JP6741750B2 - ３ｄ解剖画像における個々の骨格の骨の自動化されたセグメンテーションのためのシステムおよび方法 - Google Patents

Description

本発明は、概して、画像分析の方法およびシステムに関する。より具体的には、ある実施形態では、本発明は、例えば、コンピュータ断層撮影（ＣＴ）スキャナを用いて捕捉される、小型対象（例えば、小動物、小型哺乳類）の解剖学的画像からの自動骨分割およびセグメンテーションに関する。

哺乳類の生体内撮像を対象とした多様な技術、例えば、生物発光、蛍光、断層撮影法、およびマルチモーダル撮像技術がある。小型哺乳類の生体内撮像は、種々の分野、例えば、腫瘍学、感染症、および創薬の研究者の大規模共同体によって行われる。

生体内マイクロコンピュータ断層撮影（以降では「マイクロＣＴ」）撮像では、高解像度で組織、器官、および非有機構造を撮像することができるＸ線ベースの技術であるが、より高いスループットの撮像は、容認可能な正確度および画像詳細を維持しながら画像収集および／または処理を加速するために、低解像度マイクロＣＴ撮像を有効利用し得る。マイクロＣＴは、急速に進化しており、マルチモーダル用途を促進し、縦断的実験モデルを可能にするために、低用量走査および高速撮像プロトコルを要求する。生体内撮像は、多くの場合、生きた動物の内側の生物学的現象の非侵襲性時空間視覚化のために、蛍光プローブ等の試薬の使用を伴う。マルチモーダル撮像は、例えば、ＦＭＴ、ＰＥＴ、ＭＲＩ、ＣＴ、および／またはＳＰＥＣＴ撮像データを組み合わせることによって、異なる方法で取得される画像の融合を伴う。

画像分析用途および／または撮像システムは、概して、生物医学画像の視覚化、分析、処理、セグメンテーション、位置合わせ、および測定を可能にする。これらの用途およびシステムはまた、体積レンダリングツール（例えば、体積合成、深度陰影、勾配陰影、最大強度投影、合計ボクセル投影、信号投影）、（例えば、着目構造の面積を画定する、不要なオブジェクトを削除する、画像およびオブジェクトマップを編集するための）操作機能、および（例えば、表面ボクセルの数、露出面の数、領域の平面積、および領域の推定表面積または体積の計算のための）測定機能も提供する。

従来のオブジェクトセグメンテーションアルゴリズムは、典型的には、骨分割を行うための形態学的アプローチに依拠する。これらのアプローチでは、ウォーターシェッド変換は、典型的には、グレースケール画像データまたは２値オブジェクトマスクの距離変換に適用される。
ウォーターシェッド変換は、２値マスクを、２値マスクを構成する個々のオブジェクトを表す標識領域に分離する（例えば、Ｆ． Ｍｅｙｅｒ， Ｓ． Ｂｅｕｃｈｅｒ， Ｊ． Ｖｉｓ． Ｃｏｍｍ． Ｉｍ． Ｒｅｐ． １（１）， １９９０ ２１−４６で議論されるように）。本アプローチを使用して、図１の２値骨マスクは、図２で描写されるように分離されて標識されることができる。

図２で明白であるように、本従来のセグメンテーションアプローチは、過小セグメンテーション、過剰セグメンテーション、および最も重要なこととして、分割線／面の誤った配置をもたらす、制限および欠点に悩まされる。後者は、主に、距離およびウォーターシェッド変換の組み合わせがオブジェクトの間の最も細いコネクタ上に分割線／面を配置するため起こる。しかしながら、最も細いコネクタは、骨関節と一致する場合もあり、一致しない場合もある。本問題は、図２に示される結果の中で骨盤からの大腿骨の分割で見られることができる。

いくつかの既存の形態学的セグメンテーション技法は、ある時は、オブジェクトの間の間隔がボクセル解像度よりも大きい、より大型の哺乳類（例えば、ヒト）の高解像度画像内で十分な正確度を提供し得るが、それらの性能は、例えば、小動物（例えば、マウス、ラット、ハタネズミ、ウサギ、および同様のサイズの動物）を撮像するために、図１に示されるデータセット等の低解像度データを扱うときに、さらなる画像処理のために必要とされる十分な正確度を提供しない。マイクロＣＴ画像は、典型的には、約数ミクロン〜数百ミクロン（例えば、４．５ミクロン〜２００ミクロン）のボクセルサイズを有する。（例えば、４０ミクロンまたはそれより高いボクセルサイズに対応する）より低い解像度では、部分体積効果は、２つの別個のオブジェクトを２値マスク内で形態学的に接続させることができ、例えば、図２に示されるように、セグメンテーション正確度の有意な損失を引き起こし得る。いくつかの実施形態では、対象（例えば、小型哺乳類対象、例えば、マウス）の画像は、画像の各ボクセルが各次元内で少なくとも４０ミクロンの体積に対応するような解像度を有する。

種々の技法が、（例えば、Ｐｏｒａｔ， ｅｔ ａｌ．による米国特許第８３０６３０５Ｂ２号によって説明されるように）医療（ヒト）ＣＴ撮像で大きな骨の分割およびセグメンテーションに使用されてきたが、小動物マイクロＣＴ撮像用の骨分割およびセグメンテーションのためのロバストな方法の必要性が残っている。例えば、，Ｐｏｒａｔ ｅｔ ａｌ．は、米国特許第８３０６３０５Ｂ２号で、演算が脳全体を骨成分に含ませるであろうため、方法が頭蓋骨に使用されることを意図している場合、その中で説明される形態学的演算は、適切ではない場合があることを記述している。Ｐｏｒａｔ ｅｔ ａｌ．はさらに、椎骨の薄い部分が、厚さ１ボクセル未満であり得、それらを含有するボクセルの平均密度は、それらの実際の密度未満であり得、これらの骨は、それらの全体では見出されない場合があることを説明している。

大型動物および小動物における骨分割およびセグメンテーションの間の有意差は、マイクロＣＴによって提供される空間分解能が、必ずしも研究用マウス等の小動物内の骨の厚さまたは寸法よりも十分に高いわけではないことである。これは、部分体積効果を考慮する骨セグメンテーションにさらなる課題を提起し得る。したがって、特に、高解像度画像が必ずしも利用可能ではない、または時間がかかりすぎる、または計算が複雑すぎるため取得できない、小動物マイクロＣＴデータ等の場合に、自動オブジェクトセグメンテーションのための改良された正確な方法の必要性がある。

米国特許第８３０６３０５号明細書

Ｆ． Ｍｅｙｅｒ， Ｓ． Ｂｅｕｃｈｅｒ， Ｊ． Ｖｉｓ． Ｃｏｍｍ． Ｉｍ． Ｒｅｐ． １（１）， １９９０ ２１−４６

ある実施形態では、小動物撮像との関連でロバストな骨分割およびセグメンテーションのためのアプローチが本明細書で提示される。いくつかの実施形態では、本明細書で提示されるセグメンテーション技法は、マイクロＣＴを含む、解剖学的撮像プラットフォームで有用である。ある実施形態では、ウォーターシェッドセグメンテーションに先立って、単一およびハイブリッド二次導関数分割フィルタを計算し、グレースケール画像および２値骨マスクに適用するための方法が説明される。これらのフィルタは、低解像度データについてさえも骨の分割線／面を正確に識別し、故に、個々の骨を正確に形態学的に断絶することができる。分割された骨は、次いで、マーカ制御ウォーターシェッドセグメンテーションのためのシードとして使用されることができる。本アプローチを用いて、骨は、従来技術方法と比較して、さらに高いロバスト性および正確度でセグメント化されることができる。本改良された性能は、二次導関数を使用して、骨の分離点／面の場所を正確に特定する分割フィルタの能力から生じる。

閾値化または類似方法を介してグレースケール解剖学的画像から検出される、骨格の骨の自動セグメンテーションは、骨の視覚化、形態計測および統計分析、および形状、特徴、および疾患研究を可能にすることができる。例えば、局所閾値化技法が、図１に示されるようにマイクロＣＴ体積内で骨格の骨を検出するために使用されることができる。最終目標は、個々のオブジェクトとして各骨をセグメント化することであり、したがって、図１に示される２値マスクを区別された個々の骨のセグメンテーションマップに自動的に分割することが望ましい。具体的な骨または骨の群の正確な自動解剖学的特性評価は、次いで、分類、診断、または他の研究目的のために、区別された骨のセグメンテーションマップから行われることができる。

本技法はまた、画像で描写される他のネットワーク様オブジェクトまたは材料の自動セグメンテーションに使用されることができる。例えば、本明細書に説明される技法は、鉱物マッピング用または石油およびガス開発／探索用の３次元地理的画像で描写される離散鉱物タイプを区別するために使用されることができる。

本明細書に説明される一側面は、対象の骨格または部分骨格の画像内で個々の骨を自動的に区別するように画像セグメンテーションを行う方法を対象とし、本方法は、コンピューティングデバイスのプロセッサによって、（例えば、生体内撮像システム、例えば、マイクロＣＴ撮像装置によって取得される）対象（例えば、小型哺乳類対象、例えば、マウス）の画像（例えば、２次元画像または３次元画像、例えば、ボクセルを備える３次元画像、例えば、グレースケール画像）（例えば、生体内画像、生体外画像、または原位置画像）を受信するステップと、プロセッサによって、１つまたはそれを上回る二次導関数分割フィルタを画像に適用し、画像のための分割骨マスクを生成するステップと、プロセッサによって、１つまたはそれを上回る形態学的処理演算を行うことによって（例えば、接続成分分析を行うことによって、および／または距離およびウォーターシェッド変換を使用して集水区域を識別することによって）分割骨マスクの複数の分割２値成分を判定するステップと、随意に、プロセッサによって、各分割２値成分の体積を定量化し、容認不可能に小さい体積を有する、１つまたはそれを上回る成分を排除する（例えば、所定の閾値を下回る体積を有する、１つまたはそれを上回る成分を排除する）ステップと、プロセッサによって、シードとして分割骨マスク成分を使用して、領域増大演算（例えば、マーカ制御ウォーターシェッド演算）を行い、それによって、画像内で個々の骨を区別するセグメンテーションマップを生成するステップとを含む。

