JP6703082B2 - 医用画像における構造物をセグメンテーションする医用画像処理装置、医用画像をセグメンテーションするための方法及び医用画像をセグメンテーションするコンピュータプログラムを記憶する記憶媒体 - Google Patents

Description

本発明の実施形態は、医用画像における構造物をセグメンテーションする医用画像処理装置等に関する。

現代の医用画像技術では、患者または他の被検体の医用画像に示される構造物を自動的にまたは半自動的に識別することが望ましい。医用画像に示される構造物は、解剖学的構造の、たとえば血管または臓器でありうる。構造物はまた、ステントなどの人工の構造物でありうる。

セグメンテーションは、医用画像のピクセルまたはボクセルを分離することを含みうる、医用画像内の構造物を表すピクセルまたはボクセルを識別する処理として表すことができる。構造物を表すピクセルもしくはボクセルを識別および／または分離することにより、構造物に関する情報をさらに抽出すること、構造物を測定すること、または医用画像内の他の構造物とは異なる方法で構造物をレンダリングすること等が容易になる。医用画像の構造物を分離するには、どのピクセルまたはボクセルがどの組織型（または人工物のタイプ）に対応するかを知ることが必要である。次に、医用画像は、構造物に対応する組織型を示す医用画像の一部と、組織型を示さない残りとに分割することができる。

医用画像において、組織に対応する構造物と、そうでない残りの構造物とに、領域分割（セグメンテーション）することができる。複数の構造物が１つの医用画像の中でセグメンテーションされることもある。

特定の組織型へのボクセルの分類が困難な場合がある。異なる組織型は、医用画像の中で、異なる信号強度を有するボクセルとして出現するが、任意の所与の組織型に対する信号強度は、医用画像収集ハードウェアの差、患者における解剖学的構造物の変化、罹患領域の存在、任意の造影染料（contrast dye）または造影剤を患者に注射するときに使用される医療手順、および造影染料によって引き起こされる減衰を含む要因の範囲により変化することがある。

血管の罹患領域を識別するために、血管の正確なセグメンテーションが必要とされることがある。たとえば、たとえば冠動脈における狭窄測定を行うために、血管内腔および血管壁の正確なセグメンテーションが必要とされることがある。狭窄は、血管の異常な収縮または狭小化である。血管壁は、組織と、プラーク沈着物とを備える。内腔は、壁によって囲まれた、血液で満たされた空間である。石灰化したプラーク（石灰化）が血管内に存在する場合、より正確な内腔／壁セグメンテーションを可能にするために、医用画像処理における予備工程としてデータセットから石灰化ボクセルを除去できることが有利である。

自動的または半自動的な血管追跡アルゴリズムは、医用画像データ中の血管を追跡するために使用されうる。大きなカルシウム沈着物が、追跡中の血管内に存在する場合、通常の血管追跡アルゴリズムでは、十分な血管追跡ができない場合がある。例えば、大きなカルシウム沈着物の存在によって、血管セグメンテーションの精度は低下する。

冠動脈は、多くの場合、冠動脈に造影剤を導入することによって撮影される。冠動脈に造影剤を投与することによって、コンピュータ断層撮影（ＣＴ）による医用画像において表示される血管内腔の信号強度が増加し、内腔と周囲組織とを区別する。しかし、造影された（contrasted）内腔は、信号強度が高くなるため、石灰化の信号強度と区別することが困難になることがある。

サブトラクション処理（差分処理）は、造影スキャンにおける造影（contrast）の効果を改善または明瞭化する、頻繁に使用される方法である。非造影スキャン（non-contrast scan）および造影スキャンは、１つまたは複数の所与の血管に対して取得される。非造影スキャンの信号強度は、造影スキャン（contrast scan）および非造影スキャン（たとえば骨と軟組織とを含む）に共通の特徴を除去するために、造影画像の造影剤によって強調されている部分のみを残すために、２つのスキャンボリューム内の各対応するボクセル位置における造影スキャンの信号強度から減算される。

非造影スキャンからのデータと造影スキャンからのデータの間の形態のアライメントは、通常、２つのスキャンのボクセル位置が確実に解剖学的に対応するようにすることが必要である。医用画像は、手動でアライメントすることができる。これはピクセルシフトとしても知られている。たとえば、臨床医は、医用画像を重ねて一方の医用画像の位置を他方の医用画像の位置に対して調整することによって、造影後画像と造影前画像とを手動で合わせることができる。あるいは、医用画像は、たとえば陽電子放射断層撮影／コンピュータ断層撮影（ＰＥＴ／ＣＴ）またはマルチスペクトルＣＴにおいて、それぞれの装置の機械的な位置情報に基づいてアライメントすることができる。現代のシステムは、ソフトウェアを使用して医用画像を自動的に合わせることができ、線形レジストレーション処理または非線形レジストレーション処理を適宜に適用することができる。

冠動脈コンピュータ断層血管造影（ＣＣＴＡ）は、冠動脈を撮影する１つの方法である。造影剤が冠動脈中に存在しないとき、非造影画像が収集される。造影剤が冠動脈中に存在するとき、造影画像が収集される。造影剤は、冠動脈の信号強度を高める。造影画像および非造影画像のサブトラクションは、石灰化したプラーク（石灰化）と動脈内腔とを区別するために使用される。サブトラクションは、ステントまたは他の任意の類似した信号強度の高い領域と、動脈内腔とを区別するためにも使用される。骨は、信号強度の高い特徴的な領域であるが、サブトラクションによって除去できる。

また、サブトラクションは、造影画像のデータと非造影画像のデータとを比較する用途以外の用途において使用される。例えば、サブトラクションは、灌流（パフュージョン）に関する医用画像を比較するために使用される。

サブトラクションの効果の一例が、図１Ａ、図１Ｂ、および図１Ｃに示されている。図１Ａは、血管内腔１２を囲む石灰化１０を含む造影（ＣＣＴＡ）による医用画像である。図１Ｂは、同じ石灰化１０を示す、同じ血管の非造影画像（たとえば、カルシウムスコア画像）を示す。図１Ｂの非造影画像では、内腔が造影剤によって強調されていないので、内腔１２と背景組織との区別が困難な場合がある。

石灰化、特に重度の石灰化は、臨床医がＣＣＴＡデータを直接的に評価することを妨げる場合がある。内腔は、石灰化したプラークの存在下では解釈することが困難な場合がある。

この様な困難を解消するため、造影画像と非造影画像とを用いたサブトラクション処置が実行される。すなわち、２つのボリューム中の対応するボクセル位置において非造影画像のデータの信号強度を造影画像のデータの信号強度から減算することによって、造影画像から石灰化１０の影響を除去する。

図１Ｃは、図１Ａに対応する医用画像データ（造影画像データ）から図１Ｂに対応する医用画像データ（非造影画像データ）を減算することによって取得されるサブトラクション画像を示す。図１Ｃのサブトラクション画像では、石灰化１０が減算されているので、図１Ａの造影画像に比して、内腔１２をよりも明確に観察可能である。また、図１Ｃのサブトラクション画像では石灰化１０がないので、内腔１２を図１Ａ、図１Ｂの場合に比して簡単に観察することができ、臨床医は、内腔の寸法（たとえば、内腔の直径）と狭窄度とをより容易に推定することができる。

多数の自動的血管セグメンテーション技術が、これまでに提案されている。図２Ａおよび図２Ｂは、造影画像上で行われている既知の冠血管セグメンテーション方法の結果の一例を示したものである。各図において、大きなカルシウム沈着物が、セグメンテーションするべき血管内に存在している。

図２Ａおよび図２Ｂは、冠血管を示すＣＣＴＡ画像のデータのセットの２つの異なる図を示す。すなわち、図２Ａは、血管中心線に沿ってまっすぐにされた血管図を示す。図２Ｂは、中心線に垂直に撮影された血管の断面図を示す。大きなカルシウム沈着物２０は、両方の図で高強度の区域として見ることができる。

内腔セグメンテーションは、既知の冠血管セグメンテーション方法を使用して、図２Ａおよび図２Ｂに示した各医用画像を位置合わせして実行される。セグメンテーションの境界線は、図２Ａおよび図２Ｂのそれぞれにおいて太線１８として示されている。

