JP6325322B2 - 医用画像処理装置、医用画像処理方法および医用画像処理プログラム - Google Patents

医用画像処理装置、医用画像処理方法および医用画像処理プログラム Download PDF

Info

Publication number
JP6325322B2
JP6325322B2 JP2014082314A JP2014082314A JP6325322B2 JP 6325322 B2 JP6325322 B2 JP 6325322B2 JP 2014082314 A JP2014082314 A JP 2014082314A JP 2014082314 A JP2014082314 A JP 2014082314A JP 6325322 B2 JP6325322 B2 JP 6325322B2
Authority
JP
Japan
Prior art keywords
medical image
marker
point
image data
image processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2014082314A
Other languages
English (en)
Other versions
JP2014213202A (ja
Inventor
ダバー モハマド
ダバー モハマド
プール イアン
プール イアン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Publication of JP2014213202A publication Critical patent/JP2014213202A/ja
Application granted granted Critical
Publication of JP6325322B2 publication Critical patent/JP6325322B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Processing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)

Description

本明細書において説明する実施形態は、一般に、患者の三次元（３Ｄ）画像データセットに関し、より詳細には、どのようにしてその中において解剖学的ランドマークを位置決めするかに関する。
医療分野では、三次元（３Ｄ）画像データセット、すなわちボリュームデータセットは、コンピュータ断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）、磁気共鳴（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ）、単光子放出コンピュータ断層撮影（Ｓｉｎｇｌｅ Ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）、超音波および陽電子放出断層撮影（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）を含むさまざまな技法（医療分野ではモダリティと呼ばれる）によって収集される。ボリュームデータは、３Ｄグリッド内に配置された複数のボクセルを備える。各ボクセルは、それに結び付けられたボクセル値を有する。このボクセル値は、物理的パラメータの測定値を表す。たとえば、ＣＴスキャンの場合、ボクセル値は、これらのボクセルのＸ線に対する不透明度、すなわちそれらのＸ線阻止能を表す。Ｘ線阻止能は、密度（単位容積あたりの質量）と密接に相関するハンスフィールドユニット（ＨＵ）単位で計測する。
解剖学的ランドマーク（標識点）は、患者画像にラベルを付すうえで重要な役割を果たす。従来の方法では、解剖学的ランドマークは、それ自身の特定の部位を定めるため、または距離の測定もしくは角度の測定などの測定に用いるため、もしくは別のランドマークに対する部位を提供するためのいずれかの目的で臨床医により１つの基準点として用いられる。
ボリュームデータセットは、ボリューム患者データセットすなわち３Ｄ患者データセットから計算した二次元（２Ｄ）画像を画面に示す視覚化アプリケーション、すなわちコンピュータプログラムにより視覚化される。３Ｄオブジェクトの二次元（２Ｄ）画像を計算する処理は、ボリュームレンダリングと呼ばれる。ボリュームレンダリングは、たとえば、スラブ多断面再構成（ＭＰＲ）に適用することができる。
ボリュームデータセット内の解剖学的ランドマークの正確な検出および分類は、患者画像データのユーザナビゲーションを可能にすることができ、前後関係に依存した機能および分析のトリガに用いることができるので、レンダリングアプリケーションに有用である。解剖学的ランドマークは、たとえば、プリセットの大規模なライブラリの中からの潜在的に適切なプリセットの選択肢など、前後関係に基づく視覚化オプションを提供するために用いることができる。［プリセットは、通常、特定の組織型の視覚化に適することが知られているウィンドウレベルとウィンドウ幅の特定の組み合わせを選択することによって、画像データセット内の画像値とユーザに対して表示されるときにそれらの画像値を有するどのシェードピクセルまたはボクセルが与えられるかとのマッピングを定める］。解剖学的ランドマークは、セグメンテーションの助けとして、またはセグメンテーションデータと共に、用いることもできる。
解剖学的ランドマークはまた、２人の異なる患者からの画像または異なるときに撮影した同じ患者の画像（たとえば、１秒の何分の１離れて撮影した映画フレーム、または手術前と手術後もしくは外傷前と外傷後など数週間、数か月、または数年の間隔をあけて撮影した画像）などの異なる画像の比較および元のデータなしでのそれらの登録を可能にする。
解剖学的ランドマークは、視覚化アプリケーションを用いる臨床医による解釈の助けとして従来の方法で用いることもできる。
しかし、患者データの性質は、本質的に動的でありノイズが多い。さらに、人体は、たとえば年齢によって決まるように、形状および形態がさまざまであり、そのため、患者画像におけるランドマークの正確な位置決めは常に課題である。
したがって、自動化された方法でランドマークを正確に設置することは、視覚化アプリケーションの重要なタスクである。
決定木またはディシジョンフォレスト（ｄｅｃｉｓｉｏｎ ｆｏｒｅｓｔ）によって提供される手法などの判別分類手法は、患者画像データセットにおいて解剖学的ランドマークを設置する１つの既知の自動化された手法である。
解剖学的ランドマークを設置する判別分類手法は、個々のランドマーク候補を独立に生成するので、このことは、一例として次に説明するように欠点となりうる。
図１は、患者の胸部および骨盤領域のＣＴ画像データセットの画像である。画像の上に重ねられているのは、いくつかのランドマーク点である。「十字」のランドマーク点は、正確であり、手動による設置から得られる、すなわちグランドトゥルース（ｇｒｏｕｎｄ ｔｒｕｔｈ）を表す。「ドット」のランドマーク点は、従来技術のディシジョンフォレスト（ｄｅｃｉｓｉｏｎ ｆｏｒｅｓｔ）におけるクラシフィケーションフォレスト（ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｏｒｅｓｔ）法によって設置された部位にあり、軽微な誤差と大誤差の混合を組み込む。対応するグランドトゥルース（十字）のランドマーク点およびモデリングされた（ドット）のランドマーク点は、直線とリンクされる。線が示されていない場合、この画像のグランドトゥルースセットにランドマークは出現しない。分類手法により、解剖学的ランドマークの部位が、独立して割り当てられている。しかし、解剖学的知識によれば、検出されるランドマークの適切な構成は破られている。これは、ランドマークの相対的位置関係を全体的に認識していないことに起因する。適切に識別されたランドマークは、他のランドマークの設置における誤差を補正するのを助けることはできない。
具体的には、図１の右手の楕円内部のモデル化された（ドット）ランドマークは、グランドトゥルース（十字）のランドマークと比較して大きく誤って設置されており、その上にいくらかの距離があるが、クラシフィケーションフォレストモデルは、大きく誤って設置されたランドマークを補正する手がかりとして、（ほとんど）正確に設置された隣接するランドマークを用いることはできない。
さらに、画像の右下近くにおいて円で囲まれたモデル化された（ドット）ランドマークのクラスタは、実際には、頭部ランドマークである。ディシジョンフォレストは、隣接する検出されたランドマークを空間的に認識しないので、そのため、明らかな誤分類誤差があるにもかかわらず、それらのランドマークの位置が補正されないので、クラシフィケーションフォレストによる頭部のランドマークの設置が行われる。この特徴は、他のタイプのディシジョンフォレストを含む識別による検出手法に一般的である。
以上のことから、解剖学的ランドマークの位置の特定において、ディシジョンフォレストなどのｃｌａｓｓｉｆｉｃａｔｉｏｎ（識別）手法が用いられている。この手法では、複数のランドマーク各々は、独立に識別処理される。このため、複数のランドマーク各々の間での関連性は、考慮されていない。これらのことから、ランドマークの誤検出および誤配置が発生する問題がある。
Ａｎｔｏｎｉｏ Ｃｒｉｍｉｎｉｓｉ、ａｎｄ Ｊａｍｉｅ Ｓｈｏｔｔｏｎ． （２０１３） Ｄｅｃｉｓｉｏｎ Ｆｏｒｅｓｔｓ ｉｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ａｎａｌｙｓｉｓ． Ｓｐｒｉｎｇｅｒ ＩＳＢＮ９７８−１−４４７１−４９２８−６． Ａｎｔｏｎｉｏ Ｃｒｉｍｉｎｉｓｉ、Ｊａｍｉｅ Ｓｈｏｔｔｏｎ、ａｎｄ Ｓｔｅｆａｎｏ Ｂｕｃｃｉａｒｅｌｌｉ． （２００９） Ｄｅｃｉｓｉｏｎ Ｆｏｒｅｓｔｓ ｗｉｔｈ Ｌｏｎｇ−Ｒａｎｇｅ Ｓｐａｔｉａｌ Ｃｏｎｔｅｘｔ ｆｏｒ Ｏｒｇａｎ Ｌｏｃａｌｉｚａｔｉｏｎ ｉｎ ＣＴ Ｖｏｌｕｍｅｓ ＭＩＣＣＡＩ−ＰＭＭＩＡ ｗｏｒｋｓｈｏｐ、２００９． Ａｎｔｏｎｉｏ Ｃｒｉｍｉｎｉｓｉ、Ｊａｍｉｅ Ｓｈｏｔｔｏｎ、Ｄｕｎｃａｎ Ｒｏｂｅｒｔｓｏｎ、ａｎｄ Ｅｎｄｅｒ Ｋｏｎｕｋｏｇｌｕ． （２０１１） Ｒｅｇｒｅｓｓｉｏｎ Ｆｏｒｅｓｔｓ ｆｏｒ Ｅｆｆｉｃｉｅｎｔ Ａｎａｔｏｍｙ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｌｏｃａｌｉｚａｔｉｏｎ ｉｎ ＣＴ Ｓｔｕｄｉｅｓ ＭＩＣＣＡＩ ２０１０ Ｗｏｒｋｓｈｏｐ ＭＣＶ、ＬＮＣＳ６５３３、ｐ１０６−１１７、２０１１． Ｊ Ｒｏｓｓ Ｑｕｉｎｌａｎ．Ｃ４．５：Ｐｒｏｇｒａｍｓ ｆｏｒ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｍｏｒｇａｎ Ｋａｕｆｍａｎｎ ｓｅｒｉｅｓ ｉｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｍｏｒｇａｎ Ｋａｕｆｍａｎｎ、１９９３． Ｔ．Ｆ．Ｃｏｏｔｅｓ、Ｃ．Ｊ．Ｔａｙｌｏｒ、Ｄ．Ｈ．Ｃｏｏｐｅｒ、ａｎｄ Ｊ． Ｇｒａｈａｍ． 「Ａｃｔｉｖｅ ｓｈａｐｅ ｍｏｄｅｌｓ−ｔｈｅｉｒ ｔｒａｉｎｉｎｇ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ」 Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｉｍａｇｅ Ｕｎｄｅｒｓｔａｎｄｉｎｇ（６１）：３８−５９ １９９５． Ｔｉｌｏ Ｓｔｒｕｔｚ。（２０１０） 「Ｄａｔａ Ｆｉｔｔｉｎｇ ａｎｄ Ｕｎｃｅｒｔａｉｎｔｙ − Ａ ｐｒａｃｔｉｃａｌ ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｗｅｉｇｈｔｅｄ ｌｅａｓｔ ｓｑｕａｒｅｓ ａｎｄ ｂｅｙｏｎｄ」 Ｖｉｅｗｅｇ＆Ｔｅｕｂｎｅｒ、ＩＳＢＮ９７８−３−８３４８−１０２２−９．
目的は、複数の解剖学的ランドマークの間における関連性を考慮することにより、解剖学的ランドマークの配置の精度を向上可能な医用画像処理装置、医用画像処理方法および医用画像処理プログラムを提供することにある。
本実施形態に係る医用画像処理装置は、平均形状を示す複数の第１標識点各々を関連づけることにより前記第１標識点各々の移動範囲を拘束する拘束条件と前記第１標識点とを有する平均形状データと、医用画像データとを記憶する記憶部と、前記医用画像データと教師あり学習による機械学習処理とに基づいて、前記医用画像データから複数の第２標識点を抽出し、前記第２標識点各々を含む領域内の尤度分布を決定する抽出決定部と、前記第１標識点と前記第２標識点と前記拘束条件とに基づいて、前記平均形状データと前記医用画像データとの位置合わせを実行する位置合わせ部と、前記位置合わせにおける前記第１標識点と前記第２標識点と所定の閾値とに基づいて、前記第２標識点から外れ値を除去する外れ値除去部と、前記位置合わせと前記拘束条件とに従って前記平均形状を変形することにより移動された前記第１標識点の位置と前記尤度分布とに基づいて、前記位置にそれぞれ対応する複数の尤度を結合した結合尤度を、前記平均形状の変形毎に計算する結合尤度計算部と、前記複数の結合尤度のうち最大の結合尤度に対応する前記平均形状の変形と、前記第１標識点と前記外れ値を除去した前記第２標識点とに基づいて、前記医用画像データにおける解剖学的標識点を決定する解剖学的標識点決定部と、を具備する。
