JP6270857B2 - マルチ構造アトラス及び／又はその使用 - Google Patents

Description

以下の説明は、一般に、構造的及び／又は機能的な画像化データを処理することに関連する、マルチ構造のアトラス（multi-structure atlas）及び／又はその使用に関する。このような画像化データは、コンピュータ断層撮影（ＣＴ）、Ｘ線、超音波（ＵＳ）、磁気共鳴（ＭＲ）、ポジトロン放出型断層撮影（ＰＥＴ）、単光子放射型コンピュータ断層撮影法（ＳＰＥＣＴ）、その組合せ（例えばＰＥＴ／ＣＴ等）及び／又は他のスキャナによって生成され得る。

分析に基づく画像データは、有益な情報を提供している。例えば肺葉分析に基づく画像データは、慢性閉塞性肺疾患（ＣＯＰＤ）を特定すること、肺の機能特性を決定すること等に関連して使用されている。しかしながら、肺葉の線（葉間裂（fissure））のような何らかの生体構造は、高解像度のスキャンから生成された画像データだとしても、画像データ内で局在化させることは難しい可能性があるので、肺葉のような特定の生体構造を画像データから区分することは、課題の多いタスクである可能性がある。

構造的な撮像能力と機能的な撮像能力の双方を有するハイブリッドスキャナ（すなわち、複数のモダリティで構成されるスキャナ）（例えばＰＥＴ／ＣＴスキャナ）を使用すると、肺葉を構造的画像データから成功裏に区分することができた場合、区分された肺葉を、機能的画像データにレジストレーション及び／又は他の方法で結合して、機能的画像データ内で肺葉を識別し、肺葉についての有益な解剖学的及び機能情報により画像データを生成することができる。

構造的画像データ及び機能的画像データでは、肺葉のような生体構造は、関心ある生体構造を特定するよう画像データに対して適合される単一の臓器構造（例えば肺葉）モデルを使用して、コンピューティングシステムにより自動的に区分されている。区分は臨床医により修正されることがあり、臨床医はそのような区分を受け入れること又は拒否することができる。そのような区分は、臨床医が区分ソフトウェアアプリケーションを用いることで手動でも実施されている。

残念なことに、自動化ベースの技術は課題が多く、しばしばユーザ介入を必要とする。このようはユーザ介入は、そうでなければ患者及び／又は他のタスクに使用されたであろう臨床医の時間を費やすことになる。さらに、単一の臓器構造モデルは近似であり、これは、例えば境界及び／又は他の場所で区分に誤差を生じる可能性がある。そのような誤差の結果として、区分及び／又は定量化の値は、正確性を欠くことがある。

本明細書で説明される態様は、上記の問題及び他の課題に対処する。

一態様において、画像データプロセッサは、マルチ構造アトラスを用いて、構造的画像データから関心対象の組織（tissue of interest）を含む関心領域を区分し、該関心領域から関心対象の組織を区分する構造的画像データプロセッサを含む。当該画像データプロセッサは更に、区分された関心対象の組織に基づいて、機能的画像データ内における関心対象の組織を識別する機能的画像データプロセッサを含む。

別の態様において、画像データプロセッサは、マルチ構造アトラスを生成するマルチ構造アトラスジェネレータ（１０４）を含む。マルチ構造アトラスは、関心対象の組織を関心領域から局在化させるマルチ構造アトラスに基づいて、構造的画像データ内で構造を局在化させることにより、構造を関心対象の組織に物理的にマップする。

別の態様において、方法は、マルチ構造アトラスを用いて、構造的画像データから関心対象の組織を含む関心領域を区分し、該関心領域から関心対象の組織を区分するステップを含む。当該方法は更に、区分された関心対象の組織に基づいて、機能的画像データ内の関心対象の組織を識別するステップを含む。

別の態様において、方法は、マルチ構造アトラスを生成するステップを含む。マルチ構造アトラスは、該マルチ構造アトラスに基づいて構造的画像データ内の構造を特定することで関心対象の組織を関心領域に対して局在化するように、上記構造を関心対象の組織に物理的にマップする。

本発明は、様々なコンポーネントとコンポーネントの配置及び様々なステップとステップの配置の形式を取ってよい。図面は、好適な実施形態を例示するためだけのものであり、本発明を限定するものとして解釈されるべきではない。
複数の撮像システムと関連して、マルチ構造アトラスジェネレータ及び画像データプロセッサを含む、コンピューティングシステムを概略的に示す図である。 図１のマルチ構造アトラスジェネレータの例を概略的に示す図である。 図１の画像データプロセッサの例を概略的に示す図である。 マルチ構造アトラスを決定する例示の方法を示す図である。 図４のマルチ構造アトラスを用いる例示の方法を示す図である。 例示の肺葉−胸郭アトラスを示す図である。

以下では、マルチ構造アトラスに基づいて、画像データ内において特定するのが難しい組織を局在化するアプローチを説明する。アトラスは、その組織の場所又はその近くの場所に空間的又は物理的にマッピングされる構造を特定して区分するのを容易にすることを含む。これは、アトラスを介してその構造を特定することに基づいて組織を局在化することを可能にする。局在化されると、最初の局在化なしに区分する場合に比べて、組織をより正確に区分することができ、区分された関心対象の組織を使用して、機能的画像データ内の組織を識別することができる。

最初に図１を参照すると、コンピュータシステム１００が、複数の撮像システム１０２との関連で概略的に示されている。コンピューティングシステム１００は、マルチ構造アトラスジェネレータ１０４及び画像データプロセッサ１０６を含む。

マルチ構造アトラスジェネレータ１０４及び／又は画像データプロセッサ１０６を、物理メモリ及び／又は他の非一時的媒体のようなコンピュータ読取可能記憶媒体上にエンコードされる１つ又は複数のコンピュータ読取可能命令、並びに／あるいは信号搬送波及び／又は他の一時的媒体によって伝達されるコンピュータ読取可能命令を実行する、１つ又は複数のコンピューティングデバイスの１つ又は複数のコンピューティングプロセッサを用いて実装することができる。

マルチ構造アトラスジェネレータ１０４は、アトラス生成の構造的画像データから、マルチ構造アトラスを生成する。本明細書で使用されるとき、「マルチ構造アトラス」という用語は、各々に対して解剖学的基準枠における２つ又はそれ以上の異なる構造（例えば肋骨と肺）を含むアトラスを指す。したがって、この異なる構造は、空間的又は物理的に相互にマップされる。単一の解剖学的臓器（例えば肺のみ）を含むアトラスは、マルチ解剖学的構造アトラスではない。

以下で更に詳細に説明されるように、一例において、マルチ構造アトラスジェネレータ１０４は、構造的画像データ内で特定して区分するのがより容易な構造と、構造的画像データ内で特定して区分するのがより困難な関心対象の組織とに基づいて、マルチ構造アトラスを生成する。この場合、上記構造は、アトラスを介して構造を特定することにより、関心対象の組織を特定して区分する困難性を局在化するよう、関心対象の組織に空間的又は物理的にマップする。上記構造の例は、肋骨、椎骨等のような骨であり、上記組織の例は、肺葉、気管支、血管、腎臓、肝臓、心臓等である。

図示されるマルチ構造アトラスジェネレータ１０４は、ＣＴスキャナ１０８及び／又はＭＲスキャナ１１０及び／又はデータリポジトリ１１２から構造的画像データを取得する。他の適切なスキャナには、Ｘ線、超音波、（複数のモダリティのハイブリッドスキャナを含む）これらの組合せ等のスキャナが含まれるが、これらに限定されない。データリポジトリ１１２は、画像保管通信システム（ＰＡＣＳ）、放射線医学情報システム（ＲＩＳ）、病院情報システム（ＨＩＳ）及び／又は同様のものを含んでよい。

マルチ構造アトラスジェネレータを、視覚的提示のためのディスプレイモニタ、記憶媒体、フィルマー（filmer）、プリンタ、画像データプロセッサ１０６等といった、１つ又は複数の出力デバイス１２２に伝達することができる。１つ又は複数の入力デバイス１２４は、人及び／又は機械（例えばロボット）であるユーザが、マルチ解剖学的構造アトラスジェネレータ１０４と対話するのを可能にし、処理用の画像データを選択すること、アトラス用の構造を識別すること、構造及び／又は関心対象の組織を区分すること等を容易にすることができる。

マルチ構造アトラスジェネレータ１０４は、１つ又は複数のマルチ構造アトラスを生成することができる。例えばマルチ構造アトラスジェネレータ１０４は、対象者の年齢、サイズ、体重、性別及び／又は他の特性に基づいてマルチ構造アトラスを生成することができる。別の例では、マルチ構造アトラスジェネレータ１０４は、対象者の年齢、サイズ、体重、性別及び／又は他の特性とは独立の単一の汎用的なマルチ構造アトラスを生成することができる。

画像データプロセッサ１０６は、構造的画像データプロセッサ１１４及び機能的画像データプロセッサ１１６を含む。変形形態では、構造的画像データプロセッサ１１４又は機能的画像データプロセッサ１１６のうちの少なくとも１つは、画像データプロセッサ１０６の一部ではない。

構造的画像データプロセッサ１１４は、少なくとも、マルチ構造アトラスに基づいて、所定の関心対象の組織を評価段階にある構造的画像データから区分するように構成される。以下で更に詳細に説明されるように、一例において、これは、構造的画像データ内において関心対象の組織を含む関心領域を、マルチデータ構造アトラスに基づいて局在化することと、構造的画像データ内において関心対象の組織を関心領域から区分することとを含むことがある。

同様に、構造的画像データを、ＣＴスキャナ１０８、ＭＲスキャナ１１０、その組み合わせ（ハイブリッドスキャナを含む）、他のスキャナ、データリポジトリ１１２等から取得することができる。しかしながら、この例において、構造的画像データは、評価段階にある検査からのものである。所定の関心対象の組織を、デフォルトの構成ファイル、ユーザ入力及び／又は他のものを用いる区分アルゴリズムに基づいて識別することができる。

区分された所定の関心対象の組織は、視覚的提示のためのディスプレイモニタ、記憶媒体、フィルマー、プリンタ、機能的画像データプロセッサ１１６等といった、１つ又は複数の出力デバイス１２６に伝達することができる。１つ又は複数の入力デバイス１２８は、人及び／又は機械（例えばロボット）であるユーザが、画像データプロセッサ１０６と対話するのを可能にする。そのような対話は、関心対象の組織を識別する入力、区分アルゴリズム等を提供することを含み得る。

機能的画像データプロセッサ１１６は、少なくとも、機能的画像データ内において所定の関心対象の組織を識別するように構成される。以下でより詳細に説明されるように、一例において、これは、構造的画像データ、機能的画像データにレジストレーションされた構造的画像データ及び構造的画像データから区分された所定の関心対象の組織を用いて、機能的画像データにおいて所定の関心対象の組織を識別することを含む。

機能的画像データを、ＣＴスキャナ１０８、ＭＲスキャナ１１０、ＳＰＥＣＴスキャナ１１８、ＰＥＴスキャナ１２０、その組み合わせ（ハイブリッドスキャナを含む）及び／又は他の機能的撮像スキャナ、データリポジトリ１１２等から取得することができる。機能的画像データプロセッサ１１６は、機能的画像データ内の識別された関心対象の組織を処理して、これに対応する機能情報を定量化することもできる。

識別された関心対象の組織及び／又は定量化された機能情報（例えば定量化を示すインデックス）を有する機能的画像データを、１つ又は複数の出力デバイス１２６に伝達することができる。これは、画像データの表示と同時であっても、そうでなくてもよい。１つ又は複数の入力デバイス１２８は、人及び／又は機械（例えばロボット）であるユーザが、画像データプロセッサ１０６と対話するのを可能にする。そのような対話には、関心対象の組織、レジストレーションアルゴリズム、定量化アルゴリズム等を識別する入力を提供することが含まれ得る。

適切なＣＴスキャナ１０８は、固定式ガントリと、該固定式ガントリによって回転可能にサポートされて、ｚ軸の周囲を検査領域の周りに回転する回転式ガントリとを含む。Ｘ線管のような放射線源は、回転式ガントリによって回転可能に支持され、回転式ガントリとともに回転して、検査領域をトラバースする放射線を放出する。放射線感知検出器アレイは、検査領域を隔てて放射線源の反対にある、角のある円弧（angular arc）に対する。検出器アレイは、検査領域をトラバースする放射線を検出し、これを示す投影データを生成する。リコンストラクタは、投影データを再構成し、これにより３Ｄの体積画像データを生成する。

適切なＭＲスキャナ１１０は、主磁石、勾配磁場（ｘ、ｙ及びｚ）コイル及びＲＦコイルを含む。主磁石（超電導、抵抗又は永久）は、実質的に均一で、時間的に一定の主磁場Ｂ_０を検査領域において生成する。勾配磁場コイルは、検査領域のｘ、ｙ及びｚ軸に沿って時間変動勾配磁場を生成する。ＲＦコイルは、検査領域内の関心対象の核（nucleus）を励磁（excite）させて、励磁された核によって放出されるＭＲ信号を受信する、（関心対象の核（例えばハイドロゲン等）のラーモア周波数で）無線周波数信号を生成する。ＭＲデータ取得システムがＭＲ信号を処理し、ＭＲリコンストラクタがデータを再構成して、ＭＲ画像を生成する。

