果として得られる人工画像を示す。この人工画像は、血管狭窄に対する調査された不確実性の影響を示す、変形させた画像を表す。図１５では、領域１５０２が、小さな不確実性に起因する小さな変形を表し、領域１５０４が、大きな不確実性に起因する大きな変形を表す。周界１５０６は人工画像を表し、周界１５０８は元の画像を表す。
この変形に関して、ターゲット領域は冠状動脈、意図された診断のタイプは血管の狭窄、影響を及ぼす不確実性の確率レベルは所定の百分率（例えば６０％）、影響は陽性方向（すなわち、より多くの狭窄を調査する方向）にあり、ボクセル環境の大域フィーチャのタイプは造影剤の存在である。それぞれのボクセル環境に関して、それよりも大きな値は造影剤を有するとみなされるしきい値が計算される。造影剤を有するボクセルに関しては、決定された確率レベル及び局所不確実性入力推定に基づいて、ボクセル値が減らされる（しかし、しきい値よりも低くされることはない）。
図１６〜図１９の例は、セグメント化された領域を異なる組織クラスに分類すること、例えば、肝臓内の癌領域を識別することに関する。図１６は、別個の３つのクラス、すなわちクラス１ １６０２、クラス２ １６０４及びクラス３ １６０６に分類された、器官内の組織領域分類を有する元の診断画像１６００を示す。図１７は、クラス１である確率を示す。図１８は、中間の信頼度でクラス１と分類された画像１６００内の領域１８０２、及び高い信頼度でクラス１と分類された画像１６００内の領域１８０４を示す。図１９は、取得しているクラス１領域に対する調査された不確実性の影響を示す、人工的に変形させた画像１９００を示す。
この変形に関して、ターゲット領域は選択された器官、意図された診断のタイプは、クラス１組織の分類（より多くのクラス１領域が陽性の診断に対応する）、影響を及ぼす不確実性の選択された確率レベルは、決められた百分率、影響の方向は陰性方向である（すなわち、より少ないクラス１の検出を調査する）。（全体として）分類されたそれぞれの領域に関して、選択された確率レベルに基づき、クラス１の領域が、別のクラスとして分類される十分に大きな確率を有する場合には、元のクラスを他のクラスで置き換える。クラス２又は３のボクセルに関しては、（不確実性が陰性の影響を及ぼすこのケースでは）元の値を変化させない。
図２０〜図２３の例は、選択された組織タイプに対応するセグメント化された領域の寸法、例えば腫瘍病巣のボリュームを含む。図２０は、器官内のセグメント化された組織２００２を示す元の診断画像２０００を示す。図２１は、セグメント化された組織の部分である確率を示す。図２２は、低い信頼度でそのセグメントに含まれる診断画像中のボクセル２２０２、及び高い信頼度でそのセグメントに含まれる診断画像中のボクセル２２０４を示す。図２３は、セグメント化された領域の寸法に対する調査された不確実性の影響を示す、人工的に変形させた画像を示す。このケースでは、より小さなセグメント化された領域２３０２が取得される。
この変形に関して、意図された診断のタイプは、セグメント化された領域の寸法（大きなセグメントは陽性の診断に対応する）、影響を及ぼす不確実性の選択された確率レベルは、決められた百分率、影響の方向は、陰性方向である（すなわち、より小さなセグメントを調査する）。元のセグメント化された領域内にあるボクセルに関しては、選択された確率レベル及び局所不確実性入力推定に基づいて、そのボクセルを、そのセグメント内にないものとして排除する。
図２４〜図２６の例は、関心の組織のテクスチャ又は微細構造（例えば、異なる肺疾患における肺実質のテクスチャ及び構造）に関する。図２４は、器官２４０４内の微細構造を有する組織２４０２を示す、元の診断画像２４００を示す。図２５は、ボクセルごとの推定される画像化不確実性を示し、それぞれのボクセルは、平均値２５０２の予測の付近に、同じガウスの不確実性分布２５００を有する。図２６は、組織テクスチャに対する調査された不確実性の影響を示す、人工的に変形させた画像２６００を示し、このケースでは、この影響が、より低い組織不規則性及び異質性である。
この変形に関して、ターゲット領域は、選択された組織領域、意図された診断のタイプは、局所マップ値が異質且つ不規則であるときにより陽性の臨床結果を割り当てることであり、影響を及ぼす不確実性の選択された確率レベルは、決められた百分率、影響の方向は、陰性方向であり（すなわち、より低い不規則性及び異質性を調査する）、ボクセル環境の大域フィーチャのタイプは、それぞれのボクセルについて、このあるボクセルの周囲の決められた空間領域（例えば半径数ｍｍの球）内の全てのボクセルの値の平均値を計算する。中心ボクセルの値が局所平均値よりも大きい場合には、選択された確率レベルに基づいてその値が減らされる（しかし、局所平均値よりも小さくなることはない）。そのボクセルの値が平均値よりも小さい場合には、その値が増やされる（しかし、局所平均値よりも大きくなることはない）。
図２７〜図３１の例は、診断結果の大域定量解析（例えば機能的血液灌流解析）を含む。図２７は、フェーズ１の元の診断画像２７００を示し、図２８は、フェーズ２の元の診断画像２８００を示す。これらのフェーズは例えば、動的スキャン又は２つの異なる解析手順における、２回の異なるスキャン又は２つの異なる時間フレームである。図２８では、領域２８０２が、解析のための関心の領域を表す。領域２８０２の内側に連続ボクセル値がある。図２９は、定量的数値診断結果を示す。図３０は、ボクセルごとの推定される画像化不確実性に関する情報を示す。ここで、それぞれのボクセルは、最確値予測の前後で同じ非対称不確実性分布を有する。この情報は、可能なボクセル値を示し、最確値は、元の診断画像からの値である。図３１は、人工的に変形させた定量的数値診断結果を示す。このケースでは、元の診断結果よりも低くなっている。
この変形に関して、ターゲット領域はＲＯＩであり、意図された診断のタイプは、フェーズ１からの結果とフェーズ２からの結果の比を計算することにより、描かれたＲＯＩ内の平均ボクセル値を２つの画像化フェーズに関して計算し、この比がより高いときにより陽性の臨床結果を割り当てることであり、影響を及ぼす不確実性の選択された確率レベルは、決められた百分率であり、影響の方向は陰性方向である。このアルゴリズムは、選択されたＲＯＩ内のそれぞれのボクセルの不確実性分布を考慮する。関連ボクセルの誤り伝搬を考慮して、新たな比が計算される。結果は、新たな数値結果として提示される。この誤り伝搬を計算するために、それぞれの反復において、領域内のそれぞれのボクセルが、その不確実性分布に基づく値を得る、モンテカルロシミュレーションを実行することができる。それぞれの反復で、大域解析（すなわち、このケースでは比計算）が実行され、結果が保存される。全ての反復の結果は、大域解析結果の大域確率分布を与え、その分布から、決められた確率レベルに関連した値を見つけることができる。
好ましい実施形態に関して本発明を説明した。以上の詳細な説明を読み、理解した人には、変更及び改変が思い浮かぶ可能性がある。それらの変更及び改変が、添付された特許請求項又はその等価物の範囲に含まれる限りにおいて、本発明は、そのような全ての変更及び改変を含むものとして構築されていることが意図されている。

Claims (21)

  1. 画像化システムによって生成された体積画像データを取得するステップと、
    前記体積画像データのそれぞれのボクセルの不確実性を生成するステップと、
    前記体積画像データを用いた評価ボリュームを、生成された前記不確実性に基づいて生成するステップと、
    前記評価ボリューム内の関心の領域又はボリュームを示す入力信号を受け取るステップと、
    診断タイプを受け取るステップと、
    関心の評価確率レベルを受け取るステップと、
    関心の影響方向を受け取るステップと、
    前記評価ボリュームを変形させて、前記診断タイプに対する前記不確実性の影響を反映した人工ボリュームを、前記関心の評価確率レベル及び前記関心の影響方向に基づいて作成するステップと、
    前記人工ボリュームを視覚的に表示するステップと
    を含む方法。
  2. 表示ウインドウの重なり合っていない領域に、前記人工ボリュームと前記評価ボリュームとを同時に視覚的に表示するステップ
    をさらに含む、請求項１に記載の方法。
  3. 表示ウインドウに、前記人工ボリュームと前記評価ボリュームとを二者択一的に視覚的に表示するステップ
    をさらに含む、請求項１に記載の方法。
  4. 前記人工ボリュームと前記評価ボリュームとを融合させて単一のボリュームを形成するステップと、
    融合させた前記単一のボリュームを表示ウインドウに視覚的に表示するステップと
    をさらに含む、請求項１に記載の方法。
  5. 前記診断タイプが材料クラスに対応し、前記人工ボリュームは、前記ボクセルが前記異なる材料クラスである確率が、前記関心の評価確率レベルと一致していること又は前記関心の評価確率レベルを超過していることに応じて、前記材料クラスに対応する前記評価ボリュームの関心の領域又はボリューム内のそれぞれのボクセルを、異なる材料クラスに対応するボクセルで置き換えることにより、生成される、請求項１乃至４のいずれか一項に記載の方法。
  6. 識別された前記材料クラス以外の材料クラスに対応するボクセルが置き換えられない、請求項５に記載の方法。
  7. 前記診断タイプは、より高いボクセル値が陽性の診断結果を表し、より低いボクセル値が陰性の診断を表すことを示し、前記人工ボリュームは、前記評価ボリュームの関心の領域又はボリューム内のそれぞれのボクセル値を、元のボクセル値から前記ボクセルの標準偏差を引いた差に対応する値で置き換えることにより、生成される、請求項１乃至４のいずれか一項に記載の方法。
  8. 前記ボクセルが異なる値である前記確率が、前記関心の評価確率レベルと一致していること又は前記関心の評価確率レベルを超過していることのみに応じて、前記評価ボリュームの前記関心の領域又はボリューム内のボクセル値が置き換えられる、請求項７に記載の方法。
  9. 前記診断タイプが、前記ボクセルのうちより多くのボクセルが異質且つ不規則であることに応じて、より陽性の臨床結果を示し、前記人工ボリュームは、前記評価ボリュームの関心の領域又はボリューム内のそれぞれのボクセル値を、前記関心の評価確率レベルと一致した値又は前記関心の評価確率レベルを超過した値を有するボクセルについてのみ、計算された値で置き換えることにより、生成される、請求項１乃至４のいずれか一項に記載の方法。
  10. 置換え値が、関心のボクセルの周囲の所定の空間領域内のボクセルの値の平均値を計算し、中心ボクセルが前記平均値よりも高い場合には、前記中心ボクセルの値を、その不確実性標準偏差の分だけ減らし、前記中心ボクセルが前記平均値よりも低い場合には、前記中心ボクセルの前記値を、その不確実性標準偏差の分だけ増やすことにより、計算される、請求項９に記載の方法。
  11. 前記診断タイプが、より大きなセグメント化された構造体に応じて、より陽性の臨床結果を示し、前記人工ボリュームは、前記ボクセルが、前記関心の評価確率レベルと一致した確率又は前記関心の評価確率レベルを超過した確率を有することに応じて、前記セグメント化された構造体内のボクセル値に印をつけることにより、生成され、既に前記セグメント化された構造体の外側にあるボクセルは変更されない、請求項１乃至４のいずれか一項に記載の方法。
  12. 前記診断タイプが、選択された関心の領域の大域解析に基づき、前記人工ボリュームが、関心の領域又はボリューム内のそれぞれのボクセル値の前記不確実性を考慮し、関連ボクセルの誤り伝搬を考慮して計算される、請求項１乃至４のいずれか一項に記載の方法。
  13. 前記診断タイプが、全てのボクセルクラスの和に対する、関心の領域又はボリューム内の関心の材料クラスに対応するボクセルの比に基づき、前記人工ボリュームは、前記関心の領域及び／又はボリューム内のそれぞれのボクセル値の前記不確実性を考慮し、関連ボクセルの誤り伝搬を考慮して計算された新たなクラス比を作成することにより、計算される、請求項１乃至４のいずれか一項に記載の方法。
  14. 人工ボリューム生成器モジュールのコンピュータ実行可能命令を記憶したメモリと、
    プロセッサと
    を備え、前記プロセッサが、前記コンピュータ実行可能命令の実行に応じて、
    体積画像データのそれぞれのボクセルの不確実性を生成し、
    前記体積画像データを用いた評価ボリュームを、生成された前記不確実性に基づいて生成し、
    前記評価ボリューム内の関心の領域及び／又はボリュームを示す入力信号を受け取り、
    診断タイプを受け取り、
    関心の評価確率レベルを受け取り、
    関心の影響方向を受け取り、
    前記評価ボリュームを変形させて、前記診断タイプに対する前記不確実性の影響を反映した人工ボリュームを、前記関心の評価確率レベル及び前記関心の影響方向に基づいて作成し、
    前記人工ボリュームを視覚的に表示する、
    画像化システム。
  15. 前記診断タイプが材料クラスに対応し、前記プロセッサは、前記ボクセルが前記異なる材料クラスである確率が、前記関心の評価確率レベルと一致していること又は前記関心の評価確率レベルを超過していることに応じて、前記材料クラスに対応する前記評価ボリュームの関心の領域又はボリューム内のそれぞれのボクセルを、異なる材料クラスに対応するボクセルで置き換えることにより、前記人工ボリュームを作成する、請求項１４に記載の画像化システム。
  16. 前記診断タイプは、より高いボクセル値が陽性の診断結果を表し、より低いボクセル値が陰性の診断を表すことを示し、前記プロセッサは、前記評価ボリュームの関心の領域又はボリューム内のそれぞれのボクセル値を、元のボクセル値から前記ボクセルの標準偏差を引いた差に対応する値で置き換えることにより、前記人工ボリュームを作成する、請求項１４に記載の画像化システム。
  17. 前記診断タイプが、前記ボクセルのうちより多くのボクセルが異質且つ不規則であることに応じて、より陽性の臨床結果を示し、前記プロセッサは、前記評価ボリュームの関心の領域又はボリューム内のそれぞれのボクセル値を、前記関心の評価確率レベルと一致した値又は前記関心の評価確率レベルを超過した値を有するボクセルについてのみ、計算された値で置き換えることにより、前記人工ボリュームを作成し、前記置換え値が、関心のボクセルの周囲の所定の空間領域内のボクセルの値の平均値を計算し、中心ボクセルが前記平均値よりも高い場合には、前記中心ボクセルの値を、その不確実性標準偏差の分だけ減らし、前記中心ボクセルが前記平均値よりも低い場合には、前記中心ボクセルの前記値を、その不確実性標準偏差の分だけ増やすことにより、計算される、請求項１４に記載の画像化システム。
  18. 前記診断タイプが、より大きなセグメント化された構造体に応じて、より陽性の臨床結果を示し、前記プロセッサは、前記ボクセルが、前記関心の評価確率レベルと一致した確率又は前記関心の評価確率レベルを超過した確率を有することに応じて、前記セグメント化された構造体内のボクセル値に印をつけ、既に前記セグメント化された構造体の外側にあるボクセルは変更されない、請求項１４に記載の画像化システム。
  19. 前記診断タイプが、選択された関心の領域の大域解析に基づき、前記プロセッサは、関心の領域又はボリューム内のそれぞれのボクセル値の前記不確実性を考慮し、関連ボクセルの誤り伝搬を考慮して、前記人工ボリュームを作成する、請求項１４に記載の画像化システム。
  20. 前記診断タイプが、全てのボクセルクラスの和に対する、関心の領域又はボリューム内の関心の材料クラスに対応するボクセルの比に基づき、前記プロセッサは、前記関心の領域及び／又はボリューム内のそれぞれのボクセル値の前記不確実性を考慮し、関連ボクセルの誤り伝搬を考慮して計算された新たなクラス比を作成することにより、前記人工ボリュームを計算する、請求項１４に記載の画像化システム。
  21. コンピュータ可読命令によってコード化されたコンピュータ可読記憶媒体であって、前記コンピュータ可読命令がプロセッサによって実行されたときに、前記コンピュータ可読命令によって、前記プロセッサが、
    体積画像データのそれぞれのボクセルの不確実性を生成し、
    前記体積画像データを用いた評価ボリュームを、生成された前記不確実性に基づいて生成し、
    前記評価ボリューム内の関心の領域及び／又はボリュームを示す入力信号を受け取り、
    診断タイプを受け取り、
    関心の評価確率レベルを受け取り、
    関心の影響方向を受け取り、
    前記評価ボリュームを変形させて、前記診断タイプに対する前記不確実性の影響を反映した人工ボリュームを、前記関心の評価確率レベル及び前記関心の影響方向に基づいて作成し、
    前記人工ボリュームを視覚的に表示する、
    コンピュータ可読記憶媒体。
JP2017521203A 2014-10-22 2015-10-21 画像化不確実性の可視化 Active JP6789933B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462066967P 2014-10-22 2014-10-22
US62/066,967 2014-10-22
PCT/IB2015/058126 WO2016063235A2 (en) 2014-10-22 2015-10-21 Visualization of imaging uncertainty

Publications (3)

Publication Number Publication Date
JP2017531519A true JP2017531519A (ja) 2017-10-26
JP2017531519A5 JP2017531519A5 (ja) 2020-04-09
JP6789933B2 JP6789933B2 (ja) 2020-11-25

Family

ID=54478927

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017521203A Active JP6789933B2 (ja) 2014-10-22 2015-10-21 画像化不確実性の可視化

Country Status (5)

Country Link
US (1) US10275946B2 (ja)
EP (1) EP3210193A2 (ja)
JP (1) JP6789933B2 (ja)
CN (1) CN107077731B (ja)
WO (1) WO2016063235A2 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021149818A (ja) * 2020-03-23 2021-09-27 株式会社東芝 情報処理装置、情報処理方法およびプログラム

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10592743B2 (en) 2017-08-24 2020-03-17 International Business Machines Corporation Machine learning to predict cognitive image composition
US10478134B2 (en) * 2017-09-26 2019-11-19 General Electric Company Systems and methods for improved diagnostics for nuclear medicine imaging
EP3543911A1 (en) * 2018-03-22 2019-09-25 Koninklijke Philips N.V. Anomaly detection using magnetic resonance fingerprinting
EP3657512B1 (en) * 2018-11-23 2022-02-16 Siemens Healthcare GmbH Integrated medical image visualization and exploration
CN110232678B (zh) * 2019-05-27 2023-04-07 腾讯科技（深圳）有限公司 一种图像不确定度预测方法、装置、设备及存储介质
CN113689375A (zh) * 2020-05-18 2021-11-23 西门子(深圳)磁共振有限公司 介入治疗中的图像呈现方法、系统、成像系统及存储介质
US20240169666A1 (en) * 2021-03-26 2024-05-23 Carnegie Mellon University System, Method, and Computer Program Product for Determining a Needle Injection Site

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011177517A (ja) * 2010-03-03 2011-09-15 Medicsight Plc 画像処理方法、画像処理装置、コンピュータが読取り可能な媒体及びコンピュータプログラム
US20120320055A1 (en) * 2010-03-11 2012-12-20 Koninklijke Philips Electronics N.V. Probabilistic refinement of model-based segmentation

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2414357A (en) * 2004-05-18 2005-11-23 Medicsight Plc Nodule boundary detection
DE102006003609B4 (de) * 2006-01-25 2014-09-04 Siemens Aktiengesellschaft Tomographie-System und Verfahren zur Visualisierung einer tomographischen Darstellung
US8111896B2 (en) * 2006-05-15 2012-02-07 Im3D S.P.A. Method and system for automatic recognition of preneoplastic anomalies in anatomic structures based on an improved region-growing segmentation, and commputer program therefor
DE602007004332D1 (de) * 2006-05-31 2010-03-04 Koninkl Philips Electronics Nv Anzeige von verläufen und erwarteten verläufen von mitigation
CN101517614A (zh) * 2006-09-22 2009-08-26 皇家飞利浦电子股份有限公司 肺结节的高级计算机辅助诊断
US8131033B2 (en) * 2007-07-25 2012-03-06 Sectra Ab Sensitivity lens for assessing uncertainty in image visualizations of data sets, related methods and computer products
EP2144199B1 (en) * 2008-07-11 2018-12-26 Agfa HealthCare NV Method and apparatus for multimodal visualization of volume data sets
WO2010009269A2 (en) * 2008-07-15 2010-01-21 Piedmont Healthcare, Inc. Method for coronary artery disease risk assessment
US20100131293A1 (en) * 2008-11-26 2010-05-27 General Electric Company Interactive multi-axis longitudinal health record systems and methods of use
US20110002520A1 (en) * 2009-07-01 2011-01-06 Siemens Corporation Method and System for Automatic Contrast Phase Classification
US8224640B2 (en) * 2009-09-08 2012-07-17 Siemens Aktiengesellschaft Method and system for computational modeling of the aorta and heart
CN103262120B (zh) * 2010-12-09 2017-03-22 皇家飞利浦电子股份有限公司 图像数据的体积描绘
US9710730B2 (en) 2011-02-11 2017-07-18 Microsoft Technology Licensing, Llc Image registration
WO2013040673A1 (en) 2011-09-19 2013-03-28 The University Of British Columbia Method and systems for interactive 3d image segmentation

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011177517A (ja) * 2010-03-03 2011-09-15 Medicsight Plc 画像処理方法、画像処理装置、コンピュータが読取り可能な媒体及びコンピュータプログラム
US20120320055A1 (en) * 2010-03-11 2012-12-20 Koninklijke Philips Electronics N.V. Probabilistic refinement of model-based segmentation

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021149818A (ja) * 2020-03-23 2021-09-27 株式会社東芝 情報処理装置、情報処理方法およびプログラム
JP7395396B2 (ja) 2020-03-23 2023-12-11 株式会社東芝 情報処理装置、情報処理方法およびプログラム

Also Published As

Publication number Publication date
JP6789933B2 (ja) 2020-11-25
CN107077731B (zh) 2021-08-03
WO2016063235A2 (en) 2016-04-28
CN107077731A (zh) 2017-08-18
US10275946B2 (en) 2019-04-30
EP3210193A2 (en) 2017-08-30
WO2016063235A3 (en) 2016-06-16
US20170309081A1 (en) 2017-10-26

Similar Documents

Publication Publication Date Title
JP6789933B2 (ja) 画像化不確実性の可視化
EP3041414B1 (en) Processing apparatus for processing cardiac data
Yankelevitz et al. Small pulmonary nodules: evaluation with repeat CT—preliminary experience
Bae et al. Pulmonary nodules: automated detection on CT images with morphologic matching algorithm—preliminary results
US8229200B2 (en) Methods and systems for monitoring tumor burden
Bogunović et al. Automated segmentation of cerebral vasculature with aneurysms in 3DRA and TOF‐MRA using geodesic active regions: an evaluation study
JP4499090B2 (ja) 画像領域セグメント化システムおよびその方法
US9443330B2 (en) Reconstruction of time-varying data
JP2021509721A5 (ja)
CN111210401B (zh) 根据医学图像的主动脉自动检测和量化
EP2915141B1 (en) Perfusion imaging
Deshpande et al. Automatic segmentation, feature extraction and comparison of healthy and stroke cerebral vasculature
US11055559B1 (en) System, method and apparatus for assisting a determination of medical images
US11393099B2 (en) Image segmentation and prediction of segmentation
JP6595729B2 (ja) 医療画像における変化検出
JP2016504113A (ja) コンピュータ支援による関心組織の特定
JP2023093605A (ja) 形態学的および血管周囲疾患の複合評価
Zhou et al. Computerized analysis of coronary artery disease: performance evaluation of segmentation and tracking of coronary arteries in CT angiograms
Novikov Multiparametric quantitative and texture 18F-FDG PET/CT analysis for primary malignant tumour grade differentiation
CN109727660A (zh) 在医学成像中针对血液动力学量化的不确定性或敏感性的机器学习预测
Qiang et al. Computerized segmentation of pulmonary nodules depicted in CT examinations using freehand sketches
Samei et al. CT-based quantification

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20181018

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20181018

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190830

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190830

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20191121

A524 Written submission of copy of amendment under article 19 pct

Free format text: JAPANESE INTERMEDIATE CODE: A524

Effective date: 20200228

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200622

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200918

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: 20201006

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201104

R150 Certificate of patent or registration of utility model

Ref document number: 6789933

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250