JP5108905B2

JP5108905B2 - ３ｄデータセット中の画像ビューを自動的に特定する方法および装置

Info

Publication number: JP5108905B2
Application number: JP2010020824A
Authority: JP
Inventors: フレドリック・オーダールッド; シュタイン・ラッベン; ハンス・トープ; ヴィダール・ルンドベルグ
Original assignee: General Electric Co
Current assignee: General Electric Co
Priority date: 2009-02-04
Filing date: 2010-02-02
Publication date: 2012-12-26
Anticipated expiration: 2030-02-02
Also published as: US20100195881A1; JP2010179098A; US8265363B2; DE102010000274A1; CN101901335B; CN101901335A

Description

本発明は、概して、超音波に関し、より詳細には、３次元（３Ｄ）データセット内からの画像ビューの自動的な特定に関する。

３Ｄ心エコー図の定量分析のための多くのツールが利用可能である。具体的には、左心室の評価が対象となる。３Ｄ心エコー法で、心周期をカバーする一連の画像フレームとして取得できる、取得ボリュームから任意の画像スライスを抽出することができる。しかし、ユーザからのあるレベルのインプットが必要である。例えば、現行のツールは、左心長軸の手動の位置合わせを必要とし、それにより検査時間が長くなる。時間が必要なので、ユーザは、１つの画像フレーム上の心尖部および心基部、すなわち心臓の上部および底部を特定することができる。次いで、これらのランドマークを残りの画像フレームに適用する。したがって、残りの画像フレームまたはスライスは、心周期を通して画像ボリューム内の固定した空間位置に残る。

米国特許出願第１１／７７５，９０３号公報米国特許出願第１２／０５０，７１５号公報米国特許第２００８／００６９４３６Ａ１号公報米国特許第６，５００，１２３Ｂ１号公報米国特許第６，４８８，６２９Ｂ１号公報米国特許出願第１１／８７３，１８２号公報

Xiaoguang Lu et al., AUTOMPR: AUTOMATIC DETECTION OF STANDARD PLANES IN 3D ECHOCARDIOGRAPHY, Siemens Corporate Research, Princeton, USA, Siemens Medical Solutions, Mountain View, USA, 978-1-4244-2003-2/08/$25.00 (c)2008 IEEE, ISBI 2008, (4) pages D. Doo and M. Sabin, BEHAVIOUR OF RECURSIVE DIVISION SURFACES NEAR EXTRAORDINARY POINTS, 0010-3385.78.0603056--05 $02.00 (c)1978 IPC Business Press, volume 10, Number 6, November 1978, (7) pages K.Y.E. Leung et al., SPARSE REGISTRATION FOR THREE=DIMENSIONAL STRESS ECHOCARDIOGRAPHY, IEEE Transactions on Medical Imaging, Vol. 27 No. 11, November 2008, (12) pages M. Van Stralen et al., TIME CONTINUOUS DETECTION OF THE LEFT VENTICULAR LONG AXIS AND THE MITERAL VALVE PLANE IN 3-D ECHOCARDIOGRAPHY, Ultrasound in Med. & Biol., Vol. 34, No. 2, pp. 196-207, 2008 F. Veronesi et al., TRACKING OF LEFT VENTRICULAR LONG AXIS FORM REAL-TIME THREE DIMENSIONAL ECHOCARDIOGRAPHY USING OPTICAL FLOW TECHNIQUES, IEEE Transactions on Information Technology in Biomedicine, Vol. 10, No. 1, January 2006, (8) pages L. Sugeng et al., LEFT VENTRICULAR ASSESSMENT USING REAL TIME THREE DIMANSIONAL ECHOCARDIOGRAPHY, Heart 2003; 89 (Suppl. III); pp. 29 - 36, www.heartjnl.com Fredrik Orderud and Stein Inge Rabben, REAL-TIME 3D SEGMENTATION OF THE LEFT VENTRICLE USING DEFORMABLE SUBDIVISION SURFACES, 978-1-4244-2243-2/08/$25.00 (c)2008 IEEE

しかし、心臓は収縮中に動き、したがって心臓の位置は画像フレーム内で動く。したがって、表示されている心筋組織は心周期中に異なる。これは、心周期中の長手方向の短縮が最大１．２センチメートルである、心底部の短軸スライスの場合に特に問題である。結果として生じる面外への動きにより、心収縮と関係のない擬似の壁の肥厚を生じる恐れがあり、心底部スライスが収縮末期に心房で終わる恐れがある。

一実施形態では、３次元データセット中の画像ビューを自動的に特定する方法が、プロセッサで複数の画像フレームを含む３次元データセットにアクセスするステップと、プロセッサで少なくとも１つの変形可能モデルを各画像フレーム内の少なくとも１つの構造にフィッティングするステップとを含む。この方法はさらに、プロセッサで少なくとも１つの変形可能モデルに基づいて各画像フレーム内の少なくとも１つの特徴点を特定するステップと、ディスプレイ上に前記少なくとも１つの特徴点に基づいて少なくとも１つの画像ビューを表示するステップとを含む。

他の実施形態では、３次元データセット中の画像ビューを自動的に特定するシステムが、プロセッサおよびディスプレイを備える。プロセッサは、複数の画像フレームを含む３次元データセットにアクセスし、少なくとも２つの結合した変形可能モデルを各画像フレーム内の構造にフィッティングし、少なくとも１つの変形可能モデルに基づいて各画像フレーム内の少なくとも１つの特徴点を特定するように構成される。ディスプレイは、少なくとも１つの特徴点に基づいて少なくとも１つの画像ビューを表示するように構成される。

本発明の実施形態に従って形成された超音波撮像システムのブロック図を示す。本発明の実施形態による、変形可能モデルベースの位置合わせアルゴリズムを用いて所望の画像ビューを自動的に作り出す方法を示す。本発明の実施形態による、複数の制御節点を示すワイヤーフレームメッシュに囲まれたＤｏｏ−Ｓａｂｉｎ細分割モデルを示す。本発明の実施形態に従って特徴点が特定された、拡張末期および収縮末期の例示的なセグメント化した共通部分のスライスを示す。本発明の実施形態による、特徴点に基づいて短軸スライスを特定する例を示す。本発明の実施形態による、短軸スライスに基づいた一連の中隔画像ビューを示す。本発明の実施形態による、短軸スライスに基づいた一連の心底部の画像ビューを示す。本発明の実施形態による、追跡階層中で互いに関連する複数モデルの構成法を示す。本発明の実施形態による、追跡階層を含む例示的なカルマン追跡フレームワークを示す。本発明の実施形態による、結合モデルの特徴点に基づいた標準的な心尖部ビューの抽出の一例を示す。本発明の実施形態に従って形成された、３つの標準的な心尖部の図を示す。本発明の実施形態による、取得中にプローブの向きを調節するためにユーザをガイドするために使用できる心臓の画像の比較を示す。本発明の実施形態による、負荷エコー検査の後処理した心尖部長軸画像を示す。本発明の実施形態による、負荷エコー検査の後処理した心尖部短軸画像を示す。

