JP2018156668A - 学習が強化されたアトラスベース自動輪郭抽出方法及び装置 - Google Patents
学習が強化されたアトラスベース自動輪郭抽出方法及び装置 Download PDFInfo
- Publication number
- JP2018156668A JP2018156668A JP2018087963A JP2018087963A JP2018156668A JP 2018156668 A JP2018156668 A JP 2018156668A JP 2018087963 A JP2018087963 A JP 2018087963A JP 2018087963 A JP2018087963 A JP 2018087963A JP 2018156668 A JP2018156668 A JP 2018156668A
- Authority
- JP
- Japan
- Prior art keywords
- atlas
- image
- data
- points
- subject image
- 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 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 238000010801 machine learning Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 166
- 238000007637 random forest analysis Methods 0.000 claims description 43
- 230000004927 fusion Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000002591 computed tomography Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 241000288113 Gallirallus australis Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 210000003681 parotid gland Anatomy 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 241000405217 Viola <butterfly> Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000000942 confocal micrograph Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
-
- 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
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20128—Atlas-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】画像のアトラスベース自動輪郭抽出の効率性と正確さを改良する。【解決手段】プロセッサー１００は、処理論理回路１０４を実装するように構成されている。処理論理回路により、ひとつ又はそれ以上のアトラス画像１０６は機械学習アルゴリズムに適用され、自動化構造分類器を学習させる。ひとつ又はそれ以上のアトラス画像は、望ましくは、ひとつ又はそれ以上のアトラス画像において興味ある構造を分類する構造分類データを含む。処理論理回路は学習された構造分類器１０８を生成するように動作する。学習された構造分類器は、画像のデータポイントを処理して、それらポイントが興味ある構造に属するか否かを自動的に分類するように構成されている。更に、学習された構造分類器は、それを必要なケースではないが、多数のポイントの画像を処理するように構成されている。【選択図】図１
Description
本発明は学習が強化されたアトラスベース自動輪郭抽出方法及び装置に関する。
［０００１］
画像のアトラスベース自動輪郭抽出（atlas-based auto-segmentation（ＡＢＡＳ））の効率性と正確さを改良することが当技術分野で必要とされている。例えば、医療画像について構造の輪郭抽出は放射線治療に対して極めて重要である。人間の専門家による人手による輪郭抽出は、依然として病院における高品質の輪郭抽出に対する共通基準であるけれど、人手による輪郭抽出は、退屈で時間がかかるものであり、評価者内及び評価者間の大きな変化に悩まされている。
画像のアトラスベース自動輪郭抽出（atlas-based auto-segmentation（ＡＢＡＳ））の効率性と正確さを改良することが当技術分野で必要とされている。例えば、医療画像について構造の輪郭抽出は放射線治療に対して極めて重要である。人間の専門家による人手による輪郭抽出は、依然として病院における高品質の輪郭抽出に対する共通基準であるけれど、人手による輪郭抽出は、退屈で時間がかかるものであり、評価者内及び評価者間の大きな変化に悩まされている。
［０００２］
コンピューター断層撮影（computed tomography（ＣＴ））画像のような画像の自動輪郭抽出は、画像ノイズや他の人為的な結果、最軟部組織に対する限定的な画像コントラストによる非常に挑戦的な問題であると証明されている。最近では、アトラスベース自動輪郭抽出（ＡＢＡＳ）技術は、その解決策として期待されている。しかしながら、発明者は、現存するアトラスベース自動輪郭抽出（ＡＢＡＳ）技術の正確性は、依然として、ＡＢＡＳを実用上より有用となるように改良し、より広く受け入れられることができると信じている。
コンピューター断層撮影（computed tomography（ＣＴ））画像のような画像の自動輪郭抽出は、画像ノイズや他の人為的な結果、最軟部組織に対する限定的な画像コントラストによる非常に挑戦的な問題であると証明されている。最近では、アトラスベース自動輪郭抽出（ＡＢＡＳ）技術は、その解決策として期待されている。しかしながら、発明者は、現存するアトラスベース自動輪郭抽出（ＡＢＡＳ）技術の正確性は、依然として、ＡＢＡＳを実用上より有用となるように改良し、より広く受け入れられることができると信じている。
［０００３］
アトラスベース自動輪郭抽出（ＡＢＡＳ）の基本原理は、単数又は多数の既に輪郭抽出された画像（例えば、前もって処理された患者からの画像）を用いて、被写体像の輪郭抽出を行うことである。これら既に輪郭抽出された画像にそれらの注記（例えば、構造ラベルマップや構造面）を一緒にしたものは、アトラスとして知られている。新たな被写体像を、（画像登録としても知られている）画像マッチングを経てアトラス画像に揃えた後、アトラスに定義された構造ラベルは、コンピューターによる画像変換を用いて患者画像にマッピングされる。そのとき患者画像に対する構造ラベルを生成する。多くの自動化された画像登録方法が存在しているので、全体のプロセスは全て自動的に行われ得る。この原理に基づいて、アトラスベース自動輪郭抽出（ＡＢＡＳ）の正確性は、採用される画像登録方法に強く依存する。しかしながら、どの画像登録アルゴリズムに用いたとしても、アトラスベース自動輪郭抽出（ＡＢＡＳ）の正確性は、選択されたアトラスが患者画像と比較してどの程度類似しているかに依存する。更に、アトラスベース自動輪郭抽出（ＡＢＡＳ）を実行するときに多数のアトラスを用いることはこの効果を軽減するのに役立つが、本願発明者は、アトラスベース自動輪郭抽出（ＡＢＡＳ）がここに述べるように更に改善され得ると信じている。
アトラスベース自動輪郭抽出（ＡＢＡＳ）の基本原理は、単数又は多数の既に輪郭抽出された画像（例えば、前もって処理された患者からの画像）を用いて、被写体像の輪郭抽出を行うことである。これら既に輪郭抽出された画像にそれらの注記（例えば、構造ラベルマップや構造面）を一緒にしたものは、アトラスとして知られている。新たな被写体像を、（画像登録としても知られている）画像マッチングを経てアトラス画像に揃えた後、アトラスに定義された構造ラベルは、コンピューターによる画像変換を用いて患者画像にマッピングされる。そのとき患者画像に対する構造ラベルを生成する。多くの自動化された画像登録方法が存在しているので、全体のプロセスは全て自動的に行われ得る。この原理に基づいて、アトラスベース自動輪郭抽出（ＡＢＡＳ）の正確性は、採用される画像登録方法に強く依存する。しかしながら、どの画像登録アルゴリズムに用いたとしても、アトラスベース自動輪郭抽出（ＡＢＡＳ）の正確性は、選択されたアトラスが患者画像と比較してどの程度類似しているかに依存する。更に、アトラスベース自動輪郭抽出（ＡＢＡＳ）を実行するときに多数のアトラスを用いることはこの効果を軽減するのに役立つが、本願発明者は、アトラスベース自動輪郭抽出（ＡＢＡＳ）がここに述べるように更に改善され得ると信じている。
［０００４］
例えば、多数アトラスのアトラスベース自動輪郭抽出（ＡＢＡＳ）でも、輪郭抽出の精度は依然として各アトラス画像と被写体像との間の画像登録に強く依存している。更に、
多数アトラスのアトラスベース自動輪郭抽出（ＡＢＡＳ）でも単数アトラスのアトラスベース自動輪郭抽出（ＡＢＡＳ）でも、アトラスベース自動輪郭抽出（ＡＢＡＳ）は、例えば、ＰＣＴ特許出願公開公報のＷＯ２０１１／１１０９６０に記載されたようなモデルベースの輪郭抽出とは根本的に相違していると理解すべきである。モデルベースの輪郭抽出では、アトラス画像のような練習用データがお互いに登録され、興味のある構造のモデルに発達する。構造の形状変化を特徴づけることを目的とするこのモデルは、アトラス画像が存在しない輪郭抽出プロセスのあいだ用いられる。したがって、モデルベースの輪郭抽出では、アトラス画像が被写体像に対して登録されない。その代わり、発達した形状のモデルのみが被写体像に対して登録される。これに対し、アトラスベース自動輪郭抽出（ＡＢＡＳ）では、各アトラス画像が被写体像に対して登録され、輪郭抽出プロセスが実行され、各アトラス画像対被写体像登録に基づいて、各アトラス画像から被写体像への構造ラベルの地図を作成する。
例えば、多数アトラスのアトラスベース自動輪郭抽出（ＡＢＡＳ）でも、輪郭抽出の精度は依然として各アトラス画像と被写体像との間の画像登録に強く依存している。更に、
多数アトラスのアトラスベース自動輪郭抽出（ＡＢＡＳ）でも単数アトラスのアトラスベース自動輪郭抽出（ＡＢＡＳ）でも、アトラスベース自動輪郭抽出（ＡＢＡＳ）は、例えば、ＰＣＴ特許出願公開公報のＷＯ２０１１／１１０９６０に記載されたようなモデルベースの輪郭抽出とは根本的に相違していると理解すべきである。モデルベースの輪郭抽出では、アトラス画像のような練習用データがお互いに登録され、興味のある構造のモデルに発達する。構造の形状変化を特徴づけることを目的とするこのモデルは、アトラス画像が存在しない輪郭抽出プロセスのあいだ用いられる。したがって、モデルベースの輪郭抽出では、アトラス画像が被写体像に対して登録されない。その代わり、発達した形状のモデルのみが被写体像に対して登録される。これに対し、アトラスベース自動輪郭抽出（ＡＢＡＳ）では、各アトラス画像が被写体像に対して登録され、輪郭抽出プロセスが実行され、各アトラス画像対被写体像登録に基づいて、各アトラス画像から被写体像への構造ラベルの地図を作成する。
［０００５］
画像登録と無関係に、輪郭抽出も分類問題として説明され得る。そこでの目標は、与えられた画像の各ポイントに正しいクラスタ（構造）ラベルを割り当て得る画像分類を構成することである。それ自体による画像ポイント分類は、特に、ひとりの分類する人がフル３Ｄ画像内の任意のボクセルの正しいラベルを決定することが望まれるとすれば、厳しい問題を抱えている。したがって、本願発明者は、アトラスベース自動輪郭抽出（ＡＢＡＳ）と画像分類の双方の強さをハイブリット手法により結合した様々な実施形態を開示する。
画像登録と無関係に、輪郭抽出も分類問題として説明され得る。そこでの目標は、与えられた画像の各ポイントに正しいクラスタ（構造）ラベルを割り当て得る画像分類を構成することである。それ自体による画像ポイント分類は、特に、ひとりの分類する人がフル３Ｄ画像内の任意のボクセルの正しいラベルを決定することが望まれるとすれば、厳しい問題を抱えている。したがって、本願発明者は、アトラスベース自動輪郭抽出（ＡＢＡＳ）と画像分類の双方の強さをハイブリット手法により結合した様々な実施形態を開示する。
［０００６］
このような目的で、本願発明者は、（１）被写体像の複数のポイントにアトラス画像を使用するアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行し、前記被写体像の構造を代表する第１のデータを生成するステップと、（２）前記被写体像の複数のポイントを学習が強化された分類器に適用し、前記被写体像の前記構造を代表する第２のデータを生成するステップと、（３）前記第１のデータを前記第２のデータと組み合わせ、前記被写体像の前記構造を代表する第３のデータを生成するステップとを有し、前記複数のステップはプロセッサーにより実行される自動輪郭抽出方法を開示する。
このような目的で、本願発明者は、（１）被写体像の複数のポイントにアトラス画像を使用するアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行し、前記被写体像の構造を代表する第１のデータを生成するステップと、（２）前記被写体像の複数のポイントを学習が強化された分類器に適用し、前記被写体像の前記構造を代表する第２のデータを生成するステップと、（３）前記第１のデータを前記第２のデータと組み合わせ、前記被写体像の前記構造を代表する第３のデータを生成するステップとを有し、前記複数のステップはプロセッサーにより実行される自動輪郭抽出方法を開示する。
［０００７］
また、本願発明者は、（１）被写体像の複数のポイントにアトラス画像を使用するアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行し、前記被写体像の構造を代表する第１のデータを生成するステップと、（２）前記被写体像の複数のポイントを学習が強化された分類器に適用し、前記被写体像の前記構造を代表する第２のデータを生成するステップと、（３）前記第１のデータを前記第２のデータと組み合わせ、前記被写体像の前記構造を代表する第３のデータを生成するステップと、を実行するように構成されたプロセッサーを有する自動輪郭抽出装置を開示する。
また、本願発明者は、（１）被写体像の複数のポイントにアトラス画像を使用するアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行し、前記被写体像の構造を代表する第１のデータを生成するステップと、（２）前記被写体像の複数のポイントを学習が強化された分類器に適用し、前記被写体像の前記構造を代表する第２のデータを生成するステップと、（３）前記第１のデータを前記第２のデータと組み合わせ、前記被写体像の前記構造を代表する第３のデータを生成するステップと、を実行するように構成されたプロセッサーを有する自動輪郭抽出装置を開示する。
［０００８］
更に、本願発明者は、（１）被写体像の複数のポイントにアトラス画像を使用するアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行し、前記被写体像の構造を代表する第１のデータを生成するステップと、（２）前記被写体像の複数のポイントを学習が強化された分類器に適用し、前記被写体像の前記構造を代表する第２のデータを生成するステップと、（３）前記第１のデータを前記第２のデータと組み合わせ、前記被写体像の前記構造を代表する第３のデータを生成するステップとをプロセッサーに実行させる、非一時的なコンピューター可読媒体上にある複数の命令を有する、自動輪郭抽出のためのコンピュータープログラム製品を開示する。
更に、本願発明者は、（１）被写体像の複数のポイントにアトラス画像を使用するアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行し、前記被写体像の構造を代表する第１のデータを生成するステップと、（２）前記被写体像の複数のポイントを学習が強化された分類器に適用し、前記被写体像の前記構造を代表する第２のデータを生成するステップと、（３）前記第１のデータを前記第２のデータと組み合わせ、前記被写体像の前記構造を代表する第３のデータを生成するステップとをプロセッサーに実行させる、非一時的なコンピューター可読媒体上にある複数の命令を有する、自動輪郭抽出のためのコンピュータープログラム製品を開示する。
［０００９］
他の観点によれば、本願発明者は、複数のアトラスデータのセットのそれぞれに対して、前記アトラスデータから複数の学習サンプルを収集するステップであって、各アトラスデータセットは、（１）複数のデータポイントを有するアトラス画像と、（２）複数の前記アトラスデータポイントに対する複数の構造ラベルとを有するステップと、前記収集された学習サンプルを機械学習アルゴリズムに適用し、自動構造分類器を生成するステップであって、前記構造分類器は、被写体像の複数のポイントのそれぞれに構造ラベルを決定するように構成されているステップと、を有し、前記方法のステップはプロセッサーにより実行される学習方法を開示する。
他の観点によれば、本願発明者は、複数のアトラスデータのセットのそれぞれに対して、前記アトラスデータから複数の学習サンプルを収集するステップであって、各アトラスデータセットは、（１）複数のデータポイントを有するアトラス画像と、（２）複数の前記アトラスデータポイントに対する複数の構造ラベルとを有するステップと、前記収集された学習サンプルを機械学習アルゴリズムに適用し、自動構造分類器を生成するステップであって、前記構造分類器は、被写体像の複数のポイントのそれぞれに構造ラベルを決定するように構成されているステップと、を有し、前記方法のステップはプロセッサーにより実行される学習方法を開示する。
［００１０］
本願発明の上記及び他の特徴や利点は、後述する明細書及び図面を参照して当業者にとって明らかである。
本願発明の上記及び他の特徴や利点は、後述する明細書及び図面を参照して当業者にとって明らかである。
［００２１］
機械学習アルゴリズムを用いて自動化構造分類器を学習させ、かつ、ひとつのアトラス画像又は多数のアトラス画像と自動化構造分類器とを用いて学習により強化されたアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行する様々な実施形態を説明する。
機械学習アルゴリズムを用いて自動化構造分類器を学習させ、かつ、ひとつのアトラス画像又は多数のアトラス画像と自動化構造分類器とを用いて学習により強化されたアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行する様々な実施形態を説明する。
［００２２］
