JP4879028B2 - 画像処理方法および画像解析方法ならびにプログラム記憶媒体 - Google Patents

Description

本発明は、一般に多次元画像の解析に関し、詳細には、３Ｄ画像解析においてトボガン処理（Ｔｏｂｏｇｇａｎｉｎｇ）と発散勾配フィールド応答（Ｄｉｖｅｒｇｅｎｔ Ｇｒａｄｉｅｎｔ Ｆｉｅｌｄ Ｒｅｓｐｏｎｓｅ（ＤＧＦＲ））を使用することに関する。

（関連出願）
本出願は、「画像中の発散勾配フィールド応答を用いるトボガン・ベースのオブジェクト・セグメンテーション」と題する２００４年２月２３日出願の米国仮出願第６０／５４７，００２号（その内容の全体が、参照によって本明細書中に組み入れられている）の恩恵を請求する。

医用イメージング（撮像）の分野は、初めてＸ線を使用して解剖学的異常を判定したとき以来、著しい進歩があった。医用イメージングのハードウェアは、医用磁気共鳴イメージング（ＭＲＩ）スキャナ、コンピュータ体軸断層撮影（ＣＡＴ）スキャナなどのさらに新しいマシンの形式で進歩した。このような最新の医用スキャナにより生成される画像データは大量にのぼるため、スキャンされた医用画像中に、解剖学的異常があるかどうかを自動的に判定する画像処理手法を開発する必要がある。

デジタル化された医用画像内で解剖学的組織物を認識するために、多くの挑戦的な課題が存在する。第１の関心事は、認識の正確さに関わるものである。もう１つの関心事は、認識の速さである。医用画像は、医者が疾患または容態を診断するための道具であるから、その認識の速さは、医者が早期診断に達するのに役立てるうえで極めて重要である。よって、医用画像内で、解剖学的組織物を正確に、かつ高速に認識する認識手法を改良する必要がある。

デジタル医用画像は、スキャナ、例えばＣＡＴスキャナ、ＭＲＩなどから得られた生の画像データを用いて構築される。デジタル医用画像は、一般に、ピクセル要素で構成された２Ｄ画像か、体積要素（「ボクセル（ｖｏｘｅｌ）」）で構成された３Ｄ画像のいずれかである。このような２Ｄ画像または３Ｄ画像は、嚢胞、腫瘍、ポリープなどのような解剖学的組織物があるかどうか判定するために、医用画像認識手法を用いて処理される。しかしながら、所与の如何なる画像スキャンによっても大量の画像データが生成されるとするならば、任意の疾患または容態のさらなる診断のために、医者に対して、画像の選択領域内の解剖学的特徴を指示する自動的な手法が提供されることが望ましい。

特徴ベース（feature based）の認識手法は、医用画像中に解剖学的組織物があるかどうか判定するために用いられる。しかしながら、特徴ベースの認識手法は、正確さの問題を免れない。それゆえ、医用画像中の解剖学的特徴の認識を向上させる非特徴ベース（non-feature based）の認識手法が必要である。

トボガン処理（tobogganing）、ＤＧＦＲなどを使用する医用画像解析手法は、画像解析を向上させる。しかし、このような手法を使用して得られる利点でも、このような手法の組合せを使用すれば、さらに向上させることができる。それゆえ、従来の画像解析手法と比べて向上した結果をもたらすことのできる画像解析手法の組合せを決定する必要がある。

２００４年１１月１０日に出願されたセンチル・ペリアスワミ（Senthil Periaswamy）氏とルカ・ボゴーニ（Luca Bogoni）氏による「医用画像中の候補解剖学的特徴のフィルタリングおよび自動検出用のシステムおよび方法」と題する米国特許出願第１０／９８５，５４８号（その内容の全体が、参照によって本明細書中に組み入れられている）には、医用画像解析へのＤＧＦＲ手法の利用が開示されている。

２００４年１２月７日に出願されたルカ・ボゴーニ（Luca Bogoni）氏とジアンミン・リアン(Jianming Liang)氏による「トボガン・ベースの形状特徴化法」と題する米国特許出願第１１／００６，２８２号（その内容の全体が、参照によって本明細書中に組み入れられている）には、医用画像解析へのトボガン処理手法の利用が開示されている。

本発明の一つの観点は、画像要素を持つ画像中の１つまたは複数の候補をセグメント化する方法および装置に関係する。この方法は、この画像中の候補のうちの１つに対して、所与の画像要素にて基準となる位置を識別することと、その位置の付近にある隣接画像要素にて、１つまたは複数の応答値を算出することを含む。画像要素クラスタは、これらの算出された応答値から生成され、また、これらの画像要素クラスタの１つまたは複数が、これらの候補の１つまたは複数に対して、オブジェクト・セグメンテーションとして選択される。

本発明の他の目的は、画像要素を含む部分画像ボリューム（部分画像立方体）を画像から抽出し、また、これらの画像要素を使用してトボガン処理して、１つまたは複数のトボガン処理済みクラスタを生成することで、画像中の候補オブジェクトを解析する方法に関係する。これらのトボガン処理済みクラスタは、上記候補オブジェクトの１つに対応する少なくとも１つのトボガン処理済みクラスタを、最終のトボガン処理済みクラスタとして決定するために、統合される。また、この部分画像ボリュームは、この最終のトボガン処理済みクラスタを用いてセグメント化されて、上記候補オブジェクトの１つを解析する。

以下の添付図面を参照して、本発明の好適な実施形態が述べられる。

添付図面を参照して、本発明の好適な実施形態を説明する。

図１は、本発明の一実施形態において、ＤＧＦＲとトボガン処理を用いる候補オブジェクト検出を示す流れ図である。流れ図１０は、生の画像ボリューム中の或る位置から、部分画像ボリュームＩ（ｘ，ｙ，ｚ）を抽出するステップ１２からスタートする。このサブボリュームは、等方的か、非等方的のいずれかであることもある。この部分画像ボリュームは、この画像ボリューム中にあるかどうか検出する必要のある候補オブジェクト（１つまたは複数）を広くカバーしている。このオリジナル・サブボリュームは、以下の図２に関連して述べられる。発散勾配フィールド応答（ＤＧＦＲ）を用いるトボガン・ベースのオブジェクト・セグメンテーション（ＴＢＯＳ）（以後、ＴＢＯＳ−ＤＧＦＲと呼ぶ）は、手動処理または自動処理を用いて、画像ボリューム中に、該当する候補オブジェクトが位置づけられていると仮定する。この位置づけられた画像の周りの領域は、サブボリュームであり、この候補オブジェクトの性質を決定する必要がある。

図２は、本発明の好適な一実施形態において、例示サブボリューム中の典型的なポリープの３Ｄ直交図を示している。一例示として、結腸中のポリープは、結腸ガンを検出するのに用いられるバーチャル結腸内視鏡検査法（結腸スコープ法）のプロセスにおいて、候補オブジェクトと見なされる。当業者であれば、この典型的なポリープは例示にすぎず、また、医用画像または非医用画像中の他のどんな候補オブジェクトも検出できるものと理解されよう。勾配フィールドを算出でき、また、候補オブジェクトにトボガン処理を実行できる場合には、任意の次元数を持つ異なるモダリティ（様式）からの画像を処理すれば、これらの候補オブジェクトを検出できる。ここで、Ｉ（ｘ，ｙ，ｚ）は、生の輝度画像（raw intensity image）を持つサブボリュームであって、そこには、ポリープのインスタンス（実体）が入っている。

