JP2021109110A - マルチスケールフィルタリングによるｍｒｉ脳画像の正規化及び強調の方法 - Google Patents

Abstract

【課題】脳物質を含むボクセルの３次元ＭＲＩ画像の処理方法を提供する。【解決手段】マルチスケールフィルタリングが、ＭＲＩ画像内のボクセルの強度を正規化するために使用される。マルチスケールフィルタがローＭＲＩ画像に適用されて生成された画像が原画像と比較され、比較に基づきルーマ異常（すなわち、強度変化）は補正される。１つのアプローチで、画像の強度は、マルチスケールフィルタをかけられたバージョンよりも暗いボクセルについては増大され、マルチスケールフィルタをかけられたバージョンよりも明るいボクセルについては低減される。他の態様では、更なる特徴がマルチスケール勾配に基づきもたらされ、それらは、ＭＲＩ画像をセグメント化するために他のアプローチと組み合わせて使用され得る。正勾配のボクセルは、脳白質によって境界される脳灰白質を、負勾配のボクセルは、脳灰白質によって境界される脳白質を表し得る。【選択図】図１

Description

本開示は、概して、ＭＲＩ画像の脳セグメンテーションに関係がある。

セグメンテーションは、脳のＭＲＩ（Magnetic Resonance Imaging）画像の解析における１つのステップである。脳の３次元ＭＲＩ画像は、通常、ボクセルの３次元アレイであり、各ボクセルは、ＭＲＩ撮像プロセスに対するそのボクセル内の物質の反応を表す値（強度）を有している。セグメンテーションステップは、どのボクセルが脳物質であって、どのボクセルがそうでないのかを決定する。ＭＲＩ画像がセグメント化された後、脳物質であるボクセルは、それから更に解析され得る。

セグメンテーションは、通常、ＭＲＩ画像内のボクセルの強度に基づきしばしば行われる。例えば、１つのアプローチでは、類似した強度のボクセルは同じタイプの物質に相当するという前提で、類似した強度のボクセルのクラスタがグループ化される。しかし、これは、常に優れた前提というわけではない。

例えば、ＭＲＩ撮像プロセスにおけるノイズ及び強度変化は、間違った結果をもたらす可能性がある。バイアス場分散は、同じタイプの脳物質についてさえ、ＭＲＩ画像の一方の側で他方と比べて強くないボクセルを生じさせる可能性がある。その上、異なる生理学的部位が類似した強度のボクセルを有することがあり、強度に基づきボクセルをクラスタ化することは、そのような異なる部位を区別できない。例えば、脳灰白質は脳白質よりも強くないが、非脳構造と強度が似ていることがある。強度のみに基づくクラスタ化は、脳灰白質をセグメント化することに失敗する可能性がある。

よって、ＭＲＩ画像の脳セグメンテーションのためのより良いアプローチが必要とされる。

一態様で、マルチスケールフィルタリングが、ＭＲＩ画像内のボクセルの強度を正規化するために使用される。マルチスケールフィルタはＭＲＩ画像に適用される。マルチスケールフィルタは、異なるスケールの（例えば、異なるサイズのカーネルを使用する）フィルタを画像に適用する。１つのアプローチで、１×１×１フィルタ、３×３×３フィルタ、５×５×５フィルタ、などが適用され、このようなコンポーネントフィルタをかけられた画像の加重和が、マルチスケールフィルタをかけられた画像を生成するために計算される。ルーマ異常（すなわち、強度変化）は、マルチスケールフィルタをかけられた画像と原画像との比較に基づき補正される。１つのアプローチで、画像の強度は、マルチスケールフィルタをかけられたバージョンよりも暗い原画像内のボクセルについては増大され、マルチスケールフィルタをかけられたバージョンよりも明るいボクセルについては低減される。

他の態様で、更なる特徴は、マルチスケール勾配に基づきもたらされる。それらは、ＭＲＩ画像をセグメント化するために他の特徴と組み合わせて使用され得る。ＭＲＩ画像は、異なるスケールｋのフィルタを用いてフィルタをかけられる。ｋに関して勾配は計算される。ボクセルごとに、これは、ｋに対するそのボクセルの強度の変化である。正勾配のボクセルは、脳白質によって境界される脳灰白質を表し得る。負勾配のボクセルは、脳灰白質によって境界される脳白質を表し得る。

２つの技術は組み合わされてよい。最初に、正規化がＭＲＩ画像に適用され得る。次いで、正規化されたバージョンについてマルチスケール勾配が計算され得る。

他の態様として、上記のいずれかに関係があるコンポーネント、デバイス、システム、改善、方法、プロセス、アプリケーション、コンピュータ可読媒体、及び他の技術がある。

本開示の実施形態は、添付の図面の例とともに理解される場合に、より容易に以下の詳細な説明及び添付の特許請求の範囲から明らかである他の利点及び特徴を有している。

一実施形態に従って、ＭＲＩ画像のボリューム強度正規化のためのフロー図である。 ３次元ＭＲＩ画像の１つのスライスである（先行技術）。 異なるサイズのカーネルを使用するマルチスケールフィルタリングを示す。 異なる幅のカーネルを使用するマルチスケールフィルタリングを示す。 図２のＭＲＩ画像のためのヘッドマスクの１つのスライスである。 一実施形態に従って、マルチスケール勾配特徴を表すフロー図である。 白質によって境界される灰白質を示すＭＲＩ画像のスライスである。 スケールｋの関数としての強度のグラフである。

図及び以下の記載は、単に例示として、好適な実施形態を参照する。以下の説明から、本明細書で開示されている構造及び方法の代替の実施形態は、請求されているものの原理から逸脱せずに用いられ得る実行可能な代案として容易に認識されることが留意されるべきである。

図１は、一実施形態に従って、ＭＲＩ画像のボリューム強度正規化のためのフロー図である。プロセスは、頭又は頭の部分の３次元ＭＲＩ画像Ａから開始する。通常、画像Ａは、ボクセルの３次元アレイによって表現される。次の例では、Ａは、ボクセルの２５６×２５６×２５６アレイであるとする。画像Ａの個々のボクセルを表すために、Ａ（Ｘ）との語が使用される。ｘは、ボクセルのインデックスであり、Ａ（ｘ）は、ボクセルｘの強度である。

図２（先行技術）は、頭の３次元ＭＲＩ画像の１つのスライスを示す。この例で、各ボクセルｘは、ＭＲＩ撮像プロセスに対するそのボクセル内の物質の反応を表す値（強度）Ａ（ｘ）を有している。強度値は、黒から白までの範囲に及ぶグレースケールによって図２では表されている。ＭＲＩ画像Ａは脳物質を含むが、非脳物質、例えば、目、鼻腔、頭蓋骨、筋肉、なども含むことがある。画像Ａはまた、例えば、ノイズ又は組織的バイアスによって引き起こされる強度異常（ルーマ異常）を伴うことがある。

図１のプロセス１００は、ルーマ異常を補正して、正規化された画像Ｈを得る。正規化された画像Ｈは、次いで、どのボクセルが脳物質であるかを識別するセグメンテーションプロセス１９０で使用されてよい。適切に正規化された画像Ｈは、ロー画像Ａに基づくセグメント化と比較して、より正確な結果をもたらす。

プロセス１００は、次のように進む。マルチスケールフィルタ１１０が入力画像Ａに適用され、フィルタをかけられた画像Ｂを得る。１つのアプローチで、マルチスケールフィルタ１１０は、異なるスケールのフィルタＦ_ｋを使用する。ここで、ｋは、スケールのインデックスである。入力画像Ａは、コンポーネントフィルタをかけられた画像Ｂ_ｋを生成するよう各フィルタＦ_ｋによってフィルタをかけられ、Ｂ_ｋの加重和は、統合的な、フィルタをかけられた画像Ｂをもたらす。数学的に：

Ｂ＝Σ_ｋｗ_ｋ＊Ｂ_ｋ （１）
ここで、Ｂ_ｋ＝Ａ＊＊Ｆ_ｋ

ｗｋは重みであり、総和は異なるスケールｋにわたり、＊は乗算であり、＊＊は畳み込みである。

異なるスケールフィルタＦ_ｋは、異なる形を取り得る。図３Ａは、異なるサイズのカーネルを使用するマルチスケールフィルタリングを示す。フィルタＦ_１は、１×１のカーネルサイズを有し、フィルタＦ_２は、３×３のカーネルサイズを有し、フィルタＦ_３は、５×５のカーネルサイズを有する、など。例示の都合上、図３Ａでは２次元フィルタリングが示されているが、マルチスケールフィルタリングは何次元でもあってよい。画像Ａは、異なるサイズのフィルタＦ_ｋの夫々で畳み込まれる。フィルタをかけられた画像は、マルチスケールフィルタをかけられたバージョンＢを生成するよう重み付けされ足し合わされる。

図３Ｂは、サイズは同じであるが幅が異なるカーネルを使用するマルチスケールフィルタリングを示す。ここでは、全てのカーネルは５×５であるが、それらは、フィルタごとにガウス曲線によって示されるように、異なる幅のガウス分布に相当する。フィルタＦ_１は、最も狭いガウス分布であり、フィルタＦ_２は、より広く、フィルタＦ_３は、更に広い、など。

マルチスケールフィルタリングは、畳み込みに基づく必要がない。例えば、空間不変性フィルタリングが使用され得る。スケールが異なるサイズのフィルタによって実装される場合に、ボクセルｘの各コンポーネント画像Ｂ_ｋは、ｘの特定の近傍内にあるボクセルの強度に基づく。このとき、近傍のサイズは、スケールｋにより変化する。

画像Ｂは、画像Ａのマルチスケールフィルタをかけられたバージョンであるから、Ｂ（ｘ）は、ボクセルｘの局所近傍でのある種の“平均”強度を表し、一方、Ａ（ｘ）は、まさにボクセルｘの強度である。プロセス１００の残りで、画像Ａ及びＢは比較され、画像Ａの強度は、この比較に基づき、ルーマ異常を補正される。

図１に戻ると、１１２で、比Ｃ＝Ｂ／Ａが計算される。ここで、除算はボクセルに基づく。すなわち、ボクセルｘごとに、Ｃ（ｘ）＝Ｂ（ｘ）／Ａ（ｘ）。Ｂ（ｘ）＞Ａ（ｘ）の場合、すなわち、同様に、Ｃ（ｘ）＞１の場合、ボクセルｘは、近傍平均よりも強度が低く、これが異常であるならば、ボクセルＡ（ｘ）の強度は増大されるべきである。対照的に、Ｂ（ｘ）＜Ａ（ｘ）、すなわちＣ（ｘ）＜１の場合、ボクセルｘは、近傍平均よりも強度が高く、ボクセルＡ（ｘ）の強度は低減されるべきである。図１中、比Ｃは、１１４で、フィルタをかけられた比Ｄを生成するようガウスフィルタによってフィルタをかけられる。これは、正規化効果が極端すぎないように、比Ｃを平滑化する。

図１では、正規化の効果を抑えるよう、ヘッドマスクＥも使用される。図４は、図２のＭＲＩ画像に対応するヘッドマスクＥの１つのスライスである。ヘッドマスクは、頭の部分であるボクセルに対しては１（図４では白として示される）であり、頭の外のボクセルに対しては０（図４では黒）である。ヘッドマスクＥも、１２２で、頭と頭以外との間の境界を滑らかにするようガウスフィルタによってフィルタをかけられ、そして、フィルタをかけられたマスクＦが得られる。これは、１３０で、フィルタをかけられた比Ｄに適用されて、正規化マスクＧ＝Ｄ／Ｆを得る。このとき、除算はボクセルに基づき、頭ボリューム内にあるボクセルに対してのみ実行される。

正規化マスクＧは、次いで１３５で、ルーマ補正された画像Ｈ＝Ｇ＊Ａを得るよう原画像Ａに適用される。このとき、乗算はボクセルに基づく。すなわち、Ｈ（ｘ）＝Ｇ（ｘ）＊Ａ（ｘ）。

別の態様で、図５は、一実施形態に従って、マルチスケール勾配特徴を表すフロー図である。マルチスケール勾配特徴は、スケールに対する強度の勾配に基づく特徴である。プロセスは、頭又は頭の部分から開始する。これは、図１と同じ画像Ａであってよく、あるいは、図１の正規化された画像Ｈのような、別の画像であってもよい。異なるスケールｋの複数のフィルタＦ_ｋは、５１０で、フィルタをかけられた画像Ｂ_ｋを生成するよう入力画像Ａに適用される。ここで、ｋは、スケールのインデックス又は次元である。プロセス１００に関して上述された異なるスケールフィルタＦ_ｋが、ここでも使用されてよい。夫々の、フィルタをかけられた画像Ｂ_ｋは、ボクセルｘのアレイであり、Ｂ_ｋ（ｘ）は、スケールｋでのボクセルｘの強度である。Ｂ_ｋ（ｘ）は、ｘの関数であるが、それは、スケールｋの関数でもある。ｋに関して勾配が５２０で計算される。これは、差ΔＢ_ｋ（ｘ）＝Ｂ_ｋ＋１（ｘ）−Ｂ_ｋ（ｘ）を取ること、又はスケール（ｋ＋１）及び（ｋ）の間の“距離”によって正規化される差ΔＢ_ｋ（ｘ）を使用すること、によって行われてよい。代替的に、数値法が、導関数∂Ｂ_ｋ（ｘ）／∂ｋを推定するために使用されてもよい。勾配の特徴５３０は抽出され、脳セグメンテーションのプロセス５９０で使用され得る。

図５はまた、具体的な例を示す。この例で、特徴５３０は、正勾配を有しているボクセル５３２Ｐと、負勾配を有しているボクセル５３２Ｎとを含む。クラスタ化アルゴリズムは、脳をセグメント化するよう５９２でＭＲＩ画像に適用されるが、白質及び灰白質は別々に考えられる。正勾配のボクセル５３２Ｐは、灰白質クラスタ化５９２Ｐの部分として含まれる。負勾配のボクセル５３２Ｎは、白質クラスタ化５９２Ｎの部分として含まれる。

図６Ａは、ＭＲＩ画像のスライスである。円で囲まれた領域は、灰白質によって境界される白質を含むエリアの拡大である。白質６１０は、より高い強度を有し、周囲の灰白質６１５は、より低い強度を有する。図６Ｂは、白質ボリューム内のボクセルｘについてのスケールｋの関数としての強度のグラフである。小さいスケールｋで、フィルタリングは、ボクセルｘの周りの小さい近傍６２２内のボクセルのみを含む。近傍６２２は、ほぼ白質ボクセルである。従って、ｋの小さい値でのフィルタをかけられた強度Ｂ_ｋ（ｘ）６３２は、白質についての高い強度レベルでほとんど一定である。スケールｋが大きくなるにつれて、近傍６２４は、周囲の灰白質を含むように広がり、フィルタをかけられた強度Ｂ_ｋ（ｘ）６３４は下がるので、負勾配６４４が存在する。灰白質のボリュームが大きい場合に、大きいスケール６２６で、フィルタをかけられた強度Ｂ_ｋ（ｘ）６３６は飽和し始める。よって、負勾配６４４は、灰白質によって境界される白質を示し、対応するスケールｋは、白質の幅の指標である。

同じ状況は、白質によって境界される灰白質について起こる。スケールが小さい場合に、近傍内のボクセルはほぼ灰白質であるから、フィルタをかけられた強度は低いままである。近傍のサイズが大きくなるにつれて、より多くの白質ボクセルが含まれる。フィルタをかけられた強度は増大し、スケールｋに関して強度の正勾配が存在する。

このようにして、正勾配のボクセル及び負勾配のボクセル並びにそれらの対応するスケールｋは、ＭＲＩ画像を脳物質及び非脳物質にセグメント化するための更なる特徴として使用され得る。

詳細な説明には多くの詳細が含まれているが、それらは、発明の範囲を制限するものと解釈されるべきではなく、単に種々の例を表すものにすぎない。当然ながら、本開示の範囲は、先に上述されていない他の実施形態を含む。当業者に明らかである様々な他の改良、変更、及び変形は、添付の特許請求の範囲で定義されている精神及び範囲から逸脱せずに、本明細書で開示されている方法及び装置の配置、動作及び詳細において行われてよい。従って、発明の範囲は、添付の特許請求の範囲及びそれらの法上の均等によって決定されるべきである。

代替の実施形態は、コンピュータハードウェア、ファームウェア、ソフトウェア、及び／又はそれらの組み合わせで実装される。実施は、プログラム可能なプロセッサによる実行のためにコンピュータ可読記憶デバイスに有形に具現されたコンピュータプログラム製品で実装可能であり、方法ステップは、入力に作用して出力を生成することによって機能を実行するよう命令のプログラムを実行するプログラム可能なプロセッサによって実行可能である。実施形態は、データ及び命令フォームを受けるよう、かつデータ及び命令をデータ記憶システム、少なくとも１つの入力デバイス、及び少なくとも１つの出力デバイスへ送るよう結合された少なくとも１つのプログラム可能なプロセッサを含むプログラム可能なコンピュータシステムで実行可能である１つ以上のコンピュータプログラムで有利に実装可能である。各コンピュータプログラムは、高位プロシージャ又はオブジェクト指向プログラミング言語で、あるいは、望まれる場合にはアセンブリ又は機械言語で実装可能であり、いずれの場合にも、言語は、コンパイル済み又は解釈済みの言語であることができる。適切なプロセッサには、例として、汎用のマイクロプロセッサ及び専用のマイクロプロセッサの両方が含まれる。一般に、プロセッサは、リードオンリーメモリ及び／又はランダムアクセスメモリから命令及びデータを受け取る。一般に、コンピュータは、データファイルを記憶する１つ以上の大容量記憶デバイスを含み、そのようなデバイスには、内蔵ハードディスク及びリムーバブルディスクのような磁気ディスク、光学磁気ディスク、並びに光ディスクが含まれる。コンピュータプログラム命令及びデータを有形に具現するのに適した記憶デバイスには、例として、ＥＰＲＯＭ、ＥＥＰＲＯＭ、及びフラッシュメモリデバイスのような半導体メモリ、内蔵ハードディスク及びリムーバブルディスクのような磁気ディスク、光学磁気ディスク、並びにＣＤ−ＲＯＭディスクを含む全ての形態の不揮発性メモリが含まれる。上記のいずれも、ＡＳＩＣ（Application-Specific Integrated Circuits）、ＦＰＧＡ及び他の形態のハードウェアに組み込まれるか、あるいは、それらによって補われ得る。

５３２Ｐ 正勾配のボクセル
５３２Ｎ 負勾配のボクセル
６１０ 白質
６１５ 灰白質
Ａ 入力画像
Ｂ マルチスケールフィルタをかけられた画像
Ｅ ヘッドマスク
Ｇ 正規化マスク
Ｈ ルーマ補正された画像
ｋ スケール
ｘ ボクセル

Claims (20)

1. 脳物質を含むボクセルの３次元ＭＲＩ画像Ａを処理する方法であって、
   当該方法は、
   前記画像Ａにマルチスケールフィルタを適用して画像Ｂを生成することと、
   前記画像Ａ及び前記画像Ｂを比較することと、
   前記画像Ａ及び前記画像Ｂの前記比較に基づき前記画像Ａのルーマ異常を補正することと、
   前記画像Ａのルーマ補正されたバージョンに基づき脳物質をセグメント化することと
   を有する命令を実行するコンピュータシステムで実装される方法。
2. 前記画像Ａに前記マルチスケールフィルタを適用することは、
   前記画像Ａに異なるスケールｋの複数のフィルタを適用することと、
   前記フィルタをかけられた前記画像Ａの加重和を計算することと
   を有する、
   請求項１に記載のコンピュータシステムで実装される方法。
3. 前記異なるスケールｋの複数のフィルタは、異なるサイズのカーネルによるフィルタを有する、
   請求項２に記載のコンピュータシステムで実装される方法。
4. 前記異なるスケールｋの複数のフィルタは、サイズは同じだが幅が異なるカーネルによるフィルタを有する、
   請求項２に記載のコンピュータシステムで実装される方法。
5. 前記画像Ａ及び前記画像Ｂを比較することは、
   除算がボクセル単位で実行されるとして比Ｃ＝Ｂ／Ａを計算することを有する、
   請求項１に記載のコンピュータシステムで実装される方法。
6. 前記画像Ａのルーマ異常を補正することは、
   Ｃ＞１でボクセルの強度を増大させることを有する、
   請求項５に記載のコンピュータシステムで実装される方法。
7. 前記画像Ａのルーマ異常を補正することは、
   Ｃ＜１でボクセルの強度を低減させることを有する、
   請求項５に記載のコンピュータシステムで実装される方法。
8. 前記画像Ａ及び前記画像Ｂを比較することは、
   前記比Ｃにガウスフィルタを適用して、フィルタをかけられた比Ｄを生成することを有し、
   前記画像Ａのルーマ異常を補正することは、前記フィルタをかけられた比Ｄに基づく、
   請求項５に記載のコンピュータシステムで実装される方法。
9. 前記画像Ａ及び前記画像Ｂを比較することは、隣接するボクセルと一致しない強度を有する前記画像Ａ内のボクセルを識別する、
   請求項１に記載のコンピュータシステムで実装される方法。
10. 前記画像Ａのルーマ異常を補正することは、
    頭の部分として識別されている前記画像Ａ内のボクセルにラベルを付けるヘッドマスクＥにガウスフィルタを適用して、フィルタをかけられたヘッドマスクＦを生成することと、
    前記フィルタをかけられたヘッドマスクＦに基づきルーマ異常を補正することと
    を更に有する、
    請求項１に記載のコンピュータシステムで実装される方法。
11. 脳物質を含むボクセルの３次元ＭＲＩ画像Ａを処理する方法であって、
    当該方法は、
    画像Ａに異なるサイズのカーネルによる複数のフィルタを適用することと、
    前記フィルタをかけられた前記画像Ａの加重和を計算して画像Ｂを生成することと、
    除算がボクセル単位で実行されるとして比Ｃ＝Ｂ／Ａを計算することと、
    前記比Ｃにガウスフィルタを適用して、フィルタをかけられた比Ｄを生成することと、
    頭の部分として識別されている前記画像Ａ内のボクセルにラベルを付けるヘッドマスクＥにガウスフィルタを適用して、フィルタをかけられたヘッドマスクＦを生成することと、
    除算がボクセル単位で実行されるとして正規化マスクＧ＝Ｄ／Ｆを計算することと、
    前記正規化マスクＧに基づき前記画像Ａのルーマ異常を補正することと、
    前記画像Ａのルーマ補正されたバージョンに基づき脳物質をセグメント化することと
    を有する命令を実行するコンピュータシステムで実装される方法。
12. 脳物質を含むボクセルの３次元ＭＲＩ画像Ａを処理する方法であって、
    当該方法は、
    画像Ａに異なるスケールｋの複数のフィルタを適用して複数の画像Ｂ_ｋを生成することと、
    スケールｋに関して画像Ｂのボクセルの勾配を計算することと、
    正勾配のボクセル及び負勾配のボクセルを識別することと、
    前記正勾配のボクセル及び／又は前記負勾配のボクセルに基づき前記画像から脳物質をセグメント化することと
    を有する命令を実行するコンピュータシステムで実装される方法。
13. 前記異なるスケールｋの複数のフィルタは、異なるサイズのカーネルによるフィルタを有する、
    請求項１２に記載のコンピュータシステムで実装される方法。
14. 前記画像Ａから前記脳物質をセグメント化することは、前記画像Ａから脳白質及び脳灰白質を別々にセグメント化することを有する、
    請求項１２に記載のコンピュータシステムで実装される方法。
15. 前記脳灰白質をセグメント化することは、前記正勾配のボクセルに基づく、
    請求項１４に記載のコンピュータシステムで実装される方法。
16. 前記脳白質をセグメント化することは、前記負勾配のボクセルに基づく、
    請求項１４に記載のコンピュータシステムで実装される方法。
17. 前記画像Ａから前記脳物質をセグメント化することは、ボクセルをそれらの強度に基づきクラスタ化することを更に有する、
    請求項１２に記載のコンピュータシステムで実装される方法。
18. 前記画像Ａから前記脳物質をセグメント化することは、ボクセルが正勾配及び／又は負勾配を有している前記スケールｋに更に基づく、
    請求項１２に記載のコンピュータシステムで実装される方法。
19. 前記画像Ａは、ルーマ補正された画像である、
    請求項１２に記載のコンピュータシステムで実装される方法。
20. 前記画像Ａの補正されていないバージョンにマルチスケールフィルタを適用して画像Ｂを生成することと、
    前記画像Ａの前記補正されていないバージョン及び前記画像Ｂを比較することとと、
    前記画像Ａの前記補正されていないバージョン及び前記画像Ｂの前記比較に基づき前記画像Ａのルーマ異常を補正することと
    を更に有する、
    請求項１９に記載のコンピュータシステムで実装される方法。

Images