適切なＳＰＥＣＴスキャナ１１８は、ガンマ線検出器及び検査領域とガンマ線検出器との間に提示されるコリメータを含む。コリメータは、周波数を減衰させる中隔（septum）を含み、この中隔は、特定の入射角を有するガンマ線のみ、ガンマ検出器に到達することを許容する。ガンマ線は、ガンマ線検出器を検査領域の周囲で回転させることにより、検査領域に対して複数の角度から取得される。検出器は一般的に、評価段階にある対象者の近くに配置される。ＳＰＥＣＴリコンストラクタは投影像（projection）を再構成し、物体又は対象者においてガンマ線を放出する放射性同位体の分散を表す、体積データを生成する。

適切なＰＥＴスキャナ１２０は、検査領域の周囲に配置される、環状のガンマ勾配検出器を含む。検出器は、検査領域内に生じる電子−陽電子崩壊（electron-positron decay）を示す５１１キロ電子ボルト（keV）のガンマ線を検出するように構成される。ほとんどの崩壊は、互いに対してほぼ１８０度で放出される２つの５１１keVのガンマ線を生じ、ＰＥＴスキャナは、その間のＬＯＲ（line of response）に沿って線源を局在化する。検出器は、光子を対応する電気信号に変換し、同時イベント識別子は、時間的同時に検出される光子を識別することにより、同時のガンマのペアを識別する。識別されたペアを使用して、崩壊の空間的分散を示すデータを生成する。

図２に移ると、マルチ構造アトラスジェネレータ１０４が図示されている。上記で検討したように、マルチ構造アトラスジェネレータ１０４は、アトラスを生成するための構造的画像データを取得して処理する。一般に、そのような画像データは、複数の異なる対象者からの、現在は評価段階にない以前のスキャンからのものであり、構造／領域及び関心対象の組織をカバーしている。

画像データセレクタ２０２は、取得した構造的画像データの全て又はサブセットを処理のために選択する。適切なサブセットは、対象者のサブセットについての画像データ及び／又は特定の層（例えば体重、サイズ、年齢、性別等）に対応する画像データを含み得る。画像データセレクタ２０２は、ユーザ対話とともに又はユーザ対話なしで、解剖学的画像データを選択する。変形形態では、画像データセレクタ２０２が省略され、取得した画像データの全てを利用するか別のアプローチを用いて、画像データのサブセットを選択する。

関心対象の組織セグメンタ２０４は、所定の関心対象の組織を、選択された画像データの各々から区分する。図示された実施形態において、所定の関心対象の組織は、自動の区分技術にはあまり上手く適合しない関心対象の組織、あるいは特定して区分するのが比較的難しい関心対象の組織を表す。一般に、この区分は、ユーザ対話とともに実行される。公知及び／又は他の区分アルゴリズムを用いることができる。

関心対象の構造又は領域セグメンタ２０６は、選択された画像データの各々から所定の関心対象の構造を区分する。図示される実施形態において、所定の関心対象の構造は、自動の区分技術により良く適合する構造、あるいは特定して区分するのが比較的容易で、関心対象の組織に空間的にマップする構造を表す。公知及び／又は他の区分アルゴリズムを、関心対象の構造セグメンタ２０６により、典型的にはユーザ対話なしで用いることができる。

構造−組織マッパー２０８は、画像データの各サブセットについて、関心対象の区分された構造と区分された組織とを、画像データ内のこれらの解剖学的空間コンテキストに基づいて、空間的又は物理的にマップする（あるいはマップ又はマッピングを生成する）。したがって、元の画像データにおける関心対象の構造と組織との間の空間的関係が維持される。マッピングは、構造の特定の一部分を特定することにより、見つかる可能性が最も高い領域を識別するように、構造の特定の一部分が、物理的に関心対象の組織上又はその近くにあるようにする。

モデレータ２１０は、画像データのサブセットのうちの全て（又はあるサブセット）について、マルチ構造アトラスをマッピングに基づいて生成する。アトラスは、関心対象の構造と組織との双方及びこれらの間の空間的関係若しくは物理的マッピングを含む。一例において、これは、マッピングの平均に基づいてアトラスを生成することを含む。別の例では、これは、最大周波数で生じるマッピングを使用することを含む。更に別の例では、これは、ユーザを用いてマッピングのうちの１つを識別することを含む。

次の図３では、画像データプロセッサ１０６の例が概略的に図示されている。

構造的画像データプロセッサ１１４は、アトラスベースの関心領域（ＲＯＩ）セグメンタ３０２を含む。アトラスベースのＲＯＩセグメンタ３０２は、マルチ構造アトラスに基づいて評価段階にある構造的画像データからＲＯＩを区分する。例えばアトラスベースのＲＯＩセグメンタ３０２は、構造を含むＲＯＩを、アトラス内の関心対象の組織の位置に物理的にマップするアトラスから区分する。

これは、非剛性又は剛性のレジストレーションアルゴリズムのいずれかを用いて、構造的画像データ及びマルチ構造アトラスをレジストレーションすることを含んでよい。その後、ＲＯＩは、レジストレーションされた構造化データから自動的又はユーザ介入により抽出することができる。ＲＯＩは、サブボリューム、ポイントクラウド（点群）、所与の薄さの３Ｄシート又は任意の他の３Ｄ構造のような任意の形式とすることができる。ＲＯＩは、関心対象の組織を含む、局在化された領域を提供する。

構造的画像データプロセッサ１１４は、関心対象の組織セグメンタ３０４も含む。関心対象の組織セグメンタ３０４は、アトラスベースのＲＯＩセグメンタ３０２により区分されたＲＯＩを受信する。関心対象の組織セグメンタ３０４は、所定の関心対象の組織を、区分されたＲＯＩから区分する。本明細書で検討されるように、関心対象の組織を、局在化されたＲＯＩから区分することは、さもなければ、全体的な構造的画像データから特定して区分するのが難しい可能性がある、関心対象の組織の正確な区分を容易にする。同様に、区分は自動化されてもよく及び／又はユーザ対話を含むことができる。

機能的画像データプロセッサ１１６は、レジストレーションコンポーネント３０６、関心対象組織の識別子３０８及び機能特性の限量子（quantifier）３１０を含む。レジストレーションコンポーネント３０６は、評価段階にある機能的画像データを、評価段階にある構造的画像データにレジストレーションする。関心対象組織の識別子３０８は、機能的画像データ内の関心対象の組織を、機能的画像、レジストレーションされた画像データ及び区分された関心対象の組織に基づいて識別する。本明細書で議論されるように、これは、機能的画像データ内の関心対象の組織の正確な識別を容易にする。

機能特性の限量子３１０は、１つ又は複数の機能特性を、機能的画像データ内の識別された関心対象の組織から定量化する。そのような定量化は、関心対象の組織における放射線活性（radiation activity）、関心対象の組織におけるかん流（perfusion）等に対応することがある。機能的画像データプロセッサ１１６の一部として示されているが、変形形態では、機能特性の限量子３１０は、画像データプロセッサ１０６の別のコンポーネント及び／又は画像データプロセッサ１０６の外部のコンポーネントを含め、異なるコンポーネントの一部であってよい。

上述のように、画像データプロセッサ１０６は、出力デバイス１２２を用いることができ、出力デバイスがディスプレイモニタである場合、画像データプロセッサ１０６は、解剖学的画像データから区分された関心対象の組織、機能的画像データにおいて識別された関心対象の組織及び／又は１つ若しくは複数の定量化された機能特性のうちの１つ又は複数を、出力デバイス１２２を介して視覚的に提示することができる。

図４は、マルチ構造アトラスを生成するための方法を図示している。動作の順序は限定ではないことが認識されよう。したがって、本明細書では他の順序も考えられる。加えて、１つ又は複数の動作を省略してもよく、かつ／あるいは１つ又は複数の追加の動作が含まれてもよい。

例示の目的及び簡潔性のために、方法は、胸郭／肺葉アトラスに基づく肺葉評価のコンテキストで議論されるが、この場合、肋骨が、特定するのが容易な構造に対応し、肺葉が、関心対象の組織に対応する。一般に、肋骨は、肺と比べて静的な骨構造であって肺の周囲を囲んでおり、息をする動作ではあまり大きく変化せず、構造的画像データにおける区分がかなり容易である。

４０２において、胸郭の画像データを含め、構造的画像データのセットを取得する。上述のように、画像データは、異なる人々及び複数の検査に対応することがあり、スキャナ及び／又はデータリポジトリから取得することができる。

４０４において、画像データのセット又はサブセットが、更なる処理のために識別される。画像データのサブセットは、年齢や体重、サイズ、性別及び／又は他の特性のような統計層に基づくものとすることができる。

４０６において、胸郭が、各検査の画像データから区分される。一般に、胸郭は、生体構造を特定して区分するのが容易であることを意味するので、この区分は、自動の区分技術を通して達成され得る。

４０８において、肺葉が、各検査の画像データから区分される。一般に、肺葉と肺葉境界との間の葉間裂は、特定して区分するには難しい可能性があるので、この区分は、手動及び／又は半自動の区分技術を通して達成され得る。半自動的及び手動の肺葉区分技術の結果、肺の境界における各葉の裂け目の位置を３Ｄで識別するか、あるいは肺を横切る裂け目の位置を３Ｄで識別することができる。前者では、（肺の表面の葉間裂の）３Ｄポイントクラウドが得られることになり、後者では、（葉間裂境界を表す）肺を横切る３Ｄ面が得らえることになる。裂け目の識別は、３Ｄで実行されるか、後で３Ｄ体積にマージされる２Ｄのスライスに対して実行され得る。

４１０において、検査ごとに、肋骨の位置と肺葉の位置との間のマップ（又はマッピング）が、区分された胸郭画像データ及び区分された肺葉に基づいて生成される。

例として、ある検査では、マッピングは、肺葉境界が肋骨ＭとＮの間に位置することを示すことがあり、この場合、Ｍ及びＮは整数である。別の検査が同じことを示すことがある。更に別の検査は、肺葉境界が、肋骨の次のペアの間にあることを示すことがある。

変形形態では、アトラスは、肺の表面上に裂け目境界を高い確率で有する、肺境界上のポイントクラウドを表す３Ｄポイントのセットを有するＲＯＩ、並びに／又は肺を横切る裂け目境界を高い確率で有する、肺を横切る３ＤのＲＯＩを生成してもよい。

上記のある検査について、マッピングは、肺葉境界が、肋骨Ｍから距離Ｘ、肋骨Ｎから距離Ｙに位置することを示すこともあり、ここで、Ｘ及びＹは整数である。同じペアの肋骨を示す他の検査について、マッピングは、肋骨Ｍから距離Ｉ、肋骨Ｎから距離Ｊに配置されることを示してもよい。ここで、Ｉ及びＪは整数であり、Ｘ及びＹとは異なる。

肺葉境界の位置は、物理的な空間に関してマッピングされてよく、例えば肺の表面上の肺葉境界は、ある範囲内（例えば肋骨ＧからＸ_１±Ｙ_１ミリメータ及び肋骨ＨからＸ_２±Ｙ_２ミリメータ）に配置されてよく、ここで、Ｇは肋骨Ｈの上にあるか又はその逆である。別のシナリオにおいて、アトラスの結果、高い確率で肺の体積を横切る裂け目を有する、Ｌミリメータの厚さの３Ｄ ＲＯＩ（３Ｄシートの形式）のマッピングが得られることもある。

４１２において、胸郭／肺葉アトラスが、検査の全て又はサブセットについてのマッピングに基づいて生成される。本明細書で検討されるように、アトラスは、平均のマッピング、最も高頻度で生じるマッピング、ユーザ選択されるマッピング及び／又は他のマッピングに基づくものであってよい。例えば平均について、上記の例を使用すると、マッピングは、肋骨Ｍが、境界から（Ｘ＋Ｉ）／２の距離にあり、肋骨Ｎが境界から（Ｙ＋Ｊ）／２の距離にあることを示すことがある。

図５は、図４のマルチ構造アトラスを区分のために用いる方法を図示している。動作の順序は限定ではないことが認識されよう。したがって、他の順序も本明細書で考慮される。加えて、１つ又は複数の動作を省略してもよく、かつ／あるいは１つ又は複数の追加の動作が含まれてもよい。

図４の例を続けるが、この例では、胸郭／肺葉アトラスを使用して、区分のために構造的画像データ内において肺葉を局在化し、区分された肺葉を使用して、機能的画像データ内において肺葉を識別する。

５０２において、対象者の胸部の画像データを含む、評価すべき構造的画像データが取得される。

５０４において、対象者の胸部の画像データを含む、評価すべき機能的画像データが取得される。

５０６において、肺葉にマップされる肋骨位置を有する胸郭を含む、マルチ構造アトラスが取得される。本明細書で議論されるように、アトラスは汎用的であってもよく、あるいは対象者の年齢や体重、サイズ、性別等に基づく特有のものであってもよい。

５０８において、肺葉を含む関心領域（ＲＯＩ）が、アトラスに基づいて区分される。

図４の例を続けると、肋骨ＭとＮの間に位置する肺葉の境界が関心対象の組織の場合、ＲＯＩは、該ＲＯＩが関心対象の境界を含むよう、アトラス内の肋骨ＭとＮの位置に基づく。

そのようなアトラスの例が図６に示されている。図６において、アトラス６００は、第１の葉６０４と第２の葉６０６とを有する肺葉６０２を含み、第１の葉６０４と第２の葉６０６は、第１の肋骨６１０と第２の肋骨６１２との間に位置する境界６０８で区分されている。

このアトラスでは、境界６０８は、第１の肋骨６１０と第２の肋骨６１２に基づいて局在化され、ＲＯＩ６１４は、（図示されるように）肋骨６１０と６１２の周囲及び／又は肋骨６１０と６１２との間の領域を含み得る。他の肋骨及び肺の構造は、明瞭性の目的でアトラス６００から省略されている。

５１０において、肺葉がＲＯＩから区分される。

５１２において、構造的画像データ及び機能的画像データがレジストレーションされる。

５１４において、肺葉が、機能的画像データ内で、レジストレーションされた画像データ及び構造的画像データから区分された肺葉に基づいて識別される。

５１６において、オプションにより、機能的画像データにおいて識別された肺葉の機能特性が、定量化される。

上記の方法は、コンピュータ読取可能命令によって実装されてよく、該コンピュータ実行可能命令は、コンピュータ読取可能記憶媒体上にエンコードされるか具現化され、コンピュータプロセッサによって実行されると、該プロセッサに、説明した動作を実行させる。あるいはまた、コンピュータ読取可能命令の少なくとも１つは、信号、搬送波又は他の一時的媒体によって伝達される。

図４及び図５は、胸郭／肺葉アトラスを使用して肺葉を識別することに関連して説明されているが、このアトラス及び／又は関心対象の組織（図４及び図５の肺葉）は限定ではないことは理解されよう。例えば組織は、腎臓、心臓、肝臓、気管支、血管及び／又は他の組織であってよく、この場合、胸郭を空間的基準として用いることができる。さらに、構造は脊椎のような他の構造であってもよく、この場合、肋骨の代わりに、個々の椎骨を、空間的な解剖学上の目印として使用される。更に別の例では、構造と関心対象の組織の双方が異なるものであってよい。

本発明は好ましい実施形態との関連で説明されている。上記の詳細な説明を読み、理解すると、修正及び変更が他者には思い浮かぶであろう。本発明は、そのような修正及び変更が添付の特許請求の範囲又はその均等の範囲内にある限りにおいて、そのような修正及び変更の全てを含むものとして解釈されるよう意図される。

Claims (19)

1. 画像データプロセッサであって、
   マルチ構造アトラスを用いて構造的画像データから関心対象組織を含む関心領域を区分し、該関心領域から前記関心対象組織を区分する、構造的画像データプロセッサであって、構造が胸郭であり、前記関心対象組織が肺葉であり、前記マルチ構造アトラスは、１つ又は複数の肋骨を肺葉の境界の位置にマップするマッピングを含む胸郭／肺葉アトラスであり、前記マッピングは、前記胸郭／肺葉アトラスを通して肺の表面上のポイントクラウド又は肺を横断する３Ｄシートのうちの少なくとも１つの形式で肺葉の関心領域を含む、構造的画像データプロセッサと、
   前記区分された関心対象組織に基づいて、機能的画像データ内の前記関心対象組織を識別する、機能的画像データプロセッサと、
   を備える、画像データプロセッサ。
2. 前記機能的画像データプロセッサは更に、前記構造的画像データと前記機能的画像データをレジストレーションし、前記区分された関心対象の組織及び前記レジストレーションされた画像データに基づいて、前記機能的画像データ内の前記関心対象組織を識別する、
   請求項１に記載の画像データプロセッサ。
3. 前記機能的画像データプロセッサは更に、前記機能的画像データ内の前記識別された関心対象組織における機能情報を定量化する、
   請求項１又は２に記載の画像データプロセッサ。
4. 前記マルチ構造アトラスは、異なる検査又は異なる対象者の少なくとも一方に対応する画像データのサブ画像データごとに関心対象の構造のサブ構造の位置を前記関心対象組織に物理的にマップするマッピングを含み、前記構造的画像データプロセッサは、前記関心領域が前記関心対象組織を含むように、前記関心領域を前記のアトラス内の前記サブ構造に基づいて区分する、
   請求項１乃至３のいずれかに記載の画像データプロセッサ。
5. 前記マッピングは、１）臓器の表面上又はその内部の前記関心対象組織のポイントクラウドと、２）臓器を横断する前記関心対象組織を有する３Ｄシートと、３）関心領域の形式の３Ｄ構造のうちの少なくとも１つを含む、
   請求項４に記載の画像データプロセッサ。
6. 前記マルチ構造アトラスを生成するマルチ構造アトラスジェネレータを更に備え、該マルチ構造アトラスジェネレータは、
   所定のアルゴリズムに基づいて前記構造的画像データから前記構造を自動的に区分する、関心対象構造セグメンタと、
   ユーザ入力に基づいて前記構造的画像データから前記関心対象組織を区分する、関心対象組織セグメンタと、
   各サブ構造の物理的な空間位置を、前記区分された関心対象組織にマッピングするマップを生成する、構造−組織マッパーと、
   前記マルチ構造アトラスを複数の前記マップに基づいて生成する、モデレータと
   を備える、請求項４又は５に記載の画像データプロセッサ。
7. 肺葉境界が、前記関心対象組織内の第１の肋骨と第２の異なる肋骨との間に位置していることに応答して、前記機能的画像データプロセッサは、前記関心領域を、マルチ構造マップ内の前記第１及び第２の肋骨の位置から識別し、前記関心領域は、前記肺葉境界を含む、
   請求項１に記載の画像データプロセッサ。
8. 前記機能的画像データプロセッサは、前記第１及び第２の肋骨に基づいて前記肺葉境界の位置を特定する、
   請求項７に記載の画像データプロセッサ。
9. 前記機能的画像データプロセッサは、前記第１及び第２の肋骨の周りの領域を含む前記関心領域を決定する、
   請求項７に記載の画像データプロセッサ。
10. 前記機能的画像データプロセッサは、前記第１の肋骨と前記第２の肋骨との間の領域を含む前記関心領域を決定する、
    請求項７に記載の画像データプロセッサ。
11. 前記マルチ構造マップは、肺葉境界が、前記第１の肋骨から第１の距離及び前記第２の肋骨から第２の距離に位置することを示す、
    請求項７に記載の画像データプロセッサ。
12. 前記マルチ構造マップは、前記肺の表面上の肋骨からの前記肺葉境界の物理的間隔を示す数値を含む、
    請求項７に記載の画像データプロセッサ。
13. 前記マルチ構造マップは、前記関心領域の厚さを、肺の体積を横断する亀裂とともに３Ｄシートの形で示す、
    請求項７に記載の画像データプロセッサ。
14. 前記ポイントクラウドは、前記肺の境界上の３Ｄポイントのセットを含む、
    請求項１に記載の画像データプロセッサ。
15. マルチ構造アトラスを用いて、構造的画像データから関心対象組織を含む関心領域を区分し、該関心領域から前記関心対象組織を区分するステップであって、構造が胸郭であり、前記関心対象組織が肺葉であり、前記マルチ構造アトラスは、１つ又は複数の肋骨を肺葉の境界の位置にマップするマッピングを含む胸郭／肺葉アトラスであり、前記マッピングは、前記胸郭／肺葉アトラスを通して肺の表面上のポイントクラウド又は肺を横断する３Ｄシートのうちの少なくとも１つの形式で肺葉の関心領域を含む、ステップと、
    前記区分された関心対象組織に基づいて、機能的画像データ内の前記関心対象組織を識別するステップと、
    を含む、方法。
16. 前記構造的画像データと前記機能的画像データをレジストレーションし、前記区分された関心対象組織及び前記レジストレーションされた画像データに基づいて、前記機能的画像データ内の前記関心対象組織を識別するステップ、
    を更に備える、請求項１５に記載の方法。
17. 前記識別された関心対象組織内の機能情報を定量化するステップ、
    を更に備える、請求項１５又は１６に記載の方法。
18. 前記マルチ構造アトラスは、異なる検査又は異なる対象者の少なくとも一方に対応する画像データのサブ画像データごとに構造を前記関心対象組織に物理的にマップし、構造的画像データプロセッサが、前記関心領域が前記関心対象組織を含むように、前記関心領域を前記のアトラス内の前記構造に基づいて区分する、
    請求項１５乃至１７のいずれか一項に記載の方法。
19. 所定のアルゴリズムに基づいて前記構造的画像データから前記構造を自動的に区分するステップと、
    ユーザ対話の下で前記構造的画像データから前記関心対象組織を区分するステップと、
    前記区分された構造の物理的な空間位置を前記区分された関心対象組織にマップするステップと、
    各マップが前記の画像データの異なるサブセットに対応する、複数のマップに基づいて、前記マルチ構造アトラスを生成するステップと、
    を更に備える、請求項１８に記載の方法。

Images