図１は、従来技術に係り、モデルの設置された（「ドット」）解剖学的ランドマークおよびグランドトゥルース（「十字」）解剖学的ランドマークが重ねられた、患者の胸部および骨盤領域のＣＴ画像データセットの画像を示す図である。 図２は、不偏トレーニングデータセットの生成を示す図である。 図３は、既知の技法によりディシジョンフォレストを構成する各決定木における分類の原理を示す図である。 図４Ａは、ディシジョンフォレストのトレーニングを示すブロック概略図である。 図４Ｂは、ディシジョンフォレスト内の個別の木のトレーニングを示すブロック概略図である。 図５は、新規な、すなわち未知の、データセットにディシジョンフォレストを適用する処理を示すフロー図である。 図６は、所与のランドマーク点（ｘ）に対する長距離空間特徴ボックスサイズ（ｓ）およびオフセット（Ｏ）パラメータの２Ｄ図である。 図７は、ディシジョンフォレストをトレーニングする前景および背景サンプリング生成を表す図である。背景サンプルは、破線の円の外部の区域からランダムに（置き換えで）選択され、前景サンプルは、最も小さい破線の円の内部の区域からランダムに（置き換えなしで）選択される。 図８は、骨盤の解剖学的ランドマークを概略的に示す図である。図８のランドマークの周囲の小さい方の円で囲まれた領域は、この特定のランドマークを訓練する目的で前景サンプルを選択するために用いられる。大きい方の円の外側の領域は、背景サンプルを選択するために用いられる。 図９は、点分布モデル（ｐｏｉｎｔ ｄｉｓｔｒｉｂｕｔｉｏｎ ｍｏｄｅｌ：ＰＤＭ）のトレーニングを示すブロック概略図である。 図１０は、新規な、すなわち未知の、データセットに対するディシジョンフォレストの結果をＰＤＭに適用する処理を示すフロー図である。 図１１は、ディシジョンフォレストを適用した後の新規なデータセットに対するＰＤＭの初期フィッティング（初期位置合わせ）を示すフロー図である。 図１２は、人体のＣＴ画像における例示的な結果を概略的に示す画像を示す図である。 図１３は、それぞれＡおよびＢのラベルが付された、人体を示す１対のＣＴ画像を示す図である。「Ａ」ラベルの画像は、ディシジョンフォレストによる初期ランドマーク設置後の中間結果を概略的に示し、「Ｂ」ラベルの画像は、ＰＤＭを適用した後の最終結果を概略的に示す。 図１４は、それぞれＡおよびＢのラベルが付された、人体を示す１対のＣＴ画像を示す図である。「Ａ」ラベルの画像は、ディシジョンフォレストによる初期ランドマーク設置後の中間結果を概略的に示し、「Ｂ」ラベルの画像は、ＰＤＭを適用した後の最終結果を概略的に示す。 図１５は、それぞれＡおよびＢのラベルが付された、人体を示す１対のＣＴ画像を示す図である。「Ａ」ラベルの画像は、ディシジョンフォレストによる初期ランドマーク設置後の中間結果を概略的に示し、「Ｂ」ラベルの画像は、ＰＤＭを適用した後の最終結果を概略的に示す。 図１６は、それぞれＡおよびＢのラベルが付された、人体を示す１対のＣＴ画像を示す図である。「Ａ」ラベルの画像は、ディシジョンフォレストによる初期ランドマーク設置後の中間結果を概略的に示し、「Ｂ」ラベルの画像は、ＰＤＭを適用した後の最終結果を概略的に示す。 図１７は、それぞれＡおよびＢのラベルが付された、人体を示す１対のＣＴ画像を示す図である。「Ａ」ラベルの画像は、ディシジョンフォレストによる初期ランドマーク設置後の中間結果を概略的に示し、「Ｂ」ラベルの画像は、ＰＤＭを適用した後の最終結果を概略的に示す。 図１８は、それぞれＡおよびＢのラベルが付された、人体を示す１対のＣＴ画像を示す図である。「Ａ」ラベルの画像は、ディシジョンフォレストによる初期ランドマーク設置後の中間結果を概略的に示し、「Ｂ」ラベルの画像は、ＰＤＭを適用した後の最終結果を概略的に示す。 図１９は、具体的には、それぞれ自動的に配置されたランドマークに関して、自動的に配置されたランドマークに対応するグランドトゥルースランドマークからの上記ランドマークの隔たりによって計測された誤差による、図１３乃至図１８の例および異なる形態における他の例の結果を示す表である。 図２０Ａは、単にディシジョンフォレストを用いる方法のための局在（ｌｏｃａｌｉｓａｔｉｏｎ）受信者動作者特性（ＲＯＣ：Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｏｒ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）曲線を示す図である。 図２０Ｂは、ディシジョンフォレストおよびＰＤＭを用いる方法のための局在ＲＯＣ曲線を示す図である。 図２１は、診断デバイスおよび関連機器の例示的なネットワークを示す概略図である。 図２２は、ボリュームデータを生成するための一般的なＣＴスキャナを示す図である。 図２３Ａは、本実施形態により画像データを処理するためのコンピュータシステムを概略的に示す図である。 図２３Ｂは、本実施形態により画像データを処理するためのコンピュータシステムを概略的に示す図である。 図２４は、コンピュータシステムの機構のうちのいくつかをより詳細にかつ概略的に示す図である。
特定の実施形態は、患者の一部またはすべての三次元画像データセットにおける複数の解剖学的ランドマークのセットを位置決めするデータ処理方法を実行するように動作可能なコンピュータ装置であって、ａ．複数の解剖学的ランドマークのセットのそれぞれを配置するようにトレーニングされた訓練済み教師あり機械学習アルゴリズム（ｓｕｐｅｒｖｉｓｅｄ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍ）を提供することと、ｂ．三次元画像データセットに対して複数の解剖学的ランドマークのセットを配置するために、教師あり機械学習アルゴリズムを適用することと、ｃ．さまざまな患者における複数のランドマークのセット関する位置を表す平均形状（ｍｅａｎ ｓｈａｐｅ）と共分散行列とを有するトレーニングされた点分布モデル（ｐｏｉｎｔ ｄｉｓｔｒｉｂｕｔｉｏｎ ｍｏｄｅｌ）を提供することと、ｄ（ｉ）平均形状および共分散行列に関するしきい値より上の不確定度を有する位置のいかなるランドマークも除去することと、続いて、ｄ（ｉｉ）共分散行列の固有ベクトルの線形結合から導き出される新しい形状が妥当である結合尤度（ｊｏｉｎｔ ｌｉｋｅｌｉｈｏｏｄ）を最大にすることによって残りのランドマークの位置の最適化とによって、点分布モデルを、教師あり機械学習アルゴリズムから出力された複数の位置における複数のランドマークのセットに適用することと、を備えるコンピュータ装置を提供する。
特定の実施形態によれば、ｄ（ｉ）でランドマークを除去する場合、そのランドマークは後で、平均形状に関する他のランドマークから得られる場所のところで置き換えられる。
特定の実施形態によれば、置き換えられるランドマークが最適化に含まれるように、ランドマークの再配置は最適化の前に実行される。
特定の実施形態によれば、点分布モデルにおけるランドマークの除去は、重み付き最小トリム二乗法（ｗｅｉｇｈｔｅｄ ｌｅａｓｔ ｔｒｉｍｍｅｄ ｓｑｕａｒｅ）を反復的に算出することによってなされ、各反復により、最高の残差二乗和（ｒｅｓｉｄｕａｌ ｓｑｕａｒｅｄ ｓｕｍ）を有するランドマークが除去され、反復は、この最高の残差二乗和がしきい値を下回るときに終了する。
特定の実施形態によれば、トレーニングされた教師あり機械学習アルゴリズムは、ディシジョンフォレスト（ｄｅｃｉｓｉｏｎ ｆｏｒｅｓｔ）アルゴリズムである。
特定の実施形態によれば、このディシジョンフォレストアルゴリズムは、分類に基づく。
特定の実施形態によれば、このディシジョンフォレストアルゴリズムは、回帰に基づく。
特定の実施形態は、患者の一部またはすべての三次元画像データセットにおける解剖学的ランドマークのセットを位置決めする方法であって、ａ．複数の解剖学的ランドマークのセットのそれぞれを配置するようにトレーニングされた訓練済み教師あり機械学習アルゴリズムを提供することと、ｂ．三次元画像データセットに対して複数の解剖学的ランドマークのセットを配置するために教師あり機械学習アルゴリズムを適用することと、ｃ．さまざまな患者における複数のランドマークのセット関する位置を表す平均形状と共分散行列とを有するトレーニングされた点分布モデル（ｐｏｉｎｔ ｄｉｓｔｒｉｂｕｔｉｏｎ ｍｏｄｅｌ）を提供することと、ｄ．ｄ（ｉ）平均形状および共分散行列に関するしきい値より上の不確定度を有する位置のいかなるランドマークも除去することと、続いて、ｄ（ｉｉ）共分散行列の固有ベクトルの線形結合から導き出される新しい形状が妥当である結合尤度を最大にすることによって残りのランドマークの位置の最適化とによって、点分布モデルを、教師あり機械学習アルゴリズムから出力された複数の位置における複数のランドマークのセットに適用することとを備える方法を提供する。
特定の実施形態によれば、ｄ（ｉ）でランドマークを除去する場合、そのランドマークは後で、平均形状に関する他のランドマークから得られる場所のところで置き換えられる。
特定の実施形態によれば、置き換えられるランドマークが最適化に含まれるように、ランドマークの再配置は、最適化の前に実行される。
特定の実施形態によれば、点分布モデルにおけるランドマークの除去が、重み付き最小トリム二乗法を反復的に算出することによってなされ、各反復により、最高の残差二乗和を有するランドマークが除去され、反復は、この最高の残差二乗和がしきい値を下回るときに終了する。
特定の実施形態によれば、トレーニングされた教師あり機械学習アルゴリズムは、ディシジョンフォレストアルゴリズムである。
特定の実施形態によれば、このディシジョンフォレストアルゴリズムは、分類に基づく。
特定の実施形態によれば、このディシジョンフォレストアルゴリズムは、回帰に基づく。
特定の実施形態は、患者の一部またはすべての三次元画像データセットにおける複数の解剖学的ランドマークのセットを位置決めするコンピュータ自動データ処理方法を行うための機械可読命令を記憶する、一時的でないコンピュータプログラム製品であって、ａ．複数の解剖学的ランドマークのセットのそれぞれを配置するようにトレーニングされた訓練済み教師あり機械学習アルゴリズムを提供することと、ｂ．三次元画像データセットに対して複数の解剖学的ランドマークのセットを配置するために教師あり機械学習アルゴリズムを適用することと、ｃ．さまざまな患者における複数のランドマークのセット関する位置を表す平均形状と共分散行列とを有するトレーニングされた点分布モデル（ｐｏｉｎｔ ｄｉｓｔｒｉｂｕｔｉｏｎ ｍｏｄｅｌ）を提供することと、ｄ．ｄ（ｉ）平均形状および共分散行列に関するしきい値より上の不確定度を有する位置のいかなるランドマークも除去することと、続いて、ｄ（ｉｉ）共分散行列の固有ベクトルの線形結合から導き出される新しい形状が妥当である結合尤度を最大化することによる残りのランドマークの位置の最適化によって、点分布モデルを、教師あり機械学習アルゴリズムから出力された複数の位置における複数のランドマークのセットに適用することと、を備えるコンピュータプログラム製品を提供する。
特定の実施形態は、患者の一部またはすべての三次元画像データセットにおける複数の解剖学的ランドマークのセットを位置決めするコンピュータ自動データ処理方法を行うための機械可読命令と共にロードされ、これを実行するように動作可能な、画像取得デバイスであって、ａ．複数の解剖学的ランドマークのセットのそれぞれを配置するようにトレーニングされた訓練済み教師あり機械学習アルゴリズムを提供することと、ｂ．三次元画像データセットに対して複数の解剖学的ランドマークのセットを配置するために教師あり機械学習アルゴリズムを適用することと、ｃ．さまざまな患者における複数のランドマークのセット関する位置を表す平均形状と共分散行列とを有するトレーニングされた点分布モデル（ｐｏｉｎｔ ｄｉｓｔｒｉｂｕｔｉｏｎ ｍｏｄｅｌ）を提供することと、ｄ．ｄ（ｉ）平均形状および共分散行列に関するしきい値より上の不確定度を有する位置のいかなるランドマークも除去することと、続いて、ｄ（ｉｉ）共分散行列の固有ベクトルの線形結合から導き出される新しい形状が妥当である結合尤度を最大にすることによる残りのランドマークの位置の最適化とによって、点分布モデルを、教師あり機械学習アルゴリズムから出力された複数の位置における複数のランドマークのセットに適用することと、を備える画像取得デバイスを提供する。
（ディシジョンフォレスト（ｄｅｃｉｓｉｏｎ ｆｏｒｅｓｔ））