前述の発明の概要、ならびに本発明の特定の実施形態の以下の詳細な説明は、添付の図面と併せて読むときにより良く理解されるであろう。図に様々な実施形態の機能ブロック図を示す限り、それらの機能ブロックは必ずしもハードウェア回路間の区分を示すわけではない。したがって、例えば、１つまたは複数の機能ブロック（例えば、プロセッサまたはメモリ）は、ハードウェア単体（例えば、汎用プロセッサ信号またはランダムアクセスメモリ、ハードディスクなど）で実施することができる。同様に、それらのプログラムは、スタンドアロンプログラムとすることができ、オペレーティングシステム中にサブルーチンとして組み込むことができ、インストール済みのソフトウェアパッケージなどで機能することができる。様々な実施形態は図面に示した構成および手段に限定されないことを理解されたい。

本明細書で用いる通り、単数形で列挙され単語「ａ」または「ａｎ」が前に付された要素またはステップは、明記されない限り、前記要素またはステップの複数形を除外しないものとして理解されたい。さらに、本発明の「一実施形態」の言及は、列挙した特徴も組み込む追加の実施形態の存在を除外すると解釈すべきものではない。さらに、別に明記されない場合は、特定の特徴を有する単一の要素または複数の要素を「ｃｏｍｐｒｉｓｉｎｇ（備える）」または「ｈａｖｉｎｇ（有する）」実施形態は、その特徴を有しないそのような要素をさらに含むことができる。

本明細書で開示される少なくとも１つの実施形態は、変形可能モデルを自動的に構造に適合させる方法を利用する。いくつかの実施形態では、それらの方法は計算効率が高いことがある。例えば、その構造は、左心室、右心室、左心室流出路、および／または他の心臓構造でよい。他の例では、その構造は、１組の標準化したビューが生成される、人体または他の対象物内の他の構造でよい。

一方法が、同じ出願人に譲渡され全体を参照により本明細書に援用される、２００７年７月１１日出願の米国特許出願第１１／７７５，９０３号、「ＭｅｔｈｏｄｆｏｒＲｅａｌ−ＴｉｍｅＴｒａｃｋｉｎｇｏｆＣａｒｄｉａｃＳｔｒｕｃｔｕｒｅｓｉｎ３ＤＥｃｈｏｃａｒｄｉｏｇｒａｐｈｙ」に記載されている。第１１／７７５，９０３号特許出願は、ボリュメトリック画像シーケンスにおいてエッジに対してフィッティングされる変形可能モデルに関する動きおよび形状変化のトラッキング方法に関する。その方法は、拡張型カルマンフィルタを利用して変形可能モデルの位置、向きおよび変形パラメータを推定する。まず運動学的モデルを用いて新たな各フレームごとに変形可能モデルの形状および位置が予測される。次いで、このモデルの近傍でエッジ検出が実施される。このエッジ検出は、該モデル全体にわたる一定間隔の箇所でモデル表面と垂直なエッジを検索することによって実施される。変形可能モデルに関する予測エッジと測定エッジの間で決定された距離はカルマンフィルタなどの最小二乗アルゴリズムに対する測定値として取り扱われる。この距離測定値は、局所的エッジ検出の空間的不確定度を指定する関連する測定ノイズ値と結合させる。このエッジ測定に関するモデルパラメータ感度は各エッジ検出点ごとに算定される。この感度はエッジ測定値と組み合わせられる。引き続いて測定データが情報空間内で足し合わされると共に、カルマンフィルタ内の予測値と組み合わせられ、その変形可能モデルに関する位置および変形パラメータが推定される。

他の方法が、同じ出願人に譲渡され全体を参照により本明細書に援用される、２００８年３月１８日出願の米国特許出願第１２／０５０，７１５号、「ＭｅｔｈｏｄｓｆｏｒＵｓｉｎｇＤｅｆｏｒｍａｂｌｅＭｏｄｅｌｓｆｏｒＴｒａｃｋｉｎｇＳｔｒｕｃｔｕｒｅｓｉｎＶｏｌｕｍｅｔｒｉｃＤａｔａ」に記載されている。第１２／０５０，７１５号特許出願は、連続した複数の画像フレームを含みそのうち１つが現在の画像フレームである３Ｄ画像中の３Ｄ構造の追跡のためのコンピュータ化した方法に関する。この方法は、パラメトリックモデルで追跡されている３Ｄ構造を局部的な変形に関するパラメータで表すステップを含む。運動学的モデルを用いてパラメトリックモデルに関して予測状態ベクトルを作り出す。予測状態ベクトルを用いてそのパラメトリックモデルを変形し、３Ｄ構造に関する複数の実際の点を３Ｄ画像の現在のフレームで判定し、変位値および測定ベクトルを複数の実際の点と複数の予測点との間の差を用いて判定する。変位値および測定ベクトルをフィルタ処理して、更新した状態ベクトルおよび更新した共分散行列を生成し、更新した状態ベクトルを用いて現在の画像フレームに関した更新したパラメトリックモデルを生成する。

上述の援用した特許出願は、カルマンフィルタ追跡フレームワークを用いて画像データにモデルをフィッティングすることができる。カルマンフィルタ追跡フレームワークは、計算効率が高く、すなわち、モデルは１度の反復中に画像データに更新またはフィッティングされる。したがって、フィッティングをリアルタイムまたはほぼリアルタイムで実現することができる。他のフィッティング方法を用いて、限定されないが最小二乗法を用いた他の方法など、本発明の少なくとも１つの一実施形態を実施できることを理解されたい。１度の反復または数回の反復中に画像データにモデルをフィッティングすることができ、そのためリアルタイムまたはほぼリアルタイムでフィッティングが起きることが可能になる他のフィッティング方法を用いることができる。他の実施形態では、リアルタイムまたはほぼリアルタイムで動作しない他のフィッティング方法およびアルゴリズムを用いて、心臓構造または他の構造にモデルをフィッティングすることができる。

図１に、本発明の実施形態に従って形成された超音波撮像システム１００のブロック図を示す。超音波撮像システム１００は、超音波送信機１０２および超音波受信機１０４を含み、対象物１０６の対象領域から反射した反射超音波輻射を受信し受信した超音波輻射を画像データに変換するように構成される。対象物１０６は例えば医療患者でよく、対象領域は例えば患者の心臓を含む。対象物１０６に超音波輻射を放射しそこから反射した超音波輻射を受信するには、超音波プローブ１０８を用いて画像データの連続フレームを得る。超音波撮像システム１００はまた、画像データを分析するように構成されたプロセッサ１１０、および画像データの分析からの結果を示すように構成されたディスプレイ１１２も含む。プロセッサ１１０は、図１には別個に示していないメモリと共に計算／論理エンジン（例えば、マイクロプロセッサまたはＣＰＵ）を備えるモジュールでよい。ユーザがデータを入力し、画像を選択し、画像データおよび撮像パラメータなどを調節および細分化することを可能にするために、ユーザインターフェース１１８を設けることができる。ユーザインターフェース１１８は、限定されないが、キーボード、トラックボール、マウス、タッチスクリーン、トグルスイッチ、スライダー、およびボタンを含む、任意の周知の入力装置でよい。

本発明のいくつかの実施形態では、記憶装置１１６が、ＣＤ−ＲＯＭ、ＤＶＤ、フロッピー(登録商標）ディスク、または当技術分野で知られた他のタイプの機械可読媒体など、１つまたは複数の外部媒体１１４からの指示を読むように構成される。１つまたは複数の媒体１１４の指示は、例えばプロセッサ１１０を介して、本発明の方法の実施形態を実行するために超音波撮像システム１００に指示するように構成される。

本発明のいくつかの実施形態は、必ずしも超音波撮像システムを用いて実施する必要はない。いくつかの実施形態には図１に示すシステムの一部で十分である。例えば、プロセッサ、メモリ、およびディスプレイを備えるコンピュータが、本発明の多くの実施形態を実施するのに適している。いくつかの実施形態では、図１の超音波撮像システム１００などの撮像システムから画像データを転送するのに適切な方法が利用可能な場合にはコンピュータで十分なことがある。他の実施形態では、画像データの転送をリアルタイムで実現することができる。さらに、連続の画像フレームを提供することができる場合は、撮像システムは超音波撮像システムまたは医療用撮像システムを必要としない。少なくとも１つの実施形態を超音波撮像システム１００で実施する場合に、撮像システムの物理的なサイズは制限されない。例えば、超音波撮像システム１００をコンソール式、携帯式、または手持ち式で提供することができる。

図２に、変形可能モデルベースの位置合わせアルゴリズムを用いて所望の画像ビューを自動的に作り出す方法を示す。用語「ｉｍａｇｅｖｉｅｗ（画像ビュー）」は、ボリュメトリック画像、ボリュメトリックスライス、心臓弁または他の所望の解剖学上の構造のレンダリングなどのボリュームレンダリング、アナトミカルＭモード画像、カーブド・アナトミカルＭモード画像、時間−動き曲線（例えば変位、速度、ひずみ速度、ひずみ、ねじれなど）、あるいは画像データを評価および／または比較するときに用いることができる抽出された他の任意の画像ビューまたは表現もしくは視覚化技術からの２Ｄスライスなど、２Ｄスライスを指すのに用いることができる一般用語である。画像ビューは、以下で検討するような位置合わせの結果のことがある、変位、スケーリングおよび／または回転に関して補正した画像ビューを指すこともできる。例えば、面外への動き（例えば心周期中の変位）を補正した短軸スライスを作り出すことができる。１つまたは複数のこうした補正スライスを複数の画像から抽出することができる。

１５０で、いくつかの実施形態では、システム１００は、連続したＮ個の画像フレームを取得することができる。いくつかの実施形態では、画像フレームは、ボリュメトリック画像データを含むことができ、また３次元（３Ｄ）データセットと称することがある。一実施形態では、３Ｄデータセットは、色、変位、速度、温度、材料のひずみ、または画像中にコード化することができる他の情報もしくは情報源などの、グレースケールデータ、スカラーグレースケールデータ、パラメータまたはコンポーネントを含むことができる。例えば心周期の期間にわたって画像フレームを取得することができる。画像フレームの数Ｎは、患者ごとに変更することができ、個々の患者の心周期の長さならびに撮像システム１００のフレームレートに応じて変えることができる。

一実施形態では、以前に取得した画像を用いて、プローブの向きがほぼ同じ画像フレームを取得するため取得中にユーザをガイドすることができる。そのプローブの向きは、心臓など、対象の解剖学上の構造に関するプローブ１０８の相対的な向きである。プローブの向きは、ユーザに依存しており、ユーザの知見、経験、技術、利用可能な機器、ならびに他の要因に基づいて変わることがある。さらに、心臓（または他の解剖学上の構造）の様々な部分を撮像することができ、プローブ１０８を回転して、例えば９０度または１８０度画像ボリュームを回転させることができる。

プローブの向きは、負荷心エコー法（負荷エコー）などの分析に関連し、安静画像と負荷画像の両方がほぼ同じ向きになっており、すなわち、心臓の同じ部分が相対的に回転せずに撮像される。例えば、心尖部四腔ビューを取得するには、患者の肋骨の間で撮像し、左心室長軸の方向に沿って、すなわち心尖部の近くを通り僧帽弁の中間を通るように向けることによってプローブ１０８を方向付けし、右心室および左心室ならびに右心房および左心房を通るスライスがディスプレイ１１２に表示されるようにプローブ１０８を回転させることができる。

現在の画像データと同時に、以前に取得した画像をディスプレイ１１２上で閲覧することにより、ユーザが取得中に画像を位置合わせするのを助ける。図１２に心臓の画像の比較を示す。この比較を用いて、取得中にプローブの向きを調節して新たに取得した画像を参照画像と位置合わせするようにユーザをガイドすることができる。以前に取得した参照画像４００をライブ画像４０２と並べて示す。４００および４０２それぞれに異なる４つの画像が示されているが、１つまたは複数の画像を用いることができることを理解されたい。一実施形態では、参照画像４００は以前に取得した基準画像とすることができ、ライブ画像４０２は負荷画像である。他の実施形態では、参照画像４００は負荷画像とすることができ、ライブ画像４０２は基準画像または他の負荷レベルの画像である。それらの画像は、同じ検査または異なる検査からのものでよい。一実施形態では、参照画像４００は、特有のプローブの向きで画像を取得するためにユーザをガイドするために一般的な画像を提供する他の患者からのものでよい。さらに、画像４００および４０２は、静止画像またはシネループ、あるいは動いている対象物の動きを捉えた他のムービークリップでよい。関連のＥＣＧトレース４０４および４０６ならびに心周期内の位置を特定することができる画像４０８または他の示度をなど、他の情報をディスプレイ１１２上に示すことができる。

プローブの向きは、画像の順番および画像間の関係を定義するプロトコルに基づいてよい。したがって、第１のプローブの向きで１組の画像フレームを取得し、次いで、異なるプローブの向きを用いて１つまたは複数の追加の組の画像フレームを取得することができるように、ユーザに指示することができる。他の実施形態では、形状、頻度、フレームレート、ゲインなどの撮像パラメータを自動的に設定して、同じ取得パラメータを用いて基準および関連の負荷画像を取得し、したがって、ほぼ等しく位置合わせした画像を取得するようにユーザをガイドすることができる。

１５２で、プロセッサ１１０は、第１の画像フレーム中で左心室、右心室、および／または左心室流出路などの構造に１つまたは複数の変形可能モデルをフィッティングする。一実施形態では、左心室のフィッティングを実現するために、カルマンフィルタフレームワークを用いて追跡を行って、変形可能なＤｏｏ−Ｓａｂｉｎ細分割モデルを用いて心内膜壁をセグメント化することができる。右心室および左心室流出路に関する変形可能モデルで同様のフィッティングを実現することができる。複数の変形可能モデルの互いに対する追跡を、図８および図９で以下にさらに検討する。

いくつかの実施形態では、追跡フレームワークは計算効率が高いので、画像フレームを取得しているときに、リアルタイムでフィッティングを実現することができる。他の実施形態では、以前に取得した画像データ上でフィッティングを実現することができる。例えば、システム１００上で画像データを取得し、次いで異なるシステムで処理するために転送することもでき、取得が完了した後の任意の時間にシステム１００上で処理することもできる。

いくつかの実施形態では、追加の情報を入力として用いてフィッティングを開始することができ、したがって、フィッティングの頑強性を向上させることができる。ほとんどの場合に、調査中の対象物に対するプローブ１０８の向きは、位置合わせアルゴリズムによって決定することができるが、いくつかの検査では周知のプローブの向きで画像を取得することができる。したがって、位置合わせアルゴリズムへの入力としてプローブの向きの知見を用いて、例えば画像の位置合わせのために（１つまたは複数の）モデルを初期化することができる。

他の実施形態では、フィッティングを開始するために入力として用いる追加の情報は、調査下の対象物に対するプローブの向きがほぼ同じである、以前に取得した画像データに基づくことができる。例えば、その結果得られる１つの画像の位置合わせを用いて、他の画像の位置合わせのためのモデルを初期化することができる。負荷エコーとして画像の位置合わせはこうした分析で重要であり、そのため同様のスライスを表示し負荷画像と安静画像との間で比較することができる。それらの画像は、同じ分析（例えば、安静時の画像、次いで１つまたは複数の負荷レベルの画像の取得を指定するプロトコルの後）または異なる分析（例えば、異なる日にまたは異なる時間に例えば取得することができる異なる２つのプロトコル）からのものでよい。

したがって、異なる画像データセットに関するフィッティングはほぼ同じである。例えば、処理している現在の分析が負荷時の心臓の分析である場合は、同じ患者の安静時の心臓の分析へのフィッティング時に用いる変形可能モデルに関するデータを用いて、フィッティングの頑強性を向上させることができる。例えば、安静時のフィッティングしたモデルからの情報を用いて負荷時にフィッティングするモデルを初期化する（またはその逆）ことにより、画像の中心の平均モデルで開始するより良好な初期化ができる。様々な実施形態で、以前に取得した画像は、以前の検査で取得した同じ患者からの画像、同じ患者かつ同じ検査からの画像、あるいは他の患者からの画像でよい。

負荷エコーでは、例えば、基準画像は、典型的には、低いかまたは安静時の心拍数で取得する。したがって、心拍数に関する時間の画像解像度は、負荷時またはより高い心拍数で取得した画像より良好である。例えば、１分当たり６０の心拍数で１秒当たり２０フレーム取得すると、１分当たり１８０の心拍数心臓で１秒当たり２０フレーム取得するのに比べて、後者ではフレーム間での心筋の動きがより大きくなるので、時間の画像解像度を良好にすることができる。したがって、いくつかの実施形態では、負荷画像を処理するときに基準画像に関連したデータを用いることが望ましい場合がある。

たとえユーザが以前の画像を利用して取得間でのプローブの向きの間の類似性を高めることができても、ある程度の違いが存在することがある。例えば、負荷画像を取得するときは、ユーザは、所望の撮像位置にプローブ１０８を調節する時間があまりない場合がある。したがって、アルゴリズムにより、異なる分析からの画像は、同じ解剖学上の構造を表示するかまたはそれに基づくように、フィッティングしたモデルを用いて画像の位置合わせを改善することができる。

フィッティングに関しては、図３にＤｏｏ−Ｓａｂｉｎ細分割モデル１８０を示し、そのＤｏｏ−Ｓａｂｉｎ細分割モデル１８０は、複数の制御節点１８４を示すワイヤーフレームメッシュ１８２に囲まれている。例えば、３４個の制御節点１８４を、メッシュ１８２が心臓内の面に正確にフィッティングすることができるようにして正確にモデル化することができる。トラッキングは、完全に自動であり、画像セクタの中心に平均の形状でモデルを配置し、かつ／または上記で検討した（１つまたは複数の）入力によって初期化することができる。心内膜壁を検出するために、表面にわたって均一に分布した検索法線で、各画像フレーム中でエッジ検出測定を行う。状態空間の描写を形成するために、モデルの形状に関するパラメータを、グローバルトランスレーション、回転およびスケーリングに関するパラメータと組合せる。カルマンフィルタを用いて全てのエッジ検出測定値を融合することができ、エッジ測定値と運動学的モデルからの予測の両方に基づいて、そのモデルのベイズの最小二乗推定を計算することができる。

図２に戻ると、１５４でプロセッサ１１０は、セグメント化したモデルから特徴点またはランドマークを特定する。特徴点は、例えば、左心室モデル上のそれぞれ心尖部および心基部、すなわち上部および底部を特定する所定の点でよい。例えば、心尖部は、モデル１８０の上部１８６の点に相当してよく、心基部は、モデル１８０の底部１８８の中心または中心近くに相当してよい。モデルの質量中心、モーメント／中心軸など、任意の他の所定の点を用いることができることを理解されたい。さらに、心尖部、心基部または右心室モデル中の任意の他の所定の点、左心房および／または右心房モデル中の（１つまたは複数の）所定の点、左心室流出路モデル中の（１つまたは複数の）所定の点、あるいは対象となる他の構造の他のモデル内の他の点など、他のモデルから所定の点を抽出することができる。

図４に、特徴点がその上で特定された、拡張末期（ＥＤ）１９０および収縮末期（ＥＳ）１９２の例示的なセグメント化した共通部分のスライスを示す。心尖部１９４および心基部１９６は、ＥＤスライス１９０中で特定されており、そのＥＤスライス１９０中から心尖部−心基部長軸（ＬＡ）ライン２０２を抽出することができる。心尖部１９８および心基部２００は、ＥＳスライス１９２中でも特定され、心尖部−心基部ＬＡライン２０４を抽出することができる。心尖部１９４と心尖部１９８は同じ位置に位置せず、心基部１９６と心基部２００は同じ位置に位置しない。心尖部−心基部ＬＡライン２０２と比較して、心尖部−心基部ＬＡライン２０４は、心尖部１９８と心基部２００との間のより短い距離を反映する。この距離の差が、心周期中の短軸スライス中で起きることがある面外への動きを表す。

図２に戻ると、１５６で、プロセッサ１１０は、画像ビューを自動的に特定することができる。いくつかの実施形態では、以前に取得した分析の画像ビュー間の同様の向きについての知見を用いて、他の分析で画像ビューを特定することができる。例えば、面外への動きに関して補正されたＬＶ短軸スライスを特定しディスプレイ１１２上に表示することができる。ＬＶ短軸スライスならびに他の異なるタイプの例示的な画像ビューを以下でさらに詳細に検討する。いくつかの実施形態では、先に検討した温度、変位、速度、ひずみなど、追加の次元を、例えば色分けまたは他の示度を用いることで画像ビュー内に含むことができる。

１５８で、プロセッサ１１０は、画像フレームをさらに処理すべきかどうかを判定する。処理すべきでない場合は、この方法は完了し、ディスプレイ１１２上に、記憶装置１１６などに保存した画像ビューを表示することができる。さらに画像フレームを処理すべき場合は、１６０でプロセッサ１１０が（１つまたは複数の）変形可能モデルを次の画像フレームの（１つまたは複数の）構造にフィッティングし、この方法は１５４に戻り、現在の画像フレームに基づいて（１つまたは複数の）モデル中の（１つまたは複数の）特徴点を特定する。

図５に、特徴点に基づいて短軸スライスを特定する例を示す。フィッティングしたモデル２１０が示されており、心尖部２１２および心基部２１４はプロセッサ１１０で特定されている。複数の短軸スライス２１６がモデル２１０上で特徴点、心尖部２１２および心基部２１４に対して特定される。一実施形態では、短軸スライス２１６を心尖部２１２と心基部２１４との間で互いに対して一定間隔で配置する。図５に、１つの画像フレームのデータを示す。複数の短軸スライス２１６は、Ｎ個の各画像フレーム上で、特定の画像フレーム内で特定された心尖部および心基部に基づいて画定される。したがって、短軸スライス２１６は、心臓の組織および／または解剖学上の構造を追跡し、したがって解剖学上の構造はフレーム間で変わらない。

図６に、短軸スライスに基づいた一連の中隔画像ビューを示す。画像ビュー２３０および２４０は、ＥＤでの第１の画像フレームに対応する画像スライス内の画像データを表す。画像ビュー２３２および２４２は、第４の画像フレーム内の画像データを表し、画像ビュー２３４および２４４は、第７の画像フレーム内の画像データを表し、画像ビュー２３６および２４６は、ＥＳに対応する第１０の画像フレーム内の画像データを表す。画像ビュー２３０、２３２、２３４および２３６は補正されておらず、すなわち、画像ビュー２３０〜２３６は、１つの画像フレーム内の心尖部および心基部などの特徴点を選択し同じ特徴点を他のＮ個の画像フレームに適用することによって処理された画像データに基づいている。画像ビュー２４０、２４２、２４４および２４６は、左心室が長手方向に短縮することによって生じる面外への動きに関して補正され、すなわち、プロセッサ１１０は、画像ビュー２４０〜２４６を生成する前に、各画像フレーム内に特徴点を特定し短軸スライスの位置を自動的に調節している。補正した中隔画像ビュー２４０〜２４６は、乳頭筋２５０の同じ部分が追跡されているが、補正していない中隔画像ビュー２３０〜２３６では乳頭筋２５０が画像ビュー２３０〜２３６の内外に動いていることを示す。

図７に、短軸スライスに基づいた一連の心底部の画像ビューを示す。図６と同様に、画像ビュー２６０および２７０は、ＥＤに対応する第１の画像フレーム内に画像データを表す。画像ビュー２６２および２７２は、第４の画像フレーム内に画像データを表し、画像ビュー２６４および２７４は、第７の画像フレーム内の画像データを表し、画像ビュー２６６および２７６は、ＥＳに対応する第１０の画像フレーム内の画像データを表す。この場合も画像ビュー２６０、２６２、２６４および２６６は補正されておらず、一連のＮ個の画像フレーム内の唯一の画像フレーム内で特定した特徴点に基づいている。画像ビュー２７０、２７２、２７４および２７６は、面外への動きに関して補正されており、特徴点はＮ個の各画像フレーム上で特定されており、短軸スライスは対応する特徴点に基づいている。補正した心底部の画像ビュー２７０〜２７６は、画像ビュー２７０〜２７６を通して僧帽弁２８０が追従されているが、補正していない心底部の画像ビュー２６０〜２６６は、心収縮中の心房を表示する。

いくつかの実施形態では、いくつかの結合した変形可能モデルを心臓構造にフィッティングすることによって、いくつかの標準的なビューの自動的な位置合わせを実現することができる。先に検討した、同じ計算効率が高い追跡フレームワークを用いることができる。追跡フレームワークは、拡張型カルマンフィルタを用いて時間予測を行うことができ、各モデルからのエッジ検出測定を、非反復の形でモデルのベイズの最小二乗フィッティングを計算するように融合することができる。次いで、フィッティングしたモデルから特徴点を抽出し、位置合わせした標準的なビューの抽出のための基礎として用いることができる。

自動の位置合わせを用いていくつかの標準的なビューを生成するためには、心室の長軸と心臓の周囲方向の両方についての情報が必要となることがある。場合によっては、周囲の情報は、対象の間で異なり病状に応じて変わることがある形状の非対称の特性にのみ基づいているので、ＬＶモデルのみから抽出した周囲の情報では十分でないことがある。したがって、２つ以上の変形可能モデルの結合を用いて、いくつかの心臓構造を同時に追跡することができる。異なる構造に関するモデル間の角度を計算することによって、より信頼できる方向の評価を実現することができる。

一実施形態では、長軸と周囲方向の両方の検出を可能にするために、下方の右心室（ＲＶ）の壁の場合のセール様の構造とＬＶモデルを結合することができる。他の実施形態では、ＬＶモデルおよびセール様の構造と、左心室の流出路（ＯＴ）の場合のチューブライン構造を結合することができる。変形可能なＤｏｏ−Ｓａｂｉｎ細分割面を、先に検討したようにＬＶモデルとして用いることができる。ＲＶの場合は、下方のＲＶの壁は、ドロップアウトする可能性のある前方の壁と比べてＲＶの通常最も見える部分なので選択することができる。全てのモデルは、平行移動、回転およびスケーリングに関してグローバル変換を共有することができる。流出路モデルは、さらにヒンジ変換（Ｈ）に接続することもでき、それにより、流出路の解剖学上の構造における対象内の差に適合するようにモデルを回転させることが可能になる。

図８に、追跡階層中で互いに関連するモデルの構成法を示す。グローバル変換Ｔ_ｇ３００、ＲＶセールＭ_ｒｖ３０２、ＬＶモデルＭ_ｌｖ３０４、ＬＶ流出路Ｍ_ｏｔ３０６およびヒンジ変換Ｔ_ｈ３０８を示す。全ての変換およびモデルから状態ベクトルにパラメータを連結することによって、追跡階層の状態空間の描写を構築することができる。ＲＶセールおよび流出路シリンダーは、形状パラメータをもたず、関連の変換によってのみ影響を受け、したがって連結した状態ベクトルは、

になる。

図８には示していないが、先に検討したプローブ１０８の向きに関する以前に取得した一連の画像または知見に基づく知見などの知見は、グローバル変換３００への入力であってよい。一実施形態では、ユーザがユーザインターフェース１１８で、位置合わせアルゴリズムによってモデルを良好に位置合わせするために使用できるプローブ１０８の現在の向きなどのパラメータを入力することができる。他の実施形態では、知見は、安静画像などの以前に取得した一連の画像から負荷画像の処理のための入力を提供するために用いることができ、回転などのグローバルパラメータを更新するために用いることもできる。

図９に、追跡階層を含む例示的なカルマン追跡フレームワークを示す。図９に示すように、予測ステップ３２４で、以前の画像フレームの状態ベクトル３２０および共分散行列３２２を用いて、予測状態ベクトル３２６および予測共分散行列３２８を作り出す。以下で説明するように、予測状態ベクトル３２６および予測共分散行列３２８を測定ステップ３３０で用いて情報ベクトル３３２および情報行列３３４を生成する。情報ベクトル３３２および情報行列３３４は更新ステップ３３６で用いる。

連続する画像フレーム間で輪郭状態を予測するために運動学的モデルを用いる。このモデルは、従来の知見を利用し、状態ベクトルと共分散行列の両方の予測を得、予測の不確定度を指定することによって働く。次いで、この予測を開始点として用いて、更新値と呼ばれる、より正確な改良値を得ることが可能であり、この予測を、現在のフレームからの測定値と組み合わせてより正確な推定値を形成する。

したがって、予測ステップ３２４で、複合状態ベクトルの時間予測、

は、以前のフレームおよび予測関数ｆからの更新した状態に基づいて、共分散行列３２２が関連して増加し、予測状態ベクトル３２６および予測共分散行列３２８を生成することができる。一実施形態では、時間関数は線形自己回帰モデルとすることができる。

図９に示すように、モデルステップ３３８、測定ステップ３３０、および融合ステップ３４０に関して互いに積み重ねた３つの箱がある。それらの箱はそれぞれ、異なる変形可能モデルを指し、したがって、一実施形態では２つのモデルがあり、他の実施形態では４つ以上のモデルがある場合がある。この例で用いられるこれらの３つのモデル、すなわち、ＲＶセール３０２、ＬＶモデル３０４、ならびにＬＶ流出路３０６とヒンジ変換３０８との組合せを図８に示す。したがって、追跡階層中のモデルステップ３３８、測定ステップ３３０、および融合ステップ３４０は、各モデルごとに独立に実行される。

モデルステップでは、プロセッサ１１０は、予測状態ベクトル３２６に基づいて追跡階層中の全てのモデルに関して、表面点ｐ３５０、法線ベクトルｎ３４２およびヤコビアン行列Ｊを評価することができる。測定ステップ３３０では、プロセッサ１１０は、法線変位測定値ｖ３４４、測定ノイズｒ３４６および測定ベクトルｈ３４８を検出することができ、ここで、ｈ＝ｎ^ＴＪであり、各予測モデルからの表面点に関する画像ボリューム中のエッジ検出に基づく。融合ステップ３４０ではプロセッサ１１０は、

などの情報空間の結果を合計することによって各モデルからの測定結果を融合する。更新ステップ３３６で、プロセッサ１１０は、

などの予測および測定情報に基づいて更新した状態推定値を計算する。

追跡は、完全に自動的に行うことができ、一実施形態では、画像セクタの中心に平均の形状でモデルを配置することによって初期化することができる。他の実施形態では、他の初期化データを、ユーザの入力、他の画像、プロトコルからの入力などに基づいて用いることができる。表面にわたって均一に分配した検索法線で心内膜壁を検出するために各フレームでエッジ検出測定を行う。モデルの形状に関するパラメータを、グローバルトランスレーション、回転およびスケーリングに関するパラメータと結合して、セグメント化問題の状態空間の描写を形成する。

次いで、プロセッサ１１０は、標準的な心尖部および短軸スライスを生成するために使用できる、フィッティングした結合モデルから特徴点を特定することができる。上記に単一モデルで検討したように、短軸スライスは、ＬＶが長手方向で短縮することで生じる面外への動きを補正するように、各フレームでの追跡後に自動的に更新される。

追跡中に、ＬＶモデルの心尖部および心基部からの特徴点は、各フレーム中のフィッティング後にセグメント化したモデルから抽出される。これは、図２の１５４で検討した特徴点の特定と同様である。したがって、以前に検討し図５に示した、心尖部−心基部長軸に垂直の、均一に分配した短軸スライスを生成することができる。

さらに、ＬＶモデル、ＲＶセールおよび流出路シリンダーの特徴点間の角度および／または向きも、Ｎ個の各画像フレームに基づいて計算して、心臓の周囲方向を推測する。単なる例として、他の構造（例えばＲＶセールおよび流出路シリンダー）のそれぞれに対して（図４に示すように）ＬＡライン２０２からベクトルを作り出すことができる。ベクトルは向きに依存している。次いで、周囲方向を用いて、心尖部−心基部長軸ベクトルの中心を通って標準的な心尖部４腔、２腔および長軸ビューを自動的に生成することができる。

図１０に、結合したモデルからの特徴点に基づく標準的な心尖部ビューの抽出の例を示す。この例では、ＬＶモデル３７０、ＲＶセールモデル３７２およびＬＶ流出路モデル３７４が互いに結合される。

図１０に示すように、所望の標準的なビューに対応する３つのスライス３７６、３７８および３８０を、モデル間の角度および／または距離に基づいて配置することができる。スライス３７６、３７８および３８０の間の固定角度の仮定はなく、いくつかの実施形態では、角度３８２、３８４および３８６は、互いに異なっていてよい。角度３８２、３８４および３８６は、ＲＶセールモデル３７２とＬＶ流出路モデル３７４との間の距離など、モデル間の相対距離または角度に基づいて適応可能にすることもできる。したがって、スライス３７６、３７８および３８０間の角度３８２、３８４および３８６は、少なくとも部分的にモデル３７０、３７２および３７４の間の角度に関連する。さらに、乳頭筋、左心房および／または右心房、右心室、ならびに他の構造、特徴点および／またはランドマークなど、他の構造を用いてスライス３７６、３７８、および３８０を配置し調節することができる。

図１１に、３つのスライス３７６、３７８および３８０に対応する、３つの標準的な心尖部のビュー、すなわち心尖部四腔ビュー２８２、心尖部二腔ビュー２８４、および心尖部長軸ビュー２８６を示す。例えば、Ｎ個の画像ビューの自動の位置合わせにより、四腔ビュー２８２に対応する各画像に僧帽弁２８８および三尖弁２９０を両方とも確実に示すことができる。さらに、Ｎ個の画像ビューの自動の位置合わせにより、長軸ビュー２８６に対応する各画像に僧帽弁２８８および流出路２９２の両方を確実に示すことができる。

いくつかの実施形態では、ユーザは、手動による位置合わせの調節を望むことがある。例えば、自動の位置合わせではモデルを正確に位置合わせできず、したがって、結果として得られる画像が所望の画像データを含まないことがある。例えば、ユーザは、四腔ビューを見直し左心室、右心室および左心房、右心房、ならびに相貌弁、三尖弁の存在を探すことがある。所望の解剖学上の構造がビュー内に含まれていない場合は、ユーザは手動で位置合わせを調節することができる。

一実施形態では、プロセッサ１１０は、ディスプレイ１１２上に２つまたは３つの長軸スライスを表示することができる。例えば、スライス３７６、３７８および３８０に対応する３つの長軸スライスをディスプレイ１１２上に表示することができる。図５の短軸スライス２１６に対応する画像など、１つまたは複数の短軸スライスを表示することもできる。次いで、ユーザは、ユーザインターフェース１１８用いて、ビュー間の画像を回転させ、ドラッグし、平行移動し、かつ／またはそうではなく調節して、位置合わせを補正することができる。言い換えると、ユーザは、対象となる対象物に対してモデルを回転させ平行移動することによって、位置合わせを調節または補正することができる。他の実施形態では、手動の補正は、対象となる対象物に対するモデルの回転、平行移動、および／またはスケーリングを含むことができる。さらに他の実施形態では、手動の補正は、対象となる対象物に対する（図３に示す）個々の制御節点１８４の位置を調節することを含むことができる。

さらに他の実施形態では、負荷画像などの画像を、安静画像を生成するために用いるモデルからの位置合わせ情報に基づいて生成することができる。したがって、モデルを負荷データにフィッティングするために位置合わせアルゴリズムを用いることができない。例えば、心臓のサイズまたは長さおよび座標または他の位置情報などのパラメータは、弁および他の解剖学上の構造に関して分かっていることがある。したがって、負荷の場合の心臓がより速く拍動しても、形状、サイズ、位置および向きが安静および負荷の場合に同じであると仮定することができる。したがって、周知の位置合わせ位置を用いて、長軸、四腔および二腔などのビューを生成することができる。したがって、モデルフィッティングは、１回の記録または１組の画像フレームのみで行うことができ、次いで、それらのパラメータを他の組の画像フレームに適用する。場合によっては、各画像フレームごとにプローブの向きが同じかまたはほぼ同じであることが望ましい場合がある。

後処理中に異なる分析、連続またはビデオクリップからの画像を比較するために、位置合わせしたスライスを示すことができる。例えば、プローブの向きが左心室長軸に関して正確でない（すなわち、プローブの主軸がＬＶの主な長軸に沿っていない）か、または異なる負荷レベルで取得したプローブの向きが分析間で等しくない場合は、位置合わせが必要になることがある。多くの異なるタイプの画像を生成できる生成し、表示し、比較することができ、したがって本明細書で説明したこれらの特有の例に限定されないことを理解されたい。

図１３に、負荷エコー検査からの心尖部長軸画像の後処理を示す。この例では、負荷エコー検査は、異なるレベルの負荷で取得する複数組の画像フレームを含んでいた。基準画像４２０、低負荷画像４２２、最大負荷画像４２４、および回復画像４２６をディスプレイ上に一緒に示す。画像４２０〜４２６は、異なる４つの連続した画像フレームから自動的に抽出している。壁の動きの記録図４２８も示す。その記録図４２８では、ユーザがセグメント化した壁の動きの分析結果を記入することができる。したがって、ユーザは、同じ解剖学上のデータを含むが異なる負荷レベルおよび／または時間で取得した画像を比較することができる。

ＥＣＧトレース４３０、４３２、４３４および４３６を表示することもできる。例えば、調査の対象物（例えば心臓）の動きのパターンが周期的なときは、画像シネループまたはムービーをある期間にわたって同期することができる。例えば取得中と後処理中の両方で心エコー法に基づいて画像を閲覧するときに、それらの画像は、ＥＣＧ信号または他の検出手段を用いて同期される。したがって、全ての画像シネループの心収縮部分を、ディスプレイ１１２上に同時に表示し、心拡張部分を同時に表示する。

他の実施形態では、１つまたは複数の画像４２０〜４２６を、例えば、異なる時間に例えば１か月間隔でとった同じ患者からの同様の画像、他の患者、または例示的な正常な画像と共に表示し、それらと比較することができる。

図１４に、負荷エコー検査からの短軸画像の後処理を示す。この例では、他の位置を同様に表示することができるが、短軸画像は、ＬＶの中間レベルのものである。基準画像４４０、低負荷画像４４２、最大負荷画像４４４、および回復画像４４６をディスプレイ１１２上に一緒に示す。画像４４０〜４４４は、異なる４つの連続した画像フレームから自動的に抽出している。壁の動きの記録図４４８（すなわち、他のものを用いることができるが、例えばブルズアイ図）を表示することもでき、ユーザがユーザインターフェース１１８を通してセグメント化した壁の動きの分析結果を記入することが可能になる。

少なくとも１つの実施形態の技術的効果は、変形可能モデルベースの位置合わせを用いて所望の画像ビューを自動的に作り出すことである。いくつかの実施形態では、変形可能モデルベースの位置合わせは計算効率が高いことがある。１つのモデルを用いて、画像ビューを作り出すことができ、または複数のモデルを互いに結合することができる。したがって、いくつかの実施形態では、同様の解剖学上の構造をある期間にわたって、例えば心周期にわたって表示する画像ビューを生成することができる。他の実施形態では、異なる組または連続した画像フレームからの同様の解剖学上の構造の画像ビューを生成し互いに比較することができる。

上記の説明は例示的なものであり、限定するものではないことを理解されたい。例えば、上記で説明した実施形態（および／またはその態様）は、互いに組み合わせて用いることができる。さらに、本発明の範囲から逸脱することなしに、本発明の教示に適合するように特定の状況または材料に多くの修正を加えることができる。本明細書で説明する寸法およびタイプは本発明のパラメータを定義するものであり、決して限定するものではなく、例示的な実施形態である。上記の説明を検討する際に当業者には多くの他の実施形態が明らかになるであろう。したがって、特許請求の範囲が権利を与えられる等価物の全範囲と共に添付の特許請求の範囲を参照して、本発明の範囲を決定すべきである。添付の特許請求の範囲では、用語「ｉｎｃｌｕｄｉｎｇ（含む）」および「ｉｎｗｈｉｃｈ」は、各用語「ｃｏｍｐｒｉｓｉｎｇ（備える）」および「ｗｈｅｒｅｉｎ」と等価の平易な英語として用いられる。さらに、以下の特許請求の範囲では、用語「ｆｉｒｓｔ（第１の）」、「ｓｅｃｏｎｄ（第２の）」、および「ｔｈｉｒｄ（第３の）」などは、単にラベルとして用いられ、対象物に数の要件を課すものではない。さらに、以下の特許請求の範囲の限定は、ミーンズプラスファンクション形式で書かれておらず、このような特許請求の範囲の限定が、フレーズ「ｍｅａｎｓｆｏｒ」をさらなる構造のない機能の表現を後に続けて明確に使用するまで、米国特許法第１１２条（３５Ｕ．Ｓ．Ｃ．§１１２）第６段落に基づいて解釈すべきものではない。

