JPH0728978A - 画像表示装置 - Google Patents
画像表示装置Info
- Publication number
- JPH0728978A JPH0728978A JP5169150A JP16915093A JPH0728978A JP H0728978 A JPH0728978 A JP H0728978A JP 5169150 A JP5169150 A JP 5169150A JP 16915093 A JP16915093 A JP 16915093A JP H0728978 A JPH0728978 A JP H0728978A
- Authority
- JP
- Japan
- Prior art keywords
- image
- organ
- integrated
- interest
- clusters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
(57)【要約】
【目的】本発明の目的は、関心臓器を他の軟部組織か
ら、より明確に分離できる画像表示装置を提供すること
である。 【構成】本発明は、複数臓器を含む同一部分の異なる特
徴量に基づく複数種の画像を記憶する画像メモリ３と、
前記複数種の画像に含まれる前記各臓器に関する複数の
クラスタを抽出し、各クラスタを構成する画素値を前記
異なる特徴量の各軸で規定されるｎ次元空間に分布し、
この空間内に各臓器クラスタの分布の重なりが最小にな
るように統合軸を直線的に設定し、この統合軸を規定す
る直線方程式に基づいて前記複数種の画像を統合するこ
とにより１枚の統合画像を作成する計算機４と、前記統
合画像を表示する画像表示装置６とを具備する。
ら、より明確に分離できる画像表示装置を提供すること
である。 【構成】本発明は、複数臓器を含む同一部分の異なる特
徴量に基づく複数種の画像を記憶する画像メモリ３と、
前記複数種の画像に含まれる前記各臓器に関する複数の
クラスタを抽出し、各クラスタを構成する画素値を前記
異なる特徴量の各軸で規定されるｎ次元空間に分布し、
この空間内に各臓器クラスタの分布の重なりが最小にな
るように統合軸を直線的に設定し、この統合軸を規定す
る直線方程式に基づいて前記複数種の画像を統合するこ
とにより１枚の統合画像を作成する計算機４と、前記統
合画像を表示する画像表示装置６とを具備する。
Description
【０００１】
【産業上の利用分野】本発明は、関心臓器を抽出してこ
れを表示する画像表示装置に関する。
れを表示する画像表示装置に関する。
【０００２】
【従来の技術】磁気共鳴イメージング装置（ＭＲＩ装
置）で得られるＭＲ画像を用いて関心臓器を診断するに
は、ＭＲ画像内の関心臓器を他の軟部組織から分離させ
ること（これを「臓器セグメンテーション」という）が
有効である。この臓器セグメンテーションを実現する方
法として、従来は関心臓器に固有の画素値に基づいて他
の軟部組織を分離するためのしきい値を設定し、このし
きい値にしたがって関心臓器を他の軟部組織から分離す
るいわゆるしきい値処理や、このしきい値処理とエッジ
検出処理、つまりオペレータ操作を介入させながら臓器
のエッジ（輪郭）を検出するエッジ検出処理を組み合わ
せた処理方法等が用いられている。
置）で得られるＭＲ画像を用いて関心臓器を診断するに
は、ＭＲ画像内の関心臓器を他の軟部組織から分離させ
ること（これを「臓器セグメンテーション」という）が
有効である。この臓器セグメンテーションを実現する方
法として、従来は関心臓器に固有の画素値に基づいて他
の軟部組織を分離するためのしきい値を設定し、このし
きい値にしたがって関心臓器を他の軟部組織から分離す
るいわゆるしきい値処理や、このしきい値処理とエッジ
検出処理、つまりオペレータ操作を介入させながら臓器
のエッジ（輪郭）を検出するエッジ検出処理を組み合わ
せた処理方法等が用いられている。
【０００３】しかし、一般にＭＲ画像の関心臓器と他の
軟部組織との画素値間には明確な差異が少なく、このた
め両者の境界が不明確な場合が多く、したがって上記し
きい値処理では関心臓器を他の軟部組織としきい値によ
り強制的に一意に分離しても、その分離結果には誤差が
含まれていることが多い。このように境界に誤差を含む
臓器を３次元表示しても、その臓器形状は本来の形状を
忠実に表現したものとはならず、診断精度を不用意に低
下させるだけである。
