JP5373470B2 - モデリング装置、磁気共鳴イメージング装置、モデリング方法、およびプログラム - Google Patents

Description

本発明は、モデル化を行うモデリング装置、磁気共鳴イメージング装置、モデリング方法、およびプログラムに関する。

患者の特徴部分をモデル化する方法として、対象とする特徴部分を点と線でモデル化するASM（Active Shape Model）法が知られている（特許文献１参照）。

特開2007-249280号公報

ASM法を用いて患者の脳の特徴部分をモデル化する場合、脳の特徴部分の基準となる基準データを用意し、脳の特徴部分の基準データを、患者の脳の特徴部位に対してフィッティングする必要がある。フィッティングの方法としては、例えば、患者の脳の微分画像に基づいて、基準データを特徴部位にフィッティングする方法がある。しかし、微分画像に基づいてフィッティングを行うと、特徴部位の付近に大きな微分値が存在する場合、フィッティングがうまくできないことがある。

本発明は、上記の事情に鑑み、フィッティングを高い精度で行うことができるモデリング装置、磁気共鳴イメージング装置、モデリング方法、およびプログラムを提供することを目的とする。

上記の問題を解決する本発明のモデリング装置は、
複数の部位を含む画像の中の所定の部位の輪郭を強調する輪郭強調手段と、
前記所定の部位の輪郭が強調された前記画像の中から、前記所定の部位を抽出する抽出手段と、
抽出された前記所定の部位の特徴部分と、前記所定の部位の特徴部分のモデルとのフィッティングを行うフィッティング手段と、
を有する。
また、本発明のモデリング方法は、
複数の部位を含む画像の中の所定の部位の輪郭を強調する輪郭強調ステップと、
前記所定の部位の輪郭が強調された前記画像の中から、前記所定の部位を抽出する抽出ステップと、
抽出された前記所定の部位の特徴部分と、前記所定の部位の特徴部分のモデルとのフィッティングを行うフィッティングステップと、
を有する。
また、本発明のプログラムは、
複数の部位を含む画像の中の所定の部位の輪郭を強調する輪郭強調処理と、
前記所定の部位の輪郭が強調された前記画像の中から、前記所定の部位を抽出する抽出処理と、
抽出された前記所定の部位の特徴部分と、前記所定の部位の特徴部分のモデルとのフィッティングを行うフィッティング処理と、
を計算機に実行させるためのプログラムである。

本発明は、所定の部位の輪郭が強調された画像の中から、輪郭が強調された所定の部位を抽出した後にフィッティングを行っている。したがって、所定の部位の周囲のデータを除外してフィッティングが行われるので、抽出された所定の部位の特徴部分と、特徴部分のモデルとを、より正確にフィッティングすることができる。

本発明の第１の実施形態の磁気共鳴イメージング装置１の概略図である。 ＭＲＩ装置１の動作フローを示す図である。 再構成された画像の一例を示す図である。 脳梁ＣＣの輪郭ＯＬが強調された画像を示す一例である。 確率アトラスの一例を示す図である。 微分画像Ｉｄに確率アトラスＰＡを乗算することによって得られる脳梁画像Ｉccを示す図である。 ２つの輪郭モデルを概略的に示す図である。 輪郭モデルＭ１をアフィン変換する前後の様子を示す図である。 輪郭モデルＭ１を変形する前後の様子を示す図である。 輪郭モデルＭ２をアフィン変換する前後の様子を示す図である。 輪郭モデルＭ２を変形する前後の様子を示す図である。 設定されたスライスの一例を示す図である。 第２の実施形態において、微分画像Ｉｄ（図４参照）から脳梁ＣＣを抽出するために使用されるアトラスを示す概略図である。 重付け確率アトラスＷＩを微分画像Ｉｄ（図４参照）に乗算することによって得られる脳梁画像Ｉcc’を示す図である。 第３の実施形態において、微分画像Ｉｄ（図４参照）から脳梁ＣＣを抽出するために使用されるアトラスを示す概略図である。 微分確率アトラスＤＩを微分画像Ｉｄ（図４参照）に乗算することによって得られる脳梁画像Ｉcc’’を示す図である。