いくつかの実施形態では、解剖学的画像は、生体内画像である。いくつかの実施形態では、解剖学的画像は、生体外画像である。いくつかの実施形態では、解剖学的画像は、原位置画像である。いくつかの実施形態では、画像は、２次元画像または３次元画像である。いくつかの実施形態では、画像は、ボクセルを備える３次元画像である。いくつかの実施形態では、画像は、グレースケール画像である。

いくつかの実施形態では、対象は、小型哺乳類対象である。いくつかの実施形態では、対象は、マウスである。いくつかの実施形態では、画像は、生体内撮像システムによって取得される。いくつかの実施形態では、画像は、マイクロＣＴスキャナによって取得される。

いくつかの実施形態では、１つまたはそれを上回る形態学的演算は、接続成分分析を行うステップ、および／または距離およびウォーターシェッド変換を使用して集水区域を識別するステップを含む。いくつかの実施形態では、容認不可能に小さい体積を有する、１つまたはそれを上回る成分を排除するステップは、所定の閾値を下回る体積を有する、１つまたはそれを上回る成分を排除するステップを含む。いくつかの実施形態では、領域増大演算は、マーカ制御ウォーターシェッド演算を含む。

いくつかの実施形態では、１つまたはそれを上回る二次導関数分割フィルタは、ＬｏＧ（ガウシアンのラプラシアン）、ＨＥＨ（予備ガウシアンフィルタリングを用いた、最高ヘシアン固有値）、およびＬＥＨ（予備ガウシアンフィルタリングを用いた、最低ヘシアン固有値）から成る群から選択される少なくとも１つの部材を含む。

いくつかの実施形態では、本方法は、複数の二次導関数分割フィルタを対象の画像に適用し、分割骨マスクを生成するステップを含む。いくつかの実施形態では、適用するステップは、適用されている二次導関数分割フィルタ毎に、フィルタ処理された画像を生成し、閾値（例えば、所定の閾値）よりも高いまたは低い強度を伴うフィルタ処理された画像のボクセルを識別し、それによって、隣接する骨の間の境界領域の付近のボクセルを識別する分割２値マスクを生じるステップと、骨境界の近傍のボクセルが除去された状態で、１つまたはそれを上回る論理演算を行うことによって分割２値マスクを組み合わせ、（分割２値マスクのハイブリッドである）分割骨マスクを返すステップとを含む。

いくつかの実施形態では、本方法はまた、プロセッサによって、セグメンテーションマップを使用して（例えば、診断目的のために）１つまたはそれを上回る解剖学的測定を識別するステップを含む。

いくつかの実施形態では、本方法は、セグメンテーションマップを生成するステップに続いて、さらなる精緻化または再計算のために、セグメンテーションマップの１つまたはそれを上回るセグメント化領域を識別するユーザからのフィードバックを受理し、次いで、プロセッサによって、１つまたはそれを上回る二次導関数分割フィルタを、１つまたはそれを上回るユーザ識別セグメント化領域に対応する画像の部分に適用し、分割骨マスクを生成するステップと、プロセッサによって、分割骨マスクの分割２値成分を判定するステップと、プロセッサによって、シードとして分割骨マスク成分を使用して領域増大演算を行い、それによって、画像内で個々の骨を区別する、精緻化または再計算されたセグメンテーションマップを生成する（例えば、それによって、付加的分割を提供し、ユーザによって識別される１つまたはそれを上回る領域の過小セグメンテーションを補正する、またはそれによって、領域合併を提供し、ユーザによって識別される１つまたはそれを上回る領域の過剰セグメンテーションを補正するステップ、例えば、さらなる精緻化または再計算ステップは、以前に使用されたものと異なるスプリッタフィルタおよび／または異なるパラメータを使用して行われる）ステップとを含む。

いくつかの実施形態では、対象（例えば、小型哺乳類対象、例えば、マウス）の画像は、画像の各ボクセルが各次元内で少なくとも４０ミクロンの体積に対応するような解像度を有する。

いくつかの実施形態では、１つまたはそれを上回る二次導関数分割フィルタのうちの少なくとも１つは、画像のボクセル強度の空間２次偏導関数の１つまたはそれを上回る回転不変量を使用して適用され、画像は、３次元グレースケール画像である。

本明細書に説明される別の側面は、プロセッサと、その上に記憶された命令を有するメモリとを含む、システムを対象とし、命令は、プロセッサによって実行されると、プロセッサに、（例えば、生体内撮像システム、例えば、マイクロＣＴ撮像装置によって取得される）対象（例えば、小型哺乳類対象、例えば、マウス）の画像（例えば、２次元画像または３次元画像、例えば、ボクセルを備える３次元画像、例えば、グレースケール画像）（例えば、生体内画像、生体外画像、または原位置画像）を受信させ、１つまたはそれを上回る二次導関数分割フィルタを画像に適用させて、画像のための分割骨マスクを生成させ、１つまたはそれを上回る形態学的処理演算を行うことによって（例えば、接続成分分析を行うことによって、および／または距離およびウォーターシェッド変換を使用して集水区域を識別することによって）分割骨マスクの複数の分割２値成分を判定させ、随意に、各分割２値成分の体積を定量化させ、容認不可能に小さい体積を有する、１つまたはそれを上回る成分を排除させ（例えば、所定の閾値を下回る体積を有する、１つまたはそれを上回る成分を排除させ）、シードとして分割骨マスク成分を使用して、領域増大演算（例えば、マーカ制御ウォーターシェッド演算）を行わせ、それによって、画像内で個々の骨を区別するセグメンテーションマップを生成する。

いくつかの実施形態では、１つまたはそれを上回る二次導関数分割フィルタは、ＬｏＧ（ガウシアンのラプラシアン）、ＨＥＨ（予備ガウシアンフィルタリングを用いた、最高ヘシアン固有値）、およびＬＥＨ（予備ガウシアンフィルタリングを用いた、最低ヘシアン固有値）から成る群から選択される少なくとも１つの部材を含む。

いくつかの実施形態では、命令は、プロセッサによって実行されると、さらにプロセッサに、複数の二次導関数分割フィルタを対象の画像に適用させて、分割骨マスクを生成させ、適用するステップは、適用されている二次導関数分割フィルタ毎に、フィルタ処理された画像を生成し、閾値（例えば、所定の閾値）よりも高いまたは低い強度を伴うフィルタ処理された画像のボクセルを識別し、それによって、隣接する骨の間の境界領域付近のボクセルを識別する、分割２値マスクを生じるステップと、骨境界の近傍のボクセルが除去された状態で、１つまたはそれを上回る論理演算を行うことによって分割２値マスクを組み合わせ、（分割２値マスクのハイブリッドである）分割骨マスクを返すステップとを含む。

いくつかの実施形態では、命令は、プロセッサによって実行されると、さらにプロセッサに、セグメンテーションマップを使用して（例えば、診断目的のために）１つまたはそれを上回る解剖学的測定を識別させる。

いくつかの実施形態では、命令は、プロセッサによって実行されると、さらにプロセッサに、セグメンテーションマップを生成するステップに続いて、さらなる精緻化または再計算のために、セグメンテーションマップの１つまたはそれを上回るセグメント化領域を識別するユーザからのフィードバックを受理させ、次いで、１つまたはそれを上回る二次導関数分割フィルタを、１つまたはそれを上回るユーザ識別セグメント化領域に対応する画像の部分に適用させて、分割骨マスクを生成させ、分割骨マスクの分割２値成分を判定させ、シードとして分割骨マスク成分を使用して領域増大演算を行わせ、それによって、画像内で個々の骨を区別する、精緻化または再計算されたセグメンテーションマップを生成する（例えば、それによって、付加的分割を提供し、ユーザによって識別される１つまたはそれを上回る領域の過小セグメンテーションを補正する、またはそれによって、領域合併を提供し、ユーザによって識別される１つまたはそれを上回る領域の過剰セグメンテーションを補正する、例えば、さらなる精緻化または再計算ステップは、以前に使用されたものと異なるスプリッタフィルタおよび／または異なるパラメータを使用して行われる）。

いくつかの実施形態では、対象（例えば、小型哺乳類対象、例えば、マウス）の画像は、画像の各ボクセルが各次元内で少なくとも４０ミクロンの体積に対応するような解像度を有する。

いくつかの実施形態では、１つまたはそれを上回る二次導関数分割フィルタのうちの少なくとも１つは、画像のボクセル強度の空間２次偏導関数の１つまたはそれを上回る回転不変量を使用して適用され、画像は、３次元グレースケール画像である。

本明細書に説明される別の側面は、その上に記憶された命令を有する、非一過性のコンピュータ可読媒体を対象とし、命令は、プロセッサによって実行されると、プロセッサに、（例えば、生体内撮像システム、例えば、マイクロＣＴ撮像装置によって取得される）対象（例えば、小型哺乳類対象、例えば、マウス）の画像（例えば、２次元画像または３次元画像、例えば、ボクセルを備える３次元画像、例えば、グレースケール画像）（例えば、生体内画像、生体外画像、または原位置画像）を受信させ、１つまたはそれを上回る二次導関数分割フィルタを画像に適用させて、画像のための分割骨マスクを生成させ、１つまたはそれを上回る形態学的処理演算を行うことによって（例えば、接続成分分析を行うことによって、および／または距離およびウォーターシェッド変換を使用して集水区域を識別することによって）分割骨マスクの複数の分割２値成分を判定させ、随意に、各分割２値成分の体積を定量化させ、容認不可能に小さい体積を有する、１つまたはそれを上回る成分を排除させ（例えば、所定の閾値を下回る体積を有する、１つまたはそれを上回る成分を排除させ）、シードとして分割骨マスク成分を使用して、領域増大演算（例えば、マーカ制御ウォーターシェッド演算）を行わせ、それによって、画像内で個々の骨を区別するセグメンテーションマップを生成する。

本発明の所与の側面に関して説明される実施形態の要素は、本発明の別の側面の種々の実施形態で使用されてもよい。例えば、１つの独立請求項を参照する従属請求項の特徴は、他の独立請求項のうちのいずれかの装置および／または方法で使用され得ることが考慮される。
本発明は、例えば、以下を提供する。
（項目１）
対象の骨格または部分骨格の画像内で個々の骨を自動的に区別するように画像セグメンテーションを行う方法であって、
コンピューティングデバイスのプロセッサによって、（例えば、生体内撮像システム、例えば、マイクロＣＴ撮像装置によって取得される）対象（例えば、小型哺乳類対象、例えば、マウス）の画像（例えば、２次元画像または３次元画像、例えば、ボクセルを備える３次元画像、例えば、グレースケール画像）（例えば、生体内画像、生体外画像、または原位置画像）を受信するステップと、
前記プロセッサによって、１つまたはそれを上回る二次導関数分割フィルタを前記画像に適用し、前記画像のための分割骨マスクを生成するステップと、
前記プロセッサによって、１つまたはそれを上回る形態学的処理演算を行うことによって（例えば、接続成分分析を行うことによって、および／または距離およびウォーターシェッド変換を使用して集水区域を識別することによって）前記分割骨マスクの複数の分割２値成分を判定するステップと、
随意に、前記プロセッサによって、各分割２値成分の体積を定量化し、容認不可能に小さい体積を有する、１つまたはそれを上回る成分を排除する（例えば、所定の閾値を下回る体積を有する、１つまたはそれを上回る成分を排除する）ステップと、
前記プロセッサによって、シードとして前記分割骨マスク成分を使用して、領域増大演算（例えば、マーカ制御ウォーターシェッド演算）を行い、それによって、前記画像内で個々の骨を区別するセグメンテーションマップを生成するステップと
を含む、方法。
（項目２）
前記１つまたはそれを上回る二次導関数分割フィルタは、ＬｏＧ（ガウシアンのラプラシアン）、ＨＥＨ（予備ガウシアンフィルタリングを用いた、最高ヘシアン固有値）、およびＬＥＨ（予備ガウシアンフィルタリングを用いた、最低ヘシアン固有値）から成る群から選択される少なくとも１つの部材を備える、項目１に記載の方法。
（項目３）
複数の二次導関数分割フィルタを前記対象の前記画像に適用し、前記分割骨マスクを生成するステップを含み、前記適用するステップは、
適用されている二次導関数分割フィルタ毎に、フィルタ処理された画像を生成し、閾値（例えば、所定の閾値）よりも高いまたは低い強度を伴う前記フィルタ処理された画像のボクセルを識別し、それによって、隣接する骨の間の境界領域の付近のボクセルを識別する分割２値マスクを生じるステップと、
骨境界の近傍のボクセルが除去された状態で、１つまたはそれを上回る論理演算を行うことによって前記分割２値マスクを組み合わせ、（前記分割２値マスクのハイブリッドである）前記分割骨マスクを返すステップと
を含む、項目１または２に記載の方法。
（項目４）
前記プロセッサによって、前記セグメンテーションマップを使用して（例えば、診断目的のために）１つまたはそれを上回る解剖学的測定を識別するステップをさらに含む、前記項目のいずれか１項に記載の方法。
（項目５）
前記セグメンテーションマップを生成するステップに続いて、さらなる精緻化または再計算のために、前記セグメンテーションマップの１つまたはそれを上回るセグメント化領域を識別するユーザからのフィードバックを受理し、次いで、
前記プロセッサによって、１つまたはそれを上回る二次導関数分割フィルタを、前記１つまたはそれを上回るユーザ識別セグメント化領域に対応する前記画像の部分に適用し、分割骨マスクを生成するステップと、
前記プロセッサによって、前記分割骨マスクの分割２値成分を判定するステップと、
前記プロセッサによって、シードとして前記分割骨マスク成分を使用して領域増大演算を行い、それによって、前記画像内で個々の骨を区別する、精緻化または再計算されたセグメンテーションマップを生成する（例えば、それによって、付加的分割を提供し、前記ユーザによって識別される前記１つまたはそれを上回る領域の過小セグメンテーションを補正する、またはそれによって、領域合併を提供し、前記ユーザによって識別される前記１つまたはそれを上回る領域の過剰セグメンテーションを補正するステップ、例えば、前記さらなる精緻化または再計算ステップは、以前に使用されたものと異なるスプリッタフィルタおよび／または異なるパラメータを使用して行われる）ステップと
をさらに含む、前記項目のいずれか１項に記載の方法。
（項目６）
前記対象（例えば、小型哺乳類対象、例えば、マウス）の前記画像は、前記画像の各ボクセルが各次元内で少なくとも４０ミクロンの体積に対応するような解像度を有する、前記項目のいずれか１項に記載の方法。
（項目７）
前記１つまたはそれを上回る二次導関数分割フィルタのうちの少なくとも１つは、前記画像のボクセル強度の空間２次偏導関数の１つまたはそれを上回る回転不変量を使用して適用され、前記画像は、３次元グレースケール画像である、前記項目のいずれか１項に記載の方法。
（項目８）
プロセッサと、
その上に記憶された命令を有するメモリであって、前記命令は、前記プロセッサによって実行されると、前記プロセッサに、
（例えば、生体内撮像システム、例えば、マイクロＣＴ撮像装置によって取得される）対象（例えば、小型哺乳類対象、例えば、マウス）の画像（例えば、２次元画像または３次元画像、例えば、ボクセルを備える３次元画像、例えば、グレースケール画像）（例えば、生体内画像、生体外画像、または原位置画像）を受信するステップと、
１つまたはそれを上回る二次導関数分割フィルタを前記画像に適用し、前記画像のための分割骨マスクを生成するステップと、
１つまたはそれを上回る形態学的処理演算を行うことによって（例えば、接続成分分析を行うことによって、および／または距離およびウォーターシェッド変換を使用して集水区域を識別することによって）前記分割骨マスクの複数の分割２値成分を判定するステップと、
随意に、各分割２値成分の体積を定量化し、容認不可能に小さい体積を有する、１つまたはそれを上回る成分を排除する（例えば、所定の閾値を下回る体積を有する、１つまたはそれを上回る成分を排除する）ステップと、
シードとして前記分割骨マスク成分を使用して、領域増大演算（例えば、マーカ制御ウォーターシェッド演算）を行い、それによって、前記画像内で個々の骨を区別するセグメンテーションマップを生成するステップと
を行わせるメモリと
を備える、システム。
（項目９）
前記１つまたはそれを上回る二次導関数分割フィルタは、ＬｏＧ（ガウシアンのラプラシアン）、ＨＥＨ（予備ガウシアンフィルタリングを用いた、最高ヘシアン固有値）、およびＬＥＨ（予備ガウシアンフィルタリングを用いた、最低ヘシアン固有値）から成る群から選択される少なくとも１つの部材を備える、項目８に記載のシステム。
（項目１０）
前記命令は、前記プロセッサによって実行されると、さらに前記プロセッサに、複数の二次導関数分割フィルタを前記対象の前記画像に適用させて、前記分割骨マスクを生成させ、前記適用するステップは、
適用されている二次導関数分割フィルタ毎に、フィルタ処理された画像を生成し、閾値（例えば、所定の閾値）よりも高いまたは低い強度を伴う前記フィルタ処理された画像のボクセルを識別し、それによって、隣接する骨の間の境界領域付近のボクセルを識別する、分割２値マスクを生じるステップと、
骨境界の近傍のボクセルが除去された状態で、１つまたはそれを上回る論理演算を行うことによって前記分割２値マスクを組み合わせ、（前記分割２値マスクのハイブリッドである）前記分割骨マスクを返すステップと
を含む、項目９−１０のいずれか１項に記載のシステム。
（項目１１）
前記命令は、前記プロセッサによって実行されると、さらに前記プロセッサに、前記セグメンテーションマップを使用して（例えば、診断目的のために）１つまたはそれを上回る解剖学的測定を識別させる、項目８−１０のいずれか１項に記載のシステム。
（項目１２）
前記命令は、前記プロセッサによって実行されると、さらに前記プロセッサに、前記セグメンテーションマップを生成するステップに続いて、さらなる精緻化または再計算のために、前記セグメンテーションマップの１つまたはそれを上回るセグメント化領域を識別するユーザからのフィードバックを受理させ、次いで、
１つまたはそれを上回る二次導関数分割フィルタを、前記１つまたはそれを上回るユーザ識別セグメント化領域に対応する前記画像の部分に適用し、分割骨マスクを生成するステップと、
前記分割骨マスクの分割２値成分を判定するステップと、
シードとして前記分割骨マスク成分を使用して領域増大演算を行い、それによって、前記画像内で個々の骨を区別する、精緻化または再計算されたセグメンテーションマップを生成する（例えば、それによって、付加的分割を提供し、前記ユーザによって識別される前記１つまたはそれを上回る領域の過小セグメンテーションを補正する、またはそれによって、領域合併を提供し、前記ユーザによって識別される前記１つまたはそれを上回る領域の過剰セグメンテーションを補正する、例えば、前記さらなる精緻化または再計算ステップは、以前に使用されたものと異なるスプリッタフィルタおよび／または異なるパラメータを使用して行われる）ステップと
を含む、項目８−１１のいずれか１項に記載のシステム。
（項目１３）
前記対象（例えば、小型哺乳類対象、例えば、マウス）の前記画像は、前記画像の各ボクセルが各次元内で少なくとも４０ミクロンの体積に対応するような解像度を有する、項目８−１２のいずれか１項に記載のシステム。
（項目１４）
前記１つまたはそれを上回る二次導関数分割フィルタのうちの少なくとも１つは、前記画像のボクセル強度の空間２次偏導関数の１つまたはそれを上回る回転不変量を使用して適用され、前記画像は、３次元グレースケール画像である、項目８−１３のいずれか１項に記載のシステム。
（項目１５）
その上に記憶された命令を有する、非一過性のコンピュータ可読媒体であって、前記命令は、前記プロセッサによって実行されると、前記プロセッサに、
（例えば、生体内撮像システム、例えば、マイクロＣＴ撮像装置によって取得される）対象（例えば、小型哺乳類対象、例えば、マウス）の画像（例えば、２次元画像または３次元画像、例えば、ボクセルを備える３次元画像、例えば、グレースケール画像）（例えば、生体内画像、生体外画像、または原位置画像）を受信するステップと、
１つまたはそれを上回る二次導関数分割フィルタを前記画像に適用し、前記画像のための分割骨マスクを生成するステップと、
１つまたはそれを上回る形態学的処理演算を行うことによって（例えば、接続成分分析を行うことによって、および／または距離およびウォーターシェッド変換を使用して集水区域を識別することによって）前記分割骨マスクの複数の分割２値成分を判定するステップと、
随意に、各分割２値成分の体積を定量化し、容認不可能に小さい体積を有する、１つまたはそれを上回る成分を排除する（例えば、所定の閾値を下回る体積を有する、１つまたはそれを上回る成分を排除する）ステップと、
シードとして前記分割骨マスク成分を使用して、領域増大演算（例えば、マーカ制御ウォーターシェッド演算）を行い、それによって、前記画像内で個々の骨を区別するセグメンテーションマップを生成するステップと
を行わせる、非一過性のコンピュータ可読媒体。

本発明の前述および他の目的、側面、特徴、および利点は、添付図面と併せて解釈される以下の説明を参照することによって、より明白となり、さらに理解され得る。

図１は、局所閾値化技法を使用して検出されて視覚化される、マイクロＣＴスキャナによって撮像されるｎｕ／ｎｕマウスの下肢の骨を描写する。閾値化プロセスは、骨面積中の単位値のボクセルおよび非骨面積中のゼロ値のボクセルを伴う２値マスクをもたらす。

図２は、既存の距離およびウォーターシェッド変換アプローチを使用する、図１からの骨のセグメンテーションを描写する。過剰および過小セグメンテーション問題に加えて、本アプローチは、骨盤・大腿骨分割において明白であるように、分割面積の場所を正確に特定することができない。

図３は、マイクロＣＴプラットフォーム内で撮像されたｎｕ／ｎｕマウスの大腿骨／骨盤関節のラプラシアンの画像を描写する。図３は、本開示の例証的実施形態によると、グレースケール画像内のそれらの「上に凹」の挙動を考慮して、ラプラシアンフィルタが、特に関節内で骨から軟組織までのコントラストを増進することを図示する。上のプロットが、大腿骨／骨盤関節のラプラシアンを示す一方で、下のプロットは、大腿骨／骨盤関節のグレースケールデータを描写する。

図４は、本開示の例証的実施形態による、図５で概説されるラプラシアン分割後の図１からの骨マスクの接続成分を描写する。

図５は、本開示の例証的実施形態による、骨データへのラプラシアンベースの分割フィルタの計算および適用を示す、フローチャートである。

図６は、本開示の例証的実施形態による、分割フィルタを使用して自動セグメンテーションを行うことと関連付けられるステップを示す、フローチャートである。

図７は、本開示の例証的実施形態による、ハイブリッドＬＡＰ−ＨＥＨ分割フィルタによって作成された分割２値骨マスクの小型２値成分を除去することによって生成される、マーカ制御ウォーターシェッド用のシードの生成を描写する画像である。

図８は、本開示の例証的実施形態による、図７からのシードおよびハイブリッドＬＡＰ−ＨＥＨ分割フィルタを使用する自動分割ベースのセグメンテーションの最終セグメンテーション結果を描写する画像である。

図９は、例証的実施形態による、マイクロＣＴ画像データの分析のための方法およびシステムで使用するための例示的ネットワーク環境のブロック図である。

図１０は、本発明の例証的実施形態で使用するための例示的コンピューティングデバイスおよび例示的モバイルコンピューティングデバイスのブロック図である。

図１１Ａは、本発明の例証的実施形態で使用するためのＬＡＰ分割マスクからの標識シードを描写する。

図１１Ｂは、本発明の例証的実施形態で使用するためのＨＥＨ分割マスクからの標識シードを描写する。

図１１Ｃは、本発明の例証的実施形態で使用するためのハイブリッドＬＡＰ−ＨＥＨ分割マスクからの標識シードを描写する。

請求された発明のシステム、デバイス、方法、およびプロセスは、本明細書に説明される実施形態からの情報を使用して開発される変形例および適応を包含することが考慮される。本明細書に説明されるシステム、デバイス、方法、およびプロセスの適応および／または修正は、当業者によって行われ得る。

物品、デバイス、およびシステムが、具体的構成要素を有する、含む、または備えるものとして説明される、またはプロセスおよび方法が、具体的ステップを有する、含む、または備えるものとして説明される、説明の全体を通して、加えて、記載された構成要素から本質的に成る、または成る、本発明の物品、デバイス、およびシステムがあり、記載された処理ステップから本質的に成る、または成る、本発明によるプロセスおよび方法があることが考慮される。

ステップの順序またはある動作を行うための順序は、本発明が動作可能のままである限り重要ではないことを理解されたい。また、２つまたはそれを上回るステップまたは動作は、同時に行われ得る。

例えば、背景技術の節で、任意の出版物の本明細書での記述は、出版物が本明細書で提示される請求項のうちのいずれかに関する従来技術としての役割を果たすという承認ではない。背景技術の節は、明確にする目的のために提示され、任意の請求項に関する従来技術の説明として意図されるものではない。

本明細書で使用されるように、「画像」、例えば、哺乳類の３次元（以降では「３Ｄ」）画像は、写真、ビデオフレーム、ストリーミングビデオ、および写真、ビデオフレーム、またはストリーミングビデオの任意の電子、デジタル、または数学的類似物等の任意の視覚表現を含む。本明細書に説明される任意の装置は、ある実施形態では、プロセッサによって生成される画像または任意の他の結果を表示するためのディスプレイを含む。本明細書に説明される任意の方法は、ある実施形態では、本方法を介して生成される画像または任意の他の結果を表示するステップを含む。

本明細書で使用されるように、「画像」を参照した「３Ｄ」または「３次元の」は、３次元についての情報を伝えることを意味する。３Ｄ画像は、３次元でデータセットとしてレンダリングされてもよく、および／または２次元表現のセットとして、または３次元表現として表示されてもよい。

本明細書で使用されるように、「骨シード」は、骨格の中の骨の一部であり、それを拡張することによって（例えば、同一の個々の骨のボクセルである可能性が高い隣接ボクセルをそれに繰り返し追加することによって）完全な離散骨を見出すために使用されることができる、ボクセルのセット（例えば、ボクセルの接続されたセット）を指す。

いくつかの実施形態では、セグメント化される（例えば、骨格の隣接骨から単離される）ことができる骨は、脚の骨（例えば、股関節、膝蓋骨、大腿骨等）、腕、手、足、指、足指の骨、頭蓋骨、椎骨、または鎖骨である。いくつかの実施形態は、哺乳類（例えば、小型哺乳類、例えば、ラット、マウス）の長骨をセグメント化することに関する。いくつかの実施形態では、長骨は、以下、すなわち、大腿骨、脛骨、腓骨、上腕骨、橈骨、尺骨、中手骨、中足骨、指骨、および鎖骨（ｃｌａｖｉｃｌｅｓ、例えば、ｃｏｌｌａｒ ｂｏｎｅｓ）から選択される。

本明細書で使用されるように、「マスク」は、２Ｄまたは３Ｄ領域を識別し、画像または他の図形パターンの部分の排除または保持を制御するために使用される、図形パターンである。

本明細書で使用されるように、「小動物」は、マイクロＣＴおよび／またはマイクロＭＲ撮像装置を用いて撮像されることができる、小型哺乳類を指す。いくつかの実施形態では、「小動物」は、マウス、ラット、ハタネズミ、ウサギ、ハムスター、および同様のサイズの動物を指す。

本明細書で使用されるように、「二次導関数分割フィルタ」を適用することは、複数のボクセルのそれぞれにおいて、３Ｄ画像、例えば、グレースケール３Ｄ画像の強度の二次導関数（またはその近似値）に基づく画像処理演算である。いくつかの実施形態では、分割フィルタは、ガウシアンのラプラシアン（ＬｏＧ）、予備ガウシアンフィルタリングを用いた最高ヘシアン固有値（ＨＥＨ）、および予備ガウシアンフィルタリングを用いた最低ヘシアン固有値（ＬＥＨ）から選択される、ガウシアン二次導関数フィルタから導出される。

本明細書では、小動物撮像との関連でロバストな骨分割およびセグメンテーションのためのアプローチが説明される。ある実施形態では、マーカ制御ウォーターシェッドセグメンテーションに先立って、単一およびハイブリッド二次導関数分割フィルタを計算し、グレースケール画像および２値骨マスクに適用するための方法が説明される。いくつかの実施形態では、分割フィルタの役割は、２つの隣接骨の間の関節面積中に位置するボクセルを本質的に識別し、除外することである。故に、これらのフィルタは、低解像度データについてさえも骨の分割線／面を正確に識別し、故に、個々の骨を正確に形態学的に断絶することができる。分割された骨は、次いで、マーカ制御ウォーターシェッドセグメンテーションのためのシードとして使用されることができる。本アプローチを用いて、骨は、従来技術方法と比較して、さらに高いロバスト性および正確度でセグメント化されることができる。本改良された性能は、二次導関数を使用して骨の分離点／面の場所を正確に特定する分割フィルタの能力から生じる。

ある実施形態では、分割フィルタは、各ボクセル内のグレースケール３Ｄ画像の二次導関数に基づいて画定されることができる。殆どの実施形態では、回転不変量は、骨配向から独立して分割を行うために使用されることができる。ヘッセ行列のラプラシアンまたは固有値またはそれらの関数等のグレースケール３Ｄ画像の空間二次偏導関数の異なる回転不変量が、公知である。ラプラシアンは、固有値問題を直接解決することなく計算されることができるものであり、したがって、他より優れた速度利点を提供し、これは、単純にヘッセ行列のトレースである。各回転不変量は、分割フィルタで使用されることができる。さらに、２つまたはそれを上回るそのようなフィルタは、ハイブリッド分割フィルタを形成するように分割アルゴリズムにおいて組み合わせられることができる。分割フィルタ内で高い値を割り当てられるボクセルが、識別され、２値骨マスクから除去されることができる。次いで、分割２値骨マスクの接続成分は、マーカ制御ウォーターシェッドセグメンテーションのためのシード（ソース）として使用されることができる。

ラプラシアン、最高ヘシアン固有値、および最低ヘシアン固有値は、本明細書に説明されるセグメンテーション方法の他のステップと組み合わせられたときに、分割のために傑出していると見出される３つのフィルタである。ラプラシアンは、その近隣における所与のボクセルの凹面の範囲および記号（例えば、上に凹対下に凹）を表す。２つの骨の間の間隙では、強度は、「上に凹」の様式で骨ボクセル上よりも予期された通りに低く、したがって、ラプラシアンは、間隙ボクセルにおいて正である。例えば、これは、大腿骨／骨盤関節について図３で実証される。最高ヘシアン固有値はまた、強度低下が任意の他の方向よりも大きい、谷を横断する方向で強度を自動的に定量化するため、骨の間の間隙に敏感である。最低ヘシアン固有値は、骨を横断する方向で強度を自動的に定量化するため、２つの骨の間の間隙ではなくて骨に属するボクセルを検出するために適している。

