JP6704734B2 - 画像処理装置および画像処理プログラム - Google Patents

Description

本発明の実施形態は、画像処理装置および画像処理プログラムに関する。

従来、疾患の進行度合いの診断や将来の予測を行うために、医用画像を用いた解析が行われている。例えば、アルツハイマー病（アルツハイマー型認知症）の診断においては、疾患の進行に伴う脳の萎縮がＭＲＩ（Magnetic Resonance Imaging）画像を用いた解析により評価される。具体的には、被検体の頭部が撮像されたＭＲＩ画像から脳の領域を検出し、検出された脳の体積を測定することで、脳の萎縮を評価する技術が存在する。また、例えば、被検体の脳の画像と標準的な脳（標準脳）の画像とを位置合わせすることで、萎縮の程度を評価する技術（Voxel Based Morphology）も存在する。しかしながら、これらの解析を正確に行うためには、脳の検出や位置合わせを厳密に行う必要があった。

特開２０１５−０９１４３２号公報 特表２０１４−５２６３３９号公報

Shannon L. Risacher and Andrew J. Saykin "Neuroimaging and Other Biomarkers for Alzheimer's Disease: The Changing Landscape of Early Detection" Annu Rev Clin Psychol. 2013; 9: 621-648.

本発明が解決しようとする課題は、疾患の進行に関する解析を容易にすることができる画像処理装置および画像処理プログラムを提供することである。

実施形態の画像処理装置は、取得部と、解析部と、表示制御部とを備える。取得部は、複数時点のそれぞれにおいて被検体の脳が撮像された複数の医用画像データに基づいて、当該脳に含まれる複数部位ごとに所定の疾患に関する指標の値を取得する。解析部は、前記複数時点における前記値の変化と、前記所定の疾患の進行における前記指標の変化を表す進行モデルとの関連を、前記複数部位ごとに解析する。表示制御部は、前記解析部によって解析された前記複数部位ごとの解析結果を表示させる。

図１は、第１の実施形態に係る画像処理装置の構成例を示すブロック図である。 図２Ａは、第１の実施形態に係る生成機能の処理を説明するための図である。 図２Ｂは、第１の実施形態に係る生成機能の処理を説明するための図である。 図３Ａは、第１の実施形態に係る取得機能の処理を説明するための図である。 図３Ｂは、第１の実施形態に係る取得機能の処理を説明するための図である。 図４Ａは、第１の実施形態に係る取得機能の処理を説明するための図である。 図４Ｂは、第１の実施形態に係る取得機能の処理を説明するための図である。 図５Ａは、第１の実施形態に係る解析機能の処理を説明するための図である。 図５Ｂは、第１の実施形態に係る解析機能の処理を説明するための図である。 図６Ａは、第１の実施形態に係る解析機能の処理を説明するための図である。 図６Ｂは、第１の実施形態に係る解析機能の処理を説明するための図である。 図７は、第１の実施形態に係る表示制御機能の処理による表示例１について説明するための図である。 図８は、第１の実施形態に係る表示制御機能の処理による表示例２について説明するための図である。 図９は、第１の実施形態に係る表示制御機能の処理による表示例３について説明するための図である。 図１０は、第１の実施形態に係る画像処理装置の処理手順を示すフローチャートである。 図１１は、第１の実施形態に係る画像処理装置の効果を説明するための図である。 図１２Ａは、第１の実施形態に係る画像処理装置の効果を説明するための図である。 図１２Ｂは、第１の実施形態に係る画像処理装置の効果を説明するための図である。

以下、図面を参照して、実施形態に係る画像処理装置および画像処理プログラムを説明する。

本実施形態に係る画像処理装置１００は、複数部位について時系列の指標値を取得し、取得した指標値の変化と進行モデルとの関連を表示することで、疾患の進行に関する解析を容易にすることを可能にする。ここで、進行モデルは、例えば、所定の疾患の進行における指標の変化を表す。

例えば、神経変性疾患の一つであるアルツハイマー病（アルツハイマー型認知症）においては、脳に部分的な神経変性が発生し、疾患の進行に伴って徐々に広がっていく。この神経変性は、例えば、ＭＲＩ（Magnetic Resonance Imaging）検査、ＰＥＴ（Positron Emission computed Tomography）検査、ＳＰＥＣＴ（Single Photon Emission Computed Tomography）検査等により撮像された画像上で、脳の萎縮（体積減少）や代謝能の悪化として観察される。そこで、本実施形態に係る画像処理装置１００は、これらの画像から得られる脳の体積や代謝能を指標とし、それぞれの指標値の経時的な変化と進行モデルとの関連を解析して表示する。すなわち、本実施形態に係る画像処理装置１００は、各指標の時間的・空間的（位置的）変化を進行モデルと比較することで、疾患の発症やステージ（進行度）の判断を容易にすることが可能となる。

なお、以下では、一例として、アルツハイマー病の進行に関する解析を行う場合について説明するが、実施形態はこれに限定されるものではなく、他の疾患の解析にも広く適用可能である。

（第１の実施形態）
図１は、第１の実施形態に係る画像処理装置１００の構成例を示すブロック図である。図１に示すように、例えば、第１の実施形態に係る画像処理装置１００は、入力回路１０１と、ディスプレイ１０２と、記憶回路１１０と、処理回路１２０とを備える。入力回路１０１、ディスプレイ１０２、記憶回路１１０、及び処理回路１２０は、相互に通信可能に接続される。

入力回路１０１は、マウス、キーボード、ボタン、パネルスイッチ、タッチコマンドスクリーン、フットスイッチ、トラックボール、ジョイスティック等を有し、本画像処理装置１００の操作者からの各種の指示や設定要求を受け付ける。入力回路１０１は、受け付けた各種の指示や設定要求を処理回路１２０へ出力する。

ディスプレイ１０２は、医用画像診断装置により撮像された医用画像データを表示したり、利用者が入力回路１０１を用いて各種設定要求を入力するためのＧＵＩを表示したりする。なお、医用画像診断装置は、例えば、被検体を撮像し、医用画像データを生成する装置である。医用画像診断装置としては、例えば、Ｘ線診断装置、Ｘ線ＣＴ（Computed Tomography）装置、ＭＲＩ装置、ＳＰＥＣＴ装置、ＰＥＴ装置、ＳＰＥＣＴ装置とＸ線ＣＴ装置とが一体化されたＳＰＥＣＴ−ＣＴ装置、ＰＥＴ装置とＸ線ＣＴ装置とが一体化されたＰＥＴ−ＣＴ装置、ＰＥＴ装置とＭＲＩ装置とが一体化されたＰＥＴ−ＭＲＩ装置、又はこれらの装置群等が適用される。

記憶回路１１０は、医用画像データやＧＵＩを表示するための各種のプログラムや、当該プログラムによって用いられる情報を記憶する。例えば、記憶回路１１０は、医用画像データ群１１１と、症例データ群１１２とを記憶する。なお、記憶回路１１０は、記憶部の一例である。

医用画像データ群１１１は、複数の医用画像データである。例えば、医用画像データ群１１１は、異なる検査日時において所定の医用画像診断装置によって撮像された複数の医用画像データである。例えば、医用画像データ群１１１は、検査ごとに、患者ＩＤ、検査ＩＤ、装置ＩＤ、シリーズＩＤ等と対応付けて記憶される。

一例としては、医用画像データ群１１１は、被検体の頭部（脳）がＭＲＩ装置によって撮像されたＭＲＩ画像データである。ＭＲＩ画像データは、例えば、任意のＭＰＲ断面を表示可能な３次元の医用画像データ（ボリュームデータ）である。

なお、医用画像データ群１１１は、ＭＲＩ画像データに限定されるものではなく、疾患の解析に利用可能なあらゆる画像データが適用可能である。アルツハイマー病の解析においては、例えば、アルツハイマー病の進行の診断に用いられる各種のバイオマーカーを用いて撮像された医用画像データであってもよい。具体例を挙げると、Ａβ（Amyloid beta protein）の標識化合物（トレーサー）であるＰｉＢ（Pittsburgh Compound B）、タウタンパク質の標識化合物であるＴ８０７、ＴＨＫ−５１１７、ＰＢＢ３、脳の糖代謝を観察するＦＤＧ（Fluorodeoxyglucose）等を用いてＰＥＴ装置によって撮像された画像データであってもよい。また、脳の機能低下を観察可能なｆＭＲＩ（functional Magnetic Resonance Imaging）によって撮像された画像データであってもよい。また、脳血流量（Cerebral Blood Flow：ＣＢＦ）や脳血管体積の低下を観察するために、ＳＰＥＣＴ、ＣＥ（Contrast Enhanced） ＭＲＩ、ＡＳＬ（Arterial Spin Labeling：血管スピンラベリング法）によるＭＲＩ等によって撮像された画像データであってもよい。また、ＦＡ（Fractional Anisotropy）の低下やＭＤ（Mean Diffusivity）／ＡＤＣ（Apparent Diffusion Coefficient）の上昇を観察するＤＴＩ（Diffusion Tensor Image）画像データであってもよい。また、脳の電気的な活動によって生じる磁場がマッピングされたＭＥＧ（Magnetoencephalography）であってもよい。

症例データ群１１２は、所定の疾患に関する複数の症例データである。ここで、症例データは、例えば、解析対象である疾患に罹患した患者（被検体）ごとに、各種の指標の値が経時的に記録されたデータである。例えば、症例データは、疾患名、患者ＩＤ、検査ＩＤ、装置ＩＤ、シリーズＩＤ等と対応付けて記憶される。

処理回路１２０は、画像処理装置１００の処理全体を制御する。例えば、図１に示すように、処理回路１２０は、設定機能１２１と、生成機能１２２と、取得機能１２３と、解析機能１２４と、表示制御機能１２５とを実行する。ここで、例えば、図１に示す処理回路１２０の構成要素である設定機能１２１、生成機能１２２、取得機能１２３、解析機能１２４、及び表示制御機能１２５が実行する各処理機能は、コンピュータによって実行可能なプログラムの形態で記憶回路１１０に記録されている。処理回路１２０は、各プログラムを記憶回路１１０から読み出し、実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読み出した状態の処理回路１２０は、図１の処理回路１２０内に示された各機能を有することとなる。

なお、本実施形態においては、単一の処理回路１２０にて、以下に説明する各処理機能が実現されるものとして説明するが、複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。

上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサは記憶回路に保存されたプログラムを読み出し実行することで機能を実現する。なお、記憶回路１１０にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。更に、各図における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。

設定機能１２１は、被検体に関する条件を設定する。例えば、設定機能１２１は、症例データ群から被検体の条件に対応する症例データを抽出するために、被検体に関する条件を設定する。ここで、被検体に関する条件としては、例えば、認知スコア、遺伝子型、家族暦、治療の有無、健康状態など、各種の患者の状態に関する情報を含む。なお、設定機能１２１は、設定部の一例である。

例えば、操作者は、入力回路１０１を用いて、認知スコア、遺伝子型、家族暦、治療の有無、健康状態などの条件を入力する。操作者による条件の入力が行われると、設定機能１２１は、入力された条件を被検体に関する条件として設定する。そして、設定機能１２１は、設定した被検体に関する条件を生成機能１２２へ出力する。

なお、上述した設定機能１２１の処理は一例に過ぎない。例えば、設定機能１２１は、操作者による入力に限らず、例えば、電子カルテシステム等に登録された情報から被検体の条件に対応する情報を取得することで、被検体に関する条件を設定してもよい。

生成機能１２２は、記憶回路１１０に記憶された複数の症例データのうち、設定機能１２１によって設定された条件に対応する症例データに基づいて、進行モデルを生成する。ここで、進行モデルは、例えば、症例データ群１１２のうち、被検体に関する条件に対応する症例データにおける指標の推移を表す情報である。なお、生成機能１２２は、生成部の一例である。

例えば、生成機能１２２は、記憶回路１１０に記憶された症例データ群１１２から、設定機能１２１によって設定された条件に対応する複数の症例データを抽出する。例えば、生成機能１２２は、認知スコア、遺伝子型、家族暦、治療の有無、健康状態などの条件に対応する複数の症例データを抽出する。そして、生成機能１２２は、抽出した複数の症例データに含まれる指標の値の平均的な推移を進行モデルとして生成する。具体的には、生成機能１２２は、内側側頭葉（嗅内皮質、海馬、偏桃体）、マイネルト基底核、内側中隔核、外側側頭皮質、内側頭頂葉、外側頭頂葉、前頭葉等、脳に含まれる複数部位ごとに進行モデルを生成する。

図２Ａ及び図２Ｂは、第１の実施形態に係る生成機能１２２の処理を説明するための図である。図２Ａは、脳の部位の一つである海馬の体積の経時的な推移を表す進行モデルの一例である（Ｓｔｒｕｃｔｕｒａｌ ＭＲＩ）。図２Ａにおいて、横軸は年数（時間）を表し、縦軸は海馬の体積を表す。また、図２Ｂは、海馬におけるＰｉＢの取り込み量の経時的な推移を表す進行モデルの一例である（ＰｉＢ ＰＥＴ）。図２Ｂにおいて、横軸は年数（時間）を表し、縦軸は海馬でのＰｉＢの取り込み量を表す。なお、縦軸の値（指標値）は、被検体間の値を一定の基準で比較するために、規格化（正規化）を行う。これは、例えば、元々の脳体積が大きい被検体ほど体積変化が大きくなってしまう（絶対値が異なる）などの個人差を低減するためである。例えば、縦軸の値は、健常時若しくは発症時を１００％とした割合（スコア）で表される。

図２Ａに示すように、例えば、生成機能１２２は、抽出した複数の症例データに含まれる海馬の体積を、発症時を基準として経時的にプロットする。ここで、海馬の体積は、健常時の値を１００％とした割合で示される。そして、生成機能１２２は、プロットしたデータを用いて近似曲線を算出することで、進行モデルを生成する。つまり、生成機能１２２は、年数ｔでの体積Ｖを表す関数Ｖ（ｔ）を、進行モデルとして生成する。

また、図２Ｂに示すように、例えば、生成機能１２２は、抽出した複数の症例データに含まれるＰｉＢの取り込み量を、発症時を基準として経時的にプロットする。ここで、ＰｉＢの取り込み量は、発症時の値を１００％とした割合で示される。そして、生成機能１２２は、プロットしたデータを用いて近似曲線を算出することで、進行モデルを生成する。

このように、生成機能１２２は、被検体の条件に対応する症例データに基づいて、進行モデルを生成する。なお、上述した生成機能１２２の処理は一例に過ぎない。例えば、生成機能１２２は、解析の対象となる疾患に応じて、任意の部位、任意の指標について進行モデルを生成可能である。また、生成機能１２２により算出される近似曲線は、従来の如何なる技術によって算出されてもよい。また、進行モデルは、時間に対する指標値の関数であれば、必ずしも近似曲線でなくてもよい。

取得機能１２３は、複数時点のそれぞれにおいて被検体の脳が撮像された複数の医用画像データに基づいて、その脳に含まれる複数部位ごとに所定の疾患に関する指標の値を取得する。取得機能１２３は、複数種類の前記指標値を取得する。なお、取得機能１２３は、取得部の一例である。

例えば、取得機能１２３は、複数時点のそれぞれにおける複数の医用画像データを記憶回路１１０から取得する。そして、取得機能１２３は、取得した各医用画像データに対してセグメンテーションを行って、脳に含まれる複数部位のそれぞれを検出する。一例としては、取得機能１２３は、海馬、偏桃体、マイネルト基底核など、複数部位の特徴点が出現する確率情報を用いて、被検体の脳のボリュームデータから各部位を自動的に検出する（ラベリング）。そして、取得機能１２３は、検出した各部位について、各指標値を算出する。

図３Ａ、図３Ｂ、図４Ａ、及び図４Ｂは、第１の実施形態に係る取得機能１２３の処理を説明するための図である。図３Ａには、健常者における脳のＭＲＩ画像を例示する。図３Ｂには、被検体（患者）における脳のＭＲＩ画像を例示する。図４Ａには、健常者における脳のＰｉＢ ＰＥＴ画像を例示する。図４Ｂには、被検体（患者）における脳のＰｉＢ−ＰＥＴ画像を例示する。

図３Ａ及び図３Ｂに示すように、取得機能１２３は、脳のＭＲＩ画像に対してセグメンテーションを行って、複数部位のそれぞれを検出する。そして、取得機能１２３は、検出した各部位の領域の大きさから、各部位の体積をそれぞれ算出する。例えば、取得機能１２３は、海馬、偏桃体、マイネルト基底核など、複数部位のそれぞれの体積を算出する。図３Ａ及び図３Ｂに示す例では、海馬の体積が小さくなっていること（萎縮）を示す（図中丸印領域）。

図４Ａ及び図４Ｂに示すように、取得機能１２３は、脳のＰｉＢ ＰＥＴ画像に対してセグメンテーションを行って、複数部位のそれぞれを検出する。ここで、ＰｉＢ−ＰＥＴ画像では、ＰｉＢの取り込み量に応じた輝度値（画素値）が各画素に割り当てられる。取得機能１２３は、検出した各部位の領域に含まれる画素の輝度値に基づいて、ＰｉＢの取り込み量をそれぞれ算出する。例えば、取得機能１２３は、海馬、偏桃体、マイネルト基底核など、複数部位のそれぞれのＰｉＢの取り込み量を算出する。

このように、取得機能１２３は、体積やＰｉＢの取り込み量等、疾患に応じた指標値を、複数部位ごとに取得する。なお、上述した取得機能１２３の処理は一例に過ぎない。例えば、取得機能１２３は、解析の対象となる疾患に応じて、任意の部位ごとに、任意の指標値を算出可能である。また、取得機能１２３は、算出済みの指標値が存在する場合には、この指標値を直接的に取得してもよい。例えば、取得機能１２３は、過去の検査結果において指標値が算出済みであれば、この検査結果から指標値を取得することで、画像データから指標値を算出する処理を省略してもよい。また、取得機能１２３が複数部位を検出する処理は、セグメンテーションに限らず、例えば、セグメンテーションされた標準脳との位置合わせ（マッチング）によって実行してもよい。この場合、取得機能１２３は、各部位が予めラベリングされた標準脳の画像データと、被検体の脳の画像データとを位置合わせする。そして、標準脳の各部位の形状を被検体の脳の形状に合わせて変形させることにより、被検体の脳のセグメンテーションを行う。

解析機能１２４は、複数時点における値の変化と、所定の疾患の進行における指標の変化を表す進行モデルとの関連を、複数部位ごとに解析する。例えば、解析機能１２４は、指標値の変化に進行モデルを当てはめることで、進行モデルが変形した変形進行モデルを生成する。例えば、解析機能１２４は、生成機能１２２によって生成された進行モデルを用いて、複数時点における値の変化と、所定の疾患の進行における指標の変化を表す進行モデルとの関連を解析する。なお、解析機能１２４は、解析部の一例である。

図５Ａ、図５Ｂ、図６Ａ、及び図６Ｂは、第１の実施形態に係る解析機能１２４の処理を説明するための図である。図５Ａには、Ｓｔｒｕｃｔｕｒａｌ ＭＲＩにおいて、疾患の進行が早い場合の処理の一例を例示する。図５Ｂには、Ｓｔｒｕｃｔｕｒａｌ ＭＲＩにおいて、疾患の進行が遅い場合の処理の一例を例示する。図６Ａには、ＰｉＢ ＰＥＴにおいて、疾患の進行が早い場合の処理の一例を例示する。図６Ｂには、ＰｉＢ ＰＥＴにおいて、疾患の進行が遅い場合の処理の一例を例示する。なお、図５Ａ及び図５Ｂにおいて、横軸は年数（時間）を表し、縦軸は海馬の体積を表す。また、図６Ａ、及び図６Ｂにおいて、横軸は年数（時間）を表し、縦軸は海馬でのＰｉＢの取り込み量を表す。また、丸印は、被検体の画像データから算出された指標値の値（測定点）を示す。直線は、進行モデルを示す。

図５Ａ及び図５Ｂに示すように、例えば、解析機能１２４は、複数時点における被検体の海馬の体積のうち、最初の時点の体積を健常時の値として、この値に進行モデルの健常時の体積を一致させる。そして、解析機能１２４は、他の時点における体積が進行モデルに一致（近似）するように、進行モデルを時間方向に変形させる。例えば、被検体の疾患の進行が進行モデルよりも早い場合には、図５Ａに示すように、解析機能１２４は、進行モデルを時間方向に縮小させることにより、進行モデルを縮小させた変形進行モデルを生成する。また、例えば、被検体の疾患の進行が進行モデルよりも遅い場合には、図５Ｂに示すように、解析機能１２４は、進行モデルを時間方向に拡大させることにより、進行モデルを拡大させた変形進行モデルを生成する。このように、解析機能１２４は、被検体の海馬の体積に対して進行モデルを当てはめる。

また、図６Ａ及び図６Ｂに示すように、例えば、解析機能１２４は、複数時点における被検体の海馬のＰｉＢの取り込み量のうち、最初の時点の取り込み量を健常時の値として、この値に進行モデルの健常時の取り込み量を一致させる。そして、解析機能１２４は、他の時点における取り込み量が進行モデルに一致するように、進行モデルを時間方向に変形させる。例えば、被検体の疾患の進行が進行モデルよりも早い場合には、図６Ａに示すように、解析機能１２４は、進行モデルを時間方向に縮小させることにより、進行モデルを縮小させた変形進行モデルを生成する。また、例えば、被検体の疾患の進行が進行モデルよりも遅い場合には、図６Ｂに示すように、解析機能１２４は、進行モデルを時間方向に拡大させることにより、進行モデルを拡大させた変形進行モデルを生成する。このように、解析機能１２４は、被検体の海馬の体積に対して進行モデルを当てはめる。

このように、解析機能１２４は、複数種類の指標値それぞれの経時的な変化と、進行モデルとの関連を、複数部位ごとに解析する。なお、上述した解析機能１２４の処理は一例に過ぎない。例えば、解析機能１２４は、解析の対象となる疾患に応じて、任意の部位の指標値の変化と、任意の進行モデルとの関連を解析可能である。

また、上記の説明では、最初の時点を健常時の指標値として、進行モデルの健常時の指標値を一致させる処理を説明したが、実施形態はこれに限定されるものではない。例えば、取得機能１２３は、操作者によって指定された年数及び指標値を、被検体の健常時の指標値として解析してもよい。また、例えば、取得機能１２３は、複数の測定点の近似曲線を算出し、この近似曲線と進行モデルとが一致するように、進行モデルを変形させてもよい。

表示制御機能１２５は、解析機能１２４によって解析された複数部位ごとの解析結果を表示する。例えば、表示制御機能１２５は、指標値の変化と進行モデルとを比較可能に表示する。以下、表示制御機能１２５の処理による表示例１〜３について、それぞれ説明する。

（表示例１）
図７は、第１の実施形態に係る表示制御機能１２５の処理による表示例１について説明するための図である。例えば、図７の上段には、複数部位のそれぞれにおけるＰｉＢの取り込み量の解析結果の一例を示す。図７の上段において、横軸は年数（時間）を表し、縦軸は海馬でのＰｉＢの取り込み量を表す。また、丸印は、被検体の画像データから算出された取り込み量（測定点）を示す。直線は、解析機能１２４によって被検体の指標値に当てはめられた変形進行モデルを示す。なお、ＭＴＣは内側側頭皮質を表し、ＬＴＣは外側側頭皮質を表し、ＭＰＣは内側頭頂皮質を表し、ＬＰＣは外側頭頂皮質を表し、ＦＣは前頭皮質を表す。また、図７の下段には、現在の各部位の取り込み量のレーダーチャートを例示する。

図７の上段に示すように、例えば、表示制御機能１２５は、複数部位のそれぞれにおけるＰｉＢの取り込み量（丸印）と、変形進行モデル（直線）とを比較可能に表示する。また、図７の下段に示すように、表示制御機能１２５は、現在の時点における取り込み量の値をレーダーチャート上に表示する。

このように、表示制御機能１２５は、複数部位のそれぞれにおける指標値と、変形進行モデルとを比較可能に表示する。つまり、表示制御機能１２５は、測定点と進行モデルとを同時に表示することで、測定点と進行モデルとの違いを明らかにすることができる。なお、上述した表示制御機能１２５の処理は一例に過ぎない。例えば、図７では、ある指標値の複数部位における変化を進行モデルと比較可能に表示する場合を例示したが、実施形態はこれに限定されるものではない。例えば、表示制御機能１２５は、複数種類の指標値が算出される場合には、複数種類の指標値の変化を進行モデルと比較可能に表示してもよい。例えば、表示制御機能１２５は、海馬の体積とＰｉＢの取り込み量について、各指標値の経時的な変化と進行モデルとを比較可能に表示してもよい。また、例えば、表示制御機能１２５は、図７の上段及び下段の両グラフを必ずしも同時に表示しなくてもよい。例えば、表示制御機能１２５は、図７の上段及び下段のうちいずれか一方のグラフを表示し、操作者からの指示に応じて両グラフの表示を切り替えてもよい。

（表示例２）
図８は、第１の実施形態に係る表示制御機能１２５の処理による表示例２について説明するための図である。例えば、図８の上段には、図７の上段と同様のグラフを例示する。また、図８の中段には、図８の上段の各時点（年数）における各部位の取り込み量のレーダーチャートを例示する。また、図８の下段には、図８の中段に示した各レーダーチャートを重ね合わせたものを例示する。

図８の中段及び下段に示すように、表示制御機能１２５は、各時点における取り込み量の値をレーダーチャート上に表示する。ここで、表示制御機能１２５は、２年後及び４年後のレーダーチャートの値については、変形進行モデル（図８の上段）の値（推定値／将来予測値）を表示する。なお、現在から過去のレーダーチャートについては、表示制御機能１２５は、被検体の測定値を表示する。

このように、表示制御機能１２５は、レーダーチャート上で複数時点における指標値と将来の推定値とを表示する。なお、上述した表示制御機能１２５の処理は一例に過ぎない。例えば、図８の下段では、現在から過去のレーダーチャートに被検体の測定値を表示する場合を例示したが、実施形態はこれに限定されるものではない。例えば、表示制御機能１２５は、現在から過去のレーダーチャートについても、変形進行モデルの値を表示してもよい。これにより、例えば、測定値に誤差が含まれる場合に、変形進行モデルの値を表示することで誤差を低減（吸収）することができる。

（表示例３）
図９は、第１の実施形態に係る表示制御機能１２５の処理による表示例３について説明するための図である。例えば、図９の上段には、被検体の測定点を表示していない点を除いて、図７の上段と同様のグラフを例示する。また、図９の中段には、各時点（年数）における各部位の変形進行モデルの値を結ぶ直線の形状が正五角形になるように、レーダーチャートの各軸のスケールを調整する処理の一例を示す。また、図９の下段には、各時点における変形進行モデルの値を結ぶ直線の形状が正五角形になるように各軸のスケールが調整されたレーダーチャート上に、被検体の各指標値が表示される場合を例示する。

図９の中段に示すように、表示制御機能１２５は、進行モデルの同一時点での各部位の取り込み量を結ぶ線の形状が正五角形で表されるように、レーダーチャートの各軸のスケールを調整する。具体的には、表示制御機能１２５は、各時点において、変形進行モデルの取り込み量が正五角形となるように、レーダーチャートの各軸のスケールを調整する。ここで、表示制御機能１２５は、各時点の正五角形の大きさが、時間の経過に伴って大きくなるように調整する。例えば、図９の中段の左から１番目に示すように、表示制御機能１２５は、健常時における各部位の取り込み量を結ぶ線が小さな五角形となるように、各部位に対応するレーダーチャートの軸のスケールを調整する。また、例えば、図９の中段の左から２番目に示すように、表示制御機能１２５は、健常時から所定時間経過後における各部位の取り込み量を結ぶ線が、健常時の五角形よりも大きい五角形となるように、各部位に対応するレーダーチャートの軸のスケールを調整する。このように、表示制御機能１２５は、時間経過に伴って正五角形の大きさが大きくなるように、各部位に対応するレーダーチャートの軸のスケールを調整する。

そして、図９の下段に示すように、表示制御機能１２５は、変形進行モデルの取り込み量が正五角形となるように調整されたレーダーチャート上に、被検体の測定値を表示する（図中丸印）。これによれば、例えば、操作者は、正五角形と測定値とを比較することで、複数部位における指標の変化がそれぞれ進行モデルに沿っているかを容易に把握することができる。また、例えば、操作者は、被検体の測定値が歪んだ五角形である場合には、対象の疾患以外の疾患を疑うことに繋がるので、他の疾患を早期に発見することが可能となる。

このように、表示制御機能１２５は、進行モデルの同一時点での各部位の指標の値を結ぶ線の形状が正多角形で表されるレーダーチャート上に、値を表示する。なお、上述した表示制御機能１２５の処理は一例に過ぎない。例えば、図９では、進行モデルの指標値が正五角形となるように、レーダーチャートの各軸のスケールを調整する場合を説明したが、実施形態はこれに限定されるものではない。例えば、レーダーチャートの各軸のスケールは、進行モデルの指標値が正四角形や正六角形など、軸の数に応じた正多角形になるように調整されてよい。

上述したように、表示制御機能１２５は、表示例１〜３のうち任意の表示形態で、解析結果を表示する。なお、表示制御機能１２５は、表示例１〜３の表示形態を適宜組み合わせて表示してもよい。例えば、表示制御機能１２５は、表示例１〜３の表示形態を、操作者による指示に応じて適宜切り替えることも可能である。

また、例えば、図９の下段では、疾患の進行モデルにおける指標の変化が正多角形で表示される場合を説明したが、実施形態はこれに限定されるものではない。例えば、加齢に伴う指標の正常な変化を表す正常モデルがあれば、表示制御機能１２５は、この正常モデルにおける指標の変化が正多角形で表示されるようにしてもよい。すなわち、表示制御機能１２５は、加齢に伴う指標の正常な変化を表す正常モデルの同一時点での各部位の指標の値を結ぶ線の形状が正多角形で表されるレーダーチャート上に、値を表示する。

図１０は、第１の実施形態に係る画像処理装置１００の処理手順を示すフローチャートである。図１０に示す処理手順は、例えば、疾患の進行に関する解析を開始する旨の指示を操作者から受け付けた場合に、開始される。

ステップＳ１０１において、処理回路１２０は、処理タイミングか否かの判定を行う。例えば、処理回路１２０は、疾患の進行に関する解析を開始する旨の指示を操作者から受け付けた場合に、処理タイミングであると判定し、ステップＳ１０２以降の処理へ移行する。なお、ステップＳ１０１が否定される場合には、ステップＳ１０２以降の処理は実行されず、設定機能１２１〜表示制御機能１２５の各処理機能は待機状態である。

ステップＳ１０１が肯定されると、ステップＳ１０２において、設定機能１２１は、進行モデルの条件を設定する。例えば、設定機能１２１は、症例データ群から被検体の条件に対応する症例データを抽出するために、被検体に関する条件を設定する。

ステップＳ１０３において、生成機能１２２は、条件に対応する症例データに基づいて、進行モデルを複数部位ごとに生成する。例えば、生成機能１２２は、記憶回路１１０に記憶された症例データ群１１２から、設定機能１２１によって設定された条件に対応する複数の症例データを抽出する。そして、生成機能１２２は、抽出した複数の症例データに含まれる指標の値の平均的な推移を進行モデルとして生成する。

ステップＳ１０４において、取得機能１２３は、複数時点における医用画像データを取得する。例えば、取得機能１２３は、複数時点のそれぞれにおける複数の医用画像データを記憶回路１１０から取得する。

ステップＳ１０５において、取得機能１２３は、各医用画像データに基づいて、複数部位ごとに指標値を算出する。例えば、取得機能１２３は、記憶回路１１０から取得した各医用画像データに対してセグメンテーションを行って、脳に含まれる複数部位のそれぞれを検出する。そして、取得機能１２３は、検出した各部位について、各指標値を算出する。

ステップＳ１０６において、解析機能１２４は、複数時点の指標値に進行モデルを当てはめる。例えば、解析機能１２４は、指標値の変化に進行モデルを当てはめることで、進行モデルが変形した変形進行モデルを生成する。

ステップＳ１０７において、表示制御機能１２５は、処理結果を表示する。例えば、表示制御機能１２５は、指標値の変化と進行モデルとを比較可能に表示する。具体的には、表示制御機能１２５は、表示例１〜３のうち任意の表示形態で、解析結果を表示する。

なお、図１０の処理手順は一例に過ぎない。例えば、図１０のステップＳ１０２，Ｓ１０３の処理は、必ずしも実行されなくてもよい。例えば、解析の対象となる疾患について代表的な指標の推移が既知、つまり、年数に応じた指標を表す関数が既知である場合には、この関数を進行モデルとして利用することができるため、進行モデルを生成する処理であるステップＳ１０２，Ｓ１０３の処理を実行しなくてもよい。また、この場合、記憶回路１１０は、症例データ群１１２を記憶していなくてもよい。

上述してきたように、第１の実施形態に係る画像処理装置１００において、取得機能１２３は、複数時点のそれぞれにおいて被検体の脳が撮像された複数の医用画像データに基づいて、脳に含まれる複数部位ごとに所定の疾患に関する指標の値を取得する。そして、解析機能１２４は、複数時点における値の変化と、所定の疾患の進行における指標の変化を表す進行モデルとの関連を、複数部位ごとに解析する。表示制御機能１２５は、解析機能１２４によって解析された複数部位ごとの解析結果を表示させる。これによれば、画像処理装置１００は、疾患の進行に関する解析を容易にすることを可能にする。

図１１、図１２Ａ、及び図１２Ｂは、第１の実施形態に係る画像処理装置１００の効果を説明するための図である。図１１には、アルツハイマー病の進行に応じたバイオマーカーの変化の偏りを例示する。図１１において、横軸は疾患の進行度を表し、縦軸はバイオマーカー（指標）の変化を表す。図１２Ａ及び図１２Ｂには、患者の条件の違いに応じたバイオマーカーの変化の偏りを例示する。図１２Ａ及び図１２Ｂにおいて、横軸は患者の年齢を表し、縦軸はバイオマーカー（指標）の変化を表す。なお、図１１、図１２Ａ、及び図１２Ｂにおいて、Ａ〜Ｅは、それぞれ異なるバイオマーカーを示す。また、ＭＣＩ（Mild cognitive impairment）は、軽度の認知症を表す。

図１１に示すように、アルツハイマー病においては、疾患の進行に伴ってそれを反映するバイオマーカーが変化していく。例えば、バイオマーカーＡでは認知症の発症前から上昇が認められるのに対して、バイオマーカーＥではＭＣＩから上昇の開始が認められるものもある。このように、アルツハイマー病では、変化が認められるバイオマーカーが疾患の進行に応じて異なる。また、アルツハイマー病においては、萎縮が認められる部位も疾患の進行に応じて異なる。例えば、初期の段階では内側側頭葉（嗅内皮質、海馬、偏桃体）における萎縮が認められ、疾患の進行に伴って、マイネルト基底核、内側中隔核、外側側頭皮質、内側頭頂葉、外側頭頂葉、前頭葉・・・と萎縮部位が変化していく。また、疾患が進行しても、一次視覚野や体性感覚野のように、萎縮し難い部位もある。このように、アルツハイマー病においては、疾患の進行に伴ってそれを反映する指標や部位が変化する。

ここで、第１の実施形態に係る画像処理装置１００は、複数部位について時系列の指標値を取得し、取得した指標値の変化と進行モデルとの関連を表示する。このため、画像処理装置１００は、一時点での指標値のみならず、指標値の時間的変化、つまり変化の速度を評価するので、疾患の進行に関する解析を容易にすることができる。例えば、操作者は、解析結果を参照し、どの部位のどの指標が最も変化しているかを検討することで、容易に疾患の進行度合いを判断することが可能となる。

また、図１２Ａ及び図１２Ｂに示すように、アルツハイマー病においては、患者の条件（状態）に応じてバイオマーカーの変化に偏りが生じる。例えば、アポリポ蛋白Ｅ（ＡｐｏＥ）の遺伝子型の違いによって、バイオマーカーの上昇時期が早い場合もあれば（図１２Ａ）、遅い場合もある（図１２Ｂ）。

ここで、第１の実施形態に係る画像処理装置１００において、記憶回路１１０は、アルツハイマー病に関する複数の症例データを記憶する。そして、設定機能１２１は、被検体に関する条件を設定する。そして、生成機能１２２は、記憶回路１１０に記憶された複数の症例データのうち、設定機能１２１によって設定された条件に対応する症例データに基づいて、進行モデルを生成する。解析機能１２４は、生成機能１２２によって生成された進行モデルを用いて、関連を解析する。このため、画像処理装置１００は、被検体ごとに適切な進行モデルを生成するので、疾患の進行を正確に判断することが可能となる。

（その他の実施形態）
上述した実施形態以外にも、種々の異なる形態にて実施されてもよい。

例えば、上記の実施形態では、複数の指標値について進行モデルとの関連を表示する場合を例示したが、実施形態はこれに限定されるものではない。例えば、画像処理装置１００は、一つの指標値における複数部位での時系列の変化と進行モデルとの関連を解析し、表示してもよい。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。更に、各装置にて行なわれる各処理機能は、その全部又は任意の一部が、ＣＰＵ及び当該ＣＰＵにて解析実行されるプログラムにて実現され、或いは、ワイヤードロジックによるハードウェアとして実現され得る。

また、第１の実施形態において説明した各処理のうち、自動的に行なわれるものとして説明した処理の全部又は一部を手動的に行なうこともでき、或いは、手動的に行なわれるものとして説明した処理の全部又は一部を公知の方法で自動的に行なうこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

また、第１の実施形態で説明した画像処理方法は、予め用意された画像処理プログラムをパーソナルコンピュータやワークステーション等のコンピュータで実行することによって実現することができる。この画像処理方法は、インターネット等のネットワークを介して配布することができる。また、この画像処理方法は、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ、ＭＯ、ＤＶＤ等のコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することもできる。

以上説明した少なくともひとつの実施形態によれば、疾患の進行に関する解析を容易にすることができる。

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。

１００ 画像処理装置
１２０ 処理回路
１２３ 取得機能
１２４ 解析機能
１２５ 表示制御機能

Claims (9)

1. 複数時点のそれぞれにおいて被検体の脳が撮像された複数の医用画像データに基づいて、当該脳に含まれる複数部位ごとに所定の疾患に関する指標の値を取得する取得部と、
   前記複数時点における前記値の変化と、前記所定の疾患の進行における前記指標の変化を表す進行モデルとの関連を示す解析において、前記複数時点における前記値の変化に前記進行モデルを当てはめることで、前記進行モデルが変形した変形進行モデルを前記複数部位ごとに生成する解析部と、
   前記複数部位ごとに、前記値と、前記変形進行モデルとをグラフ上に表示させる表示制御部と
   を備える、画像処理装置。
2. 前記解析部は、前記複数時点における前記値の変化に近似するように、前記進行モデルを時間方向に変形することで、前記変形進行モデルを生成する、
   請求項１に記載の画像処理装置。
3. 前記表示制御部は、前記変形進行モデルの将来の時点における前記値をレーダーチャート上に表示させる、
   請求項１又は２に記載の画像処理装置。
4. 前記表示制御部は、前記進行モデルの同一時点での各部位の指標の値を結ぶ線の形状が正多角形で表されるレーダーチャート上に、前記値を表示する、
   請求項１〜３のいずれか一つに記載の画像処理装置。
5. 前記表示制御部は、加齢に伴う前記指標の正常な変化を表す正常モデルの同一時点での各部位の指標の値を結ぶ線の形状が正多角形で表されるレーダーチャート上に、前記値を表示する、
   請求項１〜３のいずれか一つに記載の画像処理装置。
6. 前記表示制御部は、前記値を、各時点における前記変形進行モデルの値を結ぶ直線の形状が正五角形になるように各軸のスケールが調整されたレーダーチャート上に表示させる、
   請求項１〜３のいずれか一つに記載の画像処理装置。
7. 前記取得部は、複数種類の前記指標の値を取得し、
   前記解析部は、前記複数種類の指標の値のそれぞれについて、前記関連を解析し、
   前記表示制御部は、前記複数種類の指標の値のそれぞれについて、前記値の変化と前記進行モデルとをグラフ上又はレーダーチャート上に表示する、
   請求項１〜６のいずれか一つに記載の画像処理装置。
8. 前記所定の疾患に関する複数の症例データを記憶する記憶部と、
   前記被検体に関する条件を設定する設定部と、
   前記記憶部に記憶された複数の症例データのうち、前記設定部によって設定された前記条件に対応する症例データに基づいて、前記進行モデルを生成する生成部と
   を更に備え、
   前記解析部は、前記生成部によって生成された進行モデルを用いて、前記関連を解析する、
   請求項１〜７のいずれか一つに記載の画像処理装置。
9. 複数時点のそれぞれにおいて被検体の脳が撮像された複数の医用画像データに基づいて、当該脳に含まれる複数部位ごとに所定の疾患に関する指標の値を取得し、
   前記複数時点における前記値の変化と、前記所定の疾患の進行における前記指標の変化を表す進行モデルとの関連を示す解析において、前記複数時点における前記値の変化に前記進行モデルを当てはめることで、前記進行モデルが変形した変形進行モデルを前記複数部位ごとに生成し、
   前記複数部位ごとに、前記値と、前記変形進行モデルとをグラフ上に表示させる、
   各処理をコンピュータに実行させる、画像処理プログラム。