以下、本発明の実施形態について説明するが、本発明は、以下の実施形態に限定されることはない。

（１）第１の実施形態
図１は、本発明の第１の実施形態の磁気共鳴イメージング装置１の概略図である。

磁気共鳴イメージング装置（以下、ＭＲＩ（Magnetic Resonance Imaging）装置と呼ぶ）１は、コイルアセンブリ２と、テーブル３と、受信コイル４と、制御装置５と、入力装置６と、表示装置７とを有している。

コイルアセンブリ２は、被検体８が収容されるボア２１と、超伝導コイル２２と、勾配コイル２３と、送信コイル２４とを有している。超伝導コイル２２は静磁場Ｂ0を印加し、勾配コイル２３は勾配パルスを印加し、送信コイル２４はＲＦパルスを送信する。

テーブル３は、クレードル３１を有している。クレードル３１は、ｚ方向および−ｚ方向に移動するように構成されている。クレードル３１がｚ方向に移動することによって、被検体８がボア２１に搬送される。クレードル３１が−ｚ方向に移動することによって、ボア２１に搬送された被検体８は、ボア２１から搬出される。

受信コイル４は、被検体８の頭部８ａに取り付けられている。受信コイル４が受信したＭＲ（Magnetic Resonance）信号は、制御装置５に伝送される。

制御装置５は、コイル制御手段５１〜スライス設定手段５８を有している。

コイル制御手段５１は、パルスシーケンスが実行されるように、勾配コイル２３および送信コイル２４を制御する。

再構成手段５２は、受信コイル４が受信したＭＲ（Magnetic Resonance）信号に基づいて、画像を再構成する。

輪郭強調手段５３は、再構成手段５２によって再構成された画像の中の所定の部位の輪郭を強調する。

抽出手段５４は、所定の部位の輪郭が強調された後の画像（図４参照）の中から、輪郭が強調された所定の部位（例えば、脳梁）を抽出する。

メモリ５５は、後述する確率アトラスＰＡ（図５参照）および輪郭モデルＭ１およびＭ２（図７参照）を記憶する。

フィッティング手段５６は、抽出手段５４によって抽出された所定の部位の特徴部分と、輪郭モデルＭ１およびＭ２とのフィッティングを行う。このため、フィッティング手段５６は、アフィン変換手段５６１および変形手段５６２を有している。

アフィン変換手段５６１は、輪郭モデルＭ１およびＭ２を、抽出手段５４によって抽出された所定の部位の特徴部分に基づいてアフィン変換する。

変形手段５６２は、アフィン変換された輪郭モデルＭ１およびＭ２を、抽出された前記所定の部位の特徴部分に基づいて変形する。

特徴点決定手段５７は、モデル化された所定の部位の輪郭の特徴点を決定する。

スライス設定手段５８は、特徴点決定手段５７が決定した特徴点に基づいて、スライスを設定する。

尚、コイル制御手段５１〜スライス設定手段５８は、各手段を実行するためのプログラムを制御装置５にインストールすることにより実現されている。ただし、プログラムを用いずに、ハードウェアのみで実現してもよい。

入力装置６は、オペレータ９の操作に応じて、種々の命令を制御装置５に入力する。

表示装置７は、種々の情報を表示する。

ＭＲＩ装置１は、上記のように構成されている。次に、ＭＲＩ装置１の動作について説明する。

図２は、ＭＲＩ装置１の動作フローの一例を示す図である。

ステップＳ１において、オペレータ９は入力装置６を操作して、制御装置５に撮影命令を入力する。制御装置５のコイル制御手段５１（図１参照）は、撮影命令に応答して、被検体８の頭部８ａが撮影されるように、勾配コイル２３および送信コイル２４を制御する。受信コイル４は、被検体８からのＭＲ信号を受信する。受信したＭＲ信号は、再構成手段５２（図１参照）に伝送され、画像が再構成される。

図３は、再構成された画像を概略的に示す図である。

図３には、被検体８の頭部８ａの再構成画像Ｉｒ（サジタル断面）が概略的に示されている。再構成画像Ｉｒの中央部分には、脳梁ＣＣが存在している。画像が再構成された後、ステップＳ２に進む。

ステップＳ２では、輪郭強調手段５３（図１参照）が、図３に示すサジタル画像の脳梁ＣＣの輪郭を強調する処理を実行する。

図４は、脳梁ＣＣの輪郭ＯＬが強調された画像を示す一例である。

第１の実施形態では、後述するステップＳ４において、輪郭モデルＭ１およびＭ２（図７参照）を、脳梁ＣＣの輪郭ＯＬにフィッティングする処理が行われるので（図８〜図１１参照）、その前処理として、ステップＳ２では、脳梁ＣＣの輪郭ＯＬを強調する処理が行われる。第１の実施形態では、再構成画像Ｉｒ（図３参照）の微分画像Ｉｄを作成することによって、脳梁ＣＣの輪郭ＯＬを強調している。微分画像Ｉｄでは、ＭＲ信号の信号値が急激に変化する部分が強調して描出される。脳梁ＣＣの輪郭ＯＬは信号値が急激に変化するので、脳梁ＣＣの輪郭ＯＬは強調して描出される。図４では、脳梁ＣＣの輪郭ＯＬが、脳梁ＣＣの内側の部分よりも白く描出されており、脳梁ＣＣの輪郭ＯＬが強調されていることが分かる。したがって、再構成画像Ｉｒ（図３参照）よりも、脳梁ＣＣの輪郭ＯＬが強調されている微分画像Ｉｄ（図４参照）を用いた方が、輪郭モデルＭ１およびＭ２（図７参照）と脳梁ＣＣの輪郭ＯＬとのフィッティングを容易に行うことができる。ただし、微分画像Ｉｄに基づいてフィッティングを行うと、脳梁ＣＣの近くに大きな微分値が存在する場合、フィッティングがうまくできないことがある。微分画像Ｉｄを参照すると、脳梁ＣＣの周囲に、微分値の大きい画素（白く描出されている画素）が存在する。したがって、微分画像Ｉｄに基づいてフィッティングを行うと、脳梁ＣＣの周囲に存在する微分値の大きい画素によって、高い精度でフィッティングを行うことができない恐れがある。そこで、第１の実施形態では、フィッティングの精度を高めるために、後述するステップＳ４においてフィッティング処理を行う前に、微分画像Ｉｄの中から、輪郭ＯＬが強調された脳梁ＣＣを抽出する。脳梁ＣＣを抽出するために、微分画像Ｉｄを作成した後、ステップＳ３に進む。

ステップＳ３では、抽出手段５４（図１参照）が、微分画像Ｉｄの中から、輪郭ＯＬが強調された脳梁ＣＣを抽出する。抽出手段５４は、脳梁ＣＣを抽出するために、確率アトラスを使用する。確率アトラスは、微分画像Ｉｄの各画素が脳梁ＣＣに属している確率を画素値で表す画像データであり、メモリ５５（図１参照）に記憶されている。抽出手段５４は、メモリ５５から、確率アトラスを読み出す。

図５は、確率アトラスの一例を示す図である。

確率アトラスＰＡは、複数の画素によって構成されている。確率アトラスＰＡは、例えば、複数人の被検体から得られた脳梁の解剖学的データに基づいて決定される。図５では、確率アトラスＰＡの画素の色が白ければ白いほど、微分画像Ｉｄの対応する画素が脳梁ＣＣに属している確率が高いことを意味する。

抽出手段５４は、微分画像Ｉｄ（図４参照）に確率アトラスＰＡを乗算する。

図６は、微分画像Ｉｄに確率アトラスＰＡを乗算することによって得られる脳梁画像Ｉccを示す図である。

脳梁画像Ｉccを作成することによって、脳梁ＣＣの周囲に微分値の大きい画素が存在しても、このような画素は、脳梁画像Ｉccから排除される。脳梁画像Ｉccは、後述するステップＳ４において、脳梁ＣＣの前端部Ｆの輪郭ＯＦと、脳梁ＣＣの尾端部Ｔの輪郭ＯＴとをモデル化する際に使用されるものである。脳梁ＣＣを抽出した後、ステップＳ４に進む。

ステップＳ４では、脳梁画像Ｉccに基づいて、脳梁ＣＣの前端部Ｆの輪郭ＯＦと、脳梁ＣＣの尾端部Ｔの輪郭ＯＴとのモデル化が行われる。このモデル化は、２つの輪郭モデルを用いて行われる。以下に、これらの２つの輪郭モデルについて説明する。

図７は、２つの輪郭モデルを概略的に示す図である。

図７（ａ）は、脳梁ＣＣの前端部Ｆの輪郭ＯＦをモデル化するための輪郭モデルＭ１であり、図７（ｂ）は、脳梁ＣＣの尾端部Ｔの輪郭ＯＴをモデル化するための輪郭モデルＭ２である。２つの輪郭モデルＭ１およびＭ２は、点と曲線とによって表されたモデルである。輪郭モデルＭ１は、５つの点Ｐ１１〜Ｐ１５と、４つの曲線Ｌ１１〜Ｌ１４とによって表されており、輪郭モデルＭ２は、５つの点Ｐ２１〜Ｐ２５と、４つの曲線Ｌ２１〜Ｌ２４とによって表されている。輪郭モデルＭ１およびＭ２は、メモリ５５に記憶されている。

ステップＳ４では、輪郭モデルＭ１を脳梁ＣＣの前端部Ｆの輪郭ＯＦにフィッティングすることにより、輪郭ＯＦをモデル化し、更に、輪郭モデルＭ２を脳梁ＣＣの尾端部Ｔの輪郭ＯＴにフィッティングすることにより、輪郭ＯＴをモデル化している。ステップＳ４は、輪郭モデルＭ１およびＭ２のフィッティングを行うために、３つのサブステップＳ４１、Ｓ４２、およびＳ４３を有している（図２参照）。以下に、各サブステップＳ４１、Ｓ４２、およびＳ４３について説明する。

サブステップＳ４１では、アフィン変換手段５６１（図１参照）が、メモリ５５から、輪郭モデルＭ１を読み出し、輪郭モデルＭ１を、脳梁画像Ｉccにおける脳梁ＣＣの前端部Ｆの輪郭ＯＦに対して位置決めするためのアフィン変換を行う。

図８（ａ）は、輪郭モデルＭ１を脳梁画像Ｉccの脳梁ＣＣに対してアフィン変換する前の様子を示す図、図８（ｂ）は、輪郭モデルＭ１を脳梁画像Ｉccの脳梁ＣＣにアフィン変換した後の様子を示す図である。

アフィン変換手段５６１は、アフィン変換によって、輪郭モデルＭ１を、脳梁画像Ｉccにおける脳梁ＣＣの前端部Ｆの輪郭ＯＦに対して位置合わせする。図８（ａ）および（ｂ）を比較すると、アフィン変換によって、輪郭モデルＭ１が、脳梁ＣＣの前端部Ｆの輪郭ＯＦに対して位置合わせされていることが分かる。また、第１の実施形態では、脳梁画像Ｉccを用いて輪郭モデルＭ１を位置合わせしている。したがって、脳梁ＣＣの周囲に微分値の大きい画素が存在しても、このような画素は、脳梁画像Ｉccから排除されるので、輪郭モデルＭ１を、脳梁ＣＣの前端部Ｆの輪郭ＯＦに確実に位置合わせすることができる。

尚、輪郭モデルＭ１は、脳梁ＣＣの前端部Ｆの輪郭ＯＦをモデル化するためのものである。したがって、輪郭モデルＭ１が、脳梁ＣＣの前端部Ｆとは異なる部分（例えば、脳梁ＣＣの尾端部Ｔ）に位置合わせされてしまうと、脳梁ＣＣの前端部Ｆの輪郭ＯＦを正しくモデル化することができない。そこで、第１の実施形態では、輪郭モデルＭ１の５つの点Ｐ１１〜Ｐ１５のＸ座標の値がＸ＝Ｘ１を超えないという制約条件の下で、輪郭モデルＭ１をアフィン変換している。このような制約条件の下で輪郭モデルＭ１をアフィン変換することによって、輪郭モデルＭ１を、脳梁ＣＣの前端部Ｆの輪郭ＯＦに、より確実に位置合わせすることができる。

ただし、脳梁ＣＣの形状は個人差があるので、輪郭モデルＭ１をアフィン変換しただけでは、輪郭モデルＭ１と脳梁ＣＣの前端部Ｆの輪郭ＯＦとのフィッティングの精度が十分に得られないことがある。そこで、第１の実施形態では、アフィン変換した後の輪郭モデルＭ１を、脳梁ＣＣの前端部Ｆに基づいて変形する。この変形を行うために、サブステップＳ４２に進む。

