JP2891948B2 - Time series MRI (or CT etc.) image data processing method, drug efficacy analysis method, time series image data processing method and apparatus - Google Patents
Time series MRI (or CT etc.) image data processing method, drug efficacy analysis method, time series image data processing method and apparatusInfo
- Publication number
- JP2891948B2 JP2891948B2 JP8273498A JP27349896A JP2891948B2 JP 2891948 B2 JP2891948 B2 JP 2891948B2 JP 8273498 A JP8273498 A JP 8273498A JP 27349896 A JP27349896 A JP 27349896A JP 2891948 B2 JP2891948 B2 JP 2891948B2
- Authority
- JP
- Japan
- Prior art keywords
- time
- series
- information
- image data
- data
- 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.)
- Expired - Fee Related
Links
- 229940079593 drug Drugs 0.000 title claims description 25
- 239000003814 drug Substances 0.000 title claims description 25
- 238000004458 analytical method Methods 0.000 title claims description 15
- 238000003672 processing method Methods 0.000 title claims description 8
- 230000008859 change Effects 0.000 claims description 141
- 238000012545 processing Methods 0.000 claims description 49
- 238000000034 method Methods 0.000 claims description 47
- 238000007781 pre-processing Methods 0.000 claims description 22
- 238000007476 Maximum Likelihood Methods 0.000 claims description 20
- 238000003384 imaging method Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 11
- 238000007619 statistical method Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000013500 data storage Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 102000004300 GABA-A Receptors Human genes 0.000 description 3
- 108090000839 GABA-A Receptors Proteins 0.000 description 3
- 238000001647 drug administration Methods 0.000 description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- BZKPWHYZMXOIDC-UHFFFAOYSA-N acetazolamide Chemical compound CC(=O)NC1=NN=C(S(N)(=O)=O)S1 BZKPWHYZMXOIDC-UHFFFAOYSA-N 0.000 description 2
- 229960000571 acetazolamide Drugs 0.000 description 2
- 230000003727 cerebral blood flow Effects 0.000 description 2
- 229960003529 diazepam Drugs 0.000 description 2
- AAOVKJBEBIDNHE-UHFFFAOYSA-N diazepam Chemical compound N=1CC(=O)N(C)C2=CC=C(Cl)C=C2C=1C1=CC=CC=C1 AAOVKJBEBIDNHE-UHFFFAOYSA-N 0.000 description 2
- 238000009509 drug development Methods 0.000 description 2
- OFBIFZUFASYYRE-UHFFFAOYSA-N flumazenil Chemical compound C1N(C)C(=O)C2=CC(F)=CC=C2N2C=NC(C(=O)OCC)=C21 OFBIFZUFASYYRE-UHFFFAOYSA-N 0.000 description 2
- 229960004381 flumazenil Drugs 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001502386 Hippotragus leucophaeus Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003446 ligand Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001962 neuropharmacologic effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Description
【０００１】[0001]
【発明の属する技術分野】本発明は、時系列ＭＲＩ（又
はＣＴ等）画像データの処理方法、薬剤効能等分析方
法、時系列画像データの処理方法とその装置とその装置
に関するものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a method for processing time-series MRI (or CT) image data, a method for analyzing drug efficacy, etc., a method for processing time-series image data, and an apparatus therefor.
【０００２】[0002]
【従来の技術】ＭＲＩ装置やＸ線ＣＴ装置等の撮像手段
により取得された画像データの処理には、ノイズ成分の
除去方法、複数画像の位置合わせ、所要部分の切り出
し、さらには統計的処理による所要情報の抽出等々、さ
まざまな方法が開発されている。この中には例えば、特
願平８ー２２６８７６号に示されているように、被検者
に標識物質を投与して得たＳＰＥＣＴ（Single Photon
Emission Computed Tomography）画像と、その後、脳血
流量を増大させる薬剤を投与して得たＳＰＥＣＴ画像の
２枚の画像データから、脳血流量を定量的に測定する方
法が開示されている。2. Description of the Related Art Processing of image data acquired by an imaging means such as an MRI apparatus or an X-ray CT apparatus includes a method of removing a noise component, a registration of a plurality of images, a cutting out of a required portion, and a statistical processing. Various methods have been developed, such as extracting required information. Among them, for example, as disclosed in Japanese Patent Application No. 8-226876, SPECT (Single Photon) obtained by administering a labeling substance to a subject is disclosed.
There is disclosed a method for quantitatively measuring cerebral blood flow from two image data of an emission computed tomography (SPECT) image and a SPECT image obtained by administering a drug that increases cerebral blood flow.
【０００３】[0003]
【発明が解決しようとする課題】画像処理の従来の手法
は、対象の時間的な変化とその変化の位置による分布、
といった情報を取り出すものではなかった。例えば、内
服した薬剤の作用の現れる時期は位置（体の部位）によ
って異なり、その検出は薬剤の作用を分析する上で大き
な意味を持つが、そうした作用の発現時期の分布を解析
し表示する手法は開発されていない。The conventional method of image processing is based on a temporal change of an object and a distribution of the change by a position,
Such information was not taken out. For example, the time at which the action of an internally taken drug appears differs depending on the position (body part), and its detection has a great significance in analyzing the action of the drug, but a method of analyzing and displaying the distribution of the time of occurrence of such action Has not been developed.
【０００４】本発明の目的は、時系列的に取得したＭＲ
Ｉ（又はＣＴ等）画像データから撮像対象の各位置に於
ける時間的変化とその分布を検出・表示するための時系
列ＭＲＩ（又はＣＴ等）画像データの処理方法、薬剤効
能等分析方法、及び時系列画像データの処理方法とその
装置を提供するにある。[0004] It is an object of the present invention to provide a method for obtaining MRs obtained in time series.
A time-series MRI (or CT etc.) image data processing method for detecting and displaying a temporal change and its distribution at each position of the imaging target from the I (or CT etc.) image data, an analysis method such as drug efficacy, And a method and apparatus for processing time-series image data.
【０００５】[0005]
【課題を解決するための手段】本発明は、時系列ＭＲＩ
（又はＣＴ等）画像データから同一位置にある画素の画
素値をその撮像された時刻の順に並べた時系列データを
位置を動かしながら順次取り出し、その時系列データの
変化時刻に関する変化時刻情報を情報量規準を用いた統
計的解析により検出し、こうして各位置について検出し
た前記変化時刻情報をその画素値に写像した画像を生成
して表示することを特徴とする時系列ＭＲＩ（又はＣＴ
等）画像データの処理方法を開示する。SUMMARY OF THE INVENTION The present invention provides a time series MRI.
(Or CT or the like) Time-series data in which pixel values of pixels at the same position are arranged in the order of the image capturing time are sequentially extracted from the image data while moving the position, and change time information regarding the change time of the time-series data is information amount. A time-series MRI (or CT) method, wherein the image is detected by statistical analysis using a criterion, and an image in which the change time information detected for each position is mapped to its pixel value is displayed.
Etc.) A method for processing image data is disclosed.
【０００６】更に本発明は、薬剤の投与の前後（又は投
与後）の時系列ＭＲＩ（又はＣＴ等）画像データから同
一位置にある画素の画素値をその撮像された時刻の順に
並べた時系列データを位置を動かしながら順次取り出
し、その時系列データの変化時刻に関する変化時刻情報
を情報量規準を用いた統計的解析により検出し、こうし
て各位置について検出した前記変化時刻情報をその画素
値に写像した画像を生成して表示して薬剤の働きや効能
を分析する薬剤効能等分析方法を開示する。Further, the present invention provides a time series in which pixel values of pixels at the same position are arranged in order of the time of imaging from time series MRI (or CT etc.) image data before and after (or after) administration of a drug. The data was sequentially extracted while moving the position, the change time information about the change time of the time series data was detected by statistical analysis using the information amount criterion, and the change time information detected for each position was mapped to its pixel value. A drug efficacy analysis method for generating and displaying an image and analyzing the function and efficacy of the drug is disclosed.
【０００７】更に本発明は、時系列画像データから同一
位置にある画素の画素値をその撮像された時刻の順に並
べた時系列データを位置を動かしながら順次取り出し、
その時系列データの変化時刻に関する変化時刻情報を情
報量規準を用いた統計的解析により検出することを特徴
とする時系列画像データの処理方法を開示する。Further, according to the present invention, time-series data in which pixel values of pixels at the same position are arranged in order of the time of image pickup from time-series image data are sequentially extracted while moving the position,
Disclosed is a method for processing time-series image data, characterized by detecting change time information on the change time of the time-series data by statistical analysis using an information amount criterion.
【０００８】更に本発明は、同一の対象を時系列的に撮
像して得た複数枚の時系列画像データに対して、少なく
とも位置合わせを含む前処理を施し、その前処理後の時
系列画像データから同一位置にある画素の画素値をその
撮像された時刻の順に並べた時系列データを位置を動か
しながら順次取り出し、その時系列データの変化時刻に
関する変化時刻情報を情報量規準を用いた統計的解析に
より検出し、こうして各位置について検出した前記変化
時刻情報をその画素値に写像した画像を生成して表示す
ることを特徴とする時系列画像データの処理方法を開示
する。Further, the present invention performs a pre-processing including at least positioning on a plurality of time-series image data obtained by imaging the same object in a time-series manner, and obtains a time-series image after the pre-processing. Time-series data in which the pixel values of pixels at the same position are arranged in the order of the time at which the image was captured are sequentially extracted from the data while moving the position, and change time information regarding the change time of the time-series data is statistically calculated using the information amount criterion. Disclosed is a method of processing time-series image data, characterized by generating and displaying an image in which the change time information detected for each position is detected by analysis and mapped to its pixel value.
【０００９】更に本発明は、前記各位置に於る変化時刻
情報の検出において、当該位置の時系列データの最初か
らその値が示す時刻までのデータから成る検査対象時系
列データを取り出すための第１の変数と、前記検査対象
時系列データをその値の前後で２分割するための第２の
変数を定め、前記検査対象時系列データを１つの回帰直
線で近似したときの第１の情報量規準よりも前記検査対
象時系列データを前記第２の変数で２分割してその各々
の時系列データを別の回帰直線で近似したときの第２の
情報量規準の方が小さくなるという判別条件を充たすと
ころの前記第１の変数の最小の値を検出可能時間として
検出し、また該検出した検出可能時間に対して前記判別
条件を充たすところの前記第２の変数の最小の値を最小
変化時刻として検出し、こうして検出した検出可能時間
及び最小変化時刻を前記変化時刻情報とすることを特徴
とする請求項１に記載の時系列画像データの処理方法を
開示する。Further, according to the present invention, in detecting the change time information at each of the positions, the time series data to be inspected consisting of data from the beginning of the time series data at the position to the time indicated by the value is extracted. 1 and a second variable for dividing the test time series data into two before and after the value thereof, and a first information amount when the test time series data is approximated by one regression line. A determination condition that the second information amount criterion when the inspection target time series data is divided into two by the second variable and each time series data is approximated by another regression line is smaller than the criterion. Is detected as a detectable time, and the minimum value of the second variable satisfying the determination condition with respect to the detected detectable time is a minimum change. Detect as time And thus it discloses a method of processing time series image data according detectable time and minimum change time is detected in claim 1, characterized in that the said change time information.
