JP6232054B2 - 品質メトリックを決定するための方法、システム、コンピュータプログラム及び記憶媒体 - Google Patents
品質メトリックを決定するための方法、システム、コンピュータプログラム及び記憶媒体 Download PDFInfo
- Publication number
- JP6232054B2 JP6232054B2 JP2015514640A JP2015514640A JP6232054B2 JP 6232054 B2 JP6232054 B2 JP 6232054B2 JP 2015514640 A JP2015514640 A JP 2015514640A JP 2015514640 A JP2015514640 A JP 2015514640A JP 6232054 B2 JP6232054 B2 JP 6232054B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- medical image
- quality metric
- mesh model
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims description 33
- 238000013442 quality metrics Methods 0.000 title claims description 14
- 238000004590 computer program Methods 0.000 title claims 3
- 210000004556 brain Anatomy 0.000 claims description 52
- 230000006978 adaptation Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 6
- 238000002604 ultrasonography Methods 0.000 claims description 2
- 210000003484 anatomy Anatomy 0.000 claims 1
- 230000010354 integration Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 208000030886 Traumatic Brain injury Diseases 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 208000028173 post-traumatic stress disease Diseases 0.000 description 3
- 230000009529 traumatic brain injury Effects 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000926 neurological effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000002739 subcortical effect Effects 0.000 description 2
- 208000012981 Traumatic Stress disease Diseases 0.000 description 1
- 208000026345 acute stress disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20128—Atlas-based segmentation
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- High Energy & Nuclear Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
Description
開示される実施形態は、画像セグメント化の定量的評価のための方法及びシステム等に関する。
アルツハイマー病(Alzheimer’s Disease)、外傷性脳損傷(Traumatic Brain Injury)及び心的外傷性ストレス障害(Post-Traumatic Stress Disorder：PTSD)等のような神経障害及び精神疾患を患う患者に関わる研究プログラムや、そのような障害の危険がある人を発見すること等において、脳の特定の領域の容積及び形状の異常を速やかに特定できる能力は重要である。そのような異常は、形状が拘束された変形可能な脳モデル(shape-constrained deformable brain model)を用いて特定することが可能であり、これは、判明している脆弱性を有する頭脳領域の構造における僅かな変化を、健常者から得られる同様なデータと比較することにより、明らかにすることができる。可変頭脳モデルは、患者の磁気共鳴画像(MRI)イメージに当てはめられ、その画像は多数の皮質下構造(subcortical structure)にセグメント化される。これは研究及び/又は治療に対する実現可能な技術であるが、更に時間的に効率よく実行可能である必要がある。
一つの側面における実施の形態の課題は、画像セグメント化の定量的評価等を時間効率よく実行できるようにすることである。
一実施形態による方法は、
医療画像を受信するステップと、
身体構造(肉体構造、物理構造)のモデルの適合性であって前記医療画像に関連する適合性を受信するステップと、
前記適合性の複数の頂点の各々において、前記医療画像の画像特徴量を決定するステップと、
評価メトリックを決定するために複数の画像特徴量を統合するステップと
