JP2019518288A - 医療画像における変化検出 - Google Patents

Abstract

医療画像における変化を検出するためのシステム及び方法が提供される。第１の医療画像と第２の医療画像との強度差を表す差分画像が生成される。該差分画像の強度分布に対して混合モデルがフィッティングされ、該強度分布を集合的にモデル化する複数の確率分布が特定される。複数の確率分布に依存して、複数の強度範囲が決定される。該差分画像の画像データは、ラベル付けされた画像データが該複数の強度範囲のうちどれに入るかを決定することにより、ラベル付けされる。従って、既知のシステム及び方法よりも正確な変化検出が得られる。

Description

本発明は、医療画像における変化検出のためのシステム及び方法に関する。本発明は更に、該システムを有するサーバ、撮像装置及びワークステーションに関する。本発明は更に、該方法をプロセッサシステムに実行させるための命令を有するコンピュータ読み取り可能な媒体に関する。

医療画像は、患者の解剖学的構造及び／又は内在する組織の機能的特性を示し得る。患者の解剖学的構造（の一部）又は内在する組織の機能的特性における変化を検出することが、望ましいこととなり得る。斯かる変化は、疾病の状態の変化又はその他のタイプの解剖学的な変化を示し得る。例えば、変化は、癌の増殖、多発性硬化症（ＭＳ）の進行、等によるもの又はこれらに関連するものであり得る。変化及び変化のタイプを検出することにより、例えば処置戦略を調節することによって、疾病をより好適に処置することが可能となり得る。斯かる変化の検出のため、異なる時点における解剖学的構造を示す医療画像が比較され得る。代替として、又はこれに加えて、医療画像は、例え健康な患者と病気の患者とに関連するもののように、他の態様で異なり得る。医療画像における変化の検出のための一般的な手法は、例えば放射線医による、手作業による視覚的な調査である。しかしながら、斯かる手作業による視覚的な調査は、しばしば時間を浪費するものであり、例えば癌の増殖や浮腫等のような微弱な変化の検出は困難で不正確なものとなり得る。

I. Kakadiarisらによる論文「Signal-Processing Approaches to Risk Assessment in Coronary Artery Disease」（IEEE Signal Processing Magazine、volume 23、59-62頁（2006年））は、栄養血管の微小血管の血管内超音波撮像のための方法を開示している。V. Bevilacquaらによる論文「Retina images processing using genetic algorithm and maximum likelihood method」（Proceedings advances in computer science and technology、277-280頁（2004年））は、遺伝的アルゴリズム及び最尤法を用いた網膜画像処理のためのシステムを開示している。J. Suarez de Lezoらによる論文「Intracoronary Ultrasound Assessment of Directional Coronary Atherectomy: Immediate and Follow-Up Findings」（Journal of the American College of Cardiology、volume 21、298-307頁（1993年））は、所望の構造の視覚化を最適化するための超音波利得及びグレースケール設定を調節することを含む方法を開示している。L. Bruzzoneによる論文「Automatic Analysis of the Difference Image for Unsupervised Change Detection」（IEEE Transactions on Geoscience and Remote Sensing、volume 38、1171-1182頁（2000年））は、画像の画素位置において変化が生じたか否かを決定するための手法を開示しており、これら手法はベイズ理論に基づくものである。

更に、米国特許出願公開US2004/0092809A1は、対象の状態を診断するためのコンピュータ支援された方法であって、該状態は、例えば脳のような離散的に局所化された領域により定義されたものあっても良い１つ以上の対象領域における起動に関連し、該離散的に局所化された領域は、背景状態との比較における刺激又は挙動により変調された３次元医療画像におけるボクセルを見出すことにより生理学的に定義され得る方法を開示している。

医療画像における変化の自動的な検出のための幾つかの手法が、本分野において知られている。例えば、Patriarche及びEricksonは、「A review of the Automated Detection of Change in Serial Imaging Studies」（Journal of Digital Imaging、Vol 17、No 3 (９月) 、2004年、158-174頁）において、幾つかの既知の手法をレビューしている。

Patriarche及びEricksonにより引用されている手法のひとつは、Hsuらの手法（「New likelihood test methods for change detection in image sequences」（Computer Vision, Graphics, and Image Processing、Vol 26、1984年、73-106頁））である。該提案される手法は、ボクセルのグループが変化しており、変化につれてより大きさが十分に高い限り、小さなクラスタが検出されることを可能とし、小さな変化要件では変化につれて大きなクラスタが検出されることを可能とするか否かを検査するため、尤度比を利用する。クラスタサイズに基づいて閾値は、ノイズから大きさが大きい変化を分離することが可能であるのみならず、同じタイプの変化を経験しているボクセルの空間的に連続するグループから成るかなり小さな大きさの変化を分離することも可能であることが言及されている。

Patriarche及びEricksonは更に、「Automated Change Detection and Characterization in Serial MR Studies of Brain-Tumor Patients」（Journal of Digital Imaging、2007年、20(3) 、203-222頁）において、脳腫瘍患者の連続的なＭＲＩ脳検査を比較し、安定しているか進行しているかを判定するアルゴリズムを記載している。該アルゴリズムは、脳腫瘍患者の連続する撮像検査を比較し、（もしあれば）変化の性質及び各脳のボクセルについての変化の大きさの両方について、変化のマップを生成することが言及されている。出力として、解剖学的画像に重畳された色符号化された変化マップが得られる。