【００１０】更に本発明は、前記検出した検出可能時間
に対して前記第２の情報量規準を最小にするところの前
記第２の変数の値を最尤変化時刻として検出し、該検出
した最尤変化時刻を前記変化時刻情報に付加することを
特徴とする時系列画像データの処理方法を開示する。Further, the present invention detects the value of the second variable that minimizes the second information criterion with respect to the detected detectable time as a maximum likelihood change time, and A method of processing time-series image data, characterized by adding a likelihood change time to the change time information, is disclosed.
【００１１】更に本発明は、前記各位置に於る変化時刻
情報の検出において、当該位置の時系列データの最初か
らその値が示す時刻までのデータから成る検査対象時系
列データを取り出すための変数を定め、前記検査対象時
系列データを１つの回帰直線で近似したときの第１の情
報量規準よりも前記検査対象時系列データを１つの多項
式による回帰曲線で近似したときの第２の情報量規準の
方が小さくなるという判別条件を充たすところの前記変
数の値の最小値を検出可能時間として検出し、また前記
回帰曲線の両端部の予め定めた期間に於る値をそれぞれ
時系列データとみなしてそれらの回帰直線を求め、該求
めた２つの回帰直線の交点の時刻を変化時刻として検出
し、こうして検出した検出可能時間及び変化時刻を前記
変化時刻情報とすることを特徴とする時系列画像データ
の処理方法を開示する。Further, according to the present invention, in detecting the change time information at each of the positions, a variable for extracting inspection target time-series data consisting of data from the beginning of the time-series data at the position to the time indicated by the value. And a second information amount when the test target time-series data is approximated by a regression curve by one polynomial from a first information amount criterion when the test target time-series data is approximated by one regression line. The minimum value of the value of the variable that satisfies the determination condition that the criterion is smaller is detected as a detectable time, and the values in a predetermined period at both ends of the regression curve are each time-series data and Considering these regression lines, the time at the intersection of the obtained two regression lines is detected as a change time, and the detectable time and the change time thus detected are used as the change time information. It discloses a method of processing time series image data, wherein.
【０００１２】更に本発明は、同一の対象を時系列的に
撮像して得た複数枚の時系列画像データに対して少なく
とも位置合わせを含む前処理を施すための前処理手段
と、該手段により前処理された時系列画像データの同一
位置にある画素の画素値により構成された各位置ごとの
時系列データの各々に対して、当該時系列データの変化
時刻に関する変化時刻情報を情報量規準を用いた統計的
解析により検出するための変化時刻検出手段と、該手段
により検出された各位置の変化時刻情報を画像データに
写像して表示用画像データを生成するための表示データ
生成手段と、を備えたことを特徴とする時系列画像デー
タの処理装置を開示する。Further, the present invention provides a pre-processing means for performing pre-processing including at least positioning on a plurality of time-series image data obtained by imaging the same object in a time-series manner, For each of the time-series data at each position constituted by the pixel values of the pixels at the same position of the pre-processed time-series image data, change time information on the change time of the time-series data is defined as an information amount criterion. Change time detecting means for detecting by statistical analysis used, display data generating means for generating display image data by mapping the change time information of each position detected by the means to image data, A processing device for processing time-series image data, comprising:
【００１３】更に本発明は、前記変化時刻検出手段が、
前記各位置の時系列データの最初から第１の変数が示す
時刻までのデータから成る検査対象時系列データを１つ
の回帰直線で近似したときの第１の情報量規準を算出す
るための第１の情報量規準算出手段と、前記検査対象時
系列データを第２の変数の示す時刻で前後に２分割して
その各々の時系列データを別の回帰直線で近似したとき
の第２の情報量規準を算出するための第２の情報量規準
算出手段と、前記第１及び第２の情報量規準算出手段に
より算出された第１及び第２の情報量規準を比較し、前
記第１の情報量規準より前記第２の情報量規準が小さく
なったときに検出信号を出力するための比較手段と、該
比較手段から検出信号が出力されたときの前記第１の変
数の値の最小値を検出可能時間として検出し、また該検
出された検出可能時間に対して前記比較手段から検出信
号が出力されたときの前記第２の変数の値の最小値を最
小変化時刻として検出するための検出手段と、を備えた
ことを特徴とする時系列画像データの処理装置を開示す
る。Further, according to the present invention, the change time detecting means includes:
A first information amount criterion for calculating a first information amount criterion when approximating the inspection target time-series data composed of data from the beginning of the time-series data at each position to the time indicated by the first variable by one regression line Information amount criterion calculating means, and a second information amount when the test object time series data is divided into two at the time indicated by the second variable and each time series data is approximated by another regression line. Comparing the second information amount criterion calculating means for calculating the criterion with the first and second information amount criterion calculated by the first and second information amount criterion calculating means, and Comparing means for outputting a detection signal when the second information quantity criterion is smaller than the quantity criterion; and determining the minimum value of the first variable when the detection signal is output from the comparing means. Detected as detectable time, and the detected detectable Detecting means for detecting a minimum value of the value of the second variable as a minimum change time when a detection signal is output from the comparing means with respect to a time interval. A data processing device is disclosed.
【００１４】更に本発明は、前記検出した検出可能時間
に対して前記第２の情報量規準を最小にするところの前
記第２の変数の値を最尤変化時刻として検出するための
第２の検出手段を備えたことを特徴とする時系列画像デ
ータの処理装置を開示する。Further, the present invention provides a method for detecting a value of the second variable for minimizing the second information criterion with respect to the detected detectable time as a maximum likelihood change time. A time-series image data processing device comprising a detection unit is disclosed.
【００１５】更に本発明は、前記変化時刻検出手段が、
前記各位置の時系列データの最初から第１の変数が示す
時刻までのデータから成る検査対象時系列データを１つ
の回帰直線で近似したときの第１の情報量規準を算出す
るための第１の情報量規準算出手段と、前記検査対象時
系列データを１つの回帰曲線で近似したときの第２の情
報量規準を算出するための第２の情報量規準算出手段
と、前記第１及び第２の情報量規準算出手段により算出
された第１及び第２の情報量規準を比較し、前記第１の
情報量規準より前記第２の情報量規準が小さくなったと
きに検出信号を出力するための比較手段と、該比較手段
から検出信号が出力されたときの前記第１の変数の値の
最小値を検出可能時間として検出し、また前記回帰曲線
の両端部の予め定めた期間に於る値をそれぞれ時系列デ
ータとみなしてそれらの回帰直線を求め、該求めた２つ
の回帰直線の交点の時刻を変化時刻として検出するため
の検出手段と、を備えたことを特徴とする時系列画像デ
ータの処理装置を開示する。Further, according to the present invention, the change time detecting means includes:
A first information amount criterion for calculating a first information amount criterion when approximating the inspection target time-series data composed of data from the beginning of the time-series data at each position to the time indicated by the first variable by one regression line Information amount criterion calculating means, second information amount criterion calculating means for calculating a second information amount criterion when the inspection target time-series data is approximated by one regression curve, and the first and second information amount criterion calculating means. The first information criterion calculated by the second information criterion calculation means is compared with the second information criterion, and a detection signal is output when the second information criterion becomes smaller than the first information criterion. A minimum value of the value of the first variable when the detection signal is output from the comparison means as a detectable time, and in a predetermined period at both ends of the regression curve. Values are regarded as time-series data. Seeking the regression line, discloses a processing apparatus for time-series image data, characterized by comprising a detecting means for detecting the time of intersection of the two regression lines obtained the as change time.
【００１６】更に本発明は、前記時系列画像データを、
薬剤を投与された被検者の患部を撮像して得た断層画像
の時系列画像データとし、前記変化時刻情報は、前記投
与された薬剤の作用が前記断層画像上に現れたことによ
り生じる画素値の変化に関する情報であることを特徴と
する時系列画像データの処理装置を開示する。Further, according to the present invention, the time-series image data is
Time-series image data of a tomographic image obtained by imaging the affected part of the subject to which the drug has been administered, and the change time information is a pixel generated when the action of the administered drug appears on the tomographic image. An apparatus for processing time-series image data, which is information relating to a change in value, is disclosed.
【００１７】[0017]
【発明の実施の形態】以下、本発明の実施の形態を説明
する。図１は、本発明になる時系列画像データの処理装
置の構成例を示すブロック図で、時系列画像データを取
り込むための時系列画像データ入力手段１とその画像デ
ータを格納するための入力画像データ格納手段１０、時
系列画像データ入力手段１から入力された複数枚の画像
データの位置合わせ、ノイズ除去処理等を行うための前
処理手段２とその前処理後の画像データを格納するため
の画像データ記憶手段１１、統計的手法の１つである情
報量規準を用いて各画素の画素値から成る時系列データ
を解析して、どの時刻に於ける画像からその画素値が変
化したかを各画素ごとに検出するための変化時刻検出手
段３とその結果のデータを格納するための変化時刻記憶
手段１２、検出された変化時刻データから表示データを
生成するための表示データ生成手段４、及び表示手段５
から成っている。Embodiments of the present invention will be described below. FIG. 1 is a block diagram showing a configuration example of a time-series image data processing apparatus according to the present invention. The time-series image data input means 1 for taking in time-series image data and an input image for storing the image data. A data storage unit 10, a pre-processing unit 2 for performing alignment of a plurality of image data input from the time-series image data input unit 1, a noise removal process, and the like, and a storage unit for storing image data after the pre-processing. The image data storage unit 11 analyzes time-series data composed of pixel values of each pixel using an information amount criterion, which is one of statistical methods, and determines at which time the image has changed its pixel value. Change time detection means 3 for detecting each pixel, change time storage means 12 for storing data of the result, and display data for generating display data from the detected change time data. Generating means 4, and the display unit 5
Consists of
【００１８】時系列画像データ入力手段１は、同一の対
象を撮像する撮像手段により、予め定められた時刻毎に
その対象の画像データを順次取り込むものである。今、
その撮像時刻をｔ1、ｔ2、・・・、ｔNのＮ回とする
と、通常はこの撮像時刻は等間隔である。時系列画像デ
ータ入力手段に用いる撮像手段としては、通常のテレビ
カメラ、ＭＲＩ装置、Ｘ線ＣＴ装置等々があり、そのＮ
画面分の撮像により得られた画像データが入力画像デー
タ記憶手段１０に格納される。The time-series image data input means 1 sequentially captures image data of the same object at predetermined times by an imaging means for imaging the same object. now,
Assuming that the imaging times are N times of t1, t2,..., TN, the imaging times are usually equally spaced. Examples of imaging means used for the time-series image data input means include ordinary television cameras, MRI apparatuses, X-ray CT apparatuses, and the like.