軟部組織との画素値間には明確な差異が少なく、このた
め両者の境界が不明確な場合が多く、したがって上記し
きい値処理では関心臓器を他の軟部組織としきい値によ
り強制的に一意に分離しても、その分離結果には誤差が
含まれていることが多い。このように境界に誤差を含む
臓器を３次元表示しても、その臓器形状は本来の形状を
忠実に表現したものとはならず、診断精度を不用意に低
下させるだけである。
【０００４】
【発明が解決しようとする課題】そこで本発明は上述し
た事情に鑑みて、関心臓器を他の軟部組織から、より明
確に分離できる画像表示装置を提供することを目的とし
ている。
た事情に鑑みて、関心臓器を他の軟部組織から、より明
確に分離できる画像表示装置を提供することを目的とし
ている。
【０００５】
【課題を解決するための手段】上記課題を解決し目的を
達成するために、本発明は、複数臓器を含む同一部分の
異なる特徴量に基づく複数種の画像を記憶する手段と、
前記複数種の画像に含まれる前記各臓器に関する複数の
クラスタを抽出し、各クラスタを構成する画素値を前記
異なる特徴量の各軸で規定されるｎ次元空間に分布し、
この空間内に各臓器クラスタの分布の重なりが最小にな
るように統合軸を直線的に設定し、この統合軸を規定す
る直線方程式に基づいて前記複数種の画像を統合するこ
とにより１枚の統合画像を作成する手段と、前記統合画
像を表示する手段とを具備する。
達成するために、本発明は、複数臓器を含む同一部分の
異なる特徴量に基づく複数種の画像を記憶する手段と、
前記複数種の画像に含まれる前記各臓器に関する複数の
クラスタを抽出し、各クラスタを構成する画素値を前記
異なる特徴量の各軸で規定されるｎ次元空間に分布し、
この空間内に各臓器クラスタの分布の重なりが最小にな
るように統合軸を直線的に設定し、この統合軸を規定す
る直線方程式に基づいて前記複数種の画像を統合するこ
とにより１枚の統合画像を作成する手段と、前記統合画
像を表示する手段とを具備する。
【０００６】
【作用】本発明によれば、複数臓器を含む同一部分の異
なる特徴量に基づく複数種の画像を統合して１枚の統合
画像を作成するので、各画像単一では不明確である臓器
境界をより明確に表現することができる。
なる特徴量に基づく複数種の画像を統合して１枚の統合
画像を作成するので、各画像単一では不明確である臓器
境界をより明確に表現することができる。
【０００７】
【実施例】以下、図面を参照して本発明の一実施例を説
明する。図１は本実施例のブロック図である。本図にお
いて１はデータや制御信号の伝送路である。この伝送路
１には、磁気共鳴イメージング装置（ＭＲＩ）２が接続
される。この磁気共鳴イメージング装置２は、同一部分
の異なる特徴量に基づく複数種の画像、つまりここでは
Ｔ1 強調画像、Ｔ2 強調画像、ＰＤ強調画像をＴ1 強調
画像、Ｔ2 強調画像、ＰＤ強調画像の各種画像を収集す
るものである。なおこれら各種画像を以下「マルチチャ
ネルＭＲ画像」と総称する。マルチチャネルＭＲ画像
は、伝送路１を介して画像メモリ３に記憶される。計算
機４は、画像メモリ３に記憶されているマルチチャネル
ＭＲ画像の全画像を統合することにより不明確な関心臓
器と他の軟部組織の境界を明確に分離して関心臓器を抽
出した統合画像を作成すると共に、マルチチャネルＭＲ
画像又は統合画像を用いて関心臓器と他の軟部組織の境
界を不明確なまま関心臓器を抽出した画像を作成する。
入力装置５は計算機４が画像処理を行う上で必要な各種
指示および設定を入力するための例えばキーボード、マ
ウス、トラックボールである。計算機４で作成された画
像は、高精細ＣＲＴ（陰極線管）の画像表示装置６に表
示される。
明する。図１は本実施例のブロック図である。本図にお
いて１はデータや制御信号の伝送路である。この伝送路
１には、磁気共鳴イメージング装置（ＭＲＩ）２が接続
される。この磁気共鳴イメージング装置２は、同一部分
の異なる特徴量に基づく複数種の画像、つまりここでは
Ｔ1 強調画像、Ｔ2 強調画像、ＰＤ強調画像をＴ1 強調
画像、Ｔ2 強調画像、ＰＤ強調画像の各種画像を収集す
るものである。なおこれら各種画像を以下「マルチチャ
ネルＭＲ画像」と総称する。マルチチャネルＭＲ画像
は、伝送路１を介して画像メモリ３に記憶される。計算
機４は、画像メモリ３に記憶されているマルチチャネル
ＭＲ画像の全画像を統合することにより不明確な関心臓
器と他の軟部組織の境界を明確に分離して関心臓器を抽
出した統合画像を作成すると共に、マルチチャネルＭＲ
画像又は統合画像を用いて関心臓器と他の軟部組織の境
界を不明確なまま関心臓器を抽出した画像を作成する。
入力装置５は計算機４が画像処理を行う上で必要な各種
指示および設定を入力するための例えばキーボード、マ
ウス、トラックボールである。計算機４で作成された画
像は、高精細ＣＲＴ（陰極線管）の画像表示装置６に表
示される。
【０００８】次に本実施例の作用について説明する。図
２は計算機４による画像処理の流れを示す流れ図であ
る。なお、ここでは同一部分の異なる特徴量に基づく複
数種の画像、具体的にはＴ1 強調画像、Ｔ2 強調画像、
ＰＤ強調画像の３種の画像を統合対象として取り扱うも
のとする。また、以下の処理においてマニュアル処理は
その都度指摘するものとし、この指摘なき場合にはその
処理は計算機４による自動処理である。
２は計算機４による画像処理の流れを示す流れ図であ
る。なお、ここでは同一部分の異なる特徴量に基づく複
数種の画像、具体的にはＴ1 強調画像、Ｔ2 強調画像、
ＰＤ強調画像の３種の画像を統合対象として取り扱うも
のとする。また、以下の処理においてマニュアル処理は
その都度指摘するものとし、この指摘なき場合にはその
処理は計算機４による自動処理である。
【０００９】まず、ステップ（Ｓ１）において、図３に
示すように関心臓器群の存在する関心領域が入力装置５
の操作により画像表示装置６に表示されているＴ1 強調
画像（勿論、Ｔ2 強調画像又はＰＤ強調画像でもよい）
上に設定される。
示すように関心臓器群の存在する関心領域が入力装置５
の操作により画像表示装置６に表示されているＴ1 強調
画像（勿論、Ｔ2 強調画像又はＰＤ強調画像でもよい）
上に設定される。
【００１０】次に、ステップ（Ｓ２）において、この関
心領域内の未知数画素から構成される臓器クラスタが、
Ｔ1 強調画像、Ｔ2 強調画像、ＰＤ強調画像それぞれか
ら抽出され、この抽出された臓器クラスタを構成する各
画素値（濃度値）が、異なる特徴量の各軸で規定される
ｎ次元空間、つまりここではＴ1 軸、Ｔ2 軸、ＰＤ軸か
らなる３次元空間に分布され、これにより各臓器クラス
タの分布が図４に示すように作成される。この分布の統
計的性質、つまり臓器クラスタ分布の統計的パラメータ
が計算される。この計算により、各関心臓器クラスタを
正規分布として、その平均ベクトル、共分散行列、生起
確率が求められる。なお、この計算のためには、教師あ
り学習アルゴリズムまたは教師なし学習アルゴリズムが
適用される。教師あり学習アルゴリズムを用いる場合に
は、各臓器クラスタは、オペレータによる入力装置６の
操作により、画像表示装置６に表示されている画像上で
マニュアル設定される。このマニュアル設定された臓器
クラスタにしたがって臓器クラスタ分布の統計的パラメ
ータが求められる。教師なし学習アルゴリズムを用いる
場合には、最適クラスタ数が入力装置６を介して与えら
れ、この最適クラスタ数の範囲内で臓器クラスタが抽出
され、この臓器クラスタ分布の統計的パラメータが求め
られる。教師なし学習アルゴリズムとしては、以下の文
献１に掲載されているアルゴリズムが適用される。
心領域内の未知数画素から構成される臓器クラスタが、
Ｔ1 強調画像、Ｔ2 強調画像、ＰＤ強調画像それぞれか
ら抽出され、この抽出された臓器クラスタを構成する各
画素値（濃度値）が、異なる特徴量の各軸で規定される
ｎ次元空間、つまりここではＴ1 軸、Ｔ2 軸、ＰＤ軸か
らなる３次元空間に分布され、これにより各臓器クラス
タの分布が図４に示すように作成される。この分布の統
計的性質、つまり臓器クラスタ分布の統計的パラメータ
が計算される。この計算により、各関心臓器クラスタを
正規分布として、その平均ベクトル、共分散行列、生起
確率が求められる。なお、この計算のためには、教師あ
り学習アルゴリズムまたは教師なし学習アルゴリズムが
適用される。教師あり学習アルゴリズムを用いる場合に
は、各臓器クラスタは、オペレータによる入力装置６の
操作により、画像表示装置６に表示されている画像上で
マニュアル設定される。このマニュアル設定された臓器
クラスタにしたがって臓器クラスタ分布の統計的パラメ
ータが求められる。教師なし学習アルゴリズムを用いる
場合には、最適クラスタ数が入力装置６を介して与えら
れ、この最適クラスタ数の範囲内で臓器クラスタが抽出
され、この臓器クラスタ分布の統計的パラメータが求め
られる。教師なし学習アルゴリズムとしては、以下の文
献１に掲載されているアルゴリズムが適用される。
【００１１】文献１；1992年３月発行のIEEE TRANSACTI
ONS ON MEDICAL IMAGING.VOL.11,No.1の62〜69頁に掲載
されたTianhu LeiとWilfred Sewchand著による「Statis
tical Approach to X-Ray CT imaging and Its Applica
tions in Image Analysis-PartII:A New Stochastic Mo
del-Based Image Segmentation Techniqui for X-RayCT
Image 」 そして、図４に示すように、臓器クラスタ分布を展開し
た３次元空間内に、統合軸が設定される。この統合軸は
直線方程式により規定される直線軸である。この直線方
程式は、上記平均ベクトル、共分散行列、生起確率に基
づき、統合軸に各濃度値が再投影された図５に示した各
臓器のプロファイルの重なり（斜線）が最小になるよう
に作成される。これは各臓器をより明確に分離させるた
めである。ここで、上記最小が達成されているか確認の
ためにプロファイルを表示し、必要に応じてオペレータ
の介入によりステップ（Ｓ３）により設定された接合軸
を再設定し、この接合軸の再設定に応じてプロファイル
を更新しながら表示することが有効である。
ONS ON MEDICAL IMAGING.VOL.11,No.1の62〜69頁に掲載
されたTianhu LeiとWilfred Sewchand著による「Statis
tical Approach to X-Ray CT imaging and Its Applica
tions in Image Analysis-PartII:A New Stochastic Mo
del-Based Image Segmentation Techniqui for X-RayCT
Image 」 そして、図４に示すように、臓器クラスタ分布を展開し
た３次元空間内に、統合軸が設定される。この統合軸は
直線方程式により規定される直線軸である。この直線方
程式は、上記平均ベクトル、共分散行列、生起確率に基
づき、統合軸に各濃度値が再投影された図５に示した各
臓器のプロファイルの重なり（斜線）が最小になるよう
に作成される。これは各臓器をより明確に分離させるた
めである。ここで、上記最小が達成されているか確認の
ためにプロファイルを表示し、必要に応じてオペレータ
の介入によりステップ（Ｓ３）により設定された接合軸
を再設定し、この接合軸の再設定に応じてプロファイル
を更新しながら表示することが有効である。
【００１２】このようにプロファイルの重なりを最小に
する接合軸が設定されると、次にステップ（Ｓ４）にお
いて、統合軸（直線方程式）に依存する統合関数によ
り、Ｔ1 強調画像、Ｔ2 強調画像、ＰＤ強調画像が統合
され、図６に示す統合画像が作成される。この統合画像
は画像表示装置６に表示され、オペレータの観察に供さ
れる。この統合処理により、各単一画像では不明確であ
った各臓器の境界が、より明確になる。
する接合軸が設定されると、次にステップ（Ｓ４）にお
いて、統合軸（直線方程式）に依存する統合関数によ
り、Ｔ1 強調画像、Ｔ2 強調画像、ＰＤ強調画像が統合
され、図６に示す統合画像が作成される。この統合画像
は画像表示装置６に表示され、オペレータの観察に供さ
れる。この統合処理により、各単一画像では不明確であ
った各臓器の境界が、より明確になる。
【００１３】次にステップ（Ｓ５）において、統合画像
に対して、あいまい処理が必要であるか否かがオペレー
タにより判定され、この判定結果が入力装置５を介して
入力される。このあいまい処理は、ここでは以下の文献
２に掲載されているファジークラスタリングを適用す
る。
に対して、あいまい処理が必要であるか否かがオペレー
タにより判定され、この判定結果が入力装置５を介して
入力される。このあいまい処理は、ここでは以下の文献
２に掲載されているファジークラスタリングを適用す
る。
【００１４】文献２；1990年10月発行の電子情報通信学
会論文誌、D-II,Vol.j173-D-1-IIの1707〜1715頁に掲載
された「医用画像のあいまい形状の３次元表示法」 このファジークラスタリング法は、臓器形状の境界を一
意に指定するのではなく、臓器形状の境界の不明確さを
そのまま表現する方法であり、まずステップ（Ｓ６）に
おいて、図７に示すように、統合画像上に入力装置５の
操作により関心臓器を含む関心領域を指定することから
開始される。
会論文誌、D-II,Vol.j173-D-1-IIの1707〜1715頁に掲載
された「医用画像のあいまい形状の３次元表示法」 このファジークラスタリング法は、臓器形状の境界を一
意に指定するのではなく、臓器形状の境界の不明確さを
そのまま表現する方法であり、まずステップ（Ｓ６）に
おいて、図７に示すように、統合画像上に入力装置５の
操作により関心臓器を含む関心領域を指定することから
開始される。
【００１５】次に、ステップ（Ｓ７）において、図８に
示すように、この関心領域内の全画素の濃度値が分類さ
れ、その頻度ヒストグラムが作成される。ファジークラ
スタリングを用いて、この頻度ヒストグラム上に臓器ク
ラスタのメンバーシップ関数が設定される。このメンバ
ーシップ関数に基づき、関心臓器に関する複数のクラス
タが統合画像から抽出される。
示すように、この関心領域内の全画素の濃度値が分類さ
れ、その頻度ヒストグラムが作成される。ファジークラ
スタリングを用いて、この頻度ヒストグラム上に臓器ク
ラスタのメンバーシップ関数が設定される。このメンバ
ーシップ関数に基づき、関心臓器に関する複数のクラス
タが統合画像から抽出される。
【００１６】そして、ステップ（Ｓ８）において、ステ
ップ（Ｓ７）で抽出された複数のクラスタが、関心臓器
の連結性に基づいて連結され、当該関心臓器の形状が認
識される。なお連結されたクラスタには位置情報がない
ので、この位置情報が上記形状に与えられる。この結果
を示したものが、図９に示されている。
ップ（Ｓ７）で抽出された複数のクラスタが、関心臓器
の連結性に基づいて連結され、当該関心臓器の形状が認
識される。なお連結されたクラスタには位置情報がない
ので、この位置情報が上記形状に与えられる。この結果
を示したものが、図９に示されている。
【００１７】このように、ファジークラスタリング法を
適用して統合画像から関心臓器を抽出してその形状の境
界を不明確のまま表現するので、不明確な部分もオペレ
ータに表示して、その判断を委ねることができる。した
がって従来のように不明確な部分が表示されないことに
よる診断精度の低下が防止される。
適用して統合画像から関心臓器を抽出してその形状の境
界を不明確のまま表現するので、不明確な部分もオペレ
ータに表示して、その判断を委ねることができる。した
がって従来のように不明確な部分が表示されないことに
よる診断精度の低下が防止される。
【００１８】図９に示されているように、このままでは
臓器クラスタ抽出の段階で発生する関心臓器に対して離
散的なノイズ成分が含まれ、また図１１に示すように、
関心臓器には連結処理の段階で不自然な部分が隣接する
ことがあるので、後処理としてステップ（Ｓ９）および
ステップ（Ｓ１０）においてこのノイズ成分や不自然な
部分がマニュアル操作により除去され、関心臓器をあい
まいな部分はあいまいなままで忠実に抽出した画像が作
成される。
臓器クラスタ抽出の段階で発生する関心臓器に対して離
散的なノイズ成分が含まれ、また図１１に示すように、
関心臓器には連結処理の段階で不自然な部分が隣接する
ことがあるので、後処理としてステップ（Ｓ９）および
ステップ（Ｓ１０）においてこのノイズ成分や不自然な
部分がマニュアル操作により除去され、関心臓器をあい
まいな部分はあいまいなままで忠実に抽出した画像が作
成される。
【００１９】なお、上述した図２の一連の処理は２次元
画像に関する処理であるが、これを３次元画像に適用す
ることは容易である。つまり３次元画像とは複数の２次
元画像が配列されたものと考えられるので、３次元画像
を構成する全２次元画像について図２の一連の処理を繰
り返すことで実現される。こうして得られた３次元画像
を表示する場合には、３次元画像表示法として常用され
ている方法、例えば視線方向に平行な方向又は十分近い
一点に集束する方向に各画素値（ボクセル値）を直線追
跡し、これらを積算することにより投影像を作成する再
投影法（単純積算法）、視線方向に平行な方向又は十分
近い一点に集束する方向に各画素値（ボクセル値）を直
線追跡し、これらの中の最大値を検出することにより投
影像を作成する最大値投影法、３次元ＭＲ画像の数値分
布から各画素の不透明度および陰影値を計算し、この不
透明度および陰影値を用いて視線方向に直線追跡して表
示面の陰影値を計算するボリュームレンダリング法を適
当に適用すればよい。
画像に関する処理であるが、これを３次元画像に適用す
ることは容易である。つまり３次元画像とは複数の２次
元画像が配列されたものと考えられるので、３次元画像
を構成する全２次元画像について図２の一連の処理を繰
り返すことで実現される。こうして得られた３次元画像
を表示する場合には、３次元画像表示法として常用され
ている方法、例えば視線方向に平行な方向又は十分近い
一点に集束する方向に各画素値（ボクセル値）を直線追
跡し、これらを積算することにより投影像を作成する再
投影法（単純積算法）、視線方向に平行な方向又は十分
近い一点に集束する方向に各画素値（ボクセル値）を直
線追跡し、これらの中の最大値を検出することにより投
影像を作成する最大値投影法、３次元ＭＲ画像の数値分
布から各画素の不透明度および陰影値を計算し、この不
透明度および陰影値を用いて視線方向に直線追跡して表
示面の陰影値を計算するボリュームレンダリング法を適
当に適用すればよい。
【００２０】このように本実施例によると、同一部分の
異なる特徴量に基づく複数種の画像、つまりここでは磁
気共鳴イメージング装置で得られるＴ1 強調画像、Ｔ2
強調画像、ＰＤ強調画像を各臓器が重畳しないような統
合軸に基づき統合することにより、不明確な臓器の境界
をより明確化して表示することができる。さらに、この
明確さが不十分な場合には、ファジークラスタリングに
より不明確な部分はその不明確なまま臓器を抽出するこ
とができ、不明確な部分もオペレータに表示して、その
判断を委ねることができる。なお、本発明は上述した各
実施例に限定されるものではなく、本発明の要旨を逸脱
しない範囲で種々変形実施可能であるのは勿論である。
異なる特徴量に基づく複数種の画像、つまりここでは磁
気共鳴イメージング装置で得られるＴ1 強調画像、Ｔ2
強調画像、ＰＤ強調画像を各臓器が重畳しないような統
合軸に基づき統合することにより、不明確な臓器の境界
をより明確化して表示することができる。さらに、この
明確さが不十分な場合には、ファジークラスタリングに
より不明確な部分はその不明確なまま臓器を抽出するこ
とができ、不明確な部分もオペレータに表示して、その
判断を委ねることができる。なお、本発明は上述した各
実施例に限定されるものではなく、本発明の要旨を逸脱
しない範囲で種々変形実施可能であるのは勿論である。
【００２１】
【発明の効果】本発明は、複数臓器を含む同一部分の異
なる特徴量に基づく複数種の画像を記憶する手段と、前
記複数種の画像に含まれる前記各臓器に関する複数のク
ラスタを抽出し、各クラスタを構成する画素値を前記異
なる特徴量の各軸で規定されるｎ次元空間に分布し、こ
の空間内に各臓器クラスタの分布の重なりが最小になる
ように統合軸を直線的に設定し、この統合軸を規定する
直線方程式に基づいて前記複数種の画像を統合すること
により１枚の統合画像を作成する手段と、前記統合画像
を表示する手段とを具備し、これにより複数臓器を含む
同一部分の異なる特徴量に基づく複数種の画像を統合し
て１枚の統合画像を作成するので、各画像単一では不明
確である臓器境界をより明確に表現することができる画
像表示装置を提供できる。
なる特徴量に基づく複数種の画像を記憶する手段と、前
記複数種の画像に含まれる前記各臓器に関する複数のク
ラスタを抽出し、各クラスタを構成する画素値を前記異
なる特徴量の各軸で規定されるｎ次元空間に分布し、こ
の空間内に各臓器クラスタの分布の重なりが最小になる
ように統合軸を直線的に設定し、この統合軸を規定する
直線方程式に基づいて前記複数種の画像を統合すること
により１枚の統合画像を作成する手段と、前記統合画像
を表示する手段とを具備し、これにより複数臓器を含む
同一部分の異なる特徴量に基づく複数種の画像を統合し
て１枚の統合画像を作成するので、各画像単一では不明
確である臓器境界をより明確に表現することができる画
像表示装置を提供できる。
【図１】本発明の一実施例に係る画像表示装置のブロッ
ク図。
ク図。
【図２】図１の計算機による処理手順を示す流れ図。
【図３】図２のステップ（Ｓ１）で指定される関心領域
を示す図。
を示す図。
【図４】図２のステップ（Ｓ２）による臓器クラスタ分
布および統合軸の一例を示す図。
布および統合軸の一例を示す図。
【図５】図２のステップ（Ｓ２）により設定される統合
軸に対する濃度値プロファイルの一例を示す図。
軸に対する濃度値プロファイルの一例を示す図。
【図６】統合画像の一例を示す図。
【図７】図２のステップ（Ｓ６）で指定される関心領域
を示す図。
を示す図。
【図８】図２のステップ（Ｓ７）による濃度値の頻度分
布およびメンバーシップ関数の一例を示す図。
布およびメンバーシップ関数の一例を示す図。
【図９】臓器クラスタ抽出の段階で発生する離散的なノ
イズ成分の一例を示す図。
イズ成分の一例を示す図。
【図１０】連結処理の段階で発生する関心臓器に隣接す
る不自然な部分の一例を示す図。
る不自然な部分の一例を示す図。
１…伝送路、２…Ｘ線コンピュータトモグラフィ装置、
３…画像メモリ、４…計算機、５…入力装置、６…画像
表示装置。
３…画像メモリ、４…計算機、５…入力装置、６…画像
表示装置。
Claims (1)
- 【請求項１】 複数臓器を含む同一部分の異なる特徴量
に基づく複数種の画像を記憶する手段と、 前記複数種の画像に含まれる前記各臓器に関する複数の
クラスタを抽出し、各クラスタを構成する画素値を前記
異なる特徴量の各軸で規定されるｎ次元空間に分布し、
この空間内に各臓器クラスタの分布の重なりが最小にな
るように統合軸を直線的に設定し、この統合軸を規定す
る直線方程式に基づいて前記複数種の画像を統合するこ
とにより１枚の統合画像を作成する手段と、 前記統合画像を表示する手段とを具備することを特徴と
する画像表示装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5169150A JPH0728978A (ja) | 1993-07-08 | 1993-07-08 | 画像表示装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5169150A JPH0728978A (ja) | 1993-07-08 | 1993-07-08 | 画像表示装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0728978A true JPH0728978A (ja) | 1995-01-31 |
Family
ID=15881217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5169150A Pending JPH0728978A (ja) | 1993-07-08 | 1993-07-08 | 画像表示装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0728978A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009545360A (ja) * | 2006-07-31 | 2009-12-24 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 画像データセットの視覚化のためのプリセットマップを生成する方法、装置及びコンピュータ可読媒体 |
| JP2012230226A (ja) * | 2011-04-26 | 2012-11-22 | Okayama Univ | 人体模型作成システム |
-
1993
- 1993-07-08 JP JP5169150A patent/JPH0728978A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009545360A (ja) * | 2006-07-31 | 2009-12-24 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 画像データセットの視覚化のためのプリセットマップを生成する方法、装置及びコンピュータ可読媒体 |
| JP2012230226A (ja) * | 2011-04-26 | 2012-11-22 | Okayama Univ | 人体模型作成システム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jog et al. | Random forest regression for magnetic resonance image synthesis | |
| EP2916738B1 (en) | Lung, lobe, and fissure imaging systems and methods | |
| US7336809B2 (en) | Segmentation in medical images | |
| US7502499B2 (en) | System and method for filtering noise from a medical image | |
| US8483462B2 (en) | Object centric data reformation with application to rib visualization | |
| DE102007018763B9 (de) | Verfahren zur Arterien-Venen-Bildseparation in Blutpoolkontrastmitteln | |
| US20030068074A1 (en) | Computer system and a method for segmentation of a digital image | |
| US20150131882A1 (en) | Medical image data processing apparatus and method | |
| US9367924B2 (en) | Method and system for segmentation of the liver in magnetic resonance images using multi-channel features | |
| US9659390B2 (en) | Tomosynthesis reconstruction with rib suppression | |
| US9129391B2 (en) | Semi-automated preoperative resection planning | |
| US10991102B2 (en) | Image processing apparatus and image processing method | |
| WO1999052068A1 (en) | Image processing method and system involving contour detection steps | |
| US8705821B2 (en) | Method and apparatus for multimodal visualization of volume data sets | |
| JP2004105737A (ja) | 心臓磁気共振潅流データのための統合的画像記録方法 | |
| Schenk et al. | Local-cost computation for efficient segmentation of 3D objects with live wire | |
| EP3389006B1 (en) | Rib unfolding from magnetic resonance images | |
| CN107516314B (zh) | 医学图像超体素分割方法和装置 | |
| US20240169544A1 (en) | Methods and systems for biomedical image segmentation based on a combination of arterial and portal image information | |
| EP3555852A1 (en) | Method of segmenting a 3d object in a medical radiation image | |
| US20030128890A1 (en) | Method of forming different images of an object to be examined | |
| WO2019092167A1 (en) | Method of segmenting a 3d object in a medical radiation image | |
| JP2005511177A (ja) | 体の構造の孤立した視覚化されたものを形成する方法及び装置 | |
| JPH0728978A (ja) | 画像表示装置 | |
| JP4571378B2 (ja) | 画像処理方法および装置並びにプログラム |