しかしながら、太線１８によって示される自動的にセグメンテーションされた内腔境界は、図２Ａおよび図２Ｂに示した医用画像を用いて臨床医によって評価された内腔の範囲（extent）と比較した場合、過小評価される場合がある。これは、血管内腔内に大きなカルシウム沈着物２０が存在し、血管内腔内の造影された血液の信号強度とカルシウムの信号強度とが類似しることに起因する。

上記過小評価に対する１つの考えられる解決策は、造影画像のデータにおいてではなく、減算されたデータにおいて血管を追跡およびセグメンテーションすることである。ステント、石灰化領域、または他の（血管内腔以外の）類似の高強度領域は、造影画像のデータと非造影画像のデータとを用いたサブトラクション処理によって除去することができるからである。

図３Ａおよび図３Ｂは、既知の内腔セグメンテーション処理が行われている、血管の減算されたＣＴ画像の２つの図を示す。図３Ａは、血管中心線に沿ってまっすぐにされた血管図を示す。図３Ｂは、中心線に垂直に撮影された血管の断面図を示す。サブトラクション処理は、カルシウム３０の領域を減算した。

また、図３Ａおよび図３Ｂは、サブトラクション画像上で行われているときの既知の冠血管セグメンテーション方法の結果を表す。図３Ａおよび図３Ｂのサブトラクション画像は、図２Ａおよび図２ＢのＣＣＴＡ画像に対応する。図３Ａおよび図３Ｂから解るように、大きなカルシウム沈着物が存在する。

内腔セグメンテーションの境界線は、図３Ａおよび図３Ｂのそれぞれにおいて太線１８として示されている。図２Ａおよび図２Ｂを用いた上記例の場合と同じく、図３Ａおよび図３Ｂを用いて、従来の自動的な内腔セグメンテーションと臨床医による内腔の範囲（領域）との比較を行った。その結果、既知の冠血管セグメンテーション処理では、臨床医による評価に比して内腔を過大評価し、血管内の狭窄度は４％と推定され、著しい狭窄を発見することができなかった。

すなわち、自動的または半自動的な従来の血管セグメンテーションでは、内腔を過小評価または過大評価する場合がある。従って、従来の血管セグメンテーションの結果を用いて提供される狭窄の評価や所定の定量的結果は信頼性に不十分である場合があり、改善の余地がある。

目的は、自動的または半自動的な血管等の構造物のセグメンテーションにおいて、内腔等を過小評価または過大評価する事態を軽減することにある。

本実施形態に係る医用画像処理装置は、医用画像を複数の構造物領域に分類するための装置であって、前記構造物領域を含む第１、第２のセットを受け取るためのデータ処理ユニットと、前記第１のセットから第１のタイプの特徴を有する第1の構造物領域を特定し、前記第２のセットから第２のタイプの特徴を有する第２の構造物領域を特定するように構成された分類ユニットと、前記第１の構造物領域を用いて前記第２の構造物領域の範囲を補正するセグメンテーションユニットと、を備える。

図１Ａは従来において造影剤増強医用画像を示す図である。 図１Ｂは従来において非造影画像を示す図である。 図１Ｃはサブトラクション画像を示す図である。 図２Ａは従来においてＣＣＴＡ画像データにおける例示的な既知の血管セグメンテーションの結果を示す図である。 図２Ｂは従来においてＣＣＴＡ画像データにおける例示的な既知の血管セグメンテーションの結果を示す図である。 図３Ａは従来においてサブトラクション画像データにおける例示的な既知の血管セグメンテーションの結果を示す図である。 図３Ｂは従来においてサブトラクション画像データにおける例示的な既知の血管セグメンテーションの結果を示す図である。 図４は本実施形態による装置の概略図である。 図５は本実施形態により行われる方法を概要において示すフロー図である。 図６は本実施形態により行われる方法を概要において示すフロー図である。 図７は本実施形態により実行される教師なしカルシウム分類（unsupervised calcium classification）の方法を概要において示すフロー図である。 図８は本実施形態により実行される教師なし内腔分類の方法のフロー図である。 図９は本実施形態において分類方法を適用すべき撮影された血管の概略図である。 図１０Ａは図６の方法による内腔セグメンテーションの結果を示す図である。 図１０Ｂは図６の方法による内腔セグメンテーションの結果を示す図である。 図１１Ａは図３Ａに示されている既知の血管セグメンテーション方法の結果を重ねた、図６の方法による内腔セグメンテーションの結果を示す図である。 図１１Ｂは図３Ｂに示されている既知の血管セグメンテーション方法の結果を重ねた、図６の方法による内腔セグメンテーションの結果を示す図である。 図１２Ａは本実施形態において同じデータに対する既知の血管セグメンテーション方法の結果を重ねた、カルシウム沈着物が存在する、図６による内腔セグメンテーションの結果を示す図である。 図１２Ｂは本実施形態において同じデータに対する既知の血管セグメンテーション方法の結果を重ねた、カルシウム沈着物が存在する、図６による内腔セグメンテーションの結果を示す図である。 図１２Ｃは本実施形態において同じデータに対する既知の血管セグメンテーション方法の結果を重ねた、カルシウム沈着物が存在する、図６による内腔セグメンテーションの結果を示す図である。 図１３Ａは本実施形態において同じデータに対する既知の血管セグメンテーション方法の結果を重ねた、カルシウム沈着物が存在しない、図６による内腔セグメンテーションの結果を示す図である。 図１３Ｂは本実施形態において同じデータに対する既知の血管セグメンテーション方法の結果を重ねた、カルシウム沈着物が存在しない、図６による内腔セグメンテーションの結果を示す図である。 図１３Ｃは本実施形態において同じデータに対する既知の血管セグメンテーション方法の結果を重ねた、カルシウム沈着物が存在しない、図６による内腔セグメンテーションの結果を示す図である。

本実施形態に係る医用画像処理装置は、例えばＸ線ＣＴスキャナ等の医用画像診断装置を用いて取得された、所定の被検体に関する非造影画像及び造影画像を扱う。本医用画像処理装置は、非造影画像から高吸収体領域を特定し、造影画像と非造影画像との差分処理をすることにより差分画像を発生し、特定された高吸収体領域を参照して差分画像に含まれる血管組織を精度良く分類するものである。以下、本実施形態に係る医用画像処理装置を内蔵した医用画像診断装置４０について説明する。

本実施形態に係る医用画像診断装置４０が、図４に概略的に示されている。医用画像診断装置４０は、ＣＴスキャナ４４と、１つまたは複数のディスプレイ画面４６と、コンピュータキーボード、マウス、またはトラックボールなどの１つまたは複数の入力デバイス４８とに接続されたコンピューティング装置４２、この場合パーソナルコンピュータ（ＰＣ）またはワークステーションを備える。なお、コンピューティング装置４２、ディスプレイ画面４６、入力デバイス４８、メモリ５０で、本実施形態に係る医用画像処理装置を構成する。

ＣＴスキャナ４４は、三次元医用画像データを取得するように構成された任意のＣＴスキャナであってもよい。他の実施形態又は変形例では、ＣＴスキャナ４４は、他の任意の医用画像モダリティにおけるスキャナ、たとえばＭＲＩスキャナ、Ｘ線スキャナ、またはＰＥＴスキャナによって置き換えられても、または補完されてもよい。

本実施形態では、ＣＴスキャナ４４によって取得される医用画像データのセットがメモリ５０に記憶され、その後でコンピューティング装置４２に提供される。一他の実施形態又は変形例では、医用画像データのセットが、ＰＡＣＳ（Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）の一部を形成しうるリモートデータストア（図示せず）から供給される。メモリ５０すなわちリモートデータストアは、任意の適切な形態のメモリストレージを備えてもよい。

コンピューティング装置４２は、医用画像データのセットを自動的にまたは半動的に処理するための処理リソースを提供する。コンピューティング装置４２は、以下で図５を用いて説明する方法を実行するように構成されたさまざまなソフトウェアモジュールまたは他のソフトウェアコンポーネントをロードして行うように動作可能な中央処理装置（ＣＰＵ）５２を備える。

コンピューティング装置４２は、医用画像を受け取るためのデータ処理ユニット５４と、医用画像データ内のボクセルを分類するための分類ユニット５６と、医用画像データ中の構造物をセグメンテーションするためのセグメンテーションユニット５８とを含む。

本実施形態では、コンピューティング装置４２はまた、レジストレーションユニット６０とサブトラクションユニット６２とを含む。

本実施形態では、データ処理ユニット５４、分類ユニット５６、セグメンテーションユニット５８、レジストレーションユニット６０、およびサブトラクションユニット６２はそれぞれ、実施形態の方法を行うために実行可能なコンピュータ可読命令を有するコンピュータプログラムによって、コンピューティング装置４２において実施される。しかし、他の実施形態では、各ユニットは、ソフトウェア、ハードウェア、またはハードウェアとソフトウェアの任意の適切な組合せにおいて実施することができる。いくつかの実施形態では、種々のユニットは、１つまたは複数のＡＳＩＣ（特定用途向け集積回路）またはＦＰＧＡ（フィールドプログラマブルゲートアレイ）として実施することができる。さらなる実施形態では、１つまたは複数のユニットは、ＧＰＵ（グラフィックス処理ユニット）上で実施することができる。

コンピューティング装置４２はまた、ハードドライブと他の構成要素とを含み、他の構成要素は、ＲＡＭと、ＲＯＭと、データバスと、種々のデバイスドライバを含むオペレーティングシステムと、グラフィックスカードを含むハードウェアデバイスとを含む。わかりやすくするため、このような構成要素は図４に示されていない。

図４のシステムは、図５のフロー図の概要において示される一連の工程を有する方法を行うように構成される。図５の方法は、組織分類と、非造影画像、対応する造影画像、および非造影画像と造影画像とを減算することから取得されるサブトラクション画像のうちの少なくとも２つからのデータを使用する血管セグメンテーションとを備える。

工程７０では、データ処理ユニット５４は、メモリストア５０から、またはリモートデータストアから、または直接的にスキャナ４４から、非造影画像データのセット（図５のフロー図ではＡと呼ばれる）を取得する。この非造影画像データは、患者の特定の解剖学的領域、たとえば胴体または頭部の医用画像を示すボリューム医用画像データを備える。本実施形態では、この非造影画像データは、例えば、患者の冠動脈のカルシウムスコアスキャンによって取得される。

さらなる実施形態では、データ処理ユニット５４は、工程７０で任意の適切な医用画像データセットを取得することができ、この医用画像データセットは非造影画像のデータでなくてもよい。本実施形態においては、解剖学的領域として例えば心臓を想定している。しかしながら、当該例に拘泥されず、診断対象となる解剖学的領域は、患者の任意の解剖学的領域を選択することができる。

工程７２では、データ処理ユニット５４は、メモリストア５０、有線或いは無線によってデータを送受信可能なリモートデータストア、直接的にスキャナ４４等から、造影画像データのセット（図５のフロー図ではＢと呼ばれる）を取得する。この造影画像データは、工程７０で取得された非造影画像データに示された同じ患者の同じ解剖学的領域を示すボリューム医用画像データを備える。

本実施形態では、工程７２で取得される医用画像データは、工程７０の非造影スキャンと同じ検査の一部として撮影された患者の冠動脈のＣＣＴＡスキャンから取得された造影画像データのセットである。他の実施形態として、造影画像のデータは工程７０で収集することができ、非造影画像のデータは工程７２で収集することができる。また、医用画像データの両方のセットは非造影画像のデータであっても、両方は造影画像のデータであってもよい。さらに、サブトラクションに適した任意の２セットの医用画像データを使用することができる。

工程７４では、レジストレーションユニット６０は、非造影画像データ（Ａ）の造影画像データ（Ｂ）との自動的なレジストレーション（解剖学上の位置合わせ）を行う。任意の適切なレジストレーション方法を使用してもよい。

工程７６では、サブトラクションユニット６２は、サブトラクション画像を示すサブトラクション画像データのセットを得るために、レジストレーションされた非造影画像のデータセット（Ａ）を造影画像のデータセット（Ｂ）から減算する。本実施形態では、サブトラクション処理は、非造影画像のデータセット（Ａ）の各ボクセルの信号強度（ＨＵ単位でのＣＴ数）を造影画像のデータセット（Ｂ）内の対応するボクセルの信号強度から減算する。データセット間のボクセルの対応付けは、工程７４のレジストレーション処理によって実現される。

さらなる実施形態では、非造影画像のデータセットおよび造影画像のデータセットは、工程７０および７２で受け取られるときに既にレジストレーション及び減算の少なくとも一方が実行されていてもよい。その場合、工程７４及び工程７６の少なくとも一方は省略されてもよい。

工程７８では、分類ユニット５６は、非造影画像のデータセット、造影画像のデータセット、サブトラクションデータセットを、データ処理ユニット５４からまたは任意の適切なデータストアから受け取る。次に、分類ユニット５６が、受け取ったデータセットのうちの少なくとも２つを使用して、医用画像データ中に存在する少なくとも２つの組織型の組織分類（すなわち、少なくとも血管内腔、血管壁の分類）を行う。

本実施形態では、分類ユニット５６は、非造影画像のデータセットに対してカルシウム分類を、サブトラクションデータセットに対して血管内腔および血管壁の分類を行う。分類ユニット５６は、データセット内のボクセルがカルシウム、内腔、または血管壁である尤度（又は確率）を判断する。

任意の適切な組織分類法を使用することができ、その組織分類法は、教師なし分類法を備えても、教師付き分類法を備えてもよい。

さらなる実施形態では、分類ユニット５６は、任意のタイプの特徴を分類する。分類するタイプは、組織型であっても、ステントなどの人工物のタイプであってもよい。

本実施形態では、血管内腔の分類および血管壁の分類が、カルシウムの分類からの医用画像データとは異なるデータセットに対して行われることに注意されたい。血管壁および血管内腔の分類はサブトラクションデータセットに対して行われるが、カルシウムの分類は非造影画像のデータセットに対して行われる。サブトラクションデータ内の血管の分類を行うことは、血管内腔は区別するのがより簡単であることを意味する。これは、造影剤が存在すること、カルシウムがサブトラクション処理によってサブトラクション画像から除去されたことに起因する。他の実施形態では、各タイプの特徴の分類は、受け取ったデータセットのうちの任意の１つまたは複数に対して行うことができる。

工程８０では、セグメンテーションユニット５８は、データセットのうちの１つまたは複数からの各タイプの特徴をセグメンテーションするために、工程７８で取得されたタイプの特徴の分類を使用する。任意の適切なセグメンテーション方法を使用してもよい。本実施形態では、少なくとも１つの血管が、工程７８の組織分類を使用して、データセットのうちの１つまたは複数からセグメンテーションされる。工程７８で分類を行うために複数のデータセットを使用する分類（本実施形態では、非造影画像のデータセット、造影画像のデータセット、およびサブトラクションデータセットのうちの少なくとも２つを使用すること）は、単一のデータセット（たとえば、造影画像のデータセット）のすべてを使用する組織型の分類と比較して、いくつかの組織型の改善された分類を提供することができる。

改善された分類は、改善されたセグメンテーションにつながる。工程８０のセグメンテーションはまた、医用画像データセットのうちの複数からの信号強度も使用することができる。これによって、単一のデータセットに対して行われる処理よりもセグメンテーションの精度を改善することができる。

１つのさらなる実施形態では、図４のシステムは、図６のフロー図の概要において示される一連の工程を有する方法を実行するように構成される。

工程７０では、データ処理ユニット５４は、メモリストア５０、リモートデータストア、直接的にスキャナ４４等から、非造影画像データのセットを取得する。図６の実施形態では、この非造影画像データは、患者の冠動脈のカルシウムスコアスキャンによって取得される。

さらなる実施形態では、データ処理ユニット５４は、工程７０で任意の適切な医用画像データセットを取得することができ、この医用画像データセットは非造影画像のデータでなくてもよい。本実施形態においては、上述した様に、解剖学的領域として例えば心臓を想定している。しかしながら、当該例に拘泥されず、診断対象となる解剖学的領域は、患者の任意の解剖学的領域を選択することができる。

工程７２では、データ処理ユニット５４は、メモリストア５０から、またはリモートデータストアから、または直接的にスキャナ４４から、造影画像データのセットを取得する。本実施形態では、工程７２で取得される医用画像データは、工程７０の非造影スキャンと同じ検査の一部として撮影された患者の冠動脈のＣＣＴＡスキャンから取得された造影画像データのセットである。

非造影画像データおよび造影画像データは、図５の方法の次の工程で一緒に使用するために必要とされるので、非造影画像データおよび造影画像データは同じ分解能で撮影されてもよい。非造影画像のデータと造影画像のデータとのサブトラクションに関する互換性を考慮し、両者は同程度の分解能で撮像されることが好ましい。

さらなる実施形態では、造影画像のデータは工程７０で収集することができ、非造影画像のデータは工程７２で収集することができる。また、サブトラクションに適した任意の２セットの医用画像データを使用することも可能である。

工程７４では、レジストレーションユニット６０は、非造影画像データ（Ａ）の造影画像データ（Ｂ）との自動的なレジストレーションを行う。本実施形態では、レジストレーションユニットは、厳密でないレジストレーションステップと厳密なレジストレーションステップの組合せを行う。本実施形態で使用されるレジストレーション方法は、Ｍ ＲＡｚｅｔｏら、「Ａｃｃｕｒａｔｅ ｒｅｇｉｓｔｒａｔｉｏｎ ｏｆ ｃｏｒｏｎａｒｙ
ａｒｔｅｒｉｅｓ ｆｏｒ ｖｏｌｕｍｅｔｒｉｃ ＣＴ ｄｉｇｉｔａｌ ｓｕｂｔｒａｃｔｉｏｎ ａｎｇｉｏｇｒａｐｈｙ」、Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｇｒａｐｈｉｃ ａｎｄ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ（ＳＰＩＥのプロシーディング）、第８７６８巻、８７６８３４−１〜８７６８３４−６ページ、２０１３、に記載されている。図６の方法の後の工程における正確なセグメンテーションは、正確なレジストレーションに依存すると言える。

本実施形態では、レジストレーションユニット６０は、非造影画像データのすべておよび造影画像データのすべてに対してレジストレーション処理を行う。また、他の実施形態として、レジストレーションユニット６０は、非造影画像データの一部および造影画像データの一部のみの少なくとも一方を使用してレジストレーションを行うことができる。

他の実施形態又は変形例では、非造影画像データセット（Ａ）および造影画像データセット（Ｂ）は、データ処理ユニット５４によって受け取られるとき、互いに既にレジストレーションされている。従って、係る場合には、工程７４は省略されてもよい。このような実施形態では、装置４０の構成においても、レジストレーションユニット６０を除外してもよい。さらなる実施形態では、非造影画像データセットと造影画像データセットは、レジストレーション以外の方法によって合わせることができる。たとえば、非造影画像のデータセットと造影画像のデータセットは、撮像装置が有する座標系に基づいて、機械的に合わせることができる。

工程７６では、サブトラクションユニット６２は、サブトラクション画像（差分画像）を示すサブトラクション画像データのセットを得るために、非造影画像のデータセット（Ａ）を造影画像のデータセット（Ｂ）から減算する。本実施形態では、サブトラクション処理は、非造影画像のデータセット（Ａ）の各ボクセルの信号強度（ＨＵ単位でのＣＴ値）を造影画像のデータセット（Ｂ）内の対応するボクセルの信号強度から減算する。データセット間のボクセルの対応付けは、工程７４のレジストレーション処理によって実現される。さらなる実施形態では、工程７０および７２で受け取られた医用画像データセットの一方は、他方から減算することができる。本実施形態では、サブトラクションユニット６２は、全造影画像データと全非造影画像データを使用してサブトラクション処理を行う。他の実施形態では、サブトラクションユニット６２は、非造影画像データの一部と造影画像データの一部とを用いたサブトラクションを行うことができる。

他の実施形態として、医用画像データのセットは、工程７０および７２でデータ処理ユニット５４に供給される前に、減算するようにしてもよい。このような実施形態では、サブトラクション画像用の医用画像データのセットは、工程７２で、造影画像データに加えて、または造影画像データの代わりに、データ処理ユニット５４に供給することができる。工程７６は省略されてもよい。このような実施形態では、装置４０は、サブトラクションユニット６２を省略することができる。

工程９０では、セグメンテーションユニット５８は、工程７６で生成されたサブトラクション画像データのセットを受け取り、任意の適切なセグメンテーション方法を使用してサブトラクション画像データから血管を近似的にセグメンテーションする。他の実施形態としては、造影画像のデータからまたは非造影画像のデータから、近似的に血管をセグメンテーションすることができる。本実施形態では、血管のボクセルは、有効な動的輪郭アルゴリズムを使用して、サブトラクションデータセットから概略的にセグメンテーションされる。図６の方法の最終的な結果は初期近似セグメンテーションに強く依存しないため、任意の望ましい近似セグメンテーション技術が使用されてもよい。また、初期近似セグメンテーション技術は血管追跡方法を含むことができる。この血管追跡方法には、特に限定は無い。

近似セグメンテーションにおいて、どのボクセルが血管の一部であるかが推定される。この推定は、血管を囲むいくつかの軟組織を含むことがある等、正確でないことがある。

近似セグメンテーションにより、その後の処理の対象となる動作が行われるデータセットの大きさを縮小させることができる。これによって、図６の方法の工程で行うその後の処理を改善することができる。近似セグメンテーションは、図６のセグメンテーション処理における対象ではない骨などの解剖学的構造の特徴を、さらなる動作が行われるデータセットから取り除くことができる。

他の実施形態では、近似セグメンテーションは行われず、方法は、工程７６のサブトラクションから工程９２および９４に直接進むようにしてもよい。

工程９２および９４はそれぞれ、組織分類を実行する。本実施形態では、工程９２はカルシウム分類を、工程９４は血管内腔および血管壁の分類を、それぞれ実行する。本実施形態では、工程９２と工程９４は並列に行われる。しかし、他の実施形態では、工程９２が工程９４の前に実行されても、工程９４が工程９２の前に実行されてもよい。

工程９２および工程９４について、図７（工程９２のカルシウム分類に関する）および図８（工程９４の血管内腔および血管壁の分類）のフロー図に関して説明する。

本実施形態の工程９２では、分類ユニット５６は、教師なし分類法を使用して、非造影画像データにおけるカルシウム分類を行う。しかしながら、当該例に拘泥されず、教師付きであれ、教師なしであれ、任意の分類法を使用することができる。

本実施形態のカルシウム分類法が図７のフロー図に示されている。図７に従う処理の流れは、工程７０で収集された非造影画像セットからの入力と、工程９０の近似セグメンテーションから始まる。

図７の工程１００では、分類ユニット５６は、工程９０の近似セグメンテーションによって識別されたサブトラクションデータセットの部分に対応する、非造影画像データセットの部分を識別する。この識別は、非造影画像のデータセットとサブトラクションデータセットが互いに対してレジストレーションされ、そのためレジストレーション後は医用画像が同じ座標空間内にあるので可能である。

分類ユニット５６は、モルフォロジー膨張（dilation）を近似セグメンテーションに適用する。本実施形態では、例えば、近似セグメンテーションに対し因子（ファクター）を２としてダイレーションを実行する。分類ユニット５６は、膨張された近似セグメンテーションに対応する非造影画像データのセットのボクセルのサブセットを識別する。非造影画像のデータセットにおけるボクセルのこのサブセットは、カルシウム分類を行うために使用されるボクセルのサブセットである。

工程１０１では、分類ユニット５６は、カルシウムボクセルを非カルシウムボクセルから分離するために使用される信号強度閾値を判断する。本実施形態では、この閾値は、以下で説明するように、ベイズ情報量規準（ＢＩＣ）法を使用してさまざまな閾値候補のいずれかに決めることによって発見される。

しかし、上記例に拘泥されず、カルシウムボクセルおよび非カルシウムボクセル閾値のいずれかに決定する任意の適切な方法を使用することができる。例えば、異なる形態の情報量規準、たとえば赤池情報量規準（ＡＩＣ）を使用することができる。

また、閾値が使用者によって決定される実施形態がある。使用者は、ユーザインターフェースを介して閾値を選択することができる。たとえば、使用者は、閾値候補のリストから所望の値を選択することで、閾値を入力してもよい。

なお、閾値決定工程１０１を含まない実施形態も利用可能である。このような実施形態では、所定の信号強度閾値を使用することができる。たとえば、所定の閾値は、分類ユニット５６にプログラムされることができる。何らかの信号強度閾値が工程１０２への入力として利用可能である限り、図７の方法が工程１０１を省略して工程１００から工程１０２に直接進むことが可能である。

本実施形態の閾値決定に着目すると、分類ユニット５６は、最初に、工程１００で決定された非造影画像のデータセットにおいて、サブセット内のボクセル信号強度の最大値と最小値とを識別する。