ディシジョンフォレストとは、分類手法または回帰手法の両方を機械学習に対して実施できる一種の教師あり機械学習アルゴリズムである。一般的な概要は、次のテキストに記載されている。
Ｄｅｃｉｓｉｏｎ Ｆｏｒｅｓｔｓ ｉｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ａｎａｌｙｓｉｓ．
Ａｎｔｏｎｉｏ ＣｒｉｍｉｎｉｓｉおよびＪａｍｉｅ Ｓｈｏｔｔｏｎ
Ｓｐｒｉｎｇｅｒ ２０１３年、ＩＳＢＮ９７８−１−４４７１−４９２８−６。
医用画像データ、具体的にはＣＴデータへのディシジョンフォレストの適用に限定された、Ｃａｍｂｒｉｄｇｅ、Ｕｎｉｔｅｄ ＫｉｎｇｄｏｍのＭｉｃｒｏｓｏｆｔ Ｒｅｓｅａｒｃｈ Ｌａｂｏｒａｔｏｒｉｅｓにおける同じグループによる他の論文を以下に示す。
Ｄｅｃｉｓｉｏｎ Ｆｏｒｅｓｔｓ ｗｉｔｈ Ｌｏｎｇ−Ｒａｎｇｅ Ｓｐａｔｉａｌ Ｃｏｎｔｅｘｔ ｆｏｒ Ｏｒｇａｎ Ｌｏｃａｌｉｚａｔｉｏｎ ｉｎ ＣＴ Ｖｏｌｕｍｅｓ．
Ａｎｔｏｎｉｏ Ｃｒｉｍｉｎｉｓｉ、Ｊａｍｉｅ Ｓｈｏｔｔｏｎ、およびＳｔｅｆａｎｏ Ｂｕｃｃｉａｒｅｌｌｉ．
ＭＩＣＣＡＩ−ＰＭＭＩＡ ｗｏｒｋｓｈｏｐ、２００９．
Ｒｅｇｒｅｓｓｉｏｎ Ｆｏｒｅｓｔｓ ｆｏｒ Ｅｆｆｉｃｉｅｎｔ Ａｎａｔｏｍｙ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｌｏｃａｌｉｚａｔｉｏｎ ｉｎ ＣＴ Ｓｔｕｄｉｅｓ．
Ａｎｔｏｎｉｏ Ｃｒｉｍｉｎｉｓｉ、Ｊａｍｉｅ Ｓｈｏｔｔｏｎ、Ｄｕｎｃａｎ Ｒｏｂｅｒｔｓｏｎ、およびＥｎｄｅｒ Ｋｏｎｕｋｏｇｌｕ．
ＭＩＣＣＡＩ ２０１０ Ｗｏｒｋｓｈｏｐ ＭＣＶ、ＬＮＣＳ６５３３、１０６〜１１７ページ、２０１１年。
前者は、分類に基づいたディシジョンフォレスト（通常、文献ではクラシフィケーションフォレスト（ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｏｒｅｓｔ）と呼ぶ）を用いる方法を説明し、後者は、回帰に基づいたディシジョンフォレスト（通常、文献では回帰森（ｒｅｇｒｅｓｓｉｏｎ ｆｏｒｅｓｔ）と呼ぶ）を用いる方法を説明する。同じ著者らによる他の数多くの刊行物は、ディシジョンフォレストの種々の側面および適用について説明する。
本明細書において説明する方法の実装形態では、医用画像データに関連付けられたランドマークの初期配置を提供する本方法における第１のステップとしてクラシフィケーションフォレストを用いる。次に、点分布モデルにおける複数のランドマークの開始位置を提供するために、クラシフィケーションフォレストからランドマークを出力する。ＰＤＭについては、以下で詳しく説明する。
自己学習に基づく他の処理と同じように、クラシフィケーションフォレストアルゴリズムは、典型的には熟練したユーザによって手動で配置され、すでに知られている正しいランドマーク位置を有する複数の患者画像のトレーニングデータセットに関して複数のランドマークをどのようにして設置するかを学習する。一般に、患者集団で起きるあらゆる変動に関する全ての範囲をトレーニングデータセットが表すように注意すべきである。患者集団を正確に表すトレーニングデータセットを不偏（ｕｎｂｉａｓｅｄ）と呼ぶことがある。これらは、グランドトゥルースデータセットと呼ばれる。
図２は、複数のトレーニングデータ画像上に複数のランドマークを配置してグランドトゥルースデータを作製する不偏トレーニングデータセットの作製を概略的に示す。トレーニングでは、トレーニングデータセットを通常２つに分割する。たとえば、１２０のトレーニングデータセットがある場合、これらを無作為に２つのグループ、たとえば６０とサイズの等しい２つのグループに分割することができる。一方のグループはクラシフィケーションフォレストをトレーニングするために用いる。他方のグループは、トレーニングしたクラシフィケーションフォレストがどこに複数のランドマークを配置するかと、グランドトゥルースの配置に従えば複数のランドマークがどこにあるべきかとを比較することによって、トレーニングしたクラシフィケーションフォレストの性能を試験するために用いる。クラシフィケーションフォレストが許容できる性能（または、少なくとも既知の長所と短所と）を有すると見なされると、クラシフィケーションフォレストは、一般に、患者画像（処理を適用可能である不明なまたは新規なデータセットと呼ばれることがある）に適用可能とすることができる。
図３は、従来の技法によりディシジョンフォレストを構成する各決定木における分類の原理を概略的に示す。複数のボクセルを備えるデータ量Ｖを考える。各ボクセルｘは、決定木を下降し、特定の数の分岐ノードを通過して、最終的に葉ノードに到達する。特定の経路をたどって葉ノードに到達すると、ボクセルは、特定の尤度（確率）で各クラス（すなわち、特定のランドマークまたは背景）に割り当てられる。図３では、この割り当ては、葉ノードのところのヒストグラムによって概略的に表され、このヒストグラムでは、Ｙ軸は、Ｘ軸上に表されるランドマークのそれぞれにボクセルが属する尤度（確率）を表す。すべてのボクセルが木を通過すると、ランドマークの有無は、ランドマークに対応する異なるボクセルに関する尤度（確率）を考慮することによって決定される。決定されたランドマークの位置は、異なるボクセルがとるその平均的な位置を計算することによって予測される。
図３に概略的に示すように、各分岐ノード（判定）は、いわゆる特徴θiとしきい値τiと関連付けられる。所定のボクセルｘの特徴に対して関数（θi，ｘ）を算出し、結果として得られる値をしきい値と比較する。ｆ（θi，ｘ）の値がしきい値τiより大きい場合、木の中のすべてのボクセルに対する分類経路は左側をなぞり、そうでない場合は右側をなぞる。特徴は、後の図４Ｂにおいて説明する。
図４Ａは、従来の技法を用いるディシジョンフォレストトレーニング処理を表す概略図である。
ディシジョンフォレストをトレーニングするために、ランドマークのグランドトゥルース配置を有するＮ個のトレーニングデータセットを用意する。数Ｎは、通常５０から２００であるが、大きさは、母集団における変動の程度などの要因に依存する。
次に、トレーニングデータの選定を行う。Ｎ個のデータセットのサブセットＭを、置き換えにより無作為に選択し（ここで、Ｍ＜＜Ｎ）、ｔ番目の決定木に割り当てる。これを、森のＴ個の木すべてに対して繰り返す。したがって、各木は、トレーニングすべきトレーニングデータセットのサブセットに割り当てられ、これらのサブセットは重複してもよい。
次に、各木を個別にトレーニングし、次いで、木を１つの森ファイル（ｆｏｒｅｓｔ ｆｉｌｅ）に記憶する。
図４Ｂは、確立された技法によるディシジョンフォレスト内の個別の木のトレーニングを示すブロック概略図である。
図４Ｂに表されるステップＳ１からＳ３では、前景領域と背景領域とを定義して、Ｍ個のデータセットからサンプリングする。これは、ランドマークの周囲で前景領域を定義して、次に、他のすべてのボクセルを背景領域ボクセルと定義することによってなされる。次に、前景の場合は、置き換えを行わずにサンプル（すなわちボクセル）を無作為に選択し、背景の場合は、置き換えを行ってサンプルを無作為に選択する。
したがって、ステップＳ１では、任意のランドマークの所与の範囲内に存在するすべてのボクセルからなる前景領域を定義する。
ステップＳ２では、前景領域内にあると定義されていないすべてのボクセルからなる背景領域を定義する。
ステップＳ３では、前景および背景からいくつかのサンプル（ボクセル）を選択する。前景の場合、置き換えを行わずにサンプルを無作為に選択する、すなわち、それぞれは一意である。背景の場合、置き換えを行ってサンプルを無作為に選択する。どのランドマークが各前景サンプルに関係するかを記録する。
図４Ｂに表されるステップＳ４からＳ６では、特徴を定義する。オフセットと、ボックスサイズと、チャネル（以下で詳しく説明する）とを無作為に割り当てて、Ｆ個の特徴のリストを定義する。サンプルごとに、Ｆ個の要素からなる特徴ベクトルを算出する。次に、これらの特徴ベクトルのそれぞれにランドマーククラスまたは背景のラベルを割り当てる。
したがって、ステップＳ４では、オフセット、ボックスサイズ、およびチャネル（これらの用語は、図６の説明で定義する）の値を無作為に割り当てることによって、Ｆ個の「特徴」のリストを定義する。１つの特徴は、オフセット、ボックスサイズ、およびチャネルの３つ１組の値からなる。したがって、このリストは、このようなＦ個の３つ組からなる。各特徴は、サンプルに対して適用可能であるサンプリング方法を定める。リストの長さＦは、大きくてもよい。たとえば、一実施形態では、リストは、２５００個の特徴を含む。図３に関して説明した特徴θiにおける添え字ｉは、Ｆ個の特徴各々を区別する為の数字である。特徴θiは、ｉ番目の特徴ベクトルに対応する。すなわち、１≦ｉ≦Ｆである。
ステップＳ５では、サンプルごとに、Ｆ個の要素の特徴ベクトルを算出する。すなわち、３つ組ごとに、サンプルから、指定のオフセットとボックスサイズとを適用し、ボックス内のボクセルに基づいて、指定のチャネルを算出する。
ステップＳ６では、特徴ベクトルのそれぞれに、背景として、または特定のランドマークに関連するとしてのいずれかのラベルを付す。
図４Ｂに表すステップＳ７からＳ１０では、サンプル（と、関連する、ラベルの付された特徴ベクトルと）を用いて決定木をトレーニングする。この目的は、各分岐ノードに対する単一の特徴およびしきい値を選ぶことであり、これによって、木を使用しているとき、そのノードにおける「判定」が可能になる。
したがって、ステップＳ７では、サンプルのセットを木のノードに渡す。最初の場合、サンプルの全セットを木の根ノードに渡す。以降の繰り返しでは、木の後のノードになればなるほど、ノードに渡すサブセットはますます小さくなる。
ステップＳ８では、現在のノードにおけるサンプルセット内の特徴のそれぞれの「情報利得」を、以下のＣ４．５アルゴリズムを用いて計算する。
Ｊ Ｒｏｓｓ Ｑｕｉｎｌａｎ。Ｃ４．５：Ｐｒｏｇｒａｍｓ ｆｏｒ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ．
Ｍｏｒｇａｎ Ｋａｕｆｍａｎｎ ｓｅｒｉｅｓ ｉｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ．
Ｍｏｒｇａｎ Ｋａｕｆｍａｎｎ、１９９３年。
ステップＳ９では、Ｃ４．５アルゴリズムにより、サンプルセットを２つの異なるサブセットに最も良く分割する特徴（と、関連付けられたしきい値と）が選択される。この選択された特徴としきい値とを現在のノードに割り当てる。この現在のノードは、ここで「分岐ノード」と呼ばれるようになる。
ステップＳ１０では、選択された特徴およびしきい値に従ってサンプルを分割し、以降のノードに割り当てる。その後、停止基準に達するまで、ステップＳ７からＳ９を繰り返す。たとえば、停止基準は、サンプルサブセットのサイズが最小サイズを下回るとすることができる。
図５は、トレーニングしたディシジョンフォレストの新規なデータセットへの適用を示す模式的なブロック概略図である。
ステップＴ１では、新規なデータセット、たとえばＣＴスキャンのボリュームデータを想定すると、検出環境では、埋め込み値を最初に確認することによってデータを前処理し、その結果、検出中に埋め込みボクセルを用いない。埋め込み値は、ＣＴスキャン内のボクセルがデータの一部でないことを示すためにとる値である。通常、この値は可能なデータ値の範囲外であり、この埋め込み値を有するあらゆるボクセルは、データの一部として処理するべきではない。
ステップＴ２では、データセットを、患者空間内の軸調整のために回転される。患者空間は、ＣＴスキャナ内でのヒトに関する標準的な解剖学的位置を表すために、データ収集時にスキャン手順に沿って一般に整列される解剖学的座標系である。
ステップＴ３では、処理時間を短縮するために、データセットの規模を特定の係数だけ縮小する（たとえば、１ボクセルあたり４ｍｍに縮小する）。
前処理を行うと、データセットの各ボクセルに、根ノードで始まる森の木を下行させる。
ステップＴ４では、所与の分岐ノードのところで、そのノードに定められる特徴を算出する。ステップＴ５では、算出した値を、そのノードで関連付けられた記憶されたしきい値と比較する。この比較の結果に従って、ボクセルを右側または左側の子ノードに渡す。ボクセルが葉ノードに到達するまで、ステップＴ４とＴ５とを繰り返す。
ステップＴ６では、葉ノードに到達したら、（上記で図３に関して説明したように）このノードのクラスの尤度にボクセルを割り当てる。
データセット内の各ボクセルに対して、および森の中のすべての木に対して、処置（ステップＴ４からＴ６）を繰り返す。
ステップＴ７では、各ボクセルに対して、すべてのクラス／ランドマークにおけるこのボクセルに対する尤度値を得るために、すべての木からの尤度の平均値を算出する。
