JP2021069574A - Ｍｒｉ画像に基づく解剖学的部位の抽出装置，方法，プログラム - Google Patents

Abstract

【課題】ＭＲＩ画像に基づく，対象の特定部位（関心領域）の抽出を短時間でかつ高精度に行なう。【解決手段】特定部位を含む複数の部位が明示された標準的画像を用いて所与の対象ＭＲＩ画像を複数の部位に分割して上記特定部位に対応する特定部位対象画像を生成し，あらかじめ用意された形状の異なる第１の数の特定部位ラベル画像から上記特定部位対象画像と類似性の高い第２の数の特定部位ラベル画像を選択し，そして上記選択された第２の数の特定部位ラベル画像と上記特定部位対象画像との画像位置合わせにおいて，特定部位内に含まれる関数領域を最もよく表わす画像部分を抽出する。【選択図】図６

Description

この発明は，ＭＲＩ（Magnetic Resonance Imaging：磁気共鳴画像（撮像）法，画像形成法，画像診断）画像に基づいて解剖学的部位を抽出する装置，方法およびプログラムに関する。

ＭＲＩの対象は典型的には脳であるが，肝臓等の内臓にも適用可能である。解剖学的部位（部位の画像）の抽出には部位（画像）の輪郭の画定，体積の測定などが含まれる。部位は対象の部分である。対象を解剖学的見地から相対的に大きく分けた場合，分けられた各部分を大部位といい，相対的に小さく分けた場合，分けられた各部分を小部位ということがある。この場合，一つの大部位をいくつかの小部位に分けることもあるし，いくつかの小部位を一つの大部位に統合することもできる。この場合でも，部分によっては，大部位と小部位が同じであることもある。特定の疾病，疾患や機能（働き）に着目して一または複数の部分をまとめて解剖学的関心領域（Region of Interest：ＲＯＩ）ということもある。解剖学的関心領域の最小単位を小部位ということもできる。領域とはもちろん三次元の範囲である。たとえばアルツハイマー病の関心領域は解剖学的に命名されている海馬，嗅内皮質，後部帯状回からなる。この発明はコンピュータ（ソフトウェア）によるＭＲＩ画像の解析処理に関連するものであるから，特に明示しない場合であっても，対象（脳など），部位，関心領域などという用語は，現実に存在するそれらを反映した画像を表わす場合があることを諒解されたい。

脳のＭＲＩ画像解析によって脳の特定部位を抽出し，その経時変化をみることによって，特定の疾患の予兆を知ることができる。たとえば，アルツハイマー病の前駆段階である軽度認知障害は，同疾患の解剖学的関心領域にみられる変性を定量的に検出することで，認知症状がまだ現われていない段階で検知することができる。特に，ＭＲＩ脳画像に基づく解剖学的関心領域の体積測定は，客観性，再現性，定量性に優れた脳変性疾患の進行動態を表すバイオマーカーとして期待されている。

脳画像臨床研究などで，解剖学的関心領域の体積測定として多く用いられているフリーサーファー（FreeSurfer）と呼ばれるソフトウェアを用いた体積測定法がある（非特許文献１，２）。これは標準脳と呼ばれる共通空間に設定された単一のアトラス（シングルアトラス）を個人脳に非線形変換し，ベイズ推定に基づき解剖学的関心領域を自動で抽出するものである。しかしながら，このソフトウェアによる方法はその実行に10〜20時間を要するため，臨床応用には向かない。また単一のアトラスを個人脳に合わせこむシングルアトラス法は，非線形変換の精度に依存するためその，解剖学的関心領域の抽出精度に課題を残している。

Fischl B et al.: Whole brain segmentation : automated labeling of neuroanatomical structures in the human brain. Neuron 33 : 341-55,2002. Fischl B et al. : Sequence-independent segmentation of magnetic resonance images. NeuroImage 23 Suppl 1 : S69-84, 2004.

この発明は，ＭＲＩ画像に基づいて対象の特定部位を短時間で抽出できるようにすることを目的とする。

この発明はまた，特定部位の抽出精度を高めることを目的とする。

この発明によるＭＲＩ画像に基づく解剖学的部位の抽出装置は，少なくとも特定部位が明示された標準的画像を用いて，所与の対象ＭＲＩ画像から上記特定の部位に対応する特定部位対象画像を生成する特定部位対象画像生成手段，あらかじめ用意された形状が異なる第１の数（複数）の特定部位ラベル画像から上記特定部位対象画像と類似性の高い第２の数（第１の数よりも小さい数，１でもよい）の特定部位ラベル画像を選択する特定部位ラベル画像選択手段，および上記選択された第２の数の特定部位ラベル画像と上記特定部位対象画像との画像位置合わせにおいて，特定部位内に含まれる関心領域を最もよく表わす画像部分を抽出する関心領域抽出手段を備えるものである。

この発明では，あらかじめ用意された形状（形態）の異なる第１の数の特定部位ラベル画像から特定部位対象画像と類似性の高い第２の数の特定部位ラベル画像を選択している。

一般に第１の数の特定部位ラベル画像は第１の数の全体ラベル画像から抽出されたものである。第１の数の全体ラベル画像は形状（形態）ができるだけ広範囲に分布（分散）しているものが選定されることが好ましい。

