JP2019536531A - X線画像内の不透明度を検出する装置 - Google Patents

X線画像内の不透明度を検出する装置 Download PDF

Info

Publication number
JP2019536531A
JP2019536531A JP2019523631A JP2019523631A JP2019536531A JP 2019536531 A JP2019536531 A JP 2019536531A JP 2019523631 A JP2019523631 A JP 2019523631A JP 2019523631 A JP2019523631 A JP 2019523631A JP 2019536531 A JP2019536531 A JP 2019536531A
Authority
JP
Japan
Prior art keywords
interest
region
model
ray image
intensity
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.)
Pending
Application number
JP2019523631A
Other languages
English (en)
Other versions
JP2019536531A5 (ja
Inventor
ベルグ ジェンス ヴォン
ベルグ ジェンス ヴォン
スチュワート ヤング
スチュワート ヤング
ダニエル ビストロフ
ダニエル ビストロフ
ナタリー ウィーバーネイト
ナタリー ウィーバーネイト
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of JP2019536531A publication Critical patent/JP2019536531A/ja
Publication of JP2019536531A5 publication Critical patent/JP2019536531A5/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • G06T7/0014Biomedical image inspection using an image reference approach
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00ICT specially adapted for the handling or processing of medical images
    • G16H30/40ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/46Arrangements for interfacing with the operator or the patient
    • A61B6/461Displaying means of special interest
    • A61B6/463Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48Diagnostic techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10116X-ray image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20112Image segmentation details
    • G06T2207/20128Atlas-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30061Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本発明は、X線画像内の不透明度を検出する装置に関する。分析される身体部分の関心領域の分析X線画像を提供すること(210)が説明されている。正常な関心領域のモデルが提供され(220)、このモデルは、関心領域の複数のX線画像に基づく。分析される身体部分の関心領域内で、少なくとも1つの異常が検出され(230)、この検出は、関心領域の分析X線画像と、正常な関心領域のモデルとを比較することを有する。少なくとも1つの異常に関する情報が出力される(240)。

