JP6758817B2 - 医用画像診断装置及び医用画像処理装置 - Google Patents

Description

マルチエネルギー画像データ等において材料を分類する医用画像診断装置及び医用画像処理装置に関する。

コンピュータ断層撮影（ＣＴ）法は、Ｘ線を使用して三次元画像データを取得する、広く使用されている形態の医用撮影法である。ＣＴスキャンから取得されたＣＴ画像データセットは、それぞれの対応する測定体積によってＸ線照射の減衰を表す関連付けられた強度を各々が有する、ボクセルの三次元配列を備えることができる。測定体積によるＸ線照射の減衰は、ハンスフィールドユニット（ＨＵ）で強度値またはＣＴ値と表されてよく、ここで０ＨＵは水のＣＴ値である。

Ｘ線ＣＴ装置では、Ｘ線管を有するＸ線源が、患者のまわりで回転する。患者を通過するＸ線照射は、患者の反対側にあるＸ線検出素子によって捕捉される。Ｘ線管は、所与のピーク管電圧を有する。Ｘ線フォトンがＸ線管によって生成され、このフォトンは、ピーク管電圧に対応するエネルギーまでのエネルギーの範囲を有する。たとえば、１００ｋＶのピーク管電圧におけるＸ線管は、１００ｋｅＶまでのエネルギーの範囲を有するフォトンを生成することができる。１００ｋＶのピーク管電圧を有するＣＴスキャンは１００ｋＶｐスキャンと説明されてよく、ここでｋＶｐはキロボルトピークの略語である。

シングルエネルギーＣＴと呼ばれることがある従来のＣＴ収集は、たとえば１２０ｋＶのピーク管電圧と、Ｘ線管によって提供されるＸ線エネルギーの拡散に感受性がある検出器とを用いて実行され得る。

シングルエネルギーＣＴ撮影法の制限は、材料がＣＴスキャンのエネルギーにおいて類似の減弱係数を有する場合、これらの材料はＣＴ画像データにおいて区別ができないことがある、または区別することが困難なことがあるということであり得る。そのような様々な材料を区別することの困難は、特に良好な画質を提供することに適していることがあるピーク管電圧、たとえば１２０ｋＶで発生することがあることがわかっている。より低いピーク管電圧が使用される（たとえば８０ｋＶ）場合、材料がより区別しやすいことがあるが、そのような低い方のエネルギーにおける画質は、画像のノイズがより多い場合があるので、より不十分になることがある。

デュアルエネルギーＣＴシステム、マルチエネルギーＣＴシステム、またはスペクトルＣＴシステムは、異なるエネルギーレベルにおいてレジストレーションされた複数の画像を収集することができる。たとえば、デュアルエネルギーＣＴシステムは、１２０ｋＶのピーク管電圧において第１の画像と、８０ｋＶのピーク管電圧において第２の画像とを収集することができる。第１の画像は、高エネルギー画像と（または、高エネルギースキャンから取得された画像と）呼ばれることがあり、第２の画像は、低エネルギー画像と（または、低エネルギースキャンから取得された画像と）呼ばれることがある。

デュアルエネルギーＣＴシステムは、第１の画像および第２の画像のレジストレーションを必要とすることなく第１の画像内のボクセルが第２の画像内のボクセルに対応するように、高エネルギー画像と低エネルギー画像とを同時にまたは実質的に同時に収集することができる。次いで、これらの画像は、高エネルギー画像に対する強度値（高エネルギー強度値と呼ばれることがある）と低エネルギー画像に対する強度値（強度値低エネルギーと呼ばれることがある）とをボクセルごとに備える、画像データの単一の組み合わされたセットと見なされることがある。各ボクセルは、画像の座標空間内の関連付けられた位置も有する（ここで、たとえば高エネルギー画像と低エネルギー画像の同時または同時に近い収集の結果として、高エネルギー画像に対する座標空間は、低エネルギー画像の座標空間と同じであってよい）。

デュアルエネルギー（またはマルチエネルギーまたはスペクトル）ＣＴは、低エネルギー画像強度値と高エネルギー画像強度値の両方を使用することによって材料を分離するために使用されてもよい。スキャンエネルギーの一方において類似の減衰を示す材料が、スキャンエネルギーの他方においてと異なる減衰を示すことがある。場合によっては、高エネルギー画像において区別することが困難な減衰を有する材料が、低エネルギー画像において区別することがより簡単な減衰を有することがある。同時に、低エネルギースキャンからの情報だけを使用するのではなく、高エネルギースキャンと低エネルギースキャンの両方からの情報を使用することによって、低エネルギースキャンデータにおけるノイズ問題を克服することがある。

いくつかの材料と関連付けられる減衰は、材料の濃度または密度に依存することがある。材料の濃度の高いサンプルは、濃度の低いサンプルよりも高い減衰（ハンスフィールドユニット単位でのより高いＣＴ値）を有することがある。高エネルギースキャンにおける減衰は濃度とともに変化することがあり、低エネルギースキャンにおける（異なる）減衰も濃度とともに変化することがある。

関係は、高エネルギースキャンにおける濃度を有する減衰の変化と低エネルギースキャンにおける濃度を有する減衰の変化との関係から導出され得る。低エネルギー強度が高エネルギー強度に対してプロットされる場合、異なる材料濃度を表す点は、この低エネルギー強度対高エネルギー強度のプロット上のある直線に沿ってまたはこの近くに位置することがあることが知られている。直線の傾きは材料によって異なることがある、すなわち、異なる材料は、高エネルギースキャンにおける濃度を有する減衰の変化と低エネルギースキャンにおける濃度を有する減衰の変化との異なる関係を有することがあることも知られている。そのような差は、材料の性質、たとえば各材料の原子番号によることがある。たとえば、Ｔｈｏｒｓｔｅｎ Ｒ．Ｃ．Ｊｏｈｎｓｏｎ、Ｃｈｒｉｓｔｉａｎ Ｆｉｎｋ、Ｓｔｅｆａｎ Ｏ．Ｓｃｈｏｎｂｅｒｇ、Ｍａｘｉｍｉｌｉａｎ Ｆ．Ｒｅｉｓｅｒ、Ｄｕａｌ Ｅｎｅｒｇｙ ＣＴ ｉｎ Ｃｌｉｎｉｃａｌ Ｐｒａｃｔｉｃｅ、Ｓｅｃａｕｃｕｓ、ＮＪ：Ｓｐｒｉｎｇｅｒ、２０１１を参照されたい。

血管のＣＴ画像で見た強度を増加させるために造影剤を使用することがよく知られている。（通常、シングルエネルギーＣＴシステムからの）造影ＣＴデータは、多数の医学的状態に関連する診断または手術計画に使用されてよい。たとえば、造影ＣＴは、狭窄の評価、たとえば冠動脈、腎動脈、または頸動脈の狭窄の評価に使用されてよい。造影ＣＴは、回路灌流、たとえば肺回路灌流または肝臓もしくは脳における回路灌流を評価するために使用されてよい。

いくつかの状況では、（造影剤が使用される）造影ＣＴデータおよび（造影剤が使用されない）非造影ＣＴデータが同じ被検体に対して収集される。造影ＣＴデータおよび非造影ＣＴデータは、原理上はコントラストされた区域のみが存在することができるサブトラクション画像（たとえば血管のサブトラクション画像）を作製するために使用されてよい。造影ＣＴデータとおよび非造影ＣＴデータの両方を使用するには、少なくとも２つのＣＴスキャンを、１つは造影剤を使用して、１つは造影剤を使用せずに、撮影することが必要であることがある。

造影ＣＴの多くの使用法において、造影血液経路の正確な識別が重要である場合がある。しかし、カルシウム（たとえば、プラークまたは骨）が存在するとき、造影血液経路の正確な識別が難しい場合がある。カルシウムは、血液中の造影剤、たとえば血液中のヨウ素系造影剤に類似した減衰を有して出現することができる。造影剤材料とカルシウムを確実に区別することが困難な場合がある。

図１は、ｋｅＶ単位の光子エネルギーに対する質量減衰係数（ｃｍ²／ｇ単位）のプロットである。材料のＣＴ減衰は、質量減衰係数に直接的に関連することがある。図１では、質量減衰係数は対数目盛上にプロットされる。光子エネルギーに対する質量減衰係数が、３つの材料すなわちヨウ素、カルシウム、および水に対してプロットされる。

異なるエネルギーを有する材料のＣＴ減衰の変化は、材料のＺ番号（原子番号）に関連することがある。ヨウ素（Ｚ＝５３）は、その最大減衰を低エネルギーにおいて有し、エネルギーが高くなるにつれて減衰が小さくなる。

図１のプロットでは、ヨウ素の減衰とカルシウムの減衰の最大の差は、約４０〜５０ｋｅＶのエネルギーで見られ得ることが理解されるであろう。これより小さな差が８０ｋｅＶで見られ、さらに小さな差が、８０ｋｅＶよりも上のフォトンエネルギーで見られる。したがって、低い方のエネルギーにおいてよりも、高い方のエネルギーにおいて、ヨウ素系造影剤とカルシウムを区別することが困難な場合がある。

ヨウ素とカルシウムを区別するための最良のスキャンエネルギーは、約４０ｋｅＶであり得る。しかし、そのような低いエネルギーにおいてスキャンを使用するには、スキャナハードウェアに好ましい電流よりも高い電流が必要なことがあり、画像データにおけるノイズの増加につながる場合がある。したがって、たとえば８０ｋＶｐおよび１２０ｋＶｐにおけるデュアルエネルギーＣＴスキャンは、許容可能な電流レベルとノイズ性能とを維持しながら、ヨウ素とカルシウムの弁別を助けるために使用されてよい。

いくつかのさらなる問題が、造影剤からカルシウムを分離する困難さに寄与することがある。ノイズ、モーション、造影剤濃度、カルシウム密度、被検体の寸法、ＣＴ線量レベル、ビームハードニング、および部分容積効果などの問題によって、各材料が、画像によって、または同じ画像でも部分によって、異なる範囲の強度値を示すことがある。この場合、材料はヨウ素およびカルシウムであるが、類似の影響が、異なる材料の画像にも当てはまることがある。

低い方の濃度の造影剤は、高い方の濃度よりも、カルシウムと区別することが困難な場合がある。しかし、特定の患者、たとえば腎臓の問題を有する患者では、より低い濃度のヨウ素が必要とされることがある。

異なるカルシウム密度を有するカルシウムの領域が、異なる強度を生じさせることがあり、カルシウムに対するある範囲の強度をもたらす場合がある。

低い方のＣＴ線量を用いて撮影された画像は、高い方の線量を用いて撮影された画像よりも、所与の材料に対する強度値のより大きな拡散を示し、したがって材料を区別することをより困難にすることがある。分離性能は、低濃度において強い影響を受けることがある。しかし、ＣＴ線量が低いほど、患者の曝露される放射線が少ないことを意味するので、いくつかの状況では、より低い線量を用いて撮影された画像が好ましいことがある。

ビームハードニングとは、ＣＴビームの含む高い（硬い）エネルギーの割合が高くなるような、ＣＴビームが身体を通過するときのそのエネルギー分布の変化である。ビームハードニングは、より低いエネルギーが最初に組織によって吸収されることに起因する場合がある。ビームハードニングによって、被検体全体を通じて材料が同じであっても、その被検体の部分によって強度が異なることがある。

画像は、第１の材料と第２の材料の境界上のボクセルが第１の材料の強度値と第２の材料の強度値との組み合わせである強度値を有する部分容積効果を示すことがある。

ある材料を別の材料と区別することの困難さに加えて、上記の効果の結果、所与の材料が画像によって、または同じ画像でも部分によって、異なる範囲の強度を示すことがある。いくつかの状況では、所与の画像における第１の材料（たとえばカルシウム）の強度の範囲が、その画像における第２の材料（たとえばヨウ素）の強度の範囲と重複することがある。

上記の例示的な従来技術の試みに鑑み、目的は、マルチエネルギー画像データにおいて少なくとも二種類の物質（材料）を簡単且つ高精度に分類することができる医用画像診断装置及び医用画像処理装置を提供することにある。

本実施形態に係る医用画像診断装置は、マルチエネルギー画像データのピクセルまたはボクセルに関連付けられたマルチエネルギー強度情報に基づいて適応的にしきい値を変更する変更ユニットと、前記変更されたしきい値に基づいて、前記マルチエネルギー画像データが有する複数のピクセルまたは複数のボクセルを、少なくとも二種類の物質のそれぞれに対応するピクセルまたはボクセルに分類する分類ユニットと、を具備する。

ヨウ素、カルシウム、および水に対する質量減衰係数対光子エネルギーのプロット。 一実施形態による画像データ処理システムの概略図。 一実施形態の動作のモードを示す概略フロー図。 低エネルギー強度と高エネルギー強度の結合ヒストグラムの一例。 しきい値候補を示す結合ヒストグラム。 複数のしきい値候補を示す結合ヒストグラム。 Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス対しきい値の傾きのプロット。 決定されたしきい値を示す結合ヒストグラム。 初期ラベリングの領域をカルシウムおよびヨウ素として示す結合ヒストグラム。 期待値最大化法によって決定される楕円形領を示す結合ヒストグラム。 改良されたカルシウムラベルとヨウ素ラベルとを示す結合ヒストグラム。 カルシウムおよびヨウ素へのセグメンテーションを示す、関心領域の三次元プロット。 一実施形態の動作のモードを示すさらなる概略フロー図。 混合プラークファントムの図。 高いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 高いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 高いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 高いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 高いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 高いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 高いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 高いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 高いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 高いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 高いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 高いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 高いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 高いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 高いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 高いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する大きい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 低いヨウ素濃度を有する小さい関心領域からの実験結果を示す図。 ラベリング処理における一実施形態の一実装形態を示す概略フロー図。

一実施形態による医用画像診断システムが、図２に概略的に示されている。医用画像診断システムは、医用画像診断装置１４、ディスプレイ１６、ならびにコンピュータキーボードおよびマウスなどの１つまたは複数の入力デバイス１８に接続された医用画像処理装置（コンピューティング装置）１２、この場合は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。本実施形態では、画像データのセットがＸ線ＣＴ装置１４によって取得され、メモリ２０に記憶される。他の実施形態では、画像データのセットは、リモートメモリからロードされてよい。本実施形態では、各画像データのセットはボクセルの配列を備える。代替実施形態では、各画像データのセットはピクセルの配列を備える。

なお、医用画像診断装置１４は、例えば、Ｘ線診断装置、Ｘ線コンピュータ断層撮像装置（Ｘ線ＣＴ装置）、磁気共鳴イメージング装置、超音波診断装置、核医学診断装置、ＰＥＴ−ＣＴ装置等である。本実施形態では、説明を具体的にするため、医用画像診断装置１４は、Ｘ線ＣＴ装置であるとする。また、本実施形態においては、医用画像処理装置１２は、医用画像診断装置１４と別体として構成する場合を例示した。しかしながら、当該例に拘泥されず、医用画像診断装置１４が医用画像処理装置１２を内蔵する構成としてもよい。

医用画像処理装置１２は、画像データ内のボクセルを分類するための処理リソースを提供する。医用画像処理装置１２は、以下で図２に関して説明される方法を実行するように構成された様々なソフトウェアモジュールまたは他のソフトウェア構成要素をロードおよび実行するように動作可能な中央処理ユニット（ＣＰＵ）２２を備える。

医用画像処理装置１２は、画像データのセット内で関心領域を選択するための領域選択ユニット２４と、選択された関心領域における強度しきい値を決定するためのしきい値決定ユニット２６と、このしきい値に基づいて分類を決定するための分類ユニット２８とを含む。

本実施形態では、領域選択ユニット２４、しきい値決定ユニット２６、および分類ユニット２８は各々、医用画像処理装置１２において、本実施形態の方法を実行するように実行可能なコンピュータ可読命令を有するプログラムコンピュータによって実施される。しかし、他の実施形態では、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）として様々なユニットが実施されてもよい。

医用画像処理装置１２は、ハードドライブとＰＣの他の構成要素も含み、ＰＣの他の構成要素は、ＲＡＭと、ＲＯＭと、データバスと、様々な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に、そのような構成要素は図２に示されていない。

図１のシステムは、図３のフロー図に概略的に示される一連の段階を実行するように構成される。

図３の段階４０では、領域選択ユニット２４は、患者のデュアルエネルギーＣＴスキャンから取得されたボリュメトリック医用画像データセット１００をメモリ２０から受け取る。画像データセット１００は、一連のＤＩＣＯＭ（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ）ファイルの一部であってよい。他の実施形態では、領域選択ユニット２４は、リモートデータストアから、たとえばＰｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ（ＰＡＣＳ）の一部を形成し得るサーバから、画像データセット１００を受け取る。さらなる実施形態では、領域選択ユニット２４は、画像データセット１００をスキャナ１４から直接的に受け取る。

本実施形態では、画像データセット１００は、１２０ｋＶのピーク管電圧を有する画像ボリュームの第１のＣＴスキャンからの強度と８０ｋＶのピーク管電圧を有する同じ画像ボリュームの第２のＣＴスキャンからの強度とを備えるデュアルエネルギーＣＴデータを備える。第１のＣＴスキャンのエネルギーは第２のＣＴスキャンのエネルギーよりも高いので、第１のＣＴスキャンは、高い方のエネルギースキャンまたは高エネルギースキャンと呼ばれることがある。第２のＣＴスキャンは、低い方のエネルギースキャンまたは低エネルギースキャンと呼ばれることがある。

画像ボリューム内の各ボクセルは、強度の関連付けられたペア（ＩＨｉｇｈ，ＩＬｏｗ）を有し、ＩＨｉｇｈは低エネルギースキャン（１２０ｋＶｐでのスキャン）におけるボクセルの強度であり、ＩＬｏｗは低エネルギースキャン（８０ｋＶｐでのスキャン）におけるボクセルの強度である。ＩＨｉｇｈ（高エネルギースキャンにおけるボクセルの強度）は、ボクセルの高エネルギー強度と呼ばれることがある。ＩＬｏｗ（低エネルギースキャンにおけるボクセルの強度）は、ボクセルの低エネルギー強度と呼ばれることがある。

本実施形態では、第１のＣＴスキャンと第２のＣＴスキャンは同時に収集され、したがって、第１のＣＴスキャンからのデータおよび第２のＣＴスキャンからのデータはレジストレーションを必要としない。他の実施形態では、第１のＣＴスキャンと第２のＣＴスキャンは同時に収集されてもよいし、時間オフセットを持って収集されてもよいし、順次収集されてもよい。必要とされる場合、第１のＣＴスキャンおよび第２のＣＴスキャンからのデータは、任意の適切なレジストレーション方法を使用してレジストレーションされてよく、その場合、画像データセット１００は、レジストレーションされた第１のＣＴスキャンデータと、レジストレーションされた第２のＣＴスキャンデータとを備えることができる。

本実施形態では、画像データセット１００はデュアルエネルギーＣＴデータを備えるが、他の実施形態では、画像データセット１００は、少なくとも２つのエネルギーにおける画像強度を備える任意の画像データ、たとえばマルチエネルギーＣＴスキャンからのＣＴ画像データ、または２つ以上のフォトンエネルギーにおけるデータが取得され得るスペクトルＸ線ＣＴ装置を用いて撮影されたＣＴ画像データを備えてよい。

他の実施形態では、画像データセット１００は、任意のモダリティ、たとえばＣＴ、ＭＲＩ、超音波、ＰＥＴ、またはＳＰＥＣＴの放射線スキャナから取得されたデータを備える。

段階４２では、領域選択ユニット２４は、画像データセット１００からレンダリングされた画像を使用者（たとえばレントゲン技師）に表示する。使用者は、画像内の画像領域、たとえば血管の描出を備える画像領域を選択する。使用者によって選択される画像領域は、カルシウムとヨウ素の両方が存在し得ると使用者が考える画像領域であってよい。

本実施形態では、画像データセット１００からレンダリングされ、使用者に表示される画像は、画像データセット１００内のボリュメトリック画像データの体軸断面（axial slice）を表す二次元画像である。本実施形態では、使用者は、マウスをクリックおよびドラッグすることによって、表示される体軸断面画像上の方形画像領域を選択する。他の実施形態では、使用者は、任意の適切な選択方法を使用して、表示される体軸断面画像の任意の二次元領域を選択することができる。

さらなる実施形態では、任意の適切な二次元または擬似三次元の画像が、画像データセット１００からレンダリングされて使用者に表示されてよく、使用者は、任意の二次元または三次元の画像領域を選択することができる。

いくつかの実施形態では、使用者は、標準的なＭＰＲ（多断面再構成）ビュー（冠状、矢状、または体軸）から二次元画像領域を選択する。他の実施形態では、使用者は、使用者が選択した角度でオブリークＭＰＲビューから二次元画像領域を選択する。

いくつかの実施形態では、表示される画像は擬似三次元であり、使用者は、たとえば画像上でマウスを使用して三次元の箱を定義することによって、表示される画像上でボリュメトリック画像領域を定義する。

いくつかの実施形態では、表示される画像は、ボリュームレンダリングされるビューである。いくつかのそのような実施形態では、二次元または三次元の画像領域は、自由に移動する領域作成ツールを使用して選択される。

いくつかの実施形態では、使用者は、画像領域内のボクセルの強度に依存して、二次元または三次元の画像領域を選択することができる。いくつかの実施形態では、自動または半自動のセグメンテーションが画像データ上で実行され、使用者は、このセグメンテーションに依存して、二次元または三次元の画像領域を選択する。たとえば、一実施形態では、セグメンテーションのしきい値処理方法が画像データに適用され、単純なスライダバーコントロールが、セグメンテーションの強度しきい値を調整するために使用されてよい。そのような実施形態では、使用者は、スライダバーコントロールを使用して、高強度領域をセグメンテーションし、次にその領域を二次元または三次元の画像領域の少なくとも一部として選択することができる。

任意の適切な選択方法が、二次元または三次元の画像領域を選択するために、たとえばマウス、トラックボール、キーボードコマンド、音声コマンド、または他の任意の適切な選択方法を使用した選択に使用されてよい。

領域選択ユニット２４は、本実施形態では二次元画像領域である、使用者が選択した画像領域を受け取る。領域選択ユニット２４は、使用者が選択した画像領域に依存して、画像ボリュームの一部を選択する。

本実施形態では、領域選択ユニット２４によって選択される画像ボリュームの一部は、画像ボリューム内の三次元サブボリュームである。この選択される三次元サブボリュームは、関心領域と呼ばれることがある。本実施形態では、三次元サブボリュームは、体軸断面画像上で使用者によって選択される二次元画像領域のｘ座標およびｙ座標に対応するｘ座標とｙ座標（体軸断面の平面内の座標）と、領域選択ユニット２４によって決定されるｚ（断面に垂直な軸）における長さとを有する直方体を備える。本実施形態では、直方体のｚ次元は、使用者が画像領域を選択した体軸断面が中心に置かれる。

本実施形態では、サブボリュームのｚにおける長さは、スキャナの座標系における距離と規定される。たとえば、ｚにおける長さは、３０ｍｍであるように決定されてよい。さらなる実施形態では、サブボリュームのｚにおける長さは、いくつかの断面、たとえば１０断面と規定される。本実施形態では、サブボリュームのｚにおける長さは、領域選択ユニット２４に記憶される固定長である。代替実施形態では、サブボリュームのｚにおける長さは、使用者によって選択されてもよいし、領域選択ユニット２４に記憶されてもよいし、領域選択ユニット２４によって計算されてもよい。一実施形態では、サブボリュームのｚにおける長さは、使用者によって選択される画像領域のｘにおける長さまたはｙにおける長さと同じであるように、領域選択ユニット２４によって決定される。別の実施形態では、サブボリュームのｚにおける長さは、使用者によって選択される画像領域のｘにおける長さとｙにおける長さの関数、たとえば使用者によって選択される画像領域のｘにおける長さとｙにおける長さの平均であるように決定される。

本実施形態では、三次元サブボリュームのｘ座標およびｙ座標は、使用者が選択した画像領域のｘ座標およびｙ座標と同じであるが、他の実施形態では、サブボリュームは、ｘまたはｙにおいて、使用者が選択した画像領域よりも大きくてもよいし、小さくてもよい。たとえば、サブボリュームは、ｘおよび／またはｙにおいて、使用者が選択した画像領域プラス追加領域を備えてよい。いくつかの実施形態では、サブボリュームは、全画像ボリュームのサイズ以下の任意のサイズを有してよい。

本実施形態では、使用者は、表示された二次元画像上で二次元画像領域を選択するが、他の実施形態では、使用者は、レンダリングされた擬似三次元画像上で三次元画像領域を選択する。そのような実施形態では、領域選択ユニット２４は、選択された三次元画像領域に依存して、三次元サブボリュームを選択する。この三次元サブボリュームは、三次元画像領域に対応してよい。この三次元サブボリュームは、三次元画像領域に基づいてもよい。たとえば、この三次元サブボリュームは、ｘ、ｙ、およびｚのうち１つまたは複数において、三次元画像領域よりも大きくてもよい。

本実施形態では、サブボリューム（関心領域）は三次元であるが、他の実施形態では、サブボリューム（関心領域）は二次元であってよい。たとえば、サブボリュームは、単一の体軸断面上のボクセルを備えることができる。そのうえ、いくつかの実施形態では、画像データセット１００は二次元画像データを備えることができ、その場合、サブボリュームは、二次元画像領域内のピクセルを備えることができる。

領域選択ユニット２４は、選択されたサブボリューム内のボクセル（さらなる実施形態では、選択されたサブボリューム内のピクセル）に関連付けられた強度データを備える画像データセット１００のサブセット１１０を選択する。画像データサブセット１１０は、選択されたサブボリューム内の各ボクセルに対する（ＩＨｉｇｈ，ＩＬｏｗ）強度値を備える。

領域選択ユニット２４は、画像データサブセット１１０をしきい値決定ユニット２６に渡す。

段階４４では、しきい値決定ユニット２６は、画像データサブセット１１０にフィルタを適用して、低い強度（低いＩＨｉｇｈおよび／または低いＩＬｏｗ）を有するボクセルに関連付けられたデータを除去する。段階４４のフィルタ処理は、カルシウムもヨウ素も表さないボクセル、たとえば軟部組織を表すボクセルに関連付けられ得るデータを除去することができる。

いくつかの実施形態では、データを除去することは、画像データサブセット１１０からデータを削除することを備える。他の実施形態では、データを除去することは、画像データサブセット１１０からデータを削除することを備えない。いくつかの実施形態では、データを除去することは、データが図３の処理の残りの部分で使用されないようにデータにフラグを立てることを備える。

本実施形態では、フィルタは、しきい値を備える。本実施形態では、しきい値は１００ＨＵである。しきい値を下回るＩＨｉｇｈおよび／またはしきい値を下回るＩＬｏｗを有する各ボクセルのデータは、画像データサブセット１１０から除去される。さらなる実施形態では、異なるしきい値が使用される。代替実施形態では、異なるしきい値がＩＨｉｇｈに、およびＩＬｏｗに設定される。

他の実施形態では、フィルタはＩＬｏｗのしきい値のみを備え、しきい値を下回るＩＬｏｗを有する各ボクセルのデータが画像データサブセット１１０から除去される。さらなる実施形態では、フィルタはＩＨｉｇｈのしきい値のみを備え、ＩＨｉｇｈ値がしきい値を下回る各ボクセルのデータが画像データサブセット１１０から除去される。他の実施形態では、フィルタは、ＩＨｉｇｈとＩＬｏｗの組み合わせのしきい値を備える。たとえば、ＩＨｉｇｈとＩＬｏｗの合計が特定の値を下回る場合、その（ＩＨｉｇｈ，ＩＬｏｗ）値を有するボクセルのデータが画像データサブセット１１０から除去される。

本実施形態では、フィルタは、１００ＨＵを下回るＩＨｉｇｈを持つ（ＩＨｉｇｈ，ＩＬｏｗ）値を有するボクセルをフィルタ除去する。他の実施形態では、異なるしきい値が使用される。本実施形態では、フィルタしきい値（１００ＨＵ）は、しきい値決定ユニット２６によって記憶される固定値である。他の実施形態では、フィルタしきい値は、使用者によって入力または選択されてもよいし、任意の自動処理、半自動処理、または手動処理によって決定されてもよい。いくつかの実施形態では、しきい値は経験的に決定される。

代替実施形態では、使用者は、任意の方法を使用して、図３の処理の後続の段階に含めることを使用者が望まない領域を除去することができる。たとえば、使用者は、関心領域を修正するための逐次的方法を使用することができる。いくつかの実施形態では、望ましくない領域を選択するために、自動的な方法が使用されてよく、この方法は、しきい値に基づいてもよいし、基づかなくてもよい。

画像データサブセット１１０をフィルタすることによって、カルシウムまたはヨウ素のどちらかを表す可能性の低いボクセルに関連付けられた強度値が除去されてよく、図３の処理の後続の段階において使用されなくてもよい。

軟部組織のボクセルとカルシウムおよび／またはヨウ素のボクセルの間に、強度（ＩＬｏｗ、ＩＨｉｇｈ、または両方）の大きな差が存在することがあるので、いくつかの状況では、固定しきい値を使用して、カルシウムおよび／またはヨウ素を表すボクセルから軟部組織ボクセルを分離することが可能な場合がある。カルシウムの強度の範囲は、ヨウ素の強度の範囲に近いかまたはこれと重複することがあるが、カルシウムの強度の範囲とヨウ素の強度の範囲の両方が、軟部組織の強度の範囲よりも著しく高いこともあり、したがって、軟部組織とカルシウムとヨウ素とを含む画像から軟部組織ボクセルを除去するために、固定しきい値が使用されてもよい。

さらなる実施形態では、低強度ボクセルを除去するためにフィルタが使用されず、段階４４は省略される。他の実施形態では、フィルタは、図３の処理の任意の段階で、たとえば段階４２でサブボリュームが選択される前、または段階４６で結合ヒストグラムが算出された後、適用されてよい。

段階４６では、しきい値決定ユニット２６が、段階４４のフィルタの後で画像データサブセット１１０に残っている（ＩＨｉｇｈ，ＩＬｏｗ）強度値の結合ヒストグラム２００を算出する。各（ＩＨｉｇｈ，ＩＬｏｗ）値は、段階４２で領域選択ユニット２４によって選択されたサブボリューム内のボクセルに関連付けられる。

そのような結合ヒストグラム２００の一例が図４に示されている。結合ヒストグラム２００のｘ軸２０２はＩＨｉｇｈ、すなわち高エネルギースキャンからの強度であり、結合ヒストグラム２００のｙ軸２０４はＩＬｏｗ、すなわち低エネルギースキャンからの強度である。ＩＨｉｇｈおよびＩＬｏｗは各々、ハンスフィールドユニット単位で測定される。代替実施形態では、ｘ軸はＩＬｏｗとすることができ、ｙ軸はＩＨｉｇｈとすることができる。

結合ヒストグラム２００は、等しいサイズの複数の二次元ビンを備える。各（ＩＨｉｇｈ，ＩＬｏｗ）値は、結合ヒストグラム２００内の二次元ビンに入る。（フィルタ処理された）画像データサブセット１１０内の各ボクセルは、その（ＩＨｉｇｈ，ＩＬｏｗ）値に対応するビンに割り当てられると言うことができる。

いくつかの実施形態では、各ビン内のボクセルの数は、色として表され得る。グレースケール値を含むことができる任意の適切な色が使用されてよい。たとえば、一実施形態では、少数のボクセルを含むビンは、青色として表される。多数のボクセルを含むビンは、赤色として表される。中間の数のボクセルを含むビンは、青色と赤色の間のスペクトル上の色によって表される。他の実施形態では、色分けされたビンによるディスプレイ以外の方法でビンが表示される。さらなる実施形態では、結合ヒストグラム２００は表示されない。

図４では、各ビン内のボクセルの数はシェーディングによって表され、結合ヒストグラムの白色領域は、少数のボクセルを含むビンを表し、暗色のシェーディングは、多数のボクセルを含むビンを表し、明色のシェーディングは中間値を表す。

本実施形態では、ビンのサイズは、５ハンスフィールドユニット×５ハンスフィールドユニットである。他の実施形態では、任意のビンのサイズが使用されてよい。本実施形態では、ビンのサイズは固定されており、ビンのサイズはしきい値決定ユニット２６に記憶される。代替実施形態では、ビンのサイズは、しきい値決定ユニット２６によって決定される。たとえば、ビンのサイズは、サブセット１１０内のボクセルに関連付けられた強度の範囲に基づいて決定されてよい。他の実施形態では、ビンのサイズは、使用者によって選択される。さらなる実施形態では、ビンのサイズを決定する任意の適切な方法が使用されてよい。

類似の（ＩＨｉｇｈ，ＩＬｏｗ）値を有する多数のボクセルは、結果として、結合ヒストグラム２００上のビンのクラスタ２０６をもたらすことができ、クラスタ２０６内の各ビンは、クラスタ外部のビンと比較すると、より多数のボクセルを含む。たとえば、選択されたサブボリュームが、ヨウ素を表す多数のボクセルを含む場合、ここでヨウ素が一定の濃度を有し、それらのボクセルは、結合ヒストグラム２００上のビンのクラスタ２０６を形成することができることが期待され得る。

異なる材料を表すボクセルは、結合ヒストグラム２００上の異なるクラスタ２０６を形成することができる。たとえば、高エネルギースキャン（類似のＩＨｉｇｈ）内の類似の強度を有するボクセル２つの材料が、低エネルギースキャン（異なるＩＬｏｗ）内の異なる強度を有し、したがって、別個のクラスタ２０６を形成することができる（いくつかの状況では、重複することができる）。

材料の濃度によって異なる減衰を有することができること、したがって、材料の異なる濃度を表すボクセルは、（ＩＨｉｇｈ，ＩＬｏｗ）結合ヒストグラム２００の異なる領域内のクラスタ２０６を形成することができる、または（ＩＨｉｇｈ，ＩＬｏｗ）結合ヒストグラム２００の拡張領域の上に分布する単一クラスタ２０６を形成することができることが知られている。

第１の材料の異なる濃度または密度を表すボクセルの（ＩＨｉｇｈ，ＩＬｏｗ）強度値は結合ヒストグラム２００内の第１の直線上またはその近くに位置することができること、および第２の材料の異なる濃度または密度を表すボクセルの（ＩＨｉｇｈ，ＩＬｏｗ）強度値は結合ヒストグラム２００内の第２の直線上またはその近くに位置することができ、第２の直線は第１の直線と異なることが知られている。一般に、異なる材料を表すボクセルの（ＩＨｉｇｈ，ＩＬｏｗ）値は、異なる線に沿って位置することができる。異なる線は各々、水の点（ｗａｔｅｒ ｐｏｉｎｔ）を通過することができ、水の点は（ＩＨｉｇｈ＝０，ＩＬｏｗ＝０）として定義される。たとえば、Ｔｈｏｒｓｔｅｎ Ｒ．Ｃ．Ｊｏｈｎｓｏｎ、Ｃｈｒｉｓｔｉａｎ Ｆｉｎｋ、Ｓｔｅｆａｎ Ｏ．Ｓｃｈｏｎｂｅｒｇ、Ｍａｘｉｍｉｌｉａｎ Ｆ．Ｒｅｉｓｅｒ、Ｄｕａｌ Ｅｎｅｒｇｙ ＣＴ ｉｎ Ｃｌｉｎｉｃａｌ Ｐｒａｃｔｉｃｅ、Ｓｅｃａｕｃｕｓ、ＮＪ：Ｓｐｒｉｎｇｅｒ、２０１１を参照されたい。

しかし、実際には、上記で説明された様々な影響（たとえば、ノイズ、ビームハードニング、または部分容積効果）によって、特定の材料のボクセルの強度が結合ヒストグラム２００の上に拡散し、第１の材料のボクセルと第２の材料のボクセルを区別することが困難になることがあることがわかっている。各クラスタ２０６は、そうではない場合よりも広く拡散されることがある。実際には、異なる材料のクラスタ２０６が重複することがある。そのうえ、上記で説明された影響の結果として、各直線の傾きおよび／または切片は、画像によって、または同じ画像でも領域によって、異なることがある。

図４の結合ヒストグラム２００は、強度値の３つのクラスタ２０６を表示する。１つのクラスタ２０６は、（７０，１００）のまわりの（ＩＨｉｇｈ，ＩＬｏｗ）値を有する。多数のボクセルが（７０，１００）のまわりのビンのクラスタ内に存在し、そのため、（７０，１００）のまわりのクラスタの中心には、赤色が付けられる（図４では、暗色のシェーディングによって表される）。別のクラスタ２０６は（１１０，２００）のまわりの（ＩＨｉｇｈ，ＩＬｏｗ）値を有し、他のクラスタ２０６は（１２０，１８０）のまわりの（ＩＨｉｇｈ，ＩＬｏｗ）値を有する。

カルシウムを表すボクセルは、結合ヒストグラム２００内の第１の線上またはその近くに位置する（ＩＨｉｇｈ，ＩＬｏｗ）値を有することができること、ヨウ素を表すボクセルは、結合ヒストグラム２００内の第２の線上またはその近くに位置する（ＩＨｉｇｈ，ＩＬｏｗ）値を有することができること、したがって、カルシウムのボクセルを含むビンをヨウ素のボクセルを含むビンとほぼ分ける結合ヒストグラム２００内の線（二次元しきい値）を決定することが可能であり得ることが予想される。その線の位置は、画像によって異なってよい。図３の処理の段階４８〜５２は、そのような線を決定することを目的とし、この線は二次元しきい値と呼ばれることがある。

段階４８では、しきい値決定ユニット２６はしきい値候補２０８のセットを決定する。本実施形態では、各しきい値候補２０８は、結合ヒストグラム２００上の直線である。

本実施形態では、各しきい値候補２０８は直線であるが、他の実施形態では、各しきい値候補２０８は、ＩＨｉｇｈとＩＬｏｗの任意の適切な関数であってよい。たとえば、各しきい値候補２０８は曲線であってよい（本実施形態の線モデルは、より高次の曲線モデルと置き換えられる）。

図５は、しきい値候補２０８が示されている、図４の結合ヒストグラム２００を示す。

図６は、しきい値候補線２０８のファンビームとして示される、しきい値候補２０８のセットを示す。本実施形態では、各しきい値候補２０８は、（０，０）においてある切片を有する直線であるが、しきい値候補線２０８の各々は異なる傾きを有する。

本実施形態では、各しきい値候補２０８の傾きは、ＩＨｉｇｈ／ＩＬｏｗの比として表され得る。本実施形態における傾きの範囲は０．４から１であり、０．０１の増分を有する。代替実施形態では、傾きおよび／または傾き間の増分は、ＩＬｏｗ／ＩＨｉｇｈの比として表されてもよいし、ある角度として表されてもよいし、他の任意の適切な方法を使用して表されてもよい。

本実施形態では、各しきい値候補２０８は、（０，０）においてある切片を有する直線である。他の実施形態では、しきい値候補２０８のうちいくつかまたはすべては、異なる切片を有することができる。

他の実施形態では、しきい値候補２０８のセットは、図６に示されるしきい値候補２０８のセットと異なる範囲の傾きまたは隣接するしきい値候補２０８間の傾きの異なる増分を有することができる。いくつかの実施形態では、しきい値候補２０８は、角度において均等に離隔されるか、または傾きにおいて均等に離隔される。他の実施形態では、しきい値候補２０８は均等に離隔されない。いくつかの実施形態では、傾きの範囲は、図６に示されるしきい値候補２０８の傾きの範囲よりも大きくてもよいし、小さくてもよい。いくつかの実施形態では、傾きの範囲は、ヒストグラム全体にわたって広がることができる。

いくつかの実施形態では、しきい値候補２０８のうちの１つもしくは複数の傾きおよび／もしくは切片ならびに／またはしきい値候補２０８の傾き間の増分は、使用者によって決定されてよく、たとえば使用者によって手動で決定されてよい。たとえば、使用者は、中心のしきい値候補２０８、しきい値候補２０８の範囲、またはしきい値候補２０８間の増分を定義することができる。

いくつかの実施形態では、傾きの範囲、線のうちのいくつかもしくはすべての切片、および／または傾き間の増分は、しきい値決定ユニット２６によって半自動的または自動的に決定されてよい。たとえば、傾きの範囲、またはしきい値候補２０８間の角度もしくは傾きの増分は、結合ヒストグラム２００内の（ＩＨｉｇｈ，ＩＬｏｗ）強度値の広がりに依存して決定されてよい。いくつかの実施形態では、傾きの範囲、線のうちのいくつかもしくはすべての切片、および／または傾き間の増分は所定であり、しきい値決定ユニット２６に記憶されてよい。

いくつかの実施形態では、しきい値候補２０８の傾きの範囲、切片、または傾き間の増分は、事前知識を使用して決定されてよい。そのような事前知識は、たとえば、他の画像データまたは同じ画像データ内の他のサブボリュームに対して実行されるときの図３の処理の結果を備えることができる。

段階５０では、しきい値決定ユニット２６は、段階４８でしきい値決定ユニットによって決定されるしきい値候補２０８に対して逐次処理を実行する。

しきい値決定ユニット２６は、第１のしきい値候補２０８、たとえば図５に示されるしきい値候補２０８を選択する。しきい値決定ユニット２６は、図５に示されるように、結合ヒストグラム２００をしきい値候補２０８より上の第１の領域Ａとしきい値候補２０８より下の第２の領域Ｂに分割する。

本実施形態では、しきい値２０８より上の結合ヒストグラム２００の領域Ａは、しきい値候補線２０８よりも大きいＩＨｉｇｈおよび小さいＩＬｏｗの領域である。領域Ａ内の点は、しきい値候補線２０８上の最も近い点よりも大きいＩＨｉｇｈおよび／または小さいＩＬｏｗを有する。しきい値候補線２０８より下の結合ヒストグラム２００の領域Ｂは、しきい値候補線２０８よりも大きいＩＬｏｗおよび小さいＩＨｉｇｈの領域である。領域Ｂ内の点は、しきい値候補線２０８上の最も近い点よりも大きいＩＬｏｗおよび／または小さいＩＨｉｇｈを有した。

代替実施形態では、結合ヒストグラム２００の軸は異なるように示されてよく、たとえば結合ヒストグラム２００の左下隅に（０，０）を有する。そのような実施形態では、領域Ａは、線より下の領域（しかし、依然として、より大きいＩＨｉｇｈおよびより小さいＩＬｏｗの領域）であってよく、領域Ｂは、線より上の領域（しかし、依然として、より大きいＩＬｏｗおよびより小さいＩＨｉｇｈの領域）であってよい。

領域Ａおよび領域Ｂの各々は、ボクセルのグループ（その領域内のビン内のボクセル）を備える。領域Ａ内のボクセルのグループの（ＩＨｉｇｈ，ＩＬｏｗ）強度は、強度の第１の二次元分布を形成する。領域Ａ内のボクセルのグループの（ＩＨｉｇｈ，ＩＬｏｗ）強度は、強度の第２の二次元分布を形成する。

第１のしきい値候補２０８に対して、しきい値決定ユニット２６は、領域Ａ内のビン内のボクセルの（ＩＨｉｇｈ，ＩＬｏｗ）値の分布と領域Ｂ内のビン内のボクセルの（ＩＨｉｇｈ，ＩＬｏｗ）値の分布との統計的相違度を表すメトリックを計算する。代替実施形態では、分布間の統計的相違度を決定する任意の適切な方法が使用されてよい。二次元（ＩＨｉｇｈ，ＩＬｏｗ）分布間の統計的相違度を決定することは、以下で説明されるように、二次元分布から導出されたまたはこれに関連付けられた一次元分布間の統計的相違度を決定することを備えることができる。

いくつかの実施形態では、しきい値決定ユニット２６は、比較されるべき２つの分布間の相互の統計的従属性を計算する任意の確率分布距離メトリックを決定することができる。メトリックを形成するために個別にまたは組み合わせて使用され得る異なる量は、Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス、相互情報量、またはエントロピー（周辺もしくは結合）を備えることができる。

本実施形態では、しきい値決定ユニット２６は、領域Ａ内のビン内のボクセルに対する低エネルギー強度の周辺分布と、領域Ｂ内のビン内のボクセルに対する低エネルギー強度の周辺分布とを決定する。

領域Ａに対する周辺分布を決定することは、領域Ａ内のビン内のボクセルのＩＬｏｗ値の一次元分布（一次元ヒストグラム）を取得することを備える。領域Ａに対する周辺分布を決定することは、結合ヒストグラム２００の領域Ａ内の（ＩＨｉｇｈ，ＩＬｏｗ）値を結合ヒストグラム２００の低エネルギー（ＩＬｏｗ）軸に投影することを備えることができる。その結果得られる周辺分布は、ｘ軸上のハンスフィールドユニット単位のＩＬｏｗとｙ軸上のボクセルの数とを有するプロット上に表示され得る一次元ヒストグラムである。本実施形態では、この一次元ヒストグラムは、結合ヒストグラムと同じＩＬｏｗビンのサイズを有する。図４の結合ヒストグラム２００がＩＬｏｗ軸に投影されるとき、結果として得られる一次元ヒストグラムに３つのピークが見られることがあり、そのうちの２つはＩＬｏｗにおいて互いに近い。

領域Ｂに対する周辺分布を決定することは、領域Ｂ内のビン内のボクセルのＩＬｏｗ値の一次元分布（一次元ヒストグラム）を取得することを備える。領域Ｂに対する周辺分布を決定することは、結合ヒストグラム２００の領域Ｂ内の（ＩＨｉｇｈ，ＩＬｏｗ）値を結合ヒストグラム２００の低エネルギー（ＩＬｏｗ）軸に投影することを備えることができる。

しきい値決定ユニット２６は、領域Ａに対する周辺分布と領域Ｂに対する周辺分布のＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスを決定する（ここで、領域Ａおよび領域Ｂはそれぞれ、第１のしきい値候補２０８の上および下にある）。

領域Ａに対する周辺分布と領域Ｂに対する周辺分布が類似している場合、２つの周辺分布のＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスは小さくなり得る。類似の周辺分布は、同じ材料が両方の領域内に存在することを示すことができる。

領域Ａに対する周辺分布と領域Ｂに対する周辺分布が異なる場合、２つの周辺分布のＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスは大きくなり得る。異なる周辺分布は、異なる材料が各領域内に存在することを示すことができる。

しきい値決定ユニット２６が、第１のしきい値候補２０８に対する周辺分布のＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスを決定すると、しきい値決定ユニット２６は、第２のしきい値候補２０８を選択する。

しきい値決定ユニット２６は、第２のしきい値候補２０８に従って、結合ヒストグラム２００を２つの領域すなわち領域Ａおよび領域Ｂに分割する。第１のしきい値候補２０８と第２のしきい値候補２０８が、異なる傾きおよび／または切片を有する場合、第２のしきい値候補２０８に対する領域Ａおよび領域Ｂは、第１のしきい値候補２０８に対する領域Ａおよび領域Ｂと異なる。

しきい値決定ユニット２６は、領域Ａ内のビン内のボクセルのＩＬｏｗ値を備える領域Ａに対する周辺分布を決定する。しきい値決定ユニット２６は、領域Ｂ内のビン内のボクセルのＩＬｏｗ値を備える領域Ｂに対する周辺分布を決定する。しきい値決定ユニット２６は、領域Ａに対する周辺分布と領域Ｂに対する周辺分布のＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスを決定する（ここで、領域Ａおよび領域Ｂはそれぞれ、第２のしきい値候補２０８の上および下にある）。

しきい値決定ユニット２６は、さらなるしきい値候補２０８を選択し、結合ヒストグラム２００をしきい値候補２０８に従って領域ＡおよびＢに分割し、領域Ａに対する周辺分布と領域Ｂに対する周辺分布とを決定し、領域Ａおよび領域Ｂの周辺分布に対するＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスを決定する処理を、Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスがしきい値候補２０８の各々に対して決定されるまで繰り返す。

Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスとは、２つの確率分布間の類似性を推定するためのメトリックである（Ｊｉａｎｈｕａ Ｌｉｎ、「Ｄｉｖｅｒｇｅｎｃｅ ｍｅａｓｕｒｅｓ ｂａｓｅｄ ｏｎ ｔｈｅ Ｓｈａｎｎｏｎ Ｅｎｔｒｏｐｙ」、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｈｅｏｒｙ第３７巻第１号、１９９１年１月を参照されたい）。Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスは、Ｋｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ分散の一次結合である。Ｋｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ分散は距離間のための統計量であるが、Ｋｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ分散は、無限値を有することができ、対称的ではない。したがって、Ｋｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ分散は、メトリックとして直接的に使用できないことがある。対照的に、Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスは対称的で有限であり、メトリックとして使用されるのに適している。

２つの分布ＰおよびＱのＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスは、以下の式

によって定義され得、ここで、
ＰおよびＱは比較されるべき２つの確率分布、
ＪＳＤ（Ｐ｜｜Ｑ）はＰおよびＱのＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス、

ここで、ＭはＰおよびＱの平均確率分布である。Ｍは、分布Ｐおよび分布ＱのＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ分散が計算される参照分布として使用され、
Ｄ（Ｐ｜｜Ｍ）は分布Ｐと分布ＭのＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ分散距離、
Ｄ（Ｑ｜｜Ｍ）は分布Ｑと分布ＭのＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ分散距離である。

Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスメトリックの限界は０≦ＪＳＤ（Ｐ｜｜Ｑ）≦１である。

各しきい値候補２０８に対して、領域Ａ（しきい値候補２０８より上の領域）に対して導出される周辺ヒストグラムはＭａｒｇＨｉｓｔ＿Ａと表されることがあり、領域Ｂ（しきい値候補２０８より下の領域）に対して導出される周辺ヒストグラムはＭａｒｇＨｉｓｔ＿Ｂと表されることがある。領域Ａに対する周辺分布および領域Ｂに対する周辺分布のＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスは、

である。

本実施形態では、各しきい値候補２０８は関連付けられた傾きＳを有し、すべてのしきい値候補２０８は（０，０）において共通切片を有する。

しきい値決定ユニット２６は、各しきい値候補２０８に対するＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスを決定し、これは、しきい値候補２０８によって表される傾きの範囲内の各傾きＳに対するＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスを決定することと説明され得る。

段階５２では、しきい値決定ユニット２６は、しきい値候補２０８の各々に対する傾きＳに対してＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスをプロットし、それによって、しきい値候補２０８の傾きの範囲に対する傾きに対するＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスのプロットを取得する。

Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス対傾きのプロットの一例が図７に示されている。図７では、プロットは、画面上に表示されているかのように示されているが、多数の実施形態では、傾きに対するＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスのプロットはしきい値決定ユニット２６によって計算されるが、表示されない。

しきい値決定ユニット２６は、傾きに対するＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスのプロットが２つの極小値の間に極大値を含むかどうか判断する。

傾きに対するＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスのプロットが、２つの極小値の間に極大値を含まない場合、しきい値決定ユニット２６は、図３の処理が実行される関心領域は関心材料のうち１つのみ（この実施形態では、カルシウムまたはヨウ素）を含むと判断する。結合ヒストグラム２００上でプロットされる関心領域内のボクセルのすべては、１つのクラスに割り当てられる。

たとえば、標準的なデュアルエネルギーＣＴＡ（頸動脈造影検査法または冠動脈造影検査法）検査において画像化されるボリュームは、大量の造影剤を常に有することができるが、カルシウムを常に存在させるとは限らないことがある。完全に健康な人間は、血管にカルシウムがないことがある。そのような場合、血管の描出を備える関心領域は、ヨウ素のみを含み、カルシウムを含まないことがわかることがある。したがって、結合ヒストグラム２００のすべてのボクセルが単一クラスに含まれるように決定される場合、そのクラスはヨウ素であるように決定されることがある。分類ユニット２８は、結合ヒストグラム２００内のすべてのボクセルにヨウ素とラベリングする。

傾きに対するＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスのプロットが、２つの極小値の間に極大値を含む場合、しきい値決定ユニット２６は、この２つの極小値の間の極大値に対応するしきい値候補２０８を識別する。

たとえば、図７のプロットは、２つの極小値２１２の間に極大値２１０を含む。Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスは、プロットの傾きの小さい領域および傾きの大きい領域において高い。

図７では、Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎ分散は、まさに最も小さい傾き値で減少する。これは、２つの周辺分布のうち１つが空である状況に割り当てられているＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスに対するゼロ値の結果である。代替実装形態では、２つの周辺分布のうち１つが空であるとき、非常に大きいＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスが割り当てられることがある。図７に対してＪｅｎｓｅｎ−Ｓｈａｎｎｏｎ分布に対するゼロ値は極小値２１２であると考えられず、その代わりに、Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎプロットの特定の実装形態の特徴である。

大きい傾きおよび小さい傾きにおけるＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスの高い値は、プロットの端の近くにおいて傾き（たとえば、０．４に近い傾きまたは１に近い傾き）を有するしきい値候補２０８が、結合ヒストグラム２０を、カルシウムを表すボクセルの強度のすべてまたはほとんどすべてを含み、ヨウ素を表すボクセルの強度のすべてまたはほとんどすべても含む第１の領域と、カルシウムまたはヨウ素のどちらかを表すボクセルの強度を含まないまたはそのようなボクセルの多くの強度を含まない第２の領域に分割することができるからである可能性がある。第１の領域と第２の領域の間の分布は異なっており、したがって、Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスは高い。

傾きに対するＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスのプロット上の最小値に対応する傾き（図７では、約０．５または０．６５の傾き）を有するしきい値候補２０８は、結合ヒストグラム２００を、カルシウムを表す多数のボクセルを各々が含む２つの領域またはヨウ素を表す多数のボクセルを各々が含む２つの領域に分割することができる。したがって、２つの領域内の分布は類似することがあり、Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスが低いことがある。

Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスが極大値を有するしきい値候補２０８は、カルシウムをヨウ素から最も効果的に分離するしきい値候補２０８であるように判断される。これは、複数の分布がそれらの間の最も低い依存性を有するように分布を分離する線である。しきい値決定ユニット２６は、極大値に対応する傾きを有するしきい値候補、図７では０．５８の傾きを有するしきい値候補を選択する。選択されたしきい値２２０が、図８の結合ヒストグラム２００上にプロットされている。境界線２２４を有するカルシウム領域および境界線２２６を有するヨウ素領域への結合ヒストグラム２００の分割が図９に示されている。この実施形態では、選択されたしきい値２２０を使用して行われる分割は近似分割であり、カルシウムをヨウ素からほぼ分離する。選択されたしきい値２２０を使用して行われる分割は、図３の処理の後続の段階で改良される。

本実施形態では、選択されたしきい値２２０は、しきい値候補２０８の１つである。他の実施形態では、選択されたしきい値２２０は、しきい値候補２０８の１つでなくてもよい。たとえば、選択されたしきい値２２０は、計算された２つのしきい値候補２０８の傾き間に存在する傾きを有する線であってもよい。たとえば、曲線はＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス対傾きのプロットに適合されてよく、曲線の最大値は、しきい値候補２０８の１つに使用される傾き値でない傾き値において発生してよい。選択されたしきい値は、曲線の最大値の傾き値を有してよい。

段階５４では、しきい値決定ユニット２６は、選択されたしきい値２２０を分類ユニット２８に渡す。分類ユニット２８は、選択されたしきい値２２０より上の領域２２４内で（ＩＨｉｇｈ，ＩＬｏｗ）値を有するボクセルをカルシウムとラベリングする。分類ユニット２８は、選択されたしきい値２２０より下の領域２２６内で（ＩＨｉｇｈ，ＩＬｏｗ）値を有するボクセルをヨウ素とラベリングする。

図３の処理の段階５４において分類ユニット２８によって加えられるラベルは、初期ラベルと説明されることがある。初期ラベルは、各ボクセルの材料の正確な決定を提供しないことがある。むしろ、初期ラベルは、適切な材料ラベルを近似することができるカルシウムとヨウ素の大まかな分離を提供することがある。初期ラベルは、結合ヒストグラム２００内に表される各ボクセルがカルシウムまたはヨウ素のどちらかとラベリングされる二値の非確率的ラベリングを構成する。

図３の処理の段階４６〜５４は、関心領域におけるカルシウムおよびヨウ素の近似ラベリングを提供することができる。段階４６〜５４は、カルシウムおよびヨウ素の初期分離を提供することができ、この初期分離は、次いで、図３のさらなる段階において改良され得る。段階４６〜５４は、カルシウムとヨウ素を分離する処理における第１の段階と総称して説明されることがあり、この第１の段階は、教師なしパラメトリック分離を備える。

段階５６では、分類ユニット２８は、期待値最大化（ＥＭ）アルゴリズムを使用して、段階５４のラベリングを改良し、カルシウムおよびヨウ素の各々に対するモデルを推定する。期待値最大化（ＥＭ）アルゴリズムは、ＴＫ Ｍｏｏｎによって、「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。

図３の実施形態で使用されるＥＭアルゴリズムは、逐次クラスタモデル推定アルゴリズムである。このアルゴリズムは、統計モデルにおいてパラメータの最尤推定値を見つけることによって、モデルパラメータを推定する。

本実施形態では、ＥＭアルゴリズムは、結合ヒストグラム上のカルシウムおよびヨウ素の各々の分布がガウス分布であると仮定する。ＥＭアルゴリズムは、したがって、カルシウム強度に対するガウスモデルと、ヨウ素強度に対するガウスモデルとを決定する。ガウスモデルは、結合ヒストグラム上で楕円によって表されることがある。

分布がガウス分布であると仮定される本実施形態では、期待値最大化アルゴリズムによって推定されるモデルパラメータは、各材料のガウス分布に対する平均および共分散マトリクスを備える。他の実施形態では、分布はガウス分布であると仮定されないことがある。

さらなる実施形態では、異なるモデル推定アルゴリズムが段階５６において使用され、段階５４の二値ラベリングを改良してもよい。いくつかの実施形態では、任意のクラスタ適合アルゴリズムが使用されてよい。任意のデータクラスタリングアルゴリズム、たとえば、ハードパーティションベースのクラスタリングアルゴリズム、ファジーパーティションベースのクラスタリングアルゴリズム、分布ベースのクラスタリングアルゴリズム、または密度ベースのクラスタリングアルゴリズムが使用されてよい。ハードパーティションベースのクラスタリングアルゴリズムは、たとえば、Ｋ平均アルゴリズムまたはＫ平均アルゴリズムの変法を備えてよい。ファジーパーティションベースのクラスタリングアルゴリズムは、たとえば、ファジーＣ平均法またはソフトＫ平均法を備えてよい。分布ベースのクラスタリングアルゴリズムは、たとえば、期待値最大化アルゴリズムによるガウス混合モデルクラスタリングまたは期待値最大化アルゴリズムを有する非ガウス混合モデルクラスタリングを備えてよい。密度ベースのクラスタリングアルゴリズムは、たとえば、ＤＢＳＣＡＮ（ｄｅｎｓｉｔｙ ｂａｓｅｄ ｓｐａｔｉａｌ ｃｌｕｓｔｅｒｉｎｇ ｏｆ ａｐｐｌｉｃａｔｉｏｎｓ ｗｉｔｈ ｎｏｉｓｅ）またはＯＰＴＩＣＳ（ｏｒｄｅｒｉｎｇ ｐｏｉｎｔｓ ｔｏ ｉｄｅｎｔｉｆｙ ｔｈｅ ｃｌｕｓｔｅｒｉｎｇ ｓｔｒｕｃｔｕｒｅ）を備えてよい。

本実施形態では、期待値最大化アルゴリズムは、各ボクセルに対する高エネルギー強度および低エネルギー強度値（ＩＨｉｇｈ，ＩＬｏｗ）に加えて、各ボクセルに対する位置情報（画像データの座標空間内のｘ座標、ｙ座標、ｚ座標）を使用する。ヨウ素およびカルシウムは、空間領域に十分に含まれると仮定され得る。そのような状況では、位置近接性が、ヨウ素とカルシウムとを分離するのに有用な手段であることがある。

ＥＭアルゴリズムは、段階５４で取得された二値ラベルを使用して初期化される。いくつかの実施形態では、段階５４からの二値ラベルを使用した初期化は、他の方法を使用した初期化、たとえばランダムなグループ分けを使用した初期化よりも一貫性のある結果を提供することができることがわかっている。

本実施形態では、ＥＭアルゴリズムはガウスモデルを生成する。各ガウスモデルは、結合ヒストグラム２００上にプロットされたとき、楕円として現れる。したがって、ＥＭモデルは、カルシウムに対する楕円と、ヨウ素に対する楕円とを推定する。カルシウムに対する楕円は、結合ヒストグラム２００上でヨウ素に対する楕円と重複することがある。

本実施形態では、ＥＭアルゴリズムは、データ中のクラスの数を推定しない。本実施形態では、カルシウムボクセルの強度は結合ヒストグラム２００内で第１の線に沿って存在すると予想され、ヨウ素ボクセルの強度は結合ヒストグラム２００内で第２の異なる線に沿って存在すると予想されるので、ＥＭアルゴリズムは、分類を、固定された２つのクラスの問題として（ヨウ素を第１のクラスとして、カルシウムのすべての可能な密度を第２のクラスとして）扱う。本実施形態では、分離は、ヨウ素とカルシウムとを分離することのみに関し、軟部組織のボクセルは段階４４でフィルタ除去されていると予想される。ＥＭアルゴリズムは、要求されるクラスの数のみを推定する。

ＥＭアルゴリズムの出力は確率的である。本実施形態では、各ボクセルに対して、分類ユニット２８は、ＥＭアルゴリズムを使用して、ボクセルがカルシウムである確率と、ボクセルがヨウ素である確率とを決定する。他の実施形態では、各確率は、可能性または信頼水準と表され得る。

さらなる実施形態では、ＥＭアルゴリズムの代わりに、任意の適切なアルゴリズムが使用されてよい。いくつかの実施形態では、各クラスタは、ガウス分布ではなく代替分布に適合される。

図１０は、図４の結合ヒストグラム２００を示し、カルシウムのボクセルが存在するとＥＭアルゴリズムが決定した結合ヒストグラム２００の領域の境界線を定義する第１の楕円２３０と、ヨウ素のボクセルが存在するとＥＭアルゴリズムが決定した結合ヒストグラム２００の領域の境界線を定義する第２の楕円２３２が示されている。

図１０では、第１の楕円２３０と第２の楕円２３２が重複することが理解されるであろう。したがって、カルシウムボクセルとヨウ素ボクセルという構成員（membership）が混合する領域（第１の楕円２３０と第２の楕円２３２の重複）が存在する。

段階５８では、分類ユニット２８は、期待値最大化アルゴリズムの結果に従って、カルシウムの確率およびヨウ素の確率により各ボクセルをラベリングする。

本実施形態では、段階５８で取得されたラベルは、分類ユニット２８によって出力された最終ラベルである。他の実施形態では、さらなる段階が図３の処理に追加されてもよい。

いくつかの実施形態では、段階５８において出力される確率的ラベルは、確率しきい値に依存して、ボクセルの２つのクラスに分けられる。ボクセルの２つのクラスのうち１つはヨウ素とラベリングされ、２つのクラスのうち１つはカルシウムとラベリングされる。たとえば、いくつかの実施形態では、ヨウ素である確率がカルシウムである確率よりも高いボクセルはヨウ素とラベリングされ、カルシウムである確率がヨウ素である確率よりも高いボクセルはカルシウムとラベリングされる。

いくつかの実施形態では、各ボクセルがヨウ素またはカルシウムとラベリングされた後で、連結成分分析がボクセルに対して実行される。連結成分分析は、ボクセルのラベリングを一掃するために使用されてよい。たとえば、カルシウムの単一ボクセルがヨウ素のボクセルによって囲まれる場合、連結成分分析は、単一カルシウムボクセルがヨウ素と再ラベリングされるべきであると決定することができる。連結成分分析により、周囲のボクセルに依存したカルシウムまたはヨウ素の単一および／または隔離されたボクセルの再ラベリングが発生することがある。

図１１は、図４〜図６および図８〜図１０で使用される各ボクセルに対する（ＩＨｉｇｈ，ＩＬｏｗ）強度の異なる描出を有する結合ヒストグラムプロットを示す。図１１では、カルシウムとラベリングされた各ボクセルに対して、そのボクセルに関連付けられた（ＩＨｉｇｈ，ＩＬｏｗ）ビンに、濃い灰色のマーカが置かれる。ヨウ素とラベリングされた各ボクセルに対して、そのボクセルに関連付けられた（ＩＨｉｇｈ，ＩＬｏｗ）ビンに、薄い灰色のマーカが置かれる。したがって、図１１の色は、各ビン内のボクセルの数ではなく、各ビン内のボクセルのラベリングを表す。段階５４で分類ユニットによってカルシウムとラベリングされたボクセルは、濃い灰色でマークされる。段階５４で分類ユニットによってヨウ素とラベリングされたボクセルは、薄い灰色でマークされる。プロットの白色領域は、ラベリングされたボクセルを含まない。

図１２は、図１１に示されるラベリング情報を空間的に描出したものである。カルシウムとラベリングされた図１１のプロットの三次元空間内の各ボクセルには、濃い灰色が付けられる。ヨウ素とラベリングされた各ボクセルには、薄い灰色が付けられる。

図１２に示されるボクセルのラベリングは、図１２に表される関心領域におけるカルシウムおよびヨウ素のセグメンテーションと考えられ得る。

いくつかの実施形態では、図３の処理で取得される確率的ラベリングは、たとえば造影剤がカルシウムから分離可能な頸動脈造影検査、冠動脈造影検査、または他の任意の血管造影検査において、ヨウ素ボクセルを複数のカルシウム密度のカルシウムボクセルから分離するために直接的に使用されてよい。

いくつかの実施形態では、図３の処理は、血管追跡または管腔セグメンテーションなどのアプリケーション用の画像解析（ＩＡ）アルゴリズムのためのツールとして間接的に使用され得る。

いくつかの実施形態では、図３の処理から取得されるヨウ素ラベルは、仮想非造影画像の生成において使用されてよい。仮想非造影画像は、ヨウ素として識別されたボクセルが血液（造影剤の存在しない血液）を表す強度を有するボクセルに置き換えられるコントラスト画像であってよい。コントラスト画像データから仮想非コントラスト画像を生成することによって、２つのスキャン、すなわち造影剤を使用した１つのスキャンと造影剤を使用しない１つのスキャンを撮影しなければならないことを回避し、患者によって経験される被爆線量がそれに応じて減少され得ることが可能であることができる。

図３の処理は、任意の所定のパラメータまたは固定しきい値を使用しなくてもよいし、段階４４のフィルタ値および／またはビンのサイズなどの処理パラメータの決定以外の任意の所定のパラメータまたは固定しきい値を使用しなくてもよい。いくつかの実施形態では、図３の処理は、比較的高速で簡単な実装形態を有することができる。

図３のフロー図の処理はまた、図１３のフロー図を参照して要約され得る（図３のいくつかの段階は、図１３には明示的に示されていない）。

２つの段階からなるアルゴリズムが、高エネルギースキャンと低エネルギースキャンとを備えるデュアルエネルギーＣＴスキャンからのデュアルエネルギーＣＴ画像データの関心領域に対して実行される。関心領域の各ボクセルは、高エネルギースキャンからの強度ＩＨｉｇｈと、低エネルギースキャンからの強度ＩＬｏｗと、スキャンの座標空間内の座標のセットとを有する。

領域選択ユニット２４は、画像データのセット１００をメモリ２０から受け取る。段階１４２では、領域選択ユニット２４は、使用者の入力に応答して三次元サブボリューム（関心領域）を選択し、このサブボリュームに対応する画像データ１００のサブセット１１０を選択する。段階１４４では、しきい値決定ユニット２６は、フィルタを適用して、サブセット１００からボクセル低強度を除去する。サブセット内の各ボクセルに対する強度値（ＩＨｉｇｈ，ＩＬｏｗ）を備える画像データのサブセット１１０が、アルゴリズムの第１の段階に渡される。

アルゴリズムの第１の段階は、各ボクセルに対する強度データ（ＩＨｉｇｈおよびＩＬｏｗ）のみに基づき、各ボクセルの座標に基づかない、関心領域内のボクセルの教師なしパラメトリック分離を備える。

しきい値決定ユニット２６は、サブセットの（ＩＬｏｗ，ＩＨｉｇｈ）値の二次元結合分布１３０を決定する。段階１５０では、しきい値決定ユニット２６は、いくつかのしきい値候補２０８の各々に対するＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスを計算することによって、Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス曲線を決定し、しきい値候補２０８の各々は異なる傾きを有する。

段階１７０では、しきい値決定ユニット２６は、いくつの最小値がＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス曲線に存在するか判断する。１つの最小値のみが存在する場合、分類ユニット２８は段階１８０に移動し、関心領域内のすべてのボクセルを１つのクラス（たとえばヨウ素）としてラベリングする。

２つの最小値が存在する場合、段階１５２では、しきい値決定ユニット２６は２つの最小値の間に最大値を見つける。しきい値決定ユニット２６は、段階１５０のＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス曲線の最大値に対応する傾きを有する分離線２２０を決定する。段階１５４では、分類ユニット２８は、分離線２２０に依存して、サブセット内のボクセルに対する初期ラベルを作成する。

アルゴリズムの第２の段階は、パラメトリッククラスタリングを備える。分類ユニット２８は、画像データのサブセット１２０を受け取る。サブセット１２０は、サブセット１１０内にあるボクセルと同じボクセルに対する強度データを備え、サブセット１１０内にあるボクセルの各々に対する位置情報（ｘ座標、ｙ座標、ｚ座標）も含む。

分類ユニット２８は、多次元期待値最大化アルゴリズムをサブセット１２０に適用し、段階１５４で決定された初期ラベルを使用してアルゴリズムを初期化する。ＥＭアルゴリズムは、強度情報に加えて、空間情報を使用する。ＥＭアルゴリズムの結果、平均と共分散とを有するガウスモデルである、各クラス（カルシウムまたはヨウ素）に対する推定モデル１５８が得られる。段階１６０では、分類ユニット１６０は、最終的な確率的ラベルをサブセット１２０内のボクセルに割り当てる。出力は確率的構成員であり、ここで、各データ点（ボクセル強度ペア）には、カルシウムまたはヨウ素のどちらかに属する確率が与えられる。

図３および図１３に関して上記で説明された実施形態が試作され、混合プラークファントム２５０からのデュアルエネルギー画像データに対して試験された。ファントムは、撮影中の既知の性質、たとえばＣＴ撮影中の既知の性質を有する構造であってよい。混合プラークファントム２５０は図１４に示されている。混合プラークファントム２５０は、ヨウ素に接する様々なタイプのカルシウム（ＨＡ２００、ＨＡ４００、およびＨＡ８００としてマークされている）を有する構造を含む。図１４の混合プラークファントム２５０は、８０ｋＶのピークエネルギーにおける低エネルギーＣＴスキャンおよび１３５ｋＶのピークエネルギーにおける高エネルギーＣＴスキャンによって画像化された。

図３および図１３の実施形態は、混合プラークファントムにおける２つの関心領域３００、３０１の画像に対して試験された。関心領域３００、３０１の各々は、ヨウ素の領域３０２と、第１のカルシウム領域３０４と、第２のカルシウム領域３０６とを備える。

図１４では、第１のカルシウム領域３０４は２００ｍｇ／ｃｃの密度を有し、高エネルギースキャンにおける３００ＨＵのＣＴ値を有すると予想される。第２のカルシウム領域３０６は４００ｍｇ／ｃｃの密度を有し、高エネルギースキャンにおける５５０ＨＵのＣＴ値を有すると予想される。ヨウ素領域３０２は単一の濃度であり、５５０ＨＵのＣＴ値を有すると予想される。

以下で詳しく述べられる試験で使用されるカルシウム密度およびヨウ素濃度は、いくつかの観点において図１５に示される濃度と異なっていた。試験は、以下のヨウ素濃度を用いて実行された。

第１の試験では、混合プラークファントム２５０の大きい方の関心領域３００のヨウ素領域３０２は、高濃度（濃度１）のヨウ素で満たされた。第１のカルシウム領域３０４は、第１の密度を有するカルシウムで満たされ、第２のカルシウム領域３０６は、第２の密度を有するカルシウムで満たされた。カルシウム領域３０４および３０６の密度は、図１５〜図１８に関して説明された試験全体を通じて同じに保たれる。

三次元サブボリュームが、広い関心領域３００を備えるデュアルエネルギー画像データに対して定義された。この三次元サブボリュームは、ｘ、ｙ、およびｚにおける広い関心領域を含む。三次元サブボリュームは、ｚ方向（図１４に示される面に垂直な方向）において、ファントム２５０の全範囲にわたって延びる。

図１５ａは、大きい方の関心領域３００のＣＴ画像を示す。この画像は既知のファントムのものなので、どのボクセルがヨウ素を表すか、およびどのボクセルがカルシウムを表すかあらかじめわかっており、これは、予想領域ラベリングと呼ばれることがある（どのボクセルがヨウ素を表すか、およびどのボクセルがカルシウムを表すかについての情報は、図３および図１３のアルゴリズムに提供されない）。図１５ｂは、大きい方の関心領域の画像の、カルシウムを表すことが知られているボクセルに濃い灰色が付けられ、ヨウ素を表すことが知られているボクセルに薄い灰色が付けられているバージョンを示す。

図１５ｃは、図１５ａの画像からのボクセルの結合ヒストグラム２００である。カルシウムでもヨウ素でもない可能性のあるボクセルをフィルタ除去するために、フィルタが適用されている。図１５ｃには、ボクセルの３つのクラスタが存在する。

図１５ｄは、図１５ｃの結合ヒストグラム２００上で定義されたしきい値候補２０８のセットに対するＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス対傾きのプロットである。このプロットは２つの最小値２１２の間に最大値２１０を有し、２つの材料（２つの異なる分布）が結合ヒストグラム２００に表されている可能性があることを示す。図１５ｅは、傾きが図１５ｄのプロットの極大値に対応する選択されたしきい値２２０によって分割された結合ヒストグラム２００を示す。

図１５ｆは、図３の処理の段階５８で分類ユニット２８によって決定された楕円２３０と２３２とを示す。図１５ｇは、結果として得られる、カルシウム（濃い灰色）およびヨウ素（薄い灰色）としてのボクセルのラベリングを示す。図１５ｈは、ラベリングされたボクセルの三次元プロットを示す。

第２の試験では、混合プラークファントム２５０の小さい方の関心領域３０１のヨウ素領域３０２は、高濃度（濃度１）のヨウ素で満たされた。三次元サブボリュームが、デュアルエネルギー画像データに対して定義された。このサブボリュームは、ファントムの全ｚ範囲にわたって、小さい関心領域３０１のすべてを備える。

図１６ａは、小さい方の関心領域３０１のＣＴ画像を示す。図１６ｂは、小さい方の関心領域の画像の、カルシウムを表すことが知られているボクセルに濃い灰色が付けられ、ヨウ素を表すことが知られているボクセルに薄い灰色が付けられているバージョンを示す。

図１６ｃは、図１６ａの画像からのボクセルの結合ヒストグラム２００である。カルシウムでもヨウ素でもない可能性のあるボクセルをフィルタ除去するために、フィルタが適用されている。図１６ｃには、ボクセルの１つの小さい別個のクラスタと、ボクセルのより拡張されたクラスタが存在する。

図１６ｄは、図１６ｃの結合ヒストグラム２００上で定義されたしきい値候補２０８のセットに対するＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス対傾きのプロットである。このプロットは、２つの最小値２１２の間に最大値２１０を有する。図１６ｅは、傾きが図１６ｄのプロットの極大値に対応する選択されたしきい値２２０によって分割された結合ヒストグラム２００を示す。

図１６ｆは、図３の処理の段階５８で分類ユニット２８によって決定された楕円２３０と２３２とを示す。図１６ｇは、結果として得られる、カルシウム（濃い灰色）およびヨウ素（薄い灰色）としてのボクセルのラベリングを示す。図１６ｈは、ラベリングされたボクセルの三次元プロットを示す（図１６ｈの方向は図１６ａおよび図１６ｂの方向と異なることに留意されたい）。

第３の試験では、混合プラークファントム２５０の大きい関心領域３００のヨウ素領域３０２は、低濃度（濃度４）のヨウ素で満たされた。三次元サブボリュームが、デュアルエネルギー画像データに対して定義された。このサブボリュームは、ファントムの全ｚ範囲にわたって、大きい関心領域３００のすべてを備える。

図１７ａは、大きい関心領域３００のＣＴ画像を示す。図１７ｂは、大きい関心領域３００の画像の、カルシウムを表すことが知られているボクセルに濃い灰色が付けられ、ヨウ素を表すことが知られているボクセルに薄い灰色が付けられているバージョンを示す。

図１７ｃは、図１７ａの画像からのボクセルの結合ヒストグラム２００である。カルシウムでもヨウ素でもない可能性のあるボクセルをフィルタ除去するために、フィルタが適用されている。図１７ｃには、２つの重複するクラスタが存在する。

図１７ｄは、図１７ｃの結合ヒストグラム２００上で定義されたしきい値候補２０８のセットに対するＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス対傾きのプロットである。このプロットは、２つの最小値２１２の間に最大値２１０を有する。図１７ｅは、傾きが図１７ｄのプロットの極大値に対応する選択されたしきい値２２０によって分割された結合ヒストグラム２００を示す。

図１７ｆは、図３の処理の段階５８で分類ユニット２８によって決定された楕円２３０と２３２とを示す。図１７ｇは、結果として得られる、カルシウム（濃い灰色）およびヨウ素（薄い灰色）としてのボクセルのラベリングを示す。図１７ｈは、ラベリングされたボクセルの三次元プロットを示す（図１７ｈの方向は図１７ａおよび図１７ｂの方向と異なる）。

第４の試験では、混合プラークファントム２５０の小さい方の関心領域３０１のヨウ素領域３０２は、低濃度（濃度４）のヨウ素で満たされた。三次元サブボリュームが、デュアルエネルギー画像データに対して定義された。このサブボリュームは、ファントムの全ｚ範囲にわたって、小さい関心領域３０１のすべてを備える。

図１８ａは、小さい方の関心領域３０１のＣＴ画像を示す。図１８ｂは、小さい方の関心領域の画像の、カルシウムを表すことが知られているボクセルに濃い灰色が付けられ、ヨウ素を表すことが知られているボクセルに薄い灰色が付けられているバージョンを示す。

図１８ｃは、図１８ａの画像からのボクセルの結合ヒストグラム２００である。カルシウムでもヨウ素でもない可能性のあるボクセルをフィルタ除去するために、フィルタが適用されている。図１８ｃには、ボクセルの１つの別個のクラスタと、ボクセルのより拡張されたクラスタが存在し、重複している。

図１８ｄは、図１８ｃの結合ヒストグラム２００上で定義されたしきい値候補２０８のセットに対するＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス対傾きのプロットである。このプロットは、２つの最小値２１２の間に最大値２１０を有する。図１８ｅは、傾きが図１８ｄのプロットの極大値に対応する選択されたしきい値２２０によって分割された結合ヒストグラム２００を示す。

図１８ｆは、図３の処理の段階５８で分類ユニット２８によって決定された楕円２３０と２３２とを示す。図１８ｇは、結果として得られる、カルシウム（濃い灰色）およびヨウ素（薄い灰色）としてのボクセルのラベリングを示す。図１８ｈは、ラベリングされたボクセルの三次元プロットを示す（図１８ｈの方向は図１８ａおよび図１８ｂの方向と異なる）。

図１５ａ〜図１８ｈの結果は、高いヨウ素濃度および低いヨウ素濃度における材料の分離を示す。低濃度ですらヨウ素を分離することができるシステムは、そうでない場合に使用され得るヨウ素濃度よりも低いヨウ素濃度を使用する選択肢を医師に提供し得る。図３の処理は、様々なヨウ素濃度を用いるシナリオで堅牢に実行し得る。

図３の実施形態では、使用者が画像領域を選択し、領域選択ユニット２４は、使用者の選択に依存して、画像ボリュームの三次元サブボリュームを決定する。

代替実施形態では、領域選択ユニット２４は、任意の適切な方法を使用して、画像ボリュームの二次元または三次元のサブボリュームを自動的または半自動的に決定することができる。

一実施形態では、領域選択ユニット２４は、平均ボクセル強度と比較して高い強度を有するボクセルを含む、画像ボリュームの少なくとも１つのサブボリュームを選択する。強度に基づく任意の適切な領域選択方法が使用されてよい。

いくつかの実施形態では、領域選択ユニット２４は、画像データのセグメンテーションに依存して、少なくとも１つのサブボリュームを決定する。

いくつかの実施形態では、領域選択ユニット２４は、複数の可能な画像領域を決定し、その可能な画像領域の各々を、使用者に対して表示される画像上に表示する。たとえば、一実施形態では、領域選択ユニット２４は、レンダリングされた二次元画像（たとえば体軸断面）上に方形のセットを表示し、各方形は可能な画像領域の境界線を表す。使用者は、たとえば１つの方形をクリックすることによって、可能な画像領域のうち１つを選択する。領域選択ユニット２４は、どの方形が使用者によってクリックされたかに依存して、画像ボリュームの三次元サブボリュームを決定する。

一実施形態では、領域選択ユニット２４は、たとえば画像データセット１００の座標空間内でグリッドを決定し、このグリッドに従って画像ボリュームをサブボリュームに分割することによって、画像データボリュームを複数の三次元サブボリュームに分割する。領域選択ユニット２４は、次いで、図３の処理の残りのステップを実行するべき第１のサブボリュームを選択する。そのような一実施形態では、決定された領域の各々に対して、図３の処理が繰り返される。

図３の処理の説明は単一サブボリュームに基づいているが、いくつかの実施形態では、図３の処理は、画像ボリューム全体を包含するいくつかのサブボリューム以下の任意の数のサブボリュームに対して繰り返されてよい。

いくつかの実施形態では、図３の分離処理は、より大きいサブボリュームに対して実行されたとき、または画像ボリューム全体に対して実行されたときよりも、比較的に小さいサブボリュームに対して実行されたときの方が良く機能することができることがわかっている。したがって、図３の処理が画像ボリューム全体などの大きいボリュームに対して使用可能であるとき、領域選択ユニット２４は、その大きいボリュームをより小さいサブボリュームに分割することができる。

たとえば、いくつかの実施形態では、最大サブボリュームサイズが領域選択ユニット２４で定義される。使用者が、定義されたサブボリュームサイズよりもサイズの大きいサブボリュームを選択した場合、領域選択ユニット２４は、選択されたサブボリュームをより小さいサブボリュームに分割し、このサブボリュームは最大サブボリュームサイズよりも小さい。

原理上は、サブボリュームのサイズに関する上限または下限はないが、いくつかの実施形態では、サブボリュームのサイズは、図３の方法の分離能力に対する影響を有する。非常に小さいサブボリュームの場合、標本数が少ないので、方法があまり良く機能しないことがある。しかし、非常に大きいサブボリューム（たとえばボリューム全体）の場合、方法の判別能力または分離能力が低下させられることがある。選ばれたサブボリューム内で十分に表されていない材料は、十分に分離されないことがある。

図３の実施形態では、（たとえば、結合ヒストグラム２００の領域ＡをＩＬｏｗ軸に投影することによって）領域Ａ内の強度を有するボクセルのＩＬｏｗ値を備える領域Ａに対して周辺分布が取得され、やはりＩＬｏｗ値を備える領域Ｂに対して周辺分布が同様に取得される。

代替実施形態では、周辺分布は、たとえば領域をＩＨｉｇｈ軸に投影することによって、その領域内の強度を有するボクセルのＩＨｉｇｈ値を備える各領域に対して取得され得る。しかし、いくつかの状況では、ＩＬｏｗ値の周辺分布のＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスを計算することによって、ＩＨｉｇｈ値の周辺分布のＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスを計算することよりも良い分離または堅牢な結果がもたらされ得ることがわかっている。

図３の実施形態では、しきい値候補２０８のセットに対して逐次処理が実行され、ボクセルがカルシウムと最初にラベリングされる領域をボクセルが最初にヨウ素とラベリングされる領域から分離するために最も良いしきい値候補２２０が選択される。

代替実施形態では、しきい値は、最適化処理を使用して、たとえば第１のしきい値候補２０８を決定し、次いで、そのしきい値候補２０８をコスト関数に基づいて最適化することによって、選択される。しきい値を逐次処理すること（iterating）またはしきい値を最適化することのどちらかが、しきい値を適応的に変更すると説明され得る。しきい値を適応的に変更する任意の適切な手段が使用されてよい。

一実施形態では、Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスは、第１のしきい値候補２０８に対して計算される。しきい値候補２０８は、Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス曲線中の極大値が到達されるまでしきい値を変更することによって最適化される。しきい値決定ユニット２６は、Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスの極大値に対応する傾きおよび切片の値を有するしきい値を選択する。

いくつかの実施形態では、しきい値より上の分布としきい値より下の分布との統計的相違度を決定するために、異なる量、たとえばＪｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスでない別のメトリックが使用されてもよい。

図３の処理では、Ｊｅｎｓｅｎ−ＳｈａｎｎｏｎダイバージェンスおよびＥＭアルゴリズムからのさらなる改良されたラベリングに基づいて初期ラベルを説明しているが、さらなる実施形態では、段階５４における初期ラベルまでの図３の段階のみが実行される。段階５４で決定された初期ラベルは、たとえば期待値最大化法を備えないさらなるラベリング処理への入力として、別の処理に提供されてもよい。

図３の処理は期待値最大化法を備えているが、他の実施形態では、任意の適切なモデル推定アルゴリズムが使用されてよい。

図３の処理は、上記では、ボクセルの３つのクラスタを有する結合ヒストグラムに関して説明されている。実際には、任意の数のクラスタが結合ヒストグラムに存在してよい。図３の処理のクラスタリングアルゴリズム（期待値最大化法を備えることができる）の目的は、結合ヒストグラム内の初期数のクラスタ（たとえば、３つ、４つ、５つ、またはそれ以上）を、たとえば図１０の楕円によって表されるような２つの最終クラスタ、すなわちヨウ素のクラスタおよびカルシウムのクラスタにグループ分けすることである。

図３の処理は、カルシウムボクセルとヨウ素ボクセルの分離に関して説明されている。しかし、図３の処理は、図３の方法によって強度に関して区別可能であることができる材料の任意のペアに適用されてもよい。そのような実施形態では、段階４４で、異なるフィルタを使用してもよいし、フィルタを使用しなくてもよい。カルシウムでもヨウ素でもない材料のペアの分離のための実施形態では、カルシウムおよびヨウ素に使用され得るものと異なる傾き値または切片を使用することができる。図３の処理は、特に分離されるべき材料の強度が、固定のしきい値を使用して材料を分離することが不可能なような強度であるときに使用され得る。

２つの材料の分離が必要とされる場合、質量減衰定数に関する材料の適切な分離を提供し得るＣＴスキャンエネルギーのペア（低スキャンエネルギーおよび高スキャンエネルギー）を見つけることが可能な場合がある。図３の方法は、次いで、材料を自動的に分離するために使用されてよい。図３の方法は、カルシウムおよびヨウ素とともに使用することに限定されず、一般に他の材料に適用されてよい。

そのうえ、図３の方法は、２つの材料の分離に関して説明されているが、さらなる実施形態では、図３の方法は、２つ以上のスキャンエネルギーとともに使用することに拡張され得る。たとえば、Ｎ個のエネルギーにおけるマルチスペクトル収集の場合、方法が拡張され、二次元ではなくＮ次元の結合ヒストグラムを有してよい。

Ｎ次元ヒストグラムを有する実施形態では、各周辺ヒストグラムはＮ−１次元を有する。材料が線（しきい値２２０）により分離される代わりに、分離しきい値は超曲面であってよい。

いくつかの実施形態では、図３の処理は、ボクセルラベルを取得する他の方法も含むラベリング処理の一部として使用されてよい。

そのような一実施形態では、ラベリングシステムは、図２の領域選択ユニット２４と、しきい値決定ユニット２６と、分類ユニット２８とを備えるが、代替クラスタリング方法および／または代替ラベリング方法を実行するように構成されたさらなるユニットも備える。一実施形態では、このシステムは、図２に表される医用画像処理装置１２に類似した医用画像処理装置１２を備え、領域選択ユニット２４、しきい値決定ユニット２６、および分類ユニット２８は、実施形態の方法を実行するよう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、医用画像処理装置１２内で実施される。

他の実施形態では、図２のハードウェアと異なる任意の適切なハードウェアが使用されてよい。

ラベリングシステムにおいて実施されるユニットの概略図が図１９に示されている。

データクラスタリング層４００は、クラスタリングユニット４０２を備える。各クラスタリングユニットは、画像データサブセット１１０のデータに対してクラスタリングの方法を実行する。いくつかのクラスタリング方法は単に強度に基づいてもよいし、他のクラスタリング方法は強度と空間情報の両方に基づいてもよい。クラスタリングの方法としては、たとえば、ｋ平均法、ミーンシフト法、および他の教師なしクラスタリングアルゴリズムがあり得る。各クラスタリングユニット４０２は、未処理クラスタ領域を出力することができる。

データクラスタリング層４００内の各クラスタリングユニット４０２は、クラスタラベリング層４１０内の少なくとも１つのクラスタリングラベリングユニット４１２に入力を提供する。クラスタリングラベリングユニット４１２は、訓練された判別、たとえばＳＶＭを備えることができる。各未処理クラスタ領域は、たとえば訓練された判別を使用することによって、ある信頼水準により、カルシウムまたはヨウ素のどちらかとラベリングされ得る。

図１９の実施形態では、ラベリングユニット４１４は、図２の領域選択ユニット２４と、しきい値決定ユニット２６と、分類ユニット２８とを備える。ラベリングユニット４１４は、図３のフロー図において説明されるように、Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンスから導出されたラベルを使用して初期化された期待値最大化法を実行する。それによって、ラベリングユニット４１４１は、クラスタリングとラベリングの両方を実行し、そのため、いくつかのシステムでは、データクラスタリング層４００とクラスタラベリング層４１０の両方の一部と考えられることがある。

各クラスタリングラベリングユニット４１２およびラベリングユニット４１４は、サブセット１１０内のボクセルに対するラベルのセットをラベル融合ユニット４２０（ラベル融合層と説明されることもある）に渡す。ラベル融合ユニット４２０は、各クラスタリングラベリングユニット４１２から受け取ったラベルを融合させる。各ボクセルに対して、ラベル融合ユニット４２０は、クラスタリングラベリングユニット４１２およびラベリングユニット４１４から複数のラベルを受け取る。たとえば、ラベル融合ユニット４２０は、各ボクセルに対して、各クラスタリングラベリングユニット４１２から１つのラベルと、ラベリングユニット４１４から１つのラベルとを受け取ることができる。いくつかの実施形態では、ラベルのうち少なくとも１つは二値ラベルである。いくつかの実施形態では、ラベルのうち少なくとも１つは確率的ラベルである。ラベル融合ユニット４２０は、次いで、ラベル間の不一致を解決し、ボクセルに対して１つのラベルを出力する。いくつかの実施形態では、結果として得られるラベルは二値である。いくつかの実施形態では、結果として得られるラベルは確率的である。ラベル融合ユニット４２０は、任意の適切なラベル融合方法、たとえば投票またはＳＴＡＰＬＥ（真値と性能レベルの同時推定（Simultaneous Truth and Performance Level Estimation））を使用することができる。

ラベル融合ユニット４２０は、ラベルの統合されたセット、すなわち各ボクセルに対して１つのラベルを出力する。

本実施形態では、ラベル融合ユニット４２０は、融合されたラベルに対してＭＲＦ（マルコフ確率場）ベースの後処理を実行してサブセット内のボクセルに対する最終ラベルのセットを取得する後処理ユニット４３０に、ラベルの統合されたセットを渡す。後処理は、局所的性質を使用したラベルの一掃として説明され得る。

他の実施形態では、ＭＲＦ後処理段階は省略されてもよいし、代替の後処理段階が実行されてもよい。

いくつかの実施形態では、いくつかの異なるクラスタリング方法および／または異なるラベリング方法を使用することによって、クラスタリング方法および／またはラベリング方法のいずれか１つを使用して達成されるよりも高い精度のラベリングが達成され得る。

図９のシステムは、半教師ありのやり方で、カルシウムおよびヨウ素を画像データセット１００から抽出およびラベリングすることができる。

特定の実施形態は、分類ユニットを備える、少なくとも２つのタイプの材料を分離するためにマルチエネルギー画像データを処理するための装置であって、この分類ユニットは、ボクセルに関連付けられたマルチエネルギー強度情報に依存して決定されるしきい値に基づいて、タイプの材料に属するボクセルの分類を取得するように構成される、装置を提供する。

特定の実施形態は、ヨウ素領域およびカルシウム領域を分離および識別するためにボリュメトリック画像データを処理するための装置であって、ユーザインターフェースによる局所的関心領域の識別のための領域識別ユニットと、カルシウムに対する大まかなラベルを生成するためのラベル生成ユニットと、ラベル生成処理は、ヨウ素ボクセルをカルシウムボクセルから最も良く分離するモデルを見つけるためのコスト関数として確率分布距離メトリックを使用してカルシウムに属するボクセルをヨウ素に属するボクセルから分離することを備える、大まかなラベルによって初期化されたモデル生成処理を実行するように構成されたモデル推定ユニットとを備える装置を提供する。

いくつかの実施形態では、局所的関心領域は自動的に定義される。いくつかの実施形態では、確率分布距離メトリックは、比較されるべき２つの分布間の相互の統計的従属性を計算する。メトリックを形成するために個別にまたは組み合わせて使用され得る異なる量は、Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス、相互情報量、またはエントロピー（周辺もしくは結合）を備えることができる。

いくつかの実施形態では、分離のためのモデルは線形であってもよいし、非線形であってもよい。いくつかの実施形態では、最適な分離モデルを見つける処理は逐次的方法であるか、または最適化問題として公式化される。

いくつかの実施形態では、モデル推定ユニットは、期待値最大化アルゴリズムを使用してガウス混合モデルを生成する。いくつかの実施形態では、モデル推定ユニットは、ガウス混合以外のモデルを生成する。

いくつかの実施形態は、ヨウ素領域およびカルシウム領域を分離および識別するためにボリュメトリック画像データを処理するための装置であって、ユーザインターフェースによる局所的関心領域の識別のための領域識別ユニットと、カルシウムに対する大まかなラベルを生成するためのラベル生成ユニットと、ラベル生成処理は、ヨウ素ボクセルをカルシウムボクセルから最も良く分離するモデルを見つけるためのコスト関数として確率分布距離メトリックを使用してカルシウムに属するボクセルをヨウ素に属するボクセルから分離することを備える、大まかなラベルによって初期化されたモデル生成処理を実行するように構成されたモデル推定ユニットとを備える装置をサブシステムとして組み込む。

いくつかのそのような実施形態は、複数のデータクラスタリングアルゴリズムを備えるデータクラスタリング層と、複数のカルシウムおよびヨウ素ラベル生成アルゴリズムを備えるクラスタラベリング層と、ラベル融合システムと、後処理システムとを備える。

いくつかの実施形態では、データクラスタリングアルゴリズムは、データを、各々が教師なしクラスタリングアルゴリズムを使用する領域にクラスタ化する。いくつかの実施形態では、カルシウムおよびヨウ素ラベル生成層は、訓練された判別を使用してラベルを生成する。いくつかの実施形態では、ラベル融合は、多数決またはＳｔａｐｌｅなどの確率的手法に基づく。いくつかの実施形態では、ラベルの後処理は、局所的な空間的性質に従って分類を改良するために実行される。いくつかの実施形態では、ラベルの後処理は、ラベル融合層からの融合されたラベルにより初期化されたＭＲＦラベリング器を用いて実行される。

特定の実施形態が上記で説明されてきたが、任意の実施形態の特徴は、他の任意の実施形態の特徴と組み合わせされ得る。

実施形態が、その実施形態の方法を実行するために実行可能なコンピュータ可読命令を有する１つまたは複数のコンピュータプログラムによって特定の機能を実施することができることは、当業者には十分に理解されよう。コンピュータプログラムの機能は、ハードウェアの形で（たとえばＣＰＵによって）実施されてよい。実施形態はまた、１つまたは複数のＡＳＩＣ（特定用途向け集積回路）によって実施されてもよいし、ハードウェアまたはソフトウェアの混合物によって実施されてもよい。

本明細書において、特定のユニットが説明されてきたが、代替実施形態では、これらのユニットのうち１つまたは複数の機能が、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てもよいし、単一のユニットによって提供される機能が、２つ以上のユニットまたは他の構成要素によって組み合わせて提供されてもよい。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遠隔にあろうとなかろうと、そのような構成要素を含み、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含む。

特定の実施形態が説明されてきたが、これらの実施形態は、例として提示されているにすぎず、本発明の範囲を限定することを意図したものではない。実際には、本明細書で説明される新規な方法およびシステムは、様々な他の形態で実施されてよい。そのうえ、本明細書で説明される方法およびシステムの形態における様々な省略、置き換え、および変更は、本発明の趣旨から逸脱することなく加えられ得る。添付の特許請求の範囲およびその等価物は、本発明の範囲に含まれるそのような形態および変更形態を包含することを意図するものである。

Claims (22)

1. マルチエネルギー画像データのピクセルまたはボクセルに関連付けられたマルチエネルギー強度情報に基づいて適応的にしきい値を変更する変更ユニットと、
   前記変更されたしきい値に基づいて、前記マルチエネルギー画像データが有する複数のピクセルまたは複数のボクセルを、少なくとも二種類の物質のそれぞれに対応するピクセルまたはボクセルに分類する分類ユニットと、
   を具備し、
   前記変更ユニットは、前記しきい値の適応的な変更において、
   少なくとも一つのしきい値候補を決定し、
   前記少なくとも一つのしきい値候補に基づいて、第１の範囲に属するピクセルまたはボクセルと第２の範囲に属するピクセルまたはボクセルとを特定し、
   前記第１の範囲に属するピクセルまたはボクセルと前記第２の範囲に属するピクセルまたはボクセルとの統計的相違度を決定し、
   前記少なくとも一つのしきい値候補の中から、前記統計的相違度の最大値に対応するしきい値候補を選択することで、前記適応的に変更されるしきい値を決定する、
   医用画像診断装置。
2. 前記分類ユニットは、
   前記変更されたしきい値に基づいて、前記少なくとも二種類の物質のそれぞれに対応するピクセルまたはボクセルを初期分類し、
   前記マルチエネルギー強度情報および前記マルチエネルギー画像データのピクセルまたはボクセルに関連付けられた空間情報と、前記初期分類とに基づいて、前記少なくとも二種類の物質のそれぞれに対応するピクセルまたはボクセルに分類すること、
   を特徴とする請求項１記載の医用画像診断装置。
3. 前記分類ユニットは、前記変更されたしきい値を基準として、前記第１の範囲に属するピクセルまたはボクセルと前記第２の範囲に属するピクセルまたはボクセルとを特定することで、前記初期分類を実行することを特徴とする請求項２記載の医用画像診断装置。
4. 前記分類ユニットは、前記マルチエネルギー画像データのピクセルまたはボクセルに関連付けられた空間情報と、前記マルチエネルギー画像データのピクセルまたはボクセルの位置と、前記マルチエネルギー画像データのピクセルまたはボクセルの近傍に存在するピクセルまたはボクセルに関連付けられた強度情報と、に基づいて、前記初期分類を改良することを特徴とする請求項２又は３記載の医用画像診断装置。
5. 前記分類ユニットは、クラスタモデル推定アルゴリズム、逐次クラスタモデル推定アルゴリズム、期待値最大化アルゴリズム、ガウス混合モデルを使用するアルゴリズム、ハードパーティションベースのクラスタリングアルゴリズム、ファジーパーティションベースのクラスタリングアルゴリズム、分布ベースのクラスタリングアルゴリズム、密度ベースのクラスタリングアルゴリズムのうち、少なくともいずれかを用いて前記分類を実行することを特徴とする請求項１乃至４のうちいずれか一項記載の医用画像診断装置。
6. 前記分類ユニットは、前記分類として、非確率的分類又は確率的分類を実行することを特徴とする請求項１乃至５のうちいずれか一項記載の医用画像診断装置。
7. 前記変更ユニットは、前記マルチエネルギー画像データに設定された関心領域内のピクセルまたはボクセルに関連付けられたマルチエネルギー強度情報に基づいて、前記しきい値の変更を実行することを特徴とする請求項１乃至６のうちいずれか一項記載の医用画像診断装置。
8. 前記変更ユニットは、最適化処理または逐次処理のうち少なくとも一方に従って、前記しきい値を適応的に変更することを特徴とする請求項１乃至７のうちいずれか一項記載の医用画像診断装置。
9. 前記変更ユニットは、前記最適化処理または逐次処理において、確率分布距離メトリック、Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス、相互情報量、周辺エントロピー、結合エントロピー、２つ以上の確率分布間の統計的従属性または距離を定量化するメトリックのうち、少なくとも一つを用いることを特徴とする請求項８記載の医用画像診断装置。
10. 前記変更ユニットは、前記統計的相違度の最大値に対応するしきい値候補の選択において、前記統計的相違度の２つの最小値の間に存在する極大値に対応するしきい値候補を選択することを特徴とする請求項１記載の医用画像診断装置。
11. 前記変更ユニットは、前記しきい値の適応的な変更において、
    前記第１の範囲に属するピクセルまたはボクセルに関連付けられた強度値の分布と、前記第２の範囲に属するピクセルまたはボクセルに関連付けられた強度値の分布との前記統計的相違度を決定すること、
    を有する請求項１記載の医用画像診断装置。
12. 前記マルチエネルギー画像データは、高いエネルギーと低いエネルギーとを用いて撮影されたデュアルエネルギー画像データであり、
    前記第１の範囲に属するピクセルまたはボクセルに関連付けられた前記強度値の分布は、前記低いエネルギーによるスキャンからの強度値の一次元分布を有し、
    前記第２の範囲に属するピクセルまたはボクセルに関連付けられた前記強度値の分布は、前記高いエネルギーによるスキャンからの強度値の一次元分布を有すること、
    を特徴とする請求項１１記載の医用画像診断装置。
13. 前記変更ユニットは、前記統計的相違度の決定において、確率分布距離メトリック、Ｊｅｎｓｅｎ−Ｓｈａｎｎｏｎダイバージェンス、相互情報量、周辺エントロピーまたは結合エントロピー、２つ以上の確率分布間の統計的従属性または距離を定量化するメトリックのうち少なくとも一つを用いることを特徴とする請求項１１又は１２記載の医用画像診断装置。
14. 前記マルチエネルギー画像データは、高いエネルギーと低いエネルギーとを用いて撮影されたデュアルエネルギー画像データであり、
    前記変更ユニットは、前記低いエネルギーによるスキャンからの第１の強度値と、前記高いエネルギーによるスキャンからの第２の強度値との関数を用いて、前記しきい値の適応的な変更を行うことを特徴とする請求項７記載の医用画像診断装置。
15. 前記変更ユニットは、前記しきい値の適応的な変更において、前記第１の強度値および前記第２の強度値の関数を実質的な直線として、傾きおよび切片のうち少なくとも１つを決定することを特徴とする請求項１４記載の医用画像診断装置。
16. 画像ボリュームを表すマルチエネルギー画像データセットを受け取り、前記マルチエネルギー画像データセットから前記マルチエネルギー画像データを選択する領域選択ユニットをさらに具備することを特徴とする請求項１乃至１５のうちいずれか一項記載の医用画像診断装置。
17. 前記領域選択ユニットは、
    画像領域の使用者選択を受け取り、前記使用者が選択した画像領域に依存して前記画像ボリュームの一部を選択し、
    前記マルチエネルギー画像データを自動的に選択し、
    前記画像ボリュームの前記一部を自動的に選択し、
    前記マルチエネルギー画像データセット内の強度値に依存して前記マルチエネルギー画像データを選択すること、
    を特徴とする請求項１６記載の医用画像診断装置。
18. 前記マルチエネルギー画像データは、デュアルエネルギー画像データ、ＣＴデータ、ボリュメトリック画像データのうち少なくとも一つであることを特徴とする請求項１乃至１７のうちいずれか一項記載の医用画像診断装置。
19. 前記少なくとも二種類の物質は、カルシウム、造影剤材料、ヨウ素のうち少なくともいずれかであることを特徴とする請求項１乃至１８のうちいずれか一項記載の医用画像診断装置。
20. 各々が前記マルチエネルギー画像データ内のピクセルまたはボクセルのクラスタ領域を決定する複数のデータクラスタリングユニットと、
    前記データクラスタリングユニットのうち１つまたは複数によって決定されるピクセルまたはボクセルのクラスタ領域をラベリングする少なくとも１つのクラスタラベリングユニットと、
    前記ラベリングされたクラスタ領域から前記ピクセルまたはボクセルのためのラベルの単一セットを決定するラベル融合ユニットと、
    前記ラベルの単一セットを改良する後処理ユニットと、
    をさらに具備する請求項１乃至１９のうちいずれか一項記載の医用画像診断装置。
21. 前記複数のデータクラスタリングユニットは、教師なしクラスタリングアルゴリズムを用いて、前記マルチエネルギー画像データ内のピクセルまたはボクセルのクラスタ領域を決定し、
    前記少なくとも１つのクラスタラベリングユニットは、訓練された判別を使用して前記ピクセルまたはボクセルのクラスタ領域をラベリングし、
    前記ラベル融合ユニットは、多数決、確率的ラベル融合、または真値と性能レベルの同時推定のうち少なくとも一つに基づいて、前記ピクセルまたはボクセルのための前記ラベルの単一セットを決定し、
    前記後処理ユニットは、前記ピクセルまたはボクセルに関連付けられた空間情報に依存して前記ラベルの単一セットを改良し、マルコフ確率場ラベリング器を使用して前記ラベルの単一セットを改良すること、
    を特徴とする請求項２０記載の医用画像診断装置。
22. マルチエネルギー画像データのピクセルまたはボクセルに関連付けられたマルチエネルギー強度情報に基づいて適応的にしきい値を変更する変更ユニットと、
    前記変更されたしきい値に基づいて、前記マルチエネルギー画像データが有する複数のピクセルまたは複数のボクセルを、少なくとも二種類の物質のそれぞれに対応するピクセルまたはボクセルに分類する分類ユニットと、
    を具備し、
    前記変更ユニットは、前記しきい値の適応的な変更において、
    少なくとも一つのしきい値候補を決定し、
    前記少なくとも一つのしきい値候補に基づいて、第１の範囲に属するピクセルまたはボクセルと第２の範囲に属するピクセルまたはボクセルとを特定し、
    前記第１の範囲に属するピクセルまたはボクセルと前記第２の範囲に属するピクセルまたはボクセルとの統計的相違度を決定し、
    前記少なくとも一つのしきい値候補の中から、前記統計的相違度の最大値に対応するしきい値候補を選択することで、前記適応的に変更されるしきい値を決定する、
    医用画像処理装置。