所与の対象ＭＲＩ全体画像と第１の数の全体ラベル画像の一またはいくつかが類似していたとしても，その内容（特定部位）まで類似しているとは限らない。この発明では，第１の特定部位ラベル画像の中から，特定部位対象画像と類似性の高い第２の数（第１の数よりも少ない数）の特定部位ラベル画像を選択（選定，選別）している。

そして選択された第２の数の特定部位ラベル画像と特定部位対象画像との画像位置合わせにおいて，特定部位に含まれる関心領域を最もよく表わす画像部分（関心領域画像，部位画像）を抽出している。

全体ラベル画像ではなく，特定部位のラベル画像を用い，しかも第１の数のラベル画像の中から類似性の強い第２の数のラベル画像を選択しており，選択した第２の数のラベル画像を用いて対象部位の関心領域を抽出しているので，精度の高い部位抽出が可能となる。また特定部位は全体画像の一部であるから，全体画像（対象ＭＲＩ全体画像，全体ラベル画像）について上記の処理を行う場合に比べて，はるかに処理対象が少なく短時間で画像処理を完遂することができる。

望ましくは，部位抽出処理は対象ＭＲＩ全体画像から分割された多数の（好ましくは，すべての）特定部位について行うとよい。この場合，特定部位ごとの画像処理を同時並行して行なえば，全体画像における多数の関心領域（部位）の抽出も短時間で行なえる。近年，複数の（多数の）ＣＰＵ（中央演算処理部）を有するマルチが実現されているので，このようなマルチプロセッサを用いて同時並行処理を行なえば，全体画像（またはその一部であってもよい）について多数の部位抽出が短時間で行なえるようになる。

好ましい実施態様では，上記関心領域抽出手段によって抽出された画像部分の内容の体積を測定する体積測定手段をさらに備える。

さらに好ましい実施態様では，上記関心領域抽出手段によって抽出された画像部分の画像を表示する表示手段を備える。抽出した一つの部位の画像部分のみならず，複数の部位の画像を別個にまたは合わせて表示することもできるし，部位ごとに色分けして表示することもできるし，全体画像またはその断面画像を部位ごとに色分けして表示することもできる。

一実施態様では，上記特定部位対象画像生成手段は，上記特定部位を含む複数の部位が明示された標準的画像を用いて，所与の対象ＭＲＩ画像を複数の部位に分割して上記特定部位対象画像を生成するものである。すなわち，特定部位対象画像生成手段は，対象ＭＲＩ画像を複数の部位に分割する部位分割手段ということができる。

あらかじめ用意される上記特定部位ラベル画像は，一実施態様では上記特定部位を含む複数の部位が明示された標準的画像を，所与のラベル画像用ＭＲＩ画像に画像位置合わせを行って生成されたものである。ラベル画像用ＭＲＩ画像はできるだけ沢山あった方がよい。特定部位ラベル画像の生成は，専門家が表示された画像を目視しながら手作業で色分けしながら行うことができる。これにより，かなり正確な特定ラベル画像の生成が可能となる。

一実施態様では，所与の対象ＭＲＩ画像が脳のＭＲＩ画像である。脳の特定部位の抽出が可能となり，その体積測定等により，脳変性疾患の進行動態を示す客観的，定量的なバイオマーカーを得ることができる。

この発明は上述したＭＲＩ画像に基づく解剖学的部位抽出装置によって実行される方法，同抽出装置をコンピュータにより実現するためのプログラム等も提供している。

ＭＲＩ画像に基づいて対象の解剖学的部位を抽出する装置の一構成例を示すブロック図である。 複数の施設からの要請に応じて一台の脳部位抽出装置が脳部位抽出処理を行うシステムを示すブロック図である。 ＭＮＩ標準モデルに基づく３次元脳画像のある断面に沿う大部位アトラスの一例を示す。 左前頭葉（大部位）とその内部に区画された小部位との対応を示す。 アトラス管理テーブルの一例を示す。 対象の解剖学的部位を抽出する処理を示すフローチャートである。 セグメンテーション処理の一例を示す。 補正前の灰白質画像，白質画像および白質病変マップを示す。 補正処理と補正後の灰白質画像，白質画像を示す。 ＭＮＩ標準脳大部位アトラスを解析対象個人脳に大部位ごとに位置合わせを行う様子を示す。 解析対象個人脳画像上で大部位を特定し，分離する様子を示す。 大部位ラベル画像の大きさを調整する様子を示す。 大部位ラベル画像から解析対象個人脳大部位画像と類似するラベル画像を選定する様子を示す。 対象個人脳大部位画像と複数個の大部位ラベル画像からテンプレート画像を作成する様子を示す。 関心領域を推定する処理の様子を示す。 誤差の修正処理の様子を示す。