Description

本発明は、X線画像内の不透明度を検出する装置、X線画像内の不透明度を検出するシステム、及びX線画像内の不透明度を検出する方法、並びにコンピュータプログラム要素及びコンピュータ可読媒体に関する。
他の疾患とは違って、抗生物質による結核(TB:tuberculosis)の治療は(多くのケースで)安価で非常に効果的である。しかし、かかる成功が予測される治療上の方策が存在するにもかかわらず、TBは、世界の多くの地域で依然として深刻な健康問題である。この主な理由は、医療へのアクセスの欠如と、それに伴う、治療の成功が実現可能な時間枠内での患者の識別及び診断の遅延である。
US2013/044927A1には、画像データ内の異常の存在を検出する方法が記載されている。この方法は、対象者の画像を表す1組の画像データを取得するステップと、複数の参照する対象者から得られた正常の画像データの組を表す統計アトラスを取得するステップと、画像データを統計アトラスと比較するステップと、画像データと統計アトラスとの間の差の程度を判断することによって、異常の存在を判別するステップとを有する。
胸部X線撮影は、迅速に症状を識別する際に重要な役割を果たし、危険に晒されている、又は疑わしい症状を有する個人を迅速に検査するため、さらに、活性と疑われるどのようなTBの所見でも比較的詳細な性質の特徴づけを得るための、潜在的方法を提供する。ここでも、TBとの闘いにおける潜在的に決定的な技術の効果的な展開におけるいくつかの重要な問題は、多くの発展途上国における医療資源へのアクセスに関連する。胸部X線に関して、この問題は、撮像ハードウェア自体へのアクセスの面だけでなく、撮像検査を行うための、そして特に胸部X線写真の読み取りを行うための、訓練されたスタッフの利用可能性の面でも現れることが多い。画像の解釈はしばしば、十分な専門知識を有しないスタッフによって行われるが、そのようなスタッフは、たとえば自動的にこうした画像を分析するソフトウェアツールを使って、安価で使い易い補助から恩恵を受けることが可能である。
したがって、世界の大部分でよく訓練された要員が不足しているため、胸部X線写真内のTB検出及び特徴づけの作業において医療スタッフを支援するためのアルゴリズムが極めて望ましい。世界の先進国では、かかるアルゴリズムはまた、臨床医の時間を解放し、彼らの訓練を助け、診断プロセスを補助する。既存の方法では、TBを検出するために、形状及び質感の記述子などの非常に複雑な画像の特徴を使用する。
TBに関するX線写真の評価を補助するという上記の要件は、他の肺疾患、及び乳房X線像の評価にも当てはまる。たとえば非破壊検査で使用されるX線画像、及びセキュリティ目的で、たとえば空港で荷物を走査するために使用される画像の評価を改善するニーズも存在する。
X線画像を解釈するための改善された技術を有することは、有利なことである。
本発明の目的は、独立請求項の主題によって解決され、さらなる実施形態は、従属請求項に組み込まれる。以下に説明する本発明の態様はまた、X線画像内の不透明度を検出する装置、X線画像内の不透明度を検出するシステム、X線画像内の不透明度を検出する方法、並びにコンピュータプログラム要素及びコンピュータ可読媒体に適用されることに留意されたい。
第1の態様によれば、臨床X線画像の不透明度を検出する装置が提供され、以下を備える。
−入力ユニット、
−処理ユニット、及び
−出力ユニット。
入力ユニットは、処理ユニットに、分析される身体部分の関心領域の分析X線画像を供給するように構成される。入力ユニットはまた、処理ユニットに、正常な関心領域のモデルを供給するように構成され、このモデルは、正常であり且つ異常を罹患していない関心領域の複数のX線画像に基づくものであり、このモデルは、正常で健康な母集団に関する統計情報を含む。処理ユニットは、分析される身体部分の関心領域の中の少なくとも1つの異常を検出するように構成される。この検出は、関心領域の分析X線画像と、正常な関心領域のモデルとの間の比較を含む。この検出はまた、分析X線画像内の少なくともいくらかの骨関連画像の抑制を含む。出力ユニットは、少なくとも1つの異常に関する情報を出力するように構成される。
言い換えれば、正常な、且つ異常を罹患していない関心領域(たとえば、肺)のX線画像が、正常な関心領域のモデルを構築するために使用される。このモデルは健康な母集団の広い選択からのデータに基づくことができ、かかる正常で健康な母集団に関する統計情報を有する正常モデルを形成する。かかる統計情報は、たとえば、ガウスモデル化の枠組み、ポアソンモデル化の枠組み、又は他の任意の好適なモデル化の枠組み内に取り込まれ得る。肺野全体の主な構成要素モデルは、肺の全体的な特性を説明する、別のモデル化の選択肢である。たとえば患者の肺の異常は、次いでその人の肺のX線画像とモデルとの間を比較することによって判断することができる。
このようにして、関心領域内の異常は自動的に検出することができ、高度な訓練や機械学習のアルゴリズムは不要である。したがって、提供するものの有用性は、結核などの病気の検出のための技術にアクセスできないことが多い地域社会の断面に提供されるものである。関心領域内に異常があるかどうかを確実に示すことができるということはまた、異常がないという確実な指示を提供することができることも意味し、これはまた患者が、さらなる調査分析にまわされる必要がないという確実な指示を行うことができるので有用である。
異常の検出は、X線画像と、異常を示さない正常のX線画像から生成されたモデルとの比較に基づいているので、この装置は、生理学的に妥当で直感的な異常の指示を提供する。このようにして臨床医は、それから正常モデルが構築され得る、異常を示していない母集団のX線画像の選択肢から選ぶことができる。次いでこのモデルを使用して、患者がたとえば肺に異常をもつかどうかを、患者の肺のX線と正常モデルとを比較することによって、判断することができる。正確且つ簡単な、異常の予測が提供される。
一例において、関心領域の分析X線画像と正常な関心領域のモデルとの間の比較は、分析X線画像の関心領域内の少なくとも1つの強度と、それに対応するモデルの正常な関心領域内の少なくとも1つの強度との間の、少なくとも1つの偏差を判断するように処理ユニットが構成されることを含む。
したがって、複数の正常のX線画像に基づいて生成されたモデル内の各位置における強度は、画像にわたって予測される正常の強度に関する統計情報を示す。取得された画像の強度と、肺などの正常な関心領域に関する統計情報を含むモデル内の強度との間の差は、患者の肺の取得された画像に基づいて、患者の肺内に1つ又は複数の異常がある(又はない)かどうかを判断するために使用することができる。したがって、患者に異常があるという確実な指示を行うことができ、また同様に、患者が(肺などの)身体部分に異常がないという確実な指示を行うことができる。
このようにして、異常を判断するための、直接的で解釈が容易な手段が提供される。なぜならこの手段は、画像内の強度、並びに取得されたX線と統計的に正常な人(モデル化されたもの)について予測されるものとの間の強度の差に基づくからである。したがってこの装置は、異常が存在するかどうかを判断するために、X線を、それが見えるべきものの描写と比較することによって、熟練した臨床医ができることを望んでいるものを模倣している。
一例において、モデルデータは、関心領域の複数のX線画像内の対応する強度に基づく、少なくとも1つの平均強度を含み、モデルデータは、関心領域の複数のX線画像内の対応する強度に基づく、少なくとも1つの強度の標準偏差を含む。関心領域の分析X線画像と正常な関心領域のモデルとの間の比較は、分析X線画像の関心領域内の少なくとも1つの強度値と、モデルの正常な関心領域内の少なくとも1つの平均強度値と、モデルの正常な関心領域内の少なくとも1つの強度の標準偏差とに基づく。
このようにして、モデル内の平均強度及び標準偏差を考慮することによって、取得されたX線画像内の特徴が異常を構成するかどうかに関して、統計的に有意な判断を下すことができる。
平均値及び標準偏差値を含む、かかる正常モデルは、比較的少ないパラメータを有し、適用するのは概念的に非常に簡単であり、またこのモデルからの結果の解釈は、直感的且つ生理学的に妥当である。
一例において、関心領域の分析X線画像と正常な関心領域のモデルとの間の比較は、関心領域の分析X線画像内のある空間位置での強度と、正常な関心領域のモデル内の対応する空間位置での平均強度との間の差を判断するように処理ユニットが構成されることを含み、この差と、正常な関心領域のモデル内の対応する空間位置における強度の標準偏差との間の比を判定するように処理ユニットが構成されることを含む。
このようにして、強い不透明性を有し、したがって関連する高い画像強度を有する、肺血管の木の根(肺門)などの関心領域の特定の部分に関連するX線画像の部分は、その領域で比較的高い強度レベル及び比較的大きい標準偏差を有するモデルをもたらすことになる。その領域における平均モデルの強度と分析された強度との間の差と、対応する空間位置における強度の標準偏差との間の比を提供することは、事実上正規化されたスコア値が提供されることを意味する。これは、その位置での標準からの差の程度を判定するが、スコアを画像の他の部分と比較する手段も提供する。このようにして、たとえば、異常の領域が描出され得る。
また、健康な母集団の場合でも、関連する大きな強度レベルの変動を有するX線画像の領域は、その位置での分析された強度と比較すると、比較的大きな標準偏差で正規化され、その結果、異常の偽陽性指示が減少することになる。
一例において、分析される身体部分の関心領域内の少なくとも1つの異常の検出は、分析X線画像の関心領域内の少なくとも1つの強度、及びそれに対応するモデルの正常な関心領域内の少なくとも1つの強度に基づく、少なくとも1つのスコアを判断するように処理ユニットが構成されることを含む。
このようにして、スコアを使用して、異常があるかどうかを示し、異常が存在する場所を識別し、さらには判定された異常の程度を描出することもできる。
一例において、分析される身体部分の関心領域内で少なくとも1つの異常が検出されたことを示すためにスコアが使用される。
このようにして、分析された画像が、身体部分の領域内に異常を有する人に関するものであるという、単純なイエス/ノーの指示を提供することができる。次いで、その人は、さらなる診断検査にまわされてもよく、且つ/又は分析された画像が、臨床医によって検討され、次の行動方針が決定されてもよい。
言い換えれば、少なくとも1つの異常をマークすることができる。
一例において、処理ユニットは、少なくとも1つのスコアに基づいて、分析X線画像の関心領域の少なくとも1つの領域を描出するように構成される。
言い換えれば、たとえばゼロのスコアは、分析された画像内のある位置において正常の強度レベルに関係し、2のスコアは、予測されたものから2標準偏差離れた強度レベルに関係するなど、スコアを使用して、統計的に有意な正常からの偏差に関する情報を提供することができる。次いで、ある一定レベルを上回るスコアを有する範囲である、0.2、0.3、0.4、・・・1.0、1.2、1.3、・・・1.9、2.0、2.1、・・・2.6、2.7、・・などを特定することができる。これは、異常がどこにあるかを特定するだけでなく、その程度を特定し、また、高スコアを有する孤立した1つのピクセル、2つのピクセル、3つのピクセルなどの統計的アーティファクトが、統計的変動に関係するものであり、異常の証拠ではないと判断することができる。これにより、異常の概要を示すことができる。
一例において、分析された身体部分の関心領域内の少なくとも1つの異常の検出は、分析X線画像内の少なくともいくつかの骨関連画像を抑制するように処理ユニットが構成されることを含む。
言い換えれば、肺野などの関心領域を覆う骨は、検出することが求められている異常に関連するものよりも、強い不透明性を課すことがある。骨の領域が識別され、その骨に関して判断された不透明度が、取得された画像から実質的に減算され、骨が存在しなかった場合に取得されたと予測される画像がもたらされることになる。これにより、異常検出が容易になる。
一例において、正常領域のモデルの基となる関心領域の複数のX線画像は、少なくともいくつかの骨関連画像が抑制されたものである。
一例において、分析された身体部分の関心領域内の少なくとも1つの異常の検出は、分析X線画像を強度正規化するように処理ユニットが構成されることを含む。
これにより、患者の曝露強度、曝露期間、及び曝露サイズを考慮に入れることができる。
一例において、正常な領域のモデルの基となる関心領域の複数のX線画像は、強度正規化されている。
一例において、分析された身体部分の関心領域内の少なくとも1つの異常の検出は、分析X線画像の関心領域の、モデルの正常な関心領域への位置合せを含む。
言い換えれば、分析されている画像は、関心領域内の(たとえば肺野内の)位置が、解剖学的に対応するモデル内の位置と位置合せされるように、モデルを使って空間的に正規化される。
第2の態様によれば、X線画像内の不透明度を検出するシステムが提供され、このシステムは以下を備える。
−少なくとも1つの画像取得装置、及び
−第1の態様による、臨床X線画像内の不透明度を検出する装置。
少なくとも1つの画像取得装置は、分析X線画像を提供するように構成される。出力ユニットは、少なくとも1つの異常に関する情報を含む、分析X線画像を出力するように構成される。
第3の態様によれば、X線画像内の不透明度を検出する自動化された方法が提供され、この方法は以下を有する。
a)分析される身体部分の関心領域の分析X線画像を提供するステップ、
b)正常な関心領域のモデルを提供するステップであって、このモデルは、正常であり且つ異常を罹患していない関心領域の複数のX線画像に基づくものであり、このモデルは、正常で健康な母集団に関する統計情報を含む、ステップ、
c)分析される身体部分の関心領域内の少なくとも1つの異常を検出するステップであって、この検出するステップは、関心領域の分析X線画像と、正常な関心領域のモデルとを比較するステップと、分析X線画像内の少なくともいくつかの骨関連画像を抑制するステップとを有する、検出するステップ、及び
d)少なくとも1つの異常に関する情報を出力するステップ。
別の態様によれば、前述の装置を制御するコンピュータプログラム要素が提供され、このコンピュータプログラム要素は、処理ユニットによって実行されると、前述の方法のステップを実行するように適応されている。
別の態様によれば、前述の格納されたコンピュータ要素を備える、コンピュータ可読媒体が提供される。
前述の態様のいずれかによって提供される利益は、他の態様のすべてに等しく適用され、逆もまた同様であるので有利である。
前述の態様及び例は、以下に記載される実施形態から明らかとなり、またそれを参照しながら説明される。
以下の図面を参照して、以下で例示的な実施形態を説明することにする。
X線画像内の不透明度を検出する装置の例の概略構成図である。 X線画像内の不透明度を検出するシステムの一例の概略構成図である。 X線画像内の不透明度を検出する方法の一例を示す図である。 X線画像内の不透明度を検出する詳細な作業の流れの一例を示す図である。 X線画像内の不透明度を検出する方法の一例における、様々な前処理ステップに関する画像である。 X線画像内の不透明度を検出する方法の一例における、肺内の強度分布のモデル化の図である。 X線画像内の不透明度を検出する装置の一例からの出力として得られた、異常画像領域を示す画像である。
図1は、X線画像内の不透明度を検出する装置10の一例を示す。装置10は、入力ユニット20、処理ユニット30、及び出力ユニット40を備える。入力ユニット20は、有線又は無線通信を介して、処理ユニット30に、分析される身体部分の関心領域の分析X線画像を供給するように構成される。入力ユニット20はまた、有線又は無線通信を介して、処理ユニット30に、正常な関心領域のモデルを供給するように構成される。このモデルは、関心領域の複数のX線画像に基づく。処理ユニット30は、分析される身体部分の関心領域内の少なくとも1つの異常を検出するように構成される。この検出は、関心領域の分析X線画像と、正常な関心領域のモデルとの間の比較を含む。出力ユニット40は、少なくとも1つの異常に関する情報を出力するように構成される。
一例において、分析画像は、X線写真又は減衰X線画像である。一例において、分析画像は、暗視野像である。一例において、分析画像は、位相差画像である。一例において、複数の画像は、X線写真又は減衰X線画像を含む。一例において、複数の画像は、暗視野画像を含む。一例において、複数の画像は、位相差画像を含む。
一例において、関心領域は、肺に関係する。
一例において、少なくとも1つの異常は、1つ又は複数の肺疾患に関係する。一例において、少なくとも1つの異常は、結核に関係する。言い換えれば、結核などの肺疾患が、少なくとも1つの異常をもたらした可能性がある。
一例によれば、関心領域の分析X線画像と正常な関心領域のモデルとの間の比較は、分析X線画像の関心領域内の少なくとも1つの強度と、それに対応するモデルの正常な関心領域内の少なくとも1つの強度との間の、少なくとも1つの偏差を判断するように処理ユニットが構成されることを含む。
一例によれば、モデルデータは、関心領域の複数のX線画像内の対応する強度に基づく、少なくとも1つの平均強度を含む。モデルデータはまた、関心領域の複数のX線画像内の対応する強度に基づく、少なくとも1つの強度の標準偏差を含む。そして、関心領域の分析X線画像と正常な関心領域のモデルとの間の比較は、分析X線画像の関心領域内の少なくとも1つの強度値と、モデルの正常な関心領域内の少なくとも1つの平均強度と、モデルの正常な関心領域内の少なくとも1つの強度の標準偏差とに基づく。
一例によれば、関心領域の分析X線画像と正常な関心領域のモデルとの間の比較は、関心領域の分析X線画像内の空間位置での強度と、正常な関心領域のモデル内の対応する空間位置での平均強度との間の差を判定するように処理ユニットが構成されることを含む。その比較はまた、この差と、正常な関心領域のモデル内の対応する空間位置における強度の標準偏差との間の比を判定するように処理ユニットが構成されることを含む。
一例によれば、分析される身体部分の関心領域内の少なくとも1つの異常の検出は、分析X線画像の関心領域内の少なくとも1つの強度、及びそれに対応するモデルの正常な関心領域内の少なくとも1つの強度に基づく、少なくとも1つのスコアを判定するように処理ユニットが構成されることを含む。
一例によれば、分析される身体部分の関心領域内で少なくとも1つの異常が検出されたことを示すためにスコアが使用される。
一例において、指示は、異常をマークするための色の使用を含む。一例において、使用されている特定の色を、スコアに結びつけることができる。このようにして、単純な色分けを使用して、異常の重大度を示すのを補助することができる。たとえば、閾値をわずかだけ上回るスコアについては、黄色を使用して異常を示すことができ、一方、閾値を大幅に上回るスコアについては、明るい赤色を使用して異常をマークすることができる。このようにして、異常があることを示し、且つその位置を示すための簡単な手段が提供されるだけでなく、異常の起こり得る重大度を示すための簡単な手段が提供される。このようにして、この分野の未熟練者は、異常があると示された症状を優先することができる。
一例によれば、処理ユニットは、少なくとも1つのスコアに基づいて、分析X線画像の関心領域の少なくとも1つの領域を描出するように構成される。
一例によれば、分析された身体部分の関心領域内の少なくとも1つの異常の検出は、分析X線画像内の少なくともいくつかの骨関連画像を抑制するように処理ユニットが構成されることを含む。
一例によれば、正常な領域のモデルの基となる、関心領域の複数のX線画像は、少なくともいくつかの骨関連画像が抑制されている。
一例によれば、分析された身体部分の関心領域内の少なくとも1つの異常の検出は、分析X線画像を強度正規化するように処理ユニットが構成されることを含む。
一例によれば、正常な領域のモデルの基となる、関心領域の複数のX線画像は、強度正規化されている。
一例によれば、分析された身体部分の関心領域内の少なくとも1つの異常の検出は、分析X線画像の関心領域の、モデルの正常な関心領域への位置合せを含む。
一例において、正常領域のモデルの基となる、関心領域の複数のX線画像は、互いに位置合せされている。
図2は、X線画像内の不透明度を検出するシステム100の一例を示す。システム100は、図1に関して説明されたように、少なくとも1つの画像取得装置110、及びX線画像内の不透明度を検出する装置10を備える。少なくとも1つの画像取得装置110は、有線又は無線通信を介して、分析X線画像を提供するように構成される。その提供は、入力ユニット20に対してなされ得る。出力ユニット40は、少なくとも1つの異常に関する情報を含む、分析X線画像を出力するように構成される。
一例において、入力ユニット20は、少なくとも1つの取得装置110の画像取得装置である。
一例において、少なくとも1つの画像取得装置は、関心領域の複数のX線画像を取得するように構成される。
一例において、少なくとも1つの画像取得装置は、格子ベースの微分位相差撮像装置及び暗視野X線撮像装置を備える。一例において、少なくとも1つの画像取得装置は、干渉計構成部を備える。
一例において、少なくとも1つの画像取得装置は、X線撮像装置を備える。たとえば、この装置は、断層撮影構成部又はCT構成部であり得る。
一例において、少なくとも1つの画像取得装置は標準的なX線撮影装置であり、放射線の透過強度が、放射線が物体を通過するときの減衰に関する情報を提供する。
一例において、少なくとも1つの画像取得装置は、微分位相差撮像(DPCI:Differential phase contrast imaging)モードで動作することができる。
一例において、少なくとも1つの画像取得装置は、検査領域内の物体の有無にかかわらず、X線の強度(強度)値の検出に関する減衰画像を生成する。
一例において、少なくとも1つの画像取得装置は、検査領域内の物体の有無にかかわらず、X線の位相の検出に関する、位相差(又は微分位相)画像を生成する。一例において、少なくとも1つの画像取得装置は、検査領域内の物体の有無にかかわらず、X線の縞の鮮明度の検出に関する、暗視野(又はデコヒーレンス)画像を生成する。
一例において、出力ユニットは、吸収(又は減衰)画像を出力する。一例において、出力ユニットは、位相差(又は微分位相)画像を出力する。一例において、出力ユニットは、暗視野画像を出力する。
一例において、出力ユニットは、視覚表示装置などのモニタ上又は複数の別個のモニタ上にデータを出力する。たとえば、減衰画像、位相差画像、及び暗視野画像をモニタ上に提示することができる。
一例において、このシステムには、病院などの臨床環境において有用な用途がある。一例において、このシステムは、乳房X線撮影法、診断放射線医学、及び患者の医療検査のための介入的放射線医学において、肺疾患の検出に使用することができる。
一例において、このシステムには、産業上の環境、たとえば非破壊試験(たとえば生物学的試料及び非生物学的試料の組成、構造及び/又は品質に関する分析)、並びにセキュリティ走査(たとえば空港での荷物の走査)において、有用な用途がある。
図3は、X線画像内の不透明度を検出するための方法200を、その基本的なステップにおいて示す。この方法は、
提供するステップ210、またステップa)と称するステップにおいて、分析される身体部分の関心領域の分析X線画像を提供するステップと、
提供するステップ220、またステップb)と称するステップにおいて、正常な関心領域のモデルを提供するステップであって、このモデルは、関心領域の複数のX線画像に基づくものである、ステップと、
検出するステップ230、またステップc)と称するステップにおいて、分析される身体部分の関心領域内の少なくとも1つの異常を検出するステップであって、関心領域の分析X線画像と、正常な関心領域のモデルとを比較するステップを有する、ステップと、
出力するステップ240、またd)と称するステップにおいて、少なくとも1つの異常に関する情報を出力するステップと
を有する。
ステップa)において、この提供するステップは、入力ユニット20から処理ユニット30への提供であり得る。
ステップb)において、この提供するステップは、入力ユニットから処理ユニットへの提供であり得る。
ステップc)において、この検出するステップは、処理ユニットによって実行され得る。
ステップd)において、この出力するステップは、出力ユニットによって実行され得る。
一例において、ステップc)は、分析X線画像の関心領域内の少なくとも1つの強度と、モデルの正常な関心領域内の、対応する少なくとも1つの強度との間の、少なくとも1つの偏差を判定するステップを有する。
一例において、ステップb)で提供されるモデルは、関心領域の複数のX線画像内の対応する強度に基づく、少なくとも1つの平均強度を含むモデルデータを有し、モデルデータは、関心領域の複数のX線画像内の対応する強度に基づく、少なくとも1つの強度の標準偏差を含む。そして、ステップc)において、関心領域の分析X線画像と正常な関心領域のモデルとの間の比較は、分析X線画像の関心領域内の少なくとも1つの強度値、モデルの正常な関心領域内の少なくとも1つの平均強度値、及びモデルの正常な関心領域内の少なくとも1つの強度の標準偏差に基づくことができる。
一例において、ステップc)は、関心領域の分析X線画像内の空間位置での強度と、正常の関心領域のモデル内の対応する空間位置での平均強度との間の差を判定するステップを有し、またこの差と、正常な関心領域のモデル内の対応する空間位置における強度の標準偏差との間の比を判定するステップを有する。
一例において、ステップc)は、分析X線画像の関心領域内の少なくとも1つの強度、及びそれに対応するモデルの正常な関心領域内の少なくとも1つの強度に基づく、少なくとも1つのスコアを判定するステップを有する。
一例において、分析される身体部分の関心領域内で少なくとも1つの異常が検出されたことを示すためにスコアが使用される。
一例において、ステップc)は、少なくとも1つのスコアに基づいて、分析X線画像の関心領域の少なくとも1つの領域を示すステップを有する。
一例において、ステップc)は、分析X線画像内の、少なくともいくらかの骨関連画像を抑制するステップを有する。
一例において、ステップc)は、分析X線画像の少なくとも1つの強度を正規化するステップを有する。
一例において、ステップc)は、分析X線画像の関心領域を、モデルの正常な関心領域に位置合せするステップを有する。
X線画像内の不透明度を検出する装置、システム、及び方法の例を、次いで、図4〜図7と共により詳細に説明することにする。
質感の特徴(van Ginneken、Bram等による論文「結核罹患率調査のための胸部X線写真の自動スコアづけ:組合せ手法」肺画像分析に関する第5回国際ワークショップ2013年会報を参照のこと)及び不透明部の形状の特徴を含む、様々な画像の特徴の自動測定に基づく、胸部X線写真内の結核病変の自動検出のための、いくつかの既存の代替手法が提案されてきた。肺野の形状もまた、TB検出のベースとして提案されており(van Ginneken等による論文、及びJaeger、Stefan等による論文「組合せ肺マスクを使用したX線写真内の結核の検出」生体医工学会(EMBC:Engineering in Medicine and Biology Society)2012年IEEE年次国際会議、IEEE、2012年を参照のこと)、これによって、肋膜に隣接する不透明部は、実質病変の存在に対する間接的な指標をもたらす。しかし、様々な技術的な機能に基づいたコンピュータ支援意思決定システムの結果をユーザが検証するのは困難である。分析結果の直感的な指標は、結果におけるユーザの信頼を確立するために重要であり、したがって、これはかかる手法にとって大きな制約となる。さらに、こうしたアルゴリズムの訓練は通常、多数の注釈付き画像を必要とする。また、特化して訓練されたアルゴリズムは、ノイズ、いくつかの種類の画像アーティファクト、及び画像後処理パラメータのような外部パラメータに対して、非常に影響を受けやすいことがわかる。したがって、訓練セットから外れた条件下で得られた様々な画像の組からの画像に対して、実世界の状況で必要とされるように、訓練されたアルゴリズムを適用することは簡単ではない。
本明細書で説明される、X線画像内の不透明度を検出する装置、システム、及び方法は、図1〜図3に関して前述したように、また以下でより詳細に論じられるように、こうした問題に対処する。
肺内のTBの放射線学的徴候は、感染前に肺実質が存在していた位置での、体液又は線維組織の局所的蓄積によって引き起こされる。肺組織の生理学的特性のこの変化により、(X線の吸収の増加による)局所的な不透明部が、胸部X線画像内に存在する。本明細書に記載の装置によって提供される、肺野に対応するX線写真の領域内の不透明度の自動検出は、胸部X線写真内の結核を自動的に検出するための、非常に直接的且つ生理学的に妥当な手法である。
これを達成するように、異常に関連するかかる不透明度を識別できるようにするために、いくつかの厄介な問題を考慮に入れなければならない。X線画像内の不透明度を検出する装置、システム、及び方法によって対処される厄介な問題は以下を含む。
i.肺野で覆われた骨も、結核によって引き起こされるものよりも強い不透明度を課す。
ii.様々な取得プロトコル(露出)及び患者の特性(体重/サイズ)に応じて、肺野における画像強度は、結核によって引き起こされる変動に起因するよりも著しく大きく変わり、それによって画像間の定量的比較が妨げられる。
iii.肺血管の木の根(肺門)は、強い不透明性を課す。
同様の問題は、他の肺疾患の検出において、たとえば乳房X線画像の分析においても生じる。
図4は、本明細書に記載のX線画像内の不透明度を検出する装置、システム、及び方法によって提供される、X線画像内の不透明度を検出するための詳細な作業の流れの一例を示す。胸部X線写真などのX線画像内の不透明度の自動検出及び特徴づけのための手法が提供される。胸部X線写真のケースに対するこの手法の4つの主な要素を、以下のようにまとめることができる。
1.胸部X線写真の前処理
2.胸部X線写真と正常モデルとの比較
3.胸部X線写真内の異常の検出、及び
4.胸部X線写真から検出された異常の分類
本質的にこの手法は、胸部X線写真を互いに直接比較することを可能にし、それによって方法は、「目に見えない」画像を多数の「知られた」画像と比較することを可能にする。画像の選択は専門家によって実行され、それにより、何らかの事前定義された包含基準の組に従って評価され得る。そしてこの画像「データベース」から得られる情報は、このデータベース内で符号化された予測値からの差を検出するための比較分析のベースを形成する。
図4に示される詳細な作業の流れの特定のステップについて、ここでより詳細に説明する。
前処理
上記で概要を示した厄介な問題(i及びii)を考慮するために、各画像について前処理が実行される。以下の前処理ステップが適用される。
1.肺野のセグメント化
2.骨の抑制
3.肺野の強度正規化、及び
4.肺野の空間正規化。
図5は、一症例からの、前処理の様々な段階での結果を示す。こうしたステップの後で、肺野内の強度を定量分析することができる。肺野の外側の信号は無視され、肺野の内側に重ねられた肋骨構造は抑制され、露出又は患者の体重の影響は、強度の正規化ステップにおいて補償される。空間正規化(又は位置合せ)はまた、肺野の解剖学的に対応する位置を位置合せする。
正常モデル
統計モデルは、アトラス内の任意の位置において、強度分布(平均値av_i(x)及び標準偏差stddev(x))を記述している、正常のケース(専門家によって画像内で有意な放射線学的所見が観察されなかったことを意味する、放射線学的正常と定義される)の収集から構築される。このモデルは、平均値及び標準偏差に基づいて、正常に対するアトラス空間内での予測強度の信頼区間を提供する(一般的なアトラス空間内での一組の正常な対象者の肺野内の、強度分布のモデル化を示す、図6を参照のこと−平均及び標準偏差をもつ、ガウスモデルが使用される)。平均的な肺野内に暗い領域(中央上部)があり、より明るい領域(肺底、外側帯、肺門)がある。予測強度の標準偏差もまた、アトラス空間にわたって空間的に変化する。たとえば、変動は、肺門内及び肺底内でより大きくなるが、外側帯ではそうではない。平均及び標準偏差を含むこの正常モデルは、比較的少数のパラメータを有し、適用するのが概念的に非常に簡単である。訓練に必要なデータセットはごく少数であり、訓練ケースの特定の選択に適合し過ぎるリスクは低い。
異常検出
たとえば対象者からの肺野で取得され、分析X線画像であると考えられ得る画像は、以下によって分析される。
1.画像の前処理、及び
2.任意の異常画像位置の検出。
肺野内の任意の位置における信頼区間からの偏差(xにおけるzスコア)が検出される。
Figure 2019536531
ここで、
Figure 2019536531
は、位置
Figure 2019536531
での画像強度であり、
Figure 2019536531
は、正常モデル内の
Figure 2019536531
での平均強度であり、σ(x)は、正常モデル内の
Figure 2019536531
での標準偏差である。
結果を図7に示す。ここで、高いzスコアを有する異常画像領域は、左側画像上の中実のオーバレイによって示され、右側画像上の異常領域を示す輪郭として示される。画像強度だけでは、マーク付けされる(又は検出される)べき領域として、決定的ではないことが理解されよう。たとえば、正常モデル内の標準偏差もまたこの領域で大きく、したがって、(標準偏差が分母となる)zスコアがより小さくなるので、肺門の領域は明るいが、マーク付けされない。こうして、この手法はまた、前述の第3の厄介な問題(iii)にも対処する。
分類
総合的な異常スコアZは、z(x)>sとなる全ての位置xを数え、これを肺のサイズを占める肺野内の位置の数に正規化することによって、肺野全体に関して計算される。Zは、特定の胸部X線写真の異常に関する適切な判断基準を提供する。
要約
前に詳細に説明してきた、モデル構築、異常検出、及び評価の特定のステップに関するさらなる詳細を含む簡単な概要を、以下に提供する。前に概説した前処理は、この目的のための重要な前提条件のステップであり得る。ある状況では、前処理は、分析に含まれるすべての画像(モデルを構築するための訓練段階の間の参照画像、及び検出中の目に見えない画像の両方)に、同じやり方で適用される。ここで、これらのステップは、下記にさらに詳しく述べられている。
−肺野のセグメント化は、D.Barthel及びJ.von Bergによる論文である「ディジタル胸部X線写真上の堅牢な自動肺野セグメント化」CARS国際学術誌、4(補遺1):326〜327頁、2009年に記載された方法によって実施される。セグメント化の他の知られた方法を使用することができる。
−骨の抑制もまた、たとえば以下の情報源に記載される、知られた方法によって実施され得る。von Berg及びNeitzelによる国際特許出願公開WO2011/077334「X線写真内の骨の抑制」、Jens von Berg、Stewart Young、Heike Carolus、Robin Wolz、Axel Saalbach、Alberto Hidalgo、Ana Gimenez、及びTomas Franquetによる「肺瘤検出を改善する、新規の骨抑制方法」コンピュータ支援放射線医学・外科学協会の国際学術誌、1〜15頁、2015年、並びにvon Berg、Levrier、Carolus、Young、Saalbach、Laurent、及びFlorentによる「X線写真内の胸郭の分解」出版されたISBI2016の会報。
−強度正規化は、たとえば強度範囲の7.5%で、肺野の暗い部分など、肺野の強度分位数qを判定することによって実施され得る。したがって、正規化は、画像からqを減算することを意味する(そして負の画像強度にしないために定数を加算する)。これは、複雑な質感及び形状の特徴分析に基づく他の方法とは対照的に、非常に簡単な方法である。
−空間正規化は、離散的な一組のステップポイントから作成された肺野の輪郭に基づいて実行することができる。平均的な肺野モデルは、訓練セットに基づいて構築される。これにより、「アトラス」(基準)空間の定義が確立される。次いで、元の画像を変形させて、肺と、モデルの肺とを位置合わせすることにより、すべての画像を、この「アトラス」空間と空間的に位置合せすることができる。Rueckert、Daniel等による論文「自由形状変形を利用した非剛体位置合せ:乳房MR画像への応用」IEEE Transactions on Medical Imaging、1999年18[8]、712〜721頁に記載される、Bスプライン法もまた適用され得る。k最近傍補間などの他の手法が適用され得る。
したがって、本明細書に記載のX線画像内の不透明度を検出する装置、システム及び方法を、異常である確率が高い画像を自動的に分類するために適用することができる。これは、データベースから関心のある症状を選択する自動ステップとして作用することができる。それはまた、結核のような肺疾患に罹患する一定のリスクを有する患者を同定するためにも使用され得る。検査のシナリオでは、こうした患者は次いで、痰検査又は遺伝子検査のような他の手段を用いて、さらなる診断検査を受けることができる。また、図7にあるような視覚化を、結核のような肺疾患の診断を担当する人に提示して、この人が診断により自信を持つようになる補助をすることができる。
別の例示的な実施形態では、適切なシステムである前述の実施形態のうちの1つによる方法の、方法ステップを実行するように構成されていることを特徴とする、コンピュータプログラム又はコンピュータプログラム要素が提供される。
したがって、コンピュータプログラム要素はコンピュータ装置に格納され、これもまた実施形態の一部である。このコンピュータ処理ユニットは、前述の方法のステップを実行する、又は実行を誘導するように構成される。さらに、前述の装置の構成要素を動作させるように構成される。コンピュータ処理ユニットは、自動的に動作するように、且つ/又はユーザの命令を実行するように構成され得る。コンピュータプログラムは、データプロセッサの作業メモリにロードされる。したがって、データプロセッサは、前述の実施形態のうちの1つによる方法を実行するように装備される。
本発明のこの例示的な実施形態は、ずっと最初から本発明を使用するコンピュータプログラムと、更新によって既存のプログラムを、発明を使用するプログラムに変えるコンピュータプログラムとの両方を包含する。
さらに、コンピュータプログラム要素は、前述の方法の例示的実施形態の手順を満たすために必要なすべてのステップを提供することができる。
本発明のさらなる例示的な実施形態によれば、CD−ROMなどのコンピュータ可読媒体が提示され、このコンピュータ可読媒体は、そこに格納されるコンピュータプログラム要素を有し、このコンピュータプログラム要素は、前節で説明されている。
コンピュータプログラムは、他のハードウェアと共に、又は他のハードウェアの一部として供給される、光記憶媒体又は固体媒体などの好適な媒体にて格納及び/又は配布されるが、インターネット又は他の有線若しくは無線の電気通信システムを介するなどして、他の形態でも配布され得る。
しかし、コンピュータプログラムはまた、ワールドワイドウェブのようなネットワークを介して提供され、かかるネットワークからデータプロセッサの作業メモリへダウンロードすることができる。本発明のさらなる例示的実施形態によれば、コンピュータプログラム要素をダウンロードで入手可能にするための媒体が提供され、コンピュータプログラム要素は、本発明の前述の実施形態のうちの1つによる方法を実行するように構成される。
本発明の実施形態は、様々な主題を参照して説明されていることに留意されたい。特にある実施形態は、方法のタイプの請求項に関して説明されているが、一方他の実施形態は、装置のタイプの請求項に関して説明されている。しかし当業者は、特に断りのない限り、1つのタイプの主題に属する特徴の任意の組合せに加え、相異なる主題に関連する特徴間の任意の組合せもまた、本出願と共に開示されていると考えられることを、前述及び以下の説明から知るであろう。しかし、すべての特徴を組み合わせて、特徴の単なる足し算を上回る相乗効果を提供することができる。
本発明について、図面及び前述の記載で詳細に示し、また説明してきたが、かかる図及び説明は、例示的又は代表的であり、限定的ではないと考えられるべきである。本発明は、開示された実施形態に限定されない。開示された実施形態に対する他の変形形態は、特許請求される発明を実施する中で、図面、開示、及び従属請求項の研究から、当業者によって理解され達成され得る。
特許請求の範囲で、用語「comprising」は、他の要素又はステップを除外するものではなく、また不定冠詞「a」又は「an」は複数を除外するものではない。単一のプロセッサ又は単一の他の装置は、特許請求の範囲に列挙された複数の項目の機能を果たす。特定の手段が、互いに相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、これらの手段の組合せが有利に使用され得ないことを示すものではない。特許請求の範囲内のいかなる参照符号も、範囲を限定するものと解釈されるべきではない。

Claims (14)

  1. 臨床X線画像の不透明度を検出する装置であって、前記装置は、入力ユニット、処理ユニット、及び出力ユニットを備え、
    前記入力ユニットは、前記処理ユニットに、分析される身体部分の関心領域の分析X線画像を供給し、
    前記入力ユニットは、前記処理ユニットに、正常であり且つ異常を罹患していない関心領域の複数のX線画像に基づき、正常で健康な母集団に関する統計情報を含む、正常な関心領域のモデルを供給し、
    前記処理ユニットは、前記分析される身体部分の関心領域の中の少なくとも1つの異常を検出し、当該検出は、前記関心領域の分析X線画像と、前記正常な関心領域のモデルとの間の比較を含み、当該検出は、前記分析X線画像内の少なくともいくらかの骨関連画像の抑制を含み、
    前記出力ユニットは、少なくとも1つの異常に関する情報を出力する、装置。
  2. 前記関心領域の前記分析X線画像と前記正常な関心領域のモデルとの間の比較は、前記分析X線画像の前記関心領域内の少なくとも1つの強度と、それに対応する前記モデルの前記正常な関心領域内の少なくとも1つの強度との間の少なくとも1つの偏差を、前記処理ユニットが判断することを含む、請求項1に記載の装置。
  3. モデルデータが、前記関心領域の前記複数のX線画像内の対応する強度に基づく少なくとも1つの平均強度を含み、前記モデルデータは、前記関心領域の前記複数のX線画像内の対応する強度に基づく少なくとも1つの強度の標準偏差を含み、前記関心領域の前記分析X線画像と前記正常な関心領域の前記モデルとの間の比較は、前記分析X線画像の前記関心領域内の少なくとも1つの強度値と、前記モデルの前記正常な関心領域内の少なくとも1つの平均強度値と、前記モデルの前記正常な関心領域内の少なくとも1つの強度の標準偏差とに基づく、請求項1又は2に記載の装置。
  4. 前記関心領域の前記分析X線画像と前記正常な関心領域の前記モデルとの間の比較は、前記関心領域の前記分析X線画像内のある空間位置での強度と、前記正常な関心領域の前記モデル内の対応する空間位置での平均強度との間の差を、前記処理ユニットが判断すること、及び、この差と前記正常な関心領域の前記モデル内の対応する空間位置における強度の標準偏差との間の比を前記処理ユニットが判定することを含む、請求項3に記載の装置。
  5. 前記分析される身体部分の関心領域の中の少なくとも1つの異常の検出は、前記分析X線画像の関心領域内の少なくとも1つの強度、及び、それに対応するモデルの正常な関心領域内の少なくとも1つの強度に基づく少なくとも1つのスコアを、前記処理ユニットが判断することを含む、請求項1乃至4の何れか一項に記載の装置。
  6. 前記少なくとも1つのスコアのうちのあるスコアが、前記分析される身体部分の関心領域内で少なくとも1つの異常が検出されたことを示すために使用される、請求項5に記載の装置。
  7. 前記処理ユニットは、前記少なくとも1つのスコアに基づいて、前記分析X線画像の関心領域の少なくとも1つの領域を描出する、請求項5又は6に記載の装置。
  8. 前記正常領域のモデルの基となる関心領域の複数のX線画像は、少なくともいくつかの骨関連画像が抑制されたものである、請求項1乃至7の何れか一項に記載の装置。
  9. 前記分析された身体部分の関心領域内の少なくとも1つの異常の検出は、前記分析X線画像を前記処理ユニットが強度正規化することを含む、請求項1乃至8の何れか一項に記載の装置。
  10. 前記正常な領域のモデルの基となる関心領域の複数のX線画像が、強度正規化されている、請求項1乃至9の何れか一項に記載の装置。
  11. 前記分析された身体部分の関心領域内の少なくとも1つの異常の検出は、前記分析X線画像の関心領域の、前記モデルの正常な関心領域への位置合せを含む、請求項1乃至10の何れか一項に記載の装置。
  12. X線画像内の不透明度を検出するシステムであって、前記システムは、
    少なくとも1つの画像取得装置、及び
    請求項1乃至11の何れか一項に記載の臨床X線画像内の不透明度を検出する装置を備え、
    前記少なくとも1つの画像取得装置は、分析X線画像を提供し、
    前記出力ユニットは、少なくとも1つの異常に関する情報を含む分析X線画像を出力する、システム。
  13. X線画像内の不透明度を検出する自動化された方法であって、前記方法は、
    a)分析される身体部分の関心領域の分析X線画像を提供するステップ、
    b)正常な関心領域のモデルを提供するステップであって、前記モデルは、正常であり且つ異常を罹患していない関心領域の複数のX線画像に基づくものであり、前記モデルは、正常で健康な母集団に関する統計情報を含む、ステップ、
    c)前記分析される身体部分の関心領域内の少なくとも1つの異常を検出するステップであって、当該検出するステップは、前記関心領域の前記分析X線画像と、前記正常な関心領域のモデルとを比較するステップと、前記分析X線画像内の少なくともいくつかの骨関連画像を抑制するステップとを有する、検出するステップ、及び
    d)前記少なくとも1つの異常に関する情報を出力するステップ、
    を有する、方法。
  14. プロセッサによって実行されると、請求項13に記載の方法を実行する、請求項1から11の何れか一項に記載の装置及び/又は請求項12に記載のシステムを制御するためのコンピュータプログラム。
JP2019523631A 2016-11-08 2017-10-26 X線画像内の不透明度を検出する装置 Pending JP2019536531A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP16197665 2016-11-08
EP16197665.9 2016-11-08
PCT/EP2017/077376 WO2018086893A1 (en) 2016-11-08 2017-10-26 Apparatus for the detection of opacities in x-ray images

Publications (2)

Publication Number Publication Date
JP2019536531A true JP2019536531A (ja) 2019-12-19
JP2019536531A5 JP2019536531A5 (ja) 2020-12-03

Family

ID=57256137

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019523631A Pending JP2019536531A (ja) 2016-11-08 2017-10-26 X線画像内の不透明度を検出する装置

Country Status (5)

Country Link
US (1) US11058383B2 (ja)
EP (1) EP3539079A1 (ja)
JP (1) JP2019536531A (ja)
CN (1) CN109937433B (ja)
WO (1) WO2018086893A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7515709B2 (ja) 2020-09-21 2024-07-12 コーニンクレッカ フィリップス エヌ ヴェ 暗視野x線画像データ情報の処理

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3622891A1 (en) * 2018-09-13 2020-03-18 Koninklijke Philips N.V. Calculation device for determining ventilation defects
JP7023254B2 (ja) * 2019-03-27 2022-02-21 富士フイルム株式会社 撮影支援装置、方法およびプログラム
EP3866107A1 (en) * 2020-02-14 2021-08-18 Koninklijke Philips N.V. Model-based image segmentation
CN111815557A (zh) * 2020-06-04 2020-10-23 上海联影智能医疗科技有限公司 图像分析方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09147082A (ja) * 1995-11-20 1997-06-06 Sumitomo Heavy Ind Ltd 画像診断支援装置
JP2004041694A (ja) * 2002-05-13 2004-02-12 Fuji Photo Film Co Ltd 画像生成装置およびプログラム、画像選択装置、画像出力装置、画像提供サービスシステム
JP2005073122A (ja) * 2003-08-27 2005-03-17 Fuji Photo Film Co Ltd 画像処理方法および装置並びにプログラム
JP2005514975A (ja) * 2002-01-07 2005-05-26 マルチ−ディメンショナル イメージング,インコーポレイテッド 動的な解剖学的、生理学的および分子撮像のためのマルチモダリティ装置
JP2005198887A (ja) * 2004-01-16 2005-07-28 Fuji Photo Film Co Ltd 解剖学的構造物の構造検出方法および装置並びにプログラム、構造物除去画像生成装置、異常陰影検出装置
WO2007138979A1 (ja) * 2006-05-25 2007-12-06 Hitachi Medical Corporation X線ct装置
JP2010012176A (ja) * 2008-07-07 2010-01-21 Hamamatsu Photonics Kk 脳疾患診断システム

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7660453B2 (en) 2000-10-11 2010-02-09 Imaging Therapeutics, Inc. Methods and devices for analysis of x-ray images
US20040175034A1 (en) 2001-06-20 2004-09-09 Rafael Wiemker Method for segmentation of digital images
US7747052B2 (en) 2005-11-29 2010-06-29 Siemens Medical Solutions Usa, Inc. System and method for detecting solid components of ground glass nodules in pulmonary computed tomography images
FR2904882B1 (fr) 2006-08-11 2008-11-14 Gen Electric Procede de traitement d'images radiologiques pour une detection d'opacites
US20090052763A1 (en) 2007-06-04 2009-02-26 Mausumi Acharyya Characterization of lung nodules
US8238635B2 (en) * 2008-03-21 2012-08-07 General Electric Company Method and system for identifying defects in radiographic image data corresponding to a scanned object
CA2731657A1 (en) * 2008-07-28 2010-02-04 Nihon Medi-Physics Co., Ltd. Technique for detecting neurodegenerative disorders
US8731255B2 (en) 2008-11-05 2014-05-20 University Of Louisville Research Foundation, Inc. Computer aided diagnostic system incorporating lung segmentation and registration
CN102053963B (zh) * 2009-10-28 2012-08-08 沈阳工业大学 一种胸部x线图像检索方法
WO2011077334A1 (en) 2009-12-22 2011-06-30 Koninklijke Philips Electronics N.V. Bone suppression in x-ray radiograms
WO2011135484A1 (en) * 2010-04-26 2011-11-03 Koninklijke Philips Electronics N.V. Device and method for providing subtraction images
US20130044927A1 (en) * 2011-08-15 2013-02-21 Ian Poole Image processing method and system
US10445855B2 (en) 2014-04-08 2019-10-15 Icad, Inc. Lung segmentation and bone suppression techniques for radiographic images

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09147082A (ja) * 1995-11-20 1997-06-06 Sumitomo Heavy Ind Ltd 画像診断支援装置
JP2005514975A (ja) * 2002-01-07 2005-05-26 マルチ−ディメンショナル イメージング,インコーポレイテッド 動的な解剖学的、生理学的および分子撮像のためのマルチモダリティ装置
JP2004041694A (ja) * 2002-05-13 2004-02-12 Fuji Photo Film Co Ltd 画像生成装置およびプログラム、画像選択装置、画像出力装置、画像提供サービスシステム
JP2005073122A (ja) * 2003-08-27 2005-03-17 Fuji Photo Film Co Ltd 画像処理方法および装置並びにプログラム
JP2005198887A (ja) * 2004-01-16 2005-07-28 Fuji Photo Film Co Ltd 解剖学的構造物の構造検出方法および装置並びにプログラム、構造物除去画像生成装置、異常陰影検出装置
WO2007138979A1 (ja) * 2006-05-25 2007-12-06 Hitachi Medical Corporation X線ct装置
JP2010012176A (ja) * 2008-07-07 2010-01-21 Hamamatsu Photonics Kk 脳疾患診断システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7515709B2 (ja) 2020-09-21 2024-07-12 コーニンクレッカ フィリップス エヌ ヴェ 暗視野x線画像データ情報の処理

Also Published As

Publication number Publication date
EP3539079A1 (en) 2019-09-18
US11058383B2 (en) 2021-07-13
CN109937433B (zh) 2024-01-16
US20190254618A1 (en) 2019-08-22
CN109937433A (zh) 2019-06-25
WO2018086893A1 (en) 2018-05-17

Similar Documents

Publication Publication Date Title
JP4909377B2 (ja) 画像処理装置及びその制御方法、コンピュータプログラム
JP2019536531A (ja) X線画像内の不透明度を検出する装置
JP5197029B2 (ja) 医用画像処理装置
US8897533B2 (en) Medical image processing apparatus
JP6175071B2 (ja) 胸部画像の処理及び表示
US7236619B2 (en) System and method for computer-aided detection and characterization of diffuse lung disease
JP5676269B2 (ja) 脳画像データの画像解析
WO2015175746A1 (en) Visualization and quantification of lung disease utilizing image registration
JP5631339B2 (ja) 画像処理装置、画像処理方法、眼科装置、眼科システム及びコンピュータプログラム
JP2002521896A (ja) 軟組織胸部画像と標準胸部画像を利用したエネルギ差分法によるコンピュータ化肺小結節検出
JP2018117883A (ja) 学習装置、識別装置、識別方法、及びプログラム
US20230172451A1 (en) Medical image visualization apparatus and method for diagnosis of aorta
EP4183344A1 (en) Device and method for supporting chest medical image reading
Chang et al. Development of a deep learning-based algorithm for the automatic detection and quantification of aortic valve calcium
Iwao et al. Integrated lung field segmentation of injured region with anatomical structure analysis by failure–recovery algorithm from chest CT images
KR101162599B1 (ko) 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체
CN108694999A (zh) 临床决策支持系统的灵活使用
JP2006340835A (ja) 異常陰影候補の表示方法及び医用画像処理システム
Smith et al. Detection of fracture and quantitative assessment of displacement measures in pelvic X-RAY images
JP6275157B2 (ja) 画像データに基づく組織表面ラフネスの定量化、及びそれに基づく疾患の存在の決定
CN114742836A (zh) 医学图像的处理方法、装置及计算机设备
Caban et al. Monitoring pulmonary fibrosis by fusing clinical, physiological, and computed tomography features
Mesanovic et al. Application of lung segmentation algorithm to disease quantification from CT images
Hamad et al. Infusion extraction and measurement on CT images based on computer vision and neural network
EP4213735B1 (en) Processing dark-field x-ray image data information

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201022

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201022

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210818

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210913

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20211203

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220311

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220729

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20221020

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230126

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20230508