JP6490794B2

JP6490794B2 - 除脂肪組織量の定量化

Info

Publication number: JP6490794B2
Application number: JP2017507073A
Authority: JP
Inventors: ダールクビスト・レインハルド、オロフ; ボルガ、マグヌス; ロム、トビアス
Original assignee: Advanced MR Analytics AB
Current assignee: Advanced MR Analytics AB
Priority date: 2014-04-25
Filing date: 2015-04-21
Publication date: 2019-03-27
Anticipated expiration: 2035-04-21
Also published as: EP3133993C0; CN106233332B; CA2946330A1; JP2017513676A; KR20160145800A; CA2946330C; ES2948673T3; EP2937039A1; EP3133993B1; WO2015162120A1; AU2015250942B2; US9996926B2; EP3133993A1; AU2015250942A1; US20170046837A1; EP2937039B1; KR101858382B1; ES2914613T3; CN106233332A

Description

本開示は、除脂肪組織量の定量化のための方法に係り、特に、磁気共鳴イメージング（ＭＲＩ）からの脂肪−水の分離された画像を用いて、除脂肪筋肉組織量の定量化のための方法に関する。

骨格筋系の機能は、人間の体の安定性を与え、動きを可能にすることである。従って、筋肉量の正確かつ精密な測定は、筋ジストロフィー、スポーツ傷害、炎症性筋疾患、脊髄損傷、または、筋量低下症候グループ（サルコペニア）（年齢による筋肉低下）等の異なる疾患、症候グループ、及び、障害のさらなる理解のために重要である。サルコペニアを診断する際に、筋肉量測定と組み合わせた筋力テストが必要とされる。高齢化とサルコペニアの進行に関連し、筋肉の構造も変化し、増加した脂肪浸潤が起こる。しかし、筋肉内部のより高い脂肪含有量の影響は、まだ十分には理解されていない。サルコペニアの有病率、徴候、及び、進行の向上した理解のために、筋肉量を測定するための正確な技法を含む、新たな方法が必要とされる。筋肉量や筋肉構造の詳細かつ正確な知識が重要である他の例は、むち打ち関連障害（whiplash-associated disorders：ＷＡＤ）のためのものである。健康な人を対照として比較すると、首の筋肉におけるより高い脂肪浸潤はが、ＷＡＤをもつ人に見られている。また、線維筋痛症候グループに関連した大腿四頭筋におけるより高い脂肪濃度も最近発見されている。

ヒトの筋肉量または容量を測定するための多くのアプローチが存在する。非イメージング法は、それらが、通常、若年の健康な成人において較正されるので、多くの場合に非常に変化しやすい。筋肉量とその分布の決定のための現在の標準的なイメージング方法は、迅速かつ容易に利用可能である、二重エネルギーＸ線吸収測定法（dual energy x-ray absorptiometry：ＤＸＡ）である。しかし、ＤＸＡは、電離放射線を使用し、体の２次元投影の分析を可能にするのみである。従って、細部の筋グループの分離、または、筋肉組織内の脂肪含有量の定量化は、ＤＸＡを用いて得ることができない。

より正確な分析は、断層撮影法、即ち、ＣＴやＭＲＩ、を用いなされ得る。水−脂肪の分離されたＭＲＩは、Ｄｉｘｏｎイメージング法に基づいて、筋肉量と脂肪浸潤の細部の測定を提供する、高い軟部組織コントラストを可能にする。ＭＲＩイメージングの課題は、その可用性とコストである。現在の技術では、体の構造分析のために十分な解像度で全身をスキャンすることは、１０分未満で達せられる。しかし、体全体の中で筋肉組織を手動で分けることの作業負荷は、非常に小さい研究以外のもので実現可能であるためには、あまりにも大きすぎる。最適化された半自動の方法を使用する場合でも、体全体の筋肉系の単一分割は、完了するまでに数業務日かかり得る。従って、筋肉組織の強固な自動分割の開発が、ＭＲＩを、より大規模な研究において筋肉組織量を研究するための魅力的な代替手段にするために必要とされる。

解剖学的な知識が、アトラス、即ち、対応する手作業で定義された解剖学上のラベルをもった実際の、または、人工的な画像によって、分割方法の中に組み込まれ得る。そして、この解剖学的な知識、即ち、分割されたアトラス、は、アトラスの目標の画像上への非剛体レジストレーション（non-rigid registration：非剛体位置合わせ）によって、新たな対象（目標）に転写され得る。しかし、対象と、スキャン中の腕や脚の配置等の技術的な困難さとの間の大きな解剖学的な変化に因り、単一のレジストレーションは、どこでも正しく収斂するわけではない。従って、ほとんどのアトラスアトラスベースの技術は、その解剖学的構造の形状及び位置に比較的限られた変化を示す、脳等の体の限られた部分に対処する。

非剛体レジストレーション法は、２つの異なる画像間の類似度を最大化する。結果は、類似度測定値に応じて変化する。２つの一般的な測定値は、画像強度とローカル位相情報である。強度ベースの方法の一例は、Ｄｅｍｏｎｓアルゴリズムである。位相ベースの類似度測定を可能にする他の例は、形態単位法（morphon method）である。位相ベースの方法は、Ｂ０とＲＦの不均質性によりＭＲ画像に共通である、ゆるやかな強度変化に鈍感である。形態単位の追加の特徴は、体全体のレジストレーションにとって重要な特徴である、正則化の異なる度合いをもって、異なるスケールでプロトタイプを変形するその能力にある。

現在、筋肉組織量の大部分を定量化することと、筋肉組織を異なる筋肉グループに分けることとの両方を行う、人骨格筋系（運動器系）の総合的かつ正確な記述を提供することができる方法は存在しない。解決策は、サルコペニアや筋ジストロフィーを含む広い範囲の状態における、筋委縮症の進行、筋内脂肪浸潤、及び、疾患進行等の現象間の相互作用の研究のための重要なツールとなる。

本装置とともに述べられた課題を緩和する改良された解決策を提供することが本発明の目的である。更に、磁気共鳴画像に基づいて、除脂肪組織量の定量化のための方法を提供することが目的である。

本発明の一態様によれば、これは、
水−脂肪の分離された磁気共鳴画像として画像を取得し、ここにおいて、取得された画像は、水画像と脂肪画像とを備え、
較正された脂肪画像を与え、
目標画像における軟部組織の領域を規定する軟部組織マスクを与え、及び、
取得された画像の関心領域を規定する
ステップを備える除脂肪組織量を定量化する方法によって提供される。方法は、更に、関心領域における各容量要素について、軟部組織マスクを、各容量要素の容量と１から較正された脂肪画像を引いた結果とに乗じ、関心領域における全ての容量要素について該乗じた積（結果）を合計することによって除脂肪組織量を計算するステップを備える。

除脂肪組織量の定量化は、関心領域における脂肪のない組織の容量及び／または重さを数で決定する目的をもち得る。本発明は、関心領域に存在する容量要素（ボクセル：voxels）の水レベルから脂肪信号レベルを引くことによって、定量化における向上した正確性を提供し得る。関心領域は、筋肉、筋肉グループ、または、乳房等の特定の器官であってよい。また、臓器容量における広がった脂肪浸潤は、それによって、定量化から除かれ得る。更に、ボクセル内の実際の脂肪浸潤レベルのみが定量化から除かれ得、例えば、筋肉組織を規定する、対応する水レベルは除外され得ない。

取得された画像は、二次元または三次元磁気共鳴画像であってよい。この中では、除脂肪組織量によって、脂肪のない組織の容量を意味し得る。水−脂肪の分離された磁気共鳴画像である取得された画像は、画像の対として、水画像と脂肪画像を備え得る。

較正された脂肪画像は、複数の既知の方法で提供され得る。例えば、Reeder, S. B.、Hu, H. H.、Sirlin, C. B.による「(2012) Proton density fat-fraction: A standardized mr-based biomarker of tissue fat concentration. J. Magn. Reson. Imaging, 36: 1011-1014. doi: 10.1002/jmri.23741」に開示されたプロトン・デンシティ・ファット・フラクション（proton density fat fraction：ＰＤＦＦ）の方法に基づくか、または、欧州出願ＥＰ０９７３２９７６．７に記載された方法に基づく。軟部組織マスクは、取得された画像内の軟部組織の領域を規定するマスクとして定義され得る。軟部組織マスクは、例えば、Nobuyuki Otsuによる「（1979） A threshold selection method from gray-level histograms, IEEE Trans. Sys., Man., Cyber. 9 (1): 62-66. doi:10.1109/TSMC.1979.4310076」、及び、Dana Wald、Birgit Teucher、Julien Dinkel、Rudolf Kaaks、Stefan Delorme、Hans-Peter Meinzer、Tobias Heimannによる「Automated quantification of adipose and skeletal muscle tissue in whole-body MRI data for epidemiological studies. Proc. SPIE 8315, Medical Imaging 2012: Computer-Aided Diagnosis, 831519 (February 23, 2012) doi: 10.1117/12.911290」に開示されたＯｔｓｕｓ法による等の複数の既知の方法で提供され得る。

軟部組織マスクは、軟部組織が存在しないので、関心領域内の取得された画像における背景が除かれることを提供し得る。更に、軟部組織マスクは、骨が磁気共鳴では可視でないので、関心領域内の取得された画像における骨が除かれることを提供し得る。

除脂肪組織量を算出するステップは、以下のように記述され得る：

ここで、ＬＴＶは算出された除脂肪組織量であり、ＲＯＩは関心領域における容量要素であり、Ｆは構成された脂肪画像であり、ＳＴＭは軟部組織マスクであり、Ｖ_ＶＯＸは各ボクセルの容量である。

更に、関心領域の組織量部分の境界において容量要素を分類するための閾値は低下させることができる。境界において、組織量から外れる方向において、水レベル（組織を表す）が減少し、脂肪レベルが増加する。境界は、徐々なる遷移を与えて、ぼやけている。

定量化は、関心領域の各容量要素部分についてなされ得る。決定することにより、各容量要素について、全ての脂肪浸潤、びまん性脂肪浸潤と純粋な脂肪浸潤の両方、の有効な除脂肪組織量を決定することにより、正確な組織量の定量化が提供され得る。