１．システム構成
図１はＭＲＩ画像に基づいて対象の解剖学的部位を抽出する装置の一構成例を示している。この実施例では対象は脳であり，ＭＲＩ脳画像に基づいて最終的に特定の部位（の画像）を抽出し，その体積を測定する。その意味では，この実施例の解剖学的部位抽出装置を脳体積測定装置ということもできる。もちろん処理結果の脳画像を表示するので脳体積測定，表示装置といってもよい。以下，解剖学的部位抽出装置を脳部位抽出装置と略称する。

脳部位抽出装置10はコンピュータ・システムによって実現され，処理部（演算部，制御部）11を備えている。処理部は複数のＣＰＵまたはＧＰＵを備えるマルチプロセスが好ましい。装置10は処理部11に接続された記憶部12，表示部13，入出力部14および通信制御部15を備えている。

記憶部12は，後に詳細する脳画像処理プログラム，結果表示プログラム等のプログラムを格納するとともに，脳アトラス管理テーブル等の各種テーブルまたはマスタ，処理中のデータを一時的に格納する一次記憶エリアなどを有する。また，記憶部12には入力された解析対象個人脳３次元画像データ記憶領域や，各種処理の結果を記憶する用手的アトラス記憶領域，分割画像記憶領域，中間画像記憶領域，誤差修正後画像記憶領域，補正後画像記憶領域，体積測定結果記憶領域等のさまざまなデータを記憶するエリア等がある。記憶部12は半導体メモリ，磁気的，光学的記憶装置，その他の一または複数の記憶装置から構成される。

表示部13は記憶部12に格納された表示プログラムにしたがって，入力脳画像，処理中の画像，処理結果の画像，その他の画像，テキスト等を表示する表示装置（たとえば液晶表示装置）を備える。

入出力装置14はキーボード，マウス，プリンタ，表示装置等を含む。表示部13の表示装置を入出力部14の表示装置として用いることができる。ＭＲＩ装置から得られるＭＲＩ画像（たとえばＤＩＣＯＭフォーマット（規格）のＴ１強調画像）データを記録した媒体（ＣＤ−ＲＯＭなど）23から画像データを読込む媒体読取装置や脳部位抽出装置10による処理結果の画像データを記録媒体に書込む媒体書込装置を入出力部14に含ませることもできる。

通信制御部15は外部とのデータの送受信を行うものである。データの送受信は電話回線，専用回線を用いたものでも，インターネット，イーサネット（登録商標）を利用するものでもよい。一部または全部を無線通信で行ってもよい。通信制御部15はこれらの通信方式に対応したもので，外部に置かれたＭＲＩ装置20，端末装置21との間で通信を行う。外部のＭＲＩ装置20から送信されるＭＲＩ脳画像データを受信し，この脳部位抽出装置10で脳部位抽出を行うようにすることができる。また，図２に示すシステム構成のように，端末装置21から送信されるＭＲＩ脳画像データと処理要請を通信制御部15で受信し，処理部11で処理した結果（脳部位抽出処理結果）を通信制御部15から該当する端末装置21に送信するようにすることもできる。

図２は複数の施設からの要請に応じて一台の脳部位抽出装置10が脳部位抽出処理を行うシステムを示している。施設は病院，医院，養護施設，介護施設等である。施設Ａ，Ｂ，‥‥ＩにはそれぞれＭＲＩ装置20と端末装置21が設置されている。ＭＲＩ装置20で得られるＭＲＩ画像データがその施設の端末装置21から脳部位抽出装置10に送信される。脳部位抽出装置10において抽出した脳部位画像，脳の全体画像および必要に応じて測定された体積を示すデータ等が装置10の表示部13に表示され，要求に応じて脳部位画像を送信してきた端末装置21に送信され，端末装置21の表示装置に表示される。

脳部位抽出装置10をＭＲＩ装置20が設置されたいずれかの施設に配置し，該施設のＭＲＩ装置20で撮像されＭＲＩ画像を該施設の脳部位抽出装置20で処理し，処理結果をＭＲＩ装置のない施設の端末装置に送信するようにすることもできる。

２．脳アトラスとアトラス管理テーブル
脳アトラスとは脳（画像）を解剖面に沿って部分に分けた（区切った）ときの各部分と境界（線，面）とを示す図（地図）であり，全脳アトラス，または単にアトラスともいう。

図３はＭＮＩ標準脳モデルに基づく３次元脳画像のある横断面に沿う大部位アトラスの一例を示す（ＭＮＩ：Montreal Neurological Institute ）。各大部位の領域内に表示された数字とその大部位に付けられた名称とが示されている。この図はあくまでも大部位のイメージをつかむためのものである。

この実施例では，脳をＭ個（具体的には39）の大部位に分け，各大部位をさらにいくつかの小部位に分けている。この実施例では 136の小部位がある。逆に，小部位を解剖学的知識に基づいて統合（結合）して大部位を形成しているといってもよい。大部位と小部位が同じものもある。部位の分け方は，部位抽出（体積測定）の目的に応じて定めればよい。

図４は左前頭葉（大部位）とその内部に区画された小部位との対応を示すものである。この図は，後述するところから理解できるように，灰白質の画像に基づいて抽出された大部位（左前頭葉）を示すものであるから，図３に示す左前頭葉とは輪郭線が一致していない。図３もイメージをつかむためのものと理解されたい。

