JP5699936B2 - 医用画像処理装置の作動方法、装置およびプログラム - Google Patents

医用画像処理装置の作動方法、装置およびプログラム Download PDF

Info

Publication number
JP5699936B2
JP5699936B2 JP2011534277A JP2011534277A JP5699936B2 JP 5699936 B2 JP5699936 B2 JP 5699936B2 JP 2011534277 A JP2011534277 A JP 2011534277A JP 2011534277 A JP2011534277 A JP 2011534277A JP 5699936 B2 JP5699936 B2 JP 5699936B2
Authority
JP
Japan
Prior art keywords
image
white matter
created
matter
subject
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2011534277A
Other languages
English (en)
Other versions
JPWO2011040473A1 (ja
Inventor
智章 後藤
智章 後藤
小野　徹太郎
徹太郎 小野
靖寿 松葉
靖寿 松葉
邦彦 笠原
邦彦 笠原
博史 松田
博史 松田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dai Nippon Printing Co Ltd
Original Assignee
Dai Nippon Printing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dai Nippon Printing Co Ltd filed Critical Dai Nippon Printing Co Ltd
Priority to JP2011534277A priority Critical patent/JP5699936B2/ja
Publication of JPWO2011040473A1 publication Critical patent/JPWO2011040473A1/ja
Application granted granted Critical
Publication of JP5699936B2 publication Critical patent/JP5699936B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Description

本発明は、医用画像処理装置の作動方法、装置およびプログラムに係り、特にＭＲＩ（Ｍagnetic Ｒesonance Ｉmaging）により脳画像を入力し、画像処理することにより疾患別の診断支援を行なう際に適用して好適な医用画像処理装置の作動方法、装置およびプログラムに関する。
高齢化社会の到来により、認知症疾患の患者が年々増加している。認知症疾患には様々な種類があり、診断においてはそれらを区別して、疾患に応じた適切な処置を施すことが必要である。
一方、このような要請に応えるべく、近年、ＳＰＥＣＴ（Ｓingle Ｐhoton Ｅmission Ｃomputed Ｔomography）やＰＥＴ（Ｐositron Ｅmission Ｔomography）等の核医学検査や、ＣＴ（Ｃomputerized Ｔomography）やＭＲＩによって脳の状態に関する情報が取得可能になってきている。
その結果、脳の特定部位の血流や代謝が低下したり、組織が萎縮したりする現象が、疾患によって異なることが明らかになってきており、これらに対する定量的な評価方法が求められている。
例えば、脳の局所的な部位の血流や代謝の低下は、ＳＰＥＣＴやＰＥＴの画像によって比較することにより検定することができる。
又、組織の萎縮に関しては、ＭＲＩ画像によって特定部位の容積を求め、その相対的な大きさを比較して異常の有無を判別できる。
このような脳画像を用いて脳の萎縮を評価する方法としては、被験者の頭部を撮像して取得された脳画像を３次元の画素であるボクセルを単位に画像処理して行なうＶＢＭ（Ｖoxel Ｂased Ｍorphometry）が知られている（例えば、特許文献１参照）。
このＶＢＭ手法は、アルツアイマー病の識別には有効な評価方法であり、健常者とアルツハイマー病の識別において、８７．８％の診断能があったという報告がなされている（非特許文献１参照）。
特開２００５−２３７４４１号公報
Yoko Hirata, Hiroshi Matsuda, Kiyotaka Nemoto, Takashi Ohnishi, Kentaro Hirao, Fumio Yamashita, Takashi Asada, Satoshi Iwabuchi, Hirotsugu Samejima, Voxel-based morphometry to discriminate early Alzheimer's disease from controls.Neurosci Lett 382:269-274, 2005 Bookstein FL. "Voxel-based morphometry" should not be used with imperfectly registered images. Neuroimage. 2001;14(6):1454-62. J.Ashburner and K.J.Friston. Unified segmentation. NeuroImage. 2005; 26: 839-851. Ashburner J, A fast diffeomorphic image registration algorithm.Neuroimage.2007 Oct 15 ; 38(1):95-113. 松田博史：ＳＰＥＣＴの統計学的画像解析．アルツハイマー型痴呆の画像診断，メジカルビュー社：ｐｐ．７６−８６（２００１）．
しかしながら、従来のＶＢＭ手法は、不完全な空間的標準化（解剖学的標準化）による位置のずれを利用しているだけではないかという意見があり（非特許文献２参照）、組織分離後の灰白質に対してはかなりの精度で空間的標準化が実現されているが、白質に対しては精度が低いために白質の異常である病変や萎縮の程度を正確に評価できるまでに到っていないという問題があった。
本発明は、前記従来の問題点を解決すべくなされたもので、入力した被験者のＭＲＩ脳画像から組織分離により抽出した白質の異常である病変や萎縮の程度を正確に評価することができる医用画像処理装置の作動方法、装置およびプログラムを提供することを課題とする。
本発明は、医用画像処理装置の作動方法において、被験者のＭＲＩ脳画像を入力し、入力されたＭＲＩ脳画像を組織分離して白質が抽出された白質画像を作成し、作成された白質画像に、予め保存されている白質テンプレートに基づく空間的標準化を適用して標準化白質画像を作成し、作成された標準化白質画像に基づいて、被験者の白質と健常者の白質との統計的比較を行い、該統計的比較を行って作成した比較結果画像を、空間的標準化の逆変換により被験者座標系に変換し、変換後の比較結果画像を前記被験者のＭＲＩ脳画像に重ね合せて表示するに際して、前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力し、一方のＭＲＩ脳画像を組織分離して作成された前記白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成し、作成された白質差分画像を、前記被験者のＭＲＩ脳画像に重ね合せて表示することにより、前記課題を解決したものである。
本発明は、又、同じく医用画像処理装置の作動方法において、被験者のＭＲＩ脳画像を入力し、入力されたＭＲＩ脳画像を組織分離して白質が抽出された白質画像を作成し、作成された白質画像に、予め保存されている白質テンプレートに基づく空間的標準化を適用して標準化白質画像を作成し、作成された標準化白質画像に基づいて、被験者の白質と健常者の白質との統計的比較を行い、比較結果画像を作成して表示するに際して、前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力し、一方のＭＲＩ脳画像を組織分離して作成された前記白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成し、作成された白質差分画像に空間的標準化を適用することにより標準化白質差分画像を作成し、作成された標準化白質差分画像を、前記比較結果画像に重ね合せて表示することにより、同様に前記課題を解決したものである。
本発明は、又、医用画像処理装置において、被験者のＭＲＩ脳画像を入力する画像入力手段と、入力されたＭＲＩ脳画像を組織分離して白質が抽出された白質画像を作成すると共に、作成された白質画像に、予め保存されている白質テンプレートに基づく空間的標準化を適用して標準化白質画像を作成する画像処理手段と、作成された標準化白質画像に基づいて、被験者の白質と健常者の白質との統計的比較を行う統計処理手段と、を備え、前記画像処理手段が、前記統計的比較を行って作成した比較結果画像を、空間的標準化の逆変換により被験者座標系に変換する機能を有し、変換後の比較結果画像を、前記被験者のＭＲＩ脳画像に重ね合せて表示すると共に、前記画像入力手段が、前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力する機能を有し、前記画像処理手段が、一方のＭＲＩ脳画像を組織分離して作成された前記白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成する機能を有し、作成された白質差分画像を、前記被験者のＭＲＩ脳画像に重ね合せて表示することにより、同様に前記課題を解決したものである。
本発明は、又、同じく医用画像処理装置において、被験者のＭＲＩ脳画像を入力する画像入力手段と、入力されたＭＲＩ脳画像を組織分離して白質が抽出された白質画像を作成すると共に、作成された白質画像に、予め保存されている白質テンプレートに基づく空間的標準化を適用して標準化白質画像を作成する画像処理手段と、作成された標準化白質画像に基づいて、被験者の白質と健常者の白質との統計的比較を行い、比較結果画像を作成する統計処理手段と、表示手段と、を備え、前記画像入力手段が、前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力する機能を有し、前記画像処理手段が、一方のＭＲＩ脳画像を組織分離して作成された前記白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成する機能と、作成された白質差分画像に空間的標準化を適用することにより標準化白質差分画像を作成する機能とを有し、作成された標準化白質差分画像を、前記比較結果画像に重ね合せて表示することにより、同様に前記課題を解決したものである。
本発明においては、前記白質テンプレートを、複数の健常者のＭＲＩ脳画像をそれぞれ組織分離して白質が抽出された白質画像を作成し、作成された全ての白質画像間における空間的標準化により作成するようにしてもよい。又、前記白質テンプレートを、年齢別又は性別毎に作成するようにしてもよい。
本発明は、又、医用画像処理装置の作動方法において、被験者のＭＲＩ脳画像を入力し、入力されたＭＲＩ脳画像を組織分離して灰白質が抽出された灰白質画像を作成し、作成された灰白質画像に、予め保存されている灰白質テンプレートに基づく空間的標準化を適用して標準化灰白質画像を作成し、作成された標準化灰白質画像に基づいて、被験者の灰白質と健常者の灰白質との統計的比較を行い、該統計的比較を行って作成した比較結果画像を、空間的標準化の逆変換により被験者座標系に変換し、変換後の比較結果画像を前記被験者のＭＲＩ脳画像に重ね合せて表示するに際して、前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力し、一方のＭＲＩ脳画像を組織分離して作成された第１の白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成し、作成された白質差分画像を、前記被験者のＭＲＩ脳画像に重ね合せて表示することにより、同様に前記課題を解決したものである。
本発明は、又、同じく医用画像処理装置の作動方法において、被験者のＭＲＩ脳画像を入力し、入力されたＭＲＩ脳画像を組織分離して灰白質が抽出された灰白質画像を作成し、作成された灰白質画像に、予め保存されている灰白質テンプレートに基づく空間的標準化を適用して標準化灰白質画像を作成し、作成された標準化灰白質画像に基づいて、被験者の灰白質と健常者の灰白質との統計的比較を行い、比較結果画像を作成して表示するに際して、前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力し、一方のＭＲＩ脳画像を組織分離して作成された第１の白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成し、作成された白質差分画像に空間的標準化を適用することにより標準化白質差分画像を作成し、作成された標準化白質差分画像を、前記比較結果画像に重ね合せて表示することにより、同様に前記課題を解決したものである。
本発明は、又、医用画像処理装置において、被験者のＭＲＩ脳画像を入力する手段と、入力されたＭＲＩ脳画像を組織分離して灰白質が抽出された灰白質画像を作成すると共に、作成された灰白質画像に、予め保存されている灰白質テンプレートに基づく空間的標準化を適用して標準化灰白質画像を作成する画像処理手段と、作成された標準化灰白質画像に基づいて、被験者の灰白質と健常者の灰白質との統計的比較を行い、該統計的比較を行って作成した比較結果画像を、空間的標準化の逆変換により被験者座標系に変換し、変換後の比較結果画像を前記被験者のＭＲＩ脳画像に重ね合せて表示するに際して、前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力し、一方のＭＲＩ脳画像を組織分離して作成された第１の白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成する統計処理手段と、作成された白質差分画像を、前記被験者のＭＲＩ脳画像に重ね合せて表示する表示手段と、を備えることにより、同様に前記課題を解決したものである。
本発明は、又、同じく医用画像処理装置において、被験者のＭＲＩ脳画像を入力する手段と、入力されたＭＲＩ脳画像を組織分離して灰白質が抽出された灰白質画像を併せて作成すると共に、作成された灰白質画像に、予め保存されている灰白質テンプレートに基づく空間的標準化を適用して標準化灰白質画像を作成する画像処理手段と、作成された標準化灰白質画像に基づいて、被験者の灰白質と健常者の灰白質との統計的比較を行い、比較結果画像を作成して表示するに際して、前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力し、一方のＭＲＩ脳画像を組織分離して作成された第１の白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成し、作成された白質差分画像に空間的標準化を適用することにより標準化白質差分画像を作成する統計処理手段と、作成された標準化白質差分画像を、前記比較結果画像に重ね合せて表示する表示手段と、を備えることにより、同様に前記課題を解決したものである。
又、その際に、前記灰白質テンプレートを、複数の健常者のＭＲＩ脳画像をそれぞれ組織分離して灰白質が抽出された灰白質画像を作成し、作成された全ての灰白質画像間における空間的標準化により作成するようにしてもよく、又、前記灰白質テンプレートを、年齢別又は性別毎に作成するようにしてもよい。
又、本発明においては、前記白質画像、前記白質差分画像又は前記灰白質画像に対する空間的標準化を、後に詳述するダーテル（ＤＡＲＴＥＬ）・アルゴリズムを用いて行うようにしてもよい。
本発明は、又、コンピュータに、前記医用画像処理装置の作動方法を実施させるためのコンピュータ読取可能なプログラムを提供するものである。
本発明は、又、コンピュータで、前記医用画像処理装置を実現するためのコンピュータ読取可能なプログラムを提供するものである。
本発明によれば、入力した被験者の脳画像から白質が抽出された白質画像に対して、白質テンプレートに基づいて空間的標準化を適用できるようにし、健常者の白質と統計的に比較するようにしたので、白質の異常である病変や萎縮の程度を正確に提示することができるようになった。
本発明に係る第１実施形態の医用画像処理装置の概要を示すブロック図 本実施形態による医用画像処理装置の作動方法の基本処理手順を示すフローチャート 脳のスライス画像とボクセルの特徴を模式的に示す概念図 灰白質、白質の年齢別テンプレートを示す概念図 灰白質、白質の性別テンプレートを示す概念図 空間的標準化の特徴を模式的に示す概念図 非線形変換の特徴を示す概念図 空間的標準化と平滑化の結果を示す概念図 ボクセル毎の比較検定の特徴を示す概念図 ＲＯＩによる解析の特徴を示す概念図 ＲＯＩを作成する際の特徴を示す概念図 検査の陽陰性と疾患の有無の関係を示す図表 ＲＯＣ曲線の一例を示す線図 １つのパラメータによる識別方法を示す線図 本発明に係る第２実施形態の処理手順を示すフローチャート 空間的標準化とその逆変換の特徴を示す説明図 本発明に係る第３実施形態の処理手順を示すフローチャート 白質差分画像の作成方法とその特徴を示すイメージ図 白質差分画像のフィルタリングの特徴を示すイメージ図 白質病変を簡易に抽出する際の処理手段を示すフローチャート 本発明に係る第４実施形態の処理手順を示すフローチャート
以下、図面を参照して、本発明の実施の形態について詳細に説明する。
図１は、本発明に係る第１実施形態である医用画像処理装置の要部を示すブロック図である。
本実施形態の医用画像処理装置は、ユーザインタフェース１０、画像・統計処理部２０及びデータベース部３０を備えている。ユーザインタフェース１０は入力画像としてＭＲＩ画像を入力する画像入力機能１２と、画像・統計処理部２０で処理された結果を表示する結果表示機能１４とを有し、画像・統計処理部２０はユーザインタフェース１０から入力されたＭＲＩ画像を処理する画像処理機能２２と、各種統計演算等を行なう統計処理機能２４とを有している。又、データベース部３０には、処理部２０による後述する処理に使用する白質脳画像テンプレート３２、灰白質脳画像テンプレート３４、健常者画像データベース３６及び疾患特異的ＲＯＩ３８等が保存されている。
本実施形態において、被験者のＭＲＩ脳画像を基に診断結果を出力して診断を支援するまでの基本的な処理手順を図２のフローチャートに示す。
詳細については後述するが、まず、予め所定の前処理を施した被験者のＭＲＩ脳画像（図では“脳”を省略）を入力し、該脳画像に対して空間的位置合わせを行なう（ステップ１）。次いで、位置合わせ後の脳画像から、組織分離処理により白質が抽出された白質画像と共に灰白質が抽出された灰白質画像を作成する（ステップ２）。
次いで、作成された両画像に対して、後述するダーテル（ＤＡＲＴＥＬ）・アルゴリズムを適用する空間的標準化を行なう（ステップ３）と共に、該標準化された白質及び灰白質の画像に対してそれぞれ平滑化を行なう（ステップ４）。
その後、平滑化後の両画像と健常者の白質及び灰白質の画像との間でそれぞれ統計的比較を行ない（ステップ５）、更にＲＯＩによる解析を行ない（ステップ６）、解析結果を診断結果として出力し、診断の支援に供する。
本実施形態においては、上記ステップ１〜６の各処理が、コンピュータからなる前記画像・統計処理部２０においてプログラムにより実施可能になっていると共に、次に説明するステップ１１〜１３の各処理による白質及び灰白質のテンプレートの作成も同様にプログラムにより実施可能になっている。
上記ステップ１〜６の基本的処理フローを実行する前に、ステップ３の空間的標準化で使用するテンプレートを作成する事前処理をステップ１１〜１３で行なう。
まず、出来るだけ多くの健常者からＴ１強調ＭＲＩ脳画像（図では被験者画像）を入力する。
各被験者から取得したＭＲＩ脳画像については、前処理を行なっておく。具体的には、図３に脳全体とその一部を切り出したスライス画像のイメージを示すように、被験者の脳全体を含むように所定の厚さのスライス状に撮像した、例えば１００〜２００枚のＴ１強調ＭＲＩ画像を入力とする。又、各スライス画像におけるボクセル（voxel）の各辺の長さを予め等しくなるようにスライス画像のリサンプリングを行なっておく。ここでボクセルは、「厚さ」を持つ画像の座標単位であり、２次元画像におけるピクセルに相当する。
このような前処理を行なったＭＲＩ脳画像を入力した後、そのスライス画像の撮像方向や解像度が、予めシステムに設定されている条件に適合しているか否かをチェックする。
以上のように、ＭＲＩ脳画像が、設定条件に適合して入力されていることが確認された場合には、空間的位置合わせ処理を行なう（ステップ１１）。
これは、入力された脳画像を、標準的な脳画像と比較する際の精度を上げるために、線形変換（アフィン変換）によって空間的位置と角度の補正を行なっていることに相当する。
以上の空間的位置合わせが終了した後、組織分離処理を行ない（ステップ１２）、白質と灰白質が抽出された白質画像と灰白質画像をそれぞれ作成する。
入力されたＴ１強調ＭＲＩ脳画像には、神経線維に対応する高い信号値を呈する白質、神経細胞に対応する中間の信号値を呈する灰白質、低い信号値を呈する脳脊髄液の３種類の組織が含まれているため、その差に着目して白質と灰白質とをそれぞれ抽出する処理を行なう。この処理については、前記特許文献１に説明されている。更に、本発明では前記特許文献１で行っている手法よりも抽出精度が高い統合型組織分離処理を行う。統合型組織分離処理は、標準化、組織分離、信号不均一の補正を１つのモデルに組み込んだ組織分離手法である。詳しくは非特許文献３に記載されている。統合型組織分離処理では、白質画像および灰白質画像の他に、ＭＲＩ画像の座標と標準脳の座標の対応関係を示す変換場が作成されるという特徴がある。変換場は後述する標準化で使用する。
このように、予め多くの健常者のＭＲＩ脳画像から組織分離により、白質、灰白質が３次元的に抽出された白質画像、灰白質画像をそれぞれ多数のサンプルとして取得する。
以上のように多数（複数）の健常者のＭＲＩ脳画像をそれぞれ組織分離して白質が抽出された白質画像をサンプルとして作成し、作成された全てのサンプル間における空間的標準化により白質テンプレートを作成する（ステップ１３）。同様に、多数の健常者のＭＲＩ脳画像をそれぞれ組織分離して灰白質が抽出された灰白質画像をサンプルとして作成し、作成された全てのサンプル間における空間的標準化により灰白質テンプレートを作成する。
ここで実行される空間的標準化には、ダーテル（ＤＡＲＴＥＬ）・アルゴリズムが適用される。
前述した従来のＶＢＭ手法の精度の悪さを解決するために、John Ashburnerが、新しいＶＢＭ手法であるＤＡＲＴＥＬ（Ｄiffeomorphic Ａnatomical Ｒegistration using Ｅxponentiated Ｌie algebra）を開発した（非特許文献４参照）。
ＤＡＲＴＥＬは従来のＶＢＭ手法に比べ空間的標準化精度に優れており、アルツハイマー病の画像統計解析による診断能を向上させる技術として期待されている。また、ＤＡＲＴＥＬの空間的標準化は従来の手法よりも精密に行われるため、今まで評価対象としてきた灰白質だけではなく、白質をも評価対象とすることができる。
前記ステップ１３のテンプレート作成処理では、白質と灰白質それぞれについて、年齢や性別などの被験者の属性に応じた層別のテンプレートを作成し、前記データベース部３０に前記白質脳画像テンプレート３２、灰白質脳画像テンプレート３４として保存する。
前記白質テンプレートと灰白質テンプレートは、図４に示すように年齢別に作成してある。灰白質（Ａ）、白質（Ｃ）は５４歳〜６９歳、灰白質（Ｂ）、白質（Ｄ）は７０歳〜８４歳の各健常者の画像に基づいて作成したものである。この図に示されるようにテンプレートは年齢によって違っており、特に白質の場合は、左から６番目のテンプレートに矢印で示した脳室の大きさが（Ｃ）と（Ｄ）で大きく異なっていることが分かる。
又、前記白質テンプレートと灰白質テンプレートは、図５に示すように性別毎に作成してある。この図に四角形で囲んで示した位置のテンプレートを男女で比較すると、特に脳室の形状に性別による違いが見られる。
以上のようにして作成された白質と灰白質のテンプレートが、年齢別、性別毎に用意されていることを前提として、前記ステップ１〜６に従う診断支援情報作成処理を実施する。なお、以下では、上記の白質と灰白質のテンプレートのことをダーテルテンプレートと呼ぶことにする。
まずは、被験者画像として、所定厚さのスライス状に撮像したＴ１強調ＭＲＩ脳画像を入力し、各スライス画像におけるボクセル（voxel）の各辺の長さを予め等しくなるようにスライス画像のリサンプリングを行なった後、前記ステップ１の空間的位置合わせの処理を、前記事前処理のステップ１１の場合と同様に行なう。
以上の空間的位置合わせが終了した後、前記ステップ２の組織分離の処理を行なう。
この組織分離は、前記ステップ１２の場合と同様であり、白質と灰白質を抽出して被験者の白質画像と灰白質画像をそれぞれ作成する。
以上のように作成された被験者の白質画像と灰白質画像に対して、前記ステップ３の空間的標準化の処理を行なう。ここで行なう空間的標準化には、前記ステップ１３の場合と同様に、ダーテル・アルゴリズムが適用される。
この空間的標準化の処理は、個人の間に存在する脳画像の解剖学的な違いを吸収するために、脳全体の大きさに対する大局的な補正と、部分的な大きさに対する局所的な補正を行なうものである。以下、便宜上、灰白質を中心に説明するが、白質の場合も実質的に同一の処理を行なう。
ステップ３のダーテルでの空間的標準化処理は次の３つのステップの処理で構成されている。
(ステップ３−１) 初期位置決定処理
(ステップ３−２) ダーテルテンプレートへの変換処理
(ステップ３−３) 標準脳テンプレートへの変換処理
ステップ３−１の初期位置決定処理では、前述した統合型組織分離処理で得られた標準脳への変換場を使用して、灰白質画像、白質画像に対して、初期位置を決める処理を行う。この処理では、剛体（rigid body）変換を行うので、画像の形状は変わらないのが特徴である。
ステップ３−２のダーテルテンプレートへの変換処理では、ステップ３−１の処理が実施された画像に対して、ダーテル・アルゴリズムを用いて、ダーテルテンプレートに形状を合わせこむ。
ステップ３−３の標準脳テンプレートへの変換処理では、ステップ３−２で得られたダーテルテンプレートに合わせこんだ画像を、標準脳テンプレートに合わせこむ処理を行う。ダーテルテンプレートから標準脳テンプレートへの変換場をあらかじめ求めておき、その変換場を用いて標準脳座標系への変換を行う。
ステップ３−２とステップ３−３の処理では、各ボクセルの信号値の合計を保持したまま標準化を行うことで、体積の情報が保持されるため、標準化後に体積を計測することが可能となる。
ステップ３−１では線形変換が、ステップ３−２とステップ３−３では線形変換と非線形が行われる。ステップ３−２を例として説明すると、図６に処理の特徴を概念的に示すように、線形変換と非線形変換を用いて、前記データベース部３０から読み出した前記ステップ１３で作成した平均的な灰白質脳画像テンプレート３４との誤差の平方和が最小になるように画像処理を行なう。この空間的標準化処理では、初めに線形変換による位置や大きさ、角度の大局的な補正を行ない、次に非線形変換によって局所的な凹凸等の形状の補正を行なう。
ここで行なう線形変換は、前記ステップ１の位置合わせと同様のアフィン変換である。又、非線形変換は、図７に処理のイメージを示すように、ｘ方向、ｙ方向それぞれについて局所的な変位を表す変形場を推定し、この変形場によって元画像の変換を行なうものである。
ステップ３−２の処理は、前記ステップ１３で作成されたダーテルテンプレートを雛形として、処理対象画像を合わせこむ処理であり、使用するテンプレートは、ダーテル・アルゴリズムを適用して高精度に作成してあることから、その形状がシャープである。
そのため、空間的標準化によって個々の処理対象が、個体差のない近い形に合わせこまれるようになることから、個体間での形状は同一に近くなるが、萎縮などは局所的な密度に反映されるようになるため、空間的標準化の精度を向上できることになる。
以上のように空間的標準化を施した白質画像と灰白質脳画像（以下、標準化脳画像ともいう）に対して、前記ステップ４の画像平滑化の処理を行なう。
これは、上記標準化脳画像のＳ／Ｎ比を向上させると共に、後に比較を行なう際に標準として使用する健常者の画像群と画像のsmoothnessを等しくするための処理であり、３次元ガウシアンカーネルを使用して行なう。この平滑化に使用するフィルタのＦＷＨＭ（半値幅）は８ｍｍ程度とする。
具体的には、前記特許文献１に説明されるように、３次元的脳画像と、３次元ガウシアン関数の３次元的な畳み込み（コンボリューション）を行なう。これは、ｘ，ｙ，ｚ各方向における１次元の畳み込みを逐次的に行なうことで可能である。このように平滑化を行なうことにより、空間的標準化処理で完全に一致しない個体差を低減させることができる。
図８に、ステップ２で分離された白質画像と灰白質画像について、ステップ３の空間的標準化処理とステップ４の平滑化処理がされた結果の画像を示す。
ステップ３の処理では、脳の体積の情報が保存されている。そのため、次の濃度値補正を実施する前に、白質および灰白質の処理結果画像について、全体または後述する関心領域（regions of interest：ＲＯＩ）の積分値を体積として計測し、診断支援情報として活用してもよい。
以上のように画像の平滑化を行なった標準化脳画像に対して、図示は省略してあるが、後に比較を行なう際に標準として使用する健常者の画像群におけるボクセル値の分布に合わせるために、脳全体のボクセル値を補正する濃度値補正を行なう。
その後、前記ステップ５の統計的比較を行なう。ここでは、以上のステップ１〜４の各処理を通して標準化を行なった被験者の灰白質（白質）のＭＲＩ脳画像と、予め収集して前記データベース部３０に健常者画像データベース３６として保存してある健常者の同ＭＲＩ脳画像群との比較検定を行なう。使用する健常者画像群は、被験者の年齢に近いもので構成されていることが望ましい。
具体的には、図９にイメージを示すように、このような健常者画像群とボクセル単位で１：Ｎ（Ｎは健常者画像の総数）の比較検定を行ない、統計的に有意な差が見られる（異常と推定される）ボクセルを検出する。
まず、全てのボクセルについて、それぞれ次式で表わされるＺスコアを算出する。
このように、Ｚスコアは、被験者画像のボクセル値と、健常者画像群の対応するボクセルのボクセル値平均との差を、標準偏差でスケーリングした値であり、これは灰白質（白質）容積の相対的低下の度合を示すものである。
次に、適当な臨界値Ｚ’を定め、Ｚスコアが
Ｚ’＜Ｚ …（２）
となるようなボクセルを求め、統計的に有意な差が見られるボクセルとする。臨界値には、約９５％以上の確率で異常と推定できるＺ’＝２を用いる。また、健常者よりも容積が低下している部位全てを含む臨界値の指定方法として、下記の式も用いる。
０＜Ｚ’ …（３）
なお、ステップ５で使用した健常者画像データベース３６は、予め別途収集した健常者の画像群のそれぞれに対して、前記ステップ１〜４の空間的位置合わせ→灰白質（白質）の組織分離処理→空間的標準化→平滑化等の各処理を順次行なって同様に作成し、保存してあるものである。
又、この医用画像処理装置においては、収集したこれらの健常者画像を、例えば５歳毎又は１０歳毎というように年代別に分類し、それぞれの群について算出した平均値と標準偏差を記憶装置に保存しておくことにより、Ｚスコアによる検定を行なうことができる。
又、その際には、被験者の年齢を中心とした一定の年齢幅に区切って、例えば被験者の年齢が７６歳の場合であれば、それを中心とした７４〜７８歳（幅を５歳とした）の範囲の健常者画像を収集し、比較するようにしてもよい。
なお、このようにＺスコアを使用する場合には、ボクセル毎に上記平均値と標準偏差のデータだけを持っていればよいので、データ作成後は画像データ自体を保存しておく必要がないという利点もある。
以上のように、被験者の標準化脳画像に対して統計的比較を行なった後、前記ステップ６のＲＯＩによる解析を行なう。
これは、脳画像を用いて異常の有無を判別する場合に、画像上に所定の大きさの関心領域（regions of interest：ＲＯＩ）を設定する方法であり（例えば、非特許文献５参照）、脳画像上において、特定の疾患に関係するとして注目されている特定部位に所定の大きさのＲＯＩを設定して比較を行なうものである。
この解析方法は、前記特許文献１に説明されているように、前記統計処理により健常者と有意な差が見られた座標位置のボクセルとそのＺスコア（評価値）について、疾患に対応するＲＯＩ（疾患特異的ＲＯＩ）を適用することにより、罹患している度合を求めるものである。その特徴は次の２点である。
（１）アルツハイマー等の疾患毎に対応する標準化された画像データとしてのＲＯＩ（疾患特異的ＲＯＩ）３８を用意しておき、被験者の症状から考えられる疾患について、被験者の脳画像データにそれぞれのＲＯＩを適用（設定）し、該ＲＯＩにおけるＺスコアに基づいて最も有意性の高いものを診断結果とする。
（２）ＲＯＩの部分のみのＺスコアによって疾患を判断するだけでなく、ＲＯＩを適用しない場合の脳全体のＺスコアマップと、ＲＯＩを適用した部分のみのＺスコアマップとの比較を行なう。この目的は、脳全体の萎縮に対する注目部位の萎縮の割合を見ることにある。
ここでは、まず、図１０にイメージを示すように、疾患Ａ〜Ｃの疾患別の特異的ＲＯＩが用意されている場合を例として、被験者がある疾患Ａを罹患しているか否かを判別する方法を説明する。なお、この方法に適用する各ＲＯＩについては後述する。
前記ステップ５の統計的比較で得られた被験者のＺスコアマップに対して、疾患Ａに対応するＲＯＩを用いて、前記（２）式および前記（３）式を使って、以下の５つのパラメータを算出する。
Ｐ1＝ＲＯＩ部分において式（３）を満たすボクセルのＺスコアの合計／ＲＯＩ部分において式（３）を満たすボクセルの数
Ｐ2＝脳全体において式（２）を満たすボクセルの数／脳全体のボクセル数
Ｐ3＝ＲＯＩ部分において式（２）を満たすボクセルの数／ＲＯＩ部分のボクセル数
Ｐ4＝Ｐ3／Ｐ2
Ｐ5＝ＲＯＩ部分における全てのボクセルの中で最大のＺスコア
Ｐ1〜Ｐ5の５つのパラメータについて、予め疾患Ａを有する患者群における特性を求めておき、被験者のパラメータの値がそれに合致する場合に、被験者は疾患Ａであると判別する。
例えば、５つのパラメータについて疾患Ａとみなす閾値（病態識別値）を定めておき、被験者画像から得られたパラメータの値がその閾値を超えた場合に、被験者は疾患Ａであるとする。つまり、Ｐ1〜Ｐ5のそれぞれの病態識別の閾値をそれぞれthＰ1〜thＰ5とする場合、Ｐ1＞thＰ1、Ｐ2＞thＰ2、Ｐ3＞thＰ3、Ｐ4＞thＰ4、Ｐ5＞thＰ5の少なくとも１つが満たされる場合に、被験者を疾患Ａと判定する。具体的には、例えばＰ1のように１つのパラメータのみに注目して判定する場合や、必要に応じてＰ1〜Ｐ5の一部又は全部を参照して判定する場合を例に挙げることができる。
また、ここに挙げたＰ1〜Ｐ5のパラメータの他に、５つのパラメータについて、右半球側および左半球側に限定した値を求めてパラメータとして加えてもよい。更に、右半球側、左半球側の値に対して、式（４）によって求めた左右比又は式（５）によって求めた左右差をパラメータに加えてもよい。
左右比＝（Ｒ−Ｌ）／（Ｒ＋Ｌ）＊２００ …（４）
左右差＝Ｒ−Ｌ …（５）
ただし、右半球側の値をＲ、左半球側の値をＬとする。
次に、これらの疾患別に設定されるＲＯＩ（疾患特異的ＲＯＩ）の作成方法について説明する。
ＲＯＩは、次のようにして統計的処理に基づいて決定される。例えば、ある特定の疾患ＡのＲＯＩを決定するためには、図１１にイメージを示すように、疾患Ａの患者のＭＲＩ画像群（疾患者画像群）と、それ以外の人の画像群（非疾患者画像群）とについて、ボクセル単位で２群間の有意差を統計的に検定する２標本ｔ検定を行なうことで求める。この検定によって有意差が認められたボクセルを、その疾患における特徴的なボクセルとみなし、その座標の集合をその疾患に対応するＲＯＩとする。
病態識別値（閾値）の決定は、その疾患について、一般的なＲＯＣ（Ｒeceiver Ｏperating Ｃharacteristic）解析によって行なう。ＲＯＣ解析とは、ある検査方法について、疾患を検出する能力を定量的に解析するための一般的な手法である。
その一例として、以下に、パラメータＰ1とその閾値thＰ1によって疾患の有無を識別する場合について、閾値thＰ1を求める方法について説明する。
Ｐ1＞thＰ1のとき陽性、Ｐ1≦thＰ1のとき陰性となる検査を考え、多数のサンプルについて、検査による陽陰性と、実際の疾患の有無についてその組合せを調べると、図１２の表に示すような、ＴＰ：Ｔrue Ｐositive（真陽性），ＦＰ：Ｆalse Ｐositive（偽陽性），ＦＮ：Ｆalse Ｎegative（偽陰性），ＴＮ：Ｔrue Ｎegative（真陰性）の各数値が得られる。更にこれらの値から、真陽性率（ＴＰＦ：患者を正しく患者と判別した割合）、偽陽性率（ＦＰＦ：健常者を誤って患者と判定した割合）が次式のように表わされる。
ＴＰＦ＝ＴＰ／（ＴＰ＋ＦＮ）
ＦＰＦ＝ＦＰ／（ＦＰ＋ＴＮ）
ある１つのthＰ1に対して、（ＴＰＦ，ＦＰＦ）の組が１つ求まるが、この閾値をさまざまに変えることによって得られる（ＴＰＦ，ＦＰＦ）をプロットしたものが、図１３に例示するＲＯＣ曲線である。
検査においては、ＴＰＦが高く、ＦＰＦが低くなることが望ましいが、ＲＯＣ曲線においては最も左上の点がそれに対応する。この図で言えば、点Ｄに対応する閾値を採用するのが良いということになる。
これを、パラメータと疾患有無の観点から考えると、便宜上パラメータが１つの場合について説明すると、図１４に示すように、疾患有りの分布と疾患無しの分布とを、最も良く（誤りなく）分ける境界線が、ここで求められた閾値に対応している。
ＭＲＩ装置で被験者と健常者群の脳のＴ１強調画像を撮像し、各画像を、ＤＩＣＯＭフォーマットとして保持しておく。ＤＩＣＯＭフォーマットは、１ファイルにヘッダ部と画像データ部を含む医療画像で一般的に用いられる画像フォーマットであり、画像撮影時のパラメータや診断情報を保存しておくことができる。通常、ＤＩＣＯＭ画像ファイル１つが１枚のスライス画像の情報を有し、複数枚のＤＩＣＯＭ画像によって、３次元的な脳画像を表現する。ＤＩＣＯＭ画像はＤＩＣＯＭサーバに保管され、必要に応じて引き出すことができる。
ＤＩＣＯＭ画像ファイルは複数枚によって脳全体の３次元的情報を表現するが、ＤＩＣＯＭファイルのヘッダ部のみ、及び画像データ部のみを連結した形式であるＡnalyzeフォーマットに変換する。Ａnalyzeフォーマットは１人分の脳全体を、ヘッダ部ファイル、画像データ部ファイルの２ファイルで構成することができる。
脳画像の画像処理を行なうためのツールをソフトウェアに実装したものとして、ＳＰＭ（Ｓtatistical Ｐarametric Ｍapping）等が知られている。本実施例における以下の画像処理には、ＳＰＭを適用した。
以上の条件の下、被験者から入力したＭＲＩ脳画像に対して、前記図２のステップ１〜６の各処理を行なった。
白質及び灰白質の抽出に使用するテンプレートは、ＩＣＢＭ（Ｉnternational Ｃonsortium for Ｂrain Ｍapping）が作成したものを用いた。このテンプレートは、多数の健常者の脳画像から白質、灰白質、脳脊髄液の事前生起（存在）確率を計算したもので、１ボクセルサイズが２ｍｍ四方のものである。
アルツハイマー型認知症患者のグループ６１例と健常高齢者のグループ８２例を用いて、事前処理であるステップ１１〜１３と、診断支援情報作成処理であるステップ１〜６を実施した。
灰白質画像の処理結果について、ステップ６で求められたＰ1を用いてＲＯＣ解析を行ない、ＲＯＣ曲線下の面積を表すＡＵＣ（Ａrea Ｕnder the Ｃurve）を求めた。その結果、前記特許文献１の手法では０．８７６、本発明の手法では０．９４３となった。また、前記特許文献１の手法と本発明の手法で正診率を比較した結果、５％程度高い正診率で健康高齢者とアルツハイマー型認知症患者を識別することができた。これらの結果から、本方法はアルツハイマー型認知症の診断に対して有効性が高いと言える。
又、白質画像についても、従来実現されていなかった空間的標準化を高精度で実現することが可能となり、灰白質病変と白質病変の両方について評価することで、例えばアルツハイマー型認知症と血管性認知症の鑑別力が向上すると考えられる。
以上詳述した如く、本実施形態によれば、被験者のＭＲＩ脳画像を入力し、入力されたＭＲＩ脳画像を組織分離して白質が抽出された白質画像を作成し、作成された白質画像に、予め保存されている白質テンプレートに基づく空間的標準化を適用して標準化白質画像を作成し、作成された標準化白質画像に基づいて、被験者の白質と健常者の白質との統計的比較を行う際、前記白質テンプレートを、多数の健常者の白質画像間における空間的標準化にダーテル・アルゴリズムを適用して作成するようにしたので、白質についても精度の高いテンプレートを作成することが可能となり、従来実現されていなかった白質についても特定の疾患について客観的な診断支援を行なうことが可能となった。
又、入力された前記ＭＲＩ脳画像を組織分離して灰白質が抽出された灰白質画像を併せて作成し、作成された灰白質画像に、予め保存されている灰白質テンプレートに基づく空間的標準化を適用して標準化灰白質画像を作成し、作成された標準化灰白質画像に基づいて、被験者の灰白質と健常者の灰白質との統計的比較を行うようにしたので、灰白質についても従来より高精度のテンプレートを同様の方法で作成することが可能となり、灰白質についても一段と精度の高い診断支援を行なうことが可能となった。
更に、本実施形態では、白質、灰白質のテンプレートを年齢別及び性別毎に作成し、保存するようにしたので、被験者の年齢別、性別に応じてより適切なテンプレートを使用して空間的標準化を行なうことが可能となるため、より精度の高い診断支援を実現することが可能となった。
即ち、本実施形態によれば、ダーテル・アルゴリズムを用いることにより、従来は処理対象が灰白質のみに限定されていた空間的標準化の精度を、白質についても向上させることが可能となった。又、データベース部３０に年齢、性別に応じたテンプレートを作成して保持しておき、入力画像に適したテンプレートを選択して適用させることにより、被験者の加齢や性別による影響を考慮できるようになった。
次に、本発明に係る第２実施形態について、図１５のフローチャートを参照して説明する。
本実施形態の医用画像処理装置は、基本的な構成は前記図１に示した第１実施形態と同一であり、画像・統計処理部２０が、前記図２に示したステップ１〜６の各処理を実施する機能を有している。
本実施形態では、前記画像・統計処理部２０が、更にステップ５の健常者群との統計的比較処理に基づいて作成された比較結果画像を、ステップ７で空間的標準化の逆変換により被験者座標系に逆変換する機能と、逆変換後の比較結果画像をステップ８で空間的位置合わせの逆変換により入力時の元画像の位置に戻す機能とを有しており、戻した後の比較結果画像を被験者のＴ１強調ＭＲＩ脳画像と重ね合せて表示することができるようになっている。
ここで、前記比較結果画像は、標準脳座標系で表わされている前記図１０に示したＺスコアマップに相当する。
又、前記ステップ７の空間的標準化の逆変換は、前記ステップ３で行なった空間的標準化の逆変換である。以下、ここで行なう逆変換について説明する。
前記ステップ３の空間的標準化で使用する変換場（変形場）は、灰白質画像（白質画像）を、ダーテルテンプレートに合わせ込むことにより求めた変換行列を意味し、図１６（Ａ）にはそのイメージを示すように変換前の各座標（○）位置が変換後にどの座標（●）に変位するかを示す３次元的ベクトルの集合として表現される。但し、この図では簡単のため２次元で表現してある。
今、この変換、場（変形場）を、図示されているように便宜上順変換場ｆとすると、この順変換場ｆに対してその逆変換場ｇを求め、前記ステップ７に適用する。この逆変換場ｇを求める場合、同図（Ｂ）に示すように、順変換場ｆによって変換された座標（●）を元座標位置（○）の値で置き換えた座標系を作り、元座標位置（○）の座標値を線形補間によって求める。この座標値は元座標値を基準としたときの、順変換ｆの逆変換ｇを表す。即ち、格子点●の座標系において、格子点△の座標（ｘ，ｙ）を線形補間によって求め、逆変換先の座標値とする。このときの（逆）変形場ｇを矢印（点線）で表している。
以上詳述した逆変換により、前記標準脳座標系のＺスコアマップを元の被験者座標系に変換することができる。
又、前記ステップ８の空間的位置合わせの逆変換は、ステップ１、ステップ１１で行った線形変換の逆の処理で補正した空間的位置と角度を、元の被験者脳画像の状態に戻す処理を行なっていることに相当する。
以上説明した本実施形態によれば、前記第１実施形態と同様の診断支援に加えて、比較結果画像であるＺスコアマップを被験者座標系のＭＲＩ脳画像に重ね合せて表示できるため、被験者の実際の脳に即した診断結果を得ることができ、より適切な診断支援を行うことができる。
次に、本発明に係る第３実施形態について、図１７のフローチャートを参照して説明する。
本実施形態では、画像入力機能１２、が被験者脳画像として２種類の異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力するようになっている。一方は、入力１として示すＴ１強調ＭＲＩ脳画像であり、他方は入力２として示すＴ２強調ＭＲＩ脳画像である。
本実施形態の医用画像処理装置は、画像・統計処理部２０が入力１のＴ１強調ＭＲＩ脳画像に対しては前記第２実施形態の場合と同様に、既に説明したステップ１〜８の各処理を実施する機能を有していると共に、入力２に対しては以下に詳述するステップ２１〜２５の各処理を実施する機能を有している。
入力２として被験者のＴ２強調ＭＲＩ脳画像が入力されると、該ＭＲＩ脳画像に対して、前記ステップ１とステップ２と同様の処理である空間的位置合せ（ステップ２１）と組織分離処理（ステップ２２）を順次実施して第２の白質画像である白質画像２を作成する。次いで、この白質画像２と、前記ステップ２の組織分離処理により作成した第１の白質画像としての白質画像１との間の差分をとる画像差分処理を行い（ステップ２３）、白質差分画像を作成する。
その後、作成された白質差分画像をフィルタリング処理し（ステップ２４）、前記ステップ８に相当する空間的位置合わせの逆変換を行い（ステップ２５）被験者脳画像及び逆変換後の比較結果画像の少なくとも一方と重ね合わせ表示する。
ここで、入力１のＴ１強調ＭＲＩ脳画像と入力２のＴ２強調ＭＲＩ脳画像について詳述する。
入力された元画像では、Ｔ１強調ＭＲＩ脳画像の信号値（強度）は、
白質＞灰白質＞脳脊髄液の関係にあり、白質が最も高い。
一方、Ｔ２強調ＭＲＩ脳画像の信号値は、
脳脊髄液＞灰白質＞白質で逆の関係にあり、白質が最も低い。
ところで、脳梗塞等の白質病変を正確に診断するためには、画像上で明確に識別できることが重要である。白質病変はＭＲＩ画像において特徴的な信号値を呈することが知られており、Ｔ１強調ＭＲＩ脳画像では、健常者について得られる通常の白質よりも低い信号値を呈し、Ｔ２強調ＭＲＩ脳画像では逆に、通常の白質より高い信号値を呈するという特徴がある。
そのため、Ｔ１強調ＭＲＩ脳画像を入力として組織分離して得られる白質画像では、白質病変による信号値変化が小さいため、該病変部も白質として分離される傾向がある。一方、Ｔ２強調ＭＲＩ脳画像を入力して組織分離して得られる白質画像の場合は、白質病変による信号値変化が大きいために、該病変部が灰白質など白質以外に分離されやすい。
そこで、この性質を用いて、本実施形態のようにＴ１強調ＭＲＩ脳画像から得られる白質画像と、Ｔ２強調ＭＲＩ脳画像から得られる白質画像２の差分をとって白質差分画像を作成すると、白質病変部の差分信号値が大きくなり、該病変部を明確に識別できるようになる。図１８（Ａ）、（Ｂ）、（Ｃ）には、白質画像１、白質画像２、両者を差分処理した白質差分画像のイメージをそれぞれ示す。
本実施形態では、更に、以上のように作成した白質差分画像に、前記ステップ２４で適切なフィルタリングを行い、白質病変の数、大きさを定量的に測定して、その結果を数値的にまたは画像上に表示できるようにする。図１９（Ａ）には、前記図１８（Ｃ）の白質差分画像を、同図（Ｂ）には、これにフィルタリングを行ってノイズが除去された白質差分画像を、それぞれ示す。
具体的なフィルタリング処理では、例えば、白質差分画像を適切な閾値で二値化したのち、オープニング処理（収縮処理→膨張処理）を行うことにより、細かいノイズを除去することができる。また、以上の処理を行なうに際して、白質病変を抽出する対象領域をあらかじめ画像マスクとして設定しておき、該マスクを使用してマスク処理をすることにより、画像処理する範囲を限定することもできる。
以上のフィルタリング処理の過程においては、白質病変の定量的な分析が可能である。具体的には、白質差分画像を適切な閾値で二値化したのち、そのボクセル数を体積に変換することにより脳全体に占める白質病変の広さ（３次元的な広がり）を得ることができる。また、二値化したのち、オープニング処理（収縮処理→膨張処理）を行って細かいノイズを除外した上で、ラベリングを行うことにより、ラベルの数から白質病変の数が、ラベリングのクラスタの大きさから病変の大きさが、それぞれ得ることができる。
以上のようにして作成されたフィルタリング後の白質差分画像を、例えば元のＴ１強調ＭＲＩ脳画像に透過的に色づけして重ね合せて表示することにより、白質病変を見やすくすることができる。なお、白質差分画像としては、フィルタリングを行わないものを表示するようにしてもよい。
以上詳述した本実施形態によれば、脳梗塞等の白質病変を抽出することができると共に、白質の萎縮の程度を更に正確に評価することができる。
なお、図２０のフローチャートに示すように、前記図１７のフローチャートから入力１についてはステップ１、ステップ２のみを選択して白質画像を作成する場合には、同様の処理を行って元画像と重ね合わせ表示することにより、白質病変を簡易且つ迅速に診断することができるようになる。
次に、本発明に係る第４実施形態について、図２１のフローチャートを参照して説明する。
本実施形態の医用画像処理装置は、画像・統計処理部２０が、前記第３実施形態が有していた白質差分画像を逆変換して元画像に重ね合わせ表示する機能に代えて、白質差分画像を標準脳座標系に変換して、ステップ５で作成された比較結果画像（Ｚスコアマップ）に標準脳座標系で重ね合わせ表示する機能を有するようにしたものである。
具体的には、入力２のＴ２強調ＭＲＩ脳画像に対して前記第３実施形態のステップ２１〜２４と同一のステップ３１〜ステップ３４の各処理を実施してフィルタリング後の白質差分画像を作成した後、ステップ３５で該白質差分画像にダーテル・アルゴリズムを用いた空間的標準化を適用して前記標準脳座標系に変換する。
このステップ３５の空間的標準化では、図示されているように入力１のＴ１強調ＭＲＩ脳画像に適用したステップ３の空間的標準化に際して推定された変換場を適用するが、この変換場は前記図１６（Ａ）にイメージを示したものに相当する。
以上、本発明について具体的に説明したが、本発明は、前記実施形態に示したものに限られるものでなく、その要旨を逸脱しない範囲で種々変更可能である。
例えば、評価値としてはＺスコアを使用する検定方法を示したが、これに限定されず、他の一般的な検定で用いられるｔスコア等を用いてもよい。
又、前記図２に示した第１実施形態では、入力がＴ１強調ＭＲＩ脳画像の場合を示したが、入力としてはＴ２強調ＭＲＩ脳画像や、該強調脳画像について水（脳脊髄液）の信号値を抑制したもので、従って白質病変は通常の白質よりも高信号を呈するＦＬＡＩＲ画像であってもよい。更には、白質病変をとらえるのに適しているＴ２強調ＭＲＩ脳画像やＦＬＡＩＲ画像以外でも、Ｔ２＊強調ＭＲＩ脳画像、ＰＤ（プロトン密度）強調ＭＲＩ脳画像などを入力するようにしてもよい。
又、異なる２つのＭＲＩ脳画像を入力１、入力２として入力する場合には、白質病変について白質画像１と白質画像２で異なる信号値となる組合せであれば任意である。
ＭＲＩにより脳画像を入力し、画像処理することにより疾患別の診断支援を行なう際に適用する医用画像処理装置の作動方法、装置およびプログラムとして有用である。
１０…ユーザインタフェース
２０…画像・統計処理部
３０…データベース部
３２…白質脳画像テンプレート
３４…灰白質脳画像テンプレート
３６…健常者画像データベース
３８…疾患特異的ＲＯＩ

Claims (20)

  1. 被験者のＭＲＩ脳画像を入力し、
    入力されたＭＲＩ脳画像を組織分離して白質が抽出された白質画像を作成し、
    作成された白質画像に、予め保存されている白質テンプレートに基づく空間的標準化を適用して標準化白質画像を作成し、
    作成された標準化白質画像に基づいて、被験者の白質と健常者の白質との統計的比較を行い、
    該統計的比較を行って作成した比較結果画像を、空間的標準化の逆変換により被験者座標系に変換し、変換後の比較結果画像を前記被験者のＭＲＩ脳画像に重ね合せて表示するに際して、
    前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力し、
    一方のＭＲＩ脳画像を組織分離して作成された前記白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成し、作成された白質差分画像を、前記被験者のＭＲＩ脳画像に重ね合せて表示することを特徴とする医用画像処理装置の作動方法。
  2. 被験者のＭＲＩ脳画像を入力し、
    入力されたＭＲＩ脳画像を組織分離して白質が抽出された白質画像を作成し、
    作成された白質画像に、予め保存されている白質テンプレートに基づく空間的標準化を適用して標準化白質画像を作成し、
    作成された標準化白質画像に基づいて、被験者の白質と健常者の白質との統計的比較を行い、比較結果画像を作成して表示するに際して、
    前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力し、
    一方のＭＲＩ脳画像を組織分離して作成された前記白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成し、作成された白質差分画像に空間的標準化を適用することにより標準化白質差分画像を作成し、作成された標準化白質差分画像を、前記比較結果画像に重ね合せて表示することを特徴とする医用画像処理装置の作動方法。
  3. 前記白質テンプレートを、複数の健常者のＭＲＩ脳画像をそれぞれ組織分離して白質が抽出された白質画像を作成し、作成された全ての白質画像間における空間的標準化により作成することを特徴とする請求項１又は２に記載の医用画像処理装置の作動方法。
  4. 前記白質テンプレートを、年齢別又は性別毎に作成することを特徴とする請求項１乃至３のいずれかに記載の医用画像処理装置の作動方法。
  5. 被験者のＭＲＩ脳画像を入力し、
    入力されたＭＲＩ脳画像を組織分離して灰白質が抽出された灰白質画像を作成し、
    作成された灰白質画像に、予め保存されている灰白質テンプレートに基づく空間的標準化を適用して標準化灰白質画像を作成し、
    作成された標準化灰白質画像に基づいて、被験者の灰白質と健常者の灰白質との統計的比較を行い、
    該統計的比較を行って作成した比較結果画像を、空間的標準化の逆変換により被験者座標系に変換し、変換後の比較結果画像を前記被験者のＭＲＩ脳画像に重ね合せて表示するに際して、
    前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力し、
    一方のＭＲＩ脳画像を組織分離して作成された第１の白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成し、作成された白質差分画像を、前記被験者のＭＲＩ脳画像に重ね合せて表示することを特徴とする医用画像処理装置の作動方法。
  6. 被験者のＭＲＩ脳画像を入力し、
    入力されたＭＲＩ脳画像を組織分離して灰白質が抽出された灰白質画像を作成し、
    作成された灰白質画像に、予め保存されている灰白質テンプレートに基づく空間的標準化を適用して標準化灰白質画像を作成し、
    作成された標準化灰白質画像に基づいて、被験者の灰白質と健常者の灰白質との統計的比較を行い、比較結果画像を作成して表示するに際して、
    前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力し、
    一方のＭＲＩ脳画像を組織分離して作成された第１の白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成し、作成された白質差分画像に空間的標準化を適用することにより標準化白質差分画像を作成し、作成された標準化白質差分画像を、前記比較結果画像に重ね合せて表示することを特徴とする医用画像処理装置の作動方法。
  7. 前記灰白質テンプレートを、複数の健常者のＭＲＩ脳画像をそれぞれ組織分離して灰白質が抽出された灰白質画像を作成し、作成された全ての灰白質画像間における空間的標準化により作成することを特徴とする請求項５又は６に記載の医用画像処理装置の作動方法。
  8. 前記灰白質テンプレートを、年齢別又は性別毎に作成することを特徴とする請求項５乃至７のいずれかに記載の医用画像処理装置の作動方法。
  9. 前記白質画像、前記白質差分画像又は前記灰白質画像に対する空間的標準化を、ダーテル・アルゴリズムを用いて行うことを特徴とする請求項１乃至８のいずれかに記載の医用画像処理装置の作動方法。
  10. 被験者のＭＲＩ脳画像を入力する画像入力手段と、
    入力されたＭＲＩ脳画像を組織分離して白質が抽出された白質画像を作成すると共に、
    作成された白質画像に、予め保存されている白質テンプレートに基づく空間的標準化を適用して標準化白質画像を作成する画像処理手段と、
    作成された標準化白質画像に基づいて、被験者の白質と健常者の白質との統計的比較を行う統計処理手段と、を備え、
    前記画像処理手段が、前記統計的比較を行って作成した比較結果画像を、空間的標準化の逆変換により被験者座標系に変換する機能を有し、変換後の比較結果画像を、前記被験者のＭＲＩ脳画像に重ね合せて表示すると共に、
    前記画像入力手段が、前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力する機能を有し、
    前記画像処理手段が、一方のＭＲＩ脳画像を組織分離して作成された前記白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成する機能を有し、作成された白質差分画像を、前記被験者のＭＲＩ脳画像に重ね合せて表示するようにされていることを特徴とする医用画像処理装置。
  11. 被験者のＭＲＩ脳画像を入力する画像入力手段と、
    入力されたＭＲＩ脳画像を組織分離して白質が抽出された白質画像を作成すると共に、
    作成された白質画像に、予め保存されている白質テンプレートに基づく空間的標準化を適用して標準化白質画像を作成する画像処理手段と、
    作成された標準化白質画像に基づいて、被験者の白質と健常者の白質との統計的比較を行い、比較結果画像を作成する統計処理手段と、
    表示手段と、を備え、
    前記画像入力手段が、前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力する機能を有し、
    前記画像処理手段が、一方のＭＲＩ脳画像を組織分離して作成された前記白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成する機能と、作成された白質差分画像に空間的標準化を適用することにより標準化白質差分画像を作成する機能とを有し、作成された標準化白質差分画像を、前記比較結果画像に重ね合せて表示することを特徴とする医用画像処理装置。
  12. 前記画像処理手段が、前記白質テンプレートを、複数の健常者のＭＲＩ脳画像をそれぞれ組織分離して白質が抽出された白質画像を作成し、作成された全ての白質画像間における空間的標準化により作成することを特徴とする請求項１０又は１１に記載の医用画像処理装置。
  13. 前記画像処理手段が、前記白質テンプレートを、年齢別又は性別毎に作成することを特徴とする請求項１０乃至１２のいずれかに記載の医用画像処理装置。
  14. 被験者のＭＲＩ脳画像を入力する手段と、
    入力されたＭＲＩ脳画像を組織分離して灰白質が抽出された灰白質画像を作成すると共に、作成された灰白質画像に、予め保存されている灰白質テンプレートに基づく空間的標準化を適用して標準化灰白質画像を作成する画像処理手段と、
    作成された標準化灰白質画像に基づいて、被験者の灰白質と健常者の灰白質との統計的比較を行い、該統計的比較を行って作成した比較結果画像を、空間的標準化の逆変換により被験者座標系に変換し、変換後の比較結果画像を前記被験者のＭＲＩ脳画像に重ね合せて表示するに際して、前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力し、一方のＭＲＩ脳画像を組織分離して作成された第１の白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成する統計処理手段と、
    作成された白質差分画像を、前記被験者のＭＲＩ脳画像に重ね合せて表示する表示手段と、を備えたことを特徴とする医用画像処理装置。
  15. 被験者のＭＲＩ脳画像を入力する手段と、
    入力されたＭＲＩ脳画像を組織分離して灰白質が抽出された灰白質画像を併せて作成すると共に、作成された灰白質画像に、予め保存されている灰白質テンプレートに基づく空間的標準化を適用して標準化灰白質画像を作成する画像処理手段と、
    作成された標準化灰白質画像に基づいて、被験者の灰白質と健常者の灰白質との統計的比較を行い、比較結果画像を作成して表示するに際して、前記被験者のＭＲＩ脳画像として、異なるＭＲＩ撮像シーケンスにより取得した２つのＭＲＩ脳画像を入力し、一方のＭＲＩ脳画像を組織分離して作成された第１の白質画像と、他方のＭＲＩ脳画像を組織分離して作成された第２の白質画像との差分をとって白質差分画像を作成し、作成された白質差分画像に空間的標準化を適用することにより標準化白質差分画像を作成する統計処理手段と、
    作成された標準化白質差分画像を、前記比較結果画像に重ね合せて表示する表示手段と、を備えたことを特徴とする医用画像処理装置。
  16. 前記画像処理手段が、前記灰白質テンプレートを、複数の健常者のＭＲＩ脳画像をそれぞれ組織分離して灰白質が抽出された灰白質画像を作成し、作成された全ての灰白質画像間における空間的標準化により作成することを特徴とする請求項１４又は１５に記載の医用画像処理装置。
  17. 前記画像処理手段が、前記灰白質テンプレートを、年齢別又は性別毎に作成することを特徴とする請求項１４乃至１６のいずれかに記載の医用画像処理装置。
  18. 前記画像処理手段が、前記白質画像、前記白質差分画像又は前記灰白質画像に対する空間的標準化を、ダーテル・アルゴリズムを用いて行うことを特徴とする請求項１０乃至１７のいずれかに記載の医用画像処理装置。
  19. コンピュータに、請求項１乃至９のいずれかに記載の医用画像処理装置の作動方法を実施させるためのコンピュータ読取可能なプログラム。
  20. コンピュータで、請求項１０乃至１８のいずれかに記載の医用画像処理装置を実現するためのコンピュータ読取可能なプログラム。
JP2011534277A 2009-09-29 2010-09-29 医用画像処理装置の作動方法、装置およびプログラム Active JP5699936B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2011534277A JP5699936B2 (ja) 2009-09-29 2010-09-29 医用画像処理装置の作動方法、装置およびプログラム

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2009225024 2009-09-29
JP2009225024 2009-09-29
JP2011534277A JP5699936B2 (ja) 2009-09-29 2010-09-29 医用画像処理装置の作動方法、装置およびプログラム
PCT/JP2010/066958 WO2011040473A1 (ja) 2009-09-29 2010-09-29 医用画像処理方法、装置およびプログラム

Publications (2)

Publication Number Publication Date
JPWO2011040473A1 JPWO2011040473A1 (ja) 2013-02-28
JP5699936B2 true JP5699936B2 (ja) 2015-04-15

Family

ID=43826287

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2011534277A Active JP5699936B2 (ja) 2009-09-29 2010-09-29 医用画像処理装置の作動方法、装置およびプログラム

Country Status (2)

Country Link
JP (1) JP5699936B2 (ja)
WO (1) WO2011040473A1 (ja)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130044927A1 (en) * 2011-08-15 2013-02-21 Ian Poole Image processing method and system
JP5970766B2 (ja) 2011-09-26 2016-08-17 大日本印刷株式会社 医用画像処理装置、医用画像処理方法、プログラム
JP5989354B2 (ja) * 2012-02-14 2016-09-07 東芝メディカルシステムズ株式会社 画像診断支援装置及び画像診断支援装置の作動方法
JP2015054218A (ja) * 2013-09-13 2015-03-23 株式会社東芝 磁気共鳴イメージング装置及び画像処理装置
JP6399487B2 (ja) * 2013-09-30 2018-10-03 富士フイルムＲｉファーマ株式会社 情報処理装置、情報処理装置が実行する方法及びコンピュータプログラム
FR3023156B1 (fr) * 2014-07-02 2016-08-05 Centre Nat Rech Scient Procede et dispositif d'imagerie fonctionnelle du cerveau
JP2016064004A (ja) 2014-09-25 2016-04-28 大日本印刷株式会社 医用画像表示処理方法、医用画像表示処理装置およびプログラム
KR101676789B1 (ko) 2014-10-21 2016-11-16 삼성전자주식회사 자기 공명 영상 장치 및 자기 공명 영상을 처리하는 방법
EP3289563B1 (en) * 2015-04-30 2020-08-05 Koninklijke Philips N.V. Brain tissue classification
WO2017081302A1 (en) * 2015-11-12 2017-05-18 Koninklijke Philips N.V. Medical instrument for analysis of white matter brain lesions
KR101593380B1 (ko) * 2015-12-29 2016-02-11 이화여자대학교 산학협력단 영상 분석 장치, 및 장치를 이용하여 영상을 분석하는 방법
JP2019170621A (ja) * 2018-03-28 2019-10-10 富士フイルム株式会社 読影支援装置、読影支援プログラム
JP6644335B2 (ja) * 2018-07-31 2020-02-12 株式会社Ｓｐｌｉｎｋ 認知症リスク提示システム、及び、認知症リスク提示方法
JP6705528B2 (ja) * 2019-04-08 2020-06-03 大日本印刷株式会社 医用画像表示処理方法、医用画像表示処理装置およびプログラム
JP7325310B2 (ja) * 2019-11-28 2023-08-14 富士フイルムヘルスケア株式会社 医用画像処理装置、医用画像解析装置、及び、標準画像作成プログラム
CN112651924B (zh) * 2020-12-04 2024-03-26 深圳博脑医疗科技有限公司 一种数据生成装置、方法、终端和存储介质
WO2022145544A1 (ko) * 2020-12-30 2022-07-07 뉴로핏 주식회사 진단보조정보를 제공하는 방법 및 이를 수행하는 장치
CN113777546B (zh) * 2021-09-13 2023-04-25 西安交通大学医学院第一附属医院 一种基于三维映射的磁共振多参数脑白质高信号量化方法
CN114052704B (zh) * 2021-11-25 2023-04-18 电子科技大学 一种基于功能网络图能量的帕金森病识别系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005237441A (ja) * 2004-02-24 2005-09-08 Kokuritsu Seishin Shinkei Center 脳疾患の診断支援方法及び装置
JP2006314778A (ja) * 2005-04-15 2006-11-24 Toshiba Corp 医用画像処理装置及び医用画像処理方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005237441A (ja) * 2004-02-24 2005-09-08 Kokuritsu Seishin Shinkei Center 脳疾患の診断支援方法及び装置
JP2006314778A (ja) * 2005-04-15 2006-11-24 Toshiba Corp 医用画像処理装置及び医用画像処理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JPN6010064577; 松田博史: '"ＭＲＩ拡散テンソル画像の画像統計解析手法の開発"' 日本医学放射線学会雑誌 Ｖｏｌ．６４，Ｎｏ．２, 20040225, Ｓ１１７, 社団法人　日本医学放射線学会 *
JPN6010064578; 松田博史: '"ＭＲＩによる認知症診断の現状と展望"' 新医療 第３６巻、第６号, 20090601, ｐ．５３-５６, 株式会社　エムイー振興協会 *

Also Published As

Publication number Publication date
JPWO2011040473A1 (ja) 2013-02-28
WO2011040473A1 (ja) 2011-04-07

Similar Documents

Publication Publication Date Title
JP5699936B2 (ja) 医用画像処理装置の作動方法、装置およびプログラム
JP6859445B2 (ja) 脳卒中の診断及び予後予測方法システム及びその作動方法
JP5601378B2 (ja) 医用画像処理装置
JP4025823B2 (ja) 脳疾患の診断支援方法及び装置
JP5970766B2 (ja) 医用画像処理装置、医用画像処理方法、プログラム
JP6036009B2 (ja) 医用画像処理装置、およびプログラム
EP3199102B1 (en) Medical image display processing method, medical image display processing device, and program
EP2790575B1 (en) Method and apparatus for the assessment of medical images
WO2007023522A1 (ja) 脳疾患の診断支援方法及び装置
JP5098393B2 (ja) 関心領域決定装置
KR20130136519A (ko) 파노라마 엑스선 사진을 이용한 진단 지원 시스템, 및 파노라마 엑스선 사진을 이용한 진단 지원 프로그램
US20070160276A1 (en) Cross-time inspection method for medical image diagnosis
JP4022587B2 (ja) 脳疾患の診断支援方法及び装置
JPWO2019044095A1 (ja) 医用情報表示装置、方法及びプログラム
Somasundaram et al. Brain extraction method for T1-weighted magnetic resonance scans
JP6705528B2 (ja) 医用画像表示処理方法、医用画像表示処理装置およびプログラム
EP3624058A1 (en) Method and system of analyzing symmetry from image data
KR102349360B1 (ko) 영상 진단기기를 이용한 특발성 정상압 수두증의 진단 방법 및 시스템
EP3712844B1 (en) Method and system for fast assessment of brain change normality
JP2023552547A (ja) 拡散強調磁気共鳴画像から胎児の脳室容積を判定するためのコンピュータ実装方法及びシステム、並びに関連するｎｍｒ脳室容積評価方法
Fryckstedt Deep Learning Based Detection, Quantification, and Subdivision of White Matter Hyperintensities in Brain MRI
JP2021083771A (ja) 医用画像処理装置、医用画像解析装置、及び、標準画像作成プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20130801

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20141014

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20141205

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20150120

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20150202

R150 Certificate of patent or registration of utility model

Ref document number: 5699936

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150