サブステップＳ４２では、変形手段５６２（図１参照）が、アフィン変換した後の輪郭モデルＭ１を、脳梁ＣＣの前端部Ｆに基づいて変形する。

図９（ａ）は、アフィン変換した後の輪郭モデルＭ１を、脳梁ＣＣの前端部Ｆに基づいて変形する前の様子を示す図、図９（ｂ）は、アフィン変換した後の輪郭モデルＭ１を、脳梁ＣＣの前端部Ｆに基づいて変形した後の様子を示す図である。

図９から、変形処理によって、輪郭モデルＭ１が、脳梁ＣＣの前端部Ｆの輪郭ＯＦに対して精度よくフィッティングしていることが分かる。

輪郭モデルＭ１のフィッティングが終了した後、サブステップＳ４３に進む。

サブステップＳ４３では、輪郭モデルＭ１およびＭ２の両方のモデルについて、フィッティングが終了したか否かが判断される。上記の説明では、輪郭モデルＭ１のフィッティングは終了したが、輪郭モデルＭ２のフィッティングはまだ終了していないので、サブステップＳ４１に戻る。

サブステップＳ４１では、アフィン変換手段５６１が、メモリ５５から、輪郭モデルＭ２を読み出し、輪郭モデルＭ２を脳梁ＣＣの尾端部Ｔの輪郭ＯＴに対して位置決めするためのアフィン変換を行う。

図１０（ａ）は、輪郭モデルＭ２をアフィン変換する前の様子を示す図、図１０（ｂ）は、輪郭モデルＭ２をアフィン変換した後の様子を示す図である。

アフィン変換手段５６１は、アフィン変換によって、輪郭モデルＭ２を脳梁ＣＣの尾端部Ｔの輪郭ＯＴに対して位置合わせする。図１０（ａ）および（ｂ）を比較すると、アフィン変換によって、輪郭モデルＭ２が、脳梁ＣＣの尾端部Ｔの輪郭ＯＴに対して位置合わせされていることが分かる。また、第１の実施形態では、脳梁画像Ｉccを用いて輪郭モデルＭ２を位置合わせしている。したがって、脳梁ＣＣの周囲に微分値の大きい画素が存在しても、このような画素は、脳梁画像Ｉccから排除されるので、輪郭モデルＭ２を、脳梁ＣＣの尾端部Ｔの輪郭ＯＴに確実に位置合わせすることができる。

尚、輪郭モデルＭ２は、脳梁ＣＣの尾端部Ｔの輪郭ＯＴをモデル化するためのものである。したがって、輪郭モデルＭ２が、脳梁ＣＣの尾端部Ｔとは異なる部分（例えば、脳梁ＣＣの前端部Ｆ）に位置合わせされてしまうと、脳梁ＣＣの尾端部Ｔの輪郭ＯＴを正しくモデル化することができない。そこで、第１の実施形態では、輪郭モデルＭ２の５つの点Ｐ２１〜Ｐ２５のＸ座標の値がＸ＝Ｘ１よりも小さくならないという制約条件の下で、輪郭モデルＭ２をアフィン変換している。このような制約条件の下で輪郭モデルＭ２をアフィン変換することによって、輪郭モデルＭ２を、脳梁ＣＣの尾端部Ｔの輪郭ＯＴに、より確実に位置合わせすることができる。

輪郭モデルＭ２をアフィン変換した後、サブステップＳ４２に進む。

サブステップＳ４２では、変形手段５６２（図１参照）が、アフィン変換した後の輪郭モデルＭ２を、脳梁ＣＣの尾端部Ｔに基づいて変形する。

図１１（ａ）は、アフィン変換した後の輪郭モデルＭ２を、脳梁ＣＣの尾端部Ｔに基づいて変形する前の様子を示す図、図１１（ｂ）は、アフィン変換した後の輪郭モデルＭ２を、脳梁ＣＣの尾端部Ｔに基づいて変形した後の様子を示す図である。

