JP2018027302A - 画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム - Google Patents

画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム Download PDF

Info

Publication number
JP2018027302A
JP2018027302A JP2017149289A JP2017149289A JP2018027302A JP 2018027302 A JP2018027302 A JP 2018027302A JP 2017149289 A JP2017149289 A JP 2017149289A JP 2017149289 A JP2017149289 A JP 2017149289A JP 2018027302 A JP2018027302 A JP 2018027302A
Authority
JP
Japan
Prior art keywords
lung
image data
image
image processing
sensitivity
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
JP2017149289A
Other languages
English (en)
Other versions
JP6945379B2 (ja
JP2018027302A5 (ja
Inventor
チェン　ユ
Yu Chen
ユ チェン
ツイ シュ
Cui Xu
ツイ シュ
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.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems Corp
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 Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Priority to US15/678,214 priority Critical patent/US10275889B2/en
Publication of JP2018027302A publication Critical patent/JP2018027302A/ja
Publication of JP2018027302A5 publication Critical patent/JP2018027302A5/ja
Application granted granted Critical
Publication of JP6945379B2 publication Critical patent/JP6945379B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20161—Level set
    • 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
    • G06T2207/30061—Lung

Landscapes

  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

【課題】肺を正確に抽出することである。【解決手段】実施形態の画像処理装置は、認識部と、作成部と、表示制御部とを備える。認識部は、肺を含む３次元画像データにおいて、グラディエントとキャビティ構造に対する感度を上げることより、胸壁、血管、結節、及び腫瘍に由来するデータを認識する。作成部は、前記認識部による認識結果に基づいて、前記胸壁に由来するデータを除去する除去処理と、前記血管、前記結節、及び前記腫瘍に由来するデータを残留させる残留処理とを行って、前記肺の領域に対応する肺画像データを作成する。表示制御部は、前記肺画像データを表示させる。【選択図】図１