ここで記載する技術を用いて処理された画像は多数のタイプのいずれかを取り得ることを理解するべきである。様々な典型的な実施形態において、画像はＣＴ画像のような医学画像である。しかしながら、異なるタイプの画像に適用できることを理解するべきである。例えば、磁気共鳴（ＭＲ）画像や超音波画像のような画像が、ここで記載する技術を用いて処理することが可能である。
ここで記載する技術を用いて処理された画像は多数のタイプのいずれかを取り得ることを理解するべきである。様々な典型的な実施形態において、画像はＣＴ画像のような医学画像である。しかしながら、異なるタイプの画像に適用できることを理解するべきである。例えば、磁気共鳴（ＭＲ）画像や超音波画像のような画像が、ここで記載する技術を用いて処理することが可能である。
［００２３］
Ｉ．機械学習を用いた自動構造分類器の学習
［００２４］
図１に自動化構造分類器を学習させて画像内のひとつ又はそれ以上の興味のある構造を検出する典型的な実施形態を示す。図１に示すように、プロセッサー１００は、処理論理回路１０４を実装するように構成されている。処理論理回路１０４により、ひとつ又はそれ以上のアトラス画像１０６は機械学習アルゴリズムに適用され、自動化構造分類器を学習させる。ひとつ又はそれ以上のアトラス画像１０６は、望ましくは、ひとつ又はそれ以上のアトラス画像１０６において興味ある構造を分類する構造分類データを含む。処理論理回路１０６は学習された構造分類器１０８を生成するように動作する。学習された構造分類器１０８は、画像のデータポイントを処理して、それらポイントが興味ある構造に属するか否かを自動的に分類するように構成されている。構造分類器１０８は、機械的に実行可能なひとつのルールセットのような多数のタイプのいずれかを取り得る。更に、実行する者が望むなら、学習された構造分類器１０８は、それを必要なケースではないが、多数のポイントの画像を処理するように構成されている。
Ｉ．機械学習を用いた自動構造分類器の学習
［００２４］
図１に自動化構造分類器を学習させて画像内のひとつ又はそれ以上の興味のある構造を検出する典型的な実施形態を示す。図１に示すように、プロセッサー１００は、処理論理回路１０４を実装するように構成されている。処理論理回路１０４により、ひとつ又はそれ以上のアトラス画像１０６は機械学習アルゴリズムに適用され、自動化構造分類器を学習させる。ひとつ又はそれ以上のアトラス画像１０６は、望ましくは、ひとつ又はそれ以上のアトラス画像１０６において興味ある構造を分類する構造分類データを含む。処理論理回路１０６は学習された構造分類器１０８を生成するように動作する。学習された構造分類器１０８は、画像のデータポイントを処理して、それらポイントが興味ある構造に属するか否かを自動的に分類するように構成されている。構造分類器１０８は、機械的に実行可能なひとつのルールセットのような多数のタイプのいずれかを取り得る。更に、実行する者が望むなら、学習された構造分類器１０８は、それを必要なケースではないが、多数のポイントの画像を処理するように構成されている。
［００２５］
図１に示されたアトラス画像は２次元（２Ｄ）画像でも３次元（３Ｄ）画像でもよい。２次元画像（２Ｄ）では、画像データの各ポイントはピクセル（pixel）として参照される。３次元画像（３Ｄ）では、画像データの各ポイントはボクセル（voxel）として参照される。簡単にするために、ここでの実施例は、画像データの各ポイントがボクセル（voxel）で記述される３次元画像（３Ｄ）への適用例とする。しかしながら、ここで記述される技術は、２次元画像（２Ｄ）に対して分類を学習して画像を自動輪郭抽出することに同等に適用することができる。更に、簡単にするために、ここでの実施例は、ひとつの構造のみが画像内に分類される場合について記述される。しかしながら、ここで記述される分類を学習して画像を自動輪郭抽出する技術は、被写体像内の複数の構造を分類することにも適用することができる。
図１に示されたアトラス画像は２次元（２Ｄ）画像でも３次元（３Ｄ）画像でもよい。２次元画像（２Ｄ）では、画像データの各ポイントはピクセル（pixel）として参照される。３次元画像（３Ｄ）では、画像データの各ポイントはボクセル（voxel）として参照される。簡単にするために、ここでの実施例は、画像データの各ポイントがボクセル（voxel）で記述される３次元画像（３Ｄ）への適用例とする。しかしながら、ここで記述される技術は、２次元画像（２Ｄ）に対して分類を学習して画像を自動輪郭抽出することに同等に適用することができる。更に、簡単にするために、ここでの実施例は、ひとつの構造のみが画像内に分類される場合について記述される。しかしながら、ここで記述される分類を学習して画像を自動輪郭抽出する技術は、被写体像内の複数の構造を分類することにも適用することができる。
［００２６］
プロセッサー１００は、後述する機械学習機能を実行する十分な処理能力が有するいかなるプロセッサーでもよい。プロセッサー１００はマルチプロセッサーでもよく、任意にネットワークを介して配信されるプロセッサーでもよい。処理論理回路１０４に実行させるプログラム命令は、プロセッサー１００によりアクセスされ実行される非一時的なコンピューター読取可能な記憶媒体（例えば、メモリ１０２）に格納される。メモリ１０２は、マルチメモリ装置でもよく、任意にマルチの配信されるメモリ装置及び／又は異なるタイプのメモリ装置でもよい。
プロセッサー１００は、後述する機械学習機能を実行する十分な処理能力が有するいかなるプロセッサーでもよい。プロセッサー１００はマルチプロセッサーでもよく、任意にネットワークを介して配信されるプロセッサーでもよい。処理論理回路１０４に実行させるプログラム命令は、プロセッサー１００によりアクセスされ実行される非一時的なコンピューター読取可能な記憶媒体（例えば、メモリ１０２）に格納される。メモリ１０２は、マルチメモリ装置でもよく、任意にマルチの配信されるメモリ装置及び／又は異なるタイプのメモリ装置でもよい。
［００２７］
図２に処理論理回路１０４における典型的な処理フローを示す。図２の実施例は、多数のアトラス画像１０６（とそれらに関連する分類データ）からのデータに機械学習アルゴリズムを適用し、被写体像を処理して興味ある構造に対して自動輪郭抽出を実行することができる学習された構造分類器を生成する。アトラス画像１０６に対する分類データから、興味ある構造が各アトラス画像１０６内に位置している場所を推測することができる。この分類データは、多数のフォームのいずれかをとることができる。例えば、分類データを各アトラス画像１０６にボクセルに関連したラベルとし、それによりそれらアトラス画像のボクセルが興味ある構造として分類されるか否かを確認することができる。
図２に処理論理回路１０４における典型的な処理フローを示す。図２の実施例は、多数のアトラス画像１０６（とそれらに関連する分類データ）からのデータに機械学習アルゴリズムを適用し、被写体像を処理して興味ある構造に対して自動輪郭抽出を実行することができる学習された構造分類器を生成する。アトラス画像１０６に対する分類データから、興味ある構造が各アトラス画像１０６内に位置している場所を推測することができる。この分類データは、多数のフォームのいずれかをとることができる。例えば、分類データを各アトラス画像１０６にボクセルに関連したラベルとし、それによりそれらアトラス画像のボクセルが興味ある構造として分類されるか否かを確認することができる。
［００２８］
分類学習のために選ばれたアトラス画像１０６は、それら対応する分類データの正確性について高信頼性を有するアトラス画像であることが望ましい。典型的には、手動で輪郭が描かれたアトラス画像１０６が選択され分類器を学習することが期待されている。
分類学習のために選ばれたアトラス画像１０６は、それら対応する分類データの正確性について高信頼性を有するアトラス画像であることが望ましい。典型的には、手動で輪郭が描かれたアトラス画像１０６が選択され分類器を学習することが期待されている。
［００２９］
ステップ２００では、プロセッサーはアトラス画像１０６から複数のサンブルのボクセルを収集して分類器を学習させるのに用いる。処理フロー１０４は各アトラス画像１０６の全てのボクセルに対して作用するように構成されているが、本願発明者は、正確性を維持してより少ないアトラス画像のボクセルを用いることが計算効率を改善することだと信じている。
ステップ２００では、プロセッサーはアトラス画像１０６から複数のサンブルのボクセルを収集して分類器を学習させるのに用いる。処理フロー１０４は各アトラス画像１０６の全てのボクセルに対して作用するように構成されているが、本願発明者は、正確性を維持してより少ないアトラス画像のボクセルを用いることが計算効率を改善することだと信じている。
［００３０］
これら学習するサンプルは、（各アトラス画像１０６に対する分類データによって定義される）興味ある構造の近接範囲内であるアトラス画像ボクセルの部分集合として選択される。
これら学習するサンプルは、（各アトラス画像１０６に対する分類データによって定義される）興味ある構造の近接範囲内であるアトラス画像ボクセルの部分集合として選択される。
［００３１］
図３に、学習サンプルがひとつの構造に対してどのようにして収集されるかの実施例を示す。図３の実施例は３次元（３Ｄ）アトラス画像の２次元（２Ｄ）スライス画像上の興味ある構造（耳下腺）を示すものである。輪郭３０４は構造の境界を示す（あらゆる内部ボクセル輪郭３０４は耳下腺上に属し、あらゆる外部ボクセルは「背景」に属する）。輪郭３０２、３０６は、輪郭３０４によって定義された構造の境界に対してある範囲内（例えばこの実施例では８ｍｍ）の領域の輪郭を描くものである。この距離は、利用者により設定される処理フロー１０４のパラメーターである。この距離が短いと構造境界に近いボクセルに焦点をあわせて学習することになる。そこはアトラスベース自動輪郭抽出（ＡＢＡＳ）の誤差が最も起きやすい領域である。しかし、その距離は、アトラスベース自動輪郭抽出（ＡＢＡＳ）の結果に起こりうる誤差範囲に適合するのに十分に大きいことが望ましい。距離のしきい値が設定されると、ステップ２００を実行し、輪郭３０４と輪郭３０６間の一組のボクセル（すなわち、興味のある構造に属すると知られているボクセル）から構造分類器に対するポジティブ学習サンプルを収集する。輪郭３０４と輪郭３０６tの間のいかなるボクセルもネガティブ学習サンプル（すなわち、興味ある構造に属さないと知られているボクセル）として提供する。図３は２次元（２Ｄ）スライスを示すが、これら原理は３次元（３Ｄ）空間に同等に適用することができる。
図３に、学習サンプルがひとつの構造に対してどのようにして収集されるかの実施例を示す。図３の実施例は３次元（３Ｄ）アトラス画像の２次元（２Ｄ）スライス画像上の興味ある構造（耳下腺）を示すものである。輪郭３０４は構造の境界を示す（あらゆる内部ボクセル輪郭３０４は耳下腺上に属し、あらゆる外部ボクセルは「背景」に属する）。輪郭３０２、３０６は、輪郭３０４によって定義された構造の境界に対してある範囲内（例えばこの実施例では８ｍｍ）の領域の輪郭を描くものである。この距離は、利用者により設定される処理フロー１０４のパラメーターである。この距離が短いと構造境界に近いボクセルに焦点をあわせて学習することになる。そこはアトラスベース自動輪郭抽出（ＡＢＡＳ）の誤差が最も起きやすい領域である。しかし、その距離は、アトラスベース自動輪郭抽出（ＡＢＡＳ）の結果に起こりうる誤差範囲に適合するのに十分に大きいことが望ましい。距離のしきい値が設定されると、ステップ２００を実行し、輪郭３０４と輪郭３０６間の一組のボクセル（すなわち、興味のある構造に属すると知られているボクセル）から構造分類器に対するポジティブ学習サンプルを収集する。輪郭３０４と輪郭３０６tの間のいかなるボクセルもネガティブ学習サンプル（すなわち、興味ある構造に属さないと知られているボクセル）として提供する。図３は２次元（２Ｄ）スライスを示すが、これら原理は３次元（３Ｄ）空間に同等に適用することができる。
［００３２］
学習のためのサンプル収集を、輪郭３０２と輪郭３０６の間の構造の狭い隣接領域に限定したとしても、この隣接領域には、単一画像に対する数万のボクセルを容易に含ませることができる。画像空間に於いて互いに近接するボクセルは強く関連するので、輪郭３０２と輪郭３０６との間の全てのボクセルを学習に用いる必要はない。より少ないボクセルを用いることにより、処理フロー１０４の演算負荷を軽くすることができる。したがって、典型的な実施形態において、ステップ２００を実行し、学習サンプルの候補セットにおける全てのポジティブなボクセルから所定量の無作為のサンプルと、学習サンプルの候補セットにおけるネガティブなボクセルから所定量の無作為のサンプルとを取り出すことにより学習サンプルを収集する。この無作為な抽出は一様である必要はない。例えば、構造境界（輪郭３０４）により近いとより多くのサンプルを取り出し、遠いとより少ないサンプルを取り出すことが望ましい。また、殆どの機械学習アルゴリズムは、ポジティブなサンプルとネガティブなサンプルとがバランスすることが好ましい。したがって、そのような機械学習アルゴリズムが用いられると、ステップ２００は、各構造の各アトラスから、同量のポジティブ及びネガティブなサンプルを取り出すように構成されている。ステップ２００が各アトラスからＫ個のポジティブなサンプルとＫ個のネガティブなサンプルを取り出したと仮定し、Ｎ個のアトラス画像が使われたと仮定すると、学習アルゴリズムに対する学習サンプルの全個数は２ＫＮ個となる。もし問題の分類器が多数の構造分類器であるならば、ステップ２００は、各構造クラスに対してＫＮ個のサンプルを収集し、その背景にざっとＫＮ個のサンプルを収集するように構成される。
学習のためのサンプル収集を、輪郭３０２と輪郭３０６の間の構造の狭い隣接領域に限定したとしても、この隣接領域には、単一画像に対する数万のボクセルを容易に含ませることができる。画像空間に於いて互いに近接するボクセルは強く関連するので、輪郭３０２と輪郭３０６との間の全てのボクセルを学習に用いる必要はない。より少ないボクセルを用いることにより、処理フロー１０４の演算負荷を軽くすることができる。したがって、典型的な実施形態において、ステップ２００を実行し、学習サンプルの候補セットにおける全てのポジティブなボクセルから所定量の無作為のサンプルと、学習サンプルの候補セットにおけるネガティブなボクセルから所定量の無作為のサンプルとを取り出すことにより学習サンプルを収集する。この無作為な抽出は一様である必要はない。例えば、構造境界（輪郭３０４）により近いとより多くのサンプルを取り出し、遠いとより少ないサンプルを取り出すことが望ましい。また、殆どの機械学習アルゴリズムは、ポジティブなサンプルとネガティブなサンプルとがバランスすることが好ましい。したがって、そのような機械学習アルゴリズムが用いられると、ステップ２００は、各構造の各アトラスから、同量のポジティブ及びネガティブなサンプルを取り出すように構成されている。ステップ２００が各アトラスからＫ個のポジティブなサンプルとＫ個のネガティブなサンプルを取り出したと仮定し、Ｎ個のアトラス画像が使われたと仮定すると、学習アルゴリズムに対する学習サンプルの全個数は２ＫＮ個となる。もし問題の分類器が多数の構造分類器であるならば、ステップ２００は、各構造クラスに対してＫＮ個のサンプルを収集し、その背景にざっとＫＮ個のサンプルを収集するように構成される。
［００３３］
ステップ２０２では、プロセッサーが収集された学習サンプルに対して複数の属性を計算する。これら属性は、その分類タスクの一部として機械学習アルゴリズムにより用いることができる。学習された分類器は、そのボクセル位置で収集された測定データに基づいて画像ボクセルの分類ラベルについて決定する。相違する構造はＣＴ画像のような画像においてしばしば非常に類似する強度値を有するので、そのボクセルの画像強度値のみに基づくボクセル分類は過度の不正確さを招く。よりよいボクセル分類を構築するために、ステップ２０２では、そこでの画像の外観と関連する背景情報のより完全な特徴を得るために、複数の学習サンプルのそれぞれのボクセル位置での複数の測定値を計算する。これら測定は、ボクセルの属性又は特徴と呼ばれる各画像ボクセルに対するデータベクトルを形成する。
ステップ２０２では、プロセッサーが収集された学習サンプルに対して複数の属性を計算する。これら属性は、その分類タスクの一部として機械学習アルゴリズムにより用いることができる。学習された分類器は、そのボクセル位置で収集された測定データに基づいて画像ボクセルの分類ラベルについて決定する。相違する構造はＣＴ画像のような画像においてしばしば非常に類似する強度値を有するので、そのボクセルの画像強度値のみに基づくボクセル分類は過度の不正確さを招く。よりよいボクセル分類を構築するために、ステップ２０２では、そこでの画像の外観と関連する背景情報のより完全な特徴を得るために、複数の学習サンプルのそれぞれのボクセル位置での複数の測定値を計算する。これら測定は、ボクセルの属性又は特徴と呼ばれる各画像ボクセルに対するデータベクトルを形成する。
［００３４］
様々な画像の特徴が各画像ボクセル位置で計算される。分類器の学習により多くの属性が用いられるほど、学習された分類器はよる正確になることが期待されているが、非常に多くの属性を使用することは、計算時間が増加する結果となることとトレードオフの関係にある。学習ボクセルのためにステップ２０２で計算される属性の具体例には次のようなものがある。
様々な画像の特徴が各画像ボクセル位置で計算される。分類器の学習により多くの属性が用いられるほど、学習された分類器はよる正確になることが期待されているが、非常に多くの属性を使用することは、計算時間が増加する結果となることとトレードオフの関係にある。学習ボクセルのためにステップ２０２で計算される属性の具体例には次のようなものがある。
［００３５］
画像強度値Ｉ−未加工の画像強度値、又は、ノイズ除去や強度正規化のようなある前処理後の強度値。
画像強度値Ｉ−未加工の画像強度値、又は、ノイズ除去や強度正規化のようなある前処理後の強度値。
［００３６］
画像位置−ボクセルの座標値（ｘ，ｙ，ｚ）。座標値は、共通の参照座標系に対して正規化するのに有用である。これを実現するためには、線形画像登録を適用することにより、あらゆる画像を、アトラス画像又は新たな被写体像として、共通テンプレート（アトラスのいずれかがテンプレートとして選択される）に含まれるものとして登録し、線形マッピングが適用された後にボクセル座標値を記録する。
画像位置−ボクセルの座標値（ｘ，ｙ，ｚ）。座標値は、共通の参照座標系に対して正規化するのに有用である。これを実現するためには、線形画像登録を適用することにより、あらゆる画像を、アトラス画像又は新たな被写体像として、共通テンプレート（アトラスのいずれかがテンプレートとして選択される）に含まれるものとして登録し、線形マッピングが適用された後にボクセル座標値を記録する。
［００３７］
画像勾配（Ｉｘ，Iｙ，Ｉｚ）＝▽（Ｇσ＊Ｉ）と勾配値｜▽（Ｇσ＊Ｉ）｜。但し、Ｇσは、カーネルサイズσでのガウス平滑化フィルタを示す。典型的には、多重スケールでの画像勾配特徴を計算すること、すなわち、多重σ値が適用されることが有益である。
画像勾配（Ｉｘ，Iｙ，Ｉｚ）＝▽（Ｇσ＊Ｉ）と勾配値｜▽（Ｇσ＊Ｉ）｜。但し、Ｇσは、カーネルサイズσでのガウス平滑化フィルタを示す。典型的には、多重スケールでの画像勾配特徴を計算すること、すなわち、多重σ値が適用されることが有益である。
［００３８］
画像ハッシュマトリックス Ｈ＝▽Ｔ▽（Ｇσ＊Ｉ）。それは異なるスケールで再度計算される。
画像ハッシュマトリックス Ｈ＝▽Ｔ▽（Ｇσ＊Ｉ）。それは異なるスケールで再度計算される。
［００３９］
画像テクスチャー測定基準。エネルギー、エントロピー、コントラスト、均質性や、論文「M. Tuceryan and A. K. Jain, "Texture Analysis", In The Handbook of Pattern Recognition and Computer Vision (2nd Edition), by C. H. Chen, L. F. Pau, P. S. P. Wang (eds.), pp. 207-248, World Scientific Publishing Co., (1998)」で定義されているローカル共発生マトリックス（local co-occurance matrix）の相関性である。
画像テクスチャー測定基準。エネルギー、エントロピー、コントラスト、均質性や、論文「M. Tuceryan and A. K. Jain, "Texture Analysis", In The Handbook of Pattern Recognition and Computer Vision (2nd Edition), by C. H. Chen, L. F. Pau, P. S. P. Wang (eds.), pp. 207-248, World Scientific Publishing Co., (1998)」で定義されているローカル共発生マトリックス（local co-occurance matrix）の相関性である。
［００４０］
様々なサイズのローカル画像パッチ。例えば、ボクセルの局所５×５×５付近の強度値又は正規化された強度値を取得し、１２５個の特徴値を得ることができる。
様々なサイズのローカル画像パッチ。例えば、ボクセルの局所５×５×５付近の強度値又は正規化された強度値を取得し、１２５個の特徴値を得ることができる。
［００４１］
Computer Visionの論文で提案された多くの特徴を使用することができる。
Computer Visionの論文で提案された多くの特徴を使用することができる。
Ｈａａｒ ｆｅａｔｕｒｅｓ（論文「Viola and Jones, "Rapid object detection using a boosted cascade of simple features", Computer Vision and Pattern Recognition, (2001)」参照）、ＨＯＧ（論文「Dalal, N., Triggs, B., Schmid, C.: Human detection using oriented histograms of flow and appearance. Computer Vision-ECCV, 428-441 (2006)」参照）、ＳＩＦＴ（論文「D. G.: Object recognition from local scale-invariant features. Proceedings of the International Conference on Computer Vision. 2. pp. 1150-1157 (1999)」参照）、Ｌｏｃａｌ Ｂｉｎａｒｙ Ｐａｔｔｅｒｎ（論文「 Ojala, T., Pietikainen, M., Harwood, D.: A comparative study of texture measures with classification based on feature distributions. Pattern Recognit. 29(1), 51-59 (1996)」と「 Ojala, T., Pietikainen, M., Maenpaa, T.: Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Trans. Pattern Anal. Mach. Intell. 24(7), 971-987 (2002)」参照）、その他である。
これら特徴はほとんど２Ｄ画像に対して提案されている。よって、ステップ２０２が３Ｄ画像に適用されるならば、これら属性は、３Ｄ画像に拡張して適用されるか、又は、考慮されているボクセルを含む各２Ｄ画像スライスにおいて計算される。
［００４２］
ステップ２０２では、これら属性の全てを計算する必要はなく、他の属性も用いてもよく、他の属性を代わりに用いてもよい。更に、アトラス画像データに、機械学習アルゴリズムにより用いられるアトラス画像ボクセルに対する属性が含まれているならば、ステップ２０１を処理フロー１０４から省略することができる。
ステップ２０２では、これら属性の全てを計算する必要はなく、他の属性も用いてもよく、他の属性を代わりに用いてもよい。更に、アトラス画像データに、機械学習アルゴリズムにより用いられるアトラス画像ボクセルに対する属性が含まれているならば、ステップ２０１を処理フロー１０４から省略することができる。
［００４３］
ステップ２０４では、収集された学習サンプルと計算された属性が機械学習アルゴリズムに適用され、学習された構造分類器１０８を生成する。学習された構造分類器は、下記に示すように、予測機能を発揮し、自動的に被写体像の所与の入力ボクセルを自動的に分類する。機械学習アルゴリズムは管理された学習アルゴリズムとなる。管理されたアルゴリズムは、学習データセットを与えられた予測モデルを割り出すことを求める機械学習の分岐である。学習データの各個別のサンプルは、（研鑽された属性と原ボクセルデータのような）データベクトルと所望の出力データとの対からなる。管理された学習アルゴリズムは学習データを分析し、予測機能を生成する。この予測機能は、出力が離散的である場合（例えば、ここで記述する典型的な実施形態のように構造ラベルのリストのように離散的である倍）には分類器と呼ばれる。予測機能は、いかなる有効な入力オブジェクトに対する正しい出力値を予測するように構成されていることが望ましい。それは管理されたアルゴリズムを必要とし、学習データから見えない状況に「合理的な方法」で導き出される。
ステップ２０４では、収集された学習サンプルと計算された属性が機械学習アルゴリズムに適用され、学習された構造分類器１０８を生成する。学習された構造分類器は、下記に示すように、予測機能を発揮し、自動的に被写体像の所与の入力ボクセルを自動的に分類する。機械学習アルゴリズムは管理された学習アルゴリズムとなる。管理されたアルゴリズムは、学習データセットを与えられた予測モデルを割り出すことを求める機械学習の分岐である。学習データの各個別のサンプルは、（研鑽された属性と原ボクセルデータのような）データベクトルと所望の出力データとの対からなる。管理された学習アルゴリズムは学習データを分析し、予測機能を生成する。この予測機能は、出力が離散的である場合（例えば、ここで記述する典型的な実施形態のように構造ラベルのリストのように離散的である倍）には分類器と呼ばれる。予測機能は、いかなる有効な入力オブジェクトに対する正しい出力値を予測するように構成されていることが望ましい。それは管理されたアルゴリズムを必要とし、学習データから見えない状況に「合理的な方法」で導き出される。
［００４４］
ステップ２０４で利用される望ましい機械学習アルゴリズムは、ランダムフォレスト（Random forest（ＲＦ））機械学習アルゴリズムである（論文「Breiman, Leo, "Random Forests", Machine Learning, 45 (1): 5-32, 2001」参照。この論文の全開示は本願明細書の記載に含まれる）。本願発明者は、ランダムフォレスト（Random forest（ＲＦ））機械学習アルゴリズムが医療画像に関する構造分類に対して非常に強力で正確であることを見出した。
ステップ２０４で利用される望ましい機械学習アルゴリズムは、ランダムフォレスト（Random forest（ＲＦ））機械学習アルゴリズムである（論文「Breiman, Leo, "Random Forests", Machine Learning, 45 (1): 5-32, 2001」参照。この論文の全開示は本願明細書の記載に含まれる）。本願発明者は、ランダムフォレスト（Random forest（ＲＦ））機械学習アルゴリズムが医療画像に関する構造分類に対して非常に強力で正確であることを見出した。
［００４５］
ランダムフォレスト（ＲＦ）アルゴリズムは動作し、決定ツリー（decision tree）の集合である学習された分類器１０８を生成する。各決定ツリーは、ツリー構造に組み立てられた一組の決定ルールである。決定ツリーの各ノードでは決定ルールが適用される。それはしばしばテストファンクション（test function）又はスプリットファンクション（split function）と呼ばれる。各テストファンクションは、入力に対する属性又は特徴を示し、二値出力（yes/no）を生成する。二値（yes/no）回答に基づいて、入力データは現在のノードの左側の子ノード（child-node）又は右側の子ノード（child-node）のいずれかに送られる。子ノード（child-node）では新たな特徴値に基づいて他のテストを行う。いわゆる「葉状ノード（leaf-node）」に達するまで、これが繰り返される。「葉状ノード（leaf-node）」は「子ノード（children node）」が無いツリーノード（tree node）である。各葉状ノード（leaf-node）はそれに関連するクラス／構造（class/structure）のラベルを有するが、ときには特定のクラス／構造に属する可能性を示す確率値である。ルールは二値出力を有するテストファンクションとして、例えば数１のように記述される。
ランダムフォレスト（ＲＦ）アルゴリズムは動作し、決定ツリー（decision tree）の集合である学習された分類器１０８を生成する。各決定ツリーは、ツリー構造に組み立てられた一組の決定ルールである。決定ツリーの各ノードでは決定ルールが適用される。それはしばしばテストファンクション（test function）又はスプリットファンクション（split function）と呼ばれる。各テストファンクションは、入力に対する属性又は特徴を示し、二値出力（yes/no）を生成する。二値（yes/no）回答に基づいて、入力データは現在のノードの左側の子ノード（child-node）又は右側の子ノード（child-node）のいずれかに送られる。子ノード（child-node）では新たな特徴値に基づいて他のテストを行う。いわゆる「葉状ノード（leaf-node）」に達するまで、これが繰り返される。「葉状ノード（leaf-node）」は「子ノード（children node）」が無いツリーノード（tree node）である。各葉状ノード（leaf-node）はそれに関連するクラス／構造（class/structure）のラベルを有するが、ときには特定のクラス／構造に属する可能性を示す確率値である。ルールは二値出力を有するテストファンクションとして、例えば数１のように記述される。
ここで、νｉは第ｉ番目の特徴値であり、ａｉ、ｂｉはふたつのしきい値である。ランダムフォレスト（ＲＦ）アルゴリズムを用いて学習された学習分類器１０８について、分類器１０８は決定ツリーの集合体の形をとる。そこで、各決定ツリーは、ツリー（tree）又はフローチャートの構造に系統だてられた決定ルールのセットである。そこで、各内部（ノンリーフ（non-leaf））ノードは属性（すなわち、決定ルール）上でのテストを示し、各ブランチ（branch）はテストの出力を示し、各リーフ（leaf）（すなわち端子（terminal））はクラスレベルを保持する。
［００４６］
ステップ２０４の間、各ツリーは他のツリーと独立に学習されるので、望むならばツリーは平行に構築される。学習サンプルは、ランダムフォレスト（ＲＦ）アルゴリズムによって用いられてツリーを「学習（learn）」する、すなわち、各内部ツリーノードで使用するための決定ルールを決定する。ランダムフォレスト（ＲＦ）アルゴリズムに対して、各ツリーは、異なるツリーが強く相関性がなくなるように学習データのランダムな部分集合を用いて構築される。いちど学習サンプルが収集されてそれらの属性がツリーに対して計算されると、一度にひとつのノードを加えることにより、ツリーが再帰的に構築される。各ノードで、ランダムフォレスト（ＲＦ）アルゴリズムは、現在のノードに到着する学習データを最も効率的に輪郭抽出する最良の決定ルールを見つけることを目的としている。ふたつに分類する場合には、「最良の分割（best splitting）」とは、各ノードの分岐が同じクラスからできるだけ多くのサンプルを含むことを意味する。したがって、ランダムフォレスト（ＲＦ）アルゴリズムの学習（training or learning）プロセスは、どの特徴を現在のノードで使用するべきか、どのようなしきい値が学習データの最善の分割に適用されるべきかを決定する。ランダムフォレスト（ＲＦ）アルゴリズムでは、全ての特徴の少なくランダムな部分集合のみが各ノードで考慮され、「最善の」特徴は、全ての特徴を使用する代わりに、このランダム部分集合から選択される。このランダム性は、できるだけ独立のツリーを作成することを目的としている。新たに加わったノードは、入力する（学習する）データをふたつのブランチ（ふたつの部分集合）に分割し、各部分集合は次に続く子ノードで再度テストされる。したがって、各非葉（non-leaf）ノードはふたつの子ノードを有する。各子ノードに到達する学習データが全て同じクラスに属するまでツリーは成長する。そのとき、子ノードはツリーの葉状ノードになり、子ノードに到着する学習データのクラスラベルはその葉状ノードのラベルとなる。
ステップ２０４の間、各ツリーは他のツリーと独立に学習されるので、望むならばツリーは平行に構築される。学習サンプルは、ランダムフォレスト（ＲＦ）アルゴリズムによって用いられてツリーを「学習（learn）」する、すなわち、各内部ツリーノードで使用するための決定ルールを決定する。ランダムフォレスト（ＲＦ）アルゴリズムに対して、各ツリーは、異なるツリーが強く相関性がなくなるように学習データのランダムな部分集合を用いて構築される。いちど学習サンプルが収集されてそれらの属性がツリーに対して計算されると、一度にひとつのノードを加えることにより、ツリーが再帰的に構築される。各ノードで、ランダムフォレスト（ＲＦ）アルゴリズムは、現在のノードに到着する学習データを最も効率的に輪郭抽出する最良の決定ルールを見つけることを目的としている。ふたつに分類する場合には、「最良の分割（best splitting）」とは、各ノードの分岐が同じクラスからできるだけ多くのサンプルを含むことを意味する。したがって、ランダムフォレスト（ＲＦ）アルゴリズムの学習（training or learning）プロセスは、どの特徴を現在のノードで使用するべきか、どのようなしきい値が学習データの最善の分割に適用されるべきかを決定する。ランダムフォレスト（ＲＦ）アルゴリズムでは、全ての特徴の少なくランダムな部分集合のみが各ノードで考慮され、「最善の」特徴は、全ての特徴を使用する代わりに、このランダム部分集合から選択される。このランダム性は、できるだけ独立のツリーを作成することを目的としている。新たに加わったノードは、入力する（学習する）データをふたつのブランチ（ふたつの部分集合）に分割し、各部分集合は次に続く子ノードで再度テストされる。したがって、各非葉（non-leaf）ノードはふたつの子ノードを有する。各子ノードに到達する学習データが全て同じクラスに属するまでツリーは成長する。そのとき、子ノードはツリーの葉状ノードになり、子ノードに到着する学習データのクラスラベルはその葉状ノードのラベルとなる。
［００４７］
公的に入手可能な多くのランダムフォレスト（ＲＦ）アルゴリズム実装がある。例えば、Ｗｅｋａ機械学習ソフトウエアパッケージ（Weka (Waikato Environment for Knowledge Analysis） machine-learning software package）がオンラインで提供さており、それはランダムフォレスト（ＲＦ）アルゴリズムソフトウエアパッケージを含んでいる。これらソフトウエアパッケージは、学習サンプルが機械学習アルゴリズムに適用されるための既知のインターフェースも含んでいる。更に、そのようなソフトウエアパッケージにより生成される、学習された分類器１０８は、機械が実施可能なルールとして決定ツリーを表現したテキストファイルとして形をとる。
公的に入手可能な多くのランダムフォレスト（ＲＦ）アルゴリズム実装がある。例えば、Ｗｅｋａ機械学習ソフトウエアパッケージ（Weka (Waikato Environment for Knowledge Analysis） machine-learning software package）がオンラインで提供さており、それはランダムフォレスト（ＲＦ）アルゴリズムソフトウエアパッケージを含んでいる。これらソフトウエアパッケージは、学習サンプルが機械学習アルゴリズムに適用されるための既知のインターフェースも含んでいる。更に、そのようなソフトウエアパッケージにより生成される、学習された分類器１０８は、機械が実施可能なルールとして決定ツリーを表現したテキストファイルとして形をとる。
［００４８］
ランダムフォレスト（ＲＦ）アルゴリズムは自然に複数の分類、すなわち、複数の構造（とバックグラウンド）を分類するためのひとつの分類器、を取り扱うことができる。ランダムフォレスト（ＲＦ）分類器の出力は、入力データが属している分類の確率推定である。それはまた、他の学習アルゴリズムが生成するような硬い決定（hard decision）よりは好ましい。更に、ランダムフォレスト（ＲＦ）アルゴリズムは、分類器学習と分類器適用の両面において高速であり、非常に大規模な入力データを取り扱うことができる。
ランダムフォレスト（ＲＦ）アルゴリズムは自然に複数の分類、すなわち、複数の構造（とバックグラウンド）を分類するためのひとつの分類器、を取り扱うことができる。ランダムフォレスト（ＲＦ）分類器の出力は、入力データが属している分類の確率推定である。それはまた、他の学習アルゴリズムが生成するような硬い決定（hard decision）よりは好ましい。更に、ランダムフォレスト（ＲＦ）アルゴリズムは、分類器学習と分類器適用の両面において高速であり、非常に大規模な入力データを取り扱うことができる。
［００４９］
しかしながら、実施者が望むなら、他の機械学習アルゴリズムがステップ２０４で採用され得ることを理解すべきである。ステップ２０４で採用され得る機械学習アルゴリズムの具体例は、例えば、Support Vector Machine (SVM) or AdaBoost machine learning algorithmsのように、論文「Witten, I. H., Frank, E., Hall, M. A.: Data Mining: Practical machine learning tools and techniques. Third Edition, Morgan Kaufmann Publishers (2011)」に記載されたものを含む。この論文の記載全体はこの引用により本明細書に含まれる。
しかしながら、実施者が望むなら、他の機械学習アルゴリズムがステップ２０４で採用され得ることを理解すべきである。ステップ２０４で採用され得る機械学習アルゴリズムの具体例は、例えば、Support Vector Machine (SVM) or AdaBoost machine learning algorithmsのように、論文「Witten, I. H., Frank, E., Hall, M. A.: Data Mining: Practical machine learning tools and techniques. Third Edition, Morgan Kaufmann Publishers (2011)」に記載されたものを含む。この論文の記載全体はこの引用により本明細書に含まれる。
［００５０］
図２の処理フローは、被写体像に対して実行する自動輪郭抽出動作について「オフライン」で実行されることを理解すべきである。すなわち、分類器学習は、所望のアトラス画像１０６が収集された後には、分類器学習が実行されるだけでよい。結果の学習分類器１０８は格納され、被写体像の自動輪郭抽出に関連した後の使用において適用される。
図２の処理フローは、被写体像に対して実行する自動輪郭抽出動作について「オフライン」で実行されることを理解すべきである。すなわち、分類器学習は、所望のアトラス画像１０６が収集された後には、分類器学習が実行されるだけでよい。結果の学習分類器１０８は格納され、被写体像の自動輪郭抽出に関連した後の使用において適用される。
［００５１］
ＩＩ．学習が強化されたアトラスベース自動輪郭抽出（ＡＢＡＳ）
［００５２］
図４は学習された分類器１０８を用いる、学習が強化されたアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行する典型的は実施形態を示す図である。図４に示すように、プロセッサー４００は処理論理回路４０４を実行するように構成され、それにより新たな被写体像４０８がひとつ又はそれ以上のアトラス画像４０６を用いて自動輪郭抽出され、被写体像４０８における興味あるひとつ又はそれ以上の構造を特定する。処理論理回路４０４は被写体像４０８に対する輪郭抽出結果４１０を生成するように動作する。この輪郭抽出結果は、被写体像４０８のどこにひとつ又はそれ以上の興味ある構造が位置しているかの予測に対応する。この分類データは多数のフォームのいずれかをとる。例えば、分類データは、被写体像のポイントに関連し、それにより被写体像のポイントが興味ある構造のとして分類されるか否かを特定する。図４に示された画像は、２次元（２Ｄ）画像又は３次元（３Ｄ）画像である。
ＩＩ．学習が強化されたアトラスベース自動輪郭抽出（ＡＢＡＳ）
［００５２］
図４は学習された分類器１０８を用いる、学習が強化されたアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行する典型的は実施形態を示す図である。図４に示すように、プロセッサー４００は処理論理回路４０４を実行するように構成され、それにより新たな被写体像４０８がひとつ又はそれ以上のアトラス画像４０６を用いて自動輪郭抽出され、被写体像４０８における興味あるひとつ又はそれ以上の構造を特定する。処理論理回路４０４は被写体像４０８に対する輪郭抽出結果４１０を生成するように動作する。この輪郭抽出結果は、被写体像４０８のどこにひとつ又はそれ以上の興味ある構造が位置しているかの予測に対応する。この分類データは多数のフォームのいずれかをとる。例えば、分類データは、被写体像のポイントに関連し、それにより被写体像のポイントが興味ある構造のとして分類されるか否かを特定する。図４に示された画像は、２次元（２Ｄ）画像又は３次元（３Ｄ）画像である。
［００５３］
プロセッサー４００は、本願明細書に記載する自動分類を実行するのに十分な計算能力を有するプロセッサーである。プロセッサー４００は、ネットワークを介して任意に割り当てられる複数のプロセッサーを含む。処理論理回路４０３を動作させるプログラム命令は、プロセッサー４００によりアクセスして実行される、非一過性のコンピューター読取可能な記録媒体（例えば、メモリ４０２）上に存在する。メモリ４０２は複数のメモリ素子でもよいし、任意に割り当てられた複数のメモリ素子、及び／又は、異なるタイプのメモリ素子でもよい。
プロセッサー４００は、本願明細書に記載する自動分類を実行するのに十分な計算能力を有するプロセッサーである。プロセッサー４００は、ネットワークを介して任意に割り当てられる複数のプロセッサーを含む。処理論理回路４０３を動作させるプログラム命令は、プロセッサー４００によりアクセスして実行される、非一過性のコンピューター読取可能な記録媒体（例えば、メモリ４０２）上に存在する。メモリ４０２は複数のメモリ素子でもよいし、任意に割り当てられた複数のメモリ素子、及び／又は、異なるタイプのメモリ素子でもよい。
［００５４］
更に、アトラス４０６は分類器を学習するのに用いた同じアトラス１０６でもよいが、同じアトラス１０６である必要はない。更に、プロセッサー４００とメモリ４０２は、分類器を学習するのに用いた同じプロセッサー１００でもよいが、同じプロセッサー１００である必要はない。
更に、アトラス４０６は分類器を学習するのに用いた同じアトラス１０６でもよいが、同じアトラス１０６である必要はない。更に、プロセッサー４００とメモリ４０２は、分類器を学習するのに用いた同じプロセッサー１００でもよいが、同じプロセッサー１００である必要はない。
［００５５］
図５は処理論理回路４０４に対する典型的な処理フローを示す。図５の実施例は、アトラスベース自動輪郭抽出（ＡＢＡＳ）と学習された分類器による自動輪郭抽出の双方の結果を組合せ、被写体像４０８に対する総括的な自動輪郭抽出結果を生成する。
図５は処理論理回路４０４に対する典型的な処理フローを示す。図５の実施例は、アトラスベース自動輪郭抽出（ＡＢＡＳ）と学習された分類器による自動輪郭抽出の双方の結果を組合せ、被写体像４０８に対する総括的な自動輪郭抽出結果を生成する。
［００５６］
ステップ５００では、プロセッサーは、被写体像４０８にひとつ又はそれ以上のアトラス画像４０６を用いるアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行する。ステップ５００では、アトラスベース自動輪郭抽出（ＡＢＡＳ）のいかなる既知の技術を採用することができる。例えば、次の論文「Han, X., Hoogeman, M. S., Levendag, P. C., Hibbard, L. S., Teguh, D. N., Voet, P., Cowen, A. C., Wolf, T. K.: Atlas-based auto-segmentation of head and neck CT images. In: Metaxas D. et al. (eds.) MICCAI 2008, LNCS 5242, 434-441 (2008)」に記述されたアトラスベース自動輪郭抽出（ＡＢＡＳ）技術である。この論文の記載全体はこの引用により本明細書に含まれる。ステップ５００は、構造ラベル推定５０２を生成することとなる。これらラベル推定は、被写体像４０８のポイントに関連し、それら被写体像のポイントが興味ある構造に属するように分類されるかを特定するレベルである。
ステップ５００では、プロセッサーは、被写体像４０８にひとつ又はそれ以上のアトラス画像４０６を用いるアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行する。ステップ５００では、アトラスベース自動輪郭抽出（ＡＢＡＳ）のいかなる既知の技術を採用することができる。例えば、次の論文「Han, X., Hoogeman, M. S., Levendag, P. C., Hibbard, L. S., Teguh, D. N., Voet, P., Cowen, A. C., Wolf, T. K.: Atlas-based auto-segmentation of head and neck CT images. In: Metaxas D. et al. (eds.) MICCAI 2008, LNCS 5242, 434-441 (2008)」に記述されたアトラスベース自動輪郭抽出（ＡＢＡＳ）技術である。この論文の記載全体はこの引用により本明細書に含まれる。ステップ５００は、構造ラベル推定５０２を生成することとなる。これらラベル推定は、被写体像４０８のポイントに関連し、それら被写体像のポイントが興味ある構造に属するように分類されるかを特定するレベルである。
［００５７］
ステップ５０４では、プロセッサーはアトラスベース自動輪郭抽出（ＡＢＡＳ）構造ラベル推定５０２を用い、被写体像４０８のどのポイントが学習された分類器１０８を用いて更に分析すべきかを特定する。計算効率を改善し、必要とされる学習された分類器１０８の複雑さを減らすために、被写体像４０８のボクセルの部分集合のみが学習された分類器１０８に適用されることが望ましい。多くの技術のいずれかが、被写体像のボクセルの部分集合を選択するのに用いられる。例えば、被写体像に対するアトラスベース自動輪郭抽出（ＡＢＡＳ）ラベルが曖昧であり、構造ら別が曖昧なボクセルは部分集合に含まれるかどうかを評価するための基準を定義することができる。
ステップ５０４では、プロセッサーはアトラスベース自動輪郭抽出（ＡＢＡＳ）構造ラベル推定５０２を用い、被写体像４０８のどのポイントが学習された分類器１０８を用いて更に分析すべきかを特定する。計算効率を改善し、必要とされる学習された分類器１０８の複雑さを減らすために、被写体像４０８のボクセルの部分集合のみが学習された分類器１０８に適用されることが望ましい。多くの技術のいずれかが、被写体像のボクセルの部分集合を選択するのに用いられる。例えば、被写体像に対するアトラスベース自動輪郭抽出（ＡＢＡＳ）ラベルが曖昧であり、構造ら別が曖昧なボクセルは部分集合に含まれるかどうかを評価するための基準を定義することができる。
［００５８］
そのような曖昧さ基準の実施例として、どのデータが構造ラベル推定５０２の正確性を示すかについて、この推定正確性データは、どの被写体像ボクセルがステップ５０２で選択されるべきかを判断するために用いることができる。例えば、アトラスベース自動輪郭抽出（ＡＢＡＳ）構造ラベルが、５０％のようなＸ％以下の正確性を有するような被写体像ボクセルを選択することがある。そのようなボクセルは曖昧であると特徴づけられ、学習された分類器はこの曖昧さをある程度解消するのに役立つと信じられている。
そのような曖昧さ基準の実施例として、どのデータが構造ラベル推定５０２の正確性を示すかについて、この推定正確性データは、どの被写体像ボクセルがステップ５０２で選択されるべきかを判断するために用いることができる。例えば、アトラスベース自動輪郭抽出（ＡＢＡＳ）構造ラベルが、５０％のようなＸ％以下の正確性を有するような被写体像ボクセルを選択することがある。そのようなボクセルは曖昧であると特徴づけられ、学習された分類器はこの曖昧さをある程度解消するのに役立つと信じられている。
［００５９］
そのような曖昧さ基準の他の実施例として、多数のアトラスがアトラスベース自動輪郭抽出（ＡＢＡＳ）のために使用される場所では（各アトラスが被写体像４０８と共に登録されてラベルマップを生成し、これらラベルマップが融合して構造ラベル推定５０２を生成する場所では）、部分集合を選択することにより、構造ラベル推定５０２を生成するために使用された様々なラベルマップ間の分類について相違している被写体像ボクセルを特定することにより曖昧な被写体像ボクセルを選択するように構成することがある。
そのような曖昧さ基準の他の実施例として、多数のアトラスがアトラスベース自動輪郭抽出（ＡＢＡＳ）のために使用される場所では（各アトラスが被写体像４０８と共に登録されてラベルマップを生成し、これらラベルマップが融合して構造ラベル推定５０２を生成する場所では）、部分集合を選択することにより、構造ラベル推定５０２を生成するために使用された様々なラベルマップ間の分類について相違している被写体像ボクセルを特定することにより曖昧な被写体像ボクセルを選択するように構成することがある。
［００６０］
そのような曖昧さ基準の更に他の実施例として、部分集合が、構造ラベル推定５０２から構造境界周囲の近傍を定義することにより選択され、その部分集合が、この近傍内にある被写体像ボクセルとして選択することがある。最大の曖昧さ（少なくとも最大の物質の曖昧さ）が構造境界の近くにあることが期待されるなら、そのような技術は、最も興味あるボクセルについての学習された分類器に的を絞るのに役立つ。
そのような曖昧さ基準の更に他の実施例として、部分集合が、構造ラベル推定５０２から構造境界周囲の近傍を定義することにより選択され、その部分集合が、この近傍内にある被写体像ボクセルとして選択することがある。最大の曖昧さ（少なくとも最大の物質の曖昧さ）が構造境界の近くにあることが期待されるなら、そのような技術は、最も興味あるボクセルについての学習された分類器に的を絞るのに役立つ。
［００６１］
これらやその他の技術は、被写体像のボクセルの部分集合を選択し、学習された分類器１０８に適用するのに用いられる。
これらやその他の技術は、被写体像のボクセルの部分集合を選択し、学習された分類器１０８に適用するのに用いられる。
［００６２］
更に、もし必要なら、ステップ５０４で、プロセッサーは学習された分類器１０８によって使用されるべき属性を計算する。したがって、ステップ５０４は動作し、学習された技術に対してステップ２０２で形成された属性を計算する。したがって、ステップ５０４で認定されたポイントには、そのようなポイントに対して計算された属性を含む。
更に、もし必要なら、ステップ５０４で、プロセッサーは学習された分類器１０８によって使用されるべき属性を計算する。したがって、ステップ５０４は動作し、学習された技術に対してステップ２０２で形成された属性を計算する。したがって、ステップ５０４で認定されたポイントには、そのようなポイントに対して計算された属性を含む。
［００６３］
ステップ５０６で、プロセッサーはステップ５０４で認定されたポイント（計算された属性を含む）を学習された構造分類器１０８に適用する。学習された分類器は、上述したように学習され、入力ボクセルに対する複数の属性に基いて所与の入力ボクセルに対する構造ラベルを決定する。したがって、ステップ５０６の動作は、被写体像のボクセルの選択された部分集合に対する分類データ５０８を生成することになる。ここで、この分類データは、選択された部分集合の被写体像の各ボクセルが興味ある構造に属するか否かを確認する。もう一度、分類データ５０８は、被写体像のボクセルの部分集合に対する構造ラベルマックの形をとる。
ステップ５０６で、プロセッサーはステップ５０４で認定されたポイント（計算された属性を含む）を学習された構造分類器１０８に適用する。学習された分類器は、上述したように学習され、入力ボクセルに対する複数の属性に基いて所与の入力ボクセルに対する構造ラベルを決定する。したがって、ステップ５０６の動作は、被写体像のボクセルの選択された部分集合に対する分類データ５０８を生成することになる。ここで、この分類データは、選択された部分集合の被写体像の各ボクセルが興味ある構造に属するか否かを確認する。もう一度、分類データ５０８は、被写体像のボクセルの部分集合に対する構造ラベルマックの形をとる。
［００６４］
学習された分類器１０８は完全ではないので、各ボクセルの構造分類に対する最終判断は、アトラスベース自動輪郭抽出（ＡＢＡＳ）と学習された分類器による分類５０８の両方に基づくべきである。したがって、ステップ５１０では、プロセッサーは、アトラスベース自動輪郭抽出（ＡＢＡＳ）と学習された分類器１−８とからの分類データ５０２と５０８とを組み合わせ、最終分類データ５１２を生成する（この分類データは最終輪郭抽出結果を示し、被写体像のボクセルに対する構造分類ラベルを特定する）。ステップ５１０での組み合わせを行うには多くの方法がある。例えば、分類データ５２０と５０８との多数決方式が採用される（もしひとつのアトラスのみがアトラスベース自動輪郭抽出（ＡＢＡＳ）構造ラベリングに用いられるならば、同点決戦投票方式が用いられる必要がある）。他の実施例として、もし学習された分類器１０８が硬い決定（hard decision）を生成するならば、その結果５０８を他のラベルマップとし、ラベルマップ５０２と５０８との間のラベル融合を実行する。例えば、もしアトラスベース自動輪郭抽出（ＡＢＡＳ）と学習された分類器１０８が（例えば、ランダムフォレスト（ＲＦ）分類器が用いられたときのような）その構造ラベリングに対する確率推定を提供するなら、ひとつの選択肢は、ふたつの確率推定、アトラスベース自動輪郭抽出（ＡＢＡＳ）のラベルデータ（ＰＬ）からのものと、学習された分類器のラベルデータ（ＰＣ）の重み付け平均として、次の（１）式のように、最終的な構造確率（Ｐ）を計算することである。
学習された分類器１０８は完全ではないので、各ボクセルの構造分類に対する最終判断は、アトラスベース自動輪郭抽出（ＡＢＡＳ）と学習された分類器による分類５０８の両方に基づくべきである。したがって、ステップ５１０では、プロセッサーは、アトラスベース自動輪郭抽出（ＡＢＡＳ）と学習された分類器１−８とからの分類データ５０２と５０８とを組み合わせ、最終分類データ５１２を生成する（この分類データは最終輪郭抽出結果を示し、被写体像のボクセルに対する構造分類ラベルを特定する）。ステップ５１０での組み合わせを行うには多くの方法がある。例えば、分類データ５２０と５０８との多数決方式が採用される（もしひとつのアトラスのみがアトラスベース自動輪郭抽出（ＡＢＡＳ）構造ラベリングに用いられるならば、同点決戦投票方式が用いられる必要がある）。他の実施例として、もし学習された分類器１０８が硬い決定（hard decision）を生成するならば、その結果５０８を他のラベルマップとし、ラベルマップ５０２と５０８との間のラベル融合を実行する。例えば、もしアトラスベース自動輪郭抽出（ＡＢＡＳ）と学習された分類器１０８が（例えば、ランダムフォレスト（ＲＦ）分類器が用いられたときのような）その構造ラベリングに対する確率推定を提供するなら、ひとつの選択肢は、ふたつの確率推定、アトラスベース自動輪郭抽出（ＡＢＡＳ）のラベルデータ（ＰＬ）からのものと、学習された分類器のラベルデータ（ＰＣ）の重み付け平均として、次の（１）式のように、最終的な構造確率（Ｐ）を計算することである。
Ｐ＝ｗＬＰＬ＋ｗＣＰＣ 但し、ｗＬ＋ｗＣ＝１ （１）
ふたつの重み付け（ｗＬとｗＣ）は同じでよいし、手入力又は自動的に調整してもよい。最善の重み付けは、交差検定（cross-validation）のような学習手順に基づいて自動的に決定されることでもよい。いちど構造確率があらゆるボクセルに対して計算されると、分類データ５１２に対する最終的な構造ラベルは、Ｐ（構造確率）をしきい値０．５で峻別することにより見つけられる。更に他の実施例として、論文「Warfield, S. K., Zou, K. H., Wells, W. M.: Simultaneous truth and performance level estimation (STAPLE): An algorithm for the validation of image segmentation IEEE Transactions on Medical Imaging 23(7), 903-921 (2004)」に記載されたＳＴＡＰＬＥ法がステップ５１０での組合せ動作を実行するために用いられる。この論文の記載全体はこの引用により本明細書に含まれる。
ふたつの重み付け（ｗＬとｗＣ）は同じでよいし、手入力又は自動的に調整してもよい。最善の重み付けは、交差検定（cross-validation）のような学習手順に基づいて自動的に決定されることでもよい。いちど構造確率があらゆるボクセルに対して計算されると、分類データ５１２に対する最終的な構造ラベルは、Ｐ（構造確率）をしきい値０．５で峻別することにより見つけられる。更に他の実施例として、論文「Warfield, S. K., Zou, K. H., Wells, W. M.: Simultaneous truth and performance level estimation (STAPLE): An algorithm for the validation of image segmentation IEEE Transactions on Medical Imaging 23(7), 903-921 (2004)」に記載されたＳＴＡＰＬＥ法がステップ５１０での組合せ動作を実行するために用いられる。この論文の記載全体はこの引用により本明細書に含まれる。
［００６５］
ふたりの任意の患者の間には大きな解剖学的変化が存在するので、ひとつのアトラスに対するアトラスベース自動輪郭抽出（ＡＢＡＳ）を用いて満足する輪郭抽出結果を得ることは通常困難である。アトラスベース自動輪郭抽出（ＡＢＡＳ）の輪郭抽出の正確性を改善する共通のアプローチは、多数のアトラスを用いることである。次の論文又は書籍を参照されたい。
「Rohlfing, T., Brandt, R., Menzel, R., Maurer, C. R. Jr.: Evaluation of atlas selection strategies for atlas-based image segmentation with application to confocal microscopy images of bee brains. NeuroImage 21(4), 1428-1442 (2004)」
「Rohlfing T., Brandt, R., Menzel, R., Russakoff, D. B., Maurer, C. R. Jr.: Quo Vadis, Atlas-based segmentation? In: Suri, J., Wilson, D., Laxminarayan, S. (eds.)」
「The Handbook of Medical Image Analysis. Kluwer (2005); Heckemann, R. A., Hajnal, J. V., Aljabar, P., Rueckert, D., Hammers, A.: Automatic anatomical brain MRI segmentation combining label propagation and decision fusion. NeuroImage 33(1), 115-126 (2006)」
「Klein, S., van der Heide, U. A., Lips, I. M., van Vulpen, M., Staring, M., Pluim, J. P. W.: Automatic segmentation of the prostate in 3D MR images by atlas matching using localized mutual information. Med. Phys. 35(4), 1407-1417 (2008)」
「Han, X., Hoogeman, M. S., Levendag, P. C., Hibbard, L. S., Teguh, D. N., Voet, P., Cowen, A. C., Wolf, T. K.: Atlas-based auto-segmentation of head and neck CT images. In: Metaxas D. et al. (eds.) MICCAI 2008, LNCS 5242, 434-441 (2008)」
これら論文又は書籍の記載全体はこの引用により本明細書に含まれる。
ふたりの任意の患者の間には大きな解剖学的変化が存在するので、ひとつのアトラスに対するアトラスベース自動輪郭抽出（ＡＢＡＳ）を用いて満足する輪郭抽出結果を得ることは通常困難である。アトラスベース自動輪郭抽出（ＡＢＡＳ）の輪郭抽出の正確性を改善する共通のアプローチは、多数のアトラスを用いることである。次の論文又は書籍を参照されたい。
「Rohlfing, T., Brandt, R., Menzel, R., Maurer, C. R. Jr.: Evaluation of atlas selection strategies for atlas-based image segmentation with application to confocal microscopy images of bee brains. NeuroImage 21(4), 1428-1442 (2004)」
「Rohlfing T., Brandt, R., Menzel, R., Russakoff, D. B., Maurer, C. R. Jr.: Quo Vadis, Atlas-based segmentation? In: Suri, J., Wilson, D., Laxminarayan, S. (eds.)」
「The Handbook of Medical Image Analysis. Kluwer (2005); Heckemann, R. A., Hajnal, J. V., Aljabar, P., Rueckert, D., Hammers, A.: Automatic anatomical brain MRI segmentation combining label propagation and decision fusion. NeuroImage 33(1), 115-126 (2006)」
「Klein, S., van der Heide, U. A., Lips, I. M., van Vulpen, M., Staring, M., Pluim, J. P. W.: Automatic segmentation of the prostate in 3D MR images by atlas matching using localized mutual information. Med. Phys. 35(4), 1407-1417 (2008)」
「Han, X., Hoogeman, M. S., Levendag, P. C., Hibbard, L. S., Teguh, D. N., Voet, P., Cowen, A. C., Wolf, T. K.: Atlas-based auto-segmentation of head and neck CT images. In: Metaxas D. et al. (eds.) MICCAI 2008, LNCS 5242, 434-441 (2008)」
これら論文又は書籍の記載全体はこの引用により本明細書に含まれる。
［００６６］
図６に、多数のアトラス４０６を用いてアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行する典型的な実施形態を示す。そこでは、アトラスベース自動輪郭抽出（ＡＢＡＳ）の輪郭抽出結果が学習された分類器１０８からの輪郭抽出結果と結合され、最終の輪郭抽出結果５１０を生成する。この多数のアトラスを用いたアトラスベース自動輪郭抽出（ＡＢＡＳ）方法では、提供されるアトラス４０６のそれぞれが先ず適用され（すなわち、ステップ６００での画像登録とステップ６０２での構造ラベルマッピングがなされ）、各アトラス４０６に対する画像の独立した分類データを別々に得る。異なるアトラスからのこれら多数の輪郭抽出結果（ラベルマップ）はステップ６０４で組み合され、興味ある構造に対する合意したアトラスベース自動輪郭抽出（ＡＢＡＳ）を得る。ステップ６０４は（ステップ５１０に類似したラベル融合として参照される。ステップ５１０のように、多くのラベル融合技術のいずれかが採用され、個々のアトラスレベルマップを結果としてアトラスベース自動輪郭抽出（ＡＢＡＳ）ラベルマップ５０２に組み合わせる。最も単純なラベル融合のアプローチは多数決によるものである。多数決ラベル融合テクニックでは、新たな画像の各ボクセルについて、各アトラスラベルマップが、ボクセルがどの構造又はどの非構造（背景）に属するかについて、原則として投票を行う。ボクセルの最終的なラベルは、最多投票されたひとつのラベルに決定される。ラベル値が（構造内にあるものに対する）１と（背景にあるものに対する）０のいずれかである二値の場合には、多数決投票は、各ボクセルの全てのラベルの平均をとり、その平均が０．５より大きいか小さいかに基づき、構造か背景かのいずれをボクセルに割り当てる。平均値は０と１の間であるので、構造ラベルの確率的推定と考えられる。多数決又は単純平均は、個々のアトラス輪郭抽出結果におけるランダムのエラーを減少させるのに有効である。上述したＳＴＡＰＬＥ法のような、他のより複雑なラベル融合方法をステップ６０４で採用することができる。これらの方法は、各個別のアトラスの性能や正確性への賢明な推測に基づいて、異なるアトラスに最善、かつ、等しくない重み付けを割り当てることを目的としている。もう一度言うと、これらレベル融合のいずれかをステップ６０４で採用することができる。
図６に、多数のアトラス４０６を用いてアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行する典型的な実施形態を示す。そこでは、アトラスベース自動輪郭抽出（ＡＢＡＳ）の輪郭抽出結果が学習された分類器１０８からの輪郭抽出結果と結合され、最終の輪郭抽出結果５１０を生成する。この多数のアトラスを用いたアトラスベース自動輪郭抽出（ＡＢＡＳ）方法では、提供されるアトラス４０６のそれぞれが先ず適用され（すなわち、ステップ６００での画像登録とステップ６０２での構造ラベルマッピングがなされ）、各アトラス４０６に対する画像の独立した分類データを別々に得る。異なるアトラスからのこれら多数の輪郭抽出結果（ラベルマップ）はステップ６０４で組み合され、興味ある構造に対する合意したアトラスベース自動輪郭抽出（ＡＢＡＳ）を得る。ステップ６０４は（ステップ５１０に類似したラベル融合として参照される。ステップ５１０のように、多くのラベル融合技術のいずれかが採用され、個々のアトラスレベルマップを結果としてアトラスベース自動輪郭抽出（ＡＢＡＳ）ラベルマップ５０２に組み合わせる。最も単純なラベル融合のアプローチは多数決によるものである。多数決ラベル融合テクニックでは、新たな画像の各ボクセルについて、各アトラスラベルマップが、ボクセルがどの構造又はどの非構造（背景）に属するかについて、原則として投票を行う。ボクセルの最終的なラベルは、最多投票されたひとつのラベルに決定される。ラベル値が（構造内にあるものに対する）１と（背景にあるものに対する）０のいずれかである二値の場合には、多数決投票は、各ボクセルの全てのラベルの平均をとり、その平均が０．５より大きいか小さいかに基づき、構造か背景かのいずれをボクセルに割り当てる。平均値は０と１の間であるので、構造ラベルの確率的推定と考えられる。多数決又は単純平均は、個々のアトラス輪郭抽出結果におけるランダムのエラーを減少させるのに有効である。上述したＳＴＡＰＬＥ法のような、他のより複雑なラベル融合方法をステップ６０４で採用することができる。これらの方法は、各個別のアトラスの性能や正確性への賢明な推測に基づいて、異なるアトラスに最善、かつ、等しくない重み付けを割り当てることを目的としている。もう一度言うと、これらレベル融合のいずれかをステップ６０４で採用することができる。
［００６７］
図７（ａ）−（ｃ）は、多数のアトラスを用いたアトラスベース自動輪郭抽出（ＡＢＡＳ）の実施例を示す。図７（ａ）は、異なるアトラスラベルマップ（そこでの構造は右の耳下線）からの推定された構造境界を輪郭線７００として示す。図７（ｂ）は、これら相違するアトラスラベルマップが不一致である場所を領域７０２として示す。図７（ｃ）は、どのようにして様々なアトラスラベルマップが組み合されてラベル融合技術を介して構造確率マップを示す。
図７（ａ）−（ｃ）は、多数のアトラスを用いたアトラスベース自動輪郭抽出（ＡＢＡＳ）の実施例を示す。図７（ａ）は、異なるアトラスラベルマップ（そこでの構造は右の耳下線）からの推定された構造境界を輪郭線７００として示す。図７（ｂ）は、これら相違するアトラスラベルマップが不一致である場所を領域７０２として示す。図７（ｃ）は、どのようにして様々なアトラスラベルマップが組み合されてラベル融合技術を介して構造確率マップを示す。
［００６８］
一度、多数のアトラスラベルマップが組み合され、アトラスベース自動輪郭抽出（ＡＢＡＳ）分類データ５０２を生成すると、図６の処理フローは、図５を用いて先に説明したように進行する。
一度、多数のアトラスラベルマップが組み合され、アトラスベース自動輪郭抽出（ＡＢＡＳ）分類データ５０２を生成すると、図６の処理フローは、図５を用いて先に説明したように進行する。
［００６９］
いくつかの実験が行われた。そこでは、ここで記載した学習ベースの強化が多数のアトラスのアトラスベース自動輪郭抽出（ＡＢＡＳ）の輪郭抽出の正確性を非常に向上させることを示している。ひとつの研究では、アトラスベース自動輪郭抽出（ＡＢＡＳ）と学習強化されたアトラスベース自動輪郭抽出（ＡＢＡＳ）が、肺がん患者の画像から葉、胸郭を自動輪郭抽出するのに適用された。
いくつかの実験が行われた。そこでは、ここで記載した学習ベースの強化が多数のアトラスのアトラスベース自動輪郭抽出（ＡＢＡＳ）の輪郭抽出の正確性を非常に向上させることを示している。ひとつの研究では、アトラスベース自動輪郭抽出（ＡＢＡＳ）と学習強化されたアトラスベース自動輪郭抽出（ＡＢＡＳ）が、肺がん患者の画像から葉、胸郭を自動輪郭抽出するのに適用された。
［００７０］
この実験において、１５人の異なる患者から１５のＣＴ画像が収集された。各画像の胸郭は、専門家により手作業で輪郭抽出された。一個抜き交差検証（leave-one-out cross-validation）が実行され、図６の実施形態のパフォーマンスをテストした。そこでは、各患者に対して、残りの１４のデータセットがアトラスとして用いられ、多数のアトラスのアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行し、胸郭に対するランダムフォレスト（ＲＦ）ボクセル分類器を学習した。各患者に対して、ふたつの自動輪郭結果が得られた。ひとつ目は、多数のアトラスのアトラスベース自動輪郭抽出（ＡＢＡＳ）自身をラベル融合方法として実行するものである。ふたつ目は、図６に関連して記載した、学習が強化されたラベル融合を用いたものである。学習が強化されたラベル融合において、最終構造確率は、ふたつの項の重み付けが同じである上述した式（１）を用いて計算される。各自動輪郭抽出の結果の正確性は、各患者に対する所与の手作業の輪郭抽出に対して評価され、ダイス重複係数（Dice overlapping coefficient）により測定された。ダイス重複係数とは、自動輪郭抽出の結果と手動輪郭抽出の結果の平均体積に対する、自動輪郭抽出の結果と手動輪郭抽出の結果との重複した領域の体積の比である。これら実験の結果は図８にまとめて記載されている。図８の表のデータからわかるように、学習が強化されたラベル融合は、多数のアトラスのアトラスベース自動輪郭抽出（ＡＢＡＳ）での胸郭の輪郭抽出の正確性を非常に改善している。
この実験において、１５人の異なる患者から１５のＣＴ画像が収集された。各画像の胸郭は、専門家により手作業で輪郭抽出された。一個抜き交差検証（leave-one-out cross-validation）が実行され、図６の実施形態のパフォーマンスをテストした。そこでは、各患者に対して、残りの１４のデータセットがアトラスとして用いられ、多数のアトラスのアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行し、胸郭に対するランダムフォレスト（ＲＦ）ボクセル分類器を学習した。各患者に対して、ふたつの自動輪郭結果が得られた。ひとつ目は、多数のアトラスのアトラスベース自動輪郭抽出（ＡＢＡＳ）自身をラベル融合方法として実行するものである。ふたつ目は、図６に関連して記載した、学習が強化されたラベル融合を用いたものである。学習が強化されたラベル融合において、最終構造確率は、ふたつの項の重み付けが同じである上述した式（１）を用いて計算される。各自動輪郭抽出の結果の正確性は、各患者に対する所与の手作業の輪郭抽出に対して評価され、ダイス重複係数（Dice overlapping coefficient）により測定された。ダイス重複係数とは、自動輪郭抽出の結果と手動輪郭抽出の結果の平均体積に対する、自動輪郭抽出の結果と手動輪郭抽出の結果との重複した領域の体積の比である。これら実験の結果は図８にまとめて記載されている。図８の表のデータからわかるように、学習が強化されたラベル融合は、多数のアトラスのアトラスベース自動輪郭抽出（ＡＢＡＳ）での胸郭の輪郭抽出の正確性を非常に改善している。
［００７１］
図５と図６は、学習が強化されたアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行する典型的な実施形態を示すが、他の実施形態が採用され得ることを理解すべきだ。例えば、上述したように、施術者は、図９に示すような、学習された分類器を使用して被写体像４０８の全てのボクセルを分類することを選択することができる。したがって、図９の実施形態において、ステップ５０４は省略され、ステップ９００で学習された分類器１０８が被写体像４０８の全てのボクセルに対して実行する。そのような実施形態において、被写体像ボクセルの必要な属性は、分類器１０８により使用され計算されることを必要とする。ステップ５１０では、分類データ５０２と９０２は上述したように組み合され、最終輪郭抽出結果９０４を生成する。
図５と図６は、学習が強化されたアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行する典型的な実施形態を示すが、他の実施形態が採用され得ることを理解すべきだ。例えば、上述したように、施術者は、図９に示すような、学習された分類器を使用して被写体像４０８の全てのボクセルを分類することを選択することができる。したがって、図９の実施形態において、ステップ５０４は省略され、ステップ９００で学習された分類器１０８が被写体像４０８の全てのボクセルに対して実行する。そのような実施形態において、被写体像ボクセルの必要な属性は、分類器１０８により使用され計算されることを必要とする。ステップ５１０では、分類データ５０２と９０２は上述したように組み合され、最終輪郭抽出結果９０４を生成する。
［００７２］
多数のアトラスを使用するアトラスベース自動輪郭抽出（ＡＢＡＳ）の実施形態における他の実施例として、図１０に示すように、学習された分類器１０８を、ステップ６０２で生成された個々のアトラスラベルマップの部分集合に対して独立に作用させるものがある。図１０において、ステップ１０００は、ステップ６０２で生成された個々のアトラスラベルマップに対して作用する。したがって、もし部分集合を選択するための曖昧基準が用いられたならば、ステップ１０００は、個々のアトラスラベルマップからの曖昧なボクセルが独立にステップ１００２で分類器１０８に適用され、各アトラスに対して異なる学習された分類器ラベルマップ１００４を生成する結果となる。ステップ１００６で、プロセッサーは、ステップ６０２で生成された、アトラスベース自動輪郭抽出（ＡＢＡＳ）の異なるラベルマップを組み合わせ、最終の輪郭抽出結果１００８を生成する。ステップ１００６の組み合わせ動作として、ステップ５１０又はステップ６０４について上述した融合テクニックのいかなるものも使用することができる。
多数のアトラスを使用するアトラスベース自動輪郭抽出（ＡＢＡＳ）の実施形態における他の実施例として、図１０に示すように、学習された分類器１０８を、ステップ６０２で生成された個々のアトラスラベルマップの部分集合に対して独立に作用させるものがある。図１０において、ステップ１０００は、ステップ６０２で生成された個々のアトラスラベルマップに対して作用する。したがって、もし部分集合を選択するための曖昧基準が用いられたならば、ステップ１０００は、個々のアトラスラベルマップからの曖昧なボクセルが独立にステップ１００２で分類器１０８に適用され、各アトラスに対して異なる学習された分類器ラベルマップ１００４を生成する結果となる。ステップ１００６で、プロセッサーは、ステップ６０２で生成された、アトラスベース自動輪郭抽出（ＡＢＡＳ）の異なるラベルマップを組み合わせ、最終の輪郭抽出結果１００８を生成する。ステップ１００６の組み合わせ動作として、ステップ５１０又はステップ６０４について上述した融合テクニックのいかなるものも使用することができる。
［００７３］
本願発明は好ましい実施形態に関連して上述されたが、本願発明の範囲内でこれら実施形態に様々な改良を行ってもよい。本願発明へのそのよう改良は、ここに記載した技術を参照することにより認識されるであろう。したがって、本願発明の全範囲は、ここに記載するクレームとその法律的に等価な内容によってのみ画定される。
本願発明は好ましい実施形態に関連して上述されたが、本願発明の範囲内でこれら実施形態に様々な改良を行ってもよい。本願発明へのそのよう改良は、ここに記載した技術を参照することにより認識されるであろう。したがって、本願発明の全範囲は、ここに記載するクレームとその法律的に等価な内容によってのみ画定される。
このような目的で、本願発明者は、複数のアトラスデータのセットのそれぞれに対して、前記アトラスデータから複数の学習サンプルを収集するステップであって、各アトラスデータセットは、（１）複数のデータポイントを有するアトラス画像と、（２）複数の前記アトラス画像のデータポイントに対する複数の構造のラベルとを有するステップと、前記収集された学習サンプルを機械学習アルゴリズムに適用し、自動化された構造分類器を生成するステップであって、前記構造分類器は、被写体像の複数のポイントのそれぞれに構造ラベルを決定するように構成されているステップと、を有し、前記複数のステップはプロセッサーにより実行される学習方法を開示する。
Claims (43)
- 被写体像の複数のポイントにアトラス画像を使用するアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行し、前記被写体像の構造を代表する第１のデータを生成するステップと、
前記被写体像の複数のポイントを学習が強化された分類器に適用し、前記被写体像の前記構造を代表する第２のデータを生成するステップと、
前記第１のデータを前記第２のデータと組み合わせ、前記被写体像の前記構造を代表する第３のデータを生成するステップとを有し、
前記複数のステップはプロセッサーにより実行される
ことを特徴とする自動輪郭抽出方法。 - 請求項１記載の自動輪郭抽出方法において、
前記プロセッサーは前記被写体像の前記複数のポイントの部分集合を選択し、
前記適用するステップでは、前記選択された部分集合に前記学習が強化された分類器に適用される前記被写体像の前記複数のポイントに限定する
ことを特徴とする自動輪郭抽出方法。 - 請求項２記載の自動輪郭抽出方法において、
前記選択するステップでは、前記プロセッサーが、前記第１のデータに関する少なくともひとつの曖昧基準に基づいて前記部分集合を選択する
ことを特徴とする自動輪郭抽出方法。 - 請求項３記載の自動輪郭抽出方法において、
前記アトラス画像は複数のアトラス画像を有し、各アトラス画像は複数のポイントを有し、前記アトラス画像の各ポイントは前記アトラス画像のポイントが前記構造として分類されるか否かを示すラベルに結び付けられており、
前記実行するステップでは、
前記プロセッサーが、前記被写体像を複数の前記アトラス画像と共に登録し、前記被写体像の前記複数のポイントを前記アトラス画像の前記複数のポイントにマッピングし、それにより、前記登録された被写体像のポイントを、前記登録された被写体像のポイントにマッピングされた前記アトラスのポイントに結び付けられた前記ラベルと共に前記アトラス画像のポイントに結びつけ、
前記プロセッサーが、前記被写体像のポイントに結び付けられた前記ラベルに基づき前記被写体像のポイントが前記構造に属するか否かについて前記被写体像の複数のポイントを分類し、
前記選択するステップでは、前記プロセッサーが、しきい値以下の推定される構造分類精度に結び付けられた前記被写体像のポイントとして前記部分集合を選択する
ことを特徴とする自動輪郭抽出方法。 - 請求項３記載の自動輪郭抽出方法において、
前記選択するステップでは、
前記プロセッサーが、前記第１のデータ内の前記構造の境界に対する前記被写体像の複数のポイントの近接度に基づいて前記部分集合を選択する
ことを特徴とする自動輪郭抽出方法。 - 請求項１記載の自動輪郭抽出方法において、
前記アトラス画像は複数のアトラス画像を有し、
前記第１のデータは複数のセットの第１のデータを有し、前記第１のデータのセットは前記アトラス画像の異なるひとつに対応して前記被写体層の前記構造を代表し、
前記適用するステップでは、前記プロセッサーが、前記第１のデータのセットのそれぞれに対し、前記被写体像の複数のポイントを学習強化された分類器に適用し、前記第２のデータを複数の第２のデータセットとして生成し、各第２のデータセットは前記被写体像の構造を代表し、
前記組み合わせステップでは、前記プロセッサーが、前記第１のデータのセットと前記第２のデータのセットとを組み合わせ、前記第３のデータを生成する
ことを特徴とする自動輪郭抽出方法。 - 請求項１記載の自動輪郭抽出方法において、
前記学習強化された分離器は、アトラスデータに適用される管理された機械学習アルゴリズムを用いて学習された分類器であり、前記アトラスデータは、（１）複数のアトラス画像の複数のポイントを代表する属性データと、（２）前記アトラス画像のポイントに結び付けられた複数のラベルとを有し、前記各ラベルはそのラベルに結び付けられたアトラス画像ポイントが前記構造に属するか否かを示す
ことを特徴とする自動輪郭抽出方法。 - 請求項７記載の自動輪郭抽出方法において、
前記プロセッサーは、前記被写体像のポイントを前記分類器に適用するステップを実行する前に、前記アトラスデータを前記管理された機械学習アルゴリズムに適用することにより前記分類器を学習する
ことを特徴とする自動輪郭抽出方法。 - 請求項８記載の自動輪郭抽出方法において、
前記管理された機械学習アルゴリズムは、ランダムフォレスト（ＲＦ）機械学習アルゴリズムを有する
ことを特徴とする自動輪郭抽出方法。 - 請求項８記載の自動輪郭抽出方法において、
前記学習するステップは、
前記プロセッサーが（１）前記アトラス画像の前記複数のポイントの部分集合を選択し、（２）前記アトラスデータを（ｉ）前記アトラス画像の前記複数のポイントの前記部分集合を代表する属性データと（ii）前記アトラス画像の前記複数のポイントの前記選択された部分集合に結び付けられたラベルとに前記アトラスデータを制限することにより、前記アトラスデータを定義する
ことを特徴とする自動輪郭抽出方法。 - 請求項１０記載の自動輪郭抽出方法において、
前記選択するステップは、
前記プロセッサーが、前記部分集合が前記構造に対する境界の所定の近傍内の複数のアトラス画像のポイントを含むように、前記ラベルに基づいて前記部分集合を定義する
ことを特徴とする自動輪郭抽出方法。 - 請求項１記載の自動輪郭抽出方法において、
前記学習強化された分類器は、ランダムフォレスト（ＲＦ）機械学習アルゴリズムを用いて学習された分類器であり、
前記学習強化された分類器は、前記適用された被写体像のポイントを処理するように構成された複数の決定ツリーを有し、各決定ツリーは、複数の決定ルールを実行するための複数のブランチと複数のノードを有し、前記ノードは、複数の内部ノードと複数の端部ノードとを有し、各内部ノードは、適用される被写体像のポイントの属性をテストするように構成され、各ブランチは前記テストの出力に対応し、各端部ノードは、適用される被写体像のポイントに結び付けられた構造ラベルを保持する
ことを特徴とする自動輪郭抽出方法。 - 請求項１記載の自動輪郭抽出方法において、
前記アトラス画像は複数のアトラス画像を有する
ことを特徴とする自動輪郭抽出方法。 - 請求項１記載の自動輪郭抽出方法において、
前記アトラス画像は複数のアトラス画像を有し、各アトラス画像は複数のポイントを有し、前記アトラス画像の各ポイントは前記アトラス画像のポイントが前記構造として分類されるか否かを示すラベルに結び付けられており、
前記実行するステップでは、
前記プロセッサーが、前記被写体像を複数の前記アトラス画像と共に登録し、前記被写体像の前記複数のポイントを前記アトラス画像の前記複数のポイントにマッピングし、それにより、前記登録された被写体像のポイントを、前記登録された被写体像のポイントにマッピングされた前記アトラスのポイントに結び付けられた前記ラベルと共に前記アトラス画像のポイントに結びつけ、
前記プロセッサーが、ラベル融合技術により、前記登録された被写体像の複数のポイントに結び付けられた複数の前記ラベルを組みわせることにより前記第１のデータを生成する
ことを特徴とする自動輪郭抽出方法。 - 請求項１４記載の自動輪郭抽出方法において、
前記生成された第１のデータは、複数の前記被写体像のポイントに結び付けられた複数の第１データラベルを有し、各第１データラベルは、その結び付けられた被写体像のポイントが前記構造に属するか否かを示し、
前記生成された第２のデータは、複数の前記被写体像のポイントに結び付けられた複数の第２データラベルを有し、各第２データラベルは、その結び付けられた被写体像のポイントが前記構造に属するか否かを示し、
前記組み合わせるステップは、
前記プロセッサーが、少なくとも、前記被写体像のポイントに結び付けられた前記第１データラベルと前記第２データラベルが前記被写体像のポイントが構造に属するかについて一致していない前記被写体像のポイントに対して、結び付けられた前記第１データラベルと前記第２データラベルとをラベル融合技術により組み合わせる
ことを特徴とする自動輪郭抽出方法。 - 請求項１記載の自動輪郭抽出方法において、
前記プロセッサーが、前記学習強化された分類器に適用される前記被写体像における前記複数のポイントの複数の属性を計算し、
前記適用するステップは、前記プロセッサーが、前記被写体像の複数のポイントと前記複数のポイントに対する前記計算された属性に前記学習強化された分類器を適用し、前記第２のデータを生成する
ことを特徴とする自動輪郭抽出方法。 - 請求項１６記載の自動輪郭抽出方法において、
前記属性は、（１）画像の明度と、（２）画像の位置と、（３）画像勾配と勾配の大きさ、（４）前記被写体像に対するヘッセ行列の複数の固有値、（５）画像テクスチャー計測、（６）部分画像パッチ、（７）ハール特徴、（８）ＨＯＧ、（９）ＳＩＦＴ、（１０）部分二値パターン、からなる群の少なくともふたつの要素を有する
ことを特徴とする自動輪郭抽出方法。 - 請求項１記載の自動輪郭抽出方法において、
前記被写体像は、コンピューター断層撮影（ＣＴ）画像である
ことを特徴とする自動輪郭抽出方法。 - （１）被写体像の複数のポイントにアトラス画像を使用するアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行し、前記被写体像の構造を代表する第１のデータを生成するステップと、（２）前記被写体像の複数のポイントを学習が強化された分類器に適用し、前記被写体像の前記構造を代表する第２のデータを生成するステップと、（３）前記第１のデータを前記第２のデータと組み合わせ、前記被写体像の前記構造を代表する第３のデータを生成するステップと、を実行するように構成されたプロセッサーを有する
ことを特徴とする自動輪郭抽出装置。 - 請求項１９記載の自動輪郭抽出装置において、
前記プロセッサーは、更に（１）前記プロセッサーは前記被写体像の前記複数のポイントの部分集合を選択し、（２）前記選択された部分集合に前記学習が強化された分類器が適用される前記被写体像の前記複数のポイントに限定する、ように構成されている
ことを特徴とする自動輪郭抽出装置。 - 請求項２０記載の自動輪郭抽出装置において、
前記プロセッサーは、更に、前記第１のデータに関する少なくともひとつの曖昧基準に基づいて前記部分集合を選択する、ように構成されている
ことを特徴とする自動輪郭抽出装置。 - 請求項２１記載の自動輪郭抽出装置において、
前記アトラス画像は複数のアトラス画像を有し、各アトラス画像は複数のポイントを有し、前記アトラス画像の各ポイントは前記アトラス画像のポイントが前記構造として分類されるか否かを示すラベルに結び付けられており、
前記プロセッサーは、更に、（１）（ｉ）前記被写体像を複数の前記アトラス画像と共に登録し、前記被写体像の前記複数のポイントを前記アトラス画像の前記複数のポイントにマッピングし、それにより、前記登録された被写体像のポイントを、前記登録された被写体像のポイントにマッピングされた前記アトラスのポイントに結び付けられた前記ラベルと共に前記アトラス画像のポイントに結びつけ、（ii）前記被写体像のポイントに結び付けられた前記ラベルに基づき前記被写体像のポイントが前記構造に属するか否かについて前記被写体像の複数のポイントを分類することにより、アトラスベース自動輪郭抽出を実行し、（２）しきい値以下の推定される構造分類精度に結び付けられた前記被写体像のポイントとして前記部分集合を選択する、ように構成されている
ことを特徴とする自動輪郭抽出装置。 - 請求項２１記載の自動輪郭抽出装置において、
前記プロセッサーは、更に、前記第１のデータ内の前記構造の境界に対する前記被写体像の複数のポイントの近接度に基づいて前記部分集合を選択する、ように構成されている
ことを特徴とする自動輪郭抽出装置。 - 請求項１９記載の自動輪郭抽出装置において、
前記アトラス画像は複数のアトラス画像を有し、
前記第１のデータは複数のセットの第１のデータを有し、前記第１のデータのセットは前記アトラス画像の異なるひとつに対応して前記被写体層の前記構造を代表し、
前記プロセッサーは、更に、前記第１のデータのセットのそれぞれに対し、前記被写体像の複数のポイントに学習強化された分類器を適用し、前記第２のデータを複数の第２のデータセットとして生成し、各第２のデータセットは前記被写体像の構造を代表する、ように構成され、
前記プロセッサーは、更に、前記第１のデータのセットと前記第２のデータのセットとを組み合わせ、前記第３のデータを生成することにより、前記組み合わせ動作を実行し、前記第３のデータを生成する、ように構成されている
ことを特徴とする自動輪郭抽出装置。 - 請求項１９記載の自動輪郭抽出装置において、
前記学習強化された分離器は、アトラスデータに適用される管理された機械学習アルゴリズムを用いて学習された分類器であり、前記アトラスデータは、（１）複数のアトラス画像の複数のポイントを代表する属性データと、（２）前記アトラス画像のポイントに結び付けられた複数のラベルとを有し、前記各ラベルはそのラベルに結び付けられたアトラス画像ポイントが前記構造に属するか否かを示す
ことを特徴とする自動輪郭抽出装置。 - 請求項２５記載の自動輪郭抽出装置において、
前記プロセッサーは、更に、前記被写体像のポイントを前記分類器に適用するステップを実行する前に、前記アトラスデータを前記管理された機械学習アルゴリズムに適用することにより前記分類器を学習する、ように構成されている
ことを特徴とする自動輪郭抽出装置。 - 請求項２６記載の自動輪郭抽出装置において、
前記管理された機械学習アルゴリズムは、ランダムフォレスト（ＲＦ）機械学習アルゴリズムを有する
ことを特徴とする自動輪郭抽出装置。 - 請求項２６記載の自動輪郭抽出装置において、
前記プロセッサーは、更に、（１）前記アトラス画像の前記複数のポイントの部分集合を選択し、（２）前記アトラスデータを（ｉ）前記アトラス画像の前記複数のポイントの前記部分集合を代表する属性データと（ii）前記アトラス画像の前記複数のポイントの前記選択された部分集合に結び付けられたラベルとに前記アトラスデータを制限することにより、前記アトラスデータを定義する、ように構成されている
ことを特徴とする自動輪郭抽出装置。 - 請求項２８記載の自動輪郭抽出装置において、
前記プロセッサーは、更に、前記部分集合が前記構造に対する境界の所定の近傍内の複数のアトラス画像のポイントを含むように、前記ラベルに基づいて前記部分集合を定義する、ように構成されている
ことを特徴とする自動輪郭抽出装置。 - 請求項１９記載の自動輪郭抽出装置において、
前記学習強化された分類器は、ランダムフォレスト（ＲＦ）機械学習アルゴリズムを用いて学習された分類器であり、
前記学習強化された分類器は、前記適用された被写体像のポイントを処理するように構成された複数の決定ツリーを有し、各決定ツリーは、複数の決定ルールを実行するための複数のブランチと複数のノードを有し、前記ノードは、複数の内部ノードと複数の端部ノードとを有し、各内部ノードは、適用される被写体像のポイントの属性をテストするように構成され、各ブランチは前記テストの出力に対応し、各端部ノードは、適用される被写体像のポイントに結び付けられた構造ラベルを保持する
ことを特徴とする自動輪郭抽出装置。 - 請求項１９記載の自動輪郭抽出装置において、
前記アトラス画像は複数のアトラス画像を有する
ことを特徴とする自動輪郭抽出装置。 - 請求項１９記載の自動輪郭抽出装置において、
前記アトラス画像は複数のアトラス画像を有し、各アトラス画像は複数のポイントを有し、前記アトラス画像の各ポイントは前記アトラス画像のポイントが前記構造として分類されるか否かを示すラベルに結び付けられており、
前記プロセッサーは、更に、（１）前記被写体像を複数の前記アトラス画像と共に登録し、前記被写体像の前記複数のポイントを前記アトラス画像の前記複数のポイントにマッピングし、それにより、前記登録された被写体像のポイントを、前記登録された被写体像のポイントにマッピングされた前記アトラスのポイントに結び付けられた前記ラベルと共に前記アトラス画像のポイントに結びつけ、（２）ラベル融合技術により、前記登録された被写体像の複数のポイントに結び付けられた複数の前記ラベルを組みわせることにより前記第１のデータを生成する、ように構成されている
ことを特徴とする自動輪郭抽出装置。 - 請求項３２記載の自動輪郭抽出装置において、
前記生成された第１のデータは、複数の前記被写体像のポイントに結び付けられた複数の第１データラベルを有し、各第１データラベルは、その結び付けられた被写体像のポイントが前記構造に属するか否かを示し、
前記生成された第２のデータは、複数の前記被写体像のポイントに結び付けられた複数の第２データラベルを有し、各第２データラベルは、その結び付けられた被写体像のポイントが前記構造に属するか否かを示し、
前記プロセッサーは、更に、少なくとも、前記被写体像のポイントに結び付けられた前記第１データラベルと前記第２データラベルが前記被写体像のポイントが構造に属するかについて一致していない前記被写体像のポイントに対して、結び付けられた前記第１データラベルと前記第２データラベルとをラベル融合技術により組み合わせる、ように構成されている
ことを特徴とする自動輪郭抽出装置。 - 請求項１９記載の自動輪郭抽出装置において、
前記プロセッサーは、更に、（１）前記学習強化された分類器に適用される前記被写体像における前記複数のポイントの複数の属性を計算し、（２）前記適用するステップは、前記プロセッサーが、前記被写体像の複数のポイントと前記複数のポイントに対する前記計算された属性に前記学習強化された分類器を適用し、前記第２のデータを生成する、ように構成されている
ことを特徴とする自動輪郭抽出装置。 - 請求項３４記載の自動輪郭抽出装置において、
前記属性は、（１）画像の明度と、（２）画像の位置と、（３）画像勾配と勾配の大きさ、（４）前記被写体像に対するヘッセ行列の複数の固有値、（５）画像テクスチャー計測、（６）部分画像パッチ、（７）ハール特徴、（８）ＨＯＧ、（９）ＳＩＦＴ、（１０）部分二値パターン、からなる群の少なくともふたつの要素を有する
ことを特徴とする自動輪郭抽出装置。 - 請求項１９記載の自動輪郭抽出装置において、
前記被写体像は、コンピューター断層撮影（ＣＴ）画像である
ことを特徴とする自動輪郭抽出装置。 - 自動輪郭抽出のためのコンピュータープログラム製品であって、
（１）被写体像の複数のポイントにアトラス画像を使用するアトラスベース自動輪郭抽出（ＡＢＡＳ）を実行し、前記被写体像の構造を代表する第１のデータを生成するステップと、（２）前記被写体像の複数のポイントを学習が強化された分類器に適用し、前記被写体像の前記構造を代表する第２のデータを生成するステップと、（３）前記第１のデータを前記第２のデータと組み合わせ、前記被写体像の前記構造を代表する第３のデータを生成するステップとをプロセッサーに実行させる、非一時的なコンピューター可読媒体上にある複数の命令を有する
ことを特徴とするコンピュータープログラム製品。 - 複数のアトラスデータのセットのそれぞれに対して、前記アトラスデータから複数の学習サンプルを収集するステップであって、各アトラスデータセットは、（１）複数のデータポイントを有するアトラス画像と、（２）複数の前記アトラスデータポイントに対する複数の構造ラベルとを有するステップと、
前記収集された学習サンプルを機械学習アルゴリズムに適用し、自動構造分類器を生成するステップであって、前記構造分類器は、被写体像の複数のポイントのそれぞれに構造ラベルを決定するように構成されているステップと、を有し、
前記方法のステップはプロセッサーにより実行される
ことを特徴とする学習方法。 - 請求項３８記載の学習方法において、
前記収集するステップでは、前記プロセッサーが、（１）前記構造ラベルに基づいて前記構造に対する境界の所定の近傍内の複数のアトラス画像のポイントを同一視し、（２）前記学習サンプルとして、少なくとも、前記同一視されたアトラス画像データポイントとその構造ラベルを選択する
ことを特徴とする学習方法。 - 請求項３８記載の学習方法において、
前記プロセッサーが、前記収集された学習サンプルに対する複数の属性を計算するステップを更に有し、
前記適用するステップは、前記収集された学習サンプルと前記計算された属性を前記機械学習アルゴリズムに適用し、前記自動された構造分類器を生成するステップを更に有する
ことを特徴とする学習方法。 - 請求項４０記載の学習方法において、
前記属性は、（１）画像の明度と、（２）画像の位置と、（３）画像勾配と勾配の大きさ、（４）前記被写体像に対するヘッセ行列の複数の固有値、（５）画像テクスチャー計測、（６）部分画像パッチ、（７）ハール特徴、（８）ＨＯＧ、（９）ＳＩＦＴ、（１０）部分二値パターン、からなる群の少なくともふたつの要素を有する
ことを特徴とする学習方法。 - 請求項３８記載の学習方法において、
前記機械学習アルゴリズムは、ランダムフォレスト（ＲＦ）機械学習アルゴリズムを有する
ことを特徴とする学習方法。 - 請求項３８記載の学習方法において、
前記学習強化された分類器は、前記適用された被写体像のポイントを処理するように構成された複数の決定ツリーを有し、各決定ツリーは、複数の決定ルールを実行するための複数のブランチと複数のノードを有し、前記ノードは、複数の内部ノードと複数の端部ノードとを有し、各内部ノードは、適用される被写体像のポイントの属性をテストするように構成され、各ブランチは前記テストの出力に対応し、各端部ノードは、適用される被写体像のポイントに結び付けられた構造ラベルを保持する
ことを特徴とする学習方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US13/782,154 US9122950B2 (en) | 2013-03-01 | 2013-03-01 | Method and apparatus for learning-enhanced atlas-based auto-segmentation |
| US13/782,154 | 2013-03-01 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015560195A Division JP6487341B2 (ja) | 2013-03-01 | 2014-02-12 | 学習が強化されたアトラスベース自動輪郭抽出方法及び装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018156668A true JP2018156668A (ja) | 2018-10-04 |
| JP6672371B2 JP6672371B2 (ja) | 2020-03-25 |
Family
ID=50239943
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015560195A Active JP6487341B2 (ja) | 2013-03-01 | 2014-02-12 | 学習が強化されたアトラスベース自動輪郭抽出方法及び装置 |
| JP2018087963A Active JP6672371B2 (ja) | 2013-03-01 | 2018-05-01 | 分類器を学習する方法及び装置 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015560195A Active JP6487341B2 (ja) | 2013-03-01 | 2014-02-12 | 学習が強化されたアトラスベース自動輪郭抽出方法及び装置 |
Country Status (9)
| Country | Link |
|---|---|
| US (2) | US9122950B2 (ja) |
| EP (2) | EP2962281B1 (ja) |
| JP (2) | JP6487341B2 (ja) |
| CN (1) | CN105009171B (ja) |
| AU (1) | AU2014221357B2 (ja) |
| BR (1) | BR112015020981A2 (ja) |
| CA (1) | CA2903158C (ja) |
| RU (1) | RU2015141710A (ja) |
| WO (1) | WO2014133756A2 (ja) |
Families Citing this family (54)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007536644A (ja) * | 2004-05-06 | 2007-12-13 | ザ・レジェンツ・オブ・ザ・ユニバーシティ・オブ・カリフォルニア | 画像を整列させ分類するための方法およびシステム |
| JP2013022705A (ja) * | 2011-07-25 | 2013-02-04 | Sony Corp | ロボット装置及びロボット装置の制御方法、コンピューター・プログラム、並びにロボット・システム |
| US20140341449A1 (en) * | 2011-09-23 | 2014-11-20 | Hamid Reza TIZHOOSH | Computer system and method for atlas-based consensual and consistent contouring of medical images |
| EP2810250B1 (en) * | 2012-02-01 | 2019-09-04 | Koninklijke Philips N.V. | Object image labeling apparatus, method and program |
| US9165360B1 (en) | 2012-09-27 | 2015-10-20 | Zepmed, Llc | Methods, systems, and devices for automated analysis of medical scans |
| US9971959B2 (en) | 2013-03-15 | 2018-05-15 | Nvidia Corporation | Performing object detection operations via a graphics processing unit |
| JP6063315B2 (ja) * | 2013-03-26 | 2017-01-18 | 富士フイルム株式会社 | 真贋判定システム，特徴点登録装置およびその動作制御方法，ならびに照合判定装置およびその動作制御方法 |
| US9836879B2 (en) * | 2013-04-16 | 2017-12-05 | Autodesk, Inc. | Mesh skinning technique |
| US9122959B2 (en) * | 2013-05-03 | 2015-09-01 | Impac Medical Systems, Inc. | Method and apparatus for automated delineation of structure shape for image guided treatment planning |
| US9483831B2 (en) | 2014-02-28 | 2016-11-01 | International Business Machines Corporation | Segmentation using hybrid discriminative generative label fusion of multiple atlases |
| CN107004267B (zh) * | 2014-12-15 | 2021-02-09 | 皇家飞利浦有限公司 | 图像配准质量控制 |
| WO2016134125A1 (en) * | 2015-02-18 | 2016-08-25 | Vanderbilt University | Image segmentation via multi-atlas fusion with context learning |
| US9767380B2 (en) * | 2015-04-13 | 2017-09-19 | Varian Medical Systems International Ag. | Image comparison tool tolerant to deformable image matching |
| US9589211B2 (en) * | 2015-05-08 | 2017-03-07 | Siemens Healthcare Gmbh | Learning-based aorta segmentation using an adaptive detach and merge algorithm |
| WO2016182551A1 (en) * | 2015-05-11 | 2016-11-17 | Siemens Healthcare Gmbh | Method and system for landmark detection in medical images using deep neural networks |
| GB2539246B (en) * | 2015-06-11 | 2019-08-21 | Mirada Medical Ltd | Method and apparatus for selecting a subset of atlases from a set of candidate atlases |
| CN108351986B (zh) * | 2015-10-30 | 2022-03-29 | 株式会社摩如富 | 学习系统及装置和方法、训练数据生成装置及生成方法 |
| CN105447876B (zh) * | 2015-12-10 | 2017-02-15 | 北京中科紫鑫科技有限责任公司 | 一种dna测序的图像的磁珠提取方法及装置 |
| US10107769B2 (en) | 2016-01-11 | 2018-10-23 | Carl Zeiss X-Ray Microscopy Inc. | Multimodality mineralogy segmentation system and method |
| US10169871B2 (en) * | 2016-01-21 | 2019-01-01 | Elekta, Inc. | Systems and methods for segmentation of intra-patient medical images |
| JP6510150B1 (ja) * | 2016-05-04 | 2019-05-08 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 医療アトラス登録 |
| DE102016209032B3 (de) * | 2016-05-24 | 2017-09-14 | Siemens Healthcare Gmbh | Bildbegebendes Verfahren zum Durchführen einer medizinischen Untersuchung nebst zugehörigem Bildgebenden System und zugehörigem Computerprogrammprodukt |
| CN105957094B (zh) * | 2016-06-15 | 2018-09-25 | 深圳维影医疗科技有限公司 | 一种基于轮廓检测的胸片肺野快速自动分割方法及其系统 |
| WO2017219024A1 (en) * | 2016-06-17 | 2017-12-21 | Children's National Medical Center | Medical anatomy quantification: computer-aided diagnosis tool |
| US10878336B2 (en) * | 2016-06-24 | 2020-12-29 | Intel Corporation | Technologies for detection of minority events |
| US11350995B2 (en) | 2016-10-05 | 2022-06-07 | Nuvasive, Inc. | Surgical navigation systems and methods |
| TWI608369B (zh) * | 2016-11-23 | 2017-12-11 | 財團法人工業技術研究院 | 分類方法、分類模組及電腦程式產品 |
| US10410348B2 (en) * | 2016-12-21 | 2019-09-10 | Elekta, Inc. | Online learning enhanced atlas-based auto-segmentation |
| US11164308B2 (en) * | 2017-02-27 | 2021-11-02 | The Regents Of The University Of California | System and method for improved medical images |
| US10862885B2 (en) * | 2017-03-20 | 2020-12-08 | Forescout Technologies, Inc. | Device identification |
| US11625597B2 (en) | 2017-11-15 | 2023-04-11 | Canon Medical Systems Corporation | Matching network for medical image analysis |
| GB2569541B (en) * | 2017-12-19 | 2020-08-19 | Mirada Medical Ltd | Method and apparatus for medical imaging |
| GB2583555B (en) * | 2017-12-19 | 2021-08-18 | Mirada Medical Ltd | Method and apparatus for medical imaging |
| EP3513730A1 (en) * | 2018-01-18 | 2019-07-24 | Koninklijke Philips N.V. | System and method for image decomposition of a projection image |
| US10878576B2 (en) * | 2018-02-14 | 2020-12-29 | Elekta, Inc. | Atlas-based segmentation using deep-learning |
| WO2019176806A1 (ja) * | 2018-03-16 | 2019-09-19 | 富士フイルム株式会社 | 機械学習装置および方法 |
| CN108564590A (zh) * | 2018-04-20 | 2018-09-21 | 上海理工大学 | 一种基于心脏磁共振电影短轴图像的右心室多图谱分割方法 |
| CN109242865B (zh) * | 2018-09-26 | 2020-09-25 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
| US11227390B2 (en) | 2018-09-26 | 2022-01-18 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image processing |
| EP3644275A1 (en) * | 2018-10-22 | 2020-04-29 | Koninklijke Philips N.V. | Predicting correctness of algorithmic segmentation |
| US10878173B2 (en) * | 2018-11-29 | 2020-12-29 | Adobe Inc. | Object recognition and tagging based on fusion deep learning models |
| US10930386B2 (en) | 2018-12-11 | 2021-02-23 | International Business Machines Corporation | Automated normality scoring of echocardiograms |
| JP6716765B1 (ja) * | 2018-12-28 | 2020-07-01 | キヤノン株式会社 | 画像処理装置、画像処理システム、画像処理方法、プログラム |
| US10956682B2 (en) | 2019-02-05 | 2021-03-23 | International Business Machines Corporation | Image object disambiguation resolution using learner model based conversation templates |
| US10915795B2 (en) | 2019-02-05 | 2021-02-09 | International Business Machines Corporation | Image object recognition through multimodal conversation templates |
| US10902295B2 (en) * | 2019-02-08 | 2021-01-26 | Sap Se | Using transformations to verify computer vision quality |
| JP7231709B2 (ja) | 2019-03-28 | 2023-03-01 | オリンパス株式会社 | 情報処理システム、内視鏡システム、情報処理方法及び学習済みモデルの製造方法 |
| CN110163285B (zh) * | 2019-05-23 | 2021-03-02 | 阳光保险集团股份有限公司 | 票证识别训练样本合成方法和计算机存储介质 |
| US11514297B2 (en) * | 2019-05-29 | 2022-11-29 | Anomalee Inc. | Post-training detection and identification of human-imperceptible backdoor-poisoning attacks |
| US11475130B2 (en) * | 2019-05-29 | 2022-10-18 | Anomalee Inc. | Detection of test-time evasion attacks |
| US11263497B2 (en) * | 2019-06-21 | 2022-03-01 | StraxCorp Pty. Ltd. | Method and system for machine learning classification based on structure or material segmentation in an image |
| US11830192B2 (en) * | 2019-07-31 | 2023-11-28 | The Joan and Irwin Jacobs Technion-Cornell Institute | System and method for region detection in tissue sections using image registration |
| JP7316611B2 (ja) * | 2020-01-30 | 2023-07-28 | 富士通株式会社 | 推定処理プログラム、推定処理方法、及び情報処理装置 |
| CN114638964A (zh) * | 2022-03-07 | 2022-06-17 | 厦门大学 | 基于深度学习的跨域三维点云分割方法、存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008126078A (ja) * | 2006-11-22 | 2008-06-05 | General Electric Co <Ge> | 血管内部のソフトプラークに対するリスク計測基準を作成するための方法及び装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1958156A2 (en) * | 2005-12-01 | 2008-08-20 | Koninklijke Philips Electronics N.V. | A method a system and a computer program for segmenting a structure associated with a reference structure in an image |
| CN102165454B (zh) * | 2008-09-29 | 2015-08-05 | 皇家飞利浦电子股份有限公司 | 用于提高计算机辅助诊断对图像处理不确定性的鲁棒性的方法 |
| JP5931755B2 (ja) | 2010-03-11 | 2016-06-08 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | モデルベースのセグメント化の確率向上 |
-
2013
- 2013-03-01 US US13/782,154 patent/US9122950B2/en active Active
-
2014
- 2014-02-12 EP EP14708993.2A patent/EP2962281B1/en active Active
- 2014-02-12 CN CN201480011383.0A patent/CN105009171B/zh active Active
- 2014-02-12 WO PCT/US2014/015952 patent/WO2014133756A2/en active Application Filing
- 2014-02-12 CA CA2903158A patent/CA2903158C/en active Active
- 2014-02-12 AU AU2014221357A patent/AU2014221357B2/en active Active
- 2014-02-12 RU RU2015141710A patent/RU2015141710A/ru unknown
- 2014-02-12 EP EP20208588.2A patent/EP3832595B1/en active Active
- 2014-02-12 JP JP2015560195A patent/JP6487341B2/ja active Active
- 2014-02-12 BR BR112015020981A patent/BR112015020981A2/pt not_active IP Right Cessation
-
2015
- 2015-07-27 US US14/809,302 patent/US9460360B2/en active Active
-
2018
- 2018-05-01 JP JP2018087963A patent/JP6672371B2/ja active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008126078A (ja) * | 2006-11-22 | 2008-06-05 | General Electric Co <Ge> | 血管内部のソフトプラークに対するリスク計測基準を作成するための方法及び装置 |
Non-Patent Citations (2)
| Title |
|---|
| XIAO HAN ET AL.: "Atlas-Based Auto-segmentation of Head and Neck CT Images", [ONLINE], JPN7019001766, 2008, ISSN: 0004047024 * |
| 北川輝彦 他: "ヘッセ行列を利用した線強調フィルタによる体幹部単純Ｘ線ＣＴ像からの肝臓内血管の自動抽出", 電子情報通信学会技術研究報告, JPN6019020395, 2007, JP, ISSN: 0004047025 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CA2903158A1 (en) | 2014-09-04 |
| CN105009171A (zh) | 2015-10-28 |
| AU2014221357B2 (en) | 2019-04-04 |
| JP6487341B2 (ja) | 2019-03-20 |
| US20140247977A1 (en) | 2014-09-04 |
| RU2015141710A (ru) | 2017-05-10 |
| US20150356367A1 (en) | 2015-12-10 |
| WO2014133756A3 (en) | 2014-11-06 |
| CA2903158C (en) | 2020-05-12 |
| EP2962281A2 (en) | 2016-01-06 |
| AU2014221357A1 (en) | 2015-09-03 |
| WO2014133756A2 (en) | 2014-09-04 |
| EP3832595A1 (en) | 2021-06-09 |
| JP2016513328A (ja) | 2016-05-12 |
| US9122950B2 (en) | 2015-09-01 |
| CN105009171B (zh) | 2018-04-27 |
| EP3832595B1 (en) | 2022-07-13 |
| US9460360B2 (en) | 2016-10-04 |
| BR112015020981A2 (pt) | 2017-07-18 |
| EP2962281B1 (en) | 2021-07-14 |
| JP6672371B2 (ja) | 2020-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6672371B2 (ja) | 分類器を学習する方法及び装置 | |
| Mahapatra | Analyzing training information from random forests for improved image segmentation | |
| Xu et al. | Texture-specific bag of visual words model and spatial cone matching-based method for the retrieval of focal liver lesions using multiphase contrast-enhanced CT images | |
| CN108550156B (zh) | 用于图像引导治疗计划的结构形状的自动描绘的方法和装置 | |
| Hofmanninger et al. | Mapping visual features to semantic profiles for retrieval in medical imaging | |
| Lei et al. | Automatic recognition of fetal facial standard plane in ultrasound image via fisher vector | |
| JP2017016593A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| Mahapatra | Graph cut based automatic prostate segmentation using learned semantic information | |
| Abed et al. | A modern deep learning framework in robot vision for automated bean leaves diseases detection | |
| Mahapatra et al. | Visual saliency based active learning for prostate mri segmentation | |
| Mahapatra et al. | Visual saliency-based active learning for prostate magnetic resonance imaging segmentation | |
| Perkonigg et al. | Detecting bone lesions in multiple myeloma patients using transfer learning | |
| Vijayadeep et al. | A hybrid feature extraction based optimized random forest learning model for brain stroke prediction | |
| Shanthi et al. | Survey on Detection of Melanoma Skin Cancer Using Image Processing and Machine Learning | |
| Jyoti et al. | Optimized clustering method for CT brain image segmentation | |
| CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 | |
| Lvliang et al. | Efficient Clustering of Brain Tumor Segments using Level-set Hybrid Machine Learning Algorithms | |
| Kanavati et al. | Supervoxel classification forests for estimating pairwise image correspondences | |
| Zambales et al. | A model for classification of skin lesions using image processing techniques and neural network | |
| Revathi et al. | A brief survey on brain tumor identification models using deep neural networks | |
| Kowal et al. | Discovering important regions of cytological slides using classification tree | |
| Hristova | 3D Medical Image Segmentation with Vantage Point Forests and Binary Context Features | |
| Shaker | Fully Automated Magnetic Resonance Detection and Segmentation of Brain using Convolutional Neural Network | |
| Malligeswari et al. | Hybrid Deep Learning based Lung Disease Detection and Classification | |
| Aliyar et al. | Adaptive Multilevel Patch Based Lung Nodule Classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180501 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180501 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190523 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190611 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190830 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200121 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200121 |
|
| 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: 20200204 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200304 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6672371 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 |