Image data obtained by imaging the screen is stored in the input image data storage unit 10.
【００１９】前処理手段２は、図２に示した処理を実行
する。即ちまず、画面上の同一位置に対象の同一部位が
位置するように、Ｎ画面の位置合わせを行う（ステップ
２０１）。このためには、例えば時刻ｔ1に入力された
画面を基準とし、他の各画面を１枚づつ位置合わせして
いく。その手法としては、画面上に基準となるマークを
用意してそれを合わせる、あるいは画素単位での画素値
の差の大きさあるいは２乗の総和を最小にするように画
面の拡大／縮小、移動、回転等を行う等の、既知の方法
を用いればよい。The pre-processing means 2 executes the processing shown in FIG. That is, first, N screens are aligned so that the same target part is located at the same position on the screen (step 201). For this purpose, for example, the other screens are aligned one by one based on the screen input at time t1. As a method, a reference mark is prepared on the screen and aligned with the mark, or the screen is enlarged / reduced and moved so as to minimize the magnitude of the pixel value difference or the sum of squares in pixel units. A known method such as rotation, rotation, or the like may be used.
【００２０】こうしてＮ画面の位置合わせが終わると、
前処理手段２は次に背景部の除去処理を行う（ステップ
２０２）。この処理方法も既知の手法が利用できる。例
えば各画素を中心とするＲＯＩ（Region of interest：
例えば５×５画素あるいは半径３の円内にある画素の集
まり等）を設定し、各画素を中心とするＲＯＩ内での画
素値の分散及び平均値を求める。そして背景部分と判断
できる１画素を定め、上記求めた分散及び平均値がその
１画素と同等とみなせる（一定範囲で一致する）隣接画
素を順次見つけ出してそれらを背景としていく。また、
もっと簡単に、Ｎ画面分の全画素についてその画素値の
平均値を求め、それ以下の画素値を有する画素をすべて
背景と見なすようにしてもよい。こうして求めた背景部
分の画素は、以後の解析から除去されるが、前記の位置
合わせと、この背景部除去処理により、各画面のほぼ同
一領域に対象部分の画像データが切り出された形で残さ
れることになる。但し、対象部の周辺の位置では、各画
面で対象となったり背景となったりするから、Ｎ画面の
すべてで対象部と判定された領域を、そこの含まれる位
置の集合Ｔとして表し、この集合Ｔに含まれない位置は
すべて背景部とみなすことにする。When the positioning of the N screens is completed,
Next, the preprocessing means 2 performs a background portion removing process (step 202). As this processing method, a known method can be used. For example, ROI (Region of interest:
For example, 5 × 5 pixels or a set of pixels within a circle having a radius of 3) is set, and the variance and average value of the pixel values in the ROI around each pixel are obtained. Then, one pixel that can be determined to be a background portion is determined, and adjacent pixels whose variance and average value obtained as described above can be regarded as equivalent to the one pixel (matching within a certain range) are sequentially found and set as the background. Also,
More simply, the average value of the pixel values of all the pixels of the N screens may be obtained, and all the pixels having the pixel values smaller than the average value may be regarded as the background. The pixels of the background portion obtained in this manner are removed from the subsequent analysis, but the image data of the target portion is cut out in substantially the same region of each screen by the above-described alignment and the background portion removal processing. Will be. However, since the position around the target portion becomes a target or a background on each screen, an area determined to be the target portion on all of the N screens is represented as a set T of positions included therein. All positions that are not included in the set T are regarded as background parts.
【００２１】前処理手段２による次の処理は、切り出さ
れた対象画像データの平滑化である（ステップ２０
３）。これは、各画素値に含まれるノイズ成分の除去を
行うもので、例えば各画素毎に半径Ｒ画素（例えばＲ＝
５画素）のＲＯＩを考え、その内部の画素の画素値の平
均値を当該画素の画素値とする。The next processing by the pre-processing means 2 is to smooth the extracted target image data (step 20).
3). This is to remove a noise component included in each pixel value. For example, for each pixel, a radius R pixel (for example, R =
Considering the ROI of (5 pixels), the average value of the pixel values of the pixels inside the ROI is defined as the pixel value of the pixel.
【００２２】以上の前処理により得られたＮ画面分の画
像データを、The image data for N screens obtained by the above preprocessing is
【数１】Ｇk（ｉ，ｊ），（ｉ，ｊ）∈Ｔ， １≦ｋ≦Ｎ と表す。ここで（ｉ，ｊ）は画素の位置、Ｔは前述のよ
うに、前処理により除去された背景部分以外の、対象の
画像を表している画素位置の集合である。そして時刻ｋ
に入力された画面の位置（ｉ，ｊ）に於ける画素の画素
値がＧk（ｉ，ｊ）で、このデータは画像データ記憶手
段１１へ格納される。この格納された画像データは、次
の変化時刻検出手段３へ取り込まれて処理される。Gk (i, j), (i, j) （T, 1 ≦ k ≦ N. Here, (i, j) is a pixel position, and T is a set of pixel positions representing the target image other than the background portion removed by the preprocessing as described above. And time k
The pixel value of the pixel at the position (i, j) of the screen input to the image data is Gk (i, j), and this data is stored in the image data storage means 11. The stored image data is taken into the next change time detecting means 3 and processed.
【００２３】図３及び図４は、変化時刻検出手段３に於
ける処理を示すフローチャートである。この処理では、
まず最初に、画像データ記憶手段１１に格納されたＮ枚
の対象部分を切り出した画像データの全画素値の平均値
Ｍを算出する（ステップ３００）。次に、対象画像の領
域を示す位置の集合Ｔから、以下に述べる処理がまだ行
われていない位置が残っているかを調べ（ステップ３０
１）、残っていればその１つの位置（ｉ，ｊ）を取り出
し（ステップ３０２）、次いでこの位置（ｉ，ｊ）にあ
る画素の画素値FIGS. 3 and 4 are flow charts showing the processing in the change time detecting means 3. In this process,
First, an average value M of all pixel values of the image data obtained by cutting out the N target portions stored in the image data storage unit 11 is calculated (step 300). Next, from the set T of positions indicating regions of the target image, it is checked whether or not there remains a position where the processing described below has not been performed yet (step 30).
1) If there remains, take out the one position (i, j) (step 302), and then the pixel value of the pixel at this position (i, j)
【数２】 ｛Ｇ1（ｉ，ｊ），Ｇ2（ｉ，ｊ），・・・ＧN（ｉ，ｊ）｝ を記憶手段１１から取り出す（ステップ３０３）。この
Ｎ個のデータは位置（ｉ，ｊ）に於ける画素値の時系列
データである。このような時系列データを簡潔に表すた
めに以下では## EQU2 ## {G1 (i, j), G2 (i, j),... GN (i, j)} are retrieved from the storage means 11 (step 303). The N pieces of data are time-series data of pixel values at the position (i, j). In order to briefly represent such time series data,
【数３】 Ｈ（ｉ，ｊ；ｒ，ｓ）＝｛Ｇr（ｉ，ｊ），・・・，Ｇs（ｉ，ｊ）｝ とかくことにする。このとき、（数１）の時系列データ
はＨ（ｉ，ｊ；１，Ｎ）とかくことができる。H (i, j; r, s) = {Gr (i, j),..., Gs (i, j)}. At this time, the time series data of (Equation 1) can be written as H (i, j; 1, N).
【００２４】次にこの時系列データを統計的に処理する
ことにより、１つの回帰直線で近似した方が適切か、あ
るいは途中でその傾斜が変化したその変化点（時刻）の
前後を別の回帰直線で近似した方が妥当かを判定して変
化点を検出するが、このための判定方法として、本発明
では赤池らの考案になる情報量規準（ＡＩＣ；Akaike's
Information Criterion）を用いる。一般に回帰直線
は、求めた回帰直線と分布するサンプル点の従属変数の
差の２乗和、即ち残差平方和と呼ばれる量を基準にして
求められる。しかし独立変数の個数を増やしたモデルを
つくると、その個数を増やすに従って残差平方和が小さ
くなる傾向があり、残差平方和だけではモデルの良否判
定が難しい。そこでモデルに含まれるパラメータの個数
も考慮してNext, by statistically processing the time-series data, it is more appropriate to approximate with a single regression line, or a different regression line is used before and after the change point (time) where the slope changes in the middle. A change point is detected by determining whether approximation by a straight line is more appropriate. As a determination method for this, in the present invention, an information amount criterion (AIC; Akaike's) devised by Akaike et al.
Information Criterion). In general, the regression line is obtained based on the sum of squares of the difference between the obtained regression line and the dependent variables of the sample points distributed, that is, the amount called the residual sum of squares. However, when a model in which the number of independent variables is increased is created, the residual sum of squares tends to decrease as the number of independent variables increases, and it is difficult to judge the acceptability of the model only by the residual sum of squares. So consider the number of parameters included in the model
【数４】ＡＩＣ＝Ｎlog（ＱN／Ｎ）＋２・（パラメータ
の個数） を評価基準として用いることが提案されたものである。
ただし（数４）でＮはサンプル数、ＱNは残差平方和で
ある。（例えば鈴木”先を読む統計学−「情報量規準」
とは何か”、ブルーバックスＢ−８５５、1994,4，第４
刷を参照）It has been proposed to use AIC = Nlog (QN / N) + 2 · (number of parameters) as an evaluation criterion.
In Equation (4), N is the number of samples, and QN is the sum of squares of the residual. (For example, Suzuki "Read ahead statistics-" Information amount standard "
What is Bluebucks B-855, 1994,4,4th
Printing)
【００２５】この情報量規準を用いた解析のために、以
下では２つの変数ｎ、ｍを用いる。まずｎをｐ＋ｑ＋１
（ｐ，ｑは適当に定めた定数でｐ，ｑ≧２）とし（ステ
ップ３０４）、このｎに対する時系列データＨ（ｉ，
ｊ；１，ｎ）（時系列データＨ（ｉ，ｊ；１，Ｎ）の最
初のｎ個からなる時系列データ）の情報量規準ＡＩＣ１
を算出する（ステップ３０５）。即ち時系列データＨ
（ｉ，ｊ；１，ｎ）を近似する回帰直線For analysis using this information criterion, two variables n and m are used below. First, n is p + q + 1
(P and q are appropriately determined constants, p and q ≧ 2) (step 304), and the time-series data H (i,
j; 1, n) (time series data consisting of the first n pieces of time series data H (i, j; 1, N)) AIC1
Is calculated (step 305). That is, the time series data H
Regression line approximating (i, j; 1, n)
【数５】ｆ（ｋ）＝ａ1・（Ｍ／Ｎ）・ｋ＋ｂ1 を求め、それと各データとの残差平方和を算出し、（数
４）から情報量規準を求める。この場合の（数４）に於
けるパラメータの個数は回帰直線の傾斜ａ1と定数項ｂ1
の２つである。但し（数５）に於ける係数（Ｍ／Ｎ）
は、ステップ３０１で求めた対象画像データの平均値を
画面数Ｎで除算した値であり、もし傾斜ａ1が１であれ
ば、ｋ＝Ｎのときのｆ（Ｎ）−ｂ1 の値が全平均値Ｍと
等しくなるようにｋ＝１，２，・・・，Ｎの間隔を定め
たものであり、これは以下に於いても同様とする。## EQU5 ## f (k) = a1.multidot. (M / N) .k + b1 is calculated, and the residual sum of squares of the data and each data is calculated. In this case, the number of parameters in (Equation 4) is determined by the slope a1 of the regression line and the constant term b1.
The two. However, the coefficient (M / N) in (Equation 5)
Is the value obtained by dividing the average value of the target image data obtained in step 301 by the number of screens N. If the inclination a1 is 1, the value of f (N) -b1 when k = N is the total average The interval of k = 1, 2,..., N is determined so as to be equal to the value M, and the same applies to the following.
【００２６】次に、もう１つの変数ｍをｐ＋１とおき
（ステップ３０６）、ステップ３０３で取り込んだ時系
列データＨ（ｉ，ｊ；１，ｎ）をｋ＝ｍ−１までの時系
列データＨ（ｉ，ｊ；１，ｍ−１）とそれ以後の時系列
データＨ（ｉ，ｊ；ｍ，ｎ）に分割し、その分割したと
きの情報量規準ＡＩＣ２を算出する（ステップ３０
７）。このステップ３０７の処理では、時系列データＨ
（ｉ，ｊ；１，ｍ−１）及びＨ（ｉ，ｊ；ｍ，ｎ）の回
帰直線ｇ1（ｋ）及びｇ2（ｋ）をNext, another variable m is set to p + 1 (step 306), and the time series data H (i, j; 1, n) fetched in step 303 is converted to time series data H up to k = m-1. (I, j; 1, m-1) and subsequent time series data H (i, j; m, n), and calculate the information amount criterion AIC2 at the time of the division (step 30).
7). In the process of step 307, the time-series data H
Regression lines g1 (k) and g2 (k) of (i, j; 1, m-1) and H (i, j; m, n)
【数６】ｇ1（ｋ）＝ａ2・（Ｍ／Ｎ）ｋ＋ｂ2 ｇ2（ｋ）＝ａ2・（Ｍ／Ｎ）ｋ＋ａ3（Ｍ／Ｎ）ｋ＋ｂ3 として算出し、時系列データＨ（ｉ，ｊ；１，ｎ）との
残差平方和を算出するときはｋ＝１〜ｍ−１ではｇ1
（ｋ）を、ｋ＝ｍ〜ｎではｇ2（ｋ）を用いる。こうし
て得た残差平方和と、パラメータの個数をａ2、ａ3、ｂ
2、ｂ3の４個として（数４）からＡＩＣ２を算出する。
なお、正確には（数６）のｇ1（ｋ）とｇ2（ｋ）はｋ＝
ｍのところで連続となるように定数ｂ2，ｂ3 を定め
る、という条件がＡＩＣ解析では必要であり、パラメー
タの個数も３とすべきであるが、ここでは簡便法として
この定数ｂ2，ｂ3 は独立に定められるものとしてい
る。G1 (k) = a2 ・ (M / N) k + b2 g2 (k) = a2 ・ (M / N) k + a3 (M / N) k + b3, and the time series data H (i, j; 1) , N) when calculating the residual sum of squares, g1 for k = 1 to m-1
For (k), g2 (k) is used for k = m to n. The residual sum of squares thus obtained and the number of parameters are represented by a2, a3, b
AIC2 is calculated from (Equation 4) as four (2, b3).
Note that g1 (k) and g2 (k) in Equation 6 are exactly k =
The condition that the constants b2 and b3 are determined so as to be continuous at m is necessary in the AIC analysis, and the number of parameters should be 3. Here, as a simple method, the constants b2 and b3 are independently set. It is stipulated.
【００２７】以上のステップ３０５で算出した情報量規
準ＡＩＣは、時系列データＨ（ｉ，ｊ；１，ｎ）を１つ
の回帰直線ｆ（ｋ）で近似したときの尤もらしさを表し
ており、一方ステップ３０８で算出した情報量規準ＡＩ
Ｃ２は時系列データＨ（ｉ，ｊ；１，ｎ）を時刻ｍで２
つに分けてそれぞれを回帰直線ｇ1（ｋ），ｇ2（ｋ）で
近似したときの尤もらしさを表している。従ってもし条
件The information amount criterion AIC calculated in step 305 represents the likelihood when the time series data H (i, j; 1, n) is approximated by one regression line f (k). On the other hand, the information amount criterion AI calculated in step 308
C2 converts the time-series data H (i, j; 1, n) into 2 at time m.
It represents the likelihood when each is approximated by regression lines g1 (k) and g2 (k). So if the condition
【数７】ＡＩＣ１＞ＡＩＣ２ が成立していれば時系列データＨ（ｉ，ｊ；１，ｎ）は
時刻ｍで２つに分割した方がより尤もらしいことにな
り、その分割点ｍが変化点を与える。一方、（数７）が
成立していなければ、分割しない方がより尤もらしいと
推定できる。そこで（数７）の条件を判定し（ステップ
３０８）、もし成立していなければ、分割しない方が尤
もらしいので、変数ｍを＋１して更新し、その値がｎ−
ｑ以下ならば再び時系列データＨ（ｉ，ｊ；１，ｎ）を
この更新したｍの値で分割してそれぞれの回帰直線を
（数６）の形で求め、ＡＩＣ２の算出を行う（ステップ
３０９、３１０、３０７）。そして（数７）の判定を行
う（ステップ３０８）、という処理を繰り返す。この繰
り返しが続いて、ｍ＜ｎ−ｑの範囲で（数７）が満たさ
れなかったときは（ステップ３１０で”ＹＥＳ”）、こ
のときの変数ｎに対しては変化点はないと判定し、変数
ｎの値を＋１して更新する（ステップ３１１）。そして
この新しいｎに対する時系列データＨ（ｉ，ｊ；１，
ｎ）に対して再び変数ｍをｐ＋１から順次増やしながら
前記と同様の処理を繰り返して（数７）が満たされるｍ
の値があるかを調べる（ステップ３０６〜３１０）。こ
うして変数ｎを＋１づつ更新し、ステップ３１１でｎ＞
Ｎとなるまで（数７）が満たされなかったときは（ステ
ップ３１２で”ＹＥＳ”）、現在調べている位置（ｉ，
ｊ）では変化点は存在しないものと判断して、位置
（ｉ，ｊ）に於いての変化点に関する情報としての３つ
の値ｎ0（ｉ，ｊ）、ｍ0（ｉ，ｊ）、及びｍ1（ｉ，
ｊ）をすべてＮ＋１（存在する時系列データの長さＮよ
りも先の時刻）として（ステップ３１３）、次の位置選
択を行う（ステップ３０１、３０２）。If AIC1> AIC2 holds, it is more likely that the time-series data H (i, j; 1, n) is divided into two at time m, and the division point m changes. Give points. On the other hand, if (Equation 7) does not hold, it can be estimated that it is more likely that no division is performed. Then, the condition of (Expression 7) is determined (Step 308). If the condition is not satisfied, it is more likely that the division is not performed.
If it is less than q, the time series data H (i, j; 1, n) is again divided by the updated value of m, and each regression line is obtained in the form of (Equation 6), and the AIC2 is calculated (step). 309, 310, 307). Then, the process of performing the determination of (Expression 7) (Step 308) is repeated. If this repetition continues and (Equation 7) is not satisfied in the range of m <n−q (“YES” in step 310), it is determined that there is no change point for the variable n at this time. , The value of the variable n is updated by +1 (step 311). Then, the time series data H (i, j; 1,
For n), the same processing as described above is repeated while sequentially increasing the variable m again from p + 1, and m satisfying (Expression 7) is satisfied.
It is checked whether there is a value (steps 306 to 310). In this way, the variable n is updated by +1 each time.
Unless N (Equation 7) is satisfied (“YES” in step 312), the position (i,
In j), it is determined that no change point exists, and three values n0 (i, j), m0 (i, j), and m1 (m) as information regarding the change point at the position (i, j) are determined. i,
j) are all set to N + 1 (time earlier than the length N of the existing time-series data) (step 313), and the next position is selected (steps 301 and 302).
【００２８】一方、上記のような変数ｎ、ｍを更新しな
がらの繰り返しの途中で（数７）の条件が満たされたと
する（ステップ３０８で”ＹＥＳ”）。このときの変数
ｎの値は、時刻ｋ＝１からｋ＝ｎ−１までは変化点が検
出できなかったが、時刻ｋ＝ｎになって始めて変化点が
検出できたのであるから、変化点が検出可能になるまで
の最小時間を示している。このｎの値を以後、検出可能
時間ｎ0（ｉ，ｊ）で表す。またステップ３０８で（数
７）が満たされたときの変数ｍの値は、上記の検出可能
時間ｎ0（ｉ，ｊ）でｍを小さい方から順次大きくして
いったとき、最初に（数７）の条件を満たすようになっ
た時系列データの分割点、即ち変化点である。このｍの
値を以後、最小変化時刻ｍ0（ｉ，ｊ）で表す。さら
に、検出可能時間ｎ0（ｉ，ｊ）で、分割点ｍを前記の
ｍ0（ｉ，ｊ）よりさらに大きくしていくと、より小さ
い情報量規準ＡＩＣ２が得られる可能性がある。そして
そのような分割点ｍがもしあれば、そのｍの値が示す変
化点の方が最小変化時刻ｍ0（ｉ，ｊ）よりもより確か
な変化点と考えられるので、そのときのｍの値を最尤変
化時刻ｍ1（ｉ，ｊ）と表す。以上のように各時刻を表
すことにすると、ステップ３０８の条件が満たされたと
きは、そのときのｎの値を検出可能時間ｎ0（ｉ，ｊ）
とし、ｍの値を最小変化時刻ｍ0（ｉ，ｊ）とする。こ
れらの値は図１の変化時刻記憶手段１２に格納される。
また、以後の図４に示した処理で最尤変化時刻ｍ1
（ｉ，ｊ）を求めるために、最小情報量規準ＡＩＣ２０
をそのときの情報量規準ＡＩＣ２とし、さらに最尤変化
時刻ｍ1（ｉ，ｊ）をそのときのｍの値としておく（ス
テップ３１５）。On the other hand, it is assumed that the condition of (Expression 7) is satisfied during the repetition while updating the variables n and m as described above ("YES" in step 308). At this time, the value of the variable n is such that a change point was not detected from time k = 1 to k = n−1, but a change point was detected only at time k = n. Indicates the minimum time until it becomes detectable. This value of n is hereinafter referred to as a detectable time n0 (i, j). The value of the variable m when (Equation 7) is satisfied in step 308 is the first value of (Equation 7) when m is sequentially increased from the smaller one in the detectable time n0 (i, j). ) Is the division point of the time-series data that satisfies the condition, that is, the change point. This value of m is hereinafter represented by the minimum change time m0 (i, j). Furthermore, if the division point m is made larger than the above-mentioned m0 (i, j) at the detectable time n0 (i, j), a smaller information amount criterion AIC2 may be obtained. If there is such a division point m, the change point indicated by the value of m is considered to be a more certain change point than the minimum change time m0 (i, j). Is represented as the maximum likelihood change time m1 (i, j). When each time is represented as described above, when the condition of step 308 is satisfied, the value of n at that time is determined as the detectable time n0 (i, j).
And the value of m is the minimum change time m0 (i, j). These values are stored in the change time storage means 12 of FIG.
Further, in the processing shown in FIG.
To determine (i, j), the minimum information criterion AIC20
Is the information amount criterion AIC2 at that time, and the maximum likelihood change time m1 (i, j) is set as the value of m at that time (step 315).
【００２９】図４は、上記の最尤変化時刻ｍ1（ｉ，
ｊ）を求める処理で、図３のステップ３１５に続いて実
行される。まずｍの値を＋１し（ステップ４０１）、そ
のｍがｍの最大値ｎ−ｑを越えていなければ（ステップ
４０２で”ＮＯ”）、ステップ３０７で説明したのと同
様に時系列データＨ（ｉ，ｊ；１，ｎ）を時刻ｍで２分
割して情報量規準ＡＩＣ２を算出する（ステップ４０
３）。そしてこの求めたＡＩＣ２と、ステップ３１５で
代入されたＡＩＣ２０の値とを比較し（ステップ４０
４）、ここで求めた情報量規準ＡＩＣ２の方が小さけれ
ば最尤変化時刻ｍ1（ｉ，ｊ）及びそのときの最小情報
量規準ＡＩＣ２０をそれぞれそのときのｍ及びＡＩＣ２
で置き換え（ステップ４０５）、ステップ４０１へ戻
る。このステップ４０１〜４０５の処理を、ステップ４
０２の判定で”ＹＥＳ”となるまで繰り返すことによ
り、位置（ｉ，ｊ）の検出可能時間ｎ0（ｉ，ｊ）に於
ける最尤変化時刻ｍ1（ｉ，ｊ）とそのときの情報量規
準ＡＩＣ２０が求められる。こうして求められた最尤変
化時刻ｍ1（ｉ，ｊ）も図１の変化時刻記憶手段１２へ
格納され、処理は図３のステップ３０１へ戻される。FIG. 4 shows the maximum likelihood change time m1 (i, i,
This is a process for obtaining j), which is executed after step 315 in FIG. First, the value of m is incremented by 1 (step 401). If the value of m does not exceed the maximum value n−q of m (“NO” in step 402), the time-series data H ( (i, j; 1, n) is divided into two at time m to calculate the information amount criterion AIC2 (step 40).
3). Then, the obtained AIC2 is compared with the value of the AIC20 substituted in step 315 (step 40).
4), if the information amount criterion AIC2 obtained here is smaller, the maximum likelihood change time m1 (i, j) and the minimum information amount criterion AIC20 at that time are respectively m and AIC2.
(Step 405), and returns to Step 401. The processing of steps 401 to 405 is referred to as step 4
By repeating this process until “YES” in the determination of 02, the maximum likelihood change time m1 (i, j) in the detectable time n0 (i, j) of the position (i, j) and the information amount standard at that time are obtained. AIC20 is required. The maximum likelihood change time m1 (i, j) thus obtained is also stored in the change time storage means 12 in FIG. 1, and the process returns to step 301 in FIG.
【００３０】以上のようにして、対象画像領域Ｔの全て
の位置（ｉ，ｊ）についての検出可能時間ｎ0（ｉ，
ｊ）、最小変化時刻ｍ0（ｉ，ｊ）、及び最尤変化時刻
ｍ1（ｉ，ｊ）が求められ、領域Ｔ内に残りの位置がな
くなると（ステップ３０１で”ＮＯ”）、最後に前処理
で背景部分とした領域の位置（ｉ，ｊ）のすべてに対し
て、検出可能時間ｎ0（ｉ，ｊ）、最小変化時刻ｍ0
（ｉ，ｊ）及び最尤変化時刻ｍ1（ｉ，ｊ）をすべてＮ
＋２とおき（ステップ３１４）、変化時刻検出手段３の
処理を終了する。As described above, the detectable time n0 (i, j, j) for all positions (i, j) of the target image area T
j), the minimum change time m0 (i, j) and the maximum likelihood change time m1 (i, j) are obtained. When there are no remaining positions in the area T ("NO" in step 301), the last The detectable time n0 (i, j) and the minimum change time m0 are determined for all the positions (i, j) of the region as the background portion in the processing.
(I, j) and the maximum likelihood change time m1 (i, j) are all N
After +2 (step 314), the processing of the change time detecting means 3 ends.
【００３１】次に、図１の表示データ生成手段４は、変
化時刻検出手段３により検出され、変化時刻記憶手段１
２に格納された検出可能時間ｎ0（ｉ，ｊ）、最小変化
時刻ｍ0（ｉ，ｊ）、及び最尤変化時刻ｍ1（ｉ，ｊ）を
画像化してそれぞれ表示手段５へ表示する。この表示に
あたっては、検出可能時間ｎ0（ｉ，ｊ）、最小変化時
刻ｍ0（ｉ，ｊ）及び最尤変化時刻ｍ1（ｉ，ｊ）の値
が、例えばモノクロ多階調表示の場合、”０”を白レベ
ル、”Ｎ＋２”を黒レベルとし、その間の値を各階調に
線型的に割り当てる。そうすると、検出可能時間ｎ0
（ｉ，ｊ）の画像は対象上の部位のより白い部分ほどよ
り短い時間で変化検出が可能になることを示すものとな
る。また最小変化時刻ｍ0（ｉ，ｊ）の画像は対象上の
部位のより白い部分ほどより短い時間で変化が現れ始め
ることを示すものとなり、最尤変化時刻ｍ1（ｉ，ｊ）
の画像は対象上の部分のより白い部分ほどより短い時間
で確実に変化が現れることを示すものとなる。Next, the display data generating means 4 shown in FIG. 1 is detected by the change time detecting means 3, and the change time storing means 1
2, the detectable time n0 (i, j), the minimum change time m0 (i, j), and the maximum likelihood change time m1 (i, j) are imaged and displayed on the display means 5, respectively. In this display, the values of the detectable time n0 (i, j), the minimum change time m0 (i, j) and the maximum likelihood change time m1 (i, j) are, for example, "0" in the case of monochrome multi-tone display. "" Is a white level and "N + 2" is a black level, and values between them are linearly assigned to each gradation. Then, the detectable time n0
The image of (i, j) indicates that a whiter portion of the part on the target enables a change to be detected in a shorter time. Further, the image of the minimum change time m0 (i, j) indicates that the change starts appearing in a shorter time in the whiter part of the part on the object, and the maximum likelihood change time m1 (i, j)
The image indicates that a whiter portion of the portion on the object surely changes in a shorter time.
【００３２】また、実際の解析例では最小変化時刻ｍ0
（ｉ，ｊ）と最尤変化時刻ｍ1（ｉ，ｊ）が多くの位置
で同じになる場合がある。このような場合には、最小変
化時刻ｍ0（ｉ，ｊ）の前後で求めた（数６）の２つの
回帰直線ｇ1、ｇ2の傾きの差ａ3・（Ｍ／６４）を最小
変化時刻ｍ0（ｉ，ｊ）から差し引いた値を最小変化時
刻ｍ0（ｉ，ｊ）と同様にして画像化し表示すれば、最
小変化時刻ｍ0（ｉ，ｊ）の画像よりもより早い時刻で
の変化の始まりを表示することができる。In the actual analysis example, the minimum change time m0
(I, j) and the maximum likelihood change time m1 (i, j) may be the same at many positions. In such a case, the difference a3 ・ (M / 64) between the slopes of the two regression lines g1 and g2 obtained before and after the minimum change time m0 (i, j) is calculated by the minimum change time m0 ( If the value subtracted from (i, j) is imaged and displayed in the same manner as the minimum change time m0 (i, j), the start of the change at a time earlier than the image of the minimum change time m0 (i, j) can be obtained. Can be displayed.
【００３３】このように、本発明になる時系列画像デー
タの処理装置を用いれば、対象の各部位に於て撮像され
る対象量の時間的変化の分布を画面で直観的に把握する
ことが可能になる。ここでは本装置による処理の具体例
として、中枢神経系に作用する薬剤を投与された後の神
経機能動態の時間的変化をＭＲＩ画像の時系列データか
ら検出して表示した場合を示す。対象は、アセタゾラマ
イド（acetazolamide）を負荷された虚血性脳血管障害
例で、ＭＲＩ装置により頭部断層画像を３０分間に６４
回撮像し、１被験者につきＮ＝６４枚の時系列画像デー
タを得た。画素数は１画面で１２８×１２８である。こ
の時系列画像データに対して図２で示した前処理及び図
３、図４で示した変化時刻検出の解析結果の一部が図
５、図６に、また解析結果を表示した画像が図７に示さ
れている。但し図３に於けるｐ、ｑはともに４とした。
このｐ、ｑは、時系列データを２つに分割したとき、そ
の１つがあまり短いと統計的解析の意味がなくなるの
で、最低４以上の長さとなるようにしたものである。As described above, by using the time-series image data processing apparatus according to the present invention, it is possible to intuitively grasp on a screen the distribution of the temporal change in the amount of the target imaged at each part of the target. Will be possible. Here, as a specific example of the processing by the present apparatus, a case is shown in which a temporal change in the nervous function dynamics after administration of a drug acting on the central nervous system is detected and displayed from time-series data of an MRI image. The subject was a case of ischemic cerebrovascular disorder loaded with acetazolamide (acetazolamide).
The imaging was performed twice, and N = 64 time-series image data was obtained for each subject. The number of pixels is 128 × 128 on one screen. FIG. 5 and FIG. 6 show a part of the analysis results of the pre-processing shown in FIG. 2 and the change time detection shown in FIG. 3 and FIG. It is shown in FIG. However, p and q in FIG.
When the time-series data is divided into two, p and q have a length of at least 4 or more, because if one of them is too short, the statistical analysis becomes meaningless.
【００３４】ここで、図７の臨床の一例について述べ
る。ベンゾジアゼピンリセプターリゼンドである、ジア
ゼパムとフルマゼニルを臨床対象に投与し、そのＭＲＩ
画像を本装置で処理して画像として表示した。ジアゼパ
ム投与後、画像の各画素値の大きさは減少し、フルマゼ
ニルを投与した後に増加することがこの表示画像からわ
かった。この画像は、ベンゾジアゼピンリセプターリゼ
ンドの作用像であって、臨床症状をよく説明できるもの
であることが確認された。従来はベンゾジアゼピンリセ
プターリゼンドの分布の画像のみしか表示できなかった
が、本装置により、従来得られなかった、神経薬理学的
機能画像を得ることができることになった。更に、こう
した本装置は、薬剤や造影剤等の医薬品の生体への働き
のメカニズムや効能分析に使える。更に、医薬品の開発
のためのデータを提供できることにもなり、より安全、
より確実な効能のある医薬品を提供するための極めて有
効な手段を提供できた。又薬剤といっても、生体内に投
与されるもの以外に、外部塗布や外部接着して使用する
もの、外部に置いて生体に働きかけるものすべて（磁気
的な物、電磁作用を伴う物などのすべてを含む）を含
む。Here, an example of the clinic in FIG. 7 will be described. Administration of diazepam and flumazenil, which are benzodiazepine receptor ligands, to clinical subjects and their MRI
The image was processed by this apparatus and displayed as an image. The displayed image showed that the magnitude of each pixel value in the image decreased after administration of diazepam and increased after administration of flumazenil. This image is an action image of the benzodiazepine receptor receptor, and it was confirmed that the image could well explain the clinical symptoms. Conventionally, only an image of the distribution of the benzodiazepine receptor receptor could be displayed, but this device can obtain a neuropharmacological functional image that could not be obtained conventionally. Further, such an apparatus can be used for analyzing the mechanism of the action of a drug such as a drug or a contrast agent on a living body, and for analyzing efficacy. In addition, it will be able to provide data for drug development,
This provided an extremely effective means for providing a drug with more certain efficacy. In addition to drugs that are administered to the living body, they are also used by external application or external bonding, and those that act on the living body when placed outside (such as magnetic substances, substances with electromagnetic action, etc.) Including all).
【００３５】図５は、１人の被験者の後頭部右側の１つ
の位置に於ける時系列データを示しており、この位置は
（数７）の条件を満たす分割が存在しなかった例の１つ
である。即ち、分割しなかったときの回帰直線ｆR
（ｋ）と情報量規準ＡＩＣ１はFIG. 5 shows time-series data at one position on the right side of the back of the occiput of one subject. This position is one of the examples where there was no division satisfying the condition of (Equation 7). It is. In other words, the regression line fR without division
(K) and the information criterion AIC1
【数８】 ｆR（ｋ）＝−０．０００２０５９Ｘ＋２０４．８７
９， Ｘ＝（Ｍ／６４）・（ｋ−１）／２， ＡＩＣ１＝１１８．５７ であり、分割したときの情報量規準ＡＩＣ２は変数ｎ、
ｍをどうとっても上記のＡＩＣ１より小さくなった。FR (k) = − 0.0002059X + 204.87
9, X = (M / 64) · (k−1) / 2, AIC1 = 118.57, and the information amount criterion AIC2 when divided is a variable n,
The value of m was smaller than the above-mentioned AIC1.
【００３６】図６は、図５と同じ被験者の後頭部左側の
１つの位置に於ける時系列データを示しており、この位
置は（数７）の条件を満たす分割がFIG. 6 shows time-series data at one position on the left side of the occipital region of the subject, which is the same as that of FIG.
【数９】ｎ0＝４６、ｍ0＝３９ で現れた場合で、かつｍ1＝ｍ0であった。これらの値
は、ｎ0 が約２１分３０秒、ｍ0 が約１８分３０秒であ
ったことに対応する。この時系列データの全体の回帰直
線ｆL（ｋ）及び（数９）のときの２つの回帰直線ｇL1
（ｋ）、ｇL2（ｋ）と各情報量規準は## EQU9 ## In the case where n0 = 46 and m0 = 39, m1 = m0. These values correspond to n0 being about 21:30, and m0 being about 18:30. The overall regression line fL (k) of the time series data and the two regression lines gL1 at (Equation 9)
(K), gL2 (k) and each information criterion
【数１０】 ｆL1（ｋ）＝０．０００７８８１Ｘ＋２０２．０１７ ｇL1（ｋ）＝０．０００６０６８Ｘ＋２０２．１５，ｋ＝１〜３８ ｇL2（ｋ）＝０．００１３２２８Ｘ＋２０２．９１７，ｋ＝３９〜６４ Ｘ＝（Ｍ／６３）・（ｋ−１）／２ ＡＩＣ１＝１１５．０７９ ＡＩＣ２＝１０７．０７８ であった。FL1 (k) = 0.0000078X + 202.017 gL1 (k) = 0.0006068X + 202.15, k = 1 to 38 gL2 (k) = 0.0013228X + 202.917, k = 39 to 64 X = (M / 63) · (k-1) / 2 AIC1 = 115.079 AIC2 = 107.078.
【００３７】図７は、図５、図６と同じ被験者の３つの
異なる断層画像の時系列データの各々について、全ての
位置について求めた最尤変化時刻ｍ1（ｉ，ｊ）を画像
化したもので、白い部分ほど早く薬剤の作用が現れたこ
とを示している。FIG. 7 is an image of the maximum likelihood change time m1 (i, j) obtained for all the positions for each of the time-series data of three different tomographic images of the same subject as in FIGS. The white portion indicates that the action of the drug appeared earlier.
【００３８】なお、図２に示した前処理の背景部除去に
於いては、Ｎ枚の画像のすべてで対象部分と判定された
位置の集合をＴとし、それ以外の位置をすべて背景部と
して対象部分の”切り出し”を行うものとした。これ
は、変化時刻検出手段３による図３の処理の、ステップ
３０１〜３１３の処理を対象部分に限定し、処理効率を
向上させるためである。しかし、例えばＮ枚の画像の１
つでも対象部分と判定された位置をすべて対象部分の集
合Ｔに含めるようにしても構わない。この場合は処理時
間は少し増えるが、Ｎ枚の画像の内であるものでは背景
部、あるものでは対象部にあると判定されるような位置
は対象部分の周辺部に現れ、もし検出可能時間ｎ0
（ｉ，ｊ）等が検出されて表示されても、周辺部にわず
かのノイズとして表示されるだけである。In the background part removal in the preprocessing shown in FIG. 2, a set of positions determined to be the target part in all of the N images is defined as T, and all other positions are defined as background parts. It was decided to "cut out" the target part. This is to limit the processing of steps 301 to 313 of the processing of FIG. 3 by the change time detecting means 3 to the target portion, and to improve the processing efficiency. However, for example, one of N images
Any position determined to be a target portion may be included in the set T of target portions. In this case, the processing time slightly increases, but a position that is determined to be in the background portion in some of the N images and in the target portion in some of the N images appears in the peripheral portion of the target portion. n0
Even if (i, j) and the like are detected and displayed, they are only displayed as slight noise in the peripheral portion.
【００３９】また、表示データ生成手段４では、求めら
れた検出可能時間ｎ0（ｉ，ｊ）、最小変化時刻ｍ0
（ｉ，ｊ）、最尤変化時刻ｍ1（ｉ，ｊ）等をそのまま
グレースケールにあてはめるものとしたが、この表示は
必ずしもグレースケールに限らず、カラーを利用した表
示も可能である。また、生成した表示用画像データを、
例えば３×３画素づつ平均化して平滑化して表示するこ
とにより、解析結果に含まれるノイズ成分を除去してよ
り見易い画像とすることもできる。The display data generating means 4 calculates the detectable time n0 (i, j) and the minimum change time m0.
Although (i, j), the maximum likelihood change time m1 (i, j), and the like are directly applied to the gray scale, this display is not necessarily limited to the gray scale, and a display using color is also possible. Also, the generated display image data is
For example, by averaging and smoothing 3 × 3 pixels at a time, a noise component included in the analysis result can be removed to make the image easier to see.
【００４０】さらに、変化時刻検出手段３の処理方法に
於いては、図３で説明したように、各位置に於ける時系
列データを２分してそれぞれの時系列データを回帰直線
で近似して全体の情報量規準ＡＩＣ２を算出している。
しかし、この解析方法は変形が可能であって、例えば１
つのｕ次多項式（ｕ≧２）Further, in the processing method of the change time detecting means 3, as described with reference to FIG. 3, the time series data at each position is divided into two and each time series data is approximated by a regression line. Thus, the entire information amount criterion AIC2 is calculated.
However, this analysis method can be modified, for example, 1
U-order polynomials (u ≧ 2)
【数１１】 ｐ（ｋ）＝ｄ0・ｋu＋ｄ1・ｋu-1＋・・・＋ｄu を時系列データの回帰曲線として求める方法がある。こ
の時は変数ｎを徐々に大きくしていきながら、時系列デ
ータＨ（i,j;1,n）の回帰曲線と時系列データＨ（i,j;
1,n）との誤差から求めた情報量規準をＡＩＣ２として
求め、また時系列データＨ（i,j;1,n）を１つの回帰直
線で近似したときの情報量規準をＡＩＣ１として求め
る。そしてＡＩＣ１＞ＡＩＣ２となる最小のｎの値を検
出可能時間ｎ0（ｉ，ｊ）とする。また、このときの変
化点は、求めた回帰曲線のｋ＝１〜ｐ１（例えばｐ１＝
Ｎ／３程度）に於ける値Ｐ（１）〜Ｐ（ｐ１）を１つの
時系列データとみなして求め得た回帰直線Ｌ１と、回帰
曲線のｋ＝ｐ２〜Ｎ（例えばＮ−ｐ２＝Ｎ／３程度）に
於ける値Ｐ（ｐ２）〜Ｐ（Ｎ）を１つの時系列データと
みなして求めた回帰直線Ｌ２との交点のｋの値として求
めればよい。この方法は（数１１）に示した多項式に限
らず、一般の関数でも適用できることは明らかである。[Number 11] there is a method of determining p the (k) = d 0 · k u + d 1 · k u-1 + ··· + du as a regression curve of the time-series data. At this time, while gradually increasing the variable n, the regression curve of the time-series data H (i, j; 1, n) and the time-series data H (i, j;
The information amount criterion obtained from the error with respect to (1, n) is obtained as AIC2, and the information amount criterion when the time series data H (i, j; 1, n) is approximated by one regression line is obtained as AIC1. The minimum value of n that satisfies AIC1> AIC2 is set as the detectable time n0 (i, j). Further, the change point at this time is k = 1 to p1 (for example, p1 =
Regression line L1 obtained by assuming the values P (1) to P (p1) at about N / 3) as one time series data, and k = p2 to N of the regression curve (for example, N-p2 = N / 3) may be obtained as the value of k at the intersection with the regression line L2, which is obtained by regarding the values P (p2) to P (N) as one time-series data. It is clear that this method can be applied to not only the polynomial shown in (Equation 11) but also general functions.
【００４１】[0041]
【発明の効果】本発明によれば、時系列的に取得した画
像データから対象の各位置に於ける時間的変化が現れる
時刻を検出して画像として表示することにより、その変
化の現れるまでの時刻の位置による分布を直観的に把握
できる効果がある。とくに、本発明を薬剤投与後の患部
の断層画像の解析に適用すれば、薬剤の効果が現れるま
での時間の分布を容易に、かつ非侵襲的に観察できると
いう効果がある。更に、臨床例以外に、医薬品の作用や
効能の分析、更には医薬品の開発のための作用や効能の
分析にも利用できるとの効果を持つ。According to the present invention, a time at which a temporal change at each position of a target appears from image data acquired in time series is detected and displayed as an image, so that the time until the change appears can be obtained. There is an effect that the distribution according to the time position can be intuitively grasped. In particular, if the present invention is applied to the analysis of a tomographic image of an affected part after administration of a drug, there is an effect that the distribution of time until the effect of the drug appears can be easily and noninvasively observed. Further, in addition to clinical cases, the present invention has an effect that it can be used for analysis of the action and efficacy of a drug, and further, for analysis of the action and efficacy for drug development.
【図１】本発明になる時系列画像データの処理装置の構
成例を示すブロック図である。FIG. 1 is a block diagram illustrating a configuration example of a time-series image data processing device according to the present invention.
【図２】図１の前処理手段に於ける処理を示すフローチ
ャートである。FIG. 2 is a flowchart showing a process in a pre-processing means of FIG. 1;
【図３】図１の変化時刻検出手段に於ける処理の前半部
を示すフローチャートである。FIG. 3 is a flowchart showing a first half of a process in a change time detecting unit of FIG. 1;
【図４】図１の変化時刻検出手段に於ける処理の後半部
を示すフローチャートである。FIG. 4 is a flowchart showing a latter half of the process in the change time detecting means of FIG. 1;
【図５】薬剤投与後の６４枚の頭部ＭＲＩ断層画像で変
化が検出されなかった位置の画像データの例を示す図で
ある。FIG. 5 is a diagram showing an example of image data at a position where no change is detected in 64 head MRI tomographic images after drug administration.
【図６】薬剤投与後の６４枚の頭部ＭＲＩ断層画像で変
化が検出された位置の画像データの例を示す図である。FIG. 6 is a diagram illustrating an example of image data at a position where a change is detected in 64 head MRI tomographic images after drug administration.
【図７】薬剤投与後の６４枚の頭部ＭＲＩ断層画像から
得られた最尤変化時刻を画像化した場合の中間調表示画
像を示す図である。FIG. 7 is a diagram showing a halftone display image when maximum likelihood change times obtained from 64 head MRI tomographic images after drug administration are imaged.
１ 時系列画像データ入力手段 ２ 前処理手段 ３ 変化時刻検出手段 ４ 表示データ生成手段 ５ 表示手段 １０ 入力画像データ記憶手段 １１ 画像データ記憶手段 １２ 変化時刻記憶手段 DESCRIPTION OF SYMBOLS 1 Time series image data input means 2 Preprocessing means 3 Change time detection means 4 Display data generation means 5 Display means 10 Input image data storage means 11 Image data storage means 12 Change time storage means
Claims (16)
同一位置にある画素の画素値をその撮像された時刻の順
に並べた時系列データを位置を動かしながら順次取り出
し、その時系列データの変化時刻に関する変化時刻情報
を情報量規準を用いた統計的解析により検出し、こうし
て各位置について検出した前記変化時刻情報をその画素
値に写像した画像を生成して表示することを特徴とする
時系列ＭＲＩやＣＴ等の画像データの処理方法。1. Time-series data obtained by arranging pixel values of pixels at the same position in the order of the image pickup time from image data such as time-series MRI and CT while sequentially moving the position, and changing the time of the time-series data. A time-series MRI characterized in that the change time information relating to the change time information is detected by statistical analysis using an information amount criterion, and an image in which the change time information detected for each position is mapped to its pixel value is displayed. For processing image data such as image and CT.
列ＭＲＩやＣＴ等の画像データから同一位置にある画素
の画素値をその撮像された時刻の順に並べた時系列デー
タを位置を動かしながら順次取り出し、その時系列デー
タの変化時刻に関する変化時刻情報を情報量規準を用い
た統計的解析により検出し、こうして各位置について検
出した前記変化時刻情報をその画素値に写像した画像を
生成して表示し、薬剤の働きや効能を分析する薬剤効能
等分析方法。2. Time-series data obtained by arranging pixel values of pixels at the same position in order of the time of imaging from time-series image data such as MRI and CT before and after (or after) administration of a drug. While moving, sequentially take out, change time information about the change time of the time series data is detected by statistical analysis using the information amount criterion, and an image is generated by mapping the change time information detected for each position to its pixel value. A method for analyzing the efficacy of a drug by displaying it and analyzing the function and efficacy of the drug.
素の画素値をその撮像された時刻の順に並べた時系列デ
ータを位置を動かしながら順次取り出し、その時系列デ
ータの変化時刻に関する変化時刻情報を情報量規準を用
いた統計的解析により検出することを特徴とする時系列
画像データの処理方法。3. Time-series data in which pixel values of pixels located at the same position are arranged in the order of the image capturing time are sequentially extracted from the time-series image data while moving the position, and change time information on the change time of the time-series data is obtained. A method for processing time-series image data, wherein the time-series image data is detected by statistical analysis using an information amount criterion.
素の画素値をその撮像された時刻の順に並べた時系列デ
ータを位置を動かしながら順次取り出し、その時系列デ
ータの変化時刻に関する変化時刻情報を情報量規準を用
いた統計的解析により検出し、こうして各位置について
検出した前記変化時刻情報をその画素値に写像した画像
を生成して表示することを特徴とする時系列画像データ
の処理方法。4. Time-series data in which pixel values of pixels at the same position are arranged in the order of the image capturing time from the time-series image data are sequentially extracted while moving the position, and change time information regarding the change time of the time-series data is obtained. A method for processing time-series image data, wherein the time-series image data is detected by statistical analysis using an information amount criterion, and an image in which the change time information detected for each position is mapped to its pixel value is displayed.
数枚の時系列画像データに対して、少なくとも位置合わ
せを含む前処理を施し、その前処理後の時系列画像デー
タから同一位置にある画素の画素値をその撮像された時
刻の順に並べた時系列データを位置を動かしながら順次
取り出し、その時系列データの変化時刻に関する変化時
刻情報を情報量規準を用いた統計的解析により検出し、
こうして各位置について検出した前記変化時刻情報をそ
の画素値に写像した画像を生成して表示することを特徴
とする時系列画像データの処理方法。5. A pre-processing including at least positioning is performed on a plurality of time-series image data obtained by imaging the same object in a time-series manner, and the same time-series image data after the pre-processing is used. Time-series data in which the pixel values of the pixels at the position are arranged in the order of the time at which the image was taken are sequentially extracted while moving the position, and change time information on the change time of the time-series data is detected by statistical analysis using an information amount criterion. And
A method for processing time-series image data, wherein an image in which the change time information detected for each position is mapped to its pixel value is generated and displayed.
は、 当該位置の時系列データの最初からその値が示す時刻ま
でのデータから成る検査対象時系列データを取り出すた
めの第１の変数と、前記検査対象時系列データをその値
の前後で２分割するための第２の変数を定め、 前記検査対象時系列データを１つの回帰直線で近似した
ときの第１の情報量規準よりも前記検査対象時系列デー
タを前記第２の変数で２分割してその各々の時系列デー
タを別の回帰直線で近似したときの第２の情報量規準の
方が小さくなるという判別条件を充たすところの前記第
１の変数の最小の値を検出可能時間として検出し、また
該検出した検出可能時間に対して前記判別条件を充たす
ところの前記第２の変数の最小の値を最小変化時刻とし
て検出し、こうして検出した検出可能時間及び最小変化
時刻を前記変化時刻情報とすることを特徴とする請求項
５に記載の時系列画像データの処理方法。6. The method of detecting change time information at each position, comprising: detecting a first variable for extracting inspection target time-series data including data from the beginning of the time-series data at the position to the time indicated by the value; And a second variable for dividing the test target time series data into two before and after the value thereof, and a first information amount criterion when the test target time series data is approximated by one regression line. Where the inspection information time-series data is divided into two by the second variable, and each time-series data is approximated by another regression line, and the second information amount criterion is satisfied. The minimum value of the first variable is detected as a detectable time, and the minimum value of the second variable that satisfies the determination condition with respect to the detected detectable time is detected as a minimum change time. And thus detected Processing method of the time-series image data according to claim 5, detectable time and the minimum change time, characterized in that said change time information.
第２の情報量規準を最小にするところの前記第２の変数
の値を最尤変化時刻として検出し、該検出した最尤変化
時刻を前記変化時刻情報に付加することを特徴とする請
求項６に記載の時系列画像データの処理方法。7. A value of the second variable that minimizes the second information criterion with respect to the detected detectable time is detected as a maximum likelihood change time, and the detected maximum likelihood change time is detected. The time-series image data processing method according to claim 6, wherein
は、 当該位置の時系列データの最初からその値が示す時刻ま
でのデータから成る検査対象時系列データを取り出すた
めの変数を定め、 前記検査対象時系列データを１つの回帰直線で近似した
ときの第１の情報量規準よりも前記検査対象時系列デー
タを１つの多項式による回帰曲線で近似したときの第２
の情報量規準の方が小さくなるという判別条件を充たす
ところの前記変数の値の最小値を検出可能時間として検
出し、また前記回帰曲線の両端部の予め定めた期間に於
る値をそれぞれ時系列データとみなしてそれらの回帰直
線を求め、該求めた２つの回帰直線の交点の時刻を変化
時刻として検出し、こうして検出した検出可能時間及び
変化時刻を前記変化時刻情報とすることを特徴とする請
求項５に記載の時系列画像データの処理方法。8. The method of detecting change time information at each position, comprising: determining a variable for extracting inspection target time-series data including data from the beginning of the time-series data at the position to the time indicated by the value; The second information when the time series data to be inspected is approximated by a regression curve by one polynomial from the first information criterion when the time series data to be inspected is approximated by one regression line.
The minimum value of the value of the variable, which satisfies the determination condition that the information amount criterion becomes smaller, is detected as a detectable time, and the values in a predetermined period at both ends of the regression curve are respectively timed. The regression line is obtained by considering the data as series data, the time at the intersection of the obtained two regression lines is detected as a change time, and the detectable time and the change time thus detected are used as the change time information. The method for processing time-series image data according to claim 5.
と背景部分の分離処理を含んでいることを特徴とする請
求項５〜８の内の１つに記載の時系列画像データの処理
方法。9. The processing of time-series image data according to claim 5, wherein the pre-processing includes a process of separating a target portion and a background portion of each image data. Method.
の周辺の画素値を用いて平滑化する処理を含んでいるこ
とを特徴とする請求項５〜８の内の１つに記載の時系列
画像データの処理方法。10. The method according to claim 5, wherein the preprocessing includes a process of smoothing each pixel value by using peripheral pixel values on the screen. Processing method of time-series image data.
の写像は、当該変化時刻情報が小さいほどより白レベル
に近く、大きいほどより黒レベルに近くなるグレースケ
ールへの写像であることを特徴とする請求項５に記載の
時系列画像データの処理方法。11. The mapping of the change time information to a display image pixel value is a mapping to a gray scale in which the smaller the change time information is, the closer to the white level and the larger the change time information is, the closer to the black level. The method for processing time-series image data according to claim 5.
複数枚の時系列画像データに対して少なくとも位置合わ
せを含む前処理を施すための前処理手段と、 該手段により前処理された時系列画像データの同一位置
にある画素の画素値により構成された各位置ごとの時系
列データの各々に対して、当該時系列データの変化時刻
に関する変化時刻情報を情報量規準を用いた統計的解析
により検出するための変化時刻検出手段と、 該手段により検出された各位置の変化時刻情報を画像デ
ータに写像して表示用画像データを生成するための表示
データ生成手段と、 を備えたことを特徴とする時系列画像データの処理装
置。12. A pre-processing means for performing pre-processing including at least positioning on a plurality of time-series image data obtained by imaging the same object in time-series, and pre-processing performed by the means. For each of the time-series data at each position constituted by the pixel values of the pixels at the same position of the time-series image data, the change time information regarding the change time of the time-series data is statistically calculated using the information amount criterion. Change time detecting means for detecting by a dynamic analysis, and display data generating means for generating change image information for display by mapping the change time information of each position detected by the means to image data. An apparatus for processing time-series image data, comprising:
時刻までのデータから成る検査対象時系列データを１つ
の回帰直線で近似したときの第１の情報量規準を算出す
るための第１の情報量規準算出手段と、 前記検査対象時系列データを第２の変数の示す時刻で前
後に２分割してその各々の時系列データを別の回帰直線
で近似したときの第２の情報量規準を算出するための第
２の情報量規準算出手段と、 前記第１及び第２の情報量規準算出手段により算出され
た第１及び第２の情報量規準を比較し、前記第１の情報
量規準より前記第２の情報量規準が小さくなったときに
検出信号を出力するための比較手段と、 該比較手段から検出信号が出力されたときの前記第１の
変数の値の最小値を検出可能時間として検出し、また該
検出された検出可能時間に対して前記比較手段から検出
信号が出力されたときの前記第２の変数の値の最小値を
最小変化時刻として検出するための検出手段と、 を備えたことを特徴とする請求項１２に記載の時系列画
像データの処理装置。13. The change time detecting means, wherein the time-series data to be inspected consisting of data from the beginning of the time-series data at each position to the time indicated by the first variable is approximated by a single regression line. A first information amount criterion calculating means for calculating one information amount criterion; and dividing the inspection target time series data into two before and after at a time indicated by a second variable to separate each time series data into another. Second information criterion calculating means for calculating a second information criterion when approximated by a regression line; and first and second information criterion calculated by the first and second information criterion calculating means. Comparing means for comparing the information criterion and outputting a detection signal when the second information criterion is smaller than the first information criterion; and when the detection signal is output from the comparing means. Of the value of the first variable can be detected Detecting means for detecting the minimum value of the value of the second variable when the detection signal is output from the comparing means with respect to the detected detectable time as a minimum change time; The time-series image data processing apparatus according to claim 12, comprising:
記第２の情報量規準を最小にするところの前記第２の変
数の値を最尤変化時刻として検出するための第２の検出
手段を備えたことを特徴とする請求項１３に記載の時系
列画像データの処理装置。14. A second detecting means for detecting, as the maximum likelihood change time, the value of the second variable which minimizes the second information criterion with respect to the detected detectable time. The apparatus for processing time-series image data according to claim 13, further comprising:
時刻までのデータから成る検査対象時系列データを１つ
の回帰直線で近似したときの第１の情報量規準を算出す
るための第１の情報量規準算出手段と、 前記検査対象時系列データを１つの回帰曲線で近似した
ときの第２の情報量規準を算出するための第２の情報量
規準算出手段と、 前記第１及び第２の情報量規準算出手段により算出され
た第１及び第２の情報量規準を比較し、前記第１の情報
量規準より前記第２の情報量規準が小さくなったときに
検出信号を出力するための比較手段と、 該比較手段から検出信号が出力されたときの前記第１の
変数の値の最小値を検出可能時間として検出し、また前
記回帰曲線の両端部の予め定めた期間に於る値をそれぞ
れ時系列データとみなしてそれらの回帰直線を求め、該
求めた２つの回帰直線の交点の時刻を変化時刻として検
出するための検出手段と、 を備えたことを特徴とする請求項１２に記載の時系列画
像データの処理装置。15. The change time detecting means, wherein the inspection target time series data consisting of data from the beginning of the time series data at each position to the time indicated by the first variable is approximated by a single regression line. A first information amount criterion calculating means for calculating one information amount criterion, and a second information amount criterion for calculating a second information amount criterion when the inspection target time-series data is approximated by one regression curve. Comparing the information criterion calculating means with the first and second information criterion calculated by the first and second information criterion calculating means, and calculating the second information criterion from the first information criterion; Comparing means for outputting a detection signal when the criterion is reduced, detecting a minimum value of the value of the first variable when the detection signal is output from the comparing means as a detectable time; For a predetermined period at both ends of the regression curve Detecting means for determining the regression line by regarding each value as time series data, and detecting a time of an intersection of the obtained two regression lines as a change time. 13. The processing device for time-series image data according to 12.
された被検者の患部を撮像して得た断層画像の時系列画
像データとし、前記変化時刻情報は、前記投与された薬
剤の作用が前記断層画像上に現れたことにより生じる画
素値の変化に関する情報であることを特徴とする請求項
１２〜１５の内の１つに記載の時系列画像データの処理
装置。16. The time-series image data is time-series image data of a tomographic image obtained by imaging an affected part of a subject to which a drug has been administered, and the change time information is an action of the administered drug. The time-series image data processing apparatus according to any one of claims 12 to 15, wherein is information on a change in pixel value caused by appearing on the tomographic image.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8273498A JP2891948B2 (en) | 1996-10-16 | 1996-10-16 | Time series MRI (or CT etc.) image data processing method, drug efficacy analysis method, time series image data processing method and apparatus |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8273498A JP2891948B2 (en) | 1996-10-16 | 1996-10-16 | Time series MRI (or CT etc.) image data processing method, drug efficacy analysis method, time series image data processing method and apparatus |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH10118042A JPH10118042A (en) | 1998-05-12 |
| JP2891948B2 true JP2891948B2 (en) | 1999-05-17 |
Family
ID=17528743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP8273498A Expired - Fee Related JP2891948B2 (en) | 1996-10-16 | 1996-10-16 | Time series MRI (or CT etc.) image data processing method, drug efficacy analysis method, time series image data processing method and apparatus |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2891948B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005525208A (en) * | 2002-05-15 | 2005-08-25 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Retrospective selection of images and various types of image alignment to improve DTISNR |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4493408B2 (en) * | 2003-06-06 | 2010-06-30 | 富士フイルム株式会社 | Image interpretation support method, apparatus and program |
| JP5773838B2 (en) * | 2011-10-20 | 2015-09-02 | 日本ユニシス株式会社 | Time series data analysis device and analysis program |
-
1996
- 1996-10-16 JP JP8273498A patent/JP2891948B2/en not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005525208A (en) * | 2002-05-15 | 2005-08-25 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Retrospective selection of images and various types of image alignment to improve DTISNR |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH10118042A (en) | 1998-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Leader et al. | Automated lung segmentation in X-ray computed tomography: development and evaluation of a heuristic threshold-based scheme1 | |
| US5696805A (en) | Apparatus and method for identifying specific bone regions in digital X-ray images | |
| Muramatsu et al. | Automated measurement of mandibular cortical width on dental panoramic radiographs | |
| US7400756B2 (en) | Method for automatic calibration of perfusion parameter images | |
| US8050734B2 (en) | Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure | |
| Yang et al. | Stress myocardial blood flow ratio by dynamic CT perfusion identifies hemodynamically significant CAD | |
| JP2008036068A (en) | Osteoporosis diagnosis support apparatus, method and program, computer-readable recording medium recorded with osteoporosis diagnosis support program and lsi for supporting osteoporosis diagnosis | |
| US7916921B2 (en) | Osteoporosis diagnosis support device | |
| JP2003225234A (en) | Blood stream kinetics analyzing device | |
| JP4495891B2 (en) | Bone measurement method | |
| Im et al. | Diagnostic accuracy and reliability of panoramic temporomandibular joint (TMJ) radiography to detect bony lesions in patients with TMJ osteoarthritis | |
| Camiciottoli et al. | Prevalence and correlates of pulmonary emphysema in smokers and former smokers. A densitometric study of participants in the ITALUNG trial | |
| Zaia et al. | MR imaging and osteoporosis: fractal lacunarity analysis of trabecular bone | |
| JP4236405B2 (en) | Tomographic segmentation | |
| JP2004097665A (en) | Blood flow dynamics analysis apparatus | |
| Mascalchi et al. | Low agreement of visual rating for detailed quantification of pulmonary emphysema in whole-lung CT | |
| JPH0785B2 (en) | Pulmonary ventilation function diagnostic device | |
| JP2891948B2 (en) | Time series MRI (or CT etc.) image data processing method, drug efficacy analysis method, time series image data processing method and apparatus | |
| Derlin et al. | Parametric imaging of biologic activity of atherosclerosis using dynamic whole-body positron emission tomography | |
| Eşer et al. | Classification of temporomandibular joint osteoarthritis on cone beam computed tomography images using artificial intelligence system | |
| Korkmaz et al. | Evaluation of the trabecular structure of the mandibular condyles by fractal analysis in patients with different dentofacial skeletal patterns | |
| JP2003299646A (en) | Image analyzer | |
| KR102477991B1 (en) | Medical image processing method and apparatus | |
| Nichols et al. | Do patient data ever exceed the partial volume limit in gated SPECT studies? | |
| Uppaluri et al. | Adaptive multiple feature method (AMFM) for early detecton of parenchymal pathology in a smoking population |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |