WO2007023522A1 - 脳疾患の診断支援方法及び装置 - Google Patents

脳疾患の診断支援方法及び装置 Download PDF

Info

Publication number
WO2007023522A1
WO2007023522A1 PCT/JP2005/015230 JP2005015230W WO2007023522A1 WO 2007023522 A1 WO2007023522 A1 WO 2007023522A1 JP 2005015230 W JP2005015230 W JP 2005015230W WO 2007023522 A1 WO2007023522 A1 WO 2007023522A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
brain
brain image
diagnosis support
mri
Prior art date
Application number
PCT/JP2005/015230
Other languages
English (en)
French (fr)
Inventor
Hiroshi Matsuda
Tetsutaro Ono
Yasutoshi Matsuba
Original Assignee
National Center Of Neurology And Psychiatry
Dai Nippon Printing Co., Ltd.
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Center Of Neurology And Psychiatry, Dai Nippon Printing Co., Ltd. filed Critical National Center Of Neurology And Psychiatry
Priority to PCT/JP2005/015230 priority Critical patent/WO2007023522A1/ja
Priority to US11/990,687 priority patent/US8218835B2/en
Publication of WO2007023522A1 publication Critical patent/WO2007023522A1/ja

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • the present invention relates to a diagnosis support method and apparatus for brain disease, and is particularly applied when diagnosis support for each disease is performed by inputting a brain image by MRI (Magnetic Resonace Imaging) or the like and processing the image.
  • the present invention relates to a suitable diagnosis support method and apparatus for brain diseases.
  • a decrease in blood flow in a local region of the brain can be tested by comparing with SPECT or PET images.
  • the volume of a specific part can be obtained from an MRI image, and the relative size can be compared to determine the presence or absence of an abnormality.
  • the processing result for diagnosis becomes important information relating to life, and accordingly, the corresponding reliability is required.
  • highly accurate methods such as the VBM method for MRI images are A complex image processing process is required, and the input image resolution, density value dynamic range, image direction, and other specifications are consistent with what the system is supposed to use, or the entire processing flow. For each of these processes, it was necessary to thoroughly examine whether a good processing result was obtained.
  • the ROI method for setting a region of interest (ROI) of a predetermined size on the image is used.
  • Ru For example, Hiroshi Matsuda: Statistical image analysis of SPECT. Image diagnosis of Alzheimer-type dementia, Medical View: pp. 76-86 (2001)). This is a comparison in which a ROI of a predetermined size is set in a specific region that is attracting attention as related to a specific disease on a brain image.
  • the present invention has been made to solve the above-mentioned conventional problems, and at least the input image specs that have been made by visual inspection can be objectively confirmed, and the reliability of the entire image processing is improved. It is a first object to provide a diagnosis support method and apparatus for brain disease that can improve the performance and, in turn, can automate diagnosis by image processing.
  • the present invention also provides an objective diagnosis by enabling the ROI to be set for the input brain image (data) of the subject without manual operation such as manual drawing.
  • a second problem is to provide a diagnosis support method and apparatus for brain diseases that can present results.
  • the present invention is a brain disease diagnosis support method for supporting diagnosis by inputting a brain image of a subject, performing image processing, and presenting a diagnosis result, and comprising: For the brain image, the first problem is solved by automatically checking at least one of resolution, dynamic range, and image direction.
  • the present invention is also a diagnosis support apparatus for brain disease that supports diagnosis by inputting a brain image of a subject, processing the image, and outputting a diagnosis result.
  • a diagnosis support apparatus for brain disease that supports diagnosis by inputting a brain image of a subject, processing the image, and outputting a diagnosis result.
  • the image direction is checked as follows: (Assumption 1)
  • the order of the symmetry of the axis is as follows: side direction ⁇ sagittal direction ⁇ axis (vertical) direction (Assumption 2)
  • the eyeball is a left-right symmetric and is in front of the head.
  • (Assumption 3) There is a tissue up to the lower end of the head image, but the upper end is under the thread and weave! / ⁇ .
  • the continuity of all slice images may be automatically checked.
  • the image processing may include brain tissue extraction processing and anatomical standardization processing, and at least one processing result may be automatically checked.
  • the brain image as the processing result may be compared with a corresponding reference image prepared in advance to perform the automatic check.
  • the brain image may be an MRI brain image.
  • the gray matter tissue is extracted from the MRI brain image to create a gray matter brain image, and the gray matter brain image is subjected to anatomical standardization. It is also possible to perform statistical comparison with the corresponding brain image of a healthy person prepared in advance.
  • anatomical standardization is applied to the MRI brain image.
  • the gray matter brain image After preparing the gray matter brain image by extracting the gray matter tissue from the standardized MRI brain image, it may be prepared in advance and statistically compared with the corresponding brain image of a healthy person. Oh ,.
  • the present invention also includes inputting a brain image of a subject, processing the image, and presenting a diagnosis result.
  • This is a diagnosis support method for brain diseases that provides further diagnosis support.
  • ROI which is a region of interest for each disease in the brain image, is determined in advance by a statistical method, and the brain image of the input subject is input.
  • the ROI is applied to solve the second problem.
  • the present invention is also a brain disease diagnosis support apparatus that supports diagnosis by inputting a brain image of a subject, processing the image, and outputting a diagnosis result, and uses a statistical method.
  • the image and statistical processing means includes a function for applying the ROI when the image and statistical processing means perform the statistical comparison and present the diagnosis result. This solves the second problem.
  • the statistical comparison may be performed by calculating a Z score for each botasel. In addition, the statistical comparison may be performed on the entire brain.
  • the statistical comparison may be performed using the average of the z-scores of the botasels determined to be abnormal. May be.
  • the brain image may be an MRI brain image.
  • the gray matter tissue is extracted from the MRI brain image to create a gray matter brain image, and the gray matter brain image is subjected to anatomical standardization.
  • the statistical comparison may be performed.
  • anatomical standardization is performed on the MRI brain image, and the MRI brain image after the standardization is grayed out. The statistical comparison may be performed after extracting the tissue and creating the gray matter brain image.
  • the present invention also provides a computer-readable program for executing the above-described brain disease diagnosis support method on a computer.
  • the present invention also provides a computer-readable program for realizing the brain disease diagnosis support apparatus by a computer.
  • the present invention further provides a recording medium storing any one of the above computer-readable programs.
  • the reliability of the entire processing flow can be determined by making it possible to determine whether or not a good processing result has been obtained in each processing step based on a quantitative and objective evaluation. This makes it possible to provide diagnosis support by disease using MRI images, etc., even for doctors who do not have specialized knowledge in image processing or statistics.
  • an ROI created by statistical processing in advance is set for the input subject's brain image, and analysis by ROI can be applied. Objective diagnostic results can be presented without going through work.
  • FIG. 1 is a block diagram showing an outline of a diagnosis support system according to a first embodiment of the invention.
  • FIG. 2 (A) is a flowchart showing a processing flow of diagnosis support according to the first embodiment.
  • FIG. 2 (B) Flow chart showing the processing flow for diagnosis support when extracting gray matter tissue.
  • FIG. 3 Conceptual diagram schematically showing brain slice images and features of the botacel.
  • FIG.4 Conceptual diagram schematically showing the characteristics of affine transformation used for image alignment
  • FIG. 5 Conceptual diagram schematically showing the features of the gray matter extraction process from the input brain image.
  • FIG.6 Schematic diagram schematically showing the features of the one-dimensional image smoothing process.
  • FIG. 11 Schematic diagram showing artifacts caused by image smoothing and its removal method
  • FIG. 18 Conceptual diagram showing the characteristics of the position of the eyeball in different brain image sections
  • FIG. 19 Flow chart showing the processing procedure for identifying the image direction of the input image.
  • ⁇ 20 Conceptual diagram for explaining how to count the effective number of botasels
  • FIG.21 Conceptual diagram showing the features of the provisional symmetry plane for each axis on the brain image
  • FIG. 25 is a conceptual diagram showing an example of the change in the axial direction of the number of effective botasels.
  • ⁇ 29 Block diagram showing the outline of the diagnosis support system of the second embodiment according to the present invention.
  • ⁇ 30 Flow chart showing the basic processing flow of diagnosis support according to the second embodiment.
  • ⁇ 31 Shows the characteristics of analysis by ROI ⁇ Conceptual diagram
  • FIG. 37 is a flowchart showing a modification of the processing procedure.
  • FIG. 38 is a flowchart showing another modification of the processing procedure.
  • FIG. 1 is a block diagram showing a brain disease diagnosis support system (apparatus) according to the first embodiment of the present invention.
  • the diagnosis support system of this embodiment includes a user interface 10, an image'statistic processing unit 20 and a database unit 30.
  • the user interface 10 has an image input function 12 for inputting an MRI image as an input image, and a result display function 14 for displaying a result processed by the processing unit 20, and the processing unit 20 is connected to the user interface 10 and the like.
  • An input / output evaluation function (automatic evaluation means) 22 for evaluating images input / output in the system, an image processing function 24 for processing input MRI images, and a statistical processing function 26 for performing various statistical calculations, etc.
  • the database unit 30 stores a standard brain image template 32, a gray matter brain image template 34, a healthy person image database 36, and the like used for processing to be described later by the processing unit 20.
  • FIG. 2 (A) shows a basic processing flow from outputting a diagnosis result based on an MRI brain image of a subject to support the diagnosis in the present embodiment.
  • an MRI brain image (“brain” is omitted in the figure) of a subject that has been subjected to a predetermined pre-processing is input, and a spatial shift with respect to the brain image is performed. Align the position to correct (Step 1). Next, the tissue necessary for diagnosis of dementia disease is extracted from the brain image after alignment (step 2), and the first image smoothing process is performed on the extracted brain image (step 3). .
  • step 4 anatomical standardization is performed on the first smoothed brain image (step 4), and second image smoothing is performed on the standardized brain image (step 5).
  • step 5 the density value is corrected for the second smooth image (step 6), and a statistical comparison between the corrected brain image and the MRI brain image of healthy subjects is performed (step 7). Then, the comparison result is output as the diagnosis result and used for diagnosis support.
  • the MRI brain image is statistically processed and statistically compared with the image of a healthy person to extract abnormal regions of the brain.
  • the input image is checked (Step 0)
  • the tissue extraction result is checked (Step 21)
  • the anatomical standardization result is checked (Step 41).
  • Specific evaluation items include: (A) Input image check includes (a) resolution, (b) dynamic range, (c) automatic confirmation of image direction, (d) continuous image of all slices. (B) Check the brain tissue extraction results to evaluate each processing result, and (C) Check the results of autopsy standardization. There is.
  • each of the basic processes in steps 1 to 7 and the check processes in steps 0, 21, and 42 can be implemented by a program in the processing unit 20 having computer power. .
  • Step 2 The basic processing flow will be described in detail below. However, for the sake of convenience, as shown in FIG. 2 (B), a specific example is a case where the tissue power extracted in Step 2 is a gray matter tissue necessary for diagnosis of Alzheimer-type dementia disease or the like.
  • FIG. 3 is an image of a slice image obtained by cutting out the entire brain and a part of the brain
  • the slice was taken in a predetermined thickness so as to include the entire brain of the subject.
  • 200 T1-weighted MRI images are input.
  • the slice image is resampled so that the lengths of the sides of the voxel in each slice image are equal in advance.
  • the “botacel” is a coordinate unit of an image having “thickness” and corresponds to a pixel in a two-dimensional image.
  • the imaging direction and resolution power of the slice image are checked to see if they are suitable for the conditions set in the system in advance.
  • transverse section in Fig. 3 there are sagittal: sagittal section (vertical cut from the side) and coronal: coronal section (vertical cut from the front).
  • step 1 As described above, when it is confirmed that the input has been made in conformity with the MRI brain image force setting conditions, the alignment processing in step 1 is performed.
  • the input brain image and the standard brain image template read from the database unit 30 are displayed.
  • the total of 12 conversion parameters shown in the x, y, and z directions are calculated so that the sum of squares of the error with the plate 32 is minimized.
  • affine transformation of the input brain image is performed using the obtained parameters, thereby realizing spatial alignment of the input brain image with respect to a standard brain image whose position, size, etc. are preset. be able to.
  • step 2 the gray matter extraction process of step 2 is performed.
  • the input T1-weighted MRI brain image contains three types of tissues: gray gray matter corresponding to nerve cells, white matter corresponding to brighter nerve fibers, and cerebrospinal fluid close to black. . Therefore, in the diagnosis of dementia, focusing on the gray matter tissue, a process for extracting the tissue is performed.
  • clustering into these three clusters is performed by image processing as shown in FIG. 5 in order to separate these tissues.
  • One is a density value model.
  • the second is a model of the existence probability of three organizations with respect to a spatial position.
  • each botasel belongs to one of the tissues, and that the existence probabilities of the tissues are divided in advance according to the spatial position.
  • r is a likelihood function that is a botsel (i, j) force 3 ⁇ 4 of cluster k
  • V Average value of the botacell in each cluster
  • the gray matter tissue is three-dimensionally obtained by using, as a template, the existence probability calculated for each of the gray matter, white matter, and cerebrospinal fluid from the brain images of many healthy subjects in advance.
  • Extracted brain images hereinafter also called gray matter brain images.
  • the image smoothing process in step 3 is performed on the brain image from which the gray matter tissue has been extracted.
  • the image is smoothed by a 3D Gaussian force.
  • the FWHM (half width) of the filter used for this smoothing shall be about 8 mm.
  • a three-dimensional brain image and a three-dimensional convolution of a three-dimensional Gaussian function are performed. This can be done by sequentially performing a one-dimensional convolution in the X, y, and z directions.
  • the one-dimensional discrete Gaussian function is g, it is expressed by the following equation (2).
  • the convolution h between f and the one-dimensional Gaussian kernel g is expressed by a product-sum operation as shown in Equation (2).
  • Step 4 After adjusting the smoothness of the gray matter brain image as described above, a process called anatomical standardization in Step 4 is performed. In order to absorb the anatomical differences in the brain images that exist between individuals, this is a global correction for the entire brain size and a local correction for the partial size. .
  • the image processing is performed so that the sum of squares of is minimized.
  • the image template 34 is an average image obtained from brain images obtained by extracting gray matter tissue from many healthy subjects. In this anatomical standardization process, first, global correction of position, size, and angle is performed by linear transformation, and then the shape of local irregularities is corrected by nonlinear transformation.
  • nonlinear transformation estimates a deformation field composed of low-frequency components of DCT (discrete cosine transform) in each of the X and y directions, and this deformation field The original image is converted.
  • DCT discrete cosine transform
  • the second image smoothing process of step 5 is performed on the gray matter brain image that has been subjected to anatomical standardization (hereinafter also referred to as the standardized brain image).
  • the 3D Gaussian kernel And set the FWHM to about 12 to 15 mm.
  • this can be realized by performing the same process as the image smoothing process in step 3 except that the FWHM value is different.
  • the second image smoothing in this way, individual differences that do not completely match in the anatomical standardization processing can be reduced.
  • the density value correction in step 6 is performed on the standardized brain image that has been subjected to the second image smoothing.
  • the correction of the botacell density value corresponding to the pixel value in units of the botacell is performed.
  • MEANsubject Average of all the botacell density values of the image to be processed In this way, after correcting the botacell density value of the input image (standardized brain image) to that of the healthy subject image group, a process of removing artifacts is performed. As shown in the image of FIG. 11A, this artifact is caused by the error smoothing that occurs in the botacell position where brain tissue originally does not exist by the image smoothing (2) having a large half-value width performed in Step 5 above. It is an area.
  • a mask obtained by binarizing the standard brain image template of the gray matter tissue used in the anatomical standardization in Step 4 is used as the mask. These artifacts are removed by multiplying each botacel value of the standard camphor image.
  • step 7 After correcting the botacell density value as described above, the statistical processing of step 7 is performed.
  • a comparison test with a group of MRI brain images of a healthy individual is performed. It is desirable that the group of healthy subject images to be used is composed of something close to the age of the subject.
  • N is the total number of images of healthy subjects
  • the wrinkle score is a value obtained by scaling the difference between the botacel value of the subject image and the average value of the corresponding buttonacels of the healthy subject image group by the standard deviation. It shows the degree of relative decrease in mass volume.
  • the botacell which becomes such is obtained, and it is determined as a botacel that shows a statistically significant difference.
  • abnormal sites Recognize and extract existence.
  • the healthy person image database 36 used in step 7 is aligned with each of the healthy person's image groups separately collected in advance in the above-described steps 1 to 6 ⁇ gray matter tissue extraction ⁇ image smoothing.
  • (2)-> Density correction is performed in order and created and stored in the same way.
  • these collected healthy person images are classified by age group, for example, every 5 years or every 10 years, and the average value and standard value calculated for each group are classified.
  • age group for example, every 5 years or every 10 years
  • the average value and standard value calculated for each group are classified.
  • the age of the subject is 76 years, it is divided into a certain age range centered on the age of the subject. You can collect and compare images of healthy people in the age range (with a width of 5)!
  • Steps 1 to 7 in order to automate the diagnosis support by the basic processing flow of Steps 1 to 7 described in detail above, the input image check in Step 0 and the tissue extraction result check in Step 21 are checked.
  • the automatic check of the anatomical standardization result in step 41 is also performed. The details of each check will be described below.
  • the method of holding MRI images as 3D information is the force that generally holds images in the x and y planes by the number of slices (corresponding to the direction of the force). , sagittal, coronal images can be taken. Also, each It is also possible to flip left and right and up and down and swap the Z direction
  • the ability to perform image format conversion for image processing and storage does not necessarily consist of image slices in only one direction.
  • it may be a 101-slice image in which one sagittal image near the center is added to 100 consecutive slices of the transverse image to make it easier to identify individuals.
  • the head MRI image is three-dimensional information
  • the minimum unit is a three-dimensional unit called a “botacel” in which the thickness is added to a pixel in the two-dimensional image.
  • the number of x, y and z axis botels X, ⁇ and ⁇ are the resolution.
  • the resolution of the input image is acquired from the header part (recording area) of the image file. This will be explained for the case of using DICOM format and ANALYZE format, which are often used in medical images.
  • the DICOM format As shown in the image of FIG. 13, data for one slice image is stored in one file, and the three-dimensional data is composed of a file number of slices.
  • the DICOM format is a set of records having a tag and a value, and the resolutions X and Y are acquired from the value value of the record corresponding to the tag. Since the number of slices corresponds to the number of files, the resolution Z is obtained from the number of files.
  • the ANALYZE format has one header file and one data file.
  • the header file byte sequence consists of three parts: header key, age dimension, and data history. Each length and element is fixed. Among these, the image resolution X, Y, ⁇ is called dim [l] —dim [3] of the image dimension part Get this because it is stored in an array.
  • the dynamic range is the ratio between the minimum and maximum signal values expressed in dB, and is expressed by the following equation.
  • the input image is composed of a set of slice images.
  • the slice image usually has three directions: transverse (cross section), sagittal (sagittal section) and coronal (coronal section). Furthermore, upside down and left side upside down are considered for each cross section.
  • This inter-image direction evaluation is performed by identifying the cross-sectional axis direction and its upside-down inversion for the input image, and confirming that the direction of the input image matches what the system assumes. This is to prevent erroneous input as illustrated in FIG.
  • Axis symmetry is in the order of lateral direction ⁇ sagittal direction ⁇ axial (vertical) direction.
  • Assumption 3 There is a tissue up to the lower end of the head image, but there is no tissue at the upper end.
  • the basis for Assumption 1 is as follows. As shown in Fig. 17, which shows the image of symmetry in the 3D image of the head, the human head is almost symmetrical, so the degree of symmetry is large in the lateral direction. Forces that are basically asymmetric in the other sagittal and axial directions As seen in the transverse image in the figure, parietal force A little symmetry is seen in the sagittal direction up to the cerebrum. Therefore, if the degree of symmetry is represented by the thickness of the arrow, it will be the side direction, the sagittal direction, and the axial direction when arranged in descending order.
  • Assumption 2 is a feature related to the position of the eyeball, and Fig. 18 shows images in each cross-sectional direction.
  • Assumption 3 is that there is a tissue in the lower part of the head, so there is tissue up to the edge of the image, but there is no continuous tissue on the outside of the scalp. Is a feature of
  • the asymmetry is calculated as follows (step 11).
  • the effective number of botasels is the number of botasels corresponding to the part where human tissue exists on the 3D image.
  • K is calculated by excluding the number of voxels outside the head from the number of voxels in the entire image.
  • the pixel value 0 corresponding to the outer side botacell is counted from the left and right sides of each scanning line of each slice image.
  • This concept is schematically shown in Fig. 20, focusing on a scan line with a certain cross section, and the length of continuous botacell values of 0 is obtained from both directions, and this is reduced by the number of botacells in the entire scan line.
  • the effective number of botasels on the scanning line is obtained. This is performed for the entire image, and the total number K is obtained by integrating the number of effective botacells for each scanning line.
  • a median filter with a 3 X 3 X 3 mask is used to eliminate isolated point noise in advance so as not to be affected by noise. It is also effective to keep it.
  • FIG. 22 The concept of how to obtain the provisional symmetry plane is illustrated in Fig. 22 along the X axis.
  • the axis is determined using the degree of asymmetry obtained (step 12). From assumption 1 above, the axis is determined using the degree of asymmetry obtained (step 12). From assumption 1 above, the axis is determined using the degree of asymmetry obtained (step 12). From assumption 1 above, the axis is determined using the degree of asymmetry obtained (step 12). From assumption 1 above, the axis is determined using the degree of asymmetry obtained (step 12). From assumption 1 above
  • the asymmetry degree of each axis ASYNx, ASYNy, ASYNz is assigned in the order of low asymmetry, that is, in descending order of symmetry.
  • the position of the eyeball is extracted (step 13), and the upper and lower sides of the image are determined based on the information and the like (step 14).
  • the eye position is extracted by the following procedure.
  • the eye extraction filter is applied to a three-dimensional head image to search for eyeball candidates.
  • the eye extraction filter is a spherical filter with a value close to 1 at the shell.
  • the value force is ⁇ . If the radius of the central force is 3 ⁇ 4 ⁇ , it is expressed by the following equation.
  • Rl, R2, R3, and Ra are constants and are determined empirically.
  • a two-dimensional representation of this is shown in Figure 24.
  • Such a filter is used in the MRI image because the central part of the eyeball is black (close to the value ⁇ ) and the outer side is white compared to the surroundings (value is large). This is because.
  • N is a constant determined empirically.
  • Rl, R2, R3, and Ra may be determined adaptively from the size of the head in a given input image.
  • a pair of candidate points having the largest SYNeye is regarded as a true eyeball.
  • the axis in the sagittal direction is determined.
  • the direction of is not yet decided. Therefore, the front-rear direction is determined with the surface closest to the line connecting the left and right eyeballs obtained in (2) as the coronal front surface.
  • the vertical direction is determined.
  • Fig. 25 when the number of effective botacells in the sagittal section is plotted against the axial direction, it can be seen that the number of effective botacells decreases sharply at the top compared to the bottom and finally becomes zero. Therefore, since the axis of the input image has already been determined, plot the number of effective votacells for each slice in the up and down direction, and determine the top and bottom under the following conditions.
  • step 15 Perform a validity assessment (step 15) and call attention if a match is found (issue a warning).
  • a brain image for one person When managing a brain image for one person as a set of slice images, as shown in Fig. 26, it is usually represented as a sequence of consecutive slice images in a certain direction (in this case, transverse) as shown in image sequence 1. There are many. However, as shown in Image Sequence 2, after an image in one direction continues, an image in another direction (in this case, a sagittal image) may be attached to show the overall image. Conceivable.
  • the degree of continuity between slices is defined by the difference between slices as shown in the following equation to prevent discontinuous images from entering.
  • Such a degree of continuity Di is calculated over all slices, and if any of them exceeds a preset threshold value, attention is given to discontinuous slices before and after.
  • f (x, y, z) is the output extracted image
  • g (x, y, z) is the reference image's each botacell value
  • X, Y, ⁇ are the X axis of the image
  • y Represents the size (position) in the z-axis direction
  • J and g are the average values of the output image and the reference image, respectively, and ⁇ and ⁇ are the standard deviations of the output image and the reference image, respectively.
  • the reference image for example, an average image obtained from brain images corresponding to many subjects is used.
  • step 4 When analyzing MRI brain images, as described in step 4 above, anatomical standardization with other average brain images is used to match spatial positions. There are many. For this purpose, as described above, linear transformation, nonlinear transformation, an algorithm combining them, or the like is used, and a corresponding standardized image is obtained as an output result.
  • the correlation coefficient with the reference image is calculated as an evaluation function in the same manner as the tissue extraction result check described above.
  • step 41 the correlation between the gray matter brain image standardized in step 4 and the reference image is calculated. Specifically, for the sake of convenience, the following equation using the same symbol is calculated.
  • f (x, y, z) is the standardized image that is output
  • g (x, y, z) is the value of each reference image
  • X, Y is the X axis of the image
  • y Represents the size in the z-axis direction
  • the reference image for example, an average image obtained from brain images corresponding to many subjects is used.
  • N is a fixed value determined empirically.
  • the MRI brain image of the subject is subjected to standardization after performing various processes such as extraction of gray matter tissue, anatomical standardization, and image smoothing.
  • various processes such as extraction of gray matter tissue, anatomical standardization, and image smoothing.
  • FIG. 29 is a block diagram showing a diagnosis support system (device) for brain disease according to the second embodiment.
  • the diagnosis support system of this embodiment includes a user interface 10, an image ′ statistical processing unit 20, and a database unit 30.
  • the user interface 10 has an image input function 12 for inputting an MRI image as an input image, and a result display function 14 for displaying a result processed by the processing unit 20, and the processing unit 20 is input from the user interface 10. It has an image processing function 24 for processing MRI images and a statistical processing function 26 for performing various statistical calculations.
  • the database unit 30 stores a standard brain image template 32, a gray matter brain image template 34, a healthy person image database 36, a disease-specific ROI 38, and the like that are used for processing to be described later by the processing unit 20.
  • FIG. 30 shows a basic processing procedure for outputting a diagnosis result based on an MRI brain image of a subject and supporting the diagnosis.
  • an MRI brain image of a subject that has been subjected to predetermined pre-processing (in the figure, "brain” is omitted) is input, and a spatial image is applied to the brain image.
  • a spatial image is applied to the brain image.
  • Perform alignment to correct the misalignment (Step 1).
  • the gray matter tissue necessary for diagnosis of the Alzheimer type 1 dementia disease is extracted from the post-alignment brain image (step 2), and the first image smoothing (1 (Step 3).
  • anatomical standardization is performed on the first smoothed brain image (step 4), and second image smoothing (2) is performed on the standardized brain image.
  • the density value is corrected for the second smooth image (step 6), and a statistical comparison is made between the corrected brain image and the MRI brain image of a healthy person! /, ( Step 7) Further, ROI analysis is performed! / ⁇ (Step 8), and the analysis results are output as diagnosis results for diagnosis support.
  • steps 1 to 8 can be performed by a program in the image / statistic processing unit 20 having a computer power.
  • Steps 1 to 7 in the basic processing flow are the same as those in the first embodiment, and thus detailed description thereof is omitted.
  • the ROI disease-specific ROI corresponding to the disease is determined for the voxel at the coordinate position where the statistical processing showed a significant difference from the healthy subject and its Z score (evaluation value). ) To determine the degree of illness.
  • the features are the following two points.
  • ROI disease specific ROI 38 as standardized image data corresponding to each disease such as Alzheimer's is prepared, and the subject's symptom power is considered.
  • Each ROI is applied (set) to the brain image data, and based on the Z score in the ROI! /, The one with the highest significance is taken as the diagnosis result.
  • the disease can be determined only by the Z-score of the ROI part.
  • the ROI is not applied V.
  • ratio Make a comparison. The purpose is to see the ratio of atrophy of the site of interest to the atrophy of the entire brain.
  • the subject is determined to be disease A.
  • a threshold value (pathological condition identification value) to be regarded as disease A is determined for four parameters, and when the value of the parameter obtained from the subject image exceeds the threshold value, the subject Assume that you have disease A. That is, let P threshold value be thP
  • the subject is determined to be disease A.
  • one parameter such as P
  • ⁇ ⁇ + « ⁇ + ⁇ ⁇ + ⁇ ⁇ + ⁇ ⁇
  • a to a are constants.
  • the subject is determined to be disease A when ⁇ > th ⁇ is satisfied.
  • This is the space spanned by the meters P to P (in this case, a four-dimensional space).
  • ⁇ ⁇ + a P wl + a P w2 + a P w3 + ⁇ P " 4
  • the plane (or line) separating the disease group and the non-disease group was a plane (or a straight line) in the linear combination, whereas this was different in the non-linear combination. It becomes a curved surface (or curve).
  • the ROI is determined based on statistical processing as follows. For example, in order to determine the ROI of a specific disease A, as shown in Fig. 32, an MRI image group (disease image group) of a patient with disease A and an image group of other people ( The non-disease image group) is obtained by performing a two-sample t-test that statistically tests for significant differences between the two groups in units of botacel. Botasels that are significantly different by this test are regarded as characteristic voxels in the disease, and the set of coordinates is defined as the ROI corresponding to the disease.
  • the disease state identification value is determined by a general ROC (Receiver Operating Characteristic) analysis for the disease.
  • ROC analysis is a general technique for quantitatively analyzing the ability to detect a disease for a test method.
  • the presence or absence of a disease is identified below using the parameter P and its threshold thP.
  • TP true positive
  • FP false positive
  • FN false positive
  • TN TN
  • TPF TP / (TP + FN)
  • the boundary line that best (without error) divides the distribution with disease from the distribution without disease corresponds to the threshold value obtained here.
  • FIG. 35 an example in the case of two parameters is conceptually shown in Fig. 35.
  • ⁇ and ⁇ there is a disease and a disease.
  • the group of samples without is divided by a straight line.
  • the threshold th 0 a value determined by the linear combination coefficients ⁇ 1, ⁇ 2, and ⁇ 2?
  • the values to be determined here are called linear combination coefficients a, a, and a.
  • Known solutions include a method that maximizes the correlation between the sum of squares within a group and the sum of squares between groups, and a method based on the Mahalanobis distance! (Reference: Tadashi Okuno: Multivariate analysis method (revised version), Nikka Giren Publishing Co., Ltd. 1982), but here shows the method based on the former as an example
  • the disease group and the non-disease group are group 1 and group 2, respectively, and the number of samples is the i-th parameter of the m-th sample in the nl, n2, and g groups. Is the average value of the i-th parameter in the g group.
  • A (a, a,..., A) can be obtained.
  • a 0 that is the intercept of the equation (7) is determined to be a value that allows the group to be discriminated by the sign of ⁇ . This is equivalent to setting the threshold th ⁇ to zero.
  • DICOM format is an image format that is generally used for medical images that include a header and image data in a single file, and can store parameters and diagnostic information during image capture. Normally, one DICOM image file contains information on one slice image, and a three-dimensional brain image is represented by multiple DICOM images. DICOM images are stored on the DIC OM server and can be retrieved as needed.
  • the DICOM image file is converted into an Analyze format which is a format in which only the header part of the DICOM file and only the image data part are connected, which expresses the three-dimensional information of the entire brain by a plurality of DICOM image files.
  • the Analyze format allows the entire brain for one person to be composed of two files: a header file and an image data file.
  • the MRI brain image of the subject is subjected to standardization after performing various processes such as gray matter tissue extraction, anatomical standardization, and image smoothing. Diagnosis based on the magnitude of the abnormal value in the ROI range corresponding to the disease that was statistically compared with the MRI brain image and Z score of a group of healthy subjects and created as pre-standardized image data Since the results can be output, it is possible to provide objective diagnosis support for a specific disease.
  • the first image smoothing in step 3 in the basic processing flow shown in Fig. 2 and Fig. 30 is omitted.
  • the first image smoothing has the effect of reducing the noise of the input image and making the smoothness equal to the gray matter template image used in the anatomical standardization. It is also possible to omit the dredging process. In this case, there is an advantage that there is no loss of information due to smoothness.
  • Modification 2 is obtained by replacing the gray matter tissue extraction and anatomical standardization processes in the processing flow of Modification 1.
  • the standard brain image template used for anatomical standardization is about the whole brain before extraction, not about gray matter.
  • This standard whole brain image template is created from the average image of many healthy subjects, or the average image of many healthy subjects and many patient images.
  • the second modification has an advantage that the spatial correspondence with the gray matter template is improved by performing anatomical standardization in advance.
  • test method using the Z score as the evaluation value of the statistical comparison has been described.
  • the present invention is not limited to this, and the two-sample t-test is another general test method described above. Etc. may be used.
  • the present invention can be applied to support diagnosis according to disease by inputting a brain image by MRI or the like and processing the image.
  • an objective diagnosis result can be presented without manual work by applying an analysis by ROI to the brain image data inputted by the subject. You can do it.
  • an MRI brain image is used as an input image, it is not necessary to administer a contrast medium containing a radioisotope, such as SPECT, for MRI imaging. There is also an advantage of less burden. This also makes it easy to collect patient data and healthy data for comparison. Another advantage is that images obtained by MRI have higher resolution than SPECT images. Furthermore, it can be processed mechanically in all processing steps, and quantitative and objective results can be obtained.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Hospice & Palliative Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Developmental Disabilities (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Quality & Reliability (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

　入力したＭＲＩ脳画像に対して空間的なズレを補正する位置合わせを行ない、その画像から灰白質組織を抽出し、第１の画像平滑化を行ない、その画像に対して解剖学的標準化を行ない、第２の画像平滑化を行ない、濃度値の補正を行ない、補正後の脳画像と健常者のＭＲＩ脳画像との統計的比較を行ない、診断結果を提供する。その際、前記脳画像について、解像度等の入力画像のチェックと、灰白質組織抽出結果のチェックと、解剖学的標準化結果のチェックを自動的に行なうことにより、入力画像スペック等の確認を客観的、自動的にできるようにし、画像処理による診断の自動化を実現する。必要に応じて更にＲＯＩによる解析を行ない、解析結果を診断結果として提供する。

Description

明 細 書
脳疾患の診断支援方法及び装置
技術分野
[0001] 本発明は、脳疾患の診断支援方法及び装置に係り、特に MRI (Magnetic Resona nce Imaging)等により脳画像を入力し、画像処理することにより疾患別の診断支援を 行なう際に適用して好適な脳疾患の診断支援方法及び装置に関する。
背景技術
[0002] 高齢ィ匕社会の到来により、痴呆性疾患の患者が年々増カロしている。痴呆性疾患に は様々な種類があり、診断においてはそれらを区別して、疾患に応じた適切な処置 を施すことが必要である。
[0003] 一方、このような要請に応えるベぐ近年、 SPECT (Single Photon Emission Co mputed Tomography)や PET (Positron Emission Tomography)等の核医'ギ恢查 や、 CT (Computerized Tomography)や MRIによって脳の状態に関する情報が取 得可能になってきている（例えば、特開 2003— 107161号公報参照)。
[0004] その結果、脳の特定部位の血流が低下したり、組織が萎縮したりする現象が、疾患 によって異なることが明らかになつてきており、これらに対する定量的な評価方法が 求められている。
[0005] 例えば、脳の局所的な部位の血流低下は、 SPECTや PETの画像によって比較す ること〖こより検定することができる。
[0006] 又、組織の萎縮に関しては、 MRI画像によって特定部位の容積を求め、その相対 的な大きさを比較して異常の有無を判別できる。
[0007] 例えば、 MRI画像につ!、ては、 VBM (Voxel -Based Morphometry)法に基づ!/ヽ て、患者画像と健常者画像とを、各種画像処理によって標準化して力 統計的に比 較し、脳組織の局所的な萎縮部位を抽出する方法がある。この方法を用いる場合、 医師は萎縮部位の分布と萎縮の程度から、診断を行なうことが可能である。
[0008] 診断のための処理結果は、生命にかかわる重要な情報となるので、それ相応の信 頼性が求められる。特に、 MRI画像を対象とした VBM法等の精度の高い手法は、 複雑な画像の処理工程が必要であり、入力画像の解像度や濃度値のダイナミックレ ンジ、画像方向等のスペックが、使用するシステムが想定しているものに合致してい る力、あるいは処理フロー全体の各工程にぉ 、て良好な処理結果が得られて 、るか を十分に吟味する必要があった。
[0009] 又、前記のような脳画像を用いて異常の有無を判別する場合には、画像上に所定 の大きさの関心領域 (regions of interest： ROI)を設定する ROI法が用いられて!/、る (例えば、松田博史： SPECTの統計学的画像解析.アルツハイマー型痴呆の画像 診断，メジカルビユー社: pp. 76— 86 (2001)参照）。これは、脳画像上において、 特定の疾患に関係するとして注目されている特定部位に所定の大きさの ROIを設定 して比較を行なうものである。
[0010] し力しながら、前記入力画像のスペックの確認や画像の処理結果の判断は、従来 目視によって行なうことが一般的であり、このような判断方法だと、判断結果に主観的 要素が入ってしまう、あるいは、処理の誤りを見逃してしまうといった作業上のミスが発 生する可能性があった。又、データベース構築等のために、大量の患者データを一 括処理した!/、場合があるが、そのような場合にも処理結果の吟味に多くの人手がか 力るという問題があった。
[0011] 又、前記従来の ROI法は、人が画像上で対応する部位の輪郭を手動で描 、て RO Iを設定していることから、その精度に視覚や経験の差による人為的な誤差が入り込 むことになるため、客観的なデータに基づく診断支援ができないという問題があった 発明の開示
[0012] 本発明は、前記従来の問題点を解決すべくなされたもので、従来、目視によってな されてきた、少なくとも入力画像スペックの確認を客観的に実施できるようにし、画像 処理全体の信頼性を向上させ、ひいては画像処理による診断の自動化を実現するこ とができる脳疾患の診断支援方法及び装置を提供することを第 1の課題とする。
[0013] 本発明は、又、入力した被検者の脳画像 (データ）に対して、手動で描く等の手作 業を介することなく ROIを設定できるようにすることにより、客観的な診断結果を提示 することができる脳疾患の診断支援方法及び装置を提供することを第 2の課題とする [0014] 本発明は、被検者の脳画像を入力し、画像処理して診断結果を提示することにより 診断の支援を行なう脳疾患の診断支援方法であって、入力された被検者の脳画像 について、解像度、ダイナミックレンジ及び画像方向の少なくとも 1つを自動チェック することにより、前記第 1の課題を解決したものである。
[0015] 本発明は、又、被検者の脳画像を入力し、画像処理して診断結果を出力することに より診断の支援を行なう脳疾患の診断支援装置であって、入力された被検者の脳画 像について、解像度、ダイナミックレンジ及び画像方向の少なくとも 1つを自動チェッ クする自動評価手段を備えたことにより、同様に前記第 1の課題を解決したものであ る。
[0016] 本発明においては、前記画像方向のチェックを、次の仮定、（仮定 1)軸の対称性 は大きい順に、側方向→矢状方向→軸 (上下)方向である、（仮定 2)眼球は左右対 称であり、頭部前方にある、（仮定 3)頭部画像の下端まで組織が存在するが、上端 には糸且織はな!/ヽ、の下で行なうようにしてもよ!、。
[0017] 又、前記被検者の脳画像をスライス画像として入力する場合、全スライス画像の連 続性を自動チェックするようにしてもょ 、。
[0018] 又、前記画像処理に、脳組織抽出処理と解剖学的標準化処理が含まれ、少なくと も一方の処理結果を自動チヱックするようにしてもょ 、。
[0019] 又、その際に、前記処理結果としての脳画像を、予め作成してある対応するリファレ ンス画像と比較して、前記自動チェックを行なうようにしてもょ 、。
[0020] 又、本発明にお 、ては、前記脳画像が、 MRI脳画像であってもよ 、。この場合は、 被検者の MRI脳画像を入力した後、該 MRI脳画像から灰白質組織を抽出して灰白 質脳画像を作成し、該灰白質脳画像に解剖学的標準化を施した後、予め用意され ている健常者の対応する脳画像と統計的比較を行なうようにしてもよぐ又、被検者の MRI脳画像を入力した後、該 MRI脳画像に、解剖学的標準化を施し、該標準化後 の MRI脳画像から灰白質組織を抽出して灰白質脳画像を作成した後、予め用意さ れて 、る健常者の対応する脳画像と統計的比較を行なうようにしてもょ 、。
[0021] 本発明は、又、被検者の脳画像を入力し、画像処理して診断結果を提示することに より診断の支援を行なう脳疾患の診断支援方法であって、統計的手法により、脳画 像における疾患毎の関心領域である ROIを予め決定しておくと共に、入力された被 検者の脳画像と、予め用意されている健常者の脳画像との統計的比較を行なって診 断結果を提示する際、前記 ROIを適用することにより、前記第 2の課題を解決したも のである。
[0022] 本発明は、又、被検者の脳画像を入力し、画像処理して診断結果を出力することに より診断の支援を行なう脳疾患の診断支援装置であって、統計的手法により、脳画 像における疾患毎の関心領域である ROIを予め決定して保存する保存手段と共に、 入力された被検者の脳画像と、予め作成されて!ヽる健常者の脳画像との統計的比較 を行なう画像，統計処理手段を備え、該画像，統計処理手段が、統計的比較を行な つて診断結果を提示する際、前記 ROIを適用する機能を有していることにより、同様 に前記第 2の課題を解決したものである。
[0023] 本発明においては、前記統計的比較を、ボタセル毎に Zスコアを算出して行なうよう にしてもよい。又、前記統計的比較を、脳全体に対して併せて行なうようにしてもよい
[0024] 又、その際に、前記統計的比較を、異常と判定されたボタセルの数を用いて行なう ようにしてもよぐ異常と判定されたボタセルの Zスコアの平均を用いて行なうようにし てもよい。
[0025] 又、本発明にお 、ては、前記脳画像が、 MRI脳画像であってもよ 、。この場合は、 被検者の MRI脳画像を入力した後、該 MRI脳画像から灰白質組織を抽出して灰白 質脳画像を作成し、該灰白質脳画像に解剖学的標準化を施した後、前記統計的比 較を行なうようにしてもよぐ又、被検者の MRI脳画像を入力した後、該 MRI脳画像 に、解剖学的標準化を施し、該標準化後の MRI脳画像から灰白質組織を抽出して 灰白質脳画像を作成した後、前記統計的比較を行なうようにしてもよい。
[0026] 本発明は、又、前記の脳疾患の診断支援方法をコンピュータで実施するためのコ ンピュータ読取可能なプログラムとしたものである。
[0027] 本発明は、又、前記の脳疾患の診断支援装置をコンピュータで実現するためのコ ンピュータ読取可能なプログラムとしたものである。 [0028] 本発明は、更に、上記いずれかのコンピュータ読取可能なプログラムが格納された 記録媒体としたものである。
[0029] 本発明によれば、従来、目視によってなされてきた、少なくとも入力画像スペックの 確認を客観的にできるようになり、画像処理全体の信頼性を向上させ、ひいては画像 処理による診断支援の自動化を実現することができるようになる。
[0030] 又、必要に応じて、各処理工程において良好な処理結果が得られているかどうか の判断を、定量的且つ客観的な評価に基づいてできるようにすることによって、処理 フロー全体の信頼性を向上させ、画像処理や統計学の専門的知見を持たない医師 に対しても、 MRI画像等による疾患別の診断支援を行なうことが可能となる。
[0031] 又、診断支援のために画像処理を自動化することにより、大量の患者等の被検者 の脳画像データを迅速に処理することが可能となる。
[0032] 本発明によれば、又、入力した被検者の脳画像に対して、予め統計処理により作 成してある ROIを設定し、 ROIによる解析を適用できるようにしたことにより、手作業を 介することなぐ客観的な診断結果を提示することができるようになる。
図面の簡単な説明
[0033] [図 1]本発明に係る第一実施形態の診断支援システムの概要を示すブロック図
[図 2(A)]第一実施形態による診断支援の処理フローを示すフローチャート
[図 2(B)]灰白質組織を抽出する場合の診断支援の処理フローを示すフローチャート [図 3]脳のスライス画像とボタセルの特徴を模式的に示す概念図
[図 4]画像の位置合わせに用いるァフィン変換の特徴を模式的に示す概念図
[図 5]入力した脳画像から灰白質を抽出する処理の特徴を模式的に示す概念図 [図 6]1次元の画像平滑ィヒ処理の特徴を模式的に示す概念図
[図 7]3次元の平滑化処理の特徴を模式的に示す概念図
[図 8]解剖学的標準化の特徴を模式的に示す概念図
[図 9]非線形変換の特徴を示す概念図
[図 10]ボタセル濃度値の補正処理の特徴を示す概念図
[図 11]画像平滑ィ匕により生じるアーチファクトとその除去方法を示す概念図
[図 12]対応するボタセル毎の比較検定の特徴を示す概念図 [図 13]DICOMフォーマットのデータ構造の特徴を示す概念図
[図 14]ANALYZEフォーマットのデータ構造の特徴を示す概念図
[図 15]ノイズ除去の概念を説明するための線図
[図 16]入力画像の誤入力例を示す概念図
[図 17]頭部 3次元画像における対称性の特徴を示す概念図
[図 18]異なる方向の脳画像断面における眼球の位置の特徴を示す概念図
[図 19]入力画像の画像方向を同定する処理手順を示すフローチャート 圆 20]有効ボタセル数のカウントの仕方を説明する概念図
[図 21]脳画像上の各軸における仮対称面の特徴を示す概念図
圆 22]脳画像上の対称面を決定するための探索例を示す概念図
圆 23]面対称な座標の関係を説明するための線図
圆 24]脳画像カゝら眼球位置を抽出するフィルタの特徴を 2次元で示す概念図
[図 25]有効ボタセル数の軸方向における変化の一例を示す概念図
[図 26]全スライス画像の連続性のチェック方法の特徴を示す概念図
[図 27]組織抽出処理結果の評価方法の特徴を示す概念図
[図 28]解剖学的標準化処理結果の評価方法の特徴を示す概念図
圆 29]本発明に係る第二実施形態の診断支援システムの概要を示すブロック図 圆 30]第二実施形態による診断支援の基本処理フローを示すフローチャート 圆 31]ROI〖こよる解析の特徴を示す概念図
[図 32]ROIを作成する際の特徴を示す概念図
圆 33]検査の陽陰性と疾患の有無の関係を示す図表
[図 34]ROC曲線の一例を示す線図
[図 35] 1つのパラメータによる識別方法を示す線図
[図 36] 2つのパラメータによる識別方法を示す線図
[図 37]処理手順の変形例を示すフローチャート
[図 38]処理手順の他の変形例を示すフローチャート
発明を実施するための最良の形態
以下、図面を参照して、本発明の実施の形態について詳細に説明する。 [0035] 図 1は、本発明に係る第一実施形態である脳疾患の診断支援システム (装置)を示 すブロック図である。
[0036] 本実施形態の診断支援システムは、ユーザインタフェース 10、画像'統計処理部 2 0及びデータベース部 30を備えている。ユーザインタフェース 10は入力画像として M RI画像を入力する画像入力機能 12と、処理部 20で処理された結果を表示する結果 表示機能 14とを有し、処理部 20はユーザインタフェース 10等との間で入出力される 画像を評価する入出力評価機能（自動評価手段) 22と、入力された MRI画像を処理 する画像処理機能 24と、各種統計演算等を行なう統計処理機能 26とを有して 、る。 又、データベース部 30には、処理部 20による後述する処理に使用する標準脳画像 テンプレート 32、灰白質脳画像テンプレート 34及び健常者画像データベース 36等 が保存されている。
[0037] 本実施形態において、被検者の MRI脳画像を基に診断結果を出力して診断を支 援するまでの基本的な処理フローを図 2 (A)に示す。
[0038] 詳細については後述する力 まず、予め所定の前処理を施した被検者の MRI脳画 像 (図では"脳"を省略)を入力し、該脳画像に対して空間的なズレを補正する位置 合わせを行なう（ステップ 1)。次いで、位置合わせ後の脳画像から、痴呆性疾患の診 断に必要な組織を抽出する (ステップ 2)と共に、抽出後の脳画像に対する第 1の画 像平滑化の処理を行なう（ステップ 3)。
[0039] 次いで、第 1の平滑化脳画像に対して解剖学的標準化を行なう (ステップ 4)と共に 、該標準化された脳画像に対して第 2の画像平滑化を行なう (ステップ 5)。次いで、 第 2の平滑ィ匕画像に対して濃度値の補正を行な ヽ (ステップ 6)、補正後の脳画像と 健常者の MRI脳画像との統計的比較を行な ヽ (ステップ 7)、比較結果を診断結果と して出力し、診断の支援に供する。
[0040] 本実施形態では、 MRI脳画像を画像統計処理し、健常者の画像と統計的比較を 行なって脳の異常部位を抽出する上記ステップ 1〜7の処理過程において、入出力 データの妥当性を評価するために、更に入力画像のチェック (ステップ 0)、組織抽出 結果のチェック (ステップ 21)、解剖学的標準化結果のチェック (ステップ 41)を行なう [0041] 具体的な評価項目としては、 (A)入力画像のチェックには、（a)解像度、（b)ダイナ ミックレンジ、 （c)画像方向の自動確認、（d)全スライス画像の連続性のチェックがあり 、又、各処理結果を評価するために行なう（B)脳組織抽出結果のチ ックと、（C)解 剖学的標準化結果のチェックには、それぞれリファレンス画像との比較がある。
[0042] 本実施形態においては、上記ステップ 1〜7の各基本処理及びステップ 0、 21、 42 の各チェック処理はいずれも、コンピュータ力もなる前記処理部 20においてプロダラ ムにより実施可能になっている。
[0043] 以下には、上記基本的処理フローについて詳細に説明する。但し、便宜上、図 2 ( B)に示すように、前記ステップ 2で抽出する組織力、アルツハイマー型痴呆性疾患等 の診断に必要な灰白質組織である場合を具体例とする。
[0044] まず、 MRI脳画像を入力するに当たり、予め被検者から取得した MRI脳画像の前 処理を行なっておく。具体的には、図 3に脳全体とその一部を切り出したスライス画像 のイメージを示すように、被検者の脳全体を含むように所定厚さのスライス状に撮像し た、例えば 100〜200枚の T1強調 MRI画像を入力とする。又、各スライス画像にお けるボタセル (voxel)の各辺の長さを予め等しくなるようにスライス画像のリサンプリン グを行なっておく。ここでボタセルは、「厚さ」を持つ画像の座標単位であり、 2次元画 像におけるピクセルに相当する。
[0045] このような前処理を行なった MRI脳画像を入力した後、そのスライス画像の撮像方 向や解像度力 予めシステムに設定されている条件に適合している力否かをチェック する。撮像方向には、図 3の axial (transverse)：横断面の他に、 sagittal：矢状断面（側 面からの縦切り）や coronal：冠状断面（正面からの縦切り）がある。
[0046] 以上のように、 MRI脳画像力 設定条件に適合して入力されて ヽることが確認され た場合には、前記ステップ 1の位置合わせ処理を行なう。
[0047] これは、入力された脳画像を、後述する処理にお!、て、標準的な脳画像テンプレー トと比較する際の精度を上げるために、線形変換 (ァフィン変換）によって図 4にィメー ジを示すような変換を行い、空間的位置と角度の補正を行なっていることに相当する
[0048] 具体的には、入力脳画像と、データベース部 30から読み出された標準脳画像テン プレート 32との誤差の平方和が最小となるような、 x, y, z方向それぞれについて図 示した 4種類、計 12の変換パラメータを求める。次いで、求められたパラメータを用い 、入力脳画像をァフィン変換することにより、入力脳画像を、位置や大きさ等が予め 設定されている標準脳画像に対して、空間的な位置合わせを実現することができる。
[0049] 以上の位置合わせが終了した後、前記ステップ 2の灰白質抽出処理を行なう。
[0050] 入力された T1強調 MRI脳画像では、神経細胞に対応する灰色の灰白質、それよ り明るい神経繊維に対応する白質、黒に近い脳脊髄液の 3種類の組織が含まれてい る。そこで、痴呆性疾患の診断では灰白質組織に着目して、該組織を抽出する処理 を行なう。
[0051] この抽出処理では、これら組織を分離するために、図 5に示すように、画像処理によ りこれらの 3つのクラスタへのクラスタリングを行なうことになる。
[0052] このクラスタリング処理のために、次の 2種類のモデルを仮定する。
[0053] 1つは濃度値のモデルである。
[0054] これは、各組織によってボタセルの濃度値の分布が異なることをモデルィ匕したもの である。各組織を濃度値が高い（白に近い)順に並べると、白質、灰白質、脳脊髄液 の順になる。なお、ここでは、それぞれを分離した後の濃度値ヒストグラムは、正規分 布になると仮定する。
[0055] 2つめは、空間的な位置に対する 3組織の存在確率のモデルである。
[0056] 人間の脳では、空間的な位置に対する組織分布は、個人差はあるがおおよそ似通 つている。そこで、多くの人の脳画像を集めて調べてみると、空間的な座標に対応す るボタセルが、どの組織である確率が高いかということが分かる。例えば、あるスライス 画像のボタセルを単位とした画像サイズを、 X= 256、 Y= 256としたときのある座標（ X, y) = (5, 10)における存在確率は、 (白質、灰白質、脳脊髄液） = (20%, 70%, 10%)であるという具合である。即ち、個人差による空間的分布の違いを確率で表現 したモデルと言える。
[0057] ここでは、各ボタセルは 、ずれかの組織に属することと、空間的な位置に応じて各 組織の存在確率が事前に分力つて 、ることを仮定する。
[0058] 以上の 2つの仮定が共に成立するような最適な組織分布を推定する。具体的には 次式を最大とするように、各ボタセル値をそれぞれの組織に振り分ける。
[数 1]
Figure imgf000012_0001
iog( ) … ） ただし、
Figure imgf000012_0002
[0060] ここで、 r ：クラスタ kのボタセル (i, j)力 ¾である尤度関数
ijk ij
S ：ボクセル (i, j)がクラスタ kに属する事前確率
ijk
f ：ボクセル (i, j)の濃度値
b ：ボクセル（i, j)組織 kに属する確率
h：クラスタ kに属するボタセル数
k
C：各クラスタのボタセルの分散
k
V：各クラスタのボタセルの平均値
k
[0061] なお、上記の 2つのモデルに加えて、 MRI特有の不均一性雑音モデルも導入した 、糸且織抽出方法の詳細力 Ashburner J, Friston KJ : Voxel-Based Morphometry •••The Methods. Neuroimage l l(6Ptl) : pp.805- 821,2000に説明されている。
[0062] このように、予め多くの健常者の脳画像から、灰白質、白質、脳脊髄液のそれぞれ の組織についてボタセル毎に算出した存在確率をテンプレートとして用いることにより 、灰白質組織が 3次元的に抽出された脳画像 (以下、灰白質脳画像ともいう）が得ら れる。
[0063] 以上のように灰白質組織が抽出された脳画像に対して、前記ステップ 3の画像平滑 化の処理を行なう。
[0064] ここでは、画像の SZN比を向上させることと、次の解剖学的標準化に用いるテンプ レート画像と smoothnessが等しくなるようにすることを目的として、 3次元ガウシアン力 一ネルによって画像の平滑化を行なう。この平滑化に使用するフィルタの FWHM ( 半値幅）は 8mm程度とする。 [0065] 具体的な処理としては、 3次元的脳画像と、 3次元ガウシアン関数の 3次元的な畳 み込み（コンボリューシヨン）を行なう。これは、 X, y, z各方向における 1次元の畳み込 みを逐次的に行なうことで可能である。
[0066] 以下に、 1次元のガウシアンカーネルの畳み込みを行なう方法を、図 6に示す平滑 化の概念図を参照して説明する。
[0067] 1次元の離散ガウシアン関数を gとすると下記式（2)で表わされる。この式で、 jはガ ゥシアンカーネルの中心を j = 0としたときのボタセルに対応する位置である。 1次元の 画像信号 (ボタセル値）を fとすると、 fと 1次元ガウシアンカーネル gとのコンボリューシ ヨン hは、式（2)のような積和演算によって表わされる。ここで、 dは畳み込み演算を行 なうガウシアンカーネルの長さであり、実装により決定する。例えば dを FWHMの 6倍 程度とする実装であれば、 FWHM = 8mm、ボタセルの大きさ 2 X 2 X 2mmの場合 は、 d=8 X 6Z2 = 24[voxel]となる。
[0068] [数 2]
ただし、
…（3 )
Figure imgf000013_0001
[0069] 以上が 1次元での畳み込みであるが、同様の処理を図 7の概念図に示すように、 3 次元的な脳画像についてこれを X軸方向、 y軸方向、 z軸方向のそれぞれについて逐 次的に実行することで、 3次元的な畳み込みを実現することができる。
[0070] 以上のように灰白質脳画像の smoothnessを調整した後、前記ステップ 4の解剖学的 標準化と呼ばれる処理を行なう。これは、個人の間に存在する脳画像の解剖学的な 違いを吸収するために、脳全体の大きさに対する大局的な補正と、部分的な大きさ に対する局所的な補正を行なうものである。
[0071] 具体的には、図 8に処理の特徴を概念的に示すように、線形変換と非線形変換を 用いて、前記データベース部 30から読み出した標準的な灰白質脳画像テンプレート 34との誤差の平方和が最小になるように画像処理を行なう。ここで用いる灰白質脳 画像テンプレート 34は、多くの健常者から灰白質組織を抽出した脳画像カゝら得られ ている平均画像である。この解剖学的標準化処理では、初めに線形変換による位置 や大きさ、角度の大局的な補正を行ない、次に非線形変換によって局所的な凹凸等 の形状の補正を行なう。
[0072] ここで行なう線形変換は、前記ステップ 1の位置合わせと同様のァフィン変換である 。又、非線形変換は、図 9に処理のイメージを示すように、 X方向、 y方向それぞれに ついて DCT (離散的コサイン変換)の低周波成分によって構成される変形場を推定 し、この変形場によって元画像の変換を行なうものである。
[0073] 以上のように解剖学的標準化を施した灰白質脳画像 (以下、標準化脳画像とも!ヽぅ )に対して、前記ステップ 5の第 2の画像平滑ィ匕の処理を行なう。
[0074] これは、上記標準化脳画像の SZN比を向上させると共に、後に比較を行なう際に 標準として使用する健常者の画像群と画像の smoothnessを等しくするための処理で あり、 3次元ガウシアンカーネルを使用して FWHMを 12〜 15mm程度として行なう。
[0075] 具体的には、 FWHMの値が異なる以外は、前記ステップ 3の画像平滑ィヒ処理の場 合と同様の処理を行なうので実現できる。このように第 2の画像平滑ィ匕を行なうことに より、解剖学的標準化処理で完全に一致しない個体差を低減させることができる。
[0076] 以上のように第 2の画像平滑ィ匕を行なった標準化脳画像に対して、前記ステップ 6 の濃度値補正を行なう。ここでは、ボタセルを単位とした画素値に相当するボタセル 濃度値の補正を行なう。
[0077] これは、後に比較を行なう際に標準として使用する健常者の画像群におけるボクセ ル値の分布に合わせる処理であり、脳全体のボタセル値を補正する。具体的には、 図 10に濃度値補正の特徴を示すように、全ボタセルについて以下の変換式により濃 度値の補正を行なう。
[0078] X， = (MEANnormal/MEANsubject) · χ · · · (4)
[0079] 但し、 x：補正前の濃度値
χ ' :補正後の濃度値
MEANnormal：健常者画像群の全ボタセル濃度値の平均
MEANsubject：処理対象画像の全ボタセル濃度値の平均 [0080] このように入力画像 (標準化脳画像)のボタセル濃度値を健常者画像群のそれに合 わせる補正を行なった後、アーチファクトを取り除く処理を行なう。このアーチファクト は、図 11 (A)にイメージを示すように、前記ステップ 5で行なった半値幅の大きい画 像平滑化（2)によって、本来は脳組織が存在しないボタセル位置に生じているエラ 一領域である。
[0081] 具体的には、同図（B)に示すように、前記ステップ 4の解剖学的標準化で用いた灰 白質組織の標準脳画像テンプレートを 2値ィ匕したものをマスクとして、該マスクを標準 ィ匕脳画像の各ボタセル値に乗算することにより、これらのアーチファクトを除去する。
[0082] 以上のようにボタセル濃度値の補正を行なった後、前記ステップ 7の統計処理を行 なう。ここでは、以上のステップ 1〜6の各処理を通して全体的な標準化を行なった被 検者の MRI脳画像と、予め収集して前記データベース部 30に健常者画像データべ ース 36として保存してある健常者の MRI脳画像群との比較検定を行なう。使用する 健常者画像群は、被検者の年齢に近 ヽもので構成されて ヽることが望ま 、。
[0083] 具体的には、図 12にイメージを示すように、このような健常者画像群とボタセル単位 で 1 :N (Nは健常者画像の総数)の比較検定を行ない、統計的に有意な差が見られ る（異常と推定される）ボタセルを検出する。
[0084] まず、全てのボタセルについて、それぞれ次式で表わされる Zスコアを算出する。
[0085] [数 3]
= ^- - ( 5 )
σ
ここで、 ·:被検者画像のポクセル値
':健常者画像群の対応するポクセル値の平均
健常者画像群の対応するポクセル値の標準偏差
[0086] このように、 Ζスコアは、被検者画像のボタセル値と、健常者画像群の対応するボタ セルのボタセル値平均との差を、標準偏差でスケーリングした値であり、これは灰白 質容積の相対的低下の度合を示すものである。
[0087] 次に、適当な臨界値 Z'を定め、 Ζスコアが
Ζ' <Ζ - -- (6)
となるようなボタセルを求め、統計的に有意な差が見られるボタセルとする。臨界値に は、約 95%以上の確率で異常と推定できる Z' = 2を用いる。これにより、異常部位の 存在を認識し、抽出することができる。
[0088] なお、ステップ 7で使用した健常者画像データベース 36は、予め別途収集した健 常者の画像群のそれぞれに対して、前記ステップ 1〜6の位置合わせ→灰白質組織 抽出→画像平滑化（1)→解剖学的標準化→画像平滑化 (2)→濃度補正を順次行 なって同様に作成し、保存してあるものである。
[0089] 又、この診断支援システムにお ヽては、収集したこれらの健常者画像を、例えば 5 歳毎又は 10歳毎というように年代別に分類し、それぞれの群について算出した平均 値と標準偏差を記憶装置に保存しておくことにより、 Zスコアによる検定を行なうことが できる。
[0090] 又、その際には、被検者の年齢を中心とした一定の年齢幅に区切って、例えば被 検者の年齢が 76歳の場合であれば、それを中心とした 74〜78歳（幅を 5歳とした） の範囲の健常者画像を収集し、比較するようにしてもよ!、。
[0091] なお、このように Zスコアを使用する場合には、ボタセル毎に上記平均値と標準偏差 のデータだけを持って 、ればよ 、ので、データ作成後は画像データ自体を保存して おく必要がな ヽと 、う利点もある。
[0092] 本実施形態においては、以上詳述したステップ 1〜7の基本的処理フローによる診 断支援を自動化するために、前記ステップ 0の入力画像のチェック、ステップ 21の組 織抽出結果のチェック、ステップ 41の解剖学的標準化結果の自動チェックを併せて 行なう。以下に、これら各チェック内容について詳細に説明する。
[0093] (A)入力画像のチェック：
入力画像のスペックの妥当性を評価する。妥当性を評価する必要性があるのは次 のような理由による。一つは、 MRI脳画像は磁場強度の違いなどによって画質に差 が生じる力 解像度やダイナミックレンジが基準を満たして 、る必要があるからである 。これらのスペックは、最終的な処理結果の信頼性に大きく影響する。
[0094] 又、もう一つは、脳画像のデータの保持方法には多様な形態があり得るからである 。 MRI画像を 3次元情報として保持する方法は、 x、 y平面の画像をスライスの枚数分 (これ力 方向に相当する）保持するのが一般的である力 ここで x、 y平面として、 tran sverse, sagittal, coronalのそれぞれの方向の画像をとることができる。又、それぞれ について左右、上下を反転したり、 Z方向の向きを入れ替えたりすることも可能である
。更に、画像の処理や保管のために画像フォーマット変換を行なうこともある力 必ず しも 1方向のみの画像スライスから構成されているとは限らない。例えば、 transverse 画像の連続的なスライス 100枚に、個人を見分け易くするために中心付近の sagittal 画像 1枚を追加した 101スライスの画像としておくこともある。
[0095] このような事情から、ユーザは、入力する画像はシステムが想定する（予め設定され ている)スペックを満たしているのか注意深く視覚で確認する必要があつたため、ユー ザには大きな作業負荷が力かっていた。
[0096] そこで、本実施形態では、解像度、ダイナミックレンジ、画像方向の自動確認、全ス ライス画像の連続性のチェック（隣接フレーム間差分による）の項目について、総合 的に自動評価 (チェック)を行なう機能が前記処理部 20の入出力評価機能 (ソフトゥ ア） 22により実現されている。以下、これらの各項目について記述する。
[0097] (a)画像の解像度：
前述したように、頭部 MRI画像は 3次元情報であり、その最小単位は 2次元画像で いうピクセルに厚みをカ卩えたボタセルと呼ばれる 3次元的な単位である。 x、 y、 z軸そ れぞれのボタセル数 X、 Υ、 Ζを解像度とする。
[0098] 入力画像の解像度は、画像ファイルのヘッダ部（記録領域)より取得する。これを、 医用画像においてよく用いられる DICOMフォーマットと ANALYZEフォーマットを 使用する場合について説明する。
[0099] DICOMフォーマットの場合は、図 13にイメージを示すように、 1ファイルに 1スライ ス画像分のデータが格納されており、 3次元データはスライス数のファイル力 構成さ れる。 DICOMの形式は図示されているように、 Tagと値とを持つレコードの集合であ り、 Tagが解像度に対応するレコードの値カゝら解像度 X、 Yを取得する。又、スライス数 はファイル数に対応するので、解像度 Zはファイル数から取得する。
[0100] ANALYZEフォーマットの場合は、図 14に示すように、ヘッダファイルとデータファ ィルが 1つずつある構成である。ヘッダファイルのバイト列の構成は、 header key, im age dimension, data historyの 3部分からなり、それぞれの長さや要素は固定となつ ている。この中で画像解像度 X、 Y、 Ζは image dimension部分の dim[l]— dim[3]という 配列に格納されているので、これを取得する。
[0101] (b)ダイナミックレンジ dB :
ダイナミックレンジは、一般に信号の最小値と最大値の比率を dB単位で表現したも のであり、次式で表わされる。
[0102] dB= 201og (A/B)
ここで、 Aはボタセル値の最大値
Bはボタセル値の最小値
[0103] なお、画像中のボタセル値の最大値と最小値を求めるときには、図 15に脳画像を 構成するボタセルに関する濃度値分布のイメージを示すように、異常な濃度値をノィ ズ成分として取り除くために、ヒストグラム上の外れ値を除去する。具体的には、前記 Zスコアの場合に式 (6)により異常と判定した方法と同様の方法により、平均値から大 きく外れた値をノイズとして除去する。
[0104] 以上の（a)、 (b)の各値にっ 、て、予め設定されて!、るシステムが前提として!/、る値 と比較を行な 、、システムが想定して 、る条件と異なって 、る場合には警告を発する
[0105] (c)画像方向の評価：
入力画像はスライス画像の集合によって構成されるが、前述したように、通常、その スライス画像の断面軸方向には transverse (横断面） , sagittal (矢状断面） , coronal ( 冠状断面）の 3方向があり、更にそれぞれの断面につ 、て上下反転及び左右反転が 考えられる。
[0106] この画像方向間評価 (チェック）は、入力画像について断面軸方向とその上下反転 の同定を行ない、入力画像の方向がシステムの想定するものと合致していることを確 認することにより、図 16に例示するような誤入力が起こることを防止するものである。
[0107] ここでは、画像方向を自動的に同定するために、頭部 MRI画像について以下の仮 定を行なう。
[0108] (仮定 1)軸の対称性は大きい順に、側方向→矢状方向→軸（上下)方向である。
[0109] (仮定 2)眼球は左右対称であり、頭部前方にある。
[0110] (仮定 3)頭部画像の下端まで組織が存在するが、上端には組織はない。 [0111] 仮定 1の根拠は、次のとおりである。頭部 3次元画像における対称性のイメージを表 わした図 17に示されるように、人の頭部は概ね左右対称なので、側方向については 対称の度合いが大きい。他の矢状方向、軸方向は基本的には非対称である力 同 図の transverse画像を見ると分力るように、頭頂力 大脳部分までは矢状方向でもや や対称性が見られる。故に、対称性の度合いを矢印の太さで表わしたように、高い順 に並べると、側方向、矢状方向、軸方向となる。
[0112] 仮定 2は眼球の位置に関する特徴であり、図 18に各断面方向におけるイメージを 示す。
[0113] 仮定 3は、頭部の下部には首があるため、画像の端まで組織が存在するのに対し、 上方には頭皮の外側に連続する組織はな ヽことから、得られる画像上の特徴である
[0114] 以上の仮定を前提にして、図 19に示すフローチャートに従って画像方向の自動チ エックを実現する。
[0115] まず初めに、入力された 3次元画像の各軸に対する対象性を評価するために非対 称度を、以下のようにして算出する (ステップ 11)。
[0116] (1)総有効ボタセル数 Kを算出する。ここで有効ボタセル数とは、 3次元画像上で人 間の組織が存在する部分に対応するボタセルの数とする。 Kは、画像全体のボクセ ル数カゝら頭部外側のボタセル数を除いたものとして計算する。
[0117] 具体的には、入力画像について 2値ィ匕処理を行なったものについて、各スライス画 像の各走査線の左右両側から、頭部外側のボタセルに対応する画素値 0をカウント することで行なう。この概念について、ある断面のある走査線に着目して模式的に示 したのが図 20であり、両方向からボタセル値が 0で連続する長さを求め、これを走査 線全体のボタセル数力 減ずることにより、その走査線上の有効ボタセル数を得る。 これを画像全体につ ヽて行な ヽ、各走査線の有効ボタセル数を積分することにより総 数 Kを求める。
[0118] なお、総有効ボタセル Kを算出する際には、ノイズの影響を受けないようにするため に、例えば、 3 X 3 X 3のマスクによるメディアンフィルタをかけて、予め孤立点ノイズを 除去しておくことも効果的である。 [0119] (2)図 21に模式的に示すように、 x、 y、 z各軸に対して垂直な面で、且つその面に よって有効ボタセルを分けたときに一方が KZ2に最も近くなる面: Ax (x=mx)、 Ay (y = my)、 Az(z = mz)を、仮対称面として求める。
[0120] 仮対称面の求め方の概念を、 X軸につ ヽて図 22に例示する。仮対称面 (χ=χ' )に よって二分される有効ボタセル数をそれぞれ a (χ' )、 b (χ' )とし、それらの差の絶対 値 I a(x)— b(x) Iが最小となる x'を仮対称面の位置 mxとする。
[0121] (3)仮対称面 Ax、 Ay、 Azそれぞれにつ 、て、対称性からのずれの程度を表わす 非対称度 ASYNx、 ASYNy、 ASYNzを求める。
[0122] これらは次式のように、それぞれ仮対称面 Ax、 Ay、 Azに関して面対称となる位置 のボタセル値の残差 (差分)の平方和として定義する。
[0123] [数 4]
ASYNx^ 52 (バ —バ 2mx- ）） 2
ASYNy = ^ (f(x,y,z)-f(x, 2my-y,z)Y
ASYNz^ 2 {f{x,y,z)-f(x, y,2mz-z)Y
[0124] なお、図 23に示されるように、座標 (X, y, z)の面 x=mxに関して面対称な座標は（
2mx-x, y, z)であり、 y軸、 z軸に関しても同様である。
[0125] 次に、今求めた非対称度を用いて軸の決定を行なう（ステップ 12)。前記仮定 1より
、各軸の非対称度 ASYNx、 ASYNy、 ASYNzの低い順、即ち対称性の高い順に、 それぞれの軸を、側方向、矢状方向、軸 (上下)方向に割り当てる。
[0126] 次に、眼球の位置を抽出し (ステップ 13)、その情報等によって画像の上下を決定 する (ステップ 14)。眼球位置の抽出は以下の手順で行なう。
[0127] (1)フィルタ処理 3次元的な頭部画像上で眼球抽出フィルタをかけ、眼球候補を 探索する。眼球抽出用フィルタは球状のフィルタであり、殻の部分で値が 1に近くなり
、中心部分及び殻の外側部分では値力^であるもので、中心力 の半径 ¾τとすると 次式で表わされる。
[0128] [数 5] 0 if r≤Rl
E (r) (r-R 1) / (R2-R 1) if R Kr≤R2
(R3-r) / (R3-R2) if R2<r≤R3
0 if R3<r≤Ra
[0129] ここで、 Rl、 R2、 R3、 Raは定数であり、経験的に定めるものとする。これを 2次元的 に表わしたものを図 24に示す。このようなフィルタを用いるのは、 MRI画像において 、眼球の中心部分は黒く（値力^に近く）そのすぐ外側は周囲と比較しても白い (値が 大き 、） t 、う特徴を利用して 、るからである。
[0130] このフィルタによって画像全体に畳み込み演算を行なったものについて、演算値の 大きい順に N点の座標を選択し、これらを眼球中心の候補点とする。ここで Nは経験 的に定まる定数とする。
[0131] なお、上記 Rl、 R2、 R3、 Raの値は、与えられた入力画像における頭の大きさから 適応的に決定するようにしてもょ 、。
[0132] (2)眼球対応点の抽出
左右の眼球は、前記図 17における対称面に関して対称であると仮定する。前述し た対称性の算出において Ax、 Ay、 Azのうち、最も対称性の高い面を Aとし、この面 と最も対称性が高 、眼球候補点の組合せを、真の眼球とする。
[0133] 具体的には、候補 N点についてペアを作ることを考えると、 N(N—1)Z2ペアとな る力 これら全てのペアについて面 Aとの対称性を算出する。ここで対称性は以下の 3要素を考える。
[0134] i)角度:候補点のペア同士を結ぶベクトルと、面 Aの法線ベクトルのなす角 Θが 0に 近い。
[0135] ii)距離:面 Aから 2つの候補点までの距離 w、 wが等しい。
1 2
[0136] iii)大きさ： 2つの候補点の演算値 (眼球抽出フィルタによる値) n、nが大きい。
1 2
[0137] 以上 3要素について考慮した次式でペアの対称性を定義するものとする。
[0138] SYNeye=n n cos Θ / ( | w -w | +1)
1 2 1 2
[0139] この SYNeyeが最も大きい候補点のペアを真の眼球とみなす。
[0140] (3)前後向きの決定
前述した軸の決定処理において、矢状方向の軸は決定しているが、前後及び上下 の向きはまだ決まっていない。そこで、（2)で求まった左右の眼球を結ぶ線分との距 離が最も近い面を、 coronal前面として、前後の向きを決定する。
[0141] (4)上下向きの決定
更に、上下の向きを決定する。図 25に示すように、 sagittal断面の有効ボタセル数を 軸方向に対してプロットすると、下部に比べ上部では有効ボタセル数が急激に減って いき最後に 0になることが分かる。そこで、入力画像の軸は既に決定しているので、上 下方向についてスライス毎の有効ボタセル数のプロットを行ない、以下の条件で、上 下を決定する。
[0142] i)端が 0になる場合はそちらが上部
ii)どちらの端も 0にならない場合は、直前 3スライス分の有効ボタセル数の和が小さ い方が上部
[0143] 以上によって、入力画像についての 3軸と、矢状方向と軸（上下)方向の向きを推定 することができる。
[0144] 次 、で、以上のように推定したものと、システムで想定して 、る（条件として設定され ている）軸と方向が合致する力否かの判定を行ない、入力画像の方向の妥当性の評 価を行な 、 (ステップ 15)、合致して ヽな ヽ場合は注意を促す (警告を発する)。
[0145] (d)全スライス画像の連続性のチェック
1人分の脳画像をスライス画像の集合として管理する場合、図 26に示すように、通 常は画像シーケンス 1のように一定方向（この場合は transverse)の連続したスライス 画像のシーケンスとして表わすことが多い。し力し、画像シーケンス 2のように、一定の 方向の画像が続いた後、その全体像を示すために、別の方向の画像 (この場合は sa gittal画像)を 1枚付けておく場合も考えられる。
[0146] 従って、画像シーケンス 1を想定している場合に、このような画像シーケンス 2が入 力されると、あとの結果に大きな誤差が生じることになる。そこで、スライス間における 連続性の度合 、を次式のようにスライス間差分によって定義し、不連続の画像が入り 込むことを防止する。
[0147] [数 6] ' ' +1 ))2 [0148] 但し、 iはスライス番号であり、 f(x,y,z)は座標 (x,y,z)における画像のボタセル値を表 わす。
[0149] このような連続性の度合 Diを全スライスにわたって計算し、その中に予め設定した 閾値を超えるものがある場合には、前後に不連続なスライスがあるとして注意を促す
[0150] (B)組織抽出結果のチェック：
MRI脳画像による診断支援では異常部位抽出を行なうために、前記図 5に一例を 示したように、脳を構成する組織成分に分ける処理を行なう場合が多い。これには、 前記ステップ 2で灰白質組織を抽出する場合にっ ヽて説明したように、組織成分毎 の分布の事前確率によるアルゴリズム等が用いられ、その分離処理の出力結果とし て、抽出された各組織成分が得られる。ここで、得られた画像の妥当性について、図 27にイメージを示すように、リファレンス画像との相関係数を評価関数として計算する 。前記ステップ 21では、ステップ 2で抽出された灰白質脳画像について、灰白質のリ ファレンス画像との相関を算出する。具体的には次式の計算を行なう。
[0151] [数 7]
Figure imgf000023_0001
[0152] ここで、 f(x,y,z)は出力された抽出画像、 g(x,y,z)はリファレンス画像の各ボタセル値 を、 X、 Y、 Ζは画像の X軸、 y軸、 z軸方向の大きさ (位置）を表わし、
[数 8]
J, g はそれぞれ出力画像、リファレンス画像の平均値を、 σ , σ はそれぞれ出力画像、リ ファレンス画像の標準偏差を表わす。なお、このリファレンス画像には、例えば、多く の被検者の対応する脳画像から得られた平均画像等を用いる。
[0153] もし、求めた相関係数 pが閾値 p以下であれば、組織抽出処理に問題があつたと 見なし、注意を促す。この閾値 p は経験的に定める一定値である。
[0154] (C)解剖学的標準化結果のチェック： MRI脳画像の解析を行なう場合は、前記ステップ 4で説明したように、他の平均的 な脳画像との間の解剖学的な標準化を行なって、空間的な位置を一致させるように する場合が多い。これには、前述したように、線形変換や非線形変換、及びそれらを 組み合わせたアルゴリズム等が用いられ、その出力結果として対応する標準化画像 が得られる。ここで、得られた画像の妥当性については、図 28に示すように、前述し た組織抽出結果のチェックと同様に、リファレンス画像との相関係数を評価関数とし て計算する。前記ステップ 41では、ステップ 4で標準化された灰白質脳画像につい て、リファレンス画像との相関を算出している。具体的には、便宜上同一の記号を使 つた次式の計算を行なう。
[0155] [数 9]
Figure imgf000024_0001
[0156] ここで、 f(x,y,z)は出力された標準化画像、 g(x,y,z)はリファレンス画像の各ボタセル 値を、 X、 Y、 Ζは画像の X軸、 y軸、 z軸方向の大きさを表わし、
[数 10]
7, g
はそれぞれ出力画像、リファレンス画像の平均値を、 σ、 σ はそれぞれ出力画像、リ f g
ファレンス画像の標準偏差を表わす。リファレンス画像には、例えば、多くの被検者の 対応する脳画像から得られた平均画像等を用いる。
[0157] もし、求めた相関係数 pが閾値 p 以下であれば、組織抽出処理に問題があつたと
N
見なし、注意を促す。この p
Nは経験的に定める一定値である。
[0158] 以上詳述した如ぐ本実施形態によれば、被検者の MRI脳画像について、灰白質 組織の抽出、解剖学的標準化、画像平滑化等の各処理を行なった後、標準化して ある健常者群の MRI脳画像と Zスコアにより統計的に比較し、診断結果を出力して診 断支援を行なう際、入力画像のスペック、灰白質組織抽出結果及び解剖学的標準化 結果を、それぞれ自動チェックできるようにしたので、診断支援までの一連の処理を 自動化することが可能となる。
[0159] 以上説明したとおり、本実施形態によれば、従来、目視によってなされてきた、少な くとも入力画像スペックの確認を客観的にできるようになり、画像処理全体の信頼性 を向上させ、ひ 、ては画像処理による診断支援の自動化を実現することができるよう になる。
[0160] 又、必要に応じて、各処理工程において良好な処理結果が得られているかどうか の判断を、定量的且つ客観的に評価できるようにすることによって、ユーザによるチェ ックポイントを明確ィ匕することができる。従って、処理フロー全体の信頼性を向上させ ることが可能となり、画像処理や統計学の専門的知見を持たない医師に対しても、 M RI画像等による疾患別の診断支援を行なうことが可能となる。
[0161] 又、複雑なアルゴリズムにおいても処理フローを自動化することにより、途中処理に おける人為的なミスを無くし、信頼性の高い処理結果が得られるようにすることができ る。
[0162] 又、 MRI脳画像を入力画像として用いる場合には、 MRIの撮像には SPECT等の ようにラジオアイソトープを含む造影剤等を投与する必要がなぐそれ故に被爆する こともないので、肉体的負担が少ない利点もある。又、これによつて比較のための患 者データ、健常者データも収集し易い。又、 MRIで得られる画像は SPECT画像と比 較して分解能が高いという利点もある。更に、処理の全工程で機械的に処理可能で あり、定量的且つ客観的な結果が得られる。
[0163] 次に、本発明の第 2実施形態について詳細に説明する。
[0164] 図 29は、第 2実施形態である脳疾患の診断支援システム (装置)を示すブロック図 である。
[0165] 本実施形態の診断支援システムは、ユーザインタフェース 10、画像'統計処理部 2 0及びデータベース部 30を備えている。ユーザインタフェース 10は入力画像として M RI画像を入力する画像入力機能 12と、処理部 20で処理された結果を表示する結果 表示機能 14とを有し、処理部 20はユーザインタフェース 10から入力された MRI画像 を処理する画像処理機能 24と、各種統計演算等を行なう統計処理機能 26とを有し ている。又、データベース部 30には、処理部 20による後述する処理に使用する標準 脳画像テンプレート 32、灰白質脳画像テンプレート 34、健常者画像データベース 36 及び疾患特異的 ROI38等が保存されて 、る。 [0166] 本実施形態において、被検者の MRI脳画像を基に診断結果を出力して診断を支 援するまでの基本的な処理手順を図 30に示す。
[0167] 詳細については後述するが、まず、予め所定の前処理を施した被検者の MRI脳画 像 (図では"脳"を省略)を入力し、該脳画像に対して空間的なズレを補正する位置 合わせを行なう（ステップ 1)。次いで、位置合わせ後の脳画像から、例えばアルッハ イマ一型痴呆性疾患の診断に必要な灰白質組織を抽出する (ステップ 2)と共に、抽 出後の脳画像に対する第 1の画像平滑化（1)の処理を行なう（ステップ 3)。
[0168] 次いで、第 1の平滑化脳画像に対して解剖学的標準化を行なう (ステップ 4)と共に 、該標準化された脳画像に対して第 2の画像平滑化（2)を行なう。次いで、第 2の平 滑ィ匕画像に対して濃度値の補正を行な ヽ (ステップ 6)、補正後の脳画像と健常者の MRI脳画像との統計的比較を行な!/、（ステップ 7)、更に ROIによる解析を行な!/ヽ（ス テツプ 8)、解析結果を診断結果として出力し、診断の支援に供する。
[0169] 本実施形態においては、上記ステップ 1〜8の各処理が、コンピュータ力 なる前記 画像 ·統計処理部 20にお 、てプログラムにより実施可能になつて 、る。
[0170] 上記基本的処理フローのステップ 1〜7は、第 1実施形態と同じであるので詳細な 説明は省略する。
[0171] 第 1実施形態と同様に、被検者の標準化脳画像に対して統計処理を行なった後、 前記ステップ 8の ROIによる解析を行なう。
[0172] この解析方法は、前記統計処理により健常者と有意な差が見られた座標位置のボ クセルとその Zスコア (評価値）につ 、て、疾患に対応する ROI (疾患特異的 ROI)を 適用することにより、罹患している度合を求めるものである。その特徴は次の 2点であ る。
[0173] (1)アルツハイマー等の疾患毎に対応する標準化された画像データとしての ROI ( 疾患特異的 ROI) 38を用意しておき、被検者の症状力も考えられる疾患について、 被検者の脳画像データにそれぞれの ROIを適用（設定)し、該 ROIにおける Zスコア に基づ!/、て最も有意性の高 、ものを診断結果とする。
[0174] (2) ROIの部分のみの Zスコアによって疾患を判断するだけでなぐ ROIを適用しな V、場合の脳全体の Zスコアマップと、 ROIを適用した部分のみの Zスコアマップとの比 較を行なう。この目的は、脳全体の萎縮に対する注目部位の萎縮の割合を見ること にある。
[0175] ここでは、まず、図 31にイメージを示すように、疾患 A〜Cの疾患別の特異的 ROI が用意されて 、る場合を例として、被検者がある疾患 Aを罹患して 、る力否かを判別 する方法を説明する。なお、この方法に適用する各 ROIと、判別に用いる閾値等の 取得方法につ!、ては後述する。
[0176] 前記ステップ 7の統計処理で得られた被検者の Zスコアマップに対して、疾患 Aに 対応する ROIを用いて、前記（6)式を満たすために異常と推定されたボタセルに対し て、以下の 4つの値を算出する。
[0177] k …脳全体において式（6)を満たすボタセルの数
ALL
k · · 'ROI部分にお!、て式（6)を満たすボタセルの数
ROI
MEAN · · '脳全体にお!/、て式（6)を満たすボクセルの Zスコアの平均
ALL
MEAN · · 'ROI部分にお!/、て式（6)を満たすボクセルの Zスコアの平均
ROI
[0178] 更に、これらの値を次の 4つのパラメータへ変換を行なう。
[0179] P =k
1 ROI
P =k /k …脳全体に対する ROI部分での式（2)を満たすボタセル数の割合
2 ROI ALL
P =MEAN
3 ROI
P =MEAN /MEAN …脳全体に対する ROI部分での式（2)を満たす Zス
4 ROI ALL
コアの平均の割合
[0180] P〜Pの 4つのパラメータについて、予め疾患 Aを有する患者群における特性を求
1 4
めておき、被検者のパラメータの値がそれに合致する場合に、被検者は疾患 Aであ ると判別する。
[0181] 例えば、 4つのパラメータについて疾患 Aとみなす閾値 (病態識別値)を定めておき 、被検者画像カゝら得られたパラメータの値がその閾値を超えた場合に、被検者は疾 患 Aであるとする。つまり、 P 閾値をそれぞれ thP
1〜Pのそれぞれの病態識別の
4 1〜th
Pとする場合、 P >thP、 P >thP、 P >thP、 P >thPの少なくとも 1つが満たされ
4 1 1 2 2 3 3 4 4
る場合に、被検者を疾患 Aと判定する。具体的には、例えば Pのように 1つのパラメ
1 一 タのみに注目して判定する場合や、必要に応じて P〜Pの一部又は全部を参照して 判定する場合を例に挙げることができる。
[0182] 又、これをより一般ィ匕したものとしては、次式のような 4つのパラメータを線形結合し たものの値を用いて、疾患の判定を行なう方法がある。
[0183] θ = α + « Ρ + α Ρ + α Ρ + α Ρ
0 1 1 2 2 3 3 4 4
ここで、 a 〜 aは定数である。
0 4
[0184] 例えば病態識別の閾値を th Θとする場合、 Θ >th Θが満たされるときに、被験者を 疾患 Aと判定する。これは、ノ メータ P〜Pが張る空間（この場合は 4次元空間とな
1 4
る）において、疾患群と非疾患群それぞれに属するクラスタがあり、被験者はそのどち らのクラスタに属するかを、線形的に判別することを意味する。
[0185] 更に、場合によっては、次式のように 2次以上の非線形結合によって判別を行なうこ とも可能である。
[0186] θ = α + a P wl + a P w2 + a P w3 + α P "4
0 1 1 2 2 3 3 4 4
[0187] 線形結合の場合と比較すると、線形結合の場合は疾患群と非疾患群とを分ける面（ 又は線）が平面 (又は直線)であったのに対し、非線形結合の場合は、これが曲面（ 又は曲線）となる。
[0188] 次に、これらの疾患別に設定される ROI (疾患特異的 ROI)の作成方法、及び、病 態識別値 (閾値)の算出方法について説明する。
[0189] ROIは、次のようにして統計的処理に基づいて決定される。例えば、ある特定の疾 患 Aの ROIを決定するためには、図 32にイメージを示すように、疾患 Aの患者の MRI 画像群 (疾患者画像群)と、それ以外の人の画像群 (非疾患者画像群)とにつ!ヽて、 ボタセル単位で 2群間の有意差を統計的に検定する 2標本 t検定を行なうことで求め る。この検定によって有意差が認められたボタセルを、その疾患における特徴的なボ クセルとみなし、その座標の集合をその疾患に対応する ROIとする。
[0190] 病態識別値（閾値）の決定は、その疾患につ!、て、一般的な ROC (Receiver Oper ating Characteristic)解析によって行なう。 ROC解析とは、ある検査方法について、 疾患を検出する能力を定量的に解析するための一般的な手法である。
[0191] その一例として、以下に、ノ ラメータ Pとその閾値 thPによって疾患の有無を識別
1 1
する場合にっ 、て、閾値 thPiを求める方法にっ 、て説明する。 [0192] P >thPのとき陽性、 P≤thPのとき陰性となる検査を考え、多数のサンプルにつ
1 1 1 1
いて、検査による陽陰性と、実際の疾患の有無についてその組合せを調べると、図 3 3の表に示すような、 TP (真陽性)， FP (偽陽性)， FN (偽陰性)， TN (真陰性)の各 数値が得られる。更にこれらの値から、真陽性率 (TPF:患者を正しく患者と判別した 割合)、偽陽性率 (FPF:健常者を誤って患者と判定した割合)が次式のように表わさ れる。
[0193] TPF = TP/ (TP + FN)
FPF = FP/ (FP+TN)
[0194] ある 1つの thPlに対して、（TPF, FPF)の組が 1つ求まる力 この閾値をさまざまに 変えることによって得られる（TPF, FPF)をプロットしたもの力 図 16に例示する RO
C曲線である。
[0195] 検査においては、 TPFが高ぐ FPFが低くなることが望ましいが、 ROC曲線におい ては最も左上の点がそれに対応する。この図で言えば、点 Dに対応する閾値を採用 するのが良いということになる。
[0196] これを、ノラメータと疾患有無の観点から考えると、パラメータ力^つの場合は、図 3
4に示すように、疾患有りの分布と疾患無しの分布とを、最も良く（誤りなく）分ける境 界線が、ここで求められた閾値に対応している。
[0197] 続いて、複数のパラメータを同時に用いる場合における、病態識別値の決定方法 について説明する。例えば、 Pと Pという 2つのパラメータを用いた、
1 2
θ = α + α Ρ + α Ρ
0 1 1 2 2
という線形結合によって識別することを考えると、概念的には図 35に 2つのパラメータ の場合の例を示すように、 Ρと Ρによって張られる 2次元空間上で、疾患有りと疾患
1 2
無しのサンプルの群を、直線によって分けることになる。
[0198] ここで、閾値である th 0は、線形結合の係数 α 、 α 、 α によって決まる値であるか
0 1 2
ら、 α 、 α 、 α を th 0 =0となるように決めれば、 0の符号のみで疾患の有無を判別
0 1 2
することができるようになる。つまり本質的にここで決定すべき値は、線形結合の係数 a 、 a 、 a と ヽうことになる。
0 1 2
[0199] この問題は、ノ ラメータの数を qとして一般ィ匕すると、 θ = a + α P + a P H—— h a P - - - (7)
0 1 1 2 2 q q
を判別関数とする 2群 q変数の線形判別分析として考えることができる。
[0200] その解法としては、群内平方和と群間平方和の相関比を最大化する方法や、マハ ラノビス距離に基づく方法が知られて！/ヽる (参考文献；奥野忠ー：多変量解析法 (改 訂版)、 日科技連出版社 1982)が、ここではその前者に基づく方法を一例として示す
[0201] 実験値として得られているサンプルについて、疾患群、非疾患群をそれぞれ第 1群 、第 2群とし、それぞれのサンプル数を nl、 n2、 g群の第 mサンプルの i番目のパラメ ータの測定値を X 、 g群の i番目のパラメータの平均値を
img
[数 11]
とするとき、 2群の変動'共変動行列 S(1)、 S(2)、 2群をプールした分散共分散行列 Vの それぞれ要素は以下のように定義される。
[0202] [数 12]
Figure imgf000030_0001
十 n 2— 2 又、各変数の平均値の差のベクトル dを、
[数 13]
又、各係数を
a= ( , , · · · , )
1 2 q
とすると次式が成り立つ。
[0203] Va = d
[0204] この両辺に左から Vの逆行列 V 1をかけると a=V d
として、 a= ( a , a , · · ·, a )を求めることができる。
1 2 q
[0205] 更に、前記式（7)の切片である a 0について、群が Θの符号によって判別できるよう な値に決定する。これは閾値 th Θが 0となるようにすることと等価である。
[0206] これは前記式（7)に、既に求まった a , a , · · ·, a θ =0、及び各パラメータに、
1 2 q、
次式
[数 14]
Figure imgf000031_0001
により算出されるそれぞれのパラメータの平均値を代入することで得られる。
[0207] 以上のようにして求まった前記式（7)の判別関数を利用して、新たな被験者データ について Θの値を算出し、 Θの正負によって疾患か非疾患かを判別することが可能 である。
実施例
[0208] アルッノ、イマ一型痴呆 (AD)を診断するために、 MRIで被検者と健常者群の脳の T1強調画像を撮像し、各画像を、 DICOMフォーマットとして保持しておく。 DICOM フォーマットは、 1ファイルにヘッダ部と画像データ部を含む医療画像で一般的に用 いられる画像フォーマットであり、画像撮影時のパラメータや診断情報を保存しておく ことができる。通常、 DICOM画像ファイル 1つが 1枚のスライス画像の情報を有し、複 数枚の DICOM画像によって、 3次元的な脳画像を表現する。 DICOM画像は DIC OMサーバに保管され、必要に応じて引き出すことができる。
[0209] DICOM画像ファイルは複数枚によって脳全体の 3次元的情報を表現する力 DI COMファイルのヘッダ部のみ、及び画像データ部のみを連結した形式である Analy zeフォーマットに変換する。 Analyzeフォーマットは 1人分の脳全体を、ヘッダ部フアイ ル、画像データ部ファイルの 2ファイルで構成することができる。
[0210] 脳画像の画像処理を行なうためのツールをソフトウェアに実装したものとして、 SPM
(Statistical Parametric Mapping)等が知られている。本実施例における以下の画 像処理には、 SPMを適用した。 [0211] 以上の条件の下、被検者カも入力した MRI脳画像に対して、前記図 2のステップ 1
〜8の各処理を行なった。
[0212] 灰白質の抽出に使用する灰白質画像のテンプレートとしては、 SPMで用いられる、
151人の健常者画像から得られた灰白質、白質、脳脊髄液の事前生起 (存在)確率 を計算したもので、 1ボタセルサイズが 2mm四方で FWHM = 8mmのガウシァンフィ ルタをかけたものを用いた。
[0213] 解剖学的標準化では、上記健常者画像カゝら得られた灰白質画像をテンプレートと して用いることにより標準化を行なった。
[0214] 又、健康高齢者群 41例とアルッノヽイマ一型痴呆群 31例の SPMによるグループ解 析により、アルッノヽイマ一型痴呆群において最も萎縮している部位を求めたところ、 両側の海馬傍回が検出され、この部位をアルツハイマー診断に用いる ROIに設定し た。
[0215] 次に別の健康高齢者群 41例とアルツハイマー型痴呆群 30例において、個々のァ ルツハイマー型痴呆症例に対して健康高齢者群と脳局所ボタセル毎に Z検定を行な い、 ROIにおける平均 Z値を算出した。個々の健康高齢者に対しても、残りの健康高 齢者群との間で Z検定を行ない、同様に ROI〖こおける平均 Z値を算出した。
[0216] Z値を求める際に、臨界値 Z' = 2とし、パラメータとして MEAN を用いて、 ROC
ROI
解析を行なったところ、正診率 87%で健康高齢者とアルツハイマー型痴呆患者を識 別することができた。その結果から、従来の脳血流 SPECTを用いた画像統計学的 解析の正診率 80%程度からみても、本方法は ADの診断に対して有効性が高 、と 言える。
[0217] 以上詳述した如ぐ第 2実施形態によれば、被検者の MRI脳画像について、灰白 質組織の抽出、解剖学的標準化、画像平滑化等の各処理を行なった後、標準化し てある健常者群の MRI脳画像と Zスコアにより統計的に比較し、予め標準化された画 像データとして作成してある疾患に対応した ROIの範囲における異常値の大きさによ つて、診断結果を出力できるようにしたので、特定の疾患について客観的な診断支 援を行なうことが可能となる。
[0218] 以上、本発明について具体的に説明したが、本発明は、前記実施形態に示したも のに限られるものでなぐその要旨を逸脱しない範囲で種々変更可能である。
[0219] 例えば、具体的な処理手順は前述したものに限定されず、図 37に示す変形例 1の 処理フローに従ってもよい。
[0220] この変形例 1は、前記図 2や図 30に示した基本処理フローにおけるステップ 3の第 1の画像平滑ィ匕を省略したものである。第 1の画像平滑化は、入力画像のノイズを低 減し、滑らかさ（smoothness)を解剖学的標準化で用いる灰白質テンプレート画像と 等しくする意味があるが、元々それらが近い場合はこの平滑ィ匕処理を省略することも 可能である。この場合、平滑ィ匕による情報の損失がないという利点がある。
[0221] 又、同様に、具体的な処理手順は、図 38に示す変形例 2の処理フローに従っても よい。
[0222] この変形例 2は、上記変形例 1の処理フローにおいて、灰白質組織抽出と解剖学 的標準化の処理を入れ替えたものである。この場合は、解剖学的標準化で使用する 標準脳画像テンプレートは灰白質に関するものではなぐ抽出前の全体脳に関する ものである。この標準全体脳画像テンプレートは、多くの健常者画像の平均画像、又 は、多くの健常者画像と多くの患者画像の平均画像カゝら作成する。
[0223] 前記基本処理フローでは、入力脳画像が灰白質テンプレート画像に対して、例え ばそのサイズに大きな差がある場合等には、灰白質抽出が正しく行なわれない可能 性がある。ところが、この変形例 2では、予め解剖学的標準化を行なうことで、灰白質 テンプレートとの空間的な対応が良くなるという利点がある。
[0224] 又、前記実施形態では、統計的比較の評価値として Zスコアを使用する検定方法を 示したが、これに限定されず、前述した他の一般的な検定方法である 2標本 t検定等 を用いてもよい。
産業上の利用可能性
[0225] 本発明は、 MRI等により脳画像を入力し、画像処理することにより疾患別の診断支 援を行なう際に適用できる。
[0226] 又、本発明によれば、被検者カゝら入力した脳画像データに対して ROIによる解析を 適用することにより、手作業を介することなく客観的な診断結果を提示することができ るよつになる。 [0227] 又、 MRI脳画像を入力画像として用いる場合には、 MRIの撮像には SPECT等の ようにラジオアイソトープを含む造影剤等を投与する必要がなぐそれ故に被爆する こともないので、肉体的負担が少ない利点もある。又、これによつて比較のための患 者データ、健常者データも収集し易い。又、 MRIで得られる画像は SPECT画像と比 較して分解能が高いという利点もある。更に、処理の全工程で機械的に処理可能で あり、定量的且つ客観的な結果が得られる。
[0228] 以上より、画像処理や統計学の専門的知識をもたない医師に対して、 MRI画像に 基づいて疾患別の診断支援を行なうことが可能となる。又、その際、幾つかの疾患の 可能性が考えられる患者について、疾患別に用意された参照データと比較すること により、どの疾患の可能性が高いかを評価することが可能となる。

Claims

請求の範囲
[1] 被検者の脳画像を入力し、画像処理して診断結果を提示することにより診断の支 援を行なう脳疾患の診断支援方法であって、
入力された被検者の脳画像について、解像度、ダイナミックレンジ及び画像方向の 少なくとも 1つを自動チェックすることを特徴とする脳疾患の診断支援方法。
[2] 前記画像方向のチェックを、次の仮定
(仮定 1)軸の対称性は大き ヽ順に、側方向→矢状方向→軸（上下)方向である、 (仮定 2)眼球は左右対称であり、頭部前方にある、
(仮定 3)頭部画像の下端まで組織が存在するが、上端には組織はな!/、、 の下で行なうことを特徴とする請求項 1に記載の脳疾患の診断支援方法。
[3] 前記被検者の脳画像をスライス画像として入力する場合、全スライス画像の連続性 を自動チ ックすることを特徴とする請求項 1又は 2に記載の脳疾患の診断支援方法
[4] 前記画像処理に、脳組織抽出処理と解剖学的標準化処理が含まれ、少なくとも一 方の処理結果を自動チ ックすることを特徴とする請求項 1、 2又は 3に記載の脳疾 患の診断支援方法。
[5] 前記処理結果としての脳画像を、予め作成してある対応するリファレンス画像と比 較して、前記自動チ ックを行なうことを特徴とする請求項 4に記載の脳疾患の診断 支援方法。
[6] 前記脳画像が、 MRI脳画像であることを特徴とする請求項 1乃至 5のいずれか〖こ記 載の脳疾患の診断支援方法。
[7] 被検者の MRI脳画像を入力した後、
該 MRI脳画像から灰白質組織を抽出して灰白質脳画像を作成し、
該灰白質脳画像に解剖学的標準化を施した後、予め用意されている健常者の対 応する脳画像と統計的比較を行なうことを特徴とする請求項 6に記載の脳疾患の診 断支援方法。
[8] 被検者の MRI脳画像を入力した後、
該 MRI脳画像に、解剖学的標準化を施し、 該標準化後の MRI脳画像から灰白質組織を抽出して灰白質脳画像を作成した後 、予め用意されている健常者の対応する脳画像と統計的比較を行なうことを特徴とす る請求項 6に記載の脳疾患の診断支援方法。
[9] 被検者の脳画像を入力し、画像処理して診断結果を出力することにより診断の支 援を行なう脳疾患の診断支援装置であって、
入力された被検者の脳画像について、解像度、ダイナミックレンジ及び画像方向の 少なくとも 1つを自動チェックする自動評価手段を備えたことを特徴とする脳疾患の診 断支援装置。
[10] 前記自動評価手段が、前記画像方向のチェックを、次の仮定
(仮定 1)軸の対称性は大き ヽ順に、側方向→矢状方向→軸（上下)方向である、 (仮定 2)眼球は左右対称であり、頭部前方にある、
(仮定 3)頭部画像の下端まで組織が存在するが、上端には組織はな!/、、 の下で行なう機能を有していることを特徴とする請求項 9に記載の脳疾患の診断支 援装置。
[11] 前記被検者の脳画像をスライス画像として入力する場合、前記自動評価手段が、 全スライス画像の連続性を自動チェックする機能を有して ヽることを特徴とする請求 項 9又は 10に記載の脳疾患の診断支援装置。
[12] 前記画像処理に、脳組織抽出処理と解剖学的標準化処理が含まれ、前記自動評 価手段が、少なくとも一方の処理結果を自動チェックする機能を有して 、ることを特 徴とする請求項 9、 10又は 11に記載の脳疾患の診断支援装置。
[13] 前記自動評価手段が、前記処理結果としての脳画像を、予め作成してある対応す るリファレンス画像と比較して、前記自動チェックを行なう機能を有して ヽることを特徴 とする請求項 12に記載の脳疾患の診断支援装置。
[14] 前記脳画像が、 MRI脳画像であることを特徴とする請求項 9乃至 13のいずれかに 記載の脳疾患の診断支援装置。
[15] 被検者の MRI脳画像を入力した後、
該 MRI脳画像から灰白質組織を抽出して灰白質脳画像を作成し、
該灰白質脳画像に解剖学的標準化を施した後、予め用意されている健常者の対 応する脳画像と統計的比較を行なうことを特徴とする請求項 14に記載の脳疾患の診 断支援装置。
[16] 被検者の MRI脳画像を入力した後、
該 MRI脳画像に、解剖学的標準化を施し、
該標準化後の MRI脳画像から灰白質組織を抽出して灰白質脳画像を作成した後 、予め用意されている健常者の対応する脳画像と統計的比較を行なうことを特徴とす る請求項 14に記載の脳疾患の診断支援装置。
[17] 被検者の脳画像を入力し、画像処理して診断結果を提示することにより診断の支 援を行なう脳疾患の診断支援方法であって、
統計的手法により、脳画像における疾患毎の関心領域である ROIを予め決定して おくと共に、
入力された被検者の脳画像と、予め用意されている健常者の脳画像との統計的比 較を行なって診断結果を提示する際、前記 ROIを適用することを特徴とする脳疾患 の診断支援方法。
[18] 前記統計的比較を、ボタセル毎に Zスコアを算出して行なうことを特徴とする請求項
17に記載の脳疾患の診断支援方法。
[19] 前記統計的比較を、脳全体に対して併せて行なうことを特徴とする請求項 17又は 1
8に記載の脳疾患の診断支援方法。
[20] 前記統計的比較を、異常と判定されたボタセルの数を用いて行なうことを特徴とす る請求項 17、 18又は 19に記載の脳疾患の診断支援方法。
[21] 前記統計的比較を、異常と判定されたボタセルの Zスコアの平均を用いて行なうこと を特徴とする請求項 17、 18又は 19に記載の脳疾患の診断支援方法。
[22] 前記脳画像が、 MRI脳画像であることを特徴とする請求項 17乃至 20のいずれか に記載の脳疾患の診断支援方法。
[23] 被検者の MRI脳画像を入力した後、
該 MRI脳画像から灰白質組織を抽出して灰白質脳画像を作成し、
該灰白質脳画像に解剖学的標準化を施した後、前記統計的比較を行なうことを特 徴とする請求項 22に記載の脳疾患の診断支援方法。
[24] 被検者の MRI脳画像を入力した後、
該 MRI脳画像に、解剖学的標準化を施し、
該標準化後の MRI脳画像から灰白質組織を抽出して灰白質脳画像を作成した後 、前記統計的比較を行なうことを特徴とする請求項 22に記載の脳疾患の診断支援方 法。
[25] 被検者の脳画像を入力し、画像処理して診断結果を出力することにより診断の支 援を行なう脳疾患の診断支援装置であって、
統計的手法により、脳画像における疾患毎の関心領域である ROIを予め決定して 保存する保存手段と共に、
入力された被検者の脳画像と、予め作成されて!ヽる健常者の脳画像との統計的比 較を行なう画像 ·統計処理手段を備え、
該画像 ·統計処理手段が、統計的比較を行なって診断結果を提示する際、前記 R OIを適用する機能を有していることを特徴とする脳疾患の診断支援装置。
[26] 前記統計的比較を、ボタセル毎に Zスコアを算出して行なうことを特徴とする請求項
25に記載の脳疾患の診断支援装置。
[27] 前記統計的比較を、脳全体に対して併せて行なうことを特徴とする請求項 25又は 2
6に記載の脳疾患の診断支援装置。
[28] 前記統計的比較を、異常と判定されたボタセルの数を用いて行なうことを特徴とす る請求項 25、 26又は 27に記載の脳疾患の診断支援装置。
[29] 前記統計的比較を、異常と判定されたボタセルの Zスコアの平均を用いて行なうこと を特徴とする請求項 25、 26又は 27に記載の脳疾患の診断支援装置。
[30] 前記脳画像が、 MRI脳画像であることを特徴とする請求項 25乃至 29のいずれか に記載の脳疾患の診断支援装置。
[31] 被検者の MRI脳画像を入力した後、
該 MRI脳画像から灰白質組織を抽出して灰白質脳画像を作成し、
該灰白質脳画像に解剖学的標準化を施した後、前記統計的比較を行なうことを特 徴とする請求項 30に記載の脳疾患の診断支援装置。
[32] 被検者の MRI脳画像を入力した後、 該 MRI脳画像に、解剖学的標準化を施し、
該標準化後の MRI脳画像から灰白質組織を抽出して灰白質脳画像を作成した後 、前記統計的比較を行なうことを特徴とする請求項 30に記載の脳疾患の診断支援装 置。
[33] 請求項 1乃至 8又は 17乃至 24のいずれかに記載の脳疾患の診断支援方法をコン ピュータで実施するためのコンピュータ読取可能なプログラム。
[34] 請求項 9乃至 16又は 25乃至 32のいずれかに記載の脳疾患の診断支援装置をコ ンピュータで実現するためのコンピュータ読取可能なプログラム。
[35] 請求項 33又は 34に記載のプログラムが格納された記録媒体。
PCT/JP2005/015230 2005-08-22 2005-08-22 脳疾患の診断支援方法及び装置 WO2007023522A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2005/015230 WO2007023522A1 (ja) 2005-08-22 2005-08-22 脳疾患の診断支援方法及び装置
US11/990,687 US8218835B2 (en) 2005-08-22 2005-08-22 Method for assisting in diagnosis of cerebral diseases and apparatus thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2005/015230 WO2007023522A1 (ja) 2005-08-22 2005-08-22 脳疾患の診断支援方法及び装置

Publications (1)

Publication Number Publication Date
WO2007023522A1 true WO2007023522A1 (ja) 2007-03-01

Family

ID=37771280

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2005/015230 WO2007023522A1 (ja) 2005-08-22 2005-08-22 脳疾患の診断支援方法及び装置

Country Status (2)

Country Link
US (1) US8218835B2 (ja)
WO (1) WO2007023522A1 (ja)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009005013A1 (ja) * 2007-06-29 2009-01-08 Toshinori Kato 白質強調処理装置、白質強調処理方法及びプログラム
JP2009240616A (ja) * 2008-03-31 2009-10-22 Fujifilm Ri Pharma Co Ltd 画像診断支援システム
WO2010085856A1 (en) * 2009-02-02 2010-08-05 Commonwealth Scientific And Industrial Research Organisation Brain disease progression scoring method and apparatus
JP2011502729A (ja) * 2007-11-20 2011-01-27 オレア メディカル エスアエス 患者から取得された生体画像の多数の系列を処理する方法およびシステム［関連出願の相互参照］本願は、参照により本明細書に組み込まれている２００７年１１月２０日に出願された、ＦａｙｃａｌＤｊｅｒｉｄａｎｅによる米国仮特許出願第６０／９９６，５０９号の合衆国法典第３５巻第１１９条（ｅ）に基づく優先権を主張する。
JP2011030911A (ja) * 2009-08-05 2011-02-17 Dainippon Printing Co Ltd Ｃｎｒ測定装置，方法及びコンピュータプログラム
WO2012074039A1 (ja) * 2010-12-02 2012-06-07 大日本印刷株式会社 医用画像処理装置
WO2013047278A1 (ja) * 2011-09-26 2013-04-04 大日本印刷株式会社 医用画像処理装置、医用画像処理方法、プログラム
JP2013063324A (ja) * 2012-12-26 2013-04-11 Fujifilm Ri Pharma Co Ltd 画像診断支援システム
JP2014121625A (ja) * 2014-01-31 2014-07-03 Fujifilm Ri Pharma Co Ltd 画像診断支援システム
JP5641629B1 (ja) * 2013-10-31 2014-12-17 株式会社アラヤ・ブレイン・イメージング 個人特性予測システム、個人特性予測方法及びプログラム
JPWO2014034724A1 (ja) * 2012-08-30 2016-08-08 株式会社島津製作所 脳断層動態画像解析装置
CN107194918A (zh) * 2017-05-16 2017-09-22 北京大学 数据分析方法及装置
CN111445443A (zh) * 2020-03-11 2020-07-24 北京深睿博联科技有限责任公司 早急性脑梗死检测方法和装置
JP2021090549A (ja) * 2019-12-09 2021-06-17 国立大学法人 東京大学 判定装置、判定方法及び判定プログラム

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100968452B1 (ko) * 2005-12-12 2010-07-07 삼성전자주식회사 영상처리장치 및 그 제어방법
JP5826749B2 (ja) * 2009-09-04 2015-12-02 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． コンテンツベースの画像検索に関する関連度の視覚化
US9123101B2 (en) * 2011-01-05 2015-09-01 Koninklijke Philips N.V. Automatic quantification of asymmetry
US9025845B2 (en) * 2011-06-17 2015-05-05 Quantitative Imaging, Inc. Methods and apparatus for assessing activity of an organ and uses thereof
KR101805624B1 (ko) * 2011-08-29 2017-12-08 삼성전자주식회사 장기 모델 영상 생성 방법 및 장치
CA2752370C (en) * 2011-09-16 2022-07-12 Mcgill University Segmentation of structures for state determination
US20130108127A1 (en) * 2011-10-31 2013-05-02 Thomas Boettger Management of patient model data
BR112014009039A2 (pt) * 2011-11-16 2017-05-09 Koninklijke Philips Nv estação de trabalho de imagem; método para gerar imagem do cérebro; e software que carrega o meio legível por computador não transiente
CN103098090B (zh) * 2011-12-21 2015-01-21 中国科学院自动化研究所 多参数三维磁共振图像脑肿瘤分割方法
US9245334B2 (en) * 2012-02-28 2016-01-26 Albert Einstein College Of Medicine, Inc. Methods for quantitative assessment of volumetric image from a subject and uses therof
EP2709061A1 (en) 2012-09-12 2014-03-19 Virtual Proteins B.V. System and method for 3D visualization of brain iron deposition
US9471631B2 (en) * 2012-09-28 2016-10-18 Oracle International Corporation Creating and using data that indicates misestimates of actual costs
JP2014127011A (ja) * 2012-12-26 2014-07-07 Sony Corp 情報処理装置、情報処理方法、およびプログラム
US9558558B2 (en) * 2013-03-28 2017-01-31 Koninklijke Philips N.V. Interactive follow-up visualization
WO2015017582A1 (en) * 2013-07-30 2015-02-05 Children's Hospital Los Angeles Magnetic resonance imaging tool to detect clinical difference in brain anatomy
ES2518690B1 (es) * 2013-12-23 2015-09-29 Centro De Investigación Biomédica En Red De Salud Mental (Cibersam) Método para la detección de áreas anómalas en el cerebro a partir de imágenes de resonancia magnética
WO2017075077A1 (en) * 2015-10-26 2017-05-04 The Johns Hopkins University Automated generation of sentence-based descriptors from imaging data
EP3248543B8 (en) 2016-05-24 2024-02-21 Siemens Healthineers AG Apparatus and method for visualizing tissue macro- and microstructure for pathology evaluation in magnetic resonance imaging
US10838961B2 (en) 2017-09-29 2020-11-17 Oracle International Corporation Prefix compression
JP7211725B2 (ja) * 2018-07-09 2023-01-24 富士フイルムヘルスケア株式会社 自動位置決め機能付き磁気共鳴イメージング装置、磁気共鳴イメージング装置の制御方法、及び、撮像断面自動設定用プログラム
TWI744798B (zh) * 2020-02-13 2021-11-01 國立陽明交通大學 基於腦影像的神經精神疾病評估方法及系統

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002209867A (ja) * 2001-01-10 2002-07-30 Sogen Boku 脳の磁気共鳴映像から白質と灰白質および脳脊髄液を分離し体積を算出する方法
JP2005230456A (ja) * 2004-02-23 2005-09-02 Kokuritsu Seishin Shinkei Center 脳疾患の診断支援方法及び装置
JP2005237441A (ja) * 2004-02-24 2005-09-08 Kokuritsu Seishin Shinkei Center 脳疾患の診断支援方法及び装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4025524B2 (ja) 2001-09-28 2007-12-19 富士フイルムＲｉファーマ株式会社 異条件下における脳機能画像の画像間差補正法
US20050215889A1 (en) * 2004-03-29 2005-09-29 The Board of Supervisory of Louisiana State University Methods for using pet measured metabolism to determine cognitive impairment

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002209867A (ja) * 2001-01-10 2002-07-30 Sogen Boku 脳の磁気共鳴映像から白質と灰白質および脳脊髄液を分離し体積を算出する方法
JP2005230456A (ja) * 2004-02-23 2005-09-02 Kokuritsu Seishin Shinkei Center 脳疾患の診断支援方法及び装置
JP2005237441A (ja) * 2004-02-24 2005-09-08 Kokuritsu Seishin Shinkei Center 脳疾患の診断支援方法及び装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MATSUDA H.: "MRI no Gazo Tokei Kaiseki ni yoru Alzheimer-gata Chiho no Soki Shindan -Kenjosha Database Kyoyuka no Kanosei-", JAPANESE JOURNAL OF GERIATRIC PSYCHIATRY, vol. 15, December 2004 (2004-12-01), pages 21 - 28, XP003008797 *
NATIONAL ELECTRICAL MANUFACTURE ASSOCIATION, DIGITAL IMAGING AND COMMUNICATIONS IN MEDICINE (DICOM) STANDARD PART 6: DATA DICTIONARY, 2004, pages 17, AND 23, XP003008796 *
YOKOYAMA R. ET AL.: "No MR Gazo ni okeru Lacunar Infarct Ryoiki no Jido Kenshutsu no Kokoromi", JAPANESE JOURNAL OF RADIOLOGICAL TECHNOLOGY, vol. 58, no. 3, March 2002 (2002-03-01), pages 399 - 405, XP003008795 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009005013A1 (ja) * 2007-06-29 2009-01-08 Toshinori Kato 白質強調処理装置、白質強調処理方法及びプログラム
US9247894B2 (en) 2007-06-29 2016-02-02 Toshinori Kato Apparatus and method for white-matter-enhancement processing
JP2013126576A (ja) * 2007-06-29 2013-06-27 Toshinori Kato 白質強調処理装置、白質強調処理方法及びプログラム
JP5266220B2 (ja) * 2007-06-29 2013-08-21 俊徳 加藤 白質強調処理装置、白質強調処理方法及びプログラム
JP2011502729A (ja) * 2007-11-20 2011-01-27 オレア メディカル エスアエス 患者から取得された生体画像の多数の系列を処理する方法およびシステム［関連出願の相互参照］本願は、参照により本明細書に組み込まれている２００７年１１月２０日に出願された、ＦａｙｃａｌＤｊｅｒｉｄａｎｅによる米国仮特許出願第６０／９９６，５０９号の合衆国法典第３５巻第１１９条（ｅ）に基づく優先権を主張する。
JP2009240616A (ja) * 2008-03-31 2009-10-22 Fujifilm Ri Pharma Co Ltd 画像診断支援システム
WO2010085856A1 (en) * 2009-02-02 2010-08-05 Commonwealth Scientific And Industrial Research Organisation Brain disease progression scoring method and apparatus
JP2011030911A (ja) * 2009-08-05 2011-02-17 Dainippon Printing Co Ltd Ｃｎｒ測定装置，方法及びコンピュータプログラム
JP5601378B2 (ja) * 2010-12-02 2014-10-08 大日本印刷株式会社 医用画像処理装置
WO2012074039A1 (ja) * 2010-12-02 2012-06-07 大日本印刷株式会社 医用画像処理装置
US9042616B2 (en) 2010-12-02 2015-05-26 Dai Nippon Printing Co., Ltd. Medical image processing device
WO2013047278A1 (ja) * 2011-09-26 2013-04-04 大日本印刷株式会社 医用画像処理装置、医用画像処理方法、プログラム
JP2013066632A (ja) * 2011-09-26 2013-04-18 Dainippon Printing Co Ltd 医用画像処理装置、医用画像処理方法、プログラム
US9390509B2 (en) 2011-09-26 2016-07-12 Dai Nippon Printing Co., Ltd. Medical image processing device, medical image processing method, program
JPWO2014034724A1 (ja) * 2012-08-30 2016-08-08 株式会社島津製作所 脳断層動態画像解析装置
JP2013063324A (ja) * 2012-12-26 2013-04-11 Fujifilm Ri Pharma Co Ltd 画像診断支援システム
WO2015064665A1 (ja) * 2013-10-31 2015-05-07 株式会社アラヤ・ブレイン・イメージング 個人特性予測システム、個人特性予測方法及び記録媒体
JP5641629B1 (ja) * 2013-10-31 2014-12-17 株式会社アラヤ・ブレイン・イメージング 個人特性予測システム、個人特性予測方法及びプログラム
US9576358B2 (en) 2013-10-31 2017-02-21 Araya Brain Imaging Inc. Individual-characteristic prediction system, individual-characteristic prediction method, and recording medium
JP2014121625A (ja) * 2014-01-31 2014-07-03 Fujifilm Ri Pharma Co Ltd 画像診断支援システム
CN107194918A (zh) * 2017-05-16 2017-09-22 北京大学 数据分析方法及装置
JP2021090549A (ja) * 2019-12-09 2021-06-17 国立大学法人 東京大学 判定装置、判定方法及び判定プログラム
JP7334958B2 (ja) 2019-12-09 2023-08-29 学校法人帝京大学 判定装置、判定方法及び判定プログラム
CN111445443A (zh) * 2020-03-11 2020-07-24 北京深睿博联科技有限责任公司 早急性脑梗死检测方法和装置
CN111445443B (zh) * 2020-03-11 2023-09-01 北京深睿博联科技有限责任公司 早急性脑梗死检测方法和装置

Also Published As

Publication number Publication date
US8218835B2 (en) 2012-07-10
US20090252391A1 (en) 2009-10-08

Similar Documents

Publication Publication Date Title
WO2007023522A1 (ja) 脳疾患の診断支援方法及び装置
JP4025823B2 (ja) 脳疾患の診断支援方法及び装置
JP5970766B2 (ja) 医用画像処理装置、医用画像処理方法、プログラム
JP5699936B2 (ja) 医用画像処理装置の作動方法、装置およびプログラム
JP5601378B2 (ja) 医用画像処理装置
EP3199102B1 (en) Medical image display processing method, medical image display processing device, and program
US8280482B2 (en) Method and apparatus for evaluating regional changes in three-dimensional tomographic images
JP5098393B2 (ja) 関心領域決定装置
US8050734B2 (en) Method and system for performing patient specific analysis of disease relevant changes of a disease in an anatomical structure
JP4022587B2 (ja) 脳疾患の診断支援方法及び装置
WO2007114238A1 (ja) 脳萎縮判定装置、脳萎縮判定方法及び脳萎縮判定プログラム
KR102373988B1 (ko) 다중 특성 융합을 기반으로 하는 알츠하이머병 분류 방법
CN114862799B (zh) 一种用于flair-mri序列的全自动脑体积分割方法
EP3624058A1 (en) Method and system of analyzing symmetry from image data
KR102349360B1 (ko) 영상 진단기기를 이용한 특발성 정상압 수두증의 진단 방법 및 시스템
KR102363221B1 (ko) 뇌 영상을 이용한 특발 정상압 수두증의 진단 방법 및 시스템
KR102319326B1 (ko) 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치
Wang et al. Semi-automatic segmentation of the fetal brain from magnetic resonance imaging
Winzeck Methods for Data Management in Multi-Centre MRI Studies and Applications to Traumatic Brain Injury
CN117838089A (zh) 基于磁共振成像的大脑海马体分析方法、系统及电子设备
Iacono et al. A method for morphological characterization of dural ectasia in Marfan syndrome
Fischer et al. Neuromorphological interpretation of clinical outcome

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 11990687

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: COMMUNICATION PURSUANT TO RULE 112(1) EPC SENT ON 29.04.08

NENP Non-entry into the national phase

Ref country code: JP

122 Ep: pct application non-entry in european phase

Ref document number: 05780517

Country of ref document: EP

Kind code of ref document: A1