WO2012074039A1

WO2012074039A1 - 医用画像処理装置

Info

Publication number: WO2012074039A1
Application number: PCT/JP2011/077761
Authority: WO
Inventors: 智章後藤; 小野　徹太郎
Original assignee: 大日本印刷株式会社
Priority date: 2010-12-02
Filing date: 2011-12-01
Publication date: 2012-06-07
Also published as: EP2647335A1; JP5601378B2; JPWO2012074039A1; CN103249358A; US9042616B2; EP2647335B1; US20130251231A1; CN103249358B; EP2647335A4; HK1186947A1

Abstract

　取得した脳画像の状態を判定し、組織分離処理に適した脳画像に調整することが可能な医用画像処理装置を提供する。医用画像処理装置は、複数のスライス画像で構成される脳画像から、処理対象とするスライス画像を対象スライスとして選択し、選択された対象スライスから、脳実質の有効最大値の計測処理、脳画像全体の有効最大値の計測処理、頭蓋周回のピーク平均値の計測処理を実行し、計測された脳実質の有効最大値、脳画像全体の有効最大値、頭蓋周回のピーク平均値に基づいて、高信号値抑制処理が必要か不要かを判定し、高信号値抑制処理が必要と判定された場合に、脳画像に対して高信号値抑制処理を実行する。

Description

医用画像処理装置

　本発明は、ＭＲＩ（Ｍａｇｎｅｔｉｃ　Ｒｅｓｏｎａｎｃｅ　Ｉｍａｇｉｎｇ）等により得られた脳画像を画像処理して脳疾患の診断支援を行う技術に関し、特に、ＭＲＩ等により得られた脳画像を診断支援に適した状態に処理する技術に関する。

　高齢化社会の到来により、認知症疾患の患者が年々増加している。認知症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。

　一方、このような要請に応えるべく、近年、ＳＰＥＣＴ（Ｓingle Ｐhoton Ｅmission
Ｃomputed Ｔomography）やＰＥＴ（Ｐositron Ｅmission Ｔomography）等の核医学検査や、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。

　その結果、脳の特定部位の血流や代謝が低下したり、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ってきており、これらに対する定量的な評価方法が求められている。

　例えば、脳の局所的な部位の血流や代謝の低下は、ＳＰＥＣＴやＰＥＴの画像によって比較することにより検定することができる。

　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。

　このような脳画像を用いて脳の萎縮を評価する方法としては、被験者の頭部を撮像して取得された脳画像を３次元の画素であるボクセルを単位に画像処理して行なうＶＢＭ（Ｖoxel　Ｂased　Ｍorphometry）が知られている（例えば、特許文献１参照）。

　このＶＢＭ手法は、アルツハイマー病の識別には有効な評価方法であり、健常者とアルツハイマー病の識別において、８７．８％の診断能があったという報告がなされている（非特許文献１参照）。

特開２００５－２３７４４１号公報

Yoko Hirata, Hiroshi Matsuda, Kiyotaka Nemoto, Takashi Ohnishi,Kentaro Hirao, Fumio Yamashita, Takashi Asada, Satoshi Iwabuchi, HirotsuguSamejima, Voxel-based morphometry to discriminate early Alzheimer's diseasefrom controls.Neurosci Lett 382:269-274, 2005 Bookstein FL. "Voxel-based morphometry" should not be usedwith imperfectly registered images. Neuroimage. 2001;14(6):1454-62. J.Ashburner and K.J.Friston. Unified segmentation. NeuroImage. 2005;26: 839-851. Ashburner J, A fast diffeomorphic image registration algorithm.Neuroimage.2007Oct 15 ; 38(1):95-113. 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，メジカルビュー社：ｐｐ．７６－８６（２００１）．

　しかしながら、上記従来の手法による脳画像の処理において、処理対象とする脳画像によっては、組織分離処理が上手く行かず、正しく組織を特定できないという問題がある。

　そこで、本発明は、取得した脳画像の状態を判定し、組織分離処理に適した脳画像に調整することが可能な医用画像処理装置を提供することを課題とする。

　上記課題を解決するため、本発明第１の態様では、複数のスライス画像で構成される脳画像から、処理対象とするスライス画像を対象スライスとして選択する対象スライス選択手段と、脳実質の画素の信号値の有効最大値である脳実質有効最大値の計測処理を行う脳実質計測手段と、脳画像全体の画素の信号値の有効最大値の計測処理を行う脳画像計測手段と、頭蓋周辺領域のピークとなる画素の信号値の平均を頭蓋周回のピーク平均値として計測処理する頭蓋計測手段と、計測された脳実質の有効最大値、脳画像全体の有効最大値、頭蓋周回のピーク平均値に基づいて、高信号値抑制処理が必要か不要かを判定する抑制処理判定手段と、前記抑制処理判定手段により必要と判定された場合に、前記脳画像に対して高信号値抑制処理を実行する高信号値抑制処理手段を有する医用画像処理装置を提供する。

　本発明第１の態様によれば、脳画像の対象スライスを選択し、選択されたスライスについて、脳実質の画素の信号値の有効最大値、脳画像全体の画素の信号値の有効最大値、頭蓋周辺領域のピークとなる画素の信号値の平均である頭蓋周回のピーク平均値を計測し、計測の結果、必要である場合に、脳画像に対して高信号値抑制処理を実行するようにしたので、取得した脳画像の状態を判定し、組織分離処理に適した脳画像に調整することが可能となる。

　また、本発明第２の態様では、本発明第１の態様による医用画像処理装置において、前記抑制処理判定手段は、前記脳実質有効最大値より頭蓋周回のピーク平均値が一定割合高いかどうかの判定である頭蓋領域判定と、前記脳実質有効最大値より画像全体の信号値が一定割合高いかどうかの判定である画像全体判定と、を実行し、前記頭蓋領域判定、画像全体判定のいずれか一方が条件を満たす場合に、高信号値抑制処理が必要と判定するものであることを特徴とする。

　本発明第２の態様によれば、脳実質有効最大値より頭蓋周辺領域のピーク平均値、画像全体の信号値が一定割合高いかどうかの判定を行い、頭蓋周辺領域のピーク平均値、画像全体の信号値のいずれかが脳実質有効最大値より一定割合高い場合に、高信号値抑制処理が必要と判定するようにしたので、頭蓋周辺領域の信号値が脳実質より著しく高い場合、頭蓋周辺領域、脳実質以外の部分における信号値が脳実質より著しく高い場合のいずれにおいても、的確に高信号値抑制処理が必要という判定を行うことが可能となる。

　また、本発明第３の態様では、本発明第１または第２の態様による医用画像処理装置において、前記対象スライス選択手段は、各スライス画像について、画像内に所定の線分を設定し、この線分上に位置し、信号値が所定値以上となる画素のうち、最も離れた画素間の長さを求め、当該画素間の長さが全スライス画像中最長のものと比較して所定の比率以上となるスライス画像を対象スライスとして選択するものであることを特徴とする。

　本発明第３の態様によれば、各スライス画像において、所定値以上の信号値をもつ画素が、全スライス画像において最長のものに比較して所定の比率以上となるスライス画像を対象スライスとして選択するようにしたので、高信号値抑制処理の要不要の判定に適した頭蓋周辺領域と脳実質以外に高信号値が含まれないスライス画像を選択することが可能となる。

　また、本発明第４の態様では、本発明第１から第３のいずれかの態様による医用画像処理装置において、前記脳実質計測手段は、選択された前記各対象スライスについて、脳の中心部を通る線分を所定数設定し、各線分ごとに線分上の画素の信号値分布を所定数の領域に分割し、中央の所定数の領域を脳実質領域として、当該脳実質領域における信号値のヒストグラムを求め、上位の所定の画素を除去した信号の最大値を脳実質の有効最大値として求めるものであることを特徴とする。

　本発明第４の態様によれば、選択された各対象スライスについて、脳の中心部を通る複数の線分ごとの信号値分布を所定数の領域に分割し、中央の所定数の領域を脳実質領域として、脳実質領域における信号値のヒストグラムを求め、上位の所定の画素を除去した信号の最大値を脳実質の有効最大値として求めるようにしたので、脳実質を代表する値である脳実質の有効最大値を的確に求めることが可能となる。

　また、本発明第５の態様では、本発明第１から第４のいずれかの態様による医用画像処理装置において、前記脳画像計測手段は、対象スライス全体の画素の信号値のヒストグラムを求め、上位の所定の画素を除去した信号の最大値を画像全体の有効最大値として求めるものであることを特徴とする。

　本発明第５の態様によれば、対象スライス全体の画素の信号値のヒストグラムを求め、上位の所定の画素を除去した信号の最大値を画像全体の有効最大値として求めるようにしたので、画像全体を代表する値である画像全体の有効最大値を的確に求めることが可能となる。

　また、本発明第６の態様では、本発明第１から第５のいずれかの態様による医用画像処理装置において、前記頭蓋計測手段は、選択された前記各対象スライスについて、脳の中心部を通る線分を所定数設定し、各線分ごとに線分上の画素の信号値分布を所定数の領域に分割し、両端の所定数の領域を頭蓋周辺領域として、当該頭蓋周辺領域における信号最大値の、全ての対象スライスの全ての線分における平均値を頭蓋周回のピーク平均値として求めるものであることを特徴とする。

　本発明第６の態様によれば、各対象スライスについて、脳の中心部を通る複数の線分ごとの信号値分布を所定数の領域に分割し、両端の所定数の領域を頭蓋周辺領域として、当該頭蓋周辺領域における信号最大値の、全ての対象スライスの全ての線分における平均値を頭蓋周回のピーク平均値として求めるようにしたので、頭蓋周辺領域を代表する値である頭蓋周回のピーク平均値を的確に求めることが可能となる。

　また、本発明第７の態様では、本発明第１から第６のいずれかの態様による医用画像処理装置において、前記高信号値抑制処理手段は、信号値が所定値未満の画素については、その信号値を変更せず、信号値が前記所定値以上の画素については、信号値を所定値にする処理を実行することにより、相対的に高信号値抑制処理を実現するものであることを特徴とする。

　本発明第７の態様によれば、信号値が所定値未満の画素については、その信号値を変更せず、信号値が所定値以上の画素については、信号値を所定値にする処理を実行するようにしたので、入力画像の高信号値を抑制することが可能となる。

　また、本発明第８の態様では、本発明第１から第６のいずれかの態様による医用画像処理装置において、前記高信号値抑制処理手段は、信号値が所定値未満の画素については、その信号値を変更せず、信号値が前記所定値以上の画素については、信号値を元の値より小さくなるように変換する処理を実行することにより、相対的に高信号値抑制処理を実現するものであることを特徴とする。

　本発明第８の態様によれば、信号値が所定値未満の画素については、その信号値を変更せず、信号値が前記所定値以上の画素については、信号値を元の値より小さくなるように変換する処理を実行するようにしたので、入力画像の高信号値を抑制することが可能となる。

　また、本発明第９の態様では、本発明第８の態様による医用画像処理装置において、前記高信号値抑制処理手段は、信号値が所定値未満の画素については、その信号値を変更せず、信号値が前記所定値以上の画素については、信号値を傾きが零以上で１より小さい１次関数によって変換する処理を実行することにより、相対的に高信号値抑制処理を実現するものであることを特徴とする。

　本発明第９の態様によれば、信号値が所定値未満の画素については、その信号値を変更せず、信号値が所定値以上の画素については、信号値を傾きが零以上で１より小さい１次関数によって変換する処理を実行するようにしたので、入力画像の高信号値を抑制することが可能となる。また、組織分離処理の結果が自然な画像になる。

　本発明によれば、取得した脳画像の状態を判定し、組織分離処理に適した脳画像に調整することが可能となるという効果を奏する。

本発明に係る一実施形態の医用画像処理装置の概要を示すブロック図本実施形態による医用画像処理方法の基本処理手順を示すフローチャート本実施形態による医用画像処理方法の事前処理手順を示すフローチャート脳のスライス画像とボクセルの特徴を模式的に示す概念図準備処理の詳細を示すフローチャート対象スライスの選択処理の様子を示す図脳実質と頭蓋周辺領域の信号値分布の様子を示す図脳実質の有効最大値、頭蓋周回のピーク平均値の計測処理の様子を示す図灰白質、白質の年齢別テンプレートを示す概念図灰白質、白質の性別テンプレートを示す概念図空間的標準化の特徴を模式的に示す概念図非線形変換の特徴を示す概念図空間的標準化と平滑化の結果を示す概念図ボクセル毎の比較検定の特徴を示す概念図ＲＯＩによる解析の特徴を示す概念図ＲＯＩを作成する際の特徴を示す概念図検査の陽陰性と疾患の有無の関係を示す図表ＲＯＣ曲線の一例を示す線図１つのパラメータによる識別方法を示す線図

　以下、本発明の好適な実施形態について図面を参照して詳細に説明する。図１は，本発明の一実施形態における医用画像処理装置を示すブロック図である。図１に示す本実施形態の医用画像処理装置は、ユーザインタフェース１０、画像・統計処理部２０、データベース部３０を有している。

　ユーザインタフェース１０は、入力画像としてＭＲＩ画像を入力する画像入力機能１２と、画像・統計処理部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、画像・統計処理部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２２と、各種統計演算等を行う統計処理機能２４と、入力画像に対して高信号値抑制要・不要の判定を行う高信号値抑制要・不要判定機能２６とを有している。また、データベース部３０には画像・統計処理部２０による後述する処理に使用する白質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、疾患特異的ＲＯＩ３８等が保存されている。

　図２は、本実施形態に係る医用画像処理装置の処理概要を示すフローチャート、図３は、本実施形態による医用画像処理方法の事前処理手順を示すフローチャートである。図２において、まず、被験者のＭＲＩ脳画像が入力されると、この脳画像に対して所定の処理を行い、高信号値抑制処理を行うべきか否かを判定し、判定の結果に応じて高信号値抑制処理を行う（Ｓ１）。Ｓ１においては、判定の結果によっては、高信号値抑制処理を行わない場合もある。このＳ１における処理が本発明の特徴となる部分である。Ｓ１における処理の詳細については後述する。

　次に、高信号値抑制処理後の脳画像（高信号値抑制処理を行っていない場合は、入力された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う（Ｓ２）。続いて、位置合わせ後の脳画像から、組織分離処理により白質が抽出された白質画像と共に灰白質が抽出された灰白質画像を作成する（Ｓ３）。

　次に、作成された両画像に対して、後述するダーテル（ＤＡＲＴＥＬ）・アルゴリズムを適用する空間的標準化を行なう（Ｓ４）と共に、該標準化された白質及び灰白質の画像に対してそれぞれ平滑化を行う（Ｓ５）。

　その後、平滑化後の両画像と健常者の白質及び灰白質の画像との間でそれぞれ統計的比較を行い（Ｓ６）、更にＲＯＩによる解析を行ない（Ｓ７）、解析結果を診断結果として出力し、診断の支援に供する。

　本実施形態においては、上記Ｓ１～Ｓ７の各処理が、コンピュータからなる前記画像・統計処理部２０においてプログラムにより実施可能になっていると共に、次に説明するＳ１１～Ｓ１４の各処理による白質及び灰白質のテンプレートの作成も同様にプログラムにより実施可能になっている。

　上記Ｓ１～Ｓ７の基本的処理フローを実行する前に、Ｓ４の空間的標準化で使用するテンプレートを作成する事前処理を図３のＳ１１～Ｓ１４で行う。

　まず、出来るだけ多くの健常者からＴ１強調ＭＲＩ脳画像（図では被験者画像）を入力する。

　各被験者から取得したＭＲＩ脳画像については、前処理を行なっておく。具体的には、図４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、被験者の脳全体を含むように所定の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クセル（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。ここでボクセルは、「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。

　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が、予めシステムに設定されている条件に適合しているか否かをチェックする。

　以上のように、ＭＲＩ脳画像が、設定条件に適合して入力されていることが確認された場合には、準備処理を行う（Ｓ１１）。準備処理とは、テンプレート作成において、組織分離処理が的確になされるように、入力画像に対して高信号値抑制処理を行うべきかどうかを判定し、必要があると判定された場合には、高信号値抑制処理を行うものである。

　図５は、準備処理の詳細を示すフローチャートである。まず、判定の対象に用いるスライス画像を対象スライスとして、入力画像から選択する処理を行う（Ｓ２１）。図６に対象スライスの選択処理の様子を示す。対象スライスとしては、頭蓋周辺領域と脳実質以外の高い信号値が含まれない部分を選択するのが望ましい。

　具体的には、各スライス画像について、画像内に所定の線分を設定し、この線分上に位置し、信号値が所定値以上となる画素のうち、最も離れた画素間の長さを求める。画像内に設定する線分としては、撮影された頭蓋周辺領域と脳実質の大部分を通るような線分を設定する。通常、頭蓋周辺領域と脳実質を中心に四角形状の画像が撮影されるため、上記線分として画像の対角線を用いれば良い。信号値と比較する上記所定値としては、適宜設定することが可能であるが、例えば、画像全体の信号値の平均に所定の定数を乗じた値とすることができる。

　信号値が所定以上となる画素は、頭蓋周辺領域を示しており、信号値が所定以上となる画素のうち、最も離れた画素間の長さは、線分と頭部の重なる長さを示している。上述のように、対象スライスとしては、頭蓋周辺領域と脳実質以外の高い信号値が含まれないスライス画像を選択するのが望ましいが、その部分は、頭部の最大部分の８０～９５％の長さとなる位置に存在している。そこで、本実施形態では、上記画素間の長さが最大となるスライス画像を特定し、その画素間の長さが、特定されたスライス画像の８０～９５％の長さとなるスライス画像を、対象スライスとして選択する。

　対象スライスが選択されたら、次に、脳実質の有効最大値の計測処理を行う（Ｓ２２）。脳実質の有効最大値の計測にあたり、まず、脳実質の信号値分布を取得する。脳実質の信号値分布を取得する際には、同時に頭蓋周辺領域の信号値分布も取得する。図７に脳実質と頭蓋周辺領域の信号値分布の様子を示す。信号値分布の取得処理として、まず、選択された各対象スライスについて、脳の中心部を通る線分を所定数設定する。本実施形態では、図７（ｂ）に示すように、１０本の線分を設定している。そして、各線分について、線分上の画素の信号値をプロットする。さらに、信号値分布を線分に従って所定数の領域に分割し、中央の所定数の領域を脳実質領域、両端の所定数の領域を頭蓋周辺領域とする。本実施形態では、図７（ａ）の右側の信号値分布に示すように、１０個の領域に分割し、中央の４領域を脳実質領域、各両端それぞれ１領域（計２領域）を頭蓋周辺領域としている。信号値分布におけるＡ、Ｂは、図７（ａ）の左側に示した脳画像上のＡ、Ｂに対応している。

　続いて、全ての対象スライスの脳実質領域の信号値のヒストグラムを求め、そのうち、高信号アーチファクト（ＭＲＩによるノイズ）の影響を受ける部分を除外したときの最大値を脳実質有効最大値Ｂｍａｘとして求める。高信号アーチファクトの影響を受ける部分として、どの部分を除外するかについては、適宜設定可能であるが、具体的には、上記ヒストグラムのうち、上位ｔｈＨａ％の画素を除去している。本実施形態では、ｔｈＨａ＝３と設定している。図８（ａ）に脳実質の有効最大値の計測処理の様子を示す。図８（ａ）の下部のヒストグラムに示すように網掛けした上位３％の画素を除いた矢印で示した箇所の値が、脳実質有効最大値Ｂｍａｘとなる。

　次に、画像全体の有効最大値の計測処理を行う（Ｓ２３）。具体的には、四角形状の対象スライス全体の画素の信号値のヒストグラムを求め、そのうち、高信号アーチファクトの影響を受ける部分を除外したときの最大値を画像全体の有効最大値Ｉｍａｘとして求める。高信号アーチファクトの影響を受ける部分として、どの部分を除外するかについては、適宜設定可能であるが、具体的には、上記ヒストグラムのうち、上位ｔｈＨｂ％の画素を除去している。本実施形態では、ｔｈＨｂ＝１と設定している。

　次に、頭蓋周回のピーク平均値の計測処理を行う（Ｓ２４）。具体的には、上記Ｓ２２において設定した頭蓋周辺領域から最大の信号値を抽出する。頭蓋周辺領域における最大の信号値は、図７（ａ）の右側の信号値分布において○で囲った二箇所となる。この抽出処理を、全ての対象スライスの全ての線分について行い、抽出した信号値の平均値を算出する。図８（ｂ）に頭蓋周回のピーク平均値の計測処理の様子を示す。本実施形態の場合、図７（ａ）（ｂ）に示したように、１つの線分について２つの信号値が抽出されるため、１つの対象スライスについて２０個の信号値が抽出される。したがって、対象スライス数×２０個の信号値の平均が頭蓋周回のピーク平均値Ｐａｖｅとして算出されることになる。

　次に、高信号値抑制が必要であるか不要であるかの判定処理を行う（Ｓ２５）。具体的には、頭蓋領域判定と画像全体判定の２通りの判定を行い、このいずれかの判定条件を満たした場合に、高信号値抑制が必要と判定し、いずれの判定条件も満たさない場合に、高信号値抑制は不要と判定する。

　頭蓋領域判定は、脳実質領域より頭蓋周辺領域の信号値が一定割合高いかどうかの判定を行うものである。具体的には、以下の〔数式１〕に従った処理を実行する。

〔数式１〕
　ｔｈ１×（脳実質有効最大値Ｂｍａｘ）＜（ピーク平均値Ｐａｖｅ）

　上記〔数式１〕において、ｔｈ１は、頭蓋周辺領域が脳実質に比べ、どの程度の割合の高さまで許容されるかを定める係数であり、適宜設定可能であるが、本実施形態ではｔｈ１＝１．８としている。上記〔数式１〕に示した条件を満たすかどうかを判定し、満たす場合には、高信号値抑制が必要であると判定する。頭蓋周辺領域のピーク平均値が一定の割合で、脳実質有効最大値より高い場合、頭蓋周辺領域の高信号値を抑制する必要があるからである。

　一方、画像全体判定は、脳実質領域より画像全体の信号値が一定割合高いかどうかの判定を行うものである。具体的には、以下の〔数式２〕に従った処理を実行する。

〔数式２〕
　ｔｈ２×（脳実質有効最大値Ｂｍａｘ）＜（画像全体の有効最大値Ｉｍａｘ）

　上記〔数式２〕において、ｔｈ２は、脳実質以外も含む画像全体が脳実質に比べ、どの程度の割合の高さまで許容されるかを定める係数であり、適宜設定可能であるが、本実施形態ではｔｈ２＝１．７としている。上記〔数式２〕に示した条件を満たすかどうかを判定し、満たす場合には、高信号値抑制が必要であると判定する。画像全体の有効最大値が一定の割合で、脳実質有効最大値より高い場合、脳実質以外の高信号値を抑制する必要があるからである。

　頭蓋領域判定と画像全体判定のいずれか一方の条件を満たす場合、すなわち、上記〔数式１〕と〔数式２〕のいずれか一方を満たす場合には、高信号値抑制処理（Ｓ２６）へと進む。逆に、頭蓋領域判定と画像全体判定のいずれの条件も満たさない場合、すなわち、上記〔数式１〕と〔数式２〕のいずれも満たさない場合には、高信号値抑制処理を行わず、準備処理を終了する。頭蓋領域判定と画像全体判定のいずれの条件も満たさない場合、脳実質以外の高信号値が、組織分離処理を妨げる程高くなく、高信号値抑制の必要性がないためである。Ｓ２５において、頭蓋領域判定と画像全体判定はどちらを先に実行しても良く、先に実行した方が判定条件を満たした場合、もう一方の判定条件を判断することなく、高信号値抑制処理（Ｓ２６）へと進む。

　高信号値抑制処理（Ｓ２６）について説明する。高信号値抑制処理は、入力画像の画素のうち、信号値が高い画素の値を、相対的に高くならないように抑える処理である。このため、信号値が高い画素の値を、他の画素に比べて相対的に高くならないように抑える処理であれば、様々な手法を用いることができる。本実施形態では、第１の手法として、ある一定値以上に高い画素については、その信号値を一定にし、ある一定値未満の画素については、その信号値を変更しない処理を実行することにより、相対的に高信号値抑制処理を実現する。

　本実施形態では、以下の〔数式３〕に従った処理を実行することにより、入力画像の各画素（ｘ，ｙ）における信号値ｓ（ｘ，ｙ）を信号値ｓ’（ｘ，ｙ）に補正する。

〔数式３〕
　ｓ’（ｘ，ｙ）＝ｔｈ３
　ただし、ｓ（ｘ，ｙ）≧ｔｈ３の場合に限る

　上記〔数式３〕において、ｔｈ３は、抑制対象となる画素の信号値のしきい値であるが、本実施形態では、ｔｈ３＝（脳実質有効最大値Ｂｍａｘ）と設定している。

　また、本実施形態では、第２の手法として、ある一定値以上に高い画素については、その信号値を傾きａが零より大きく１より小さい１次関数によって変換し、ある一定値未満の画素については、その信号値を変更しない処理を実行することにより、相対的に高信号値抑制処理を実現するようにしても良い。これによって、ある一定値以上の信号値の変化率は、ある一定値未満の信号値の変化率よりも小さくなり、信号値が高い画素の値を、相対的に高くならないように抑えることができる。第２の手法では、ある一定値以上の信号値をなだらかに上昇させているので、組織分離処理の結果がより自然な画像になる。

　本実施形態では、第２の手法として、以下の〔数式４〕に従った処理を実行することにより、入力画像の各画素（ｘ，ｙ）における信号値ｓ（ｘ，ｙ）を信号値ｓ’（ｘ，ｙ）に補正する。

〔数式４〕
　ｓ’（ｘ，ｙ）＝ｔｈ３＋ａ（ｓ（ｘ、ｙ）－ｔｈ３）
　ただし、ｓ（ｘ，ｙ）≧ｔｈ３の場合に限る

　上記〔数式４〕において、ｔｈ３は、抑制対象となる画素の信号値のしきい値であるが、本実施形態では、ｔｈ３＝（脳実質有効最大値Ｂｍａｘ）と設定している。また、本実施形態では、ａ＝０．２の定数としている。

　なお、本実施形態では、高信号値抑制処理を上記〔数式３〕又は〔数式４〕に従った処理によって実現したが、ある一定値以上の信号値の画素については、その信号値を元の値よりも小さくなるように変換する処理であればよく、ガンマ補正など公知の他の手法を用いて実現するようにしても良い。

　準備処理が終わったら、次に、図３のフローチャートに戻って、以降の処理を実行する。以降のＳ１２～Ｓ１４においては、高信号値抑制が行われた画像については、補正後の画像を対象として、高信号値抑制が行われなかった画像については、入力画像を対象として処理を行う。

　まず、空間的位置合わせ処理を行う（Ｓ１２）。これは、検査対象の脳画像を、標準的な脳画像と比較する際の精度を上げるために、線形変換（アフィン変換）によって空間的位置と角度の補正を行っていることに相当する。

　以上の空間的位置合わせが終了した後、組織分離処理を行い（Ｓ１３）、白質と灰白質が抽出された白質画像と灰白質画像をそれぞれ作成する。

　入力されたＴ１強調ＭＲＩ脳画像には、神経線維に対応する高い信号値を呈する白質、神経細胞に対応する中間の信号値を呈する灰白質、低い信号値を呈する脳脊髄液の３種類の組織が含まれているため、その差に着目して白質と灰白質とをそれぞれ抽出する処理を行う。この処理については、前記特許文献１に説明されている。更に、本発明では前記特許文献１で行っている手法よりも抽出精度が高い統合型組織分離処理を行う。統合型組織分離処理は、標準化、組織分離、信号不均一の補正を１つのモデルに組み込んだ組織分離手法である。詳しくは非特許文献３に記載されている。統合型組織分離処理では、白質画像および灰白質画像の他に、ＭＲＩ画像の座標と標準脳の座標の対応関係を示す変換場が作成されるという特徴がある。変換場は後述する標準化で使用する。

　このように、予め多くの健常者のＭＲＩ脳画像から組織分離により、白質、灰白質が３次元的に抽出された白質画像、灰白質画像をそれぞれ多数のサンプルとして取得する。

　以上のように多数（複数）の健常者のＭＲＩ脳画像をそれぞれ組織分離して白質が抽出された白質画像をサンプルとして作成し、作成された全てのサンプル間における空間的標準化により白質テンプレートを作成する（ステップ１４）。同様に、多数の健常者のＭＲＩ脳画像をそれぞれ組織分離して灰白質が抽出された灰白質画像をサンプルとして作成し、作成された全てのサンプル間における空間的標準化により灰白質テンプレートを作成する。

　ここで実行される空間的標準化には、ダーテル（ＤＡＲＴＥＬ）・アルゴリズムが適用される。

　前述した従来のＶＢＭ手法の精度の悪さを解決するために、John Ashburnerが、新しいＶＢＭ手法であるＤＡＲＴＥＬ（Ｄiffeomorphic　Ａnatomical Ｒegistration using　Ｅxponentiated　Ｌie　algebra）を開発した（非特許文献４参照）。

　ＤＡＲＴＥＬは従来のＶＢＭ手法に比べ空間的標準化精度に優れており、アルツハイマー病の画像統計解析による診断能を向上させる技術として期待されている。また、ＤＡＲＴＥＬの空間的標準化は従来の手法よりも精密に行われるため、今まで評価対象としてきた灰白質だけではなく、白質をも評価対象とすることができる。

　前記Ｓ１４のテンプレート作成処理では、白質と灰白質それぞれについて、年齢や性別などの被験者の属性に応じた層別のテンプレートを作成し、前記データベース部３０に前記白質脳画像テンプレート３２、灰白質脳画像テンプレート３４として保存する。

　前記白質テンプレートと灰白質テンプレートは、図９に示すように年齢別に作成してある。灰白質（Ａ）、白質（Ｃ）は５４歳～６９歳、灰白質（Ｂ）、白質（Ｄ）は７０歳～８４歳の各健常者の画像に基づいて作成したものである。この図に示されるようにテンプレートは年齢によって違っており、特に白質の場合は、左から６番目のテンプレートに矢印で示した脳室の大きさが（Ｃ）と（Ｄ）で大きく異なっていることが分かる。

　又、前記白質テンプレートと灰白質テンプレートは、図１０に示すように性別毎に作成してある。この図に四角形で囲んで示した位置のテンプレートを男女で比較すると、特に脳室の形状に性別による違いが見られる。

　以上のようにして作成された白質と灰白質のテンプレートが、年齢別、性別毎に用意されていることを前提として、前記Ｓ１～７に従う診断支援情報作成処理を実施する。なお、以下では、上記の白質と灰白質のテンプレートのことをダーテルテンプレートと呼ぶことにする。

　まずは、被験者画像として、所定厚さのスライス状に撮像したＴ１強調ＭＲＩ画像を入力し、各スライス画像におけるボクセル（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う。

　次に、前記Ｓ１の高信号値抑制処理を、前記事前処理のＳ１１の場合と同様に行う。

　次に、前記Ｓ２の空間的位置合わせの処理を、前記事前処理のＳ１２の場合と同様に行う。

　以上の空間的位置合わせが終了した後、前記Ｓ３の組織分離の処理を行う。

　この組織分離は、前記Ｓ１３の場合と同様であり、白質と灰白質を抽出して被験者の白質画像と灰白質画像をそれぞれ作成する。

　以上のように作成された被験者の白質画像と灰白質脳画像に対して、前記Ｓ４の空間的標準化の処理を行なう。ここで行なう空間的標準化には、前記Ｓ１４の場合と同様に、ダーテル・アルゴリズムが適用される。

　この空間的標準化の処理は、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うものである。以下、便宜上、灰白質を中心に説明するが、白質の場合も実質的に同一の処理を行なう。

　Ｓ４のダーテルでの空間的標準化処理は次の３つのステップの処理で構成されている。
　　(Ｓ４－１) 初期位置決定処理
　　(Ｓ４－２) ダーテルテンプレートへの変換処理
　　(Ｓ４－３) 標準脳テンプレートへの変換処理

　Ｓ４－１の初期位置決定処理では、前述した統合型組織分離処理で得られた標準脳への変換場を使用して、灰白質画像、白質画像に対して、初期位置を決める処理を行う。この処理では、剛体（rigid body）変換を行うので、画像の形状は変わらないのが特徴である。

　Ｓ４－２のダーテルテンプレートへの変換処理では、Ｓ４－１の処理が実施された画像に対して、ダーテル・アルゴリズムを用いて、ダーテルテンプレートに形状を合わせこむ。

　Ｓ４－３の標準脳テンプレートへの変換処理では、Ｓ４－２で得られたダーテルテンプレートに合わせこんだ画像を、標準脳テンプレートに合わせこむ処理を行う。ダーテルテンプレートから標準脳テンプレートへの変換場をあらかじめ求めておき、その変換場を用いて標準脳座標系への変換を行う。

　Ｓ４－２とＳ４－３の処理では、各ボクセルの信号値の合計を保持したまま標準化を行うことで、体積の情報が保持されるため、標準化後に体積を計測することが可能となる。

　Ｓ４－１では線形変換が、Ｓ４－２とＳ４－３では線形変換と非線形が行われる。ステップ３－２を例として説明すると、図１１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から読み出した前記Ｓ１４で作成した平均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。この空間的標準化処理では、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う。

　ここで行なう線形変換は、前記Ｓ２の位置合わせと同様のアフィン変換である。又、非線形変換は、図１２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局所的な変位を表す変形場を推定し、この変形場によって元画像の変換を行なうものである。

　Ｓ４－２の処理は、前記Ｓ１４で作成されたテンプレートを雛形として、処理対象画像を合わせこむ処理であり、使用するテンプレートは、ダーテル・アルゴリズムを適用して高精度に作成してあることから、その形状がシャープである。

　そのため、空間的標準化によって個々の処理対象が、個体差のない近い形に合わせこまれるようになることから、個体間での形状は同一に近くなるが、萎縮などは局所的な密度に反映されるようになるため、空間的標準化の精度を向上できることになる。

　以上のように空間的標準化を施した白質画像と灰白質脳画像（以下、標準化脳画像ともいう）に対して、前記Ｓ５の画像平滑化の処理を行う。

　これは、上記標準化脳画像のＳ／Ｎ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。

　具体的には、前記特許文献１に説明されるように、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（コンボリューション）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うことで可能である。このように平滑化を行うことにより、空間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。

　図１３に、Ｓ３で分離された白質画像と灰白質画像について、Ｓ４の空間的標準化処理とＳ５の平滑化処理がされた結果の画像を示す。

　Ｓ４の処理では、脳の体積の情報が保存されている。そのため、次の濃度値補正を実施する前に、白質および灰白質の処理結果画像について、全体または後述する関心領域（regions of interest：ＲＯＩ）の積分値を体積として計測し、診断支援情報として活用してもよい。

　以上のように画像の平滑化を行なった標準化脳画像に対して、図示は省略してあるが、後に比較を行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ために、脳全体のボクセル値を補正する濃度値補正を行う。

　その後、前記Ｓ６の統計的比較を行なう。ここでは、以上のＳ１～５の各処理を通して標準化を行った被験者の灰白質（白質）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ベース３６として保存してある健常者の同ＭＲＩ脳画像群との比較検定を行う。使用する健常者画像群は、被験者の年齢に近いもので構成されていることが望ましい。

　具体的には、図１４にイメージを示すように、このような健常者画像群とボクセル単位で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）ボクセルを検出する。

　まず、全てのボクセルについて、それぞれ次式で表わされるＺスコアを算出する。

　このように、Ｚスコアは、被験者画像のボクセル値と、健常者画像群の対応するボクセルのボク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（白質）容積の相対的低下の度合を示すものである。

　次に、適当な臨界値Ｚ’を定め、Ｚスコアが
　　Ｚ’＜Ｚ　　　　　　　　　　…（２）
となるようなボクセルを求め、統計的に有意な差が見られるボクセルとする。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。また、健常者よりも容積が低下している部位全てを含む臨界値の指定方法として、下記の式も用いる。
　　０＜Ｚ’　　　　　　　　　　…（３）

　なお、Ｓ６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Ｓ２～Ｓ５の空間的位置合わせ→灰白質（白質）の組織分離処理→空間的標準化→平滑化等の各処理を順次行なって同様に作成し、保存してあるものである。

　又、この医用画像処理装置においては、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。

　又、その際には、被験者の年齢を中心とした一定の年齢幅に区切って、例えば被験者の年齢が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い。

　なお、このようにＺスコアを使用する場合には、ボクセル毎に上記平均値と標準偏差のデータだけを持っていればよいので、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いという利点もある。

　以上のように、被験者の標準化脳画像に対して統計的比較を行なった後、前記Ｓ７のＲＯＩによる解析を行なう。

　これは、脳画像を用いて異常の有無を判別する場合に、画像上に所定の大きさの関心領域（regions of interest：ＲＯＩ）を設定する方法であり（例えば、非特許文献５参照）、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。

　この解析方法は、前記特許文献１に説明されているように、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）について、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。

　（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、被験者の症状から考えられる疾患について、被験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スコアに基づいて最も有意性の高いものを診断結果とする。

　（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く、ＲＯＩを適用しない場合の脳全体の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。

　ここでは、まず、図１５にイメージを示すように、疾患Ａ～Ｃの疾患別の特異的ＲＯＩが用意されている場合を例として、被験者がある疾患Ａを罹患しているか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については後述する。

　前記Ｓ６の統計的比較で得られた被験者の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（２）および前記（３）式を使って、以下の５つのパラメータを算出する。
　　Ｐ 1＝ＲＯＩ部分において式（３）を満たすボクセルのＺスコアの合計／ＲＯＩ部分において式（３）を満たすボクセルの数
　　Ｐ 2＝脳全体において式（２）を満たすボクセルの数／脳全体のボクセル数
　　Ｐ 3＝ＲＯＩ部分において式（２）を満たすボクセルの数／ＲＯＩ部分のボクセル数
　　Ｐ 4＝Ｐ 3／Ｐ 2
　　Ｐ 5＝ＲＯＩ部分における全てのボクセルの中で最大のＺスコア

　Ｐ 1～Ｐ 5の５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めておき、被験者のパラメータの値がそれに合致する場合に、被験者は疾患Ａであると判別する。

　例えば、５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、被験者画像から得られたパラメータの値がその閾値を超えた場合に、被験者は疾患Ａであるとする。つまり、Ｐ 1～Ｐ 4のそれぞれの病態識別の閾値をそれぞれthＰ 1～thＰ 5とする場合、Ｐ 1＞thＰ 1、Ｐ 2＞thＰ 2、Ｐ 3＞thＰ 3、Ｐ 4＞thＰ 4、Ｐ 5＞thＰ 5の少なくとも１つが満たされる場合に、被験者を疾患Ａと判定する。具体的には、例えばＰ1のように１つのパラメータのみに注目して判定する場合や、必要に応じてＰ 1～Ｐ 5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。

　また、ここに挙げたＰ 1～Ｐ 5のパラメータの他に、５つのパラメータについて、右半球側および左半球側に限定した値を求めてパラメータとして加えてもよい。更に、右半球側、左半球側の値に対して、式（４）によって求めた左右比又は式（５）によって求めた左右差をパラメータに加えてもよい。
　　左右比＝（Ｒ－Ｌ）／（Ｒ＋Ｌ）＊２００　　　　　　　　　　…（４）
　　左右差＝　Ｒ－Ｌ　　　　　　　　　　　　　　　　　　　　　…（５）
　　ただし、右半球側の値をＲ、左半球側の値をＬとする。

　次に、これらの疾患別に設定されるＲＯＩ（疾患特異的ＲＯＩ）の作成方法について説明する。

　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１６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）とについて、ボクセル単位で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クセルを、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。

　病態識別値（閾値）の決定は、その疾患について、一般的なＲＯＣ（Ｒeceiver Ｏperating　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。

　その一例として、以下に、パラメータＰ 1とその閾値thＰ 1によって疾患の有無を識別する場合について、閾値thＰ1を求める方法について説明する。

　Ｐ 1＞thＰ 1のとき陽性、Ｐ 1≦thＰ 1のとき陰性となる検査を考え、多数のサンプルについて、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１７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。
　　ＴＰＦ＝ＴＰ／（ＴＰ＋ＦＮ）
　　ＦＰＦ＝ＦＰ／（ＦＰ＋ＴＮ）

　ある１つのthＰ1に対して、（ＴＰＦ，ＦＰＦ）の組が１つ求まるが、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が、図１８に例示するＲＯＣ曲線である。

　検査においては、ＴＰＦが高く、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。

　これを、パラメータと疾患有無の観点から考えると、便宜上パラメータが１つの場合について説明すると、図１９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。

　ＭＲＩ装置で被験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ＤＩＣＯＭサーバに保管され、必要に応じて引き出すことができる。

　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が、ＤＩＣＯＭ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Ａnalyze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、ヘッダ部ファイル、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。

　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。

　以上の条件の下、被験者から入力したＭＲＩ脳画像に対して、前記図２のＳ１～７の各処理を行なった。

　白質及び灰白質の抽出に使用するテンプレートは、ＩＣＢＭ（Ｉnternational　Ｃonsortium for　Ｂrain　Ｍapping）が作成したものを用いた。このテンプレートは、多数の健常者の脳画像から白質、灰白質、脳脊髄液の事前生起（存在）確率を計算したもので、１ボクセルサイズが２ｍｍ四方のものである。

　アルツハイマー型認知症患者のグループ６１例と健常高齢者のグループ８２例を用いて、事前処理であるＳ１１～Ｓ１４と、診断支援情報作成処理であるＳ１～Ｓ５を実施した。

　灰白質画像の処理結果について、Ｓ７で求められたＰ 1を用いてＲＯＣ解析を行ない、ＲＯＣ曲線下の面積を表すＡＵＣ（Ａrea Ｕnder　the Ｃurve）を求めた。その結果、前記特許文献１の手法では０．８７６、本発明の手法では０．９４３となった。また、前記特許文献１の手法と本発明の手法で正診率を比較した結果、５％程度高い正診率で健康高齢者とアルツハイマー型認知症患者を識別することができた。これらの結果から、本方法はアルツハイマー型認知症の診断に対して有効性が高いと言える。

　又、白質画像についても、従来実現されていなかった空間的標準化を高精度で実現することが可能となり、灰白質病変と白質病変の両方について評価することで、例えばアルツハイマー型認知症と血管性認知症の鑑別力が向上すると考えられる。

　以上詳述した如く、本実施形態によれば、被験者のＭＲＩ脳画像を入力し、入力されたＭＲＩ脳画像を組織分離して白質が抽出された白質画像を作成し、作成された白質画像を、予め保存されている白質テンプレートに基づく空間的標準化により標準化白質画像を作成し、作成された標準化白質画像に基づいて、被験者の白質と健常者の白質との統計的比較を行う際、前記白質テンプレートを、多数の健常者の白質画像間における空間的標準化にダーテル・アルゴリズムを適用して作成するようにしたので、白質についても精度の高いテンプレートを作成することが可能となり、従来実現されていなかった白質についても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った。

　又、入力された前記ＭＲＩ脳画像を組織分離して灰白質が抽出された灰白質画像を併せて作成し、作成された灰白質画像を、予め保存されている灰白質テンプレートに基づく空間的標準化により標準化灰白質画像を作成し、作成された標準化灰白質画像に基づいて、被験者の灰白質と健常者の灰白質との統計的比較を行うようにしたので、灰白質についても従来より高精度のテンプレートを同様の方法で作成することが可能となり、灰白質についても一段と精度の高い診断支援を行なうことが可能となった。

　更に、本実施形態では、白質、灰白質のテンプレートを年齢別及び性別毎に作成し、保存するようにしたので、被験者の年齢別、性別に応じてより適切なテンプレートを使用して空間的標準化を行なうことが可能となるため、より精度の高い診断支援を実現することが可能となった。

　即ち、本実施形態によれば、ダーテル・アルゴリズムを用いることにより、従来は処理対象が灰白質のみに限定されていた空間的標準化の精度を、白質についても向上させることが可能となった。又、データベース部３０に年齢、性別に応じたテンプレートを作成して保持しておき、入力画像に適したテンプレートを選択して適用させることにより、被験者の加齢や性別による影響を考慮できるようになった。

　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く、その要旨を逸脱しない範囲で種々変更可能である。

　例えば、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、他の一般的な検定で用いられるｔスコア等を用いてもよい。

　本発明における準備処理は、上記実施形態に限定されず、組織分離の対象とする脳画像全般に適用可能である。例えば、特許文献１に示したような組織分離に伴う灰白質組織抽出の前処理として用いることもできる。

　また、上記実施形態では、事前準備処理、基本的処理のいずれにおいても、空間的位置合わせ（Ｓ１２、Ｓ２）の前に準備処理（Ｓ１１、Ｓ１）を実行するようにしたが、空間的位置合わせ（Ｓ１２、Ｓ２）の後に準備処理（Ｓ１１、Ｓ１）を実行するようにしても良い。この場合、高信号値抑制の要・不要の判定をする際には、既に空間的位置合わせが行われているため、Ｓ２１における対象スライス選択処理において、上記説明のようなスライス画像選択の複雑な処理は必要なく、頭蓋周辺領域と脳実質以外の高い信号値が含まれないと考えられる脳上部の部分を特定する。具体的には、上から何番目から何番目までのスライス画像を対象スライスとして選択するかを指定しておけば良い。

　また、上記実施形態では、Ｓ１に示した準備処理とＳ２～Ｓ７に示した診断支援情報作成処理とを１つの医用画像処理装置において連続して実行するようにし、Ｓ１１に示した準備処理とＳ１２～Ｓ１４に示した事前処理とを１つの医用画像処理装置において連続して実行するようにしたが、医用画像処理装置においてＳ１、Ｓ１１に示した準備処理のみを実行するようにし、この結果得られた高信号値抑制処理後の画像に対して、他の装置により、事前処理、診断支援情報作成処理を実行するようにしても良い。この場合、空間的位置合わせ（Ｓ１２、Ｓ２）を先に処理する場合には、医用画像処理装置においてＳ２およびＳ１、Ｓ１２およびＳ１１に示した準備処理のみを実行するようにし、この結果得られた高信号値抑制処理後の画像に対して、他の装置により、事前処理、診断支援情報作成処理を実行する。

　１０・・・ユーザインタフェース
　２０・・・画像・統計処理部
　３０・・・データベース部
　３２・・・白質脳画像テンプレート
　３４・・・灰白質脳画像テンプレート
　３６・・・健常者画像データベース
　３８・・・疾患特異的ＲＯＩ

Claims

　複数のスライス画像で構成される脳画像から、処理対象とするスライス画像を対象スライスとして選択する対象スライス選択手段と、
　脳実質の画素の信号値の有効最大値である脳実質有効最大値の計測処理を行う脳実質計測手段と、
　脳画像全体の画素の信号値の有効最大値の計測処理を行う脳画像計測手段と、
　頭蓋周辺領域のピークとなる画素の信号値の平均を頭蓋周回のピーク平均値として計測処理する頭蓋計測手段と、
　計測された脳実質の有効最大値、脳画像全体の有効最大値、頭蓋周回のピーク平均値に基づいて、高信号値抑制処理が必要か不要かを判定する抑制処理判定手段と、
　前記抑制処理判定手段により必要と判定された場合に、前記脳画像に対して高信号値抑制処理を実行する高信号値抑制処理手段と、
　を有することを特徴とする医用画像処理装置。
　前記抑制処理判定手段は、
　前記脳実質有効最大値より頭蓋周回のピーク平均値が一定割合高いかどうかの判定である頭蓋領域判定と、
　前記脳実質有効最大値より画像全体の信号値が一定割合高いかどうかの判定である画像全体判定と、を実行し、
　前記頭蓋領域判定、画像全体判定のいずれか一方が条件を満たす場合に、高信号値抑制処理が必要と判定するものであることを特徴とする請求項１に記載の医用画像処理装置。
　前記対象スライス選択手段は、各スライス画像について、画像内に所定の線分を設定し、この線分上に位置し、信号値が所定値以上となる画素のうち、最も離れた画素間の長さを求め、当該画素間の長さが全スライス画像中最長のものと比較して所定の比率以上となるスライス画像を対象スライスとして選択するものであることを特徴とする請求項１または請求項２に記載の医用画像処理装置。
　前記脳実質計測手段は、選択された前記各対象スライスについて、脳の中心部を通る線分を所定数設定し、各線分ごとに線分上の画素の信号値分布を所定数の領域に分割し、中央の所定数の領域を脳実質領域として、当該脳実質領域における信号値のヒストグラムを求め、上位の所定の画素を除去した信号の最大値を脳実質の有効最大値として求めるものであることを特徴とする請求項１から請求項３のいずれか一項に記載の医用画像処理装置。
　前記脳画像計測手段は、対象スライス全体の画素の信号値のヒストグラムを求め、上位の所定の画素を除去した信号の最大値を画像全体の有効最大値として求めるものであることを特徴とする請求項１から請求項４のいずれか一項に記載の医用画像処理装置。
　前記頭蓋計測手段は、選択された前記各対象スライスについて、脳の中心部を通る線分を所定数設定し、各線分ごとに線分上の画素の信号値分布を所定数の領域に分割し、両端の所定数の領域を頭蓋周辺領域として、当該頭蓋周辺領域における信号最大値の、全ての対象スライスの全ての線分における平均値を頭蓋周回のピーク平均値として求めるものであることを特徴とする請求項１から請求項５のいずれか一項に記載の医用画像処理装置。
　前記高信号値抑制処理手段は、信号値が所定値未満の画素については、その信号値を変更せず、信号値が前記所定値以上の画素については、信号値を所定値にする処理を実行することにより、相対的に高信号値抑制処理を実現するものであることを特徴とする請求項１から請求項６のいずれか一項に記載の医用画像処理装置。
　前記高信号値抑制処理手段は、信号値が所定値未満の画素については、その信号値を変更せず、信号値が前記所定値以上の画素については、信号値を元の値より小さくなるように変換する処理を実行することにより、相対的に高信号値抑制処理を実現するものであることを特徴とする請求項１から請求項６のいずれか一項に記載の医用画像処理装置。
　前記高信号値抑制処理手段は、信号値が所定値未満の画素については、その信号値を変更せず、信号値が前記所定値以上の画素については、信号値を傾きが零以上で１より小さい１次関数によって変換する処理を実行することにより、相対的に高信号値抑制処理を実現するものであることを特徴とする請求項８に記載の医用画像処理装置。
　請求項１から請求項９のいずれか一項に記載の医用画像処理装置として、コンピュータを機能させるためのプログラム。