このような大部位と小部位との関係をまとめたのがアトラス管理テーブルであり，装置10の記憶部12にあらかじめ格納されている。アトラス管理テーブルの一例を図５に示す。このテーブルにおいて，一例として，海馬は大部位であり，かつその中にある唯一の小部位である。このアトラス管理テーブルには，各大部位および各小部位の識別符号も格納されている。

３．ラベル画像（用手的事前作成脳アトラス）の作成
現在公開されているＭＲＩ画像の脳アトラスは欧米人の脳画像に基づくものである。人種等によって脳アトラスにかなりの違いがあるので，日本人の脳の解析には日本人の脳アトラスの準備が望まれている。また，脳形態には個人差もあるのでこの点も考慮する必要がある。

第１の数Ｋの日本人のＭＲＩ脳画像（Ｔ１強調像）を入手する。第１の数Ｋはできるだけ多いことが好ましい。たとえば，1,000例とか2,000例とかである。

脳形態の個人差に対応するためには，できるだけ広範囲に分散した脳形態の脳アトラスを比較的数多く作成することが好ましい。後述するように専門家による手作業（用手的）が伴うので，作成できる脳アトラスの数は限られてしまうが，可能な限り多い方がよい。この実施例ではＮ個（30個）の脳アトラスを作成する。

後述する「５．セグメンテーション（分離）」と同じ方法により，Ｋ例のＭＲＩ画像に，ＣＡＴ12のSegmentionを実施し，ベイズ推定に基づく白質，灰白質，脳脊髄液の画像データ（条件付き事後確率マップ）を算出し，ＭＮＩ標準脳空間にアフィン（Affine）変換を用いて線形位置合わせを行う。

標準脳空間上で，Ｋ×Ｋの全組み合わせで灰白質の事後確率マップ（画像データ）のピアソンの相互相関係数を算出する。これを各脳画像の類似度行列とする。類似度行列からウォード（Ward）法を用いて階層クラスタを求めた後，Ｎ個（たとえばＮ＝30）のクラスタになるよう階層クラスタの統合を行う。ウォード法はクラスタ内の重心とそれぞれのサンプルとの距離の２乗和の差が最小となるクラスタを結合することにより対象群を任意の数のクラスタに分類する手法である。結合したＮ個のクラスタ内での特定の画像とそれ以外の画像のピアソンの相互相関係数の総和を求め，そのとき総和が最大となる上記特定の画像をクラスタの代表画像として，脳アトラス作成の対象とする。Ｎ＝30の代表画像が得られる。

アトラス作成の対象としたＮ例のＭＲＩ画像に対して用手的に解剖学的関心領域（小部位）の分割を行う。小部位を集めて大部位とする。用手的とは，手作業でという意味であり，一例としてＭＲＩ画像を表示装置の画面上に三次元表示し，専門家が小部位ごとに異なる色で着色する（塗り潰す）。用手的に分割する領域について，大脳皮質はbrain Collaborative Open Labeling Online Resource（brain COLOR）プロジェクトのWhole-labeling protocolsに基づき，基底核や脳室についてはNeuromorphometrics社のプロトコルに従い実施することができる。

一例として， 136の解剖学的領域に分割し，これを解剖学的事前知識に基づいて結合し，Ｍ個（39個）の大部位を特定する。

このようにして得られる画像データでは，各部位に属する（各部位を表わす）ボクセル（三次元画像を表わす一単位）にそれぞれ部位の識別符号（名称に対応）が付けられている（ラベルされている）ので，ラベル画像という。ラベル画像は部位（大部位，小部位）ごとに存在し，これらが集まって１つの脳画像を形成するときには用手的脳アトラスともいわれる。用手的脳アトラスはＮ個，記憶部12の用手的アトラス記憶領域に記憶される。

４．解析対象者個人脳３次元画像データ
解剖学的部位抽出装置10の処理部11には，ＭＲＩ装置20において取得された解析対象者の脳のＭＲＩ画像データが，通信により，または記録媒体23からの読取りにより入力する。このＭＲＩ画像は一般にはＴ１強調像の画像であり，複数枚（たとえば 100枚）のＤＩＣＯＭ規格の２次元画像から構成される（ＤＩＣＯＭ：Digital Imaging and Communications in Medicine）。処理部11は複数枚の２次元画像データを用いて３次元画像データ（３次元空間内の画素（ボクセル）の集合によって表わされる）を作成する。この変換にはＮＩＦＴＩフォーマット（形式）への変換が一般的であり（ＮＩＦＴＩ：The Neuroimaging Informatics Technology Initiative），これにより脳画像データ１ファイルとして取扱い可能となる。すなわち，後述する各種演算，処理，横断面画像の作成などが容易に行なえる。解析対象者個人脳３次元画像データは記憶部12の解析対象個人脳３次元画像データ記憶領域に記憶される。

解析対象者個人の脳のＭＲＩ画像データ（フォーマットは問わない），そのＭＲＩ画像データから得られる灰白質画像データ，白質画像データ，脳脊髄液画像データ，大部位，小部位を示す画像データなどを，解析（部分抽出）対象者個人のものであることを強調して，または他の画像データと区別して表わすために，解析対象個人脳画像データ（略して，個人脳画像データ），解析対象個人脳（座標）空間（略して，個人脳空間）などの用語を用いる。また処理部11が取扱うのは画像データ（３次元画像データ）であることが前提なので，画像データを単に画像ということもある。

以下，処理部11が実行するプログラム（脳画像処理プログラム）を示すフローチャート（図６）に沿って解析対象者個人のＭＲＩ画像に基づく解剖学的部位の抽出処理について説明する。

５．セグメンテーション（分離）
解析対象個人脳３次元画像は全脳画像であり，頭蓋画像も含んでいるので，その全脳画像から頭蓋内画像を抽出する。さらに抽出した脳画像を灰白質画像（灰白質の事後確率マップ）と，白質画像（白質の事後確率マップ）と脳脊髄液画像（脳脊髄液の事後確率マップ）とに分離（セグメンテーション）する（図６，ステップＳ１）。この処理は，脳のＭＲＩ画像処理に広く用いられているＳＰＭというソフトウェア内のＣＡＴ12というツールボックスの機能を用いて行うことができる（ベイズ推定による，灰白質，白質，脳脊髄液の事後確率マップの算出）（事後確率マップは画像データと同じ意味である）。

図７は上記セグメンテーション処理の一例を示している。左側にＭＲＩ３次元全脳画像の横断面が表わされている。図面の上が人間の頭部の前である。この全脳画像から頭蓋を除去した後，分離された灰白質，白質および脳脊髄液の３つの画像が全脳画像の横断面の右側に配列されている。これは個人脳座標空間における画像である。

６．灰白質画像，白質画像の補正
白質病変は白質であるにもかかわらず，ＭＲＩ画像上では灰白質画像の信号値に近いので，灰白質画像中に白く（高信号領域）現われ，白質画像中に現われないことがある。これを白質病変マップを用いて，修正するのが灰白質，白質画像の補正（修正）処理である（図６，ステップＳ２）。

補正前の灰白質画像，白質画像とともに白質病変マップが図８ａに示されている。白質病変マップ（濃い色で表現されているマスク）はＭＮＩ標準脳空間に作成されたものが知られているので，これを離散コサイン変換により解析対象個人脳空間に変換，位置合わせしたものである。

図８ｂに示すように，灰白色画像において，白質病変マップと重なっている白い部分（高信号領域）を除去し，白質画像において，白質病変マップ（の濃い色のマスク部分）を高信号部分（白い部分）として加えることにより，これらの画像を補正する。補正後の画像が図８ｂに示されている。

７．大部位領域へ分割
解析対象個人脳をＭＮＩ標準脳大部位アトラスを用いて大部位に分割する（図６，ステップＳ３）（特定部位対象画像生成手段）（部位分割手段）。

ＭＮＩ標準脳大部位アトラスは，ＭＮＩ標準空間に作成された公知のニューロモフォトメトリック（Neuromorphometric ）モデルに基づいて，部位抽出の目的に合致するように39（Ｍ）の大部位を定めて作成したものである。

まず，図９Ａに示すようにＭＮＩ標準脳大部位アトラスを，離散コサイン変換により解析対象個人脳に大部位ごとに位置，形状を合わせ（変形）を行う。この非線形変換後の解析対象個人脳上に反映された大部位アトラスと解析対象個人脳の灰白質画像，白質画像とを大部位ごとに比較して，図９ｂに示すように，解析対象個人脳画像上で大部位を特定（境界付け）を行い，この境界で大部位画像を分離し，個人の大部位画像（３次元画像）を得る。このとき，主に灰白質画像に基づいて外側の形態を変形し，内部の変形については白質画像が用いられる。離散コサイン変換による画像位置合わせは主に低周波成分で行なわれるので，やや大雑把なもの（粗分割，粗抽出）となる。大部位への分割において各大部位の周囲をやや大き目にとることが好ましい。図９ｂには一例として左前頭葉が矢印で示されている。

解析対象個人ごとにその脳の形，部位の形が異なる。解析対象個人脳を部位抽出（体積測定）の目的（たとえば脳変性疾患の進行動態を示すバイオマーカーの定量化，客観化）に合致した大部位ごとに分割することにより個性の幅を小さくすることができるとともに，後述するように大部位ごとに精緻な抽出を行うことで精度を高めることができる。また，大部位ごとの処理を並行して行うことが可能となり，並行して処理することで処理速度が飛躍的に向上する。

大部位分割処理により得られた各大部位ごとの画像は記憶部の分割画像記憶領域に記憶される。大部位分割処理により，解析対象個人脳における大部位の特定と，それに伴って灰白質領域，白質領域および脳脊髄液領域における大部位の範囲の特定ができる。以下の処理では，主に灰白質領域の画像（灰白質画像）が用いられる。

８．大部位ラベル画像の選択
上記「３．ラベル画像の作成」で述べたように，日本人のＮ個（この実施例ではＮ＝30）の全脳大部位アトラスが用手的に作成されている。上述のように，全脳大部位アトラスはできるだけ広範囲に脳の解剖学的形状を網羅するよう選択されている。全脳大部位アトラスに含まれる大部位の数Ｍは，この実施例では39である。大部位ラベル画像の選択（選別）処理（図６，ステップＳ４）は，Ｍ個の大部位ごとに行なわれる。