不利なことに、自動化された変化検出のための既知の手法は、正確さが十分ではない。医療画像における、より正確な変化検出を提供するシステム及び方法を持つことが、有利となり得る。

本発明の第１の態様は、医療画像における変化を検出するためのシステムであって、
第１の医療画像及び第２の医療画像にアクセスするよう構成された画像データインタフェースと、
プロセッサと、
を有し、前記プロセッサは、
前記第１の医療画像と前記第２の医療画像との強度差を表す差分画像を生成し、
前記差分画像の強度分布を決定し、
前記強度分布に対して混合モデルをフィッティングして、前記強度分布を集合的にモデル化する複数の確率分布であって、それぞれが異なるタイプの変化を表す確率分布を特定し、
前記強度分布における複数の強度範囲であって、前記複数の強度範囲のそれぞれ１つが、前記複数の確率分布のそれぞれ１つに依存して決定され、異なるタイプの変化を表す、複数の強度範囲を決定し、
ラベル付けされた画像データが前記複数の強度範囲のうちどれに入るかを決定することにより前記差分画像の画像データをラベル付けする
よう構成された、システムを提供する。

本発明の更なる態様は、該システムを有する、サーバ、ワークステーション又は撮像装置を提供する。

本発明の更なる態様は、医療画像における変化を検出する方法であって、
第１の医療画像及び第２の医療画像にアクセスするステップと、
前記第１の医療画像と前記第２の医療画像との強度差を表す差分画像を生成するステップと、
前記差分画像の強度分布を決定するステップと、
前記強度分布に対して混合モデルをフィッティングして、前記強度分布を集合的にモデル化する複数の確率分布であって、それぞれが異なるタイプの変化を表す確率分布を特定するステップと、
前記強度分布における複数の強度範囲であって、前記複数の強度範囲のそれぞれ１つが、前記複数の確率分布のそれぞれ１つに依存して決定され、異なるタイプの変化を表す、複数の強度範囲を決定するステップと、
ラベル付けされた画像データが前記複数の強度範囲のうちどれに入るかを決定することにより前記差分画像の画像データをラベル付けするステップと、
を有する方法を提供する。

本発明の更なる態様は、該方法をプロセッサシステムに実行させるための命令を表す非持続型又は持続型データを有する、コンピュータ読み取り可能な媒体を提供する。

以上の手法は、第１の医療画像及び第２の医療画像にアクセスするよう構成された画像データインタフェースを提供する。これら医療画像は、種々の撮像モダリティにより取得されても良い。斯かる撮像モダリティは、ＣＴ及びＭＲＩ、陽電子放出断層撮影法、ＳＰＥＣＴスキャン、超音波検査法等を含んでも良い。

以上の手法は更に、前記第１の医療画像と前記第２の医療画像との強度差を表す差分画像を生成するよう構成されたプロセッサを提供する。該差分画像は、例えば第１の医療画像から第２の医療画像の減算、又はその反対により得られても良い。差分画像に対する他の用語は、減算画像又は変化画像であっても良く、又は、医療画像の場合には、差分画像は画像ボリューム、減算ボリューム又は変化ボリュームであっても良い
差分画像は、「マップ」と呼ばれても良く、例えば減算マップ又は変化マップと呼ばれても良い。

該プロセッサは更に、前記差分画像の強度分布を決定するよう構成される。画像の強度分布の決定は、本分野においてそれ自体知られている。例えば、強度値のヒストグラムが算出されても良い。

該プロセッサは更に、前記強度分布に対して混合モデルをフィッティングするよう構成される。ガウシアン混合モデル、多変量ガウシアン混合モデル、カテゴリカル混合モデル等のような混合モデルは、本分野においてそれ自体知られている。混合モデルは、集合全体のなかに存在するサブ集合を表すための確率モデルとして定義されても良い。混合モデルを強度分布にフィッティングすることにより、あわせて強度分布をモデル化する複数の確率分布が特定され得る。混合モデルは、パラメータのセットを表し得、混合モデルのフィッティングは、該パラメータについての値を推定するプロセッサにより実行可能な命令のセットにより提供されても良いことは、留意されたい。該命令は、例えば、標準的な教科書知識として例えばRamesh Sridharanによる導入ノート「Gaussian mixture models and the EM algorithm」（https://people.csail.mit.edu/rameshvs/content/gmm-em.pdf、2016年6月28日にアクセス、ガウス混合モデルの推定に関して参照により内容が本明細に組み込まれたものとする）に記載された、期待値最大化（ＥＭ）によりガウシアン混合モデルの最大尤度推定のような、本分野においてそれ自体知られている混合モデルを推定するためのアルゴリズムを表しても良い。

該プロセッサは更に、特定された確率分布の関数として、前記強度分布における複数の強度範囲を導出するよう構成される。例えば、各強度範囲は、特定の確率間隔を表すよう定義されても良い。限定するものではない一例は、各確率分布が正規分布である場合には、強度範囲が、該正規分布の平均の周りの偏差として定義されても良い、というものであっても良い。一般的に、強度範囲は、強度範囲が導出されたそれぞれの確率分布によりモデル化されたサブ集合に強度値が属する見込みが高い又は非常に高い強度範囲を表すものとして定義されても良い。

前記プロセッサは更に、決定された画像間隔を用いて差分画像の画像データをラベル付けするよう構成され、即ち、該ラベル付けされた画像データが複数の強度範囲のうちどれに入るかを決定することにより、該画像データをラベル付けするよう構成される。事実上、特定の画素又はボクセルがどのサブ集合に属するかを特定するよう、画素又はボクセルがラベル付けされても良い。

以上の手法は、種々のタイプの変化が、異なる画像においては異なる強度分布を持つ見込みが高いという認識、及び、斯かる種々のタイプの変化の強度分布は、種々の確率分布によりモデル化され得るという認識に基づくものである。そのため、以上の手法は、異なる画像から異なる確率分布を推定することを含む。特に、例えば差分画像全体の又は含まれる対象となる１つ以上の領域の、観察される異なる画像の強度分布に対して混合モデルをフィッティングすることにより、あわせて観察される強度分布をモデル化する複数の確率分布が特定され得る。混合モデルをフィッティングするための混合モデル及びアルゴリズムは、統計の分野においてそれ自体知られている。更に、「集合的に」なる語は、所与の強度値に対して、正規化された値１への確率分布の合計を示し得るが、このことは限定ではない。

複数の確率分布のそれぞれは、異なるタイプの変化を表す。限定するものではない例は、観察された強度分布から推定された第１の確率分布が、腫瘍の増殖を表し、第２の確率分布が、遷移領域を表し、第３の確率分布が、浮腫を表すというものであっても良い。これら種々の確率分布を推定すると、それぞれが異なるタイプの変化を表す強度間隔が決定され得る。例えば、各強度間隔は、それぞれの確率分布が他の確率分布よりも大きい間隔として選択され得、該強度範囲に入る強度は、特定の確率分布により表される変化のタイプに関連する可能性が非常に高いことを示す。複数の強度間隔を決定すると、異なる画像における画像データが、それに応じてラベル付けされることができ、適切なメタデータが生成されても良い。ラベル付けは、例えば腫瘍の増殖、遷移領域又は浮腫であるか否かのような生物学的な解釈を表す必要はなく、単に例えばタイプＡ、タイプＢ及びタイプＣのような異なるラベル付けを表しても良く、斯かる生物学的な解釈が、例えば放射線医によって又は自動的な分類アルゴリズムによって、後続して割り当てられることを可能としても良いことに、留意されたい。斯くして変化が生じた場合、即ち変化が特徴付けられ得る場合、異なるタイプの変化間を区別することができる。当該変化の特徴付けは、「変化した」クラス内の変化の種々のクラスのモデル化としてみなされ得る。

有利にも、以上の手法は、第１及び第２の医療画像の強度を別個に解析し、続いて斯かる画像解析の結果に基づいて変化及び変化のタイプを検出することに基づく変化検出よりも正確に、小さな変化が検出されることを可能とし得る。

任意に、前記混合モデルは、ガウシアン混合モデルであり、前記確率分布は、ガウス分布である。ガウシアン混合モデル（以下、簡単にＧＭＭとも呼ばれる）は、確率分布をモデル化するための最も統計的に成熟した方法のひとつである。ガウシアン混合モデルは、未知のパラメータを持つ有限数のガウス分布の混合から全てのデータ点が生成されると仮定する確率モデルとして定義され得る。

任意に、前記プロセッサは、前記複数の確率分布間の交点を決定するよう構成され、前記複数の強度範囲は、前記交点に基づいて定義される。該複数の確率分布間の交点は、１つの確率関数の確率が合致する点を表し、このとき他の確率関数の確率を超え得る。事実上、該交点は、例えば画素又はボクセルの強度値のような変数が特定のサブ集合に属する見込みが非常に高い範囲を定義するために用いられ得る。斯くして、これら交点を用いることは、強度範囲を定義することを有利に支援する。

任意に、前記プロセッサは、前記差分画像を生成する前に、前記第１の医療画像と前記第２の医療画像との間の、画像登録及び強度正規化のうちの少なくとも一方を実行するよう構成される。有利にも、前記差分画像は、前記第１の医療画像と前記第２の医療画像との間の画像登録及び／又は強度正規化が前もって実行される場合に、より正確に生成され得る。差分画像の正確な生成は、有利にも医療画像における変化のより正確な検出に帰着し得る。

任意に、前記プロセッサは、前記差分画像を生成した後に、前記差分画像における少なくとも１つの対象領域を選択し、前記少なくとも１つの対象領域の強度分布を選択的に表すよう強度分布を決定するよう構成される。そのため、強度分布の決定及び後続するステップは、差分画像の一部に対してのみ実行される。該ステップを画像の一部に対してのみ実行することにより、変化検出の計算的な複雑さが低減され得る。

任意に、前記プロセッサは、非ゼロ差分を表す前記対象領域の画像データに基づいて、前記差分画像における前記少なくとも１つの対象領域を選択するよう構成される。斯くして、該変化検出は、実際に変化を表し得る差分画像の領域に集中させられ得る。対象領域の選択は、著しいとみなされる変化を表す対象領域を特定する閾値設定又は同等の手法の利用を有しても良い。

任意に、前記システムは更に、前記差分画像における前記少なくとも１つの対象領域をユーザが示すことを可能とするためのユーザ入力インタフェースを有する。該ユーザ入力インタフェースは、ユーザにより操作可能なユーザ入力装置からユーザ入力命令を受信しても良い。特に、ユーザは、例えばコンピュータマウス、キーボード又はタッチ画面のようなユーザ入力装置を用いて、差分画像における対象領域を示しても良い。限定するものではない例は、ユーザが画面上のポインタを動かし、差分画像における対象領域上でクリックすることにより、対象領域を示すことができるものである。そのため、ユーザは、該ユーザが変化検出を利用したいと欲する差分画像における対象領域を特定することが可能となる。

任意に、前記第１の医療画像及び前記第２の医療画像は、体積画像である。任意に、前記第１の医療画像及び前記第２の医療画像は、長期的な画像データを表す。長期的な画像データとは、例えば連続する検査の間に、繰り返し同じ患者から得られる画像データを指す。そのため、医療画像は、例えば病気又は回復による、特定の患者に生じる変化を表す。このことは、変化検出の特に重要な用途を構成する。

任意に、前記プロセッサは、前記画像データのラベル付けの可視化を有する出力画像を生成するよう構成される。出力画像におけるラベル付けの可視化は、差分画像における検出された変化の閲覧及び評価を容易化し得る。出力画像は、視覚化のための内部又は外部ディスプレイに対して出力されても良い。代替としては、該ラベル付けは、例えば臨床決定支援システムへの入力として、自動分類アルゴリズムへの入力として、等のような、別の非視覚化目的のために利用されても良い。

任意に、前記プロセッサは、前記差分画像、前記第１の医療画像及び前記第２の医療画像のうち少なくとも１つに対する重畳として前記可視化を生成するよう構成されても良い。斯かる重畳は有利にも、差分画像、第１の医療画像及び第２の医療画像における検出された変化の視覚化及び評価を容易化し得る。このことは斯くして、ユーザが該変化をより好適に解釈することを支援し得る。

上述した本発明の実施例、実装及び／又は任意の態様の２つ以上が、有用とみなされるいずれかの態様で組み合わせられ得ることは、当業者により理解されるであろう。

該システムの説明された変更及び変形に対応する、サーバ、ワークステーション、撮像装置、方法及び／又はコンピュータプログラム製品の変更及び変形が、本明細に基づいて当業者により実行され得る。

当業者は、該システム及び方法は、限定するものではないが例えば標準的なＸ線撮像、コンピュータ断層撮影（ＣＴ）、磁気共鳴撮像（ＭＲＩ）、超音波（ＵＳ）、陽電子放出型断層撮影（ＰＥＴ）、単光子放出型断層撮影（ＳＥＰＣＴ）及び核医学（ＮＭ）といった種々の撮像モダリティにより取得された、例えば２次元（２Ｄ）、３次元（３Ｄ）又は４次元（４Ｄ）のような多次元画像データに適用され得ることを理解するであろう。

本発明のこれらの及び他の態様は、更に以下に記載される実施例において、添付図面を参照しながら、説明され明らかとなるであろう。

医療画像における変化検出のためのシステムを示す。 第１の医療画像を示す。 第２の医療画像を示す。 第１の医療画像と第２の医療画像との間の強度差を表す差分画像を示す。 図２Ｃの差分画像の強度分布、及び該強度分布にフィッティングされたガウス分布の混合成分を示す。 該システムによる画像データのラベル付けが重畳の形で示された、図２Ｂの第２の医療画像を示す。 医療画像における変化検出のための方法を示す。 プロセッサシステムに該方法を実行させるための命令を有するコンピュータ読み取り可能な媒体を示す。

図面は単に図式的なものであり、定縮尺で描かれていないことは、留意されるべきである。図面において、既に説明された要素に対応する要素は、同じ参照番号を持ち得る。

図１は、医療画像における変化検出のために構成されたシステム１００を示す。システム１００は、第１の医療画像及び第２の医療画像にアクセスするよう構成された画像データインタフェース１２０を有する。図１の例においては、画像データインタフェース１２０は、第１の医療画像０２２及び第２の医療画像０２４の画像データを有する外部の画像リポジトリ０２０に接続されて示されている。例えば、画像リポジトリ０２０は、システム１００が接続されたものであっても良い又はシステム１００が含まれるものであっても良い病院情報システム（ＨＩＳ）の画像保存及び通信システム（ＰＡＣＳ）により構成されても良いし、又は該システムの一部であっても良い。従って、システム１００は、ＨＩＳを介して第１の医療画像０２２及び第２の医療画像０２４の画像リポジトリ０２０の画像データへのアクセスを得ても良い。代替としては、第１の医療画像及び第２の医療画像の画像データは、システム１００の内部データ記憶部からアクセスされても良い。一般的に、画像データインタフェース１２０は、例えばインターネット、内部又は外部データ記憶部への記憶部インタフェース等といった、ローカル又はワイドエリアネットワークに対するネットワークインタフェースのような、種々の形をとり得る。

システム１００は更に、プロセッサ１６０を有する。プロセッサ１６０は、システム１００の動作の間、画像データインタフェース１２０から画像データ０２２を受信し
、第１の医療画像と第２の医療画像との間の強度差を表す差分画像を生成し、該差分画像の強度分布を決定するよう構成される。プロセッサ１６０は更に、混合モデルを該強度分布にフィッティングして、該強度分布を集合的にモデル化する複数の確率分布を特定し、該強度分布における複数の強度範囲を決定するよう構成され、ここで該複数の強度範囲の各々は、該複数の確率分布のそれぞれ１つに依存して決定される。プロセッサ１６０は更に、ラベル付けされた画像データが該複数の強度範囲のうちどれに入るかを決定することにより、差分画像の画像データをラベル付けするよう構成される。

システム１００の動作のこれらの及び他の態様は、図２乃至４を参照しながら以下に更に説明される。

図１は更に、プロセッサ１６０が、画像データの該ラベル付けの可視化を有する出力画像を生成するよう構成されても良い、システム１００の任意の態様を示す。出力画像は、表示データ０６２の形で、外部ディスプレイ０８０に出力されても良い。代替としては、該ディスプレイは、システム１００の一部であっても良い。代替としては、表示データ０６２は、別個の表示プロセッサ（図示されていない）により生成され、プロセッサ１６０が該表示プロセッサに出力画像を供給しても良い。

図１は更に、ユーザ入力装置０４０からユーザ入力命令０４２を受信し、ユーザ入力装置０４０を操作することにより差分画像における対象領域をユーザが指示することを可能とするよう構成された、ユーザ入力インタフェース１４０を任意に有しても良い。この機能は、図２Ａ乃至Ｃを参照しながら更に説明される。ユーザ入力装置０４０は、限定するものではないが、コンピュータのマウス、タッチ画面、キーボード等を含む、種々の形をとり得る。図１は、ユーザ入力装置がコンピュータのマウス０４０であることを示している。一般的に、ユーザ入力インタフェース１４０は、ユーザ入力装置０４０のタイプに対応するタイプのものであっても良く、即ちそれに対応するユーザ装置インタフェースであっても良い。

システム１００は、モバイル装置（ラップトップ、タブレット、スマートフォン等）、サーバ、ワークステーション又は撮像装置のような、単一の装置若しくは機器として実装されても良いし、又は斯かる装置若しくは機器のなかに実装されても良い。該装置又は機器は、適切なソフトウェアを実行する１つ以上のマイクロプロセッサを有しても良い。該ソフトウェアは、例えばＲＡＭのような揮発性メモリ又はフラッシュのような不揮発性メモリのような、対応するメモリにダウンロードされたもの及び／又は保存されたものであっても良い。該プロセッサは、コンピュータプロセッサ、マイクロプロセッサ等であっても良い。代替としては、例えば画像データインタフェース、ユーザ入力インタフェース及びプロセッサのような、該システムの機能ユニットは、例えばフィールドプログラマブルゲートアレイ（ＦＰＧＡ）のような、プログラム可能な論理回路の形で該装置又は機器に実装されても良い。一般的に、該システムの各機能ユニットは、回路の形で実装されても良い。システム１００は、例えば異なる装置又は機器を含む、分散された態様で実装されても良いことに留意されたい。例えば、該分散は、例えばサーバ及びシンクライアントＰＡＣＳワークステーションを利用した、クライアント−サーバモデルに従ったものであっても良い。

図２Ａ乃至Ｃは、図１のシステム１００のプロセッサ１６０の動作の種々の中間的な結果を示す。即ち、図２Ａは、第１の医療画像２００を示し、図２Ｂは、第２の医療画像２１０を示す。いずれの医療画像２００、２１０も、例えば異なる時点で取得された、患者の画像データを表しても良い。図２Ｃは、第１の医療画像と第２の医療画像との間の強度差を表す差分画像２２０を示す。差分画像２２０は、例えば第１の医療画像と第２の医療画像との減算、又はその逆によって得られても良い。図３は、図２Ｃの差分画像２２０の強度分布３００、及び強度分布３００を近似するためプロセッサにより推定された混合モデル３１５、３２０の成分を示す。図３において、横軸は強度差を表し、縦軸は確率値を表すことに留意されたい。

強度分布がプロセッサにより決定されると、強度分布３００に混合モデルをフィッティングすることにより、あわせて強度分布３００をモデル化する複数の確率分布が特定され得る。該混合モデルは、各要素が分布の同一のパラメータファミリーに属する、幾つかの要素の混合であり得る。図３の例においては、フィッティングされた混合モデルが、あわせて強度分布３００をモデル化する第１の要素３１５及び第２の要素３２０を有するものとして示されている。混合モデル及びデータ分布に混合モデルをフィッティングするためのアルゴリズムは、統計学の分野においてそれ自体知られている。図３の例においては、ガウス分布モデルが、強度分布３００にフィッティングされ得る。しかしながら、このことは限定ではなく、他の既知のタイプの混合モデルが利用されても良い。特に、混合モデルのタイプの選択は、差分画像の（予測される）強度分布に依存し得るものであり、特定の臨床用途について、手動で選択されても良く、例えば予め決定されていても良い。

フィッティングされた混合モデルの要素が決定されると、特定された確率分布に依存して、強度範囲が定義されても良い。例えば、各強度範囲が、特定の確率間隔を表すよう定義されても良い。一般的に、強度範囲は、強度範囲が導出されたそれぞれの確率分布によりモデル化されたサブ集合に強度値が属する見込みが高い又は見込みが非常に高い強度範囲を表すものとして決定されても良い。限定するものではない一例においては、強度範囲は、フィッティングされた混合モデルの要素間の交点に基づいて定義されても良い。図３の例においては、第１の要素と第２の要素との交点３２５が決定され、続いて交点３２５に基づいて強度範囲が定義されても良い。この特定の例においては、該交点は、強度差値「５０」に対応し得る。従って、上限として「５０」を持つ第１の強度範囲が決定され、下限として「５０」を持つ第２の強度範囲が決定されても良い。

図４は、ラベル付けされた医療画像４１０を示し、図１のシステム１００による画像データのラベル付け４１５が重畳の形で示されている。ラベル付けされた差分画像４１０は、例えば臨床医に対する表示のための出力画像として図１のシステム１００により生成されても良い。該ラベル付けは、該差分画像の画像データが、複数の強度範囲のうちどれに入るかを決定することにより実行されても良い。事実上、どのサブ集合に、特定の画素又はボクセルが属すると推定されるかを特定するよう、画素又はボクセルがラベル付けされても良い。斯かるラベル付けの例は、単にタイプＡ、タイプＢ、タイプＣ等であっても良いし、又は同様の中立的なラベル付けであっても良い。そのため、ラベルは生物学的な解釈を直接に表すものでなくても良い。しかしながら、斯かる生物学的解釈は、例えば放射線医によって又は自動的な分類アルゴリズムによって、ラベルに明示的に又は暗黙的に割り当てられても良い。

ラベル付けは、差分画像の強度分布に基づいて決定されても良いが、可視化は、差分画像の代わりに第１又は第２の医療画像と重畳されても良いし、又は第１又は第２の医療画像と組み合わせられても良いことに留意されたい。図４はその一例であり、図２の第２の医療画像と重畳する可視化を示している。

第１の医療画像と第２の医療画像との間の画像登録及び／又は強度正規化は、差分画像を生成する前に実行されても良いが、例えば登録が必要とされない態様でいずれの医療画像とも既に登録又は取得されている場合には、このことは必須でなくても良い。更に、図２乃至４の例においては、第１の医療画像及び第２の医療画像は、２Ｄ画像であるとして示されている。他の例においては、これら画像は体積画像である。第１の医療画像及び第２の医療画像は更に、例えば患者の長期的な撮像データを表しても良い。しかしながら、異なる患者からの画像が利用されても良い。

差分画像は、特に差分画像の１つ以上の対象領域の、差分画像全体に基づいて生成されても良いことは、更に留意されたい。対象領域は、対象の点及び周囲の画像データを有しても良いサブ領域又はサブ体積であっても良い。差分画像における対象領域は、差分画像における非ゼロ差分を表す対象領域の画像データに基づいて選択されても良い。これに加えて、又は代替として、対象領域は、図１のシステム１００のユーザ入力インタフェースを用いてユーザにより選択されても良い。一例においては、コンピュータマウスを用いてユーザは差分画像における対象領域を示しても良い。限定するものではない一例は、ユーザが、画面上のポインタを動かして、差分画像における対象領域上をクリックすることにより、対象領域を示すことができるものである。

図５は、医療画像における変化検出のための方法５００を示す。方法５００は、必須ではないが、図１を参照しながら説明されたようなシステム１００の動作に対応しても良いことに留意されたい。方法５００は、「医療画像にアクセス」と示された動作において、第１の医療画像及び第２の医療画像にアクセスすること（５１０）を有する。方法５００は更に、「差分画像を生成」と示された動作において、第１の医療画像と第２の医療画像との間の強度差を表す差分画像を生成すること（５２０）を有する。方法５００は更に、「強度分布を決定」と示された動作において、差分画像の強度分布を決定すること（５３０）を有する。方法５００は更に、「混合モデルをフィッティング」と示された動作において、該強度分布に混合モデルをフィッティングして、強度分布を集合的にモデル化する複数の確率分布を特定すること（５４０）を有する。方法５００は更に、「強度範囲を決定」と示された動作において、該強度分布における複数の強度範囲を決定すること（５５０）を有し、ここで該複数の強度範囲のそれぞれは、該複数の確率分布のそれぞれ１つに依存して決定される。方法５００は更に、「画像データにラベル付け」と示された動作において、該複数の強度範囲のうちどれにラベル付けされる画像データが入るかを決定することにより、差分画像の画像データをラベル付けすること（５６０）を有する。

以上の動作は、例えば適用可能な場合には入力／出力関係により必要とされる特定の順序に応じて、例えば連続して、同時に、又はこれらの組み合わせのような、いずれの適切な順序で実行されても良いことは、理解されるであろう。

方法５００は、コンピュータ実装された方法、専用のハードウェア、又はこれらの組み合わせとして、コンピュータ上で実装されても良い。また図６に示されたように、例えば実行可能なコードのような、コンピュータのための命令が、例えば一連の機械読み取り可能な物理的なマーク６８０の形で、及び／又は例えば磁気又は光学特性又は値のような異なる電気的な特性又は値を持つ一連の要素として、コンピュータ読み取り可能な媒体６７０に保存されても良い。該実行可能なコードは、非持続性の又は持続性の態様で保存されても良い。コンピュータ読み取り可能な媒体の例は、メモリ装置、光記憶装置、集積回路、サーバ、オンラインソフトウェア等を含む。図６は、光ディスク６７０を示している。

例、実施例又は任意の特徴は、限定するものではないと示されているか否かにかかわらず、請求される本発明を限定するものとして理解されるべきではない。

本発明は、コンピュータプログラム、特に本発明を実行するように構成された、担体上又は担体中のコンピュータプログラムにも適用されることは、理解されるであろう。該プログラムは、ソースコード、オブジェクトコード、部分的にコンパイルされた形態のようなコード中間ソース及びオブジェクトコード、又は本発明による方法の実装における使用に適した他のいずれかの形態であっても良い。斯かるプログラムは、多くの異なる構造的な設計を持ち得ることも理解されるであろう。例えば、本発明による方法又はシステムの機能を実装するプログラムコードは、１つ以上のサブルーチンに分割されても良い。これらサブルーチンに機能を分散させる多くの方法が、当業者には明らかであろう。これらサブルーチンは、１つの実行可能ファイルに合わせて保存され、内蔵型プログラムを形成しても良い。斯かる実行可能ファイルは、例えばプロセッサ命令及び／又はインタプリタ命令（例えばＪａｖａ（登録商標）インタプリタ命令）のような、コンピュータ実行可能な命令を有しても良い。代替として、これらサブルーチンの１つ以上又は全てが、少なくとも１つの外部のライブラリファイルに保存され、例えば実行時に、静的又は動的にメインプログラムとリンクされても良い。メインプログラムは、これらサブルーチンの少なくとも１つに対する少なくとも１つの呼び出しを含む。また、これらサブルーチンは、互いに対する関数呼び出しを有しても良い。コンピュータプログラムに関連する実施例は、開示された方法の少なくとも１つの処理ステップの各々に対応するコンピュータ実行可能な命令を有する。これら命令はサブルーチンに分割されても良く、及び／又は静的又は動的にリンクされ得る１つ以上のファイルに保存されても良い。コンピュータプログラムに関連する他の実施例は、開示されたシステム及び／又はコンピュータプログラムの少なくとも１つの手段の各々に対応するコンピュータ実行可能な命令を有する。これら命令はサブルーチンに分割されても良く、及び／又は静的又は動的にリンクされ得る１つ以上のファイルに保存されても良い。

コンピュータプログラムの担体は、該プログラムを担持することが可能ないずれのエンティティ又は装置であっても良い。例えば、該担体は、例えばＣＤ−ＲＯＭ若しくは半導体ＲＯＭといったＲＯＭのような記憶媒体、又は例えばハードディスクのような磁気記録媒体を含んでも良い。更に、該担体は、電気若しくは光ケーブル、無線、又はその他の手段を介して搬送され得る、電気又は光信号のような、送信可能な媒体であっても良い。該プログラムが斯かる信号において実施化される場合には、該担体は斯かるケーブル又はその他の装置若しくは手段により構成されても良い。代替として、該担体は、関連する方法を実行するように又は関連する方法の実行における使用のために構成された、該プログラムが組み込まれた集積回路であっても良い。

上述の実施例は本発明を限定するものではなく説明するものであって、当業者は添付する請求項の範囲から逸脱することなく多くの代替実施例を設計することが可能であろうことは留意されるべきである。請求項において、括弧に挟まれたいずれの参照記号も、請求の範囲を限定するものとして解釈されるべきではない。動詞「有する（comprise）」及びその語形変化の使用は、請求項に記載されたもの以外の要素又はステップの存在を除外するものではない。要素に先行する冠詞「１つの（a又はan）」は、複数の斯かる要素の存在を除外するものではない。本発明は、幾つかの別個の要素を有するハードウェアによって、及び適切にプログラムされたコンピュータによって実装されても良い。幾つかの手段を列記した装置請求項において、これら手段の幾つかは同一のハードウェアのアイテムによって実施化されても良い。特定の手段が相互に異なる従属請求項に列挙されているという単なる事実は、これら手段の組み合わせが有利に利用されることができないことを示すものではない。

０２０ 画像レポジトリ
０２２ 第１の医療画像
０２４ 第２の医療画像
０４０ ユーザ入力装置
０４２ ユーザ入力命令
０６２ 表示データ
０８０ ディスプレイ
１００ 医療画像における変化検出のためのシステム
１２０ 画像データインタフェース
１４０ ユーザ入力インタフェース
１４２ データ通信
１６０ プロセッサ
２００ 第１の医療画像
２１０ 第２の医療画像
２２０ 差分画像
３００ 差分画像の強度分布
３１５ フィッティングされた混合モデルの第１の成分
３２０ フィッティングされた混合モデルの第２の成分
３２５ 第１の成分と第２の成分との交点
４１０ ラベル付けされた医療画像
４１５ 画像データのラベル付け
５００ 医療画像における変化検出のための方法
５１０ 医療画像へのアクセス
５２０ 差分画像の生成
５３０ 強度分布の決定
５４０ 混合モデルのフィッティング
５５０ 強度範囲の決定
５６０ 画像データのラベル付け
６７０ コンピュータ読み取り可能な媒体
６８０ 持続性データとして保存された命令

Claims (15)

1. 医療画像における変化を検出するためのシステムであって、
   第１の医療画像及び第２の医療画像にアクセスするよう構成された画像データインタフェースと、
   プロセッサと、
   を有し、前記プロセッサは、
   前記第１の医療画像と前記第２の医療画像との強度差を表す差分画像を生成し、
   前記差分画像の強度分布を決定し、
   前記強度分布に対して混合モデルをフィッティングして、前記強度分布を集合的にモデル化する複数の確率分布であって、それぞれが異なるタイプの変化を表す確率分布を特定し、
   前記強度分布における複数の強度範囲であって、前記複数の強度範囲のそれぞれ１つが、前記複数の確率分布のそれぞれ１つに依存して決定され、異なるタイプの変化を表す、複数の強度範囲を決定し、
   ラベル付けされた画像データが前記複数の強度範囲のうちどれに入るかを決定することにより前記差分画像の画像データをラベル付けする
   よう構成された、システム。
2. 前記混合モデルは、ガウシアン混合モデルであり、前記確率分布は、ガウス分布である、請求項１に記載のシステム。
3. 前記プロセッサは、前記複数の確率分布間の交点を決定するよう構成され、前記複数の強度範囲は、前記交点に基づいて定義される、請求項１に記載のシステム。
4. 前記プロセッサは、前記差分画像を生成する前に、前記第１の医療画像と前記第２の医療画像との間の、
   画像登録、及び
   強度正規化
   のうちの少なくとも一方を実行するよう構成された、請求項１乃至３のいずれか一項に記載のシステム。
5. 前記プロセッサは、前記差分画像を生成した後に、
   前記差分画像における少なくとも１つの対象領域を選択し、
   前記少なくとも１つの対象領域の強度分布を選択的に表すよう強度分布を決定する
   よう構成された、請求項１乃至４のいずれか一項に記載のシステム。
6. 前記プロセッサは、非ゼロ差分を表す前記対象領域の画像データに基づいて、前記差分画像における前記少なくとも１つの対象領域を選択するよう構成された、請求項５に記載のシステム。
7. 前記差分画像における前記少なくとも１つの対象領域をユーザが示すことを可能とするためのユーザ入力インタフェースを更に有する、請求項５に記載のシステム。
8. 前記第１の医療画像及び前記第２の医療画像は、体積画像である、請求項１乃至７のいずれか一項に記載のシステム。
9. 前記第１の医療画像及び前記第２の医療画像は、長期的な画像データを表す、請求項１乃至８のいずれか一項に記載のシステム。
10. 前記プロセッサは、前記画像データのラベル付けの可視化を有する出力画像を生成するよう構成された、請求項１乃至９のいずれか一項に記載のシステム。
11. 前記プロセッサは、前記差分画像、前記第１の医療画像及び前記第２の医療画像のうち少なくとも１つに対する重畳として前記可視化を生成するよう構成された、請求項１０に記載のシステム。
12. 請求項１乃至１１のいずれか一項に記載のシステムを有する、サーバ、ワークステーション又は撮像装置。
13. 医療画像における変化を検出する方法であって、
    第１の医療画像及び第２の医療画像にアクセスするステップと、
    前記第１の医療画像と前記第２の医療画像との強度差を表す差分画像を生成するステップと、
    前記差分画像の強度分布を決定するステップと、
    前記強度分布に対して混合モデルをフィッティングして、前記強度分布を集合的にモデル化する複数の確率分布であって、それぞれが異なるタイプの変化を表す確率分布を特定するステップと、
    前記強度分布における複数の強度範囲であって、前記複数の強度範囲のそれぞれ１つが、前記複数の確率分布のそれぞれ１つに依存して決定され、異なるタイプの変化を表す、複数の強度範囲を決定するステップと、
    ラベル付けされた画像データが前記複数の強度範囲のうちどれに入るかを決定することにより前記差分画像の画像データをラベル付けするステップと、
    を有する方法。
14. 請求項１３に記載の方法をプロセッサシステムに実行させるための命令を表す非持続型又は持続型データを有する、コンピュータ読み取り可能な媒体。
15. 請求項１乃至１１のいずれか一項に記載のシステム又は請求項１３に記載の方法により生成されたラベル付けされた画像データを表す非持続性又は持続性データを有する、コンピュータ読み取り可能な媒体。

Images