JPH09508813A

JPH09508813A - コンピュータによる骨のｘ線写真解析の方法およびシステム

Info

Publication number: JPH09508813A
Application number: JP7515141A
Authority: JP
Inventors: エル．ジガー、マリエレン; ドイ、クニオ
Original assignee: アーチディヴェロプメントコーポレイション
Priority date: 1993-11-29
Filing date: 1994-11-29
Publication date: 1997-09-09
Also published as: EP0731667A1; EP0731667A4; WO1995014431A1; AU703194B2; ATE239420T1; EP0731667B1; US6205348B1; EP1283492A1; AU1256995A; US5931780A; CA2177478A1; DE69432641D1

Abstract

(57)【要約】骨量を測定する場合と測定しない場合の、骨構造および将来の骨折のリスクをＸ線写真分析するためのコンピュータによる方法およびシステム。本技術には、骨構造および将来の骨折のリスクの量を測定するのに使用するテクスチャー解析が含まれる。骨構造のテクスチャー解析は、たとえば骨質の関心領域におけるＲＭＳ変動の角依存性やＲＯＩのパワースペクトルの第１モーメントで表した、指向性情報を組み込む。システムは、１回の検査で骨量と骨構造の両者を得るために、二重エネルギー撮像の使用も含む。特に、従来の脊椎Ｘ線写真上の小柱体内の領域の解析に適用される。本技術は、骨構造のパワースペクトルを特性化し、骨小柱の空間的分布および厚さを特性化する指向性特徴の抜き出しを可能にする新しい特徴を含む。次に、将来の骨折の公算を得るために、人工神経網を使用してこれらの特徴を総合する。加えて、二重エネルギー撮像法を使用して、１回の低線量Ｘ線写真検査で骨量と骨構造の両者の測定値を得る、したがってシステムを（骨粗髭症や将来の骨折の公算の）スクリーニングにとって望ましいくする方法およびシステムを示す。

Description

【発明の詳細な説明】コンピュータによる骨のＸ線写真解析の方法およびシステム本発明は、一部分はＮＩＨ（米国国立衛生研究所）助成金／契約 CA48985 及び CA47043 、陸軍助成金／契約DAMD 17-93-J-3021 、アメリカ癌学会助成金／契約FRA-390により米国政府の援助を受けて行われた。米国政府は本発明において一定の権利を有する。技術分野本発明は、一般にコンピュータによる骨構造のＸ線写真解析の方法およびシステムに関する。特に、骨粗鬆症の評価のためや、骨折のリスクを予測するものとして、小柱量および骨型の解析に適用される。新規技術には、多くのテクスチャー測定値に関連して、フーリエ・スペクトルの指向性解析が含まれる。他の技術としては、骨量を評価するための単発の二重エネルギー曝露と同時に、骨構造のテクスチャー解析のための画像を得る技術がある。背景の技術骨粗鬆症は、米国で約1500万〜2000万人が冒され、４５才を超えた人々では、１年当たり約 130万例の新たな骨折の原因となる、広範囲におよぶ病気である。骨粗鬆症は、骨量の損失、骨折の傾向および骨の構造的変化として現われる。骨量の量的測定は、骨折のリスクを決定したり、骨粗鬆症の治療中の患者の進行を追跡する上で、重要な診断指標の役目をする。最も広く使用される骨量評価方法は、Ｘ線か核線源のいずれかを使用する二重光子吸光法からなる骨ミネラル密度法（ＢＭＤ）と、定量的コンピュータ断層撮影によるものである。これらの方法は、骨量決定において非常に正確であり、骨粗鬆症における骨折リスクの非常にすぐれた予測因子であることが証明されている。しかし、非外傷性骨折をしていないか、引き続いて非外傷性骨折をしない、年齢が匹敵するコントロールと比較すると、非外傷性骨折をしているか、引き続いて非外傷性骨折をする骨粗鬆症患者のＢＭＤの測定値は、かなりオーバーラップする。骨量に加えて骨構造も、骨の機械的強度、したがって骨折リスクを決定する上で重要であると推測される。あるテクスチャー測定値を骨構造と関連づける、２、３の予備試験が実施されている。発明の開示したがって、本発明の目的は、骨構造および将来の骨折のリスクをＸ線写真解析するためのコンピュータによる方法およびシステムを提供することである。本発明の別の目的は、骨構造および将来の骨折のリスクの定量的評価に使用するテクスチャー解析のための方法およびシステムを提供することである。本発明の他の目的は、骨構造（テクスチャー）の解析に指向性情報を組み込むための方法およびシステムを提供することである。本発明の他の目的は、１つの検査で骨量と骨構造の両者の測定値を得るために二重エネルギー画像を使用する方法およびシステムを提供することである。以上の目的およびその他の目的は、骨構造および将来の骨折のリスクを解析するための、新しい、改良された方法およびシステムを提供することにより、本発明によって達成される。特に、従来の脊椎Ｘ線写真上の椎骨体内の領域の解析に適用される。技術は、骨構造のパワースペクトルを特性化する新しい特徴を含み、骨小柱の空間分布および厚さを特性化する指向性特徴の抽出を可能にする。次に、将来の骨折のリスクの公算を得るために人工神経網を使用して、これらの特徴を総合する。加えて、二重エネルギー画像技法を使用して、１回の低線量Ｘ線写真検査で骨量と骨構造の両者の測定値を得る、したがって、システムを（骨粗鬆症および将来の骨折のリスクの）スクリーニングにとって望ましくする、方法とシステムを提示する。図面の簡単な説明本発明のより完全な真価およびそれらに伴う長所の多くは、添付の図面を結び付けて考えると、下記の詳細な説明を参照することによってよりよく理解できるようになり、容易に得られることになる。ここで、第１図は、本発明による骨構造を解析する方法を示す概略図であり、第２図は、腰脊椎ディジタル画像の椎骨体上へのＲＯＩの配置を示す概略図である。第３図は、検出装置システムに特有な、出現し得る非線形応答（フィルムのＨ＆Ｄ曲線）の補正と、ＲＯＩ画像データ内のバックグラウンド補正を示す概略図である。第４図は、補正済ＲＯＩ画像データのフーリエ変換から得られるパワースペクトルを（示した扇形状とともに）示す概略図である。第５図は、画像データのパワースペクトルから得られる指向性測定値を含む種々の測定値を列挙した概略図である。第６図は、骨粗鬆症に罹患していない（「健康な」）骨と罹患した骨の若干のテクスチャー測定値を示す概略図である。第７図は、４３例の骨量の測定値を示すグラフであって、脊椎の他所に骨折がある患者も、骨折が無い患者も含まれる。第８図は、患者のＢＭＤ測定値（骨量）とＲＭＳ変動（骨構造）との関係を示すグラフであって、脊椎の他所に骨折がある患者も、骨折が無い患者も含まれる。第９図は、患者のＢＭＤ測定値（骨量）とパワースペクトルの第１モーメント（骨構造）との関係を示すグラフであって、脊椎の他所に骨折がある患者も、骨折が無い患者も含まれる。第１０図は、脊椎の他所に骨折のある患者と無い患者のＬ３レベルから選択されたＲＯＩの、ＲＭＳ変動とパワースペクトルの第１モーメントとの関係を示すグラフである。第１１図は、脊椎の他所に骨折のある患者と無い患者のＬ３レベルから選択されたＲＯＩの、ＲＭＳ変動の角依存性の標準偏差とパワースペクトルの第１モーメントの角依存性の最小値との関係を示すグラフである。第１２図は、骨量（ＢＭＤ）、ＲＭＳ変動およびパワースペクトルの第１モーメントの測定値について算出したＲＯＣ曲線を示すグラフである。第１３図は、骨量（ＢＭＤ）、ＲＭＳ変動の角依存性の標準偏差とパワースペクトルの第１モーメントの角依存性の最小値について算出したＲＯＣ曲線を示すグラフである。第１４図は、脊椎の他所に骨折のある場合と骨折のない場合における、テクスチャー測定値の平均値を示すグラフである。第１５図は、脊椎の他所に骨折のある症例と骨折のない症例を区別する仕事における、個々のテクスチャー測定値の性能を示すグラフである。第１６図は、種々の骨構造特徴を組み合わせて将来の骨折のリスクの公算を得る、人工神経網の概略図である。第１７図は、３種類の人工神経網の組合せについて算出したＲＯＣ曲線を示すグラフである。組合せのうちの２つには、骨量と骨構造の両者の測定値が含まれており、組合せのうちの１つには、骨構造の測定値だけが含まれている。第１８図は、人工神経網の組合せのうちの２つに関する、人工神経網からの出力値のヒストグラム（分布）を示すグラフである。第１９図は、骨構造および将来の骨折のリスクをコンピュータ処理してＸ線写真解析するための方法を実行するシステムを示す概略ブロック図である。第２０図は、脊椎の他所における骨折の予測において、４種類のテクスチャー測定値に及ぼすピクセル・サイズの影響をＡｚで示す表である。第２１図は、本発明によって、脊椎、臀部あるいは四肢などの幾らか骨質の身体部分の、単発、二重エネルギーＸ線撮影画像から、骨密度（骨量）と骨構造の両者を測定する方法を示す概略図である。第２２図は、二重エネルギーＸ線撮影画像を得る、２つの可能な方法を示す概略図である。第２３図は、骨量の測定値と関連があるため、エネルギー減算を行う２つの可能な方法を示す概略図である。第２４図は、ヒール効果の補償と身体の厚さの較正を含む、二重エネルギー画像から骨量を測定するための、１つの可能な較正方法を示す概略図である。第２５図は、患者の検査の際の、較正模型とその適正配置を示す概略図である。第２６図は、ルーサイト模型の低エネルギー画像と高エネルギー画像から得られるグレー値の関係を示すグラフであって、較正方法を示す。第２７図は、（ＢＭＤ模型からの）骨量の測定値と、特定の模型に是認された値との関係を示す、したがって本技法を骨量（ならびに骨構造）の測定に使用できる可能性を示す、グラフである。第２８図は、骨量と骨構造の両者、したがって将来の骨折のリスクをＸ線写真解析するための方法を実行するシステムを示す概略ブロック図である。第２９図は、ＲＯＩの「表面積」と有効ピクセル距離との対数関連性を示す。２つの明確な直線部分が示され、各々は勾配が異なる直線と一致し、これはフラクタル次元を計算するために使用される。発明を実施するための最良の方式図面を参照すると、さらに詳しくは、その第１図を参照すると、骨構造の解析の概略図が示されている。この例では、目的は、画像データのテクスチャー解析を使用して、脊椎などの身体の骨質部分のディジタル画像から、骨小柱の特性を引き出すことである。全体のスキームには、脊椎の最初のＸ線写真取得（ステップ１０）およびディジタル化（ステップ２０）（あるいは脊椎のＸ線撮影画像の直接ディジタル取得）が含まれる。画像の椎骨体上に関心領域（ＲＯＩ）を配置し、相当する画像データをメモリーに保存する（ステップ３０）。バックグラウンド傾向補正（ステップ４０）を実施して、内在している変動、すなわち小柱パターンを得る。ＲＯＩの画像データを高速フーリエ変換にインプットし（ステップ５０）、パワースペクトルを算出する（ステップ６０）。パワースペクトルデータから種々のテクスチャー測定値を算出し（ステップ７０）、人工神経網を使用して、これらを総合し（ステップ８０）、将来の骨折のリスクを得る（ステップ８０）。フラクタル解析など、他のテクスチャー解析を使用することも可能である。第２図は、腰脊椎ディジタル画像における、椎骨体上へのＲＯＩの配置を示す。ここでは、脊椎上のＬ２レベル、Ｌ３レベルおよびＬ４レベルに配置した、サイズが６４×６４ピクセルのＲＯＩを示す。ＲＯＩが、縁、腸内ガス、および軟組織皺とオーバーラップしないように配置する。一般に、Ｌ３レベルに配置されたＲＯＩは、縁および腸内ガスによる妨害が一番少なく、したがってＬ３レベルでは椎骨体内のＲＯＩの精密な配置は必要ではない。第３図は、検出装置に特有な、出現し得る非線形応答（検出装置としてのＸ線撮影フィルムのＨ＆Ｄ曲線）の補正およびＲＯＩ画像データ内のバックグラウンド傾向の補正を示す。脊椎画像のＲＯＩ内の光学密度の変動は、人体全体の解剖学的存在および腸内ガスの存在（バックグラウンド傾向）に起因する変動、ならびに骨の小柱パターンに関係する、内在した緻密なテクスチャーに起因する変動を含むため、バックグラウンド傾向の補正が必要である。２次元表面フィッティング技法（２次多項式関数を用いるものなど）を使用して、不均質なバックグラウンド傾向を決定することが可能である。内在化している変動、すなわち小柱パターンを得るため、フィッティングして求めたバックグラウンド傾向を各ＲＯＩから減算する。第４図は、ＲＯＩ画像データのパワースペクトルを示す。軸は、空間周波数でとってある。しかし、厳密には、パワースペクトルは、無限に大きい面積全面のフーリエ変換の平方の集合平均から求めることが必要である。扇形状は、パワースペクトルをパイ形区画に分割する際に用いている方法を示している。パワースペクトル全体および個々の扇形のテクスチャー測定値を算出し、このようにして、指向性測定値を得る。小柱骨パターンのパワースペクトルは、残存する非補正バックグラウンド傾向の一部に起因する低周波数成分、および元の骨Ｘ線撮影画像におけるＸ線写真の斑点に起因する非常に周波数の高い成分を含む可能性がある。したがって、パワースペクトルは、帯域フィルターとして作用する人間の視覚システム応答関数を通しておいた方がよい。第５図は、パワースペクトル・データから得られる種々の測定値を列挙した概略図である。テクスチャー解析過程は最初、２つの測定値、すなわち、それぞれ小柱の大きさおよび粗さを表す、二乗平均平方根（ＲＭＳ）変動（Ｒ）および濾過したパワースペクトルの第１モーメント（Ｍ）を含む。これらの測定値は、により与えられる。上式で、Ｖ（u,v）およびＦ（u,v）はそれぞれ、視覚システム応答および小柱パターンのフーリエ変換である。パワースペクトルのより高いモーメントを計算することも可能である。しかし、より高いモーメントは、ＲＭＳ変動や第１モーメントほど容易に視覚的に概念化されない。小柱パターンは強い指向性を有するため、パワースペクトルのＲＭＳ変動モーメントは、以下に不等式および表で示すように、フーリエ領域内の角度の関数としても計算される。ＲＭＳ変動の角依存性：パワースペクトルの第１モーメントの角依存性：パワースペクトルを幾つかの扇形に分割し、各扇形内で合計することによって、２つの測定値（ＲＭＳとＦＭＰ）の角依存性を調べる。脊椎の他所に骨折がある患者は、ＦＭＰの角依存性の最小値がより高いことが、試験からわかった。骨粗鬆症の無い骨小柱は「ウォッシュアウト」様相を示さないと想定され、したがって第６図に概略図で示される通り、指向性が強いため、筆者らは、最小値を考慮することによって正常患者の指向性測定（すなわち、小柱に垂直）を行う。正常患者の小柱は「ウォッシュアウト」でないため、小柱の空間分布は小柱に垂直な方向では、より低周波数の構造を含むことになる。骨粗鬆症の患者は、小柱がウォッシュアウト様相を示すため、より等方性の分布を示すことになる。ＲＯＩデータに縁勾配解析を実施して、主要小柱の垂直方向を抽出することも可能である。最大累積縁勾配を示す角は、ＲＯＩ内の主要小柱に垂直な方向を示すと考えられる。加えて、量子斑およびＸ線散乱によって、内在する骨小柱のテクスチャー・パターンが「隠される」可能性があるため、テクスチャー測定値の計算に先立って、医用画像内の均質な組織領域のパワースペクトルも決定し、骨質領域のＲＯＩから得られるパワースペクトルの標準化にこれを使用する。以上の解析は、一次（ほぼ水平な）小柱と二次（ほぼ水平な）小柱と二次（ほぼ垂直な）小柱の三者を解析する際に有用であると考えられる。脊椎の他所に骨折のある患者と、骨折のない患者、４３症例を使用して試験を実施した。折しも１箇所で本明細書のテクスチャー測定値が試験されており、また既存の椎骨体骨折の存在は、将来の椎骨体骨折のリスクの強力な予測因子であることが証明されているため、この評価方法を使用した。第７図は、脊椎の他所に骨折がある患者と骨折が無い患者のＢＭＤ測定値（骨量）の分布を示すグラフである。予測通り、ほぼ全ての骨折症例でＢＭＤ値が低いことに注意されたい。しかし、非骨折患者も、そのほとんどが低ＢＭＤ値を示し、特異性のより高い測定の必要性を表している。第８図および第９図は、同一患者のＢＭＤ測定値（骨量）とＲＭＳ変動との関係、およびＢＭＤとパワースペクトルの第１モーメントとの関係を表す。骨量および骨構造に少なくともこれらの測定値を使用したとき、骨量と骨構造との間に強い相関関係が無いことは明白である。次の例では、パワースペクトルの標準化が含まれていないことに注意されたい。第１０図は、脊椎の他所に骨折がある患者と骨折が無い患者のＬ３レベルから選択されたＲＯＩの、ＲＭＳ変動とパワースペクトルの第１モーメントとの関係を示すグラフである。脊椎の他所に骨折がある患者は、第１モーメント測定値が高く、ＲＭＳ変動は低い傾向があることは明白である。第１１図は、脊椎の他所に骨折がある患者と骨折が無い患者のＬ３レベルから選択されたＲＯＩの、ＲＭＳ変動の角依存性の標準偏差とパワースペクトルの第１モーメントの角依存性の最小値との関係を示すグラフである。第１２図は、骨量（ＢＭＤ）、ＲＭＳ変動およびパワースペクトルの第１モーメントの各測定値について計算したＲＯＣ曲線を示すグラフである。ここでは、患者に脊椎の他所に骨折があったかどうかを決定する仕事に関してＲＯＣ解析を実施した。ＲＭＳ変動および第１モーメントのＡｚ値（ＲＯＣ曲線下面積）は、骨量（ＢＭＤ）の測定値のＡｚと比較して、優れている。第１３図は、骨量（ＢＭＤ）、ＲＭＳ変動の角依存性の標準偏差およびパワースペクトルの第１モーメントの角依存性の最小値の各測定値について計算したＲＯＣ曲線を示すグラフである。第１４図は、脊椎の他所に骨折がある症例と骨折が無い症例のテクスチャー測定値の平均値を示すグラフである。値は０〜１に標準化されていることに留意されたい。第１５図は、脊椎の他所に骨折がある症例と骨折が無い症例を区別する仕事における個々のテクスチャー測定値の性能を示すグラフである。Ａｚ値が高いほど性能が優れていることに留意されたい。テクスチャー測定値を一度算出したら、将来の骨折のリスクの公算を得るために、人工神経網を使用して集約することができる。第１６図は、種々の骨構造特徴を、将来の骨折のリスクの公算に集約させるのに使用される人工神経網の概略図である。第１７図は、３種類の人工神経網の組合せについて算出したＲＯＣ曲線を示すグラフである。組合せのうち２つは、骨量と骨構造の両者の測定値を含むが、組合せのうち１つは、骨構造の測定値だけを含む。第１８図は、人工神経網の組合せのうちの２つに関する、人工神経網からの出力値のヒストグラム（分布）を示す２つのグラフである。人工神経網からのある一定の値を有する症例だけが将来の骨折のリスクが高いとして記されるように、人工神経網からの出力値を閾値処理することができる。第１９図は、骨小柱構造を解析するための本発明の方法を実施するシステムを示す、より詳細な概略ブロック図である。第１９図を参照して、対象のＸ線撮影画像は画像取得装置から得られ、システム1000にインプットされる。各骨画像をディジタル化し、メモリー(1001)に入れる。直接ディジタル装置でＸ線撮影画像が得られるのであれば、ディジタル化の必要はない。画像データは、ＲＯＩ選択回路(1002)、非線形検出システム補正回路(1003)およびバックグラウンド傾向補正回路(1004)を最初に通過させる。データを、高速フーリエ変換回路 (1005)およびパワースペクトル回路(1006)まで通過させる。将来の骨折のリスクの公算を決定するため、パワースペクトル・データを、テクスチャー測定回路(1 007)および任意選択のＡＮＮ回路まで通過させるが、その期間中、データは画像メモリー(1009)に保持する。スーパーインポーズ回路(1010)では、成績は画像上に重ねられるか、ファイル・フォーマットに保存されるか、あるいはテキスト・フォーマットで示されるかのいずれかである。次に成績は、ディジタル−アナログ変換器を通過後、表示システム(1020)に表示される。使用される特定の画像取得システムがテクスチャー測定に影響を及ぼす可能性があるため、コンピュータ機構が、ディジタル化システムのピクセル・サイズの関数として、骨粗鬆症および骨折のリスクを評価する能力を調査した。より小さいピクセル・サイズを使用すると、より高い空間周波数成分を試験することが可能である。先に示した成績は、10ビット量子化で、ピクセルが0.175mmのフィルムのディジタル化で得られたものである。より大きいピクセルサイズでもテクスチャー測定値が信頼性よく得られるのであれば、骨を撮像する直接ディジタル・システムの方が容易に生産され得るであろう。第２０図は、脊椎の他所の骨折の予測において、４種類のテクスチャー測定値に及ぼすピクセルサイズの影響をＡｚで示す表である。先のサンプルで使用した同じ４３例について、アパチャー・サイズの変動（不鮮明）とサンプリング距離の変動に対して得られた成績を示す。第２１図は、本発明によって、脊椎、臀部、四肢などの幾らか骨質の身体部分の、単発二重エネルギーＸ線撮影画像から、骨密度（骨量）と骨構造の両者を測定する方法を示す概略図である。このようなシステムは、２検出装置サンドイッチを一緒に使用する「単発」曝露技法か、患者に対する２回の曝露を使用する「２回曝露」技法のいずれかにより、高エネルギー画像と低エネルギー画像を作成する。第２２図は、二重エネルギーＸ線撮影画像を得る、２つの可能な方法を示す概略図である。このようなシステムは、「骨削除」画像および「軟組織削除」画像を得るために、「エネルギー減算」技法を使用する。このような「二重エネルギー」システムは、胸部軟組織の適度に高い空間解像画像、および例えば脊椎の骨量（ＢＭＤ）の非常に低い空間解像取得のために開発されてきた。しかし、このような「二重エネルギー」システムは、量子斑が大量であって結果として骨画像（すなわち、軟組織削除画像）が得られるため、骨の適度に高い空間解像画像のために開発されてはこなかった。適度に高い空間解像は骨構造の解析に望ましいが、従来は骨量だけが関心事であったため、低解像システムが受け入れられていた。しかし、今では、骨構造の測定値を得る、本発明の出願で前述した新しい方法があるので、（１つは骨量（ＢＭＤ）用、１つは骨構造（脊椎Ｘ線写真）用の、２種類の検査を患者に受けさせるのではなく）、骨量と骨構造の両者を測定できるシステムを持つことが望ましい。以下に、一例において、コンピュータ処理Ｘ線撮影法を検出装置として使用するシステムを示す。しかし、本方法は、検出装置としてのコンピュータ処理Ｘ線撮影法に制限されない。コンピュータ処理Ｘ線撮影法（ＣＲ）は、放射線撮影法的Ｘ線画像を撮像するため、刺激可能な蛍光体であるBaFBr蛍光体から成るプレートを使用するディジタルＸ線写真撮像システムである。ＣＲ画像のピクセル値は、Ｘ線曝露に直接変換することが可能である。本方法は、二重エネルギーコンピュータ処理Ｘ線撮影法（ＣＲ）撮像を使用して、DXA(BMD)と全く同様の方式で骨量を得る。従来のＸ線撮影脊椎画像は広域ビームによって得られるが、ＤＸＡスキャンは低解像、ペンシル・ビーム幾何学形状で得られるため、相違点として、散乱依存性などがある。しかし、ＣＲ画像は高空間解像であるため、骨構造のテクスチャー測定値のために低エネルギ画像を使用することが可能である。組織削除画像は大量の量子斑があるため（また患者を考慮すると、曝露を大量に増加することができないため）、そのテクスチャー解析は不可能であることに留意されたい。骨量の測定は、海面体を囲む骨画像上の領域を集積する形で行われる。この全てが、たった１回の検査で完成する。この例では、ＣＲシステムおよび「単発」曝露技法を使用して、脊椎、臀部および四肢の二重エネルギー骨画像が得られる。本方法は従来のＸ線装置を使用し、１回Ｘ線曝露による正確な時間登録よび空間登録で、「骨」画像および「軟組織」画像を作成する。単発技法を使用すると、高エネルギー画像と低エネルギー画像との間の運動人工物を排除し、Ｘ線管電圧の急激な切り替えも避けられる。単発技法を使用する場合、インプットされるＸ線スペクトルに２つのピークがあることは都合のよいことである。従って、Ｘ線スペクトルが２つのピークを有するように、Ｋ端フィルター濾過が行われる。ＣＲプレートはBaFBr蛍光体からなり、従って、Ｘ線管から放射されたブロードなＸ線スペクトルは、フロントＣＲプレートの吸収スペクトルが高バリウム減衰係数の範囲でピークになるように、予めフィルターにかけられる。300 mg/cm²ガドリニウムのプレフィルターを使用することができる。Ｋ端プレフィルターでＸ線管出力の減衰を補償するために、Ｘ線管の管負荷（ｍＡ）を増加させる。曝露許容範囲特性が広い（刺激可能な蛍光体でできている）２枚の画像プレートの間に別のフィルターをはさむ。サンドイッチのフロントＣＲプレートは低エネルギーＸ線光子を優先的に吸収し、高エネルギー光子を透過させる。高エネルギー光子はバックプレートに部分的に吸収され、同時に獲得される、有効エネルギーの異なる２つの画像が得られる。フィルターは、２枚目の画像プレート上のＸ線スペクトル投射の有効エネルギーの増大に役立つ。このフィルターに容易に利用できる材料は、銅ホイルまたはＣＲプレート自身（バリウムを含む）である。本出願で後述する成績では、このフィルターは、この中間濾過用の２枚のＣＲプレート(200 mg/cm² BaFBr)で構成されていた。第２３図は、エネルギー減算は骨量の測定に関連があるため、そのエネルギー減算のための２つの可能な方法を示す概略図である。方法Ａでは、最初に低エネルギー画像および高エネルギー画像を登録し、エネルギー減算を通過させ、椎骨体内である骨画像のＲＯＩを集積して骨量関連の測定値を得る。Ｂ法では、低エネルギー画像および高エネルギー画像に別々にＲＯＩを配置し、集積し、集積した２つの値の重みつき合計を（患者の身体サイズ、存在する散乱放射などに関して補正して）算出し、骨量関連の測定値を得る。方法Ｂの利点は、従来の（高解像）意味で画像登録が必要でないことである。しかし、低エネルギー画像および高エネルギー画像上で、対応する腰部ＲＯＩの位置を保証するための（手動配置のような）方法が必要である。本出願では、骨模型を使用して結果を表した。サンドイッチ・カセット内の２枚のＣＲプレートから得られた一対のディジタル画像をＣＲシステムでディジタル的に読む。第２４図は、ヒール効果に関する補償および身体の厚さに関する較正を含む、二重エネルギー画像から骨量を測定するための、１つの可能な較正方法を示す概略図である。第２５図は、較正模型と、その患者検査中の適正配置を示す概略図である。例では、2つの模型が使用された。これらの模型のうち１つは、較正に使用され、３つの合成骨剤の円柱から成る。もう１つの模型も合成骨でできていたが、４つの腰椎骨のような形をしており、ルーサイトですっぽり包まれていた。補足的軟骨すなわち、まちまちな厚さの患者を模倣するため、模型の最頂部にルーサイトを加えた。単発、二重エネルギー技法、およびルイサイトの厚さなどの量を用いて、模型を撮像し、異なる試行でＸ線ビームのエネルギーを変えた。第２６図は、模型の低エネルギー画像および高エネルギー画像から得たグレー値間の関係を示すグラフである。これらのデータの線形一致を使用して、低エネルギー画像上のＲＯＩの集積した値と高エネルギー画像上のＲＯＩの集積した値の重みつき合計のための重みを決定する。次に、これらのグラフの値は、異なる撮像技法（すなわち、kVp）の表の調査および厚さの異なる患者の表の調査に使用する。重みつき合計から得られる値は、骨量に関連している。画像の特定の領域では、骨も軟組織もＸ線ビームの減衰の一因となる。高エネルギー画像データおよび低エネルギー画像データの重みつき合計、ピクセル×ピクセル、によって、すなわち、Ｂ（ｘ，ｙ）＝Ｌ（ｘ，ｙ）−Ｗ・Ｈ（ｘ，ｙ）によって骨の厚さに比例した量を決定することができる（あるいは重みつき減算として考えることも可能であろう）。上式で、ｘ、ｙはピクセルの位置であり、ＬおよびＨはそれぞれ低エネルギー画像および高エネルギー画像上における値である。Ｗは、第２６図に示すように、線形一致の勾配から決定した重みである。骨量の場合、骨のみの画像上の領域の集積が関心事である。したがって、本方法は、上記式で示すように、画像データ上で重みつき合計を行い、次に（椎骨体の縁など、骨の縁を明確に定めることが困難な可能性がある）騒々しい骨画像上で集積するか、重みつき合計の前に、低エネルギー画像および高エネルギー画像上で別々に集積する、すなわち、Ｂ＝Ｌ（ｘ，ｙ）のＲＯＩの合計−Ｗ・Ｈ（ｘ，ｙ）のＲＯＩの合計、のいずれかである。上式で、ＢはＲＯＩ内の骨量に比例する。低エネルギー画像上でも高エネルギー画像上でも、椎骨体の縁は、容易に輪郭を描けるため、ＲＯＩの定位が容易になる。第２７図は、（ＢＭＤ模型の）骨量の測定値と特定の模型で是認される値との関係を示すグラフであり、したがって骨量の測定に本技法を使用する可能性を示す。測定値は比較されていないため、データの一般的傾向を見ることができるだけである。低エネルギー画像および高エネルギー画像から集積されたＲＯＩの重みつき合計の測定値は、Lunar ＤＰＸシステムで得られたＢＭＤ測定値と同じぐらいである。これは、模型の最頂部に僅か１０cmのルーサイトがある画像で、特にそうである。散乱が増大するため、予想される通り、２０cmのルーサイトがある画像はそれほど安定していなかった。Ｘ線撮影法のプロトコールで、より優れた抗散乱グリッドを使用するか、直接ディジタル取得装置（散乱排除が９９％であることが証明されている）を使用すれば、これは、改善することが可能である。次に、骨小柱の質および構造を測定するために、低エネルギー画像上で、骨構造のコンピュータ処理によるテクスチャー解析（本出願で前述した）を実施する。大量のＸ線写真斑が、内在している骨構造テクスチャーを「隠す」可能性があるため、テクスチャー測定値は、骨画像（すなわち、組織削除画像）上で決定しない。このように、二重エネルギー技法は、先に第２１図に示したように、骨量および骨構造の量的測定を可能にする。第２８図は、骨量と骨小柱構造の両者を解析するための本発明の方法を実行するシステムを示す、より詳細な概略ブロック図である。第２８図を参考にして、対象の２つのＸ線撮影画像（低エネルギーよび高エネルギー）が画像取得装置から得られ、システム2000にインプットされる。各骨画像をディジタル化し、メモリー(2001)に入れる。Ｘ線撮影画像が直接ディジタル装置で得られるのであれば、ディジタル化の必要はない。画像データは、ＲＯＩ選択回路(2002) 、非線形検出システム補正回路(2003)を最初に通過させ、骨量用エントリー回路 (2004)および骨構造用エントリー回路(2005)まで通過させる。骨量の場合、データを、インテグレート回路(2006)および較正回路(2007)まで通過させる。ここから、データは、重みつき合計回路(2008)まで通過させ、メモリー(2009)に保存する。骨構造の場合、低エネルギー画像のデータは、2005からバックグラウンド傾向補正回路(2010)まで通過させる。データを、高速フーリエ変換回路(2020)およびパワースペクトル回路(2030)まで通過させる。パワースペクトル・データは、テクスチャー測定回路(2040)まで通過させる。次に、将来の骨折の公算を決定するため、骨量と骨構造の両者の測定値を、ＡＮＮ回路(2050)まで通過させるが、その期間中、データは、画像メモリー(2060)に保持する。スーパーインポーズ回路(2070)では、成績は画像上に重ねられるか、ファイル・フォーマットに保存されるか、あるいはテキスト・フォーマットで示されるかのいずれかである。次に成績は、ディジタル／アナログ変換器(2090)を通過後、表示システム(2080)に表示される。フラクタル解析も、骨構造を解析する手段として、予備的に調査が行われている。図２に示した骨ＲＯＩを使用して、ＲＯＩの各々の表面積を、フラクタル計算における高さと同様に、ピクセル・グレー・レベルを使用した異なる７レベルの解像でコンピュータ処理を行った。異なるレベルの解像（ピクセルの距離）は、隣接するより大きい諸グループを首尾よく平均することによって得られた。第２９図は、１つのＲＯＩの表面積対ピクセルの距離の対数プロットである。２つの別個の直線部分が存在することから、複数のフラクタル構造が示唆される。各ＲＯＩの全グラフの勾配、ならびに各グラフの２つの部分の各々の勾配を使用して、全体フラクタル次元の推定値、ならびにグラフの２つの別個の部分に相当する、より強い解像レベルおよび、より弱い解像レベルにおけるフラクタル次元の推定値を得る。各ＲＯＩのフラクタル次元によるＲＯＣ解析を決定変数として使用すると、総体的フラクタル次元を使用して得られたＡｚは0. 65であり、より細かい解像部分のフラクタル次元を使用すると0.76であり、より粗い解像のフラクタル次元を使用すると0.87であったのに対して、ＢＭＤを使用すると、0.6というＡｚが得られた。マルチフラクタル解析を使用してＲＯＩ内の骨テクスチャーを特性化することも可能である。これらのＲＯＩのフラクタル次元は、乳房Ｘ線写真のコンピュータ解析のために記述されたものから修正された、表面積技法を使用して推定される。各ピクセルのグレー・レベルは、各ＲＯＩの「表面積」を計算するための「長さ」および「幅」としてピクセル・サイズを持つ「高さ」と考えられる。隣接するピクセルを合併し、これらの合併したピクセルから平均した新しいグレー・レベルを持つ、効果的に、より大きいピクセル・サイズを得る。各ＲＯＩの新しい「表面積」を算出し、この処理を連続的に繰り返し、より前のステップの隣接するピクセルを合併し、結果として得られる、新しい効果的な各ピクセル・サイズの表面積を算出する。次式Ｄ＝２−Ｈを使用して、各ＲＯＩのフラクタル次元（Ｄ）を算出する。ここで、Ｈは各ＲＯＩの表面積対数値対ピクセル・サイズ対数値のプロットに当てはめた最小二乗線の勾配である。数値２は、グレー・レベル表面の位相次元である。プロットは、２つの直線領域を示すことにより、テクスチャー（緻密な）フラクタル次元と構造（より粗い）フラクタル次元の複数フラクタル性を示すことがある。緻密なフラクタル次元とより粗いラクタル次元の両者をテクスチャー測定値として使用することができる。上述の脊椎のＲＯＩと、正常な手と骨粗鬆症の手のＲＯＩを別々に使用した２つの予備試験で、人工神経網（ＡＮＮ）を使用した。人工神経網へのインプットは、バックグラウンド補正ＲＯＩから標準化したパワースペクトル・データであった。サイズ３２×３２ピクセルのＲＯＩを使用すると、成功したＡＮＮはインプット・ユニット512(32*16)、隠れたユニット４０およびアウトプット・ユニット１を含んでいた。アウトプット・ユニットの値は決定変数の役割をする。異常（骨粗鬆症）に１のアウトプットを、正常に０のアウトプットを使用して、ＡＮＮを調整する。４３例を使用すると、ＡＮＮは異常なＲＯＩを全て、骨粗鬆症として分類した。人工神経網（ＡＮＮ）は、骨小柱のテクスチャー・パターンの鑑別に応用することも可能である。ＡＮＮは、情報処理の非アルゴリズム・アプローチである。多くの関連パラメータに関する広範な知識を必要とする、多くの人工知能技法と異なり、ＡＮＮは繰り返し提供される例から直接学習する。一度調整すると、人工神経網は、その学習経験に基づいてインプット・パターンの中から識別することができる。画像データの移動−変形性を排除するために、空間周波数領域を使用して画像データを使用して、テクスチャー・パターンの解析を実施する。バックグラウンド補正したＲＯＩのフーリエ解析によりパワースペクトルを算出することによってＲＯＩを評価し、比較する。次に、比較したパワースペクトルを人工神経網へのインプットとして使用する。サイズ３２×３２ピクセルのＲＯＩの場合、フーリエ変換およびその後のパワースペクトルの計算が対称であるため、結果として生じるインプット・ユニット数は16×32である。１アウトプット・ユニットで、３層、フィードフォアード人工神経網を使用することができる。調整過程に、一般化デルタ法則によるバックプロパゲーション・アルゴリズムを用いる。人工神経網のインプット層に、対応するパワースペクトルに相当するインプットを提供する。調整過程の間に、アウトプット層に望ましいアウトプット（真実）を提供する。アウトプット値にインプット・パターンをマッピングする最の重要成分である、隠れた層を、インプット層とアウトプット層の間に配置する。人工神経網の各処理ユニットの活性化関数として、非線形ロジスチック関数を使用するが、ここで上式で、Ｏ_pjは、インプット・パターンｐの具現によって生じる実際のアウトプット・パターンのｊ番目の成分であり、Ｗ_ijは、ｉ番目からｊ番目までのユニットの重みであり、θ_jはｊ番目のユニットの閾値である。調整過程で、アウトプット値と望ましい結果との差が最小限になるように、層間接続の内部パラメータ（各ユニットの閾値を含む）を繰り返し調節する。これは、次の法則： Δｗ_ji（ｎ＋１）＝η（δ_pρ_pi）＋αΔｗ_ji（ｎ）によって達成される。ここで、ｎは繰り返しの数を指し、ηは学習速度であり、δ_pjは、人工神経網のアウトプットと望ましいアウトプットの差に関連したエラー信号であり、αは重み空間における電流検出に関する過去の重み変化の効果を決定する運動量の項である。ＡＮＮの調整に使用する望ましい「真実」は、最初は１か０のいずれかであり、１は脊椎の他所に骨折がある患者に相当し、０は、そのような骨折が無い患者に相当する。明らかに、上記方法に照らして、本発明の多くの修正および変更が可能である。したがって、本明細書に明確に記載されているもの以外に、添付した特許請求項の範囲内で、本発明を実施することが可能であると理解すべきである。本出願は放射線医用画像に焦点を合わせたが、概念はその他の人体の画像の分割に拡大することが可能である。

───────────────────────────────────────────────────── フロントページの続き (81)指定国ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ，ＤＫ，ＥＳ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＫＥ，ＭＷ，ＳＤ，ＳＺ)，ＡＭ，ＡＴ，ＡＵ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ，ＣＮ，ＣＺ，ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＥ，ＨＵ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＫ，ＬＲ，ＬＴ，ＬＵ，ＬＶ，ＭＤ，ＭＧ，ＭＮ，ＭＷ，ＮＬ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＩ，ＳＫ，ＴＪ，ＴＴ，ＵＡ，ＵＺ，ＶＮ【要約の続き】ムを示す。

Claims

【特許請求の範囲】請求項１．骨を解析する方法であって、上記骨を含む画像を得ることと、上記骨の関心領域を選択することと、上記骨の上記関心領域の少なくとも１つのテクスチャー測定値を決定することと、上記少なくとも１つのテクスチャー測定値を使用して上記骨を解析することを含む方法。請求項２．関心領域のバックグラウンド傾向補正を作成するための上記関心領域のバックグラウンド傾向補正と、上記バックグラウンド傾向補正した関心領域の上記少なくとも１つのテクスチャー測定値を決定することと、を含む、請求項１に記載の方法。請求項３．上記関心領域を選択することが、脊椎の少なくとも１つの椎骨体上の上記関心領域を選択することを含むことを特徴とする、請求項１に記載の方法。請求項４．上記少なくとも１つのテクスチャー測定値を決定することが、上記関心領域のパワースペクトルを決定することと、上記パワースペクトルを使用して、上記少なくとも１つのテクスチャー測定値を決定することを含むことを特徴とする、請求項１に記載の方法。請求項５．上記パワースペクトルを多数の扇形に分割することと、上記扇形の各々の上記少なくとも１つのテクスチャー測定値を決定することを含む、請求項４に記載の方法。請求項６．上記少なくとも１つのテクスチャー測定値を決定することが、二乗平均平方根変動および上記パワースペクトルの第１モーメントを決定することを含むことを特徴とする、請求項４に記載の方法。請求項７．上記パワースペクトルを濾過することと、上記二乗平均平方根変動をＲ：として決定することと、上記第１モーメントをＭ：として決定することを含み、上式で、Ｖ（u,v）はフィルター機能であり、Ｆ（u,v）は上記パワースペクトルである、請求項６に記載の方法。請求項８．上記変動Ｒの角依存性Ｒθ：を決定することと、上記第１モーメントＭの角依存性Ｍθ：を決定することを含む、請求項７に記載の方法。請求項９．上記パワースペクトルを多数の扇形に分割することと、上記扇形の各々の上記変動の上記角依存性および上記Ｍの角依存性を決定することを含む、請求項８に記載の方法。請求項１０．上記Ｍの角依存性の最小値を決定することを含む、請求項９に記載の方法。請求項１１．上記少なくとも１つのテクスチャー測定値を決定することが、上記パワースペクトルの二乗平均平方根変動を決定することと、上記変動の角依存性を決定することと、上記角依存性の最大値を決定すること、上記角依存性の最小値を決定すること、上記変動の標準偏差を決定することと、上記変動の相対標準偏差を決定することとを含むことを特徴とする、請求項４に記載の方法。請求項１２．上記少なくとも１つのテクスチャー測定値を決定することが、上記パワースペクトルの第１モーメントを決定すること、上記第１モーメントの角依存性を決定することと、上記角依存性の最大値を決定すること、上記角依存性の最小値を決定すること、上記第１モーメントの標準偏差を決定することと、上記第１モーメントの相対標準偏差を決定することを含むことを特徴とする、請求項４に記載の方法。請求項１３．上記画像の均質な組織領域の第２パワースペクトルを決定することと、上記第２パワースペクトルを使用してパワースペクトルを標準化することとを含む、請求項４に記載の方法。請求項１４．上記関心領域に縁勾配解析を実施することと、最大累積縁勾配を決定することを含む、請求項１３に記載の方法。請求項１５．上記少なくとも１つの特徴を弁別装置にインプットすることと、上記弁別装置を使用して、骨折のリスクの公算を決定することを含む、請求項４に記載の方法。請求項１６．上記変動、上記変動の上記角依存性、上記角依存性の上記最大値、上記角依存性の上記最小値、上記変動の標準偏差および上記変動の相対標準偏差から選択したものを弁別装置にインプットすることと、上記弁別装置を使用して、骨折のリスクの公算を決定することを含む、請求項１１に記載の方法。請求項１７．上記第１モーメント、上記第１モーメントの上記角依存性、上記角依存性の上記最大値、上記角依存性の上記最小値、上記第１モーメントの標準偏差、上記第１モーメントの相対標準偏差をから選択したものを弁別装置にインプットすることと、上記弁別装置を使用して、骨折のリスクの公算を決定することを含む、請求項１２に記載の方法。請求項１８．脊椎画像を得ることと、椎骨体における上記関心領域を選択することと、上記椎骨体における小柱パターンを決定することを含む、請求項１に記載の方法。請求項１９．上記関心領域をバックグランド傾向補正することを含む、請求項１８に記載の方法。請求項２０．上記小柱パターンを決定することが、上記関心領域のパワースペクトルを決定することと、上記パワースペクトルを使用して上記少なくとも１つのテクスチャー測定値を決定することを含むことを特徴とする、請求項１８に記載の方法。請求項２１．上記パワースペクトルを多数の扇形に分割することと、上記各扇形の各々の、上記少なくとも１つのテクスチャー測定値を決定することを含む、請求項２０に記載の方法。請求項２２．上記少なくとも１つのテクスチャー測定値を決定することが、上記パワースペクトルの二乗平均平方根変動を決定することを含むことを特徴とする、請求項２１に記載の方法。請求項２３．上記少なくとも１つのテクスチャー測定値を決定することが、上記パワースペクトルの二乗平均平方根変動と第１モーメントを決定することを含むことを特徴とする、請求項１８に記載の方法。請求項２４．上記関心領域に縁勾配解析を実施することと、最大累積縁勾配を決定することを含む、請求項１８に記載の方法。請求項２５．上記少なくとも１つの特徴を弁別装置にインプットすることと、上記弁別装置を使用して、骨折のリスクの公算を決定することを含む、請求項１８に記載の方法。請求項２６．上記骨の第２画像を得ることと、上記第２画像において第２関心領域を選択することと、上記関心領域および上記第２関心領域に基づいて骨量を決定することと、上記骨量とテクスチャーに基づいて上記骨を解析することを含む、請求項１に記載の方法。請求項２７．上記骨量を決定することが、上記関心領域を集積して第１集積値を得ることと、上記第２関心領域を集積して第２集積値を得ることと、上記第１集積値と第２集積値の重みつき合計を決定することを含むことを特徴とする、請求項２６に記載の方法。請求項２８．各々が複数のピクセルとグレー・レベル値を有するような上記画像および上記第２画像を得ることと、上記画像および上記第２画像の上記グレー・レベル値から線形一致を決定することを含む、請求項２６に記載の方法。請求項２９．上記関心領域に関する上記画像の第１ピクセルのグレー・レベルの第１合計を決定することと、上記第１合計、第２合計および上記線形一致に基づいて上記骨量を決定することを含む、請求項２８に記載の方法。請求項３０．第１エネルギーレベルであって、複数の第１グレー・レベルを有する上記画像を得ることと、上記第１エネルギーレベルより高い第２エネルギーレベルであって、複数の第２グレー・レベルを有する上記第２画像を得ることと、第１集積値を得るために、上記関心領域を使用して上記画像を集積することと、第２集積値を得るために、上記第２関心領域を使用して上記第２画像を集積することと、上記第１グレー・レベル・ピクセルおよび第２グレー・レベル・ピクセルから直線一致を決定することと、上記第１集積値および第２集積値の第１重みつき合計および第２重みつき合計を決定することと、上記第１重みつき合計および第２重みつき合計と上記直線一致を使用して上記骨量を決定することを含む、請求項２６に記載の方法。請求項３１．上記少なくとも１つのテクスチャー測定値および上記骨量を弁別装置にインプットすることと、上記弁別装置を使用して骨折のリスクの公算を決定することを含む、請求項２６に記載の方法。請求項３２．上記少なくとも１つのテクスチャー測定値を決定することが、上記関心領域のパワースペクトルを決定することと、上記パワースペクトルの二乗平均平方根変動と第１モーメントを決定することとを含み、上記骨量を決定することが、第１集積値を得るために、上記関心領域を集積することと、第２集積値を得るために、上記第２関心領域を集積することと、上記第１集積値および第２集積値の重みつき合計を決定することとを含むことを特徴とする、請求項３１に記載の方法。請求項３３．複数のグレー・レベル・ピクセルを有する上記関心領域を得ることと、複数の解像レベルの各々で、上記関心領域の表面積を決定することを含む、請求項１に記載の方法。請求項３４．上記表面積を決定することが、上記表面積および上記解像レベルを使用して、勾配を決定することと、上記勾配を使用してフラクタル次元を決定することを含むことを特徴とする、請求項３３に記載の方法。請求項３５．上記フラクタル次元Ｄ＝２−Ｈを決定することを含み、Ｈが上記勾配である、請求項３４に記載の方法。請求項３６．上記ピクセルに基づいて上記関心領域の第１表面積を決定することと、合併したピクセルを得るために上記ピクセルを選択的に合併させることと、上記合併したピクセルに基づいて第２表面積を決定することと、上記第１表面積および第２表面積に基づいてフラクタル次元を決定することを含む、請求項３３に記載の方法。請求項３７．上記第１表面積および第２表面積ならびに上記解像レベルを使用して勾配を決定することと、上記フラクタル次元Ｄ＝２−Ｈを決定することを含み、Ｈが上記勾配である、請求項３６に記載の方法。請求項３８．骨を解析するシステムであって、画像取得装置と、上記画像取得装置に接続される関心領域選択回路と、上記関心領域選択回路に接続されるフーリエ変換回路と、上記フーリエ変換回路に接続されるパワースペクトル決定回路と、上記パワースペクトル決定回路に接続されるテクスチャー測定回路と、上記テクスチャー測定回路に接続される弁別装置を含む、システム。請求項３９．上記弁別装置に接続されるスーパーインポーズ回路と、ディスプレーを含む、請求項３８に記載のシステム。請求項４０．上記関心領域選択回路に接続されるバックグラウンド傾向補正回路を含む、請求項３８に記載のシステム。請求項４１．上記テクスチャー測定回路がパワースペクトルの二乗平均平方根変動および第１モーメントを決定するための手段を含むことを特徴とする、請求項３８に記載のシステム。請求項４２．上記弁別装置が、上記テクスチャー測定回路によって決定された少なくとも１つのテクスチャー測定値をインプットするための手段と、上記少なくとも１つのテクスチャー測定値を使用して骨折のリスクの公算を決定するための手段を含むことを特徴とする、請求項４１に記載のシステム。請求項４３．上記テクスチャー測定回路が、少なくとも１つの上記パワースペクトルの二乗平均平方根変動と、上記変動の第１角依存性と、上記角依存性の第１最大値と、上記角依存性の第１最小値と、上記変動の第１標準偏差と、上記変動の第１相対標準偏差と、上記パワースペクトルの第１モーメントと、上記第１モーメントの第２角依存性と、上記角依存性の第２最大値と、上記角依存性の第２最小値と、上記第１モーメントの第２標準偏差と、上記第１モーメントの第２相対標準偏差、から選択されたテクスチャー測定値を決定するための手段を含むことを特徴とする、請求項３８に記載のシステム。請求項４４．上記弁別装置が、上記テクスチャー測定値を合併させるための手段と、上記テクスチャー測定値を使用して骨折のリスクの公算を決定するための手段を含むことを特徴とする、請求項４３に記載のシステム。請求項４５．上記関心領域選択回路に接続される骨量エントリー回路と、上記骨量エントリー回路に接続される集積回路と、上記集積回路および弁別装置に接続される重みつき合計回路を更に含む、請求項３８に記載のシステム。