JP2021003211A - 特徴量算出装置、特徴量算出方法及び特徴量算出プログラム - Google Patents

Abstract

【課題】組織の評価をより精度よく行うための特徴量を算出する。【解決手段】特徴量算出装置１は、被験者の特定の組織を撮像した画像データであって、当該組織の動作の一周期内に含まれる複数の画像データを取得する画像取得部１１と、前記複数の画像データのそれぞれについて、組織を撮像した領域のフラクタル次元を算出するフラクタル次元算出部（算出処理部１２）と、複数の画像データのそれぞれのフラクタル次元に基づいて、組織の一周期内でのフラクタル次元の変化に係る特徴量を算出する特徴量算出部（算出処理部１２）と、を有する。【選択図】図１

Description

本発明は、特徴量算出装置、特徴量算出方法及び特徴量算出プログラムに関する。

被験者の組織を撮像した画像から組織の複雑性に係るフラクタル次元を算出することで、組織の状態を評価することが検討されている。例えば、特許文献１では、心拍内の特定フェーズで撮影された被験者の心臓の３次元画像データからフラクタル次元を算出し、予め定められた閾値より高いか否かを判定することが開示されている。

特開２０１４−１６１６５７号公報

しかしながら、組織によっては特定フェーズでのフラクタル次元だけでは、組織の状態の評価を十分に行うことができない可能性がある。

本発明は上記を鑑みてなされたものであり、組織の評価を精度よく行うための特徴量を算出する特徴量算出装置、特徴量算出方法及び特徴量算出プログラムを提供することを目的とする。

上記目的を達成するため、本発明の一形態に係る特徴量算出装置は、被験者の特定の組織を撮像した画像データであって、当該組織の動作の一周期内に含まれる複数の画像データを取得する画像取得部と、前記複数の画像データのそれぞれについて、前記組織を撮像した領域のフラクタル次元を算出するフラクタル次元算出部と、前記複数の画像データのそれぞれのフラクタル次元に基づいて、前記組織の一周期内でのフラクタル次元の変化に係る特徴量を算出する特徴量算出部と、を有する。

また、本発明の一形態に係る特徴量算出方法は、被験者の特定の組織を撮像した画像データであって、当該組織の動作の一周期内に含まれる複数の画像データを取得する画像取得ステップと、前記複数の画像データのそれぞれについて、前記組織を撮像した領域のフラクタル次元を算出するフラクタル次元算出ステップと、前記複数の画像データのそれぞれのフラクタル次元に基づいて、前記組織の一周期内でのフラクタル次元の変化に係る特徴量を算出する特徴量算出ステップと、を含む。

また、本発明の一形態に係る特徴量算出プログラムは、被験者の特定の組織を撮像した画像データであって、当該組織の動作の一周期内に含まれる複数の画像データを取得する画像取得ステップと、前記複数の画像データのそれぞれについて、前記組織を撮像した領域のフラクタル次元を算出するフラクタル次元算出ステップと、前記複数の画像データのそれぞれのフラクタル次元に基づいて、前記組織の一周期内でのフラクタル次元の変化に係る特徴量を算出する特徴量算出ステップと、を含む。

上記の特徴量算出装置、特徴量算出方法及び特徴量算出プログラムによれば、組織の動作の一周期内に含まれる複数の画像データから組織を撮像した領域のフラクタル次元が算出され、複数の画像データのそれぞれのフラクタル次元に基づいて、組織の一周期内でのフラクタル次元の変化に係る特徴量が算出される。このように、一周期内での組織の動作に由来するフラクタル次元の変化に基づく特徴量は、組織の状態を反映した値となることから、組織の状態の評価に適している。したがって、上記の特徴量算出装置、特徴量算出方法及び特徴量算出プログラムによれば、組織の評価を精度よく行うための特徴量を算出することができる。

ここで、前記特徴量算出部は、前記複数の画像データのそれぞれのフラクタル次元に基づいて、前記組織の動作の一周期内でのフラクタル次元の変化量を特定する特徴量を算出する態様とすることができる。

上記のように、特徴量算出部において、フラクタル次元の変化量を特定する特徴量を算出する構成とすることで、組織の動作の一周期において組織がどのように変化するかについてフラクタル次元を用いて把握することができる。したがって、この特徴量を算出する構成とすることで、組織の評価をより精度よく行うことが可能となる。

前記組織は、心臓の心室であって、前記画像取得部は、心周期内の拡張期と収縮期とを含む複数の画像データを取得する態様とすることができる。

心臓は周期的に動作する組織のひとつであり、心室は心周期内の拡張期と収縮期とで形状が大きく変化する。そこで、上記の特徴量の算出に係る手法を心臓の心室に適用し、心周期内の拡張期と収縮期とを含む複数の画像データから特徴量を算出する構成とすることで、心室を含む心臓の状態の評価を精度よく行うことができる。

前記フラクタル次元算出部は、前記複数の画像データのそれぞれについて、画像データを二値化処理した後、前記組織を撮像した領域のエッジを検出して、フラクタル次元を算出する態様とすることができる。

上記のように、画像データを二値化処理した後、組織を撮像した領域のエッジを検出してフラクタル次元を算出する構成とすることで、組織を撮像した領域にフラクタル次元を適切に算出することができる。

本発明によれば、組織の評価を精度よく行うための特徴量を算出する特徴量算出装置、特徴量算出方法及び特徴量算出プログラムが提供される。

図１は、一実施形態に係る特徴量算出装置の構成を説明するブロック図である。 図２は、特徴量算出装置のハードウェア構成を説明する図である。 図３は、特徴量算出方法を説明するフロー図である。 図４（ａ）、図４（ｂ）、図４（ｃ）は、特徴量算出に係る処理の手順について説明する図である。 図５（ａ）、図５（ｂ）は、特徴量算出に係る処理の手順について説明する図である。 図６は、フラクタル次元曲線について説明する図である。 図７（ａ）、図７（ｂ）、図７（ｃ）は、フラクタル次元曲線から算出された特徴量に係るＲＯＣ解析の結果を示す図である。 図８（ａ）、図８（ｂ）、図８（ｃ）は、互いに異なる被験者の心室を撮像した画像データを示す図である。 図９は、図８で示した被験者に係る画像データからフラクタル次元曲線を算出した結果を示す図である。

以下、添付図面を参照して、本発明を実施するための形態を詳細に説明する。なお、図面の説明においては同一要素には同一符号を付し、重複する説明を省略する。

図１は、本発明の一形態に係る特徴量算出装置の構成を説明するブロック図である。本実施形態に係る特徴量算出装置１は、被験者の特定の臓器（組織）を撮像した画像データから、当該臓器に係る特徴量を算出する装置である。対象となる臓器は、特定の周期で動作（変形）する臓器である。このような臓器としては、例えば、心臓（心房または心室）、肺、肝臓等が挙げられるが、これらに限定されるものではない。例えば心臓の場合、心拍に対応した周期で繰り返し変形している。特徴量算出装置１では、このように、特定の周期で繰り返し動作（変形）する臓器の１周期の中でも変化に着目して特徴量を算出する。なお、以下の実施形態では、心臓の心室の変化を撮像した複数の画像データから特徴量を算出する場合について説明する。

図１に示すように、特徴量算出装置１は、画像取得部１１、算出処理部１２（フラクタル次元算出部、特徴量算出部）、記憶部１３、及び、出力部１４を有する。また、算出処理部１２は、画像処理部２１及びフラクタル次元解析部２２を含む。

特徴量算出装置１のハードウェアは、例えば一つ又は複数の制御用のコンピュータにより構成される。例えば特徴量算出装置１は、図２に示す回路１２０を有する。回路１２０は、一つ又は複数のプロセッサ１２１と、メモリ１２２と、ストレージ１２３と、入出力ポート１２４と、タイマー１２５とを有する。ストレージ１２３は、例えばハードディスク等、コンピュータによって読み取り可能な記憶媒体を有する。記憶媒体は、後述の特徴量算出に係る手順を特徴量算出装置１に実行させるためのプログラム（特徴量算出プログラム）を記憶している。記憶媒体は、不揮発性の半導体メモリ、磁気ディスクおよび光ディスク等の取り出し可能な媒体であってもよい。メモリ１２２は、ストレージ１２３の記憶媒体からロードしたプログラムおよびプロセッサ１２１による演算結果を一時的に記憶する。プロセッサ１２１は、メモリ１２２と協働して上記プログラムを実行することで、上述の各機能部を構成する。入出力ポート１２４は、プロセッサ１２１からの指令に従って、特徴量算出装置１の各機能部との間で電気信号の入出力を行う。タイマー１２５は、例えば一定周期の基準パルスをカウントすることで経過時間を計測する。