サブボリュームＩ（ｘ，ｙ，ｚ）は、マウス、または他の類似するポインティング・デバイス（図示されてない）を用いて、画面上に表示されたポリープ候補をクリックすることで、ユーザが決定できる。別法として、この候補位置は、検出モジュールで自動的に位置づけられる。このような自動ポリープ測定では、ポリープ・セグメンテーションを実行する必要がある。ポリープ・セグメンテーションのプロセスは、ポリープと結腸壁とを区別する挿入面（interpolating surface）（平面か、またはさらに高次の表面）を決定するという課題を提示している。

マスク・サイズが、所与のポリープのサイズと合っているときには、ＤＧＦＲ手法は、最適な応答を生成する。しかしながら、このポリープのサイズは、一般に、このポリープがセグメント化されて、かつ測定される前には知られていない。それゆえ、複数のスケールにてＤＧＦＲ応答をもたらす複数のマスク・サイズに関して、ＤＧＦＲ応答を算出する必要がある。その場合、異なるマスク・サイズが、複数のスケールの基準を与える。

軸方向視界ウインドウ２４１は、画像サブボリュームＩ（ｘ，ｙ，ｚ）中の典型的なポリープの直交図を示している。軸方向図２６₁は、オリジナル画像サブボリューム中のポリープを示すＸＺ軸平面図を示している。十字線２８は、このサブボリューム中のポリープの存在と位置を示すように、位置づけられている。軸方向図３０₁は、このポリープのＸＹ平面図を示している。軸方向図３２₁は、このポリープのＹＺ平面図を示している。

図１に戻って参照すると、ステップ１４において、さらに他の計算のために、このサブボリュームの正規化勾配フィールドを計算する。正規化勾配フィールドは、この勾配の方向を表わしている。正規化勾配フィールドは、この勾配フィールドを、その大きさで除算することで算定される。正規化勾配フィールドは、オリジナル画像中の輝度の影響を受けないように計算される必要がある。以下の図３に関連して、正規化勾配フィールドの実例を説明する。

図３は、本発明の好適な一実施形態において、典型的なポリープに対する正規化勾配フィールドを示している。軸方向視界ウインドウ２４₂は、画像サブボリュームＩ（ｘ，ｙ，ｚ）中の典型的なポリープに対する正規化勾配フィールドの直交図を示している。図示される勾配フィールドは、画像サブボリュームＩ（ｘ，ｙ，ｚ）から算出される。軸方向図２６₂は、オリジナル画像サブボリューム中のポリープに対する正規化勾配フィールドのＸＺ軸平面図を示している。十字線２８は、このサブボリューム中のポリープの存在と位置を示すように、位置づけられている。軸方向図３０₂は、このポリープに対する正規化勾配フィールドのＸＹ平面図を示している。軸方向図３２₂は、このポリープに対する正規化勾配フィールドのＹＺ平面図を示している。この正規化勾配フィールドは、（Ｉ_x（ｘ，ｙ，ｚ），Ｉ_y（ｘ，ｙ，ｚ），Ｉ_z（ｘ，ｙ，ｚ））で表わされており、図３中に小さな矢印として示されている。

戻って、図１を参照すると、ステップ１６において、この算出された正規化勾配フィールドを使用して、複数のスケールにて、その正規化勾配フィールドに対してＤＧＦＲ（発散勾配フィールド応答）応答を計算する。ＤＧＦＲ応答、すなわちＤＧＦＲ（ｘ，ｙ，ｚ）は、この勾配フィールド（Ｉ_x，Ｉ_y，Ｉ_z）を、サイズＳのテンプレート・ベクトル・マスクで畳み込むもの（convolution）として定義される。次に、以下で図４に関連して、このテンプレート・ベクトル・フィールド・マスクを説明する。等式の形式で表わされる畳み込みが、以下に列挙される。

Ω＝［−ｆｌｏｏｒ（Ｓ／２），ｆｌｏｏｒ（Ｓ／２）］とすると、
ＤＧＦＲ（ｘ，ｙ，ｚ）＝ΣΣΣＭ_x（ｉ，ｊ，ｋ）Ｉ_x（ｘ−ｉ，ｙ−ｊ，ｚ−ｋ）＋ΣΣΣＭ_y（ｉ，ｊ，ｋ）Ｉ_y（ｘ−ｉ，ｙ−ｊ，ｚ−ｋ）＋ΣΣΣＭ_z（ｉ，ｊ，ｋ）Ｉ_z（ｘ−ｉ，ｙ−ｊ，ｚ−ｋ） （１）

ここで、マスク・サイズＳのテンプレート・ベクトル・フィールド・マスクＭ（Ｍ_x（ｘ，ｙ，ｚ），Ｍ_y（ｘ，ｙ，ｚ），Ｍ_z（ｘ，ｙ，ｚ））は、以下のように定義される。

Ｍ_x（ｉ，ｊ，ｋ）＝ｉ／√（ｉ²＋ｊ²＋ｋ²） （２）

Ｍ_y（ｉ，ｊ，ｋ）＝ｊ／√（ｉ²＋ｊ²＋ｋ²） （３）

Ｍ_z（ｉ，ｊ，ｋ）＝ｋ／√（ｉ²＋ｊ²＋ｋ²） （４）

上記の畳み込みは、ベクトル畳み込みである。この定義されたマスクＭは、或る観点からは分離可能なものとは見なされないが、単一値分解（single value decomposition）を用いて、このマスクＭの近似値を求めることができ、それにより、この畳み込みの高速実現が達成できる。

ＤＧＦＲは、そのもっとも単純な形式でフィリタリングする手法であるとともに、候補の解剖学的組織物を自動的に検出する精巧なアルゴリズムでもある。例えば、ＤＧＦＲは、結腸ガン検出のための結腸ポリープ、動脈瘤、肺ガン検出のための肺小結節などを自動的に検出するために、使用できる。さらに、ＤＧＦＲは、その識別および分類に役立つ候補病変の他の描写特性を得るためにも使用できる。

次に、ＤＧＦＲ手法を説明する。Ｉ（ｘ，ｙ，ｚ）を、３つの軸方向図が図３に示されているポリープ・インスタンスが入っている生の輝度画像ボリュームとする。

図４は、本発明の好適な一実施形態において、サイズ１１の典型的なテンプレート・ベクトル・マスクを示している。サイズ１１の典型的な三次元ベクトル・マスクが、その軸線に沿った外観とともに図示されている。軸方向視界ウインドウ２４３は、サイズ１１のベクトル・マスクの直交図を示している。軸方向図２６₃は、このベクトル・マスクのＸＺ軸平面図を示している。十字線２８は、このサブボリューム中のポリープの存在と位置を示すように、位置づけられている。軸方向図３０₃は、このベクトル・マスクのＸＹ平面図を示している。軸方向図３２₃は、このベクトル・マスクのＹＺ平面図を示している。

テンプレート・ベクトル・マスクは、ＤＧＦＲ用のフィルタ係数を含む。このテンプレート・ベクトル・マスクは、この勾配ベクトル・フィールドで巻き込んで、勾配フィールド応答を生成するために、使用される。

異なる寸法のマスク、すなわち異なる畳み込みカーネル（合成核、convolution kernel）を使用すると、下に横たわる組織物を強調するＤＧＦＲ画像応答がもたらされることになり、その場合、これらの畳み込みが最大の応答を与える。それゆえ、この例示では、小さい球状組織物と小さい半球状組織物は、さらに小さい寸法、すなわち、５、７、９のマスクに応答するが、一方、さらに大きい組織物は、さらに大きい寸法、すなわち２１、２３、２５を持つマスクに関して、さらに大きい応答をもたらすことになる。しかしながら、さらに大きい組織物はまた、これらの組織物の局所対称性のために、さらに小さいマスクで大きい応答も持つことがある。さらに小さいマスクによるこのような応答の局所性の観点は、以下の説明において、セグメント化されたポリープの高周波の細部を蓄積（累加）／統合するために用いられる。

図５、図６、図７、図８は、マスク・サイズがそれぞれ１１、９、７、５である場合に、ＤＧＦＲ応答画像を示している。この段階では、ポリープのサイズが知られていないために、複数のマスク・サイズが必要となる。それゆえ、異なるマスク・サイズに従って、複数のスケールを介して複数のＤＧＦＲ応答を生成することが必要がある。

図５は、本発明の好適な一実施形態において、図４に示される典型的なマスク・サイズ１１に関して生成されたＤＧＦＲ応答画像を示している。軸方向視界ウインドウ２４４は、サイズ１１のベクトル・マスクを用いて生成されたＤＧＦＲ応答画像の直交図を示している。軸方向図２６₄は、マスク・サイズ１１に関して、ＤＧＦＲ応答のＸＺ軸平面図を示している。十字線２８は、このサブボリューム中のポリープの存在と位置を示すように、位置づけられている。軸方向図３０₄は、マスク・サイズ１１に関して、ＤＧＦＲ応答のＸＹ平面図を示している。軸方向図３２₄は、マスク・サイズ１１に関して、ＤＧＦＲ応答のＹＺ平面図を示している。このＤＧＦＲ応答は、上記の式１〜式４に示されるように、正規化勾配フィールド（Ｉ_x（ｘ，ｙ，ｚ），Ｉ_y（ｘ，ｙ，ｚ），Ｉ_z（ｘ，ｙ，ｚ））に、サイズ１１のマスク（この例において）を施すベクトル畳み込み演算（vector convolution operation）を通じて、生成される。

図６は、本発明の好適な一実施形態において、サイズ９の典型的なマスクに関して生成されたＤＧＦＲ応答画像を示している。軸方向視界ウインドウ２４₅は、サイズ９のベクトル・マスクを用いて生成されたＤＧＦＲ応答画像の直交図を示している。軸方向図２６₅は、マスク・サイズ９に関して、ＤＧＦＲ応答のＸＺ軸平面図を示している。十字線２８は、このサブボリューム中のポリープの存在と位置を示すように、位置づけられている。軸方向図３０₅は、マスク・サイズ９に関して、ＤＧＦＲ応答のＸＹ平面図を示している。軸方向図３２₅は、マスク・サイズ９に関して、ＤＧＦＲ応答のＹＺ平面図を示している。

図７は、本発明の好適な一実施形態において、サイズ７の典型的なマスクに関して生成されたＤＧＦＲ応答画像を示している。軸方向視界ウインドウ２４₆は、サイズ７のベクトル・マスクを用いて生成されたＤＧＦＲ応答画像の直交図を示している。軸方向図２６₆は、マスク・サイズ７に関して、ＤＧＦＲ応答のＸＺ軸平面図を示している。十字線２８は、このサブボリューム中のポリープの存在と位置を示すように、位置づけられている。軸方向図３０₆は、マスク・サイズ７に関して、ＤＧＦＲ応答のＸＹ平面図を示している。軸方向図３２₆は、マスク・サイズ７に関して、ＤＧＦＲ応答のＹＺ平面図を示している。

図８は、本発明の好適な一実施形態において、サイズ５の典型的なマスクに関して生成されたＤＧＦＲ応答画像を示している。軸方向視界ウインドウ２４₇は、サイズ５のベクトル・マスクを用いて生成されたＤＧＦＲ応答画像の直交図を示している。軸方向図２６₇は、マスク・サイズ５に関して、ＤＧＦＲ応答のＸＺ軸平面図を示している。十字線２８は、このサブボリューム中のポリープの存在と位置を示すように、位置づけられている。軸方向図３０₇は、マスク・サイズ５に関して、ＤＧＦＲ応答のＸＹ平面図を示している。軸方向図３２₇は、マスク・サイズ５に関して、ＤＧＦＲ応答のＹＺ平面図を示している。

図１に戻って参照すると、ステップ１８において、トボガン処理は、トボガン・ポテンシャルとしてＤＧＦＲを用いて実行されて、画像ピクセルまたは画像ボクセルを、その付近に事実上スライドして、クラスタを形成する。トボガン処理は、画像サブボリュームの一例を用いて、以下で例解される。

図９は、本発明の好適な一実施形態において、トボガン処理手法を例示している。例示のために、二次元画像空間を使用して、トボガン処理を説明する。トボガン処理は、線形実行時間で動作する非反復的な単一パラメータの手法である。トボガン処理は、それぞれの画像ピクセル／ボクセルを一回だけ処理するので、いわゆる線形実行時間が達成される。本発明の少なくとも１つの実施形態では、トボガン・ポテンシャルは、オリジナル画像ボリュームから算出されるものであって、その用途、および画像中のセグメント化されるオブジェクトによって決まる。それゆえ、このトボガン・ポテンシャルは、それぞれのピクセルにて、スライド方向を決定するために使用される。これと対照的に、従来のやり方では、トボガン処理用の唯一の入力は、画像の不連続性または局所的コントラスト度である。

本発明の少なくとも１つの実施形態では、ポリープは、バーチャル結腸内視鏡検査法を用いて抽出される。ポリープを抽出する応答画像は、オリジナル画像ボリュームからのＤＧＦＲを使用して、生成される。例示画像部分３４では、同一位置にスライドするあらゆるピクセルが、一まとめにされ、したがって、この画像ボリュームを、ボクセル・クラスタの集まりに区分する。

画像部分３４は、２Ｄ画像空間における５×５のトボガン・ポテンシャルのトボガン処理プロセスを示している。矢印に結び付けられている丸で囲んだ番号は、Ｐ１〜Ｐ２５のピクセルのそれぞれのポテンシャル値を示す。これらのポテンシャル値は、ＤＧＦＲ（発散勾配フィールド応答）をこの画像ボリュームに施すことで生成されて、ＤＧＦＲ応答を生成する。それぞれのピクセルは、最小ポテンシャルを持つその隣接ピクセルにスライド（slide）する。この例示では、すべてのピクセルは、ゼロのポテンシャルを持つ集中位置Ｐ１と呼ばれる同一位置にスライドする。このように、ピクセルをこの集中位置にスライドする動作が、ただ１つのクラスタを形成する。

ピクセルをスライドすることは、最小ポテンシャルを持つ隣接ピクセルを選択することで決定される。例えば、ピクセルＰ２は、２７のポテンシャルを持っており、また、その隣接ピクセル（Ｐ３、Ｐ８、Ｐ７）はそれぞれ、２０、１２、１４のポテンシャルを持っている。それぞれのピクセルが、最小ポテンシャルを持つ隣接ピクセルの方にスライドするために、Ｐ２のピクセルは、Ｐ３、Ｐ８、Ｐ７という３つの隣接ピクセルのうち、１２という最小ポテンシャルを持つピクセルＰ８の方にスライドする。

次に、ピクセルＰ４に関する他の例示を説明する。ピクセルＰ４は、２０、１２、６、６、８のポテンシャルを持つ隣接ピクセルとして、それぞれＰ３、Ｐ８、Ｐ９、Ｐ１０、Ｐ５のピクセルを持っている。Ｐ９とＰ１０のピクセルは、ピクセルＰ４の他の隣接ピクセル（Ｐ３、Ｐ８、Ｐ５）に囲まれて、６という最小ポテンシャルを持つ隣接ピクセルである。ピクセルＰ４は、この同一最小ポテンシャルを持つ隣接ピクセルのいずれかを選ぶ所定の選択基準に従って、ピクセルＰ９にスライドする。

ピクセルＰ１は、ゼロの最小ポテンシャルを持ち、それゆえ、そのすべての隣接ピクセル（Ｐ１３、Ｐ１４、Ｐ１５、Ｐ１９、Ｐ２４、Ｐ２３、Ｐ２２、Ｐ１８）は、ピクセルＰ１の方にスライドし、それゆえ「集中位置（concentration location）」であるただ１つのクラスタを形成する。したがって、画像ボリュームを、ボクセル・クラスタの集まりに区分することができる。

このトボガン処理プロセスにおいて、それぞれのボクセル（３Ｄで表わす）とピクセル（２Ｄで表わす）は、この算出されたポテンシャルにより、その隣接ボクセルおよび隣接ピクセルの１つにスライドする又はよじ登る（climb）。上記の例から、ピクセルが、最小ポテンシャルを持つ隣接ピクセルにスライドすることがわかるが、ただし、それは例示にすぎず、隣接ピクセルの選択は、その用途と、トボガン・ポテンシャルの算出によって決まる。例えば、ピクセルは、最大ポテンシャルか、最小ポテンシャルのいずれかを持つ位置にスライドするか、あるいはよじ登ることもある。

ポリープ・セグメンテーション用の少なくとも１つの実施形態では、トボガン・ポテンシャルとしてＤＧＦＲ応答を使用するときには、最大ポテンシャルを持つ隣接ボクセルが選択され、その場合、それぞれのボクセルが、最大ポテンシャルを持つ隣接ボクセルに進む。所与のボクセルが、その隣接ボクセルのどれよりも大きいポテンシャルを持つ場合には、所与のボクセルは、これ以上進まず、それ自体、集中位置となる。このプロセスは、所与のＤＧＦＲ応答に対して、ボクセルごとに、トボガン方向とトボガン・ラベルを生成する。同一集中位置に進むすべてのボクセルは、一意のクラスタ・ラベルに結び付けられて、１つのトボガン・クラスタが形成される。

図１０は、１１のマスク・サイズを用いる好適な一実施形態において、ＤＧＦＲ応答に関して形成されたトボガン・クラスタを示している。このトボガン・クラスタは、軸方向視界ウインドウ２４₈内で、小さな円（３６₁、３８₁、４０₁）として表わされている。軸方向視界ウインドウ２４₈は、サイズ１１のベクトル・マスクを用いて生成されたＤＧＦＲ応答画像に関して、トボガン・クラスタの直交図を示している。軸方向視界２６₈は、ＸＺトボガン・クラスタ外観３６₁を含むトボガン・クラスタの軸平面図を示している。十字線２８は、このサブボリューム中のポリープの存在と位置を示すように、位置づけられている。軸方向図３０₈は、ＸＹトボガン・クラスタ外観３８₁を含むトボガン・クラスタの軸平面図を示している。軸方向視界３２₈は、ＹＺトボガン・クラスタ外観４０₁を含むトボガン・クラスタの軸平面図を示している。

図１１は、１１のマスク・サイズとともにＤＧＦＲを用いる好適な一実施形態において、オリジナル画像応答のサブボリュームに関して形成されたトボガン・クラスタを示している。このトボガン・クラスタは、軸方向視界ウインドウ２４₉内で、小さな円として表わされている。軸方向視界ウインドウ２４₉は、サイズ１１のベクトル・マスクを用いて生成されたＤＧＦＲ応答画像に関して、トボガン・クラスタの直交図を示している。軸方向図２６₉は、ＸＺトボガン・クラスタ外観３６₂を含むトボガン・クラスタの軸平面図を示している。十字線２８は、このサブボリューム中のポリープの存在と位置を示すように、位置づけられている。軸方向図３０₉は、ＸＹトボガン・クラスタ外観３８₂を含むトボガン・クラスタの軸平面図を示している。軸方向図３２₉は、ＹＺトボガン・クラスタ外観４０₂を含むトボガン・クラスタの軸平面図を示している。

次に、トボガン処理プロセスを最適化する好適な手法を説明する。このトボガン処理プロセスは、いくつかの用途において、小さな領域のみに施されることがある。すなわち、すべてのボクセルが、そのサブボリューム中でスライドし／進むことが必要であるとは限らない。例えば、ポリープ・セグメンテーションの場合には、結腸壁沿いの領域だけが関係があり、空気（内腔）または骨を表わすボクセルが登る／スライドする必要はない。二次的に重要な上記ボクセルは、公知の輝度値と、空気（内腔）および骨に対応づけられる関連ハウンズ・フィールド単位（Hounsfield Units（HU））とに基づいて、あらかじめ、充分しきい値処理することができる。

これらのＤＧＦＲ応答もしきい値処理して、選択された値よりも小さい応答を持つどんなボクセルも処理されないようにすることもできる。それゆえ、しきい値処理は、処理されるエリアをより良く改善し、さらに、このトボガン処理プロセスを促進する不必要な算出を除去することもできる。トボガン処理は、それぞれのスケールにて実行され、それゆえ、結果的には、それぞれのスケールにて、トボガン・クラスタがあるかもしれない。しかしながら、上述のように、ＤＧＦＲ応答、および、輝度にしきい値処理しても、或るスケール（１つまたは複数）では、トボガン処理クラスタが得られない場合もある。

次に、ＤＧＦＲ応答を考察する。ＤＧＦＲ応答のサポートは、この勾配フィールドの対称性に比例する。すなわち、この勾配フィールドが対称的であればあるほど、その応答もそれだけ大きくなる。この勾配フィールドに対する集中地点が、ＤＧＦＲ応答を捕獲するマスクの中心と一致しているときに、発散フィールドは、最大の応答を与えることになる。ここで、理想的なポリープが、有茎（pedunculated）である（すなわち、形状が球状であって、かつ、幹状部を介して結腸壁に繋がっている）か、あるいは無茎（sessile）である（すなわち、半球状である）場合には、もっとも強大な勾配が、その中心に集中し、また、その大きさが、強大なエッジ遷移によりサポートされることになる。サイズが、そのような組織物の直径と一致しているテンプレート・マスクは、もっとも強い応答をもたらすことになる。このマスクは、「捕獲マスク（capturing mask）」と呼ばれている。

このＤＧＦＲからの応答は、一部、ポリーブ状組織物の対称性、および、この発散フィールドの集中地点によって決まる。同一のポリーブ状組織物を処理しようとするとき、その捕獲マスクよりも大きいマスクは、それらのフィールドが、最適なものにますます揃えられなくなり、それゆえ、その応答が減少することになる。さらに小さいマスクは、なおサポートを持つことになる。このようなマスクは、その捕獲マスクよりもさらに大きい応答を持つこともある。そのことは、さらに小さいマスクが、その中心から、その境界（縁）へ半径方向にスライドすると想定すれば、理解できる。この限定的な事例において、サイズ５のマスクは、この場合、例えば有茎のポリープでは、そのマスクで生成される応答でのサポートのために、半球の２分の１よりも大きいものから得られよう。それゆえ、さらに小さいマスクでは、この勾配フィールドは完全には揃えられないかもしれないが、その全体の応答は、さらに大きいことがある。

上記の観察結果から、また、セグメント化された組織物の解剖学的構造（anatomy）が変わりやすいとすれば、完全なポリープ・セグメンテーションを表わすただ１つのトボガン・クラスタを形成する必要はない。それゆえ、ポリープ・セグメンテーションのために、複数のスケールでのＤＧＦＲ応答で形成されたトボガン・クラスタを統合する必要がある。

図１０と図１１で理解できるように、このトボガン処理クラスタは、このトボガン処理されるエリアをポリープ領域の中心に置くことにより、ポリープ領域にてクラスタ化される。

図１に戻って参照すると、ステップ２０において、トボガン処理されたクラスタは、いっしょに組み合わされる。これらのトボガン・クラスタを組み合わせるプロセスは、以下で、図１２に関連して説明される。

ステップ２２において、この処理されたサブボリュームをセグメント化して、１つまたは複数の候補オブジェクトを検出する。

図１２は、本発明の好適な一実施形態において、トボガン・クラスタを統合するプロセスに関する流れ図４２を示している。この統合プロセスの説明は、図９〜図１１と図１３〜図１６に示される例（以後、「図解例」と呼ぶ）を参照する。ステップ４４において、最初のクラスタを選択する。上述のように、複数スケールでのトボガン・クラスタは、異なるサイズのマスクを応答画像に施すことで得られた。しきい値が用いられるから、さらに大きいスケールでは（すなわち、大きいマスクでは）、トボガン・クラスタはまったくないかもしれない。それゆえ、最初のクラスタを決定する必要がある。この探索プロセスは、利用できる最大のマスクからスタートし、次に、検出位置を含むトボガン・クラスタが見出されるまで、次に大きいマスクを考察する。このような最初のトボガン・クラスタは、「ベース・クラスタ」と見なされる。

この図解例では、しきい値（０．３）が施される場合には、２３から１３まで（上から下へ、大から小へ）のスケールでのＤＧＦＲ応答に基づいて、その検出位置にはクラスタがまったく形成されない。最初のクラスタ（すなわち、ベース・クラスタ）は、図１０に示される１１のスケールにて見出される。その場合、ベース・クラスタは、ＤＧＦＲ応答に重ねられるが、一方、同一クラスタは、図１０中のオリジナル・サブボリュームに重ねられる。

ステップ４６において、このベース・クラスタを拡張する。このベース・クラスタの拡張は、次に小さいマスクでのＤＧＦＲ応答に基づいて生成されるトボガン・クラスタ中にボクセルを選択的に含むことで、行われる。ステップ４８において、ベース・クラスタ中のすべてのボクセルをカバーするように求められるすべてのクラスタを見出す。

ステップ４８において見出されたそれぞれのクラスタに対する反復的プロセスを、次に、ステップ５０において、記述される通りに実行する。このベース・クラスタがＢ個のボクセルを持っていると仮定すると、含めようと考えている新規クラスタには、Ｃ個のボクセルが入っており、また、そのベース・クラスタか、その新規クラスタのいずれかに入っているボクセルの合計数はＤである。ｐ１は、（Ｂ＋Ｃ−Ｄ）／Ｂと定義され、また、ｐ２は、（Ｂ＋Ｃ−Ｄ）／Ｃと定義される。このベース・クラスタは、それが、（ｐ１＞包含閾値（Inclusion Threshold １））と（ｐ２＞包含閾値２）の条件を階層化する場合には、このクラスタからのボクセルだけを含むことで、拡張される。この図解例では、好適な実施例において、包含閾値１は０．６にセットされ、また、包含閾値２は０．３にセットされた。

ステップ５２において、この拡張されたクラスタを、ベース・クラスタとしてセットする。ステップ５４において、最小マスクでのＤＧＦＲ応答に達するまで、その拡張プロセスを繰り返す。この例では、最小マスク・サイスは５である。この形成されたクラスタは、図１５に示されている。

図１３と図１４は、本発明の好適な実施形態において、上述のクラスタ統合プロセスに使用されるトボガン・クラスタの軸方向図を示している。この図解例では、図１３と図１４において、ボクセルに「＋」記号が付けられている（５６_1-2、５８_1-2、６０_1-2）クラスタがただ１つある。この新規の拡張クラスタは、図１３と図１４において、「ｏ」で表わされるベース・クラスタ中のボクセル（３６_3-4、３８_3-4、４０_3-4）のすべて、または少なくとも大部分をカバーしている。一般に、この新規の拡張クラスタは、このベース・クラスタ中のすべてのボクセルをカバーするように、複数のクラスタに求めている。このベース・クラスタを確実に徐々に拡張できるように、複数のクラスタがある場合には、これらのクラスタのそれぞれは、以下に述べられる包含条件をそれぞれが満たすことを検証するために、評価される。

図１３は、本発明の好適な一実施形態において、拡張トボガン・クラスタを含むトボガン・クラスタの軸方向図を示している。図１３では、このトボガン・クラスタは、軸方向視界ウインドウ２４₁₀内の小さな円として表わされている。軸方向視界ウインドウ２４₁₀は、このトボガン・クラスタの直交図を示している。軸方向図２６₁₀は、ＸＺトボガン・クラスタ外観３６₃とＸＺ拡張クラスタ外観５６₁とを含むトボガン・クラスタの軸平面図を示している。十字線２８は、このサブボリューム中のポリープの存在と位置を示すように、位置づけられている。軸方向図３０₁₀は、ＸＹトボガン・クラスタ外観３８₃とＸＹ拡張クラスタ外観５８₁とを含むトボガン・クラスタの軸平面図を示している。軸方向図３２₁₀は、ＹＺトボガン・クラスタ外観４０₃とＹＺ拡張クラスタ外観６０₁とを含むトボガン・クラスタの軸平面図を示している。

図１４は、本発明の好適な一実施形態において、拡張トボガン・クラスタを含むトボガン・クラスタの軸方向図を示している。図１４では、このトボガン・クラスタは、軸方向視界ウインドウ２４₁₁内の小さな円として表わされている。軸方向視界ウインドウ２４₁₁は、このトボガン・クラスタの直交図を示している。軸方向図２６₁₁は、ＸＺトボガン・クラスタ外観３６₄とＸＺ拡張クラスタ外観５６₂とを含むトボガン・クラスタの軸平面図を示している。十字線２８は、このサブボリューム中のポリープの存在と位置を示すように、位置づけられている。軸方向図３０₁₁は、ＸＹトボガン・クラスタ外観３８₄とＸＹ拡張クラスタ外観５８₂とを含むトボガン・クラスタの軸平面図を示している。軸方向図３２₁₁は、ＹＺトボガン・クラスタ外観４０₄とＹＺ拡張クラスタ外観６０₂とを含むトボガン・クラスタの軸平面図を示している。

図１５は、本発明の好適な一実施形態において、クラスタ用の統合プロセスを実行した後で、形成されたクラスタを示している。図１５では、この形成されたトボガン・クラスタは、軸方向視界ウインドウ２４₁₂内の小さな円として表わされている。軸方向視界ウインドウ２４₁₂は、この形成されたトボガン・クラスタの直交図を示している。軸方向図２６₁₂は、ＸＺトボガン・クラスタ外観３６₅を含む形成されたトボガン・クラスタの軸平面図を示している。十字線２８は、このサブボリューム中のポリープの存在と位置を示すように、位置づけられている。軸方向図３０₁₂は、ＸＹトボガン・クラスタ外観３８₅を含む形成されたトボガン・クラスタの軸平面図を示している。軸方向図３２₁₁は、ＹＺトボガン・クラスタ外観４０₅を含む形成されたトボガン・クラスタの軸平面図を示している。