上述のような方法で除脂肪組織量を算出するためのステップは、必ずしも、提示された順序で実行される必要はない。

一実施形態では、方法は、更に、
較正された水画像を与えるステップと、
取得された画像における各容量要素について、軟部組織マスクを較正された水画像と乗じ、関心領域における全ての容量要素についての該乗じたことの積（結果）の合計を決定することにより、除脂肪組織の水濃度を算出するステップと、
を備え、該合計を該算出された除脂肪組織量で割り得る。更なる算出が、その算出された除脂肪組織量に基づいて、関心領域における有効な水濃度レベルを、その領域中の合計の水と脂肪との比として提供し得る。効果的な水濃度は、磁気共鳴画像における水信号として可視の水を組み込むが、磁気共鳴画像において可視でない水または他の組織を組み込み得ない。除脂肪組織の水濃度の算出は以下のように記述され得る：

ここで、ＬＴＷＣは算出された除脂肪組織の水濃度であり、ＲＯＩは関心領域における容量要素であり、Ｗは較正された水画像であり、ＳＴＭは軟部組織マスクであり、Ｖ_ＶＯＸは各ボクセルの容量であり、ＬＴＶは上記に示された算出された除脂肪組織量である。較正された水画像は、脂肪画像の較正のためのバイアス場と類似の方法で決定されたバイアス場を用いて正規化された水画像であってよい（ＥＰ０９７３２９７６．７参照）。代替的に、水画像は、例えば、水／（水＋脂肪）＞０．９、または、類似の閾値として算出された、脂肪がなく、水が豊富な組織を含む高い蓋然性をもち、水と脂肪信号におけるノイズ信号レベルより相当に高い（水＋脂肪）の合計をもった水画像におけるボクセルから決定されるバイアス場を用いて正規化することができる。較正された水画像は、Yu H、McKenzie CA、Shimakawa A、Vu AT、Brau AC、Beatty PJ、Pineda AR、 Brittain JH、 Reeder SBによる「Multiecho reconstruction for simultaneous water-fat decomposition and T2* estimation, Journal of magnetic resonance imaging : JMRI 2007; 26(4): 1153-1161」等の複数の既知の方法を用いて算出された水画像から決定され得る。

上述のような方法で除脂肪組織の水濃度を算出するためのステップは、必ずしも、示された順序で実行される必要はない。

一実施形態では、軟部組織マスクを提供するステップは、磁気共鳴に可視の組織を含まない容量要素を除くステップを備え得る。磁気共鳴に可視な組織を含まない取得された画像における容量要素は、セグメント化され、及び、分類された筋肉グループ周辺のノイズを低減するために除かれ得る。磁気共鳴に可視な組織を含まない容量要素を除くステップは、
較正された水画像を与えること、
較正された脂肪画像と較正された水画像の合計に閾値を適用すること、ここで、該閾値より上の容量要素が２値組織マスクを形成し、
正規化された水と脂肪との画像の合計に等しい２値組織マスクの境界からの１つの容量要素の中に容量要素を設定することによって、あいまいな（fuzzy）軟部組織マスクを形成すること、
のステップを備え得る。該閾値は約０．５であってよい。背景の容量要素が除かれる場合、分類されていない容量要素が除かれ得、それは、さもなければ、定量化を妨げていたであろう。より正確な軟部組織マスクは、より正確な除脂肪組織の定量化を提供しつつ、それによって提供され得る。

一実施形態では、較正された脂肪画像を与えるステップは、一貫した強度不均等性補正のステップを備え得る。そのようなステップは、ＥＰ０９７３２９７６．７、または、Dahlqvist Leinhard O、Johansson A、Rydell J等による「Quantitative abdominal fat estimation using MRI. In: Proceedings of the 19th International Conference on Pattern Recognition (ICPR'08); 2008; Tampa, Florida, USA. p 1-4. (In: Proceedings of the 19th International Conference on Pattern Recognition (ICPR'08)」、または、Romu T、Borga M、Dahlqvist Oによる「MANA - Multi scale adaptive normalized averaging. In: Proceedings of the 2011 IEEE International Symposium on Biomedical Imaging: From Nano to Macro; 2011. p 361-364. (In: Proceedings of the 2011 IEEE International Symposium on Biomedical Imaging: From Nano to Macro)」に開示されている。

更に、そのようなステップは、
水と脂肪との画像を含む取得された画像を再構成すること、ここにおいて、その再構成は、それが、水プラス脂肪の画像を備える同相画像成分（in-phase image component：ＩＰ）と水マイナス脂肪の画像を備える位相を異にする画像成分（out-of-phase image component：ＯＰ）とに帰結するように位相敏感なものであり、
試験基準に従った容量要素が、結果、純粋な脂肪画像を生成する純粋な脂肪組織を表す、再構成された画像における容量要素を特定すること、
非組織画像データのないセグメント化された画像を生成するために、純粋な脂肪画像をセグメント化すること、
セグメント化された画像において示された容量要素を用いて脂肪画像（Ｆ）を補間することによって強度補正を生成すること、該脂肪画像は、同相画像成分（ＩＰ）及び異なる位相の画像成分（ＯＰ）に基づいて算出される、
とのステップを備える。較正された脂肪画像が、例えば、ＰＤＦＦに基づいて与えられる場合、パーシャルボリュームエフェクト（partial volume effects）によって除脂肪組織の定量化に悪影響を与え得る、取得された画像中の脂肪と水との間の界面での未定義のセクションがあり得る。較正された脂肪画像を提供するために、上記ステップを使用することによって、そのような課題が軽減され得る。縦Ｔ１緩和信号飽和（longitudinal T1 relaxation signal saturation）による較正された脂肪画像への更なる影響は、Peterson, P.による「Quantification of Fat Content and Fatty Acid Composition Using Magnetic Resonance Imaging. Lund University Doctoral Dissertation 2013, ISBN: 978-91-87651-99-1」に開示されたような上記ステップを用いることによって、効果的に回避され得る。

他の実施形態では、関心領域を規定するステップは、取得された画像をセグメント化するために、少なくとも１つのアトラスの取得された画像への非剛体レジストレーションのステップを備え得る。アトラスは、ここでは、筋肉グループの分類のための対応する解剖学的情報をもちいて、水と脂肪との画像ペアとして定義され得る。アトラスは、取得された画像における体または体の部分を、筋肉グループ等の臓器のグループにセグメント化するために使用され得る。非剛体レジストレーションは、関心領域の自動化された定義を与えつつ、自動化されたプロセスで行われ得る。

一実施形態では、非剛体レジストレーションのステップは、該アトラスのマルチスケールかつ位相ベースのレジストレーションのステップを備え得る。マルチスケールかつ位相ベースレジストレーションを用いることによって、アトラスは、取得された画像と形状で対応するために変更され得る。アトラスは、特定の、または、グループの、筋肉グループ（複数も可）の形状が取得された画像に対応するようにレジトレーションされ得る。アトラスは、組織グループの成功裡の分類の可能性を増すために変更され得る。

他の実施形態では、アトラスは、取得だれた画像に転写され得る解剖学的情報を含むことができる。解剖学的情報は、特定の組織グループを識別するラベルの形態で提供され得る。ラベルは、アトラスにおける組織グループの選択された容量要素に与えられ得る。ラベルは、取得されたた画像における選択された容量要素にラベルを付与するために、取得された画像に転写され得る。組織量内の容量要素を分類するステップは、該組織量における全ての容量要素に対して、取得された画像における組織量内の選択された容量要素のためのラベルを転写すステップを備え得る。関心領域を規定するために、筋肉組織量または乳房容量等の組織量を分類するための自動化されたプロセスが、それによって提供され得る。

更なる実施形態では、非剛体レジストレーションのステップは、複数のアトラスを、取得された画像に別々にレジストレーションするステップを備え得る。取得された画像上に複数のアトラスをレジストレーションすることによって、取得された画像のより堅牢なセグメント化が提供され得る。それによって複数の解剖学的変化を表す異なる器官構成を有するアトラスが、同時に使用され得る。それによって、セグメント化の結果が向上される。

一実施形態において、複数のアトラスを用いたセグメント化の結果は、マップを形成するために、取得された画像に付加され、ここにおいて、該マップは、取得された画像における容量要素が組織を表す確率を規定する確率マップを形成するために正規化され得る。更なる実施形態では、正規化は、取得された画像における容量要素について０と１との間の値を与え、ここにおいて、１の値は、複数のアトラスの全てが当該容量要素を組織として規定していることを表し、０の値は、複数のアトラスのどれもが容量要素を組織と規定していないことを表す。各容量要素について、確率値は、該容量要素が特定の組織グループに属する確率を規定して与えられ得る。

更に他の実施形態では、容量要素を分類するステップは、取得された画像における容量要素を、確率マップに基づいて、組織グループにラベル付けするステップを備え得る。確率マップに基づいて組織グループに属すると決定された容量要素は、それによって、当該組織グループにラベル付けされ得る。そして、容量要素のそのような分類は、組織グループの除脂肪組織量の定量化のための基礎となり得る。

他の実施形態では、容量要素をラベル付けする該ステップは、特定の容量要素を組織グループにラベル付けするために、該特定の容量要素を分類する必要があるアトラスの数の閾値を該組織グループに適用するステップを備え得る。それによって、その閾値以上のアトラスベースのセグメント化の数が、容量要素を組織グループに属するものとして規定する場合、容量要素は対応するラベルを与えられ得る。閾値は、一実施形態では、複数のアトラスの５０％であり得る。

一実施形態において、アトラスの数の閾値は、第２の組織グループのために選択された閾値と異なって、第１の組織グループのために選択され得る。高すぎる閾値は、筋肉組織量の過小推定になり得、かつ、低すぎる閾値は、筋肉組織のボリュームの過大推定につながる可能性がある。最適な閾値は、異なる組織グループに毎に異なり得る。従って、異なる閾値が、異なる組織グループ毎に使用され得る。

他の実施形態では、非剛体レジストレーションのステップは、アトラスのグループから、取得された画像に最も類似する器官組織量を備え得る１つ以上のアトラスを選択するステップを備え得る。複数のアトラスを使用する場合、選択動作が実行され得、ここにおいて、アトラスが取得された画像と比較され、体の筋肉容量におけるある量の類似度を有するアトラスの数が選択される。各アトラスは、取得された画像とのその類似度を表す値を与えられてもよい。閾値を超えるような値を有するアトラスが選択され得る。

更なる実施形態では１つ以上のアトラスを選択する前記ステップは、反復プロセスにおいて繰り返され得、ここにおいて、第１の選択プロセスで選択されたアトラスは、第２の選択プロセスで選択するための基礎として使用され得る。それによって、第１の選択プロセスで選択されたアトラスは、再評価され得る。更に、アトラスの数は第２の選択プロセスにおいて減らされ得、それにより、最も一致するアトラスを選択するのみである。取得された画像のセグメント化の性能は、それによって更に向上され得る。

更なる実施形態では、筋肉組織量を定量化するステップは、筋肉組織量における容量要素について、正規化された水量マイナス正規化された脂肪量から導出される算出を備え得る。

更なる実施形態では、較正された脂肪画像、軟部組織マスク、および、関心領域は、全て、共通の値の範囲にわたって規定されてよい。較正された脂肪画像における各容量要素、軟部組織マスク、および、関心領域は、それぞれ、その共通の値の範囲内の値を有し得る。較正された脂肪画像について、範囲は、脂肪がないことを表す端点から純粋な脂肪を表す端点にわたってよい。同様に、軟部組織マスクについて、範囲は、軟部組織がないことをあらわす端点から純粋な軟部組織を表す端点にわたってよい。更に、関心領域について、範囲は、容量要素が除かれるべきであることを表す端点から容量要素が含まれるべきであることを表す端点にわたってよい。同様に、較正された水画像は、該共通の値の範囲にわたって規定され得る。較正された水画像について、範囲は、水がないことを表す端点から純粋な水であることを表す端点にわたってよい。

そのような共通の値の範囲は、一実施形態では、０と１との間、［０，１］、であってよい。共通の値の範囲は、除脂肪組織量の定量化が較正の問題なく算出され得ることを提供する。

本発明は、以下において、添付された図面を参照して、より詳細に記載される。

図１は、本発明の実施形態に係る方法のフローチャートである。図２は、本発明の実施形態に係る方法のステップのフローチャートである。図３は、本発明の実施形態に係る定量化方法のフローチャートである。図４ａは、筋肉組織量の２次元グラフ表現である。図４ｂは、筋肉組織量の２次元グラフ表現である。図５は、本発明の実施形態に係る方法のフローチャートである。

実施形態の説明

本発明は、本発明の好適な実施形態が示される添付の図面を参照して、以下により十分に説明される。しかし、この発明は、多くの異なる形態で具現化されることができ、この中に記載された実施形態に限定されるものと解釈されるべきではなく、むしろ、これら実施形態は、この開示が十分かつ完成しており、この技術に技量を有する者に本発明の範囲を十分に伝えるように提供されるものである。図面において、同じ番号が同じ要素を指す。

図１に示すように、本発明の実施形態に係る除脂肪組織量を定量化する方法は、５つの主要なステップを備える。
ａ）水−脂肪の分離された画像の取得（１０）
ｂ）較正された脂肪画像を与えること（２０）
ｃ）軟部組織のマスクを与えること（３０）
ｄ）取得された画像において関心領域を規定すること（４０）
ｅ）除脂肪組織量を算出すること（５０）。

図１に示された方法は、以下のように記述され得る：

ここで、ＬＴＶは除脂肪組織量であり、Ｆは較正された脂肪画像であり、ＳＴＭは軟部組織マスクであり、Ｖ_ＶＯＸは各ボクセルの容量であり、ＲＯＩは関心領域におけるボクセルである。関心領域の規定は、手動または自動で行われ得る。

方法のステップａ）−ｄ）は、図２を更に参照して以下により詳細に説明される。

方法は、定量的な脂肪情報をもった水−脂肪の分離された画像を必要とする。本実施形態のために、位相敏感な再構成を用いた、２または多点のＤｉｘｏｎイメージングは、水−脂肪の分離された画像を取得する（１０）ために使用される。しかし、使用することができるいくつかの他の分離方法が存在する。較正された脂肪画像を与えるために使用されるような脂肪画像を提供する他の方法が以下に開示される：
・Berglund J、Ahlstrom H、Johansson L、Kullberg Jによる「Two-point Dixon method with flexible echo times. Magnetic resonance in medicine: official journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine 2011; 65(4): 994-1004」
・Berglund J、Kullberg Jによる「Three-dimensional water/fat separation and T2* estimation based on whole-image optimization--application in breathhold liver imaging at 1.5 T. Magnetic resonance in medicine: official journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine 2012; 67(6): 1684-1693」
・Hernando D、Haldar JP、Sutton BP、Ma J、Kellman P、Liang ZPによる「Joint estimation of water/fat images and field inhomogeneity map. Magnetic resonance in medicine: official journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine 2008;59(3):571-580」
・Ma Jによる「Dixon techniques for water and fat imaging. Journal of magnetic resonance imaging: JMRI 2008; 28(3): 543-558」
・Reeder SB、Pineda AR、Wen Z、Shimakawa A、Yu H、Brittain JH、Gold GE、Beaulieu CH、Pelc NJによる「Iterative decomposition of water and fat with echo asymmetry and least-squares estimation (IDEAL): application with fast spin-echo imaging. Magnetic resonance in medicine: official journal of the Society of Magnetic Resonance in Medicine / Society of Magnetic Resonance in Medicine 2005; 54(3): 636-644」
・Yu H、McKenzie CA、Shimakawa A、Vu AT、Brau AC、Beatty PJ、Pineda AR、Brittain JH、Reeder SBによる「Multiecho reconstruction for simultaneous water-fat decomposition and T2* estimation. Journal of magnetic resonance imaging: JMRI 2007; 26(4): 1153-1161」。

取得された画像は、水画像と脂肪画像を備える。内部強度基準として純粋な脂肪組織に基づいて脂肪画像を較正する、即ち、所与の脂肪画像ボクセル（即ち、容量要素）における信号強度レベル、方法は、１００％脂肪組織に対応して１の値を与えられる、純粋な脂肪組織における強度に関連付けられる。構成された脂肪画像を作成することに加えて、方法は、また、元の水画像における不均質性のいくつかを除く。

本発明の実施形態による方法は、関心領域を規定するためのアトラスベースのレジストレーションとセグメント化を使用する。代替的に、関心領域が手動で規定され得、または、自動的に他の方法で規定され得る。

アトラスベースのセグメント化方法のための出発点は、アトラス２１の生成である。アトラス２１は、ここでは、異なる組織グループを規定する対応するラベル２１ａを用いて、水と脂肪との画像ペアとして定義される。そして、アトラス２１は、取得された（目標の）画像１２上にレジストレーションされる。レジストレーションの目的は、アトラス２１が可能な限り取得された画像１２と類似すべきであることである。このタスクのために、アトラス２１の水画像が用いられるが、それが最小の解剖学的変化を表示し、組織量形状に関する最も多くのの情報が含んでいるからである。形態単位法等のマルチスケールおよび位相ベースの方法が、非剛性レジストレーション２０のために用いられる。形態単位レジストレーションは、アトラス２１と取得された画像１２上に方向性直交フィルタを適用し、フィルタ応答間の位相差が最小になるように変位場を更新することによって、繰り返し、変位場を推定する。形態単位の収束の後、結果としての変位場２２は情報マップから構成され、筋肉グループを規定するラベル２１ａ等の解剖学的情報が、アトラス２１から取得された画像１２に転写され得る。

アトラスベースのセグメント化の堅牢性は、取得された画像１２に複数のアトラスをレジストレーションすることによって改善される。複数アトラスレジストレーションは、複数の解剖学的変位を表して、異なる体構成とともにアトラスの同時使用を可能にし、それはセグメント化動作を改善し得る。従って、レジストレーションは各アトラスについてなされ、示唆されたラベルが、マップを形成しつつ、目標上で互いに追加される。マップは、正規化され、確率マップ２４として用いられる。ボクセルについての１に等しい値は、全てのアトラスがボクセルを組織として分類することを与え、ゼロに等しい値は、アトラスのどれもが該ボクセルを組織として分類しないことを与える。

方法の第３のステップは、複数アトラスレジストレーションからの結果の確率マップ２４に基づいて、各ボクセルのラベルを分類することである。閾値３１は、何個のアトラス２１がボクセルをある筋肉として分類することに同意しなければならないかを決定することに適用される。高すぎると、閾値は組織量の過小推定につながり、他方、低すぎると、閾値は過大推定につながる。異なる組織グループは異なる環境を有しているので、各グループのための最適な閾値が使用され得る。

セグメント化された組織の各々のための最適な閾値３１は、ダイス係数（Dice coefficient）としても知られる、類似度指数（Similarity Index：ＳＩ）に基づいて、グラウンドトゥルース（ground truth）セグメント化と自動セグメント化との間の類似度を最大化する閾値を見つけることによって算出され得る。（用いられる全てのアトラスにわたって）最も高い平均ＳＩを与える閾値が、最適な閾値として用いられた。

アトラス２１と目標画像１２が類似している場合、良好なレジストレーション結果を達成する可能性がより高くなる。類似の組織配置を用いてアトラスを見つける自動選択は、一実施形態において、セグメント化結果を改善するために使用されることができる。これは、反復プロセスとして実装される。アトラスのランダムまたは一般のサブセットが用いられる第１の反復の後、２回目の反復が実行され、そこでは、第１の反復の結果と比較して、最も類似した組織量を有するだけアトラス２１だけが、投票の第２ラウンドのために使用される。最も類似した体全体の筋肉量の基準の代わりに、対象を記述する他の特徴が使用され得る。

組織分類後、組織グループラベル３２をもった取得された画像３５が与えられる。

組織量を得るための最終ステップは、組織セグメント化と分類とのステップからの結果を、取得された画像における組織量内に存在する画像情報と組み合わせることである。これは、図３を参照して下に説明される。

除脂肪組織量算出の１つのステップは、取得された画像３５における体に属さないボクセルの除去、即ち、背景除去からなる。あいまいな軟部組織マスク（soft tissue mask：ＳＴＭ）の内側のボクセルのみが、背景におけるボクセルからのノイズを低減するために含まれる。まず、２値の組織マスク（binary tissue mask：ＢＴＭ）が、較正された脂肪組織量（fat tissue volume：Ｆｎ）を与える上記の脂肪組織量のために記載されたことと同様に、水組織量（water tissue volume：Ｗｎ）を較正することによって作成される。水画像の較正は、内部強度基準としての純粋な水に基づく。即ち、所与の水画像ボクセルにおける信号強度レベルは、１００％が水の組織に対応して１の値が与えられる、純粋な水の組織における強度に関連付けられる。水がない場合の強度をもった水画像ボクセルは、０の値が与えられる。

正規化された水組織量と脂肪組織量との合計（Ｆｎ＋Ｗｎ）は、正規化された同相信号（normalized in-phase signal：ＩＰｎ）を与える。閾値が、正規化された同相信号に適用される。閾値は、０．５のレベルである。あいまいな組織マスクは、正規化された水と脂肪との画像の合計に等しい２値の体マスクの境界からの１つのボクセル内に複数のボクセルを設定することによって作成される。この動作は、境界緩和（border relaxation）と言われる。あいまいな軟部組織マスクを用いることによって、容量測定への部分容量の影響が最小化される。

セグメント化された組織マスク容量、Ｍ_Ｍ、は、以下によって算出される：

ここで、Ｍ_ＡＵＴは自動組織セグメント化であり、ＳＴＭは軟部組織マスクであり、Ｖ_ＶＯＸは各ボクセルの容量であり、ＲＯＩは関心領域内のボクセルである。これは、軟部組織量（soft tissue volume：ＳＴＶ）としても記述される、分類された容量における組織の定量化を与える。同じあいまいな軟部組織マスクと較正された脂肪組織量とに基づいて、脂肪組織量または脂肪組織量（adipose tissue volume：ＡＴＶ）の定量化が提供される。

除脂肪組織量の定量化のステップは、Ｍ_ＡＵＴにおける脂肪浸潤を補正する。

これは、除脂肪組織量、ＬＴＶ、の以下の算出５０によって実行される。

ここで、Ｆは較正された脂肪画像であり、Ｍ_ＡＵＴは自動組織セグメント化であり、ＳＴＭは軟部組織マスクであり、Ｖ_ＶＯＸは各ボクセルの容量であり、ＲＯＩは関心領域におけるボクセルである。

較正された脂肪画像は、連続脂肪画像を提供する。例えば筋肉組織として分類された各ボクセルにおける脂肪信号レベルは、最終的な組織量算出から減算される。ＬＴＶは、純粋な脂肪組織、即ち、脂肪線条や皮下組織、を含む領域を除く。更に、びまん性脂肪浸潤の存在下では、ＬＴＶは、筋肉組織プラスびまん性脂肪浸潤の容量ではなく、筋肉組織の容量を定量化する。これは、除脂肪組織量（lean tissue volume：ＬＴＶ）の定量化を提供する。

これは、更に、筋肉組織量１００（ｙ軸）の２次元表現を示す図４ａと４ｂに示される。ｘ軸上のボクセルでの筋肉組織の低い表示は、脂肪の対応するレベルを与える。図４ａは、閾値１１０が設定されている筋肉組織を定量化する既知のステップを示す。閾値１１０より下の筋肉組織信号レベルをもった、即ち、閾値１１０より上の脂肪信号レベルをもった、ボクセルは、定量化された筋肉組織量１４０から除かれる。筋肉組織量１００の外側境界の中のボクセルの部分１２０は、純粋な脂肪浸潤としての分類により、定量化１４０から除かれる。しかし、そのようなボクセルにおける筋肉組織１２２も除かれ、それによって、筋肉組織量の定量化１４０からそのような組織１２２を除く。更に、びまん性脂肪浸潤１３０は、脂肪の低い量により、筋肉組織として定量化される。

図４ｂは本発明に係る定量化ステップを示し、ここで、筋肉組織量１００の定量化は、脂肪組織量１００の中に分類されたボクセルにおける脂肪レベル１３１、１３２を、対応する筋肉組織信号レベル（水信号レベル）から減じることによって決定される。それによって、閾値１１０は、筋肉組織量のより正確な定量化を与えるために、より低く設定され、または、無くされさえもされ得る。境界での（高い）脂肪レベル１３２は、とにかく、減算操作によって除かれる。更に、大きな脂肪浸潤１３１は、より低い閾値１１０でもってさえも、定量化から除かれる。同時に、大きな脂肪浸潤を有するボクセル１２０に存在する筋肉組織も、筋肉組織定量化１４１の一部である。

図５に示された実施形態に従って、本発明の方法１は、更に、較正された水画像を与えること（６０）のステップと、除脂肪組織の水濃度（lean tissue water concentration：ＬＴＷＣ）を算出すること（７０）のステップとを備え得る。除脂肪組織の水濃度の算出は以下のように記述され得る：

ここで、Ｗは較正された水画像であり、ＳＴＭは軟部組織マスクであり、ＬＴＶは算出された除脂肪組織量であり、Ｖ_ＶＯＸは各ボクセルの容量であり、ＲＯＩは関心領域におけるボクセルである。除脂肪組織の水濃度は、有効な水濃度を、領域内の全水分と脂肪の比率として与える。除脂肪組織の水濃度は、取得された画像の関心領域における測定された水信号レベルを含み、関心領域において磁気共鳴に可視でない水または他の組織は含まない。

図面及び明細書において、本発明の好適な実施形態及び実施例が開示されており、特定の用語が使用されているが、それらは一般的かつ記述的な意味合いでのみ使用され、限定の目的ではなく、本発明の範囲は添付の特許請求の範囲に記載される。

Claims

除脂肪組織量（１００）を定量化する方法であって、
水−脂肪の分離された磁気共鳴画像として画像（１２）を取得すること（１０）であって、取得された前記画像は、各々が複数の容量要素を備える水画像と脂肪画像とをそなえることと、
較正された脂肪画像（Ｆ）を与えること（２０）と、
取得された前記画像における軟部組織の領域を規定する軟部組織マスク（ＳＴＭ）を与えること（３０）と、
取得された前記画像の関心領域を規定すること（４）と、
のステップを備え、
前記方法は、更に、前記関心領域における各容量要素について、前記軟部組織マスクを、各容量要素の容量（Ｖ_ＶＯＸ）と１マイナス前記較正された脂肪画像の結果とに乗じることと、前記関心領域における全ての容量要素について、前記乗じることの積を合計することとによって、除脂肪組織量を算出するステップを備える、
方法。
較正された水画像（Ｗ）を与える（６０）ステップと、
取得された前記画像における各容量要素について、前記軟部組織マスクを、前記較正された水画像と各容量要素の前記容量（Ｖ_ＶＯＸ）に乗じることと、関心領域における全ての容量要素について、前記乗じることの積の合計を決定し、前記合計を算出された前記除脂肪組織量で割ることとによって、除細胞組織の水濃度を算出する（７０）ステップと、
を備える、請求項１に記載の方法。
軟部組織マスク（ＳＴＭ）を与えること（３）の前記ステップは、磁気共鳴に可視な組織を含まない容量要素を除くステップを備え、
容量要素を除く前記ステップは、
較正された水画像（Ｗ）を与えることと、
前記較正された脂肪画像と前記較正された水画像の合計に閾値を適用することであって、前記閾値より上の容量要素は２値の組織マスク（ＢＴＭ）を形成することと、
正規化された前記水画像と脂肪画像との合計に等しい前記２値の組織マスクの境界からの１つの容量要素の中に前記容量要素を設定することによって、あいまいな軟部組織マスク（ＳＴＭ）を形成することと、
のステップを備える、
請求項１に記載の方法。
関心領域を規定する前記ステップは、取得された前記画像をセグメント化するために、取得された前記画像に対する少なくとも１つのアトラス（２１）の非剛体レジストレーションのステップを備える、請求項１乃至３のいずれか一項に記載の方法。
非剛体レジストレーションの前記ステップは、前記アトラスの、形態単位レジストレーションを含む、マルチスケールかつ位相ベースのレジストレーションのステップを備える、請求項４に記載の方法。
前記アトラス（２１）は、取得された前記画像（１２）に転写される解剖学的情報（２１ａ）を備える、請求項４または５のいずれか一項に記載の方法。
非剛体レジストレーションの前記ステップは、取得された前記画像に対して複数のアトラス（２１）を別々にレジストレーションするステップを備える、請求項４乃至６のいずれか一項に記載の方法。
前記複数のアトラスの前記レジストレーションの結果が、マップを形成するために、取得された前記画像（１２）に加えられ、
前記マップは、取得された前記画像における容量要素が筋肉組織を表している確率を規定する確率マップを形成するために正規化され、
前記正規化は、取得された前記画像（１２）における容量要素について、０と１との間の値を与え、
１の前記値は、前記複数のアトラス（２１）の全てが前記容量要素を筋肉組織として規定することを表し、０の前記値は、前記複数のアトラスのどれもが前記容量要素を筋肉組織として規定しないことを表す、
請求項６に記載の方法。
前記方法は、更に、前記水画像における容量要素を、少なくとも１つの前記アトラスに基づいて、組織グループとして分類するステップを備え、
分類する前記ステップは、取得された前記画像（１２）における容量要素を、前記確率マップ（２４）に基づいて、組織グループにラベル付けする（３２）ステップを備える、
請求項８に記載の方法。
容量要素をラベル付けする（３２）前記ステップは、特定の容量要素を分類することにおいて、当該容量要素を前記組織グループにラベル付けするために、特定の容量要素を分類する必要があるアトラスの数の閾値を組織グループに適用するステップを備える、請求項９に記載の方法。
アトラスの数の閾値は、第２の組織グループのために選択された閾値とは異なって、第１の組織グループのために選択される、請求項１０に記載の方法。
非剛体レジストレーションの前記ステップは、アトラスのグループから、取得された前記画像（１２）に最も類似する組織容量を備える１つ以上のアトラスを選択するステップを備え、
１つ以上のアトラスを選択する前記ステップは、反復プロセスにおいて繰り返され、
第１の選択プロセスで選択された前記アトラスは、第２の選択プロセスにおける選択のための基礎として用いられる、
請求項４乃至１０のいずれか一項に記載の方法。
前記較正された脂肪画像、前記軟部組織マスク、および、前記関心領域の全ては、共通の値範囲にわたって規定される、請求項１乃至１２のいずれか一項に記載の方法。
前記共通の値範囲は０から１にわたる、請求項１３に記載の方法。