JP5039310B2

JP5039310B2 - 脳内出血部位セグメンテーション装置

Info

Publication number: JP5039310B2
Application number: JP2006065418A
Authority: JP
Inventors: ウーリ
Original assignee: GE Medical Systems Global Technology Co LLC
Current assignee: GE Medical Systems Global Technology Co LLC
Priority date: 2005-08-05
Filing date: 2006-03-10
Publication date: 2012-10-03
Anticipated expiration: 2026-03-10
Also published as: US20070031020A1; CN1907225B; JP2007044485A; US7792339B2; CN1907225A

Description

本発明は、脳内出血部位セグメンテーション（Ｉｎｔｒａ−ＣｅｒｅｂｒａｌＨｅｍｏｒｒｈａｇｅｌｅｓｉｏｎｓｅｇｍｅｎｔａｔｉｏｎ）方法および装置に関し、特に、脳内出血を発症している頭部のＸ線ＣＴ画像について、脳内出血部位を特定する方法および装置に関する。

脳内出血（ＩＣＨ）の診断および治療のために、頭部のＸ線ＣＴ画像について、脳内出血部位のセグメンテーションが行われる。セグメンテーションは専門医が介在して人為的に行われる（例えば、特許文献１参照）。
特開２００５−１１８５１０号公報（第６−７頁、図３−７）

専門医が介在する人為的なセグメンテーションは、労力と時間がかかり、しかもセグメンテーションの結果は担当者の技量等に左右される。また、自動化するにしても、脳内出血部位のＣＴ値は症状によって様々な値を取り、正常な他の部位のＣＴ値と重なることもあるので、単一の閾値によるセグメンテーションでは目的が達せられない。

そこで、本発明の課題は、脳内出血部位のセグメンテーションを適切に行う方法および装置を実現することである。

上記の課題を解決するための第１の観点での発明は、脳内出血を発症している頭部のＸ線ＣＴ画像について、スケールスペース・フィルタリングによってハイヤー・スケールレベルの画像を求め、前記ハイヤー・スケールレベルの画像に基づいて脳の外形に相当する関心領域を求め、前記頭部のＸ線ＣＴ画像の前記関心領域内の画像についてアンスーパーバイズド・クラシフィケーションを行い、前記アンスーパーバイズド・クラシフィケーションの結果についてエキスパートシステムによって脳内出血の部位を識別する、ことを特徴とする脳内出血部位セグメンテーション方法である。

上記の課題を解決するための第２の観点での発明は、脳内出血を発症している頭部のＸ線ＣＴ画像について、スケールスペース・フィルタリングによってハイヤー・スケールレベルの画像を求めるフィルタリング手段と、前記ハイヤー・スケールレベルの画像に基づいて脳の外形に相当する関心領域を求める関心領域形成手段と、前記頭部のＸ線ＣＴ画像の前記関心領域内の画像についてアンスーパーバイズド・クラシフィケーションを行うクラシフィケーション手段と、前記アンスーパーバイズド・クラシフィケーションの結果についてエキスパートシステムによって脳内出血の部位を識別する識別手段と、を具備することを特徴とする脳内出血部位セグメンテーション装置である。

前記スケールスペース・フィルタリングは、アンアイソトロピック・ディフュージョン・フィルタリングによって行われることが、エッジ保全が良好な点で好ましい。
前記関心領域は、前記ハイヤー・スケールレベルの画像についての頭骨輪郭抽出と、前記ハイヤー・スケールレベルの画像についてのアンスーパーバイズド・クラシフィケーションと、前記アンスーパーバイズド・クラシフィケーションの結果についてのスレッシュホールド・セグメンテーションと、前記スレッシュホールド・セグメンテーションの結果についての頭骨画像抽出と、前記頭骨輪郭で囲まれた領域からの前記頭骨画像に対応する領域の除去と、残余の領域についてのモルフォロジカル・オペレーションと、によって求められることが、関心領域を適切に形成する点で好ましい。

前記アンスーパーバイズド・クラシフィケーションは、前記ハイヤー・スケールレベルの画像の前記関心領域内の画像についてのアダプティブ・イニシャルスレッシュホールド・コンファーメーションと、前記アダプティブ・イニシャルスレッシュホールド・コンファーメーションによって求められたイニシャルスレッシュホールドに基づく前記頭部のＸ線ＣＴ画像の前記関心領域内の画像についてのオートマティック・クラシフィケーションとによって行われることが、クラシフィケーションを適切に行う点で好ましい。

前記アダプティブ・イニシャルスレッシュホールド・コンファーメーションは、予め用意された複数のイニシャルスレッシュホールドの候補値によるスレッシュホールド・セグメンテーションの結果についての判定によって行われることが、イニシャルスレッシュホールドを最適化する点で好ましい。

前記オートマティック・クラシフィケーションは、前記アダプティブ・イニシャルスレッシュホールド・コンファーメーションによって求められたイニシャルスレッシュホールドを用いたイニシャルパラメータの計算と、前記イニシャルパラメータを用いた前記頭部のＸ線ＣＴ画像の前記関心領域内の画像についてのオートマティック・クラシフィケーションとによって行われることが、クラシフィケーションを適切に行う点で好ましい。

前記オートマティック・クラシフィケーションは、スレッシュホールド・セグメンテーションによって行われることが、セグメンテーションを適切に行う点で好ましい。
前記オートマティック・クラシフィケーションは、ＭＡＰセグメンテーション行われることが、セグメンテーションを適切に行う点で好ましい。

前記オートマティック・クラシフィケーションは、ＦＣＭクラスタリング行われることが、セグメンテーションを適切に行う点で好ましい。
脳内出血部位セグメンテーション装置は、画像の呼出、画像の表示、画像付属情報の表示、セグメンテーション方法の選択、セグメンテーション結果のインタラクティブな操作、および、脳内出血部位のパラメータの計算をそれぞれ可能にするためのユーザー・インターフェースを有することが、操作性を良くする点で好ましい。

前記ユーザー・インターフェースはグラフィカル・ユーザー・インターフェースであることが、操作性をいっそう良くする点で好ましい。

上記各観点での本発明によれば、脳内出血を発症している頭部のＸ線ＣＴ画像について、スケールスペース・フィルタリングによってハイヤー・スケールレベルの画像を求め、前記ハイヤー・スケールレベルの画像に基づいて脳の外形に相当する関心領域を求め、前記頭部のＸ線ＣＴ画像の前記関心領域内の画像についてアンスーパーバイズド・クラシフィケーションを行い、前記アンスーパーバイズド・クラシフィケーションの結果についてエキスパートシステムによって脳内出血の部位を識別するので、脳内出血部位のセグメンテーションを適切に行う方法および装置を実現することができる。

以下、図面を参照して発明を実施するための最良の形態を説明する。なお、本発明は、発明を実施するための最良の形態に限定されるものではない。図１に画像処理装置の構成をブロック（ｂｌｏｃｋ）図によって示す。

本装置は本発明を実施するための最良の形態の一例である。本装置の構成によって、脳内出血部位セグメンテーション装置に関する本発明を実施するための最良の形態の一例が示される。本装置の動作によって、脳内出血部位セグメンテーション方法に関する本発明を実施するための最良の形態の一例が示される。

図１に示すように、本装置は、データ（ｄａｔａ）処理部１０、表示部２０、操作部３０、記憶部４０および入出力部５０を有する。
データ処理部１０は、表示部２０および操作部３０を通じてのユーザー（ｕｓｅｒ）によるインタラクティブ（ｉｎｔｅｒａｃｔｉｖｅ）な操作に基づいて、記憶部４０に記憶されたデータについて所定のデータ処理を行う。データ処理部１０は、また、入出力部５０を通じて外部装置に対するデータ入出力を行う。脳内出血部位セグメンテーションを行うべきＸ線ＣＴ画像も、入出力部５０を通じて外部装置から入力される。外部装置は例えばＸ線ＣＴ装置や医用画像サーバー（ｓｅｒｖｅｒ）等である。なお、本装置は、Ｘ線ＣＴ装置や医用画像サーバーの一部であってもよい。その場合は、入出力部５０は必ずしも必要でない。

本装置によって行われる脳内出血部位セグメンテーションについて説明する。図２に、脳内出血部位セグメンテーションを行うためのプロセス（ｐｒｏｃｅｓｓ）を示す。図２に示すように、脳内出血部位セグメンテーションは４つのプロセスＰ１，Ｐ２，Ｐ３，Ｐ４によって行われる。

プロセスＰ１では、脳内出血を発症している頭部のＸ線ＣＴ画像（ｏｒｉｇｉｎａｌＣＴＩＣＨｉｍａｇｅ）について、スケールスペース・フィルタリング（ｓｃａｌｅｓｐａｃｅｆｉｌｔｅｒｉｎｇ）が行われる。スケールスペース・フィルタリングは、データ処理部１０によって行われる。データ処理部１０は、本発明におけるフィルタリング手段の一例である。

スケールスペース・フィルタリングによって、ロワー・スケールレベル（ｌｏｗｅｒｓｃａｌｅｌｅｖｅｌ）からハイヤー・スケールレベル（ｈｉｇｈｅｒｓｃａｌｅｌｅｖｅｌ）までの各スケールスペースの画像が得られる。スケールスペース・フィルタリングについては後にあらためて説明する。

プロセスＰ２では、ハイヤー・スケールレベル画像に基づいて、粗脳領域抽出（ｒｏｕｇｈｂｒａｉｎｅｘｔｒａｃｔｉｎｇ）が行われる。粗脳領域抽出は、データ処理部１０によって行われる。データ処理部１０は、本発明における関心領域形成手段の一例である。粗脳領域抽出については後にあらためて説明する。

プロセスＰ３では、ハイヤー・スケールレベル画像およびロワー・スケールレベル画像に基づいて、アンスパーバイズド・クラシフィケーション（ｕｎｓｕｐｅｒｖｉｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎ）が行われる。アンスパーバイズド・クラシフィケーションは、データ処理部１０によって行われる。データ処理部１０は、本発明におけるクラシフィケーション手段の一例である。

アンスパーバイズド・クラシフィケーションには、粗脳領域抽出結果が利用される。粗脳領域抽出にはアンスパーバイズド・クラシフィケーションが利用される。アンスパーバイズド・クラシフィケーションについては後にあらためて説明する。

プロセスＰ４では、プロセスＰ２とプロセスＰ３の結果に基づいて、脳内出血部位識別（ＩＣＨｌｅｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎ）が行われる。脳内出血部位識別は、データ処理部１０によって行われる。データ処理部１０は、本発明における識別手段の一例である。

スケールスペース・フィルタリング（プロセスＰ１）について説明する。スケールスペース・フィルタリングには例えば次式で与えられるフィルタが用いられる。

この式はアンアイソトロピック・ディフュージョン・フィルタ（ａｎｉｓｏｔｒｏｐｉｃｄｉｆｆｕｓｉｏｎｆｉｌｔｅｒ）を表す。このようなフィルタを用いることにより、図３に示すように、スケールレベルｔが順次に増加する画像すなわちスケールレベル画像が得られる。スケールレベルｔの値が小さい画像がロワー・スケールレベル画像であり、スケールレベルｔの値が大きい画像がハイヤー・スケールレベル画像である。

ハイヤー・スケールレベル画像になるほどノイズ（ｎｏｉｓｅ）は減少するが、アンアイソトロピック・ディフュージョン・フィルタであることにより、画像のエッジは全スケールレベルを通じて良好に保全される。

粗脳領域抽出（プロセスＰ２）について説明する。図４に、粗脳領域抽出の概念を示す。粗脳領域抽出はハイヤー・スケールレベル画像（ａ）について行われる。まず、アンスーパーバイズド・クラシフィケーションにより、クラシファイド（ｃｌａｓｓｉｆｉｅｄ）画像（ｂ）が求められる。クラシファイド画像（ｂ）は、所定の閾値以上のＣＴ値を持つ領域が高輝度（白）で表された二値画像となる。この画像では、頭骨、脳内出血部位、頭部支持具等が高輝度で表される。

クラシファイド画像（ｂ）から頭骨画像（ｃ）が抽出される。頭骨画像（ｃ）の抽出は、スレッシュホールド・セグメンテーション（ｔｈｒｅｓｈｏｌｄｓｅｇｍｅｎｔａｔｉｏｎ）によって行われる。スレッシュホールド・セグメンテーションには骨のＣＴ値に相当する閾値が用いられる。

一方、ハイヤー・スケールレベル画像（ａ）から頭骨輪郭（ｄ）が求められる。頭骨輪郭（ｄ）は、例えば、アクティブコントア・メソッド（ａｃｔｉｖｅｃｏｎｔｏｕｒｍｅｔｈｏｄ）やライブワイヤー・メソッド（ｌｉｖｅｗｉｒｅｍｅｔｈｏｄ）等によって求められる。

頭骨輪郭（ｄ）で囲まれた領域から頭骨画像（ｃ）に相当する部分を除去する。これによって、残余の領域がイニシャル脳領域（ｉｎｉｔｉａｌｂｒａｉｎｒｅｇｉｏｎ）（ｅ）として得られる。

イニシャル脳領域（ｅ）についてのモルフォロジカル・オペレーション（ｍｏｒｆｏｌｏｇｉｃａｌｏｐｅｒａｔｉｏｎ）を行って、粗脳領域（ｆ）を形成する。モルフォロジカル・オペレーションは、例えば、ダイレーティング（ｄｉｌａｔｉｏｎ）、フィリング（ｆｉｌｌｉｎｇ）およびエローディング（ｅｒｏｄｉｎｇ）によって行われる。

粗脳領域（ｆ）は、頭骨の内側の領域を示す。粗脳領域（ｆ）には頭骨像および頭部支持具像が含まれない。したがって、これを関心領域（ＲＯＩ：ｒｅｇｉｏｎｏｆｉｎｔｅｒｅｓｔ）とすることにより、頭骨や頭部支持具のＣＴ値の影響を排除することができる。また、脳の頭骨に近い部分におけるパーシャル・ボリューム効果の影響を排除することができる。

アンスーパーバイズド・クラシフィケーション（プロセスＰ３）について説明する。図５に、アンスーパーバイズド・クラシフィケーションの概念を示す。アンスーパーバイズド・クラシフィケーションにおいては、ハイヤー・スケールレベル画像（ａ）から粗脳領域（ｂ）に対応する関心領域の画像（ｃ）が抽出され、この画像について、アダプティブ・イニシャルスレッシュホールド・コンファーメーション（ａｄａｐｔｉｖｅｉｎｉｔｉａｌｔｈｒｅｓｈｏｌｄｃｏｎｆｉｒｍａｔｉｏｎ）（ｄ）が行われる。そして、その結果を用いて、オートマティック・クラシフィケーション（ａｕｔｏｍａｔｉｃｃｌａｓｓｉｆｉｃａｔｉｏｎ）（ｅ）が行われ、脳内出血部位の候補像が求められる。

図６に、アダプティブ・イニシャルスレッシュホールド・コンファーメーションと、オートマティック・クラシフィケーションのフロー（ｆｌｏｗ）図を示す。アダプティブ・イニシャルスレッシュホールド・コンファーメーションにおいては、ステップ（ｓｔｅｐ）６０１で、予め用意された複数のイニシャルスレッシュホールドの候補値の中から１つを選択し、ステップ６０３で、そのイニシャルスレッシュホールド候補値によるスレッシュホールド・セグメンテーションを行い、ステップ６０５で、スレッシュホールド・セグメンテーションの結果が予め定められたルール（ｒｕｌｅ）を満足するか否かを判定する。判定用のルールは、例えば、スレッシュホールド・セグメンテーションによって得られる領域数が所定の最大値以内になるか否である。

ステップ６０１−６０５の動作は、ルールを満足するイニシャルスレッシュホールドが得られるまで繰り返さる。これよって、最終的には、最適なイニシャルスレッシュホールドが確定する。

オートマティック・クラシフィケーションにおいては、ステップ６０７で、イニシャルパラメータを計算し、ステップ６０９で、オートマティック・クラシフィケーションを行う。ステップ６０７で計算されるイニシャルパラメータは、例えば、閾値、平均値、標準偏差等である。このようなイニシャルパラメータを用いて、ステップ６０９のオートマティック・クラシフィケーションが行われる。オートマティック・クラシフィケーションは、ロワー・スケールレベル画像の関心領域について行われる。関心領域は粗脳領域に対応する領域である。

オートマティック・クラシフィケーションは、例えば、スレッシュホールド・セグメンテーションによって行われる。あるいは、ＭＡＰセグメンテーション（ｍａｘｉｍｉｚａｔｉｏｎａｐｒｉｏｒｓｅｇｍｅｎｔａｔｉｏｎ）または、ＦＣＭクラスタリング（ｆｕｚｚｙＣｍｅａｎｓｃｌｕｓｔｅｒｉｎｇ）によって行われる。なお、これらに限らず適宜の技法によるオートマティック・クラシフィケーションを行ってよい。

脳内出血部位識別（プロセスＰ４）について説明する。図７に、脳内出血部位識別の概念を示す。脳内出血部位識別はエキスパート・システム（ｅｘｐｅｒｔｓｙｓｔｅｍ）によって行われる。

エキスパート・システムは、脳内出血部位の候補像（ａ）について、真正脳内出血部位識別（ｂ）を行い、脳内出血部位像（ｃ）を求める。真正脳内出血部位識別（ｂ）は、予め定められたルールに基づいて行われる。

識別に用いられるルールは、例えば、次のようなものである。
１）平均ＣＴ値が所定値（例えば１００）より大きい領域は、骨の可能性が高いことにより除外する。

２）平均ＣＴ値が所定値（例えばイニシャルスレッシュホールド）より小さい領域は、正常脳組織の可能性が高いことにより除外する。
３）ピクセル（ｐｉｘｅｌ）数が所定値（例えば３０）より少ない領域は、石灰化部位の可能性が高いことにより除外する。

４）領域中心が粗脳領域の端に近すぎる領域は、パーシャルボリューム（ｐａｒｔｉａｌｖｏｌｕｍｅ）効果に影響された正常部位の可能性が高いことにより除外する。
図１０−図１５に、脳内出血部位セグメンテーション結果の表示例を示す。各図において、左側がオリジナル（ｏｒｉｇｉｎａｌ）画像、右側が脳内出血部位セグメンテーション結果を重ね合わせた画像である。脳内出血部位セグメンテーション結果は赤色で表示されるが、ここでは黒抜きで表示する。

図１０は患部のコントラスト（ｃｏｎｔｒａｓｔ）が高い例であり、図１１は患部のコントラスト（ｃｏｎｔｒａｓｔ）が低い例である。いずれも適切にセグメンテーションされている。

図１２および図１３は患部領域が複数の例である。いずれも適切にセグメンテーションされている。図１４および図１５は患部領域が頭骨に近い例である。このうち、図１５は頭骨が完全に閉じていない例であるが、そのような場合でも患部が適切にセグメンテーションされている。

以上のような脳内出血部位セグメンテーションを行う際に用いられるユーザー・インターフェース（ｕｓｅｒｉｎｔｅｒｆａｃｅ）の一例を図８に示す。このユーザー・インターフェースは表示部２０に表示されるグラフィカル・ユーザー・インターフェース（ｇｒａｐｈｉｃａｌｕｓｅｒｉｎｔｅｒｆａｃｅ）であり、マウス（ｍｏｕｓｅ）等のポインティング・デバイス（ｐｏｉｎｔｉｎｇｄｅｖｉｃｅ）やタッチパネル（ｔｏｕｃｈｐａｎｅｌ）等によって操作される。

ユーザー・インターフェースは、画像の呼出用のＧＵＩ８０２、画像の表示用のＧＵＩ８０４、画像付属情報表示用のＧＵＩ８０６、セグメンテーション方法選択用のＧＵＩ８０８、セグメンテーション結果のインタラクティブな操作用のＧＵＩ８１０、および、脳内出血部位のパラメータの計算用のＧＵＩ８１２からなる。

画像の表示用のＧＵＩ８０４、画像付属情報表示用のＧＵＩ８０６、セグメンテーション方法選択用のＧＵＩ８０８、セグメンテーション結果のインタラクティブな操作用のＧＵＩ８１０、および、脳内出血部位のパラメータの計算用のＧＵＩ８１２は、いずれも複数のＧＵＩの集合で構成される。

画像の表示用のＧＵＩ８０４は、オリジナル（ｏｒｉｇｉｎａｌ）画像に関して、ウィンドウ幅（ＷＷ）とウィンドウレベル（ＷＬ）の調節を可能にするＧＵＩと、２Ｄ表示を可能にするＧＵＩと、セグメンテーションされた患部像に関して、疑似カラー（ｐｓｅｕｄｏ−ｃｏｌｏｒ）表示を可能にするＧＵＩと、透明表示を可能にするＧＵＩと、２Ｄ表示を可能にするＧＵＩと、３Ｄ表示を可能にするＧＵＩからなる。

画像付属情報表示用のＧＵＩ８０６は、患者情報に関して、氏名、ＩＤ、性別、年令等の表示を可能にするＧＵＩと、スキャンパラメータ（ｓｃａｎｐａｒａｍｅｔｅｒ）に関して、ＫＶ、ｍＡ、スライス厚（ｓｌｉｃｅｔｈｉｃｋｎｅｓｓ）、ピクセルスペース（ｐｉｘｅｌｓｐａｃｉｎｇ）等の表示を可能にするＧＵＩからなる。

セグメンテーション方法選択用のＧＵＩ８０８は、オートマティック・セグメンテーションを可能にするＧＵＩと、他の方法によるセグメンテーションを可能にするＧＵＩからなる。

セグメンテーション結果のインタラクティブな操作用のＧＵＩ８１０は、領域選択、領域削除、領域追加、領域拡大、領域縮小等をそれぞれ可能にするＧＵＩの集合で構成される。

脳内出血部位のパラメータの計算用のＧＵＩ８１２は、患部面積、患部の長径、患部の短径、最大ＣＴ値、１スライス体積、および、連続複数スライス体積の計算をそれぞれ可能にするＧＵＩと、面積が最大の患部が存在するスライスＩＤを表示させるＧＵＩの集合で構成される。

このようなユーザー・インターフェースを通じての操作に基づく本装置の動作のフロー図を図９に示す。ステップ９０１で画像選択が行われる。画像選択にはＧＵＩ８０２が用いられる。ステップ９０３でオートマティック・セグメンテーションが行われる。オートマティック・セグメンテーションは、ＧＵＩ８０８の操作に基づいて行われる。

ステップ９０５でインタラクティブ操作による領域確認が行われる。インタラクティブ操作による領域確認は、ＧＵＩ８０４の操作によって表示させた脳内出血部位像について、ＧＵＩ８１０の操作に基づいて行われる。

ステップ９０７で１スライス（ｓｌｉｃｅ）のボリューム計算（ｖｏｌｕｍｅｃａｌｃｕｔａｔｉｏｎｊ）が行われる。ボリューム計算はＧＵＩ８１２の操作に基づいて行われる。

ステップ９０９で作業継続の要否が判定される。作業継続を要するときは、ステップ９０１−９０８の動作が繰り返される。これによって、例えば、連続する複数スライスの画像について、オートマティック・セグメンテーション、インタラクティブ領域確認、１スライスボリューム計算がそれぞれ行われる。

それらの処理が所望の全ての画像についてなされたとき、ステップ９１１で連続する複数スライスにまたがる患部ボリュームが求められる。この計算はＧＵＩ８１２の操作に基づいて行われる。

本発明を実施するための最良の形態の一例の画像処理装置の構成を示す図である。脳内出血部位セグメンテーションを行うためのプロセスを示す図である。スケールレベル画像を示す図である。粗脳領域抽出の概念を示す図である。アンスーパーバイズド・クラシフィケーションの概念を示す図である。アダプティブ・イニシャルスレッシュホールド・コンファーメーションと、オートマティック・クラシフィケーションのフロー（ｆｌｏｗ）図である。脳内出血部位識別の概念を示す図である。ユーザー・インターフェースの一例を示す図である。本発明を実施するための最良の形態の一例の画像処理装置の動作のフロー図である。脳内出血部位セグメンテーション結果の例を中間調の写真で示す図である。脳内出血部位セグメンテーション結果の例を中間調の写真で示す図である。脳内出血部位セグメンテーション結果の例を中間調の写真で示す図である。脳内出血部位セグメンテーション結果の例を中間調の写真で示す図である。脳内出血部位セグメンテーション結果の例を中間調の写真で示す図である。脳内出血部位セグメンテーション結果の例を中間調の写真で示す図である。

符号の説明

１０データ処理部
２０表示部
３０操作部
４０記憶部
５０入出力部

Claims

脳内出血を発症している頭部のＸ線ＣＴ画像について、スケールスペースフィルタリングにより、ハイヤー・スケールレベルの画像と前記ハイヤー・スケールレベルの画像よりスケールレベルが低いロワー・スケールレベルの画像とを含むスケールレベルの異なる複数の画像を求めるフィルタリング手段と、
前記ハイヤー・スケールレベルの画像に基づいて脳の外形に相当する関心領域を求める関心領域形成手段と、
前記ハイヤー・スケールレベルの画像と前記ロワー・スケールレベルの画像とに基づいて、前記関心領域内の画像について教師なし分類（「アンスーパーバイズド・クラシフィケーション」とも言う）によって脳内出血部位の候補像を求めるクラシフィケーション手段と、
前記脳内出血部位の候補像について、少なくともＣＴ値を用いた所定のルールに基づきピクセルを特定するエキスパートシステムによって脳内出血の部位を識別する識別手段と、
を具備する、脳内出血部位セグメンテーション装置であって、
前記教師なし分類は、前記ロワー・スケールレベルの画像における前記関心領域の画像の、前記ハイヤー・スケールレベルの画像における前記関心領域の画像を用いたしきい値セグメンテーションの結果が所定の結果となるような値として求められた初期しきい値を用いたしきい値セグメンテーションによって行われることを特徴とする脳内出血部位セグメンテーション装置。
前記スケールの異なる複数の画像は、アンアイソトロピック・ディフュージョン・フィルタリングによって求められる
ことを特徴とする請求項１に記載の脳内出血部位セグメンテーション装置。
画像の呼出、画像の表示、画像付属情報の表示、セグメンテーション方法の選択、セグメンテーション結果のインタラクティブな操作、および、脳内出血部位のパラメータの計算をそれぞれ可能にするためのユーザー・インターフェースを有する
ことを特徴とする請求項１または請求項２に記載の脳内出血部位セグメンテーション装置。
前記ユーザー・インターフェースはグラフィカル・ユーザー・インターフェースである
ことを特徴とする請求項３に記載の脳内出血部位セグメンテーション装置。