図１１から、変形処理によって、輪郭モデルＭ２が、脳梁ＣＣの尾端部Ｔの輪郭ＯＴに対して精度よくフィッティングしていることが分かる。

輪郭モデルＭ２を、脳梁ＣＣの尾端部Ｔの輪郭ＯＴにフィッティングさせた後、サブステップＳ４３に進む。

サブステップＳ４３では、輪郭モデルＭ１およびＭ２の両方のモデルについて、フィッティングが終了したか否かが判断される。図１１（ｂ）に示すように、輪郭モデルＭ１およびＭ２の両方についてフィッティングが終了しているので、輪郭モデルＭ１およびＭ２の両方のモデルについて、フィッティングが終了したと判断される。輪郭モデルＭ１およびＭ２を脳梁ＣＣにフィッティングさせることによって、脳梁ＣＣの前端部Ｆの輪郭ＯＦと、脳梁ＣＣの尾端部Ｔの輪郭ＯＴとをモデル化することができる。フィッティングが終了した後、ステップＳ５に進む。

ステップＳ５では、特徴点決定手段５７（図１参照）が、モデル化された脳梁ＣＣの前端部Ｆの輪郭ＯＦの特徴点と、尾端部Ｔの輪郭ＯＴの特徴点とを抽出する。第１の実施形態では、脳梁ＣＣの前端部Ｆの輪郭ＯＦについては、輪郭モデルＭ１の点Ｐ１２が特徴点として決定され、脳梁ＣＣの尾端部Ｔの輪郭ＯＴについては、輪郭モデルＭ２の点Ｐ２３が特徴点として決定される（図１１（ｂ）参照）。２つの特徴点Ｐ１２およびＰ２３を決定した後、ステップＳ６に進む。

ステップＳ６では、スライス設定手段５８（図１参照）が、特徴点Ｐ１２およびＰ２３に基づいて、スライスを設定する。

図１２は、設定されたスライスの一例を示す図である。

第１の実施形態では、スライス設定手段５８は、特徴点Ｐ１２およびＰ２３を通過するスライスＳｒを設定し、このスライスＳｒを基準にして、等間隔に並ぶｎ枚のスライスＳ１〜Ｓｎを設定する。

スライスが設定されたら、ステップＳ７に進み、設定されたスライスに基づいて、被検体８が撮影される。

第１の実施形態では、微分画像Ｉｄ（図４参照）から、確率アトラスＰＡ（図５参照）を使って脳梁画像Ｉcc（図６参照）を作成し、脳梁画像Ｉccに基づいて、輪郭モデルＭ１およびＭ２のアフィン変換を行っている。したがって、脳梁ＣＣの周囲に微分値の大きい画素が存在しても、このような画素は、脳梁画像Ｉccから排除されるので、輪郭モデルＭ１およびＭ２を、脳梁ＣＣの所望の部分に確実に位置合わせすることができる。

尚、第１の実施形態では、脳梁ＣＣの輪郭ＯＬを強調するために、再構成画像Ｉｒ（図３参照）の微分画像Ｉｄ（図４参照）を作成している。しかし、脳梁ＣＣの輪郭ＯＬを強調することができるのであれば、微分画像Ｉｄを作成する以外の方法を用いてもよい。

また、第１の実施形態では、Ｘ座標の値がＸ＝Ｘ１を超えないという制約条件の下で、輪郭モデルＭ１およびＭ２をアフィン変換している（図８および図１０参照）。しかし、輪郭モデルＭ１およびＭ２を適切に位置決めすることができるのであれば、このような制約条件は不要である。

また、第１の実施形態では、輪郭モデルＭ１およびＭ２をフィッティングするために、輪郭モデルＭ１およびＭ２をアフィン変換し、アフィン変換された輪郭モデルＭ１およびＭ２を変形しているが、別の方法でフィッティングを行ってもよい。

更に、第１の実施形態では、輪郭モデルＭ１の点Ｐ１２と、輪郭モデルＭ２の点Ｐ２３を特徴点として決定しているが、別の点を特徴点として決定してもよい。

（２）第２の実施形態
第１の実施形態では、ステップＳ３（図２参照）において、微分画像Ｉｄ（図４参照）から脳梁ＣＣを抽出するために、確率アトラスＰＡ（図５参照）を使っている。しかし、確率アトラスＰＡとは別のアトラスを使って、脳梁ＣＣを抽出してもよい。第２の実施形態では、確率アトラスＰＡとは別のアトラスを使って、脳梁ＣＣを抽出する方法について説明する。

図１３は、第２の実施形態において、微分画像Ｉｄ（図４参照）から脳梁ＣＣを抽出するために使用されるアトラスを示す概略図である。

図１３に示すアトラスは、確率アトラスＰＡ（図５参照）の各画素が表す確率に、各画素の位置に応じた重付けが付加されることにより得られる重付け確率アトラスＷＩである。重付け確率アトラスＷＩは、脳梁ＣＣの上側Ｕに近い画素ほど、脳梁ＣＣに属する確率が低く、脳梁ＣＣの下側Ｌに近い画素ほど、脳梁ＣＣに属する確率が高くなるように、重付けされている。

第２の実施形態では、重付け確率アトラスＷＩを微分画像Ｉｄ（図４参照）に乗算することによって、微分画像Ｉｄから脳梁ＣＣを抽出している。

図１４は、重付け確率アトラスＷＩを微分画像Ｉｄ（図４参照）に乗算することによって得られる脳梁画像Ｉcc’を示す図である。

重付け確率アトラスＷＩは、脳梁ＣＣの上側Ｕに近い画素ほど、脳梁ＣＣに属する確率が低く、脳梁ＣＣの下側Ｌに近い画素ほど、脳梁ＣＣに属する確率が高くなるように、重付けされている。したがって、脳梁ＣＣの下側Ｌに位置している輪郭ＯＦおよびＯＴを、脳梁ＣＣの上側Ｕに位置している輪郭よりも強調することができる。このため、脳梁画像Ｉcc’を用いて輪郭モデルＭ１およびＭ２をアフィン変換することによって、輪郭モデルＭ１およびＭ２を、脳梁ＣＣの下側Ｌに位置している輪郭ＯＦおよびＯＴに、より高い精度で位置決めすることができる。

（３）第３の実施形態
第３の実施形態では、確率アトラスＰＡおよび重付け確率アトラスＷＩとは別のアトラスを使って、微分画像Ｉｄ（図４参照）から脳梁ＣＣを抽出する方法について説明する。

図１５は、第３の実施形態において、微分画像Ｉｄ（図４参照）から脳梁ＣＣを抽出するために使用されるアトラスを示す概略図である。

図１５に示すアトラスは、図１３に示す重付け確率アトラスＷＩにおける確率の分布を表す関数を微分することにより求められた導関数の各画素の位置における値の分布を表すアトラス（以下、「微分確率アトラス」と呼ぶ）ＤＩである。微分確率アトラスＤＩは、重付け確率アトラスＷＩと比較すると、脳梁ＣＣの上側Ｕに近い画素の画素値が更に小さくなっている（画素が暗くなっている）。

第３の実施形態では、微分確率アトラスＤＩを、微分画像Ｉｄ（図４参照）に乗算することによって、微分画像Ｉｄから脳梁ＣＣを抽出している。

図１６は、微分確率アトラスＤＩを微分画像Ｉｄ（図４参照）に乗算することによって得られる脳梁画像Ｉcc’’を示す図である。

微分確率アトラスＤＩにおける脳梁ＣＣの上側Ｕの画素（図１５参照）は、重付け確率アトラスＷＩにおける脳梁ＣＣの上側の画素（図１３参照）よりも、画素値が小さくなっている（即ち、画素が暗く表示されている）。したがって、微分確率アトラスＤＩを用いて得られた脳梁画像Ｉcc’’は、脳梁ＣＣの下側Ｌに位置する輪郭ＯＦおよびＯＴを更に強調することができる。このため、脳梁画像Ｉcc’’を用いて輪郭モデルＭ１およびＭ２をアフィン変換することによって、輪郭モデルＭ１およびＭ２を、脳梁ＣＣの下側Ｌに位置している輪郭ＯＦおよびＯＴに、より高い精度で位置決めすることができる。

尚、第１〜第３の実施形態では、脳梁ＣＣの輪郭をモデル化するために輪郭モデルＭ１およびＭ２が使用されている。しかし、輪郭モデルＭ１およびＭ２とは異なる輪郭モデルを使用してモデル化を行ってもよい。例えば、輪郭モデルＭ１は5つの点Ｐ１１〜Ｐ１５を有しており、輪郭モデルＭ２は５つの点Ｐ２１〜Ｐ２５を有しているが、輪郭モデルは、必ずしも５つの点を有している必要は無く、４つ以下の点を有していてもよく、あるいは６つ以上の点を有していてもよい。

更に、第１〜第３の実施形態では、脳梁ＣＣに対して輪郭モデルＭ１およびＭ２をフィッティングする例が示されているが、本発明は、脳梁ＣＣ以外の部位に対して輪郭モデルをフィッティングする場合にも適用することができる。

１ ＭＲＩ装置
２ コイルアセンブリ
３ テーブル
４ 受信コイル
５ 制御装置
６ 入力装置
７ 表示装置
８ 被検体
９ オペレータ
２１ ボア
２２ 超伝導コイル
２３ 勾配コイル
２４ 送信コイル
３１ クレードル
５１ コイル制御手段
５２ 再構成手段
５３ 輪郭強調手段
５４ 抽出手段
５５ メモリ
５６ フィッティング手段
５７ 特徴点決定手段
５８ スライス設定手段
５６１ アフィン変換手段
５６２ 変形手段

Claims (11)

1. 複数の部位を含む被検体の断層画像に微分処理を施して微分画像を作成することにより所定の部位の輪郭を強調する輪郭強調手段と、
   前記所定の部位の輪郭が強調された前記微分画像に、前記微分画像の各画素が前記所定の部位に属する確率を表す確率アトラスを乗算することにより前記所定の部位を抽出する抽出手段と、
   抽出された前記所定の部位の特徴部分と、前記所定の部位の特徴部分のモデルとのフィッティングを行うフィッティング手段と、
   を有するモデリング装置。
2. 前記確率アトラスは、前記微分画像の画素に対応する画素を有している、請求項１に記載のモデリング装置。
3. 前記輪郭抽出手段は、前記確率アトラスに重付けが付加されることにより得られる重付け確率アトラスを用いて、前記所定の部位を抽出する、請求項２に記載のモデリング装置。
4. 前記重付け確率アトラスは、前記確率アトラスの各画素が表す確率に、前記各画素の位置に応じた重付けが付加されている、請求項３に記載のモデリング装置。
5. 前記輪郭抽出手段は、前記重付け確率アトラスの微分を用いて前記所定の部位を抽出する、請求項３又は４に記載のモデリング装置。
6. 前記フィッティング手段は、
   前記特徴部分のモデルを、抽出された前記所定の部位の特徴部分に基づいてアフィン変換するアフィン変換手段と、
   アフィン変換された前記特徴部分のモデルを、抽出された前記所定の部位の特徴部分に基づいて変形する変形手段と、
   を有する、請求項１〜５のうちのいずれか一項に記載のモデリング装置。
7. 前記特徴部分のモデルは、複数の点を有しており、
   前記アフィン変換手段は、前記特徴部分のモデルの複数の点の座標値を限定する制約条件に従って、前記特徴部分のモデルをアフィン変換する、請求項６に記載のモデリング装置。
8. 前記所定の部位は、脳梁であり、
   前記所定の部位の特徴部分は、脳梁の前端部の輪郭および／又は脳梁の尾端部の輪郭である、請求項１〜７のうちのいずれか一項に記載のモデリング装置。
9. 請求項１〜８のうちのいずれか一項に記載のモデリング装置を有する磁気共鳴イメージング装置。
10. 複数の部位を含む被検体の断層画像に微分処理を施して微分画像を作成することにより所定の部位の輪郭を強調する輪郭強調ステップと、
    前記所定の部位の輪郭が強調された前記微分画像に、前記微分画像の各画素が前記所定の部位に属する確率を表す確率アトラスを乗算することにより前記所定の部位を抽出する抽出ステップと、
    抽出された前記所定の部位の特徴部分と、前記所定の部位の特徴部分のモデルとのフィッティングを行うフィッティングステップと、
    を有するモデリング方法。
11. 複数の部位を含む被検体の断層画像に微分処理を施して微分画像を作成することにより所定の部位の輪郭を強調する輪郭強調処理と、
    前記所定の部位の輪郭が強調された前記微分画像に、前記微分画像の各画素が前記所定の部位に属する確率を表す確率アトラスを乗算することにより前記所定の部位を抽出する抽出処理と、
    抽出された前記所定の部位の特徴部分と、前記所定の部位の特徴部分のモデルとのフィッティングを行うフィッティング処理と、
    を計算機に実行させるためのプログラム。