JP2018201569A - 地図情報生成方法、判定方法、及びプログラム - Google Patents

Abstract

【課題】脳動脈瘤の発生確率を示す地図を自動生成する。【解決手段】地図情報生成方法は、脳動脈瘤患者の脳血管の座標情報及び脳動脈瘤の座標情報がそれぞれ対応づけられ、当該脳血管が細線化された細線化患者画像情報を生成する細線化患者画像生成ステップと、脳血管が細線化された細線化基準画像が示す脳血管の基準座標に対して、細線化患者画像情報が示す細線化された脳血管の座標を対応付ける座標対応付けステップと、複数の脳動脈瘤患者の前記細線化患者画像情報についての座標対応付けステップにおいて対応付けられた脳血管の座標及び座標情報に基づいて、基準座標に対する脳動脈瘤の座標における発生確率を示す確率的地図情報を生成する地図情報生成ステップとを有する。【選択図】図２

Description

本発明は地図情報生成方法、判定方法、及びプログラムに関する。

頭蓋内動脈瘤（以下、脳動脈瘤と称する）の有病率は、解剖による予測と血管造影法による診断により、３．６パーセントから６．０パーセントであると見積もられている。脳動脈瘤とは、脳における脳血管障害であり、血管の局所的な膨張、あるいはバルーン化を引き起こす。脳動脈瘤の破裂は、くも膜下出血や、頭蓋内出血をもたらす。くも膜下出血や、頭蓋内出血の死亡率は、４０パーセントから５０パーセントである。

近年、脳卒中や認知症の予防への高い関心は、頭蓋内疾患、及び脳血管疾患に対する医療健診システムの確立へとつながった。脳ドックとして知られる医療健診が、日本では広く行われている。２００９年までに、全国調査により、脳ドックは、日本において２３５の認可された医療機関で受診可能であることが明らかにされた。脳ドックにより、受診者の２．６パーセントに、脳動脈瘤が検出された。

脳動脈瘤のスクリーニング検査に用いられる標準的な検査方法は、磁気共鳴血管造影法（ＭＲＡ：Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ａｎｇｉｏｇｒａｐｈｙ）である。ＭＲＡは、脳動脈瘤、狭窄症、閉塞、あるいは他の脳血管の異常を検出するために、血管を画像化するのに用いられる。ＭＲＡは、コンピュータ断層撮影（ＣＴ：Ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ）による血管造影法や、カテーテル血管造影法に比べ、造影剤を用いることがないため毒性が少なく、非侵襲であるという利点のため、広く用いられている。

ＭＲＡ画像の処理に用いられる最大値投影法（ＭＩＰ：Ｍａｘｉｍｕｍ Ｉｎｔｅｎｓｉｔｙ Ｐｒｏｊｅｃｔｉｏｎ）においては画像が重なってしまうことや、脳動脈瘤が珍しい位置にある場合がある。このため、放射線医師にとって、脳動脈瘤を手作業により検出することは困難である。
放射線医師を支援するために、ＭＲＡ画像を用いた無症候性未破裂脳動脈瘤の検出において、多くのコンピュータ支援診断（ＣＡＤ：Ｃｏｍｐｕｔｅｒ−ａｉｄｅｄ ｄｉａｇｎｏｓｔｉｃ）システムの枠組みが開発されてきた。研究によれば、ＣＡＤシステムを用いることで、経験の比較的浅い放射線医師の診断実績の向上と、画像読み込み時間の短縮とにおいて、顕著な改善がみられたことが統計的に示されている。

さて、動脈瘤の母血管の流入側と流出側血管を指定してマーキングし、細線化処理を経て血管芯線の抽出を行い、血管の膨張などの異常を特定する動脈瘤計測方法、及びその装置並びにコンピュータプログラムが知られている（例えば、特許文献１を参照））。

特開２００９−２４０５４３号公報

脳動脈瘤の場所を特定する際に、脳動脈瘤の発生確率を示す地図を利用する場合がある。このような地図の作成は、データベースから専門家により手作業で行う必要があり、時間を要するという問題があった。脳動脈瘤の発生確率を示す地図を用いて脳動脈瘤の場所を特定する方法において、脳動脈瘤の発生確率を示す地図を自動生成する技術が求められている。

本発明は上記の点に鑑みてなされたものであり、脳動脈瘤の発生確率を示す地図を自動生成することができる地図情報生成方法、判定方法、及びプログラムを提供する。

（１）本発明は上記の課題を解決するためになされたものであり、本発明の一態様は、脳動脈瘤患者の脳血管の座標情報及び脳動脈瘤の座標情報がそれぞれ対応づけられ、当該脳血管が細線化された細線化患者画像情報を生成する細線化患者画像生成ステップと、脳血管が細線化された細線化基準画像が示す脳血管の基準座標に対して、前記細線化患者画像生成ステップにおいて生成された前記細線化患者画像情報が示す細線化された脳血管の座標を対応付ける座標対応付けステップと、複数の脳動脈瘤患者の前記細線化患者画像情報についての前記座標対応付けステップにおいて対応付けられた脳血管の座標及び座標情報に基づいて、前記基準座標に対する脳動脈瘤の座標における発生確率を示す確率的地図情報を生成する地図情報生成ステップとを有する地図情報生成方法である。

（２）また、本発明の一態様は、上記地図情報生成方法において、前記地図情報生成ステップにおいて、前記脳動脈瘤の大きさに基づいて、前記確率的地図情報を生成する。

（３）また、本発明の一態様は、判定対象の脳動脈瘤患者の脳血管の座標情報及び脳動脈瘤の座標情報がそれぞれ対応づけられ、当該脳血管が細線化された判定対象細線化患者画像情報を生成する判定対象細線化患者画像生成ステップと、請求項１または請求項２に記載の前記地図情報生成方法により前記確率的地図情報を生成する確率的地図情報生成ステップと、前記判定対象細線化患者画像情報が示す脳血管の基準座標に対して、前記確率的地図情報生成ステップにおいて生成された前記確率的地図情報が示す細線化された脳血管の座標を対応付ける第２の座標対応付けステップと、前記第２の座標対応付けステップにおいて対応付けられた脳血管の座標及び座標情報に基づいて、第２の確率的地図情報を生成する第２の地図情報生成ステップと、前記第２の確率的地図情報に含まれる偽陽性をベイズ推定によって判定する偽陽性判定ステップと、を有する判定方法である。

（４）また、本発明の一態様は、上記の判定方法において、前記偽陽性判定ステップにおいて、脳動脈瘤を楕円体とみなしたときの当該楕円体を表す２次式のヘッセ行列の固有値の比を用いる。

（５）また、本発明の一態様は、コンピュータに、脳動脈瘤患者の脳血管の座標情報及び脳動脈瘤の座標情報がそれぞれ対応づけられ、当該脳血管が細線化された細線化患者画像情報を生成する細線化患者画像生成ステップと、脳血管が細線化された細線化基準画像が示す脳血管の基準座標に対して、前記細線化患者画像生成ステップにおいて生成された前記細線化患者画像情報が示す細線化された脳血管の座標を対応付ける座標対応付けステップと、複数の脳動脈瘤患者の前記細線化患者画像情報についての前記座標対応付けステップにおいて対応付けられた脳血管の座標及び座標情報に基づいて、前記基準座標に対する脳動脈瘤の座標における発生確率を示す確率的地図情報を生成する地図情報生成ステップと、を実行させるためのプログラムである。

本発明によれば、脳動脈瘤の発生確率を示す地図を自動生成することができる。

実施形態の脳血管画像における脳動脈瘤と、偽陽性との分布の一例を示す図である。 本実施形態の脳動脈瘤確率アトラスの自動作成の処理の一例を示す図である。 本実施形態の位置合わせを行う前の、基準となる主要血管の細線化画像と、臨床症例の主要血管の細線化画像との一例を示す図である。 本実施形態の位置合わせを行った後の、基準となる主要血管の細線化画像と、臨床症例の主要血管の細線化画像との一例を示す図である。 本実施形態の脳動脈瘤確率アトラスの一例を示す図である。 本実施形態の脳動脈瘤確率アトラスを用いたベイジアンＣＡＤフレームワークの一例を示す図である。 本実施形態の偽陽性と、脳動脈瘤とに対する固有値の比の分布の一例を示す図である。 本実施形態の脳動脈瘤確率アトラスを前方から後方にみた画像の一例を示す図である。 本実施形態のベイジアンＣＡＤフレームワークのＦＲＯＣ曲線の一例を示す図である。 本実施形態の脳動脈瘤確率アトラスを用いたベイジアンＣＡＤフレームワークの機能構成の一例を示す図である。

（実施形態）
以下、図面を参照しながら本発明の実施形態について詳しく説明する。
図１は、実施形態の脳血管画像における脳動脈瘤と、偽陽性との分布の一例を示す図である。当該脳血管画像は、脳を前方からみた場合の脳血管の画像である。

ＣＡＤシステムの従来の診断において、脳動脈瘤の検出のために様々な方法が開発されてきた。一例として、血管の屈曲部分において偽陽性を減らし、脳動脈瘤の形状を選択的に強調することができる楕円凸領域強調（ＥＣＥ：Ｅｌｌｉｐｓｏｉｄ Ｃｏｎｖｅｘ ｅｎｈａｎｃｅｍｅｎｔ）フィルターが提案されている。ＥＣＥフィルターを用いることにより、偽陽性の数は、５１．４パーセントまで減った。
しかしながら、図１に示すように、いくつかの偽陽性が、画像化された血管Ｖ１における画像領域への入り口部分ＦＰ１、あるいは画像化された血管Ｖ１の末端ＦＰ２、ＦＰ３に検出されてしまっていた。なお、場所Ａ０においては、真陽性が検出されている。

偽陽性をさらに減らすため、過去の診断と、現存するデータベースとに基づく、脳動脈瘤の場所についての事前情報は、脳動脈瘤の発生確率を示す地図である確率アトラスの作成に有用である。大部分の脳動脈瘤は、大脳動脈輪を囲うように発生することが知られている。
確率アトラスは、肝臓のような臓器の断片や、脳の構造において用いられてきた。しかしながら、脳動脈瘤が発生する共通の場所の事前情報を用いた方法はあまり知られていない。

本実施形態では、コンピュータを用いて、データベースから脳動脈瘤の確率アトラスを自動で作成する方法を提供する。コンピュータを用いた手法では、脳動脈瘤の場所についての事前情報を活用する。
脳動脈瘤の場所は血管の構造に依存し、血管の構造は共通のパターンをもつが、血管の形状は個体により異なる。基準となるデータと複数の臨床データとを、剛体レジストレーションのみを用いて、位置合わせを行うことは困難である。本方法においては、脳血管の主要血管間の位置合わせに対して、非剛体レジストレーションの手法であるＴＰＳ−ＲＰＭ（ＴＰＳ−ＲＰＭ：Ｔｈｉｎ Ｐｌａｔｅ Ｓｐｌｉｎｅ−Ｒｏｂｕｓｔ Ｐｏｉｎｔ Ｍａｔｃｈｉｎｇ）を利用する。

本実施形態では、７２人の患者の８９個の非破裂脳動脈瘤から得られた脳動脈瘤の場所の情報を、脳動脈瘤の確率アトラスの作成に用いる。また、本実施形態では、脳動脈瘤の確率アトラスと、ＥＣＥフィルターとを組み合わせたベイズ推定に基づき、偽陽性の数を減らすＣＡＤフレームワークを扱う。
本実施形態における脳動脈瘤の確率アトラスを、確率アトラスＰＡと称する。

（臨床症例）
本実施形態のデータベースは、７２人の患者のデータを含み、全員で８９個の非破裂脳動脈瘤をもつ。ここで、７２人の患者は、３６歳から８９歳までの、男性１７人、女性５５人からなる。データベースは、１人の健常者のデータを基準データとして含む。当該基準データは、２００６年から２００７年の間、あるいは２０１０年から２０１４年の間にＭＲＡ診断を受けた４５歳の女性のデータである。当該基準データは、健常者の血管の形状の基準を用いて、３０人の脳動脈瘤に罹患していない人のデータから選んだものである。
データベースに含まれる脳動脈瘤は、２人の経験のある神経放射線科医により、日本脳卒中学会のガイドラインに従って、ＣＴ血管造影法、あるいはデジタル差分血管造影法（ＤＳＡ：Ｄｉｇｉｔａｌ Ｓｕｂｔｒａｃｔｉｏｎ Ａｎｇｉｏｇｒａｐｈｙ）を用いて確認されたものである。患者のＭＲＡ画像は、３．０テスラの磁気共鳴画像スキャナを用いて得られたものである。３次元のＭＲＡ画像は、症例あたり１１２枚から１７２枚のスライスを含む。ここで、当該スライスは、１ミリメートルから１．２ミリメートルの厚さと、０．５ミリメートルから０．７ミリメートルの距離とからなるスライスである。スライスの画像は、ピクセルサイズが０．３５１６ミリメートルの５１２×５１２ピクセルである。元の３次元のＭＲＡ画像は、５１２×５１２×（２２４−２５８）のサイズのマトリックスと、サイズが０．３５１６ミリメートルの等方ボクセルとからなる等方的な体積データに、３次元内挿法を用いて変換される。
脳動脈瘤の、長径、及び２つの短径は、各々楕円体の長軸、中軸、短軸に沿って、手作業により測定された。ここで、楕円体の長軸、中軸、短軸は、互いに直交している。当該測定は、多断面再構成（ＭＰＲ：Ｍｕｌｔｉ−Ｐｌａｎａｒ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ）ソフトウェアを用いて、ＭＲＡ画像上で、２人の測定者により各々２回ずつ行われた。８９個の脳動脈瘤の長径は、１．４ミリメートルから１０．６ミリメートルの範囲の値を取り、平均値は４．４ミリメートルであった。

本実施形態の脳動脈瘤の場所の分布について説明する。
４０パーセントの脳動脈瘤が、中大脳動脈（ＭＣＡ：Ｍｉｄｄｌｅ Ｃｅｒｅｂｒａｌ Ａｒｔｅｒｙ）において発生し、３８パーセントの脳動脈瘤が内頚動脈（ＩＣＡ：Ｉｎｔｅｒｎａｌ Ｃａｒｏｔｉｄ Ａｒｔｅｒｙ）、及び内頚動脈後交通動脈（ＩＣＡ−Ｐｃｏｍ：ＩＣＡ−Ｐｏｓｔｅｒｉｏｒ Ｃｏｍｍｕｎｉｃａｔｉｎｇ Ａｒｔｅｒｙ）において発生している。このように、大半の脳動脈瘤は、ＭＣＡ、ＩＣＡ及びＩＣＡ−Ｐｃｏｍにおいて発生している。
１０パーセントの脳動脈瘤は、前交通動脈（Ａｃｏｍ：Ａｎｔｅｒｉｏｒ Ｃｏｍｍｕｎｉｃａｔｉｎｇ Ａｒｔｅｒｙ）において発生している。５パーセントの脳動脈瘤は、前大脳動脈（ＡＣＡ：Ａｎｔｅｒｉｏｒ Ｃｅｒｅｂｒａｌ Ａｒｔｅｒｙ）において発生している。３パーセントの脳動脈瘤は、脳底動脈先端部（ＢＡｔｉｐ：Ｔｉｐ ｏｆ Ｂａｓｉｌａｒ Ａｒｔｅｒｙ）、あるいは脳底動脈−上小脳動脈（ＢＡ−ＳＣＡ：Ｂａｓｉｌａｒ Ａｒｔｅｒｙ−Ｓｕｐｅｒｉｏｒ ｃｅｒｅｂｅｌｌａｒ Ａｒｔｅｒｙ）分岐部において発生している。２パーセントの脳動脈瘤は、椎骨動脈−後下小脳動脈（ＶＡ−ＰＩＣＡ：ｖｅｒｔｅｂｒａｌ ａｒｔｅｒｉｅｓ―ｐｏｓｔｅｒｉｏｒ ｉｎｆｅｒｉｏｒ ｃｅｒｅｂｅｌｌａｒ ａｒｔｅｒｉｅｓ）分岐部において発生している。

（脳動脈瘤確率アトラスの作成）
確率アトラスＰＡは、基準となる血管画像において、データベースの脳動脈瘤の場所と大きさを示すガウス球を用いて決定される。基準となる血管画像における各脳動脈瘤の場所は、変形ベクトル場を用いて、臨床画像の脳動脈瘤の場所を、基準となる血管画像の場所に変換することにより決定される。ここで、変形ベクトル場は、ＴＰＳ−ＲＰＭ法を用いて、臨床症例と、基準となる血管画像との間で、主要血管の細線化画像の位置合わせを行うことにより生成される。その後、ガウス球は、位置合わせをされた脳動脈瘤の場所に配置される。ここで、ガウス球のガウス分布の標準偏差は、各脳動脈瘤の長径の値の４分の１である。

図２は、データベースから確率アトラスＰＡを作成する処理の流れを示すフロー図である。本実施形態において、確率アトラスＰＡを作成する方法を、地図情報生成方法Ｍと呼ぶ。

（ステップＳ１０）ＭＲＡ画像から、主要な脳血管の細線化画像を生成する。
血管の堅牢な位置合わせを行うため、主要血管の細線化画像を抽出する。ここで、主要血管を用いる理由は、主要血管が、脳動脈瘤が共通して発生する場所に囲まれていることと、主要血管の分布は枝分かれした血管の分布に比べ不定性が少ないこととである。

主要血管は、ＭＲＡ画像の信号強度の情報に基づき抽出される。まず、最大ボクセル値が、ＭＲＡ画像の中央に位置している半径３０ミリメートルの球状領域から選択される。次に、最大ボクセル値の６０パーセントの信号強度を閾値として、当該球状領域に含まれる初期の血管領域が区分される。体積の比の増分を観察しながら、領域拡張法を、初期の血管領域に適用する。これにより、信号強度に対する閾値は自動的に決定され、元のＭＲＡ画像から主要血管に対する領域が得られる。

得られた主要血管の画像に対して、細線化の処理を行う。血管画像の細線化は、例えば、ＩｍａｇｅＪソフトウェアを用いて行われる。形態学的な処理は次のように行われる。
血管内の空洞を除くため、クロージング処理を行う。ここで、クロージング処理とは、膨張処理の後に収縮処理を行うことを繰り返す処理である。膨張処理とは、注目するボクセルの近傍の最大の信号強度を、当該ボクセルの信号強度に置き換える処理である。収縮処理とは、注目するボクセルの近傍の最少の信号強度を、当該ボクセルの信号強度に置き換える処理である。
枝分かれした血管を除くため、収縮処理を行う。３次元細線化アルゴリズムを適用し、主要血管の細線化画像を生成する。
ステップＳ１０において、臨床症例の細線化画像ＳＶ２が生成される。生成された細線化画像ＳＶ２に対して、脳動脈瘤患者の脳血管の座標情報、及び脳動脈瘤の座標情報がそれぞれ対応づけられ、細線化画像情報ＳＶＩ２が生成される。なお、細線化画像情報ＳＶＩ２は、各脳動脈瘤の大きさを示すサイズ情報を含む。
基準となる細線化画像ＳＶ１が生成される。生成された細線化画像ＳＶ１に対して、脳動脈瘤患者の脳血管の座標情報、及び脳動脈瘤の座標情報がそれぞれ対応づけられ、細線化画像情報ＳＶＩ１が生成される。

（ステップＳ２０）臨床症例の細線化画像と、基準となる細線化画像との位置合わせを行うことにより、臨床症例の脳動脈瘤の位置を、基準となる位置に合わせる。
脳動脈瘤のアトラスを作成するためには、臨床症例の脳動脈瘤の位置から基準となる細線化画像の位置への、非剛体位置合わせが必要である。
まず、ＴＰＳ−ＲＰＭ法を用いて、基準となる主要血管の細線化画像の点の集合と、臨床症例の主要血管の細線化画像の点の集合との間の非剛体位置合わせを行う。これにより、各点で定義された変形ベクトル場を得る。
次に、臨床症例の脳動脈瘤の位置を、基準となる主要血管の細線化画像上の位置に、基準となる主要血管の細線化画像の最も近い点における変形ベクトルを用いて、位置合わせを行う。
このように、ステップＳ２０においては、基準となる細線化画像情報ＳＶＩ１が示す、脳血管が細線化された細線化基準画像が示す脳血管の基準座標に対して、ステップＳ１０において生成された臨床症例の細線化画像情報ＳＶＩ２が示す細線化された脳血管の座標を対応付ける。

図３は、位置合わせを行う前の、基準となる主要血管の細線化画像ＳＶ１−１と、臨床症例の主要血管の細線化画像ＳＶ２との一例を示す図である。細線化画像ＳＶ１−１と、細線化画像ＳＶ２とでは血管の位置がずれている。
図４は、位置合わせを行った後の、基準となる主要血管の細線化画像ＳＶ１−２と、臨床症例の主要血管の細線化画像ＳＶ３との一例を示す図である。細線化画像ＳＶ１−２と、細線化画像ＳＶ２とでは血管の位置が対応づけられ、図３に比べずれが小さい。

図２に戻り、確率アトラスＰＡを作成する処理の説明を続ける。
（ステップＳ３０）位置合わせの完了した脳動脈瘤から確率アトラスＰＡを作成する。
ステップＳ２０における位置合わせにより、基準となる主要血管の細線化画像上の脳動脈瘤の位置が得られた。当該脳動脈瘤の位置を囲う脳動脈瘤の発生確率は、正規分布に従うことを仮定する。確率アトラスＰＡは、位置合わせをされた脳動脈瘤の位置の周りの式（１）で表されるガウス分布に基づき作成される。

ここで、位置ベクトルｖは、ボクセルの位置に対する３次元の位置ベクトル、確率Ｐ_ａ（ｖ）は、位置ベクトルｖで示される位置のボクセルが脳動脈瘤に含まれる確率、位置ベクトルｃ_ｉは、ｉ番目の脳動脈瘤の位置に対する位置ベクトル、値σ_ｉは、ガウス分布の標準偏差（ｉ番目の脳動脈瘤の長径の長さの値の４分の１）である。

このように、ステップＳ３０においては、複数の臨床症例の細線化画像情報ＳＶＩ２についての座標対応付けステップ（ステップＳ２０）において対応付けられた脳血管の座標及び座標情報に基づいて、基準となる細線化画像情報ＳＶＩ１の示す脳血管の座標に対する脳動脈瘤の座標における発生確率を示す確率アトラスＰＡを生成する。
また、ステップＳ３０においては、脳動脈瘤の長径の長さに基づいて、確率アトラスＰＡを生成する。

図５は、本実施形態の確率アトラスＰＡの一例を示す図である。確率アトラスＰＡは、８９個の脳動脈瘤に基づいて作成されている。確率アトラスＰＡは、脳の主要血管を前方からみた向きに描かれている。
基準となる主要血管の細線化画像ＳＶ１上に、脳動脈瘤の確率分布が示されている。例えば、場所Ａ１、Ａ２、Ａ３、Ａ４、Ａ５、Ａ６、Ａ７には、臨床症例の脳動脈瘤の位置が多く分布していることに対応して、脳動脈瘤が多く発生している。一方、例えば、場所Ｒ１には、臨床症例の脳動脈瘤の位置が殆ど分布していないことに対応して、脳動脈瘤は殆ど発生していない。

（ＣＡＤフレームワーク）
確率アトラスＰＡに基づくベイズ推定を用いたＣＡＤフレームワークについて説明する。
図６は、確率アトラスＰＡを用いたベイズ推定を用いたＣＡＤフレームワークを示す図である。以下では、ベイズ推定を用いたＣＡＤフレームワークを、ベイジアンＣＡＤフレームワークと称する。

ステップＳ１１０において、判定用症例のＭＲＡ画像ＤＩを、臨床症例に用いたＭＲＡ画像から１つ選び、取得する。
ステップＳ１２０において、ステップＳ１１０で取得したＭＲＡ画像ＤＩに、ＥＣＥフィルターを適用する。ステップＳ１２０において、ＥＣＥフィルター適用後の画像と、及び各脳動脈瘤の候補を楕円体とみなしたときの楕円体を表す２次式のヘッセ行列の固有値の比とを得る。ＥＣＥフィルター適用後の画像では、脳動脈瘤の候補の形状が選択的に強調される。

ステップＳ１３０において、判定対象の脳動脈瘤患者の脳血管の座標情報、及び脳動脈瘤の座標情報がそれぞれ対応づけられ、当該脳血管が細線化された判定対象細線化画像情報ＳＶＩ４を生成する。ここで、判定対象細線化画像情報ＳＶＩ４の示す判定対象細線化画像を、細線化画像ＳＶ４とする。
ステップＳ１４０において、ステップＳ１０、Ｓ２０、Ｓ３０で示す地図情報生成方法Ｍにより、確率アトラスＰＡを生成する。

ステップＳ１５０において、ステップＳ１４０において生成した確率アトラスＰＡを、細線化画像ＳＶ４への位置合わせを行うことで、確率アトラスＰＡ−１が生成される。この位置合わせは、ステップＳ２０で示した、臨床症例の主要血管の細線化画像ＳＶ２の、基準となる主要血管の細線化画像ＳＶ１への位置合わせと同様に行われる。ガウス球で表される各々の脳動脈瘤の場所は、変形ベクトル場を用いることで、細線化画像ＳＶ４へ位置合わせが行われる。ここで、当該変形ベクトルは、ＴＰＳ−ＲＰＭ法による血管画像の位置合わせにより得られる。
脳動脈瘤は常に血管の表面において発生する。このため、確率アトラスＰＡのガウス球に対して局所的な位置の調整を行う。細線化画像ＳＶ４において、各ガウス球を、最も近い血管の表面へと移動させ、確率アトラスＰＡ−１を得る。

ステップＳ１６０において、確率アトラスＰＡ−１と、ＥＣＥフィルターから得られる固有値の比とに基づくベイズ推定を、脳動脈瘤の候補に対して適用する。これにより、判定用症例のＭＲＡ画像ＤＩから、偽陽性の数を減らす。
ＥＣＥフィルターは、位置ベクトルｖで表されるボクセルにおける楕円体を表す２次式のヘッセ行列の固有値に基づいて設計されている。固有値の最大値と、最小値との比は、局所的な信号強度の形状を楕円体でモデル化したときの楕円体のおける短軸の中軸への比に対応する。この対応は、式２のように表される。

ここで、固有値λ_１、λ_２、λ_３は、ヘッセ行列の固有値である。

固有値の比をベイズ推定において尤度として用いる。
図７は、偽陽性と、脳動脈瘤とに対する固有値の比の分布を示す図である。脳動脈瘤に対する固有値の比の分布ＲＤ１は、式（３）により表される正規分布である。

ここで、平均値μ_ＴＰは、固有値の比Ｉ（ｖ_ＴＰ）の平均値、分散σ_ＴＰ ^２は固有値の比Ｉ（ｖ_ＴＰ）の分散である。確率Ｐ_ＴＰ（Ｉ（ｖ_ＴＰ）｜ｖ_ＴＰ）は、位置ベクトルｖ_ＴＰが示す位置が脳動脈瘤内に含まれる場合に、固有値の比が比Ｉ（ｖ_ＴＰ）である確率（尤度）である。
偽陽性に対する固有値の比の分布ＲＤ２は、式（４）により表される正規分布である。

ここで、平均値μ_ＦＰは、固有値の比Ｉ（ｖ_ＦＰ）の平均値、分散σ_ＦＰ ^２は固有値の比Ｉ（ｖ_ＦＰ）の分散である。確率Ｐ_ＦＰ（Ｉ（ｖ_ＦＰ）｜ｖ_ＦＰ）は、位置ベクトルｖ_ＴＰが示す位置が脳動脈瘤内に含まれない場合に、固有値の比が比Ｉ（ｖ_ＦＰ）である確率（尤度）である。

図６に戻って、ベイジアンＣＡＤフレームワークの説明を続ける。
固有値の比Ｉ（ｖ）が得られた場合に、位置ベクトルｖで表されるボクセルが脳動脈瘤内に位置する事後確率は、確率Ｐ（ｖ｜Ｉ（ｖ））で与えられる。確率Ｐ（ｖ｜Ｉ（ｖ））は、式（５）で与えられる。

ここで、確率Ｐａ（ｖ）は、式（１）で与えられる脳動脈瘤の発生確率である。
ステップＳ１６０において得られた、式（５）で与えられる脳動脈瘤の発生確率Ｐ（ｖ｜Ｉ（ｖ））に基づき、確率アトラスＰＡ−１の脳動脈瘤の確率分布を更新し、確率アトラスＰＡ−２を生成する。確率アトラスＰＡ−２を用いることで、偽陽性を判定する。

ステップＳ１７０において、ルールベース推論と、サポートベクターマシン（ＳＶＭ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）とに基づき偽陽性を判定する。
評価のために、Ｌｅａｖｅ−Ｏｎｅ−Ｏｕｔ交差検証を用いる。８９個の臨床症例から１個を選び、判定用症例とし、残り８８個を臨床症例とし、ベイジアンＣＡＤフレームワークを実行する。この操作を、８９個の臨床症例の全てが１回ずつ判定用症例として選ばれるまで、合計８９回繰り返す。

（結果）
図８は、本実施形態の確率アトラスＰＡ−２を前方から後方にみた最大値投映法による画像の一例を示す図である。
本実施例で得られた結果においては、大半の脳動脈瘤は、血管Ｖ３において、場所Ａ１２（大脳動脈輪）、場所Ａ８、Ａ１１（ＭＣＡ）、及び場所Ａ９、Ａ１０（ＩＣＡ屈曲部分）を囲むように発生している。一方、例えば、場所Ｒ２には、脳動脈瘤は殆ど発生していない。
この結果は、未破裂脳動脈瘤の有病率の研究における、脳動脈瘤の大きさと場所についての割合を示すデータを再現している。

図９は、本実施形態のベイジアンＣＡＤフレームワークのＦＲＯＣ曲線の一例を示す図である。ここで、ＦＲＯＣ曲線とは、偽陽性と感度との関係を示す曲線である。
確率アトラスと、ＥＣＥフィルターから得られる固有値の比とに基づくベイズ推定を用いる場合のＦＲＯＣ（ｆｒｅｅ−ｒｅｓｐｏｎｓｅ ｒｅｃｅｉｖｅｒ ｏｐｅｒａｔｉｎｇ ｃｈａｒａｃｔｅｒｉｓｔｉｃ）曲線Ｇ１と、用いない場合のＦＲＯＣ曲線Ｇ２とを比較する。
本実施形態によれば、８９個の症例を用いた場合、感度が最も高い結果において偽陽性の数を比較した場合。確率アトラスを、ベイジアンＣＡＤフレームワークに取り入れることで、偽陽性の初期値は、２５．２個から７．２個へと、９３．１パーセントの感度で減少することが確認されている。また、症例あたりの偽陽性の平均個数は、１９個から５．４個へと８０パーセントの感度で減少することが確認されている。

図１０は、本実施形態の確率アトラスを用いたベイジアンＣＡＤフレームワークの機能構成の一例を示す図である。本実施形態のベイジアンＣＡＤフレームワークを、フレームワークＦと称する。
フレームワークＦは、脳動脈瘤場所推定装置１と、画像供給部２と、提示部３とを備える。

脳動脈瘤場所推定装置１は、判定画像取得部１０と、固有値比算出部１１と、細線化画像生成部１２と、確率アトラス自動生成部１３と、座標対応づけ部１４と、第１偽陽性判定部１５と、第２偽陽性判定部１６とを備える。

判定画像取得部１０は、画像供給部２から、診断対象となる脳動脈瘤患者の脳血管のＭＲＡ画像ＤＩを、取得する。判定画像取得部１０は、取得したＭＲＡ画像ＤＩを、固有値比算出部１１と、細線化画像生成部１２とに供給する。

固有値比算出部１１は、判定画像取得部１０から取得したＭＲＡ画像ＤＩに、ＥＣＥフィルターを適用する。ＥＣＥフィルターに用いたヘッセ行列の固有値の比を、各脳動脈瘤の候補に対して算出する。固有値比算出部１１は、各脳動脈瘤の候補に対して算出した固有値の比を、第１偽陽性判定部１５に供給する。

細線化画像生成部１２は、判定画像取得部１０から取得した、判定対象のＭＲＡ画像ＤＩから、主要血管の判定対象細線化画像情報ＳＶＩ４を生成し、座標対応づけ部１４に供給する。ここで、判定対象細線化画像情報ＳＶＩ４は、判定対象の脳血管の座標情報を含む、細線化画像ＳＶ４を示す情報である。

確率アトラス自動生成部１３は、確率アトラスＰＡを自動生成する。確率アトラス自動生成部１３は、臨床画像取得部１３０と、基準画像取得部１３１と、ＰＡ細線化画像生成部１３２と、ＰＡ座標対応づけ部１３３と、地図情報生成部１３４とを備える。

臨床画像取得部１３０は、画像供給部２から、臨床症例の脳血管のＭＲＡ画像ＣＩを、取得する。臨床画像取得部１３０は、取得したＭＲＡ画像ＣＩを、ＰＡ細線化画像生成部１３２に供給する。

基準画像取得部１３１は、画像供給部２から、基準となる脳血管のＭＲＡ画像ＲＩを、取得する。臨床画像取得部１３０は、取得したＭＲＡ画像ＲＩを、ＰＡ細線化画像生成部１３２に供給する。

ＰＡ細線化画像生成部１３２は、臨床画像取得部１３０から取得したＭＲＡ画像ＣＩから、細線化画像情報ＳＶＩ２を生成する。ここで、細線化画像情報ＳＶＩ２は、脳動脈瘤患者の脳血管の座標情報及び脳動脈瘤の座標情報がそれぞれ対応づけられた、細線化画像ＳＶ２を示す情報である。また、細線化画像情報ＳＶＩ２は、各脳動脈瘤の大きさを示すサイズ情報を含む。
ＰＡ細線化画像生成部１３２は、基準画像取得部１３１から取得したＭＲＡ画像ＲＩから、細線化画像情報ＳＶＩ１を生成する。ここで、細線化画像情報ＳＶＩ１は、基準となる健常者の脳血管の座標情報を含む、細線化画像ＳＶ１を示す情報である。
ＰＡ細線化画像生成部１３２は、生成した細線化画像情報ＳＶＩ２と、細線化画像情報ＳＶＩ１とを、ＰＡ座標対応づけ部１３３に供給する。

ＰＡ座標対応づけ部１３３は、ＰＡ細線化画像生成部１３２から、細線化画像情報ＳＶＩ１と、細線化画像情報ＳＶＩ２とを取得する。ＰＡ座標対応づけ部１３３は、取得した細線化画像情報ＳＶＩ１が示す脳血管の基準座標に対して、取得した細線化画像情報ＳＶＩ２が示す細線化された脳血管の座標を対応付ける。
ＰＡ座標対応づけ部１３３は、細線化画像情報ＳＶＩ１と、細線化された脳血管の座標が、細線化画像情報ＳＶＩ１が示す脳血管の基準座標に対応づけられた細線化画像情報ＳＶＩ２とを、地図情報生成部１３４に供給する。

地図情報生成部１３４は、ＰＡ座標対応づけ部１３３から、細線化画像情報ＳＶＩ１と、細線化された脳血管の座標が、細線化画像情報ＳＶＩ１が示す脳血管の基準座標に対応づけられた細線化画像情報ＳＶＩ２とを、取得する。
地図情報生成部１３４は、取得した細線化画像情報ＳＶＩ１が示す脳血管の基準座標に対する脳動脈瘤の座標における発生確率を示す確率アトラスＰＡを生成する。ここで、地図情報生成部１３４は、ＰＡ座標対応づけ部１３３により対応付けられた細線化画像情報ＳＶＩ２の示す脳動脈瘤の座標、座標情報、及びサイズ情報に基づいて、確率アトラスＰＡを生成する。
地図情報生成部１３４は、生成した確率アトラスＰＡを、座標対応づけ部１４に供給する。

座標対応づけ部１４は、細線化画像生成部１２から、判定対象細線化画像情報ＳＶＩ４を、確率アトラス自動生成部１３から、確率アトラスＰＡを、各々取得する。座標対応づけ部１４は、取得した判定対象細線化画像情報ＳＶＩ４が示す脳血管の座標に対して、取得した確率アトラスＰＡが示す細線化された脳血管の座標を対応付ける。
座標対応づけ部１４は、判定対象細線化画像情報ＳＶＩ４が示す脳血管の座標に対応づけられた確率アトラスＰＡ−１を、第１偽陽性判定部１５に供給する。

第１偽陽性判定部１５は、座標対応づけ部１４から、確率アトラスＰＡ−１を取得する。第１偽陽性判定部１５は、取得した確率アトラスＰＡ−１と、ＥＣＥフィルターから得られる固有値の比とに基づきベイズ推定を行う。これにより、第１偽陽性判定部１５は、ＭＲＡ画像ＤＩに含まれる脳動脈瘤の候補から偽陽性を判定する。
第１偽陽性判定部１５は、ベイズ推定により確率アトラスＰＡ−２を生成する。第１偽陽性判定部１５は、生成した確率アトラスＰＡ−２を用いて、ＭＲＡ画像ＤＩに含まれる脳動脈瘤の候補から偽陽性を判定する。

第２偽陽性判定部１６は、ルールベース推論と、ＳＶＭとに基づいて、ＭＲＡ画像ＤＩに含まれる脳動脈瘤の候補から偽陽性を判定する。その後、第２偽陽性判定部１６は、判定結果を示す画像情報を、提示部３に提示させる。

提示部３は、脳動脈瘤場所推定装置１から、判定結果を示す画像情報を取得する。提示部３は、診断対象となる脳動脈瘤患者の脳血管の画像を、取得した判定結果を示す画像情報に基づく脳動脈瘤の候補とともに、表示装置（不図示）に表示させる。

（まとめ）
剛体位置合わせや、脳細胞に基づく位置合わせでは、解剖学的に血管の場所が異なっていることに対する限界があったが、地図情報生成方法Ｍによれば、血管の細線化画像に基づく非剛体位置合わせにより、克服することができた。

確率アトラスの作成に際し、手動による位置合わせをすることなく、脳動脈瘤の位置の、基準となる主要血管への位置合わせを行うことができる。そのため、本作成方法によれば、潜在的なユーザに機会を与えることができる。例えば、研究所や病院において、脳動脈瘤の場所についての事前情報を利用することにより、所有するデータベースをより実用的にかつ効果的に用いることができる。

従来技術の手動による方法に比べ、本実施形態によるコンピュータによる位置合わせの方法は、ユーザの作業量を減らし、観察者により生まれる違いを少なくする。臨床症例の細線化画像と、基準となる細線化画像との間の血管の位置合わせに要する時間は、一般的なパーソナルコンピュータ（クロック数を３．２ギガヘルツ、コア数を６つとする）を用いた場合、１分と４６．２±３．７秒である。これは、日々の使用に耐え得る数字である。

本実施形態によるＣＡＤフレームワークは、一症例あたり７．２個の偽陽性を伴い、全ての脳動脈瘤のうち９３．１パーセントを検出すること、あるいは、一症例あたり５．４個の偽陽性を伴い、８０パーセントの感度で検出することができる。

３テスラの磁気共鳴スキャナを採用することは、１．５テスラの磁気共鳴スキャナよりも、スキャン時間が半分で済むため、スキャンをより快適なものにし、動きに伴うずれを減らすことができる。

上述した実施形態に係る地図情報生成方法Ｍによれば、脳動脈瘤患者の脳血管の座標情報及び脳動脈瘤の座標情報がそれぞれ対応づけられ、当該脳血管が細線化された細線化患者画像情報（細線化画像情報ＳＶＩ２）を生成する細線化患者画像生成ステップ（ステップＳ１０）と、脳血管が細線化された細線化基準画像（細線化画像ＳＶ１−１、ＳＶ１−２）が示す脳血管の基準座標に対して、細線化患者画像生成ステップ（ステップＳ１０）において生成された細線化患者画像情報（細線化画像情報ＳＶＩ２）が示す細線化された脳血管の座標を対応付ける座標対応付けステップ（ステップＳ２０）と、複数の脳動脈瘤患者の細線化患者画像情報（細線化画像情報ＳＶＩ２）についての座標対応付けステップ（ステップＳ２０）において対応付けられた脳血管の座標及び座標情報に基づいて、基準座標（基準となる細線化画像情報ＳＶＩ１の示す脳血管の座標）に対する脳動脈瘤の座標における発生確率を示す確率的地図情報（確率アトラスＰＡ）を生成する地図情報生成ステップ（ステップＳ３０）とを有する。したがって、地図情報生成方法Ｍによれば、脳動脈瘤の発生確率を示す地図を自動生成することができる。

上述した実施形態に係る地図情報生成方法Ｍによれば、脳動脈瘤の大きさ（脳動脈瘤の長径の長さ）に基づいて、確率的地図情報（確率アトラスＰＡ）を生成する。したがって、地図情報生成方法Ｍによれば、脳動脈瘤の発生確率を示す地図に脳動脈瘤の大きさの情報を反映させることができる。

上述した実施形態に係る判定方法によれば、判定対象の脳動脈瘤患者の脳血管の座標情報及び脳動脈瘤の座標情報がそれぞれ対応づけられ、当該脳血管が細線化された判定対象細線化患者画像情報（判定対象細線化画像情報ＳＶＩ４）を生成する判定対象細線化患者画像生成ステップ（ステップＳ１３０）と、地図情報生成方法Ｍにより確率的地図情報（確率アトラスＰＡ）を生成する確率的地図情報生成ステップ（ステップＳ１４０）と、判定対象細線化患者画像情報（判定対象細線化画像情報ＳＶＩ４）が示す脳血管の基準座標（判定対象細線化画像情報ＳＶＩ４の示す脳血管の座標）に対して、確率的地図情報生成ステップ（ステップＳ１４０）において生成された確率的地図情報（確率アトラスＰＡ）が示す細線化された脳血管の座標を対応付ける第２の座標対応付けステップ（ステップＳ１５０）と、第２の座標対応付けステップ（ステップＳ１５０）において対応付けられた脳血管の座標及び座標情報に基づいて、第２の確率的地図情報（確率アトラスＰＡ−１）を生成する第２の地図情報生成ステップ（ステップＳ１５０）と、第２の確率的地図情報（確率アトラスＰＡ−１）に含まれる偽陽性をベイズ推定によって判定する偽陽性判定ステップと、を有する。したがって、上述した実施形態に係る判定方法によれば、判定結果から偽陽性の数を減らすことができる。

上述した実施形態に係る判定方法によれば、脳動脈瘤を楕円体とみなしたときの当該楕円体を表す２次式のヘッセ行列の固有値の比を用いる。上述した実施形態に係る判定方法によれば、脳動脈瘤の形に基づいて、判定結果から偽陽性の数を減らすことができる。

以上、本発明の実施形態を、図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲で適宜変更を加えることができる。上述した各実施形態に記載の構成を組み合わせてもよい。

また、本発明は、肺がんの好発部位について、血管、気管、肺胞における確率地図を作成することに適用可能である。その場合、例えば、上述した実施形態において説明した脳血管の主要血管を、血管や気管に対応させて確率地図を作成する。このように、本発明は、個人の間において構造が共通している器官であれば、罹患部位の位置の、基準となる器官への位置合わせを行うことにより適用可能である。本発明は、例えば、骨格、主要な神経系、主要なリンパ管、消化管などの器官に適用してもよい。

なお、上記の実施形態における各装置が備える各部は、専用のハードウェアにより実現されるものであってもよく、また、メモリおよびマイクロプロセッサにより実現させるものであってもよい。

なお、各装置が備える各部は、メモリおよびＣＰＵ（中央演算装置）により構成され、各装置が備える各部の機能を実現するためのプログラムをメモリにロードして実行することによりその機能を実現させるものであってもよい。

また、各装置が備える各部の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより、制御部が備える各部による処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。

また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。

１…脳動脈瘤場所推定装置、２…画像供給部、３…提示部、１０…判定画像取得部、１１…固有値比算出部、１２…細線化画像生成部、１３…確率アトラス自動生成部、１４…座標対応づけ部、１５…第１偽陽性判定部、１６…第２偽陽性判定部、１３０…臨床画像取得部、１３１…基準画像取得部、１３２…ＰＡ細線化画像生成部、１３３…ＰＡ座標対応づけ部、１３４…地図情報生成部、Ｖ１…血管、ＦＰ１…入り口部分、ＦＰ２、ＦＰ３…末端、Ａ１、Ａ２、Ａ３、Ａ４、Ａ５、Ａ６、Ａ７、Ｒ１…場所、ＳＶ１−１、ＳＶ１−２、ＳＶ２、ＳＶ３…細線化画像

Claims (5)

1. 脳動脈瘤患者の脳血管の座標情報及び脳動脈瘤の座標情報がそれぞれ対応づけられ、当該脳血管が細線化された細線化患者画像情報を生成する細線化患者画像生成ステップと、
   脳血管が細線化された細線化基準画像が示す脳血管の基準座標に対して、前記細線化患者画像生成ステップにおいて生成された前記細線化患者画像情報が示す細線化された脳血管の座標を対応付ける座標対応付けステップと、
   複数の脳動脈瘤患者の前記細線化患者画像情報についての前記座標対応付けステップにおいて対応付けられた脳血管の座標及び座標情報に基づいて、前記基準座標に対する脳動脈瘤の座標における発生確率を示す確率的地図情報を生成する地図情報生成ステップと
   を有する地図情報生成方法。
2. 前記地図情報生成ステップにおいて、前記脳動脈瘤の大きさに基づいて、前記確率的地図情報を生成する
   請求項１に記載の地図情報生成方法。
3. 判定対象の脳動脈瘤患者の脳血管の座標情報及び脳動脈瘤の座標情報がそれぞれ対応づけられ、当該脳血管が細線化された判定対象細線化患者画像情報を生成する判定対象細線化患者画像生成ステップと、
   請求項１または請求項２に記載の前記地図情報生成方法により前記確率的地図情報を生成する確率的地図情報生成ステップと、
   前記判定対象細線化患者画像情報が示す脳血管の基準座標に対して、前記確率的地図情報生成ステップにおいて生成された前記確率的地図情報が示す細線化された脳血管の座標を対応付ける第２の座標対応付けステップと、
   前記第２の座標対応付けステップにおいて対応付けられた脳血管の座標及び座標情報に基づいて、第２の確率的地図情報を生成する第２の地図情報生成ステップと、
   前記第２の確率的地図情報に含まれる偽陽性をベイズ推定によって判定する偽陽性判定ステップと、
   を有する判定方法。
4. 前記偽陽性判定ステップにおいて、脳動脈瘤を楕円体とみなしたときの当該楕円体を表す２次式のヘッセ行列の固有値の比を用いる
   請求項３に記載の判定方法。
5. コンピュータに、
   脳動脈瘤患者の脳血管の座標情報及び脳動脈瘤の座標情報がそれぞれ対応づけられ、当該脳血管が細線化された細線化患者画像情報を生成する細線化患者画像生成ステップと、
   脳血管が細線化された細線化基準画像が示す脳血管の基準座標に対して、前記細線化患者画像生成ステップにおいて生成された前記細線化患者画像情報が示す細線化された脳血管の座標を対応付ける座標対応付けステップと、
   複数の脳動脈瘤患者の前記細線化患者画像情報についての前記座標対応付けステップにおいて対応付けられた脳血管の座標及び座標情報に基づいて、前記基準座標に対する脳動脈瘤の座標における発生確率を示す確率的地図情報を生成する地図情報生成ステップと、
   を実行させるためのプログラム。