ラプラシアン演算子は、ｘ、ｙ、およびｚが、ｘｙｚ空間の標準デカルト座標である、

によって求められるように、例えば、３次元で、各独立変数に関する関数（例えば、所与のボクセルにおけるグレースケール画像強度）の二次偏導関数の合計によって求められる。

ある実施形態では、画像が、ヘッセ行列を使用して処理される。ヘシアンは、画像のマルチスケール二次局所構造、または関数の局所曲率を表すスカラー値の関数（例えば、所与のボクセルにおけるグレースケール画像強度）の二次偏導関数の正方行列である。例えば、ヘシアンフィルタを、ボクセル（例えば、各ボクセルは、グレースケール強度値を有する）を備える３Ｄ画像に適用することは、最初に、Ｌ_ｘｘ、Ｌ_ｙｙ、Ｌ_ｚｚ、Ｌ_ｘｙ、Ｌ_ｘｚ、およびＬ_ｙｚによって表される６つの二次導関数画像を生成するように、ガウシアン二次導関数フィルタのセットを適用することによって行われてもよい。次に、３×３ヘッセ行列は、ボクセル毎に対角化される。二次導関数フィルタ処理画像の３×３ヘッセ行列は、以下の行列１として提示される。

３×３ヘッセ行列の対角化は、固有問題である。固有問題の解決法は、３つの主成分の方向に二次導関数を表す、３つの固有値を計算することを含む。固有値は、三次方程式を解くことによって計算されることができる。ある実施形態では、主成分の方向は、重要ではなく、固有ベクトルの計算は、省略されることができる。対角化の結果は、ボクセル毎に最高、中間、および最低固有値（Ｈ、Ｍ、Ｌ）である。換言すると、対角化ステップでは、３つの画像が、ガウシアン二次導関数フィルタの完全なセットの適用によって生成される６つの画像から計算される。ボクセル毎の最高ヘシアン固有値（ＨＥＨ）および／または最低ヘシアン固有値（ＬＥＨ）を識別し、これらの値の一方または両方（またはこれらの値の一方または両方のハイブリッド、および／またはラプラシアン）を閾値と比較する、例示的実施形態が、本明細書に説明される。

二次導関数分割フィルタの計算
分割フィルタは、グレースケール画像上で空間二次導関数演算を使用して確立される。そのような関数の実施例は、ラプラシアン（ＬＡＰ）、ヘシアンの最高または最低固有値（ＨＥＨまたはＬＥＨ）を含む。

フィルタリング演算は、高いＬＡＰ、ＨＥＨ、またはＬＥＨ値を伴うグレースケール画像内のボクセルを識別することから成る。これらの高い値のボクセルは、経験的または自動ヒストグラムベースの閾値化アプローチを使用して識別されることができる。これらのボクセルは、本質的に、骨分割のために非常に着目される隣接骨を接続する骨境界または境界点を含む。いったんこれらのボクセルが識別されると、それらは、２値骨マスクにマップされる。マップされた２値ボクセルは、次いで、骨マスクから除去されることができる。これは、２つの密接して離間された隣接骨を形態学的に断絶する。結果として生じる２値マスクは、分割骨マスクである。他の実施形態では、分割骨マスクは、分割フィルタ内で低い値のボクセルを識別し、それらを元の骨マスクにマップすることによって、直接計算されることができる。実施例として、図４に示される画像は、ＬＡＰベースの分割後の図１からの２値骨マスクの接続成分を描写する。

図５に示されるフローチャート５００は、ＬＡＰ分割フィルタを計算し、グレースケール画像に適用するための関連付けられるワークフローを要約する。本プロセスは、グレースケール画像を取得すること５０２から始まる。図５に示されるように、グレースケール画像（例えば、ガウシアン平滑化画像）のラプラシアンが、ステップ５０４において計算されることができる。いくつかの実施形態では、グレースケール画像は、閾値化技法を使用して、ステップ５０８において２値骨マスクに変換される。画像（例えば、ガウシアン平滑化画像）のラプラシアンがステップ５０４において計算された後、ヒストグラム、切断割合等に基づいて判定される閾値よりも高いラプラシアンを伴うボクセルが、ステップ５０６において識別される。次に、切断割合、ヒストグラム等に基づく高い値のラプラシアンを伴う識別されたボクセルは、ステップ５１０において２値骨マスクにマップされる。図５に示されるように、ステップ５１０は、ステップ５０８およびステップ５０６の後に実施される。次に、２値骨マスク内の識別されたボクセルは、ステップ５１４において分割２値骨マスクを生成するように、ステップ５１２においてゼロに設定される。

ＬＡＰまたはＨＥＨ分割フィルタは、個別に、骨分割のために有意な改良を提供することができるが、組み合わせられたときに高度に正確な分割結果を生じる。ある実施形態では、ＨＥＨフィルタが失敗する場合にＬＡＰフィルタが成功し、その逆も同様であるため、ＬＡＰフィルタおよびＨＥＨフィルタは、骨分割において相互を補完することができる。２つまたはそれを上回る分割フィルタは、それらの結果として生じる分割２値マスクの間でボクセル毎の「ＡＮＤ」演算を行うことによって組み合わせられることができる。実施例として、図５のフローチャートからの分割２値骨マスクは、例えば、図１１Ｃに示されるように、ハイブリッド分割２値骨マスクを生成するように、ＨＥＨ分割フィルタからの分割２値骨マスクと組み合わせられることができる。本アプローチは、２つまたはそれを上回る二次導関数分割フィルタの利益を組み合わせる、ハイブリッドフィルタを取得するために使用されることができる。

分割フィルタを使用して自動骨セグメンテーションを行うためのステップ
分割ベースの骨セグメンテーションは、図６のフローチャート６００で概説されるように、４つの主要ステップで行われることができる。セグメンテーションプロセスは、ステップ６０２において骨の２値マスクから始まる。第１のステップでは、骨の２値マスクは、前の節で説明され、図５のフローチャート５００で概説されるように、ステップ６０４において分割を受ける。

いったん分割がステップ６０４において行われると、小さい２値成分が、ステップ６０６において分割マスクから除去される。図４に示されるように、時折の過剰分割が、小さい単離された２値成分をもたらし得る。しかしながら、これらの成分は、形態学的演算によって容易に除去されることができる。例えば、いくつかの実施形態では、これらの成分は、２値分割マスクの接続成分を識別し、少数のボクセルを伴う（例えば、最小期待骨サイズを下回る）成分を検出することによって、除去されてもよい。

いくつかの実施形態では、分割骨マスクの分割成分は、形態学的処理（例えば、接続成分分析または距離およびウォーターシェッド変換からの集水区域）を通して判定される。

小さい２値成分がステップ６０６において分割マスクから除去された後（または必要であれば形態学的演算が行われた後）、いくつかの実施形態では、接続成分は、ステップ６０８において標識される。他の実施形態では、分割骨マスクの分割成分は、ウォーターシェッドベースのセグメンテーションを使用して標識される。標識するステップ６０８の後に、セグメント化された骨マスクは、分割骨マスクの標識分割成分を拡張して２値骨マスク全体を充填し、標識骨マスクを生成するように、マーカ制御ウォーターシェッド等の領域増大技法を適用することによって、ステップ６１０において取得される。

分割２値マスクの接続成分は、ステップ６１０において行われるマーカ制御ウォーターシェッドのためのシードとしてのみ使用されることが留意され得る。したがって、ステップ６０６における小さい２値成分の除去、または一般に、分割オブジェクトの領域または部分の除去は、ステップ６１２において取得される最終セグメンテーション結果にアーチファクトを生成しない。これは、主成分の接続性が危険にさらされない限り当てはまる。

ステップ６０８のいくつかの実施形態では、２値マスクの接続成分は、６次接続性またはより高次の接続性を使用して、識別されて標識されることができる。いくつかの実施形態では、２値マスクの接続成分は、グラフトラバースに基づくデジタル画像処理技法である、接続成分分析を通して、識別されて標識されることができる。本ステップは、図７に示されるようなマーカ制御ウォーターシェッドのためのシードを生成する。図７に示される標識シードに使用される分割マスクは、ハイブリッドＬＡＰ−ＨＥＨ分割フィルタを図１に示されるデータセットのグレースケール画像に適用することによって作成された。

ステップ６１０のいくつかの実施形態では、標識シードは、図８に示されるような最終セグメンテーションマップを生成するために、マーカ制御ウォーターシェッドセグメンテーションで使用される。

図８は、図２で見られる制限および欠点（例えば、過小セグメンテーション、過剰セグメンテーション、および分割線／面の誤った配置）が欠けている。例えば、図２は、従来の方法によって骨２０５−２６０に正確にセグメント化されている、骨格の骨２００を示す。対照的に、図８は、本明細書に説明される方法を介して骨８０５−８６０に正確にセグメント化される、骨格の骨８００を示す。過剰セグメンテーションの実施例は、脛骨２０５の中等で図２に見られる。対照的に、図８で見られるように、脛骨８０５は、本明細書に説明される方法を使用して１つの骨に正確にセグメント化されている。また、股関節２２５および２３０は、図２で過剰にセグメント化されている。対照的に、股関節８２５および８３０は、図８で個々の股関節に正確にセグメント化されている。椎骨２４０、２４５、および２５０の中等の過小セグメンテーションの実施例もまた、図２で見られる。対照的に、椎骨８４０、８４５、および８５０は、本明細書に説明される方法を介して椎骨に正確にセグメント化されている。過小および／または過剰セグメンテーションの付加的実施例は、膝蓋骨２１５および２５５および大腿骨２０５および２６０の中で図２に見られる。対照的に、図８は、膝蓋骨８１５および８５５および大腿骨８０５および８６０を正確にセグメント化する。