図１に戻り、特徴量算出装置１の各機能部について説明する。特徴量算出装置１の画像取得部１１は、外部装置等から特徴量を算出する対象となる被験者の対象の臓器を撮像した複数の画像データを取得する機能を有する。複数の画像データとは、対象の臓器の１周期中の変化を捉えた複数の画像データである。例えば、対象の臓器が心臓（心房または心室）である場合、１周期（１拍）の間で拡張と収縮とが行われる。したがって、心臓の場合は、拡張期及び収縮期を含む複数の画像データが特徴量の算出のために準備され、特徴量算出装置１ではこれらの画像データを取得する。なお、心臓の１周期の動作に係る複数の画像データとしては、例えば、磁気共鳴動画像（ＣＭＲ：Cardiovascular MRI）を用いることができる。より詳細には、シネＭＲＩ画像を用いることができる。ただし、画像データの種類は上記に限定されない。また、対象の臓器によって画像データの種類を変更することができる。

算出処理部１２は、対象の臓器に係る複数の画像データから、特徴量を算出する機能を有する。算出処理部１２は、画像処理部２１と、フラクタル次元解析部２２と、を有する。画像処理部２１は、フラクタル次元解析部２２における特徴量の算出のために複数の画像データに対する画像処理を行う機能を有する。すなわち、画像データからのフラクタル次元の算出に係るフラクタル次元算出部としての機能の一部を有している。画像処理の詳細は後述する。また、フラクタル次元解析部２２は、画像処理部２１における画像処理後の画像データから対象の臓器に係るフラクタル次元を求め、フラクタル次元に基づいて特徴量を算出する機能を有する。すなわち、画像データからのフラクタル次元の算出に係るフラクタル次元算出部としての機能の一部と、複数の画像データのそれぞれのフラクタル次元に基づいて、組織の一周期内でのフラクタル次元の変化に係る特徴量を算出する特徴量算出部としての機能を有する。フラクタル次元解析部２２の処理についても詳細は後述する。

記憶部１３は、画像取得部１１において取得された画像データ、算出処理部１２による解析結果等を記憶する機能を有する。

出力部１４は、算出処理部１２による算出結果を出力する機能を有する。出力先としては、特徴量算出装置１に設けられたモニタ、外部装置等が挙げられる。また、出力内容等は特に限定されず、例えば、算出処理部１２により算出された特徴量をそのまま出力する態様としてもよいし、算出された特徴量に基づいて何らかの評価を行いその結果を出力する態様としてもよい。特徴量に基づく評価等を行う場合には、評価を行うためのロジック等を記憶部１３において保持し、特徴量を算出した後に当該ロジックを用いて評価を行うこととしてもよい。

次に、図３〜図６を参照しながら、特徴量算出装置１による対象の臓器を撮像した複数の画像データからの特徴量算出の手順について説明する。図３は、特徴量算出装置１において行われる特徴量の算出に係る処理を説明するフロー図である。

まず、特徴量算出装置１では、画像取得部１１により、対象の臓器を撮像した複数の画像データを取得する（ステップＳ０１：画像取得ステップ）。画像取得部１１が取得する画像データの例を図４（ａ）に示す。図４（ａ）は、心臓を撮像した画像データの例である。特徴量算出装置１の画像取得部１１では、図４（ａ）に示すような画像データを複数取得する。なお、上述したように、画像取得部１１が取得する複数の画像データとは、心臓の拍動の１周期内に含まれる複数の状態での画像データとなる。また、本実施形態では、心臓を撮像した画像データとして、ＣＭＲによる画像データを取得する。ＣＭＲによる画像データは一般的にグレースケールの画像である。