ステップＴ８に示すように、これにより、森の中のすべての木から導き出される各クラス（特定のランドマーク、または背景）に対する尤度群（ｌｉｋｅｌｉｈｏｏｄ ｃｌｏｕｄ）が生成される。
効率を良くするために、特定の実施形態では、すべてのボクセルの尤度を評価するとは限らない。つまり、すべてのボクセルが木ノードを通過するとは限らない。これは、データ量を通じて繰り返すときに特定の数のボクセルをスキップすることによってなされる。
ステップＴ９では、これらのスキップしたボクセルにおける尤度を周囲の値から補間する。
ステップＴ１０では、特定のランドマークの最終的な尤度値を群内の最高値となるようにとり、３Ｄにおけるこの最高値の場所は、図５の最終的な画像に概略的に示されるように、データセット内のランドマーク位置となるようにとる。
上記で説明したように、分岐ノードは、どの経路を特定のボクセルがたどるべきかを判定することができるように特徴を用いる。これらの特徴は、特定のチャネル内で算出される、各ランドマークのランダムなオフセットおよびボックスサイズに基づく。
図６に概略的に示すように、特徴ＦをオフセットＯおよびボックスサイズＳとしてパラメータ化する。オフセットＯ＝（Ｏｘ；Ｏｙ；Ｏｚ）は、ｘにおけるランドマーク位置から特徴の直方体（本明細書では、この２Ｄの図においてボックスと呼ぶ）の中心Ｓまでの３Ｄユークリッド距離である。この直方体の３Ｄのサイズは、パラメータＳ＝（Ｓｘ；Ｓｙ；Ｓｚ）によって定められる。
特徴の別のパラメータは、各特徴をデータの特定の表現から算出するチャネルＣ（たとえば放射線濃度、勾配）であり、これらの表現のそれぞれをチャネルと呼ぶ。たとえば、放射線濃度チャネルは、ＨＵ単位で表されるデータの強度値の単純な表現であり、勾配チャネルは強度の勾配値の大きさである。これらのチャネルのうちの１つを用いて各特徴を算出し、このチャネルを無作為に決定する。
トレーニングのとき、サンプルをデータセットから抽出して、このボクセルのグランドトゥルースデータである所与のラベルを有する木に提示する（すなわち、このボクセルはランドマークであるか、または背景である）。
図７は、ディシジョンフォレストをトレーニングするために用いられる前景および背景サンプリング方針を概略的に示す。背景サンプルは、破線の円の外部の区域からランダムに選択し（置き換えを行う）、前景サンプルは、最も小さい破線の円の内部の区域からランダムに選択する（置き換えは行わない）。
図７において、Ｖｓはディシジョンフォレストのトレーニングに係るボリュームデータを、２次元として示した図である。図７において、
は、埋め込み値に関する領域を示してる。Ｂｖｃは、背景領域を示している。Ｉｖｃは、ランドマークを取り囲む前景領域を示している。Ｎｖｃ（ｌｍ）は、ランドマークｌｍに関する尤度群（ｌｉｋｅｌｉｈｏｏｄ ｃｌｏｕｄ）を示している。Ｉｉｎｔは、前景領域と背景領域との中間領域を示している。
図８は、骨盤の解剖学的ランドマークを概略的に示す。小さい方の円で囲まれた領域は、この特定のランドマークを訓練する目的で前景サンプルを選択するために用いる。大きい方の円の外側の領域は、たとえば図７の陰影の付いた四角によって概略的に示される背景サンプルなどの、背景サンプルを選択するために用いる。
（点分布モデル：Ｐｏｉｎｔ Ｄｉｓｔｒｉｂｕｔｉｏｎ Ｍｏｄｅｌ（ＰＤＭ））
点分布モデル（ＰＤＭ）は、Ｃｏｏｔｅｓおよび共同研究らによって提唱されたものであり、以後、画像内の特徴を識別するための画像処理における標準的な方法となっている。
Ｔ．Ｆ．Ｃｏｏｔｅｓ、Ｃ．Ｊ．Ｔａｙｌｏｒ、Ｄ．Ｈ．Ｃｏｏｐｅｒ、およびＪ． Ｇｒａｈａｍ．
「Ａｃｔｉｖｅ ｓｈａｐｅ ｍｏｄｅｌｓ−ｔｈｅｉｒ ｔｒａｉｎｉｎｇ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ」
Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｉｍａｇｅ Ｕｎｄｅｒｓｔａｎｄｉｎｇ（６１）：３８〜５９（１９９５年）．
ＰＤＭ法では、ターゲットとなる物体またはパターンは、手などの特定の物体の輪郭を追跡するランドマークのセットなどの、点またはランドマークのセットによって定められる。たとえば、手の１つのランドマークは、指の先端とすることができる。ＰＤＭ法は、次に、画像の上にランドマークをおおよそ重ね、次いで、ランドマークを短い距離だけ反復的に移動させて最適な位置を見つけることに基づく。ランドマークのこの反復的な移動を引き起こす機能は、このような画像に物体がどのように出現するかについての代表的な変動を包含する画像のセットに対してトレーニングすることによって最適化される機能である。トレーニング画像は、グランドトゥルースデータを提供するようにそれらの画像上に通常手動で位置決めされるランドマークを有する。
本方法においては、複数のランドマーク（標識点）各々は、たとえば特定の骨、臓器、または内腔を基準とする医学的に重要な解剖学的ランドマークを表す。
本方法では、クラシフィケーションフォレストから出力された検出済みのランドマークを後処理するために、点分布モデル（ＰＤＭ）を用いる。他の実施形態では、ＰＤＭの代わりに、異なる生成モデルを用いることができる。言い換えれば、ＰＤＭは、解剖学的ランドマークのための分類アルゴリズムの尤度値を後処理するために用いられる。
図９は、不偏トレーニングセットを作製し、次にＰＤＭをトレーニングするための主要なステップを示す。ＰＤＭは、グランドトゥルースデータセット上でトレーニングされる。異なる身体区画から収集されたいくつかのデータセットからのランドマークの集まりは、トレーニングセットを構成する。
ここで、υkはランドマークである。
ここで、ｓkは、ｋ回目のスキャンからのランドマークのセットである。
このトレーニングセットは、最適な性能を発揮するために不偏であるべきである。すなわち、いくつかのランドマークがいくつかのグランドトゥルースデータセットから失われている状況を考慮に入れるべきである。
Ｎi＝Ｎj ∀ｉ．ｊ
ここで、Ｎiは、トレーニングセットＳに表れる特定のランドマークの数である。
不偏値は、あらゆるランドマークの平均である。
ＰＤＭはランドマークの空間変化をモデル化したものである。ＰＤＭは、具体的には、
ＰＤＭの平均形状、
と、トレーニングデータセットＳに含まれる複数の特徴ベクトルθに関する多変数の相関関係を示す共分散行列ΣSと複数の特徴ベクトルθにそれぞれ対応する複数の固有値λとにより構成される固有系（Ｅｉｇｅｎｓｙｓｔｅｍ）、
ｄｅｔ（ΣS−λｌ）＝０、
およびｂ空間（ｂ−Ｓｐａｃｅ）を与える。それにより、最良の形状を見つけるためのより少数のパラメータに対する最適化が実現される。ｂ空間とは、例えば、異なる平均形状各々に関する解剖学的標識点の位置をパラメータとする空間である。
次に、トレーニングしたＰＤＭを新規なデータセットに対して、ＰＤＭに関する文献に記載されているように、２つの主な段階、すなわち、ＰＤＭの初期適合と、それに続く、結合尤度による最適化で適用する。
分類手法から検出したランドマークを同じ形状または構成モデルの一部として扱うことを可能にするために、これらのランドマークは、少なくとも、ＰＤＭによって定められる平均形状に属しなければならない。
図１０は、新規なデータセットに対してディシジョンフォレストとＰＤＭとをどのように適用するかについての概要を示す図である。
ステップＵ１、新規なデータセットを受け取る。
ステップＵ２、トレーニングしたディシジョンフォレストを適用して、各ランドマークに対する尤度群（ｌｉｋｅｌｉｈｏｏｄ ｃｌｏｕｄ）を生成する。
ステップＵ３、以前にトレーニングしたＰＤＭから算出した「平均形状」および「ｂ空間」を受け取る。
ステップＵ４、以下で図１１に関して説明する初期適合段階を行う。
ステップＵ５、後述するｂ空間の最適化を実行する。
図１１は、次に説明する、図１０のステップＵ４の初期適合に関係するステップを概略的に示す。この例における初期適合は、文献、たとえばテキストＴｉｌｏ Ｓｔｒｕｔｚ（２０１０年）「Ｄａｔａ Ｆｉｔｔｉｎｇ ａｎｄ Ｕｎｃｅｒｔａｉｎｔｙ − Ａ ｐｒａｃｔｉｃａｌ ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｗｅｉｇｈｔｅｄ ｌｅａｓｔ ｓｑｕａｒｅｓ ａｎｄ ｂｅｙｏｎｄ」Ｖｉｅｗｅｇ＆Ｔｅｕｂｎｅｒ、ＩＳＢＮ９７８−３−８３４８−１０２２−９に記載されている既知の方法である重み付き最小トリム二乗（ＷＬＴＳ）法を用いてなされる。
本実施形態における重み付き最小トリム二乗法は、ディシジョンフォレストによって決定されたランドマークに関する尤度を重みとすることで、残差二乗和（Ｒｅｓｉｄｕａｌｓ Ｓｑｕａｒｅｄ Ｓｕｍ：ＲＳＳ）における残差（それぞれ対応する、ＰＤＭの出力によるランドマークとディシジョンフォレストから出力されたランドマークとの差）の寄与を、尤度に応じて計算することができる。加えて、本実施形態における重み付き最小トリム二乗法は、残差の２乗に重みを乗じた値を大きさの順に並べることで、ＲＳＳにもっとも寄与するランドマークを特定することができる。これにより、例えば、ＰＤＭの出力によるランドマークとディシジョンフォレストから出力されたランドマークとの差が大きい、例えば外れ値を特定することができる。
ステップＶ１、尤度（確定度）の最高値によってＮ個のランドマークのサブセットを選択する。
ステップＶ２、ＷＬＴＳを行い、以下の式によって残差二乗和（ＲＳＳ）を反復的に小さくする。
ここで、
であり、ωiは、ｉ番目のランドマークに対するディシジョンフォレスト（Ｄｅｃｉｓｉｏｎ Ｆｏｒｅｓｔ：ＤＦ）からの尤度（確定度）である。
ステップＶ３およびＶ４は、アフィン剛体変換を行い、ＲＳＳを算出する。
ステップＶ５は、ＲＳＳの計算において、最もＲＳＳに寄与するランドマークを除去する。
ＲＳＳを有するランドマークが、許容できる尤度を表すと見なされるしきい値を下回るＲＳＳを有するまで、処置（ステップＶ２からＶ５）を繰り返す。
ＰＤＭ法の次のステップは、結合尤度による最適化である。分類手法からの尤度（確定度）群（たとえばディシジョンフォレスト）を用いる。初期位置（群内の尤度（確定度）の最高値）を突き止める。上述したように、平均形状に適合する。その場合、以下の式を用いる最高の結合尤度による最適化がある。
ここで、ｘnはｎ番目のランドマークの位置であり、Ｎはランドマークの総数であり、θbは形状空間内のｂにおけるモデルである。すなわち、θbは、ｂ空間のパラメータｂにより特徴づけられる平均形状に関する特徴である。ここで、Ｐ[ｘｎ|θｂ]は、位置ｘｎにおいて、パラメータｂにより規定される平均形状における特徴θ（ランドマーク）が位置している確率を示す確率密度関数である。
次に、以下の式によるＰＤＭを用いてランドマーク位置を限定する
ここで、εは、ＰＤＭに関してその通常の意味を有する、すなわち、εは、ＰＤＭによって定められる限定したｂ空間の尤度（確率）である、より具体的には、固有値の平方根の３倍として算出されるトレーニングセット内の分散の関数としての「行儀のよい（ｗｅｌｌ−ｂｅｈａｖｅｄ）形状」の確率である。
分類手法を用いて解剖学的ランドマークを検出した後、続く計測のうちの１つまたは複数によってランドマークセットをさらに改善するようにＰＤＭを適用する。
ＰＤＭは、誤って検出したランドマークを除去することおよび／または誤ってなくなったランドマークを盛り込むことによって、ランドマークの検出を向上するために用いることができる。
ＰＤＭは、ランドマークの外れ値を解消し、その外れ値を予想場所に再度位置決めすることによってランドマークの位置推定を改善するために用いることができ、互いに対するランドマークの配位を維持する。たとえば頭部ランドマークは、胸部ランドマークより（医学的な意味で）上位にあると予想することができる。
ＰＤＭは、さまざまな身体サイズと形状と分類手法によって生成される尤度群に対応するように算出したｂ形状により場所を最適化するために用いることができる。
（例）
図１２は、人体のＣＴ画像を示す。十字の点は、グランドトゥルースランドマークである。ドットの点は、最初にランドマークを配置するためにディシジョンフォレストを用い、続いて、ランドマーク位置を調整するためにＰＤＭを用いる上述の方法によって位置決めされたランドマークである。線は、対応するランドマークを相互接続し、したがって、自動的に設置されたランドマークグランドトゥルースのからの誤差を示す。
ディシジョンフォレストによって配置されるランドマークの検出率および場所を補正するだけでなく、ＰＤＭはまた、（頭部に示されるように）印のないランドマークを推測する。
図１３乃至図１８は、ＡおよびＢのラベルが付されたいくつかの対のＣＴ画像を示す。「Ａ」ラベルの画像は、ディシジョンフォレストによる初期ランドマークの配置の後であるがＰＤＭを用いた最適化の前の中間結果を示し、「Ｂ」ラベルの画像は、ＰＤＭを適用した後の最終結果を示す。前の図と同様に、十字の点はグランドトゥルースランドマークであり、ドットの点は自動的に配置されたランドマークであり、線は対応するランドマークを相互接続する。
図１３乃至図１８からのそれぞれの「Ａ」画像と「Ｂ」画像とを比較することによってわかるように、ＰＤＭ最適化の適用は、より信頼性の高いランドマーク設置を提供する。
図１９は、具体的には、それぞれ自動的に配置されたランドマークに関して、自動的に配置されたランドマークに対応するグランドトゥルースランドマークからの上記ランドマークの隔たりによって計測された誤差による、図１３乃至図１８の例および異なる形態における他の例の結果を概略的に示す表である。
図１９における各行は１つの例を表す。図１９における最初の２列は、森のサイズ（「Ａ」画像と「Ｂ」画像の両方に対して示されているが、これらは同じである）を記載する。図１９における次の２列は、「Ａ」および「Ｂ」の各例の実行時間を記載する。図１９における次の２列は、ランドマークの位置とそれらの対応するグランドトゥルースの位置との間の平均距離を記載する。図１９における次の２列は、各例に対するランドマークの位置とそれらの対応するグランドトゥルースの位置との間の最大距離を記載する。図１９における最後の２列は、各例に対する受信者動作特性（ＲＯＣ）曲線より下の面積を記載する。図１９では、特定のセルには、より濃い陰影が付けられており、これらのセルは、関連する列のパラメータによって特徴付けられるようにＰＤＭステップによりランドマークの位置が改善されていないことを示す。図１９に示されるように、ＰＤＭステップは、グランドトゥルースデータと比較して平均最大距離誤差［ｍｍ］および受信者動作特性（ＲＯＣ）面積に関する全体的な改善をもたらす（すなわち、濃い陰影が付けられたセルは、濃い陰影が付けられていないセルより少ない）。平均距離は、ランドマークの検出された位置と臨床専門家によって収集されたいくつかのグランドトゥルースデータによる実際の位置との間のユークリッド距離に基づく。距離が小さいほど、自動システムによるランドマークの局在がより正確であることを意味する。ＲＯＣ面積は、ランドマークの位置に関係なく、新規なスキャンにおいてランドマークを検出する精度を表す尺度である。そのため、新規なスキャンでランドマークを検出し、このスキャンのグランドトゥルースによれば、ランドマークがそこにあるとき、ＲＯＣ面積は増加する。自動システムで、新規なスキャンにランドマークがないことが示され、これもグランドトゥルースによって確認されるときも同様である。ＲＯＣ面積は大きいほど良い。
すべてのランドマークに対して平均値を求めると、グランドトゥルースにおけるランドマークの位置と自動的に配置されたランドマークの位置との間の平均距離または隔たりは、ディシジョンフォレストステップの後では１７．７１８ｍｍ、ＰＤＭステップの後では１４．９９６ｍｍであった。
この場合においても、すべてのランドマークを考慮すると、グランドトゥルースにおけるランドマークの位置と、自動的に配置されたランドマークの位置すなわち最も不完全に配置されたランドマークの位置との間の最大距離または隔たりは、ディシジョンフォレストステップの後では、その適切な位置から７３．２９０ｍｍ、ＰＤＭステップの後では３４．４６４ｍｍであった。このようにＰＤＭの適用後に最悪誤差が著しく改善されることは、ディシジョンフォレスト手法のみでは発生しやすい大きな誤分類誤差を、ＰＤＭ処理がどのように識別して補正できるかを示す。
受信者動作特性（ＲＯＣ）曲線は、ディシジョンフォレストの出力確定度しきい値が変動するときのディシジョンフォレストの性能を示すプロットである。ＲＯＣ曲線は、陽性のうちの真陽性の割合（ＴＰＲ＝真陽性率）対陰性のうちの偽陽性の割合（ＦＰＲ＝偽陽性率）を種々のしきい値設定でプロットすることによって作製される。
局在ＲＯＣ曲線（ＬＲＯＣ：Ｌｏｃａｌｉｚａｔｉｏｎ ＲＯＣ）は、ＲＯＣに類似したプロットであるが、グランドトゥルースから計測されたように検出された複数のランドマークに関する所与の距離におけるディシジョンフォレストの性能を示す。たとえば、検出されたランドマークは、ＲＯＣと同様に、ディシジョンフォレストによって与えられるその確定度値が確定度しきい値より大きく、グランドトゥルースから検出された複数のランドマークの距離がＬＲＯＣによる距離しきい値より小さい場合、真陽性と考えられる。図２０Ａおよび２０Ｂでは、１０００ｍｍにおけるＬＲＯＣ曲線はＲＯＣ曲線に等しい（１０００ｍｍは、事実上、手元の距離スケールに対して無限と考えられる）。
図２０Ａは、ディシジョンフォレストのみを用いる方法に対して本方法の中間結果を示す、またはディシジョンフォレストのみに基づく方法の最終結果を示す、局在ＲＯＣ（ＬＲＯＣ）曲線を概略的に示す。図２０Ｂは、ディシジョンフォレストとＰＤＭとを用いる方法、すなわち特定の実施形態による方法に対するＬＲＯＣ曲線を概略的に示す。
図２０Ａおよび２０Ｂに示されるように、図に表される異なる距離しきい値をそれぞれ表す複数の曲線がある。
これらの図は、図２０Ａの対応する曲線と比較して図２０Ｂの曲線より下の面積が大きいことによって表されるように、ＰＤＭにより、検出結果が著しく改善されていることを示す。
局在ＲＯＣ分析は、識別されたランドマークの検出および局在精度の改善を示す。
下限（１０００ｍｍ）におけるＬＲＯＣ ＡＵＣ（曲線下面積）：０．９０４ → ０．９４８
３０ｍｍにおけるＬＲＯＣ ＡＵＣ：０．７７１ → ０．８１５
２０ｍｍにおけるＬＲＯＣ ＡＵＣ：０．６７１ → ０．６６９
要約すると、これらの例は、上述の実施形態では、ＰＤＭをディシジョンフォレストの検出結果に適用するとき、一般、ディシジョンフォレストのみを用いるときと比較して、ランドマークを配置する精度が向上することを示す。
（一般的な環境）
上述の方法は、ソフトウェアにおいて、またはソフトウェアと、ボリュームデータセットの扱いおよび以降のレンダリングに適したまたはこれに最適化されたグラフィックカードまたはチップセットなどの最適化されたハードウェアもしくは専用ハードウェアとの組み合わせにおいて、実施することができる。解剖学的ランドマークを位置決めするためのソフトウェアは、実際にはおそらく、コンピュータワークステーションまたはクライアント−サーバモデルで動作するネットワークの一部であるサーバ上で実行できるレンダリングアプリケーションの一部を構成するモジュールである。レンダリングアプリケーションが常駐するワークステーションまたはサーバの通常の状況は、次に説明する病院ネットワークである。解剖学的ランドマーク位置決めモジュールは、必要に応じて、ボリュームデータセットに適用することができ、その結果生成される結合（ｊｏｉｎｔ）データセットは、同じセッションで視覚化を実行することなくメモリに記憶することができる。
図２１は、コンピュータ制御の診断デバイス、スタンドアロンコンピュータワークステーション、および関連機器の例示的なネットワーク１の概略図である。ネットワーク１は、３つの構成要素を備える。主要病院構成要素２、遠隔診断デバイス構成要素４、および遠隔単一ユーザ構成要素６がある。主要病院構成要素２は、患者画像を取得するための複数の診断デバイス、この例では、ＣＴスキャナ８と、核磁気共鳴映像装置１０と、ディジタルＸ線撮影（ＤＲ）デバイス１２およびコンピュータＸ線撮影（ＣＲ）デバイス１４と、複数のコンピュータワークステーション１６と、一般的な形式のファイルのサーバ１８と、ファイルアーカイブ２０と、インターネットゲートウェイ１５とを備える。これらの機構はすべて、ローカルエリアネットワーク（ＬＡＮ）２５によって相互接続される。各コンピュータ装置はネットワークを経由して通信するための少なくとも１つのネットワーク出力接続を有することが理解されよう。
遠隔診断デバイス構成要素４は、ＣＴスキャナ１１と、一般的な形式のファイルのサーバ１３と、インターネットゲートウェイ１７とを備える。ＣＴスキャナ１１およびファイルサーバ１３は一般にインターネットゲートウェイ１７に接続され、インターネットゲートウェイ１７は、インターネットを介して、主要病院構成要素２内のインターネットゲートウェイ１５に接続される。
遠隔単一ユーザ構成要素６は、内部モデム（図示せず）を有するコンピュータワークステーション２１を備える。コンピュータワークステーション２１も、インターネットを介して、主要病院構成要素２内のインターネットゲートウェイ１５に接続される。
ネットワーク１は、標準化された一般的な形式でデータを送信するように構成される。たとえば、ＣＴスキャナ８は、ソースデータセット、すなわち３Ｄ画像データセットを最初に生成し、操作者は、このデータセットから適切な２Ｄ画像を得ることができる。この２Ｄ画像を標準的な画像データ形式で符号化し、ＬＡＮ２５を経由してファイルサーバ１８に転送し、ファイルアーカイブ２０に保存する。その後、コンピュータワークステーション１６のうちの１つで作業するユーザは画像を要求することができ、ファイルサーバ１８は、その画像をアーカイブ２０から取り出し、ＬＡＮ２５を介してユーザに渡す。同様に、遠隔診断デバイス構成要素４または遠隔単一ユーザ構成要素６のどちらかの内部で主要病院構成要素２から離れて作業するユーザも、アーカイブ２０またはネットワーク１上の他の場所に保存されたデータにアクセスして送信することができる。
図２２は、スキャナ８の開口７内の患者５の領域に関連するＸ線減衰時の断面像を得るための一般的なスキャナ、最も特に、図２１に表されるスキャナなどのコンピュータ断層撮影（ＣＴ）スキャナ８の概略斜視図である。さまざまなイメージングモダリティ（たとえばＣＴ、ＭＲ、ＰＥＴ、超音波）を用いて、さまざまなタイプの医用画像データを提供することができる。
図２１および図２２を参照すると、本実施形態に係る方法を実施するランドマーク位置決めモジュールを有するレンダリングアプリケーションは、図示のコンピュータ装置、すなわちワークステーション６、１６、サーバ１３、１５、１７、１８、またはコンピュータ、およびスキャナ８、１０、１１、１２、１４と関連する任意の関連するグラフィック処理ハードウェアのいずれかに常駐することができる。
図２３Ａおよび２３Ｂは、一実施形態による処理を行うように構成された汎用コンピュータシステム２２を概略的に示す。図２３Ａはコンピュータシステム２２を備える機能単位を主に表し、図２３Ｂは、使用するように配置されたコンピュータシステム２２を示す概略斜視図である。
コンピュータ２２は、中央処理装置（ＣＰＵ）２４と、読み出し専用メモリ（ＲＯＭ）２６と、ランダムアクセスメモリ（ＲＡＭ）２８と、ハードディスクドライブ３０と、ディスプレイドライバ３２と、２つのディスプレイ３４、すなわち第１のディスプレイ３４Ａおよび第２のディスプレイ３４Ｂと、キーボード３８とマウス４０とに連結されたユーザ入／出力（ＩＯ）回路３６とを含む。これらのデバイスは、共通バス４２を介して接続される。コンピュータ２２は、共通バス４２を介して接続されたグラフィックカード４４も含む。グラフィックカードは、グラフィック処理装置（ＧＰＵ）と、このＧＰＵに密に連結されたランダムアクセスメモリ（ＧＰＵメモリ）とを含む。
ＣＰＵ２４は、ＲＯＭ２６、ＲＡＭ２８、またはハードディスクドライブ３０内に記憶されたプログラム命令を実行して、ＲＡＭ２８またはハードディスクドライブ３０内に記憶できる医用画像データの処理、表示、および操作を行うことができる。ＲＡＭ２８およびハードディスクドライブ３０は、まとめてシステムメモリと称する。ＣＰＵ２４は、コンピュータシステム２２のオペレーティングシステムに対応するプログラム命令も実行することができる。この点に関して、ＣＰＵ２４は、コンピュータシステム２２の動作に関連するタスクを行うための種々の機能単位を備えると見なすことができる。ＧＰＵも、ＣＰＵ２４から渡された画像データの処理を行うプログラム命令を実行することができる。
ＣＰＵ２４、ＲＯＭ２６、ＲＡＭ２８、ハードディスク３０、ディスプレイドライバ３２、ユーザ入／出力（ＩＯ）回路３６、グラフィックカード４４、および接続バス４２などの、コンピュータシステム２２が備える種々の機能要素は、筐体２１に含まれる。２つのディスプレイ３４Ａ、３４Ｂ、キーボード３８、およびマウス４０は、この場合、これらを筐体２１内の関連するコンピュータシステムの機能要素に接続する適切な配線により、この筐体から分離している。この点に関して、図２３Ａおよび２３Ｂの例示的な実施形態のコンピュータシステム２２は、デスクトップタイプであると見なすことができるが、同様に、他のタイプのコンピュータシステムを用いることができる。
図２４は、図２３Ａおよび図２３Ｂでより詳細に示されるコンピュータシステムの機構のうちのいくつかを概略的に示す。ＲＡＭ２８およびハードディスクドライブ３０は、まとめてシステムメモリ４６として示す。図２１に示されるスキャナ８から取得した医用画像データは、図に概略的に示されるように、システムメモリに記憶される。コンピュータシステム２２の機構間のさまざまなデータ転送ルートを示すのを助けるため、図２３Ａに示される共通バス４２は、図２４では、一連の別個のバス接続４２ａ〜ｄとして概略的に示す。１つのバス接続４２ａは、システムメモリ４６とＣＰＵ２４とを接続する。別のバス接続４２ｂは、ＣＰＵ２４とグラフィックカード４４とを接続する。バス接続のさらなるペア、すなわち第１のバス接続４２ｃＡおよび第２のバス接続４２ｃＢは、グラフィックカード４４と、ディスプレイ３４Ａ、３４Ｂのうちのそれぞれ１つとを接続する。別のバス接続４２ｄは、ユーザＩ／Ｏ回路３６と、カーソル制御ユニットと、ＣＰＵ２４とを接続する。ＣＰＵは、ＣＰＵキャッシュ５０を含む。グラフィックカード４４は、ＧＰＵ５４と、ＧＰＵメモリ５６とを含む。ＧＰＵ５４は、高速グラフィック処理インターフェース６０とＧＰＵキャッシュＩ／Ｏコントローラ６２と処理エンジン６４とディスプレイＩ／Ｏコントローラ６６とを提供するための回路を含む。処理エンジン６４は、一般的には医用画像データセットの処理に関連する各種プログラム命令の実行を最適化するように設計される。
ユーザは、キーボード３８とマウス４０（またはトラックパッドまたはペンタブレット／ディジタイザなどのその他のポインティングデバイス）とを、ディスプレイ３４に表示されるグラフィカルユーザインターフェース（ＧＵＩ）と組み合わせて用いて、たとえば、第１のディスプレイ３４Ａおよび第２のディスプレイ３４Ｂのうちのそれぞれ１つの内部をポイントしてクリックするために、移動可能な画面カーソルをマウス、トラックパッドなどと組み合わせて用いて、所望の処理パラメータを選択することができる。
図２３Ａ、図２３Ｂ、および図２４を参照すると、本実施形態に係る方法を実施するランドマーク位置決めモジュールを有するレンダリングアプリケーションは、ＨＤＤ３０および／またはＲＯＭ２６に保存することができる。アプリケーションを実行すべきとき、アプリケーションは、必要に応じて、システムメモリ４６またはＲＡＭ２８にロードすることができる。実行時には、ＣＰＵ２４およびＧＰＵ５４が利用可能なキャッシュメモリ５０、６２などの高速メモリも、アプリケーションの一部をホストする。レンダリングアプリケーションから出力される画像は、第１のディスプレイ３４Ａおよび第２のディスプレイ３４Ｂなどの適切なディスプレイに表示することができる。レンダリングアプリケーションから出力される画像は、適切なメモリに記憶することもできる。レンダリングアプリケーションから出力される画像は、ネットワークを経由して送信し、ネットワーク内の別の場所に表示または記憶することもできる。
さらに、三次元画像データセットについて言及する場合、四次元画像データセットと呼ばれることがある時間分解イメージングによって生成されるデータセットなどの三次元画像データセットのシーケンスを含む。
特定の実施形態は、コンピュータプログラム製品を提供し、このコンピュータプログラム製品は、方法を行うための機械可読命令を持つ一時的でないコンピュータプログラム製品とすることができる。
特定の実施形態は、方法を行うための機械可読命令と共にロードされ、これを実行するように動作可能なコンピュータシステムを提供する。
特定の実施形態は、方法を行うための機械可読命令と共にロードされ、これを実行するように動作可能な画像取得デバイスを提供する。
本実施形態について、コンピュータに実装されるシステム、方法、および一時的でない媒体に保存できるコンピュータプログラム製品に関して以下で説明する。本実施形態のうちのいくつかを、コンピュータたとえばパーソナルコンピュータまたはその他の形態のワークステーションにいくつかの実施形態に要求される機能を提供させるコンピュータプログラム製品に関して説明するが、以下の説明から、これはいくつかの実施形態の一例に関するに過ぎないことが理解されよう。たとえば、いくつかの実施形態では、スタンドアロンコンピュータではなくコンピュータのネットワークが、本実施形態を実施することができる。この代わりに、またはこれに加えて、本機能の少なくともいくつかは、たとえば特殊用途集積回路（たとえば、特定用途向け集積回路（ＡＳＩＣ））の形態をとる特殊用途ハードウェアによって実施することができる。
（実施形態）
本医用画像処理装置は、機能構成として、記憶部と、抽出決定部と、位置合わせ部と、外れ値除去部と、結合尤度計算部と、解剖学的標識点決定部と、表示部と、入力部とを有する。記憶部は、例えば、図２３ＡのＲＯＭ２６、ＲＡＭ２８、ＨＤＤ３０、図２４のシステムメモリ４６、ＧＰＵメモリ５６などに対応する。抽出決定部、位置合わせ部、外れ値除去部、結合尤度計算部、解剖学的標識点決定部は、例えば、図２３Ａ、図２４のＣＰＵ２４、ＧＦＸ４４などに格納される。表示部は、図２３Ａ，図２３Ｂ、図２４における第１のディスプレイ３４Ａおよび第２のディスプレイ３４Ｂに対応する。入力部は、例えば、図２３Ａ，図２３Ｂ、図２４におけるキーボード３８とマウス４０とに対応する。
記憶部は、統計モデルにより発生された平均形状データ、機械学習処理に関するアルゴリズム、医用画像データなどを記憶する。統計モデルとは、例えば、グランドトゥルースによる複数のデータセット（以下、複数の教師データセットと呼ぶ）により予め学習された点分布モデルである。平均形状データは、複数の教師データセットと所定の点分布モデルとに基づいて発生されたデータである。具体的には、平均形状データとは、点分布モデルにより発生された複数の解剖学的標識点（以下、第１標識点）により被検体内における種々の部位の平均形状を示すデータである。すなわち、平均形状データは、複数の第１標識点を有する。加えて、平均形状データは、平均形状の変形に応じて、複数の第１標識点各々を移動させる範囲（移動範囲）を拘束する拘束条件を有する。
拘束条件は、複数の第１標識点間の関係性を示す条件である。拘束条件は、例えば、複数の第１標識点に関する複数のベクトルを包含する固有空間において、複数のベクトル同士の相関を示す共分散行列に対応する。この共分散行列は、複数の第１標識点を剛体とし、複数の第１標識点同士をバネで結合させた２次元多体系（ボールとスプリング）のモデルにおいて、第１標識点間の相互作用の強さに対応する。
機械学習処理は、例えば、予め複数の教師データセットにより学習される。機械学習処理は、例えば、複数の決定木を有するディシジョンフォレストに対応する。記憶部は、図３に示すように、決定木およびディシジョンフォレストにおける各分岐ノード（判定）で用いられる複数の閾値（τ１乃至τ１１）を記憶する。また、記憶部は、ディシジョンフォレストの手順における複数の最終到達地点（葉ノード）各々における解剖学的標識点に対する尤度の分布を記憶する。なお、ディシジョンフォレストは、医用画像データにおける複数の巣の第２標識点の分類に関する複数の分類木を複数の決定木として有していてもよい。また、ディシジョンフォレストは、医用画像データの複数の第２標識点の回帰に関する複数の回帰木を複数の決定木として有していてもよい。
なお、記憶部は、上記実施形態に記載したように、複数の特徴ベクトル各々における成分（オフセット、ボックスサイズ、チャネル）等の各種データ、条件、プログラム等を記憶する。また、記憶部は、本実施形態に係り各機能を実行する医用画像処理プログラムを記憶する。
抽出決定部は、医用画像データと教師あり学習による機械学習処理とに基づいて、医用画像データから複数の解剖学的標識点（以下、第２標識点と呼ぶ）を抽出する。具体的には、抽出決定部は、例えば、医用画像データにおける複数のボクセルまたは複数のピクセル各々について、ディシジョンフォレストを適用することにより、第２標識点の有無を判定する。抽出決定部は、抽出された第２標識点各々を含む領域（前景領域）において、ディシジョンフォレストにおけるランドマークの位置に対する尤度の分布に基づいて、第２標識点各々を含む領域内の尤度分布を決定する。この領域における尤度分布は、クラウド（Ｃｌｏｕｄ）と呼ばれる。すなわち、抽出決定部は、抽出された第２標識点各々において、第２標識点各々を含む領域を、ディシジョンフォレストにより特定する。加えて、抽出決定部は、領域内の尤度分布をディシジョンフォレストにより決定する。
位置合わせ部は、第１標識点と第２標識点と拘束条件とに基づいて、平均形状データと医用画像データとの位置合わせを実行する。具体的には、位置合わせ部は、平均形状に対して剛体アフィン変換を繰り返すことにより、第１標識点を第２標識点に位置合わせを実行する。
また、位置合わせ部は、後述する外れ値の除去の後、外れ値を除去した第２標識点を有する医用画像データと平均形状データとを、平均形状を変形させて位置合わせする。この時、平均形状の変形は、拘束条件により制限される。平均形状の変形を伴う位置合わせは、例えば、点分布モデルにおける平均形状の確率が平均形状の変形に係るパラメータｂの空間に係る確率εを超えるまで実行される。
外れ値除去部は、位置合わせにおける第１標識点と第２標識点と所定の閾値とに基づいて、第２標識点から少なくとも一つの外れ値を除去する。具体的には、外れ値除去部は、位置合わせ部による複数回の位置合わせ各々において、重み付け最小トリム二乗法により、重み付け残差平方和における最大値を有する項ωｉ（νｉ−ＤＦ（νｉ））２における第２標識点を外れ値として、複数の第２標識点から除去する。外れ値除去部は、残差平方和が所定の閾値以下になるまで、外れ値の除去を、複数の回の位置合わせごと実行する。なお、外れ値除去部は、第２標識点において、外れ値に対応する外れ標識点を、外れ標識点に対応する第１標識点で置換してもよい。
結合尤度計算部は、位置合わせと拘束条件とに従って平均形状を変形することにより移動された第１標識点の位置とクラウドの尤度分布とに基づいて、第１標識点の位置にそれぞれ対応する複数の尤度を結合した結合尤度を、平均形状の変形毎に計算する。なお、結合尤度計算部は、外れ標識点を置換した第１標識点を包含して、結合尤度を計算してもよい。
解剖学的標識点決定部は、平均形状の変形ごとに計算された複数の結合尤度のうち最大の結合尤度に対応する平均形状の変形と、第１標識点と外れ値を除去した第２標識点とに基づいて、医用画像データにおける解剖学的標識点を決定する。解剖学的標識点決定部は、決定した解剖学的標識点と、変形された平均形状とを、医用画像と対応付けて表示部に出力する。
表示部は、医用画像データと、決定した解剖学的標識点と、変形された平均形状とに基づいて、医用画像データに関する医用画像上に、決定した解剖学的標識点を重畳させた重畳画像を表示する。なお、表示部は、重畳画像に、変形させた平均形状に基づいて、第１標識点を重ねて表示してもよい。
以上に述べた構成によれば、以下の効果を得ることができる。
本実施形態に係る医用画像処理装置よれば、解剖学的標識点を分類するｃｌａｓｓｉｆｉｃａｔｉｏｎのアプローチでは考慮されていない解剖学的標識点間（ランドマーク間）の関係性を取り入れることで、医用画像データから抽出された標識点を補正して解剖学的標識点を決定することができる。すなわち、本医用画像処理装置によれば、学習された統計モデルの結果である平均形状データにおける第１標識点を用いて、医用画像データから抽出された第２標識点から外れ値を除去することができる。これにより、本医用画像処理装置によれば、医用画像データにおける解剖学的標識点の決定精度が向上する。これにより、より実際に即した高精度な解剖学的標識点の決定が可能となり、ユーザに対する負担を軽減させることができ、診断精度が向上する。
なお、本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。
１・・・ネットワーク、２・・・主病院構成要素、４・・・リモート診断デバイスコンポーネント、５・・・患者、６・・・遠隔単一ユーザ構成要素、７・・・開口、８・・・ＣＴスキャナ、１０・・・核磁気共鳴映像装置、１１・・・ＣＴスキャナ、１２・・・デジタルＸ線撮影（ＤＲ）デバイス、１３・・・共通フォーマットファイルサーバ、１４・・・コンピュータＸ線撮影（ＣＲ）デバイス、１５・・・インターネットゲートウェイ、１６・・・複数のコンピュータワークステーション、１７・・・インターネットゲートウェイ、１８・・・共通フォーマットファイルサーバ、２０・・・ファイルアーカイブ、２１・・・コンピュータワークステーション、２２・・・コンピュータシステム、２４・・・中央演算処理装置（ＣＰＵ）、２５・・・ローカルエリアネットワーク（ＬＡＮ）、２６・・・読み出し専用メモリ（ＲＯＭ）、２８・・・ランダムアクセスメモリ（ＲＡＭ）、３０・・・ハードディスクドライブ、３２・・・ディスプレイドライバ、３４Ａ・・・第１のディスプレイ、３４Ｂ・・・第２のディスプレイ、３６・・・ユーザ入出力（ＩＯ）回路、３８・・・キーボード、４０・・・マウス、４２・・・共通バス４２、４２ａ・・・バス接続、４２ｂ・・・バス接続、４２ｃＡ・・・第１のバス接続、４２ｃＢ・・・第２のバス接続、４２ｄ・・・バス接続、４４・・・グラフィックスカード、４６・・・システムメモリ、５０・・・ＣＰＵキャッシュ、５４・・・ＧＰＵ、５６・・・ＧＰＵメモリ、６０・・・高速グラフィック処理インターフェース、６２・・・ＧＰＵキャッシュＩ／Ｏコントローラ、６４・・・処理エンジン、６６・・・ディスプレイＩ／Ｏコントローラ。

Claims (16)

  1. 平均形状を示す複数の第１標識点各々を関連づけることにより前記第１標識点各々の移動範囲を拘束する拘束条件と前記第１標識点とを有する平均形状データと、医用画像データとを記憶する記憶部と、
    前記医用画像データと教師あり学習による機械学習処理とに基づいて、前記医用画像データから複数の第２標識点を抽出し、前記第２標識点各々を含む領域内の尤度分布を決定する抽出決定部と、
    前記第１標識点と前記第２標識点と前記拘束条件とに基づいて、前記平均形状データと前記医用画像データとの位置合わせを実行する位置合わせ部と、
    前記位置合わせにおける前記第１標識点と前記第２標識点と所定の閾値とに基づいて、前記第２標識点から外れ値を除去する外れ値除去部と、
    前記位置合わせと前記拘束条件とに従って前記平均形状を変形することにより移動された前記第１標識点の位置と前記尤度分布とに基づいて、前記位置にそれぞれ対応する複数の尤度を結合した結合尤度を、前記平均形状の変形毎に計算する結合尤度計算部と、
    前記複数の結合尤度のうち最大の結合尤度に対応する前記平均形状の変形と、前記第１標識点と前記外れ値を除去した前記第２標識点とに基づいて、前記医用画像データにおける解剖学的標識点を決定する解剖学的標識点決定部と、
    を具備する医用画像処理装置。
  2. 前記平均形状データは、複数の教師データセットと所定の点分布モデルとに基づいて発生されたデータである請求項１に記載の医用画像処理装置。
  3. 前記外れ値除去部は、
    前記第２標識点において、前記外れ値に対応する外れ標識点を前記外れ標識点に対応する前記第１標識点で置換する請求項２に記載の医用画像処理装置。
  4. 前記結合尤度計算部は、
    前記外れ標識点を置換した前記第１標識点を包含して、前記結合尤度を計算する請求項３に記載の医用画像処理装置。
  5. 前記外れ値除去部は、
    前記第１標識点と前記第２標識点との差を用いて残差平方和を計算し、前記所定の閾値を超える前記残差平方和に複数の項のうち最大値に関する第２標識点を、前記外れ値として除去する請求項１に記載の医用画像処理装置。
  6. 前記機械学習処理は、前記教師データセットにより予め学習された複数の決定木を有するディシジョンフォレストのアルゴリズムを有する請求項２に記載の医用画像処理装置。
  7. 前記ディシジョンフォレストは、前記医用画像データにおける前記第２標識点の分類に関する複数の分類木を前記決定木として有する請求項６に記載の医用画像処理装置。
  8. 前記ディシジョンフォレストは、前記医用画像データにおける前記第２標識点の回帰に関する複数の回帰木を前記決定木として有する請求項６に記載の医用画像処理装置。
  9. 平均形状を示す複数の第１標識点各々を関連づけることにより前記第１標識点各々の移動範囲を拘束する拘束条件と前記第１標識点とを有する平均形状データと、医用画像データとを記憶することと、
    前記医用画像データと教師あり学習による機械学習処理とに基づいて、前記医用画像データから複数の第２標識点を抽出することと、
    前記第２標識点各々を含む領域内の尤度分布を決定することと、
    前記第１標識点と前記第２標識点と前記拘束条件とに基づいて、前記平均形状データと前記医用画像データとの位置合わせを実行することと、
    前記位置合わせにおける前記第１標識点と前記第２標識点と所定の閾値とに基づいて、前記第２標識点から外れ値を除去することと、
    前記位置合わせと前記拘束条件とに従って前記平均形状を変形することにより移動された前記第１標識点の位置と前記尤度分布とに基づいて、前記位置にそれぞれ対応する複数の尤度を結合した結合尤度を、前記平均形状の変形毎に計算することと、
    前記複数の結合尤度のうち最大の結合尤度に対応する前記平均形状の変形と、前記第１標識点と前記外れ値を除去した第２標識点とに基づいて、前記医用画像データにおける解剖学的標識点を決定することと、
    を具備する医用画像処理方法。
  10. 前記外れ値を除去することは、
    前記第２標識点において、前記外れ値に対応する外れ標識点を前記外れ標識点に対応する前記第１標識点で置換する請求項９に記載の医用画像処理方法。
  11. 前記結合尤度を計算することは、
    前記外れ標識点を置換した前記第１標識点を包含して、前記結合尤度を計算する請求項１０に記載の医用画像処理方法。
  12. 前記外れ値を除去することは、
    前記第１標識点と前記第２標識点との差を用いて残差平方和を計算し、前記所定の閾値を超える前記残差平方和における最大の差に関する前記第２標識点を、前記外れ値として除去する請求項９に記載の医用画像処理方法。
  13. 前記機械学習処理は、教師データセットにより予め学習された複数の決定木を有するディシジョンフォレストのアルゴリズムを有する請求項９に記載の医用画像処理方法。
  14. 前記ディシジョンフォレストは、前記医用画像データにおける前記第２標識点の分類に関する複数の分類木を前記決定木として有する請求項１３に記載の医用画像処理方法。
  15. 前記ディシジョンフォレストは、前記医用画像データにおける前記第２標識点の回帰に関する複数の回帰木を前記決定木として有する請求項１３に記載の医用画像処理方法。
  16. コンピュータに、
    平均形状を示す複数の第１標識点各々を関連づけることにより前記第１標識点各々の移動範囲を拘束する拘束条件と前記第１標識点とを有する平均形状データと、医用画像データとを記憶させ、
    前記医用画像データと教師あり学習による機械学習処理とに基づいて、前記医用画像データから複数の第２標識点を抽出させ、
    前記第２標識点各々を含む領域内の尤度分布を決定させ、
    前記第１標識点と前記第２標識点と前記拘束条件とに基づいて、前記平均形状データと前記医用画像データとの位置合わせを実行させ、
    前記位置合わせにおける前記第１標識点と前記第２標識点と所定の閾値とに基づいて、前記第２標識点から外れ値を除去させ、
    前記位置合わせと前記拘束条件とに従って前記平均形状を変形することにより移動された前記第１標識点の位置と前記尤度分布とに基づいて、前記位置にそれぞれ対応する複数の尤度を結合した結合尤度を、前記平均形状の変形毎に計算させ、
    前記複数の結合尤度のうち最大の結合尤度に対応する前記平均形状の変形と、前記第１標識点と前記外れ値を除去した第２標識点とに基づいて、前記医用画像データにおける解剖学的標識点を決定させること、
    を具備する医用画像処理プログラム。
JP2014082314A 2013-04-22 2014-04-11 医用画像処理装置、医用画像処理方法および医用画像処理プログラム Active JP6325322B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US13/867,560 2013-04-22
US13/867,560 US9390502B2 (en) 2013-04-22 2013-04-22 Positioning anatomical landmarks in volume data sets

Publications (2)

Publication Number Publication Date
JP2014213202A JP2014213202A (ja) 2014-11-17
JP6325322B2 true JP6325322B2 (ja) 2018-05-16

Family

ID=51709068

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014082314A Active JP6325322B2 (ja) 2013-04-22 2014-04-11 医用画像処理装置、医用画像処理方法および医用画像処理プログラム

Country Status (3)

Country Link
US (1) US9390502B2 (ja)
JP (1) JP6325322B2 (ja)
CN (1) CN104112292B (ja)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9563979B2 (en) 2014-11-28 2017-02-07 Toshiba Medical Systems Corporation Apparatus and method for registering virtual anatomy data
WO2016134125A1 (en) * 2015-02-18 2016-08-25 Vanderbilt University Image segmentation via multi-atlas fusion with context learning
KR102146398B1 (ko) 2015-07-14 2020-08-20 삼성전자주식회사 3차원 컨텐츠 생성 장치 및 그 3차원 컨텐츠 생성 방법
JP6951117B2 (ja) * 2016-05-09 2021-10-20 キヤノンメディカルシステムズ株式会社 医用画像診断装置
US11341651B2 (en) * 2016-07-26 2022-05-24 Koninklijke Philips N.V. Method and apparatus for refining a model of an anatomical structure in an image
CN110199358B (zh) * 2016-11-21 2023-10-24 森索姆公司 表征和识别生物结构
JP6796085B2 (ja) * 2016-12-02 2020-12-02 アヴェント インコーポレイテッド 医用撮像に基づく処置における標的の解剖学的対象物へのナビゲーションのためのシステムおよび方法
JP7318058B2 (ja) * 2017-06-30 2023-07-31 キヤノンメディカルシステムズ株式会社 画像処理装置
US10445891B2 (en) * 2017-11-03 2019-10-15 Canon Medical Systems Corporation Medical image processing apparatus and method
US10506984B2 (en) * 2018-01-05 2019-12-17 Siemens Healthcare Gmbh Body landmark detection based on depth images
US20200258216A1 (en) * 2019-02-13 2020-08-13 Siemens Healthcare Gmbh Continuous learning for automatic view planning for image acquisition
US10909357B1 (en) 2019-02-15 2021-02-02 Snap Inc. Image landmark detection

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0114271D0 (en) * 2001-06-12 2001-08-01 Univ Manchester Parameterisation
US7221786B2 (en) * 2002-12-10 2007-05-22 Eastman Kodak Company Method for automatic construction of 2D statistical shape model for the lung regions
EP1605824A2 (en) 2003-03-25 2005-12-21 Imaging Therapeutics, Inc. Methods for the compensation of imaging technique in the processing of radiographic images
US7536044B2 (en) * 2003-11-19 2009-05-19 Siemens Medical Solutions Usa, Inc. System and method for detecting and matching anatomical structures using appearance and shape
US7715654B2 (en) * 2005-10-18 2010-05-11 Siemens Medical Solutions Usa, Inc. System and method for fast multimodal registration by least squares
EP1780672A1 (en) * 2005-10-25 2007-05-02 Bracco Imaging, S.P.A. Method of registering images, algorithm for carrying out the method of registering images, a program for registering images using the said algorithm and a method of treating biomedical images to reduce imaging artefacts caused by object movement
WO2008022210A2 (en) 2006-08-15 2008-02-21 The Board Of Regents Of The University Of Texas System Methods, compositions and systems for analyzing imaging data
WO2008141996A2 (en) 2007-05-18 2008-11-27 Nordic Bioscience Imaging A/S Semi-automatic contour detection
JP2009093490A (ja) * 2007-10-10 2009-04-30 Mitsubishi Electric Corp 年齢推定装置及びプログラム
US7941462B2 (en) * 2008-09-24 2011-05-10 Toshiba Medical Visualization Systems Europe, Limited Method and apparatus for classification of coronary artery image data
JP5675214B2 (ja) * 2010-08-18 2015-02-25 キヤノン株式会社 情報処理装置、情報処理方法およびプログラム
US8837791B2 (en) * 2010-12-22 2014-09-16 Kabushiki Kaisha Toshiba Feature location method and system
US20140043329A1 (en) * 2011-03-21 2014-02-13 Peng Wang Method of augmented makeover with 3d face modeling and landmark alignment

Also Published As

Publication number Publication date
JP2014213202A (ja) 2014-11-17
CN104112292B (zh) 2017-07-04
CN104112292A (zh) 2014-10-22
US20140314290A1 (en) 2014-10-23
US9390502B2 (en) 2016-07-12

Similar Documents

Publication Publication Date Title
JP6325322B2 (ja) 医用画像処理装置、医用画像処理方法および医用画像処理プログラム
EP3121789B1 (en) Method and system for convolutional neural network regression based 2d/3d image registration
ES2967682T3 (es) Diagnóstico asistido por ordenador mediante redes neuronales profundas
EP3365869B1 (en) System and method for image registration in medical imaging system
JP5334692B2 (ja) 制約されたマージナル空間学習を使用して３ｄ解剖学的オブジェクトを検出するための方法およびシステム
US9892361B2 (en) Method and system for cross-domain synthesis of medical images using contextual deep network
US9760983B2 (en) System and method for image registration in medical imaging system
JP7325954B2 (ja) 医用画像処理装置、医用画像処理プログラム、学習装置及び学習プログラム
Gao et al. Prostate segmentation by sparse representation based classification
US8958614B2 (en) Image-based detection using hierarchical learning
El-Baz et al. Automatic analysis of 3D low dose CT images for early diagnosis of lung cancer
JP5957629B1 (ja) 診療計画を導くための画像の構造形状を自動的に表示する方法及び装置
US20080267483A1 (en) Registration of Medical Images Using Learned-Based Matching Functions
Yang et al. Atlas ranking and selection for automatic segmentation of the esophagus from CT scans
CN111311655B (zh) 多模态图像配准方法、装置、电子设备、存储介质
CN111727456B (zh) 用于图像分割的医学图像数据处理系统、方法和计算机程序产品
Benameur et al. Three-dimensional biplanar reconstruction of scoliotic rib cage using the estimation of a mixture of probabilistic prior models
Hanaoka et al. Automatic detection of over 100 anatomical landmarks in medical CT images: A framework with independent detectors and combinatorial optimization
CN109191465A (zh) 一种基于深度学习网络判定、标识人体左右第一肋骨的系统
CN107980149A (zh) 用于脊椎标记的方法、装置和系统
US20190392552A1 (en) Spine image registration method
JPWO2020110774A1 (ja) 画像処理装置、画像処理方法、及びプログラム
EP2742483B1 (en) Image processing method
Chen et al. Fully automatic segmentation of AP pelvis X-rays via random forest regression and hierarchical sparse shape composition
US8867809B2 (en) Image processing method

Legal Events

Date Code Title Description
A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20160512

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170322

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180117

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: 20180313

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180412

R150 Certificate of patent or registration of utility model

Ref document number: 6325322

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150