を有する方法である。
医療画像を受信するステップと、
身体構造(肉体構造、物理構造)のモデルの適合性であって前記医療画像に関連する適合性を受信するステップと、
前記適合性の複数の頂点の各々において、前記医療画像の画像特徴量を決定するステップと、
評価メトリックを決定するために複数の画像特徴量を統合するステップと
を有する方法である。
＜実施の形態の概要＞
一実施形態による方法は、
医療画像を受信するステップと、
身体構造のモデルの適合性であって前記医療画像に関連する適合性を受信するステップと、
前記適合性の複数の頂点の各々において、前記医療画像の画像特徴量を決定するステップと、
評価メトリックを決定するために複数の画像特徴量を統合するステップと
を有する方法である。
一実施形態による方法は、
医療画像を受信するステップと、
身体構造のモデルの適合性であって前記医療画像に関連する適合性を受信するステップと、
前記適合性の複数の頂点の各々において、前記医療画像の画像特徴量を決定するステップと、
評価メトリックを決定するために複数の画像特徴量を統合するステップと
を有する方法である。
別の実施形態によるシステムは、
医療画像と、身体構造のモデルの適合性であって前記医療画像に関連する適合性とを保存するメモリと、
前記適合性の複数の頂点の各々において、前記医療画像の画像特徴量を決定し、評価メトリックを決定するために複数の画像特徴量を統合するプロセッサと
を有するシステムである。
医療画像と、身体構造のモデルの適合性であって前記医療画像に関連する適合性とを保存するメモリと、
前記適合性の複数の頂点の各々において、前記医療画像の画像特徴量を決定し、評価メトリックを決定するために複数の画像特徴量を統合するプロセッサと
を有するシステムである。
別の実施形態による記憶媒体は、
コンピュータにより読み取ることが可能な一時的でない記憶媒体であって、プロセッサに方法を実行させる命令群を記憶し、前記方法は、
医療画像を受信するステップと、
身体構造のモデルの適合性であって前記医療画像に関連する適合性を受信するステップと、
前記適合性の複数の頂点の各々において、前記医療画像の画像特徴量を決定するステップと、
評価メトリックを決定するために複数の画像特徴量を統合するステップと
を有する、記憶媒体である。
コンピュータにより読み取ることが可能な一時的でない記憶媒体であって、プロセッサに方法を実行させる命令群を記憶し、前記方法は、
医療画像を受信するステップと、
身体構造のモデルの適合性であって前記医療画像に関連する適合性を受信するステップと、
前記適合性の複数の頂点の各々において、前記医療画像の画像特徴量を決定するステップと、
評価メトリックを決定するために複数の画像特徴量を統合するステップと
を有する、記憶媒体である。
＜図面＞
図1Aは、変形可能な脳モデルの一例を示す。
図1Aは、変形可能な脳モデルの一例を示す。
図1Bは、患者の頭脳のMRI画像に適用された場合の図1Aの可変頭脳モデルの一例を示す。患者の頭脳は、患者の頭脳の領域、患者の頭脳の体積、患者の頭脳が占める空間等と言及されてもよい。
図2Aは、患者の頭脳のMRI画像に可変頭脳モデルを適切に適合できた例を示す。
図2Bは、患者の頭脳のMRI画像に可変頭脳モデルを適切に適合できていない例を示す。
図3は、頭脳画像に対する可変頭脳モデルの当てはめの当否を評価するためのメトリックを生成する方法例を示す。
図4は、頭脳画像に対する可変頭脳モデルの当てはめの当否を評価する図3に示す方法のような実施形態による方法を実現するためのシステム例を示す。
＜実施の形態の詳細な説明＞
実施形態に関する以下の説明及び関連する添付図面を参照することにより、実施形態は更に理解されるであろう。図中、同様な要素には同様な参照番号が付されている。具体的には、実施形態は、患者に対する可変頭脳モデルの当てはめ方を確認するための方法及びシステム等に関連する。
実施形態に関する以下の説明及び関連する添付図面を参照することにより、実施形態は更に理解されるであろう。図中、同様な要素には同様な参照番号が付されている。具体的には、実施形態は、患者に対する可変頭脳モデルの当てはめ方を確認するための方法及びシステム等に関連する。
上述したように、アルツハイマー病、外傷性脳損傷及び心的外傷性ストレス障害(PTSD)等のような神経障害及び精神疾患を患う患者に関わる研究プログラムや、そのような障害の危険がある人を発見すること等において、脳の特定の領域の容積及び形状の異常を速やかに特定できる能力は重要である。そのような異常は、形状が拘束された変形可能な脳モデルを用いて特定することが可能であり、これは、判明している脆弱性を有する頭脳領域の構造における僅かな変化を、健常者から得られる同様なデータと比較することにより、明らかにすることができる。可変頭脳モデルは、患者の磁気共鳴画像(MRI)イメージに当てはめられ、その画像は多数の皮質下構造にセグメント化される。これは研究及び/又は治療に対する実現可能な技術であるが、更に時間的に効率よく実行可能である必要がある。実施形態がMRI画像に対する具体的な例と共に説明されているが、本願で説明されるのと同じ技術が、CT画像、超音波画像等のような他のタイプの医療画像にも等しく適用可能であることを、当業者は認めるであろう。
図1Aは例示的な変形可能な脳モデル110を示し、脳の様々な部分がそれぞれモデル化されている。変形可能な脳モデルについては、例えば、次の文献に示されている：
“Evaluation of traumatic brain injury patients using a shape-constrained deformable model,”by L. Zagorchev, C. Meyer, T. Stehle, R. Kneser, S. Young and J. Weese, 2011, in Proceedings of the First international conference on Multimodal brain image analysis (MBA’11), Tianming Liu, Dinggang Shen, Luis Ibanez, and Xiaodong Tao (Eds.), Springer-Verlag, Berlin, Heidelberg, 118-125
図1Bは、患者のMRI画像に対する図1Aのモデル110のアダプテーション120を示す。アダプテーション(adaptation)は、適合させた例又は結果、当てはめた例又は結果等と言及されてもよい。アダプテーション120において、モデル110のうちの幾つかの要素121、122、123、124、125はアダプテーション120に対応付けられ、MRIによる断面図の中での要素121、122、123、124、125の位置及び大きさ(サイズ)を示す。図示されるモデルは、手作業又はマニュアルで区分けされる脳構造を表現する基準データ又はグランドトゥルースデータ(ground truth data)を示す。「区分け」は「セグメント化」、「セグメンテーション」、「区分」又は「分割」等と言及されてもよい。グランドトゥルースデータは、各々の構造の境界における強度(intensity)に関する情報を含み、この情報はセグメント化の品質を示す画像メトリックを導出するために使用され、この点については後述される。
“Evaluation of traumatic brain injury patients using a shape-constrained deformable model,”by L. Zagorchev, C. Meyer, T. Stehle, R. Kneser, S. Young and J. Weese, 2011, in Proceedings of the First international conference on Multimodal brain image analysis (MBA’11), Tianming Liu, Dinggang Shen, Luis Ibanez, and Xiaodong Tao (Eds.), Springer-Verlag, Berlin, Heidelberg, 118-125
図1Bは、患者のMRI画像に対する図1Aのモデル110のアダプテーション120を示す。アダプテーション(adaptation)は、適合させた例又は結果、当てはめた例又は結果等と言及されてもよい。アダプテーション120において、モデル110のうちの幾つかの要素121、122、123、124、125はアダプテーション120に対応付けられ、MRIによる断面図の中での要素121、122、123、124、125の位置及び大きさ(サイズ)を示す。図示されるモデルは、手作業又はマニュアルで区分けされる脳構造を表現する基準データ又はグランドトゥルースデータ(ground truth data)を示す。「区分け」は「セグメント化」、「セグメンテーション」、「区分」又は「分割」等と言及されてもよい。グランドトゥルースデータは、各々の構造の境界における強度(intensity)に関する情報を含み、この情報はセグメント化の品質を示す画像メトリックを導出するために使用され、この点については後述される。
患者の頭脳に対する可変頭脳モデルの当てはめ(又はアダプテーション)は、患者のMRI画像から導出される要素の影響を受ける。そのようなモデルを適合させる従来の技術(発明者等にとって従来の技術)を利用する場合、医療専門家又は医療従事者は、患者のMRI画像を観察者(viewer)にロード又は取得し、最終的に適合させたモデルを取得し、モデルが正しく適合しているか否かを目視で確認する必要があった。図2Aは、当てはめが成功している例210を示し、図2Bは当てはめが成功していない例220を示す。適切に適合するモデル210の要素は、前提のMRI画像に示される要素に対応しているが、適切に適合していないモデル220の要素はそのように対応していないことが、当業者にとって明らかであろう。更に、モデルが適切に適合していない場合のメッシュ頂点における強度値(すなわち、画像の図形明暗度(graphical intensity))は、モデルが適切に適合している場合のメッシュ頂点における強度値とかなり異なっていることに、留意すべきである。「強度」は、「明暗度」、「鮮明度」、「明度」等と言及されてもよい。
適合(アダプテーション)の成否の確認は、面倒な時間のかかる仕事となるおそれがあり、特に、多数の患者に関わる臨床試験(又は治療実験)ではそうであり、この種のプロセスは業務を増やしてしまうことが懸念される。例示的な実施形態は、アダプテーションの品質メトリックを提供し、この種の問題を克服する。「メトリック」は、「判断基準」等と言及されてもよい。メトリックは、アダプテーションの処理の最後に自動的に決定されてもよく、患者内のセグメンテーション又は患者間のセグメンテーションによるセグメンテーションの直接的な定量比較(quantitative comparison)のための基礎を追加的に提供してもよい。
図3は上記で言及した定量的メトリックを決定する方法例300を示す。ステップ310において、患者データ(例えば、MRI画像)と当てはめられる頭脳モデルに関するデータとが受信される。このステップが実行される前に、患者画像にモデルが当てはめられるが、そのような適合プロセス自体は例示の実施形態の対象外であることを、当業者は理解するであろう。
ステップ320において、当てはめられる頭脳モデルにおいて脳の構造を象るメッシュの頂点各々における画像特徴量(image quantity)が決定される。画像特徴量は、画像の特徴を定量化するために使用されてよい任意の個数の様々な値のうちの1つ以上であってよいことを、当業者は理解するであろう。それらの値は、例えば、画像強度、画像勾配(image gradient)、勾配の大きさ等を含んでよい。更に、メッシュの頂点は、メッシュ三角形に属する点であるように理解されてよいことを、当業者は理解するであろう。ただし、四角形、長方形、正方形、八角形等のような複数の頂点を有する他のメッシュ形状が使用されてもよい。更に、画像特徴量は、適切な任意の画像処理関数又は画像処理機能を利用して決定されてもよいことを、当業者は理解するであろう。
ステップ330において、各々の頂点で決定された画像特徴量は平均化され、モデルの適合性(又はアダプテーション)を評価するために使用される定量的メトリックが生成される。以下においても説明されるように、本方法は各々の頂点の画像特徴量を平均化することに限定されず、平均化は、定量的メトリックを取得するための単なる一つの方法に過ぎない。一実施形態では、完全に合致するモデルが或る簡易な数値(例えば、1又は100)をもたらし、全く合致してないモデルがゼロの値をもたらすように、メトリックが正規化又は規格化されていてもよい。
次に、ステップ340において、ステップ330で決定された定量的メトリックに基づいて、モデルの適合性が確認される。これは、例えばメトリックを閾値と比較することにより実行されてもよいし、或いは当該技術分野で既知の他の方法で実行されてもよい。例えば、定量的メトリックが1-100の値に正規化されている場合、閾値は先ず75に設定されてもよく、これは、75以上のスコアを示すアダプテーションは成功であると判断されるが、75未満は不成功であると判断されることを意味する。この閾値はその後にユーザによりリセットされてもよく、例えば、アダプテーションの成功は初期閾値より上又は下であることをユーザが決定した場合に、ユーザにより再設定されてもよい。別の例において、システムは、様々な入力に基づいて閾値レベルを決定する機械学習アルゴリズムを含んでいてもよい。
モデルが適切に適合していると判断された場合、ステップ350において、そのアダプテーションが以後の使用のために受け入れられる(承認される)。逆に、モデルが適切に適合していないと判断された場合、ステップ360において、そのアダプテーションは拒否又は否認され、別の当てはめられるべきモデルの必要性が通知される。ステップ350又は360の後、本方法は終了する。
頭脳モデルの正しいアダプテーションの確認に加えて、上記のメトリックは、分散、バイアス又は他の統計量と評価される対象に応じた信頼限界(confidence limit)との比較を可能にする。グループ間の有意性(significance)又は取得される結果同士の有意性が設定されてもよい。品質メトリックは信頼性又は確実性のインジケータとなっても良い；例えば、高い値をとるほど正確なセグメンテーションであることを意味してもよいし、その逆でもよい。品質メトリックは取得される統計量に関連付けられてもよい；例えば、統計的有意性(statistical significance)を取得するために必要な最小セグメンテーション品質を設定するために使用されてもよい。
別の実施形態において、モデルは、アダプテーションの最中に、メッシュ頂点の対応関係を維持してもよい。そのような実施形態では、平均値を比較するのではなく、関連するメッシュ頂点において、画像特徴量の値が比較される。そのような実施形態は、上記の方法例300により与えられる一般的な精度の情報とは異なり、モデルの様々な要素に関する更に詳細な局所的な情報を提供する(例えば、モデルの或る部分的な領域が正しく適合していないかどうかが判断されてもよい。)。
方法例300は様々な手段で実現されてもよい。一例として、方法例300はシステム例400によるコンピュータにより実現されてもよい。システム400は図4に概略的に示されている。ユーザインタフェース410は、医療画像や適合モデルの選択等のような様々な種類のユーザ入力を受信するように機能することが可能である。システム例400は1つのユーザインタフェース410を含んでいるように図示されているが、他のシステムは複数のインタフェースを利用してもよく、例えば、施設内の他のシステムから医療画像を受信するためのインタフェースが備わっていてもよいことを、当業者は理解するであろう。ユーザインタフェース410は出力装置として使用されてもよく、例えば、成功したアダプテーションを、更なる用途に供するために医療専門家に見えるように出力してもよいし、或いは、アダプテーションが成功しなかったことを医療専門家に通知してもよい。
ユーザインタフェース410は、方法例300を実施するためのプログラムを実行するプロセッサ420にデータを提供する。このタスクに関連するデータはメモリ430に保存されていてもよい。メモリ430は、ハードドライブ、ソリッドステートドライブ、半導体ドライブ、分散型ストレージ等であってもよく、上記のように使用するのに適した如何なるフォーマットでデータを保存してもよい。方法例300を実行するのに必要な命令に加えて、メモリ430は、患者に関する医療記録を、システム400を提供する病院に保存してもよい。また、患者の記録は、例えばそのような記録を保存するセントラルシステムに遠隔的に保存されてもよい。
上記の実施形態は、臨床研究用の大規模な頭脳モデル群の自動的な処理及び確認を可能にし、結果の定量的な比較の基礎を提供する。そのような処理は、頭脳構造の長期にわたる監視を促進し、鑑別診断(differential diagnosis)を改善し、処置や回復の成果の監視を促進する。更に、上記のアダプテーションメトリックは、変形可能な脳モデルから導出される情報を分析、理解及び解釈する際に重要な役割を演じる。
上記の実施形態は、脳のMRI画像及び変形可能な脳モデルを具体例としているが、本願により説明される原理は、他の種類の変形可能なモデルにも等しく適用可能であり、そのようなモデルに合わせる他の種類の画像のアダプテーションに適用することも可能であることを、当業者は理解するであろう。更に、上記の実施形態は、如何なる個数の手段により実現されてもよく、ソフトウェアモジュール、ハードウェアモジュール及びソフトウェアモジュールの組み合わせ等を含むことが、当業者に理解されるであろう。例えば、方法例300は、一時的でない記憶媒体に保存されかつ複数行のコードを含むプログラムにより実現されてもよく、それらのコードはコンパイルされるとプロセッサにより実行される。
特許請求の範囲はPCT規則6.2(b)に従って引用符号/数字を含んでもよいことに留意を要する。ただし、本願の特許請求の範囲は、引用符号/数字に関連する実施形態に限定して解釈されるべきではない。
本発明の精神又は範囲から逸脱することなく、実施形態に対して様々な変形が施されてよいことが、当業者にとって明らかであろう。本発明は、本発明に関する修正例及び変形例を包含し、それらは添付の特許請求の範囲及び均等物に包含されるように意図されている。
Claims (13)
- 患者の身体構造の医療画像を受信するステップと、
前記医療画像に対して前記身体構造のメッシュモデルを当てはめ、当てはめられた前記メッシュモデルの複数の頂点の各々において、前記医療画像の画像強度に基づいて画像特徴量を決定するステップと、
前記複数の頂点の各々における画像特徴量を統合することにより、前記医療画像に対する前記メッシュモデルの適合性を示す品質メトリックを決定するステップと
を有する方法。 - 前記統合することが、平均値を決定することを含む、請求項１に記載の方法。
- 前記医療画像が、ＭＲＩ、ＣＴ及び超音波のうちの何れかによるものである、請求項１に記載の方法。
- 前記メッシュモデルが、変形可能な脳モデルである、請求項１に記載の方法。
- 前記適合性の品質メトリックを閾値と比較するステップと、
前記適合性の品質メトリックが前記閾値以上であった場合、前記適合性を承認するステップと、
前記適合性の品質メトリックが前記閾値未満であった場合、前記適合性を否認するステップと
を有する請求項１に記載の方法。 - 前記統合することが、前記頂点の各々を別々に考慮して、前記医療画像の複数の部分の各々について、個別的な適合性の品質メトリックを決定することを含む、請求項１に記載の方法。
- 患者の身体構造の医療画像と、前記医療画像に対する前記身体構造のメッシュモデルとを保存するメモリと、
前記医療画像に対して前記身体構造のメッシュモデルを当てはめ、当てはめられた前記メッシュモデルの複数の頂点の各々において、前記医療画像の画像強度に基づいて画像特徴量を決定し、前記複数の頂点の各々における画像特徴量を統合することにより、前記医療画像に対する前記メッシュモデルの適合性を示す品質メトリックを決定するプロセッサと
を有するシステム。 - 前記医療画像を生成する画像処理装置を有する請求項７に記載のシステム。
- 前記画像処理装置が前記医療画像を生成した後に、前記プロセッサが、前記メッシュモデルを前記医療画像に当てはめる、請求項８に記載のシステム。
- 前記プロセッサが、
前記適合性の品質メトリックを閾値と比較し、
前記適合性の品質メトリックが前記閾値以上であった場合、前記適合性を承認し、
前記適合性の品質メトリックが前記閾値未満であった場合、前記適合性を否認する、請求項７に記載のシステム。 - 前記プロセッサが、前記頂点の各々を別々に考慮して、前記医療画像の複数の部分の各々について、個別的な適合性の品質メトリックを決定する、請求項７に記載のシステム。
- 請求項１ないし５のうち何れか一項に記載の方法をプロセッサに実行させる命令を有するコンピュータプログラム。
- 請求項１２に記載のコンピュータプログラムを記憶する記憶媒体。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201261653761P | 2012-05-31 | 2012-05-31 | |
| US61/653,761 | 2012-05-31 | ||
| PCT/IB2013/054258 WO2013179188A1 (en) | 2012-05-31 | 2013-05-23 | Method and system for quantitative evaluation of image segmentation |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2015523874A JP2015523874A (ja) | 2015-08-20 |
| JP6232054B2 true JP6232054B2 (ja) | 2017-11-15 |
Family
ID=48746609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015514640A Active JP6232054B2 (ja) | 2012-05-31 | 2013-05-23 | 品質メトリックを決定するための方法、システム、コンピュータプログラム及び記憶媒体 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US10776913B2 (ja) |
| EP (1) | EP2856197B1 (ja) |
| JP (1) | JP6232054B2 (ja) |
| CN (1) | CN104380132B (ja) |
| BR (1) | BR112014029528A2 (ja) |
| RU (1) | RU2633916C1 (ja) |
| WO (1) | WO2013179188A1 (ja) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6232054B2 (ja) | 2012-05-31 | 2017-11-15 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 品質メトリックを決定するための方法、システム、コンピュータプログラム及び記憶媒体 |
| JP6583719B2 (ja) * | 2015-07-24 | 2019-10-02 | 国立研究開発法人情報通信研究機構 | 情報処理装置の作動方法および推定システム |
| RU2017142603A (ru) | 2016-12-02 | 2019-08-07 | Авент, Инк. | Система и способ для навигации к целевому анатомическому объекту в медицинских процедурах на основе визуализации |
| CN111132600A (zh) | 2017-03-10 | 2020-05-08 | 皇家飞利浦有限公司 | 利用磁共振成像(mri)融合脑电图(eeg)模型进行病情发作表征 |
| EP3595552B1 (en) | 2017-03-16 | 2023-11-15 | Koninklijke Philips N.V. | Tilt-controlled grid |
| US10346974B2 (en) | 2017-05-18 | 2019-07-09 | Toshiba Medical Systems Corporation | Apparatus and method for medical image processing |
| CN109620407B (zh) | 2017-10-06 | 2024-02-06 | 皇家飞利浦有限公司 | 治疗轨迹引导系统 |
| US11288803B2 (en) | 2017-10-09 | 2022-03-29 | Koninklijke Philips N.V. | Ablation result validation system |
| WO2019180120A1 (en) | 2018-03-21 | 2019-09-26 | Koninklijke Philips N.V. | Medical radiology report validation and augmentation system |
| WO2019180056A1 (en) | 2018-03-21 | 2019-09-26 | Koninklijke Philips N.V. | Incidental finding augmentation system for medical radiology |
| EP3830595A1 (en) | 2018-07-30 | 2021-06-09 | Koninklijke Philips N.V. | Functional magnetic resonance imaging systems and methods |
| CN113301841A (zh) | 2019-01-14 | 2021-08-24 | 皇家飞利浦有限公司 | 针对eeg的高频电导率到低频电导率的特定于分区的向下缩放 |
| US11416653B2 (en) * | 2019-05-15 | 2022-08-16 | The Mitre Corporation | Numerical model of the human head |
| CN111179227B (zh) * | 2019-12-16 | 2022-04-05 | 西北工业大学 | 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE69429743T2 (de) * | 1993-06-29 | 2002-10-02 | Koninkl Philips Electronics Nv | Verfahren und Gerät zur Bestimmung einer Kontur in einem durch eine Dichteverteilung gekennzeichneten Raum |
| US5926568A (en) * | 1997-06-30 | 1999-07-20 | The University Of North Carolina At Chapel Hill | Image object matching using core analysis and deformable shape loci |
| AU2115901A (en) * | 1999-10-21 | 2001-04-30 | Arch Development Corporation | Method, system and computer readable medium for computerized processing of contralateral and temporal subtraction images using elastic matching |
| WO2002073536A2 (en) * | 2001-03-09 | 2002-09-19 | Koninklijke Philips Electronics N.V. | Image segmentation |
| JP4170096B2 (ja) * | 2001-03-29 | 2008-10-22 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 対象の３次元表面上にマップされた３次元メッシュモデルの適合性評価のための画像処理装置 |
| WO2005008587A1 (en) * | 2003-07-16 | 2005-01-27 | Philips Intellectual Property & Standards Gmbh | Object-specific segmentation |
| DE10357205A1 (de) * | 2003-12-08 | 2005-07-14 | Siemens Ag | Verfahren zur Erzeugung von Ergebnis-Bildern eines Untersuchungsobjekts |
| EP1897058B1 (en) * | 2005-06-21 | 2018-08-22 | Philips Intellectual Property & Standards GmbH | Progressive model-based adaptation |
| WO2008018014A2 (en) * | 2006-08-11 | 2008-02-14 | Koninklijke Philips Electronics N.V. | Anatomy-related image-context-dependent applications for efficient diagnosis |
| JP5247707B2 (ja) * | 2006-10-03 | 2013-07-24 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | モデルベースの冠状動脈中心線の位置決め |
| JP2011512999A (ja) * | 2008-03-04 | 2011-04-28 | トモセラピー・インコーポレーテッド | 改良された画像セグメンテーションの方法およびシステム |
| EP2279489B1 (en) * | 2008-04-07 | 2019-06-12 | Koninklijke Philips N.V. | Mesh collision avoidance |
| EP2488105A4 (en) * | 2009-10-13 | 2014-05-07 | Agency Science Tech & Res | METHOD AND SYSTEM ADAPTED TO SEGMENT AN OBJECT IN AN IMAGE (A LIVER IN THE OCCURRENCE) |
| JP6232054B2 (ja) | 2012-05-31 | 2017-11-15 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 品質メトリックを決定するための方法、システム、コンピュータプログラム及び記憶媒体 |
-
2013
- 2013-05-23 JP JP2015514640A patent/JP6232054B2/ja active Active
- 2013-05-23 US US14/402,185 patent/US10776913B2/en active Active
- 2013-05-23 BR BR112014029528A patent/BR112014029528A2/pt not_active IP Right Cessation
- 2013-05-23 RU RU2014153520A patent/RU2633916C1/ru active
- 2013-05-23 CN CN201380028271.1A patent/CN104380132B/zh active Active
- 2013-05-23 WO PCT/IB2013/054258 patent/WO2013179188A1/en active Application Filing
- 2013-05-23 EP EP13734184.8A patent/EP2856197B1/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| BR112014029528A2 (pt) | 2017-06-27 |
| EP2856197A1 (en) | 2015-04-08 |
| CN104380132B (zh) | 2018-01-09 |
| US10776913B2 (en) | 2020-09-15 |
| US20150146951A1 (en) | 2015-05-28 |
| CN104380132A (zh) | 2015-02-25 |
| WO2013179188A1 (en) | 2013-12-05 |
| RU2633916C1 (ru) | 2017-10-19 |
| JP2015523874A (ja) | 2015-08-20 |
| EP2856197B1 (en) | 2022-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6232054B2 (ja) | 品質メトリックを決定するための方法、システム、コンピュータプログラム及び記憶媒体 | |
| CN109069014B (zh) | 用于估计在冠状动脉中的健康管腔直径和狭窄定量的系统和方法 | |
| JP5959699B2 (ja) | パノラマエックス線写真を利用した診断支援システム、及びパノラマエックス線写真を利用した診断支援プログラム | |
| JP5970766B2 (ja) | 医用画像処理装置、医用画像処理方法、プログラム | |
| US8270695B2 (en) | Diagnostic image processing with automatic self image quality validation | |
| US10388037B2 (en) | Selection method for an artifact correction algorithm, data processing facility for performing the method, and medical imaging system | |
| EP3633623A1 (en) | Medical image pre-processing at the scanner for facilitating joint interpretation by radiologists and artificial intelligence algorithms | |
| US20170156630A1 (en) | System and method for adaptive and patient-specific magnetic resonance imaging | |
| EP2796089B1 (en) | Image processing device and image processing method, and image processing program | |
| JP6036009B2 (ja) | 医用画像処理装置、およびプログラム | |
| US10056158B2 (en) | Determination of enhancing structures in an anatomical body part | |
| JP2012045387A (ja) | 局所的臨床特徴を分析して視覚化するためのシステムおよび方法 | |
| US20150173705A1 (en) | Apparatus and method for adapting diagnostic model for computer-aided diagnosis | |
| JP6595729B2 (ja) | 医療画像における変化検出 | |
| JP4980707B2 (ja) | 画像処理装置及び方法 | |
| CN112561848A (zh) | 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备 | |
| JP5961512B2 (ja) | 画像処理装置およびその作動方法並びに画像処理プログラム | |
| US9679378B2 (en) | Risk prediction of tissue infarction | |
| WO2018071414A1 (en) | Systems and methods for improved tractography images | |
| JP2007528763A (ja) | インタラクティブコンピュータ支援診断方法及び装置 | |
| Dostál et al. | Analysis of diffusion tensor measurements of the human cervical spinal cord based on semiautomatic segmentation of the white and gray matter | |
| US10311568B2 (en) | Image processing apparatus, control method thereof, and computer-readable storage medium | |
| JP6677711B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| US11357465B2 (en) | Evaluating the reliability of a CT volume image | |
| Dartora et al. | Predicting the Age of the Brain with Minimally Processed T1-weighted MRI Data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160520 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170317 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170404 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170515 |
|
| 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: 20170926 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20171020 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6232054 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| 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 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |