JP2024504025A - 容器形状 - Google Patents
容器形状 Download PDFInfo
- Publication number
- JP2024504025A JP2024504025A JP2023539951A JP2023539951A JP2024504025A JP 2024504025 A JP2024504025 A JP 2024504025A JP 2023539951 A JP2023539951 A JP 2023539951A JP 2023539951 A JP2023539951 A JP 2023539951A JP 2024504025 A JP2024504025 A JP 2024504025A
- Authority
- JP
- Japan
- Prior art keywords
- landmarks
- subject
- blood vessel
- path
- determining
- 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
Links
- 238000000034 method Methods 0.000 claims abstract description 145
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 113
- 238000003384 imaging method Methods 0.000 claims abstract description 35
- 230000002792 vascular Effects 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 210000002385 vertebral artery Anatomy 0.000 claims description 39
- 210000004004 carotid artery internal Anatomy 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 23
- 210000002376 aorta thoracic Anatomy 0.000 claims description 15
- 230000005855 radiation Effects 0.000 claims description 10
- 210000003625 skull Anatomy 0.000 claims description 9
- 210000003270 subclavian artery Anatomy 0.000 claims description 4
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 210000002168 brachiocephalic trunk Anatomy 0.000 claims description 3
- 210000001168 carotid artery common Anatomy 0.000 claims description 3
- 210000000269 carotid artery external Anatomy 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 21
- 210000003484 anatomy Anatomy 0.000 description 12
- 238000002591 computed tomography Methods 0.000 description 12
- 239000003795 chemical substances by application Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000009499 grossing Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 210000000988 bone and bone Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013170 computed tomography imaging Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 210000005166 vasculature Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
一実施形態では、方法(100)が説明される。方法は、被検体の身体の放射線撮像データから血管の隣接するランドマークを識別するように構成される機械学習MLモデルを使用して、被検体の身体内の血管のランドマークのセットを識別すること(102)を有する。方法は、セット内の識別される隣接するランドマークを有する経路を決定すること(104)をさらに有する。識別される隣接するランドマークの間の血管の形状は、決定される経路及び血管の壁を示す撮像条件に基づいて決定される。
Description
本発明は、例えばコンピュータトモグラフィ(CT)撮像データから血管形状を決定するための方法、非一時的な機械可読媒体及び装置に関する。
被検体の身体は例えば、診断、医学的介入などの様々な目的のためにCT撮像装置を使用して撮像され得る。一組のCT撮像スライスなどの撮像データから得られる3次元(ボリューム)再構成画像及び/又は関連する多平面再構成(MPR)画像は、被検体の身体内の様々な解剖学的構造を示し得る。しかしながら、血管(例えば、動脈及び静脈などの血管)などの特定の構造は、再構成される画像において容易に識別可能ではない場合がある。
例えば、特定の後処理アプリケーションにおける頭頸部血管の分析中に、臨床医又は他の撮像装置オペレータなどのユーザは血管を抽出(例えば、識別)し、画像上で手動で血管に命名することによって、血管を定義することができる。この抽出/命名プロシージャは、可能性のある病変の観察及び/又は測定と併せて実行され得る。特に、血管が長く、及び/又は複雑な湾曲を有する場合、この抽出及び命名プロシージャを実行するのに、ユーザが数分かかることがある。
血管抽出中にユーザが費やす時間及び血管抽出の精度は、ユーザの経験に大きく依存し得る。
本明細書で説明する態様又は実施形態は、特定の放射線画像データに基づく血管形状決定又はセグメント化に関することができる。そのような血管形状決定/セグメント化は、最小限のユーザ入力で、又はユーザ入力なしで、自動的に実行され得る。本明細書で説明される態様又は実施形態は放射線画像データからの血管形状のユーザ(すなわち、人間)識別に関連する1つ又は複数の問題を回避することができる。
第1の態様では、方法が説明される。この方法は、コンピュータにより実施される方法である。本方法は、被検体の身体の放射線画像データから血管の隣接するランドマークを識別するように構成される機械学習MLモデルを使用して、被検体の身体内の血管のランドマークのセットを識別することを含む。本方法は、セット内の識別される隣接するランドマークを含む経路を決定することをさらに含む。方法は、決定される経路と、血管の壁を示す撮像条件とに基づいて、識別される隣接するランドマーク間の血管の形状を決定することをさらに含む。
第1の態様及び他の態様に関するいくつかの実施形態を以下に説明する。
いくつかの実施形態では、MLモデルがDeep Q Network、DQNモデルを含む。
いくつかの実施形態ではMLモデルが複数の訓練被検体から得られた放射線画像データを含む訓練データセットに基づいてランドマークのセットを認識するように訓練され、各訓練被検体から得られた放射線画像データは認識されるべきランドマークのセットで注釈付けされる標的血管を含む。
いくつかの実施形態では、経路を決定することは放射線画像データ内のピクセル強度閾値を識別することを含む。ピクセル強度閾値は、経路を形成するように接続されている識別されるランドマークを示し得る。
いくつかの実施形態では、ピクセル強度閾値が識別されるランドマークの各々に関連付けられた最小ピクセル強度値及び/又は平均ピクセル強度値に基づいて決定される。
いくつかの実施形態では、方法が隣接するランドマーク間の血管セグメントを示す対応する血管構造の座標を識別することによって経路を決定することと、座標に基づいて経路のプロファイルを推定することとを含む。
いくつかの実施形態では、経路のプロファイルを推定することは第1のランドマークをシード点として設定し、反復的に増大する体積領域内で、第1のランドマークに関連する座標が第1のランドマークと第2のランドマークとの間の経路を定義するように、第1のランドマークに最も近いランドマークに対応する第2のランドマークを識別することによって、隣接するランドマーク間の最短経路を決定することを含む。
いくつかの実施形態では、経路を決定することは楕円の断面の少なくとも一部に対応する血管構造を識別することと、楕円の中心点を決定することとを含む。中心点は、経路を定義する血管の中心線の座標を定義し得る。
いくつかの実施形態では、血管の壁を示す撮像条件が壁の存在を示す勾配条件に基づく。
いくつかの実施形態では、本方法がローカル座標系に従って原点を定義する血管の中心点に対応する座標を決定することと、原点から半径方向に延びる複数の光線をシミュレーションすることによって、原点から特定される距離にある各半径方向光線について勾配条件が満たされるまで、原点において経路に垂直な血管断面内の血管の形状を決定することとを含む。原点からの各放射光線の特定される距離は、血管の形状の少なくとも一部に対応する血管断面内の境界を推定するために使用され得る。
いくつかの実施形態では、本方法が隣接する血管断面からの推定境界を接続することによって、隣接するランドマーク間の血管の形状に対応する血管セグメントを決定することを含む。
いくつかの実施形態では、勾配条件が血管断面におけるピクセル強度値の勾配モデルに基づいて決定される。
いくつかの実施形態では、血管が内頸動脈、ICA、及び/又は椎骨動脈、VAを含む。ランドマークのセットは、MLモデルによって識別される被検体の内頸動脈及び椎骨動脈の少なくとも1つからの特定されるランドマークのセットLXを含むことができる。特定されるセットの各ランドマークLXは以下のように、関連するインデックスX、及び対応する解剖学的特徴位置を有し得る。
L0は、内頸動脈及び椎骨動脈によって共有され、被検体の大動脈弓の腕頭動脈幹に位置する。
L1は、大動脈弓の総頸動脈に位置する。
L2は大動脈弓の鎖骨下動脈に位置する。
L3及びL4は、内頸動脈及び被検体の外頸動脈の分岐点に位置する。
L5及びL8は、被検体のC6頸椎の周囲の内頸動脈の位置である。
L9及びL14は、被検体のC6頸椎の周囲の椎骨動脈の位置である。
L6及びL7は、被検体のC2頸椎の周囲の内頸動脈の位置である。
L10及びL13は、被検体のC2頸椎の周囲の椎骨動脈の位置である。
L11及びL12は、被検体のC1頸椎の周囲の内頸動脈の位置である。
L15及びL18は、被検体のC1頸椎の周囲の椎骨動脈の位置である。
L16及びL17は、血液が頭蓋骨の内側及び外側の構造に移される内頸動脈の位置である。
L19及びL22は、椎骨動脈が被検体の頭蓋骨に入る被検体の後頭蓋窩上の椎骨動脈の位置である。
L20, L21, L23及びL24は頭蓋内の内頸動脈の位置であり、L25は、被検体の左椎骨動脈及び右椎骨動脈の両方によって共有される位置である。
いくつかの実施形態では、本方法が被検体の身体のシミュレーションを表示するためのユーザインターフェースに、ユーザインターフェースを介して血管の形状を表示させることを含む。
第2の態様では、非一時的な機械可読媒体が説明される。非一時的な機械可読媒体は少なくとも1つのプロセッサによって実行されると、少なくとも1つのプロセッサに、第1の態様又は関連する実施形態の何れかによる方法を実装させる命令を備える。
第3の態様では、デバイスが説明される。この装置は、被検体の放射線画像データから血管情報を抽出するためのものである。装置は、放射線画像データを受信するためのインターフェースに通信可能に結合される少なくとも1つのプロセッサを備える。装置は第1の態様又は関連する実施形態の何れかによる方法を実行するために、少なくとも1つのプロセッサによって読み取り可能かつ実行可能な命令を記憶する非一時的な機械可読媒体をさらに備える。
本発明のこれら及び他の態様は以下に記載される実施形態から明らかであり、それらを参照して説明される。
次に、本発明の例示的な実施形態を、単なる例として、以下の図面を参照して説明する。
図1は血管形状を決定する方法100(例えば、コンピュータ実施方法)を示す。方法100はユーザインターフェース、又はサーバもしくはクラウドベースのサービス(たとえば、ユーザコンピュータ及び/又はユーザインターフェースに通信可能に結合される)に通信可能に結合されるユーザコンピュータなどのコンピュータによって実装され得る。
方法100は、ブロック102において、被検体の身体の放射線画像データから血管の隣接するランドマークを識別するように構成される機械学習MLモデルを使用して、被検体の身体内の血管のランドマークのセットを識別することを含む。
図5及び6(以下でより詳細に説明される)によって描写されるように、「ランドマーク」は、血管に関連する被検体の身体内の位置を指す。身体内の血管は、身体の解剖学的構造に関連すると考えることができる。身体の解剖学的構造は、身体内の骨及び組織の配置を指し得る。各被検体間には若干の差異があり得るが、解剖学的構造は各被検体について類似していると予測され得る。したがって、被検体の身体内の特定の血管は、被検体の解剖学的特徴に関連して予測されるプロファイル及び/又は形状を有し得る。
MLモデルは、解剖学的構造に基づいて事前に決定され得るランドマークのセットを識別するように訓練され得る。例えば、以下でより詳細に説明されるMLモデル(いくつかの実施形態では、Deep Q Network、DQN、モデルを含む)は被検体の身体の頭部、頸部、及び/又は胸部領域における被検体の内頸動脈(ICA)及び/又は椎骨動脈(VA)の少なくとも1つに関連するランドマークを識別するように訓練され得る(ただし、同様のプロシージャが被検体の身体内の他の血管に関連するランドマークを識別するために使用され得る)。ユーザの観点から、これらのランドマークは、互いからの距離、骨、器官などの解剖学的特徴への近接などの特定の要因に基づいて、互いから区別可能であり得る。そのような要因はランドマークのセットを識別するときに、MLモデルによって考慮されてもされなくてもよい。例えば、訓練されると、MLモデルはMLモデルを使用してランドマーク識別を容易にするために、放射線画像データから導出される任意の情報に適切な重みを付け得る。訓練のために(例えば、解剖学的構造に基づく人間の専門家によって)使用されるべきランドマークのセットの適切な選択によって、MLモデルは、各被検体におけるランドマークのセットの反復可能かつ正確な識別を可能にすることができる。
放射線撮像データは、CTスキャナなどの放射線撮像装置から取得される生のデータを指してもよく、及び/又は3次元再構成画像及び/又は関連するMPR画像などの生のデータから導出される処理済みデータを指してもよい。
方法100は、ブロック104において、セット内の識別される隣接ランドマークを含む経路を決定することをさらに含む。
以下で説明されるいくつかの実施形態では、経路がセット内の隣接するランドマークを接続する経路を示すピクセル強度閾値などの様々な情報源に基づいて決定され得、及び/又は放射線画像データ内の増大領域内の最も近いランドマークを識別し得る。
したがって、血管の接続されるランドマークの識別は、放射線画像データにおいて経路を識別することを可能にすることができる。そのような経路は血管のプロファイル(例えば、中心線)に対応し得る。
ブロック104は、決定される経路と、血管の壁を示す撮像条件とに基づいて、識別される隣接するランドマーク間の血管の形状を決定することをさらに含む。
血管の壁を示す撮像条件は血管の壁を表すように見える構造に対応するように見える放射線画像データの一部(例えば、放射線画像データ内の少なくとも1つのピクセル)を指し得る。例えば、血管が撮像条件に基づいて決定される楕円形(例えば、円形を含む)断面を有する場合、撮像条件を満たす識別されるランドマークの近傍の放射線画像データの部分は、血管の壁とみなされ得る。このようにして、血管の経路(例えば、中心線)に関する情報と、経路に沿った各関連点(例えば、識別されるランドマークの各々における血管の中心点)における血管の壁に関する情報との組み合わせを使用して、接続されるランドマーク間の血管の形状を決定することができる。血管形状のこの決定は、「血管セグメンテーション」と呼ばれることがある。血管形状を決定することによって、ユーザインターフェースは被検体の身体の放射線撮影画像(例えば、三次元再構成画像及び/又はMPR画像)における血管の形状を強調することができる。例えば、血管は画像内の残りの構造に対して異なる色で強調表示されてもよく、テキストなどで注釈が付けられてもよく、それにより、ユーザは、画像内の血管を視覚化及び/又はより容易に又は正確に識別又は識別することができる。
したがって、本明細書に記載される特定の方法(例えば、方法100及び以下に記載される他の方法)は人間の入力を最小限に抑えて、又は人間の入力を伴わずに、被検体の体内の特定の血管を自動的に識別することが可能であり得る。この識別は被検体の身体の処理される放射線画像データを視覚化するためのユーザインターフェースが血管形状を表示及び/又は強調することができるように、血管を抽出及び/又は命名することを含み得る。これは、ユーザ時間を節約し、及び/又はユーザが血管識別誤差を低減するのを支援することができる。放射線画像データからの血管の自動抽出は、病変の識別及び/又は測定を含む特定の処置において有用であり得る、そのような血管を効率的かつ正確に分析するのに役立ち得る。
図2は本明細書に記載される特定の方法(例えば、方法100及び以下に記載される他の方法)を実施するための特定の構成要素を備えるシステム200を示す。システム200は放射線撮像装置(例えば、CTスキャナ又は他のタイプの放射線撮像装置、例えば、磁気共鳴イメージング(MRI)スキャナ)202、治療台204、及び治療台204によって支持される被検体206(例えば、患者)を含む。放射線撮像装置202は、放射線撮像装置202から放射線画像データを受信するように構成されるコンピュータ208に通信可能に結合される。コンピュータ208は本明細書で説明される特定の方法を実施するための命令を記憶するメモリ210(例えば、非一時的な機械可読媒体)と、命令を実行するための少なくとも1つのプロセッサ212とを備える。コンピュータ208は放射線画像データから導出される特定の情報を提供するユーザインターフェース214(例えば、ディスプレイ)に通信可能に結合される。例えば、被検体の身体の3次元再構成画像及び/又はMPR画像が、ユーザインターフェース214上に表示されてもよい。加えて、本明細書に記載の特定の方法(例えば、方法100)からの出力は、ユーザインターフェース214上に表示され得る。
コンピュータ208及び/又はユーザインターフェース214は、ローカル又はリモートで実装され得る。例えば、コンピュータ208はローカルマシン(例えば、放射線撮像装置202の近傍又は別の位置にあるユーザコンピュータ)又はリモートマシンもしくはコンピューティングシステム(例えば、サーバ及び/又はクラウド)であってもよい。ユーザインターフェース214は局所的に(例えば、放射線撮像装置202の近傍、例えば、放射線撮像装置202が位置する病院内で)、又は遠隔地(例えば、分析が遠隔地の専門家の関与により協働して行われる場所)に実装されてもよい。
図3は血管形状を決定する方法300(例えば、コンピュータ実施方法)を示す。方法300はユーザインターフェース、又はサーバもしくはクラウドベースのサービス(たとえば、ユーザコンピュータ及び/又はユーザインターフェースに通信可能に結合される)に通信可能に結合されるユーザコンピュータなどのコンピュータによって実装され得る。方法300は方法100を含み、以下で説明される特定の方法を参照する。方法300のいくつかのブロックは、図3によって示されるものとは異なる順序で実行され、又は省略され得る。
方法300の開始302の後、ブロック304において、方法300は、ランドマーク検出を実施するための開始点を計算することを含む。開始点は、MLモデルが方法100のブロック102に従ってランドマーク識別プロシージャの一部として最初に認識するように構成される、被検体の身体内の何らかのランドマークであってもよい。例示的な開始点は、以下の説明において与えられる。
方法300のブロック306において、標的血管(例えば、ICA及び/又はVA)上のランドマークを検出するために、ランドマーク検出が実施される(例えば、方法100のブロック102に従って)。
いくつかの実施形態では、MLモデルが複数の訓練被検体から取得される訓練データセットに基づいてランドマークのセットを認識するように訓練される。各訓練被検体から得られた放射線画像データは、認識されるべきランドマークのセットで注釈が付けられた標的血管を含んでもよい。例えば、各訓練被検体に関連する放射線画像データは訓練被検体の身体内の標的血管に関連するランドマークのセットを示すために、人間の訓練者によって注釈付けされてもよい。ランドマークのセットは血管に関連する解剖学的構造(例えば、骨又は他の組織など)に基づいて選択され得る。例えば、血管上の特定のランドマークは、MLモデルが血管の一部が他の解剖学的構造から区別するのに比較的簡単な特定の解剖学的構造に隣接しているかどうかを識別するのに比較的簡単であり得る。したがって、容易に識別され得る血管の部分は、ランドマークのセットのために使用されるべき候補ランドマークであり得る。
一例では、訓練データセットが139人の訓練被検体(すなわち、139系列)から取得される放射線画像データを含む。この放射線画像データは同じタイプ又は異なるタイプの放射線撮像装置(例えば、異なる機器から、及び/又は異なる国から)から得ることができ、139シリーズのうちの129は、データのほとんどが1シリーズあたり26個の注釈付きランドマークを含む(すべてのシリーズが26個のランドマークを有するわけではない)訓練に使用される。139シリーズのうちの残りの10シリーズを、訓練データセットの検証のために使用した。訓練データセットには、合計で約3614個(139×26個)のランドマークがあった。訓練プロシージャのためのデータを準備するために、放射線画像データに対して座標変換法を使用した。この例では、96.680%のランドマーク検出精度率が138の試験データセットから(例えば、訓練データの元の系列から)得られた。
上記の例によれば、頭部及び頸部強化データがロードされると、訓練されるMLモデルは、内頸動脈及び椎骨動脈上の合計26個のランドマーク(以下で論じる)を検出することが可能であり得る。
以下に説明されるように、検出されるランドマークは、各ランドマークの検出される位置の精度を改善するように最適化され得る。したがって、MLモデルが放射線画像データ内のランドマークのセットの「近似」位置を決定すると、異なる方法が最適化のために使用される(例えば、「勾配モデル」と呼ばれる非MLモデルが使用されるが、ML方法が代わりに使用され得ることが理解されるべき)。
方法300のブロック308において、検出されるランドマークはピクセル強度値の予測されるプロファイルの勾配モデルに基づいて(例えば、より正確にそれらの位置を見つけることによって)最適化される(例えば、「ピクセル強度値」は、血管の断面にわたって、放射線画像データ内の各空間位置(ピクセル)における測定される強度を指し得る)。例えば、血管は血管に沿って画定される経路に垂直な楕円形(例えば、円形を含む)断面を有することができる。ブロック306で実施される最初のランドマーク検出は、必ずしも、血管の中心にある点を識別しなくてもよい。しかしながら、画素強度値が断面にわたってある方法で変化する(例えば、「予測プロファイル」を有する)と仮定することによって、ランドマークにおける血管の中心点を計算することができる。以下に説明する勾配モデルでは血管の中心点が最高ピクセル強度値に対応し、ピクセル強度値は中心点から半径方向に減少する。したがって、ブロック308における最適化は、血管の断面の予測プロファイルに対応する放射線画像データ内の領域を識別することと、勾配モデルに従って領域内の放射線画像データをフィッティングすることと、フィッティングされるデータに基づいて中心点を計算することとを有する。本明細書で使用するとき、断面は画像データの任意の断面(例えば、軸方向、冠状面、又は矢状面内、又は斜め面内)を指し得る。本明細書に示される実施例は軸方向断面を指すが、いくつかの実施例は他の平面における断面を参照する。
方法100のブロック104の実施形態に対応し得る方法300のブロック310において、ピクセル強度閾値(例えば、CT画像導出されるピクセル強度値の場合には「CT値」閾値)が、検出されるランドマークのセットの近傍で得られたピクセル強度値に基づいて推定される。ピクセル強度閾値は、放射線画像データに基づいて、セット内の隣接するランドマークを接続する経路を示し得る。たとえば、ピクセル強度閾値はランドマークのセットの各々の近傍で取得される同様のピクセル強度値(たとえば、範囲内)を指し得る。これらのピクセル強度値の各々は血管構造に対応するので、同様のピクセル強度値を有する放射線画像データの他の部分(例えば、他のCTスライス内)もまた、血管構造に対応し得ることが想定され得る。脈管構造ではない他の解剖学的特徴が脈管構造の部分であると仮定されることを防止又は回避するために、脈管構造の他の部分を探索する(例えば、ピクセル強度閾値を使用する)ための領域は、接続される隣接するランドマークの経路である。
放射線画像データは、放射線撮像装置によって取得される一連の測定されるピクセル強度値を含むことができる。人間の入力がない場合、ピクセル強度値は、あるピクセル又はピクセルのセットがある組織に対応するかどうかを認識する観点から解釈するために、コンピュータ(たとえば、プロセッサによって実行可能なコンピュータプログラム)にとって比較的複雑である。例えば、人間は画像を視覚的に検査し、解剖学的構造(血管自体を含む)を識別することができるが、コンピュータは測定値が類似の値を有する場合、必ずしも異なる解剖学的構造を自動的に分類することができない場合がある。例えば、特定の解剖学的構造は完全に異なるが、コンピュータによって理解され得ない類似の測定値を有し得る。
隣接するランドマークを接続する経路を示すピクセル強度閾値を決定することによって、方法300はコンピュータが例えば、血管に関連する放射線画像データの部分を自動的に識別する目的で(例えば、識別されるランドマークのセットを介して)、関連する測定値と関連しない測定値とを区別することを可能にすることができる。言い換えれば、ピクセル強度閾値の適切な識別(例えば、識別されるランドマークのセットに関連する放射線画像データに基づく)により、方法300はピクセル強度閾値に基づいて放射線画像データをフィルタリングすることができ、その結果、方法300は、隣接するランドマークが接続されているかどうか、又はどのように接続されているかを決定することができる。複数の血管がある場合、セット内の特定のランドマークが接続されないことがある。
方法300のブロック312において、ブロック310と併せて実施されてもよいし、実施されなくてもよく、接続される隣接するランドマーク間の中心線などの血管経路が抽出される。一実装形態ではこれは(たとえば、隣接するランドマークの中心点の座標に基づいて)隣接するランドマーク間の最短(直線状)経路に基づくことができるが、他の実装形態では経路が湾曲プロファイルなどの異なるプロファイル上でモデル化され得る。
方法300のブロック314において、血管の境界が計算される。境界は、血管の壁を指してもよい。境界計算は、方法100のブロック104において参照される撮像条件に基づき得る。例えば、勾配モデルは、ピクセル強度値が(例えば、構造の変化に起因して)境界にわたって特徴的な方法で変化し得ると仮定することができる。このような特性ばらつきを示す放射線画像データ内の部品を特定することにより、血管の境界を算出することができる。ブロック312によって決定される経路に沿った各点における境界計算からの情報を使用して、隣接するランドマーク間の血管形状を決定することが可能であり得る。このプロシージャは大動脈弓及び/又は脳に関連する血管の接続部分(すなわち、ICA及び/又はVA)の間の血管を抽出又はセグメント化するために、血管に沿って延長され得る。
方法300のブロック316において、上記と同じプロシージャを使用して、大動脈弓セグメントに関連するICA及び/又はVAを抽出することができる。
方法300のブロック318において、脳血管セグメントに関連するICA及び/又はVAを抽出するために、上記と同じプロシージャを使用することができる。
方法300のブロック320は被検体の身体のシミュレーションを表示するためのユーザインターフェース(例えば、ユーザインターフェース214)に、ユーザインターフェースを介して血管の形状を指示させることを含む。
ブロック322において、方法300は終了する。
方法300の特定のブロックのいくつかのさらなる詳細が、以下で説明される。
内頚動脈及び椎骨動脈は、X線画像データにおいて頭頸部の2つの一般的に研究されている血管である。
図4及び図5は、被検体の頭部及び頸部における様々な解剖学的特徴の3次元再構成画像の例示的な図(側面図及び正面図)を示す。図5では本明細書で説明されるランドマーク検出が実行され、図4に示される画像に基づいて、検出されるランドマーク502(山形の矢印を参照)の各々の位置を示している。図5によって示されるように、検出されるランドマークのいくつかは互いに「隣接」している。
図6は図5のシェブロン矢印で描かれたランドマークのより単純な表現を示している。ランドマークが検出順に、インデックスX = 0からX=25まで、LXとラベル付けされている。したがって、L0は最初に検出されるランドマークを指し、L25は最後に検出されるランドマーク(すなわち、合計26個のランドマーク)を指す。したがって、MLモデルは放射線画像データ内のランドマークLXを認識するように訓練され、各ランドマークLXは被検体の解剖学的特徴に関連付けられる。
ランドマークの数及び精度は、血管抽出の完全性及び正確性を決定することができる。ランドマークの範囲が血管抽出の範囲を決定し得るので、検出のためのランドマークの選択は、標的血管(複数可)のサイズに従って設定され得る。例えば、長い血管に対してより多くのランドマークが必要とされ得、ランドマークの位置は、血管の全長をカバーするように適切に選択される。検出被検体がデータ範囲内にない場合、検出精度が低下するおそれがある。頭頸部CTスキャンの最下部が一般に大動脈弓を含むことを考慮すると、本明細書に記載される例では、3つのランドマークが大動脈弓の3つの枝(すなわち、腕頭動脈幹、左総頸動脈、及び左鎖骨下動脈)上で選択される。検出標的は検出をより正確にするための特定の特性、例えば、特定の解剖学的特徴の近傍を有することができる。しかしながら、互いに近いランドマークは収束する傾向があり、その手段冗長性は、血管抽出には役立たない。したがって、検出範囲にわたるランドマークの分布は互いに接近しているあまりに多くのランドマークの集中を回避するとともに、ウィンドウ内の血管全体にわたるランドマークの合理的に均一な分布を保証するように適切に選択され得る。ICA及びVAのための選択されるランドマークのセットの選択例を図6に示す。
したがって、血管がICA及び/又はVAを含むいくつかの実施形態では、ランドマークのセットがMLモデルによって識別される被検体のICA及びVAのうちの少なくとも1つからの特定されるランドマークのセット「LX」を含む。これらは図4及び5において左のICA及びVAとして示されているが、本方法は被検体の体内の他のICA及び/又はVA及び/又は他の血管に拡張することができる。特定されるセットの各ランドマーク「LX」は以下のように、関連するインデックス「X」と、対応する解剖学的特徴位置とを有する。
L0は、ICA及びVAによって共有され、被検体の大動脈弓の腕頭動脈幹に位置する。
L1は大動脈弓の(例えば、左)総頸動脈に位置する。
L2は大動脈弓の(例えば、左)鎖骨下動脈に位置する。
L3及びL4は、ICA及び被検体の外頸動脈の分岐点に位置する。
L5及びL8は、被検体のC6頸椎の周囲のICAの位置である。
L9及びL14は、被検体のC6頸椎の周囲のVAの位置である。
L6及びL7は、被検体のC2頸椎の周囲のICAの位置である。
L10及びL13は、被検体のC2頸椎の周囲のVAの位置である。
L11及びL12は、被検体のC1頸椎の周囲のICAの位置である。
L15及びL18は、被検体のC1頸椎の周りのVAの位置である。
L16及びL17は、頭蓋骨の内側及び外側の構造に血液が移送されるICAの位置である。
L19及びL22は、VAが被検体の頭蓋骨に入る被検体の後頭蓋窩上のVAの位置である。
L20, L21, L23及びL24は、頭蓋内のICAの位置である。
L25は、被検体の左VA及び右VAの両方によって共有される位置である。
MLモデルは、X=0からX=25までの順序で、ランドマークの特定されるセットLXを識別するように構成され得る。したがって、モデルは最初にL0を識別し、次いで、検出プロセスの終了時にL25まで進むために、ランドマークLXの静止を識別することができる。図6において、矢印はランドマーク「LX」の各々における検出の順序を表す(すなわち、L1はL0の後に検出され、L3はL4の後に検出され、L5及びL6はL7及びL8の後に検出される、など)。順序は、ランドマークの互いからの近接度に基づく。L0に最も近いランドマークはL1であり、L2に最も近いランドマークはL1であり、以下同様である。
異なる画像ピクセル間隔が異なる特性を表し得るという理由のために、訓練画像及び検出画像は、統一される画像ピクセル間隔を有し得る。画像ピクセル間隔が大きすぎる場合、検出精度が減少する可能性があり(ランドマーク付近の特徴は明らかではない)、画素間隔が小さすぎる場合、計算効率が影響を受ける可能性がある。したがって、検出精度及び効率を改善するために、可能な限り大きな画素間隔が選択される。試験に使用される138の放射線画像データセットによれば、計算のピクセル間隔は0.8mmに選択される。
いくつかの実施形態では、ランドマーク検出がマルコフ決定プロセス(MDP)を使用してMLモデル(いくつかの実施形態のDQNモデルなど)によって実行される。MLモデルは、畳み込みニューラルネットワーク(CNN)アーキテクチャに基づき得る。MDPプロセスの一部として、人工エージェントは、標的ランドマークを見つけることを目的とする特定の決定を行うことを学習する。環境は、入力画像内で定義され得る。エージェントは一連の動作(すなわち、上、下、左、右、前、又は後ろへの移動)を使用して環境をナビゲートする。エージェントは(例えば、エージェントがグラウンドトゥルース標的位置に近いかどうかを示すために)報酬関数とともに、アクションのセット(例えば、エージェントの移動方向)及び状態(例えば、潜在的なランドマーク位置に対応する位置)から得られた結果に基づいて解剖学的ランドマークを見つけることを目的とする。エージェントはその動作を行うときにエージェントがロケーションの周りで振動するときに、標的ランドマークを見つけたと見なされ得、その点において、標的ランドマークは、ロケーションされると見なされる。言い換えれば、状態に関連するQ値は訓練中に、エージェントがある場所で最低のQ値を見つけたときに報酬を与えられ得るように、標的ランドマークにより近いほど低くなる。試験中、エージェントは訓練されるMLモデルに従って挙動し、いかなる報酬も受け取らず、及び/又はモデルを更新しない。
ランドマーク検出後、方法が実施され(例えば、方法300のブロック306を参照)、検出される点が血管上に位置することを確認する(すなわち、ランドマークが血管の中心にあることを確認する)。
図7は、血管の経路に垂直な血管の断面の例示的なモデルを示す。勾配モデルと呼ぶことができるこの例示的なモデルでは最高ピクセル強度値(暗い陰影によって表される)が血管の中心で得られ、半径方向外側の位置はより低いピクセル強度値(比較的明るい陰影によって表される)を有する。したがって、放射線画像データが例示的なモデルを示す場合、楕円の中心(円など)を見つけることによって、血管の中心点を位置付けることができる。したがって、ランドマークの位置は、勾配モデルに基づいて血管の中心に最適化され得る。
CTスキャンデータを用いた例示的な実装形態では、検出結果の周りの反復が実装される。血管の中心は、周囲のCT値よりも高い。血管断面の評価関数は、最も近い円形領域の中心を見つけるように設計される。勾配モデルは、以下のように定義される正規分布に属する血管のCT画像値に基づくことができる。
ここで、ctは試験される点のCT撮像値であり、Mは予測CT値であり、εは定数である。Mは、試験点と目的点との間の距離の関数である。
改善/最適化される点位置が原点からあまりに離れることを防止するために、反復回数は3に設定され、各反復は、1ピクセル分の移動に対応する。
ランドマークL19、L22、及びL25はVAの領域を決定することができるが、必ずしも十分に正確であるとは限らない。したがって、上述のような形状ベースの方法は、検出結果を改善することができる。
標的ランドマークは、ユーザインターフェース内のビューイングウィンドウ上に表示され得る。ビューイングウィンドウは標的ランドマークの独立領域(すなわち、血管断面)がウィンドウ境界に接続されないように設定され得る。したがって、ウィンドウサイズは例えば、血管の断面よりもわずかに大きくなるように予め定義されてもよい。
L25(及び/又は任意の他のランドマーク)の場合、血管領域は骨領域(又はウィンドウ内の独立領域にない断面内の血管をもたらす他の解剖学的特徴)に接続され得、したがって、放射線画像データの他の部分はランドマークに関連する血管を含む独立領域を見つけるために使用され得る。例えば、(軸方向)断面は、最初にチェックされてもよい。断面に独立領域がない場合、冠状断面を次にチェックして、独立領域があるかどうか、続いて矢状断面があるかどうか(又は任意の他の適切な順序で)を識別することができる。
検出されるランドマークを決定すると、(例えば、方法300のブロック310及び314に従って)標的血管のピクセル強度閾値及び血管領域の境界を決定することができる。ピクセル強度閾値は隣接するランドマークを接続するのに十分に低くてもよいが、一方で、血管に接続する骨への深刻な漏れを回避するのに十分に高くてもよい。この例では、ピクセル強度閾値が26個の検出されるランドマークからのピクセル強度値を使用することによって推定される。
(例えば、中心線に対応する)経路は、船舶上の隣接するランドマーク間の最短の接続経路を見つけることによって見つけることができる。
いくつかの実施形態では、経路を決定することは放射線画像データ内のピクセル強度閾値を識別することを含む。ピクセル強度閾値は、経路を形成するように接続されている識別されるランドマークを示し得る。
いくつかの実施形態では、ピクセル強度閾値が隣接する識別されるランドマークを接続するための最小ピクセル強度値に基づいて決定される。
いくつかの実施形態では、ピクセル強度閾値が識別されるランドマークの各々に関連付けられた平均ピクセル強度値に基づいて決定される。範囲はピクセル強度閾値の周りに定義されてもよく、この範囲内のピクセル強度値のみが、本明細書に記載される特定の方法における使用のために選択されてもよい。
図8は接続されるランドマーク間の経路を抽出する(例えば、識別する)ための方法800を示す。方法800は(たとえば、ブロック312に従って)方法100又は300の一部として実装され得る。
方法800は、ブロック802で開始する。方法800のブロック804において、第1のランドマークが、放射線画像データ内のシード点として設定される。方法806のブロック806において、方法800のブロック808において、第2の(隣接する)ランドマークが領域内にあるかどうかに関する決定が行われるように、シード点の周りの領域が増大される。そうでない場合、方法800はブロック806に戻る。そうである場合、方法800はブロック810で終了する。
いくつかの実施形態では、経路が隣接するランドマーク間の血管セグメントを示す対応する血管構造の座標を識別し、その座標に基づいて経路のプロファイルを推定することによって(たとえば、ブロック312に従って、及び/又は方法800を介して)決定される。いくつかの実施形態では、座標の識別がピクセル強度閾値に基づく。
いくつかの実施形態では、経路のプロファイルを推定することは第1のランドマークをシード点として設定し、反復的に増大する体積領域内で、第1のランドマークに関連する座標が第1のランドマークと第2のランドマークとの間の経路を定義するように、第1のランドマークに最も近いランドマークに対応する第2のランドマークを識別することによって、隣接するランドマーク間の最短経路を決定することを含む。
経路の対応する輪郭/プロファイルは、方法800に従って識別される各中心点に基づいて計算することができる。例えば、輪郭/プロファイルは中心点を座標原点とし、ローカル座標系を確立し、例えば、隣接する中心点を通る座標系のX及びY方向ベクトルを計算することによって得られてもよい。
(例えば、方法300のブロック314に従って)血管壁の座標を決定するために、中心点の各々から光線が放射され、境界として局所勾配値条件(例えば、「撮像条件」)を満たすサンプリング点を見つける。以下で論じるように、境界を示す勾配条件の計算は、強い境界又は弱い境界モデルの選択に基づくことができる。選択されるモデル(例えば、「勾配モデル」)に基づいて勾配条件を決定すると、中心点の周りの境界座標は、勾配条件に対応する(適合する)セクション内のピクセル強度値に従って決定することができる。放射状光線の濃度に応じて、境界をより現実的にするために(例えば、原点の周りの中心点からの距離の鋭い遷移を回避するために)、平滑化アルゴリズム(例えば、血管内腔様形状に対応する楕円形断面を生成するために)を使用することができる。
「局所勾配値条件」は血管のエッジに対応する「最大勾配値」を指し得る(すなわち、勾配が最大である場合、これは血管のエッジに対応する)。
したがって、いくつかの実施形態では経路を決定することは楕円の断面の少なくとも一部に対応する血管構造を識別することと、楕円の中心点を決定することとを含み、中心点は経路を定義する血管の中心線の座標を定義する。
いくつかの実施形態では、血管の壁を示す撮像条件が壁の存在を示す勾配条件に基づく。
いくつかの実施形態では、特定の方法(例えば、方法300のブロック314)はローカル座標系に従って原点を定義する血管の中心点に対応する座標を決定することと、原点から半径方向に延びる複数の光線をシミュレーションすることによって、原点から特定される距離で各半径方向光線について勾配条件が満たされるまで、原点において経路に垂直な血管断面内の血管の形状(例えば、形状に対応する座標のセット)を決定することとを含む。原点からの各放射光線の特定される距離は、血管の形状の少なくとも一部に対応する血管断面内の境界を推定するために使用され得る。
いくつかの実施形態では特定の方法(例えば、方法100のブロック104の一部)は隣接する血管断面からの推定境界を接続することによって、隣接するランドマーク間の血管の形状に対応する血管セグメントを決定することを含む。
いくつかの実施形態では、勾配条件が血管断面におけるピクセル強度値の勾配モデルに基づいて決定される。勾配条件を識別する問題は、境界の強い境界モデルと弱い境界モデルとを含むモデルに基づくことができる。これらのモデルの何れか、又は両方を使用して、境界を計算することができる。したがって、勾配条件は各モデルについて対応するエネルギー関数を計算し、ピクセル強い度値に基づいてエネルギー関数を計算することによって得られる最小エネルギーに基づいて、強い境界モデル又は弱境界モデルを使用するかどうかを選択することによって決定され得る。
図9は血管の境界(例えば、壁)を決定するための方法900を示す。方法900は方法100又は300の一部として(たとえば、ブロック314に従って)実装され得る。
方法900は2つの部分を有し、第1の部分は血管境界検出を指し、第2の部分は血管平滑化を指す。図9「i」は経路内の点識別(例えば、中心線内の中心点の各々の識別)を指し、「N」は、経路内の点の数を指す。場合によっては(データのスライス番号に応じて)約100個のセクションがあり、各セクションは中心点を含む可能性がある。
方法900は、ブロック902で開始する。
方法900のブロック904において、中心点のインデックス「i」が入力される。
方法900のブロック906で、「i」が「N」未満である場合、ブロック908でローカル座標系が確立され、次いで、ブロック910で勾配条件に基づいて境界が計算され、ブロック912でエネルギー関数が計算されて、境界を最適化する(たとえば、中心点「i」の周りの境界の最も可能性の高い座標を見つける)。インデックスは、ブロック914において「i++」に従って増加され、その後、方法900はブロック906に戻り、各中心点識別についてブロック908乃至912を繰り返す。
各中心点の境界を見つけると(すなわち、「i=N」)、方法900はブロック916に進み、中心点の平面(すなわち、その断面)内で平滑化が実行される。次いで、方法900はブロック918に進み、平面にわたって(たとえば、中心点の周りの隣接する境界間で)平滑化が実行される。次いで、方法900はブロック920に進み、隣接する中心点間の経路の周りの境界が、血管セグメントについて滑らかな形状が画定されることを確実にするために充填される。言い換えると、各断面上の血管境界の計算後、各断面上で各々平滑化される境界と、隣接する断面間のセグメントによって画定される境界とが平滑化される(すなわち、中心線に沿って)平滑化プロシージャが実行される。方法900は、ブロック922で終了する。
いくつかの実施形態では、方法900が大動脈弓及び脳の血管を別々にセグメント化する。したがって、潜在的に単一のボタン押下で、4つの血管(例えば、少なくとも1つのICA及び/又は少なくとも1つのVA、例えば、左VA及び/又は右VA)、大動脈弓及び/又は脳血管を自動的に抽出することができる。
図10は(例えば、方法300のブロック320に従って)表示するためのユーザインターフェース(例えば、ユーザインターフェース214)のために、上で言及される血管が抽出され、強調表示される、本明細書で説明されるいくつかの方法によるセグメンテーションの例示的な結果を示す。本明細書に記載される方法は被検体の体内の他の血管を抽出するために使用することができ、図10に示される血管を抽出することに限定されない。
図11は、非一時的な機械可読媒体1100を示す。非一時的な機械可読媒体1100は少なくとも1つのプロセッサ1104上で実行されると、少なくとも1つのプロセッサ1104に、本明細書で説明するいくつかの方法を実装させる命令1102を備える。この実施形態では、命令1102が方法100のブロック102を実装するように構成される命令1106を含む。命令1102は、方法100のブロック104を実装するように構成される命令1108をさらに備える。本明細書で説明する方法のいずれも、少なくとも1つのプロセッサ1104にそのような方法を実装させる非一時的な機械可読媒体1100によって実装され得る。
図12は、血管の形状を決定するための装置1200を示す。装置1200は、少なくとも1つのプロセッサ1202(図2で参照される少なくとも1つのプロセッサ212に対応し得る)を備える。少なくとも1つのプロセッサ1202は放射線撮像装置(例えば、放射線撮像装置202)によって取得される被検体の放射線画像データを受信するためのインターフェース1204(例えば、「受信」インターフェース)に通信可能に結合される。インターフェース1204は、図2で参照されるコンピュータ208の一部であり得る。
装置1200は本明細書で説明するいくつかの方法(たとえば、方法100、300、800、及び/又は900の何れか)に対応する方法を実行するために少なくとも1つのプロセッサ1202によって可読及び実行可能な命令1208を記憶する非一時的な機械可読媒体1206(図2のメモリ210に対応)をさらに備える。
本発明は図面及び前述の説明において詳細に図示及び説明されているが、そのような図示及び説明は例示的又は例示的であり、限定的ではないと見なされるべきであり、本発明は開示される実施形態に限定されない。
一実施形態で説明される1つ又は複数の特徴は、別の実施形態で説明される特徴と組み合わされてもよく、又は置き換えられてもよい。
本開示における実施形態は、方法、システムとして、又は機械可読命令と処理回路との組合せとして提供することができる。そのような機械可読命令はその中又はその上にコンピュータ可読プログラムコードを有する非一時的機械(たとえば、コンピュータ)可読記憶媒体(ディスク記憶装置、CDROM、光記憶装置などを含むが、これらに限定されない)上に含まれ得る。
本開示は、本開示の実施形態による方法、装置、及びシステムのフローチャート及びブロック図を参照して説明される。上述のフローチャートは特定の命令実行順序を示しているが、命令実行順序は図示されているものと異なっていてもよい。1つのフローチャートに関連して説明したブロックは、別のフローチャートのブロックと組み合わせることができる。フローチャート及び/又はブロック図中の各ブロック、ならびにフローチャート及び/又はブロック図中のブロックの組合せは、機械可読命令によって実現され得ることが理解される。
機械可読命令は例えば、汎用コンピュータ、専用コンピュータ、組み込みプロセッサ、又は他のフィールドプログラマブルゲートアレイデータ処理デバイスのプロセッサによって実行されて、説明及び図に記載される機能を実現することができる。特に、プロセッサもしくは処理回路、又はそのモジュールは、機械可読命令を実行することができる。したがって、本明細書で説明する装置及び他のデバイスの機能モジュールは、メモリに記憶される機械可読命令を実行するプロセッサ、又は論理回路に埋め込まれた命令に従って動作するプロセッサによって実装され得る。「プロセッサ」という用語は、CPU、処理ユニット、ASIC、論理ユニット、又はプログラマブルゲートアレイなどを含むように広く解釈されるべきである。方法及び機能モジュールはすべて、単一のプロセッサによって実行され得るか、又はいくつかのプロセッサの間で分割され得る。
そのような機械可読命令はまた、特定のモードで動作するようにコンピュータ又は他のプログラム可能なデータ処理デバイスをガイドすることができるコンピュータ可読記憶装置に記憶され得る。
そのような機械可読命令はまた、コンピュータ又は他のプログラマブルデータ処理装置上にロードされ得、その結果、コンピュータ又は他のプログラマブルデータ処理装置はコンピュータ実装処理を生成するための一連の動作を実施し、したがって、コンピュータ又は他のプログラマブルデバイス上で実施される命令は、フローチャート及び/又はブロック図中のブロックによって特定される機能を実現する。
さらに、本明細書の教示は、コンピュータプログラム製品の形態で実装されてもよく、コンピュータプログラム製品は記憶媒体に記憶され、コンピュータ装置に、本開示の実施形態で列挙される方法を実装させるための複数の命令を備える。
一実施形態に関連して説明される要素又はステップは、別の実施形態に関連して説明される要素又はステップと組み合わされるか、又はそれらによって置き換えられ得る。開示される実施形態に対する他の変形は図面、開示、及び添付の特許請求の範囲の研究から、特許請求される発明を実施する際に当業者によって理解され、達成され得る。請求項において、単語「有する(comprising)」は他の要素又はステップを除外せず、不定冠詞「a」又は「an」は複数を除外しない。単一のプロセッサ又は他のユニットは、特許請求の範囲に列挙されるいくつかのアイテムの機能を満たすことができる。特定の手段が相互に異なる従属請求項に記載されているという単なる事実は、これらの手段の組み合わせが有利に使用され得ないことを示すものではない。コンピュータプログラムは他のハードウェアとともに、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ソリッドステート媒体などの適切な媒体上に記憶又は配布され得るが、インターネット又は他の有線もしくはワイヤレス電気通信システムなどの他の形態で配布されてもよい。請求項におけるいかなる参照符号も、範囲を限定するものとして解釈されるべきではない。
Claims (15)
- コンピュータ実装方法であって、
被検体の身体の放射線撮像データから血管の隣接するランドマークを識別するように構成される機械学習モデルを使用して、前記被検体の身体内の血管のランドマークのセットを識別するステップと、
前記セット内の識別される隣接ランドマークを有する経路、及び
前記決定される経路と、前記血管の壁を示す撮像条件とに基づいて、前記識別される隣接するランドマークの間の血管の形状
を決定するステップと
を有する、方法。 - 前記機械学習モデルは、ディープQネットワークモデルを有する、請求項1に記載の方法。
- 前記機械学習モデルは、複数の訓練被検体から得られる放射線撮像データを有する訓練データセットに基づいて前記ランドマークのセットを認識するように訓練され、各訓練被検体から得られる前記放射線撮像データは、認識されるべき前記ランドマークのセットで注釈が付けられる標的血管を有する、請求項1乃至2の何れか一項に記載の方法。
- 前記経路を決定するステップは、前記放射線撮像データ内のピクセル強度閾値を識別するステップを有し、前記ピクセル強度閾値は前記経路を形成するように接続されている、識別されるランドマークを示す、請求項1乃至3の何れか一項に記載の方法。
- 前記ピクセル強度閾値は、前記識別されるランドマークの各々に関連付けられる最小ピクセル強度値及び/又は平均ピクセル強度値に基づいて決定される、請求項4に記載の方法。
- 隣接するランドマークの間の血管セグメントを示す対応する血管構造の座標を識別し、前記座標に基づいて前記経路のプロファイルを推定することによって前記経路を決定するステップを有する、請求項1乃至5の何れか一項に記載の方法。
- 前記経路のプロファイルを推定するステップは、第1のランドマークをシード点として設定し、反復的に増大する体積領域内で、前記第1及び第2のランドマークに関連する座標が、前記第1のランドマークと前記第2のランドマークとの間の前記経路を定義するように、前記第1のランドマークに最も近いランドマークに対応する第2のランドマークを識別することによって、前記隣接するランドマークの間の最短経路を決定するステップを有する、請求項6に記載の方法。
- 前記経路を決定するステップは、楕円の断面の少なくとも部分に対応する血管構造を識別するステップと、前記楕円の中心点を決定するステップとを有し、前記中心点は、前記経路を定義する血管の中心線の座標を定義する、請求項6乃至7の何れか一項に記載の方法。
- 前記血管の壁を示す前記撮像条件は、前記壁の存在を示す勾配条件に基づく、請求項1乃至8の何れか一項に記載の方法。
- ローカル座標系に従って原点を定義する血管の中心点に対応する座標を決定するステップと、前記原点からの特定される距離において各放射状光線に対して前記勾配条件が満たされるまで、前記原点から放射状に延在する複数の光線をシミュレーションすることによって前記原点において前記経路に垂直な血管断面内の血管の形状を決定するステップとを有し、前記原点からの各放射状光線の前記特定される距離は、前記血管の形状の少なくとも部分に対応する前記血管断面内の境界を推定するために使用される、請求項9に記載の方法。
- 隣接する血管断面からの推定される境界を接続することによって、前記隣接するランドマークの間の血管の形状に対応する血管セグメントを決定するステップを有する、請求項10に記載の方法。
- 前記勾配条件は、血管断面におけるピクセル強度値の勾配モデルに基づいて決定される、請求項9、10又は11に記載の方法。
- 前記血管は、内頸動脈及び/又は椎骨動脈を有し、前記ランドマークのセットが前記機械学習モデルによって識別される前記被検体の内頸動脈及び椎骨動脈の少なくとも1つからのランドマークの特定されるセットLXを有し、前記特定されるセットの各ランドマークLXが、
L0は、前記内頸動脈及び椎骨動脈によって共有され、前記被検体の大動脈弓の腕頭動脈幹に位置され、
L1は、前記大動脈弓の共通頸動脈に位置され、
L2は、前記大動脈弓の鎖骨下動脈に位置され、
L3及びL4は、前記被検体の外頸動脈及び前記内頸動脈の分岐点に位置され、
L5及びL8は、前記被検体のC6頸椎の周囲の内頸動脈の位置であり、
L9及びL14は、前記被検体のC6頸椎の周囲の椎骨動脈の位置であり、
L6及びL7は、前記被検体のC2頸椎の周囲の内頸動脈の位置であり、
L10及びL13は、前記被検体のC2頸椎の周囲の椎骨動脈の位置であり、
L11及びL12は、前記被検体のC1頸椎の周囲の内頸動脈の位置であり、
L15及びL18は、前記被検体のC1頸椎の周囲の椎骨動脈の位置であり、
L16及びL17は、血液が頭蓋骨の内側及び外側の構造に移される内頸動脈の位置であり、
L19及びL22は、前記椎骨動脈が前記被検体の頭蓋骨に入る前記被検体の後頭蓋窩上の椎骨動脈の位置であり、
L20, L21, L23及びL24は、前記頭蓋内の内頸動脈の位置であり、
L25は、前記被検体の左椎骨動脈及び右椎骨動脈の両方によって共有される位置である
というような対応する解剖学的特徴位置及び関連する指標Xを有する、請求項1乃至12の何れか一項に記載の方法。 - 少なくとも1つのプロセッサによって実行されるとき、前記少なくとも1つのプロセッサに、請求項1乃至13の何れか一項に記載の方法を実施させる命令を有する非一時的な機械可読媒体。
- 被検体の放射線撮像データから血管情報を抽出するための装置であって、前記装置は、
前記放射線撮像データを受信するためのインターフェースに通信可能に結合される少なくとも1つのプロセッサと、
前記被検体の身体の放射線撮像データから血管の隣接するランドマークを識別するように構成される機械学習モデルを使用して、前記被検体の身体内の血管のランドマークのセットを識別するステップと、
前記セット内の識別される隣接ランドマークを有する経路、及び
前記決定される経路と前記血管の壁を示す撮像条件とに基づいて、前記識別される隣接ランドマークの間の血管の形状
を決定するステップと
を有する方法を実行するために前記少なくとも1つのプロセッサによって読み取り可能かつ実行可能な命令を記憶する非一時的な機械可読媒体と
を有する、システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNPCT/CN2021/072696 | 2021-01-19 | ||
CN2021072696 | 2021-01-19 | ||
PCT/EP2022/050848 WO2022157104A1 (en) | 2021-01-19 | 2022-01-17 | Vessel shape |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024504025A true JP2024504025A (ja) | 2024-01-30 |
Family
ID=80445798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023539951A Pending JP2024504025A (ja) | 2021-01-19 | 2022-01-17 | 容器形状 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4281929A1 (ja) |
JP (1) | JP2024504025A (ja) |
CN (1) | CN116802682A (ja) |
WO (1) | WO2022157104A1 (ja) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10037603B2 (en) * | 2015-05-04 | 2018-07-31 | Siemens Healthcare Gmbh | Method and system for whole body bone removal and vascular visualization in medical image data |
-
2022
- 2022-01-17 JP JP2023539951A patent/JP2024504025A/ja active Pending
- 2022-01-17 WO PCT/EP2022/050848 patent/WO2022157104A1/en active Application Filing
- 2022-01-17 EP EP22703288.5A patent/EP4281929A1/en active Pending
- 2022-01-17 CN CN202280010702.0A patent/CN116802682A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022157104A1 (en) | 2022-07-28 |
CN116802682A (zh) | 2023-09-22 |
EP4281929A1 (en) | 2023-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9646229B2 (en) | Method and system for bone segmentation and landmark detection for joint replacement surgery | |
CN109074639B (zh) | 医学成像系统中的图像配准系统和方法 | |
CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
US20210106299A1 (en) | Method and system for extracting lower limb vasculature | |
CN106485704B (zh) | 血管中心线的提取方法 | |
CN106600609B (zh) | 一种医学图像中脊柱的分割方法及系统 | |
US10083515B2 (en) | Method and system for segmenting medical imaging data according to a skeletal atlas | |
CN111163692A (zh) | 依据体内测量重建解剖结构 | |
US20160300343A1 (en) | Organ detection and segmentation | |
CN111862249A (zh) | 使用深度学习生成用于医学图像处理的规范成像数据的系统和方法 | |
JP4785371B2 (ja) | 動的制約を用いる多次元構造の抽出方法及びシステム | |
US9367924B2 (en) | Method and system for segmentation of the liver in magnetic resonance images using multi-channel features | |
ES2757629T3 (es) | Método y aparato para la segmentación de vasos sanguíneos | |
JP2019500960A (ja) | 心臓モデルガイド付き冠動脈瘤セグメンテーション | |
CN104622495A (zh) | 医用图像处理装置以及医用图像处理方法 | |
JP2007289704A (ja) | 大動脈瘤の半自動分析のためのシステム及び方法 | |
US20200020079A1 (en) | Contrast injection imaging | |
KR101294858B1 (ko) | 간 문맥의 혈관 구조 정보를 이용한 간 세그먼트 구분 방법 및 장치 | |
CN114119602B (zh) | 对医学图像进行对象分析的方法、装置和存储介质 | |
US20140348408A1 (en) | Flow diverter detection in medical imaging | |
JP6458166B2 (ja) | 医用画像処理方法及び装置及びシステム及びプログラム | |
CN117115150B (zh) | 用于确定分支血管的方法、计算设备和介质 | |
CN111260704B (zh) | 基于启发式树搜索的血管结构3d/2d刚性配准方法及装置 | |
US20220092786A1 (en) | Method and arrangement for automatically localizing organ segments in a three-dimensional image | |
CN114677436A (zh) | 基于模型配准的脑部cta图像中的脑血管自动定位方法 |