JP6144781B2 - 異なるタイプの画像を用いて派生画像を生成する方法及び装置 - Google Patents
異なるタイプの画像を用いて派生画像を生成する方法及び装置 Download PDFInfo
- Publication number
- JP6144781B2 JP6144781B2 JP2015555425A JP2015555425A JP6144781B2 JP 6144781 B2 JP6144781 B2 JP 6144781B2 JP 2015555425 A JP2015555425 A JP 2015555425A JP 2015555425 A JP2015555425 A JP 2015555425A JP 6144781 B2 JP6144781 B2 JP 6144781B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- data points
- image data
- generating
- atlas
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 102
- 238000002591 computed tomography Methods 0.000 claims description 109
- 230000008569 process Effects 0.000 claims description 25
- 238000011524 similarity measure Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000635 electron micrograph Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
-
- 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
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Description
本発明は異なるタイプの画像を用いて派生画像を生成する方法及び装置に関する。
［０００１］
第１のタイプの第２の画像を処理して、第１の画像から自動的に第２のタイプの画像を導出する効果的な技術が当技術分野で必要とされている。例えば、画像のタイプ／様式が磁気共鳴（ＭＲ）である新しい患者の画像を、画像のタイプ／様式がコンピューター断層撮影（ＣＴ）である対応する派生画像に変換することが非常に望まれている。そのような変換は「擬似ＣＴ生成」として特徴付けられる。ＣＴ画像のデータポイントに含まれるＣＴデータは、ＭＲ画像のデータポイントに含まれるＭＲデータとは異なる患者の特徴を示しているので、医療従事者が、患者の注目画像領域の磁気共鳴（ＭＲ）の特徴とコンピューター断層撮影（ＣＴ）の特徴の両方を評価して病気診断の最適な治療を決定することは非常に有用である。派生ＣＴ画像はまた放射線治療計画における患者線量計算に有用に用いることができる。ＭＲ画像から正確な擬似ＣＴ画像を生成することより、患者は、コンピューター断層撮影（ＣＴ）による追加の放射線被曝から免れ、追加のコンピューター断層撮影（ＣＴ）を実行することによる時間と費用をかけずにすむことができる。
第１のタイプの第２の画像を処理して、第１の画像から自動的に第２のタイプの画像を導出する効果的な技術が当技術分野で必要とされている。例えば、画像のタイプ／様式が磁気共鳴（ＭＲ）である新しい患者の画像を、画像のタイプ／様式がコンピューター断層撮影（ＣＴ）である対応する派生画像に変換することが非常に望まれている。そのような変換は「擬似ＣＴ生成」として特徴付けられる。ＣＴ画像のデータポイントに含まれるＣＴデータは、ＭＲ画像のデータポイントに含まれるＭＲデータとは異なる患者の特徴を示しているので、医療従事者が、患者の注目画像領域の磁気共鳴（ＭＲ）の特徴とコンピューター断層撮影（ＣＴ）の特徴の両方を評価して病気診断の最適な治療を決定することは非常に有用である。派生ＣＴ画像はまた放射線治療計画における患者線量計算に有用に用いることができる。ＭＲ画像から正確な擬似ＣＴ画像を生成することより、患者は、コンピューター断層撮影（ＣＴ）による追加の放射線被曝から免れ、追加のコンピューター断層撮影（ＣＴ）を実行することによる時間と費用をかけずにすむことができる。
［０００２］
そのような画像導出を容易にするために、アトラス画像が採用される。アトラス画像は、新しい画像を変換して派生画像をどのように生成するかを容易にするための基準として用いられる既存の画像である。例えば、擬似ＣＴ生成の状況において、アトラスＭＲ画像とアトラスＣＴ画像とは、患者の新たなＭＲ画像から派生ＣＴ画像を生成するさめの基準として用いることができる。アトラス画像が既に解析され注目領域の構造が特定されている場合、アトラス画像が、新たなＭＲ画像の対象である同じ患者に対する同じ注目画像領域の従前に生成された画像となることがよく知られている。例えば、多くの処置又は診断において、患者は、処置・診断の過程において様々な相違する場面において撮像される必要がある。しかし、この必要はない場合がある。例えば、アトラス画像が同じ人の画像である必要はない。
そのような画像導出を容易にするために、アトラス画像が採用される。アトラス画像は、新しい画像を変換して派生画像をどのように生成するかを容易にするための基準として用いられる既存の画像である。例えば、擬似ＣＴ生成の状況において、アトラスＭＲ画像とアトラスＣＴ画像とは、患者の新たなＭＲ画像から派生ＣＴ画像を生成するさめの基準として用いることができる。アトラス画像が既に解析され注目領域の構造が特定されている場合、アトラス画像が、新たなＭＲ画像の対象である同じ患者に対する同じ注目画像領域の従前に生成された画像となることがよく知られている。例えば、多くの処置又は診断において、患者は、処置・診断の過程において様々な相違する場面において撮像される必要がある。しかし、この必要はない場合がある。例えば、アトラス画像が同じ人の画像である必要はない。
［０００３］
アトラスＭＲ画像とアトラスＣＴ画像は、登録技術（アトラスＭＲ画像とアトラスＣＴ画像が「registered」又は「registration」と称されるような登録技術）により互いに整列させることが望ましい。そのような登録では、対象者の特定の位置に対するアトラスＭＲ画像の所定の点が、同じ特定の位置に対するアトラスＣＴ画像の所定の点にマッピングされ、その逆も同様である。しかしながら、この登録ではある程度の誤りが存在することがわかっている。そのように、アトラスＭＲ画像とアトラスＣＴ画像間の登録は完璧ではない。
アトラスＭＲ画像とアトラスＣＴ画像は、登録技術（アトラスＭＲ画像とアトラスＣＴ画像が「registered」又は「registration」と称されるような登録技術）により互いに整列させることが望ましい。そのような登録では、対象者の特定の位置に対するアトラスＭＲ画像の所定の点が、同じ特定の位置に対するアトラスＣＴ画像の所定の点にマッピングされ、その逆も同様である。しかしながら、この登録ではある程度の誤りが存在することがわかっている。そのように、アトラスＭＲ画像とアトラスＣＴ画像間の登録は完璧ではない。
［０００４］
例えば、アトラスＭＲ画像とアトラスＣＴ画像間登録に誤りがなく、新たな患者のＭＲ画像がアトラスＭＲ画像に完璧に登録されるという理想化された仮定の状況では、患者のＭＲ画像の各点を登録されたアトラスＭＲ画像の対応する点にマッピングし、アトラスＭＲ画像のその点を登録されたアトラスＣＴ画像の対応する点にパッピングすることにより、患者のＭＲ画像から患者のＣＴ画像に簡単に導出できることが導かれる。アトラスＣＴ画像のマッピングされたデータポイントに対するＣＴ情報と、アトラスＭＲ画像のマッピングされたデータポイントに対するＭＲ画像との間の関係は、患者のＭＲ画像のデータポイントに対するＭＲ情報との結合に用いられ、派生されるＣＴ画像に対するデータポイントを計算することができる。しかしながら、そのような単純化された変換技術は、患者からアトラスへの登録とアトラスからアトラスへの登録との両方の画像登録に伴うエラーに対する耐性を計算していないので、本願発明者はこの技術に改良の余地があると考えた。
例えば、アトラスＭＲ画像とアトラスＣＴ画像間登録に誤りがなく、新たな患者のＭＲ画像がアトラスＭＲ画像に完璧に登録されるという理想化された仮定の状況では、患者のＭＲ画像の各点を登録されたアトラスＭＲ画像の対応する点にマッピングし、アトラスＭＲ画像のその点を登録されたアトラスＣＴ画像の対応する点にパッピングすることにより、患者のＭＲ画像から患者のＣＴ画像に簡単に導出できることが導かれる。アトラスＣＴ画像のマッピングされたデータポイントに対するＣＴ情報と、アトラスＭＲ画像のマッピングされたデータポイントに対するＭＲ画像との間の関係は、患者のＭＲ画像のデータポイントに対するＭＲ情報との結合に用いられ、派生されるＣＴ画像に対するデータポイントを計算することができる。しかしながら、そのような単純化された変換技術は、患者からアトラスへの登録とアトラスからアトラスへの登録との両方の画像登録に伴うエラーに対する耐性を計算していないので、本願発明者はこの技術に改良の余地があると考えた。
［０００５］
この目的のために、本願発明者は、第１のタイプの第１の画像を、第２の画像及び第３の画像に基づいて第２のタイプの派生画像に変換する、派生画像を生成する方法であって、前記第２の画像は前記第１のタイプであり、前記第３の画像は前記第２のタイプであり、前記第２の画像と前記第３の画像とは互いに登録されており、前記第１の画像は複数のデータポイントを有し、前記第１の画像の各データポイントは前記第１の画像に対する前記第１のタイプのデータで有し、前記第２の画像は複数のデータポイントを有し、前記第２の画像の各データポイントは前記第２の画像に対する前記第１のタイプのデータを有し、前記第３の画像は複数のデータポイントを有し、前記第３の画像の各データポイントは前記第３の画像に対する前記第２のタイプのデータを有し、前記派生画像を生成する方法は、前記第１の画像のひとつのパッチと前記第２の画像の複数のパッチとの間の複数の比較処理を実行して、前記第１の画像のひとつのデータポイントと前記第２の画像の複数のデータポイントとの間の類似を示す複数の類似指標を生成し、前記複数の類似指標に基づいて、前記第３の画像の複数のデータポイントに関連した複数の重みファクターを計算し、計算された前記重みファクターに関連する前記第３の画像の複数のデータポイントの重み付けされた組み合わせであって、計算された前記重みファクターに従う重み付けされた組み合わせとして、前記第１の画像のデータポイントに対応する派生画像のデータポイントを計算し、前記第１の画像の複数の異なるデータポイントに対して、前記複数の比較処理を実行するステップと前記複数の重みファクターを計算するステップと前記派生画像のデータポイントを計算するステップとを繰り返し、それにより、計算された前記派生画像の複数のデータポイントから前記派生画像を生成し、前記変換する方法のステップはプロセッサーより実行されることを特徴とする派生画像を生成する方法を開示する。
この目的のために、本願発明者は、第１のタイプの第１の画像を、第２の画像及び第３の画像に基づいて第２のタイプの派生画像に変換する、派生画像を生成する方法であって、前記第２の画像は前記第１のタイプであり、前記第３の画像は前記第２のタイプであり、前記第２の画像と前記第３の画像とは互いに登録されており、前記第１の画像は複数のデータポイントを有し、前記第１の画像の各データポイントは前記第１の画像に対する前記第１のタイプのデータで有し、前記第２の画像は複数のデータポイントを有し、前記第２の画像の各データポイントは前記第２の画像に対する前記第１のタイプのデータを有し、前記第３の画像は複数のデータポイントを有し、前記第３の画像の各データポイントは前記第３の画像に対する前記第２のタイプのデータを有し、前記派生画像を生成する方法は、前記第１の画像のひとつのパッチと前記第２の画像の複数のパッチとの間の複数の比較処理を実行して、前記第１の画像のひとつのデータポイントと前記第２の画像の複数のデータポイントとの間の類似を示す複数の類似指標を生成し、前記複数の類似指標に基づいて、前記第３の画像の複数のデータポイントに関連した複数の重みファクターを計算し、計算された前記重みファクターに関連する前記第３の画像の複数のデータポイントの重み付けされた組み合わせであって、計算された前記重みファクターに従う重み付けされた組み合わせとして、前記第１の画像のデータポイントに対応する派生画像のデータポイントを計算し、前記第１の画像の複数の異なるデータポイントに対して、前記複数の比較処理を実行するステップと前記複数の重みファクターを計算するステップと前記派生画像のデータポイントを計算するステップとを繰り返し、それにより、計算された前記派生画像の複数のデータポイントから前記派生画像を生成し、前記変換する方法のステップはプロセッサーより実行されることを特徴とする派生画像を生成する方法を開示する。
［０００６］
本願明細書において用いられる、画像に関する用語「パッチ」とは画像における複数のデータポイントのサブセットのことである。したがって、第１の画像のパッチを第２の画像のパッチと比較することにより、より多くのデータポイントを用いることが、第１の画像のマップの所定のデータポイントが第２の画像の所定のポイントにいかに良く合致するかを評価することと考えられる。そのようなパッチ比較に基にした重み付けとの組み合わせは、画像登録におけるエラーの存在をより良く調整する効果がある。すなわち、パッチ比較に基にした重み付けとの組み合わせは、画像のより広い部分から情報を集めることになるので、画像登録エラーに対して強いことが期待される。
本願明細書において用いられる、画像に関する用語「パッチ」とは画像における複数のデータポイントのサブセットのことである。したがって、第１の画像のパッチを第２の画像のパッチと比較することにより、より多くのデータポイントを用いることが、第１の画像のマップの所定のデータポイントが第２の画像の所定のポイントにいかに良く合致するかを評価することと考えられる。そのようなパッチ比較に基にした重み付けとの組み合わせは、画像登録におけるエラーの存在をより良く調整する効果がある。すなわち、パッチ比較に基にした重み付けとの組み合わせは、画像のより広い部分から情報を集めることになるので、画像登録エラーに対して強いことが期待される。
［０００７］
また、本願発明者は、第１のタイプの第１の画像を、第２の画像及び第３の画像に基づいて第２のタイプの派生画像に変換する、派生画像を生成する装置であって、前記第２の画像は前記第１のタイプであり、前記第３の画像は前記第２のタイプであり、前記第２の画像と前記第３の画像とは互いに登録されており、前記第１の画像は複数のデータポイントを有し、前記第１の画像の各データポイントは前記第１の画像に対する前記第１のタイプのデータで有し、前記第２の画像は複数のデータポイントを有し、前記第２の画像の各データポイントは前記第２の画像に対する前記第１のタイプのデータを有し、前記第３の画像は複数のデータポイントを有し、前記第３の画像の各データポイントは前記第３の画像に対する前記第２のタイプのデータを有し、前記派生画像を生成する装置は、（１）前記第１の画像のひとつのパッチと前記第２の画像の複数のパッチとの間の複数の比較処理を実行して、前記第１の画像のひとつのデータポイントと前記第２の画像の複数のデータポイントとの間の類似を示す複数の類似指標を生成し、（２）前記複数の類似指標に基づいて、前記第３の画像の複数のデータポイントに関連した複数の重みファクターを計算し、（３）計算された前記重みファクターに関連する前記第３の画像の複数のデータポイントの重み付けされた組み合わせであって、計算された前記重みファクターに従う重み付けされた組み合わせとして、前記第１の画像のデータポイントに対応する派生画像のデータポイントを計算し、（４）前記第１の画像の複数の異なるデータポイントに対して、前記複数の比較処理を実行するステップと前記複数の重みファクターを計算するステップと前記派生画像のデータポイントを計算するステップとを繰り返し、それにより、計算された前記派生画像の複数のデータポイントから前記派生画像を生成するように構成されたプロセッサーを有することを特徴とする派生画像を生成する装置を開示する。
また、本願発明者は、第１のタイプの第１の画像を、第２の画像及び第３の画像に基づいて第２のタイプの派生画像に変換する、派生画像を生成する装置であって、前記第２の画像は前記第１のタイプであり、前記第３の画像は前記第２のタイプであり、前記第２の画像と前記第３の画像とは互いに登録されており、前記第１の画像は複数のデータポイントを有し、前記第１の画像の各データポイントは前記第１の画像に対する前記第１のタイプのデータで有し、前記第２の画像は複数のデータポイントを有し、前記第２の画像の各データポイントは前記第２の画像に対する前記第１のタイプのデータを有し、前記第３の画像は複数のデータポイントを有し、前記第３の画像の各データポイントは前記第３の画像に対する前記第２のタイプのデータを有し、前記派生画像を生成する装置は、（１）前記第１の画像のひとつのパッチと前記第２の画像の複数のパッチとの間の複数の比較処理を実行して、前記第１の画像のひとつのデータポイントと前記第２の画像の複数のデータポイントとの間の類似を示す複数の類似指標を生成し、（２）前記複数の類似指標に基づいて、前記第３の画像の複数のデータポイントに関連した複数の重みファクターを計算し、（３）計算された前記重みファクターに関連する前記第３の画像の複数のデータポイントの重み付けされた組み合わせであって、計算された前記重みファクターに従う重み付けされた組み合わせとして、前記第１の画像のデータポイントに対応する派生画像のデータポイントを計算し、（４）前記第１の画像の複数の異なるデータポイントに対して、前記複数の比較処理を実行するステップと前記複数の重みファクターを計算するステップと前記派生画像のデータポイントを計算するステップとを繰り返し、それにより、計算された前記派生画像の複数のデータポイントから前記派生画像を生成するように構成されたプロセッサーを有することを特徴とする派生画像を生成する装置を開示する。
［０００８］
更に、本願発明者は、第１のタイプの第１の画像を、第２の画像及び第３の画像に基づいて第２のタイプの派生画像に変換する、コンピュータプログラム製品であって、前記第２の画像は前記第１のタイプであり、前記第３の画像は前記第２のタイプであり、前記第２の画像と前記第３の画像とは互いに登録されており、前記第１の画像は複数のデータポイントを有し、前記第１の画像の各データポイントは前記第１の画像に対する前記第１のタイプのデータで有し、前記第２の画像は複数のデータポイントを有し、前記第２の画像の各データポイントは前記第２の画像に対する前記第１のタイプのデータを有し、前記第３の画像は複数のデータポイントを有し、前記第３の画像の各データポイントは前記第３の画像に対する前記第２のタイプのデータを有し、（１）前記第１の画像のひとつのパッチと前記第２の画像の複数のパッチとの間の複数の比較処理を実行して、前記第１の画像のひとつのデータポイントと前記第２の画像の複数のデータポイントとの間の類似を示す複数の類似指標を生成し、（２）前記複数の類似指標に基づいて、前記第３の画像の複数のデータポイントに関連した複数の重みファクターを計算し、（３）計算された前記重みファクターに関連する前記第３の画像の複数のデータポイントの重み付けされた組み合わせであって、計算された前記重みファクターに従う重み付けされた組み合わせとして、前記第１の画像のデータポイントに対応する派生画像のデータポイントを計算し、（４）前記第１の画像の複数の異なるデータポイントに対して、前記複数の比較処理を実行するステップと前記複数の重みファクターを計算するステップと前記派生画像のデータポイントを計算するステップとを繰り返し、それにより、計算された前記派生画像の複数のデータポイントから前記派生画像を生成することをプロセッサーに実行させる、非一時的なコンピューター可読媒体上にある複数の命令を有することを特徴とするコンピュータプログラム製品を開示する。
更に、本願発明者は、第１のタイプの第１の画像を、第２の画像及び第３の画像に基づいて第２のタイプの派生画像に変換する、コンピュータプログラム製品であって、前記第２の画像は前記第１のタイプであり、前記第３の画像は前記第２のタイプであり、前記第２の画像と前記第３の画像とは互いに登録されており、前記第１の画像は複数のデータポイントを有し、前記第１の画像の各データポイントは前記第１の画像に対する前記第１のタイプのデータで有し、前記第２の画像は複数のデータポイントを有し、前記第２の画像の各データポイントは前記第２の画像に対する前記第１のタイプのデータを有し、前記第３の画像は複数のデータポイントを有し、前記第３の画像の各データポイントは前記第３の画像に対する前記第２のタイプのデータを有し、（１）前記第１の画像のひとつのパッチと前記第２の画像の複数のパッチとの間の複数の比較処理を実行して、前記第１の画像のひとつのデータポイントと前記第２の画像の複数のデータポイントとの間の類似を示す複数の類似指標を生成し、（２）前記複数の類似指標に基づいて、前記第３の画像の複数のデータポイントに関連した複数の重みファクターを計算し、（３）計算された前記重みファクターに関連する前記第３の画像の複数のデータポイントの重み付けされた組み合わせであって、計算された前記重みファクターに従う重み付けされた組み合わせとして、前記第１の画像のデータポイントに対応する派生画像のデータポイントを計算し、（４）前記第１の画像の複数の異なるデータポイントに対して、前記複数の比較処理を実行するステップと前記複数の重みファクターを計算するステップと前記派生画像のデータポイントを計算するステップとを繰り返し、それにより、計算された前記派生画像の複数のデータポイントから前記派生画像を生成することをプロセッサーに実行させる、非一時的なコンピューター可読媒体上にある複数の命令を有することを特徴とするコンピュータプログラム製品を開示する。
［０００９］
他の実施形態において、本願発明者は、第１のタイプの第１の画像を第２のタイプの派生画像に変換する技術であって、複数の類似指標が第１の画像の複数のパッチと第１のタイプの第１のアトラス画像の複数のパッチとの間で計算される技術を開示する。重みファクターは計算された類似指標に基づいて計算される。派生画像の少なくとも複数のデータポイントのそれぞれが第２のアトラス画像の複数のデータポイントの関数となるように、これら重みファクターは第２のアトラス画像の複数のデータポイントに適用され、派生画像の複数のデータポイントを計算する。そのような技術はＭＲ画像から擬似ＣＴ生成に用いられる。
他の実施形態において、本願発明者は、第１のタイプの第１の画像を第２のタイプの派生画像に変換する技術であって、複数の類似指標が第１の画像の複数のパッチと第１のタイプの第１のアトラス画像の複数のパッチとの間で計算される技術を開示する。重みファクターは計算された類似指標に基づいて計算される。派生画像の少なくとも複数のデータポイントのそれぞれが第２のアトラス画像の複数のデータポイントの関数となるように、これら重みファクターは第２のアトラス画像の複数のデータポイントに適用され、派生画像の複数のデータポイントを計算する。そのような技術はＭＲ画像から擬似ＣＴ生成に用いられる。
［００１０］
更に他の実施形態において、本願発明者は、第１のタイプの第１のアトラス画像を第２のタイプの派生画像に変換する方法であって、複数の類似指標が第１のタイプの第１のアトラス画像の複数のパッチと第２のタイプの第２のアトラス画像の複数のパッチとの間で計算される。重みファクターは計算された類似指標に基づいて計算される技術を開示する。派生画像の少なくとも複数のデータポイントのそれぞれが第２のアトラス画像の複数のデータポイントの関数となるように、これら重みファクターは第２のアトラス画像の複数のデータポイントに適用され、派生画像の複数のデータポイントを計算する。
更に他の実施形態において、本願発明者は、第１のタイプの第１のアトラス画像を第２のタイプの派生画像に変換する方法であって、複数の類似指標が第１のタイプの第１のアトラス画像の複数のパッチと第２のタイプの第２のアトラス画像の複数のパッチとの間で計算される。重みファクターは計算された類似指標に基づいて計算される技術を開示する。派生画像の少なくとも複数のデータポイントのそれぞれが第２のアトラス画像の複数のデータポイントの関数となるように、これら重みファクターは第２のアトラス画像の複数のデータポイントに適用され、派生画像の複数のデータポイントを計算する。
［００１１］
本願発明の上記及び他の特徴や利点は、後述する明細書及び図面を参照して当業者にとって明らかである。
本願発明の上記及び他の特徴や利点は、後述する明細書及び図面を参照して当業者にとって明らかである。
［００３１］
図１に本発明の典型的な実施形態を示す。図１に示すように、プロセッサー１００は、処理論理回路１０４を実装するように構成されている。処理論理回路１０４により、アトラス画像（Type 1）１０６とアトラス画像（Type 2）１０８を用いて、第１のタイプの第１の画像（Type 1）１１０が第２のタイプの派生画像（Type 2）１１２に変換される。これら画像は２次元（２Ｄ）画像でも３次元（３Ｄ）画像でもよい。２次元画像（２Ｄ）では、画像データの各ポイントはピクセル（pixel）として参照される。３次元画像（３Ｄ）では、画像データの各ポイントはボクセル（voxel）として参照される。
図１に本発明の典型的な実施形態を示す。図１に示すように、プロセッサー１００は、処理論理回路１０４を実装するように構成されている。処理論理回路１０４により、アトラス画像（Type 1）１０６とアトラス画像（Type 2）１０８を用いて、第１のタイプの第１の画像（Type 1）１１０が第２のタイプの派生画像（Type 2）１１２に変換される。これら画像は２次元（２Ｄ）画像でも３次元（３Ｄ）画像でもよい。２次元画像（２Ｄ）では、画像データの各ポイントはピクセル（pixel）として参照される。３次元画像（３Ｄ）では、画像データの各ポイントはボクセル（voxel）として参照される。
［００３２］
プロセッサー１００は、後述する機能を実行する十分な処理能力が有するいかなるプロセッサーでもよい。プロセッサー１００はマルチプロセッサーでもよく、任意にネットワークを介して配信されるプロセッサーでもよい。処理論理回路１０４に実行させるプログラム命令は、プロセッサー１００によりアクセスされ実行される非一時的なコンピューター読取可能な記憶媒体（例えば、メモリ１０２）に格納される。メモリ１０２は、マルチメモリ装置でもよく、任意にマルチの配信されるメモリ装置及び／又は異なるタイプのメモリ装置でもよい。
プロセッサー１００は、後述する機能を実行する十分な処理能力が有するいかなるプロセッサーでもよい。プロセッサー１００はマルチプロセッサーでもよく、任意にネットワークを介して配信されるプロセッサーでもよい。処理論理回路１０４に実行させるプログラム命令は、プロセッサー１００によりアクセスされ実行される非一時的なコンピューター読取可能な記憶媒体（例えば、メモリ１０２）に格納される。メモリ１０２は、マルチメモリ装置でもよく、任意にマルチの配信されるメモリ装置及び／又は異なるタイプのメモリ装置でもよい。
［００３３］
図２に処理論理回路１０４における典型的な処理フローを示す。ステップ２００では、プロセッサーが、新たな画像１１０のパッチ（patch）と第１のタイプのアトラス画像１０６のパッチ（patch）とを比較する。ステップ２０２では、プロセッサーが、これらパッチ比較（patch comparison）に基づいて複数の類似指標（similarity indicator）を計算する。各類似指標は、新たな画像１１０の所定のパッチが第１のタイプのアトラス画像１０６の所定のパッチに対してどのように類似しているかを示す。これら類似指標から、プロセッサーが重みファクター（weight factor）を計算する（ステップ２０４）。これら重みファクターは、第２のタイプのアトラス画像の所定のデータポイント（data point）が、第２のタイプの派生画像１１２の新たなデータポイント（data point）の計算上、どの程度影響するかを支配する。ステップ２０６では、プロセッサーが、第２のタイプのアトラス画像１０８からのデータと組み合わせて重みファクターに基づいて第２のタイプの派生画像１１２を計算する。
図２に処理論理回路１０４における典型的な処理フローを示す。ステップ２００では、プロセッサーが、新たな画像１１０のパッチ（patch）と第１のタイプのアトラス画像１０６のパッチ（patch）とを比較する。ステップ２０２では、プロセッサーが、これらパッチ比較（patch comparison）に基づいて複数の類似指標（similarity indicator）を計算する。各類似指標は、新たな画像１１０の所定のパッチが第１のタイプのアトラス画像１０６の所定のパッチに対してどのように類似しているかを示す。これら類似指標から、プロセッサーが重みファクター（weight factor）を計算する（ステップ２０４）。これら重みファクターは、第２のタイプのアトラス画像の所定のデータポイント（data point）が、第２のタイプの派生画像１１２の新たなデータポイント（data point）の計算上、どの程度影響するかを支配する。ステップ２０６では、プロセッサーが、第２のタイプのアトラス画像１０８からのデータと組み合わせて重みファクターに基づいて第２のタイプの派生画像１１２を計算する。
［００３４］
図３に擬似ＣＴ生成を実行するように構成された処理論理回路１０４の典型的な実施形態を示す。図１の典型的の実施形態を参照するに、第１のタイプの画像診断技術は磁気共鳴（ＭＲ）であり、第２のタイプの画像診断方法はコンピューター断層撮影（ＣＴ）である。図３の実施形態では、変換されるべき画像は患者のＭＲ画像３０４である。アトラス画像は、アトラスＭＲ画像３００とアトラスＣＴ画像３０２となる。これらアトラス画像３００、３０２は互いに登録されることが望ましい。図３では、処理論理回路１０４は、これら画像３００、３０２、３０４を処理し、派生患者ＣＴ画像３０６を生成する。この実施形態はＭＲ画像から擬似ＣＴ生成するのに用いられるが、他の画像タイプ／画像診断も用いることができる。例えば、実施者はここで述べる技術を使用してＭＲ画像又はＣＴ画像から超音波画像を導出してもよい。
図３に擬似ＣＴ生成を実行するように構成された処理論理回路１０４の典型的な実施形態を示す。図１の典型的の実施形態を参照するに、第１のタイプの画像診断技術は磁気共鳴（ＭＲ）であり、第２のタイプの画像診断方法はコンピューター断層撮影（ＣＴ）である。図３の実施形態では、変換されるべき画像は患者のＭＲ画像３０４である。アトラス画像は、アトラスＭＲ画像３００とアトラスＣＴ画像３０２となる。これらアトラス画像３００、３０２は互いに登録されることが望ましい。図３では、処理論理回路１０４は、これら画像３００、３０２、３０４を処理し、派生患者ＣＴ画像３０６を生成する。この実施形態はＭＲ画像から擬似ＣＴ生成するのに用いられるが、他の画像タイプ／画像診断も用いることができる。例えば、実施者はここで述べる技術を使用してＭＲ画像又はＣＴ画像から超音波画像を導出してもよい。
［００３５］
図４に図３の処理論理回路１０４の典型的な処理フローを示す。ステップ４００では、患者ＭＲ画像３０４がアトラスＭＲ画像３００と共に登録される。多数の登録技術のいずれも使用することができる。例えば、変形登録（deformable registration, OIR）を使用することができる。画像登録技術の他の例は、次の論文「Andersson et al., "Evaluation of 14 nonlinear deformation algorithms applied to human brain MRI registration", Neuroimage 46: 786-802, 2009」に記載されている。この論文の記載全体はこの引用により本明細書に含まれる。画像登録技術の更に他の例は、次の論文「Avants, et al., "Symmetric diffeomorphic image registration with cross-correlation: evaluating automated labeling of elderly and neurogenerative brain", Med. Image Anal 12, 26-41, 2008」や「Liao et al, "Feature based nonrigid brain MR image registration with symmetric alpha stable filters", IEEE Trans. Med. Imag,, 29(1); 106-119, 2010」に記載されている。これら論文の全体の記載はこの引用により本明細書に含まれる。この登録プロセスの結果、患者ＭＲ画像３００の各データポイントＸiは、アトラスＭＲ画像の対応する各データポイントＸ'iを有する。
図４に図３の処理論理回路１０４の典型的な処理フローを示す。ステップ４００では、患者ＭＲ画像３０４がアトラスＭＲ画像３００と共に登録される。多数の登録技術のいずれも使用することができる。例えば、変形登録（deformable registration, OIR）を使用することができる。画像登録技術の他の例は、次の論文「Andersson et al., "Evaluation of 14 nonlinear deformation algorithms applied to human brain MRI registration", Neuroimage 46: 786-802, 2009」に記載されている。この論文の記載全体はこの引用により本明細書に含まれる。画像登録技術の更に他の例は、次の論文「Avants, et al., "Symmetric diffeomorphic image registration with cross-correlation: evaluating automated labeling of elderly and neurogenerative brain", Med. Image Anal 12, 26-41, 2008」や「Liao et al, "Feature based nonrigid brain MR image registration with symmetric alpha stable filters", IEEE Trans. Med. Imag,, 29(1); 106-119, 2010」に記載されている。これら論文の全体の記載はこの引用により本明細書に含まれる。この登録プロセスの結果、患者ＭＲ画像３００の各データポイントＸiは、アトラスＭＲ画像の対応する各データポイントＸ'iを有する。
［００３６］
ステップ４０２では、プロセッサーは変数ｉとｊを初期化する。変数ｉは、患者ＭＲ画像３０４のデータポイントを特定する。変数ｊは、いかに多くのパッチの比較が患者ＭＲ画像３０４の所定ポイントＸiについてなされるかを管理するのに用いられる。
ステップ４０２では、プロセッサーは変数ｉとｊを初期化する。変数ｉは、患者ＭＲ画像３０４のデータポイントを特定する。変数ｊは、いかに多くのパッチの比較が患者ＭＲ画像３０４の所定ポイントＸiについてなされるかを管理するのに用いられる。
［００３７］
ステップ４０４では、プロセッサーが、患者ＭＲ画像３０４のデータポイントＸiについての患者ＭＲ画像３０４内のパッチを選択する。選択されたＭＲ画像パッチは、データポイントＸi近くの患者ＭＲ画像３０４からの近傍のデータポイントである。例えば、図５の実施例では、複数のデータポイント５００からなる患者ＭＲ画像３０４に対して、選択された患者ＭＲ画像パッチ５０２は、データポイントＸiを囲む複数のデータポイントＮ1、Ｎ2、・・・である。図５に示されたパッチ５０２の形状や大きさは一例に過ぎない。実施者は、パッチ５０２として所望の大きさ及び／又は形状の定義することができる。例えば、パッチの大きさが小さくなるにしたがい類似比較の信頼性は減少する。小さなパッチの大きさは画像ノイズに敏感になるので。一方、パッチの大きさが大きくなるにしたがい信頼性は悪化する。類似比較がボクセル又はピクセルの相違に敏感でなくなるので。大きなパッチは、比較の計算に長い時間を必要として待ち時間によくない影響を与える。したがって、実施者は、そのようなことを考慮して、状況にあった適正なパッチの大きさを選択すべきである。典型的には、パッチの形状を対象であるボクセル（又はピクセル）が中央に位置する領域として定義する。形状は、効率的な選択として、箱形状は球形状が望ましい（例えば、箱形状はその大きさと長さによって単純に記述できるし、球形状はその半径により単純に記述できる）。
ステップ４０４では、プロセッサーが、患者ＭＲ画像３０４のデータポイントＸiについての患者ＭＲ画像３０４内のパッチを選択する。選択されたＭＲ画像パッチは、データポイントＸi近くの患者ＭＲ画像３０４からの近傍のデータポイントである。例えば、図５の実施例では、複数のデータポイント５００からなる患者ＭＲ画像３０４に対して、選択された患者ＭＲ画像パッチ５０２は、データポイントＸiを囲む複数のデータポイントＮ1、Ｎ2、・・・である。図５に示されたパッチ５０２の形状や大きさは一例に過ぎない。実施者は、パッチ５０２として所望の大きさ及び／又は形状の定義することができる。例えば、パッチの大きさが小さくなるにしたがい類似比較の信頼性は減少する。小さなパッチの大きさは画像ノイズに敏感になるので。一方、パッチの大きさが大きくなるにしたがい信頼性は悪化する。類似比較がボクセル又はピクセルの相違に敏感でなくなるので。大きなパッチは、比較の計算に長い時間を必要として待ち時間によくない影響を与える。したがって、実施者は、そのようなことを考慮して、状況にあった適正なパッチの大きさを選択すべきである。典型的には、パッチの形状を対象であるボクセル（又はピクセル）が中央に位置する領域として定義する。形状は、効率的な選択として、箱形状は球形状が望ましい（例えば、箱形状はその大きさと長さによって単純に記述できるし、球形状はその半径により単純に記述できる）。
［００３８］
ステップ４０６では、プロセッサーは、アトラスＭＲ画像３００のデータポイントＸ'iについてのアトラスＭＲ画像３００のパッチを選択する。データポイントＸ'iは、ステップ４００での登録の結果として患者ＭＲ画像のデータポイントＸiに対応するアトラスＭＲ画像のデータポイントである。選択されたアトラスＭＲ画像のパッチは、データポイントＸ'i近くのアトラスＭＲ画像３００からの近傍のデータポイントである。例えば、図６Ａの実施例では、複数のデータポイント６００を有するアトラスＭＲ画像３００に対して、選択されたアトラスＭＲ画像のパッチ６０２は、データポイントＸ'iを取り囲む複数のデータポイントＮ'1、Ｎ'2、・・・である。図５のように、図６に示されたパッチ６０２の形状や大きさは一例に過ぎない。実施者は、パッチ６０２として所望の大きさ及び／又は形状の定義することができる。望ましくは、パッチ６０２の大きさ及び形状はパッチ５０２の大きさ及び形状と合致している。
ステップ４０６では、プロセッサーは、アトラスＭＲ画像３００のデータポイントＸ'iについてのアトラスＭＲ画像３００のパッチを選択する。データポイントＸ'iは、ステップ４００での登録の結果として患者ＭＲ画像のデータポイントＸiに対応するアトラスＭＲ画像のデータポイントである。選択されたアトラスＭＲ画像のパッチは、データポイントＸ'i近くのアトラスＭＲ画像３００からの近傍のデータポイントである。例えば、図６Ａの実施例では、複数のデータポイント６００を有するアトラスＭＲ画像３００に対して、選択されたアトラスＭＲ画像のパッチ６０２は、データポイントＸ'iを取り囲む複数のデータポイントＮ'1、Ｎ'2、・・・である。図５のように、図６に示されたパッチ６０２の形状や大きさは一例に過ぎない。実施者は、パッチ６０２として所望の大きさ及び／又は形状の定義することができる。望ましくは、パッチ６０２の大きさ及び形状はパッチ５０２の大きさ及び形状と合致している。
［００３９］
ステップ４０８では、選択されたＭＲ画像のパッチ（パッチ５０２）は、選択されたアトラスＭＲ画像のパッチ（パッチ６０２）と比較される。この比較は、類似スコア（ステップ４１０、図６Ａ参照）のような類似指標を計算することとなる。パッチ５０２とパッチ６０２を比較して類似を評価し定量化するには、多くの技術のいずれも使用する事ができる。
ステップ４０８では、選択されたＭＲ画像のパッチ（パッチ５０２）は、選択されたアトラスＭＲ画像のパッチ（パッチ６０２）と比較される。この比較は、類似スコア（ステップ４１０、図６Ａ参照）のような類似指標を計算することとなる。パッチ５０２とパッチ６０２を比較して類似を評価し定量化するには、多くの技術のいずれも使用する事ができる。
［００４０］
例えば、パッチ５０とパッチ６０２を様々な技術を用いて直接比較することができる。一例として、画素値の差分の自乗和である誤差自乗和（sum-of-squared-intensity difference：ＳＳＤ）技術を、パッチ間の類似を定量化する、パッチ５０２とパッチ６０２のデータポイントに存在する明度データに適用することができる。しかし、本願発明者は、より有用な直接比較技術は、局所相関係数（local correlation coefficient (ＬＣＣ)）比較技術であることを見出した。局所相関係数（ＬＣＣ）比較技術は、次式により類似スコア（ＬＣＣ）を計算する。
例えば、パッチ５０とパッチ６０２を様々な技術を用いて直接比較することができる。一例として、画素値の差分の自乗和である誤差自乗和（sum-of-squared-intensity difference：ＳＳＤ）技術を、パッチ間の類似を定量化する、パッチ５０２とパッチ６０２のデータポイントに存在する明度データに適用することができる。しかし、本願発明者は、より有用な直接比較技術は、局所相関係数（local correlation coefficient (ＬＣＣ)）比較技術であることを見出した。局所相関係数（ＬＣＣ）比較技術は、次式により類似スコア（ＬＣＣ）を計算する。
この式において：
Ｓは、患者ＭＲ画像を示す。
Ｓは、患者ＭＲ画像を示す。
Ａiは、アトラスＭＲ画像を示す。
ｘは、検討中のポイントＸiを示す。
Ｂ（ｘ）は、ポイントＸiが中心であるパッチを示す。同じパッチの大きさと形状が患者ＭＲ画像とアトラスＭＲ画像に対して用いられる。
Ｓは、Ｂ（ｘ）内のＳの局所的平均を示す。Ｓは次式で計算される。
Ａiは、Ｂ（ｘ）内のＡiの局所的平均を示す。Ａiは次式で計算される。
この実施例のＬＣＣスコアは［−１、１］の範囲で価値を証明する。＃Ｂ（ｘ）は、Ｂにおけるポイントの数を示している。
［００４７］
他の実施例として、パッチ５０２とパッチ６０２とを、パッチ５０２とパッチ６０２から導出された特徴的ベクターデータを用いて間接的に比較してもよい。ベクターデータの例については、図１７、１８を参照して後述する。
他の実施例として、パッチ５０２とパッチ６０２とを、パッチ５０２とパッチ６０２から導出された特徴的ベクターデータを用いて間接的に比較してもよい。ベクターデータの例については、図１７、１８を参照して後述する。
［００４８］
更に、パッチ比較はランダムプロジェクション（random projection）技術を用いて行うことができる。ランダムプロジェクションは次元を削減する方法である。パッチ比較を実行するためにランダムプロジェクションを用いる動機は計算速度の改善である。パッチは信号であり、それらの類似度の計算（すなわち、それらの間の距離を計算することと同等であり、長い距離は低い類似度を意味する）は、信号の次元や長さが大きい場合（すなわち、パッチの大きさが大きい場合）には、遅くなる。次の論文「Bingham, et al., "Random projection in dimensionality reduction: applications to image and text data", Knowledge Discovery and Data Mining, pages 245-250, 2001（この論文の記載全体はこの引用により本明細書に含まれる）」に記載されているように、ランダムプロジェクションは次元削減の強力な方法として現れている。ランダムプロジェクション（ＲＰ）において、元の高次元データは、その列が単位長さであるランダムマトリックスを用いて低次元の部分空間上に投影される。ランダムプロジェクション（ＲＰ）は、高次元のデータセットの次元を削減するのに、計算効率がよく十分正確な方法とされている。したがって、ランダムプロジェクション（ＲＰ）をパッチ比較に適用する時、パッチは低次元部分空間に投影され、類似性評価はその部分空間において実行される。
更に、パッチ比較はランダムプロジェクション（random projection）技術を用いて行うことができる。ランダムプロジェクションは次元を削減する方法である。パッチ比較を実行するためにランダムプロジェクションを用いる動機は計算速度の改善である。パッチは信号であり、それらの類似度の計算（すなわち、それらの間の距離を計算することと同等であり、長い距離は低い類似度を意味する）は、信号の次元や長さが大きい場合（すなわち、パッチの大きさが大きい場合）には、遅くなる。次の論文「Bingham, et al., "Random projection in dimensionality reduction: applications to image and text data", Knowledge Discovery and Data Mining, pages 245-250, 2001（この論文の記載全体はこの引用により本明細書に含まれる）」に記載されているように、ランダムプロジェクションは次元削減の強力な方法として現れている。ランダムプロジェクション（ＲＰ）において、元の高次元データは、その列が単位長さであるランダムマトリックスを用いて低次元の部分空間上に投影される。ランダムプロジェクション（ＲＰ）は、高次元のデータセットの次元を削減するのに、計算効率がよく十分正確な方法とされている。したがって、ランダムプロジェクション（ＲＰ）をパッチ比較に適用する時、パッチは低次元部分空間に投影され、類似性評価はその部分空間において実行される。
［００４９］
したがって、ステップ４１０の結果は、パッチ５０２とパッチ６０２間の類似性を示す類似スコアを生成する。
したがって、ステップ４１０の結果は、パッチ５０２とパッチ６０２間の類似性を示す類似スコアを生成する。
［００５０］
ステップ４１２では、プロセッサーが、変数ｊ＝Ｍであるかチェックする。Ｍは、実施者により選ばれたパラメーターであり、パッチ５０２について、どのくらい多くのパッチ比較がなされるかを定める。アトラスＭＲ画像とアトラスＣＴ画像間のような登録エラーを繰り越され易くなるけれど、極端なケース、Ｍは１である。それはそれとして、より大きい値のＭを用い、より多くのデータポイントを考慮することが望ましい。Ｍの値は、サーチ領域の大きさにより決定される。パッチと同様に、サーチ領域は、注目ポイントを中心とした箱形状又は球形状として定義される。典型的には、これは、患者ＭＲ画像における考慮下のポイントと共に登録されるアトラスＭＲ画像のポイントである。そして、Ｍが１より大きい場合、このサーチ領域の大きさはパッチの大きさより大きい。どのような大きさのサーチ領域を選択するかは、実施者が画像登録をどの程度信頼性あるものと信じているかの関数である。例えば、患者ＭＲ画像とアトラスＭＲ画像間の登録において、かなりの登録エラーがあると考えるなら、これは、より大きなサーチ領域が使用されるべきであることを示す。他方向の極端な場合には、Ｍは、パッチ５０２がアトラスＭＲ画像全体を包囲するパッチと効率よく比較されるのに十分な大きさとなりうる。しかしながら、そのような大きなＭは、両極端の間の値より望ましくない。何故なら、もしＭが大きすぎると、処理計算時間が遅くなるだけでなく、誤った類似性を見つける可能性が増大すると思われるからである。もし変数ｊがＭでないなら、処理フローはステップ４１４に進む。
ステップ４１２では、プロセッサーが、変数ｊ＝Ｍであるかチェックする。Ｍは、実施者により選ばれたパラメーターであり、パッチ５０２について、どのくらい多くのパッチ比較がなされるかを定める。アトラスＭＲ画像とアトラスＣＴ画像間のような登録エラーを繰り越され易くなるけれど、極端なケース、Ｍは１である。それはそれとして、より大きい値のＭを用い、より多くのデータポイントを考慮することが望ましい。Ｍの値は、サーチ領域の大きさにより決定される。パッチと同様に、サーチ領域は、注目ポイントを中心とした箱形状又は球形状として定義される。典型的には、これは、患者ＭＲ画像における考慮下のポイントと共に登録されるアトラスＭＲ画像のポイントである。そして、Ｍが１より大きい場合、このサーチ領域の大きさはパッチの大きさより大きい。どのような大きさのサーチ領域を選択するかは、実施者が画像登録をどの程度信頼性あるものと信じているかの関数である。例えば、患者ＭＲ画像とアトラスＭＲ画像間の登録において、かなりの登録エラーがあると考えるなら、これは、より大きなサーチ領域が使用されるべきであることを示す。他方向の極端な場合には、Ｍは、パッチ５０２がアトラスＭＲ画像全体を包囲するパッチと効率よく比較されるのに十分な大きさとなりうる。しかしながら、そのような大きなＭは、両極端の間の値より望ましくない。何故なら、もしＭが大きすぎると、処理計算時間が遅くなるだけでなく、誤った類似性を見つける可能性が増大すると思われるからである。もし変数ｊがＭでないなら、処理フローはステップ４１４に進む。
［００５１］
ステップ４１４では、プロセッサーは、パラメーターｊをインクリメントし、アトラスＥＭ画像において次のパッチにシフトさせる。この次のパッチは、異なるアトラスＭＲ画像データポイントの周囲における、アトラスＭＲ画像３００のパッチである。例えば、図６Ｂは、アトラスＭＲ画像の次のパッチが、ポイントＮ'1を中心として取り囲むパッチ６０４である具体例を示す。ポイントＮ'1は、パッチ６０４に対応するアトラスＭＲ画像のデータポイントとして特徴付けられる。図に示すように、パッチ６０４は、データポイントＸ'iの近くであるアトラスＭＲ画像のデータポイント６００の異なるセットを取り囲む。アトラスパッチからアトラスパッチにシフトするためには、処理フローでは、アトラスパッチの中心であるポイントとして、サーチ領域内の様々なポイントを選択することができる。これは必要ではないが、サーチ領域の全てのポイントはアトラスパッチの中心点として用いられることが望ましい。
ステップ４１４では、プロセッサーは、パラメーターｊをインクリメントし、アトラスＥＭ画像において次のパッチにシフトさせる。この次のパッチは、異なるアトラスＭＲ画像データポイントの周囲における、アトラスＭＲ画像３００のパッチである。例えば、図６Ｂは、アトラスＭＲ画像の次のパッチが、ポイントＮ'1を中心として取り囲むパッチ６０４である具体例を示す。ポイントＮ'1は、パッチ６０４に対応するアトラスＭＲ画像のデータポイントとして特徴付けられる。図に示すように、パッチ６０４は、データポイントＸ'iの近くであるアトラスＭＲ画像のデータポイント６００の異なるセットを取り囲む。アトラスパッチからアトラスパッチにシフトするためには、処理フローでは、アトラスパッチの中心であるポイントとして、サーチ領域内の様々なポイントを選択することができる。これは必要ではないが、サーチ領域の全てのポイントはアトラスパッチの中心点として用いられることが望ましい。
［００５２］
プロセッサーは、ステップ４１４からステップ４０８とステップ４１０に戻り、ここで パッチ５０２がパッチ６０４と比較される。この２回目の繰り返しでのステップ４１０の動作は、パッチ５０２とパッチ６０２間の類似を示す類似スコアを生成する。プロセッサーは、変数ｊ＝Ｍとなるまで繰り返す。単純な例ではＭ＝９である。
プロセッサーは、ステップ４１４からステップ４０８とステップ４１０に戻り、ここで パッチ５０２がパッチ６０４と比較される。この２回目の繰り返しでのステップ４１０の動作は、パッチ５０２とパッチ６０２間の類似を示す類似スコアを生成する。プロセッサーは、変数ｊ＝Ｍとなるまで繰り返す。単純な例ではＭ＝９である。
［００５３］
３回目の繰り返しは、図６Ｃに示すように、パッチ５０２とパッチ６０６との間のパッチ比較となる。
３回目の繰り返しは、図６Ｃに示すように、パッチ５０２とパッチ６０６との間のパッチ比較となる。
［００５４］
４回目の繰り返しは、図６Ｄに示すように、パッチ５０２とパッチ６０８との間のパッチ比較となる。
４回目の繰り返しは、図６Ｄに示すように、パッチ５０２とパッチ６０８との間のパッチ比較となる。
［００５５］
５回目の繰り返しは、図６Ｅに示すように、パッチ５０２とパッチ６１０との間のパッチ比較となる。
５回目の繰り返しは、図６Ｅに示すように、パッチ５０２とパッチ６１０との間のパッチ比較となる。
［００５６］
６回目の繰り返しは、図６Ｆに示すように、パッチ５０２とパッチ６１２との間のパッチ比較となる。
６回目の繰り返しは、図６Ｆに示すように、パッチ５０２とパッチ６１２との間のパッチ比較となる。
［００５７］
７回目の繰り返しは、図６Ｇに示すように、パッチ５０２とパッチ６１４との間のパッチ比較となる。
７回目の繰り返しは、図６Ｇに示すように、パッチ５０２とパッチ６１４との間のパッチ比較となる。
［００５８］
８回目の繰り返しは、図６Ｈに示すように、パッチ５０２とパッチ６１６との間のパッチ比較となる。
８回目の繰り返しは、図６Ｈに示すように、パッチ５０２とパッチ６１６との間のパッチ比較となる。
［００５９］
９回目の繰り返しは、図６Ｉに示すように、パッチ５０２とパッチ６１８との間のパッチ比較となる。
９回目の繰り返しは、図６Ｉに示すように、パッチ５０２とパッチ６１８との間のパッチ比較となる。
［００６０］
したがって、変数ｊ＝Ｍとなった時点で、図７に示すような結果データ構造が、パッチ５０２と様々なパッチ６０２−６１８について計算された様々な類似スコアを確認する。各スコアは、アトラスＭＲ画像のパッチに対応するアトラスＭＲ画像データポイントに関連している。アトラムＭＲ画像のパッチに対する類似スコアは計算されている（７００欄参照）。更に注目されるのは、アトラスＭＲ画像３００とアトラスＣＴ画像３０２との間の登録により、各スコアに対応するアトラスＭＲ画像のデータポイントは、対応するアトラスＣＴ画像データポイントにマップされる（７０２欄参照）。したがって、アトラスＣＴ画像データポイントＹ'（Ｘ'i）は、アトラスＭＲ画像データポイントＸ'iと共に登録されたアトラスＣＴ画像データポイントである。図７に示すように、各類似スコアはアトラスＣＴ画像３０２のデータポイントに関連付けられる。
したがって、変数ｊ＝Ｍとなった時点で、図７に示すような結果データ構造が、パッチ５０２と様々なパッチ６０２−６１８について計算された様々な類似スコアを確認する。各スコアは、アトラスＭＲ画像のパッチに対応するアトラスＭＲ画像データポイントに関連している。アトラムＭＲ画像のパッチに対する類似スコアは計算されている（７００欄参照）。更に注目されるのは、アトラスＭＲ画像３００とアトラスＣＴ画像３０２との間の登録により、各スコアに対応するアトラスＭＲ画像のデータポイントは、対応するアトラスＣＴ画像データポイントにマップされる（７０２欄参照）。したがって、アトラスＣＴ画像データポイントＹ'（Ｘ'i）は、アトラスＭＲ画像データポイントＸ'iと共に登録されたアトラスＣＴ画像データポイントである。図７に示すように、各類似スコアはアトラスＣＴ画像３０２のデータポイントに関連付けられる。
［００６１］
ステップ４１６では、プロセッサーは、図７のデータ構造に示された類似スコアに基づいて複数の重みファクターを計算する。重みは類似スコアに比例して選択される。すなわち、大きな類似スコアには大きな重みが割り当てられる。Ｓjをアトラス画像のポイントｊに対する類似スコアとすれば、重みファクターは次式により計算される。
ステップ４１６では、プロセッサーは、図７のデータ構造に示された類似スコアに基づいて複数の重みファクターを計算する。重みは類似スコアに比例して選択される。すなわち、大きな類似スコアには大きな重みが割り当てられる。Ｓjをアトラス画像のポイントｊに対する類似スコアとすれば、重みファクターは次式により計算される。
ここで、ｈは実施者によって選択される大きさパラメーターである。もしｈが（類似スコアに対して）大きいならば、全てのスコアは概ね同じ重みに変換される。もし類似スコアが上述したＬＣＣ技術を用いて計算するならば、ｈの適合値が次式のように計算される。
類似スコアを重みファクターとして直接に使用すること、すなわち、Ｗj＝Ｓj−ｍｉｎjＳj、なる式のようにすることも可能である。ここでは、最小値を引き算しても全ての重みが負とはならないことを確実にする。
［００６２］
ステップ４１６では、所定の類似スコアに対する重みファクターを計算する（図８の８００欄参照）。各類似スコアは対応するアトラスＣＴ画像データポイントと関連付けられているので（７０２欄参照）、８００欄における各重みファクターも、７０２欄における対応するアトラスＣＴ画像のデータポイントに関連付けられることを意味する。ステップ４１６での計算により、ポイントＸiに対して生成された全ての類似スコアを考慮することになる。しかしながら、図１１において説明するように、これは必要ではない。もし望むならば、実施者は、重みファクターを類似スコアのサブセットのみから計算するようにステップ４１６を構成してもよい。
ステップ４１６では、所定の類似スコアに対する重みファクターを計算する（図８の８００欄参照）。各類似スコアは対応するアトラスＣＴ画像データポイントと関連付けられているので（７０２欄参照）、８００欄における各重みファクターも、７０２欄における対応するアトラスＣＴ画像のデータポイントに関連付けられることを意味する。ステップ４１６での計算により、ポイントＸiに対して生成された全ての類似スコアを考慮することになる。しかしながら、図１１において説明するように、これは必要ではない。もし望むならば、実施者は、重みファクターを類似スコアのサブセットのみから計算するようにステップ４１６を構成してもよい。
［００６３］
ステップ４１８では、プロセッサーは、計算された重みファクターと、計算された重みファクターに関連する、対応するアトラスＣＴ画像データポイントとに基づいて、ポイントＸiに対する、派生ＣＴ値を生成する（図９参照）。ステップ４１８において、派生ＣＴデータポイントを計算する、重み結合関数の例を次式で示す。
ステップ４１８では、プロセッサーは、計算された重みファクターと、計算された重みファクターに関連する、対応するアトラスＣＴ画像データポイントとに基づいて、ポイントＸiに対する、派生ＣＴ値を生成する（図９参照）。ステップ４１８において、派生ＣＴデータポイントを計算する、重み結合関数の例を次式で示す。
ここでは、Ｚ(Ｘi)はポイントＸiでの派生ＣＴ値であり、Ｙ'(Ｘ'j)は図７及び図８に例示された対応するアトラスＣＴ値であり、Ｗjは各アトラスポイントに対する重みである。したがって、ステップ４１８は、Ｚ(Ｘi)と記載される、Ｘiに対する派生ＣＴ値を計算するように動作する。
［００６４］
ステップ４２０では、プロセッサーは、変数ｉがＮと同じになるかをチェックする。Ｎは、実施者により選択されるパラメーターであり、患者ＭＲ画像のどのくらい多くのポイントが、派生ＣＴ画層データポイントに変換されるかを定義する。Ｎは、患者ＭＲ画像の全てのデータポイントを含むように選択される。しかし、これは必要ではない。例えば、実施者の要望により、（特別な臓器の周囲の領域のような）患者画像のより小さな領域のみを変換するようにしてもよい。そのような場合、Ｎは、この選択された注目領域内のポイント数となる。もし、変数ｉがまだＮに等しくないならば、処理フローはステップ４２２に進む。
ステップ４２０では、プロセッサーは、変数ｉがＮと同じになるかをチェックする。Ｎは、実施者により選択されるパラメーターであり、患者ＭＲ画像のどのくらい多くのポイントが、派生ＣＴ画層データポイントに変換されるかを定義する。Ｎは、患者ＭＲ画像の全てのデータポイントを含むように選択される。しかし、これは必要ではない。例えば、実施者の要望により、（特別な臓器の周囲の領域のような）患者画像のより小さな領域のみを変換するようにしてもよい。そのような場合、Ｎは、この選択された注目領域内のポイント数となる。もし、変数ｉがまだＮに等しくないならば、処理フローはステップ４２２に進む。
［００６５］
ステップ４１２では、変数ｉはインクレメントされて、患者ＭＲ画像の次のデータポイント（Ｘi+1）に進み、処理フローはステップ４０４に戻る。ステップ４０４から、パッチ比較プロセスが新しい患者ＭＲ画像パッチ（今度はＸi+1の周囲）に対して繰り返され、処理フローは進行し、Ｘi+1に対する派生ＣＴ値を計算する。この派生ＣＴ値はＺ(Ｘi+1)と表記される。変数ｉがＮとなった後は、処理フローは、患者ＭＲ画像から派生ＣＴ画像を生成するように操作される。派生ＣＴ画像は、データポイントＸiからＸNに対する、計算された派生ＣＴ値（Ｚ(Ｘi)からＺ(ＸN)）を有する。
ステップ４１２では、変数ｉはインクレメントされて、患者ＭＲ画像の次のデータポイント（Ｘi+1）に進み、処理フローはステップ４０４に戻る。ステップ４０４から、パッチ比較プロセスが新しい患者ＭＲ画像パッチ（今度はＸi+1の周囲）に対して繰り返され、処理フローは進行し、Ｘi+1に対する派生ＣＴ値を計算する。この派生ＣＴ値はＺ(Ｘi+1)と表記される。変数ｉがＮとなった後は、処理フローは、患者ＭＲ画像から派生ＣＴ画像を生成するように操作される。派生ＣＴ画像は、データポイントＸiからＸNに対する、計算された派生ＣＴ値（Ｚ(Ｘi)からＺ(ＸN)）を有する。
［００６６］
医療従事者は、この派生ＣＴ画像を用いて患者ＭＲ画像を検討することができる。例えば、派生ＣＴ画像がスクリーン上に映しだされ、患者ＭＲ画像によって明らかにされない患者に対する注目領域の様相を示すことができる。
医療従事者は、この派生ＣＴ画像を用いて患者ＭＲ画像を検討することができる。例えば、派生ＣＴ画像がスクリーン上に映しだされ、患者ＭＲ画像によって明らかにされない患者に対する注目領域の様相を示すことができる。
［００６７］
図４のステップ４００は、実施者が希望するなら省略することができる。もし患者ＭＲ画像がアトラスと共に登録されないなら、これは、ポイントＸiと共に登録されるアトラスＭＲ画像３００のデータポイントＸ'iを識別するためのステップ４０６に対する事前の知識がないことを意味する。したがって、もし患者ＭＲ画像がアトラスと共に登録されないなら、パッチ比較は、ポイントＸiに対する選択されたＭＲ画像パッチをアトラスＭＲ画像の全ての可能性あるパッチと比較するようになされる。すなわち、アトラスＭＲ画像パッチは、アトラスＭＲ画像内の全ての可能性あるパッチを包含する。そのようにすることは、処理により生成されるデータ総量を拡大し、より多くの計算資源を消費する。それは、患者ＭＲ画像から派生ＣＴ画像を計算するため多くの時間を必要とし、遅延することとなる。しかし、これは実施者に対する交換条件として受け入れることができる。
図４のステップ４００は、実施者が希望するなら省略することができる。もし患者ＭＲ画像がアトラスと共に登録されないなら、これは、ポイントＸiと共に登録されるアトラスＭＲ画像３００のデータポイントＸ'iを識別するためのステップ４０６に対する事前の知識がないことを意味する。したがって、もし患者ＭＲ画像がアトラスと共に登録されないなら、パッチ比較は、ポイントＸiに対する選択されたＭＲ画像パッチをアトラスＭＲ画像の全ての可能性あるパッチと比較するようになされる。すなわち、アトラスＭＲ画像パッチは、アトラスＭＲ画像内の全ての可能性あるパッチを包含する。そのようにすることは、処理により生成されるデータ総量を拡大し、より多くの計算資源を消費する。それは、患者ＭＲ画像から派生ＣＴ画像を計算するため多くの時間を必要とし、遅延することとなる。しかし、これは実施者に対する交換条件として受け入れることができる。
［００６８］
更に、ここで述べるようなパッチ比較ベースの重み付け組み合わせ方法は、画像登録エラーを軽減するので、ステップ４００が実行される場合には、実施者は画像登録技術を自由に選択することができる。その画像登録技術では正確さは重要な要素ではない。例えば、速度を得るために、低速登録技術よりも多くの登録エラーが発生するとしても、高速画像登録技術をステップ４００で用いることができる。線形登録は典型的には非線形登録よりも速い。線形登録は、世界的な位置、方向、２つの画像間の大きさの相違のみに対応する。一方、非線形登録は、一般的により正確であり、局所の身体構造上の形状の相違をも補う。例えば、細身の患者の画像を太り気味の患者の画像に登録する。オンライン又はインターベンショナルな適用において、患者画像が取得された直後に派生画像が計算される必要がある状況では、より速い登録が通常必要とされる。そのような状況では、より正確性の少ない登録技術との組み合わせ使用が強化されるので、登録エラーを包含する典型的な実施形態の能力は非常に効果的である。
更に、ここで述べるようなパッチ比較ベースの重み付け組み合わせ方法は、画像登録エラーを軽減するので、ステップ４００が実行される場合には、実施者は画像登録技術を自由に選択することができる。その画像登録技術では正確さは重要な要素ではない。例えば、速度を得るために、低速登録技術よりも多くの登録エラーが発生するとしても、高速画像登録技術をステップ４００で用いることができる。線形登録は典型的には非線形登録よりも速い。線形登録は、世界的な位置、方向、２つの画像間の大きさの相違のみに対応する。一方、非線形登録は、一般的により正確であり、局所の身体構造上の形状の相違をも補う。例えば、細身の患者の画像を太り気味の患者の画像に登録する。オンライン又はインターベンショナルな適用において、患者画像が取得された直後に派生画像が計算される必要がある状況では、より速い登録が通常必要とされる。そのような状況では、より正確性の少ない登録技術との組み合わせ使用が強化されるので、登録エラーを包含する典型的な実施形態の能力は非常に効果的である。
［００６９］
また、図３及び図４の実施例は、単一のアトラスＭＲ画像とアトラスＣＴ画像とのペアが、患者ＭＲ画像に対するＣＴデータ抽出を促進するに用いられるシンプルなケースを示している。
また、図３及び図４の実施例は、単一のアトラスＭＲ画像とアトラスＣＴ画像とのペアが、患者ＭＲ画像に対するＣＴデータ抽出を促進するに用いられるシンプルなケースを示している。
［００７０］
他の典型的な実施形態において、多重のアトラスＭＲ−ＣＴペアが、患者ＭＲ画像からＣＴデータを抽出するのに使用される。そのような実施形態の一例が、図１０Ａに示されている。図１０Ａにおいて、共通に登録されたアトラスＭＲ画像３００ｉとアトラスＣＴ画像３０２ｉの多重のペアが用いられている。この実施形態において、処理論理回路１０４は、ステップ４０６−４１４を実行し、各患者ＭＲ画像のパッチと各アトラスＭＲ画像３００ｉに対する所望のパッチのセットとを比較する。これは、各アトラスＭＲ画像について類似スコアＭがある図１０Ｂに示されているように、結果の類似スコアが多重アトラスパッチに反映することを意味する。多数のアトラス画像を考慮することにより、結果のＣＴデータ導出の正確性が更に強化される。
他の典型的な実施形態において、多重のアトラスＭＲ−ＣＴペアが、患者ＭＲ画像からＣＴデータを抽出するのに使用される。そのような実施形態の一例が、図１０Ａに示されている。図１０Ａにおいて、共通に登録されたアトラスＭＲ画像３００ｉとアトラスＣＴ画像３０２ｉの多重のペアが用いられている。この実施形態において、処理論理回路１０４は、ステップ４０６−４１４を実行し、各患者ＭＲ画像のパッチと各アトラスＭＲ画像３００ｉに対する所望のパッチのセットとを比較する。これは、各アトラスＭＲ画像について類似スコアＭがある図１０Ｂに示されているように、結果の類似スコアが多重アトラスパッチに反映することを意味する。多数のアトラス画像を考慮することにより、結果のＣＴデータ導出の正確性が更に強化される。
［００７１］
図１１に類似スコアのサブセットのみが重みファクターを計算するのに用いられる実施例を示す。この限定は、所定のポイントＸiに対して多数の類似スコアが存在する場合（例えば、図１０Ｂの実施例参照）に望ましい。例えば、プロセッサーは、類似スコアを順位付けするように構成されている。例えば、高い類似性を示す類似スコアが低い類似性を示す類似スコアより高く順位付けされるように構成されている。プロセッサーは、トップｋ番目の類似スコアを選択する。そこでは、重みファクターがトップｋ番目の類似スコアから計算される（図１１参照）。
図１１に類似スコアのサブセットのみが重みファクターを計算するのに用いられる実施例を示す。この限定は、所定のポイントＸiに対して多数の類似スコアが存在する場合（例えば、図１０Ｂの実施例参照）に望ましい。例えば、プロセッサーは、類似スコアを順位付けするように構成されている。例えば、高い類似性を示す類似スコアが低い類似性を示す類似スコアより高く順位付けされるように構成されている。プロセッサーは、トップｋ番目の類似スコアを選択する。そこでは、重みファクターがトップｋ番目の類似スコアから計算される（図１１参照）。
［００７２］
パッチ比較ベースの重み付け組み合わせ方法は、図１２に示すように、アトラス画像に適用され、アトラスＭＲ画像３００とアトラスＣＴ画像との間の登録エラーの効果を緩和する。図１２の実施例では、プロセッサーは、プロセス論理回路１２００を動作させて、アトラスＭＲ画像３００とアトラスＣＴ画像３０２とから導出されたアトラスＣＴ画像３０２′を生成する。そのとき、派生患者ＣＴ画像が、アトラスＭＲ画像３００と派生アトラスＣＴ画像３０６′を用いて患者ＭＲ画像から計算される。これは、図１０Ａの多重アトラスの実施形態に拡張され得る。
パッチ比較ベースの重み付け組み合わせ方法は、図１２に示すように、アトラス画像に適用され、アトラスＭＲ画像３００とアトラスＣＴ画像との間の登録エラーの効果を緩和する。図１２の実施例では、プロセッサーは、プロセス論理回路１２００を動作させて、アトラスＭＲ画像３００とアトラスＣＴ画像３０２とから導出されたアトラスＣＴ画像３０２′を生成する。そのとき、派生患者ＣＴ画像が、アトラスＭＲ画像３００と派生アトラスＣＴ画像３０６′を用いて患者ＭＲ画像から計算される。これは、図１０Ａの多重アトラスの実施形態に拡張され得る。
［００７３］
図１３にプロセス論理回路１２００に対する典型的な一般的処理フローを示す。ステップ１３００では、プロセッサーは、第１のタイプのアトラス画像のパッチを第２のタイプのアトラス画像のパッチと比較する。ステップ１３０２では、プロセッサーは、第１のタイプのアトラスパッチと第２のタイプのアトラスパッチとの間の類似性指標を計算する。異なる画像タイプ／様式からパッチ又は画像を比較するひとつの技術は、相互情報量（Mutual Information：ＭI）測定基準を用いることである（論文「Pluim, "Mutual-information-based registration of medical images: a survey", IEEE Trans, Med, Imag., 22(8): 986- 1004, 2003」を参照）。この論文の記載全体はこの引用により本明細書に含まれる。ふたつの画像Ａと画像Ｂのふたつのパッチに対して、ＭＩは次式のように定義される。
図１３にプロセス論理回路１２００に対する典型的な一般的処理フローを示す。ステップ１３００では、プロセッサーは、第１のタイプのアトラス画像のパッチを第２のタイプのアトラス画像のパッチと比較する。ステップ１３０２では、プロセッサーは、第１のタイプのアトラスパッチと第２のタイプのアトラスパッチとの間の類似性指標を計算する。異なる画像タイプ／様式からパッチ又は画像を比較するひとつの技術は、相互情報量（Mutual Information：ＭI）測定基準を用いることである（論文「Pluim, "Mutual-information-based registration of medical images: a survey", IEEE Trans, Med, Imag., 22(8): 986- 1004, 2003」を参照）。この論文の記載全体はこの引用により本明細書に含まれる。ふたつの画像Ａと画像Ｂのふたつのパッチに対して、ＭＩは次式のように定義される。
ＭＩ(Ａ，Ｂ)＝Ｈ(Ｂ)−Ｈ(Ｂ｜Ａ)
ここで、Ｈ(Ｂ)は、その強度値の確率分布に基づき計算されるパッチ／画像Ｂのシャノンエントロピー（Shannon entropy）であり、Ｈ(Ｂ｜Ａ)は、条件付きエントロピーを示す。条件付きエントロピーは、条件付き確率ｐ(b｜a)、すなわち、Ａにおける対応するボクセルが強度値ａを有する条件でのパッチＢにおける強度値ｂの確率に基づいている。そして、ステップ１３０４では、プロセッサーは、ステップ４１６に関連して記載されているように類似性指標から重みファクターを計算する。そして、ステップ１３０６では、プロセッサーは、重みファクターとオリジナルの第２のタイプのアトラス画像データから、派生第２のタイプのアトラス画像を計算する（ステップ４１８参照）。この派生第２のタイプのアトラス画像は、プロセス論理回路１０４により、オリジナルの第２のタイプのアトラス画像の代わりに用いられる（ステップ１３０８）。
ここで、Ｈ(Ｂ)は、その強度値の確率分布に基づき計算されるパッチ／画像Ｂのシャノンエントロピー（Shannon entropy）であり、Ｈ(Ｂ｜Ａ)は、条件付きエントロピーを示す。条件付きエントロピーは、条件付き確率ｐ(b｜a)、すなわち、Ａにおける対応するボクセルが強度値ａを有する条件でのパッチＢにおける強度値ｂの確率に基づいている。そして、ステップ１３０４では、プロセッサーは、ステップ４１６に関連して記載されているように類似性指標から重みファクターを計算する。そして、ステップ１３０６では、プロセッサーは、重みファクターとオリジナルの第２のタイプのアトラス画像データから、派生第２のタイプのアトラス画像を計算する（ステップ４１８参照）。この派生第２のタイプのアトラス画像は、プロセス論理回路１０４により、オリジナルの第２のタイプのアトラス画像の代わりに用いられる（ステップ１３０８）。
［００７４］
図１４は、この処理フローの実施例を示す。ここでは、派生アトラスＣＴ画像がアトラスＭＲ画像−アトラスＣＴ画像のペアから生成される。ステップ１４００では、アトラスＭＲ画像がオリジナルのアトラスＣＴ画像と共に登録される。もう一度繰り返すと、実施者は、所望の態様で速度と正確性が釣り合う登録技術を自由に選択できる。ステップ１４０２では、ステップ４０２に関連して上述したように進行する。ステップ１４０４は、パッチがポイントＸiの周囲のアトラスＭＲ画像に対して選択されることを除いて、ステップ４０４と類似している。この実施形態では、ＸiはアトラスＭＲ画像３００におけるポイントを参照するために用いられる。図１５に、ステップ１４０４で選択された典型的なアトラスＭＲ画像パッチ１５０２を示す。ステップ１４０６は、パッチがポイントＹiの周囲のオリジナルのアトラスＣＴ画像に対して選択されることを除いて、ステップ４０６と類似している。図１６に、ステップ１４０６でオリジナルのアトラスＣＴ画像データポイント１６００から選択された典型的なアトラスＣＴ画像パッチ１６０２を示す。
図１４は、この処理フローの実施例を示す。ここでは、派生アトラスＣＴ画像がアトラスＭＲ画像−アトラスＣＴ画像のペアから生成される。ステップ１４００では、アトラスＭＲ画像がオリジナルのアトラスＣＴ画像と共に登録される。もう一度繰り返すと、実施者は、所望の態様で速度と正確性が釣り合う登録技術を自由に選択できる。ステップ１４０２では、ステップ４０２に関連して上述したように進行する。ステップ１４０４は、パッチがポイントＸiの周囲のアトラスＭＲ画像に対して選択されることを除いて、ステップ４０４と類似している。この実施形態では、ＸiはアトラスＭＲ画像３００におけるポイントを参照するために用いられる。図１５に、ステップ１４０４で選択された典型的なアトラスＭＲ画像パッチ１５０２を示す。ステップ１４０６は、パッチがポイントＹiの周囲のオリジナルのアトラスＣＴ画像に対して選択されることを除いて、ステップ４０６と類似している。図１６に、ステップ１４０６でオリジナルのアトラスＣＴ画像データポイント１６００から選択された典型的なアトラスＣＴ画像パッチ１６０２を示す。
［００７５］
ステップ１４０８ではパッチ比較が実行され、類似スコアが計算される（ステップ１４１０）。これはＭＲデータとＣＴデータとの間の比較であるので、ステップ４０８とステップ４１０で使用されたものとは異なる比較技術が用いられる。上述したように、相互情報量（Mutual Information：ＭI）に基づく比較技術がステップ１４１０で用いられる。使用される付加的なクロスモダリティ比較測定基準（additional cross-modality comparison metric）は相関比（correlation ratio）を含んでいる。相関比については論文「Roche et al, "The correlation ratio as a new similarity measure for multimodal image registration", Proc. Of MICCAI '98, vol. 1496 of LNCS, pp. 1115-1124, 1998」に記載されている。この論文の全体の記載はこの引用により本明細書に含まれる。
ステップ１４０８ではパッチ比較が実行され、類似スコアが計算される（ステップ１４１０）。これはＭＲデータとＣＴデータとの間の比較であるので、ステップ４０８とステップ４１０で使用されたものとは異なる比較技術が用いられる。上述したように、相互情報量（Mutual Information：ＭI）に基づく比較技術がステップ１４１０で用いられる。使用される付加的なクロスモダリティ比較測定基準（additional cross-modality comparison metric）は相関比（correlation ratio）を含んでいる。相関比については論文「Roche et al, "The correlation ratio as a new similarity measure for multimodal image registration", Proc. Of MICCAI '98, vol. 1496 of LNCS, pp. 1115-1124, 1998」に記載されている。この論文の全体の記載はこの引用により本明細書に含まれる。
［００７６］
ステップ１４１２−１４２２は、ステップ４１２−４２２での記載と同様に進行する。図１４の処理フローの最終結果は、派生アトラスＣＴ画像３０２'（Ｙ″）に対する派生アトラスＣＴ画像データポイントのセットである。
ステップ１４１２−１４２２は、ステップ４１２−４２２での記載と同様に進行する。図１４の処理フローの最終結果は、派生アトラスＣＴ画像３０２'（Ｙ″）に対する派生アトラスＣＴ画像データポイントのセットである。
［００７７］
図１７にパッチ比較の技術を示す。このパッチ比較では、パッチが、各パッチから導出された特徴ベクトルを介して間接的に比較される。パッチ１７００と１７０２は、処理論理回路１７０４によって前処理され、パッチ１７００と１７０２に対する特徴ベクトル１７０６と１７０８をそれぞれ生成する。パッチに対して計算される特徴の実施例は、平均（mean）、分散（variance）、モーメント（moments）、ランダムプロジェクション（random projection）を含む。例えば、ランダムプロジェクションを用いたＭディメンジョン（M-dimension）にＮ×Ｎ行列パッチ（N-by-N patch）を投影することである。そして、ステップ１７１０では、類似スコアがこれら特徴ベクトルに基づいて計算される。図１７のパッチ比較実施形態は、パッチに対する特徴ベクトルのディメンジョンがオリジナルのパッチよりも小さくなり演算上及び容量上の改善に寄与するので、有用である。
図１７にパッチ比較の技術を示す。このパッチ比較では、パッチが、各パッチから導出された特徴ベクトルを介して間接的に比較される。パッチ１７００と１７０２は、処理論理回路１７０４によって前処理され、パッチ１７００と１７０２に対する特徴ベクトル１７０６と１７０８をそれぞれ生成する。パッチに対して計算される特徴の実施例は、平均（mean）、分散（variance）、モーメント（moments）、ランダムプロジェクション（random projection）を含む。例えば、ランダムプロジェクションを用いたＭディメンジョン（M-dimension）にＮ×Ｎ行列パッチ（N-by-N patch）を投影することである。そして、ステップ１７１０では、類似スコアがこれら特徴ベクトルに基づいて計算される。図１７のパッチ比較実施形態は、パッチに対する特徴ベクトルのディメンジョンがオリジナルのパッチよりも小さくなり演算上及び容量上の改善に寄与するので、有用である。
［００７８］
図１８に、２５ポイントパッチ１７００又は１７０２が、処理論理回路１７０４によってどのように特徴抽出され、特徴ベクトル１７０６又は１７０８を生成するかを示す。例えば、次の通りである。
図１８に、２５ポイントパッチ１７００又は１７０２が、処理論理回路１７０４によってどのように特徴抽出され、特徴ベクトル１７０６又は１７０８を生成するかを示す。例えば、次の通りである。
［００７９］
平均（mean）の特徴は次式により計算される。
平均（mean）の特徴は次式により計算される。
［００８０］
分散（variance）の特徴は次式により計算される。
分散（variance）の特徴は次式により計算される。
［００８１］
モーメント（moments）の特徴は次式により計算される。
モーメント（moments）の特徴は次式により計算される。
［００８２］
ランダムプロジェクション（random projection）の特徴は次のように計算される。
ランダムプロジェクション（random projection）の特徴は次のように計算される。
［００８３］
ランダムプロジェクション（Random Projection）：Ｙ＝ＰＸ
ＰはランダムＭ×Ｍ行列（M-by-M matrix）であり、ＸはディメンションＮのオリジナルパッチであり、Ｙはより少ないディメンジョンＭ（Ｍ＜＜Ｎ）のベクトルである。Ｍ＜＜Ｎなので、Ｙの比較は直接的な比較Ｘよりも高速である。
ランダムプロジェクション（Random Projection）：Ｙ＝ＰＸ
ＰはランダムＭ×Ｍ行列（M-by-M matrix）であり、ＸはディメンションＮのオリジナルパッチであり、Ｙはより少ないディメンジョンＭ（Ｍ＜＜Ｎ）のベクトルである。Ｍ＜＜Ｎなので、Ｙの比較は直接的な比較Ｘよりも高速である。
特徴ベクトル１７０６又は１７０８は、これら又は他の特徴Ｙiとのいかなる組み合わせを用いることができる。例えば、Ｙ1が平均（mean）であれば、Ｙ2は分散（variance）である。
［００８４］
本願発明は好ましい実施形態に関連して上述されたが、本願発明の範囲内でこれら実施形態に様々な改良を行ってもよい。本願発明へのそのよう改良は、ここに記載した技術を参照することにより認識されるであろう。したがって、本願発明の全範囲は、ここに記載するクレームとその法律的に等価な内容によってのみ画定される。
本願発明は好ましい実施形態に関連して上述されたが、本願発明の範囲内でこれら実施形態に様々な改良を行ってもよい。本願発明へのそのよう改良は、ここに記載した技術を参照することにより認識されるであろう。したがって、本願発明の全範囲は、ここに記載するクレームとその法律的に等価な内容によってのみ画定される。
Claims (32)
- 第１の様式タイプの第１の画像を、前記第１の様式タイプの第１の参照画像と前記第２の様式タイプの第２の参照画像に基づいて第２の様式タイプの第２の画像に変換する、派生画像を生成する方法であって、
前記第１の様式タイプと前記第２の様式タイプは相違しており、
前記派生画像を生成する方法は、
前記第１の画像内の第１の画像データポイントのセットを選択するステップであって、前記第１の画像データポイントのセットは前記第１の画像の第１の画像データポイントと関連しているステップと、
前記第１の参照画像内の画像データポイントの複数のセットを選択するステップであって、前記第１の参照画像内の前記選択された画像データポイントの各セットは前記第１の参照画像のある参照画像ポイントと関連しており、前記第１の参照画像内の前記選択された画像データポイントの各セットは前記第１の参照画像の異なる参照画像ポイントと関連しているステップと、
前記第１の画像内の前記第１の画像データポイントのセットと前記第１の参照画像内の前記選択された画像データポイントの複数のセットのそれぞれとを比較し、前記第１の画像データポイントと対応する参照画像データポイントとの間の類似をそれぞれ示す複数の類似指標を生成するステップと、
前記複数の類似指標に基づいて、前記第２の参照画像内の複数の参照画像ポイントに関連した複数の重みファクターを計算するステップと、
前記計算された複数の重みファクターに関連する前記第２の参照画像内の複数の参照画像データポイントの重み付けされた組み合わせであって、前記計算された複数の重みファクターに従う重み付けされた組み合わせとして、前記第１の画像のデータポイントに対応する第２の画像データポイントを計算するステップと、
前記第１の画像内の複数の異なるデータポイントに基づいて、前記第２の画像の個々の第２の画像データポイントを繰り返し計算することにより、複数の第２の画像データを含む前記第２の画像を生成するステップと
を含むことを特徴とする派生画像を生成する方法。 - 請求項１記載の派生画像を生成する方法において、
前記第１の様式タイプは磁気共鳴（ＭＲ）であり、
前記第２の様式タイプはコンピューター断層撮影（ＣＴ）である
ことを特徴とする派生画像を生成する方法。 - 請求項２記載の派生画像を生成する方法において、
前記第１の参照画像はアトラスＭＲ画像であり、
前記第２の参照画像はアトラスＣＴ画像である
ことを特徴とする派生画像を生成する方法。 - 請求項１記載の派生画像を生成する方法において、
前記複数の重みファクターを関連付けられた前記第２の参照画像内の前記参照画像データポイントは、前記第１の参照画像内の前記参照画像データポイントと共に登録される
ことを特徴とする派生画像を生成する方法。 - 請求項１記載の派生画像を生成する方法において、
前記派生画像を生成する方法は、前記第１の画像を前記第１の参照画像と共に登録するステップを更に有する
ことを特徴とする派生画像を生成する方法。 - 請求項５記載の派生画像を生成する方法において、
前記第１の基準画像内の前記選択された複数の画像データポイントは、前記第１の画像データポイントと共に登録された前記第１の基準画像データポイントに近接して関連付けられている
ことを特徴とする派生画像を生成する方法。 - 請求項６記載の派生画像を生成する方法において、
前記第１の画像内の画像データポイントの前記第１のセットは、前記第１の画像データポイントと、前記第１の画像データポイントの近くにある複数の付加的な画像データポイントとを有する
ことを特徴とする派生画像を生成する方法。 - 請求項７記載の派生画像を生成する方法において、
前記複数の付加的なデータポイントは、前記第１の画像データポイントを中心としてその周囲にある
ことを特徴とする派生画像を生成する方法。 - 請求項１記載の派生画像を生成する方法において、
前記第２の参照画像は派生アトラスＣＴ画像である
ことを特徴とする派生画像を生成する方法。 - 請求項９記載の派生画像を生成する方法において、
前記派生画像を生成する方法は、前記派生アトラスＣＴ画像を生成するステップを更に有し、
前記派生アトラスＣＴ画像を生成するステップは、
前記第１の参照画像の画像データポイントのセットとアトラスＣＴ画像の画像データポイントのセットとを比較し、複数のアトラス画像の類似指標を生成するステップであって、前記第１の参照画像の画像データポイントのセットは前記第１の参照画像の画像データポイントを関連付けられているステップと、
前記複数のアトラス画像類似指標に基づいて複数のアトラス画像重みファクターを計算するステップであって、前記計算されたアトラス画像重みファクターは前記アトラスＣＴ画像内の複数の画像データポイントに関連付けられているステップと、
前記計算されたアトラス画像重みファクターに関連付けられた前記画像データポイントの重み付けされた組合せとして派生アトラスＣＴ画像のデータポイントを計算するステップであって、前記重み付けされた組合せは前記計算されたアトラス画像重みファクターに関連付けられているステップと、
前記第１の参照画像の複数の異なる画像データポイントに基づいて、個々の派生アトラスＣＴ画像データポイントを繰り返し計算することにより、複数の派生アトラスＣＴ画像データポイントを含む前記派生アトラスＣＴ画像を生成するステップと、を有する
ことを特徴とする派生画像を生成する方法。 - 請求項１記載の派生画像を生成する方法において、
前記第１の画像内で選択された第１の画像データポイントの前記第１のセットと前記第１の参照画像内で選択された画像データポイントの前記複数のセットのそれぞれとを比較するステップは、
前記第１の画像内で選択された画像データポイントの前記第１のセットに対する第１の特徴ベクトルを計算するステップと、
前記第１の参照画像内で選択された画像データポイントの前記複数のセットのそれぞれに対する特徴ベクトルを計算するステップと、
前記第１の特徴ファクターを前記第１の参照画像内で選択された画像データポイントの前記複数のセットに対して計算された前記特徴ベクトルとを比較し、前記類似指標を計算するステップとを有する
ことを特徴とする派生画像を生成する方法。 - 請求項１記載の派生画像を生成する方法において、
前記複数の重みファクターを計算するステップは、
生成された前記複数の類似指標のサブセットを選択するステップと、
選択された前記複数の類似指標のサブセットから複数の重みファクターを計算するステップとを有する
ことを特徴とする派生画像を生成する方法。 - 請求項１２記載の派生画像を生成する方法において、
生成された前記類似指標のサブセットを選択するステップは、
高い類似性を示す類似指標が低い類似性を示す類似指標よりも高く順位付けされるように、前記生成された複数の類似指標を順位付けするステップと、
前記類似指標のセブセットを選択して、前記類似指標の残りよりも高く順位付けされる前記類似指標の規定量を含むようにするステップとを有する
ことを特徴とする派生画像を生成する方法。 - 請求項１記載の派生画像を生成する方法において、
前記第１の様式タイプの前記第１の画像から前記第２の様式タイプの前記第２の画像への変換は、前記第１の様式タイプの複数の参照画像と前記第２の様式タイプの複数の参照画像とに基づいており、
前記第１の様式タイプの前記参照画像は複数のアトラスＭＲ画像を有し、前記第２の様式タイプの前記参照画像は複数のアトラスＣＴ画像を有し、各アトラスＭＲ画像は対応するアトラスＣＴ画像に登録し、
画像データポイントの前記第１のセットと画像データポイントの前記複数のセットのそれぞれは比較するステップは、画像データポイントの前記第１のセットと、前記アトラスＭＲ画像のそれぞれに対するアトラスＭＲ画像データポイントの複数のセットとを間を比較する複数の比較処理を実行し、複数の類似指標を生成するステップを有し、前記複数の類似指標は、前記第１の画像データポイントと前記複数のアトラスＭＲ画像の複数の画像データポイントの間の類似性を示し、
計算された複数の前記重みファクターは、複数の前記アトラスＣＴ画像に対する前記アトラスＣＴ画像の複数のデータポイントに関連付けられている
ことを特徴とする派生画像を生成する方法。 - 請求項１記載の派生画像を生成する方法において、
前記第１の画像内で選択された画像データポイントの前記第１のセットと前記第１の参照画像内で選択された画像データポイントの前記複数のセットのそれぞれとを比較するステップは、画像データポイントの前記第１のセットと画像データポイントの前記複数のセットとを局所相関係数（ＬＣＣ）比較技術を用いて比較するステップを有する
ことを特徴とする派生画像を生成する方法。 - 請求項１記載の派生画像を生成する方法において、
前記第１の画像内で選択された画像データポイントの前記第１のセットと前記第１の参照画像内で選択された画像データポイントの前記複数のセットのそれぞれとを比較するステップは、画像データポイントの前記第１のセットと画像データポイントの前記複数のセットとをランダムプロジェクション技術を用いて比較するステップを有する
ことを特徴とする派生画像を生成する方法。 - 請求項１記載の派生画像を生成する方法において、
前記派生画像を生成する方法は、生成された前記第２の画像を表示するステップを更に有する
ことを特徴とする派生画像を生成する方法。 - 第１の様式タイプの第１の画像を、前記第１の様式タイプの第１の参照画像と前記第２の様式タイプの第２の参照画像に基づいて第２の様式タイプの第２の画像に変換する、派生画像を生成する装置であって、
前記第１の様式タイプと前記第２の様式タイプは相違しており、
前記派生画像を生成する装置は、
前記第１の画像内の第１の画像データポイントのセットを選択するステップであって、前記第１の画像データポイントのセットは前記第１の画像の第１の画像データポイントと関連しているステップと、
前記第１の参照画像内の画像データポイントの複数のセットを選択するステップであって、前記第１の参照画像内の前記選択された画像データポイントの各セットは前記第１の参照画像のある参照画像ポイントと関連しており、前記第１の参照画像内の前記選択された画像データポイントの各セットは前記第１の参照画像の異なる参照画像ポイントと関連しているステップと、
前記第１の画像内の前記第１の画像データポイントのセットと前記第１の参照画像内の前記選択された画像データポイントの複数のセットのそれぞれとを比較し、前記第１の画像データポイントと対応する参照画像データポイントとの間の類似をそれぞれ示す複数の類似指標を生成するステップと、
前記複数の類似指標に基づいて、前記第２の参照画像内の複数の参照画像ポイントに関連した複数の重みファクターを計算するステップと、
前記計算された複数の重みファクターに関連する前記第２の参照画像内の複数の参照画像データポイントの重み付けされた組み合わせであって、前記計算された複数の重みファクターに従う重み付けされた組み合わせとして、前記第１の画像のデータポイントに対応する第２の画像データポイントを計算するステップと、
前記第１の画像内の複数の異なるデータポイントに基づいて、前記第２の画像の個々の第２の画像データポイントを繰り返し計算することにより、複数の第２の画像データを含む前記第２の画像を生成するステップと
を実行するように構成されているプロセッサーを有する
ことを特徴とする派生画像を生成する装置。 - 請求項１８記載の派生画像を生成する装置において、
前記第１の様式タイプは磁気共鳴（ＭＲ）であり、
前記第２の様式タイプはコンピューター断層撮影（ＣＴ）である
ことを特徴とする派生画像を生成する装置。 - 請求項１９記載の派生画像を生成する装置において、
前記第１の参照画像はアトラスＭＲ画像であり、
前記第２の参照画像はアトラスＣＴ画像である
ことを特徴とする派生画像を生成する装置。 - 請求項１８記載の派生画像を生成する装置において、
前記複数の重みファクターを関連付けられた前記第２の参照画像内の前記参照画像データポイントは、前記第１の参照画像内の前記参照画像データポイントと共に登録される
ことを特徴とする派生画像を生成する装置。 - 請求項１８記載の派生画像を生成する装置において、
前記プロセッサーは、前記第１の画像を前記第１の参照画像と共に登録するステップを更に実行するように構成されている
ことを特徴とする派生画像を生成する装置。 - 請求項２２記載の派生画像を生成する装置において、
前記第１の基準画像内の前記選択された複数の画像データポイントは、前記第１の画像データポイントと共に登録された前記第１の基準画像データポイントに近接して関連付けられている
ことを特徴とする派生画像を生成する装置。 - 請求項２３記載の派生画像を生成する装置において、
前記第１の画像内の画像データポイントの前記第１のセットは、前記第１の画像データポイントと、前記第１の画像データポイントの近くにある複数の付加的な画像データポイントとを有する
ことを特徴とする派生画像を生成する装置。 - 請求項２４記載の派生画像を生成する装置において、
前記複数の付加的なデータポイントは、前記第１の画像データポイントを中心としてその周囲にある
ことを特徴とする派生画像を生成する装置。 - 請求項１８記載の派生画像を生成する装置において、
前記第２の参照画像は派生アトラスＣＴ画像である
ことを特徴とする派生画像を生成する装置。 - 請求項２６記載の派生画像を生成する装置において、
前記プロセッサーは、前記派生アトラスＣＴ画像を生成するステップを更に実行するように構成されており、
前記派生アトラスＣＴ画像を生成するステップは、
前記第１の参照画像の画像データポイントのセットとアトラスＣＴ画像の画像データポイントのセットとを比較し、複数のアトラス画像の類似指標を生成するステップであって、前記第１の参照画像の画像データポイントのセットは前記第１の参照画像の画像データポイントを関連付けられているステップと、
前記複数のアトラス画像類似指標に基づいて複数のアトラス画像重みファクターを計算するステップであって、前記計算されたアトラス画像重みファクターは前記アトラスＣＴ画像内の複数の画像データポイントに関連付けられているステップと、
前記計算されたアトラス画像重みファクターに関連付けられた前記画像データポイントの重み付けされた組合せとして派生アトラスＣＴ画像のデータポイントを計算するステップであって、前記重み付けされた組合せは前記計算されたアトラス画像重みファクターに関連付けられているステップと、
前記第１の参照画像の複数の異なる画像データポイントに基づいて、個々の派生アトラスＣＴ画像データポイントを繰り返し計算することにより、複数の派生アトラスＣＴ画像データポイントを含む前記派生アトラスＣＴ画像を生成するステップと、を有する
ことを特徴とする派生画像を生成する装置。 - 請求項１８記載の派生画像を生成する装置において、
前記プロセッサーは、前記第１の画像内で選択された第１の画像データポイントの前記第１のセットと前記第１の参照画像内で選択された画像データポイントの前記複数のセットのそれぞれとを比較するステップを実行するように構成されており、
前記第１のセットと前記複数のセットのそれぞれは比較するステップは、
前記第１の画像内で選択された画像データポイントの前記第１のセットに対する第１の特徴ベクトルを計算するステップと、
前記第１の参照画像内で選択された画像データポイントの前記複数のセットのそれぞれに対する特徴ベクトルを計算するステップと、
前記第１の特徴ファクターを前記第１の参照画像内で選択された画像データポイントの前記複数のセットに対して計算された前記特徴ベクトルとを比較し、前記類似指標を計算するステップとを有する
ことを特徴とする派生画像を生成する装置。 - 請求項１８記載の派生画像を生成する装置において、
前記プロセッサーは、前記複数の重みファクターを計算するステップを更に実行するように構成されており、
前記複数の重みファクターを計算するステップは、
生成された前記複数の類似指標のサブセットを選択するステップと、
選択された前記複数の類似指標のサブセットから複数の重みファクターを計算するステップとを有する
ことを特徴とする派生画像を生成する装置。 - 請求項２９記載の派生画像を生成する装置において、
前記プロセッサーは、生成された前記類似指標のサブセットを選択するステップを更に実行するように構成されており、
生成された前記類似指標のサブセットを選択するステップは、
高い類似性を示す類似指標が低い類似性を示す類似指標よりも高く順位付けされるように、前記生成された複数の類似指標を順位付けするステップと、
前記類似指標のセブセットを選択して、前記類似指標の残りよりも高く順位付けされる前記類似指標の規定量を含むようにするステップとを有する
ことを特徴とする派生画像を生成する装置。 - 請求項１８記載の派生画像を生成する装置において、
前記プロセッサーは、前記第１の様式タイプの前記第１の画像から前記第２の様式タイプの前記第２の画像への変換が、前記第１の様式タイプの複数の参照画像と前記第２の様式タイプの複数の参照画像とに基づいて変換するように構成されており、
前記第１の様式タイプの前記参照画像は複数のアトラスＭＲ画像を有し、前記第２の様式タイプの前記参照画像は複数のアトラスＣＴ画像を有し、各アトラスＭＲ画像は対応するアトラスＣＴ画像に登録し、
前記プロセッサーは、画像データポイントの前記第１のセットと画像データポイントの前記複数のセットのそれぞれは比較するステップが、画像データポイントの前記第１のセットと、前記アトラスＭＲ画像のそれぞれに対するアトラスＭＲ画像データポイントの複数のセットとを間を比較する複数の比較処理を実行し、複数の類似指標を生成するステップを有し、前記複数の類似指標は、前記第１の画像データポイントと前記複数のアトラスＭＲ画像の複数の画像データポイントの間の類似性を示すように構成されており、
計算された複数の前記重みファクターは、複数の前記アトラスＣＴ画像に対する前記アトラスＣＴ画像の複数のデータポイントに関連付けられている
ことを特徴とする派生画像を生成する装置。 - コンピューターに、第１の様式タイプの第１の画像を、前記第１の様式タイプの第１の参照画像と、前記第１の様式タイプと相違する第２の様式タイプの第２の参照画像とに基づいて、前記第２の様式タイプの第２の画像に変換するオペレーションを実行させるためのプログラムを記録したコンピューター読み取り可能な記録媒体であって、
前記オペレーションは、
前記第１の画像内の第１の画像データポイントのセットを選択するステップであって、前記第１の画像データポイントのセットは前記第１の画像の第１の画像データポイントと関連しているステップと、
前記第１の参照画像内の画像データポイントの複数のセットを選択するステップであって、前記第１の参照画像内の前記選択された画像データポイントの各セットは前記第１の参照画像のある参照画像ポイントと関連しており、前記第１の参照画像内の前記選択された画像データポイントの各セットは前記第１の参照画像の異なる参照画像ポイントと関連しているステップと、
前記第１の画像内の前記第１の画像データポイントのセットと前記第１の参照画像内の前記選択された画像データポイントの複数のセットのそれぞれとを比較し、前記第１の画像データポイントと対応する参照画像データポイントとの間の類似をそれぞれ示す複数の類似指標を生成するステップと、
前記複数の類似指標に基づいて、前記第２の参照画像内の複数の参照画像ポイントに関連した複数の重みファクターを計算するステップと、
前記計算された複数の重みファクターに関連する前記第２の参照画像内の複数の参照画像データポイントの重み付けされた組み合わせであって、前記計算された複数の重みファクターに従う重み付けされた組み合わせとして、前記第１の画像のデータポイントに対応する第２の画像データポイントを計算するステップと、
前記第１の画像内の複数の異なるデータポイントに基づいて、前記第２の画像の個々の第２の画像データポイントを繰り返し計算することにより、複数の第２の画像データを含む前記第２の画像を生成するステップとを含む
ことを特徴とするコンピューター読み取り可能な記録媒体。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US13/753,719 | 2013-01-30 | ||
| US13/753,719 US9256965B2 (en) | 2013-01-30 | 2013-01-30 | Method and apparatus for generating a derived image using images of different types |
| PCT/US2014/013535 WO2014120727A2 (en) | 2013-01-30 | 2014-01-29 | Method and apparatus for generating a derived image using images of different types |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2016504167A JP2016504167A (ja) | 2016-02-12 |
| JP6144781B2 true JP6144781B2 (ja) | 2017-06-07 |
Family
ID=50102250
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015555425A Expired - Fee Related JP6144781B2 (ja) | 2013-01-30 | 2014-01-29 | 異なるタイプの画像を用いて派生画像を生成する方法及び装置 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US9256965B2 (ja) |
| JP (1) | JP6144781B2 (ja) |
| CN (1) | CN104956398B (ja) |
| AU (1) | AU2014212517B2 (ja) |
| DE (1) | DE112014000611T5 (ja) |
| GB (2) | GB2577656B (ja) |
| WO (1) | WO2014120727A2 (ja) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9275432B2 (en) * | 2013-11-11 | 2016-03-01 | Toshiba Medical Systems Corporation | Method of, and apparatus for, registration of medical images |
| KR102328266B1 (ko) * | 2014-10-29 | 2021-11-19 | 삼성전자주식회사 | 영상 처리 장치, 영상 처리 방법 및 영상 처리부가 마련된 초음파 영상 장치 |
| US10127655B2 (en) * | 2015-07-09 | 2018-11-13 | Samsung Medison Co., Ltd. | Medical imaging apparatus and method of operating same |
| KR101659578B1 (ko) * | 2015-09-01 | 2016-09-23 | 삼성전자주식회사 | 자기 공명 영상 처리 방법 및 장치 |
| US11020077B2 (en) * | 2015-09-14 | 2021-06-01 | Rensselaer Polytechnic Institute | Simultaneous CT-MRI image reconstruction |
| US9934570B2 (en) | 2015-10-09 | 2018-04-03 | Insightec, Ltd. | Systems and methods for registering images obtained using various imaging modalities and verifying image registration |
| US10307108B2 (en) * | 2015-10-13 | 2019-06-04 | Elekta, Inc. | Pseudo-CT generation from MR data using a feature regression model |
| US10102451B2 (en) | 2015-10-13 | 2018-10-16 | Elekta, Inc. | Pseudo-CT generation from MR data using tissue parameter estimation |
| US10043239B2 (en) * | 2016-05-05 | 2018-08-07 | The Climate Corporation | Using digital images of a first type and a feature set dictionary to generate digital images of a second type |
| AU2017324069B2 (en) | 2016-09-06 | 2019-12-19 | Elekta, Inc. | Neural network for generating synthetic medical images |
| EP3375399B1 (en) | 2016-10-05 | 2022-05-25 | NuVasive, Inc. | Surgical navigation system |
| WO2018180631A1 (ja) | 2017-03-30 | 2018-10-04 | 富士フイルム株式会社 | 医療用画像処理装置及び内視鏡システム並びに医療用画像処理装置の作動方法 |
| US10728420B2 (en) * | 2018-04-11 | 2020-07-28 | Wind River Systems, Inc. | Lossy compression for images and signals by identifying regions with low density of features |
| CN109215014B (zh) * | 2018-07-02 | 2022-03-04 | 中国科学院深圳先进技术研究院 | Ct图像预测模型的训练方法、装置、设备及存储介质 |
| EP3633622A1 (en) * | 2018-10-02 | 2020-04-08 | Koninklijke Philips N.V. | Generation of pseudo radiographic images from optical images |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5351006A (en) * | 1992-02-07 | 1994-09-27 | Board Of Trustees Of The Leland Stanford Junior University | Method and apparatus for correcting spatial distortion in magnetic resonance images due to magnetic field inhomogeneity including inhomogeneity due to susceptibility variations |
| DE102004043889B4 (de) * | 2004-09-10 | 2007-06-06 | Siemens Ag | Verfahren zum Erzeugen eines nuklearmedizinischen Bildes |
| US8406851B2 (en) * | 2005-08-11 | 2013-03-26 | Accuray Inc. | Patient tracking using a virtual image |
| US7957808B2 (en) * | 2006-01-13 | 2011-06-07 | Vanderbilt University | System and methods of deep brain stimulation for post-operation patients |
| EP2186058B1 (en) * | 2007-08-03 | 2017-04-26 | Koninklijke Philips N.V. | Anatomically constrained image registration |
| WO2009109874A1 (en) * | 2008-03-07 | 2009-09-11 | Koninklijke Philips Electronics N.V. | Ct surrogate by auto-segmentation of magnetic resonance images |
| DE102008058488B4 (de) * | 2008-11-21 | 2018-09-20 | Siemens Healthcare Gmbh | Verfahren und Vorrichtung zur Aufbereitung von kombinierten MR-Emissionstomographieaufnahmen |
| EP2221627A1 (en) * | 2009-02-20 | 2010-08-25 | IBBT vzw | Method and assembly for correcting a relaxation map for medical imaging applications |
| GB0912845D0 (en) * | 2009-07-24 | 2009-08-26 | Siemens Medical Solutions | Initialisation of registration using an anatomical atlas |
| US8774481B2 (en) * | 2010-03-25 | 2014-07-08 | Emory University | Atlas-assisted synthetic computed tomography using deformable image registration |
| US8774482B2 (en) * | 2010-05-20 | 2014-07-08 | Siemens Aktiengesellschaft | Generating pseudo-CT image volumes from ultra-short echo time MR |
| WO2012001648A2 (en) * | 2010-06-30 | 2012-01-05 | Medic Vision - Imaging Solutions Ltd. | Non-linear resolution reduction for medical imagery |
| WO2012069833A1 (en) * | 2010-11-24 | 2012-05-31 | Blackford Analysis Limited | Process and apparatus for data registration |
| US8811701B2 (en) * | 2011-02-23 | 2014-08-19 | Siemens Aktiengesellschaft | Systems and method for automatic prostate localization in MR images using random walker segmentation initialized via boosted classifiers |
| US10105115B2 (en) * | 2011-11-25 | 2018-10-23 | Mirada Medical Limited | Method and system for processing medical image datasets |
| US9058660B2 (en) * | 2012-11-21 | 2015-06-16 | Gravity Jack, Inc. | Feature searching based on feature quality information |
-
2013
- 2013-01-30 US US13/753,719 patent/US9256965B2/en active Active - Reinstated
-
2014
- 2014-01-29 GB GB1919218.6A patent/GB2577656B/en active Active
- 2014-01-29 CN CN201480006111.1A patent/CN104956398B/zh active Active
- 2014-01-29 AU AU2014212517A patent/AU2014212517B2/en not_active Ceased
- 2014-01-29 GB GB1511617.1A patent/GB2523525B/en not_active Expired - Fee Related
- 2014-01-29 JP JP2015555425A patent/JP6144781B2/ja not_active Expired - Fee Related
- 2014-01-29 DE DE112014000611.4T patent/DE112014000611T5/de active Pending
- 2014-01-29 WO PCT/US2014/013535 patent/WO2014120727A2/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| CN104956398B (zh) | 2018-02-16 |
| GB2577656A (en) | 2020-04-01 |
| US9256965B2 (en) | 2016-02-09 |
| CN104956398A (zh) | 2015-09-30 |
| JP2016504167A (ja) | 2016-02-12 |
| US20140212013A1 (en) | 2014-07-31 |
| AU2014212517A1 (en) | 2015-07-09 |
| GB2577656B (en) | 2020-05-27 |
| WO2014120727A2 (en) | 2014-08-07 |
| GB201919218D0 (en) | 2020-02-05 |
| WO2014120727A3 (en) | 2015-01-22 |
| GB201511617D0 (en) | 2015-08-19 |
| GB2523525A (en) | 2015-08-26 |
| DE112014000611T5 (de) | 2015-11-12 |
| GB2523525B (en) | 2020-02-05 |
| AU2014212517B2 (en) | 2017-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6144781B2 (ja) | 異なるタイプの画像を用いて派生画像を生成する方法及び装置 | |
| Lei et al. | CT prostate segmentation based on synthetic MRI‐aided deep attention fully convolution network | |
| US20240070863A1 (en) | Systems and methods for medical acquisition processing and machine learning for anatomical assessment | |
| CN109074639B (zh) | 医学成像系统中的图像配准系统和方法 | |
| JP2022025095A (ja) | 機械学習を用いた医用イメージングの変換のためのシステムおよび方法 | |
| US10702233B2 (en) | Determining a two-dimensional mammography dataset | |
| JP5706389B2 (ja) | 画像処理装置および画像処理方法、並びに、画像処理プログラム | |
| Stanley et al. | Using patient‐specific phantoms to evaluate deformable image registration algorithms for adaptive radiation therapy | |
| CN110546685B (zh) | 图像分割和分割预测 | |
| JP5955199B2 (ja) | 画像処理装置および画像処理方法、並びに、画像処理プログラム | |
| WO2022206025A1 (zh) | 生物力学建模方法、装置、电子设备及存储介质 | |
| Qin et al. | The evaluation of a hybrid biomechanical deformable registration method on a multistage physical phantom with reproducible deformation | |
| TW202027090A (zh) | 醫療矢面影像的取得方法、神經網路的訓練方法及計算機裝置 | |
| KR102036834B1 (ko) | 이미지 처리 방법 | |
| US20240078669A1 (en) | System and methods for inferring thickness of object classes of interest in two-dimensional medical images using deep neural networks | |
| Kim et al. | Quantitative analysis tools and digital phantoms for deformable image registration quality assurance | |
| Zhang et al. | Temporally diffeomorphic cardiac motion estimation from three‐dimensional echocardiography by minimization of intensity consistency error | |
| US11138736B2 (en) | Information processing apparatus and information processing method | |
| EP3794550B1 (en) | Comparison of a region of interest along a time series of images | |
| JP2019500114A (ja) | 位置合わせ精度の決定 | |
| WO2021052552A1 (en) | Training a machine learning algorithm using digitally reconstructed radiographs | |
| Fu et al. | Deformable MRI-US image registration using biomechanically constrained shape matching network for image-guided prostate intervention | |
| US12080021B2 (en) | Training a machine learning algorithm using digitally reconstructed radiographs | |
| Nasser et al. | Leveraging Segmentation to Improve Medical Image Registration | |
| Cabrera Gil | Deep Learning Based Deformable Image Registration of Pelvic Images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160122 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20161124 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170110 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170410 |
|
| 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: 20170425 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170511 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6144781 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |