JP6776283B2 - 血管のセグメンテーションの方法および装置 - Google Patents

Description

関連出願の相互参照
本出願は、２０１７年１月１９日付のポルトガル国特許出願第１０９８６４号の優先権を主張する。

乳がんは、アメリカがん協会によって定義されているように、乳房組織を発生母地とする悪性腫瘍である。２０１６年中には、米国において乳がんに罹患した新たな女性患者数は２３０，０００を超えると推定される。これは、全ての新たながん症例の約２９％、および女性の全てのがん死の１５％に相当する（非特許文献１）。しかしながら、罹患率は世界中で異なる。一般に、先進国は発展途上国よりも乳がん発症率が高い。発展途上国では、乳がんはがん死亡率の最も一般的な原因であるが、先進国の場合はがん死亡率の原因の２位であり、最も多い原因は肺がんである。先進国は、より有効な早期診断および治療が可能なため、発展途上国において実証されている死亡率（３７％）よりも低い死亡率（２５％）がもたらされている。

乳がんと診断された女性は、再発の恐怖、身体像の崩壊、性機能不全、および死についての心配から、不安感およびうつ状態に悩まされる確率が高い（非特許文献２）。乳房温存法は、乳房切除術と同等の生存率を示している（非特許文献３）。しかしながら、乳房切除術（乳房の除去）は、依然として多く繰り返されている処置であり、機関によっては増加すらしている（非特許文献４〜６）。このことは、腫瘍を完全に排除するには乳房全体を除去するのがより安全な方策であると考える患者がいることを示唆している。この発想は、乳房切除術の後に乳房を再建するという選択肢によって、更に現実味があるものとなっている。再建法によって、外科医が乳房の形状を再現することができ、乳房を切除した後の女性の自分自身および自分のイメージについての感じ方を改善する。

乳房再建率は、患者の国、地域、および社会経済的背景に応じて大幅に異なる（非特許文献７）。いわゆる深下腹壁動脈穿通枝（ＤＩＥＰ）皮弁は、自家組織乳房再建の現況技術となっている（非特許文献８）。ＤＩＥＰ皮弁は一種の乳房再建術であり、深部ＤＩＥＰと呼ばれる血管、ならびにそれにつながる皮膚および脂肪を下腹部から除去し、それを胸部に移植して、腹筋を何ら犠牲にすることなく乳房切除術後の乳房を再建するというものである。

ＤＩＥＰ皮弁などの技術を実施するのには顕微手術が必要になり始めたため、医用画像診断が乳房再建技術において役割を果たすようになっている。これらのＤＩＥＰ皮弁の実行可能性は、ＤＩＥＰ皮弁に含まれる穿通枝のいくつかの特徴に関連する（非特許文献９）。臨床医は、術前画像診断によって、臨床医が抽出した所見にしたがって手術を計画することができる。

それらの関連する特性の目標抽出および更には深下腹壁動脈（ＤＩＥＡ）穿通枝のセグメンテーションに焦点を当てた文献によって、知られているアルゴリズムはない。

脈管セグメンテーションの例としては国際特許出願ＷＯ２０１４／１６２２６３（Philips）が挙げられ、これは、造影剤の注入後に得られる脈管構造の一連の時系列血管造影２Ｄ画像を使用する。データ処理部は、時系列に沿った複数の決定されたピクセルそれぞれに対して造影剤の注入に関連する所定の特性の到着時間指数を決定し、到着時間指数に基づいて、決定された複数のピクセルそれぞれに対していわゆる結合指数を計算するように構成される。データ処理部は、複数の決定されたピクセルから、脈管構造のセグメンテーションデータを生成する。セグメンテーションデータはピクセルの結合指数に基づいている。

米国特許第８，７６８，４３６号（Hitachi Medical）は、冠状動脈領域および心筋領域のＸ線ＣＴ画像の処理方法について教示している。これによって、心筋領域における梗塞形成または狭窄の影響を視覚的に認識することができる。

これらの特許文献はどちらも、特に乳房再建技術で使用するための、ＤＩＥＰの脈管セグメンテーションに適した方法について教示していない。

脈管セグメンテーションアルゴリズムは、通常、異なるタイプの脈管に当てはまる共通の原理および仮定に従っている。三次元（３Ｄ）脈管セグメンテーションに関する主な方策についての詳細な説明は、Lesageらによって行われている（非特許文献１０）。

国際特許出願ＷＯ２０１４／１６２２６３ 米国特許第８，７６８，４３６号

Siegel, R., Miller, K., Jemal, A.: Global cancer statistics. A Cancer Journal for Clinicians. 65, 5{29 (2015) Hewitt, M., Herdman, R., Holland, J.: Meeting psychosocial needs of women with breast cancer. The National Academies Press. (2004) Lichter, A., Lippman, M., Danforth, D., Angelo, T., Steinberg, S., deMoss, E., Mac-Donald, H., Reichert, C., Merino, M., Swain, S., Cowan, K., Gerber, L., Bader, J., Findlay, P., Schain, W., Gorrell, C., Straus, K., Rosenberg, S., Glatstein, E.: Mastectomy versus breast-conserving therapy in the treatment of stage I and II carcinoma of the breast: a randomized trial at the National Cancer Institute. Journal of Clinical Oncology. 10, 976{983 (1992) McGuire, K., Santillan, A., Kaur, P., Meade, T., Parbhoo, J., Mathias, M., Shamehdi, C., Davis, M., Ramos, D., Cox, C.: Are Mastectomies on the Rise? A 13-Year Trend Analysis of the Selection of Mastectomy Versus Breast Conservation Therapy in 5865 Patients. Annals of Surgical Oncology. 16, 2682{2690 (2009) Dragun, A., Huang, B., Tucker, T., Spanos, W.: Increasing mastectomy rates among all age groups for early stage breast cancer: A 10-year study of surgical choice. Breast Journal. 18, 318{325 (2012) Mahmood, U., Hanlon, A., Koshy, M., Buras, R., Chumsri, S., Tkaczuk, K., Cheston, S., Regine, W., Feigenberg, S.: Increasing national mastectomy rates for the treatment of early stage breast cancer. Annals of surgical oncology. 20, 1436{43 (2013) Wexelman, B., Schwartz, J., Lee, D., Estabrook, A., Ma, A.: Socioeconomic and Geographic Di_erences in Immediate Reconstruction after Mastectomy in the United States. The Breast Journal. 20, 339{346 (2014) Cina, A., Salgarello, M., Barone-Adesi, L., Rinaldi, P., Bonomo, L.: Planning breast reconstruction with deep inferior epigastric artery perforating vessels: multidetector CT angiography versus Color Doppler US. Radiology. 255, 979{987 (2010) Phillips, T., Stella, D., Rozen, W., Ashton, M., Taylor, G.: Abdominal wall CT angiography: a detailed account of a newly established preoperative imaging technique. Radiology. 249, 32{44 (2008) Lesage, D., Angelini, E., Bloch, I., Funka-Lea, G.: A review of 3D vessel lumen segmentation techniques: Models, features and extraction schemes. Medical Image Analysis. 13, 819{845 (2009) Otsu, N.: A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics. 9, 62{66 (1979) Agam, G., Armato, S., Wu, C.: Vessel tree reconstruction in thoracic CT scans with application to nodule detection. IEEE Transactions on Medical Imaging. 24, 486{499 (2005) Kalman, R.: A New Approach to Linear Filtering and Prediction Problems. Journal of Basic Engineering. 82, 35{45 (1960) Oliveira, H., Cardoso, J., Magalhes, A., Cardoso, M.: A 3D low-cost solution for the aesthetic evaluation of breast cancer conservative treatment. Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization. 2, 90{106 (2014) Hart, P., Nilsson, N., Raphael, B.: A formal basis for the heuristic determination of minimum cost paths. IEEE Transactions on Systems, Science, and Cybernetics. 4, 100{107 (1968) Frangi, A., Niessen, W., Vincken, K., Viergever, M.: Multiscale vessel enhancement FIltering. Medical Image Computing and Computer-Assisted Intervention. Lecture Notes in Computer Science. 1496, 130{137 (1998) Kovesi, P.: Phase preserving denoising of images. DICTA 99: Fifth International/National Biennial Conference on Digital Image Computing, Techniques and Applications. 212{217 (1999) Bullitt, E., Gerig, G., Pizer, S., Lin, W., Aylward, S.: Measuring tortuosity of the intracerebral vasculature from MRA images. IEEE Trans. Med. Imaging. 22, 1163{1171 (2003)

本明細書は、複数の画像を使用する血管のセグメンテーションの方法について開示する。方法は、対象の領域、例えば腹部を通る軸スライスを表す複数の画像を獲得することと、複数の画像における高濃度領域と低濃度領域との境界を規定することによって、筋肉領域と皮下領域との間の筋膜層を規定することとを含む。方法は更に、血管の第１の目印を決定することと、その後、血管の目印と筋膜層との間の皮下経路を計算することと、次に、筋膜層と第２の目印との間の筋肉内経路を計算することとを含む。

血管を効率的にセグメンテーションするために、獲得した複数の画像のグレースケールを二値画像に換算し、および／または更に、皮膚などの画像上のアーチファクト、即ち連続特徴における空白を除去する。

皮下経路は追跡手順を使用して計算する。脈管の中心は、複数の獲得画像におけるボクセルの濃度変化から決定する。筋肉内経路は最少コスト経路方法を使用して計算する。

血管のセグメンテーションの装置についても開示する。装置は、対象領域の軸スライスの複数の画像を格納するデータベースと、方法を実施するソフトウェアを用いて複数の画像を解析するプロセッサとを含む。

図１ａ）および図１ｃ）は、白い四角の内側を対象領域とするＣＴＡ軸スライス（隣接しない）を示す図、図１ｂ）および図１ｄ）は、重要な構造または範囲に印を付けた対応する対象領域を示す図である。

本発明の方法の概要を示す図である。

矢状面における前腹部解剖学的構造を示す図である。

元の画像（左欄）と、Otsuの方法によって与えられる閾値を利用して得られた対応するセグメンテーション（右欄）とを示す図である（非特許文献１１）。

画像補正方法の概要を示す図である。

図４で使用した画像例に対する塗りつぶし作業（左欄）および未加工の筋膜セグメンテーション（右欄）のモジュールの出力を示す図である。

矢状スライスにおける予備的筋膜セグメンテーション（左欄）および対応する最終セグメンテーション（右欄）を示す図である。

局所勾配の解析によって得られる予測と補正基準抽出ステップを表す図である。

隆起ポイントを見つけるためのテンプレートを示す図である。

中心線地点補正基準のａ）勾配ベクトルフィールドを重畳した最初の断面画像、ｂ）内積の応答、ｃ）中心推定を示す図である。

患者のボリュームの様々なスライス（左欄）と、それに対応する、Frangiの脈管確率への変換を適用することによって得られるコスト（右欄）とを示す図であり（非特許文献１６）、矢印が筋肉内脈管を位置決めしている図である。

脈管のアキシャル断面に沿った線を得るプロセスを表し、

が面Ａへのｖの投影である、図である。

使用される装置の概要を示す図である。

本明細書は、穿通枝（器官を貫通する血管）の関連する特性、ならびに穿通枝の皮下領域を検出するのに追跡手順に基づいた局所勾配の検証に使用される、方法および装置を記載し、変換されたFrangiの血管性（Vesselness）（非特許文献１６）のコストとして使用するＡ^＊に基づいた検索を検証して、穿通枝の筋肉内進路を抽出する。

リスボンのThe Champalimaud Foundationは、２０名の異なる患者からのコンピュータ断層血管造影法（ＣＴＡ）ボリュームを、医用におけるデジタル画像と通信（ＤＩＣＯＭ）フォーマットで提供し、患者の身体の長軸に対して垂直に撮像した多数の、例えば求められる解像度に応じて、５０またはそれ以上の軸スライスを備える。ＣＴＡは、患者の体内の動脈および静脈を可視化するのに使用される、当該分野で知られている技術である。

ＣＴＡボリュームは、患者の腹部領域全体からの情報を提供する。本明細書は、ＤＩＥＰ穿通枝が生じる場所であるため、前腹壁領域に焦点を当てた方法について教示する。図１は、存在する構造の印を伴う対象領域のいくつかの例を示している。図１ａおよび１ｃは、白い四角の内側を対象領域とするＣＴＡ軸スライス（隣接しない）を示している。図１ｂおよび１ｄは、重要な構造または範囲に印を付けた対応する対象領域を示している。１は左右のＤＩＥＡ、２は腹直筋、３は皮下領域、４は皮膚組織、５は穿通枝の皮下部分、６は穿通枝の筋肉内部分である。

高さに関して、対象のボリュームは、ＤＩＥＡが腹直筋鞘の後側層（図１ｂを参照）に入る領域で始まり、臍範囲の少し上で終わる。この区画の上方でＤＩＥＡ穿通枝が見出されることは予期されない。

穿通枝（皮下および筋肉内の両方）の進路は、専門家によって、「グラウンドトゥルース」の印として、即ち直接観察された情報として提供された。The Champalimaud Foundationは、患者それぞれに対する医療報告を提供した。存在する穿通枝の説明を、例えば放射線専門医が行った。説明には、穿通枝の口径（内径）、穿通枝が筋膜を離れる部位、皮下進路の配向、ならびに筋肉内進路の曲がりおよび長さが含まれた。

図２は、本発明の一態様による方法を示している。第１のステップ２００は、画像の獲得を伴い、次に、ステップ２０５で放射線専門医（例えば）が、ＤＩＥＡが腹直筋鞘の後側層に入る部位および穿通枝それぞれの終点を手動で選択することによって、対象のボリュームを規定することを要する（図３を参照）。これらは、脈管の経路を計算するために、本開示の方法によって使用される目印を表す。図３に示される穿通枝の２つの終点３０ａおよび３０ｂがあり、それらが第１の目印を形成し、ＤＩＥＡが腹直筋鞘の後側層に入る位置３２が第２の目印を形成することが分かる。図３は、女性に６〜８個の穿通枝があるような簡略化したものを表している。

これに続いて、それらの目印を利用して、穿通枝血管を自動的に抽出する方法が行われる。図１ｄ）で、穿通枝の皮下および筋肉内領域が非常に明確なＳＮＲを呈することが分かる。このことは、ステップ２１５で皮下経路を得る迅速な方策と、ステップ２２０で筋肉内経路を抽出するより複雑でコストが最小限である経路の方法を示唆している。

両方の領域をどのように分離するかを知るため、最初に、ステップ２１０で、筋肉の前部筋膜をセグメンテーションする。最後に、存在する穿通枝の抽出後、ステップ２２５で、穿通枝それぞれの関連する特性を含む報告を生成する。

前部筋膜は、腹直筋をその下にある皮下領域の軟組織から分離する組織の薄層である。ＣＴＡの画像濃度に関して、前部筋膜を腹直筋から簡単に区別することはできないと考えられている。前部筋膜は、上述したように、この腹直筋と皮下領域との境界と考えられ、対象領域のみを考慮したときに各軸スライスの全ての列の上に存在する、低濃度の画像中のピクセル（皮下領域を示す）から高濃度のピクセル（腹直筋、即ち筋肉領域を示す）への遷移によって特徴付けられる。したがって、グレースケール画像を二値画像に換算するOtsuの方法（非特許文献１１）を、筋肉を皮下領域から区別することを目標として、ＣＴＡから生成した軸スライスそれぞれの対象領域に適用した（結果の例については図４を参照）。元のグレースケール画像が図４の左欄に示されており、閾値を使用して得られる対応するセグメンテーション（二値画像）が、Otsuの方法（非特許文献１１）によって与えられ、図４の右欄に示されている。

筋膜の予備的なセグメンテーションを得るため、図５に示される方法に従う。ステップ５１０で、画像上におけるあらゆる皮膚検出を除去する。皮膚は、画像上のアーチファクトであり、図４に示される画像の細線として見ることができる。皮膚を除去する効果は、図６の左側の画像に見ることができる。皮膚は、軟組織を患者の体外から分離する画像中の領域であり、したがって対象ではない。ステップ５２０の試験によって、単一の成分が列全ての上に延在するか否かを判断する。それが該当しない場合、二値画像の閾値レベルをステップ５３０で変更し、ステップ５２０を繰り返す前に、検出された皮膚があればステップ５１０で除去する。

ステップ５４０は、画像中に明らかに存在する成分の欠落（白いピクセル）によって、画像中にギャップがあればそれを充填する充填作業を伴う。これは、充填作業が完了している、図６の左側に見ることができる。

ここで、図４の下半分に見ることができるように、成分と皮膚との間に、別のアーチファクトまたはオブジェクトがステップ５５０で検出されたものと仮定する。このオブジェクトは、峡部と称され、ステップ５６０で画像から除去する必要がある。これは、画像濃度の水平微分の計算によって検出される、ピクセルを除去することによって行うことができる。最後に、ステップ５７０は、輪郭を結合された状態で保つことに関与する。結合された輪郭は、８近傍またはムーア近傍における全ての暗色ピクセルが結合されている線と見なされる（即ち、１つおきのピクセルが１つのピクセルの辺または角に結合される）。画像処理後に、筋肉を皮下領域の軟組織から分離する境界（一種の「孤立曲線」）および別の望ましくないアーチファクトの一部ではないことが明らかな、いくつかの輪郭が見出されるものと仮定する。次に、これらのアーチファクトまたは曲線を画像から消去する必要がある。結合された孤立曲線がｎピクセル未満（ｎは経験的に１１に設定）である限り、欠落している曲線を消去することができるという、経験に基づく決定を行った。

予備的なセグメンテーションの完全でより平滑なものである、最終セグメンテーションを達成するため、新たな筋膜の推定を、矢状面上における予備的検出の近傍を使用した局所回帰の出力として設定する。矢状スライスでは、筋肉と皮下領域との間の境界は通常、非常に平滑であることが知られている。本出願の対象のボリュームにおける各矢状スライスの各行に対して、次式によって新しい筋膜点（ｐ_ｒｏｗ，ｐ_ｃｏｌ）が与えられる。

式中、Ｐは、範囲［ｐ_ｒｏｗ−ｎ，ｐ_ｒｏｗ＋ｎ］に含まれる矢状近傍を考慮に入れたｂｉｓｑｕａｒｅ目的関数に基づいた局所回帰モデルであり、ｎは次式によって表される。

ｓは、ボリュームの特性である、連続ピクセル間のミリメートル単位の距離（データ補間後のボリュームの全ての方向で同じ）、ｍは、やはりミリメートル単位の、無視すべき最大構造のサイズである。これは、最大構造が筋膜セグメンテーションに及ぼす影響を除去するために、画像のデータを平滑化するのに行われる。この例のデータセットでは、脈管の口径が、無視すべき最大構造である。ｋは定数である。この最後の定数ｋは、構造、例えば脈管の口径の影響を画像から除去するのに考慮すべきデータの量である。この作業において、ｍ＝５を考慮し、ｋ＝５を経験的に得た。換言すれば、画像中のピクセルのうち３つに現れる構造を除去または無視するのに、この計算に関して３×ｋピクセルからの、即ち１５の近傍ピクセルからのデータを使用する必要がある。この方策の結果を、図７に見ることができる。この式の結果は平滑な輪郭を生み出すものであることが分かる。

次に、脈管の検出について説明する。

皮下経路（ステップ２１０）は、各穿通枝の終点（第１の目印）および筋膜層が分かっていることを所与として、計算することができる。追跡手順を使用して、筋膜層に達するまで、脈管に沿って新しい中心線地点を推定する。中心線地点は、局所脈管方向にしたがって計算する。

ＣＰ_ｔは、反復ｔで推定される中心線地点、ｓは、連続する中心線地点間に与えられるステップを制御するスカラー（ｓ＝１を使用した）、

は、局所脈管方向を指す単位ベクトルである。後者の単位ベクトル

は、Agam et al.（非特許文献１２）に基づいて、局所勾配ベクトルの解析によって推定される。脈管方向

は、局所勾配ベクトルの二乗投影をｖへと最小限に抑えるものである。

式中、ｎは、局所勾配ベクトルの数、ｇ_ｉはｉ番目の勾配ベクトルである。後者のｉは、局所勾配ベクトルの指数を示し、１からｎまでである。局所勾配ベクトルの数は、使用されるウィンドウのサイズに応じて決まることが理解されるであろう。例えば、ウィンドウが３×３×３のサイズである場合、ボクセルの近傍を特徴付ける２７の局所勾配ベクトルがあることになる。

を表すことによって、上記式はＥ（ｖ）＝ｖ^ＴＧＧ^Ｔｖとなり、ＧＧ^Ｔは３×３の相関行列である。Agam et al.（非特許文献１２）によって示されるように、Ｅ（ｖ）の最小値はその最小固有値に属するＧＧ^Ｔの固有ベクトルによって得られる。

次に、ＣＰ_ｔ＋１の値を推定するため、ＣＰ_ｔの近傍に含まれる局所勾配ベクトルを使用する。この近傍は、ｐ×ｐ×ｐのウィンドウによって与えられ、この作業に対してはｐ＝７を経験的に選択した。したがって、この例では、局所勾配ベクトルの数は７×７×７＝３４３である。

この方法によって、ｐ×ｐ×ｐのウィンドウを通過する脈管の局所方向を見つけることが可能になる。この方法は、推定された中心線地点が脈管の中心に近いことを保証するものではないことが観察されるであろう。この課題を補正するため、追加の基準を使用し、カルマンフィルタによる枠組みに組み込んだ（非特許文献１３）。これは、脈管の中心にあるボクセルがより高い濃度を有し、中心からの距離が増加するにしたがってボクセルの濃度が減少するという仮定に依存している。脈管の断面の２Ｄ画像では、勾配ベクトル場の拡散を解析することによって、中心位置Ｚを見出すことができると予期される。

局所勾配ベクトル情報を使用して、新しい中心線地点

の位置を予測した後、中心線地点を含むと共に、脈管方向

に直交する面が得られる（図８を参照）。この面は、脈管の２Ｄ断面である、ほぼ円形の明るい領域を含むことが予期される。勾配ベクトル場を計算し（非特許文献１４）、図９に示されるテンプレートに対するその類似性を、相互相関によって評価する。

式中、ｆおよびｇはそれぞれ、勾配配向ベクトル場およびテンプレートベクトル場を表し、ｆ^＊は、ｆの複素共役である。中心位置推定Ｚ_ｔ＋１は、最大応答位置に相当する（図１０を参照）。補正基準が利用可能な場合は常に、推定中心線地点は、カルマンフィルタフュージング

および補正基準Ｚ_ｔ＋１の出力である。この作業では、５回の反復ごとに補正基準を用いた。少なくとも、補正基準をより高頻度で計算することが可能であるが、これによって演算コストが増加するであろう。

次に、筋肉内経路の計算について説明する。上述したように、穿通枝の筋肉内進路を表す画像は、一般に、非常に低いＳＮＲを有する。したがって、筋肉内進路を決定するこのタスクに対して、一般的な追跡手順は適切ではない。穿通枝が筋膜に達する部位と、手動で特定されたＤＩＥＡの第２の目印との間の筋肉内脈管経路を見つけるため、最少コスト経路方法を使用することが提案される。上述したように、これは、穿通枝が直筋鞘の後側層を貫通する場合である。したがって、問題は、２つのボクセルを結合する経路を見つけることに制限され、演算労力の減少が求められるようになっている。その場合であっても、かかるタスクに平易なダイクストラの探索方法を使用することが、多数のボクセルを見に行くことに結び付く場合がある。本発明者らは、Ａ＊アルゴリズム（非特許文献１５）の使用を提案するが、これは、Ａ＊アルゴリズムが、探索性能を改善する発見的問題解決を含むためである。各反復において、Ａ＊探索アルゴリズムは、次式を最小化する経路を拡張する。

式中、ｎは経路の最後のノード、ｇ（ｎ）は開始ノードからｎまでの経路のコスト、ｈ（ｎ）は、ｎからゴールまでの最も安価な経路のコストを推定する発見的問題解決である。この作業では、ｎと標的ボクセルとの間のユークリッド距離をヒューリスティック関数として使用する。

所望の経路を見つけるため、より低いコストが脈管ボクセルに対して与えられなければならない。１つのノードから別のノードへの移動コストは次式によって与えられる。

式中、ｎは現在のノード、ｎ＋１は隣のノード、ｄ_{ｎ，ｎ＋１}はそれらのノード間のユークリッド距離、Ｃ（ｎ＋１）は隣のノードの地形コストである。コストのボリュームは次式によって与えられる。

式中、Ｆ（ｎ）は、範囲［０，１］に正規化されたボクセルｎにおけるFrangiの血管性（非特許文献１６）である。この公式は、発見的問題解決が許容可能であることを保証するために、脈管に属さないボクセル（Ｆ（ｎ）＝０）に対して比較的高いコストを、あるいは範囲［１，２］においてコストを付与する。

血管性を計算するFrangiの方法（非特許文献１６）は、画像に沿った局所濃度構造を解析し、画像中にある筒状のオブジェクトを増強することを目的としている。

ヘッセ行列は、関数の二階の偏導関数の正方行列であることが知られている。Frangiの方法（非特許文献１６）の文脈では、関数は、２Ｄ画像または３Ｄボリュームに沿った濃度分布である。３Ｄボリュームを考慮して、各ボクセルに対して、次式のようにヘッセ行列Ｈを計算する。

式中、^＊は畳み込み操作を表し、Ｖは局所ボリューム、Ｇはガウシアンであり、そのシグマによって、解析される局所構造のスケールが決定する。Frangiの方法は、各ボクセルに対して異なるスケールでＨを計算するので、多重スケールである。

ボクセルそれぞれに対して計算したこれらの行列それぞれについて、固有値解析を実施して、３つの固有ベクトルおよびそれらに対応する固有値を得る。最高絶対値の２つの固有値に関連する固有ベクトルは、より大きい局所濃度曲率の方向を指し（ただし、これらの固有ベクトルは脈管方向に正接する方向を指すことに留意）、最後の固有ベクトルは、（脈管方向に沿った）それら２つに正接する方向を指す。

次に、本出願のボリュームの各ボクセルに対して、固有値のＮ個の対を有するようにする（Ｎは、使用したスケールの数）。各対は、それぞれ絶対値が増加する３つの固有値λ_１、λ_２、λ_３を有する。Frangiの血管性基準（非特許文献１６）を、それらの対それぞれについて計算する。

Ｒ_Ａ、Ｒ_Ｂ、Ｓは、Frangi（非特許文献１６）において考察されているように、固有値間の関係によって得られる。根底にある発想は、管状領域に脈管が存在する蓋然性がより高く、小塊状の定数領域に存在する蓋然性はより低いとするものである。他の定数は、Frangiの方法から経験的に導き出され、各パラメータの感度を制御する式中に存在する。異なるスケールにおける応答は、各ピクセルに対して、Frangiの血管性基準のより高い値を選択することによって組み合わされる。それにより、この方法は、異なるスケールを使用することによって幅が様々な脈管を増強することができる。より低いスケールによって、より幅の狭い脈管の検出が可能になることが理解されるであろう。

図１１は、データベースからのボリュームのうち１つに属するスライスと、それに対応する得られたコストとを示している。矢印は、対象の脈管経路を適正に抽出することを可能にするために増強すべきである、筋肉内脈管を指している。脈管ならびにいくつかのノイズが多いエリアが区別されているものと結論付ける。その場合でも、累積的な経路コストの観点では、連続する低コストのボクセルを一般的に含むことから、脈管を通る経路が好まれる。

方法によって、客観的で再現可能なやり方で、手術計画のため、各穿通枝の関連する特性を決定することができる。したがって、脈管を抽出した後、以下の点を説明する医療報告を複製することが依然として必要である。

皮下領域の追跡された点それぞれにおいて、皮下領域の追跡された点を通り、軸平面で穿通枝の断面に沿って切り取る線を抽出する（プロセスの例証については図１２を参照）。この線は、元の画像をノイズ除去したものの断面の濃度プロファイルを得るのに使用される（非特許文献１７）。口径を測定するため、ガウシアンを最小二乗法でプロファイルに適合させ、８５％信頼区間が適用されるｍｍ単位の幅を得る。この値は、データベースに含まれるデータに対して最良であると経験的に見なされた。最終的な穿通枝の口径は、追跡された点それぞれで得た基準の平均である。

穿通枝が筋膜から離れる部位。これは、筋膜に達したことによって、本出願の追跡手順が停止する場所と見なされる。

皮下進路の配向。穿通枝が外側または内側に向いているか、上向きまたは下向きであるかを知るため、連続する中心線地点間の配向ベクトルのヒストグラムを構築し、利用可能な注釈付きデータを用いて既にトレーニングした分類子を使用する。

筋肉内進路の長さおよび曲がり筋肉内経路の長さは、連続する点間の距離の合計によって与えられる。経路が短いか長いかを決定するため、利用可能な注釈付きデータを学習した閾値を使用する。脈管の曲がりに関して、本発明者らは、曲がりの指標を計算し（非特許文献１８）、曲線または直線の２つの分類のうち１つを出力する分類子を使用する。再度、利用可能な注釈付きデータを用いて分類子をトレーニングした。

図１３は、本明細書の方法を実施するのに使用することができるシステムの非限定例を示している。システム１００は、患者からの軸スライスの複数の画像１１５を有するデータベース１１０を備える。データベース１１０は、方法を実現するのにソフトウェア１３０を実行させるプロセッサ１２０に接続される。表示デバイス１４０は、プロセッサ１２０に接続され、要求された結果を出力する。

The Champalimaud Foundationによるデータベースの各ボリュームに対して、前部筋膜層の手動注釈を作成した。ボリュームの各軸スライスに対して、前部筋膜のいくつかのピクセルを選択し、線形補間を使用して完全な筋膜セグメンテーションを得た。次に、このグラウンドトゥルース注釈を、本明細書で概説した方法を用いて得られたセグメンテーションと比較した。平均ユークリッド距離およびハウスドルフ距離を計算し、得られた結果を表１に要約した。

表１。提案する筋膜セグメンテーション方法によって得られた結果。セグメンテーションおよび手動注釈付けの間の平均ユークリッド距離およびハウスドルフ距離、ならびに平均実行時間を示す。

ボクセル間隔はデータベースのボリューム間で異なるが、大多数の事例では、０．７〜０．９ｍｍの間である。このことは、本開示で提示する方法が、手動注釈付けまでの平均距離が連続するボクセル間の間隔よりも短いセグメンテーションを提供できたことを示している。Intel Core i7-4500U CPU 1.80@2.40GHzを使用してMATLAB(R2014a)スクリプトを稼働させ、各ボリュームに対する平均稼働時間は６３６秒であった。

データベースのボリューム全体にわたって、７４の皮下穿通枝経路および２８の筋肉内穿通枝経路に専門家が注釈を付けた。本明細書の脈管検出手順を初期化するため、穿通枝の端部に近いグラウンドトゥルースの目印で追跡を開始した。両方の領域の経路を得た後、グラウンドトゥルース注釈から抽出した経路までのユークリッド距離およびハウスドルフ距離を計算したが、それは、ユークリッド距離がハウスドルフ距離よりも希薄であり、世界中で行われている他の方法でそれらの指標を計算すると、真意なしのより大きい誤差がもたらされるためである。表２は、得られた結果を要約している。

表２。提案する方法論を使用して、穿通枝の皮下および筋肉内領域を検出することによって得られた結果。

ボクセル間の間隔が約０．７〜０．９ｍｍであることを考慮して、本開示の方法で、ピクセルよりも大きい平均誤差を有する経路を抽出した。この誤差を説明する２つの理由があると考えられる。第一に、放射線専門医によって提供される注釈はスケルトンの形態にないが、上に提示される結果はスケルトンの形態にある。これは、検索された経路が脈管の完全なスケルトンであっても、提供されるグラウンドトゥルース注釈が、比較を実施するときに顕著な誤差に結び付くことを意味する。第二の理由は、皮下経路検出のみに関連し、その誤差がより大きい理由を説明するものであり、勾配に基づく追跡アルゴリズムが筋肉範囲に隣接した進路（強度の点で、脈管および筋肉が互いに溶け込んで見える）を正確に辿るのには適切ではなかったという事実によるものである。これは非常に多く起こるものではないが、誤差の増加も説明する。また、平均ハウスドルフ距離が２．９８ｍｍという比較的高い値に達した理由でもある。

穿通枝の口径およびそれが前部筋膜を離れる場所の推定も、グラウンドトゥルースと比較した。穿通枝のマップを作成するためには、穿通枝が筋膜を離れる場所の幅および高さのみが重要であることに留意されたい。したがって、誤差は両方に対して独立して評価した。表３は、得られた結果を要約している。

口径の推定方法は、連続するボクセル間の間隔の半分未満に相当する平均誤差に達した。利用可能な口径のグラウンドトゥルースは、異なる医療専門家が作成した報告によるものであって、プロセスの背景にある主観性が増加することに留意されたい。したがって、異なる専門家が同じデータを注釈した場合に、より確証的な結果を作成することができたので、オペレータ間のばらつきを測定することができた。最後に、適正な場所で追跡手順を停止することに関して、誤差は高さのずれよりも幅のずれの方が大きいことに気付くことができた。これは、穿通枝が筋肉に沿って時折動くという既に説明されている挙動が、軸平面を通して生じる傾向にあるという理由で起こる。それにより、局所勾配ベクトルが筋肉の存在によって汚染されることによる早期の追跡の停止は、一般に、高さよりも幅の推定値のより大きいずれに結び付く。

表３。提案する方法論を使用して、穿通枝の口径およびそれが筋膜を離れる場所を推定することによって得られた結果。

本明細書の方法を使用して、乳房再建術に関連するＤＩＥＡ穿通枝の特性を抽出することができる。方法により、筋膜層の正確なセグメンテーションが可能になる。このセグメンテーションは、穿通枝の検出を、皮下進路の検出および筋肉内進路の検出という２つの独立した問題に分割するのに使用される。皮下進路は、新しい中心線地点を反復して抽出するために、局所勾配ベクトル情報を２Ｄ断面の脈管中心推定と融合する、カルマンフィルタによって正確に抽出された。平均誤差１．３５ｍｍが達成された。筋肉内進路は、Frangiの血管性に基づいた最少コスト経路の方策を用いて、平均誤差１．０６ｍｍで抽出された。

脈管検出ステップの後、臨床上の関連する態様にしたがって各穿通枝を特徴付けることが可能である。口径を測定するときに平均サブボクセル誤差を達成し、約１と１／２ボクセルの平均誤差で、穿通枝が筋膜を離れる部位を決定した。その他、穿通枝の皮下進路の配向、およびそれらの筋肉内領域における長さと曲がりを得るためのアルゴリズムを提案した。

皮下追跡手順を考慮すると、筋膜に沿った顕著な進路を示す穿通枝に注目すべきである。このことにより、間違った局所勾配ベクトルによってその領域での追跡方法が不安定になり、一般に、停止すべき位置よりも早く停止して、穿通枝が筋膜を離れる領域の実際の座標が得られない。

口径の推定に関して、オペレータ間のばらつきを測定し、開発した枠組みによって達成される結果と比較するために、異なる放射線専門医はそれぞれグラウンドトゥルースを提供するべきである。口径の推定に固有の高い主観性を所与として、これは非常に重要な点である。

最後に、検出された脈管を描画し、それらをボリュームデータと共に表示するソフトウェアが開発される。

Claims (10)

1. 対象の領域を通る軸スライスを表す複数のボクセルを備えた画像（１１５）を複数獲得するステップ（２００）と、
   高濃度画像と低濃度画像との境界を規定することによって、筋肉領域と皮下領域との間の筋膜層を規定するステップ（２１０）と、
   血管の第１の目印および第２の目印を決定するステップと、
   前記血管に沿って脈管方向を解析することを含む自動追跡手順により、前記血管の前記第１の目印と前記筋膜層との間の皮下経路を計算するステップ（２１５）と、
   前記ボクセルを解析することにより前記筋膜層と前記第２の目印との間の筋肉内経路を計算し、前記ボクセルの血管性によって与えられる最小コスト経路を自動的に決定するステップ（２２０）とを含み、
   前記第１の目印が前記筋膜層の一方の側にあり、前記第２の目印が前記筋膜層の他方の側にある、血管のセグメンテーションの方法。
2. 獲得した前記複数の画像のグレースケールを二値画像に換算するステップを更に含む、請求項１に記載の方法。
3. 前記複数の画像からアーチファクトを除去するステップ（５１０、５６０）を更に含む、請求項１または２に記載の方法。
4. 前記画像中の前記アーチファクトが、皮膚に関連するピクセル、即ち連続特徴における空白、を含む、請求項３に記載の方法。
5. 前記脈管方向の前記解析が局所勾配ベクトルの解析によって推定される、請求項１から４のいずれか一項に記載の方法。
6. 前記血管の中心が、前記複数の獲得画像における前記ボクセルの濃度変化から決定される、請求項１から５のいずれか一項に記載の方法。
7. 前記ボクセルの前記血管性がFrangiの方法によって決定される、請求項１から６のいずれか一項に記載の方法。
8. コンピュータにより実施される、請求項１から７のいずれか一項に記載の方法。
9. 対象領域の軸スライスの複数の画像（１１５）を格納するデータベース（１１０）と、
   請求項１から７のいずれか一項に記載の方法を実施するソフトウェアを用いて、前記複数の画像を解析するように構成されたプロセッサ（１３０）と、
   前記ソフトウェアからの結果を出力する表示デバイス（１４０）と
   を備える、血管のセグメンテーションの装置。
10. 非有形のコンピュータ可読媒体に格納され、プロセッサ（１３０）によって実行される際に、請求項１から７のいずれか一項に記載の方法を前記プロセッサ（１３０）に実施させる複数の命令を含む、コンピュータプログラム製品。

Images