図１６は、本発明の好適な一実施形態において、モルフォロジカル操作を実行した後で得られた最終トボガン・クラスタを示している。図１６では、この最終トボガン・クラスタは、軸方向視界ウインドウ２４₁₃内の小さな円として表わされている。軸方向視界ウインドウ２４₁₃は、この最終トボガン・クラスタの直交図を示している。軸方向図２６₁₃は、ＸＺトボガン・クラスタ外観３６₆を含む最終トボガン・クラスタの軸平面図を示している。十字線２８は、このサブボリューム中のポリープの存在と位置を示すように、位置づけられている。軸方向図３０₁₃は、ＸＹトボガン・クラスタ外観３８₆を含む最終トボガン・クラスタの軸平面図を示している。軸方向図３２₁₁は、ＹＺトボガン・クラスタ外観４０₆を含む最終トボガン・クラスタの軸平面図を示している。

次に、モルフォロジカル操作を説明する。結果として、上記プロセスから得られたクラスタは、ポリープの表面を充分に明らかにしてないかもしれない。それゆえ、モルフォロジカル操作（例えば、拡大、クロージングなど）を施して、ポリープ・セグメンテーションとして、最終トボガン・クラスタを仕上げる。このポリープ表面を形成するボクセルを含むことに焦点が合わされているから、拡大マスクが、空気中にｎ１個よりも多くのボクセルと、クラスタ中にｎ２個よりも多くのボクセルを含むときに、拡大プロセスが施される。この拡大マスクの一部が、空気中にボクセルの一部を含むように求めることで、このような拡大は、そのクラスタのうち、結腸中の内腔（空気）の方に延びている部分に限定される。この図解例では、ｎ１＝１２、およびｎ２＝３であり、この最終トボガン・クラスタが、図１５に与えられている。

様々なマスクの全域で、これらのクラスタを統合することで、結果として、小さい穴を含むクラスタがもたらされることがある。これは、様々なマスクを用いるＤＧＦＲ応答に基づいて、クラスタが抽出され、かつその増大が制限されるやり方によるものである。これらのギャップを埋め、さらに、その外形も滑らかにするために、その結果として得られたクラスタに、モルフォロジカル・クロージングを施す。この図解例では、ギャップは発生せず、また、モルフォロジカル・クロージングを通じて、追加ボクセルはまったく含まれなかった。図１６中のトボガン・クラスタは、その最終ポリープ・セグメンテーションを実現した。

このセグメント化された最終画像は、このセグメント化された候補（この例では、ポリープ）と、モデル形状の公知クラスを比較して、その初期セグメンテーションを改善することで、さらに改善できる。これにより、このセグメント化された最終候補は、候補の公知のプロトタイプ・トポロジーに確実に合致できるであろう。医用画像では、このようなプロトタイプ候補は、腫瘍、ポリープ、小結節などであることもある。

図１７を参照すると、本発明の好適な一実施形態により、本発明を実施するコンピュータ・システム１０１は、とりわけ、ＣＰＵ（中央演算処理装置）１０２、メモリ１０３、Ｉ／Ｏ（入出力）インターフェース１０４を含む。コンピュータ・システム１０１は、一般に、Ｉ／Ｏインターフェース１０４を通じて、ディスプレイ１０５、および、マウスやキーボードなどの様々な入力装置１０６に結合されている。これらのサポート回路は、キャッシュ、電源、クロック回路、通信バスなどの回路を含むこともある。メモリ１０３は、ＲＡＭ（ランダム・アクセス・メモリ）、ＲＯＭ（リード・オンリー・メモリ）、ディスク・ドライブ、テープ・ドライブなど、あるいは、それらを組み合わせたものを含むこともある。本発明の好適な一実施形態は、メモリ１０３中に格納され、かつＣＰＵ１０２で実行されるルーチン１０７として実施されて、信号源１０８からの信号を処理することもある。したがって、コンピュータ・システム１０１は、本発明の好適な一実施形態において、本発明のルーチン１０７を実行するときには、特定目的のコンピュータ・システムとなる汎用コンピュータ・システムである。

コンピュータ・プラットフォーム１０１はまた、オペレーティング・システムとマイクロ命令コードも含む。本明細書に述べられる様々なプロセスおよび機能は、オペレーティング・システムを通じて実行される上記マイクロ命令コードの一部、または、アプリケーション・プログラムの一部（あるいは、それらを組み合わせたもの）であるかもしれない。さらに、追加データ記憶装置や印刷装置などの他の様々な周辺装置が、このコンピュータ・プラットフォームに接続されることがある。

さらに、これらの添付図面に示される構成するシステム構成要素と方法ステップの一部は、ソフトウェアで実施されるために、これらのシステム構成要素（またはプロセス・ステップ）間の実際のつながりは、本発明の好適な一実施形態において、本発明をプログラムするやり方により、様々であるものとする。本明細書にて開示された本発明の教示が与えられた場合、当業者は、本明細書の上記および類似の実施例または構成を想到することができるであろう。

本発明は、本発明の好適な実施形態を参照して、特に図示されて、説明されてきたが、当業者であれば、併記の特許請求の範囲により定められる本発明の精神および範囲から逸脱することなく、これらの好適な実施形態に対して、形式および細部の様々な変更を行うことができることが理解されよう。

本発明の一実施形態において、ＤＧＦＲとトボガン処理を用いる候補オブジェクト検出を示す流れ図である。 本発明の好適な一実施形態において、例示サブボリューム中の典型的なポリープの３Ｄ直交図を示す。 本発明の好適な一実施形態において、典型的なポリープに対する正規化勾配フィールドを示す。 本発明の好適な一実施形態において、サイズ１１の典型的なテンプレート・ベクトル・マスクを示す。 本発明の好適な一実施形態において、図４に示される典型的なマスク・サイズ１１に関して生成されたＤＧＦＲ応答画像を示す。 本発明の好適な一実施形態において、サイズ９の典型的なマスクに関して生成されたＤＧＦＲ応答画像を示す。 本発明の好適な一実施形態において、サイズ７の典型的なマスクに関して生成されたＤＧＦＲ応答画像を示す。 本発明の好適な一実施形態において、サイズ５の典型的なマスクに関して生成されたＤＧＦＲ応答画像を示す。 本発明の好適な一実施形態において、トボガン処理手法を例示する。 １１のマスク・サイズを用いる好適な一実施形態において、ＤＧＦＲ応答に関して形成されたトボガン・クラスタを示す。 １１のマスク・サイズとともにＤＧＦＲを用いる好適な一実施形態において、オリジナル画像応答のサブボリュームに関して形成されたトボガン・クラスタを示す。 本発明の好適な一実施形態において、トボガン・クラスタを統合するプロセスに関する流れ図４２を示す。 本発明の好適な一実施形態において、拡張トボガン・クラスタを含むトボガン・クラスタの軸方向図を示す。 本発明の好適な一実施形態において、拡張トボガン・クラスタを含むトボガン・クラスタの軸方向図を示す。 本発明の好適な一実施形態において、クラスタ用の統合プロセスを実行した後で、形成されたクラスタを示す。 本発明の好適な一実施形態において、モルフォロジカル（morphological）操作を実行した後で得られた最終のトボガン・クラスタを示す。 本発明の好適な一実施形態において使用される典型的なコンピュータを示す。

符号の説明

２８ 十字線
１０３ メモリ

Claims (33)

1. 複数の画像要素を有する画像中から、１つまたは複数の、検出目的の画像の候補としての候補オブジェクトをセグメント化する画像処理方法であって、
   前記画像中の前記候補オブジェクトのうちの１つの候補オブジェクトの、前記画像要素における基準となる位置を設定するステップと、
   前記位置の付近に隣接した１つまたは複数の画像要素である隣接画像要素についての、１つまたは複数の応答値を算出するステップであって、１つまたは複数のテンプレート・マスクを用いて前記画像から１つまたは複数の発散勾配フィールド（ＤＧＦＲ）応答による応答値を算出するステップを含んだステップと、
   前記算出された応答値が所定の数値範囲内の値であるか否かに基づいて前記１つまたは複数の隣接画像要素についての画像要素クラスタを生成するステップであって、ＤＧＦＲ応答を用いたトボガン処理によって１つまたは複数のトボガン処理済み画像要素クラスタを前記画像要素クラスタとして生成するステップを含むステップと、
   前記画像要素クラスタを当該画像要素クラスタに対応した統合則を用いて統合して、前記位置における前記候補オブジェクトのセグメントを生成するステップと、
   を含むことを特徴とする画像処理方法。
2. 請求項１記載の画像処理方法において、
   前記画像要素クラスタを生成するステップが、
   前記複数のテンプレート・マスクのうちの少なくとも１つの第１のテンプレート・マスクに対応して算出された前記ＤＧＦＲ応答に基づいて、前記画像要素から前記画像要素クラスタのベース・クラスタを形成するステップと、
   前記複数のテンプレート・マスクのうちの少なくとも１つの第２のテンプレート・マスクに対応して算出された前記ＤＧＦＲ応答に基づいて、前記ベース・クラスタのクラスタ精度を高精度化するステップと、
   を含むことを特徴とする画像処理方法。
3. 請求項１または２記載の画像処理方法において、
   前記発散勾配フィールド（ＤＧＦＲ）応答の算出に用いられる前記画像の正規化勾配フィールドを算出するステップを、さらに含む
   ことを特徴とする画像処理方法。
4. 請求項３記載の画像処理方法において、
   前記応答値を算出するステップは、前記テンプレート・マスクの１つまたは複数を用いて、前記正規化勾配フィールドのベクトル畳み込みを実行するステップを含む
   ことを特徴とする画像処理方法。
5. 請求項４記載の画像処理方法において、
   前記テンプレート・マスクが、
   Ｍ_x（ｉ，ｊ，ｋ）＝ｉ／√（ｉ²＋ｊ²＋ｋ²），
   Ｍ_y（ｉ，ｊ，ｋ）＝ｊ／√（ｉ²＋ｊ²＋ｋ²），
   Ｍ_z（ｉ，ｊ，ｋ）＝ｋ／√（ｉ²＋ｊ²＋ｋ²），
   （ここに、上記Ｍ_x，Ｍ_y，Ｍ_zは、それぞれｘ，ｙ，ｚ軸方向でのテンプレート・ベクトル・フィールド・マスクである）
   を含む
   ことを特徴とする画像処理方法。
6. 請求項５記載の画像処理方法において、
   前記テンプレート・マスクを用いたベクトル畳み込み演算が、
   ＤＧＦＲ（ｘ，ｙ，ｚ）＝ΣΣΣＭ_x（ｉ，ｊ，ｋ）Ｉ_x（ｘ−ｉ，ｙ−ｊ，ｚ−ｋ）＋ΣΣΣＭ_y（ｉ，ｊ，ｋ）Ｉ_y（ｘ−ｉ，ｙ−ｊ，ｚ−ｋ）＋ΣΣΣＭ_z（ｉ，ｊ，ｋ）Ｉ_z（ｘ−ｉ，ｙ−ｊ，ｚ−ｋ）を含む
   （ここに、上式において、Ω＝［-floor（Ｓ／２），floor（Ｓ／２）］である）
   ことを特徴とする画像処理方法。
7. 請求項１から６のうちのいずれか１つの項に記載の画像処理方法において、
   前記画像要素を選択的に統合するにあたり、少なくとも１つの前記候補オブジェクトが検出された前記テンプレート・マスクのうちの最大のものに対応するベース・クラスタを、前記トボガン処理済み画像要素クラスタから選択するステップと、
   前記選択されたトボガン処理済み画像要素クラスタが、所定の包含しきい基準を満たす場合には、前記最大のマスクよりも小さいテンプレート・マスクから得られた画像要素であって前記選択されたトボガン処理済み画像要素クラスタに対応する画像要素を含むようにすることで、前記ベース・クラスタを反復的に拡張するステップと、
   を含むことを特徴とする画像処理方法。
8. 請求項１から７のうちのいずれか１つの項に記載の画像処理方法において、
   前記候補オブジェクトのうちの所与の一つの候補オブジェクトを解析するための、前記反復的に拡張された最終のトボガン処理済み画像要素クラスタを用いた前記画像のセグメント化を行うステップを、さらに含む
   ことを特徴とする画像処理方法。
9. 請求項８記載の画像処理方法において、
   解析された前記所与の一つの候補オブジェクトの画像と予め定められたプロトタイプの候補オブジェクトの画像との比較によって、前記セグメント化が行われた画像の検出精度を高精度化する
   ことを特徴とする画像処理方法。
10. 請求項１から９のうちのいずれか１つの項に記載の画像処理方法において、
    前記画像要素クラスタを生成するステップが、前記トボガン処理済み画像要素クラスタに関する１つまたは複数のトボガン・ポテンシャルとして前記ＤＧＦＲ応答を用いたトボガン処理を前記画像要素に対して実行するステップであって当該実行により前記トボガン処理済み画像要素クラスタを決定するステップを含む
    ことを特徴とする画像処理方法。
11. 請求項１０記載の画像処理方法において、
    前記トボガン処理を前記画像要素に対して実行するステップが、前記画像要素のうちの所与の１つの画像要素から前記画像要素中の集中位置に向かう隣接画像要素へとスライドを前記画像要素中で実行するステップを、さらに含む
    ことを特徴とする画像処理方法。
12. 請求項１１記載の画像処理方法において、
    前記スライドが、前記トボガン・ポテンシャルの最小値または最大値のうちの１つを持つ集中位置に向かって実行される
    ことを特徴とする画像処理方法。
13. 請求項１０記載の画像処理方法において、
    前記トボガン処理を前記画像要素に対して実行するステップが、前記画像要素の所与の１つから前記画像要素中の集中位置に向かう隣接画像要素へと前記画像要素中で登るステップをさらに含む
    ことを特徴とする画像処理方法。
14. 請求項１３記載の画像処理方法において、
    前記登るステップは、前記トボガン・ポテンシャルの最小値または最大値のうちの１つを持つ集中位置に向かって実行される
    ことを特徴とする画像処理方法。
15. 請求項１から１４のうちのいずれか１つの項に記載の画像処理方法において、
    前記画像要素が、３次元画像中のボクセルおよび２次元画像中のピクセルのうちの少なくとも１つである
    ことを特徴とする画像処理方法。
16. 請求項１から１５のうちのいずれか１つの項に記載の画像処理方法において、
    前記画像が医用画像であり、かつ前記候補オブジェクトの少なくとも１つが結腸のポリープに対応した画像的特性を有する画像である
    ことを特徴とする画像処理方法。
17. 請求項１から１６のうちのいずれか１つの項に記載の画像処理方法において、
    １つまたは複数のモルフォロジカル操作を、前記選択的に統合された画像要素クラスタに施すステップを、さらに含む
    ことを特徴とする画像処理方法。