Description

本実施形態の実施形態は、画像処理装置、磁気共鳴イメージング装置及び画像処理プログラムに関する。
近年、画像認識技術の発展に伴い、医用画像から臓器をセグメンテーションするセグメンテーション技術が注目されている。例えば、肺のセグメンテーションが、肺実質の可視化及び定量分析には極めて重要である。且つ、３Ｄ肺セグメンテーション技術及び肺血管除去技術は、診断過程の加速にも重要な意味を持っている。
従来の技術では、ＭＲＩ（Magnetic Resonance Imaging：磁気共鳴イメージング）装置は肺のレンダリングに適せず、頭部のレンダリングに一層適する。従って、通常の場合、ＣＴ（Computerized Tomography：Ｘ線コンピュータ断層撮影術）装置で採られた画像を用いて、肺のセグメンテーションを行う。現在、ＣＴ画像に基づいた肺のセグメンテーション技術及び肺血管抽出技術がたくさんある。
例えば、特許文献１には、複数器官のセグメンテーション方法及び３次元ＣＴ画像の肺のセグメンテーションについて開示されている。そのうち、マージナルスペース学習の方法が等位集合用の初期化メッシュの生成に用いられ、該等位集合が距離マップに基づいた精確なセグメンテーションの取得に用いられる。
また、特許文献２には、幾何学的変形モデル（geometric deformation model）に基づいた３次元肺血管画像のセグメンテーション方法について開示されている。そのうち、高解像度且つ高コントラストのＣＴ画像に対し、等位集合関数が肺血管のセグメンテーションに用いられる。
しかしながら、特許文献１及び特許文献２におけるセグメンテーション方法は、ＭＲＩ装置で採られた画像に適しない。ＭＲＩ装置の場合、従来の技術では、３Ｄ肺セグメンテーション技術及び肺血管除去を精確に施すのが未だ困難である。
例えば、非特許文献１には、肺のセグメンテーションに適用できる方法について開示されている。
米国特許第９０４２６２０号明細書 中国特許第１０２２４３７５９号明細書
"Distance Regularized Level Set Evolution and Its Application to image Segmentation[J]", Chunming Li, Chenyang Xu etc. , IEEE Transactions on image processing. 19(20),2010.
医用画像に対し肺のセグメンテーションを行う場合、先ず、医用画像収集装置で採られた画像データを入力し、該画像データに基づいて、閾値法又は２値化によるセグメンテーション方法などのラフなセグメンテーション方法を用いてラフな肺のセグメンテーションを施し、肺画像を抽出した後、ラフなセグメンテーション結果を微細修正し、より精確なセグメンテーション結果を得る、ことは一般的に用いられる方法である。
しかしながら、従来のセグメンテーション技術においては、肺実質と胸壁との間の境界における低コントラスト領域に対し、感度が高くない。且つ、キャビティ（くぼみ）構造（例えば、血管及び結節／腫瘍）に対する処理が有効ではない。
図１３は従来の技術における、ＭＲＩ装置により撮像された胸部画像に対し肺のセグメンテーション処理を行った結果を示す例示図である。図１３に示すように、微細修正処理が施された後、抽出された肺画像における矢印Ａが指している領域には依然として、胸壁組織のデータが残っている。一方、微細な血管が含まれているが、例えば、矢印Ｂが指している領域など、比較的粗大な血管は、正確に含まれることができていない。同時、矢印Ｃが指している結節領域なども含まれることができない。
本実施形態は、上記事情に鑑み完成した発明であって、肺を正確に抽出することができる画像処理装置及び画像処理方法を提供することを目的とする。
実施形態に係る画像処理装置は、認識部と、作成部と、表示制御部とを備える。認識部は、肺を含む３次元画像データにおいて、グラディエントとキャビティ構造に対する感度を上げることより、胸壁、血管、結節、及び腫瘍に由来するデータを認識する。作成部は、前記認識部による認識結果に基づいて、前記胸壁に由来するデータを除去する除去処理と、前記血管、前記結節、及び前記腫瘍に由来するデータを残留させる残留処理とを行って、前記肺の領域に対応する肺画像データを作成する。表示制御部は、前記肺画像データを表示させる。
また、本実施形態の別の技術案は、画像収集装置により撮像された画像における肺領域を抽出する画像処理方法であって、肺を含む画像データから、肺領域を抽出し、ラフな肺画像を作成するラフな肺画像作成ステップと、前記画像データに基づいて、前記ラフな肺画像を処理し、精確な肺画像を作成する精確な肺画像作成ステップと、を含み、前記精確な肺画像作成ステップでは、グラディエントに対する感度と、キャビティ構造に対する感度とを用いて、前記精確な肺画像には胸壁を含まず、キャビティ構造を含むように処理する画像処理方法である。
本実施形態によれば、肺のセグメンテーションを精確に施すことができ、肺領域を医用画像からより正確にセグメンテーションすることが可能になる。特に、グラディエントに対する感度と、キャビティ構造に対する感度とを組み合わせて用いることにより、画像にける胸壁とキャビティ構造が位置する領域をより感度高く区分することで、該区分に基づいて胸壁の除去及びキャビティ構造の保留をより良く行うことができる。従って、より精確な肺のセグメンテーション処理を行うことが可能になる。
また、本実施形態に係る画像処理装置では、精確な肺画像作成手段が、精確な肺画像からキャビティ構造を選択的に除去するように、選択処理を行う選択手段を更に備えたものであってもよい。
本実施形態によれば、例えば、血管の画素又は結節の画素がキャビティ構造に対する感度に反映しないようにすることで、セグメンテーション結果には血管を含まないが結節を含むように選択することにより、血管及び結節をより良く区分して別々に処理することが可能になる。血管の除去を選択的に且つ信頼性のより高く行うことが可能であるため、ユーザは血管を除去するか否かを選択し、且つ、結節を保留しながら血管を除去することができ、読影の効率が向上する。
更に、本実施形態は、ＭＲＩ装置による肺画像処理の場合、効果が特に突出する。肺に明確なＭＲ信号を得ることが困難であるため、ＭＲＩ装置が肺の撮像に選択し用いられることが少ない。しかし、ＭＲＩ装置による結果は、肺がんの拡散診断という面で積極的な作用を奏する。本実施形態をＭＲＩ装置に適用することにより、ＭＲＩ装置全体の肺セグメンテーションの正確性を向上させることが可能になり、且つ、心臓及び大動脈に対する分析において、肺マスクの生成に用いることもできる。
図１は、本実施形態の第１の実施形態に係る画像処理装置を示す構造ブロック図。 図２は、ＭＲＩ装置により撮像された胸部画像を示す例示図。 図３は、ラフな肺画像を示す例示図。 図４は、本実施形態の第１の実施形態に係る肺セグメンテーション処理の結果を示す例示図。 図５は、本実施形態の第１の実施形態に係る肺セグメンテーション処理を示すフローチャート。 図６は、本実施形態の第２の実施形態に係る画像処理装置を示す構造ブロック図。 図７は、本実施形態の第２の実施形態に係る肺セグメンテーション処理を示すフローチャート。 図８は、本実施形態の第２の実施形態に係る肺セグメンテーション処理の結果を示す例示図。 図９は、ＭＲＩ装置の画像データを処理する場合、構造セレクタの異なる選択によって生じた異なる処理結果を示す例示図。 図１０は、ＭＲＩ装置の画像データを処理する場合、構造セレクタの異なる選択によって生じた異なる処理結果を示す別の例示図。 図１１は、ＣＴ装置の画像データを処理する場合、構造セレクタの異なる選択によって生じた異なる処理結果を示す例示図。 図１２は、ＣＴ装置の画像データを処理する場合、構造セレクタの異なる選択によって生じた異なる処理結果を示す別の例示図。 図１３は、従来の技術における肺セグメンテーション処理の結果を示す例示図。 図１４は、本実施形態に係る画像処理装置の構成例を示すブロック図である。
本実施形態は、画像を処理する画像処理装置に関する。この画像処理装置は、Ｘ線装置などの画像収集装置に接続され独立したコンピュータなどのＣＰＵ（central process unit）を有する設備が、画像処理装置の各機能を有するソフトウェアを実行することにより実現されてもいいし、また、画像処理装置の各機能を実行可能な回路として、ハードウェアの形態により実現されてもいい。且つ、本実施形態に係る画像処理装置は、ＣＴ（Computerized Tomography）装置または磁気共鳴イメージング装置などの医用画像収集装置における一部として、上述した医用画像収集装置に予め組み込まれてもよい。
以下、本実施形態を実施するための好適な形態について図面を参照して説明する。各実施形態では、画像収集装置としてＭＲＩ装置を用いることが好ましく、本実施形態は、ＭＲＩ装置で採られた医用画像データに対する肺セグメンテーション処理を用いられることが好ましい。但し、ＣＴ装置、超音波装置などの他の医用画像収集装置の肺セグメンテーション処理に適用されることもできる。
また、下記の各実施形態では、採られた画像データが３次元画像データであることを例として説明するが、本実施形態は二次元などの他の次元の画像データに対する処理に適用されることもできる。且つ、本実施形態に用いられている例示図では、より明確に説明するために、３次元画像におけるある断面図が例示として用いられている。
また、異なる実施形態では、同一の部材について同一の符号（記号）が用いられており、重複の説明を適当に省略する。
（第１の実施形態）
図１は、本実施形態の第１の実施形態に係る画像処理装置を示す構造ブロック図である。図１に示すように、画像処理装置１００は少なくとも、第１画像作成部１０と、第２画像作成部２０とを備える。
第１画像作成部１０は、ＭＲＩ装置が胸部に対し撮像した３次元画像データを受信し、閾値法又は２値化によるセグメンテーション方法などのラフなセグメンテーション方法を用いて、受信された画像データから肺領域を抽出し、ラフな肺画像を作成する。第１画像作成部１０は、上述した機能を実現できる回路又はソフトウェアモジュールであってもよい。言い換えると、３次元画像データは、磁気共鳴イメージング装置により撮像されたＭＲＩ画像データである。また、前処理部としての第１画像作成部１０は、３次元画像データから、除去処理及び残留処理とは異なる前処理により肺の領域を抽出した前処理肺画像データを作成する。
図２は、ＭＲＩ装置により撮像された胸部画像を示す例示図である。図３は、ラフな肺画像を示す例示図である。第１画像作成部１０は、図２に示すような３次元画像データから肺領域を抽出し、図３に示すようなラフな肺画像を作成する。ラフな肺画像において、一般的に、肺実質における共通の特徴を有する画素のみが抽出されるため、血管などの肺に含まれている物質の存在を示すことが困難であり、且つ、マージンに対する処理も雑である。
ここで、血管、結節、腫瘍などの肺実質とは異なる器官又は組織をまとめて、「キャビティ（つぼみ）構造」という。
第２画像作成部２０は、ラフな肺画像を更に処理し、ＭＲＩ装置の３次元画像データに基づいて、ラフな肺画像を修正し、精確な肺画像を作成する。第２画像作成部２０は、上述した機能を実現できる回路又はソフトウェアモジュールであってもよい。
例えば、ラフな肺画像の画素で構築された等位集合を初期の等位集合とし、ＭＲＩ装置の３次元画像データのような元画像データ情報と合わせて、等位集合の進化（evolution）とセグメンテーションを行い、このような反復アルゴリズムにより、精確な肺画像を取得する。このような等位集合の進化を表す等位集合関数を含む偏微分方程式を、等位集合関数モデルとする。
ここで、第２画像作成部２０は、等位集合関数モデルを肺セグメンテーションの精確処理モデルとして、ラフな肺画像を更に修正し、マージン領域がより微細化処理され、且つ血管以外のキャビティ構造を含むことが望まれた精確な肺画像を形成する。
上述の目的を実現するために、第１の実施形態では、第２画像作成部２０は、グラディエントに対する感度と、キャビティ構造に対する感度とを用いて、第２画像作成部２０が生成した精確な肺画像には胸壁を含まず、キャビティ構造を含むように処理する特徴感度算出部２１を備える。言い換えると、認識部としての特徴感度算出部２１は、肺を含む３次元画像データにおいて、グラディエントとキャビティ構造に対する感度を上げることより、胸壁、血管、結節、及び腫瘍に由来するデータを認識する。作成部としての第２画像作成部２０は、認識部による認識結果に基づいて、胸壁に由来するデータを除去する除去処理と、血管、結節、及び腫瘍に由来するデータを残留させる残留処理とを行って、肺の領域に対応する肺画像データを作成する。また、作成部としての第２画像作成部２０は、前処理部により作成された前処理肺画像データに対して、除去処理及び残留処理を行って、肺画像データを作成する。
具体的に、特徴感度算出部２１は、元画像データにおけるグラディエントに敏感なグラディエント感度指標ｇと、元画像データにおけるキャビティ構造に敏感なキャビティ構造感度指標ｓｉｇｎ（ｋ）ｋとを含む感度指標を算出する。そのうち、グラディエント感度指標ｇは下記の式（１）で表してもよい。
式（１）の中、Ｉは元画像データの３Ｄ画像におけるグレー値のマトリックスであり、▽Ｇはカーネル導関数であり、ｍは要求に応じて任意的に設定された係数である。
グラディエント感度指標ｇをｅインデックスの形態に設定することにより、画像グレースケールとの関係が、グレー値Ｉの増加に伴って、ｇの減少する速度も増加するようになる。特に、従来のグラディエント感度指標に比べて、同一のグレー値Ｉの場合、第１の実施形態におけるｇの値がより小さくなるため、グレー値Ｉの増加に伴って、ｇの値が小さくなる速度がより速い。つまり、グラディエント感度指標ｇは、グレー値Ｉを指数に含む関数（指数関数）により表される。言い換えると、認識部としての特徴感度算出部２１は、グレー値を指数に含む関数（グラディエント感度指標ｇ）をグラディエントに対する感度として用いることで、胸壁に由来するデータを認識する。
このように、式（１）のようなインデックス関数をグラディエント感度指標ｇとして用いると、グラディエントの下がりを加速でき、グラディエントに対しより敏感にする。このような感度指標を等位集合関数φに基づいた肺セグメンテーションの精確処理モデルなどに代入すると、生成された精確な肺画像には胸壁を含まないようにすることが可能になる。
また、キャビティ構造感度指標ｓｉｇｎ（ｋ）ｋにおいて、式（２−２）は平均曲率値であり、ｓｉｇｎ（ｋ）は式（２−１）を満たす。
λは要求に応じて任意的に設定された係数（閾値）である。
キャビティ構造感度指標ｓｉｇｎ（ｋ）ｋはキャビティ構造に対し敏感であるため、精確処理モデルにキャビティ構造感度指標ｓｉｇｎ（ｋ）ｋを加えることにより、血管、結節、腫瘍などのキャビティ構造を監視することができる。つまり、キャビティ構造感度指標ｓｉｇｎ（ｋ）ｋは、曲率値（平均曲率値）と閾値λとの比較結果に応じて、「０」又は「１」を出力する関数である。言い換えると、認識部としての特徴感度算出部２１は、閾値との比較による曲率値の二値化をキャビティ構造に対する感度として用いることで、血管、結節、及び腫瘍に由来するデータを認識する。
第１の実施形態では、特徴感度算出部２１は、グラディエント感度指標ｇとキャビティ構造感度指標ｓｉｇｎ（ｋ）ｋとの差分を取ることにより、キャビティ構造の精確処理モデルにおける拡散エネルギーを強化し、精確処理モデルにより処理された精確な肺画像には血管及び結節を含むようにする。言い換えると、認識部としての特徴感度算出部２１は、等位集合関数モデルにおいて、グラディエントに対する感度からキャビティ構造に対する感度を減算した値を等位集合正則化項に乗算することで、肺画像データにキャビティ構造を含むようにする。
例えば、従来の技術において用いられている、下記の式（３）で表されるような、等位集合正則化項（levelset distance regularization）に基づいた精確処理モデルを例に説明すると、特徴感度算出部２１は、グラディエント感度指標ｇ及びキャビティ構造感度指標ｓｉｇｎ（ｋ）ｋと、式（３）とを組み合わせて、特に、式（３）にある元のグラディエント関数の代わりに、本実施形態における式（１）で表されるグラディエント感度指標ｇを用いることで、第２画像作成部２０は、式（４）で表される等位集合正則化項に基づいた肺セグメンテーションの精確処理モデルを用いて、ラフな肺画像を処理する。
式（３）の中、周知のように、Φは等位集合関数、∂は偏導関数、▽はグラディエント、ｄｉｖは発散度、｜・・・｜は絶対値、ベクトルの長さであり、μ、λ、α、εは何れも対応する係数である。また、関数（下記の式（５））については、上記の非特許文献１などの既存資料の記載を参照できる。
図４は本実施形態の第１の実施形態に係る肺セグメンテーション処理の結果を示す例示図である。式（４）で表される精確処理モデルを用いて図３に示すようなラフな肺画像を修正することにより、図４に示すような精確な肺画像が取得される。
図４に示すように、グラディエント感度指標ｇの加速作用のため、矢印Ａが指しているマージン領域には胸壁組織のデータが残っていない。且つ、キャビティ構造感度指標ｓｉｇｎ（ｋ）ｋの共同作用により、矢印Ｂ及び矢印Ｃで示されている血管組織、結節などのキャビティ構造が完全に保留されている。
第１の実施形態では、第１画像作成部１０は「ラフな肺画像作成手段」に対応し、第２画像作成部２０は「精確な肺画像作成手段」に対応し、特徴感度算出部２１は「特徴感度指示手段」に対応する。
以下、図５を参照して画像処理装置１００による肺セグメンテーション処理の流れについて説明する。
図５は本実施形態の第１の実施形態に係る肺セグメンテーション処理を示すフローチャートである。図５に示すように、先ず、ステップＳ５０１では、画像処理装置１００がＭＲＩ装置に生じされた３Ｄ画像データ（図２参照）を受信した後、第１画像作成部１０が３Ｄ画像データについて、ラフな肺領域の抽出処理を行い、肺領域をラフに抽出し、ラフな肺画像を作成する（図３参照）（ステップＳ５０２）。
次に、ステップＳ５０３へ進むと、第２画像作成部２０により、式（４）で示されている精確処理モデルを用いてラフな肺画像の精確修正を更に行い、特に、第２画像作成部２０に含まれた感度指標を利用して、胸壁を含まないが血管及び結節を含む精確な肺画像を生成する（図４参照）。
また、第２画像作成部２０が上記の処理を完了した後、使用者が読影できるように、生成された精確な肺画像を出力することができる。
図５に示すような肺セグメンテーション処理によれば、ＭＲＩ装置の画像に対し肺全体のセグメンテーションを行う時の精確性が向上する。出力される肺画像には胸壁が含まれていないがキャビティ構造が完全に保留されるようにすることができ、特に、結節などの肺診断に比較的重要なデータを保留することができ、使用者の読影に寄与する。
（変形例１）
第１の実施形態では、インデックス関数をグラディエント感度指標として用いており、このようなグラディエント感度指標が感度のより高い指示性能を有する。
しかしながら、グレー値Ｉとｇとの増減関係を満足できれば、他のグラディエント感度指標を用いてもよい。例えば、式（６）を用いてグラディエント感度指標としてもよい。
また、ガウス畳み込みの乗を増加させてもよい。例えば、式（７）で表される関数をグラディエント感度指標として用いても、何れもグラディエントに対する感度を実現できる。
（変形例２）
第１の実施形態では、第２画像作成部２０は等位集合正則化項（levelset distance regularization）に基づいた精確処理モデルを用いているが、他の精確処理モデルを用いてもよい。グラディエント感度指標と、キャビティ構造感度指標とを含まれれば本実施形態を実施することができる。
例えば、式（８）で表されるような一般的な等位集合関数モデルを精確処理モデルとして用いて、生成される精確な肺画像には胸壁を含まず、キャビティ構造を含むようにすることができる。
また、式（９）で表されるような、単一井戸ポテンシャル方程式（single-well potential equation）のみを等位集合正則化項として、式（４）におけるｐが二重井戸ポテンシャル方程式（double-well potential equation）で置換されたモデルを精確処理モデルとして用いて、生成される精確な肺画像には胸壁を含まないようにすることができる。
それらの変形例は同様に、より精確な肺セグメンテーション処理を実現することができる。
（第２の実施形態）
第２の実施形態は第１の実施形態に基づいたものである。第１の実施形態に対する第２の実施形態の相違点は、画像処理装置２００は表示制御部３０を更に備え、且つ、画像処理装置２００における第２画像作成部２０’が構造セレクタ２２を更に備えることにある。以下、第２の実施形態と第１の実施形態との相違点について主に説明し、重複の説明を適当に省略する。
図６は、本実施形態の第２の実施形態に係る画像処理装置を示す構造ブロック図である。図６に示すように、画像処理装置２００は、第１画像作成部１０と、第２画像作成部２０’と、表示制御部３０とを備える。
第１画像作成部１０は、ＭＲＩ装置が胸部に対し撮像した３次元画像データを受信し、閾値法又は２値化セグメンテーション方法などのラフなセグメンテーション方法を用いて、受信された画像データから肺領域を抽出し、ラフな肺画像を作成する。第１画像作成部１０は、上述した機能を実現できる回路又はソフトウェアモジュールであってもよい。
第２画像作成部２０’は、ラフな肺画像を更に処理し、ＭＲＩ装置の３次元画像データに基づいて、ラフな肺画像を修正し、精確な肺画像を作成する。第２画像作成部２０’は、上述した機能を実現できる回路又はソフトウェアモジュールであってもよい。
例えば、ラフな肺画像の画素で構築された等位集合を初期の等位集合とし、ＭＲＩ装置の３次元画像データのような元画像データ情報と合わせて、等位集合の進化とセグメンテーションを行い、このような反復アルゴリズムにより、精確な肺画像を取得する。このような等位集合の進化を表す等位集合関数を含む偏微分方程式を、等位集合関数モデルとする。
表示制御部３０は、第２画像作成部２０’の処理結果を表示するためのものであって、上述した機能を実現できる回路又はソフトウェアモジュールであってもよい。そして、画像処理装置２００の処理結果を直接出力し、表示制御部３０を省略してもよい。言い換えると、表示制御部３０は、肺画像データを表示させる。
以下、第２画像作成部２０’の構成について詳しく説明する。
第２の実施形態では、第２画像作成部２０’は、グラディエントに対する感度と、キャビティ構造に対する感度とを用いて、第２画像作成部２０’が生成した精確な肺画像には胸壁を含まず、キャビティ構造を含むように処理する特徴感度算出部２１と、構造セレクタ２２とを備える。特徴感度算出部２１は、第１の実施形態で説明されたような、グラディエントに敏感なグラディエント感度指標ｇと、キャビティ構造に敏感なキャビティ構造感度指標ｓｉｇｎ（ｋ）ｋとを含む。
構造セレクタ２２は、第２画像作成部２０’が生成した精確な肺画像からキャビティ構造を選択的に除去するように、選択処理を行う。
具体的に、キャビティ構造における血管と結節とを区分して、構造セレクタ２２は、元画像における血管の画素又は結節の画素がキャビティ構造感度指標ｓｉｇｎ（ｋ）ｋに反映しないようにすることにより、精確な肺画像には、前記血管又は前記結節を含まないように選択する。言い換えると、作成部としての構造セレクタ２２は、血管、結節、及び腫瘍の少なくとも一つを選択する指示を受け付け、指示により選択された血管、結節、及び腫瘍の少なくとも一つを選択的に肺画像データから除去する。
第２の実施形態で用いられる構造セレクタ２２は、下記の式（１０）である。ただし、βは０以上の係数である。
上述の構造セレクタ２２は、より選択し易くするように異なるキャビティ構造の特徴を区分するためのキャビティ構造モデルＤ（ＴＨ）と、マトリックスにおける異なるエレメントの設定により、除去すべきキャビティ構造を指定するように選択することが可能なキャビティ構造選択マトリックスＷと、を含む。
構造セレクタ２２は、式（１０）を精確処理モデルに代入することで、選択されたキャビティ構造がキャビティ構造感度指標ｓｉｇｎ（ｋ）ｋに反映しないようにすることにより、セグメンテーション結果から選択されたキャビティ構造を除去する。下記の式（１１）では、第２の実施形態で用いられる等位集合正則化項に基づいた精確処理モデルが示される。
また、キャビティ構造モデルＤ（ＴＨ）について、Ｈは画像の本質の特徴を表している、元画像データのヘッセ行列であって、偏導関数∂が用いられる。ＴＨはヘッセ行列の３つの特徴値λ１、λ２、λ３であって、且つλ１＜λ２＜λ３である。３つの固有ベクトルはそれぞれ当該領域に対し相互に直交する３つの方向を表し、固有ベクトルに対応する特徴値の逆数が当該方向の延伸度を表すものである。特徴値の逆数が大きければ、当該方向の延伸度が大きくなる。下記の式（１２−１）及び式（１２−２）で表される関係がある。
ただし、ｎは要求に応じて任意的に設定された係数である。λ´１、λ´２、λ´３の異なる組合せにより、キャビティ構造を区分することが可能になる。異なるキャビティ構造に対応する組合せは、下記の表１で示される。
表１の中、Ｈ＝ｈｉｇｈ，Ｌ＝ｌｏｗ（約０）。
このように、元画像のヘッセ行列を用いることにより、異なるキャビティ構造を区分することが可能になる。
また、キャビティ構造選択マトリックスＷについて、それはキャビティ構造モデルＤ（ＴＨ）と乗算することにより、キャビティ構造モデルＤ（ＴＨ）で表される異なるキャビティ構造を選択するための値である。マトリックスＷを異なる値に定義することにより、異なるキャビティ構造を選択することができる。
例えば、「０」、「１」を用いてマトリックスＷの値を定義する場合、Ｗが取れる値は、下記の式（１３−１），（１３−２），（１３−３），（１３−４）のうちいずれかである。
如何なる除去を行わず肺全体の画像を用いる場合、Ｗの値を式（１３−１）とする。血管を除去し結節を保留するように選択する場合、Ｗの値を式（１３−２）とする。結節を除去し血管を保留するように選択する場合、Ｗの値を式（１３−３）とする。結節を除去し血管も除去するように選択する場合、Ｗの値を式（１３−４）とする。例えば、管状（λ１＝Ｌ、λ２＝Ｈ、λ３＝Ｌ）の時、血管を除去することが期待される場合、Ｗの値を式（１３−２）とするだけで、下記の式（１３−５）になって、下記の式（１３−６）となる。
図８は、血管を除去することが期待される場合の、肺セグメンテーション処理の結果を示す例示図である。図８に示すように、矢印Ａが指しているマージン領域には胸壁組織のデータが残されていない。且つ、キャビティ構造感度指標及び構造セレクタ２２の共同作用により、矢印Ｂで示されている血管組織が完全に除去され、矢印Ｃで示されている結節が保留されている。
第２の実施形態では、第１画像作成部１０は「ラフな肺画像作成手段」に対応し、第２画像作成部２０’は「精確な肺画像作成手段」に対応し、特徴感度算出部２１は「特徴感度指示手段」に対応し、構造セレクタ２２は「選択手段」に対応し、表示制御部３０は「表示手段」に対応する。
以下、図８に示すような精確な肺画像を取得することを例に、図７を参照して画像処理装置２００による肺セグメンテーション処理の流れについて説明する。
図７は本実施形態の第２の実施形態に係る肺セグメンテーション処理を示すフローチャートである。図７に示すように、先ず、ステップＳ７０１では、画像処理装置２００がＭＲＩ装置に生じられた３Ｄ画像データ（図２参照）を受信した後、第１画像作成部１０が３Ｄ画像データについて、ラフな肺領域の抽出処理を行い、肺領域をラフに抽出し、ラフな肺画像を作成する（図３参照）（ステップＳ７０２）。
次に、ステップＳ７０３へ進むと、第２画像作成部２０’により、式（１１）で示されている精確処理モデルを用いて精確修正を更に行い、感度指標及び構造セレクタを利用し、特に、キャビティ構造感度指標及び構造セレクタを同時に用いて、血管を除去すべきキャビティ構造として選択することで、胸壁と血管を含まず、結節を含む精確な肺画像を生成する。
そして、ステップＳ７０４では、表示制御部３０が生成された図８に示すような精確な肺画像を表示する。
図７に示すような肺セグメンテーション処理により、ＭＲＩ装置の画像に対し肺全体のセグメンテーションを行う時の精確性が向上する。血管の画素又は結節の画素がキャビティ構造に対する感度に反映しないようにすることで、セグメンテーション結果に血管が含まれていないが結節が含まれるように選択することにより、血管及び結節をより良く区分して別々に処理することが可能になる。血管の除去を選択的に且つ信頼性のより高く行うことが可能であるため、ユーザは血管を除去するか否かを選択し、且つ、結節を保留しながら血管を除去することができ、読影の効率が向上する。
図８に示すような選択タイプ以外に、他のタイプもたくさんある。例えば、図９は、ＭＲＩ装置の画像データを処理する場合、構造セレクタの異なる選択によって生じた異なる処理結果を示す例示図である。そのうち、図９の（１）は肺全体をセグメンテーションすること、即ち、全てのキャビティ構造を含む場合を示し、図９の（２）は血管を除去するが結節を保留する場合を示し、図９の（３）は結節を除去するが血管を保留する場合を示す。
また、図１０は、ＭＲＩ装置の画像データを処理する場合、構造セレクタの異なる選択によって生じた異なる処理結果を示す別の例示図である。そのうち、図１０の（１）は肺全体をセグメンテーションすること、即ち、全てのキャビティ構造を含む場合を示し、図１０の（２）は血管を除去するが腫瘍を保留する場合を示し、図１０の（３）は腫瘍を除去するが血管を保留する場合を示す。
（変形例１）
第２の実施形態では、第２画像作成部２０’が、構造セレクタ２２による選択の変更を受け付ける選択変更受付手段を更に備えたものであってもよい。
つまり、選択変更受付手段はＷの値を変更することにより、キャビティ構造に対する感度に反映するキャビティ構造のタイプを変更し、表示制御部３０に表示された精確な肺画像のタイプを変更することができる。言い換えると、作成部としての第２画像作成部２０’は、指示により選択された血管、結節、及び腫瘍の少なくとも一つを、更に変更する指示を受け付け、変更する指示により選択された血管、結節、及び腫瘍の少なくとも一つを肺画像データから除去するか否かを変更する。
よって、ユーザは表示しようとする精確な肺セグメンテーション結果のタイプを、いつでも変更することができる。
（変形例２）
第１の実施形態の変形例も同様に、第２の実施形態に適用できる。例えば、式（１４）で表されるような一般的な等位集合関数モデルを精確処理モデルとして用いてもよい。言い換えると、作成部としての第２画像作成部２０は、等位集合関数モデルを用いて、肺画像データを作成する。
また、式（１５）で表されるような、単一井戸ポテンシャル方程式（single-well potential equation）のみを等位集合正則化項として、式（１１）におけるｐが二重井戸ポテンシャル方程式（double-well potential equation）で置換されたモデルを精確処理モデルとして用いてもよい。
それらの変形例は同様に、より精確な肺セグメンテーション処理を実現することができる。
（変形例３）
第１の実施形態でも第２の実施形態でも、ＭＲＩ装置の３次元画像を対象として処理したが、本実施形態はＣＴ装置により撮像された画像を処理することもできる。
図１１は、ＣＴ装置の画像データを処理する場合、構造セレクタの異なる選択によって生じた異なる処理結果を示す例示図である。そのうち、図１１の（１）は肺全体をセグメンテーションすること、即ち、全てのキャビティ構造を含む場合を示し、図１１の（２）は血管を除去するが結節を保留する場合を示し、図１１の（３）は結節を除去するが血管を保留する場合を示す。
図１２は、ＣＴ装置の画像データを処理する場合、構造セレクタの異なる選択によって生じた異なる処理結果を示す別の例示図である。そのうち、図１２の（１）は肺全体をセグメンテーションすること、即ち、全てのキャビティ構造を含む場合を示し、図１２の（２）は血管を除去するが結節を保留する場合を示し、図１２の（３）は結節を除去するが血管を保留する場合を示す。
（変形例４）
本実施形態では、等位集合の進化過程における拡張又は収縮を影響するレベルを変更することにより、重み付け面積項の大きさを変更するものであって、キャビティ構造に対する感度指標を加え、構造セレクタにより結果としての構造を選択できるという目的を達成した。本実施形態の発明構想さえ実現できれば、用いられる具体的なモデルを任意的に変更しても構わない。
また、上記の各数式における係数を画像の要求及び環境に応じて選択することができる。例えば、画像範囲が０〜２５５に圧縮された場合、下記のパラメータデータを用いることが好ましい：μ＝０．００１、λ＝５．０、ε＝１．５５、α＝−６．０、β＝１．０、γ＝−０．５、ｍ＝０．５、ｎ＝１．０。
そして、進化過程におけるイテレーション数が８０であり、ステップ・サイズｔが１０．０であることが望ましい。各パラメータは対応する実際情況に応じて調整されることができ、範囲が特に明確に規定されていない。実際の効果に応じて調整してもよいが、μ、λ、ε、β、ｍ、ｎ＞０，α、γ＜０という条件を満足する必要がある。
（変形例５）
上記の各実施形態では、３次元画像を例に説明したが、本実施形態は同様に他の次元の画像に適用できる。例えば、２Ｄ画像に適用される場合、２Ｄ画像について管状及び円形状の２種の構造のみを考慮すればよいので、構造セレクタが異なり、ヘッセ行列及び他の対応する式は下記の式（１６−１），（１６−２）で示されるようになる。
それに応じて、Ｗが取れる値の範囲が、下記の式（１７−１），（１７−２），（１７−３），（１７−４）のうちいずれかになる。
本実施形態の画像処理装置は、プロセッサとメモリとを含んでなる処理装置であってもよい。メモリには、上記の各実施形態において説明された動作に対応する指令情報が記憶されており、プロセッサはメモリに記憶された指令情報を読み取り、実行することにより、本実施形態を具体的に実施する。
図１４は、本実施形態に係る画像処理装置の構成例を示すブロック図である。画像処理装置３００は、例えば、パーソナルコンピュータやタブレット端末等の汎用装置である。画像処理装置３００は、入力装置３０１、ディスプレイ３０２、記憶回路３１０、及び処理回路３２０を備える。入力装置３０１、ディスプレイ３０２、記憶回路３１０、及び処理回路３２０は、相互に通信可能に接続される。
入力装置３０１は、マウス、キーボード、タッチパネル等、操作者からの各種の指示や設定要求を受け付けるための入力装置である。ディスプレイ３０２は、医用画像を表示したり、操作者が入力装置３０１を用いて各種設定要求を入力するためのＧＵＩを表示したりする表示装置である。
記憶回路３１０は、例えば、ＮＡＮＤ（Not AND）型フラッシュメモリやＨＤＤ（Hard Disk Drive）であり、医用画像データやＧＵＩを表示するための各種のプログラムや、当該プログラムによって用いられる情報を記憶する。
処理回路３２０は、画像処理装置３００における処理全体を制御する電子機器（プロセッサ）である。処理回路３２０は、特徴感度算出部２１及び第２画像作成部２０に対応する処理を実行する。また、処理回路３２０は、第１画像作成部１０、構造セレクタ２２、又は表示制御部３０に対応する処理を実行してもよい。
本実施形態の画像処理装置は、各実施形態に説明された機能を実現できる回路として、医用装置に組み込まれてもよいし、コンピュータが実行可能なプログラムとして、磁気ディスク（フロッピーディスク（登録商標：floppy）、ハードディスクなど）、コンパクトディスク（ＣＤ−ＲＯＭ、ＤＶＤなど）、光ディスク（ＭＯ）、半導体メモリなどの記憶媒体に記憶され発行されてもよい。
そして、記憶媒体からコンピュータにインストールされたプログラムによる指示に基づいてコンピュータ上に実行されるＯＳ（オペレイティングシステム）、データベース管理ソフトウェア、ネットワークソフトウェアなどのＭＷ（ミドルワーク）なども、上述した実施形態を実現するための各処理の一部を実行することができる。
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
１００，２００ 画像処理装置
１０ 第１画像作成部
２０、２０’ 第２画像作成部
２１ 特徴感度差出部
２２ 構造セレクタ
３０ 表示制御部

Claims (11)

  1. 肺を含む３次元画像データにおいて、グラディエントとキャビティ構造に対する感度を上げることより、胸壁、血管、結節、及び腫瘍に由来するデータを認識する認識部と、
    前記認識部による認識結果に基づいて、前記胸壁に由来するデータを除去する除去処理と、前記血管、前記結節、及び前記腫瘍に由来するデータを残留させる残留処理とを行って、前記肺の領域に対応する肺画像データを作成する作成部と、
    前記肺画像データを表示させる表示制御部と、
    を備える、画像処理装置。
  2. 前記３次元画像データから、前記除去処理及び前記残留処理とは異なる前処理により前記肺の領域を抽出した前処理肺画像データを作成する前処理部を更に備え、
    前記作成部は、前記前処理部により作成された前処理肺画像データに対して、前記除去処理及び前記残留処理を行って、前記肺画像データを作成する、
    請求項１に記載の画像処理装置。
  3. 前記認識部は、グレー値を指数に含む関数を前記グラディエントに対する感度として用いることで、前記胸壁に由来するデータを認識する、
    請求項１又は２に記載の画像処理装置。
  4. 前記認識部は、閾値との比較による曲率値の二値化を前記キャビティ構造に対する感度として用いることで、前記血管、前記結節、及び前記腫瘍に由来するデータを認識する、
    請求項１〜３のいずれか一つに記載の画像処理装置。
  5. 前記認識部は、等位集合関数モデルにおいて、前記グラディエントに対する感度から前記キャビティ構造に対する感度を減算した値を等位集合正則化項に乗算することで、前記肺画像データに前記キャビティ構造を含むようにする、
    請求項１〜４のいずれか一つに記載の画像処理装置。
  6. 前記作成部は、更に、前記血管、前記結節、及び前記腫瘍の少なくとも一つを選択する指示を受け付け、前記指示により選択された前記血管、前記結節、及び前記腫瘍の少なくとも一つを選択的に前記肺画像データから除去する、
    請求項１〜５のいずれか一つに記載の画像処理装置。
  7. 前記作成部は、前記指示により選択された前記血管、前記結節、及び前記腫瘍の少なくとも一つを、更に変更する指示を受け付け、前記変更する指示により選択された前記血管、前記結節、及び前記腫瘍の少なくとも一つを前記肺画像データから除去するか否かを変更する、
    請求項６に記載の画像処理装置。
  8. 前記作成部は、等位集合関数モデルを用いて、前記肺画像データを作成する、
    請求項１〜７のいずれか一つに記載の画像処理装置。
  9. 前記３次元画像データは、磁気共鳴イメージング装置により撮像されたＭＲＩ画像データである、
    請求項１〜８のいずれか一つに記載の画像処理装置。
  10. 肺を含む３次元画像データにおいて、グラディエントとキャビティ構造に対する感度を上げることより、胸壁、血管、結節、及び腫瘍に由来するデータを認識する認識部と、
    前記認識部による認識結果に基づいて、前記胸壁に由来するデータを除去する除去処理と、前記血管、前記結節、及び前記腫瘍に由来するデータを残留させる残留処理とを行って、前記肺の領域に対応する肺画像データを作成する作成部と、
    前記肺画像データを表示させる表示制御部と、
    を備える、磁気共鳴イメージング装置。
  11. 肺を含む３次元画像データにおいて、グラディエントとキャビティ構造に対する感度を上げることより、胸壁、血管、結節、及び腫瘍に由来するデータを認識し、
    前記認識する処理による認識結果に基づいて、前記胸壁に由来するデータを除去する除去処理と、前記血管、前記結節、及び前記腫瘍に由来するデータを残留させる残留処理とを行って、前記肺の領域に対応する肺画像データを作成し、
    前記肺画像データを表示させる、
    各処理をコンピュータに実行させる、画像処理プログラム。
JP2017149289A 2016-08-17 2017-08-01 画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム Active JP6945379B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US15/678,214 US10275889B2 (en) 2016-08-17 2017-08-16 Image processing apparatus, magnetic resonance imaging apparatus and image processing method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610680717.4 2016-08-17
CN201610680717.4A CN107767381B (zh) 2016-08-17 2016-08-17 图像处理装置及图像处理方法

Publications (3)

Publication Number Publication Date
JP2018027302A true JP2018027302A (ja) 2018-02-22
JP2018027302A5 JP2018027302A5 (ja) 2020-08-20
JP6945379B2 JP6945379B2 (ja) 2021-10-06

Family

ID=61248894

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017149289A Active JP6945379B2 (ja) 2016-08-17 2017-08-01 画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム

Country Status (2)

Country Link
JP (1) JP6945379B2 (ja)
CN (1) CN107767381B (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080069445A1 (en) * 2003-03-07 2008-03-20 Martin Weber Image processing apparatus and methods
JP2009542332A (ja) * 2006-06-28 2009-12-03 バイオ−ツリー システムズ， インコーポレイテッド ビン方式微小血管密度法、およびその装置
JP2012519902A (ja) * 2009-03-06 2012-08-30 バイオ−ツリー システムズ， インコーポレイテッド 血管分析方法および装置
JP2019106094A (ja) * 2017-12-14 2019-06-27 エイブリック株式会社 電流生成回路

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1830005A (zh) * 2003-07-31 2006-09-06 西门子共同研究公司 毛玻璃状结节(ggn)分割的系统和方法
CN1930583A (zh) * 2003-09-17 2007-03-14 美国西门子医疗解决公司 用形状分析分割毛玻璃状结节(ggn)的方法和系统
CN102243759B (zh) * 2010-05-10 2014-05-07 东北大学 一种基于几何形变模型的三维肺血管图像分割方法
US9042620B2 (en) * 2011-03-10 2015-05-26 Siemens Corporation Method and system for multi-organ segmentation using learning-based segmentation and level set optimization
CN102842132B (zh) * 2012-07-12 2015-12-09 上海联影医疗科技有限公司 一种ct肺结节检测方法
CN103824295B (zh) * 2014-03-03 2016-08-17 天津医科大学 一种肺部ct图像中粘连血管型肺结节的分割方法
CN104616307B (zh) * 2015-02-12 2018-05-08 河北大学 一种肺部ct图像粘连血管型结节检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080069445A1 (en) * 2003-03-07 2008-03-20 Martin Weber Image processing apparatus and methods
JP2009542332A (ja) * 2006-06-28 2009-12-03 バイオ−ツリー システムズ， インコーポレイテッド ビン方式微小血管密度法、およびその装置
JP2012519902A (ja) * 2009-03-06 2012-08-30 バイオ−ツリー システムズ， インコーポレイテッド 血管分析方法および装置
JP2019106094A (ja) * 2017-12-14 2019-06-27 エイブリック株式会社 電流生成回路

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
清水昭伸: "可変形状モデルを用いた医用画像のセグメンテーション手法の概説", MEDICAL IMAGING TECHNOLOGY, vol. 20, no. 1, JPN6021031183, January 2002 (2002-01-01), pages 3 - 12, ISSN: 0004570883 *

Also Published As

Publication number Publication date
JP6945379B2 (ja) 2021-10-06
CN107767381A (zh) 2018-03-06
CN107767381B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
US10147185B2 (en) Interactive segmentation
US8218849B2 (en) Method and system for automatic landmark detection using discriminative joint context
EP3444781B1 (en) Image processing apparatus and image processing method
JP5868231B2 (ja) 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム
JP5334692B2 (ja) 制約されたマージナル空間学習を使用して３ｄ解剖学的オブジェクトを検出するための方法およびシステム
EP2589340B1 (en) Medical image processing apparatus, method and program
JP6626344B2 (ja) 画像処理装置、画像処理装置の制御方法およびプログラム
JP7005191B2 (ja) 画像処理装置、医用画像診断装置、及びプログラム
US10949698B2 (en) Image processing apparatus, image processing system, image processing method, and storage medium
CN107220965B (zh) 一种图像分割方法及系统
US10748282B2 (en) Image processing system, apparatus, method and storage medium
JP2017512091A (ja) 適応性放射線治療における自動輪郭抽出システム及び方法
US9547906B2 (en) System and method for data driven editing of rib unfolding
US11200443B2 (en) Image processing apparatus, image processing method, and image processing system
CN107424162B (zh) 一种图像分割方法及系统
EP3537447A1 (en) Display of medical image data
TWI684994B (zh) 脊椎影像註冊方法
JP5925576B2 (ja) 画像処理装置、画像処理方法
CN107230211B (zh) 一种图像分割方法及系统
JP2017189394A (ja) 情報処理装置および情報処理システム
Chen et al. Pulmonary nodule segmentation in computed tomography with an encoder-decoder architecture
JP6945379B2 (ja) 画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム
Alom et al. Automatic slice growing method based 3D reconstruction of liver with its vessels
US10275889B2 (en) Image processing apparatus, magnetic resonance imaging apparatus and image processing method
WO2021197176A1 (en) Systems and methods for tumor characterization

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200701

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200707

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210730

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: 20210817

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210914

R150 Certificate of patent or registration of utility model

Ref document number: 6945379

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150