この書面による説明はいくつかの例を用いて、ベストモードを含む本発明を開示し、また装置またはシステムを作製および使用するステップと、組み込まれた方法を実施するステップとを含む本発明を、当業者が実施できるようにする。本発明の特許性のある範囲は、特許請求の範囲によって定義され、当業者が思いつく他の例を含むことができる。そのような他の例は、特許請求の範囲の文字通りの言葉と相違ない構造上の要素を有する場合、または特許請求の範囲の文字通りの言葉とは事実上差がない等価の構造上の要素を含む場合は、特許請求の範囲内に包含されることが意図される。

１００超音波撮像システム
１０２送信機
１０４受信機
１０６対象物
１０８プローブ
１１０プロセッサ
１１２ディスプレイ
１１４１つまたは複数の媒体
１１６記憶装置
１１８ユーザインターフェース
１５０画像フレームを取得
１５２第１の画像フレーム中で（１つまたは複数の）変形可能モデルを（１つまたは複数の）構造にフィッティング
１５４特徴点を特定
１５６画像ビューを自動的に特定する
１５８画像フレームをさらに処理する
１６０次の画像フレーム中で変形可能モデルを構造にフィッティング
１８０Ｄｏｏ−Ｓａｂｉｎ細分割モデル
１８２フレームメッシュ
１８４制御節点
１８６上部
１８８底部
１９０拡張末期（ＥＤ）スライス
１９２収縮末期（ＥＳ）スライス
１９４心尖部
１９６心基部
１９８心尖部
２００心基部
２０２長軸ＬＡライン
２０４ＬＡライン
２１０フィッティングしたモデル
２１２心尖部
２１４心基部
２１６短軸スライス
２３０未補正中隔画像ビュー
２３２画像ビュー
２３４画像ビュー
２３６画像ビュー
２４０補正済み中隔画像ビュー
２４２画像ビュー
２４４画像ビュー
２４６画像ビュー
２５０乳頭筋
２６０未補正心尖部画像ビュー
２６２画像ビュー
２６４画像ビュー
２６６画像ビュー
２７０補正済み心尖部画像ビュー
２７２画像ビュー
２７４画像ビュー
２７６画像ビュー
２８０僧帽弁
２８２四腔ビュー
２８４二腔ビュー
２８６長軸ビュー
２８６心尖部長軸ビュー
２８８僧帽弁
２９０三尖弁
２９２流出路
３００グローバル変換Ｔｇ
３０２右心室（ＲＶ）セールＭｒｖ
３０４左心室（ＬＶ）ＬＶモデルＭｌｖ
３０６左心室（ＬＶ）流出路Ｍｏｔ
３０８ヒンジ変換Ｔｈ
３２０状態ベクトル
３２２共分散行列
３２４予測ステップ
３２６予測状態ベクトル
３２８予測共分散行列
３３０測定ステップ
３３２情報ベクトル
３３４情報行列
３３６更新ステップ
３３８モデルステップ
３４０融合ステップ
３４２法線ベクトルｎ
３４４法線変位測定値ｖ
３４６測定ノイズｒ
３４８測定ベクトルｈ
３５０表面点ｐ
３７０左心室（ＬＶ）モデル
３７２右心室（ＲＶ）セールモデル
３７４左心室（ＬＶ）流出路モデル
３７６スライス
３７８スライス
３８０スライス
３８２角度
３８４角度
３８６角度
４００参照画像
４０２ライブ画像
４０４ＥＣＧトレース
４０６ＥＣＧトレース
４０８画像
４２０基準画像
４２２低負荷画像
４２４最大負荷画像
４２６回復画像
４２８壁の動きの記録図
４３０ＥＣＧトレース
４３２ＥＣＧトレース
４３４ＥＣＧトレース
４３６ＥＣＧトレース
４４０基準画像
４４２低負荷画像
４４４最大負荷画像
４４６回復画像
４４８壁の動きの記録図

Claims

３次元データセット中の画像ビューを自動的に特定する方法であって、
プロセッサ（１１０）で複数の画像フレームを含む３次元（３Ｄ）データセットにアクセスするステップと、
前記プロセッサ（１１０）で少なくとも１つの変形可能モデル（３７０、３７２、３７４）を各前記画像フレーム内の少なくとも１つの構造にフィッティングするステップ（１５２）と、
前記プロセッサ（１１０）で前記少なくとも１つの変形可能モデル（３７０、３７２、３７４）に基づいて各前記画像フレーム内の少なくとも１つの特徴点を特定するステップ（１５４）と、
ディスプレイ（１１２）上に前記少なくとも１つの特徴点に基づいて少なくとも１つの画像ビュー（２３０〜２４６）を表示するステップとを含む方法。
前記フィッティングステップ（１５２）が、カルマンフィルタに基づいて前記少なくとも１つの変形可能モデルをフィッティングするステップを含む、請求項１記載の方法。
前記少なくとも１つの変形可能モデル（３２０、３７２、３７４）が、セール（３０２）、シリンダー、左心室モデル（３０４）および右心室モデルのうち少なくとも１つを備える、請求項１記載の方法。
フィッティングステップ（１５２）が、最小二乗法を用いて１度の反復で実現される、請求項１記載の方法。
前記方法を、画像フレームの取得中にリアルタイムで行う、請求項１記載の方法。
前記フィッティングステップ（１５２）を、第２の複数の画像フレームからフィッティングしたモデルに基づいて初期化し、前記複数の画像フレームおよび前記第２の複数の画像フレームを、同様の向きで取得した、請求項１記載の方法。
前記少なくとも１つの画像ビュー（２３０〜２４６）と同時に少なくとも１つの対応する画像ビューを表示するステップをさらに含み、前記少なくとも１つの対応する画像ビューが第２の複数の画像フレームに基づいている、請求項１記載の方法。
３次元データセット中の画像ビューを自動的に特定するシステム（１００）であって、
複数の画像フレームを含む３次元データセットにアクセスし、少なくとも２つの結合した変形可能モデル（３７０、３７２、３７４）を各前記画像フレーム内の構造にフィッティングし（１５２）、前記変形可能モデル（３７０、３７２、３７４）のうち少なくとも１つに基づいて各前記画像フレーム内の少なくとも１つの特徴点を特定する（１５４）ように構成されたプロセッサ（１１０）と、
前記少なくとも１つの特徴点に基づいて少なくとも１つの画像ビュー（２３０〜２４６）を表示するように構成されたディスプレイ（１１２）と、を備えることを特徴とするシステム（１００）。
前記複数の画像フレームを取得するように構成された超音波プローブ（１０８）をさらに備え、前記プローブ（１０８）が、前記構造のうち少なくとも１つに対するプローブの向きを含み、前記プロセッサがさらに、前記プローブの向きに基づいて、前記モデル（３７０、３７２、３７４）のうち少なくとも１つのフィッティング（１５２）を初期化するように構成される、請求項８記載のシステム（１００）。
入力を受けるように構成されたユーザインターフェース（１１８）をさらに備え、前記プロセッサ（１１０）がさらに、前記入力に基づいた前記変形可能モデル（３７０、３７２、３７４）のうち少なくとも１つの前記フィッティング（１５２）を調節するように構成される、請求項８記載のシステム（１００）。