18. １つまたは複数の画像要素を持つ画像ボリュームにおける、１つまたは複数の、検出目的の画像ボリュームの候補としての候補オブジェクトを解析する画像解析方法であって、
    前記画像ボリュームの正規化勾配フィールドを算出するステップと、
    スケールの異なる複数のテンプレート・マスクを用いて、前記正規化勾配フィールドから、発散勾配フィールド（ＤＧＦＲ）応答を算出するステップと、
    前記ＤＧＦＲ応答を用いてトボガン処理を実行して、スケールの異なる複数のトボガン処理済み画像要素クラスタを生成するステップと、
    前記スケールの異なる複数のトボガン処理済み画像要素クラスタを統合して、最終のトボガン処理済み画像要素クラスタとして、前記候補オブジェクトの所与の１つに対応する少なくとも１つのトボガン処理済み画像要素クラスタを拡大マスク法によって決定するステップと、
    を含むことを特徴とする画像解析方法。
19. 請求項１８記載の画像解析方法において、
    前記最終のトボガン処理済みクラスタをセグメント化して、前記候補オブジェクトの前記所与の１つを解析するステップをさらに含む
    ことを特徴とする画像解析方法。
20. 請求項１９記載の画像解析方法において、
    前記セグメント化するステップによって行われるセグメント化のセグメント精度を、１つまたは複数の、予め定められた潜在的なセグメント化オブジェクトを含むモデル・クラスタを用いて高精度化する
    ことを特徴とする画像解析方法。
21. 請求項２０記載の画像解析方法において、
    前記画像ボリュームが、医用画像中に含まれた画像ボリュームであり、
    前記モデル・クラスが、前記医用画像中にセグメント化された生体組織物の画像ボリュームを含むものである
    ことを特徴とする画像解析方法。
22. 複数の画像要素を有する画像中から、１つまたは複数の、検出目的の画像の候補としての候補オブジェクトをセグメント化する方法ステップを情報処理装置に実行させるためのプログラムを、前記情報処理装置で読み取り可能に記憶してなるプログラム記憶媒体であって、
    前記画像中の前記候補オブジェクトのうちの１つの候補オブジェクトの、前記画像要素における基準となる位置を設定するステップと、
    前記位置の付近に隣接した１つまたは複数の画像要素である隣接画像要素についての、１つまたは複数の応答値を算出するステップであって、１つまたは複数のテンプレート・マスクを用いて、前記画像から１つまたは複数の発散勾配フィールド（ＤＧＦＲ）応答を算出するステップを含むステップと、
    前記算出された応答値が所定の数値範囲内の値であるか否かに基づいて、前記１つまたは複数の隣接画像要素についての画像要素クラスタを生成するステップであって、ＤＧＦＲ応答による応答値を用いたトボガン処理によって１つまたは複数のトボガン処理済み画像要素クラスタを前記画像要素クラスタとして生成するステップを含むステップと、
    前記画像要素クラスタを選択的に統合して、前記位置における前記候補オブジェクトのセグメントを生成するステップと、
    を含む方法ステップを前記情報処理装置で実行するための命令を備えたプログラムを織り込んでなる
    ことを特徴とするプログラム記憶媒体。
23. 請求項２２記載のプログラム記憶媒体において、
    前記画像要素クラスタを生成するステップが、
    前記複数のテンプレート・マスクのうちの少なくとも１つの第１のテンプレート・マスクに対応して算出された前記ＤＧＦＲ応答に基づいて、前記画像要素から前記画像要素クラスタのベース・クラスタを形成するステップと、
    前記複数のテンプレート・マスクのうちの少なくとも１つの第２のテンプレート・マスクに対応して算出された前記ＤＧＦＲ応答に基づいて、前記ベース・クラスタのクラスタ精度を高精度化するステップと、
    を含むものである
    ことを特徴とするプログラム記憶媒体。
24. 請求項２２記載のプログラム記憶媒体において、
    前記発散勾配フィールド（ＤＧＦＲ）応答の算出に用いられる前記画像の正規化勾配フィールドを算出するステップを、さらに含む
    ことを特徴とするプログラム記憶媒体。
25. 請求項２４記載のプログラム記憶媒体において、
    前記応答値を算出するステップが、前記テンプレート・マスクの１つまたは複数を用いて、前記正規化勾配フィールドのベクトル畳み込みを実行するステップを含むものであることを特徴とするプログラム記憶媒体。
26. 請求項２５記載のプログラム記憶媒体において、
    前記テンプレート・マスクが、
    Ｍ_x（ｉ，ｊ，ｋ）＝ｉ／√（ｉ²＋ｊ²＋ｋ²），
    Ｍ_y（ｉ，ｊ，ｋ）＝ｊ／√（ｉ²＋ｊ²＋ｋ²），
    Ｍ_z（ｉ，ｊ，ｋ）＝ｋ／√（ｉ²＋ｊ²＋ｋ²），
    （ここに、上記Ｍ_x，Ｍ_y，Ｍ_zは、それぞれｘ，ｙ，ｚ軸方向でのテンプレート・ベクトル・フィールド・マスクである）
    を含むものである
    ことを特徴とするプログラム記憶媒体。
27. 請求項２６記載のプログラム記憶媒体において、
    前記テンプレート・マスクを用いたベクトル畳み込み演算が、
    ＤＧＦＲ（ｘ，ｙ，ｚ）＝ΣΣΣＭ_x（ｉ，ｊ，ｋ）Ｉ_x（ｘ−ｉ，ｙ−ｊ，ｚ−ｋ）＋ΣΣΣＭ_y（ｉ，ｊ，ｋ）Ｉ_y（ｘ−ｉ，ｙ−ｊ，ｚ−ｋ）＋ΣΣΣＭ_z（ｉ，ｊ，ｋ）Ｉ_z（ｘ−ｉ，ｙ−ｊ，ｚ−ｋ）を含むものである
    （ここに、上式において、Ω＝［-floor（Ｓ／２），floor（Ｓ／２）］である）
    ことを特徴とするプログラム記憶媒体。
28. 請求項２７記載のプログラム記憶媒体において、
    前記トボガン処理を実行するステップが、前記画像要素のうちの所与の１つの画像要素から前記画像要素中の集中位置に向かう隣接画像要素へとスライドを前記画像要素中で実行するステップを、さらに含んだものである
    ことを特徴とするプログラム記憶媒体。
29. 請求項２８記載のプログラム記憶媒体において、
    前記スライドが、前記トボガン・ポテンシャルの最小値または最大値のうちの１つを持つ集中位置に向かって実行されるものである
    ことを特徴とするプログラム記憶媒体。
30. 請求項２７記載のプログラム記憶媒体において、
    前記トボガン処理を実行するステップが、前記画像要素の所与の１つから前記画像要素中の集中位置に向かう隣接画像要素へと前記画像要素中で登る命令をさらに含むものである
    ことを特徴とするプログラム記憶媒体。
31. 請求項３０記載のプログラム記憶媒体において、
    前記登るステップが、前記トボガン・ポテンシャルの最小値または最大値のうちの１つを持つ集中位置に向かって実行されるものである
    ことを特徴とするプログラム記憶媒体。
32. 請求項２２記載のプログラム記憶媒体において、
    前記画像要素が、３次元画像中のボクセルおよび２次元画像中のピクセルのうちの少なくとも１つである
    ことを特徴とするプログラム記憶媒体。
33. 請求項２２記載のプログラム記憶媒体において、
    前記画像が医用画像であり、かつ前記候補オブジェクトの少なくとも１つが結腸のポリープに対応した画像的特性を有する画像である
    ことを特徴とするプログラム記憶媒体。

Images