分類ユニット５６は、次に、最大信号強度値を第１の閾値の値候補として設定し、閾値の値候補が最小信号強度よりも小さくなるまで、あらかじめ設定された固定間隔を第１の閾値の値候補から反復して減算し、さらなる閾値の値を生成することによって、閾値の値候補のセットを決定する。

分類ユニット５６は、それぞれ信号強度閾値候補のセットのうち異なる１つを使用する、モデルの有限セットを定義する。各モデルは、工程１００で決定されて信号強度閾値候補を上回るボクセルの第１の区分と信号強度閾値候補を下回るボクセルの第２の区分とを生成するように信号強度閾値候補によって区切られた、非造影画像データのサブセットを備える。

分類ユニット５６は、次に、尤度基準または情報量規準をモデルのそれぞれに適用して、最良適合が得られるモデル、すなわち閾値がカルシウムボクセルを最も良く他のボクセルから分離するモデルを識別する。

適切な分布たとえばガウス分布が、２つの区分のそれぞれにおいてデータ適合される。目的は、２つの分布の間で最も良く分離する閾値はカルシウム化組織と非カルシウム化組織の間の境界に相当するので、これを発見することである。非カルシウム化組織は、強調されない血管を含む軟組織を備える。

各モデルに対して、分類ユニット５６は、２つの区分すなわちサブグループに対するＢＩＣを閾値の関数として計算する。分類ユニット５６は、それによって、モデルの有限セットのそれぞれに対するＢＩＣ測度を取得する。

分類ユニット５６は、次に、閾値の値に対するＢＩＣ測度のグラフを生成し、ＢＩＣ測度グラフの第１の最大値に対応するモデルを選択して、そのモデルに対する閾値の値候補を、カルシウム分類で使用されるカルシウム閾値として設定する。

図７の実施形態では、非造影画像データセット内の血管のそれぞれに対して異なるカルシウム閾値が使用される。これは、データセットを通しての信号強度の背景変化と、任意の局所的な変動またはアーチファクトを考慮に入れたものである。他の実施形態では、データセット全体にわたって同じ閾値を適用することができる。

工程１０２では、分類ユニット５６は、カルシウム閾値を非造影画像データのサブセットに適用し、膨張させた近似セグメンテーションにおいて、カルシウム閾値を上回るボクセルを識別する。分類ユニット５６は、識別されたボクセルをカルシウムボクセルとしてフラグを付けるかまたは他の方法でマークすることができる。本実施形態では、分類ユニット５６は、カルシウムとして識別されたボクセルのセットを定義する。

工程１０３では、分類ユニット５６は、個々のカルシウム沈着物を識別するために連結成分解析を使用する。カルシウムとして識別されたボクセルのセットは、それぞれ複数の連結ボクセル（connected voxel）を備える領域のセットを備える。連結成分解析処理を、カルシウムを示すと識別されたボクセルに適用する。連結成分解析では、相互連結ボクセルのクラスタのそれぞれを別個の領域と識別する。連結ボクセルの領域を識別するために、任意の適切な既知の連結成分解析処理を使用することができる。

１つのボクセルは、別のボクセルに隣接する場合、当該隣接するボクセルに連結されると見なすことができる。いくつかの実施形態では、隣接するボクセルは、面が隣接するボクセルのみとすることができる（その場合、特定のボクセルは、最大で６つの他のボクセルに隣接することができる）。他の実施形態では、隣接するボクセルは、面またはエッジが隣接するボクセルのみとすることができる（その場合、特定のボクセルは、最大で１８の他のボクセルに隣接することができる）。さらに他の実施形態では、隣接するボクセルは、面、エッジ、または角点が隣接するボクセルのみとすることができる（その場合、特定のボクセルは、最大で２６の他のボクセルに隣接することができる）。隣接するボクセルは１つまたは複数のさらなるボクセルに隣接することができ、したがって、連結領域は、当該データセット、ここではカルシウムと識別されたボクセルのセットの最大の大きさまでの任意の形状または大きさであってもよいことが理解されよう。

連結成分解析の結果、工程７８で識別された非造影画像のサブセットにおいて個別のカルシウム領域のセットが識別される。

工程１０４では、分類ユニット５６は、Ｋ平均および／または期待値最大化（ＥＭ）を使用して、各カルシウム領域に対する信号強度分布をガウス分布に適合させる。Ｋ平均アルゴリズムは、ＪＢ ＭｃＱｕｅｅｎによる「Ｓｏｍｅ ｍｅｔｈｏｄｓ ｆｏｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ａｎａｌｙｓｉｓ ｏｆ ｍｕｌｔｉｖａｒｉａｔｅ ｏｂｓｅｒｖａｔｉｏｎｓ」（Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｆｉｆｔｈ
Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｍａｔｈ， Ｓｔａｔｉｓｔｉｃｓ， ａｎｄ Ｐｒｏｂａｂｉｌｉｔｙ、２８１〜２９７ページ、Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃａｌｉｆｏｒｎｉａ Ｐｒｅｓｓ、１９６７年）と、Ｊ ＭａｒｒｏｑｕｉｎおよびＦ Ｇｉｒｏｓｉによる「Ｓｏｍｅ ｅｘｔｅｎｓｉｏｎ ｏｆ ｔｈｅ ｋ−ｍｅａｎｓ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ａｎｄ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ」（ＡＩ Ｍｅｍｏ １３９０、Ｍａｓｓａｃｈｕｓｅｔｔｓ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ、Ｃａｍｂｒｉｄｇｅ、ＭＡ、１９９３年）に記載されている。期待値最大化（ＥＭ）アルゴリズムは、ＴＫ Ｍｏｏｎによる「Ｔｈｅ ｅｘｐｅｃｔａｔｉｏｎ−ｍａｘｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ」（Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｍａｇａｚｉｎｅ、ＩＥＥＥ、第１３巻、４７〜６０ページ、１９９６年１１月）に記載されている。

さらなる実施形態では、任意の適切な適合関数を使用することができる。例えば、各信号強度分布を、ガウス分布ではなく代替分布に適合させることができる。

分類ユニット５６は、ぴったり合った（fitted）分布に基づいて、非造影画像のデータのサブセット内の各ボクセルに対して、ボクセルがカルシウムを表す可能性を定義する。これにより、図７のカルシウム分類が終わる。図７のカルシウム分類の出力は、カルシウム可能性のセットである。

図６を再び参照すると、工程９２のカルシウム分類は図７に関して説明済みであり、カルシウム可能性のセットが得られている。

本実施形態では、図６の工程９４は、工程９２と同時に行われる。工程９４では、分類ユニット５６は血管の分類を行い、この分類は、血管内腔の分類、血管壁の分類、またはプラークの特徴付けることができる。本実施形態では、教師なし分類法が使用されるが、当該例に拘泥されず、教師付き分類法が使用されてもよい。

本実施形態の血管内腔および血管壁の分類が図８のフロー図に示されている。図８の工程１２０から始まって、分類ユニット５６は、図６の工程９０で行われた近似セグメンテーションを使用する。分類ユニット５６は、近似セグメンテーションにおいて判断されたボクセルのサブセットによって示される血管を、血管の長さに沿って複数の区間に分割する。図９は、血管壁１４２と血管内腔１４４とを備える撮影された血管１４０の一部を通る概略的な断面図を示す。この血管は、点線によって示される複数の隣接するセクション（区間）１４６に分割されている。

図８の工程１２２では、分類ユニット５６は、隣接するセクションをまとめて複数の領域にグループ化する。この複数の領域は、図９ではそれぞれ、セクション間での小さな重複を有する５つのセクションを備える。工程１２４では、分類ユニット５６は、ガウスカーネル１５０を領域に適用し、したがって重み付きボクセル値のセットを生成する。

工程１２６では、分類ユニット５６は、混合ガウス分布モデルを使用して、領域内のボクセルの確率分類を行う。工程１２８では、教師なし分類アルゴリズムを所定の分布に適用し、所与の信号強度を持つボクセルが壁または内腔などの特定の組織型に対応する尤度（或いは確率）を計算する。したがって、各組織型の尤度を領域内の各ボクセルに割り当てることができる。