図10ａに示すように，対象個人脳大部位（画像）とＮ＝30個の大部位（ラベル画像）とをそれぞれ比較し，アフィン変換により，大部位ラベル画像の大きさ（サイズ）を調整する。この処理は対象個人脳大部位画像のすべてについて，大部位ごとに行なわれる。

図10ａに示されているのは左前頭葉の灰白質大部位画像であり，煩雑さを避けるために，10個の画像のみが図示されているが，30個の画像があるものと想像されたい。

次に，図10ｂに示すように，大部位ごとに，解析対象個人脳大部位画像と，Ｎ個の大部位ラベル画像とのピアソン相互相関係数をそれぞれ算出する。これを対象個人脳大部位の形態類似度と定義する。

そして，形態類似度の高い上位適数個（（ｍ個）たとえば５個，10個など，１個でもよい）選択する（この実施例では５個）（図６のステップＳ４）（特定部位ラベル画像選択手段）。これが選択された大部位ラベル画像である。ｍ個ずつの選択された大部位ラベル画像は大部位ごと（Ｍ＝30）にある。

９．ダーテルテンプレートの作成
ダーテル（Dartel）法は，図11に示すように，対象個人脳（大部位）画像および上で選択されたｍ個（５つ）の大部位ラベル画像から（これらを入力として）変形場強度が大きくならない方法で中間画像（ダーテルテンプレート）を作成するものである（図６，ステップＳ５）。一例として比較的低次の非線形変換であるＢスプライン曲線関数を用いて画像位置合わせのための変形を行い，この変形後の画像を対象として再度変形させるというように，複数回の変形を繰返すことにより，精度の高い変形が行える。また，比較的低次の非線形関数を用いることにより変形場強度を大きくしなくてすむ。作成された中間画像は記憶部12の中間画像記憶領域に記憶される。中間画像も特定の１または複数の大部位についてのみ作成してもよいし，すべての大部位について作成してもよい。

大部位ラベル画像（５つのうちの１番目）からダーテルテンプレート画像への画像変形関数（上記の複数回の非線形変形処理を行う関数）をＦ₁として，

と表現できる。ここで
Ｌ１_gm：大部位灰白質ラベル画像（１番目）
ＴＭＰ_gm：灰白質のテンプレート画像
である。

同様に，５つの選択された大部位ラベル画像からダーテルテンプレート画像への画像変形関数Ｆ₂，Ｆ₃，Ｆ₄，Ｆ₅が定義できる。

解析対象画像からダーテルテンプレート画像への画像変形関数（複数回の非線形処理を行う関数）をＧとして，

が成立つ。ここで
Ｔａｇ_gm：解析対象の大部位（灰白質）画像
である。

次の「９．領域推定」で使うことになるが，ダーテルテンプレート画像から解析対象画像への画像変形（Ｇの逆変数）をＧ^-1とすると，上記関数Ｆ₁を用いて，
Ｇ^-1・Ｆ₁ 式（３）
は大部位ラベル画像（１番目）の解析対象画像への画像変形（解析対象個人脳へ変形させた大部位ラベル画像（１番目））を表わす。同様に解析対象画像から変形させた大部位ラベル画像（２，３，４，５番目）が得られる。

このようにダーテルテンプレート（中間画像）が作成された時点で解析対象大部位（分割）画像と選択された大部位ラベル画像（５個）との間の画像変形関数が算出されることになる。Ｇ^-1Ｆ₁，Ｇ^-1Ｆ₂，Ｇ^-1Ｆ₃，Ｇ^-1Ｆ₄，Ｇ^-1Ｆ₅は次の領域確定処理で用いられる。

上記「７．大部位領域の分割」（大部位の抽出）で解析対象個人脳画像が，Ｍ個（たとえば39）の大部位画像に分けられる。そして「８．大部位ラベル画像の選択」で，大部位個人画像と類似度の高い大部位ラベル画像がＮ個の用手的に作成した大部位教師画像の中からｎ個選択される。「９．ダーテルテンプレートの作成」で，上記選択されたｎ個の大部位ラベル画像からダーテルテンプレート画像が精密に作成されている。

重要なことはこれらの一連の処理が大部位画像を単位として行なわれていることである。脳画像（脳の形状）は個人によって千差万別である。仮に脳の全体の輪郭形状において，解析対象個人脳画像と酷似しているラベル全体画像が存在したとしても，その内部の解剖学的部位の形状（たとえば前頭葉）においては，類似せずかなり異なっている場合がある。上記の一連の処理では，解剖学的部位（例として大部位。小部位やそれらの適当な組合せでもよい）を単位として，ラベル画像の選択（Ｎ個中の最も類似したｎ個の選択）と選択したｎ個のラベル画像に基づくダーテルテンプレート画像の作成とを行っている。したがって，解析対象個人画像の単位部位に高い精度で類似したテンプレート画像を得ることができる。換言すれば，解析対象画像における特定部位を高い精度で抽出することが可能となる。

また，近年，多数（複数）の演算部（ＣＰＵ）を有し，これらの演算部を同時に並行して動作させることのできるマルチプロセッサが実現されている。このようなマルチプロセッサが解剖学的部位（例として大部位）の数（上記のＭ個）のＣＰＵを備えているとすれば，Ｍ個（39個）の大部位のそれぞれについて，同時に，並行して，上記の一連の処理および次に述べる領域推定等の処理を実行することが可能となり，全部位（ＭＲＩ全脳画像）について短時間で抽象処理が行なえる。マルチプロセッサがＭ／２，Ｍ／３個等のＣＰＵを備えているものであっても，処理時間の大幅な短縮化が可能となる。また，全部位について抽出する必要はなく，特定の部位（１またはいくつか）についてのみ抽出処理を行なえばよいという場合にも，処理時間の短縮は可能であり，この場合，マルチプロセッサが備えるＣＰＵの数は少なくてよいか，または１つのＣＰＵしか備えていないプロセッサであっても処理時間の短縮が図られる。

10．領域推定
大部位ラベル画像はその中に含まれる小部位に分割されている。逆にいえば，用手的に特定した特定の小部位の集合が大部位である。ラベル画像データには１ボクセルごとにそのボクセルがどの部位に属するかの識別符号（番号）が付けられている。領域推定の領域はここでは小部位（ＲＯＩ：Region Of Interest：解剖学的関心領域）の意味である。もちろん，大部位を推定領域としてもよい。なお，図12では便宜的に大部位の画像が図示されている。

領域推定処理（図６，ステップＳ６）（関心領域抽出手段）では，ｎ個（５個）の選択されたラベル画像を上記の非線形関数Ｆ₁〜Ｆ₅をそれぞれ用いてダーテルテンプレート画像に変換し，続いて上記の逆関数Ｇ^-1を用いて解析対象画像にそれぞれ逆変換する（逆変換された（解析対象）画像は元となったラベル画像に応じて少しずつ異なっている）。逆変換された画像はｎ個ある。

逆変換後のｎ個の画像のボクセルごとに，そのボクセルがどの小部位に属するものであるかを示す識別符号が付いている。そこで各ボクセルがどの小部位に属するかどうかを多数決によって決定（票決）する。これにより，ボクセルごとにそれが属する小部位（ＲＯＩ）が決定される。この票決において，逆変換後の画像について，その元となったラベル画像の類似度に基づいて重み付けをしてもよい。

この領域確定はすべての小領域について行ってもよいし，脳画像解析の目的に応じた領域（ＲＯＩ）（たとえば体積算出が必要な領域）のみについて行うだけでもよい。

11．誤差の修正
脳画像全体ではなく，部位（大部位）を単位として，複数の大部位ラベル画像の選択，ダーテルテンプレートの作成の処理を行い，これらの一連の処理に基づいて関心領域（小部位）の推定を行っており，かなり精度の高い結果が期待されるが，若干の誤差が残るのは避けられない。

その誤差の修正（図６，ステップＳ７）では，領域推定された画像を入力，上記Ｎ個のラベル画像データ（用手的アトラス）を教師データとして機械学習（たとえばアダブースト（AdaBoost）法）を行い，誤差を軽減する。この処理の様子が図13に示されている。最も左側の画像は解析対象の灰白質事後確率（画像）である。この誤差補正も脳画像のすべての部位について行っても，関心領域についてのみ行っても，どちらでもよい。誤差が修正された画像は記憶部12に記憶される。

12．灰白質補正
誤差が補正された領域の画像と灰白質，白質および脳脊髄液の画像（事後確率マップ）を比較し，灰白質，白質の領域に存在する脳脊髄液の領域を灰白質，白質の領域とする処理を施す（図６，ステップＳ８）。これはセグメンテーションの事後確率マップの誤抽出の補正を目的とするものである。この補正処理もすべての部位について行っても，必要な部位についてのみ行ってもよい。補正後の画像は記憶部12に記憶される。

13．体積測定
補正により最終的に灰白質領域となったボクセルに基づいて所望の領域（解剖学的関心領域）（１または複数の小部位）の体積を求める。より厳密には所望の領域内の灰白質の事後確率の積算を同領域の体積と定義しこれを求める（図６，ステップＳ９）（体積測定手段）。体積測定は特定の一または複数の領域についてのみ行ってもよいし，すべての部位について行ってもよい。体積測定結果は記憶部12の体積測定結果記憶領域に記憶される。

14．表示
必要に応じて，表示プログラムにしたがって，表示部12に処理結果の画像が表示される。処理の途上の画像を表示してもよい。最終的に体積測定の対象となった解剖学的関心領域を表示することもできる。また，入力された解析対象個人脳３次元画像，分割された大部位領域画像，中間画像，演算修正された画像，灰白質補正された画像を，その全脳部分について色分けした形態で表示することも，または個々の部位（大部位，小部位）ごとに表示することもできる。

10 解剖学的部位抽出装置（脳体積測定装置）
11 処理部
12 記憶部
13 表示部
14 入出力部
15 通信制御部

Claims (19)

1. 少なくとも特定部位が明示された標準的画像を用いて，所与の対象ＭＲＩ画像から上記特定の部位に対応する特定部位対象画像を生成する特定部位対象画像生成手段，
   あらかじめ用意された形状が異なる第１の数の特定部位ラベル画像から上記特定部位対象画像と類似性の高い第２の数の特定部位ラベル画像を選択する特定部位ラベル画像選択手段，および
   上記選択された第２の数の特定部位ラベル画像と上記特定部位対象画像との画像位置合わせにおいて，特定部位内に含まれる関心領域を最もよく表わす画像部分を抽出する関心領域抽出手段，
   を備えるＭＩＲ画像に基づく解剖学的部位の抽出装置。
2. 上記関心領域抽出手段によって抽出された画像部分の内容の体積を測定する体積測定手段をさらに備える請求項１に記載の抽出装置。
3. 上記関心領域抽出手段によって抽出された画像部分の画像を表示する表示手段，をさらに備える請求項１または２に記載の抽出装置。
4. 上記特定部位対象画像生成手段が，上記特定部位を含む複数の部位が明示された標準的画像を用いて，所与の対象ＭＲＩ画像を複数の部位に分割して上記特定部位対象画像を生成するものである，請求項１から３のいずれか一項に記載の抽出装置。
5. 上記特定部位ラベル画像は，上記特定部位を含む複数の部位が明示された標準的画像を，所与のラベル画像用ＭＲＩ画像に画像位置合わせを行って生成されたものである，請求項１から４のいずれか一項に記載の抽出装置。
6. 所与の対象ＭＲＩ画像が脳のＭＲＩ画像である，請求項１から５のいずれか一項に記載の抽出装置。
7. 特定部位対象画像生成手段が，少なくとも特定部位が明示された標準的画像を用いて，所与の対象ＭＲＩ画像から上記特定の部位に対応する特定部位対象画像を生成し，
   特定ラベル画像選択手段が，あらかじめ用意された形状の異なる第１の数の特定部位ラベル画像から上記特定部位対象画像と類似性の高い第２の数の特定部位ラベル画像を選択し，そして
   関心領域抽出手段が，上記選択された第２の数の特定部位ラベル画像と上記特定部位対象画像との画像位置合わせにおいて，特定部位内に含まれる関心領域を最もよく表わす画像部分を抽出する，
   ＭＲＩ画像に基づく解剖学的部位の抽出方法。
8. 体積測定手段が上記関心領域抽出手段によって抽出された画像部分の内部の体積を測定する，請求項７に記載の抽出方法。
9. 表示手段が，上記関心領域抽出手段によって抽出された画像部分の画像を表示する，請求項７または８に記載の抽出方法。
10. 上記特定部位対象画像生成手段が，上記特定部位を含む複数の部位が明示された標準的画像を用いて，所与の対象ＭＲＩ画像を複数の部位に分割して上記特定部位対象画像を生成する，請求項７から９のいずれか一項に記載の抽出方法。
11. 上記特定部位ラベル画像は，上記特定部位を含む複数の部位が明示された標準的画像を，所与のラベル画像用ＭＲＩ画像に画像位置合わせを行って生成されたものである，請求項７から10のいずれか一項に記載の抽出方法。
12. 所与の対象ＭＲＩ画像が脳のＭＲＩ画像である，請求項７から11のいずれか一項に記載の抽出方法。
13. 少なくとも特定部位が明示された標準的画像を用いて，所与の対象ＭＲＩ画像から上記特定の部位に対応する特定部位対象画像を生成し，
    あらかじめ用意された形状の異なる第１の数の特定部位ラベル画像から上記特定部位対象画像と類似性の高い第２の数の特定部位ラベル画像を選択し，そして
    上記選択された第２の数の特定部位ラベル画像と上記特定部位対象画像との画像位置合わせにおいて，特定部位内に含まれる関心領域を最もよく表わす画像部分を抽出するようにコンピュータを制御する，
    ＭＲＩ画像に基づく解剖学的部位の抽出プログラム。
14. さらに，上記抽出された画像部位の内部の体積を測定するようにコンピュータを制御する，
    請求項12に記載の抽出プログラム。
15. さらに，上記抽出された画像部分の画像を表示装置に表示するようにコンピュータを制御する，請求項13または14に記載の抽出プログラム。
16. 上記特定部位を含む複数の部位が明示された標準的画像を用いて，所与の対象ＭＲＩ画像を複数の部位に分割して上記特定部位対象画像を生成するようにコンピュータを制御する，請求項13から15のいずれか一項に記載の抽出プログラム。
17. 上記特定部位ラベル画像は，上記特定部位を含む複数の部位が明示された標準的画像を，所与のラベル画像用ＭＲＩ画像に画像位置合わせを行って生成されたものである，請求項13から16のいずれか一項に記載の抽出プログラム。
18. 所与の対象ＭＲＩ画像が脳のＭＲＩ画像である，請求項13から17のいずれか一項に記載の抽出プログラム。
19. 請求項13から18のいずれか一項に記載の抽出プログラムをコンピュータ読取り可能に記録した媒体。

Images