JP4914517B2 - 構造物検出装置および方法ならびにプログラム - Google Patents

Description

本発明は、医用画像等から特定の構造物を検出する構造物検出装置および方法ならびにプログラムに関するものである。

近年、医療機器（たとえば多検出器型ＣＴ等）の進歩により質の高い３Ｄ画像が画像診断に用いられる。３Ｄ画像は多数の２Ｄ画像から構成され情報量が多いため、医師が所望の観察部位を見つけ診断することに時間を要する場合がある。そこで、注目する臓器を抽出しＭＩＰ、ＶＲ、ＣＰＲ等の表示を行うことにより、臓器全体や病変の視認性を高め診断の効率化を図ることが行われている。たとえば心臓ＣＴ画像に対する解析、特に冠動脈解析を行う際に、血管経路に沿って展開したＣＰＲ画像や狭窄部や狭窄率といった診断に有効な情報を得るために、冠動脈の中心経路をグラフ構造として抽出することが要求される。

所定の構造物をボリュームデータ等の３次元画像データから自動的に抽出することが行われている（たとえば特許文献１参照）。特許文献１において、たとえば気道−気道マッチングもしくは異なる時間に取得された構造物からそれぞれツリー構造を収集し、収集したツリー構造から複数のパス（ノード）を抽出し、抽出した各パスを用いたツリーマッチング（グラフマッチング）によりグラフ構造の類似測定を行うことが開示されている。

上記マッチングを行う構造物の抽出についても様々な手法が提案されている（たとえば特許文献２、３参照）。特許文献２には、たとえば３次元画像データから互いに直交する３つの断面画像を生成し、３つの断面画像から抽出した特徴量に基づいて特定の対象物を検出することが提案されている。また、特許文献３には、２次元画像から対象組織をマシンラーニングにより特定の構造物を検出することが開示されている。

特開２００７−４４４８８号公報 米国特許第７３４６２０９号明細書 特開２００７−３０７３５８号公報

しかし、特許文献２、３に示すように、画像データの特徴量等に基づいて特定の対象物を検出した場合、構造物を誤抽出してしまう場合があり、特許文献１に示すマッチングを正確に行うことができないという問題がある。具体的には、たとえば血管にプラークが詰まっていた場合、プラークの領域は血管の領域であるとは認識できず血管の候補点として抽出されないことがある。また、冠動脈の抽出の際に冠動脈に併走する静脈が存在する場合、この静脈を冠動脈であると誤抽出してしまうことがある。

そこで、本発明は、画像データから所定の構造物を精度良く検出することができる構造物検出装置および方法ならびにプログラムを提供することを目的とするものである。

本発明の構造物検出装置は、画像データから所定の構造物を検出する装置であり、画像データから所定の構造物に属する複数の候補点を抽出する候補点抽出手段と、所定の構造物の既知の形状を表す、複数の教師ラベルから構成される設定形状が予め記憶された設定形状記憶手段と、候補点抽出手段により抽出された複数の候補点のうち、設定形状記憶手段に記憶された設定形状に一致もしくは最も類似する形状モデルを構成する、複数の教師ラベルの各々に対応する代表点を選択する代表点選択手段と、代表点選択手段により選択された複数の代表点が形成する形状モデルと候補点とを用いて画像データから所定の構造物を検出する構造物検出手段とを備えたことを特徴とするものである。

本発明の構造物検出方法は、画像データから所定の構造物を検出する方法であり、画像データから所定の構造物に属する複数の候補点を抽出し、抽出した複数の候補点のうち、設定形状記憶手段に予め記憶された所定の構造物の既知の形状を表す、複数の教師ラベルから構成される設定形状に一致もしくは最も類似する形状モデルを構成する、複数の教師ラベルの各々に対応する代表点を選択し、選択した複数の代表点が形成する形状モデルと候補点とを用いて画像データから所定の構造物を検出することを特徴とするものである。

本発明の構造物検出プログラムは、コンピュータに画像データから所定の構造物を検出処理を実行させるためのプログラムであり、画像データから所定の構造物に属する複数の候補点を抽出する手順と、抽出した複数の候補点のうち、設定形状記憶手段に予め記憶された所定の構造物の既知の形状を表す、複数の教師ラベルから構成される設定形状に一致もしくは最も類似する形状モデルを構成する、複数の教師ラベルの各々に対応する代表点を選択する手順と、選択した複数の代表点が形成する形状モデルと候補点とを用いて画像データから所定の構造物を検出する手順とをコンピュータに実行させることを特徴とするものである。

ここで、所定の構造物とは、点とそれを結ぶ線とにより形状モデル化可能なオブジェクトであればなんでもよく、特に、気管、腸、冠動脈、脳血管、肺血管、肝臓血管、気管支等の人体の管状構造物や人物の顔等を含む。

また、画像データとは、たとえばＣＴ、ＭＲ、超音波装置、ＰＥＴ―ＣＴ、ＳＰＥＣＴ、４Ｄ-ＣＴ、ＯＣＴ、Ｘ線撮影装置（ＣＲ、ＤＲ）により撮像された医用画像データであってもよいし、たとえばボリュームデータ等の３次元画像データであってもよいし、デジタルカメラ等により撮影された画像データであってもよい。

候補点の抽出処理は、設定形状を用いずに行われる処理であり、例えば、画像データから所定の構造物の画像的特徴を有する領域を検出し、検出された領域中から複数の候補点を抽出する処理としてもよい。

設定形状は、所定の構造物の既知の形状、言い換えると、所定の構造物の検出されるべき（検出したい）形状を表すものである。例えば、設定形状は、所定の構造物の一般的な解剖学的形状や、正常な状態にある所定の構造物の解剖学的形状を表すものである。

また、設定形状は、教師ラベルの各々の位置、および、教師ラベル間の位置関係の情報を表したものとしてもよい。この場合、代表点の選択処理は、教師ラベルの各々と候補点の対応づけの組合せの各々について、教師ラベルの各々の位置と教師ラベルに対応づけられた候補点の各々の位置の一致度と、複数の教師ラベル間の位置関係と教師ラベルの各々に対応づけられた候補点間の位置関係の一致度とを算出し、各組合せの中から、上記位置の一致度および上記位置関係の一致度が最も高くなる組合せを決定することによって、代表点を選択するようにしてもよい。

さらに、設定形状を、教師ラベル間の接続関係の情報をさらに表したものとしてもよい。この場合、代表点の選択処理において、上記の教師ラベルと候補点の組合せの各々において、接続すべき２つの教師ラベルの各々に対応づけられた２つの候補点間の経路を、その組合せにおいて教師ラベルとの対応づけがなされていない候補点を含む複数の候補点を、所定の指標値に基づくコストが最小となるように選択的に辿ることによって決定し、上記位置関係の一致度を、この経路に対するコストをさらに加味して算出するようにしてもよい。このとき、所定の構造物の検出処理では、代表点選択処理によって決定された組合せにおける代表点間の候補点を辿る接続関係に基づいて、所定の構造物を検出するようにしてもよい。なお、上記コスト算出の際の所定の指標値としては、例えば、各候補点の位置や画素値、その候補点における所定の構造物の解剖学的特徴を表す指標値が挙げられる。また、この解剖学的特徴を表す指標値の具体例としては、所定の構造物が管状構造の場合、管の太さ（半径等の径情報や断面積）等が挙げられる。

一方、所定の構造物の検出処理において、複数の候補点を接続することによって形成される形状を、代表点を設定形状に略一致するように接続した形状モデルを用いて修正することによって、所定の構造物を検出するようにしてもよい。ここで、複数の候補点の接続には、例えば、最小全域木アルゴリズムを用いてもよい。

なお、所定の構造物の検出処理は、形状モデルと候補領域とを用いて所定の構造物を検出するものであればよく、たとえば代表点を接続した形状モデル上では所定の構造物として検出されているが候補点の接続が途切れている欠損領域が存在する場合、例えば、候補点の抽出処理では、所定の構造物の画像的特徴を有していない欠損領域内に候補点を抽出できない場合であっても、その欠損領域を含めて、所定の構造物として検出する。あるいは、構造物の検出処理は、候補点が検出されているが形状モデル上では所定の構造物として検出されない余剰領域が存在する場合、例えば、候補点の抽出処理において、所定の構造物の画像的特徴と同一または類似する特徴を有する余剰領域内に候補点が抽出されている場合、その余剰領域を所定の構造物から除外する。

また、代表点の選択処理は、複数の候補点のうち設定形状に一致もしくは最も類似する代表点を選択するものであればその手法を問わず、たとえばグラフマッチングにより設定形状に一致もしくは最も類似する形状モデルとなる代表点の集合を選択するものであってもよい。また、設定形状は、所定の構造物の形状のみを表すものであってもよいし、所定の構造物とは異なる他の構造物の形状が含まれていてもよい。設定形状に他の構造物も含まれている場合、候補点の抽出の際に所定の構造物および他の構造物から候補点を抽出し、代表点の選択の際に、設定形状に一致もしくは最も類似する形状モデルを構成する代表点を選択し、所定の構造物の検出の際に、複数の代表点のうち他の構造物に対応する代表点を削除し所定の構造物を検出するようにしてもよい。

さらに、設定形状記憶手段は、所定の構造物であることが既知の教師画像データを用いて学習された、複数の候補点が設定形状であることの尤度を示す評価関数を記憶したものであってもよい。このとき、代表点の選択処理では評価関数を用いて代表点を選択する。

また、代表点の選択処理は、所定の構造物が血管である場合に候補点の座標とともに候補点における血管の太さ（半径等の径情報や断面積等）または輝度値を用いて代表点を選択するものであってもよい。

さらに、候補点の抽出処理により抽出された複数の候補点の座標を所定の基準位置に基づいて正規化するようにしてもよい。このとき、代表点の選択処理は正規化後の候補点に基づいて所定の代表点を選択する。

また、構造物の検出の際、選択された複数の代表点を設定形状に略一致するように接続し形状モデルを形成することが好ましい。

さらに、本発明において、画像データから所定の構造物の領域を候補領域として検出するようにし、検出された候補領域から複数の候補点を抽出するようにしてもよい。

また、候補点の抽出処理は、候補領域から複数の（第１次）候補点を抽出し、抽出した複数の（第１次）候補点を結んだ後に所定の長さのセグメント毎に分割し、分割したセグメントから（第２次）候補点を抽出するものであってもよい。この場合、代表点の選択は（第２次）候補点から行い、構造物の検出の際には（第１次）候補点を用いるようにしてもよい。

また、設定形状が所定の構造物とは異なる構造物を含む場合、構造物検出手段により検出された各構造物を識別可能な表示態様で（例えば、それぞれ異なる色で）表示する表示制御手段をさらに備えていてもよい。

本発明の構造物検出装置および方法ならびにプログラムによれば、画像データから所定の構造物に属する複数の候補点を抽出し、抽出した複数の候補点のうち、設定形状記憶手段に予め記憶された所定の構造物の既知の形状を表す、複数の教師ラベルから構成される設定形状に一致もしくは最も類似する形状モデルを構成する、複数の教師ラベルの各々に対応する代表点を選択し、選択した複数の代表点が形成する形状モデルと候補点とを用いて画像データから所定の構造物を検出することにより、候補点の抽出だけでは所定の構造物が検出されない場合もしくは所定の構造物以外が検出された場合であっても形状モデルを用いて候補点の誤検出を修正し、画像データから精度良く構造物を検出することができる。

なお、構造物の検出の際、代表点を接続した形状モデル上では構造物として検出されているが候補点の接続が途切れている欠損領域が存在する場合、欠損領域を所定の構造物として検出するものであるとき、たとえば血管中のプラークが候補領域として検出されない場合であっても形状モデルに基づいて欠損領域を修正し、画像データから精度良く構造物を検出することができる。すなわち、検出対象の所定の構造物（例えば血管）の画像的特徴を有していない欠損領域（例えばプラーク）が存在し、その欠損領域内に候補点が抽出されない場合であっても、形状モデルに基づいて欠損領域を補間することにより、欠損領域を含めて、所定の構造物全体が検出される。

また、構造物の検出の際、候補領域として検出されているが形状モデル上では構造物として検出されない余剰領域が存在する場合、余剰領域を所定の構造物から除外するものであれば、たとえば所定の構造物が動脈のときに静脈が余剰領域として検出された場合であっても形状モデルに基づいて余剰領域を修正し、画像データから精度良く構造物を検出することができる。すなわち、所定の構造物（例えば動脈）の画像的特徴と同一または類似する特徴を有する余剰領域（例えば静脈）内に候補点が抽出されている場合であっても、形状モデルに基づいて余剰領域を除外することにより、所定の構造物のみが検出される。

さらに、代表点の選択の際、グラフマッチングにより設定形状に一致もしくは最も類似する形状モデルとなる代表点の集合を選択するものであるとき、高速に精度良く代表点を選択することができる。

また、設定形状記憶手段が所定の構造物であることが既知の教師画像データを用いて学習された、複数の候補点が設定形状であることの尤度を示す評価関数を記憶したものであり、代表点の選択の際に評価関数を用いて代表点を選択するものであれば、高速に精度良く代表点を選択することができる。

さらに、代表点の選択の際、所定の構造物が血管である場合に代表点の座標とともに代表点における血管の太さまたは輝度値を用いて代表点を選択するものであるとき、代表点の検出精度を高めることができる。

また、抽出された複数の候補点の座標を所定の基準位置に基づいて正規化するようにしたとき、所定の構造物の個体差による候補点のばらつきをなくし、精度良く候補点の選択を行うことができる。

さらに、構造物の検出の際、選択された複数の代表点を設定形状に略一致するように接続するものであれば、精度良く構造物を検出することができる。

また、候補点の抽出の際、候補領域から複数の（第１次）候補点を抽出し、抽出した複数の（第１次）候補点を結んだ後に所定の長さのセグメント毎に分割し、分割したセグメントから候補点を抽出するものであるとき、情報量を減らして高速に効率よく構造物の検出を行うことができる。

本発明の構造物検出装置の好ましい実施形態を示すブロック図 図１の候補領域検出手段において特定の構造物として検出される冠動脈の一例を示す模式図 図１の候補点抽出手段において候補領域から候補点が抽出される様子を示す模式図 図１の代表点選択手段において所定の代表点が選択される様子を示す模式図 図１の設定形状記憶手段における設定モデルを学習する際の教師データの一例を示す模式図 図１の設定形状記憶手段における設定モデルを学習する際の教師データの一例を示す模式図 代表点（教師ラベル）を結ぶことにより形成されるグラフ（エッジ）の一例を示す模式図 図１の代表点選択手段において輝度値および血管半径の情報を用いて代表点を選択する様子を示すグラフ 図１の代表点選択手段において代表点を選択する様子を示す模式図 図１の構造物検出手段において形状モデルに基づいて候補領域を修正する様子を示す模式図 図１の構造物検出手段において形状モデルに基づいて候補領域を修正する様子を示す模式図 本発明の構造物検出方法の好ましい実施形態を示すフローチャート 教師ラベルと対応づけられた候補点間の最適経路の決定例を模式的に表した図 教師ラベルと対応づけられた候補点間の最適経路の決定により、欠損領域が補間される例を模式的に表した図

以下、図面を参照して本発明の医用画像表示装置の実施の形態を詳細に説明する。図１は本発明の第１の実施形態となる構造物検出装置１の概略構成図である。なお、図１のような構造物検出装置１の構成は、補助記憶装置に読み込まれた構造物検出プログラムをコンピュータ上で実行することにより実現される。このとき、この構造物検出プログラムは、ＣＤ−ＲＯＭ等の記憶媒体に記憶され、もしくはインターネット等のネットワークを介して配布され、コンピュータにインストールされる。図１の構造物検出装置１は、画像データからたとえば冠動脈等の構造物Ｍを検出するものであって、候補領域検出手段１０、候補点抽出手段２０、正規化手段３０、代表点選択手段４０、構造物検出手段５０を備えている。

候補領域検出手段１０は、画像データにおいて所定の構造物Ｍの一部を構成するか否かを判断することにより候補領域Ｒ_ｃを検出するものである。なお、画像データＤＶは、データ記憶手段ＶＤＢに記憶されたたとえば撮影装置もしくは放射線検出装置により撮像された２次元の画像もしくは複数の２次元画像から生成された３次元のボリュームデータからなっている。

ここで、候補領域検出手段１０はたとえば特願２００９−４８６７９号もしくは特願２００９−６９８９５号に開示された手法やその他公知の技術により候補領域を検出する。一例として、所定の構造物Ｍが図２に示すような心臓の冠動脈であり、ボリュームデータから候補領域Ｒ_ｃを検出する場合について説明する。

まず、候補領域検出手段１０は、ボリュームデータＤＶを構成するボクセルデータの値に基づいて、冠動脈の芯線を構成する複数の候補点の位置と主軸方向とを算出する。あるいは、候補領域検出手段１０が、ボリュームデータＤＶについてヘッセ行列を算出し、算出されたヘッセ行列の固有値を解析することにより、冠動脈の芯線を構成する複数の候補点の位置情報と主軸方向とを算出するようにしてもよい。そして、候補領域検出手段１０は、候補点周辺のボクセルデータについて冠動脈らしさを表す特徴量を算出し、算出した特徴量に基づいてそのボクセルデータが冠動脈領域を表すものであるか否かを判別する。なお、特徴量に基づく判別は、たとえばマシンラーニングにより予め取得された評価関数に基づいて行なう。これにより、画像データのうち冠動脈領域であると判断された画像データＤＶが候補領域Ｒ_ｃとして抽出される。

図１の候補点抽出手段２０は、候補領域検出手段１０において検出された候補領域Ｒ_ｃから複数の候補点Ｓ_ｐ（ｐ＝１〜ｎ：ｎは候補点の抽出数）を抽出するものである。図３は候補領域Ｒ_ｃから候補点Ｓ_ｐを抽出する様子を示す模式図である。図３において、候補点抽出手段２０は、候補領域Ｒ_ｃ内から複数の（第１次）候補点Ｓ_ｐ０を抽出し、抽出した複数の（第１次）候補点Ｓ_ｐ０を連結する。ここで、連結方法として最小全域木アルゴリズムを用いれば、すべての（第１次）候補点Ｓ_ｐ０を最小のコストで連結することができる。なお、このコストには、各（第１次）候補点Ｓ_ｐ０間の距離等を用いることができる。（第１次）候補点Ｓ_ｐ０間の距離を用いる場合、その距離が大きいほどコストが大きいと定義すればよい。そして、候補点抽出手段２０は複数の（第１次）候補点Ｓ_ｐ０を所定の長さ単位毎に分割し（セグメント化）、分割した際の分割点を（第２次）候補点Ｓ_ｐとして選択する。そして、候補点抽出手段２０は各（第２次）候補点に対しラベルＳ_ｐを付与する。なお、候補点抽出手段２０が、（第１次）候補点Ｓ_ｐ０から（第２次）候補点Ｓ_ｐを再設定する場合について例示しているが、（第１次）候補点Ｓ_ｐ０を用いて後述の形状モデルＭ_ｓの検出を行うようにしてもよい。このとき、候補領域検出手段１０が候補点抽出手段２０として機能していることになる。

図１の正規化手段３０は、候補点抽出手段２０により抽出された複数の（第２次）候補点Ｓ_ｐの座標を所定の基準位置Ｓ_ｒｅｆに基づいて正規化するものである。たとえば所定の構造物が冠動脈である場合、正規化手段３０は図２に示す大動脈弁、僧帽弁、心尖部を検出して基準位置Ｓ_ｒｅｆとして設定し、心尖部を原点、心尖部から大動脈弁に向かう軸をＺ軸、心尖部から僧帽弁に向かうベクトルとＺ軸との外積をＸ軸、Ｘ軸とＺ軸との外積をＹ軸とし、心尖部から大動脈弁までの長さを１とする新たな座標系で、各（第２次）候補点Ｓ_ｐの位置を表現する。大動脈弁、僧帽弁、心尖部は個体差によるばらつきが少なく、基準位置Ｓ_ｒｅｆを用いて正規化することにより（第２次）候補点Ｓ_ｐの個体差によるばらつきを抑えることができる。

図１の代表点選択手段４０は、正規化手段３０により正規化された複数の（第２次）候補点Ｓ_ｐのうち、設定形状記憶手段ＤＢに記憶された設定形状Ｍ_ｒｅｆに一致もしくは最も類似する形状モデルＭ_ｓを構成する代表点を選択し、選択した複数の代表点を設定形状Ｍ_ｒｅｆに略一致するように接続し形状モデルＭ_ｓを形成する。たとえば図４に示すように、候補点抽出手段２０により複数の（第２次）候補点Ｓ_ｐ（ｐ＝１〜８）が抽出され、設定形状記憶手段ＤＢに４つの教師ラベルＴ_ｋ（ｋ＝１〜４）により形成される設定形状Ｍ_ｒｅｆが記憶されているものとする。このとき、代表点選択手段４０は、設定形状Ｍ_ｒｅｆに一致もしくは最も類似する形状モデルを形成する代表点（Ｔ_１はＳ_２、Ｔ_２はＳ_４、Ｔ_３はＳ_６、Ｔ_４はＳ_７）を選択し形状モデルＭ_ｓを形成する。

ここで、代表点選択手段４０はグラフマッチングにより複数の代表点を選択するものであり、設定形状記憶手段ＤＢにはグラフマッチングにおけるエネルギ関数Ｌが設定形状Ｍ_ｒｅｆとして記憶されている。このエネルギ関数Ｌは下記式（１）に示すＳ_ｐの１変数項(unary term)と、Ｓ_ｐ、Ｓ_ｑの２変数項(pairwise term)とで構成されており、この式（１）が最大になる（第２次）候補点Ｓ_ｐ（ノード）が形状モデルＭ_ｓを形成する代表点となる。

式（１）において、νは候補点の集合を表し、Ｘ_Sｐは（第２次）候補点Ｓ_ｐが取る設定形状Ｍ_ｒｅｆの教師ラベルＴ_ｋを表す。θ_Sp(Ｘ_Sp)は（第２次）候補点Ｓ_pが教師ラベルＴ_ｋを取る場合のエネルギを与える。εは候補点の組み合わせの集合を表す。ただし設定形状Ｍ_ｒｅｆによって定義される組み合わせを考慮する。θ_SpSq(x_Sp,x_Sq)は（第２次）候補点Ｓ_ｐ、Ｓ_ｑが設定形状Ｍ_ｒｅｆの教師ラベルＴ_ｋ、Ｔ_ｍを取る場合のエネルギを与える。以上のように、これらのエネルギは（第２次）候補点Ｓ_ｐと設定形状Ｍ_ｒｅｆとの一致度を表し、複数の（第２次）候補点Ｓ_ｐのうち設定形状Ｍ_ｒｅｆに最も類似する形状モデルＭ_ｓになる（第２次）候補点Ｓ_ｐの組み合わせを検索することにより代表点が選択される。

なお、式（１）を最大化するにはループ有り確率伝播法（Loopy Belief Propagation）等に代表的される公知の技術を用いることができる。なお、ループ有り確率伝播法については、例えば、K. P. Murphy, Y.Weiss and M.I.Jordan, “Uncertainty in Artificial Intelligence”, pages 467-475(1999).に記載されている。他に、ループ有り確率伝播法の収束性を保障させたV. Kolmogorov, "Convergent Tree-Reweighted Message Passing for Energy Minimazation", in PAMI, October 2006.に開示された手法や、L. Torresani, V. Kolmogorov and C. Rother, "Feature Correspondence via Graph Matching: Models and Global Optimization", in ECCV, October 2008.に開示された手法を採用することができる。

以下に、式（１）における１変数項(unary term)および２変数項(pairwise term)について分説する。まず、式（１）の１変数項(unary term)中のθ_Sp(Ｘ_Sp)は下記式（２）で表すことができる。

ここで、Ｐ_Spは（第２次）候補点Ｓ_pの座標、μ_XSpおよびσ_XSp ²はそれぞれ所定の構造物Ｍであることが既知の複数の教師データから取得した教師ラベルＴ_ｋ（＝Ｘ_Sp）の平均座標および分散値である。

つまり、図５Ａ、図５Ｂに示すような予め所定の構造物Ｍであることが既知の教師データから複数の教師ラベルＴ_ｋ（たとえばｋ＝１〜２６）が抽出される。なお、図５Ａ、図５Ｂにおいて教師ラベルＴ_１〜Ｔ_２０は所定の構造物Ｍである冠動脈から抽出したものであり、教師ラベルＴ_２１〜Ｔ_２６は冠静脈から抽出したものである。そして、図６に示すように、教師ラベルＴ_１〜Ｔ_２６のうち所定のラベル同士をエッジ（線）により結ぶことにより設定形状（グラフ）Ｍ_ｒｅｆが形成される。ここで、本モデルは心臓の主要な冠動脈と冠静脈のみを表すものであるが、より細かな冠動脈の分岐等をモデルに含めても良い。

この教師ラベルＴ_ｋの抽出が複数の教師データについて行われる。そして、各教師データの教師ラベルＴ_ｋについて平均座標μ_Tkおよび分散値σ_Tk ²が算出され、教師ラベルＴ_ｋ毎に式（２）に示す確率密度関数θ_Sp(Ｘ_Sp)が導出される。なお、Cは確率が非常に小さい場合に算出されるエネルギを負にすることにより、不必要なラベルが振られないようにするための定数項である。

式（２）において、（第２次）候補点Ｓ_ｐの座標がある教師ラベルＴ_ｋの座標から離れるほどθ_Sp(Ｘ_Sp)の値は小さくなり、近づくほどθ_Sp(Ｘ_Sp)の値は大きくなる。したがって、式（１）に示す各教師ラベルＴ_ｋの確率密度関数θ_Sp(Ｘ_Sp)の合計が最も大きくなる（第２次）候補点Ｓ_ｐの組み合わせが設定形状Ｍ_ｒｅｆに最も類似した形状モデルＭ_ｓを構成する代表点の組み合わせになる。

なお、（第２次）候補点Ｓ_ｐの確率密度として式（２）により表現した場合について例示しているが、その他公知のパラメトリック関数やノンパラメトリックなものであってもよい。

さらに、式（２）において、座標に基づいて（第２次）候補点Ｓ_ｐと設定形状Ｍ_ｒｅｆとの一致度を算出するようにしているが、輝度値や血管半径に関する確率についても教師データから学習し、式（２）の確率密度関数θ_Sp(Ｘ_Sp)と組み合わせて１変数項を構成するようにしてもよい。たとえば、冠動脈解析用の造影ＣＴ画像では血管半径が同一であっても静脈の輝度値が動脈に比べて低く、輝度値と血管半径との関係は図７に示すようになる。この関係に基づき（第２次）候補点Ｓ_ｐが動脈もしくは静脈である確率を式（２）に加えるようにしてもよい。

式（１）の２変数項(pairwise term)は、図８に示すように、ある（第２次）候補点Ｓ_ｐに対する他の（第２次）候補点Ｓ_ｑの位置関係である相対座標についての確率密度関数θ_SpSq（X_Sp,X_Sq）からなっている。ここで、上記式（２）と同様、所定の構造物であることが既知の複数の教師データを用いて、教師ラベルＴ_ｋと他のラベルＴ_ｍとの相対座標の距離の平均値、分散値等が予め取得されている。

なお、図６に示すように、教師ラベルＴ_ｋに対するＴ_ｍはたとえば隣り合う教師ラベルや連続する血管の教師ラベル等のように設定形状Ｍ_ｒｅｆに予め設定されている。そして、２変数項(pairwise term)は最も設定形状に類似した代表点の集合が最も大きい値となるように設定されている。そして、代表点選択手段４０はエッジで接続された（第２次）候補点Ｓ_ｐ、Ｓ_ｑの組み合わせについて２変数項を計算する。なお、式（１）においてエネルギ関数Ｌを最大化したが、１変数項および２変数項にマイナスを乗算し、エネルギ関数Ｌの評価値を小さくするようにしても良い。

また、２変数項についても上記１変数項と同様、座標に基づいて確率密度を算出するだけでなく、輝度値や血管半径に関する確率についても教師データから学習し、確率密度関数と組み合わせて２変数項を構成するようにしてもよい。その結果、同一の血管の隣り合うラベル同士は輝度値や血管半径が急激に変化しないことがエネルギ関数Ｌに反映される。

したがって、代表点選択手段４０は、式（１）の問題を上記ループ有り確率伝播法等により解くことにより、複数の（第２次）候補点Ｓ_ｐのうち設定形状に最も類似した形状モデルＭ_ｓを形成する代表点の集合を選択することができる（図４参照）。なお、式（１）のエネルギ関数Ｌとして、構造物Ｍの種類に応じて様々な特徴を付与することができる。またエネルギ関数Ｌは教師データに基づいて統計的に代表点を検索する場合について例示しているが、人が実験的に設計したパラメータを組み合わせて使用してもよい。

図１の構造物検出手段５０は、代表点選択手段４０により選択された代表点により形成される形状モデルＭ_ｓと（第１次）候補点Ｓ_ｐ０とを用いて画像データＤＶから構造物Ｍを検出するものである。つまり、上述した候補点抽出手段２０において画像データＤＶから抽出された（第１次）候補点Ｓ_ｐ０（ノード）同士を線（エッジ）で接続することにより、画像データＤＶ内の冠動脈がグラフ（木構造）として抽出される。この接続には最小全域木や最短経路木などを生成するためのスパニング木アルゴリズムを用いてもよい。一方、代表点選択手段４０により選択された代表点に基づいて、冠動脈として検出されるべきグラフの形状および各代表点の接続関係が形状モデルＭ_ｓとして抽出される。構造物検出手段５０はこの形状モデルＭ_ｓおよび（第１次）候補点Ｓ_ｐ０に基づいて構造物Ｍを検出する。

具体的には、構造物検出手段５０は、（第１次）候補点Ｓ_ｐ０として検出されず形状モデルＭ_ｓ上では構造物Ｍである欠損領域Ｒ_Ｌが存在する場合、（第１次）候補点Ｓ_ｐ０に新たな候補点を付加したり候補点の接続を付加するなどして修正し欠損領域を構造物Ｍとして検出する。たとえば図９に示すように冠動脈の途中にプラークが存在する場合、候補領域Ｒ_ｃの抽出ではプラークの領域Ｒ_Ｌは冠動脈の候補領域Ｒ_ｃとして抽出されず、（第１次）候補点Ｓ_ｐ０（候補領域Ｒ_ｃ）の接続が途切れた状態になっている。従ってプラークを境に前後の血管が同一の連続する血管として抽出されない。ところが、形状モデルＭ_ｓでは途切れた部分について代表点同士が線により接続する関係を有している場合、プラークによらず連続する冠動脈であることが認識される。すると、構造物検出手段５０は（第１次）候補点Ｓ_ｐ０（候補領域Ｒ_ｃ）の検出結果を修正しプラークの領域Ｒ_Ｌについても冠動脈の領域として検出する。

また、構造物検出手段５０は、（第１次）候補点Ｓ_ｐ０（候補領域Ｒ_ｃ）として検出され設定形状上では構造物ではない余剰領域が存在する場合、余剰領域を構造物から除外する。たとえば冠動脈と接している心筋からなる余剰領域が存在する場合、候補領域Ｒ_ｃの抽出では心筋は冠動脈の候補領域Ｒ_ｃとして抽出されているが、形状モデルＭ_ｓでは心筋の余剰領域について冠動脈の領域として検出されていない。すると構造物検出手段５０は、候補領域Ｒ_ｃの検出結果を修正し心筋の余剰領域を削除する修正を行う。

さらに、設定形状Ｍ_ｒｅｆ上で所定の構造物Ｍとしての動脈（たとえば図５ＡのＴ_１〜Ｔ₂₀）と同様に定義される他の構造物としての静脈領域（たとえば図５ＢのＴ_２１〜Ｔ_２６）Ｒ_ｓが存在する場合、余剰領域Ｒ_ｓを構造物から除外する。たとえば図１０に示すように冠動脈と接している冠静脈からなる余剰領域Ｒ_ｓが存在する場合、候補領域Ｒ_ｃとして抽出されているが、形状モデルＭ_ｓでは静脈として認識される。すると構造物検出手段５０は、候補領域Ｒ_ｃの検出結果を修正し静脈領域Ｒ_ｓを削除する修正を行う。

なお、上述した異なる構造物（動脈と静脈）を設定形状Ｍ_ｒｅｆとした場合、所定の構造物のみならず他の構造物も検出されることになる。これを利用して異なる構造物毎にそれぞれ異なる色で表示する表示制御手段をさらに備えていてもよい。また、構造物検出手段５０は上述した欠損領域Ｒ_Ｌの追加または余剰領域Ｒ_ｓの削除のみならず、形状モデルＭ_ｓに基づいて候補領域Ｒ_ｃの位置・範囲を変更する修正を行うことにより、構造物Ｍを検出するようにしてもよい。

このように、候補領域Ｒ_ｃと形状モデルＭ_ｓとの双方を用いて構造物Ｍの検出を行うことにより、精度良く構造物Ｍの検出を行うことができる。すなわち、候補領域Ｒ_ｃの抽出のみにより構造物Ｍの検出を行った場合、図９のプラークが存在する領域を抽出できなかったり、図１０の冠静脈も冠動脈として検出されてしまう等の誤抽出が発生する場合がある。一方、候補領域Ｒ_ｃの検出とともに、（第２次）候補点Ｓ_ｐに基づくマッチング（グラフマッチング）から検索された形状モデルとを比較して構造物の検出を行うことにより、（第１次）候補点Ｓ_ｐ０に基づく誤検出の発生をマッチングによる形状モデルの検出が補完し、精度良く構造物の検出を行うことができる。言い換えれば、画像データＤＶの特徴量のみに基づく構造物Ｍの検出するのではなく、構造物Ｍの解剖学的構造を認識した形状モデルＭ_ｓを加えて構造物Ｍの検出を行うことにより精度の高い検出を行うことができる。

図１１は本発明の構造物検出方法の好ましい実施形態を示すフローチャートであり、図１から図１１を参照して構造物検出方法について説明する。まず、候補領域検出手段１０において画像データＤＶから候補領域Ｒ_ｃが検出され（ステップＳＴ１、図２参照）、候補点抽出手段２０により候補領域Ｒ_ｃから複数の（第１次）候補点Ｓ_ｐ０が抽出され、セグメント化により（第２次）候補点Ｓ_ｐが抽出される（ステップＳＴ２、図３参照）。その後、正規化手段３０により正規化が行われた後、代表点選択手段４０において式（１）により複数の候補点Ｓ_ｐから設定形状Ｍ_ｒｅｆに最も類似する形状モデルＭ_ｓを形成する代表点の集合が選択される（ステップＳＴ３、図４参照）。そして、構造物検出手段５０において、候補領域Ｒ_ｃと形状モデルＭ_ｓとを比較して構造物Ｍを形成する領域の追加もしくは削除の修正が施され、画像データから構造物Ｍが検出される（ステップＳＴ４、図９、図１０参照）。

上記第１の実施の形態によれば、画像データＤＶの所定の構造物Ｍから複数の候補点を抽出し、抽出した複数の候補点のうち、設定形状記憶手段ＤＢに予め記憶された所定の構造物の形状を表す設定形状Ｍ_ｒｅｆに一致もしくは最も類似する形状モデルＭ_ｓを構成する代表点を選択し、選択した複数の代表点が形成する形状モデルＭ_ｓと候補領域Ｒ_ｃとを用いて画像データＤＶから構造物Ｍを検出することにより、候補領域Ｒ_ｃの検出において所定の構造物Ｍが検出されない場合もしくは所定の構造物Ｍ以外が検出された場合であっても形状モデルＭ_ｓを用いて候補点の誤検出を修正し、画像データＤＶから精度良く構造物Ｍを検出することができる。

また、図９に示すように、構造物検出手段５０が、候補領域Ｒ_ｃとして検出されず代表点を接続した形状モデルＭ_ｓ上では構造物として検出されたが候補点の接続が途切れている欠損領域Ｒ_Ｌが存在する場合、欠損領域Ｒ_Ｌを構造物Ｍとして検出するものであるとき、たとえば血管中のプラークにより候補点の接続が途切れてしまった場合であっても形状モデルＭ_ｓに基づいて欠損領域Ｒ_Ｌを修正し、画像データＤＶから精度良く構造物Ｍを検出することができる。

また、構造物検出手段５０が、候補点として検出され形状モデルＭ_ｓ上では構造物Ｍとして検出されない余剰領域Ｒ_ｓが存在する場合、余剰領域Ｒ_ｓを構造物Ｍから除外するものであれば、たとえば所定の構造物Ｍが動脈のときに静脈が余剰領域Ｒ_ｓとして検出された場合であっても形状モデルＭ_ｓに基づいて余剰領域Ｒ_ｓを修正し、画像データＤＶから精度良く構造物Ｍを検出することができる。

さらに、代表点選択手段４０が、グラフマッチングにより設定形状に一致もしくは最も類似する形状モデルＭ_ｓとなる代表点の集合を選択するものであるとき、高速に精度良く代表点を選択することができる。

また、式（１）に示すように、設定形状記憶手段ＤＢが所定の構造物Ｍであることが既知の教師画像データを用いて学習された、複数の候補点が設定形状Ｍ_ｒｅｆであることの尤度を示す評価関数Ｌを記憶したものであり、代表点選択手段４０が評価関数Ｌを用いて代表点を選択するものであれば、高速に精度良く代表点を選択することができる。

さらに、図７に示すように、代表点選択手段４０が、所定の構造物が血管である場合に候補点の座標とともに候補点における血管半径または輝度値を用いて代表点を選択するものであるとき、代表点の検出精度を高めることができる。

また、候補点抽出手段２０により抽出された複数の候補点の座標を所定の基準位置Ｒ_ｒｅｆに基づいて正規化する正規化手段３０をさらに備えたとき、所定の構造物Ｍの個体差による代表点のばらつきをなくし、精度良く代表点の選択を行うことができる。

さらに、構造物検出手段５０が、選択された複数の代表点を設定形状Ｍ_ｒｅｆに略一致するように接続するものであれば、精度良く構造物Ｍを検出することができる。設定形状Ｍ_ｒｅｆと一致させるように接続するには、選択された代表点について、その隣り合う代表点同士の最近点を単純に接続してもよい。

また、図３に示すように、画像データから所定の構造物の領域を候補領域Ｒ_ｃとして検出する候補領域検出手段１０をさらに備え、候補点抽出手段２０が、候補領域Ｒ_ｃから複数の（第１次）候補点Ｓ_ｐ０を抽出し、抽出した複数の（第１次）候補点Ｓ_ｐ０を結んだ後に所定の長さのセグメント毎に分割し、分割したセグメントから（第２次）候補点Ｓ_ｐを抽出するものであるとき、情報量を減らして高速に効率よく構造物の検出を行うことができる。

上記実施形態に対する変形例として、構造物検出手段５０が、隣り合う代表点同士が、他の候補点を経由して滑らかに結ばれるように接続することによって構造物Ｍを検出するようにしても良い。このような接続は、隣り合う代表点（直接接続されている２つの代表点）を始点と終点とし最短経路問題を解くことで実現できる。具体的にはダイクストラ法等を用いることができる。

例えば従来の最小全域木アルゴリズム等に基づいて候補点間を接続した場合には、すべての候補点を通るように構造物Ｍが検出されることになる。この場合、上記の欠損領域Ｒ_Ｌには候補点が存在しないので、最小全域木アルゴリズムで算出されるコスト値が大きすぎるために接続できないと判定され、候補点間の接続が分断されてしまう。あるいは、欠損領域Ｒ_Ｌの近傍にある本来接続されるべきでない候補点まで迂回して接続されてしまう。また、上記余剰領域Ｒ_ｓ内の候補点については、本来接続されるべきでないにもかかわらず過剰に接続されてしまう。そこで、上記のように、構造物検出手段５０が、代表点選択手段４０によって確定された接続関係が既知の代表点を用いて、代表点間を他の候補点を経由して接続するようにすれば、代表点間の接続には、すべての候補点を結ぶように動作する最小全域木アルゴリズムを用いることなく、最短経路探索のアルゴリズムに基づいて代表点間を適切に接続することが可能になる。

次に、本発明の第２の実施形態について説明する。本発明の第２の実施形態となる構造物検出装置の概略構成、および、構造物検出方法のフローチャートは、第１の実施形態と同様である（図１、図１１参照）。

本実施形態では、候補点抽出手段２０は、候補点の連結は行わず、接続関係を持たない候補点群として候補点Ｓ_ｐを抽出する。例えば、候補点抽出手段２０は、候補領域検出手段１０において検出された候補領域Ｒ_ｃ内に所定の間隔で複数の点を設定し、ラベルＳ_ｐ（ｐ＝１〜ｎ：ｎは候補点の抽出数）を付与することにより、候補点Ｓ_ｐを抽出する。抽出された候補点Ｓ_ｐは、第１の実施形態と同様に、正規化手段３０によって正規化される。

次に、代表点選択手段４０は、第１の実施形態と同様に、候補点抽出手段２０によって抽出された候補点Ｓ_ｐのうち、上式（１）で表されるエネルギが最大になるものを、代表点として選択する。

ここで、上式（１）の１変数項は、第１の実施形態と同様に、各教師ラベルとその教師ラベルに対応づけられた候補点Ｓ_ｐとの間の、ラベル（点）毎の属性（座標や輝度値、血管半径等）の一致度を表すものである。

一方、上式（１）の２変数項は、下記式（３）で表すことができる。

ここで、右辺の第１項であるe_globalの項は、第１の実施形態と同様に、教師ラベルＴ_ｋ，Ｔ_ｍの属性の相対的関係（相対座標や、輝度値・血管半径の変化量（差））と、これらの教師ラベルに対応づけられた候補点Ｓ_ｐ、Ｓ_ｑの属性の相対的関係との一致度を表すものである。

一方、右辺の第２項にあるmax(Σe_local)の項は、本実施形態で新たに付加された項であり、候補点Ｓ_ｐとＳ_ｑの間の経路の好ましさに関するものである。具体的には、上式（３）のe_localは、教師ラベルに対応づけられた候補点Ｓ_ｐとＳ_ｑとの間を他の候補点を辿ることによって接続する場合における、直接接続される２つの他の候補点Ｓ_ｉ、Ｓ_ｊの接続の好ましさを表すものである。この接続の好ましさは、例えば、２点Ｓ_ｉ、Ｓ_ｊの距離が近いほど、あるいは、輝度値の差が小さいほど、あるいは、血管の太さの差が小さいほど、大きい値を持つように定義しておくことができる。上式（３）のΣe_localは、候補点Ｓ_ｐとＳ_ｑの間の経路上の、直接接続される２つの候補点のすべてについてのe_localの総和であり、候補点Ｓ_ｐとＳ_ｑの間の経路全体の好ましさを表す。さらに、上式（３）のmax(Σe_local)は、候補点Ｓ_ｐとＳ_ｑの間の様々な候補点の接続経路におけるΣe_localの最大値であり、様々な候補点の接続経路の中で最も好ましい経路となるときの経路全体の好ましさの値を表す。

代表点選択手段４０は、例えば、各候補点を、各候補点（ノード）間を結ぶ辺（エッジ）に対して上記e_localで定義された重みを持たせたグラフ構造として取り扱い、ダイクストラ法等を用いて、候補点Ｓ_ｐとＳ_ｑの間の最適経路を算出することにより、上記max(Σe_local)を求めることができる。また、代表点選択手段４０は、その最大値となるときの候補点Ｓ_ｐとＳ_ｑの間の候補点の接続経路を記憶しておく。これにより、図１２Ａに例示したように、候補点Ｓ_ｐとＳ_ｑの間の様々な候補点の接続経路の中から、候補点Ｓ_ｐとＳ_ｑを他の候補点を経由して滑らかに結ばれるように接続する最適経路が決定される。

以上より、代表点選択手段４０は、上式（３）に基づいて上式（１）の２変数項を算出することができる。

なお、式（１）を最大化する際、式（３）のe_globalとe_localが互いに独立であれば、max(Σe_local)の項は候補点Ｓ_ｐ、Ｓ_ｑに対して一意に決まる。したがって、すべての候補点の組合せについて最短経路を求めておけば、その後は通常のグラフマッチング問題を解くだけでよくなる。ただし、本発明はこのような態様に限定されず、e_globalはmax(Σe_local)で選択される経路に依存してエネルギが設定されるようにしてもよい。

また、第１の実施形態と同様、代表点選択手段４０は、上式（１）を最小化する候補点の組合せを代表点として選択するように各変数項を定義してもよい。具体的には、１変数項、２変数項を、コストの評価値として捉え、各々、教師ラベル毎の一致度、教師ラベル間の相対的関係の一致度が高いほど評価値が小さくなるように定義しておけばよい。さらに、上式（３）のmax(Σe_local)はmin(Σe_local)に置換すればよい。ここで、e_localは、教師ラベルに対応づけられた候補点Ｓ_ｐとＳ_ｑとの間を他の候補点を辿ることによって接続する場合における、直接接続される２つの他の候補点Ｓ_ｉ、Ｓ_ｊの接続のコストを表ようにし、Σe_localは、候補点Ｓ_ｐとＳ_ｑの間の経路上の、直接接続される２つの候補点のすべてについてのe_localの総和であり、候補点Ｓ_ｐとＳ_ｑの間の経路全体のコストを表すようにすればよい。そして、min(Σe_local)は、候補点Ｓ_ｐとＳ_ｑの間の様々な候補点の接続経路におけるΣe_localの最小値、すなわち、候補点Ｓ_ｐとＳ_ｑの間を最小コストで他の候補点を結ぶ場合のコスト値を表すようにすればよい。

構造物検出手段５０は、代表点選択手段４０によって選択された代表点、および、直接接続されている代表点間を他の候補点で結んだ最適経路に基づいて構造物Ｍを検出する。なお、この最適経路は、代表点選択手段４０においてmax(Σe_local)算出時に既に算出済みで、構造物検出装置１の所定のメモリ領域に記憶されている。また、この最適経路は、図１２Ｂに示したように、病変部等の欠損領域Ｒ_Ｌに起因して候補点の間隔が大きい部分については、候補点が一定の間隔で満たされるように補間されたように、代表点が結ばれたものとなる。

ここで、設定形状Ｍ_ｒｅｆが検出対象の構造物Ｍ全体を表すものではない場合には、構造物検出手段５０は、上記の代表点間の最適経路に用いられなかった候補点について、最小全域木アルゴリズムを用いて接続することによって、構造物Ｍ全体を検出する。このとき、候補点間の距離が所定の値以上に離れているところは、候補点間の接続を行わないようにし、最終的に設定形状Ｍ_ｒｅｆに基づいて検出された構造物Ｍの部分と接続されなかった候補点群は、構造物Ｍには属さないものとして取り扱う。逆に、設定形状Ｍ_ｒｅｆが検出対象の構造物Ｍ全体を表すものである場合には、上記の代表点間の最適経路に用いられなかった候補点は、検出対象の構造物Ｍに属さない余剰領域（例えば肺血管や心筋等）のものであるから、接続処理を行う必要はない。また、いずれの場合であっても、上記第１の実施形態で図５Ｂおよび図１０を用いて説明したように、設定形状Ｍ_ｒｅｆに、検出対象構造物Ｍとは異なる他の構造物（冠静脈）も構造物Ｍと識別可能な状態で含めておき、構造物検出手段５０が、他の構造物を表す教師ラベルに対応する候補点群を、構造物Ｍには属さないものとして取り扱うようにしてもよい。

以上のように、本発明の第２の実施形態では、設定形状Ｍ_ｒｅｆを、個々の教師ラベルの属性や複数の教師ラベル間の属性の相対的関係だけでなく、教師ラベル間の接続関係の情報をさらに表したものとし、代表点選択手段４０が、直接接続されている２つの教師ラベルの各々に対応づけられた２つの候補点間を、接続の好ましさを表す評価値が最大となるように（接続コストが最小となるように）他の候補点を選択的に辿ることによって接続した場合の評価値（コスト）を加味して代表点の選択を行うようにし、構造物検出手段５０が、代表点選択手段４０によって決定された、代表点間の候補点を辿る接続態様に基づいて、構造物Ｍを検出するようにしたので、上記第１の実施形態と同様の効果が得られるとともに、代表点間の好ましさも加味して代表点の選択が行われることにより、構造物Ｍの検出精度がさらに向上する。

具体的には、最小全域木アルゴリズム等を用いて候補点間を接続することなく、代表点の選択と同時に代表点間の最適な経路も同時に決定することが可能になる。また、代表点間の最短経路探索によって候補点が接続されるので、上記第１の実施形態の変形例と同様に、欠損領域における接続の分断や迂回接続、余剰領域における過剰接続が回避される。

本発明の実施形態は上記実施形態に限定されない。たとえば、上記実施の形態では構造物Ｍが冠動脈である場合について例示しており、設定形状記憶手段ＤＢには構造物Ｍである冠動脈に対する設定形状（エネルギ関数）が記憶されているが、気管、腸、脳血管、肺血管、肝臓血管、気管支等の抽出に利用することもできる。この場合、脳血管等の他の構造物Ｍに対する設定形状が設定形状記憶手段ＤＢに記憶されており、構造物Ｍの種類に合った設計形状を用いて代表点を選択する。

また、ここでは３次元の医療画像を対象として説明したが、対象は２次元の写真画像であっても良い。例えば抽出すべき構造物を人物の顔とし、目、鼻、口の輪郭を構成する代表点を設定形状に定義する。その結果、構造物が照明条件や遮蔽物により見えにくい場合にも、候補点として検出できなかった欠損部を形状モデルが補完し、精度良く形状を検出することができる。

さらに、構造物検出手段５０により検出された構造物Ｍの位置を基準に例えば特許第２７０７３６９号のような技術を利用してコメントの挿入を可能とするようにしてもよい。

１ 構造物検出装置
１０ 候補領域検出手段（候補点抽出手段）
２０ 候補点抽出手段
３０ 正規化手段
４０ 代表点選択手段
５０ 構造物検出手段
ＤＢ 設定形状記憶手段
ＤＶ 画像データ
Ｍ 構造物
Ｍ_ｒｅｆ 設定形状
Ｍ_ｓ 形状モデル
Ｒ_ｃ 候補領域
Ｒ_Ｌ 欠損領域
Ｒ_ｓ 余剰領域
Ｓ_ｐ０ （第１次）候補点
Ｓ_ｐ、Ｓ_ｑ （第２次）候補点
Ｓ_ｒｅｆ 基準位置

Claims (18)

1. 画像データから所定の構造物を検出する構造物検出装置であって、
   前記画像データから前記所定の構造物に属する複数の候補点を抽出する候補点抽出手段と、
   前記所定の構造物の既知の形状を表す、複数の教師ラベルから構成される設定形状が予め記憶された設定形状記憶手段と、
   前記候補点抽出手段により抽出された複数の候補点のうち、前記設定形状記憶手段に記憶された前記設定形状に一致もしくは最も類似する形状モデルを構成する、前記複数の教師ラベルの各々に対応する代表点を選択する代表点選択手段と、
   該代表点選択手段により選択された複数の前記代表点が形成する前記形状モデルと前記候補点とを用いて前記画像データから前記所定の構造物を検出する構造物検出手段と
   を備えたことを特徴とする構造物検出装置。
2. 前記候補点抽出手段は、前記設定形状を用いずに、前記画像データから前記所定の構造物の画像的特徴を有する領域を検出し、該検出された領域中から前記複数の候補点を抽出するものであることを特徴とする請求項１記載の構造物検出装置。
3. 前記設定形状が、前記複数の教師ラベルについて、該教師ラベルの各々の位置、および、該教師ラベル間の位置関係の情報を表したものであり、
   前記代表点選択手段が、前記教師ラベルの各々と前記候補点の対応づけの組合せの各々について、前記教師ラベルの各々の位置と該教師ラベルに対応づけられた候補点の各々の位置の一致度と、前記複数の教師ラベル間の位置関係と該教師ラベルの各々に対応づけられた候補点間の位置関係の一致度とを算出し、前記各組合せの中から前記位置の一致度および前記位置関係の一致度が最も高くなる組合せを決定することによって、前記代表点を選択するものであることを特徴とする請求項１または２記載の構造物検出装置。
4. 前記設定形状が、前記教師ラベル間の接続関係の情報をさらに表したものであり、
   前記代表点選択手段が、前記組合せの各々において、接続すべき２つの前記教師ラベルの各々に対応づけられた２つの前記候補点間の経路を、該組合せにおいて前記教師ラベルとの対応づけがなされていない候補点を含む前記複数の候補点を、所定の指標値に基づくコストが最小となるように選択的に辿ることによって決定し、前記位置関係の一致度を、前記経路に対するコストをさらに加味して算出するものであり、
   前記構造物検出手段が、前記代表点選択手段によって決定された前記組合せにおける前記代表点間の前記候補点を辿る接続態様に基づいて、前記所定の構造物を検出するものであることを特徴とする請求項３記載の構造物検出装置。
5. 前記構造物検出手段が、前記複数の候補点を接続することによって形成される形状を、前記代表点を前記設定形状に略一致するように接続した前記形状モデルを用いて修正することによって、前記所定の構造物を検出するものであることを特徴とする請求項１から３のいずれか１項記載の構造物検出装置。
6. 前記構造物検出手段が、スパニング木アルゴリズムを用いて前記複数の候補点を接続するものであることを特徴とする請求項５に記載の構造物検出装置。
7. 前記構造物検出手段が、前記代表点を接続した前記形状モデル上では前記所定の構造物として検出されたが前記候補点の接続が途切れている欠損領域が存在する場合、該欠損領域を前記所定の構造物として検出するものであることを特徴とする請求項１から６のいずれか１項記載の構造物検出装置。
8. 前記構造物検出手段が、前記候補点が検出されているが前記形状モデル上では前記所定の構造物として検出されていない余剰領域が存在する場合、該余剰領域を前記所定の構造物から除外するものであることを特徴とする請求項１から７のいずれか１項記載の構造物検出装置。
9. 前記代表点選択手段が、グラフマッチングにより前記設定形状に一致もしくは最も類似する前記形状モデルとなる前記代表点の集合を選択するものであることを特徴とする請求項１から８のいずれか１項記載の構造物検出装置。
10. 前記設定形状記憶手段が前記所定の構造物であることが既知の教師画像データを用いて学習された、前記候補点が前記設定形状であることの尤度を示す評価関数を記憶したものであり、前記代表点選択手段が前記評価関数を用いて前記代表点を選択するものであることを特徴とする請求項１から９のいずれか１項記載の構造物検出装置。
11. 前記代表点選択手段が、前記所定の構造物が血管である場合に前記候補点の座標とともに前記候補点における血管の太さまたは輝度値を用いて前記代表点を選択するものであることを特徴とする請求項１から１０のいずれか１項記載の構造物検出装置。
12. 前記候補点抽出手段により抽出された前記複数の候補点の座標を所定の基準位置に基づいて正規化する正規化手段をさらに備えたことを特徴とする請求項１から１１のいずれか１項記載の構造物検出装置。
13. 前記候補点抽出手段が、前記所定の構造物の領域から複数の点を抽出し、抽出した複数の点を結んだ後に所定の長さのセグメント毎に分割し、分割した前記各セグメントから前記候補点を抽出するものであることを特徴とする請求項１から１２のいずれか１項記載の構造物検出装置。
14. 前記設定形状が前記所定の構造物を含む複数の構造物で構成されており、前記構造物検出手段により検出された異なる前記構造物を識別可能な表示態様で表示する表示制御手段をさらに備えたことを特徴とする請求項１から１３のいずれか１項記載の構造物検出装置。
15. 前記設定形状が前記所定の構造物のみならず該所定の構造物とは異なる他の構造物の形状を含むものであり、
    前記候補点抽出手段が前記所定の構造物および前記他の構造物から前記候補点を抽出するものであり、
    前記代表点選択手段が、前記設定形状に一致もしくは最も類似する前記形状モデルを構成する前記代表点を選択するものであり、
    前記構造物検出手段が、前記複数の代表点のうち前記他の構造物に対応する前記代表点を削除し前記所定の構造物を検出することを特徴とする請求項１から１４のいずれか１項記載の構造物検出装置。
16. 前記所定の構造物が人体の管状構造物であることを特徴とする請求項１から１５のいずれか１項記載の構造物検出装置。
17. 画像データから所定の構造物を検出する構造物検出方法であって、
    前記画像データから前記所定の構造物に属する複数の候補点を抽出し、
    抽出した複数の候補点のうち、設定形状記憶手段に予め記憶された前記所定の構造物の既知の形状を表す、複数の教師ラベルから構成される設定形状に一致もしくは最も類似する形状モデルを構成する、該複数の教師ラベルの各々に対応する代表点を選択し、
    選択した複数の前記代表点が形成する前記形状モデルと前記候補点とを用いて前記画像データから前記所定の構造物を検出する
    ことを特徴とする構造物検出方法。
18. コンピュータに画像データから所定の構造物を検出する処理を実行させるための構造物検出プログラムであって、該プログラムは、該コンピュータに、
    前記画像データの前記所定の構造物に属する複数の候補点を抽出する手順と、
    抽出した複数の候補点のうち、設定形状記憶手段に予め記憶された前記所定の構造物の既知の形状を表す、複数の教師ラベルから構成される設定形状に一致もしくは最も類似する形状モデルを構成する、該複数の教師ラベルの各々に対応する代表点を選択する手順と、
    選択した複数の前記代表点が形成する前記形状モデルと前記候補点とを用いて前記画像データから前記所定の構造物を検出する手順と
    を実行させるためのものであることを特徴とする構造物検出プログラム。

Images