任意の既知の技術を分類アルゴリズムに使用することができ、これによって、各信号強度に対する尤度（或いは確率）に到達するために、２クラスからなる分布内において２つの分布のそれぞれの平均、分散、および重みが推定される。たとえば、Ｋ平均アルゴリズムまたはＥＭアルゴリズムを使用してもよい。ＥＭアルゴリズムは、Ｋ平均アルゴリズムと共に使用することができる。

工程１３０では、分類ユニット５６は、より多くの領域を処理の対象とする。確率計算がまだ行われていない領域がある場合、方法は、すべての領域が処理されるまで、工程１２４と、工程１２６と、工程１２８とを繰り返す。

工程１３２では、分類ユニット５６は、工程１２８で計算された尤度（或いは確率）に従って、組織型またはクラスの尤度（或いは確率）を各ボクセルに割り当てる。本実施形態では、分類ユニット５６は、減算されたデータのサブセット内の各ボクセルに対して、工程１２８の尤度に従って、ボクセルが内腔を表す尤度とボクセルが血管壁を表す尤度とを定義する。

これにより、図８の血管内腔および血管壁の分類が終わる。図８の血管内腔および血管壁の分類の出力は、血管内腔尤度のセットと、血管壁尤度のセットである。

図６に戻ると、工程９２および９４（カルシウムおよび内腔／壁の分類）はここで終了し、分類ユニット５６は、医用画像データ内のボクセルに対して、カルシウム尤度と、血管内腔尤度と、血管壁尤度とを取得している。

他の実施形態又は変形例では、任意の適切な血管内腔および血管壁分類処理、たとえば任意の適切な教師なし血管内腔および血管壁分類処理を使用することができる。

カルシウム分類に、および血管内腔および壁の分類に教師なしの方法を使用すると、それらの方法は、いずれの訓練をも必要とせず、それぞれ他のいずれのデータセットをも参照することなく、単一の分離された（isolated）データセット（すなわち、単一種類の画像データセット）に対して正しく動作する。あるいは、教師なしの方法は、複数の(multiple)データセット（すなわち、複数種類の画像データセット）にわたって使用されてもよい。たとえば、教師なしの方法は、同じ血管に関する非造影画像のデータセットとサブトラクションデータセットといった具合に、複数種類の画像データセットに適用することができる。

また、他の実施形態として、分類ユニット５６は、教師付き学習法を使用して、造影画像のデータセット、非造影画像のデータセット、およびサブトラクションデータセットのうちの１つまたは複数から、１つまたは複数のタイプの特徴を分類するようにしてもよい。このような実施形態では、教師付き学習法は、たとえば臨床医によって分類された組織を教師として、研修医等の訓練に用いることができる。

図６の実施形態では、組織分類は、非造影画像のデータセットを使用するカルシウム分類と、サブトラクションデータセットを使用する血管壁および血管内腔の分類とを備える。本実施形態では、分類ユニット５６は、医用画像データの第１のセットからの第１のタイプの特徴の分類と、医用画像データの第２のセットからの第２のタイプの特徴の分類とを行う。本実施形態では、第１のタイプの特徴はカルシウムを備え、医用画像データの第１のセットは非造影画像のデータセットを備え、第２のタイプの特徴は血管内腔（または血管壁）を備え、医用画像データの第２のセットはサブトラクションデータセットを備える。また、他の実施形態として、医用画像データの第１のセットは、造影画像のデータセットまたはサブトラクションデータセットを備えることができ、医用画像データの第２のセットは、非造影画像のデータセットまたは造影画像のデータセットを備えることができる。さらに、各タイプの特徴は、任意の適切な組織型または人工構造物（たとえば、ステント）のタイプであってもよい。

図６のフロー図に戻ると、工程９２および９４において、分類ユニット５６は、ボクセルがカルシウム、血管壁、または血管内腔である尤度の判定を実行する。次に工程８０に進み、判断された可能性を利用して、データセットのうちの少なくとも１つからの少なくとも１つの血管をセグメンテーションする。

工程８０では、セグメンテーションユニット５８は、工程９２および９４で各ボクセルに関連して取得されたカルシウム、内腔、壁の尤度（或いは確率）を分類ユニット５６から受け取る。本実施形態では、セグメンテーションユニット５８は、工程８０（工程９０〜１０４を備える）で非造影画像のデータのサブセットから取得されたカルシウムの尤度と、工程８２（工程１１０〜１２２を備える）でサブトラクションデータのサブセットから取得された血管内腔、血管壁の尤度を受け取る。

いったんボクセルに尤度（或いは確率）が割り当てられると、それらの尤度（或いは確率）を使用して、信号強度データを備えるデータセットからの各特定のタイプのボクセルをセグメンテーションすることが可能である。本実施形態では、各タイプのボクセルがセグメンテーションされるデータセットは、サブトラクションデータと造影前データの両方からの医用画像データを組み込む合成データセットである。本実施形態では、この合成データセットは、各ボクセルに対して、非造影画像のデータセットからの信号強度データと、サブトラクションデータセットからの信号強度データとを備える。

本実施形態では、ボクセルがセグメンテーションされるデータセットは、非造影画像データセットおよびサブトラクションデータセットからの信号強度のすべてを備える。セグメンテーションは、データセット全体からのデータを使用し、近似セグメンテーションに限定されない。他の実施形態では、ボクセルがセグメンテーションされるデータセットは、図６の工程９０で近似的にセグメンテーションされたサブセットまたは他の任意の適切なサブセットのみを備える。

また、他の実施形態として、各タイプのボクセルが、非造影画像のデータセット、造影画像のデータセット、減算されたデータセット、非造影画像のデータセット、造影画像のデータセット、および減算されたデータセットのいずれかの組合せ、または非造影画像のデータセット、造影画像のデータセット、および減算されたデータセットのいずれかのサブセットからセグメンテーションされるようにしても良い。

さらに、合成データセットは、非造影画像のデータセット、造影画像のデータセット、および減算されたデータセットのうちの少なくとも１つからの信号強度と、加えて図６の工程９２および工程９４から取得された尤度を備えるようにしてもよい。

工程９２および９４で決定された可能性は、データセットのすべてが共通座標系において合わされるので、データセットのいずれかに適用することができる。たとえば、工程９２で非造影画像のデータセットのボクセルに対して取得されるカルシウム分類の尤度は、その後、造影画像のデータセットまたはサブトラクションデータセットに適用されることができる。

本実施形態では、セグメンテーションユニット５８は、工程９２の教師なしカルシウム分類ならびに工程９４の教師なし内腔および壁分類から取得されたデータを使用して、合成データセットからの内腔のセグメンテーションを行う。

本実施形態では、内腔のセグメンテーションは、レベルセット手法を使用して行われる。内腔のセグメンテーションに関するレベルセット法は、Ｍｏｈｒ Ｂ、Ｍａｓｏｏｄ Ｓ、Ｐｌａｋａｓ Ｃ、２０１２年、「Ａｃｃｕｒａｔｅ ｌｕｍｅｎ ｓｅｇｍｅｎｔａｔｉｏｎ ａｎｄ ｓｔｅｎｏｓｉｓ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｑｕａｎｔｉｆｉｃａｔｉｏｎ ｉｎ ｃｏｒｏｎａｒｙ ＣＴＡ」、Ｐｒｏｃ． ｏｆ ＭＩＣＣＡＩ
Ｗｏｒｋｓｈｏｐ「３Ｄ Ｃａｒｄｉｏｖａｓｃｕｌａｒ Ｉｍａｇｉｎｇ：ａ ＭＩＣＣＡＩ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｃｈａｌｌｅｎｇｅ」に記載されている。血管組織分類およびカルシウム分類の確率は、レベルセットを動かす速度関数を重み付けするために使用される。この速度関数では、確率が決定された３つのクラス（カルシウム、血管内腔、血管壁）のうちの１つに入る確率を使用する。レベルセットを解決して、セグメンテーションを達成する。

レベルセット処理は、各個別のボクセルを組織型に割り当てる。セグメンテーションユニット５８は、血管内腔に割り当てられたこれらのボクセルを抽出する。

なお、セグメンテーションの方法には拘泥されず、任意の適切なセグメンテーション方法、たとえば動的輪郭方法を、工程８０において使用することができる。

また、血管壁のセグメンテーションも行うことができる。血管壁のセグメンテーションについても、任意の手法を適用することができる。例示的な手法としては、次のものがある。分類された血管ボクセルのセットによって示される血管を、その長さに沿って複数の区間に分割する。各区間に対して、略管状の幾何学的形状を画定する。画定された管状の形状は、血管壁の外面を概略的にモデリングすることを意図し、３Ｄのエネルギー関数または費用関数を表すように取得される。各管状の形状は、エネルギー関数を最小にすることによってフィッティングされる。血管の各区間に対する最小にされたエネルギー関数は、たとえば所定の制約を適用することによって、ぴったり合った（fitted）管状形状を位置合わせ（アライメント）或いは共につなぎ合わせるようにして、接続される。ぴったり合った（fitted）管状形状は、次に、血管壁のボクセルを残りのボクセルからセグメンテーションするために使用される。

本実施形態では、工程８０は、単一血管のセグメンテーションを示している。他の実施形態として、工程８０は、医用画像データ内のさらなる血管に対して繰り返し実行するようにしてもよく、また、図６の方法の工程のいくつかまたはすべてにおいて、複数の血管について同時に処理ようにしてもよい。

本実施形態では、医用画像データの第１のセットにおける第１のタイプの特徴の分類は図７の方法を使用して行われ、第２のタイプの特徴の分類における医用画像データの第２のセットは図８の方法を使用して行われる。しかしながら、当該例に拘泥されず、例えば、第２のタイプの特徴の分類は図７の方法を使用して行われてもよく、第１のタイプの特徴の分類は図８の方法を使用して行われてもよい。また、両方の分類が図７の方法を使用して行われても、両方の分類が図８の方法を使用して行われてもよい。さらに、任意の適切な分類法はどちらの工程にも使用することができ、両方の分類に対して同じ手法を適用しても、各分類に対してそれぞれ異なる手法を適用するようにしてもよい。

図６に関して上記で説明した方法では、血管をセグメンテーションするとき、レジストレーションされた非造影画像データ（すなわち、レジストレーションされた造影前データ）とサブトラクションデータの両方が使用される。サブトラクションデータ内のカルシウムの存在は、造影前データから推論される。セグメンテーションは、カルシウムに関する情報を考慮するように適切に修正される。

造影前データ（非造影画像データ）は、カルシウムブルーミング（calcium blooming）の効果がより低いことがあるので、造影後データ（造影画像データ）よりもカルシウム分類ステップに適していると考えられる。カルシウムブルーミングは、ある種の医用画像アーチファクトであり、これにより、石灰化の領域がその真の物理的範囲よりも大きく見えるようになる。カルシウムブルーミングは、ビームハードニングおよびモーションなどのアーチファクトの組合せに起因する場合がある。カルシウムブルーミングは、非造影画像においてよりもＣＣＴＡ画像においての方が著しい場合があることが知られている。また、造影がないために、造影画像データまたはサブトラクション画像データを用いる場合に比して、造影前画像データを用いてカルシウムを識別することがはるかに簡単な場合がある。このため、カルシウム分類ステップに造影画像のデータを使用することができる。

サブトラクションデータ内にはカルシウムに対応する領域が存在しない。また、造影によって強調された領域は、サブトラクションデータには存在するが造影前データには存在しない。このため、造影前データまたは造影画像データ内の血管内腔を識別および分類するよりも、サブトラクションデータ内の血管内腔を識別および分類することの方がはるかに簡単な場合がある。

図６に示した方法によれば、カルシウムがサブトラクションによって除去された医用画像データのみに基づいてセグメンテーションを行う場合に失われうるカルシウムに関する情報を失うことなく、サブトラクションを使用する利点を提供することができる。

図６の方法は、血管の自動セグメンテーションを使用するシステムによって提供される狭窄の尺度が臨床医によってより信頼されうるように、自動セグメンテーションの定量的結果を信頼性がより高くより正確なものにすることができる。現在、最新技術では、撮像システムに狭窄度を定量化させるが、臨床医は、このシステムの結果をガイドとしてのみ使用し、依然として、システムによって提供される定量的結果ではなく自分自身による医用画像の評価を使用して診断を行うことができる。図６の方法の結果、臨床医は、システムによって提供される定量的結果を使用する準備がより整う。

サブトラクションデータだけに適用される従来知られたセグメンテーション法は、内腔を過大評価して、狭窄を過小評価する傾向がある場合がある。一方、造影された（ＣＣＴＡ）データのみに行われる従来知られたセグメンテーション法は、内腔を過小評価する傾向がある場合がある。図６に示した方法は、内腔の大きさおよび狭窄度の良好な評価を達成するために、非造影画像データ（カルシウムスコアデータ）とサブトラクション画像データの両方を使用するものである。

また、非造影画像のデータとサブトラクションデータとに対応する造影（ＣＣＴＡ）データを利用することができる。このような実施形態は、少なくとも１つのタイプの特徴の可能性（内腔、壁、カルシウム等の可能性）を造影画像のデータから取得し、これらの可能性を、図６の方法で説明したカルシウム分類および内腔／壁分類から取得された可能性と組み合わせることができる。

図６の内腔セグメンテーション技術は、サブトラクションデータのみに存在するよりも多くの情報を使用することから、利点が多いと言える。造影前データ内のカルシウム分類は、サブトラクションデータ内のアーチファクト（たとえば、ダークスポットまたはダークリング）によるいかなる問題をも解決し、サブトラクションデータのみに基づくセグメンテーション法に比して、血管壁を高い精度にて推定し得るものである。 図１０Ａ、図１０Ｂ、図１１Ａ、および図１１Ｂは、図３Ａおよび図３Ｂのサブトラクションデータセットおよびその対応する非造影画像のデータセットに図６に示した方法を適用することによって得られた結果を示す。すなわち、図１０Ａ、図１０Ｂ、図１１Ａ、および図１１Ｂは、医用画像が図３Ａおよび図３Ｂに示されるサブトラクションデータがセグメンテーションされた試験の結果を示す。

図１０Ａ、図１０Ｂ、図１１Ａ、および図１１Ｂにおいて、太線１８は、図６に示した方法を使用して行われた血管内腔のセグメンテーションの境界線を示すマークである。図１１Ａおよび図１１Ｂにおいて、１組の破線１９は、セグメンテーションがサブトラクションデータのみに行われた図３Ａおよび図３Ｂに示された内腔のセグメンテーションの境界線にマークを付けたものである。このセグメンテーションの破線１９は、（サブトラクションデータと非造影画像のデータの組合せに対して行われた）図６の方法によるセグメンテーションを表す太線１８と比較することができる。

太線１８（図６の方法）は、サブトラクションデータのみに基づいたセグメンテーション、狭窄の推定よりも改善されたセグメンテーション、および狭窄の推定を示している。定量的ＱＣＡ（定量的冠動脈造影法）データは、図１０Ａ、図１０Ｂ、図１１Ａ、および図１１Ｂに使用されるデータセットに対して利用可能ではなかった。しかしながら、図６の方法を使用して取得されたセグメンテーション結果は、臨床医によるその医用画像データの解釈とより良く一致する。

図６のセグメンテーション処理によって得られた結果は、サブトラクションデータのみに基づくセグメンテーションの方法による結果よりも、臨床医による評価結果に近い。従って、内腔等を過小評価または過大評価する事態を軽減することができる。

図１２Ａ、図１２Ｂ、および図１２Ｃは、サブトラクション画像のさらなる例を示す。すなわち、図１２Ａ、図１２Ｂ、および図１２Ｃは、サブトラクション画像データと非造影画像データの両方に基づく図５の方法によるセグメンテーション法と、サブトラクションデータのみに基づくセグメンテーション法と比較するものである。図１２Ａ、図１２Ｂ、および図１２Ｃに示した画像のそれぞれは、減算されたカルシウム３０の区域を含む。図６の方法によるセグメンテーションの境界線を表す線は、太線１８として示されている。サブトラクションデータのみに基づくセグメンテーションを表す線は、破線１９として示されている。

図１２Ａ、図１２Ｂ、および図１２Ｃのそれぞれにおいて、太線１８によって囲まれる区域が破線１９によって囲まれる区域よりも小さいことがわかる。サブトラクションデータのみに基づく血管のセグメンテーションが内腔を過大評価する傾向がある場合があることがこれまでにわかっている。図６の方法によって達成されるセグメンテーションは、サブトラクションデータのみに基づく同じ血管のセグメンテーションよりも良く臨床医の解釈と一致する。図６の方法を使用することは、サブトラクションデータのみに基づくセグメンテーションと比較すると、カルシウムが存在するデータに対するセグメンテーション結果の改善をもたらすことができる。

図１３Ａ、図１３Ｂ、および図１３Ｃは、カルシウムが存在することがわかっていないサブトラクションデータの例を示す。図６の方法によるセグメンテーションの境界線を表す線は、太線１８として示されている。サブトラクションデータのみに基づくセグメンテーションを表す線は、破線１９として示されている。図１３Ａ、図１３Ｂ、および図１３Ｃのそれぞれ対して、太線１８によって囲まれる区域が破線１９によって囲まれる区域と実質的に同様であることがわかるであろう。したがって、カルシウムがない場合に、図６の方法とサブトラクションデータのみに基づくセグメンテーション法との間でセグメンテーション結果の著しい変化はない。

ＣＴデータのセグメンテーションに関する実施形態について説明してきたが、これらの実施形態は、任意の適切なタイプの医用画像データ、たとえばＸ線データ、ＭＲＩデータ、またはＰＥＴデータをセグメンテーションするために使用することができる。医用画像データは、獣医学に関する医用画像データを含んでよい。非造影画像およびサブトラクション画像からのデータに関する実施形態について説明してきたが、異なる特徴を分類可能な任意の医用画像タイプを使用することができる。医用画像データは、身体の任意の部分に関するものであってもよい。

本明細書において特定のユニットについて説明してきたが、他の実施形態又は変形例では、これらのユニットの機能のうちの１つまたは複数は、単一のユニット、処理リソース、または他の構成要素によって提供されることができ、または、単一のユニットによって提供される機能は、組み合わせた２つ以上のユニットによって提供されることができる。単一のユニットへの言及は、そのユニットの機能を提供する複数の構成要素が互いから離れていようといまいと、そのような構成要素を包含し、複数のユニットへの言及は、それらのユニットの機能を提供する単一の構成要素を包含する。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

Claims (24)

1. 医用画像の複数の構造物領域を含む第１のセット及び第２のセットを取得するデータ処理ユニットと、
   前記第１のセットから第１のタイプの特徴を有する第１の構造物領域を分類し、前記第２のセットから第２のタイプの特徴を有する第２の構造物領域を分類する分類ユニットと、
   前記第１のセット及び前記第２のセットを組み込んだ合成データセットに含まれる前記第１の構造物領域又は前記第２の構造物領域を、前記分類ユニットによる前記第１の構造物領域の分類結果及び前記第２の構造物領域の分類結果を使用してセグメンテーションするセグメンテーションユニットと、
   を備える医用画像処理装置。
2. 前記分類ユニットが、前記第１のセットおよび前記医用画像に関する少なくとも１つの他のセットから前記第１の構造物領域を分類することと、前記第２のセットおよび前記医用画像に関する少なくとも１つのさらに他のセットから前記第２の構造物領域を分類することとのうち少なくとも１つを行う、請求項１に記載の医用画像処理装置。
3. 前記セグメンテーションユニットが、前記第１のセット、前記第２のセット、前記医用画像に関する他のセットとの少なくとも１つから前記第１の構造物領域又は前記第２の構造物領域をセグメンテーションする請求項１に記載の医用画像処理装置。
4. 前記第１の構造物領域が石灰化領域とステント領域のうちの少なくとも１つであり、前記第１のセットが非造影画像データのセットであり、前記第２の構造物領域が血管領域であり、前記第２のセットがサブトラクション画像データのセットおよび造影画像データのセットのうちの少なくとも１つである請求項１に記載の医用画像処理装置。
5. 前記第２の構造物領域は血管壁領域又は血管内腔領域である請求項１に記載の医用画像処理装置。
6. 前記セグメンテーションユニットにより前記血管壁領域又は前記血管内腔領域から血管狭窄が定量化される請求項５に記載の医用画像処理装置。
7. 前記第１のセットおよび前記第２のセットは複数のボクセルから構成される３次元画像データのセットからなり、
   前記第１のセット内の複数のボクセルのそれぞれについて前記第１の構造物領域であるか否かが判断され、
   前記第２のセット内の複数のボクセルのそれぞれについて前記第２の構造物領域であるか否かが判断される請求項１に記載の医用画像処理装置。
8. 前記第１のセット内の複数のボクセルのそれぞれについて前記第１の構造物領域である第１の可能性が判断され、前記第２のセット内の複数のボクセルのそれぞれについて前記第２の構造物領域である第２の可能性が判断される請求項１に記載の医用画像処理装置。
9. 前記第１の構造物領域である前記第１の可能性のレベルと、前記第２の構造物領域である前記第２の可能性のレベルとが判断され、前記レベルのセットの速度関数が前記第１の可能性および前記第２の可能性のうちの少なくとも１つに応じて決定される請求項８に記載の医用画像処理装置。
10. 前記第１の構造物領域又は前記第２の構造物領域の判断処理に教師なし分類技術が用いられる請求項１に記載の医用画像処理装置。
11. 前記第１のセット及び前記第２のセットが位置合わせされる請求項１に記載の医用画像処理装置。
12. 前記セグメンテーションユニットが、前記第１のセットおよび前記第２のセットのうちの少なくとも１つにおいて前記第１のタイプの特徴又は前記第２のタイプの特徴により前記第１の構造物領域又は前記第２の構造物領域を近似的にセグメンテーションし、
    前記第１のタイプの特徴により前記第１の構造物領域を近似的にセグメンテーションすることにより、前記第１のセットから前記第１の構造物領域を特定し、前記第２のタイプの特徴により前記第２の構造物領域を近似的にセグメンテーションすることにより、前記第２のセットから前記第２の構造物領域を特定する請求項１に記載の医用画像処理装置。
13. 前記第１のセットがそれぞれ個々の値を有する複数のボクセルを備え、前記第１のタイプの特徴の分類を判断することが、各ボクセルの前記値と閾値との比較に応じて前記複数のボクセルからボクセルのサブセットを選択することを備える請求項１に記載の医用画像処理装置。
14. 前記閾値は複数の閾値候補のそれぞれに対する選択パラメータにより選択される請求項１３に記載の医用画像処理装置。
15. 前記選択パラメータがベイズ情報量規準を備える請求項１４に記載の医用画像処理装置。
16. 前記第１のタイプの特徴の分類を判断するために前記ボクセルの前記サブセットに対して連結成分解析が行われる請求項１４に記載の医用画像処理装置。
17. 前記第１のタイプの特徴の分類を判断するために前記連結成分解析から得られる少なくとも１つの個別の領域に信号強度分布が適合される請求項１６に記載の医用画像処理装置。
18. 前記信号強度分布を適合するために教師なし学習手法が使用される請求項１７に記載の医用画像処理装置。
19. 前記教師なし学習法が、混合ガウス分布モデル、Ｋ平均、期待値最大化のうちの少なくとも１つを備える請求項１８に記載の医用画像処理装置。
20. 前記第２のタイプの特徴の分類を判断することが、
    血管を区間に分割することと、
    領域に前記区間をグループ化し、各領域に重み付きカーネルを適用することと、
    各領域に多クラス分布を適用することと、
    各領域に対して、分類アルゴリズムに基づいて前記第２のタイプの特徴の分類を判断することとを備える、請求項１に記載の医用画像処理装置。
21. 前記第１のセットおよび前記第２のセットがそれぞれ、ボリューム医用画像データを備える、請求項１に記載の医用画像処理装置。
22. 医用画像データの前記第１のセットおよび医用画像データの前記第２のセットがそれぞれ、ＣＴデータ、ＭＲＩデータ、ＰＥＴデータ、ＳＰＥＣＴデータのうちの少なくとも１つを備える、請求項１に記載の医用画像処理装置。
23. 医用画像の複数の構造物領域を含む第１のセット及び第２のセットを取得し、
    前記第１のセットから第１のタイプの特徴を有する第１の構造物領域を分類し、前記第２のセットから第２のタイプの特徴を有する第２の構造物領域を分類し、
    前記第１のセット及び前記第２のセットを組み込んだ合成データセットに含まれる前記第１の構造物領域又は前記第２の構造物領域を、前記第１の構造物領域の分類結果及び前記第２の構造物領域の分類結果を使用してセグメンテーションすることを備える医用画像処理方法。
24. 請求項２３に記載の方法を行うためのコンピュータプログラムを記憶する、非一時的コンピュータ可読記憶媒体。