次に、特徴量算出装置１の算出処理部１２の画像処理部２１では、画像データ毎のフラクタル次元の算出の前処理を行う。まず、所定の閾値を用いて画像データの二値化処理を行い、二値化画像を作成する（ステップＳ０２：フラクタル次元算出ステップ）。二値化を行うことで、複数の画像データそれぞれについての二値化画像を得ることができる。図４（ｂ）は、図４（ａ）に示す画像データに対応する二値化画像の例を示している。なお、二値化する際の閾値は、予め設定されていてもよいし、画像における輝度等を考慮して適宜変更してもよい。

次に、特徴量算出装置１の算出処理部１２の画像処理部２１では、二値化画像に対してマスキング処理を行う（ステップＳ０３：フラクタル次元算出ステップ）。これにより、特徴量算出の対象となる臓器（組織）以外の領域については一定の値とされた画像を準備する。図４（ｃ）は、図４（ｂ）に示す二値化画像に対してマスキングを施した画像を示している。本実施形態では、対象となる臓器（組織）が心臓の心室である場合について説明するので、心室以外を撮像した領域については、マスキングによる黒色化を行っている。これにより、マスキング後の画像データは、対象となる臓器（組織）のみが撮像された二値化画像に対応するものとなる。

次に、特徴量算出装置１の算出処理部１２の画像処理部２１では、マスキング後の二値化画像について、対象となる臓器（組織）のエッジを検出する処理を行う（ステップＳ０４：フラクタル次元算出ステップ）。本実施形態で説明する特徴量の算出に用いるフラクタル次元とは、画像データにおいて特定される臓器（組織）の形状に係るフラクタル次元である。したがって、その形状を特定するためのエッジ検出を行う。エッジの検出方法は特に限定されず、例えば、装置のオペレータがエッジを指定し、それに基づいて処理を行ってもよい。また、複数の画像データのうちの１つについてオペレータがエッジを指定した後、装置側で指定されたエッジに基づいて他の画像データについてのエッジ検出を行う構成としてもよい。また、対象の臓器（組織）を撮像した位置に係る情報を予め算出処理部１２に対して与えておき、この情報に基づいて画像処理部２１がエッジ検出を自動的に行ってもよい。図５（ａ）では、心室を撮像した複数の画像それぞれについてエッジ検出を行った結果を並べた状態を模式的に示している。図５（ａ）では、３枚の画像データに対応するエッジ検出結果を示している。本実施形態では、心臓の拍動の１周期（心周期）を拡張期から次の拡張期まで、と設定している。そして、図５（ａ）では、最初の拡張期（Diastole）、収縮期（Systole）及び次の拡張期（Diastole）における画像データのエッジ検出結果（ステップＳ０４まで実施した結果）を示している。

次に、特徴量算出装置１の算出処理部１２のフラクタル次元解析部２２では、エッジが検出された複数の画像それぞれから、フラクタル次元を算出する（ステップＳ０５：フラクタル次元算出ステップ）。フラクタル次元の算出方法としては、ボックスカウント法（ボックスカウンティング法）等の公知の手法を用いることができる。図５（ｂ）では、拡張期の画像に基づいてフラクタル次元を算出した結果と、収縮期の画像に基づいてフラクタル次元を算出した結果と、を示している。図５（ｂ）に示す例では、拡張期の画像に基づいて算出されたフラクタル次元（Diastolic FD）は１．３８であり、収縮期の画像に基づいて算出されたフラクタル次元（Systolic FD）は１．１０である。

次に、特徴量算出装置１の算出処理部１２のフラクタル次元解析部２２では、複数の画像それぞれから得られた複数のフラクタル次元に基づいて、周期に対応したフラクタル次元曲線を作成する（ステップＳ０６：特徴量算出ステップ）。フラクタル次元曲線の例を図６に示す。フラクタル次元曲線とは、周期的に動作（変化）する臓器（組織）におけるフラクタル次元の変化を曲線で示したものである。フラクタル次元曲線は、例えば、横軸を臓器の周期中での周期の開始からの経過時間とし、縦軸をフラクタル次元としたグラフとすることができる。図６では、１周期よりも長い期間のフラクタル次元の変化をグラフとして示している。本実施形態で説明したように、心臓の拍動の１周期（心周期）を拡張期から次の拡張期まで、と設定した場合、図６に示すように、拡張期のフラクタル次元（Diastolic FD）に対応するプロットが、収縮期のフラクタル次元（SystolicFD）に対応するプロットよりも時系列として前に表れる。フラクタル次元解析部２２においてこのようなフラクタル次元曲線を作成することで、臓器（組織）を撮像した画像データから算出されるフラクタル次元の時系列に沿った変化を捉えることが可能となる。

次に、特徴量算出装置１の算出処理部１２のフラクタル次元解析部２２では、複数の画像データから算出されるフラクタル次元、または、フラクタル次元曲線に基づいて特徴量を算出する（ステップＳ０７：特徴量算出ステップ）。フラクタル次元に基づいて算出される特徴量としては特に限定されないが、一例として、１周期の臓器（組織）の動作中にフラクタル次元がどの程度変化するかを示す数値を特徴量として算出することが挙げられる。具体的には、上記の拡張期のフラクタル次元（Diastolic FD）（すなわち、曲線中のフラクタル次元の最大値となる）と収縮期のフラクタル次元（Systolic FD）（すなわち、曲線中のフラクタル次元の最小値となる）とに基づいて、以下の数式（１）に基づいて特徴量とを算出することが挙げられる。
特徴量＝｛（Diastolic FD）−（Systolic FD）｝／（Diastolic FD） …（１）

上記の特徴量は、心臓が血行力学的負荷に対応して循環動態を一定に保つために構造と形態を変化させる心室リモデリングの進行度を評価する際に有効である。心室リモデリングは、先天性心疾患に由来して発生する可能性があり、予後不良となる可能性のあるものである。そのため、心室リモデリングの進行度を評価することは重要であり、上記の特徴量が進行度の評価に有効であると考えられる。より具体的には、心室リモデリングが進行している患者の場合、肉柱構造が発達することによって拡張期及び収縮期の間での心筋の変化が少なくなることから、フラクタル次元の変化が小さくなると考えられる。そこで、この心臓の周期的な動作中でのフラクタル次元の変化の程度を示す値を特徴量として算出し、心臓の状態の評価に利用することで、評価の精度を高めることができると考えられる。

図３に戻り、特徴量算出装置１の出力部１４では、上記の処理によって算出された特徴量に係る結果を出力する（ステップＳ０８）。出力する結果とは、上記の処理で算出された特徴量であってもよいし、特徴量に基づいて評価を行う場合、その評価結果であってもよい。

上記のように、心臓の心室を撮像した複数の画像データから算出されるフラクタル次元の時間的変化に基づく特徴量は、例えば、先天性心疾患のうち、特に心筋の肉柱構造の発達を伴う疾患の評価に利用できる可能性がある。具体的には、ファロー四徴症、単心室におけるフォンタン循環、Ebstein奇形等といった心筋の肉柱構造の発達を伴う先天性心疾患の機能解析に使用できる可能性がある。また、上記の特徴量は、非先天性心疾患の解析に対しても有効である可能性がある。具体的には、大動脈弁狭窄症、肥大型心筋症、心臓緻密化障害のような肉柱構造が発達した心疾患に係る解析を行う場合にも、上記のフラクタル次元の変化を利用した特徴量が、状態の評価の１つの手法として有効になると考えられる。

ここで、図７〜図９を参照しながら、上記の手法で得られた特徴量が組織の評価の有効性について説明する。

図７は、心臓の各部を撮像した画像データからフラクタル次元の時間的変化を示すフラクタル次元曲線を算出し、数式（１）で示す特徴量を算出した場合に、この心疾患患者の肉柱構造の発達状態との相関がどの程度あるかを示したものである。具体的には、ＲＯＣ（Receiver operating characteristic）解析を用いて、先天的に修正大血管転位（cc-TGA）を有する患者について、右心室の有害なリモデリングの検出に係る分析を行った。図７（ａ）は心臓の基部に係る解析結果（ＲＯＣ曲線）であり、図７（ｂ）は心臓の中部に係る解析結果であり、図７（ｃ）は心臓の尖部に係る解析結果である。ＲＯＣ曲線では、各曲線の下側の面積ＡＵＣ（Area under the curve）が大きいほど、判定の精度が高いことが知られている。各図において、曲線Ｌ１は上記の数式（１）で得られた特徴量に基づく解析結果を示し、曲線Ｌ２は収縮期のフラクタル次元に基づく解析結果を示し、曲線Ｌ３は拡張期のフラクタル次元に基づく解析結果を示している。

図７（ａ）〜図７（ｃ）の全てにおいて、曲線Ｌ１のＡＵＣが、曲線Ｌ２，Ｌ３のＡＵＣよりも大きいことが示されている。すなわち、ＲＯＣ解析の結果によれば、フラクタル次元の時間的変化（フラクタル次元曲線）に基づいて数式（１）に基づいて算出した特徴量は、拡張期及び収縮期のどちらか一方のみに着目して算出したフラクタル次元よりも、先天性心疾患に由来するリモデリングを検出する精度が高いということが確認された。

図８は、先天性心疾患の患者及び健常者の心臓（右心室）を撮像した画像データを示している。図８（ａ）〜図８（ｃ）では、それぞれ、各被験者の拡張期（左側）及び収縮期（右側）の右心室を撮像した画像データ（上側）と、当該画像データに基づいて右心室のエッジ検出を行った結果（下側）と、を示している。また、図９は、図８に示した画像データから作成されたフラクタル次元曲線を示している。図９では、心周期が１周期分のフラクタル次元曲線を示している。

図８（ａ）では、先天性心疾患を有し肉柱構造がある程度発達した被験者の画像データ等を示している。また、この図８（ａ）の画像データを含む当該被験者の画像データから算出したフラクタル次元曲線を図９の曲線Ａ１で示している。この図８（ａ）及び図９の曲線Ａ１で示す被験者の場合、拡張期及び収縮期のどちらでもフラクタル次元がある程度大きい、また、拡張期と収縮期との間でもフラクタル次元の変化が小さい。すなわち、数式（１）で示す特徴量を算出したとすると、特徴量が小さい結果が得られる。

図８（ｂ）では、拡張期の画像データから算出されるフラクタル次元がある程度高い被験者の画像データ等を示している。また、この図８（ｂ）の画像データを含む当該被験者の画像データから算出したフラクタル次元曲線を図９の曲線Ａ２で示している。この図８（ｂ）及び図９の曲線Ａ２で示す被験者の場合、拡張期の画像データから算出されるフラクタル次元はある程度大きいものの、収縮期の画像データから算出されるフラクタル次元は小さく、周期内でのフラクタル次元の変化が大きい。したがって、数式（１）で示す特徴量を算出したとすると、図８（ａ）及び曲線Ａ１で示す被験者よりも特徴量が大きい結果が得られる。上記の結果から、この被験者は、肉柱構造の発達はあまり進行していないことが考えられる。

図８（ｃ）では、拡張期及び収縮期の何れにおいてもフラクタル次元がある程度低い被験者の画像データ等を示している。また、この図８（ｃ）の画像データを含む当該被験者の画像データから算出したフラクタル次元曲線を図９の曲線Ａ３で示している。この図８（ｃ）及び図９の曲線Ａ３で示す被験者の場合、拡張期及び収縮期のどちらでもフラクタル次元がある程度小さいが、周期内でのフラクタル次元の変化が大きい。したがって、数式（１）で示す特徴量を算出したとすると、図８（ａ）及び曲線Ａ１で示す被験者よりも特徴量が大きい結果が得られる。

図８及び図９で示したように、フラクタル次元の時間変化を示すフラクタル次元曲線を取得して特徴量を算出することにより、拡張期または収縮期の画像データから算出されるフラクタル次元だけでは得られない情報を得ることができる。特に、平時から周期的に動作する臓器（組織）を時系列に沿って撮像した複数の画像データから、フラクタル次元の時間変化を捉えることは、特定のタイミングで撮像した画像データからは読み取れない情報が含まれていることが考えられ、臓器（組織）の状態等に関する評価の精度を高めることができる。

以上のように、本実施形態に係る特徴量算出装置１、特徴量算出方法及び特徴量算出プログラムによれば、組織の動作の一周期内に含まれる複数の画像データから組織を撮像した領域のフラクタル次元が算出され、複数の画像データのそれぞれのフラクタル次元に基づいて、組織の一周期内でのフラクタル次元の変化に係る特徴量が算出される。このように、一周期内での組織の動作に由来するフラクタル次元の変化に基づく特徴量は、組織の状態を反映した値となることから、組織の状態の評価に適している。したがって、上記の特徴量算出装置、特徴量算出方法及び特徴量算出プログラムによれば、組織の評価を精度よく行うための特徴量を算出することができる。

従来から、組織の状態を評価する際に、組織を撮像した画像データからフラクタル次元を算出してこれを利用することは検討されていた。しかしながら、周期的に動作する組織（臓器）について、特定のタイミング（フェーズ）での画像データから算出されたフラクタル次元を用いることは検討されていたものの、一周期内でのフラクタル次元の変化を評価することは行われていなかった。しかしながら、上記実施形態で説明したように、一周期内でのフラクタル次元の変化を把握することは、組織の状態が変化する（例えば、上記実施形態では心筋の肉柱構造が発達する）ことによって組織の動作においてどのような変化が起こっているかの一部を把握することに繋がり得る。すなわち、一周期内でのフラクタル次元の変化に係る特徴量を算出することによって、これまでは把握できていなかった組織の状態の変化を把握することが可能となることから、これまでよりも組織の評価を精度よく行うことが可能となる。

また、上記実施形態で説明したように、特徴量算出部が、複数の画像データのそれぞれのフラクタル次元に基づいて、組織の動作の一周期内でのフラクタル次元の変化量を特定する特徴量を算出する構成とすることで、組織の動作の一周期において組織がどのように変化するかについてフラクタル次元を用いて把握することができる。したがって、この特徴量を算出する構成とすることで、組織の評価をより精度よく行うことが可能となる。

なお、上記実施形態では、特徴量の算出方法の一例として数式（１）を示した。しかし、特徴量は上記に限定されるものではない。例えば、フラクタル次元曲線を算出した場合、フラクタル次元の単位時間当たりの変化速度、フラクタル次元曲線の形状等も特徴量となり得る。また、フラクタル次元が周期的に変化する場合、変化が生じる時間帯を特定する情報等も特徴量となり得る。このように、組織（臓器）が周期的な動作をする場合、組織を撮像した画像データから算出される組織を撮像した領域のフラクタル次元も周期的に変化すると考えられるので、この変化を捉えることが可能な特徴量は適宜変更することができる。

また、上記実施形態で説明したように、特徴量算出装置１が特徴量の算出の対象とする組織は、心臓の心室であって、画像取得部は、心周期内の拡張期と収縮期とを含む複数の画像データを取得することとしてもよい。心臓は周期的に動作する組織のひとつであり、心室は心周期内の拡張期と収縮期とで形状が大きく変化する。そこで、上記の特徴量の算出に係る手法を心臓の心室に適用し、心周期内の拡張期と収縮期とを含む複数の画像データから特徴量を算出する構成とすることで、心室を含む心臓の状態の評価を精度よく行うことができる。

なお、上記の特徴量算出装置１は、心臓の心室以外にも、周期的に動作する組織（臓器）に対して適用可能である。例えば、周期的に動作する組織としては、呼吸と共に動作する肺が考えられる。対象の組織を肺とした場合、上記の特徴量算出装置１で算出される特徴量は、間質性肺炎における肺の線維化の程度に使用できる可能性がある。また、呼吸と共に動作する他の内臓も対象となり得る。例えば、肝臓の画像データから、呼吸変動中のフラクタル次元を算出して、肝硬変や肝癌などにおける肝臓の線維化の程度を評価することも考えられる。このように、対象となる組織は心臓に限定されない。また、対象となる組織または対象となる症状（疾患）等に応じて特徴量の算出方法を変更してもよい。

また、上記の特徴量算出装置１では、フラクタル次元算出部は、複数の画像データのそれぞれについて、画像データを二値化処理した後、組織を撮像した領域のエッジを検出して、フラクタル次元を算出している。このような構成とすることで、組織を撮像した領域にフラクタル次元を適切に算出することができる。

