WO2017086433A1 - 医用画像処理方法及び装置及びシステム及びプログラム - Google Patents

医用画像処理方法及び装置及びシステム及びプログラム Download PDF

Info

Publication number
WO2017086433A1
WO2017086433A1 PCT/JP2016/084239 JP2016084239W WO2017086433A1 WO 2017086433 A1 WO2017086433 A1 WO 2017086433A1 JP 2016084239 W JP2016084239 W JP 2016084239W WO 2017086433 A1 WO2017086433 A1 WO 2017086433A1
Authority
WO
WIPO (PCT)
Prior art keywords
probability
pixel
medical image
linear
linear tissue
Prior art date
Application number
PCT/JP2016/084239
Other languages
English (en)
French (fr)
Inventor
義和 中島
季 斎藤
俊輝 真中
吉田　幸弘
太一 金
純一 似鳥
博史 小山
中島　淳
Original Assignee
国立大学法人 東京大学
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 国立大学法人 東京大学 filed Critical 国立大学法人 東京大学
Priority to JP2017551944A priority Critical patent/JP6458166B2/ja
Publication of WO2017086433A1 publication Critical patent/WO2017086433A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing

Definitions

  • the present invention relates to a medical image processing method, apparatus, system, and program.
  • Non-Patent Document 1 discloses a technique related to region extraction using luminance value continuity. This is called “Region growing” method. When the luminance values are similar between adjacent pixels, both the pixels are integrated and expanded assuming that they represent the same tissue.
  • Non-Patent Document 2 describes a technique related to local geometric analysis. The local geometric shape analysis is for determining a geometric shape (lumps, lines, and surfaces) for each pixel in an image, and an area can be emphasized and extracted using the relationship between eigenvalues.
  • an object of the present invention is to provide a medical image processing method, apparatus, system, and program for extracting a linear tissue probability image in consideration of spatial continuity.
  • a medical image processing method comprising: The processing unit obtains a probability P f indicating whether the pixel value of each pixel seems to be linear based on a local shape analysis performed according to the pixel value for each pixel with respect to a three-dimensional medical image,
  • the processing unit refers to probability information that is stored in advance in the storage unit and stores probability information P i that indicates whether the pixel is a target organ for which pixel value is specified for each organ identification information, and the pixel of each pixel Based on the value, a probability P i indicating whether each pixel is a target organ is obtained,
  • the processing unit obtains the probability P c by accumulating the probability that surrounding linear tissue pixels pass on the pixel to be processed based on the continuity of each pixel,
  • the processing unit obtains a linear tissue probability P indicating whether each pixel is linear by adding or weighting the product of the probability P i and the probability P c and the probability P f ,
  • a medical image processing method is provided in which the processing unit generates
  • a medical image processing apparatus A storage unit that stores a captured three-dimensional medical image, probability information indicating a probability P i indicating whether a pixel is designated with respect to a pixel value for each organ identification information, and a linear tissue probability image; A display unit; A processing unit; With The processing unit obtains a probability P f indicating whether the pixel value of each pixel seems to be linear based on a local shape analysis performed according to the pixel value for each pixel with respect to a three-dimensional medical image, The processing unit refers to the probability information stored in advance in the storage unit, and obtains a probability P i indicating whether each pixel is a target organ based on a pixel value of each pixel, The processing unit obtains the probability P c by accumulating the probability that surrounding linear tissue pixels pass on the pixel to be processed based on the continuity of each pixel, The processing unit obtains a linear tissue probability P indicating whether each pixel is linear by adding or weighting the product of the probability P
  • a medical image processing system An image capturing device for capturing and acquiring a three-dimensional medical image; A medical image processing apparatus as described above for inputting the medical image from the image capturing apparatus and generating a linear tissue probability image based on the medical image; A medical image processing system is provided.
  • a medical image processing program Obtaining a probability P f indicating whether the pixel value of each pixel seems to be linear based on a local shape analysis performed according to the pixel value for each pixel with respect to a three-dimensional medical image by the processing unit;
  • the processing unit refers to probability information that is stored in advance in the storage unit and stores probability information P i that indicates whether the pixel is a target organ for which pixel value is specified for each organ identification information, and the pixel of each pixel Obtaining a probability P i representing whether each pixel is a target organ based on the value;
  • the processor determines a probability P c by accumulating the probability that surrounding linear tissue pixels pass over the pixel to be processed based on the continuity of each pixel;
  • the processing unit obtains a linear tissue probability P representing whether each pixel seems to be linear by adding or weighting the product of the probability P i and the probability P c and the probability P f.
  • the processing unit generates a linear tissue probability image according to
  • FIG. 1 is a configuration diagram of a medical image processing system.
  • the flowchart (1) of medical image processing Is a diagram showing the relationship between the probability P i based on the pixel values (luminance values). Explanatory drawing regarding calculation of probability Pc based on continuity. Explanatory drawing which shows the comparison of extraction of a linear tissue probability image.
  • Flowchart (2) of medical image processing Is a diagram showing the relationship between the probability P i based on the pixel values (luminance values). Explanatory drawing regarding calculation of probability Pc based on continuity. Explanatory drawing which shows the comparison of extraction of a linear tissue probability image.
  • the present invention and / or the present embodiment mainly realizes extraction of a topologically correct linear tissue image of a branching portion, which has been difficult in the past, with high accuracy.
  • the present invention and / or the present embodiment calculates the linear tissue probability P with high accuracy by adding a branch region extraction method to the local shape analysis method.
  • the medical image processing apparatus calculates the linear tissue probability P as the sum of the linear region probability P f based on the local shape analysis and the linear region probability P b in the branch region as in the following equation.
  • the linear region probability P b is calculated based on the product of the extraction target organ probability P i based on the pixel value and the probability P c based on the geometric continuity of the surrounding linear tissue.
  • the above formula is obtained by adding a probability based on continuity (continuity probability) P c and a probability based on luminance value (luminance value probability) to correspond to a branch region as an additional item to P f obtained using local shape analysis.
  • P b ⁇ P c P i is added is a term consisting of the product of P i.
  • the linear tissue probability image created according to the present invention and / or the present embodiment can clearly extract the blood vessel bifurcation.
  • cancer is included by extracting / removing a linear tissue probability image that is an organ having a stable feature amount from the original captured image. Regions can be extracted. Examples of the main stable feature amount include linear tissue (blood vessels, bronchi, nerves, etc.). Further, by extracting / removing a linear tissue probability image representing a linear structure from a medical image, it can be applied to extracting a disease (possibly) region.
  • a stable linear structure image extraction method can be realized.
  • FIG. 1 shows a configuration diagram of a medical image processing system.
  • This system includes a medical image processing apparatus 10 and an image photographing apparatus 20.
  • the medical image processing apparatus 10 includes a processing unit 1, an input unit 2, a display unit 3, an interface unit (I / F) 4, and a storage unit 5.
  • the I / F 4 is an interface for connecting to the image capturing device 20 and inputting a captured image.
  • the storage unit 5 includes an image file 51, a probability Pi information file 52, and a linear tissue probability image file 53.
  • the image capturing device 20 captures 3D image information such as an organ.
  • the medical image processing apparatus 10 stores the image information acquired from the image capturing apparatus 20 in the storage unit 5.
  • the captured image is, for example, a three-dimensional medical image (mainly X-ray CT image, MRI, etc., and the imaging device is hereinafter referred to as modality).
  • a luminance value is mainly used as the pixel value
  • appropriate pixel information such as a value indicating a color is not limited thereto.
  • FIG. 2 shows a flowchart (1) of medical image processing.
  • the processing unit 1 acquires an image stored in the storage unit 5 (image file 51) in accordance with the designation by the input unit 2 or the like.
  • the processing unit 1 stores an image measured by the image capturing device 20 through the I / F 4 and stores the image in the storage unit 5 in advance for each predetermined ID that identifies the image. Can do.
  • the processing unit 1 selects and reads the identification information and image of the organ to be processed from the storage unit 5 according to the ID specified by the input unit 1 or the like.
  • the processing unit 1 may acquire the image measured by the image capturing device 20 via the I / F 4. Note that the processing unit 1 may omit the ID and do not perform the processing for each ID when the number of objects is one, or is designated in advance (the same applies to the following processing). Further, a processing specific area in the image may be set by the input unit 2 or the like.
  • the processing unit 1 performs local shape analysis for each pixel in the image to be processed, and obtains P f for each pixel (details will be described later).
  • Step S105 The processing unit 1 selects one pixel from the acquired image.
  • Step S107 The processing unit 1 acquires or calculates the probability P i of the extraction target organ (blood vessel, bronchus, etc.) based on the pixel value for the pixel selected in step S105 (details will be described later).
  • the extraction target organ can be determined in advance by the user using the input unit 1.
  • the information for acquiring the probability P i may be stored in advance in advance in the storage unit 5 (probability P i information file 52) as the prior information corresponding to the identification information of the extraction-corresponding organ, or the operation It is also possible for the person to arbitrarily set by the input unit 2 or an external device.
  • Step S109 The processing unit 1 calculates a probability P c based on the geometric continuity of the surrounding linear tissue for the pixel selected in step S105.
  • the probability P c based on continuity is based on, for example, the absolute value of the inner product of the eigenvector of the third principal component of the peripheral pixel and the direction vector from the peripheral pixel to the selected pixel, and the distance between the selected pixel and the peripheral pixel Alternatively, the linear tissue probability of peripheral pixels may be multiplied as a weight (details will be described later).
  • Step S111 Processing unit 1, as in the following equation, by multiplying the P c obtained in a probability Pi and step S109 obtained in step S107, a linear region probability P b in the branch region, give the probability P b at step S103 A linear tissue probability P is obtained by adding to the obtained P f . In addition, weighting may be performed with an appropriate predetermined weight parameter ⁇ at the time of addition.
  • Step S113 The processing unit 1 performs steps S105 to S111 for all pixels to be processed.
  • Step S115 The processing unit 1 generates a linear tissue probability image for the linear tissue probability P obtained up to step S113, and displays it on the display unit 3 and / or stores it in the storage unit 5 (details will be described later).
  • Step S103 Linear Region Probability P f Based on Local Shape Analysis
  • the processing unit 1 can determine the geometric shape (lump, line, surface) for each pixel and calculate the linear tissue probability by local geometric analysis.
  • This analysis method emphasizes and extracts linear tissue pixels using the relationship between eigenvalues.
  • the physical meanings of eigenvalues and eigenvectors represent the dispersion (change amount) of pixel values and their directions. For example, in the third eigenvector direction (the direction in which the eigenvalue is the smallest), the pixel value variation is small.
  • the third eigenvalue is sufficiently smaller than the first and second eigenvalues, it is considered that pixel values similar to the third eigenvector direction are continuous. That is, it can be considered as a geometric object having a linear structure such as a blood vessel or a bronchus.
  • the local shape analysis is a method proposed by Frangi in Non-Patent Document 2 and is a method for evaluating the linear texture of each pixel of an image.
  • This method uses an evaluation function that takes a pixel value to be evaluated and a local pixel group around it as an input and increases the value for a line.
  • the distribution of the pixel values around the pixel is analyzed by eigenvalues to calculate the distribution direction of the pixel values and the intensity thereof as eigenvalues and eigenvectors. Is sufficiently smaller than the first and second eigenvalues.
  • the value obtained by the evaluation function becomes so large that the surrounding geometric shape seems to be a line, and this value is defined as a linear region probability P f .
  • a geometric structure can be estimated by evaluating the amount of change in surrounding pixel values for a certain pixel. For example, when the pixel values are continuous in a certain direction and the pixel values are not continuous in the other direction, the probability of the linear structure is large. Further, there is an eigenvalue of a pixel as a method for quantitatively representing the amount of change in the pixel value. The eigenvalue of the pixel is obtained by calculating the eigenvalue of a Hessian matrix (Hesse matrix) H expressed by the following equation.
  • eigenvalues As eigenvalues, ⁇ 1, ⁇ 2, and ⁇ 3 are obtained in descending order of absolute values (
  • a negative value can be used according to the pixel value, but is not limited thereto.
  • eigenvalues For linear tissue probabilities, the interpretation of eigenvalues is as follows. -The direction of ⁇ 1 (e 1 ) has a large amount of change in pixel value and the direction of ⁇ 3 (e 3 ) is small. The amount of change is the absolute value of the eigenvalue ⁇ , so if ⁇ 1 and ⁇ 2 are sufficiently large relative to ⁇ 3 , the probability of a pixel having a linear structure is high (
  • the linear tissue probability P f is calculated from the eigenvalue as in the following equation (see Non-Patent Document 2).
  • the meaning of the expression is that “in the case of a linear structure, it is not a planar shape in terms of eigenvalues but seems to be linear, and surrounding pixels are not uniform and change”.
  • V (r) in the following equation is multiplied by three functions at the underlined portion.
  • FIG. 3 is a diagram showing the relationship between the probability P i based on the pixel values (luminance values). As an example, this figure shows the relationship of the probability P i based on the luminance value I of the blood vessel with respect to the lung field image.
  • the processing unit 1 previously stored in the storage unit 5 the information of the diagram showing the relationship (probability P i information file 52), the processing unit 1, see probability P i information stored in this probability P i information file 52
  • the probability P i can be obtained according to the pixel value (luminance value).
  • the pixel values indicated by the organ for each modality are approximately the same. However, pixels having the same value are not necessarily the same organ.
  • a CT image has a low contrast of soft tissue and is photographed with similar pixel values even though they are different organs.
  • the probability that each pixel value is the target organ can be estimated roughly (eg, the same if it is the same) Even if there are 100 pixels having a value, if it is known that 30 of them are target organs, the probability that the pixel value is the target organ can be estimated to be 0.3.) .
  • the probability P i based on the luminance value is calculated from the linear tissue pixel value occupied in the luminance value distribution (histogram) of the image, assuming that there is an inherent probability as organ information such as a blood vessel in advance for each luminance value. be able to.
  • the probability P i information described above may be applied as a template stored in advance when this processing is executed, or a user such as a doctor may specify on the pixel histogram for each application target image. You may make it do.
  • the probability of the vascular tissue in the lung field image can be obtained as follows.
  • both denominator numerators are measured values.
  • the denominator is the pixel value group of the whole organ such as the lung, and the numerator is the pixel value group of the blood vessel region, for example.
  • the probability P i information calculated in this way can be stored in advance in the probability P i information file 52, and the processing unit 1 can refer to it.
  • Step S109 Probability P c Based on Continuity
  • the branching means that the lines intersect with each other, and is a place where the lines extending from the surroundings intersect. That is, as the number of intersecting lines extending from surrounding pixels increases, the probability of branching increases.
  • the processing unit 1 calculates the probability P c based on continuity by accumulating the probability that the linear information of peripheral pixels passes over the target pixel, assuming that the branch region is a region where a plurality of linear tissues overlap. Since this utilizes the fact that geometric information is continuous, it is defined as “probability based on geometric continuity of surrounding linear tissue” P c .
  • FIG. 4 is an explanatory diagram regarding the calculation of the probability P c based on continuity.
  • the processing unit 1 can obtain the probability P c by the following equation.
  • one target pixel and surrounding pixels are selected (designated).
  • the target pixel is ri and one surrounding pixel is rj.
  • perform local shape analysis in rj retrieve the third eigenvector direction e 3.
  • This direction is the line direction when rj is a pixel in a linear region.
  • e 3 extends in the direction of ri in the “direction identity term”. This portion can be evaluated, for example, by simply taking the inner product in the direction, and if the absolute value is close to 1, it is in the same direction, and if it is close to 0, it is not in the same direction.
  • the weight is given using a Gaussian function. Furthermore, a distance term whose value decreases according to the distance is included. A sigmoid function is used as an example. P line is obtained by multiplying the values obtained above. Further, the probability P f as the line-like term of the peripheral pixels is multiplied. As described above, the processing unit 1 calculates the probability P f in the local shape analysis method.
  • the degree to which a line extends from the peripheral pixels to ri can be evaluated.
  • the value obtained in this way is defined as the probability P c based on continuity.
  • Step S111 Linear tissue probability P
  • the processing unit 1 calculates the linear tissue probability P by adding the branch region extraction method to the local shape analysis method as in the following equation.
  • Step S115 Linear tissue probability image
  • the linear tissue probability P is calculated for all the pixels to be processed, and the probability image itself can be acquired as a linear tissue probability image such as a blood vessel structure image.
  • the processing unit 1 forms the linear tissue probability image by binarizing the linear region by, for example, specifying a threshold value in advance by the user. Can be generated as a multi-value with a plurality of threshold values, or can be generated as a probability image of the linear tissue probability P itself.
  • the processing unit 1 displays the linear tissue probability image on the display unit 3 and / or stores it in the storage unit 5.
  • the branch region can be extracted, so that the linear tissue pixels can be extracted in an anatomically correct form. This makes it possible to emphasize and extract the linear tissue pixels more accurately during diagnosis and surgical examination, and it is expected that the diagnosis and examination accuracy will be improved.
  • FIG. 5 is an explanatory diagram showing a comparison of extraction of linear tissue probability images.
  • This is an example of pulmonary blood vessels as an example.
  • linear tissue probability images are respectively shown by manual segmentation by a doctor, probability P f , probability P C by local shape analysis, and linear tissue probability P according to the present invention and / or the embodiment of the present invention. .
  • the linear tissue probability image created according to the present invention and / or the present embodiment can extract the blood vessel bifurcation.
  • by evaluating the continuity of the geometric information it is possible to more clearly extract the branch region, which has been difficult in the past.
  • the processing unit 1 may further acquire and form the linear tissue probability image of the above-described embodiment at predetermined time intervals. And the process part 1 memorize
  • a method for extracting an image region such as a cancer region (such as a lung) whose shape is unstable is proposed. For example, by extracting and removing an image region such as an organ (bronchi, blood vessel, etc.) having a stable shape, the remaining region can be extracted as a pixel region such as a cancer candidate.
  • a linear tissue probability calculation method as in the present invention and / or the present embodiment is provided. The linear tissue probability image extracted using this is realized by, for example, evaluating the continuity of the geometric information, and the image region of the bifurcation region, which has been difficult in the past, can be extracted.
  • this invention and / or this Embodiment are not restricted to this, It can apply to a heart, a brain, various organs, etc., and cancer. Not only the area but also an appropriate area can be designated and extracted.
  • FIG. 6 shows a flowchart (2) of the medical image processing.
  • the processing unit 1 applies the above-described medical image processing to the input lung image, obtains a linear tissue probability P, obtains a linear tissue probability image, and performs linear organ extraction. In this example, the processing unit 1 extracts a linear tissue probability image P for lung bronchi and / or blood vessels.
  • the processing unit 1 extracts a cancer region by removing the linear tissue probability image (linear organ region) obtained in step S201 from the input image.
  • the processing unit 1 displays the extracted cancer area on the display unit 3 and / or stores it in the storage unit 5.
  • diagnosis and surgical examination using medical images are beginning to be considered as indispensable processes.
  • it has not always been easy to accurately extract linear organ information from an image. Therefore, these treatments have a large time cost in daily clinical practice. Since this problem can be improved by the present invention, there is a high need in the field and the industrial utility value is high.
  • medical image segmentation is expected to be used for diagnosis and surgical examination, for example.
  • extraction of linear information from other images for example, it can be applied to feature analysis of actual images, geological surveys, marine surveys, and others.
  • the medical image processing method or medical image processing apparatus / system of the present invention includes a medical image processing program for causing a computer to execute each procedure, a computer-readable recording medium storing the medical image processing program, and a medical image processing program. It can be provided by a program product that can be loaded into the internal memory of a computer including a computer, a computer such as a server that includes the program, and the like.

Abstract

空間的連続性を考慮して線状組織確率画像を抽出するための医用画像処理方法及び装置及びシステム及びプログラムを提供すること。　処理部が、３次元の画像を取得した（Ｓ１０１）３次元の医用画像に対して、画素毎の画素値に従い実行する局所形状解析に基づき、各画素の画素値が線状らしいかを表す確率Ｐｆを求め（Ｓ１０３）、各画素の画素値に基づき、各画素が対象の臓器らしいかを表す確率Ｐｉを求め、各画素の連続性に基づき、周囲の線状組織画素が処理対象の画素上を通る確率を累積することにより確率Ｐｃを求める。処理部が、確率Ｐｉ及び確率Ｐｃの積と、確率Ｐｆとを、加算すること又は重み付けて加算することにより、各画素が線状らしいかを表す線状組織確率Ｐを求め、線状組織確率Ｐに従い線状組織確率画像を生成し、表示部に表示する及び／又は前記記憶部に記憶する。

Description

医用画像処理方法及び装置及びシステム及びプログラム
　本発明は、医用画像処理方法及び装置及びシステム及びプログラムに関する。
　医用画像処理において、例えば、診断に必要な情報（血管、神経、がん組織など）を医用画像から抽出（セグメンテーション）する要望がある。画像内には必要以外の情報も多く含まれるため、正確な検討のためには抽出による情報の取捨選択が必要である。
　例えば、非特許文献１には、輝度値の連続性を用いた領域抽出に関する技術が開示されている。これは、Ｒｅｇｉｏｎ　ｇｒｏｗｉｎｇ法と呼ばれ、隣り合う画素間で輝度値が類似している場合、両者の画素は同じ組織を映したものであるとして統合・拡張するものである。
　また、非特許文献２には、局所幾何形状解析に関する技術が記載されている。局所幾何形状解析は、画像内の画素毎に幾何形状（塊、線、面）の判定を行うもので、固有値の関係性を用いて領域を強調、抽出することができる。
Ｆａｂｉｊａｎｓｋａ，Ａｎｎａ．　"Ｔｗｏ－ｐａｓｓ　ｒｅｇｉｏｎ　ｇｒｏｗｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｓｅｇｍｅｎｔｉｎｇ　ａｉｒｗａｙ　ｔｒｅｅ　ｆｒｏｍ　ＭＤＣＴ　ｃｈｅｓｔ　ｓｃａｎｓ．"ＣｏｍｐｕｔｅｒｉｚｅｄＭｅｄｉｃａｌＩｍａｇｉｎｇａｎｄＧｒａｐｈｉｃｓ　３３．７　（２００９）：　５３７－５４６． Ｆｒａｎｇｉ，　Ａｌｅｊａｎｄｒｏ　Ｆｅｔａｌ．　"Ｍｕｌｔｉｓｃａｌｅ　ｖｅｓｓｅｌ　ｅｎｈａｎｃｅｍｅｎｔ　ｆｉｌｔｅｒｉｎｇ，　"Ｍｅｄｉｃａｌ　Ｉｍａｇｅ　Ｃｏｍｐｕｔｉｎｇ　ａｎｄ　Ｃｏｍｐｕｔｅｒ　Ａｓｓｉｓｔｅｄ　Ｉｎｔｅｒｖａｔａｔｉｏｎ－　ＭＩＣＣＡＩ’９８，　Ｓｐｒｉｎｇｅｒ　Ｂｅｒｌｉｎ　Ｈｅｉｄｅｌｂｅｒｇ　（１９９８），　ｐｐ．１３０－１３７．
　医用画像を用いた診断および手術検討等においては、画像から必要な情報を抽出し精査する必要がある。従来のセグメンテーションを用いたがん診断では、例えば、がんの形状を選択し、腫瘍を抽出する。しかし、一般に、がん形状は多様であり、特定の特徴量を用いて全ての症例に対応することは必ずしも容易ではない。また、血管などの線状組織を解剖学的に正しく抽出する要望がある。従来、この課題に対して、非特許文献１のように、Ｒｅｇｉｏｎ　Ｇrｏｗｉｎｇ法により画素値そのものの連続性を考慮した抽出手法が提案されているが、例えば、類似した輝度を持つ臓器が接している場合、周辺組織の誤抽出が発生する場合が想定される。また、非特許文献２等のように、局所幾何形状解析を用いて情報の強調と抽出手法が用いられてきたが、血管や気管支の分岐のような線状組織の交差部や分岐部を抽出することが難しく、精度が必ずしも十分でない場合がある。　
　本発明は、以上の点に鑑み、空間的連続性を考慮して線状組織確率画像を抽出するための医用画像処理方法及び装置及びシステム及びプログラムを提供することを目的とする。
　本発明の第１の解決手段によると、
　医用画像処理方法であって、
　前記処理部が、３次元の医用画像に対して、画素毎の画素値に従い実行する局所形状解析に基づき、各画素の画素値が線状らしいかを表す確率Ｐｆを求め、
　前記処理部が、記憶部に予め記憶された、臓器識別情報毎に画素値に対して画素が指定された対象臓器らしいかを表す確率Ｐｉを記憶した確率情報を参照し、各画素の画素値に基づき、各画素が対象臓器らしいかを表す確率Ｐｉを求め、
　前記処理部が、各画素の連続性に基づき、周囲の線状組織画素が処理対象の画素上を通る確率を累積することにより確率Ｐｃを求め、
　前記処理部が、確率Ｐｉ及び確率Ｐｃの積と、確率Ｐｆとを、加算すること又は重み付けて加算することにより、各画素が線状らしいかを表す線状組織確率Ｐを求め、
　前記処理部が、線状組織確率Ｐに従い線状組織確率画像を生成し、前記線状組織確率画像を表示部に表示する及び／又は前記記憶部に記憶する
医用画像処理方法が提供される。
　本発明の第２の解決手段によると、
　医用画像処理装置であって、
　撮影された３次元の医用画像、臓器識別情報毎に画素値に対して画素が指定された対象臓器らしいかを表す確率Ｐｉを示す確率情報、線状組織確率画像を記憶する記憶部と、
　表示部と、
　処理部と、
を備え、
　前記処理部が、３次元の医用画像に対して、画素毎の画素値に従い実行する局所形状解析に基づき、各画素の画素値が線状らしいかを表す確率Ｐｆを求め、
　前記処理部が、前記記憶部に予め記憶された前記確率情報を参照し、各画素の画素値に基づき、各画素が対象臓器らしいかを表す確率Ｐｉを求め、
　前記処理部が、各画素の連続性に基づき、周囲の線状組織画素が処理対象の画素上を通る確率を累積することにより確率Ｐｃを求め、
　前記処理部が、確率Ｐｉ及び確率Ｐｃの積と、確率Ｐｆとを、加算すること又は重み付けて加算することにより、各画素が線状らしいかを表す線状組織確率Ｐを求め、
　前記処理部が、線状組織確率Ｐに従い線状組織確率画像を生成し、前記線状組織確率画像を表示部に表示する及び／又は前記記憶部に記憶する
医用画像処理装置が提供される。
　本発明の第３の解決手段によると、
　医用画像処理システムであって、
　３次元の医用画像を撮影及び取得する画像撮影装置と、
　前記画像撮影装置から前記医用画像を入力し、前記医用画像に基づき線状組織確率画像を生成する、上述のような医用画像処理装置と、
を備えた医用画像処理システムが提供される。
　本発明の第４の解決手段によると、
　医用画像処理プログラムであって、
　前記処理部が、３次元の医用画像に対して、画素毎の画素値に従い実行する局所形状解析に基づき、各画素の画素値が線状らしいかを表す確率Ｐｆを求めるステップと、
　前記処理部が、記憶部に予め記憶された、臓器識別情報毎に画素値に対して画素が指定された対象臓器らしいかを表す確率Ｐｉを記憶した確率情報を参照し、各画素の画素値に基づき、各画素が対象臓器らしいかを表す確率Ｐｉを求めるステップと、
　前記処理部が、各画素の連続性に基づき、周囲の線状組織画素が処理対象の画素上を通る確率を累積することにより確率Ｐｃを求めるステップと、
　前記処理部が、確率Ｐｉ及び確率Ｐｃの積と、確率Ｐｆとを、加算すること又は重み付けて加算することにより、各画素が線状らしいかを表す線状組織確率Ｐを求めるステップと、
　前記処理部が、線状組織確率Ｐに従い線状組織確率画像を生成し、前記線状組織確率画像を表示部に表示する及び／又は前記記憶部に記憶するステップと
をコンピュータに実行させるための医用画像処理プログラムが提供される。
　本発明によると、空間的連続性を考慮して線状組織確率画像を抽出するための医用画像処理方法及び装置及びシステム及びプログラムを提供することができる。
医用画像処理システムの構成図。 医用画像処理のフローチャート（１）。 画素値（輝度値）に基づく確率Ｐｉの関係を示す図である。 連続性に基づく確率Ｐｃの計算に関する説明図。 線状組織確率画像の抽出の比較を示す説明図。 医用画像処理のフローチャート（２）。
１．概要
　本発明及び／又は本実施の形態は、主に、従来困難であった分岐部のトポロジー的に正しい線状組織画像の抽出を高精度に実現するものである。本発明及び／又は本実施の形態は、特に、局所形状解析手法に分岐領域抽出手法を加える事で、線状組織確率Ｐを高精度に計算するものである。
　医用画像処理装置は、次式のように、線状組織確率Ｐを局所形状解析に基づく線状領域確率Ｐｆと分岐領域における線状領域確率Ｐｂとの合計として算出する。また、線状領域確率Ｐｂは画素値に基づく抽出対象臓器確率Ｐｉと周囲の線状組織の幾何的な連続性に基づく確率Ｐｃとの積に基づき算出する。
　　Ｐ＝Ｐｆ＋αＰｂ
　　　＝Ｐｆ＋αＰｃＰｉ
ここで、
　　　Ｐ：線状組織確率
　　　Ｐｆ：局所形状解析に基づく線状領域確率
　　　Ｐｂ：分岐領域抽出法に基づく線状領域確率
　　　α：重みパラメータ
　　　Ｐｃ：連続性に基づく確率
　　　Ｐｉ：輝度値に基づく確率
　上式は、局所形状解析を用いて求めたＰｆに、追加項目として、分岐領域に対応するため連続性に基づく確率（連続性確率）Ｐｃと、輝度値に基づく確率（輝度値確率）Ｐｉの積からなる項であるＰｂ＝αＰｃＰｉが追加されている。
　本発明及び／又は本実施の形態によって作成した線状組織確率画像は、従来手法（局所形状解析）によって作成された確率画像と比べ、血管の分岐部を明確に抽出することができる。
　また、本発明及び／又は本実施の形態によると、例えば、安定した特徴量を持つ臓器である線状組織確率画像を、元の撮影画像内から抽出・除去することで、がんを含んだ領域を抽出することができる。主な安定した特徴量としては、例えば、線状組織（血管、気管支、神経など）についてのものがある。また、医用画像から線状構造物を表す線状組織確率画像を抽出・除去することで、疾患（の可能性がある）領域を抽出することに応用することができる。従来の線状構造物画像抽出法は不安定である場合が想定されるが、本発明及び／又は本実施の形態によると、安定した線状構造物画像抽出法を実現することができる。
２．医用画像処理
 
　図１に、医用画像処理システムの構成図を示す。
　本システムは、医用画像処理装置１０、画像撮影装置２０を備える。
　医用画像処理装置１０は、処理部１、入力部２、表示部３、インタフェース部（Ｉ／Ｆ）４、記憶部５を備える。Ｉ／Ｆ４は、画像撮影装置２０と接続し、撮影された画像を入力するためのインタフェースである。記憶部５は、画像ファイル５１、確率Ｐｉ情報ファイル５２、線状組織確率画像ファイル５３を含む。
　画像撮影装置２０は、臓器等の３次元画像情報を撮影する。医用画像処理装置１０は、画像撮影装置２０から取得した画像情報を記憶部５に記憶する。撮影された画像は、例えば３次元医用画像（主にＸ線ＣＴ画像、ＭＲＩなど。以降、撮影機器のことをモダリティと呼ぶ。）等である。
　なお、ここでは、画素値として、主に輝度値を用いる場合を例に説明するが、これに限らずカラーの色を示す値など、適宜の画素情報を用いてもよい。
　図２に、医用画像処理のフローチャート（１）を示す。
　以下に、フローチャートを参照して、医用画像処理の手順を述べる。
（ステップＳ１０１）
　処理部１は、入力部２等による指定に従い、記憶部５（画像ファイル５１）に記憶されている画像を取得する。
　一例として、処理部１は、画像撮影装置２０が測定した画像をＩ／Ｆ４を介して入力して記憶部５に画像を特定する予め定められたＩＤ毎に予め記憶しているものとすることができる。この場合、処理部１は、入力部１等により指定されたＩＤに従い、処理対象の臓器の識別情報及び画像を記憶部５から選択して読み出す。あるいは、処理部１は、このステップを実行する際、画像撮影装置２０が測定した画像をＩ／Ｆ４を介して取得してもよい。なお、処理部１は、対象がひとつであったり、予め指定されている等の場合は、ＩＤを省略し、ＩＤ毎に処理しなくてもよい（以下の処理において同様）。また、入力部２等により画像内の処理特定領域を設定してもよい。
（ステップＳ１０３）
　処理部１は、処理対象の画像内の画素毎に局所形状解析を行い、画素毎にＰｆを求める（詳細は後述）。
（ステップＳ１０５）
　処理部１は、取得した画像から画素を１点選択する。
（ステップＳ１０７）
　処理部１は、ステップＳ１０５で選択した画素に対し、画素値に基づく抽出対象臓器（血管、気管支など）の確率Ｐｉを取得又は計算する（詳細は後述）。なお、抽出対象臓器は、ユーザーが入力部１により予め定めることができる。また、確率Ｐｉを取得するための情報は、事前情報として記憶部５（確率Ｐｉ情報ファイル５２）に抽出対応臓器の識別情報に対応して予め記憶されていてもよいし、又は、操作者が入力部２又は外部装置等により任意に設定することも可能である。
（ステップＳ１０９）
　処理部１は、ステップＳ１０５で選択した画素に対し、周囲の線状組織の幾何的な連続性に基づく確率Ｐｃを計算する。連続性に基づく確率Ｐｃは、例えば、周辺画素の第三主成分の固有ベクトルと周辺画素から見た選択画素への方向ベクトルの内積の絶対値に基づくものとし、選択画素と周辺画素間の距離や周辺画素の線状組織確率を重みとして乗じても良い（詳細は後述）。
（ステップＳ１１１）
　処理部１は、次式のように、ステップＳ１０７で得られた確率ＰｉとステップＳ１０９で得られたＰｃを乗じ、分岐領域における線状領域確率Ｐｂとし、確率ＰｂをステップＳ１０３で得られたＰｆに加算し、線状組織確率Ｐを求める。なお、加算の際、適宜の予め定めた重みパラメータαで重み付けを行っても良い。
（ステップＳ１１３）
　処理部１は、ステップＳ１０５～ステップＳ１１１を、処理対象の全ての画素に対して行う。
（ステップＳ１１５）
　処理部１は、ステップＳ１１３までで得られた線状組織確率Ｐに対して、線状組織確率画像を生成し、表示部３に表示及び／又は記憶部５に記憶する（詳細は後述）。
　以下、各ステップにおける処理について詳述する。
 
［ステップＳ１０３：局所形状解析に基づく線状領域確率Ｐｆ］
　処理部１は、局所幾何形状解析により、画素毎に幾何形状（塊、線、面）の判定を行い線状組織確率を計算することができる。この解析方法は、固有値の関係性を用いて線状組織画素を強調、抽出するものである。固有値、固有ベクトルの物理的意味は、画素値の分散（変化量）とその方向を表すものである。例えば、第３固有ベクトル方向（固有値が最も小さい方向）は、画素値のばらつきが小さい。以下に詳述するように、第１、第２固有値に対して第３固有値が十分に小さい場合、第３固有ベクトル方向に類似した画素値が連続していると考えられる。すなわち、血管や気管支のような線状構造の幾何形状物と考えられる。
　局所形状解析とは、非特許文献２にあるＦｒａｎｇｉが提案した手法で、画像の各画素の線状組織らしさを評価する手法である。この手法では、評価対象の画素値およびその周辺の局所的な画素群を入力として、線であれば値が高くなる評価関数を用いている。その骨子は、以下に詳述するように、画素周囲の画素値の分布を固有値解析することで、画素値の分布方向およびその強度を固有値および固有ベクトルとして算出し、線状構造ではその第３固有値が第１、第２固有値と比べて十分に小さいことを評価するものである。評価関数で得られた値は、周囲の幾何的な形状が線らしいほど大きくなり、この値のことを線状領域確率Ｐｆと定義する。なお、この手法は画素周辺の局所的な幾何形状を解析することを意味しているので、本明細書では”局所形状解析”と呼ぶ。なお、本発明及び／又は本実施の形態で「線状」とは、本技術分野では普通に使われるように、太さが０のものではなく太さを有し、例えば、管状、円柱状、棒状等を含む。
　以下に、局所幾何形状に基づく確率Ｐｆの具体的計算方法について説明する。
　なお、主に数式中では、スカラー量の変数をイタリック文字、ベクトル量の変数をボールド文字で記述する。また、３次元画像の画素値をＩ（ｘ、ｙ、ｚ）またはＩ（ｒ）とする。ここで、（ｘ、ｙ、ｚ）は画像座標系の座標を表す。（なお、特許庁の出願書類のフォント等の制約上、必ずしもこれらのように記載できない箇所もある。）
　ある画素に対して、周囲の画素値の変化量を評価することで幾何構造が推定できる。例えば、ある方向に画素値が連続しており、他の方向に対して画素値が連続していない場合、線状組織の確率が大きい。
　また、画素値の変化量を定量的に表す方法に画素の固有値がある。画素の固有値は、次式で表されるＨｅｓｓｉａｎ行列（ヘッセ行列）Ｈの固有値を計算することで得られる。
Figure JPOXMLDOC01-appb-M000001
 　一般に、固有値の幾何学的解釈は次の通りである。
　　・塊　：｜λ１｜＞｜λ２｜＞｜λ３｜＞＞０
　　・線状：｜λ１｜＞｜λ２｜＞＞｜λ３｜≒０）
　　・面状：｜λ１｜＞＞｜λ２｜＞｜λ３｜≒０）
　固有値は、絶対値が大きい順に、λ１、λ２、λ３が得られる（｜λ１｜＞｜λ２｜＞｜λ３｜）。同時にそれぞれの固有値に対応する固有ベクトルｅ１、ｅ２、ｅ３が得られる。なお、固有値としては、一例として、画素値に応じてマイナスの値を用いることができるが、これに限られない。
　線状組織確率については、固有値の解釈は、次の通りである。
－　λ１の方向（ｅ１）は画素値の変化量が多く、λ３の方向（ｅ３）は小さい。
－　変化量は固有値λの絶対値
　よって、λ１とλ２がλ３に対して十分に大きい場合、画素が線状組織の確率が高い（｜λ１｜＞｜λ２｜＞＞｜λ３｜≒０）。また、λ３の方向（ｅ３）が線状組織の方向となる。
　以上を踏まえて、次式のように、固有値から線状組織確率Ｐｆを計算する（非特許文献２参照）。式の意味は、「線状組織である場合、固有値的には面状でなく、線状らしく、周囲の画素は一様ではなく変化がある」、という意味である。その結果として、次式のＶ（ｒ）は下線を引いた部位で３つの関数が掛け算されている。
Figure JPOXMLDOC01-appb-M000002
［ステップＳ１０７　画素値（輝度値）に基づく確率Ｐｉ］
　図３は、画素値（輝度値）に基づく確率Ｐｉの関係を示す図である。
　この図は、一例として、肺野画像に対する血管の輝度値Ｉに基づく確率Ｐｉの関係を示す。例えば、この関係を示す図の情報を記憶部５（確率Ｐｉ情報ファイル５２）に予め記憶しておき、処理部１は、この確率Ｐｉ情報ファイル５２に記憶された確率Ｐｉ情報を参照することで、画素値（輝度値）に従い確率Ｐｉを求めることができる。
　ある臓器を撮影した時、モダリティごとにその臓器が示す画素値はおおよそ同様である。但し、同じ値を持つ画素が必ずしも同じ臓器であるというわけではない。例えば、ＣＴ画像では軟組織のコントラストが低く、異なる臓器であるのに同じような画素値で撮影される。また、異なる臓器が同じ画素値で撮影された場合でも、例えば院内の撮影フローで撮影領域が固定されている場合、画素値ごとが対象臓器である確率はおおよそ見積もることができる（例：仮に同じ値をもつ画素が１００個あったとしても、そのうち３０個が対象臓器であるということがわかっていると、その画素値が対象の臓器であるという確率は０．３と見積もることができる。）。このように、画素値がもつ、それが抽出対象の臓器である、という確率のことを、”画素値に基づく抽出対象臓器確率”Ｐｉと定義している。このように、輝度値ごとに血管などの臓器情報としての固有確率が予め存在するとして、画像の輝度値分布（ヒストグラム）内の占める線状組織画素値から輝度値に基づく確率Ｐｉを算出することができる。
　上述の確率Ｐｉ情報は、本処理を実行するときに前もってテンプレートとして保持して居たものを適用してもよいし、適用対象の画像ごとに医師等のユーザーが画素のヒストグラム上などで指定するようにしても良い。
　次に、Ｐｉのテンプレートを作る手法を説明する。
　例として、肺野画像の中の血管組織の確率については、次式のように求めることができる。
Figure JPOXMLDOC01-appb-M000003
　上式において、テンプレートを作る段階では、分母分子両方共測定値である。分母は肺などの臓器全体の画素値群、分子はそのうちの例えば血管領域の画素値群となる。このように計算された確率Ｐｉ情報を確率Ｐｉ情報ファイル５２に予め記憶しておき、処理部１がそれを参照することができる。
［ステップＳ１０９：連続性に基づく確率Ｐｃ］
　分岐とは、線が１つに交わるということであり、周囲から伸びる線が交差する場所である。つまり、周囲の画素から伸びる線が交差する数が多いほど分岐である確率が高まる。処理部１は、分岐領域は複数の線状組織が重なる領域であるとして、周辺画素の線状情報が対象画素上を通る確率を累積し、連続性に基づく確率Ｐｃを算出する。これは幾何情報が連続していることを利用しているので、”周囲の線状組織の幾何的な連続性に基づく確率”Ｐｃと定義している。
　図４に、連続性に基づく確率Ｐｃの計算に関する説明図を示す。以下に、具体的に図を用いて、確率Ｐｃの計算方法について説明する。
　処理部１は、次式により、確率Ｐｃを求めることができる。
Figure JPOXMLDOC01-appb-M000004
　以下に図を参照して説明する。まず、対象画素と周囲の画素を１つ選択（指定）する。図では、対象画素をｒｉ、周囲のひとつの画素をｒｊとしている。次にｒｊにおいて局所形状解析を行い、その第３固有ベクトル方向ｅ３を取り出す。この方向はｒｊが線状な領域の画素である場合、線の方向となる。上式では、”向きの同一性項”においてｅ３がｒｉの方向に向かって伸びてきているかを評価する。この部分は、例えば、単に方向の内積をとり、その絶対値が１に近ければ同一方向上に、０に近ければ同一方向上にないとして評価することができる。なお、例に示す式では、ガウス関数を用いて重みをつけている。さらに、距離に応じて値が減る距離項を含む。例としてシグモイド関数を用いている。以上までで得られた値を乗じたものがＰｌｉｎｅである。
　さらに、周辺画素の線らしさ項としての確率Ｐｆを乗じている。上述のように、処理部１は、この確率Ｐｆを、局所形状解析手法に計算する。
　以上をｒｉの周辺画素全てに対して足し合わせると、周辺画素からｒｉに線が伸びてくる度合いを評価することができる。こうして得られる値を連続性に基づく確率Ｐｃと定義する。
［ステップＳ１１１：線状組織確率Ｐ］
　以上をまとめると、次式のように、処理部１は、局所形状解析手法に分岐領域抽出手法を加えることで、線状組織確率Ｐを計算する。
Figure JPOXMLDOC01-appb-M000005
［ステップＳ１１５：線状組織確率画像］
 
　線状組織確率Ｐは、処理対象の全ての画素に対して計算し、確率画像そのものが血管構造画像等の線状組織確率画像として取得できる。得られた確率画像は線状組織らしい部分の値が大きくなっており、処理部１は、線状組織確率画像を、例えば、ユーザーが閾値を予め指定してやることで線領域を２値化して形状として生成することもでき、複数の閾値で多値化して生成してもよいし、また、線状組織確率Ｐ自体の確率画像のまま生成することも可能である。処理部１は、線状組織確率画像を、表示部３に表示及び／又は記憶部５に記憶する。
　以上のように、本実施の形態によると、分岐領域が抽出可能となることで、線状組織画素を解剖学的に正しい形で抽出できるようになった。これにより、診断と手術検討の際に、線状組織画素の強調および抽出が一層正確に行うことができるようになり、診断および検討精度が高まることが期待される。
　図５に、線状組織確率画像の抽出の比較を示す説明図を示す。
　これは一例として、肺血管を対象例としたものである。図中、医師による手動抽出（Ｍａｎｕａｌ　ｓｅｇｍｅｎｔａｔｉｏｎ）、局所形状解析による確率Ｐｆ、確率ＰＣ、本発明及び／又は本発明実施の形態による線状組織確率Ｐによる、線状組織確率画像をそれぞれ示す。
　本発明及び／又は本実施の形態によって作成した線状組織確率画像は、従来手法（局所形状解析）によって作成された確率画像と比べ、血管の分岐部を抽出することができている。
　なお、線状組織確率画像に対して閾値を設定し、その血管領域を抽出した結果、従来手法と比べ、医師によるマニュアル抽出結果に近いこともわかった。
　このように、幾何情報の連続性を評価することで、従来困難であった、分岐部領域の抽出が一層明確に可能となった。
（時間変化への応用）
　処理部１は、さらに、上述の実施の形態の、線状組織確率画像を、予め定められた時間間隔ごとに取得及び形成するようにしてもよい。そして、処理部１は、これら情報を、ＩＤ毎に記憶部５に記憶し、また、表示部３に時間変化を動画により表示したり、複数の連続する静止画で表示することができる。
３．肺野情報と血管構造のへの適用
　本実施の形態によると、形が不安定ながん領域（肺等）等の画像領域の抽出法が提案される。例えば、安定した形状を持つ臓器（気管支、血管など）等の画像領域を抽出・除去することで、残った領域をがん候補等の画素領域として抽出することができる。この抽出法を実現するために、本発明及び／又は本実施の形態のような線状組織確率の計算法が提供される。これを用いて抽出した線状組織確率画像は、例えば幾何情報の連続性を評価することで実現し、従来困難であった分岐部領域の画像領域の抽出が可能になった。
　なお、ここでは、一例として肺についての画像を用いたが、本発明及び／又は本実施の形態は、これに限らず、心臓、脳、各種臓器等に適用することができ、また、がん領域に限らず適宜の領域を指定して抽出することに提供することもできる。
　図６に、医用画像処理のフローチャート（２）を示す。
（ステップＳ２０１）
　処理部１は、入力した肺画像に対して、前述の医用画像処理を適用し、線状組織確率Ｐを求め、線状組織確率画像を得ることで、線状の臓器抽出を行う。この例では、処理部１は、肺の気管支及び／又は血管についての線状組織確率画像Ｐを抽出する。
（ステップＳ２０２）
　処理部１は、入力画像から、ステップＳ２０１で得られた線状組織確率画像（線状の臓器領域）を除去することでがん領域を抽出する。処理部１は、抽出したがん領域を表示部３に表示及び／又は記憶部５に記憶する。
　近年、医用画像を用いた診断や手術検討は必要不可欠な処理と考えられ始めている。しかし、従来は画像から線状臓器情報を正確に抽出することは必ずしも容易ではなかったため、それらの処置は日々の臨床において時間的コストが大きかった。本発明により、この課題を改善することができるため、現場におけるニーズが高く、産業上の利用価値が高い。
　本発明の応用としては、例えば医用画像セグメンテーションについては、例えば、診断や手術検討に利用が期待される。また、その他の画像からの線状情報抽出については、例えば、実画像の特徴量解析、地質調査、海洋調査、その他への応用が考えられる。
　本発明の医用画像処理方法又は医用画像処理装置・システムは、その各手順をコンピュータに実行させるための医用画像処理プログラム、医用画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体、医用画像処理プログラムを含みコンピュータの内部メモリにロード可能なプログラム製品、そのプログラムを含むサーバ等のコンピュータ、等により提供されることができる。
１０　医用画像処理装置
２０　画像撮影装置

Claims (11)

  1. 　医用画像処理方法であって、
    　前記処理部が、３次元の医用画像に対して、画素毎の画素値に従い実行する局所形状解析に基づき、各画素の画素値が線状らしいかを表す確率Ｐｆを求め、
    　前記処理部が、記憶部に予め記憶された、臓器識別情報毎に画素値に対して画素が指定された対象臓器らしいかを表す確率Ｐｉを記憶した確率情報を参照し、各画素の画素値に基づき、各画素が対象臓器らしいかを表す確率Ｐｉを求め、
    　前記処理部が、各画素の連続性に基づき、周囲の線状組織画素が処理対象の画素上を通る確率を累積することにより確率Ｐｃを求め、
    　前記処理部が、確率Ｐｉ及び確率Ｐｃの積と、確率Ｐｆとを、加算すること又は重み付けて加算することにより、各画素が線状らしいかを表す線状組織確率Ｐを求め、
    　前記処理部が、線状組織確率Ｐに従い線状組織確率画像を生成し、前記線状組織確率画像を表示部に表示する及び／又は前記記憶部に記憶する
    医用画像処理方法。
     
  2. 　請求項１に記載の医用画像処理方法において、
    　前記処理部は、各画素の画素値についてのヘッセ行列により、複数の固有値及び各固有値に対する固有ベクトルを求め、複数の固有値により線状組織画素であれば値が大きくなる予め定めた関数に従い、各画素の確率Ｐｆを計算することを特徴とする医用画像処理方法。
     
     
  3. 　請求項１又は２に記載の医用画像処理方法において、
    　前記記憶部は、予め撮影した画像に基づき求めた、臓器全体の画素値による確率密度に対する線状組織画素の画素値による確率密度の割合を、前記確率情報の確率Ｐｉとして予め記憶することを特徴とする医用画像処理方法。
     
  4. 　請求項１乃至３のいずれかに記載の医用画像処理方法において、
    　前記処理部は、
    　処理の対象画素と周囲画素を指定し、
    　周囲画素の線の方向が対象画素の方向に向かっている程度を表す向きの同一性項と、対象画素と周囲画素との距離に従って値が減少する距離項により、対象画素の線らしさ項を求め、
    　前記局所形状解析に基づき求めた周辺画素の線らしさ項と、対象画素の線らしさ項との積を、複数の周辺画素について累積することにより、周辺画素から対象画素に線が伸びてくる度合いである、連続性に基づく確率Ｐｃを求める
    ことを特徴とする医用画像処理方法。
     
  5. 　請求項１乃至４のいずれかに記載の医用画像処理方法において、
    　前記処理部は、線状組織確率Ｐに対して予め定められたひとつ又は複数の閾値により２値化又は多値化して線状組織確率画像を生成すること、又は、各画素の線状組織確率Ｐの分布により線状組織確率画像を生成することを特徴とする医用画像処理方法。
     
  6. 　前記請求項１乃至５のいずれかに記載された医用画像処理方法により線状組織確率画像を生成し、
    　前記医用画像から、前記線状組織確率画像を除去することでがん領域又は他の対象画像を抽出し、前記がん領域又は前記他の対象画像を表示部に表示する及び／又は前記記憶部に記憶することを特徴とする医用画像処理方法。
     
  7. 　請求項１乃至６のいずれかに記載の医用画像処理方法において、
    　前記処理部が、さらに、前記医用画像及び／又は前記線状組織確率画像を、予め定められた時間間隔又は時刻ごとに取得及び形成し、前記記憶部に記憶し、及び／又は、前記表示部に時間変化を動画により表示又は複数の連続する静止画により表示することを特徴とする医用画像処理方法。
     
  8. 　請求項１乃至７のいずれかに記載の医用画像処理方法において、
    　前記線状組織確率画像は、それぞれ、血管形状、気管支形状、リンパ管形状、神経形状のいずれかひとつ又は複数を表す線状組織確率画像であることを特徴とする医用画像処理方法。
     
  9. 　医用画像処理装置であって、
    　撮影された３次元の医用画像、臓器識別情報毎に画素値に対して画素が指定された対象臓器らしいかを表す確率Ｐｉを示す確率情報、線状組織確率画像を記憶する記憶部と、
    　表示部と、
    　処理部と、
    を備え、
    　前記処理部が、３次元の医用画像に対して、画素毎の画素値に従い実行する局所形状解析に基づき、各画素の画素値が線状らしいかを表す確率Ｐｆを求め、
    　前記処理部が、前記記憶部に予め記憶された前記確率情報を参照し、各画素の画素値に基づき、各画素が対象臓器らしいかを表す確率Ｐｉを求め、
    　前記処理部が、各画素の連続性に基づき、周囲の線状組織画素が処理対象の画素上を通る確率を累積することにより確率Ｐｃを求め、
    　前記処理部が、確率Ｐｉ及び確率Ｐｃの積と、確率Ｐｆとを、加算すること又は重み付けて加算することにより、各画素が線状らしいかを表す線状組織確率Ｐを求め、
    　前記処理部が、線状組織確率Ｐに従い線状組織確率画像を生成し、前記線状組織確率画像を表示部に表示する及び／又は前記記憶部に記憶する
    医用画像処理装置。
     
  10. 　医用画像処理システムであって、
    　３次元の医用画像を撮影及び取得する画像撮影装置と、
    　前記画像撮影装置から前記医用画像を入力し、前記医用画像に基づき線状組織確率画像を生成する、請求項９に記載された医用画像処理装置と、
    を備えた医用画像処理システム。
     
  11. 　医用画像処理プログラムであって、
    　前記処理部が、３次元の医用画像に対して、画素毎の画素値に従い実行する局所形状解析に基づき、各画素の画素値が線状らしいかを表す確率Ｐｆを求めるステップと、
    　前記処理部が、記憶部に予め記憶された、臓器識別情報毎に画素値に対して画素が指定された対象臓器らしいかを表す確率Ｐｉを記憶した確率情報を参照し、各画素の画素値に基づき、各画素が対象臓器らしいかを表す確率Ｐｉを求めるステップと、
    　前記処理部が、各画素の連続性に基づき、周囲の線状組織画素が処理対象の画素上を通る確率を累積することにより確率Ｐｃを求めるステップと、
    　前記処理部が、確率Ｐｉ及び確率Ｐｃの積と、確率Ｐｆとを、加算すること又は重み付けて加算することにより、各画素が線状らしいかを表す線状組織確率Ｐを求めるステップと、
    　前記処理部が、線状組織確率Ｐに従い線状組織確率画像を生成し、前記線状組織確率画像を表示部に表示する及び／又は前記記憶部に記憶するステップと
    をコンピュータに実行させるための医用画像処理プログラム。
PCT/JP2016/084239 2015-11-19 2016-11-18 医用画像処理方法及び装置及びシステム及びプログラム WO2017086433A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017551944A JP6458166B2 (ja) 2015-11-19 2016-11-18 医用画像処理方法及び装置及びシステム及びプログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015226214 2015-11-19
JP2015-226214 2015-11-19

Publications (1)

Publication Number Publication Date
WO2017086433A1 true WO2017086433A1 (ja) 2017-05-26

Family

ID=58717420

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/084239 WO2017086433A1 (ja) 2015-11-19 2016-11-18 医用画像処理方法及び装置及びシステム及びプログラム

Country Status (2)

Country Link
JP (1) JP6458166B2 (ja)
WO (1) WO2017086433A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018198729A (ja) * 2017-05-26 2018-12-20 株式会社アルム 脳画像データ処理装置、脳画像データ処理方法、および脳画像データ処理プログラム
CN112949654A (zh) * 2021-02-25 2021-06-11 上海商汤智能科技有限公司 图像检测方法及相关装置、设备
JP2021106901A (ja) * 2017-06-30 2021-07-29 キヤノンメディカルシステムズ株式会社 画像処理装置、医用画像診断装置、及びプログラム
JP2022107639A (ja) * 2017-06-30 2022-07-22 キヤノンメディカルシステムズ株式会社 画像処理装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014008402A (ja) * 2012-06-28 2014-01-20 Toshiba Corp 画像処理装置
WO2014097758A1 (ja) * 2012-12-19 2014-06-26 オリンパスメディカルシステムズ株式会社 医用画像処理装置及び医用画像処理方法
JP2015112487A (ja) * 2013-12-06 2015-06-22 株式会社東芝 医用画像における構造物をセグメンテーションする医用画像処理装置、医用画像をセグメンテーションするための方法及び医用画像をセグメンテーションするコンピュータプログラムを記憶する記憶媒体

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5832938B2 (ja) * 2012-03-15 2015-12-16 富士フイルム株式会社 画像処理装置、方法及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014008402A (ja) * 2012-06-28 2014-01-20 Toshiba Corp 画像処理装置
WO2014097758A1 (ja) * 2012-12-19 2014-06-26 オリンパスメディカルシステムズ株式会社 医用画像処理装置及び医用画像処理方法
JP2015112487A (ja) * 2013-12-06 2015-06-22 株式会社東芝 医用画像における構造物をセグメンテーションする医用画像処理装置、医用画像をセグメンテーションするための方法及び医用画像をセグメンテーションするコンピュータプログラムを記憶する記憶媒体

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018198729A (ja) * 2017-05-26 2018-12-20 株式会社アルム 脳画像データ処理装置、脳画像データ処理方法、および脳画像データ処理プログラム
JP2021106901A (ja) * 2017-06-30 2021-07-29 キヤノンメディカルシステムズ株式会社 画像処理装置、医用画像診断装置、及びプログラム
JP2022107639A (ja) * 2017-06-30 2022-07-22 キヤノンメディカルシステムズ株式会社 画像処理装置
JP7139479B2 (ja) 2017-06-30 2022-09-20 キヤノンメディカルシステムズ株式会社 画像処理装置、医用画像診断装置、及びプログラム
JP7318058B2 (ja) 2017-06-30 2023-07-31 キヤノンメディカルシステムズ株式会社 画像処理装置
CN112949654A (zh) * 2021-02-25 2021-06-11 上海商汤智能科技有限公司 图像检测方法及相关装置、设备

Also Published As

Publication number Publication date
JP6458166B2 (ja) 2019-01-23
JPWO2017086433A1 (ja) 2018-07-05

Similar Documents

Publication Publication Date Title
JP6058093B2 (ja) 医療用画像のコンピュータ支援による解析装置、および、医療用画像解析のためのコンピュータプログラム
JP6570145B2 (ja) 画像を処理する方法、プログラム、代替的な投影を構築する方法および装置
CN109124662B (zh) 肋骨中心线检测装置及方法
JP2016531709A (ja) 疾患を診断するための画像解析技術
Pulagam et al. Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases
US9675317B2 (en) Interface identification apparatus and method
JP6458166B2 (ja) 医用画像処理方法及び装置及びシステム及びプログラム
JP5832938B2 (ja) 画像処理装置、方法及びプログラム
CN112885453A (zh) 用于标识后续医学图像中的病理变化的方法和系统
JP2016189946A (ja) 医用画像位置合わせ装置および方法並びにプログラム
US20190392552A1 (en) Spine image registration method
CN115861656A (zh) 用于自动处理医学图像以输出警报的方法、设备和系统
JP2019028887A (ja) 画像処理方法
JP6934734B2 (ja) 画像処理装置、画像処理装置の制御方法およびプログラム
JP6827707B2 (ja) 情報処理装置および情報処理システム
JP4709290B2 (ja) 画像処理装置および方法並びにプログラム
Myint et al. Effective kidney segmentation using gradient based approach in abdominal CT images
Czajkowska et al. 4d segmentation of ewing’s sarcoma in MR images
US9390549B2 (en) Shape data generation method and apparatus
JP2015136480A (ja) ３次元医用画像表示制御装置およびその作動方法並びに３次元医用画像表示制御プログラム
JP2022052210A (ja) 情報処理装置、情報処理方法及びプログラム
Al Irr et al. Automatic volumetric localization of the liver in abdominal CT scans using low level processing and shape priors
EP4016470A1 (en) 3d morhphological or anatomical landmark detection method and device using deep reinforcement learning
JP5343973B2 (ja) 医用画像処理装置及びプログラム
Cerrolaza et al. Modeling human tissues: an efficient integrated methodology

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16866433

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2017551944

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16866433

Country of ref document: EP

Kind code of ref document: A1