いくつかの実施形態では、付加的補正が、ユーザ相互作用を通して必要とされる。そのような場合では、付加的分割が、過小セグメンテーションを補正するように適用されるか、または領域合併が、過剰セグメンテーションを補正するように行われるかのいずれかである。いくつかの実施形態では、セグメンテーションマップを生成するステップに続いて、本方法は、さらなる精緻化または再計算のために、セグメンテーションマップの１つまたはそれを上回るセグメント化領域を識別するユーザからのフィードバックを受理するステップを含む。いくつかの実施形態では、ユーザフィードバックを受理するステップに続いて、本方法は、プロセッサによって、１つまたはそれを上回る二次導関数分割フィルタを、１つまたはそれを上回るユーザ識別セグメント化領域に対応する画像の部分に適用し、分割骨マスクを生成するステップを含む。いくつかの実施形態では、１つまたはそれを上回る二次導関数分割フィルタを適用するステップに続いて、本方法は、プロセッサによって、分割骨マスクの分割２値成分を判定するステップを含む。いくつかの実施形態では、分割骨マスクの分割２値成分を判定するステップに続いて、本方法は、プロセッサによって、シードとして分割骨マスク成分を使用して領域増大演算を行い、それによって、画像内で個々の骨を区別する、精緻化または再計算されたセグメンテーションマップを生成するステップを含む。いくつかの実施形態では、精緻化または計算されたセグメンテーションマップを生成するステップは、それによって、付加的分割を提供し、ユーザによって識別される１つまたはそれを上回る領域の過小セグメンテーションを補正するステップを含む。いくつかの実施形態では、精緻化または計算されたセグメンテーションマップを生成するステップは、それによって、領域合併を提供し、ユーザによって識別される１つまたはそれを上回る領域の過剰セグメンテーションを補正するステップを含み、例えば、さらなる精緻化または再計算ステップは、以前に使用されたものと異なるスプリッタフィルタおよび／または異なるパラメータを使用して行われる。

用途
上記で議論されるように、ある実施形態では、分割ベースのセグメンテーションのための用途は、３Ｄ小動物骨セグメンテーションを備える。ＬＡＰ−ＨＥＨ等のハイブリッド二次導関数分割フィルタは、２値骨マスクを、図７および１１Ｃで見られるように個々の骨のシードを正確に設定する接続成分に分離することができる。分割フィルタが、特に３Ｄ画像のために、オブジェクトセグメンテーションをもたらすことができる、正確度およびロバスト性のレベルを考慮すると、これらのフィルタが正確な自動セグメンテーションのために必要であろう、種々の異なる用途がある。実施例は、３Ｄ器官、脂肪、岩石、または天然鉱物／材料セグメンテーションを含むが、それらに限定されない。また、マイクロＭＲ撮像装置等のマイクロＣＴ以外の撮像プラットフォームから生成されるグレースケール画像が、分割ベースのセグメンテーションで使用されることができる。

ハードウェア
図９は、本明細書に説明されるように、画像セグメンテーションおよび分析のための方法およびシステムで使用するための例証的ネットワーク環境９００を示す。簡潔な概観では、ここで図９を参照すると、例示的クラウドコンピューティング環境９００のブロック図が示され、説明されている。クラウドコンピューティング環境９００は、１つまたはそれを上回るリソースプロバイダ９０２ａ、９０２ｂ、９０２ｃ（集合的に、９０２）を含んでもよい。各リソースプロバイダ９０２は、コンピューティングリソースを含んでもよい。いくつかの実装では、コンピューティングリソースは、データを処理するために使用される任意のハードウェアおよび／またはソフトウェアを含んでもよい。例えば、コンピューティングリソースは、アルゴリズム、コンピュータプログラム、および／またはコンピュータアプリケーションを実行することが可能なハードウェアおよび／またはソフトウェアを含んでもよい。いくつかの実装では、例示的なコンピューティングリソースは、記憶および読出能力を伴うアプリケーションサーバおよび／またはデータベースを含んでもよい。各リソースプロバイダ９０２は、クラウドコンピューティング環境９００内の任意の他のリソースプロバイダ９０２に接続されてもよい。いくつかの実装では、リソースプロバイダ９０２は、コンピュータネットワーク９０８を経由して接続されてもよい。各リソースプロバイダ９０２は、コンピュータネットワーク９０８を経由して１つまたはそれを上回るコンピューティングデバイス９０４ａ、９０４ｂ、９０４ｃ（集合的に、９０４）に接続されてもよい。

クラウドコンピューティング環境９００は、リソースマネージャ９０６を含んでもよい。リソースマネージャ９０６は、コンピュータネットワーク９０８を経由してリソースプロバイダ９０２およびコンピューティングデバイス９０４に接続されてもよい。いくつかの実装では、リソースマネージャ９０６は、１つまたはそれを上回るリソースプロバイダ９０２による、１つまたはそれを上回るコンピューティングデバイス９０４へのコンピューティングリソースの提供を促進してもよい。リソースマネージャ９０６は、特定のコンピューティングデバイス９０４からコンピューティングリソースの要求を受信してもよい。リソースマネージャ９０６は、コンピューティングデバイス９０４によって要求されるコンピューティングリソースを提供することが可能な１つまたはそれを上回るリソースプロバイダ９０２を識別してもよい。リソースマネージャ９０６は、コンピューティングリソースを提供するリソースプロバイダ９０２を選択してもよい。リソースマネージャ９０６は、リソースプロバイダ９０２と特定のコンピューティングデバイス９０４との間の接続を促進してもよい。いくつかの実装では、リソースマネージャ９０６は、特定のリソースプロバイダ９０２と特定のコンピューティングデバイス９０４との間の接続を確立してもよい。いくつかの実装では、リソースマネージャ９０６は、要求されたコンピューティングリソースを伴う特定のリソースプロバイダ９０２に特定のコンピューティングデバイス９０４をリダイレクトしてもよい。

図１０は、本開示に説明される方法およびシステムで使用されることができる、コンピューティングデバイス１０００およびモバイルコンピューティングデバイス１０５０の実施例を示す。コンピューティングデバイス１０００は、ラップトップ、デスクトップ、ワークステーション、携帯情報端末、サーバ、ブレードサーバ、メインフレーム、および他の適切なコンピュータ等の種々の形態のデジタルコンピュータを表すことを意図している。モバイルコンピューティングデバイス１０５０は、携帯情報端末、携帯電話、スマートフォン、および他の類似コンピューティングデバイス等の種々の形態のモバイルデバイスを表すことを意図している。ここで示される構成要素、それらの接続および関係、およびそれらの機能は、実施例であるように意図されているにすぎず、限定的であるように意図されていない。

コンピューティングデバイス１０００は、プロセッサ１００２と、メモリ１００４と、記憶デバイス１００６と、メモリ１００４および複数の高速拡張ポート１０１０に接続する高速インターフェース１００８と、低速拡張ポート１０１４および記憶デバイス１００６に接続する低速インターフェース１０１２とを含む。プロセッサ１００２、メモリ１００４、記憶デバイス１００６、高速インターフェース１００８、高速拡張ポート１０１０、および低速インターフェース１０１２はそれぞれ、種々のバスを使用して相互接続され、共通マザーボード上に、または適宜他の様式で搭載されてもよい。プロセッサ１００２は、高速インターフェース１００８に結合されたディスプレイ１０１６等の外部入出力デバイス上のＧＵＩのためにグラフィカル情報を表示するように、メモリ１００４の中に、または記憶デバイス１００６上に記憶された命令を含む、コンピューティングデバイス１０００内で実行するための命令を処理することができる。他の実装では、複数のプロセッサおよび／または複数のバスが、複数のメモリおよびタイプのメモリとともに、適宜使用されてもよい。また、複数のコンピューティングデバイスが接続されてもよく、各デバイスは、（例えば、サーババンク、ブレードサーバ群、またはマルチプロセッサシステムとして）必要な動作の部分を提供する。

メモリ１００４は、コンピューティングデバイス１０００内に情報を記憶する。いくつかの実装では、メモリ１００４は、１つまたは複数の揮発性メモリユニットである。いくつかの実装では、メモリ１００４は、１つまたは複数の不揮発性メモリユニットである。メモリ１００４はまた、磁気または光ディスク等の別の形態のコンピュータ可読媒体であってもよい。

記憶デバイス１００６は、コンピューティングデバイス１０００用の大容量記憶装置を提供することが可能である。いくつかの実装では、記憶デバイス１００６は、フロッピー（登録商標）ディスクデバイス、ハードディスクデバイス、光ディスクデバイス、またはテープデバイス、フラッシュメモリまたは他の類似ソリッドステートメモリデバイス、または記憶領域ネットワークまたは他の構成にデバイスを含むデバイスのアレイ等のコンピュータ可読媒体であってもよい、またはそれを含有してもよい。命令が、情報キャリアに記憶されることができる。命令は、１つまたはそれを上回る処理デバイス（例えば、プロセッサ１００２）によって実行されたとき、本明細書に説明される方法のうちのいずれか等の１つまたはそれを上回る方法を行ってもよい。命令はまた、コンピュータまたは機械可読媒体（例えば、メモリ１００４、記憶デバイス１００６、またはプロセッサ１００２上のメモリ）等の１つまたはそれを上回る記憶デバイスによって記憶することもできる。

高速インターフェース１００８が、コンピューティングデバイス１０００の帯域幅集中動作を管理する一方で、低速インターフェース１０１２は、より低帯域幅集中動作を管理する。そのような機能の割付は、実施例にすぎない。いくつかの実装では、高速インターフェース１００８は、メモリ１００４、（例えば、グラフィックスプロセッサまたはアクセラレータを通して）ディスプレイ１０１６、および種々の拡張カード（図示せず）を受け入れ得る高速拡張ポート１０１０に結合される。本実装では、低速インターフェース１０１２は、記憶デバイス１００６および低速拡張ポート１０１４に結合される。種々の通信ポート（例えば、ＵＳＢ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｅｔｈｅｒｎｅｔ（登録商標）、無線Ｅｔｈｅｒｎｅｔ（登録商標））を含み得る、低速拡張ポート１０１４は、キーボード、ポインティングデバイス、スキャナ、または、例えば、ネットワークアダプタを通したスイッチまたはルータ等のネットワーキングデバイス等の１つまたはそれを上回る入出力デバイスに結合されてもよい。

コンピューティングデバイス１０００は、図に示されるように、いくつかの異なる形態で実装されてもよい。例えば、それは、標準サーバ１０２０として、またはそのようなサーバ群の中で複数回実装されてもよい。加えて、それは、ラップトップコンピュータ１０２２等のパーソナルコンピュータで実装されてもよい。それはまた、ラックサーバシステム１０２４の一部として実装されてもよい。代替として、コンピューティングデバイス１０００からの構成要素は、モバイルコンピューティングデバイス１０５０等のモバイルデバイス（図示せず）の中の他の構成要素と組み合わせられてもよい。そのようなデバイスはそれぞれ、コンピューティングデバイス１０００およびモバイルコンピューティングデバイス１０５０のうちの１つまたはそれを上回るものを含有してもよく、システム全体が、相互に通信する複数のコンピューティングデバイスで構成されてもよい。

モバイルコンピューティングデバイス１０５０は、いくつかある構成要素の中でもプロセッサ１０５２と、メモリ１０６４と、ディスプレイ１０５４等の入出力デバイスと、通信インターフェース１０６６と、送受信機１０６８とを含む。モバイルコンピューティングデバイス１０５０はまた、付加的な記憶装置を提供するように、マイクロドライブまたは他のデバイス等の記憶デバイスを提供されてもよい。プロセッサ１０５２、メモリ１０６４、ディスプレイ１０５４、通信インターフェース１０６６、および送受信機１０６８はそれぞれ、種々のバスを使用して相互接続され、構成要素のうちのいくつかは、共通マザーボード上に、または適宜他の様式で搭載されてもよい。

プロセッサ１０５２は、メモリ１０６４に記憶された命令を含む、命令をモバイルコンピューティングデバイス１０５０内で実行することができる。プロセッサ１０５２は、別個かつ複数のアナログおよびデジタルプロセッサを含む、チップのチップセットとして実装されてもよい。プロセッサ１０５２は、例えば、ユーザインターフェースの制御、モバイルコンピューティングデバイス１０５０によって実行されるアプリケーション、およびモバイルコンピューティングデバイス１０５０による無線通信等のモバイルコンピューティングデバイス１０５０の他の構成要素の協調を提供してもよい。

プロセッサ１０５２は、制御インターフェース１０５８およびディスプレイ１０５４に結合されたディスプレイインターフェース１０５６を通して、ユーザと通信してもよい。ディスプレイ１０５４は、例えば、ＴＦＴ（薄膜トランジスタ液晶ディスプレイ）ディスプレイ、またはＯＬＥＤ（有機発光ダイオード）ディスプレイ、または他の適切なディスプレイ技術であってもよい。ディスプレイインターフェース１０５６は、グラフィカルおよび他の情報をユーザに提示するようにディスプレイ１０５４を駆動するための適切な回路を備えてもよい。制御インターフェース１０５８は、ユーザからコマンドを受信し、それらをプロセッサ１０５２に提出するために変換してもよい。加えて、外部インターフェース１０６２が、他のデバイスとのモバイルコンピューティングデバイス１０５０の近距離通信を可能にするよう、プロセッサ１０５２との通信を提供してもよい。外部インターフェース１０６２は、例えば、いくつかの実装では有線通信、または他の実装では無線通信を提供してもよく、複数のインターフェースも使用されてもよい。

メモリ１０６４は、モバイルコンピューティングデバイス１０５０内に情報を記憶する。メモリ１０６４は、１つまたは複数のコンピュータ可読媒体、１つまたは複数の揮発性メモリユニット、または１つまたは複数の不揮発性メモリユニットのうちの１つまたはそれを上回るものとして実装されることができる。拡張メモリ１０７４もまた、提供され、例えば、ＳＩＭＭ（シングルインラインメモリモジュール）カードインターフェースを含み得る、拡張インターフェース１０７２を通してモバイルコンピューティングデバイス１０５０に接続されてもよい。拡張メモリ１０７４は、モバイルコンピューティングデバイス１０５０用の余分な記憶空間を提供してもよい、またはモバイルコンピューティングデバイス１０５０用のアプリケーションまたは他の情報も記憶してもよい。具体的には、拡張メモリ１０７４は、上記で説明されるプロセスを実行または補足する命令を含んでもよく、かつセキュアな情報も含んでもよい。したがって、例えば、拡張メモリ１０７４は、モバイルコンピューティングデバイス１０５０用のセキュリティモジュールとして提供されてもよく、かつモバイルコンピューティングデバイス１０５０のセキュアな使用を可能にする命令でプログラムされてもよい。加えて、セキュアなアプリケーションが、ハッキング不可能な様式でＳＩＭＭカード上に識別情報を置くこと等の付加的な情報とともに、ＳＩＭＭカードを介して提供されてもよい。

メモリは、例えば、以下で議論されるようなフラッシュメモリおよび／またはＮＶＲＡＭメモリ（不揮発性ランダムアクセスメモリ）を含んでもよい。いくつかの実装では、命令は、情報キャリアに記憶され、１つまたはそれを上回る処理デバイス（例えば、プロセッサ１０５２）によって実行されたとき、上記で説明されるもの等の１つまたはそれを上回る方法を行う。命令はまた、１つまたはそれを上回るコンピュータまたは機械可読媒体（例えば、メモリ１０６４、拡張メモリ１０７４、またはプロセッサ１０５２上のメモリ）等の１つまたはそれを上回る記憶デバイスによって記憶されてもよい。いくつかの実装では、命令は、例えば、送受信機１０６８または外部インターフェース１０６２を経由して、伝搬信号の中で受信されることができる。

モバイルコンピューティングデバイス１０５０は、必要な場合にデジタル信号処理回路を含み得る、通信インターフェース１０６６を通して無線で通信してもよい。通信インターフェース１０６６は、とりわけ、ＧＳＭ（登録商標）音声電話（グローバルシステムフォーモバイルコミュニケーション）、ＳＭＳ（ショートメッセージサービス）、ＥＭＳ（拡張メッセージングサービス）、またはＭＭＳメッセージング（マルチメディアメッセージングサービス）、ＣＤＭＡ（符号分割多重アクセス）、ＴＤＭＡ（時分割多重アクセス）、ＰＤＣ（パーソナルデジタルセルラー）、ＷＣＤＭＡ（登録商標）（広帯域符号分割多重アクセス）、ＣＤＭＡ２０００、またはＧＰＲＳ（汎用パケット無線サービス）等の種々のモードまたはプロトコルの下で通信を提供してもよい。そのような通信は、例えば、高周波を使用して、送受信機１０６８を通して起こってもよい。加えて、短距離通信が、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ−Ｆｉ（ＴＭ）、または他の送受信機（図示せず）等を使用して起こってもよい。加えて、ＧＰＳ（全地球測位システム）受信機モジュール１０７０が、モバイルコンピューティングデバイス１０５０上で起動するアプリケーションによって適宜使用され得る、付加的なナビゲーションおよび場所関連無線データをモバイルコンピューティングデバイス１０５０に提供してもよい。

モバイルコンピューティングデバイス１０５０はまた、ユーザから口頭の情報を受信し、それを使用可能なデジタル情報に変換し得る、音声コーデック１０６０を使用して、聞こえるように通信してもよい。音声コーデック１０６０は、同様に、例えば、モバイルコンピューティングデバイス１０５０のハンドセットの中で、スピーカ等を通してユーザのための可聴音を生成してもよい。そのような音は、音声電話からの音を含んでもよく、録音された音（例えば、音声メッセージ、音楽ファイル等）を含んでもよく、また、モバイルコンピューティングデバイス１０５０上で動作するアプリケーションによって生成される音を含んでもよい。

モバイルコンピューティングデバイス１０５０は、図に示されるように、いくつかの異なる形態で実装されてもよい。例えば、それは、携帯電話１０８０として実装されてもよい。それはまた、スマートフォン１０８２、携帯情報端末、または他の類似モバイルデバイスの一部として実装されてもよい。

本明細書に説明されるシステムおよび技法の種々の実装は、デジタル電子回路、集積回路、特別に設計されたＡＳＩＣ（特定用途向け集積回路）、コンピュータハードウェア、ファームウェア、ソフトウェア、および／またはそれらの組み合わせで実現されることができる。これらの種々の実装は、専用または汎用であり、記憶システム、少なくとも１つの入力デバイス、および少なくとも１つの出力デバイスからデータおよび命令を受信し、かつそこへデータおよび命令を伝送するように結合され得る、少なくとも１つのプログラマブルプロセッサを含む、プログラマブルシステム上で実行可能および／または解釈可能である１つまたはそれを上回るコンピュータプログラムでの実装を含むことができる。

これらのコンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、またはコードとしても知られている）は、プログラマブルプロセッサ用の機械命令を含み、高次プロシージャおよび／またはオブジェクト指向プログラミング言語で、および／またはアセンブリ／機械言語で実装されることができる。本明細書で使用されるように、機械可読媒体およびコンピュータ可読媒体という用語は、機械可読信号として機械命令を受信する機械可読媒体を含む、機械命令および／またはデータをプログラマブルプロセッサに提供するために使用される、任意のコンピュータプログラム製品、装置、および／またはデバイス（例えば、磁気ディスク、光ディスク、メモリ、プログラマブル論理デバイス（ＰＬＤ））を指す。機械可読信号という用語は、機械命令および／またはデータをプログラマブルプロセッサに提供するために使用される、任意の信号を指す。

ユーザとの相互作用を提供するために、本明細書に説明されるシステムおよび技法は、ユーザに情報を表示するための表示デバイス（例えば、ＣＲＴ（陰極線管）またはＬＣＤ（液晶ディスプレイ）モニタ）と、それによってユーザが入力をコンピュータに提供することができるキーボードおよびポインティングデバイス（例えば、マウスまたはトラックボール）とを有する、コンピュータ上で実装されることができる。他の種類のデバイスも、ユーザとの相互作用を提供するために使用されることができ、例えば、ユーザに提供されるフィードバックは、任意の形態の感覚フィードバック（例えば、視覚フィードバック、聴覚フィードバック、または触覚フィードバック）であることができ、ユーザからの入力は、音響、発話、または触覚入力を含む、任意の形態で受信されることができる。

本明細書に説明されるシステムおよび技法は、（例えば、データサーバとしての）バックエンド構成要素を含む、またはミドルウェア構成要素（例えば、アプリケーションサーバ）を含む、またはフロントエンド構成要素（例えば、グラフィカルユーザインターフェースを有するクライアントコンピュータ、またはそれを通してユーザが本明細書に説明されるシステムおよび技法の実装と相互作用することができるウェブブラウザ）を含む、またはそのようなバックエンド、ミドルウェア、またはフロントエンド構成要素の任意の組み合わせを含む、コンピュータシステムで実装されることができる。本システムの構成要素は、任意の形態または媒体のデジタルデータ通信（例えば、通信ネットワーク）によって相互接続されることができる。通信ネットワークの実施例は、ローカルエリアネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、およびインターネットを含む。

コンピュータシステムは、クライアントおよびサーバを含むことができる。クライアントおよびサーバは、概して、相互から遠隔にあり、典型的には、通信ネットワークを通して相互作用する。クライアントおよびサーバの関係は、個別のコンピュータ上で起動し、相互にクライアント・サーバ関係を有する、コンピュータプログラムによって生じる。

Claims (28)

1. 対象の骨格または部分骨格の画像内で個々の骨を自動的に区別するように画像セグメンテーションを行う方法であって、前記方法は、
   コンピューティングデバイスのプロセッサが、対象の３次元画像を受信することと、
   前記プロセッサが、２つ以上の二次導関数分割フィルタを前記３次元画像に適用することにより、前記３次元画像のための分割骨マスクを生成することと、
   前記プロセッサが、１つ以上の形態学的処理演算を行うことによって前記分割骨マスクの複数の分割２値成分を決定することと、
   前記プロセッサが、前記分割骨マスクの前記分割２値成分をシードとして使用して領域増大演算を行い、これにより、前記３次元画像内で個々の骨を区別するセグメンテーションマップを生成することと
   を含み、
   前記適用するステップは、
   各二次導関数分割フィルタが適用される毎に、フィルタ処理された３次元画像を生成することと、閾値よりも高い強度または閾値よりも低い強度を有する前記フィルタ処理された３次元画像の１つ以上のボクセルを識別することとを行い、これにより、骨境界の近傍のボクセルを識別する分割２値マスクを生じることと、
   骨境界の近傍の前記識別されたボクセルが除去された状態で、１つ以上の論理演算を行うことによって前記分割２値マスクを組み合わせることにより、前記分割骨マスクを生成することと
   を含む、方法。
2. 前記２つ以上の二次導関数分割フィルタは、ＬｏＧ（ガウシアンのラプラシアン）、ＨＥＨ（予備ガウシアンフィルタリングを用いた最高ヘシアン固有値）、ＬＥＨ（予備ガウシアンフィルタリングを用いた最低ヘシアン固有値）から成る群から選択される少なくとも１つの部材を備える、請求項１に記載の方法。
3. 前記プロセッサが、前記セグメンテーションマップを使用して１つ以上の解剖学的測定を識別することをさらに含む、請求項１〜２のいずれか１項に記載の方法。
4. 前記セグメンテーションマップを生成するステップに続いて、さらなる精緻化または再計算のために、前記セグメンテーションマップの１つ以上のセグメント化領域を識別するユーザからのフィードバックを受理することと、次いで、
   前記プロセッサが、１つ以上の二次導関数分割フィルタを前記１つ以上のユーザ識別セグメント化領域に対応する前記３次元画像の部分に適用することにより、分割骨マスクを生成することと、
   前記プロセッサが、前記分割骨マスクの分割２値成分を決定することと、
   前記プロセッサが、前記分割骨マスクの前記分割２値成分をシードとして使用して領域増大演算を行い、これにより、前記３次元画像内で個々の骨を区別する精緻化または再計算されたセグメンテーションマップを生成することと
   をさらに含む、請求項１〜３のいずれか１項に記載の方法。
5. 前記対象の前記３次元画像は、前記３次元画像の各ボクセルが各次元内で少なくとも４０ミクロンの体積に対応するような解像度を有する、請求項１〜４のいずれか１項に記載の方法。
6. 前記２つ以上の二次導関数分割フィルタのうちの少なくとも１つは、前記３次元画像のボクセル強度の空間２次偏導関数の１つ以上の回転不変量を使用して適用され、前記３次元画像は、３次元グレースケール画像である、請求項１〜５のいずれか１項に記載の方法。
7. プロセッサとメモリとを備えたシステムであって、
   前記メモリには、命令が記憶されており、
   前記命令は、前記プロセッサによって実行されると、
   対象の３次元画像を受信することと、
   ２つ以上の二次導関数分割フィルタを前記３次元画像に適用することにより、前記３次元画像のための分割骨マスクを生成することと、
   １つ以上の形態学的処理演算を行うことによって前記分割骨マスクの複数の分割２値成分を決定することと、
   前記分割骨マスクの前記分割２値成分をシードとして使用して領域増大演算を行い、これにより、前記３次元画像内で個々の骨を区別するセグメンテーションマップを生成することと
   を前記プロセッサに行わせ、
   前記適用するステップは、
   各二次導関数分割フィルタが適用される毎に、フィルタ処理された３次元画像を生成することと、閾値よりも高い強度または閾値よりも低い強度を有する前記フィルタ処理された３次元画像の１つ以上のボクセルを識別することとを行い、これにより、骨境界の近傍のボクセルを識別する分割２値マスクを生じることと、
   骨境界の近傍の前記識別されたボクセルが除去された状態で、１つ以上の論理演算を行うことによって前記分割２値マスクを組み合わせることにより、前記分割骨マスクを生成することと
   を含む、システム。
8. 前記２つ以上の二次導関数分割フィルタは、ＬｏＧ（ガウシアンのラプラシアン）、ＨＥＨ（予備ガウシアンフィルタリングを用いた最高ヘシアン固有値）、ＬＥＨ（予備ガウシアンフィルタリングを用いた最低ヘシアン固有値）から成る群から選択される少なくとも１つの部材を備える、請求項７に記載のシステム。
9. 前記命令は、前記プロセッサによって実行されると、前記セグメンテーションマップを使用して１つ以上の解剖学的測定を識別することを前記プロセッサにさらに行わせる、請求項７〜８のいずれか１項に記載のシステム。
10. 前記命令は、前記プロセッサによって実行されると、前記セグメンテーションマップを生成するステップに続いて、さらなる精緻化または再計算のために、前記セグメンテーションマップの１つ以上のセグメント化領域を識別するユーザからのフィードバックを受理することと、次いで、
    １つ以上の二次導関数分割フィルタを前記１つ以上のユーザ識別セグメント化領域に対応する前記３次元画像の部分に適用することにより、分割骨マスクを生成することと、
    前記分割骨マスクの分割２値成分を決定することと、
    前記分割骨マスクの前記分割２値成分をシードとして使用して領域増大演算を行い、これにより、前記３次元画像内で個々の骨を区別する精緻化または再計算されたセグメンテーションマップを生成することと
    を前記プロセッサにさらに行わせる、請求項７〜９のいずれか１項に記載のシステム。
11. 前記対象の前記３次元画像は、前記３次元画像の各ボクセルが各次元内で少なくとも４０ミクロンの体積に対応するような解像度を有する、請求項７〜１０のいずれか１項に記載のシステム。
12. 前記２つ以上の二次導関数分割フィルタのうちの少なくとも１つは、前記３次元画像のボクセル強度の空間２次偏導関数の１つ以上の回転不変量を使用して適用され、前記３次元画像は、３次元グレースケール画像である、請求項７〜１１のいずれか１項に記載のシステム。
13. 非一過性のコンピュータ読み取り可能な媒体であって、前記媒体には、命令が記憶されており、前記命令は、プロセッサによって実行されると、
    対象の３次元画像を受信することと、
    ２つ以上の二次導関数分割フィルタを前記３次元画像に適用することにより、前記３次元画像のための分割骨マスクを生成することと、
    １つ以上の形態学的処理演算を行うことによって前記分割骨マスクの複数の分割２値成分を決定することと、
    前記分割骨マスクの前記分割２値成分をシードとして使用して領域増大演算を行い、これにより、前記３次元画像内で個々の骨を区別するセグメンテーションマップを生成することと
    を前記プロセッサに行わせ、
    前記適用するステップは、
    各二次導関数分割フィルタが適用される毎に、フィルタ処理された３次元画像を生成することと、閾値よりも高い強度または閾値よりも低い強度を有する前記フィルタ処理された３次元画像のボクセルを識別することとを行い、これにより、骨境界の近傍のボクセルを識別する分割２値マスクを生じることと、
    骨境界の近傍の前記識別されたボクセルが除去された状態で、１つ以上の論理演算を行うことによって前記分割２値マスクを組み合わせることにより、前記分割骨マスクを生成することと
    を含む、非一過性のコンピュータ読み取り可能な媒体。
14. 前記３次元画像は、３次元生体内画像である、請求項１に記載の方法。
15. 前記対象は、小型哺乳類である、請求項１の記載の方法。
16. 前記３次元画像は、マイクロＣＴ撮像装置によって取得される、請求項１に記載の方法。
17. 前記分割骨マスクの前記複数の分割２値成分を決定することは、接続成分分析を行うことによって、および／または、距離およびウォーターシェッド変換を使用して集水区域を識別することによって実行される、請求項１に記載の方法。
18. 前記プロセッサが、前記分割骨マスクの各分割２値成分の体積を定量化することと、前記プロセッサが、容認不可能に小さい体積を有する、前記分割骨マスクの１つ以上の分割２値成分を排除することとを含む、請求項１に記載の方法。
19. 前記３次元画像は、３次元生体内画像である、請求項７に記載のシステム。
20. 前記対象は、小型哺乳類である、請求項７に記載のシステム。
21. 前記３次元画像は、マイクロＣＴ撮像装置によって取得される、請求項７に記載のシステム。
22. 前記分割骨マスクの前記複数の分割２値成分を決定することは、接続成分分析を行うことによって、および／または、距離およびウォーターシェッド変換を使用して集水区域を識別することによって実行される、請求項７に記載のシステム。
23. 前記命令は、前記分割骨マスクの各分割２値成分の体積を定量化することと、容認不可能に小さい体積を有する、前記分割骨マスクの１つ以上の分割２値成分を排除することとを前記プロセッサに行わせる、請求項７に記載のシステム。
24. 前記３次元画像は、３次元生体内画像である、請求項１３に記載の非一過性のコンピュータ読み取り可能な媒体。
25. 前記対象は、小型哺乳類である、請求項１３に記載の非一過性のコンピュータ読み取り可能な媒体。
26. 前記３次元画像は、マイクロＣＴ撮像装置によって取得される、請求項１３に記載の非一過性のコンピュータ読み取り可能な媒体。
27. 前記分割骨マスクの前記複数の分割２値成分を決定することは、接続成分分析を行うことによって、および／または、距離およびウォーターシェッド変換を使用して集水区域を識別することによって実行される、請求項１３に記載の非一過性のコンピュータ読み取り可能な媒体。
28. 前記命令は、前記分割骨マスクの各分割２値成分の体積を定量化することと、容認不可能に小さい体積を有する、前記分割骨マスクの１つ以上の分割２値成分を排除することとを前記プロセッサに行わせる、請求項１３に記載の非一過性のコンピュータ読み取り可能な媒体。

Images