なお、フラクタル次元の算出のための前処理は上記実施形態で説明した構成に限定されない。例えば、画像データについて二値化を行う前にフィルタリング処理等を行ってもよい。また、画像データの種類によっては、規格化処理等を行ってもよい。フラクタル次元の算出に使用する画像データの種類等に応じて、前処理の手法は変更してもよい。

本発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。

例えば、上記実施形態では、被験者の対象の組織（臓器）を撮像した画像がシネＭＲＩ画像である場合について説明したが、組織の形状の変化を撮像可能な画像であればよく、画像の種類は限定されない。また、画像データの数は、組織（臓器）の周期的な変化を把握可能な数であればよく、例えば２つであってもよい。例えば、上記の数式（１）に基づく特徴量は、拡張期の画像データに基づくフラクタル次元と、収縮期の画像データに基づくフラクタル次元と、があれば、算出が可能である。ただし、特徴量の算出に使用するフラクタル次元の値の精度（正確性）等を高めるためには、画像データがある程度の数準備されているほうがよいと考えられる。

また、上記実施形態では、フラクタル次元曲線を算出した後に特徴量を算出する場合について説明したが、フラクタル次元曲線の算出は行わず、複数の画像データから算出される複数のフラクタル次元の数値に基づいて特徴量を算出する構成としてもよい。フラクタル次元曲線は、フラクタル次元の時間的な変化を視覚的に把握する際には有効である。ただし、特徴量の算出方法によっては、曲線を算出しなくても変化に係る特徴量を算出することが可能と考えられる。したがって、上記実施形態で説明したように、基本的にフラクタル次元曲線を作成する手順としてもよいし、必要に応じてフラクタル次元曲線を算出する構成としてもよい。

１…特徴量算出装置、１１…画像取得部、１２…算出処理部、１３…記憶部、１４…出力部、２１…画像処理部、２２…フラクタル次元解析部。

Claims (6)

1. 被験者の特定の組織を撮像した画像データであって、当該組織の動作の一周期内に含まれる複数の画像データを取得する画像取得部と、
   前記複数の画像データのそれぞれについて、前記組織を撮像した領域のフラクタル次元を算出するフラクタル次元算出部と、
   前記複数の画像データのそれぞれのフラクタル次元に基づいて、前記組織の一周期内でのフラクタル次元の変化に係る特徴量を算出する特徴量算出部と、
   を有する、特徴量算出装置。
2. 前記特徴量算出部は、前記複数の画像データのそれぞれのフラクタル次元に基づいて、前記組織の動作の一周期内でのフラクタル次元の変化量を特定する特徴量を算出する、請求項１に記載の特徴量算出装置。
3. 前記組織は、心臓の心室であって、
   前記画像取得部は、心周期内の拡張期と収縮期とを含む複数の画像データを取得する、請求項１または２に記載の特徴量算出装置。
4. 前記フラクタル次元算出部は、前記複数の画像データのそれぞれについて、画像データを二値化処理した後、前記組織を撮像した領域のエッジを検出して、フラクタル次元を算出する、請求項１〜３のいずれか一項に記載の特徴量算出装置。
5. 被験者の特定の組織を撮像した画像データであって、当該組織の動作の一周期内に含まれる複数の画像データを取得する画像取得ステップと、
   前記複数の画像データのそれぞれについて、前記組織を撮像した領域のフラクタル次元を算出するフラクタル次元算出ステップと、
   前記複数の画像データのそれぞれのフラクタル次元に基づいて、前記組織の一周期内でのフラクタル次元の変化に係る特徴量を算出する特徴量算出ステップと、
   を含む、特徴量算出方法。
6. 被験者の特定の組織を撮像した画像データであって、当該組織の動作の一周期内に含まれる複数の画像データを取得する画像取得ステップと、
   前記複数の画像データのそれぞれについて、前記組織を撮像した領域のフラクタル次元を算出するフラクタル次元算出ステップと、
   前記複数の画像データのそれぞれのフラクタル次元に基づいて、前記組織の一周期内でのフラクタル次元の変化に係る特徴量を算出する特徴量算出ステップと、
   を含む、特徴量算出プログラム。