WO2023190880A1 - Brain image data analysis device, brain image data analysis method, and brain image data analysis program - Google Patents
Brain image data analysis device, brain image data analysis method, and brain image data analysis program Download PDFInfo
- Publication number
- WO2023190880A1 WO2023190880A1 PCT/JP2023/013201 JP2023013201W WO2023190880A1 WO 2023190880 A1 WO2023190880 A1 WO 2023190880A1 JP 2023013201 W JP2023013201 W JP 2023013201W WO 2023190880 A1 WO2023190880 A1 WO 2023190880A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- brain
- age
- volume
- image data
- structural unit
- Prior art date
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 529
- 238000007405 data analysis Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims description 54
- 238000003384 imaging method Methods 0.000 claims abstract description 197
- 238000004364 calculation method Methods 0.000 claims abstract description 137
- 206010003694 Atrophy Diseases 0.000 claims abstract description 105
- 230000037444 atrophy Effects 0.000 claims abstract description 105
- 206010012289 Dementia Diseases 0.000 claims abstract description 79
- 230000011218 segmentation Effects 0.000 claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims description 96
- 238000011156 evaluation Methods 0.000 claims description 79
- 210000001320 hippocampus Anatomy 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 43
- 208000026106 cerebrovascular disease Diseases 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 37
- 230000032683 aging Effects 0.000 claims description 24
- 210000003715 limbic system Anatomy 0.000 claims description 11
- 210000003478 temporal lobe Anatomy 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 160
- 230000002861 ventricular Effects 0.000 description 119
- 238000002595 magnetic resonance imaging Methods 0.000 description 69
- 208000024806 Brain atrophy Diseases 0.000 description 44
- 230000036541 health Effects 0.000 description 34
- 230000006870 function Effects 0.000 description 31
- 208000024827 Alzheimer disease Diseases 0.000 description 29
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 24
- 238000002591 computed tomography Methods 0.000 description 23
- 201000010099 disease Diseases 0.000 description 23
- 210000004885 white matter Anatomy 0.000 description 22
- 230000000971 hippocampal effect Effects 0.000 description 20
- 238000005259 measurement Methods 0.000 description 19
- 238000012360 testing method Methods 0.000 description 18
- 231100000216 vascular lesion Toxicity 0.000 description 18
- 230000002159 abnormal effect Effects 0.000 description 16
- 239000008280 blood Substances 0.000 description 16
- 210000004369 blood Anatomy 0.000 description 16
- 230000036772 blood pressure Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 13
- 210000001596 intra-abdominal fat Anatomy 0.000 description 13
- 210000003140 lateral ventricle Anatomy 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 230000005856 abnormality Effects 0.000 description 12
- 210000004727 amygdala Anatomy 0.000 description 12
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 11
- 230000002490 cerebral effect Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 210000001652 frontal lobe Anatomy 0.000 description 9
- 238000010191 image analysis Methods 0.000 description 9
- 239000002131 composite material Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000000474 nursing effect Effects 0.000 description 7
- 230000007423 decrease Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 230000009471 action Effects 0.000 description 5
- 230000036995 brain health Effects 0.000 description 5
- 206010008118 cerebral infarction Diseases 0.000 description 5
- 230000003920 cognitive function Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000035622 drinking Effects 0.000 description 5
- 230000003862 health status Effects 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 208000014644 Brain disease Diseases 0.000 description 4
- 208000008589 Obesity Diseases 0.000 description 4
- 208000010877 cognitive disease Diseases 0.000 description 4
- 235000020824 obesity Nutrition 0.000 description 4
- 210000001152 parietal lobe Anatomy 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 208000019553 vascular disease Diseases 0.000 description 4
- 206010008096 Cerebral atrophy Diseases 0.000 description 3
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 3
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 210000000869 occipital lobe Anatomy 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 208000011597 CGF1 Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 210000004720 cerebrum Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 210000004055 fourth ventricle Anatomy 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 238000010339 medical test Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 210000001026 paleocortex Anatomy 0.000 description 2
- 230000001936 parietal effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000004039 social cognition Effects 0.000 description 2
- 210000000211 third ventricle Anatomy 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 206010059245 Angiopathy Diseases 0.000 description 1
- 241000239290 Araneae Species 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 201000011240 Frontotemporal dementia Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 241001112258 Moca Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 1
- 201000004810 Vascular dementia Diseases 0.000 description 1
- 206010072731 White matter lesion Diseases 0.000 description 1
- VREFGVBLTWBCJP-UHFFFAOYSA-N alprazolam Chemical compound C12=CC(Cl)=CC=C2N2C(C)=NN=C2CN=C1C1=CC=CC=C1 VREFGVBLTWBCJP-UHFFFAOYSA-N 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 210000004289 cerebral ventricle Anatomy 0.000 description 1
- 230000006999 cognitive decline Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 210000001947 dentate gyrus Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 210000001353 entorhinal cortex Anatomy 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 210000004326 gyrus cinguli Anatomy 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 230000002197 limbic effect Effects 0.000 description 1
- 210000000691 mamillary body Anatomy 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 208000027061 mild cognitive impairment Diseases 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000001769 parahippocampal gyrus Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 206010036067 polydipsia Diseases 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000006438 vascular health Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
Abstract
The present invention provides a brain image data analysis device that minimizes the influence of non-uniformity of imaging conditions seen in a brain checkup, measures the atrophy of a part in the brain with good reproducibility, and analyzes the risk of developing dementia. This brain image data analysis device for analyzing the risk of developing dementia from a brain MRI image has: a segmentation unit 12 for performing segmentation in which division into structural units is performed; a brain structure volume calculation unit 13 for calculating the brain volume for each divided structural unit; an imaging condition difference calibration unit 15 for performing calibration for minimizing the influence of the difference in imaging conditions according to the imaging conditions at the time of imaging performed by an MRI scanner, and a same-age-group ratio calculator 16 for calculating the same-age-group ratio of each structural unit of each subject from each item of structural unit data for each age in a database.
Description
本発明は、脳画像データ解析装置に関し、特に脳ドックでの撮影条件の不均一さの影響を少なくし、再現性の良い脳の萎縮測定を行うのに好適な脳画像データ解析装置、脳画像データ解析方法および脳画像データ解析プログラムに関する。
The present invention relates to a brain image data analysis device, and in particular to a brain image data analysis device and brain image suitable for reducing the influence of uneven imaging conditions in a brain checkup and measuring brain atrophy with good reproducibility. Regarding data analysis methods and brain image data analysis programs.
従来、脳ドックとは、脳の健康診断であり、一般的な健康診断では調べることができない脳の病気について調べる検査である。頭部ＭＲＩ検査やＣＴ検査を行うことにより、医師がＭＲＩ装置やＣＴ装置から取得した脳の断層撮像画像であるＭＲＩ（Magnetic Resonance Imaging）画像やＣＴ（Computed Tomography）画像を読影診断し、脳梗塞、くも膜下出血、脳出血などの脳血管疾患の早期発見や、アルツハイマー型認知症の早期発見をすることができる。
Conventionally, a brain checkup is a brain health checkup, which is a test to check for brain diseases that cannot be detected through general health checkups. By performing a head MRI or CT scan, a doctor can diagnose cerebral infarction by interpreting MRI (Magnetic Resonance Imaging) images or CT (Computed Tomography) images, which are tomographic images of the brain obtained from an MRI or CT device. , early detection of cerebrovascular diseases such as subarachnoid hemorrhage and cerebral hemorrhage, and early detection of Alzheimer's type dementia.
認知症は、高齢化社会において最も深刻な社会課題の一つとなっている。この実例を説明すると、図２４に示すように、アルツハイマー型認知症６７．６％と脳血管性型１９．５％とで、認知症疾患全体の約９割を示しており、これらは、脳の断層撮像画像で発見することが期待される。
Dementia has become one of the most serious social issues in an aging society. To explain this example, as shown in Figure 24, Alzheimer's type dementia accounts for 67.6% and cerebrovascular type dementia accounts for 19.5%, accounting for approximately 90% of all dementia diseases. It is expected that this will be discovered in tomographic images.
医学雑誌「Ｌａｎｃｅｔ」によると、図２５に示すように、年齢が上がるにつれて、過去の生活習慣の影響を受け、認知症のかかりやすさの程度が変わる。たとえば、教育（１．６倍）、高血圧（１．６倍）、過度の飲酒（１．２倍）、肥満（１．６倍）、喫煙（１．６倍）、鬱（１．９倍）、社会の孤立（１．６倍）、運動不足（１．４倍）、糖尿（１．５倍）となっている。
According to the medical journal "Lancet", as shown in Figure 25, as a person ages, the degree of susceptibility to dementia changes due to the influence of past lifestyle habits. For example, education (1.6 times), high blood pressure (1.6 times), excessive drinking (1.2 times), obesity (1.6 times), smoking (1.6 times), depression (1.9 times) ), social isolation (1.6 times), lack of exercise (1.4 times), and diabetes (1.5 times).
脳の健康状態はクオリティオブライフ（ＱＯＬ）に直結し、図２６に「平成２８年 国民生活基礎調査の概要（厚生労働省）」に介護が必要になった要因が示されている。図２６から明らかなように、認知症と脳血管疾患（脳梗塞、脳出血）が圧倒的な原因となっている。要介護５では、認知症と脳血管疾患を合わせて５０％を超えている。図２７に過去２０年間の介護が必要となった主な原因（要介護１～５／男女合計）を示す（「平成２８年 国民生活基礎調査（厚生労働省）」）。図２７から明らかなように、過去２０年間の介護要因を見てみると、認知症が顕著な伸びをみせており、減少傾向にあるとはいえ脳血管疾患も依然主要な要因となっている。２０１６年のデータでは、認知症が要介護全体の原因の男女合計の１位になった。脳血管疾患（脳梗塞と脳出血）はかねてから生活習慣の一つとしてとらえられていた。認知症の研究が進むにつれ、認知症においても遺伝的因子よりも生活習慣の方がはるかに大きなリスク因子であることがわかり始めている。
The state of brain health is directly linked to quality of life (QOL), and Figure 26 shows the factors that led to the need for nursing care in the 2016 Overview of the National Survey of Living Conditions (Ministry of Health, Labor and Welfare). As is clear from Figure 26, dementia and cerebrovascular disease (cerebral infarction, cerebral hemorrhage) are overwhelming causes. For nursing care level 5, the combination of dementia and cerebrovascular disease exceeds 50%. Figure 27 shows the main causes of needing nursing care over the past 20 years (nursing care 1 to 5/total for men and women) (``2016 National Survey on Living Conditions (Ministry of Health, Labor and Welfare)''). As is clear from Figure 27, looking at nursing care factors over the past 20 years, dementia has shown a remarkable increase, and although it is on the decline, cerebrovascular disease is still a major factor. . According to 2016 data, dementia was the leading cause of nursing care for both men and women. Cerebrovascular disease (cerebral infarction and cerebral hemorrhage) has long been considered a lifestyle problem. As research into dementia progresses, it is beginning to become clear that lifestyle habits are a far greater risk factor than genetic factors.
図２８は、認知症のかかりやすさとリスク因子の関係を示す。図２８からリスク因子に対して４０％から９０％の割合で認知症のかかりやすさがアップする。認知症は一度発症すると、根本治療が難しいため、早期の発見と予防が最善の対策となる（非特許文献１を参照）。
Figure 28 shows the relationship between susceptibility to dementia and risk factors. Figure 28 shows that the risk factors increase the susceptibility to dementia by 40% to 90%. Once dementia develops, it is difficult to treat it fundamentally, so early detection and prevention are the best measures (see Non-Patent Document 1).
このように、認知症患者の増加により、認知症が社会問題化しているため、脳ドックのガイドライン２０１９［改定・第５版］によれば、脳ドックの検査内容に、推奨項目として認知機能検査が追加された。特に、認知機能のスクリーニング検査（ＭＭＳＥ、ＨＤＳ－Ｒ、ＭｏＣＡ、ＣＡＤｉ２など）を行うことが必須項目として推奨されている。この認知機能検査は脳ドックの受診者毎に検査を実施する必要があるため、受診者に負担がかかると共に、医師にとっても検査項目が増加し、負担がかかることになる。一日に多数の受診者を検診する健診センターなどでは、積極的に採用しにくい。また、脳ドック受診結果で異常なしと判断が出ても、未病の健常者（潜在的な軽度認知障害者で未症状者も含む）にとっては脳ドックに時間がかかると、敬遠される恐れがある。
As described above, dementia has become a social problem due to the increase in the number of dementia patients.According to the Brain Dock Guidelines 2019 [revised 5th edition], cognitive function tests are included as recommended items in the brain checkup examination content. has been added. In particular, it is recommended that a screening test for cognitive function (MMSE, HDS-R, MoCA, CADi2, etc.) be performed as an essential item. This cognitive function test must be conducted for each brain checkup patient, which places a burden on the patient and also puts a burden on the doctor as the number of test items increases. It is difficult to actively adopt this method at health checkup centers that examine a large number of patients per day. In addition, even if the results of a brain checkup reveal no abnormalities, healthy people without the disease (including those with latent mild cognitive impairment and no symptoms) may avoid the brain checkup if it takes a long time. There is.
医師によるＭＲＩ画像診断において、脳の海馬に萎縮が見られると、アルツハイマー型認知症の早期発見につながる。
If atrophy is seen in the brain's hippocampus during MRI imaging performed by a doctor, this will lead to early detection of Alzheimer's dementia.
最近では、画像解析ＡＩ（人工知能）技術を用いた脳ドック用プログラム（ＢｒａｉｎＳｕｉｔｅ）が実用化されている（東北大学発のスタートアップ企業である株式会社ＣｏｇＳｍａｒｔの製品、「非特許文献２」を参照）。ＢｒａｉｎＳｕｉｔｅは、東北大学加齢研究所で開発した脳ＭＲ画像解析ＡＩ「Ｈｉｐｐｏｄｅｅｐ」で測定した海馬体積と、東北大学データベースから得られた健常人データセット、ＦＤＡ承認を受けている認知機能テスト「Ｃａｎｔａｂ」を用いて、認知機能低下のリスクを検出し脳健康レベルを算出する。
Recently, a brain checkup program (BrainSuite) using image analysis AI (artificial intelligence) technology has been put into practical use (product of CogSmart Co., Ltd., a startup company from Tohoku University, see "Non-patent Document 2") ). BrainSuite uses the hippocampal volume measured with the brain MR image analysis AI "Hippodeep" developed by the Tohoku University Institute on Aging, healthy human data sets obtained from the Tohoku University database, and the FDA-approved cognitive function test "Cantab". ” to detect the risk of cognitive decline and calculate the brain health level.
また、頭部ＭＲＩ画像をＡＩ（人工知能）で解析し、「海馬」領域の体積を測定・可視化し、解析レポートを受診者に届ける脳ドック用ＡＩプログラム（Ｂｒａｉｎ Ｌｉｆｅ Ｉｍａｇｉｎｇ（登録商標））が実用化されている（医療ＡＩスタートアップ企業である株式会社Ｓｐｌｉｎｋの製品、「非特許文献３」を参照）。
In addition, an AI program for brain checkups (Brain Life Imaging (registered trademark)) analyzes head MRI images using AI (artificial intelligence), measures and visualizes the volume of the "hippocampus" region, and delivers an analysis report to the patient. It has been put into practical use (product of Splink Co., Ltd., a medical AI startup company, see "Non-Patent Document 3").
ＭＲＩ装置メーカーとしては、シーメンスヘルスケア、富士フイルムヘルスケア、フィリップス・ジャパン、キヤノンメディカルシステム、ＧＥヘルスケアがあり、各メーカー間で互換性はない。また、ＭＲＩ装置の種類としては、０．２５Ｔ ＭＲＩ、０．３Ｔ ＭＲＩ、０．４Ｔ ＭＲＩ、１．５Ｔ ＭＲＩ、３．０Ｔ ＭＲＩなどのＭＲＩ装置があるが、装置によって性能差がある。ここで、Ｔは、磁場強度の単位であるテスラを意味する。
MRI equipment manufacturers include Siemens Healthcare, Fujifilm Healthcare, Philips Japan, Canon Medical Systems, and GE Healthcare, and there is no compatibility between each manufacturer. Further, there are types of MRI apparatuses such as 0.25T MRI, 0.3T MRI, 0.4T MRI, 1.5T MRI, and 3.0T MRI, but there are differences in performance depending on the apparatus. Here, T means Tesla, which is a unit of magnetic field strength.
脳ドックを受診する医療機関（病院、クリニック、健診センター等）では撮影する画像は、撮影条件の違いにより、ＭＲＩ画像の解像度はいろいろ存在する。このような事情があるために、脳ドックで取得されたＭＲＩ画像が多数存在するにもかかわらず、一般には、脳画像解析に利用することが難しい。
There are various resolutions of MRI images taken at medical institutions (hospitals, clinics, health checkup centers, etc.) where brain checkups are performed, depending on the imaging conditions. Due to such circumstances, although there are many MRI images obtained in brain checkups, it is generally difficult to use them for brain image analysis.
上記したような脳画像解析装置の例として、関連する特許文献としては、特開２０２１－９７９８８号号公報（特許文献１）、特開２０２１－９７９１０号公報（特許文献２）などが挙げられる。
As an example of the above-mentioned brain image analysis device, related patent documents include JP-A No. 2021-97988 (Patent Document 1), JP-A No. 2021-97910 (Patent Document 2), and the like.
上記特許文献１は、脳ＭＲＩ画像を使用し海馬体積を測定して、ＡＩ脳画像解析を行っているため、海馬の記憶機能などの認知機能障害の発見につながるが、海馬は脳の全体の０．３％程度であるため、高解像度撮影を行う必要があり、脳ドックで一般的に使用されている低解像度のＭＲＩ画像では十分は測定精度を得られないという課題があった。非特許文献１、２も同様に、脳ＭＲＩ画像を使用し海馬体積を測定して、ＡＩ脳画像解析を行っているため、同様な課題があった。
Patent Document 1 uses brain MRI images to measure the hippocampal volume and performs AI brain image analysis, which leads to the discovery of cognitive dysfunction such as hippocampal memory function. Since it is about 0.3%, it is necessary to perform high-resolution imaging, and there is a problem that sufficient measurement accuracy cannot be obtained with the low-resolution MRI images commonly used in brain checkups. Non-Patent Documents 1 and 2 also have similar problems because they use brain MRI images to measure the hippocampal volume and perform AI brain image analysis.
上記特許文献２は、同明細書段落［００４１］に記載のように、複数の医用画像（ＭＲＩ画像）を解析対象として、入力される複数のコントラストの観点から、医用画像取得装置のベンダー、磁場強度（ＭＲＩ装置の場合）、撮影条件などを考慮して、選択された画像の検出部の入力画像に合わせたコントラストに調整するので、元の画像のコントラストの違いの影響を排除することができる。しかし、ＭＲＩ画像が高解像度や低解像度のような解像度の違いについては考慮されていなかった。
As described in paragraph [0041] of the same specification, Patent Document 2 analyzes a plurality of medical images (MRI images) from the viewpoint of a plurality of input contrasts, the vendor of the medical image acquisition device, the magnetic field The contrast is adjusted to match the input image of the detection unit of the selected image, taking into account the intensity (in the case of an MRI device), imaging conditions, etc., so it is possible to eliminate the effects of contrast differences in the original images. . However, differences in resolution such as high resolution and low resolution of MRI images were not considered.
上述したような課題を解決するため、本発明の目的は、脳ドックで見られる撮影条件の不均一さの影響を最小化し、再現性良く、正確に脳の様々な部位の萎縮を測定可能とし、認知症発症リスクを解析する脳画像データ解析装置、脳画像データ解析方法、および脳画像データ解析プログラムを提供することにある。
In order to solve the above-mentioned problems, the purpose of the present invention is to minimize the influence of uneven imaging conditions seen in brain checkups, and to make it possible to accurately measure atrophy in various parts of the brain with good reproducibility. The present invention provides a brain image data analysis device, a brain image data analysis method, and a brain image data analysis program for analyzing the risk of developing dementia.
この発明の１つの局面に従うと、断層画像スキャナ装置により撮像された評価対象者の脳断層画像の入力を受けて、３次元的に脳内の所定の関心領域の萎縮の程度を解析する脳画像データ解析装置であって、脳断層画像全体から各構造単位に分割するセグメンテーションを行うセグメンテーション部と、分割された構造単位中から関心領域に関連する構造単位を同定する同定部と、同定された各構造単位の脳体積を計算する体積計算部と、断層画像スキャナ装置の撮影条件に応じて、入力された脳断面画像に基づく脳体積のキャリブレーションをするためのキャリブレーション部と、複数の被検者について事前に撮像され、各種撮影条件での各年齢における各構造単位の脳体積データを含む加齢変化データを有するデータベースと、データベースの各年齢における各構造単位のデータから、評価対象者の構造単位の同年代比を計算する同年代比計算部とを備え、キャリブレーション部は、例えば異なる撮影条件下での同一人物の撮影、あるいはデータベースの加齢変化データに基づいて、脳体積のキャリブレーションを行い、同年代比計算部は、キャリブレーション後に、データベースの各年齢における構造単位のデータに基づいて、複数の被検者に対する評価対象者の構造単位の脳体積の同年代比を計算することにより、前記所定の脳内の関心領域の萎縮程度を解析する。
According to one aspect of the present invention, a brain image is obtained in which the degree of atrophy of a predetermined region of interest in the brain is three-dimensionally analyzed upon input of a brain tomographic image of the evaluation subject captured by a tomographic image scanner device. The data analysis device includes a segmentation unit that performs segmentation to divide the entire brain tomographic image into each structural unit, an identification unit that identifies structural units related to the region of interest from among the divided structural units, and each identified structural unit. A volume calculation unit that calculates the brain volume of a structural unit, a calibration unit that calibrates the brain volume based on input brain cross-sectional images according to the imaging conditions of the tomographic image scanner device, and a plurality of test subjects. A database containing age-related change data including brain volume data for each structural unit at each age under various imaging conditions, and the data for each structural unit at each age in the database are used to determine the structure of the subject. and a same-age ratio calculation section that calculates the same-age ratio of units, and a calibration section that calibrates the brain volume based on, for example, imaging the same person under different imaging conditions or age-related change data in a database. After the calibration, the same-age ratio calculation unit calculates the same-age ratio of the brain volume of the structural unit of the evaluation subject for a plurality of subjects based on the data of the structural unit at each age in the database. Analyze the degree of atrophy in the region of interest in the brain.
好ましくは、データベースに格納された脳体積データに基づき、関心領域の萎縮に関連し、加齢性変化が他の構造単位よりも大きく、撮影条件の影響による変化が他の構造単位よりも小さな構造単位を選択する構造単位選択部をさらに備え、同定部は、構造単位選択部が選択した構造単位を、同定の対象とする。
Preferably, based on the brain volume data stored in the database, structures that are related to atrophy of the region of interest, have larger age-related changes than other structural units, and have smaller changes due to the influence of imaging conditions than other structural units. The apparatus further includes a structural unit selection section that selects a unit, and the identification section makes the structural unit selected by the structural unit selection section an identification target.
好ましくは、所定の脳内の関心領域は、海馬を含む辺縁系または側頭葉内側の認知症において変化することが既知の構造物であり、構造単位選択部が選択する構造単位は、加齢性変化の大きさの程度と撮影条件の影響に対するロバスト性とから選択される構造物であって脳室を含む。
Preferably, the predetermined region of interest in the brain is a structure in the limbic system including the hippocampus or the medial temporal lobe that is known to change in dementia, and the structural unit selected by the structural unit selection section is a structure that is known to change in dementia. The structure is selected based on the degree of age-related changes and robustness against the influence of imaging conditions, and includes the ventricle.
好ましくは、断層画像スキャナ装置は、Ｘ線ＣＴスキャナ装置である。
Preferably, the tomographic image scanner device is an X-ray CT scanner device.
好ましくは、断層画像スキャナ装置は、ＭＲＩスキャナ装置である。
Preferably, the tomographic image scanner device is an MRI scanner device.
好ましくは、同年代比計算部は、データベースの各年齢における複数個の構造単位を独立、あるいは統合して解析し、同年代比を計算することにより、所定の脳内の関心領域の萎縮程度を解析する。複数個の構造単位は一つの画像内の複数の構造単位、あるいは異なるタイプの画像から得られる複数の構造単位である。
Preferably, the age ratio calculation unit analyzes the degree of atrophy of a predetermined region of interest in the brain by analyzing a plurality of structural units at each age in the database independently or in an integrated manner and calculating the age ratio. . The multiple structural units are multiple structural units within one image or multiple structural units obtained from different types of images.
好ましくは、複数個の構造単位は、海馬と脳室とを含み、同年代比計算部は、ｉ）海馬の体積を第１の軸に、脳室の体積を第１の軸と直交する第２の軸として表示するデータを生成し、ｉｉ）評価対象者の脳体積の計算値が、第１の軸および第２の軸により表される座標のいずれの象限に属するかに応じて、所定の脳内の関心領域の萎縮程度を解析する。
Preferably, the plurality of structural units include a hippocampus and a ventricle, and the age ratio calculation unit includes i) a volume of the hippocampus on a first axis and a volume of the ventricle on a second axis perpendicular to the first axis. ii) generate data to be displayed as an axis of Analyze the degree of atrophy in the region of interest in the brain.
好ましくは、同年代比計算部は、所定の脳内の関心領域の萎縮程度の解析により、評価対象者の認知症リスクを評価する。
Preferably, the peer ratio calculation unit evaluates the dementia risk of the evaluation subject by analyzing the degree of atrophy of a predetermined region of interest in the brain.
好ましくは、同定された各構造単位の信号強度を計算する信号強度計算部をさらに備え、データベースの加齢変化データは、複数の被検者について事前に撮像され、各種撮影条件での各年齢における各構造単位の信号強度データを含み、キャリブレーション部は、データベースの加齢変化データに基づいて、信号強度のキャリブレーションを行い、同年代比計算部は、キャリブレーション後に、データベースの各年齢における構造単位のデータに基づいて、複数の被検者に対する評価対象者の構造単位の信号強度を同年代と比較することにより、構造単位の脳血管疾患のリスクを解析する。
Preferably, the database further includes a signal strength calculation unit that calculates the signal strength of each identified structural unit, and the age change data in the database is obtained by imaging a plurality of subjects in advance and at each age under various imaging conditions. The calibration unit calibrates the signal strength based on the age change data in the database, and the same age ratio calculation unit calculates the signal intensity data for each structural unit in the database after calibration. Based on this data, the risk of cerebrovascular disease in the structural unit is analyzed by comparing the signal strength of the structural unit of the evaluation subject with that of the same age for multiple subjects.
好ましくは、キャリブレーション係数決定手段をさらに備え、キャリブレーション係数決定手段は、加齢変化データに基づいて、複数の年齢の異なる被検者の構造単位に対し、体積－年齢の相関曲線を作成する相関作成手段と、作成された相関曲線から相関パラメータを抽出するパラメータ抽出手段と、抽出された相関パラメータの差を小さくするように、脳体積に対するキャリブレーション係数を決定する一致化手段とを含み、キャリブレーション部は、決定されたキャリブレーション係数に基づいて、脳体積のキャリブレーションを行う。
Preferably, the method further includes a calibration coefficient determining means, and the calibration coefficient determining means creates a volume-age correlation curve for structural units of a plurality of subjects of different ages based on aging change data. Correlation creation means, parameter extraction means for extracting a correlation parameter from the created correlation curve, and matching means for determining a calibration coefficient for brain volume so as to reduce the difference between the extracted correlation parameters, The calibration unit calibrates the brain volume based on the determined calibration coefficient.
好ましくは、同年代比計算部は、各年齢における構造単位の体積の人口分布に基づき、評価対象者の年齢に基づき、評価対象者の構造単位の人口分布における位置を計算する。
Preferably, the same age ratio calculation unit calculates the position of the evaluation subject in the population distribution of the structural unit based on the age of the evaluation subject based on the population distribution of the volume of the structural unit at each age.
この発明の他の局面に従うと、断層画像スキャナ装置により撮像された評価対象者の脳断層画像の入力を受けて、３次元的に脳内の所定の関心領域の萎縮の程度を解析する解析装置の脳画像データの解析方法であって、解析装置は、複数の被検者について事前に撮像され、各種撮影条件での各年齢における各構造単位の脳体積データを含む加齢変化データを有するデータベースを備え、脳断層画像全体から各構造単位に分割するセグメンテーションを行うステップと、分割された構造単位中から関心領域に関連する構造単位を同定するステップと、同定された各構造単位の脳体積を計算するステップと、データベースの加齢変化データに基づいて、断層画像スキャナ装置の撮影条件に応じて、入力された脳断面画像に基づく脳体積のキャリブレーションをするステップと、データベースの各年齢における各構造単位のデータから、評価対象者の構造単位の同年代比を計算するステップとを備え、同年代比を計算するステップは、キャリブレーション後に、データベースの各年齢における構造単位のデータに基づいて、複数の被検者に対する評価対象者の構造単位の脳体積の同年代比を計算することにより、所定の脳内の関心領域の萎縮程度を解析するステップを含む。
According to another aspect of the invention, an analysis device receives input of a brain tomographic image of an evaluation subject captured by a tomographic image scanner device and three-dimensionally analyzes the degree of atrophy of a predetermined region of interest in the brain. A method for analyzing brain image data, the analysis device comprising: a database having age-related change data including brain volume data of each structural unit at each age under various imaging conditions; A step of performing segmentation to divide the entire brain tomographic image into each structural unit, a step of identifying a structural unit related to the region of interest from among the divided structural units, and a step of calculating the brain volume of each identified structural unit. a step of calibrating the brain volume based on the input cross-sectional brain image according to the imaging conditions of the tomographic image scanner device based on the aging change data in the database; and a step of calculating the same age ratio of the structural unit of the evaluation subject from the data of the structural unit, and the step of calculating the same age ratio calculates the same age ratio of the evaluation subject based on the data of the structural unit at each age in the database. The method includes a step of analyzing the degree of atrophy of a region of interest in a predetermined brain by calculating the same-age ratio of the brain volume of the structural unit of the evaluation subject to the subject.
好ましくは、キャリブレーション係数を決定するステップをさらに備え、キャリブレーション係数を決定するステップは、同一人物の異なる撮影条件下での撮影、あるいは加齢変化データに基づいて、複数の年齢の異なる被検者の構造単位に対し、体積－年齢の相関曲線を作成するステップと、作成された相関曲線から相関パラメータを抽出するステップと、抽出された相関パラメータの差を小さくするように、脳体積に対するキャリブレーション係数を決定するステップとを含み、キャリブレーションをするステップは、決定されたキャリブレーション係数に基づいて、脳体積のキャリブレーションを行う。
Preferably, the step further includes the step of determining a calibration coefficient, and the step of determining the calibration coefficient includes imaging the same person under different imaging conditions, or imaging multiple subjects of different ages based on aging change data. A step of creating a volume-age correlation curve for the structural unit of the human body, a step of extracting a correlation parameter from the created correlation curve, and a step of calibrating the brain volume so as to reduce the difference between the extracted correlation parameters. and determining a calibration coefficient, and the step of calibrating calibrates the brain volume based on the determined calibration coefficient.
好ましくは、同年代比を計算するステップは、各年齢における構造単位の体積の人口分布に基づき、評価対象者の年齢に基づき、評価対象者の構造単位の人口分布における位置を計算するステップを含む。
Preferably, the step of calculating the same age ratio includes the step of calculating the position of the evaluation subject in the population distribution of the structural unit based on the age of the evaluation subject based on the population distribution of the volume of the structural unit at each age.
好ましくは、同年代比を計算するステップは、所定の脳内の関心領域の萎縮程度の解析により、評価対象者の認知症リスクを評価するステップを含む。
Preferably, the step of calculating the same-age ratio includes the step of evaluating the dementia risk of the evaluation subject by analyzing the degree of atrophy of a predetermined region of interest in the brain.
この発明のさらに他の局面に従うと、記憶装置を演算装置を有するコンピュータに、断層画像スキャナ装置により撮像された評価対象者の脳断層画像の入力を受けて、３次元的に脳内の所定の関心領域の萎縮の程度を解析する解析装置としての処理を実行させるための脳画像データの解析プログラムであって、記憶装置は、複数の被検者について事前に撮像され、各種撮影条件での各年齢における各構造単位の脳体積データを含む加齢変化データを有するデータベースを備え、演算装置が、脳断層画像全体から各構造単位に分割するセグメンテーションを行うステップと、演算装置が、分割された構造単位中から関心領域に関連する構造単位を同定するステップと、演算装置が、同定された各構造単位の脳体積を計算するステップと、演算装置が、データベースの加齢変化データに基づいて、断層画像スキャナ装置の撮影条件に応じて、入力された脳断面画像に基づく脳体積のキャリブレーションをするステップと、演算装置が、データベースの各年齢における各構造単位のデータから、評価対象者の構造単位の同年代比を計算するステップとを備え、同年代比を計算するステップは、キャリブレーション後に、データベースの各年齢における構造単位のデータに基づいて、複数の被検者に対する評価対象者の構造単位の脳体積の同年代比を計算することにより、所定の脳内の関心領域の萎縮程度を解析するステップを含む。
According to still another aspect of the present invention, a computer having a storage device and an arithmetic device receives an input of a brain tomographic image of the evaluation subject taken by a tomographic image scanner device, and three-dimensionally identifies a predetermined portion of the brain. This is a brain image data analysis program for executing processing as an analysis device for analyzing the degree of atrophy of a region of interest. comprising a database having age-related change data including brain volume data of each structural unit at different ages; a step in which the computing device performs segmentation of dividing the entire brain tomographic image into each structural unit; a step of identifying a structural unit related to the region of interest from among the units; a step of the arithmetic unit calculating the brain volume of each identified structural unit; and a step of the arithmetic unit calculating the brain volume of each identified structural unit; A step of calibrating the brain volume based on the input brain cross-sectional image according to the imaging conditions of the image scanner device, and a calculation device calculating the structural unit of the evaluation subject from the data of each structural unit at each age in the database. and a step of calculating the same-age ratio of the brain of the evaluation subject for multiple subjects based on the data of the structural unit at each age in the database after calibration. The method includes the step of analyzing the degree of atrophy of a region of interest within a predetermined brain by calculating a volume contemporaneous ratio.
この明細書において、「脳ドック」とは、診療所や病院などに設置されている画像診断装置（MRI装置、X線CT装置を含む）により、被検者の頭部の断面画像を撮像して、脳の健康状態を検査することをいう。脳の構造の解析のために、脳の３次元構造を再現できる撮像が望ましい。
In this specification, "brain checkup" refers to a cross-sectional image of a subject's head taken using an image diagnostic device (including an MRI device and an X-ray CT device) installed at a clinic or hospital. This refers to testing the health status of the brain. For analysis of brain structure, imaging that can reproduce the three-dimensional structure of the brain is desirable.
「認知症」とは、2022年１月に発効した、国際疾病分類第11回改訂版（以下、ICD－11）よれば、「認知症は以下の認知領域（１）記憶、（２）実行機能、（３）注意、（４）言語、（５）社会的認知および判断、（６）精神運動速度、（７）視覚認知または視空間認知のうち二つ以上が以前のレベルから低下しているという特徴を持つ後天的な症候群」とされている。なお、ICD－10から、ICD－11への改定により、記憶力障害が必須要件ではなくなっている。また、新たな認知機能障害として、「社会的認知の障害」と「精神運動速度の遅延」が追加された。
According to the 11th revised edition of the International Classification of Diseases (hereinafter referred to as ICD-11), which took effect in January 2022, "dementia" is defined as "dementia" in the following cognitive areas: (1) memory, (2) performance. Decrease from previous levels in two or more of the following: function, (3) attention, (4) language, (5) social cognition and judgment, (6) psychomotor speed, and (7) visual or visuospatial cognition. It is said to be an acquired syndrome characterized by Furthermore, with the revision from ICD-10 to ICD-11, memory impairment is no longer an essential requirement. Additionally, ``impaired social cognition'' and ``delayed psychomotor speed'' were added as new cognitive impairments.
本発明によれば、脳ドックで見られる撮影条件の不均一さの影響を最小化し、再現性良く、正確に脳の様々な部位の萎縮を測定可能とし、認知症発症リスクを解析する脳画像データ解析装置、脳画像データ解析方法、および脳画像データ解析プログラムを実現することができる。
According to the present invention, the influence of uneven imaging conditions seen in brain checkups can be minimized, atrophy in various parts of the brain can be accurately measured with good reproducibility, and brain images can be used to analyze the risk of developing dementia. A data analysis device, a brain image data analysis method, and a brain image data analysis program can be realized.
図面は、本開示に係る本発明の特定の実施の形態を示し、発明の不可欠な構成ばかりでなく、選択的及び好ましい実施の形態を含む。
実施形態の脳画像データ解析装置の機能ブロック図である。
図１に示した脳画像データ解析装置１のハードウェア構成を説明するためのブロック図である。
図１の脳画像データ解析装置による脳画像データ解析処理フローチャートである。
実施形態の脳画像データ解析装置の機能ブロック図である。
各種構造レベルでのセグメンテーション教師データの例を示す図である。
脳画像データ解析装置による脳画像データ解析処理の事前解析を示すフローチャートである。
図１の脳画像データ解析装置による脳画像データ解析処理の被験者に対する解析を示すフローチャートである。
図１又は図４の本実施形態の脳画像データ解析装置における撮影条件キャリブレーション部の機能ブロック図である。
図１又は図４の本実施形態の脳画像データ解析装置における撮影条件キャリブレーション部の処理フローチャートである。
脳室体積－年齢相関を使ったキャリブレーション前後を対比して示す図である。図９（ａ）は、キャリブレーション前の例を示す図であり、図９（ｂ）は、キャリブレーション後の例を示す図である。
図１又は図４の実施形態の脳画像データ解析装置における同年代比計算部の機能ブロック図である。
図１又は図４の実施形態の脳画像データ解析装置における同年代比計算部の処理フローチャートである。
脳室体積の対数スケールを使った正規分布化（年齢別）を示す図である。（ａ）は３０代、（ｂ）は４０代、（ｃ）は５０代、（ｄ）は６０代を示す。
リニアスケールを用いた女性の年齢別の脳室体積のヒストグラムを示す図である。（ａ）は３０代、（ｂ）は４０代、（ｃ）は５０代、（ｄ）は６０代を示す。
リニアスケールを用いた男性の年齢別の脳室体積のヒストグラムを示す図である。（ａ）は３０代、（ｂ）は４０代、（ｃ）は５０代、（ｄ）は６０代を示す。
プールされたデータに対する正規分布モデル（実線）および勾配ブースト回帰（点線）に基づく脳室体積のＺスコアを示す図である。
図１又は図４の実施形態の脳画像データ解析装置における脳血管障害度計算部の機能ブロック図である。
図１又は図４の実施形態の脳画像データ解析装置における脳血管障害度計算部の処理フローチャート。
脳白質信号異常領域を定義した教師データを示す図である。
年齢と白質の信号異常領域の体積との相関関係を示す図である。
本実施形態の脳画像データ解析装置における包括的評価、「脳全体の萎縮評価」のモニター表示画面例を示す図である。
本実施形態の脳画像データ解析装置における脳萎縮と血管性病変の総合評価例を示す図である。
過去のＭＲＩ画像から解析レポート作成結果を示す図である。
「血管性病変評価」のモニター表示画面例を示す図である。
認知症の種類別割合を示す図である。
認知症リスク例を示す図である。
平成２８年国民生活基礎調査の概況を示す統計データ例を示す図である。
介護が必要となった主な原因の例を示す図である。
認知症発症における生活習慣のリスク因子を示す図である。
アルツハイマー病（ＡＤ）と健常人との脳構造物（左半球）の体積比較を示す図である。
アルツハイマー病（ＡＤ）と健常人との脳構造物（脳室）の体積比較を示す図である。
正規分布モデルから求めた年齢と脳室体積の相関関係を示す図である。
（ａ）脳の側面図を示す図である。（ｂ）脳の背面図を示す図である。
側脳室前部と側脳室側部の加齢による拡張度合いを示す図である。
脳室体積と血圧との関係（５０代男女）を示す図である。
脳室体積と飲酒頻度（週回数）との関係（５０代男女）を示す図である。
正常例と血管性病変例の信号強度変化の比較を示す図である。
信号変化領域の体積と年齢との関係（血管性病変）を示す図である。
Ｍ－ｖｉｓｉｏｎ測定（脳ＭＲＩ）による生活習慣と脳疾患検出のフローを説明するための図である。
本実施形態の脳画像データ解析装置をワークステーション、医療用画像管理システム（ＰＡＣＳ）の構成図である。
本実施形態の脳画像データ解析装置をクラウドサーバ内に適用した例を示す図である。
本実施形態の脳画像データ解析装置をクラウドサーバ内に適用した例を示す図である。
アルツハイマー病（ＡＤ）と健常人における辺縁系体積と海馬体積の相関を比較するための図である。
アルツハイマー病（ＡＤ）と健常人における脳室体積と海馬体積の相関の比較するための図である。
本実施形態の脳画像データ解析装置における加齢性変化の大きな脳構造物を示す図である。
大脳半球を示す図である。
灰白質・脳室・シルビウス脳溝を示す図である。
脳室前角信号異常領域を示す図である。
（ａ）低解像度撮影（２．５ｍｍデータ）における受診者年齢と萎縮度（脳室体積）の関係を示す図である。（ｂ）高解像度撮影（１．２ｍｍデータ）における受診者年齢と萎縮度（脳室体積）の関係を示す図である。
（ａ）女性受診者の脳室体積の萎縮の頻度（年代別：３０代、４０代、５０代、６０代、７０代）を示す図である。（ｂ）男性受診者の脳室体積の萎縮の頻度（年齢別：３０代、４０代、５０代、６０代、７０代）を示す図である。
年齢別萎縮度（脳室体積対数値）ヒストグラムおよび対数正規分布を示す図である。
正規分布モデルから求めたＰｏｐｕｌａｔｉｏｎ解析とＡＤ患者領域との差を示す図である。
脳室の画像例を示す図である。（ａ）は、正常典型例の脳室拡大実際例（４０代）を示す図である。（ｂ）は、萎縮所見なし萎縮例の脳室拡大実際例（４０代）を示す図である。
脳室の画像例を示す図である。（ａ）は、正常典型例の脳室拡大実際例（４０代）を示す図である。（ｂ）は、萎縮所見なし萎縮例の脳室拡大実際例（４０代）を示す図である。
脳室の画像例を示す図である。（ａ）は、正常典型例の脳室拡大実際例（３０代）を示す図である。（ｂ）は、軽度両側側脳室拡大の萎縮例の脳室拡大実際例（３０代）を示す図である。
血糖値と脳室体積の相関を示す図である。（ａ）は、男女別４０代における血糖値と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）である。（ｂ）は、男女別５０代における血糖値と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）である。（ｃ）は、男女別４０代における血糖値と脳室体積の相関を示す図（高解像度データ１-１．２ｍｍ）である。（ｄ）は、男女別５０代における血糖値と脳室体積の相関を示す図（高解像度データ１－１．２ｍｍ）である。
血圧値と脳室体積の相関を示す図である。（ａ）は、男女別４０代における血圧値と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）である。（ｂ）は、男女別５０代における血圧値と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）である。（ｃ）は、男女別４０代における血圧値と脳室体積の相関を示す図（高解像度データ１-１．２ｍｍ）である。（ｄ）は、男女別５０代における血圧値と脳室体積の相関を示す図（高解像度ータ１－１．２ｍｍ）である。
内臓脂肪量と脳室体積の相関を示す図である。（ａ）は、男女別４０代における内臓脂肪量と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）。（ｂ）は、男女別５０代における内臓脂肪量と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）。（ｃ）は、男女別４０代における内蔵脂肪量と脳室体積の相関を示す図（高解像度データ１-１．２ｍｍ）。（ｄ）は、男女別５０代における内臓脂肪量と脳室体積の相関を示す図（高解像度データ１－１．２ｍｍ）。
飲酒（回／週）と脳室体積の相関を示す図である。（ａ）は、男女別４０代における飲酒（回／週）と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）。（ｂ）は、男女別５０代における飲酒（回／週）と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）。（ｃ）は、男女別４０代における飲酒（回／週）と脳室体積の相関を示す図（高解像度データ１-１．２ｍｍ）。（ｄ）は、男女別５０代における飲酒（回／週）と脳室体積の相関を示す図（高解像度データ１－１．２ｍｍ）。
萎縮性リスクと血管性病変（白質編成）リスクを同時推定するための解析結果を示す図である。
時系列データの初期解析結果を示す図である。（ａ）は、低解像度データ（２．５ｍｍ）における時系列データの初期解析結果を示す図である。（ｂ）は、高解像度データ（１－１．２ｍｍ）における時系列データの初期解析結果を示す図である。
脳室体積と脳室拡大率の関係を示す図である。（ａ）は、低解像度データ（２．５ｍｍ）による脳室体積と脳室拡大率の関係を示す図である。（ｂ）は、高解像度データ（１－１．２ｍｍ）による脳室体積と脳室拡大率の関係を示す図である。
脳萎縮の詳細なパターン評価モニター表示画面の一例を示す図である。
脳萎縮に影響を及ぼす生活習慣４大因子の解析評価モニター表示画面の一例を示す図である。（ａ）血糖値の影響（ｂ）内臓脂肪量の影響（ｃ）血圧値の影響（ｄ）飲酒頻度の影響を示す図である。
認知症リスクに関連する脳構造物の例を示す図である。
５０代の被検者の脳断面画像と７０代の被検者の脳断面画像とを示す図である。
海馬と脳室を測定対象とする場合に、複合解析を行う例を示す概念図である。
海馬と脳室の測定値を、海馬体積を横軸に、脳室体積を縦軸にして、グラフ上にプロットした例を示す図である。
偏桃体と脳室の測定値を、偏桃体の体積を横軸に、脳室体積を縦軸にして、グラフ上にプロットした例を示す図である。
複合指標による脳構造物の萎縮の評価を実施する処理のフローチャートを示す図である。
データの仮名加工と縦断データとしての利用可能性を両立させるためのデータ取得から、データの共同利用を行うまでのデータの流れの概念を示す図である。
仮名加工情報について、システム運用者の利用と、データ利用者による利用とを可能とする構成を示す概念図である。
システムの運用を説明するためのフローチャートである。
The drawings illustrate specific embodiments of the present invention according to the present disclosure, and include not only essential components of the invention, but also alternative and preferred embodiments.
FIG. 1 is a functional block diagram of a brain image data analysis device according to an embodiment. 2 is a block diagram for explaining the hardware configuration of the brain image data analysis device 1 shown in FIG. 1. FIG. 2 is a flowchart of brain image data analysis processing performed by the brain image data analysis device of FIG. 1. FIG. FIG. 1 is a functional block diagram of a brain image data analysis device according to an embodiment. FIG. 3 is a diagram showing examples of segmentation training data at various structural levels. It is a flowchart showing preliminary analysis of brain image data analysis processing by the brain image data analysis device. 2 is a flowchart showing analysis of a subject in brain image data analysis processing performed by the brain image data analysis device of FIG. 1; FIG. 5 is a functional block diagram of an imaging condition calibration section in the brain image data analysis device of the present embodiment shown in FIG. 1 or 4. FIG. 5 is a processing flowchart of the imaging condition calibration unit in the brain image data analysis device of the present embodiment shown in FIG. 1 or 4. FIG. FIG. 4 is a diagram comparing before and after calibration using the ventricular volume-age correlation. FIG. 9(a) is a diagram showing an example before calibration, and FIG. 9(b) is a diagram showing an example after calibration. FIG. 5 is a functional block diagram of a peer ratio calculation unit in the brain image data analysis device of the embodiment shown in FIG. 1 or 4. FIG. 5 is a processing flowchart of the same age ratio calculation unit in the brain image data analysis device of the embodiment of FIG. 1 or 4. FIG. FIG. 2 is a diagram showing normal distribution (by age) of ventricular volume using a logarithmic scale. (a) shows people in their 30s, (b) shows people in their 40s, (c) shows people in their 50s, and (d) shows people in their 60s. FIG. 3 is a diagram showing a histogram of ventricular volumes according to age in women using a linear scale. (a) shows people in their 30s, (b) shows people in their 40s, (c) shows people in their 50s, and (d) shows people in their 60s. It is a figure which shows the histogram of the ventricular volume by age of a male using a linear scale. (a) shows people in their 30s, (b) shows people in their 40s, (c) shows people in their 50s, and (d) shows people in their 60s. FIG. 3 shows Z-scores for ventricular volumes based on a normal distribution model (solid line) and slope-boosted regression (dotted line) for pooled data. 5 is a functional block diagram of a cerebrovascular disorder degree calculation unit in the brain image data analysis device of the embodiment of FIG. 1 or 4. FIG. 5 is a processing flowchart of a cerebrovascular disorder degree calculation unit in the brain image data analysis apparatus of the embodiment of FIG. 1 or 4. FIG. FIG. 3 is a diagram showing training data defining abnormal brain white matter signal regions. FIG. 3 is a diagram showing the correlation between age and the volume of a white matter signal abnormality region. FIG. 3 is a diagram illustrating an example of a monitor display screen for "atrophy evaluation of the entire brain", which is a comprehensive evaluation in the brain image data analysis device of the present embodiment. FIG. 3 is a diagram showing an example of comprehensive evaluation of brain atrophy and vascular lesions in the brain image data analysis device of the present embodiment. It is a figure showing the result of creating an analysis report from past MRI images. FIG. 7 is a diagram showing an example of a monitor display screen for “vascular lesion evaluation.” It is a figure showing the rate by type of dementia. It is a figure showing an example of dementia risk. FIG. 2 is a diagram showing an example of statistical data showing an overview of the 2016 National Survey of Living Conditions. It is a figure showing an example of the main causes that nursing care became necessary. FIG. 2 is a diagram showing lifestyle risk factors for the onset of dementia. It is a figure showing a volume comparison of brain structures (left hemisphere) between Alzheimer's disease (AD) and a healthy person. FIG. 2 is a diagram showing a volume comparison of a brain structure (ventricular) between Alzheimer's disease (AD) and a healthy person. FIG. 3 is a diagram showing the correlation between age and ventricular volume obtained from a normal distribution model. (a) A diagram showing a side view of the brain. (b) A diagram showing a rear view of the brain. FIG. 3 is a diagram showing the degree of expansion of the anterior part of the lateral ventricle and the lateral part of the lateral ventricle due to aging. FIG. 3 is a diagram showing the relationship between ventricular volume and blood pressure (for men and women in their 50s). FIG. 2 is a diagram showing the relationship between cerebral ventricular volume and drinking frequency (number of times per week) (for men and women in their 50s). FIG. 3 is a diagram showing a comparison of signal intensity changes between a normal example and a vascular lesion example. FIG. 3 is a diagram showing the relationship between the volume of a signal change region and age (vascular lesion). FIG. 2 is a diagram for explaining the flow of lifestyle and brain disease detection by M-vision measurement (brain MRI). 1 is a configuration diagram of a brain image data analysis device of this embodiment as a workstation and a medical image management system (PACS). FIG. 2 is a diagram showing an example in which the brain image data analysis device of this embodiment is applied within a cloud server. FIG. 2 is a diagram showing an example in which the brain image data analysis device of this embodiment is applied within a cloud server. FIG. 2 is a diagram for comparing the correlation between limbic system volume and hippocampal volume in Alzheimer's disease (AD) and healthy subjects. FIG. 2 is a diagram for comparing the correlation between ventricular volume and hippocampal volume in Alzheimer's disease (AD) and healthy subjects. FIG. 3 is a diagram showing brain structures that undergo large age-related changes in the brain image data analysis device of the present embodiment. It is a diagram showing cerebral hemispheres. It is a diagram showing the gray matter, ventricles, and Sylvian sulcus. FIG. 3 is a diagram showing an abnormal ventricular horn signal region. (a) It is a diagram showing the relationship between patient age and atrophy degree (ventricular volume) in low resolution imaging (2.5 mm data). (b) is a diagram showing the relationship between patient age and atrophy degree (ventricular volume) in high-resolution imaging (1.2 mm data). (a) It is a figure showing the frequency of cerebral ventricular volume atrophy in female patients (by age group: 30s, 40s, 50s, 60s, and 70s). (b) It is a figure showing the frequency of atrophy of the ventricular volume of male patients (by age group: 30s, 40s, 50s, 60s, and 70s). It is a figure which shows the atrophy degree (ventricular volume logarithm value) histogram and lognormal distribution by age. It is a figure which shows the difference between the population analysis calculated|required from a normal distribution model, and an AD patient area|region. It is a figure showing an example of an image of a ventricle. (a) is a diagram showing an actual example of ventricular enlargement in a typical normal case (40s). (b) is a diagram showing an actual example of ventricular enlargement in an atrophic case (40s) with no atrophy findings. It is a figure showing an example of an image of a ventricle. (a) is a diagram showing an actual example of ventricular enlargement in a typical normal case (40s). (b) is a diagram showing an actual example of ventricular enlargement in an atrophic case (40s) with no atrophy findings. It is a figure showing an example of an image of a ventricle. (a) is a diagram showing an actual example of ventricular enlargement in a typical normal case (30s). (b) is a diagram showing an actual example (30s) of ventricle enlargement in an atrophic case of mild bilateral ventricle enlargement. FIG. 3 is a diagram showing the correlation between blood sugar level and ventricular volume. (a) is a diagram (low resolution data 2.5 mm) showing the correlation between blood sugar level and ventricular volume in men and women in their 40s. (b) is a diagram (low resolution data 2.5 mm) showing the correlation between blood sugar level and ventricular volume in men and women in their 50s. (c) is a diagram (high resolution data 1-1.2 mm) showing the correlation between blood sugar level and ventricular volume in men and women in their 40s. (d) is a diagram (high resolution data 1-1.2 mm) showing the correlation between blood sugar level and ventricular volume in men and women in their 50s. FIG. 3 is a diagram showing the correlation between blood pressure value and ventricular volume. (a) is a diagram (low resolution data 2.5 mm) showing the correlation between blood pressure values and ventricular volumes in men and women in their 40s. (b) is a diagram (low resolution data 2.5 mm) showing the correlation between blood pressure value and ventricular volume in men and women in their 50s. (c) is a diagram (high resolution data 1-1.2 mm) showing the correlation between blood pressure values and ventricular volumes in men and women in their 40s. (d) is a diagram (high resolution data 1-1.2 mm) showing the correlation between blood pressure values and ventricular volumes in men and women in their fifties. It is a figure showing the correlation between visceral fat amount and ventricular volume. (a) is a diagram showing the correlation between visceral fat mass and ventricular volume in men and women in their 40s (low resolution data 2.5 mm). (b) is a diagram showing the correlation between visceral fat mass and ventricular volume in men and women in their 50s (low resolution data 2.5 mm). (c) is a diagram showing the correlation between visceral fat mass and ventricular volume in men and women in their 40s (high resolution data 1-1.2 mm). (d) is a diagram showing the correlation between visceral fat mass and ventricular volume in men and women in their 50s (high resolution data 1-1.2 mm). FIG. 3 is a diagram showing the correlation between alcohol consumption (times/week) and ventricular volume. (a) is a diagram showing the correlation between alcohol consumption (times/week) and ventricular volume in men and women in their 40s (low resolution data 2.5 mm). (b) is a diagram showing the correlation between alcohol consumption (times/week) and ventricular volume in men and women in their 50s (low resolution data 2.5 mm). (c) is a diagram showing the correlation between alcohol consumption (times/week) and ventricular volume in men and women in their 40s (high resolution data 1-1.2 mm). (d) is a diagram showing the correlation between alcohol consumption (times/week) and ventricular volume in men and women in their 50s (high resolution data 1-1.2 mm). FIG. 7 is a diagram showing analysis results for simultaneously estimating atrophic risk and vascular lesion (white matter organization) risk. It is a figure showing the initial analysis result of time series data. (a) is a diagram showing the initial analysis results of time series data in low resolution data (2.5 mm). (b) is a diagram showing the initial analysis results of time series data in high resolution data (1-1.2 mm). FIG. 3 is a diagram showing the relationship between ventricular volume and ventricular expansion rate. (a) is a diagram showing the relationship between ventricular volume and ventricular expansion rate based on low resolution data (2.5 mm). (b) is a diagram showing the relationship between ventricular volume and ventricular enlargement rate based on high resolution data (1-1.2 mm). FIG. 3 is a diagram showing an example of a detailed pattern evaluation monitor display screen of brain atrophy. FIG. 3 is a diagram showing an example of a monitor display screen for analysis and evaluation of four major lifestyle factors that influence brain atrophy. It is a figure showing (a) influence of blood sugar level, (b) influence of visceral fat amount, (c) influence of blood pressure value, and (d) influence of drinking frequency. FIG. 2 is a diagram showing an example of brain structures related to dementia risk. FIG. 2 is a diagram showing a brain cross-sectional image of a subject in his 50s and a brain cross-sectional image of a subject in his 70s. FIG. 3 is a conceptual diagram showing an example of performing a combined analysis when the hippocampus and the ventricle are the measurement targets. FIG. 3 is a diagram showing an example in which measured values of the hippocampus and the ventricle are plotted on a graph with the hippocampal volume on the horizontal axis and the ventricular volume on the vertical axis. FIG. 3 is a diagram showing an example in which measured values of the amygdala and ventricle are plotted on a graph with the volume of the amygdala on the horizontal axis and the volume of the ventricle on the vertical axis. FIG. 3 is a diagram showing a flowchart of processing for evaluating atrophy of brain structures using a composite index. FIG. 3 is a diagram illustrating the concept of data flow from data acquisition to joint use of data in order to achieve both pseudonymization of data and availability as longitudinal data. FIG. 2 is a conceptual diagram showing a configuration that allows pseudonym processing information to be used by a system operator and a data user. It is a flowchart for explaining the operation of the system.
添付の図面を参照し、本発明に係る脳画像データ解析装置の詳細を説明すると、以下のとおりである。また、以下の実施形態は、本発明の欠くことのできない要件を含む他に、選択的に採用することのできる要件及び適宜に組み合わせることのできる要件を含んでいる。
The details of the brain image data analysis device according to the present invention will be described below with reference to the accompanying drawings. Furthermore, the following embodiments include not only essential requirements of the present invention but also requirements that can be selectively adopted and requirements that can be combined as appropriate.
[実施の形態１]
[Embodiment 1]
本実施形態の脳画像データ解析装置は、米ジョンズポプキンス大学のＡＩ技術を活用し、開発したソフトウェアをベースに日本国内に存在する３万枚のＭＲＩ脳画像ビッグデータをＡＩにより分析することで、認知症や脳梗塞患者に認められる特徴である脳の委縮と血管性変化を総合的に評価する装置である。
The brain image data analysis device of this embodiment utilizes AI technology from Johns Popkins University in the United States, and uses AI to analyze big data of 30,000 MRI brain images existing in Japan based on developed software. This device comprehensively evaluates brain atrophy and vascular changes, which are characteristics observed in patients with dementia and cerebral infarction.
このような米ジョンズポプキンス大学が開発した脳画像の解析技術については、たとえば、以下の文献に開示されている。
参考文献１：米国特許第10074173号公報
参考文献２：米国特許第10535133号公報 The brain image analysis technology developed by Johns Popkins University in the US is disclosed, for example, in the following documents.
Reference 1: US Patent No. 10074173 Reference 2: US Patent No. 10535133
参考文献１：米国特許第10074173号公報
参考文献２：米国特許第10535133号公報 The brain image analysis technology developed by Johns Popkins University in the US is disclosed, for example, in the following documents.
Reference 1: US Patent No. 10074173 Reference 2: US Patent No. 10535133
特に、参考文献１には、全脳を脳アトラスに定義された２５４の構造の階層関係に基づいて、粒度レベルを柔軟に変更することができる自動分割技術が開示されている。参考文献２には、複数のアトラスに基づいて、生成モデルの手法により、脳画像に対する自動セグメンテーションを実行して各構造にラベル付けをする技術が開示されている。
In particular, Reference 1 discloses an automatic segmentation technique that can flexibly change the granularity level of the whole brain based on the hierarchical relationship of 254 structures defined in a brain atlas. Reference 2 discloses a technique for automatically segmenting a brain image and labeling each structure using a generative model method based on a plurality of atlases.
もっとも、脳画像をセグメンテーションして、各構造にラベル付けする技術に関しては、他のセグメンテーション法および他のラベリング手法を用いてもよい。
However, other segmentation methods and other labeling methods may be used as a technique for segmenting brain images and labeling each structure.
本明細書においては、脳画像の「構造単位」とは、たとえば、参考文献１で規定される手法を用いて、１つ又は複数の既知の脳アトラス（脳地図）に基づいて、複数の構造（たとえば、５０５構造）に自動セグメンテーションされた各々の構造を示すものとして説明する。ただし、後述するように、区分けする構造の数は、５０５構造に限られず、たとえば、いくつかの区分を統合して、それを１つの「構造単位」とみなす場合もありうる。
In this specification, a "structural unit" of a brain image refers to a plurality of structures that are formed based on one or more known brain atlases (brain maps) using the method defined in Reference 1, for example. (For example, 505 structures) will be described as showing each structure that has been automatically segmented. However, as will be described later, the number of structures to be divided is not limited to 505 structures, and for example, several divisions may be integrated and considered as one "structural unit."
もっとも、脳の構造は、階層的であるとともに、機能としては局在することが知られており、脳画像から得られる「構造単位」としては、参考文献１の手法を用いるものに限られず、スキャナの性能、種類、撮像原理、撮像条件などに応じて、取得された画像の情報から区分可能な他の区分けを「構造単位」としてもよい。
However, it is known that the structure of the brain is hierarchical and localized in function, and the "structural units" obtained from brain images are not limited to those using the method of Reference 1. Depending on the performance, type, imaging principle, imaging conditions, etc. of the scanner, other divisions that can be classified from the information of the acquired image may be used as "structural units."
なお、後述するように、自動セグメンテーションされた複数の「構造単位」の組み合わせが、１つの「脳構造」に対応する場合がある。たとえば、「脳室」という「脳構造」は、側脳室、第３脳室、第４脳室からなっており、さらに、側脳室は、前部、後部、側部からなるというような階層関係が存在する場合もある。
Note that, as described later, a combination of multiple automatically segmented "structural units" may correspond to one "brain structure." For example, the "brain structure" called "ventricle" consists of the lateral ventricle, the 3rd ventricle, and the 4th ventricle, and the lateral ventricle also consists of the anterior, posterior, and lateral parts. There may also be hierarchical relationships.
本実施の形態の脳画像データ解析装置は、上記のような技術を利用して脳室拡張や脳各部位の大脳皮質の体積を数値化し評価することで、以下のような脳の健康状態評価や、行動改善アドバイスなどのレポートを出力する。
１）同年代の被検者と比較することで脳の萎縮度合いの経年推移を評価していく「脳の包括的萎縮評価」 The brain image data analysis device of this embodiment uses the above-mentioned technology to quantify and evaluate ventricular expansion and the volume of the cerebral cortex in each part of the brain, thereby making it possible to evaluate the health status of the brain as described below. Outputs reports such as information and behavioral improvement advice.
1) "Comprehensive brain atrophy assessment" that evaluates the degree of brain atrophy over time by comparing it with subjects of the same age
１）同年代の被検者と比較することで脳の萎縮度合いの経年推移を評価していく「脳の包括的萎縮評価」 The brain image data analysis device of this embodiment uses the above-mentioned technology to quantify and evaluate ventricular expansion and the volume of the cerebral cortex in each part of the brain, thereby making it possible to evaluate the health status of the brain as described below. Outputs reports such as information and behavioral improvement advice.
1) "Comprehensive brain atrophy assessment" that evaluates the degree of brain atrophy over time by comparing it with subjects of the same age
２）白質病変領域の体積を数値化して同年代の受診者と比較し、脳の血管性病変において経年推移の評価を行う「血管性病変評価」。
2) "Vascular lesion evaluation" which evaluates the temporal changes in cerebral vascular lesions by quantifying the volume of the white matter lesion area and comparing it with patients of the same age.
脳画像データ解析装置上で動作するプログラムは、これらの評価に基づいて、病変または平均値からのずれなどのＡＩ解析により、脳健康リスクに対する補助情報や参考情報となる解析値の測定や解析結果の情報の取得を可能にする脳ドック、健康センター用のプログラムである。
Based on these evaluations, the program running on the brain image data analysis device uses AI analysis to detect lesions or deviations from the average value, and measures and analyzes analysis values that serve as supplementary and reference information for brain health risks. This is a program for brain checkups and health centers that allows the acquisition of information on brain checkups.
＜解析装置の原理＞
<Principle of analysis device>
まず、脳画像データ解析装置の技術的な背景と原理を、図２９～図３７を用いて説明する。
First, the technical background and principle of the brain image data analysis device will be explained using FIGS. 29 to 37.
脳画像データ解析装置は、脳の萎縮と血管病変の程度をＭＲＩ画像から自動的に数値化することにより、認知症に関する情報抽出を可能にする。従来、脳ドックでは脳ＭＲＩを用いて、動脈瘤、脳腫瘍、脳梗塞、脳内の炎症等を検出し診断することは可能であった。しかし、生活習慣病としての認知症の発症リスクを予想し、認知症発症のリスク低減や予防に役立てることまでは達成できていない。従来技術にも認知機能に大きく関わる海馬の体積を測るプログラムはあるが、海馬は人の脳では体積比が０．３％と非常に小さく、脳の実質構造の体積測定はＭＲＩ機器の種類、解像度、撮影方法などによりバラツキが生じやすく、安定的な追跡データとして有用な情報を蓄積することが難しい。さらに、後述するように、残りの９９．７％の脳の構造にも認知症リスク推定に大切なものが多く、海馬測定だけでは限界がある。
The brain image data analysis device makes it possible to extract information regarding dementia by automatically quantifying the degree of brain atrophy and vascular lesions from MRI images. Conventionally, in brain checkups, it has been possible to detect and diagnose aneurysms, brain tumors, cerebral infarctions, inflammation in the brain, etc. using brain MRI. However, it has not been possible to predict the risk of developing dementia as a lifestyle-related disease and to use it to reduce or prevent the onset of dementia. Although there are programs in the prior art that measure the volume of the hippocampus, which is greatly involved in cognitive function, the hippocampus accounts for a very small volume of 0.3% of the human brain, and the volume measurement of the parenchymal structure of the brain requires different types of MRI equipment. Variations tend to occur due to resolution, shooting method, etc., making it difficult to accumulate useful information as stable tracking data. Furthermore, as will be discussed later, the remaining 99.7% of brain structures have many important structures for estimating dementia risk, and there are limits to hippocampal measurements alone.
また、海馬の萎縮を測定するには、高解像度の脳ＭＲＩが必須であるため、ＭＲＩ画像の撮影にも時間がかかることから、脳ドックでは高解像度画像を撮っていない場合が多い。日本の脳ドックの歴史は２０年以上と古く、既存のデータは１００万を超え、場所によっては１５年を超えるような時系列データを保有しているところもあるにもかかわらず、上記の理由から認知症の発症リスクの低減や、今後重要となる認知症におけるリスクマネジメントに必ずしも対応できているとはいえない。
In addition, high-resolution brain MRI is essential to measure hippocampal atrophy, and it takes time to take MRI images, so high-resolution images are often not taken at brain checkups. The history of brain checkups in Japan is over 20 years old, and the existing data exceeds 1 million, and some places have time-series data for over 15 years. Therefore, it cannot be said that they are necessarily able to reduce the risk of developing dementia or respond to risk management for dementia, which will become important in the future.
本実施の形態の脳画像データ解析装置を用いた解析によれば、大量のビッグデータの蓄積が実現でき、ＡＩ自動解析を行うことが可能となり、将来の認知症リスクマネジメントに大きく貢献できる。すでに本脳画像データ解析装置を用いた解析は、脳ドックセンターや研究機関の既存データで研究を進めている。本解析は、将来は、既存データだけでも、１００万を超えるという世界を圧倒するビッグデータ解析につながることが期待できる技術である。
According to the analysis using the brain image data analysis device of this embodiment, it is possible to accumulate a large amount of big data, and it is possible to perform automatic AI analysis, which can greatly contribute to future dementia risk management. Analysis using this brain image data analysis device is already underway using existing data from brain checkup centers and research institutions. This analysis is a technology that is expected to lead to big data analysis that will overwhelm the world, with existing data alone exceeding one million in the future.
本脳画像データ解析では、脳室の体積のようにＭＲＩ画像収集条件に影響を受けにくく、かつ脳萎縮を敏感に反映する構造物を測定することにより測定の安定性を高め、脳ドックデータの脳萎縮データ解析の簡便化を図るものである。
In this brain image data analysis, we increase the stability of measurement by measuring structures that are not easily affected by MRI image acquisition conditions, such as the volume of the brain ventricles, and that sensitively reflect brain atrophy. The aim is to simplify brain atrophy data analysis.
図３２は、脳内の脳室の構造を示す概念図である。図３２（ａ）は、脳室の矢状断面図であり、図３２（ｂ）は、脳室の水平断面図である。
FIG. 32 is a conceptual diagram showing the structure of the ventricles in the brain. FIG. 32(a) is a sagittal sectional view of the ventricle, and FIG. 32(b) is a horizontal sectional view of the ventricle.
図３２（ａ）（ｂ）に示すように、脳室はその形から、側脳室、第３脳室、第４脳室に分かれており、若い脳ではそのほとんどが閉じていて確認できないが、脳の萎縮が進むと隙間が現れる。３０歳から６０歳までの間で比較すると、大脳皮質の萎縮は平均４％程度であるが、脳室は５０％以上拡大する。本脳画像データ解析装置は、脳萎縮に敏感な脳室の体積の測定結果を評価することにより、脳萎縮の程度を検査または診断するとともに、側脳室を前部、後部、側部に分割して測ることにより様々な部位の萎縮を探ることも可能である（図３２（ａ）（ｂ））。
As shown in Figures 32(a) and (b), the brain ventricles are divided into the lateral ventricle, the third ventricle, and the fourth ventricle based on their shape, and in young brains, most of these are closed and cannot be seen. , gaps appear as brain atrophy progresses. When comparing people between the ages of 30 and 60, the cerebral cortex atrophies by about 4% on average, but the ventricles expand by more than 50%. This brain image data analysis device tests or diagnoses the degree of brain atrophy by evaluating the measurement results of the volume of the ventricle, which is sensitive to brain atrophy, and also divides the lateral ventricle into anterior, posterior, and lateral parts. It is also possible to detect atrophy in various parts by measuring the atrophy (FIGS. 32(a) and 32(b)).
図３３は、側脳室前部と側脳室側部の加齢による拡張度合いを示す図である。
FIG. 33 is a diagram showing the degree of expansion of the anterior part of the lateral ventricle and the lateral part of the lateral ventricle due to aging.
図３３に示すように、前頭葉萎縮の影響を強く受ける側脳室前部の拡張は３０代後半から始まっているのに対し、海馬を含む辺縁系萎縮の影響を受ける側脳室側部の拡張は６０代過ぎてから始まることがわかる。本実施の形態の脳画像データ解析装置によれば、こうしたきめ細かい年代別、領域ごとの脳の萎縮度合いの測定も可能である。
As shown in Figure 33, the expansion of the anterior lateral ventricle, which is strongly affected by frontal lobe atrophy, begins in the late 30s, whereas the lateral ventricle, which is affected by limbic atrophy, including the hippocampus, begins to expand in the late 30s. It can be seen that expansion begins after the age of 60. According to the brain image data analysis device of this embodiment, it is also possible to measure the degree of brain atrophy in each age group and region in such a detailed manner.
図２９および図３０は、脳の萎縮の程度をアルツハイマー病型の患者（ＡＤ）と、認知症を発症していない健常者とで対比して示す図である。
FIGS. 29 and 30 are diagrams comparing the degree of brain atrophy between Alzheimer's disease patients (AD) and healthy individuals who have not developed dementia.
図２９および図３０は、本実施の形態の脳画像データ解析装置のセグメンテーション機能を利用して、実際に脳の萎縮がどの程度おきているのかを、アルツハイマー病型の患者（ＡＤ）と、認知症を発症していない健常者で調べた結果を示している。
FIGS. 29 and 30 show how much brain atrophy has actually occurred using the segmentation function of the brain image data analysis device of this embodiment. The results are shown in healthy individuals who have not developed the disease.
図２９に示すように、ＡＤ型患者の海馬は健常者よりも萎縮しているのがわかる。
As shown in Figure 29, it can be seen that the hippocampus of AD type patients is more atrophied than that of healthy subjects.
また、図３０に示すように、脳室は液体で満たされた空間であるので、脳の萎縮が進むと体積が拡大するため、ＡＤ型患者の領域は健常者と比べ右側（拡大する側）にずれている。
Furthermore, as shown in Figure 30, the ventricles are spaces filled with fluid, so as brain atrophy progresses, the volume expands, so the area in AD patients is on the right side (the side that expands) compared to healthy people. It's off.
脳の萎縮が進むと脳室の体積は拡大するが、脳のその他の部分にも萎縮が広く起きている。一方で、ＡＤ型患者と健常者とで、脳室が脳に占める割合には、重複もみられることがわかる。つまりＡＤ型患者なのにそれほど萎縮が起きていないように見える人もいれば、健常者なのに萎縮が起きているように見える人もいる。脳の萎縮が進んでいる人は認知症の可能性は高いが、脳の萎縮を測定するだけでは認知症の診断は難しいともいえる。また、このようなアルツハイマー型病患者と健常者の比較は、平均で７０歳以上の人しか対象にできない。脳が年とともに萎縮するパターンは、進化の過程の逆をたどり、まず前頭葉、頭頂葉や側頭葉、そして後頭葉、海馬を含む辺縁系という原始的な部分の萎縮に進む。原始的な部分に萎縮がおよぶと、人として、生き物としての重要な機能の喪失、すなわち認知症の定義である「日常生活全般に支障を及ぼすレベル」に至るということになる。逆にいえば、中年期の未病段階では海馬を含む辺縁系に顕著な萎縮が起きることは少ないといえる。
As brain atrophy progresses, the volume of the ventricles expands, but atrophy also occurs widely in other parts of the brain. On the other hand, it can be seen that there is some overlap in the proportion of the brain occupied by the ventricles between AD patients and healthy individuals. In other words, there are people who have AD type who do not appear to have much atrophy, and there are people who are healthy but who appear to have atrophy. People with advanced brain atrophy are more likely to have dementia, but it can be said that it is difficult to diagnose dementia just by measuring brain atrophy. Furthermore, such comparisons between Alzheimer's disease patients and healthy individuals can only be conducted on people over the age of 70 on average. The pattern of brain atrophy with age follows the reverse evolutionary process, starting with atrophy of the frontal, parietal and temporal lobes, and then the occipital lobe and the more primitive part of the limbic system, which includes the hippocampus. When atrophy occurs in the primitive parts of the body, it results in the loss of important functions as a person and as a living creature, which is the definition of dementia, ``a level that interferes with daily life in general.'' Conversely, it can be said that significant atrophy in the limbic system, including the hippocampus, is less likely to occur during the pre-symptomatic stage of middle age.
したがって、認知症を生活習慣病ととらえた、認知症の発症リスクに対する診断の補助情報または参考情報を提供するには、４０～６０歳代の未病段階の脳ＭＲＩのデータベースの構築し、未病段階で認知症の先駆けとなる構造物の萎縮を知ることが不可欠である。
Therefore, in order to treat dementia as a lifestyle-related disease and provide supplementary or reference information for diagnosing the risk of developing dementia, it is necessary to construct a database of pre-symptomatic brain MRIs of people in their 40s to 60s. It is essential to know the atrophy of structures that are a precursor to dementia at the disease stage.
図３１は、本実施の形態の脳画像データ解析装置（たとえば、Ｍ－Ｖｉｓｉｏｎ Ｂｒａｉｎ（登録商標）、Ｍ－Ｖｉｓｉｏｎ ｈｅａｌｔｈ（登録商標）をソフトウェアとして使用する装置）を用いて、２０～９０歳代に至るまでの脳室の体積を３万件以上測定し、脳の健康状態を数値化した結果を示す図である。
FIG. 31 shows a study using the brain image data analysis device of this embodiment (for example, a device that uses M-Vision Brain (registered trademark) and M-Vision health (registered trademark) as software) to examine patients in their 20s to 90s. This is a diagram showing the results of measuring the volume of the brain's ventricles more than 30,000 times and quantifying the health status of the brain.
図３１に示した結果は、ミッドタウンクリニックから提供を受けたデータに基づくものである。たとえば、被検者（被測定者）の脳室の体積が同年齢の平均からどれだけ離れているかにより、脳萎縮が疑われる指標とすることができる。また、これらの結果から中年期で萎縮速度が速い人たちの存在も明らかとなった。すでに、本実施の形態の脳画像データ解析装置（Ｍ－Ｖｉｓｉｏｎ Ｂｒａｉｎ（登録商標）：脳画像データ解析プログラム）を用いて、他の脳ドックセンターや研究機関で実験と解析が進められている。これらの解析が、いずれ何十万という世界を圧倒するビッグデータ解析につながることが期待できる。日本の脳ドックの歴史は２０年以上と古く、既存のデータは１００万を超え、場所によっては１５年を超えるような時系列データを保有しているところもあり、こうした従来の脳ドックと本発明の脳画像データ解析装置を組み合わせたビッグデータを、ＡＩ自動解析に利用できれば将来の認知症リスクマネジメントに大きく貢献できる。
The results shown in Figure 31 are based on data provided by Midtown Clinic. For example, depending on how far the volume of the ventricles of a subject (measured person) deviates from the average for the same age group, this can be used as an indicator for suspecting brain atrophy. These results also revealed the existence of people who experience rapid atrophy in middle age. Experiments and analyzes are already underway at other brain checkup centers and research institutions using the brain image data analysis device (M-Vision Brain (registered trademark): brain image data analysis program) of this embodiment. It is expected that these analyzes will eventually lead to the analysis of hundreds of thousands of big data that will overwhelm the world. The history of brain checkups in Japan is over 20 years old, and the existing data exceeds 1 million, with some places having time-series data for over 15 years. If big data combined with the invented brain image data analysis device can be used for automatic AI analysis, it will greatly contribute to future dementia risk management.
実際には、こうした中年期の脳の特徴から将来のアルツハイマー型認知症を予知できるかを証明するには、膨大な数の人の追跡を４０年以上にわたり追跡する必要がある。したがって、中年期と老年期の因果関係を直接観測することは現時点では困難である。しかし、現在の医学会での認識としては、中年期の脳萎縮と認知症の関連性は、生活習慣因子が強い影響力を持つとされ、年月をかけて徐々に進行するものであると考えられている。
In reality, to prove that these midlife brain characteristics can predict future Alzheimer's disease, it would be necessary to follow a huge number of people for more than 40 years. Therefore, it is currently difficult to directly observe the causal relationship between midlife and old age. However, the current understanding in the medical community is that lifestyle factors have a strong influence on the relationship between brain atrophy in midlife and dementia, and that the relationship between dementia and brain atrophy in midlife is a disease that gradually progresses over time. It is believed that.
これまで、本脳画像データ解析装置を用いた研究でも、上記のような傾向が確認されている。
So far, research using this brain image data analysis device has also confirmed the above trends.
図３４は、脳室の体積と血圧の関係を示し、図３５は、脳室の体積と飲酒頻度（週回数）の関係を示す。これらの結果から、中年期に始まる脳の萎縮は、生活習慣因子の改善を通して管理できることを示唆しており、早期に認知症リスクの高い人を抽出し、生活習慣因子である血圧、飲酒、肥満、血糖の改善などを促すことにより認知症予防につながると考えられる。
FIG. 34 shows the relationship between cerebral ventricular volume and blood pressure, and FIG. 35 shows the relationship between cerebral ventricular volume and drinking frequency (number of times per week). These results suggest that brain atrophy that begins in middle age can be managed by improving lifestyle factors. It is thought that promoting the improvement of obesity and blood sugar levels will lead to the prevention of dementia.
さらに、認知症の萎縮の分析だけでなく、本実施の形態の脳画像データ解析装置を用いれば脳の血管性病変の解析も可能である。
Furthermore, in addition to analyzing atrophy due to dementia, the brain image data analysis device of this embodiment can also be used to analyze vascular lesions in the brain.
図３６は正常例と血管性病変例の特有の信号強度変化を示した図であり、図３７は検出された信号変化領域の体積の割合（図中、「脳血管加齢度」）と年齢との関係を示した図である。脳血管加齢度について、「平均的ゾーン」「要注意ゾーン」「アラートゾーン」の３段階に分けて評価している。
Figure 36 is a diagram showing the characteristic signal intensity changes of normal cases and vascular lesion cases, and Figure 37 is a diagram showing the volume ratio of the detected signal change area (in the figure, "cerebrovascular aging degree") and age. FIG. The degree of cerebrovascular aging is evaluated in three stages: ``Average Zone,'' ``Caution Zone,'' and ``Alert Zone.''
図３８は、本脳画像データ解析プログラムを用いた場合の生活習慣病と脳疾患の関係を示す。これにより、脳疾患の認知症と脳血管疾患に対してリスク評価することができる。
Figure 38 shows the relationship between lifestyle-related diseases and brain diseases when using this brain image data analysis program. This allows risk assessment for brain diseases such as dementia and cerebrovascular disease.
以下、上述した本脳画像データ解析装置の構成および作用について詳細に説明する。
Hereinafter, the configuration and operation of the brain image data analysis device described above will be explained in detail.
＜構成＞
<Configuration>
図１は、実施の形態１の脳画像データ解析装置の機能ブロック図である。
FIG. 1 is a functional block diagram of the brain image data analysis device according to the first embodiment.
本実施形態の脳画像データ解析装置１は、図１に示すように、画像入力部１１と、セグメンテーション部１２と、脳構造体積計算部１３と、脳信号強度計算部１４と、撮影条件キャリブレーション部１５と、同年代比計算部１６と、脳血管障害度計算部１７と、解析レポート作成部１８と、解析レポート出力部１９と、を有する。
As shown in FIG. 1, the brain image data analysis device 1 of this embodiment includes an image input section 11, a segmentation section 12, a brain structure volume calculation section 13, a brain signal intensity calculation section 14, and an imaging condition calibration section. 15, a peer ratio calculation section 16, a cerebrovascular disorder degree calculation section 17, an analysis report creation section 18, and an analysis report output section 19.
データベース２は、ビックデータとしてのデータベースであり、様々な撮影条件（解像度、スライス厚、スライス角度、スライス方向、シーケンスパラメータ（エコー時間、反復時間、フリップ角度等）を含む）での各年齢における各構造単位の脳体積データ、脳信号強度データを含む年齢－構造単位体積データ、年齢－構造単位信号強度データ等を備えている。このデータベースは、解析センター内のサーバなどの記憶装置に格納されてもよいし、クラウドサーバ上に設置される記憶装置に格納しても良い。なお、ここで、「ビッグデータ」と呼ぶデータとしては、複数の撮像サイトで撮像され統合された既存のデータだけでなく、既存外も含めた複数の撮像サイトで新規に取得されるデータを順次蓄積していくものであってよい。
＜構成の説明＞Database 2 is a database of big data, and includes images at each age under various imaging conditions (including resolution, slice thickness, slice angle, slice direction, sequence parameters (echo time, repetition time, flip angle, etc.)). It includes structural unit brain volume data, age-structural unit volume data including brain signal intensity data, age-structural unit signal intensity data, etc. This database may be stored in a storage device such as a server within the analysis center, or may be stored in a storage device installed on a cloud server. Note that the data referred to here as "big data" includes not only existing data captured and integrated at multiple imaging sites, but also data newly acquired at multiple imaging sites, including non-existing imaging sites. It can be something that accumulates.
<Explanation of configuration>
＜構成の説明＞
<Explanation of configuration>
「画像入力部１１」は、ＭＲＩスキャナで取得した脳画像（脳ＭＲＩ画像）又はＰＡＣＳ（Picture Archiving and Communication System）等より送信された脳画像および撮影条件のデータ、撮像された被検者の属性データの入力を受け付ける。画像入力部１１は、コンピュータとして実現される脳画像データ解析装置１が、外部とデータの授受を行うための通信インタフェースに相当する。なお、ＰＡＣＳは、クラウド上のサーバであってもよく、脳画像データ解析装置自体もクラウド上のサーバであってもよい。
The "image input unit 11" includes data on brain images acquired by an MRI scanner (brain MRI images) or transmitted from a PACS (Picture Archiving and Communication System), etc., data on imaging conditions, and attributes of the imaged subject. Accept data input. The image input unit 11 corresponds to a communication interface through which the brain image data analysis device 1 implemented as a computer exchanges data with the outside. Note that the PACS may be a server on the cloud, and the brain image data analysis device itself may also be a server on the cloud.
「セグメンテーション部１２」は、脳ＭＲＩ画像全体から各構造単位に分割するセグメンテーションを行う。特に限定されないが、このセグメンテーションは、たとえば、上述した参考文献１、２に記載の技術を利用することができる。
The "segmentation unit 12" performs segmentation to divide the entire brain MRI image into each structural unit. Although not particularly limited, this segmentation can utilize, for example, the techniques described in References 1 and 2 mentioned above.
「脳構造体積計算部１３」は、分割された各構造単位毎に脳体積を計算する。
The "brain structure volume calculation unit 13" calculates the brain volume for each divided structural unit.
「脳信号強度計算部１４」は、分割された各構造単位毎に脳信号強度を計算する。脳構造体積計算部１３と脳信号強度計算部１４は、別々の機能で分けたが、１つに統合した機能とした構成としても良い。
The "brain signal strength calculation unit 14" calculates the brain signal strength for each divided structural unit. Although the brain structure volume calculation section 13 and the brain signal intensity calculation section 14 are divided into separate functions, they may be configured to have one integrated function.
「撮影条件キャリブレーション部１５」は、ＭＲＩスキャナによる画像撮影時の撮影条件に応じて、前記撮影条件の違いによる影響を最小化するためのキャリブレーションを行う。
The "imaging condition calibration unit 15" performs calibration to minimize the influence of differences in imaging conditions, depending on the imaging conditions when images are captured by the MRI scanner.
「同年代比計算部１６」は、データベース２の各年齢における各構造単位データから、各被検者の各構造単位の同年代比を計算する。
The "same age ratio calculation unit 16" calculates the same age ratio of each structural unit of each subject from each structural unit data for each age in the database 2.
「脳血管障害度計算部１７」は、脳血管障害の度合いを計算する。
The "cerebrovascular disorder degree calculation unit 17" calculates the degree of cerebrovascular disorder.
「解析レポート作成部１８」は、得られた解析結果に基づいて解析レポートを作成する。
The "analysis report creation unit 18" creates an analysis report based on the obtained analysis results.
上述したように、脳画像データ解析装置１は、コンピュータ上で演算処理を実行することにより実現される。したがって、セグメンテーション部１２、脳構造体積計算部１３、脳信号強度計算部１４、撮影条件キャリブレーション部１５、同年代比計算部１６、脳血管障害度計算部１７、解析レポート作成部１８は、メモリに格納されたプログラムに基づいて、ＣＰＵ（Central Processing Unit）が実行する機能に相当し、このプログラムは、各機能を実行するモジュールを含む。また、データベース２には、解析結果に対応してレポートに記載する情報もデータとして格納されている。
As described above, the brain image data analysis device 1 is realized by performing arithmetic processing on a computer. Therefore, the segmentation unit 12, the brain structure volume calculation unit 13, the brain signal strength calculation unit 14, the imaging condition calibration unit 15, the same age ratio calculation unit 16, the cerebrovascular disorder degree calculation unit 17, and the analysis report creation unit 18 are stored in memory. This corresponds to the functions that a CPU (Central Processing Unit) executes based on a stored program, and this program includes modules that execute each function. The database 2 also stores information to be written in a report corresponding to the analysis results as data.
図２０は、解析レポート作成部１８により作成される包括評価である脳全体の萎縮評価のモニター表示画面例を示す。
FIG. 20 shows an example of a monitor display screen for atrophy evaluation of the entire brain, which is a comprehensive evaluation created by the analysis report creation unit 18.
図２０の例では、脳全体を５つの部位、前頭葉、頭頂葉、後頭葉、側頭葉、脳深部に大きく分け、左右の各部位に分けて、スパイダーチャートで、マップ表示し、解説（図示せず）を右側に表示する。脳の萎縮状態は、同年代ランキングをもとに評価される。
In the example in Figure 20, the entire brain is roughly divided into five regions: frontal lobe, parietal lobe, occipital lobe, temporal lobe, and deep brain region, and the left and right regions are divided into left and right regions, displayed as a map on a spider chart, and explained (Fig. (not shown) will be displayed on the right. The state of brain atrophy is evaluated based on peer rankings.
脳の萎縮状態は、同年代ランキングから以下の４つの健康状態のゾーンに分けられる。
要警戒層：値がトップ５％以内、
要注意層：値がトップ２０％以内、
平均層：値がトップ２０から８０％以内、 Brain atrophy can be divided into the following four health zones based on age rankings.
Warning layer: Value within the top 5%,
Caution layer: Value is within the top 20%,
Average layer: Value is within 80% of the top 20,
要警戒層：値がトップ５％以内、
要注意層：値がトップ２０％以内、
平均層：値がトップ２０から８０％以内、 Brain atrophy can be divided into the following four health zones based on age rankings.
Warning layer: Value within the top 5%,
Caution layer: Value is within the top 20%,
Average layer: Value is within 80% of the top 20,
相対的良好層：値がトップ８０％以上。
Relatively good group: Value is above 80% of the top.
なお、健康状態のゾーンの区分けは、このようなものには限定されず、上述したように、脳画像データ、臨床データ、健康データが、さらに蓄積していくことで、異なる区分けとなる可能性もある。
Note that the classification of health status zones is not limited to this, and as mentioned above, as brain imaging data, clinical data, and health data are further accumulated, different classifications may occur. There is also.
また、特に限定されないが、たとえば、このようなモニター表示画面に表示される解析レポートには、以下のような解説（注釈）が右側に加えられていてもよい。
“脳波大きく分けて５つの部位に分かれており、部位ごとに違う機能を持つと言われています。加齢と共に萎縮が進むのは自然のプロセスですが、過度の萎縮進行は認知症の最大のリスクの一つと考えられています。また、認知症のタイプにより萎縮が進行する部位が異なる傾向がみられています。各部位の受け持つ機能と、認知症タイプによる医者く安いと言われる部位は、以下の通りです：
前頭葉の役割 ： 行動の計画、遂行といった高次な機能
頭頂葉、後頭葉の役割： 感覚、視覚、環境認識
側頭葉の役割 ： 言語、聴覚
辺縁系の役割 ： 記憶、感情
・主な認知症で萎縮が認められる部位
アルツハイマー病 ： 辺縁系、側頭葉、頭頂葉、前頭葉
側頭葉型認知症 ： 前頭葉、側頭葉
レピー小体型認知症： 全体” Further, although not particularly limited, for example, the following explanation (annotation) may be added to the right side of the analysis report displayed on such a monitor display screen.
“Brain waves are broadly divided into five parts, and each part is said to have a different function. It is a natural process that atrophy progresses with age, but excessive progress of atrophy is the biggest cause of dementia. It is considered to be one of the risks.Also, the areas where atrophy progresses tend to differ depending on the type of dementia.The functions of each area and the areas that doctors say are cheaper depending on the type of dementia are as follows: It is as follows:
Role of frontal lobe: Higher functions such as planning and execution of actions Role of parietal and occipital lobes: Sensation, vision, environmental recognition Role of temporal lobe: Language, hearing Role of limbic system: Memory, emotions, main cognition Areas where atrophy is observed in Alzheimer's disease: Limbic system, temporal lobe, parietal lobe, frontal lobe Temporal lobe dementia: Frontal lobe, temporal lobe Dementia with Lepie bodies: Overall
“脳波大きく分けて５つの部位に分かれており、部位ごとに違う機能を持つと言われています。加齢と共に萎縮が進むのは自然のプロセスですが、過度の萎縮進行は認知症の最大のリスクの一つと考えられています。また、認知症のタイプにより萎縮が進行する部位が異なる傾向がみられています。各部位の受け持つ機能と、認知症タイプによる医者く安いと言われる部位は、以下の通りです：
前頭葉の役割 ： 行動の計画、遂行といった高次な機能
頭頂葉、後頭葉の役割： 感覚、視覚、環境認識
側頭葉の役割 ： 言語、聴覚
辺縁系の役割 ： 記憶、感情
・主な認知症で萎縮が認められる部位
アルツハイマー病 ： 辺縁系、側頭葉、頭頂葉、前頭葉
側頭葉型認知症 ： 前頭葉、側頭葉
レピー小体型認知症： 全体” Further, although not particularly limited, for example, the following explanation (annotation) may be added to the right side of the analysis report displayed on such a monitor display screen.
“Brain waves are broadly divided into five parts, and each part is said to have a different function. It is a natural process that atrophy progresses with age, but excessive progress of atrophy is the biggest cause of dementia. It is considered to be one of the risks.Also, the areas where atrophy progresses tend to differ depending on the type of dementia.The functions of each area and the areas that doctors say are cheaper depending on the type of dementia are as follows: It is as follows:
Role of frontal lobe: Higher functions such as planning and execution of actions Role of parietal and occipital lobes: Sensation, vision, environmental recognition Role of temporal lobe: Language, hearing Role of limbic system: Memory, emotions, main cognition Areas where atrophy is observed in Alzheimer's disease: Limbic system, temporal lobe, parietal lobe, frontal lobe Temporal lobe dementia: Frontal lobe, temporal lobe Dementia with Lepie bodies: Overall
図２１は、脳の萎縮と血管性病変の総合評価のモニター画面例を示す。左欄には、脳萎縮と血管性病変の総合評価マップ例を示し、右欄には評価解説（図示せず）を示している。評価マップは、上述した同年代ランキングを使用する。横軸は脳萎縮、縦軸は血管性病変を示す。評価マップ中、「☆」は被検者の受診日を示し、図２１の例では、２０２１年１２月６日に脳ドックを受診したことを示し、脳萎縮が要注意層に入っているが、血管性病変は平均層であることを示している。
Figure 21 shows an example of a monitor screen for comprehensive evaluation of brain atrophy and vascular lesions. The left column shows an example of a comprehensive evaluation map for cerebral atrophy and vascular lesions, and the right column shows evaluation explanations (not shown). The evaluation map uses the above-mentioned peer ranking. The horizontal axis shows brain atrophy, and the vertical axis shows vascular lesions. In the evaluation map, "☆" indicates the date of examination of the subject. In the example in Figure 21, it indicates that the patient underwent a brain checkup on December 6, 2021, and brain atrophy is in the caution level. , indicating that vascular lesions are average layer.
また、特に限定されないが、たとえば、このようなモニター表示画面に表示される解析レポートには、以下のような解説（注釈）が右欄に加えられていてもよい。
Further, although not particularly limited, for example, the following explanation (annotation) may be added to the analysis report displayed on such a monitor display screen in the right column.
“この総合判定では、認知症最大のリスクファクターに含まれている脳萎縮と血管性病変の２点について、あなたの脳健康度のタイプを判定します。
図表の右に行くほど異種度の強いタイプであり、上に行くほど血管性病変の強いタイプと考えられます。近年の血管性疾患への意識の高まりと生活習慣の改善により血管性認知症は日本では減少傾向にあると言われています。ただし、血管性病変タイプの方は、血管健康度への認識を高めることをお勧めします。認知症の３～５割は生活習慣によって引き起こされるといわれており、高血圧、高血糖、中年性肥満、飲酒等がリスク要因として挙げられています。これらについては、次頁で、あなたの健康度を評価しているため、脳萎縮、脳血管病変が要注意と判定された方々は参考にしてください。” “This comprehensive evaluation evaluates your brain health type with respect to two of the biggest risk factors for dementia: brain atrophy and vascular lesions.
The further to the right of the diagram, the more heterogeneous the type, and the higher up the chart, the more vascular lesions are considered to be types. Vascular dementia is said to be on the decline in Japan due to increased awareness of vascular diseases and lifestyle improvements in recent years. However, if you have a vascular disease type, we recommend increasing your awareness of your vascular health. It is said that 30-50% of dementia is caused by lifestyle habits, and risk factors include high blood pressure, high blood sugar, middle-aged obesity, and alcohol consumption. Regarding these, your health level is evaluated on the next page, so please refer to it if you have been judged to need attention for cerebral atrophy or cerebrovascular lesions. ”
図表の右に行くほど異種度の強いタイプであり、上に行くほど血管性病変の強いタイプと考えられます。近年の血管性疾患への意識の高まりと生活習慣の改善により血管性認知症は日本では減少傾向にあると言われています。ただし、血管性病変タイプの方は、血管健康度への認識を高めることをお勧めします。認知症の３～５割は生活習慣によって引き起こされるといわれており、高血圧、高血糖、中年性肥満、飲酒等がリスク要因として挙げられています。これらについては、次頁で、あなたの健康度を評価しているため、脳萎縮、脳血管病変が要注意と判定された方々は参考にしてください。” “This comprehensive evaluation evaluates your brain health type with respect to two of the biggest risk factors for dementia: brain atrophy and vascular lesions.
The further to the right of the diagram, the more heterogeneous the type, and the higher up the chart, the more vascular lesions are considered to be types. Vascular dementia is said to be on the decline in Japan due to increased awareness of vascular diseases and lifestyle improvements in recent years. However, if you have a vascular disease type, we recommend increasing your awareness of your vascular health. It is said that 30-50% of dementia is caused by lifestyle habits, and risk factors include high blood pressure, high blood sugar, middle-aged obesity, and alcohol consumption. Regarding these, your health level is evaluated on the next page, so please refer to it if you have been judged to need attention for cerebral atrophy or cerebrovascular lesions. ”
図２２は、過去のＭＲＩ画像のデータとの対比で被検者に対する解析レポートを作成した例を示す。
FIG. 22 shows an example of creating an analysis report for a subject by comparing it with past MRI image data.
図２３は、図２２と同様にして、血管性病変評価の解析レポートのモニター画面例を示す。
Similarly to FIG. 22, FIG. 23 shows an example of a monitor screen of an analysis report of vascular lesion evaluation.
ここでは、図１に記載した脳画像データ解析装置１が、クラウド上のサーバで運用されており、各撮像サイト（健診センター、病院等）から「脳画像データ」と「撮影条件データ」と「被検者の属性情報」とを受信する態様を一例として想定する。
Here, the brain image data analysis device 1 shown in Figure 1 is operated on a server on the cloud, and "brain image data" and "imaging condition data" are collected from each imaging site (health checkup center, hospital, etc.). As an example, assume a mode in which "examinee's attribute information" is received.
この場合、脳画像データ解析装置１は、以上の図２０から図２３のような解析レポートを作成し、解析レポート出力部１９からネットワーク経由で健診センターや病院、個人などに解析レポートを出力する。
In this case, the brain image data analysis device 1 creates an analysis report as shown in FIGS. 20 to 23 above, and outputs the analysis report from the analysis report output unit 19 to a health checkup center, hospital, individual, etc. via the network. .
図１にもどって、解析レポート出力部１９は、解析レポート作成部１８で作成された解析レポートを出力する。解析レポートの形式は、テキストと画像の組合せであり、電子データ又は紙媒体で依頼元に提供することができる。依頼者からの解析レポート作成のリクエストは、個人が依頼者の場合は、インターネットによるアクセスによってなされてもよいし、または、健診センターや病院からのオンラインでの請求であっても良い。
Returning to FIG. 1, the analysis report output unit 19 outputs the analysis report created by the analysis report creation unit 18. The format of the analysis report is a combination of text and images, and can be provided to the requester in electronic data or paper media. A request for creation of an analysis report from a client may be made by accessing the Internet if the client is an individual, or may be requested online from a health checkup center or hospital.
解析レポート出力部１９からの出力は、テキスト（文字）と画像を合体したＰＤＦ形式または紙出力により行うことができる。健診センターなどの場合は、多数の脳ＭＲＩ画像解析を受ける場合もありうるので、これらの形式に加えて、画像についてはＤＩＣＯＭ（Digital Imaging and Communications in Medicine）標準仕様で送信し、テキストについてはＥｘｃｅｌ（登録商標）やＣＳＶ形式のファイル形式で提供しても良い。また、解析レポートは個人情報を含むので、セキュリティ対策を施し、ファイルを圧縮したり、暗号化したり、パスワードをかけたりして送信するのが望ましい。
Output from the analysis report output unit 19 can be performed in PDF format that combines text (characters) and images, or in paper output. In cases such as health checkup centers, where large numbers of brain MRI images may be analyzed, in addition to these formats, images are sent in the DICOM (Digital Imaging and Communications in Medicine) standard specification, and text is sent in DICOM (Digital Imaging and Communications in Medicine) standard specifications. It may also be provided in a file format such as Excel (registered trademark) or CSV format. Furthermore, since the analysis report contains personal information, it is desirable to take security measures and compress, encrypt, or password protect the file before sending it.
図１にもどって、撮影条件キャリブレーション部１５は、データベース２の年齢－構造単位体積データと年齢－構造単位信号強度データとを用いてキャリブレーションを行う。キャリブレーション後に、同年代比計算部１６は、データベース２の各年齢における各構造単位データから、各被検者の各構造単位の同年代比を計算することにより、認知症発症リスクを解析し補助情報または参考情報を得ることができる。
Returning to FIG. 1, the imaging condition calibration unit 15 performs calibration using the age-structural unit volume data and the age-structural unit signal intensity data of the database 2. After calibration, the peer ratio calculation unit 16 calculates the peer ratio of each structural unit of each subject from the data of each structural unit at each age in the database 2, thereby analyzing the risk of developing dementia and providing auxiliary information or You can get reference information.
図２は、図１に示した脳画像データ解析装置１のハードウェア構成を説明するためのブロック図である。
FIG. 2 is a block diagram for explaining the hardware configuration of the brain image data analysis device 1 shown in FIG. 1.
なお、以下では、脳画像データ解析装置１が、クラウド上で動作するサーバ３０００上で動作するものとして説明する。しかしながら、脳画像データ解析装置１は、たとえば、オンプレミスのサーバ上で動作してもよいし、ワークステーションのように、脳画像を撮像する装置の設置場所に設置されるものであってもよい。
Note that the following description assumes that the brain image data analysis device 1 operates on a server 3000 that operates on the cloud. However, the brain image data analysis device 1 may operate on an on-premises server, or may be installed at a location where a device that captures brain images is installed, such as a workstation.
上述した通り、サーバ３０００は、自身の筐体内の演算装置（ＣＰＵ：Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）が演算処理を実行する構成であってもよいし、プログラムの処理の一部は、さらに他のサーバ上で実行される構成であってもよい。以下では、自身の筐体内の演算装置が演算処理を実行するものとして説明する。
As described above, the server 3000 may have a configuration in which the arithmetic unit (CPU: Central Processing Unit) within its own housing executes the arithmetic processing, or a part of the program processing may be performed on another server. It may also be a configuration that is executed. In the following description, it is assumed that an arithmetic unit within its own housing executes arithmetic processing.
図２を参照して、サーバ３０００は、コンピュータ装置３０１０と、ネットワークと通信するためのネットワーク通信部３３００と、外部からのデータを記録してコンピュータ装置３０１０に提供するための記録媒体（たとえば、メモリカード）３２１０とを備える。
Referring to FIG. 2, server 3000 includes a computer device 3010, a network communication unit 3300 for communicating with a network, and a recording medium (for example, a memory card) 3210.
なお、たとえば、記録媒体３２１０としては、ＵＳＢメモリ、メモリカードや外付け記憶装置などを利用することができる。また、ネットワーク通信部３３００としては、たとえば、有線ＬＡＮや無線ＬＡＮの通信機能を利用することができる。
Note that, for example, as the recording medium 3210, a USB memory, a memory card, an external storage device, etc. can be used. Further, as the network communication unit 3300, for example, a communication function of a wired LAN or a wireless LAN can be used.
図２に示されるように、このコンピュータ装置３０１０を構成するコンピュータ本体は、ディスクドライブ３０３０およびメモリドライブ３０２０に加えて、それぞれバス３０５０に接続されたＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ ）３０４０と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）３０６０およびＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）３０７０を含むメモリと、不揮発性の書換え可能な不揮発性記憶装置３０８０と、ネットワークを介しての通信や外部とのデータの授受を行うための入出力インタフェース３０９０とを含んでいる。不揮発性記憶装置３０８０としては、たとえば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｃ Ｄｒｉｖｅ）またはＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）などが使用される。ディスクライブ３０３０には、光ディスクが装着可能である。メモリドライブ３０２０にはメモリカード３２１０が装着可能である。
As shown in FIG. 2, in addition to a disk drive 3030 and a memory drive 3020, the computer main body constituting this computer device 3010 includes a CPU (Central Processing Unit) 3040 and a ROM (Read Only) connected to a bus 3050, respectively. memory) 3060 and RAM (Random Access Memory) 3070, a nonvolatile rewritable nonvolatile storage device 3080, and an input/output interface 3090 for communicating via a network and exchanging data with the outside. Contains. As the nonvolatile storage device 3080, for example, a HDD (Hard Disc Drive) or an SSD (Solid State Drive) is used. An optical disc can be loaded into the disc drive 3030. A memory card 3210 can be attached to the memory drive 3020.
コンピュータ装置３０１０のプログラムが動作するにあたっては、そのコンピュータとしての動作の基礎となる情報を格納するデータやプログラムは、ＳＳＤ３０８０に格納されるものとして説明を行う。
When the program of the computer device 3010 operates, the explanation will be given assuming that data and programs that store information that is the basis of the computer's operation are stored in the SSD 3080.
なお、図２では、コンピュータ本体に対してインストールされるプログラム等の情報を記録可能な媒体として、たとえば、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）、メモリカードやＵＳＢメモリなどでもよい。そのような場合に対応して、コンピュータ本体には、これらの媒体を読取ることが可能なドライブ装置（メモリドライブ３０２０、ディスクドライブ３０３０）が設けられる。
Note that in FIG. 2, the medium capable of recording information such as programs installed on the computer main body may be, for example, a DVD-ROM (Digital Versatile Disc), a memory card, a USB memory, or the like. In response to such a case, the computer main body is provided with a drive device (memory drive 3020, disk drive 3030) that can read these media.
コンピュータ装置３０１０の主要部は、コンピュータハードウェアと、ＣＰＵ３０４０により実行されるソフトウェアとにより構成される。一般的にこうしたソフトウェアは、記憶媒体に格納されて流通またはネットワーク経由で流通し、ディスクドライブ３０３０やネットワーク通信部３３００経由で取得されて、ＳＳＤ３０８０に一旦格納される。そうしてさらにＳＳＤ３０８０からメモリ中のＲＡＭ３０７０に読出されてＣＰＵ３０４０により実行される。なお、ネットワーク接続されている場合には、ＳＳＤ３０８０に格納することなくＲＡＭに直接ロードして実行するようにしてもよい。
The main part of the computer device 3010 is composed of computer hardware and software executed by the CPU 3040. Generally, such software is stored in a storage medium and distributed or distributed via a network, acquired via the disk drive 3030 or the network communication unit 3300, and temporarily stored in the SSD 3080. Then, the data is further read out from the SSD 3080 to the RAM 3070 in the memory and executed by the CPU 3040. Note that when connected to a network, the program may be directly loaded into the RAM and executed without being stored in the SSD 3080.
コンピュータ装置３０１０として機能するためのプログラムは、その流通にあたっては、コンピュータ本体３０１０に、情報処理装置等の機能を実行させるオペレーティングシステム（ＯＳ）は、必ずしも含まなくても良い。プログラムは、制御された態様で適切な機能（モジュール）を呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいれば良い。コンピュータシステム３０１０がどのように動作するかは周知であり、詳細な説明は省略する。
When distributed, the program for functioning as the computer device 3010 does not necessarily include an operating system (OS) that causes the computer main body 3010 to execute the functions of an information processing device or the like. The program need only contain those parts of the instructions that call the appropriate functions (modules) in a controlled manner to achieve the desired results. How computer system 3010 operates is well known and will not be described in detail.
さらに、ＣＰＵ３０４０も、１つのコアのプロセッサであっても、あるいは複数のコアのプロセッサであってもよい。すなわち、シングルコアのプロセッサであっても、マルチコアのプロセッサであってもよい。また、サーバ３０００も、複数のサーバにより構成され、分散処理を実行する構成としてもよい。
Furthermore, the CPU 3040 may also be a processor with one core or a processor with multiple cores. That is, it may be a single-core processor or a multi-core processor. Further, the server 3000 may also be configured to include a plurality of servers and execute distributed processing.
図３は、図１の脳画像データ解析装置による脳画像データ解析処理フローチャートである。以下、図３のフローチャートにより脳画像データ解析処理について説明する。
FIG. 3 is a flowchart of brain image data analysis processing performed by the brain image data analysis device of FIG. 1. The brain image data analysis process will be described below with reference to the flowchart in FIG.
まず、画像入力部１１が、評価対象となる被検者の脳画像をシステムに受け付けるための画像入力ステップを実行する（ステップＳ２０１）。画像入力ステップＳ２０１において、入力された画像に対して、セグメンテーション部１２が、セグメンテーションステップを実行する（ステップＳ２０２）。セグメンテーションステップＳ２０２のセグメンテーション処理によって、脳画像が複数の構造単位に分割される。
First, the image input unit 11 executes an image input step for receiving a brain image of a subject to be evaluated into the system (step S201). In image input step S201, the segmentation unit 12 performs a segmentation step on the input image (step S202). The brain image is divided into a plurality of structural units by the segmentation process in the segmentation step S202.
次に脳構造体体積計算部１３および脳信号強度計算部１４が、脳構造体積・信号強度計算ステップを実行する（ステップＳ２０３）。ステップＳ２０２で分割された各構造単位において、それぞれ脳構造体積の計算処理および検出された脳信号強度の計算処理を実行する。
Next, the brain structure volume calculation unit 13 and the brain signal intensity calculation unit 14 execute a brain structure volume/signal intensity calculation step (step S203). In each structural unit divided in step S202, calculation processing of the brain structure volume and calculation processing of the detected brain signal intensity are respectively performed.
次に撮影条件キャリブレーション部１５が、撮影キャリブレーションステップを実行する（ステップＳ２０４）。撮影キャリブレーションステップＳ２０４において、各構造単位において算出された脳構造体積および脳信号強度は、画像撮影時の撮影条件の違いによる影響を最小化するためのキャリブレーションが行われる。撮影条件の違いによる影響を最小化するためのキャリブレーションに用いられるデータベースには、様々な撮影条件データ（たとえば解像度、スライス厚、スライス角度、スライス方向、シーケンスパラメータ、エコー時間、反復時間、フリップ角度などが含まれる）と、様々な撮影条件での各年齢における、各構造単位の構造体積（年齢－構造単位体積データ）および信号強度（年齢－構造単位信号強度データ）とが含まれる。
Next, the photographing condition calibration unit 15 executes a photographing calibration step (step S204). In imaging calibration step S204, the brain structure volume and brain signal intensity calculated for each structural unit are calibrated to minimize the influence of differences in imaging conditions during image imaging. The database used for calibration to minimize the effects of differences in imaging conditions includes various imaging condition data (e.g. resolution, slice thickness, slice angle, slice direction, sequence parameters, echo time, repetition time, flip angle). etc.), and the structural volume (age-structural unit volume data) and signal intensity (age-structural unit signal intensity data) of each structural unit at each age under various imaging conditions.
上記キャリブレーションを行った後、同年代比計算部１６が、同年代比計算ステップを実行する（ステップＳ２０５）。同年代比計算ステップＳ２０５では、データベースの年齢－構造単位体積データおよび年齢－構造単位信号強度データを用いて、各被検者の各構造単位の同年代比が計算される（ステップＳ２０５）。
After performing the above calibration, the peer ratio calculation unit 16 executes a peer ratio calculation step (step S205). In the same age ratio calculation step S205, the age ratio of each structural unit of each subject is calculated using the age-structural unit volume data and the age-structural unit signal intensity data in the database (step S205).
［実施の形態１の変形例１］
＜構成＞ [Modification 1 of Embodiment 1]
<Configuration>
＜構成＞ [
<Configuration>
図４は、本実施形態の脳画像データ解析装置の変形例１の機能ブロック図である。実施の形態１の脳画像データ解析装置１が主として、現時点の評価対象の被検者の撮像データの解析を行う構成を示すのに対して、実施の形態１の変形例１の脳画像データ解析装置１は、後述するように、現時点の評価対象の被検者の解析を行うために、事前に既存のビッグデータに基づいて、解析のためのパラメータや条件等の設定を行う構成もさらに含む。
FIG. 4 is a functional block diagram of Modification 1 of the brain image data analysis device of this embodiment. The brain image data analysis device 1 of the first embodiment mainly analyzes imaging data of a subject to be evaluated at the present time, whereas the brain image data analysis device 1 of the first modification of the first embodiment As will be described later, the device 1 further includes a configuration for setting parameters, conditions, etc. for analysis based on existing big data in order to analyze the current evaluation target subject. .
実施形態１の変形例１の脳画像データ解析装置１は、図４に示すように、画像入力部１１と、セグメンテーション部１２と、脳構造体積・脳信号強度計算部３１と、撮影条件キャリブレーション部１５と、同年代比計算部１６と、脳血管障害度計算部１７と、解析レポート作成部１８と、解析レポート出力部１９と、を有する。
As shown in FIG. 4, the brain image data analysis device 1 of the first modification of the first embodiment includes an image input unit 11, a segmentation unit 12, a brain structure volume/brain signal intensity calculation unit 31, and an imaging condition calibration unit. 15, a peer ratio calculation section 16, a cerebrovascular disorder degree calculation section 17, an analysis report creation section 18, and an analysis report output section 19.
脳構造体積・脳信号強度計算部３１は、更に図１の脳構造体積計算部１３および脳信号強度計算部１４を一体構成としたものである。脳構造体積・信号強度計算部３１は、脳構造物選択部３２と、撮影条件影響評価部３３と、脳構造物同定部３４と、脳構造物体積・信号強度計算部３５と、を有する。ここで、図４の脳画像データ解析装置１は脳構造体積・信号強度計算部３１以外は、図１の構成と同様であるので、説明を省略し、以下では脳構造体積・信号強度計算部３１について説明する。
The brain structure volume/brain signal strength calculation section 31 is further integrated with the brain structure volume calculation section 13 and the brain signal strength calculation section 14 of FIG. The brain structure volume/signal intensity calculation section 31 includes a brain structure selection section 32 , an imaging condition influence evaluation section 33 , a brain structure identification section 34 , and a brain structure volume/signal intensity calculation section 35 . Here, the configuration of the brain image data analysis device 1 in FIG. 4 is the same as that in FIG. 1 except for the brain structure volume/signal intensity calculation unit 31, so the explanation will be omitted, and below, the brain structure volume/signal intensity calculation unit 31 will be explained.
なお、脳構造体積・信号強度計算部３１は、実施の形態１と同様に、コンピュータが脳画像データ解析装置１として動作する際に、メモリ中に格納されるプログラム中の対応するモジュールをＣＰＵが実行する機能に相当する。そして、脳構造物選択部３２と、撮影条件影響評価部３３と、脳構造物同定部３４と、脳構造物体積・信号強度計算部３５とは、脳構造体積・信号強度計算部３１のモジュールにおいて、各機能をＣＰＵが実行するサブモジュールとして実装される。
Note that, similarly to the first embodiment, when the computer operates as the brain image data analysis device 1, the brain structure volume/signal intensity calculation unit 31 allows the CPU to execute the corresponding module in the program stored in the memory. Corresponds to the function to be executed. The brain structure selection section 32, the imaging condition influence evaluation section 33, the brain structure identification section 34, and the brain structure volume/signal intensity calculation section 35 are modules of the brain structure volume/signal intensity calculation section 31. , each function is implemented as a submodule executed by the CPU.
データベース２ａは、ビックデータとしてのデータベースであり、様々な撮影条件（解像度、スライス厚、スライス角度、スライス方向、シーケンスパラメータ（エコー時間、反復時間、フリップ角度等）を含む）での各年齢における各構造単位の脳体積データ、脳信号強度データを含む年齢－構造単位体積データ、年齢－構造単位信号強度データ等を備えている。このデータベースは、解析センター内に備えていてもよいが、クラウドサーバ上に設置しても良い。
＜構成の説明＞Database 2a is a database of big data, and each image at each age under various imaging conditions (including resolution, slice thickness, slice angle, slice direction, sequence parameters (echo time, repetition time, flip angle, etc.)) It includes structural unit brain volume data, age-structural unit volume data including brain signal intensity data, age-structural unit signal intensity data, etc. This database may be provided within the analysis center, or may be installed on a cloud server.
<Explanation of configuration>
＜構成の説明＞
<Explanation of configuration>
「脳構造体積・信号強度計算部３１」は、まず、現時点での被検者に対する解析の前に、ビッグデータに基づいて、脳ＭＲＩ画像の撮影条件が脳構造物に及ぼす影響を評価する撮影条件影響評価部３３と、この評価結果に基づいて、工学的観点から撮像条件や被検者の属性（年齢、性別等）にバラツキがあっても精度よく脳構造物の体積等の計算が行える、かつ、加齢や病気に対して変化量が大きいという二つを兼ねそろえるという意味で効果の大きい脳構造物の選択を行う脳構造物選択部３２と、を備える。「脳構造体積・信号強度計算部３１」は、さらに、現在、評価対象となっている被検者からの撮像データについて、撮影条件の影響を受けにくい脳構造物の同定を行う脳構造物同定部３４と、同定された脳構造物のうち、脳室、葉構造等の大きな構造物の体積・信号強度の計算を行う脳構造物体積・信号強度計算部３５と、を有する。
"Brain structure volume/signal intensity calculation unit 31" first performs imaging to evaluate the influence of brain MRI imaging conditions on brain structures based on big data before analyzing the current subject. Based on the condition influence evaluation unit 33 and the evaluation results, the volume of brain structures, etc. can be calculated with high accuracy from an engineering perspective even if there are variations in imaging conditions and attributes (age, gender, etc.) of the examinee. , and a brain structure selection unit 32 that selects a brain structure that is highly effective in the sense that it has a large amount of change with respect to aging and disease. The "brain structure volume/signal intensity calculation unit 31" further performs brain structure identification, which identifies brain structures that are less affected by imaging conditions, regarding the imaging data from the subject currently being evaluated. and a brain structure volume/signal intensity calculation section 35 that calculates the volume and signal intensity of large structures such as ventricles and lobar structures among the identified brain structures.
図６Ａおよび図６Ｂは、図１または図４の脳画像データ解析装置１による脳画像データ解析処理フローチャートである。図６Ａは、脳画像データ解析処理の事前解析を示すフローチャートであり、図６Ｂは、脳画像データ解析装置による脳画像データ解析処理の被験者に対する解析を示すフローチャートである。
6A and 6B are flowcharts of brain image data analysis processing by the brain image data analysis device 1 of FIG. 1 or 4. FIG. 6A is a flowchart showing preliminary analysis of brain image data analysis processing, and FIG. 6B is a flowchart showing analysis of a subject in brain image data analysis processing by the brain image data analysis device.
（ビッグデータによる事前解析）
(Preliminary analysis using big data)
まず、図６Ａを参照して、現時点での被検者に対する解析の前に、ビッグデータに基づいて、画像入力部１１が、データベース２ａからの画像データを読み込む画像入力ステップを実行する（ステップＳ５０１）。画像入力ステップＳ５０１において、入力された画像に対して、セグメンテーション部１２が、セグメンテーションステップを実行する（ステップＳ５０２）。セグメンテーションステップＳ５０２のセグメンテーションによって、脳画像が複数の構造単位に分割される。セグメンテーションは、上述したデータベース２ａ（撮影条件データ、年齢-構造単位体積データ、年齢-構造単位信号強度データを格納する）に、たとえばすでにセグメンテーションが行われている教師データを用意して行うこともできる。
First, referring to FIG. 6A, before analyzing the current subject, the image input unit 11 executes an image input step of reading image data from the database 2a based on big data (step S501). ). In image input step S501, the segmentation unit 12 performs a segmentation step on the input image (step S502). The brain image is divided into a plurality of structural units by the segmentation in the segmentation step S502. Segmentation can also be performed by preparing, for example, training data on which segmentation has already been performed in the database 2a (which stores imaging condition data, age-structural unit volume data, and age-structural unit signal intensity data). .
たとえば、参考文献１の米国特許１００７４１７３号明細書に示されているような教師データを用いれば、脳の構造を多層の構造レベルで定義することができる。
For example, by using training data as shown in US Pat. No. 1,007,4173 in reference document 1, the structure of the brain can be defined at a multilayer structural level.
図５は、様々な構造レベルでのセグメンテーション教師データを示す。図５の例では脳の構造定義の粗さ（粒度）を５段階で定義している。すなわち、２８７構造、１３７構造、５４構造、１９構造、８構造の構造定義である。構造定義を細かくすれば脳の部位に関する情報量は増えるが、データの再現性が低下し撮影条件（撮像条件）依存性が高まる。一方、構造定義を粗くすれば脳の部位に関する情報量は減るが、データの再現性が高まり撮影条件依存性が低くなる。セグメンテーションの結果、定義された構造物の全てが、脳の健康状態を測る（体積値、信号強度値）指標となり得る。脳画像データ解析装置１では、これら多くの構造物から健康の指標としてより優れた構造物を選ぶことができ、また事前処理を行うことによって最終的な適性の高い指標を得ることができる。
Figure 5 shows segmentation training data at various structural levels. In the example of FIG. 5, the coarseness (granularity) of brain structure definition is defined in five levels. That is, the structure definitions are 287 structures, 137 structures, 54 structures, 19 structures, and 8 structures. If the structure definition is made more detailed, the amount of information about brain parts will increase, but the reproducibility of the data will decrease and the dependence on imaging conditions will increase. On the other hand, if the structure definition is made coarser, the amount of information about brain parts will be reduced, but the data will be more reproducible and less dependent on imaging conditions. As a result of segmentation, all defined structures can serve as indicators (volume values, signal intensity values) to measure the health status of the brain. The brain image data analysis device 1 can select a structure that is better as an indicator of health from these many structures, and can obtain a final indicator with high suitability by performing preprocessing.
ここで、「構造単位」と解析に用いられる「脳構造物」との対応関係については、以下の通りである。
Here, the correspondence between "structural units" and "brain structures" used for analysis is as follows.
すなわち、たとえば、セグメンテーションを最小単位で行い、複数の単位を組み合わせることにより、より大きな構造物を定義できる。
That is, for example, by performing segmentation in the smallest unit and combining multiple units, a larger structure can be defined.
図６Ａにもどって、次に、脳構造体積・信号強度計算部３１が、撮影条件影響評価ステップＳ５０３と、脳構造物選択ステップＳ５０４とを実行する。以下、脳構造体積・信号強度計算部３１が、実行する各処理ステップについて詳細に説明する。
Returning to FIG. 6A, next, the brain structure volume/signal intensity calculation unit 31 executes an imaging condition influence evaluation step S503 and a brain structure selection step S504. Each processing step executed by the brain structure volume/signal intensity calculation unit 31 will be described in detail below.
まず、撮影条件影響評価プログラムのモジュールとして、撮影条件影響評価部３３は、撮影条件影響評価ステップを実行する（ステップＳ５０３）。撮影条件影響評価ステップＳ５０３は、工学的観点から様々な撮影条件の影響を評価するためのステップである。撮影条件影響評価部３３は、工学的観点から頑健性の高い構造物の選択を行い、データベース２ａ内のデータに基づいて、評価する。このステップＳ５０３において、様々な条件で撮られた脳ＭＲＩ画像が構造物の定義（たとえば体積）にどのような影響を及ぼすかを評価する。たとえば異なった解像度でＭＲＩ画像を撮影した場合、特定の構造物の体積が大きく測定される可能性があるからである。
First, as a module of the photographing condition influence evaluation program, the photographing condition influence evaluation section 33 executes a photographing condition influence evaluation step (step S503). The imaging condition influence evaluation step S503 is a step for evaluating the influence of various imaging conditions from an engineering perspective. The imaging condition influence evaluation unit 33 selects a highly robust structure from an engineering perspective and evaluates it based on the data in the database 2a. In this step S503, it is evaluated how brain MRI images taken under various conditions affect the definition of a structure (for example, volume). This is because, for example, when MRI images are taken with different resolutions, the volume of a specific structure may be measured to be large.
たとえば、ＭＲＩの撮影条件は１００近いパラメータがあり、撮像サイト（たとえば、病院）間で撮影条件が同じということは想定できない。このすべてのパラメータが体積に影響を及ぼす可能性を有することになる。
For example, MRI imaging conditions have nearly 100 parameters, and it is impossible to assume that imaging conditions are the same between imaging sites (for example, hospitals). All these parameters will have the potential to influence volume.
その結果、そのままでは、厳密には、施設間のデータの比較は不可能となり、それぞれの病院において、数百、数千のデータを収集して、初めて「５０歳の海馬の体積の平均は○○であり、それに比較すると、この人の海馬は小さめ」という評価が可能ということになってしまう。撮影条件を一つ変えただけで、これを繰り返さなければならないことになる。
As a result, it is strictly impossible to compare data between facilities as it is, and it is necessary to collect hundreds or thousands of data at each hospital. ○, and compared to that, it is possible to evaluate that this person's hippocampus is small. If you change just one shooting condition, you will have to repeat this process.
そこで、撮影条件影響評価部３３は、セグメンテーションにより、たとえば、５０５個の脳構造を区分けした時、これらのパラメータの違いに鋭敏で、パラメータが変わると体積値が変わってしまうものと、鈍感で、どんなパラメータでもほとんど変わらないものとを評価して分ける処理を実行する。後者が工学的観点から優れた指標となる。そこで、撮影条件影響評価部３３は、「撮像パラメータにより体積値がどれだけ変化するのか」ということを、たとえば、ＣＶ（Coefficient of Variation）値や体積―年齢相関曲線の撮影条件による変化により評価する。
Therefore, when the imaging condition influence evaluation unit 33 divides, for example, 505 brain structures by segmentation, it is sensitive to differences in these parameters, and if the parameters change, the volume value changes, and it is insensitive. Executes the process of evaluating and separating parameters that hardly change. The latter is an excellent indicator from an engineering perspective. Therefore, the imaging condition influence evaluation unit 33 evaluates "how much the volume value changes depending on the imaging parameters" by, for example, changing the CV (Coefficient of Variation) value or the volume-age correlation curve depending on the imaging conditions. .
続いて、脳構造物選択プログラムのモジュールとして、脳構造物選択部３２は、脳構造物選択ステップを実行する（ステップＳ５０４）。脳構造物選択ステップＳ５０４では、脳構造体積・信号計算の処理に対して適性の高い脳構造物を選択する。ここで、選択される脳構造物は、医学、生物学的に機能が知られていたり、評価対象となる疾患リスクに対して医学的に重要であることが知られている構造物が含まれる。たとえば、記憶に重要であると知られている海馬などである。また、工学的観点からは、指標として適している構造物には、異なる適性が求められ、脳構造物選択ステップ５０４では、工学的観点から、ばらつきに対して効果の大きい脳構造物の選択を行う。
Next, as a module of the brain structure selection program, the brain structure selection unit 32 executes a brain structure selection step (step S504). In the brain structure selection step S504, brain structures that are highly suitable for brain structure volume and signal calculation processing are selected. Here, the brain structures selected include structures that are known to have medical or biological functions, or are known to be medically important for the risk of the disease to be evaluated. . For example, the hippocampus is known to be important for memory. Furthermore, from an engineering perspective, structures suitable as indicators are required to have different aptitudes, and in the brain structure selection step 504, brain structures that are highly effective against variation are selected from an engineering perspective. conduct.
以下、「ばらつきに対して効果の大きい脳構造物」の意義について説明する。工学的な観点から最も大切な適性に、再現性の良さ（同じ条件で複数測定した時のばらつきの小ささ）と、撮影条件の影響の小ささ（頑健性、異なる条件で測定しても似たような値が得られる）と、そして検出したい生物学的変化への感度の高いものという３つの要素がある。ここでいう「感度」においては生物学的変化（効果）と大きさと再現性との比が大切であり、効果が高くてもばらつきが大きければ工学的にすぐれた指標とは言えない。
The significance of "brain structures that are highly effective against variation" will be explained below. From an engineering perspective, the most important aptitudes are good reproducibility (low variation when multiple measurements are taken under the same conditions) and low influence of imaging conditions (robustness, whether measurements are similar even when measured under different conditions). There are three factors: a high sensitivity to the biological change that is desired to be detected. In terms of "sensitivity", the ratio between biological change (effect), magnitude, and reproducibility is important, and even if the effect is high, if the variation is large, it cannot be said to be an excellent index for engineering.
そこで、脳構造物選択部３２は、たとえば、認知症のリスクを評価対象とするのであれば、後述するように、感度と再現性の観点から、被検者の撮像データからセグメンテーションにより得られた５０５構造物から、たとえば、脳室の体積のみを指標とすると決定したり、あるいは、脳室と他の脳構造物とを統合して指標として使用するなどの決定を行う。脳構造物選択部３２は、このようにして選択した脳構造物を、たとえば、データベース２ａ中に、評価対象となる疾患と関連付けて、選択脳構造物データとして格納する。
Therefore, for example, if the risk of dementia is to be evaluated, the brain structure selection unit 32 selects a structure obtained by segmentation from the subject's imaging data from the viewpoint of sensitivity and reproducibility, as described later. From the 505 structures, it is determined, for example, that only the volume of the ventricles is to be used as an index, or that the ventricles and other brain structures are to be integrated and used as an index. The brain structure selection unit 32 stores the thus selected brain structures in the database 2a, for example, in association with the disease to be evaluated as selected brain structure data.
図５に示したような、上述の教師データを用いて脳の構造を多層のレベルで定義する方法は、頑健な構造物を見つけるにあたり非常に有効である。
The method of defining the brain structure at multiple levels using the above-mentioned training data, as shown in Figure 5, is very effective in finding robust structures.
その後、実施形態１の変形例１の脳画像データ解析装置１は、脳構造物体積・信号強度計算部３５の処理（Ｓ５０５）と、撮影条件キャリブレーション部１５の処理（ステップＳ５０６）を実行する。
＜構成＞ After that, the brain imagedata analysis device 1 of the first modification of the first embodiment executes the processing of the brain structure volume/signal intensity calculation unit 35 (S505) and the processing of the imaging condition calibration unit 15 (Step S506). .
<Configuration>
＜構成＞ After that, the brain image
<Configuration>
図７は、図１又は図４の脳画像データ解析装置における撮影条件キャリブレーション部１５の機能ブロック図である。
FIG. 7 is a functional block diagram of the imaging condition calibration section 15 in the brain image data analysis device of FIG. 1 or 4.
撮影条件キャリブレーション部１５は、図７に示すような「撮影条件差のキャリブレーション部」を含み、撮影条件差のキャリブレーション部は、脳構造物体積－年齢相関作成部１５１と、脳構造物体積－年齢相関パラメータ抽出部１５２と、撮影条件パラメータ一致化部１５３とを有している。
The imaging condition calibration section 15 includes a "imaging condition difference calibration section" as shown in FIG. 7, and the imaging condition difference calibration section includes a brain structure volume-age correlation creation section 151 and a brain structure It has a volume-age correlation parameter extraction section 152 and an imaging condition parameter matching section 153.
ここでも、撮影条件キャリブレーション部１５は、コンピュータが脳画像データ解析装置１として動作する際に、メモリ中に格納されるプログラム中の対応するモジュールをＣＰＵが実行する機能に相当する。そして、脳構造物体積－年齢相関作成部１５１と、脳構造物体積－年齢相関パラメータ抽出部１５２と、撮影条件パラメータ一致化部１５３とは、撮影条件キャリブレーション部１５のモジュールにおいて、各機能をＣＰＵが実行するサブモジュールとして実装される。
＜構成の説明＞ Here again, the imagingcondition calibration unit 15 corresponds to a function in which the CPU executes a corresponding module in a program stored in the memory when the computer operates as the brain image data analysis device 1. The brain structure volume-age correlation creation section 151, the brain structure volume-age correlation parameter extraction section 152, and the imaging condition parameter matching section 153 perform each function in the module of the imaging condition calibration section 15. It is implemented as a submodule executed by the CPU.
<Explanation of configuration>
＜構成の説明＞ Here again, the imaging
<Explanation of configuration>
「脳構造物体積－年齢相関作成部１５１」は、現時点での被検者に対する解析の前に、既存のビッグデータに基づいて、複数の年齢の異なる人物（各被検者）の脳構造物の測定結果に対して、体積－年齢の相関曲線を作成する。
The “brain structure volume-age correlation creation unit 151” calculates the brain structures of multiple people (each subject) of different ages based on existing big data before analyzing the current subject. A volume-age correlation curve is created for the measurement results.
「脳構造物体積－年齢相関パラメータ抽出部１５２」は、撮影条件ごとに、脳構造物体積－年齢相関作成部１５１により作成された相関曲線を規定する体積－年齢相関パラメータや、統計的なパラメータ（平均値など）を抽出する。
The “brain structure volume-age correlation parameter extraction unit 152” extracts volume-age correlation parameters and statistical parameters that define the correlation curve created by the brain structure volume-age correlation creation unit 151 for each imaging condition. (e.g. average value).
「撮影条件パラメータ一致化部１５３」は、撮影条件が相違しても、脳構造物体積－年齢相関パラメータ抽出部１５２により抽出された体積－年齢相関の相関曲線のパラメータの差や、統計的パラメータの差が、小さくなるように、各脳構造物の体積や信号強度を、一致させる又は差を最小化するように、キャリブレーション係数を決定する。ここで、「キャリブレーション係数」とは、特に限定されないが、たとえば、撮影条件Ａと撮影条件Ｂとの間で、特定の脳構造物の体積が一致するように校正するための係数をいう。信号強度についても、同様に、撮影条件Ａと撮影条件Ｂとの間で、特定の脳構造物の信号強度が一致するように校正するための係数をいう。なお、たとえば、「脳構造物体積－年齢相関パラメータ」とは、各年齢における当該構造物の平均値と標準偏差とすることができる。したがって、キャリブレーションとは、Ａ群とＢ群（たとえば解像度が違うＭＲＩ装置で撮った２群）間の補正となる。Ａ群の平均がＢ群の平均より３０歳の時点で１０％大きいとし、Ａ群を標準とみなした場合、Ｂ群で撮影した３０歳の受診者の体積は１０％減らすことにより、Ｂ群での撮影データを、Ａ群のデータと比較可能、ということになる。
Even if the imaging conditions are different, the "imaging condition parameter matching unit 153" calculates the differences in the parameters of the volume-age correlation correlation curves extracted by the brain structure volume-age correlation parameter extraction unit 152, and the statistical parameters. Calibration coefficients are determined so that the volumes and signal intensities of each brain structure match or minimize the difference so that the difference is small. Here, the "calibration coefficient" is not particularly limited, but refers to, for example, a coefficient for calibrating so that the volume of a specific brain structure matches between imaging condition A and imaging condition B. Similarly, the signal strength is a coefficient for calibrating so that the signal strength of a specific brain structure matches between the imaging condition A and the imaging condition B. Note that, for example, the "brain structure volume-age correlation parameter" can be the average value and standard deviation of the structure at each age. Therefore, calibration is a correction between group A and group B (for example, two groups imaged by an MRI apparatus with different resolutions). If the average of group A is 10% larger than the average of group B at the age of 30, and if group A is regarded as the standard, then the volume of a 30-year-old examinee photographed in group B can be reduced by 10% to make it larger than group B. This means that it is possible to compare the photographic data taken with the data of group A.
図８は、図１又は図４の脳画像データ解析装置における撮影条件キャリブレーション部１５の処理フローチャートである。以下、図８のフローチャートにより撮影条件キャリブレーション係数を決定するための処理について説明する。
FIG. 8 is a processing flowchart of the imaging condition calibration unit 15 in the brain image data analysis device of FIG. 1 or 4. The process for determining the photographing condition calibration coefficient will be described below with reference to the flowchart of FIG.
まず、撮影条件キャリブレーション部１５は、撮影条件キャリブレーションステップ２０４を実行する。以下、撮影条件キャリブレーションステップ２０４の各ステップについて詳細に説明する。
First, the photographing condition calibration unit 15 executes a photographing condition calibration step 204. Each step of the photographing condition calibration step 204 will be described in detail below.
撮影条件の違いによる体積値の差のキャリブレーション係数を決定するために、撮影条件キャリブレーション部１５は、複数の年齢の異なる人物（各被検者）の脳構造物を測定し、撮影条件ごとに、体積－年齢の相関曲線を作成する脳構造物体積－年齢相関作成ステップＳ７０１と、作成された相関曲線から撮影条件ごとに体積－年齢相関パラメータを抽出したり、撮影条件ごとに統計パラメータを抽出する脳構造物体積－年齢相関パラメータ抽出ステップＳ７０２と、抽出された体積－年齢相関パラメータの差や、統計的パラメータの差が、小さくなるように、キャリブレーション係数を決定する脳構造体積-年齢相関の一致化（補正）ステップＳ７０３とを実行する。
In order to determine the calibration coefficient for the difference in volume values due to differences in imaging conditions, the imaging condition calibration unit 15 measures the brain structures of a plurality of people (each subject) of different ages, and calculates the calibration coefficient for each imaging condition. Next, a brain structure volume-age correlation creation step S701 creates a volume-age correlation curve, and a volume-age correlation parameter is extracted for each imaging condition from the created correlation curve, and a statistical parameter is extracted for each imaging condition. The brain structure volume-age correlation parameter extraction step S702 determines a calibration coefficient so that the difference between the extracted volume-age correlation parameter and the difference between the statistical parameters is small. Correlation matching (correction) step S703 is executed.
なお、撮影条件の違いによる体積値の差の校正のために、撮影条件キャリブレーション部１５は、同一人物を異なる撮影条件で撮影し、各撮影条件（たとえば、解像度）の影響を測定してキャリブレーションする方法を取ることもできる。ステップＳ７０１～ステップＳ７０３は撮影条件の違いによる体積値の差のキャリブレーションのひとつの方法（同一人物を使わない場合）を示している。
Note that in order to calibrate differences in volume values due to differences in imaging conditions, the imaging condition calibration unit 15 photographs the same person under different imaging conditions, measures the influence of each imaging condition (for example, resolution), and calibrates the image. You can also take the option of Steps S701 to S703 show one method for calibrating differences in volume values due to differences in imaging conditions (when the same person is not used).
脳構造物体積－年齢相関作成ステップＳ７０１では、撮影条件キャリブレーション部１５は、複数の年齢の異なる人物（被検者）を測定の測定結果に対して、体積－年齢の相関曲線を作成し（描き）、相関方程式を得る。脳構造物体積－年齢相関パラメータ抽出ステップＳ７０２では、撮影条件キャリブレーション部１５は、作成された相関曲線から、撮影条件ごとに、体積－年齢の相関のパラメータや、撮影条件ごとに統計パラメータを抽出する。たとえば、統計パラメータの抽出には、撮影条件ごとの各年齢での平均、標準偏差を抽出することや、撮影条件ごとの相関曲線のパラメータとしては、Polynomial回帰等によって、撮影条件を共変量に加えたパラメータ抽出をすることが含まれる。脳構造物体積－年齢相関パラメータ抽出ステップＳ７０２では、得られた相関方程式の違いから、撮影条件の相違に頑健な（ロバストな）構造物（方程式の差が小さい）が見出だされうる。そこで、この結果を先に求めておけば、撮影条件影響の評価（Ｓ５０３）で使用されることも可能である。
In brain structure volume-age correlation creation step S701, the imaging condition calibration unit 15 creates a volume-age correlation curve for the measurement results of a plurality of people (subjects) of different ages ( ) and obtain the correlation equation. In the brain structure volume-age correlation parameter extraction step S702, the imaging condition calibration unit 15 extracts volume-age correlation parameters and statistical parameters for each imaging condition from the created correlation curve. do. For example, to extract statistical parameters, it is possible to extract the average and standard deviation at each age for each imaging condition, and to create correlation curve parameters for each imaging condition, add imaging conditions to covariates using polynomial regression, etc. This includes extracting the parameters. In the brain structure volume-age correlation parameter extraction step S702, structures that are robust to differences in imaging conditions (with small differences in equations) can be found from differences in the obtained correlation equations. Therefore, if this result is obtained in advance, it can be used in the evaluation of the influence of photographing conditions (S503).
次に、異なる撮影条件で得られた体積値の一致化ステップＳ７０３では、各撮影条件が異なる場合に、体積値や信号強度に対するキャリブレーション係数の決定を行う。すなわち、相関方程式の差や統計パラメータの差がなくなるようなキャリブレーションを行う。
Next, in step S703 of matching volume values obtained under different imaging conditions, calibration coefficients for volume values and signal intensities are determined when each imaging condition is different. That is, calibration is performed such that differences in correlation equations and differences in statistical parameters are eliminated.
たとえば、キャリブレーション係数の決定のためには、以下の２つの方法がある。
For example, there are the following two methods for determining the calibration coefficient.
第１の方法としては、条件Ａにおいて、たとえば３０歳の人の平均値と標準偏差が平均ＡＡ，偏差ＳＡとし、条件Ｂでは平均ＡＢ，偏差ＳＢとすると、条件Ｂで撮影した人の体積データＢに対し、Ｂ＋（平均ＡＡ－平均ＡＢ）とすると、条件Ｂで撮ったデータＢの平均値を条件Ａと比較可能とできる。すなわち（平均ＡＡ－平均ＡＢ）が、Ｂ→Ａ変換のキャリブレーション係数となる。この場合、条件Ａと条件Ｂの測定データがある程度あり、それぞれの平均が計算できるものとする。
The first method is that under condition A, for example, the average value and standard deviation of a 30-year-old person are set to mean AA and deviation SA, and under condition B, mean AB and deviation SB, then the volume data of the person photographed under condition B is By setting B+(average AA−average AB) for B, the average value of data B taken under condition B can be compared with condition A. That is, (average AA−average AB) is the calibration coefficient for B→A conversion. In this case, it is assumed that there is a certain amount of measurement data for condition A and condition B, and the average of each can be calculated.
なお、条件Ａと条件Ｂのいずれを基準にして両者の統計パラメータを一致させてもよいが、たとえば、条件が測定磁場の強度であれば、より解像度が高くなると考えられる磁場強度が最も高い条件の計測データに合わせるようにすることができる。あるいは、条件Ａと条件Ｂとで、スライス厚が異なるのであれば、より細かい構造を観測できることになる、より薄いスライス圧の条件の計測データに合わせるようにすることができる。
Note that the statistical parameters of both conditions may be made to match based on either condition A or condition B, but for example, if the condition is the strength of the measurement magnetic field, the condition with the highest magnetic field strength is considered to provide higher resolution. It can be made to match the measurement data of. Alternatively, if the slice thicknesses are different between condition A and condition B, it is possible to match the measurement data to the thinner slice pressure condition, which allows observation of finer structures.
第２の方法としては、たとえば、条件Ａのデータが大量にあり、条件Ｂのデータが少ないときにＡの統計値を事前情報として使用する方法である。
A second method is, for example, to use the statistical value of A as prior information when there is a large amount of data for condition A and little data for condition B.
この概念をより厳密に実行するのであれば、いわゆるベイズ推定を用いることができる。
If this concept is to be implemented more strictly, so-called Bayesian estimation can be used.
なお、以上の説明では、キャリブレーションにより、各年齢における平均値と標準偏差を比較して、キャリブレーションで一致させるものとした。しかしながら、たとえば、平均値が２０‐８０代の各年にある時、条件ＡとＢにおいてそれぞれ２０‐８０歳の平均値を、たとえば多項式で当てはめ、多項式の係数を使っても、多項式が一致するようにキャリブレーション係数を算出することとしてもよい。この際、撮影条件の差を共変量として加えることもできる。
Note that in the above explanation, the average value and standard deviation at each age are compared and matched by calibration. However, for example, if the average values are in each year from 20 to 80, then even if you apply the average values of 20 to 80 years old in conditions A and B with a polynomial, and use the coefficients of the polynomial, the polynomials will match. Calibration coefficients may be calculated as follows. At this time, differences in imaging conditions can also be added as a covariate.
上述したベイズ推定について、より詳しく説明すると、以下の通りである。
A more detailed explanation of the Bayesian estimation described above is as follows.
すなわち、たとえば、撮影条件Ａにおいて３００００例から求めた構造物Ｘの３０歳の平均がθ、標準偏差がγとする。撮影条件Ｂにおいて、ｎ人の構造物Ｘの体積測定の結果が平均μ、標準偏差σであったとする。事後分布の推定にはベイズモデルを用いることができる。
f(θ｜data) ∝ f(θ)f(ｄ|θ)
たとえば、事前分布f(θ)、尤度f(ｄ｜θ)ともに正規分布に従うとすると、事後分布（撮影条件Ｂにける平均の推定）は、
平均：θγ2/(ｎγ2+σ2)＋μｎγ/(ｎγ2 +σ2)
分散： γ2σ2/(ｎγ2 +σ2)
の正規分布となる。 That is, for example, it is assumed that the average of 30-year-old structure X obtained from 30,000 examples under photographing condition A is θ, and the standard deviation is γ. Assume that under imaging condition B, the results of volumetric measurements of structure X by n people have an average μ and a standard deviation σ. A Bayesian model can be used to estimate the posterior distribution.
f(θ｜data) ∝ f(θ)f(d|θ)
For example, if both the prior distribution f(θ) and the likelihood f(d|θ) follow a normal distribution, the posterior distribution (estimate of the average under shooting condition B) is
Average: θγ 2 /(nγ 2 +σ 2 )+μnγ/(nγ 2 +σ 2 )
Variance: γ 2 σ 2 /(nγ 2 +σ 2 )
It is a normal distribution.
f(θ｜data) ∝ f(θ)f(ｄ|θ)
たとえば、事前分布f(θ)、尤度f(ｄ｜θ)ともに正規分布に従うとすると、事後分布（撮影条件Ｂにける平均の推定）は、
平均：θγ2/(ｎγ2+σ2)＋μｎγ/(ｎγ2 +σ2)
分散： γ2σ2/(ｎγ2 +σ2)
の正規分布となる。 That is, for example, it is assumed that the average of 30-year-old structure X obtained from 30,000 examples under photographing condition A is θ, and the standard deviation is γ. Assume that under imaging condition B, the results of volumetric measurements of structure X by n people have an average μ and a standard deviation σ. A Bayesian model can be used to estimate the posterior distribution.
f(θ｜data) ∝ f(θ)f(d|θ)
For example, if both the prior distribution f(θ) and the likelihood f(d|θ) follow a normal distribution, the posterior distribution (estimate of the average under shooting condition B) is
Average: θγ 2 /(nγ 2 +σ 2 )+μnγ/(nγ 2 +σ 2 )
Variance: γ 2 σ 2 /(nγ 2 +σ 2 )
It is a normal distribution.
図９（ａ）および（ｂ）は、脳室体積－年齢相関を使ったキャリブレーション前とキャリブレーション後の例を示す。図９（ａ）は生データから得られた脳室体積を年齢の関数として対数表示したものであり、図９（ｂ）は、スライス厚が１．２ｍｍ厚のデータを基準にしてキャリブレーションした後の各年齢の平均脳室体積（対数スケール割合）を示している。異なる２つのサイトから得られた同じ解像度データについては、プロトコルと年齢および性別の相関関係は、統計的に有意とはならなかったため、同じスライス解像度のデータをプールして解析を行った。その結果、図９（ａ）に示すように、３種類の異なるスライス厚（１．２ｍｍ、２．０ｍｍ、２．５ｍｍ）におけるプロトコル効果は非常に有意であった。すなわち、脳室体積の小さい若年層の被験者ほど違いが大きくなり、年齢が高くなり脳室体積が大きくなると小さくなることがわかった。このことから低解像度の画像では、若年層の脳室体積を区別することが難しく、若年層における年齢依存性を特徴付けるのは適しないことが示唆される。図９（ｂ）は、１．２ｍ厚のデータを基準にしてキャリブレーションした後の各年齢の平均脳室体積（対数スケール）を示したものである。この図からキャリブレーションを行うことで画像解像度の影響を効果的に軽減できることがわかる。
FIGS. 9(a) and (b) show examples before and after calibration using the ventricular volume-age correlation. Figure 9(a) shows the logarithmic representation of the ventricular volume obtained from the raw data as a function of age, and Figure 9(b) shows the calibration based on data with a slice thickness of 1.2 mm. Average ventricular volumes (log scale percentage) at each age are shown. For the same resolution data obtained from two different sites, the correlation between protocol and age and gender was not statistically significant, so data from the same slice resolution were pooled for analysis. As a result, as shown in FIG. 9(a), the protocol effect at three different slice thicknesses (1.2 mm, 2.0 mm, and 2.5 mm) was very significant. In other words, the difference was found to be larger in younger subjects with smaller ventricular volumes, and to become smaller as subjects got older and their ventricular volumes increased. This suggests that low-resolution images are difficult to distinguish between ventricular volumes in young people and are not suitable for characterizing age dependence in young people. FIG. 9(b) shows the average ventricular volume (logarithmic scale) for each age after calibration based on 1.2 m thick data. This figure shows that the influence of image resolution can be effectively reduced by performing calibration.
図９（ａ）（ｂ）の例では、縦軸に対数スケール割合の脳室体積を示し、横軸に年齢を示す。被検者は３０代から７０代の男性（Ｍａｌｅ）と女性（Ｆｅｍａｌｅ）で、スライス厚１．２ｍｍ、２．０ｍｍ、２．５ｍｍのキャリブレーションを行った結果である。図９（ａ）と図９（ｂ）の結果から明らかなように、画像解像度の撮影条件キャリブレーションにより、パラメータが一致化され、ＭＲＩ機器の性能に左右されない脳画像データの解析が行えることがわかる。
In the example of FIGS. 9(a) and 9(b), the vertical axis shows the ventricular volume in logarithmic scale proportion, and the horizontal axis shows age. The subjects were males and females in their 30s to 70s, and the results were calibrated using slice thicknesses of 1.2 mm, 2.0 mm, and 2.5 mm. As is clear from the results in Figures 9(a) and 9(b), by calibrating the imaging conditions for image resolution, the parameters can be matched, and brain image data can be analyzed without being affected by the performance of the MRI equipment. Recognize.
（現時点の被検者に対する解析）
(Analysis for current test subjects)
ここで、図６Ｂに戻って、次に、脳構造体積・信号強度計算部３１が、現在、評価対象となる被検者の脳画像データと撮影条件データに基づいて、解析を行う処理について説明する。
Returning to FIG. 6B, next we will explain the processing in which the brain structure volume/signal intensity calculation unit 31 performs analysis based on the brain image data and imaging condition data of the subject currently being evaluated. do.
脳構造体積・信号強度計算部３１は、画像入力ステップ（ステップＳ５１０）とセグメンテーションステップ（ステップＳ５１２）の後に、脳構造物同定ステップＳ５１４と、脳構造物体積・信号強度計算ステップＳ５１６と、撮影条件キャリブレーション部１５の処理（ステップＳ５１８）と、同年代比計算部１６の処理（ステップＳ５２０）とを実行する。
After the image input step (step S510) and the segmentation step (step S512), the brain structure volume/signal intensity calculation unit 31 performs a brain structure identification step S514, a brain structure volume/signal intensity calculation step S516, and imaging conditions. The process of the calibration unit 15 (step S518) and the process of the peer ratio calculation unit 16 (step S520) are executed.
まず、現時点での被検者に対する解析のために、画像入力部１１が、撮像サイトから送信されてきた、評価対象となる被検者の脳画像データと撮影条件データを読み込む画像入力ステップを実行する（ステップＳ５１０）。画像入力ステップＳ５１０において、入力された画像に対して、セグメンテーション部１２が、セグメンテーションステップを実行する（ステップＳ５１２）。セグメンテーションステップＳ５１２のセグメンテーションによって、脳画像が複数の構造単位（たとえば、５０５個の構造単位）に分割される。セグメンテーションは、ここでも、上述したデータベース２ａのセグメンテーション教師データを参照して実行することができる。
First, in order to analyze the current subject, the image input unit 11 executes an image input step of reading the brain image data and imaging condition data of the subject to be evaluated, which have been sent from the imaging site. (Step S510). In image input step S510, the segmentation unit 12 performs a segmentation step on the input image (step S512). The brain image is divided into a plurality of structural units (for example, 505 structural units) by the segmentation in the segmentation step S512. Segmentation can also be executed here with reference to the segmentation training data in the database 2a mentioned above.
次に、脳構造物同定プログラムのモジュールとして、脳構造物同定部３４は、セグメンテーションで分割された構造単位に脳構造物のラベリングを実行し、撮影条件影響評価部３３の事前の評価に応じて、撮影条件の影響を受けにくい構造物の同定を行う脳構造物同定ステップを実行する（ステップＳ５１４）。脳構造物同定ステップＳ５１４では、撮影条件の影響が小さく、かつ、撮影条件の影響をキャリブレーションにより最小化することが可能な頑健なもので、評価対象の疾患リスクへの感度も考慮して選択された構造物を同定する。頑健な構造物の例としては、上述したように、認知症リスクを対象とするのであれば、脳室やサイズの大きい葉構造（例、前頭葉）が挙げられる。
Next, as a module of the brain structure identification program, the brain structure identification unit 34 labels the brain structures in structural units divided by segmentation, and according to the prior evaluation by the imaging condition influence evaluation unit 33. , executes a brain structure identification step for identifying structures that are not easily affected by imaging conditions (step S514). In the brain structure identification step S514, a robust structure that is less affected by imaging conditions and can be minimized through calibration is selected, taking into account the sensitivity to the risk of the disease to be evaluated. identify the structures that have been identified. As mentioned above, examples of robust structures include the ventricles of the brain and large lobar structures (eg, the frontal lobe) if the risk of dementia is to be targeted.
次に、脳構造物体積・信号強度計算プログラムのモジュールとして、脳構造物体積・信号強度計算部３５は、脳構造物ごとに、体積の計算および信号強度の計算を実行する（ステップＳ５１６）。すなわち、ステップＳ５１４において、同定された脳室、葉構造等、体積の大きな構造物から脳構造物の体積の計算および信号強度の計算を行う。
Next, as a module of the brain structure volume/signal intensity calculation program, the brain structure volume/signal intensity calculation unit 35 executes volume calculation and signal intensity calculation for each brain structure (step S516). That is, in step S514, the volume and signal intensity of brain structures are calculated from structures with large volumes, such as the identified ventricles and lobar structures.
ここで、たとえば、同定された結果である脳構造物が含む（ボクセル数）×（１ボクセルの体積）がその構造物の体積値計算に相当する。また、たとえば、その構造物に含まれるすべてのボクセルの信号強度の平均値が信号強度計算に相当する。この場合、信号強度計算は平均値とは限らず、中央値であったり、モーメントであったり、ヒストグラムであってもよい。
Here, for example, (number of voxels)×(volume of one voxel) included in the brain structure, which is the identified result, corresponds to calculation of the volume value of the structure. Further, for example, the average value of the signal intensities of all voxels included in the structure corresponds to the signal intensity calculation. In this case, the signal strength calculation is not limited to the average value, but may be a median value, a moment, or a histogram.
図５に示したような、上述の教師データを用いて脳の構造を多層のレベルで定義する方法は、頑健な構造物を見つけるにあたり非常に有効である。
The method of defining the brain structure at multiple levels using the above-mentioned training data, as shown in Figure 5, is very effective in finding robust structures.
その後、実施形態１の変形例１の脳画像データ解析装置１は、撮影条件キャリブレーション部１５の処理（ステップＳ５１８）と同年代比計算部１６の処理（ステップＳ５２０）を実行する。
Thereafter, the brain image data analysis device 1 of the first modification of the first embodiment executes the processing of the imaging condition calibration section 15 (step S518) and the processing of the same age ratio calculation section 16 (step S520).
＜構成＞
<Configuration>
図１０は、図１又は図４の脳画像データ解析装置１における同年代比計算部１６の機能ブロック図である。
FIG. 10 is a functional block diagram of the same age ratio calculation unit 16 in the brain image data analysis device 1 of FIG. 1 or 4.
同年代比計算部１６は、図１０に示すように、年齢脳体積分布作成部１６１と、年齢脳体積分布パラメータ化部１６２と、年齢パーセンタイル計算部１６３とを有している。
As shown in FIG. 10, the peer ratio calculation unit 16 includes an age brain volume distribution creation unit 161, an age brain volume distribution parameterization unit 162, and an age percentile calculation unit 163.
ここでも、同年代比計算部１６は、コンピュータが脳画像データ解析装置１として動作する際に、メモリ中に格納されるプログラム中の対応するモジュールをＣＰＵが実行する機能に相当する。そして、年齢脳体積分布作成部１６１と、年齢脳体積分布パラメータ化部１６２と、年齢パーセンタイル計算部１６３とは、同年代比計算部１６のモジュールにおいて、各機能をＣＰＵが実行するサブモジュールとして実装される。
＜構成の説明＞ Here again, the peerratio calculation unit 16 corresponds to a function in which the CPU executes a corresponding module in a program stored in the memory when the computer operates as the brain image data analysis device 1. The age brain volume distribution creation section 161, the age brain volume distribution parameterization section 162, and the age percentile calculation section 163 are implemented as submodules whose functions are executed by the CPU in the module of the same age ratio calculation section 16. Ru.
<Explanation of configuration>
＜構成の説明＞ Here again, the peer
<Explanation of configuration>
「年齢脳体積分布作成部」１６１は、各年齢における選択した脳構造物の体積の人口分布を作成する。ここで、「人口分布」とは、３人以上の被験者から得られた体積の平均値と標準偏差の分布を意味する。
The "age brain volume distribution creation unit" 161 creates a population distribution of the volumes of the selected brain structures at each age. Here, "population distribution" means the distribution of the average value and standard deviation of volumes obtained from three or more subjects.
「年齢脳体積分布パラメータ化部」１６２は、脳構造物の体積分布のパラメータを計算する。
The “age brain volume distribution parameterization unit” 162 calculates parameters of the volume distribution of brain structures.
「年齢パーセンタイル計算部」１６３は、計算されたパラメータを用い、各被検者の年齢に基づき、年齢パーセンタイルを計算する。
The "age percentile calculation unit" 163 uses the calculated parameters to calculate the age percentile based on the age of each subject.
図１１は、図１又は図４の脳画像データ解析装置における同年代計算部１６の処理フローチャートである。以下、図１１のフローチャートにより同年代計算処理について説明する。
FIG. 11 is a processing flowchart of the same age calculation unit 16 in the brain image data analysis device of FIG. 1 or 4. The same generation calculation process will be explained below with reference to the flowchart of FIG.
同年代計算部１６は、同年代比計算ステップＳ２０５またはＳ５２０を実行する。以下、同年代比計算ステップＳ５２０の各ステップについて詳細に説明する。
The same generation calculation unit 16 executes the same generation ratio calculation step S205 or S520. Each step of the same generation ratio calculation step S520 will be described in detail below.
同年代比計算ステップＳ５２０は、各年齢における選択した脳構造物の体積の人口分布を作成する年齢脳体積分布作成ステップＳ１００１と、脳構造物の体積分布のパラメータを計算する年齢脳体積分布パラメータ化ステップＳ１００２と、計算されたパラメータを用い、各被検者の年齢に基づき、年齢パーセンタイルを計算する年齢パーセンタイル計算ステップＳ１００３と、を有する
The age ratio calculation step S520 includes an age brain volume distribution creation step S1001 that creates a population distribution of the volume of the selected brain structures at each age, and an age brain volume distribution parameterization step that calculates the parameters of the volume distribution of the brain structures. S1002, and an age percentile calculation step S1003 of calculating an age percentile based on the age of each subject using the calculated parameters.
図１３および図１４は、年齢と性別に応じた脳室体積比の分布を示す図である。
FIGS. 13 and 14 are diagrams showing the distribution of ventricular volume ratio according to age and sex.
年齢脳体積分布作成ステップＳ１００１において、年齢脳体積分布作成部１６１は、図１３および図１４に示すように、各年齢における選択した構造物の体積の人口分布を作る。
In the age brain volume distribution creation step S1001, the age brain volume distribution creation unit 161 creates a population distribution of the volumes of the selected structures at each age, as shown in FIGS. 13 and 14.
図１２は、年代別の脳室体積の分布を示す図である。
FIG. 12 is a diagram showing the distribution of ventricular volume by age.
次に年齢脳体積分布パラメータ化ステップＳ１００２において、年齢脳体積分布パラメータ化部１６２は、人口分布のパラメータ化を行う。実験の結果、図１２に示すように、横軸に脳室体積の対数値を使うと正規分布に近づくことがわかった。従って、たとえば、正規分布モデルを使えば、分布と平均と標準偏差の２値でパラメータ化することができる。
Next, in age brain volume distribution parameterization step S1002, the age brain volume distribution parameterization unit 162 performs parameterization of the population distribution. As a result of the experiment, as shown in FIG. 12, it was found that using the logarithm of the ventricular volume on the horizontal axis approximates a normal distribution. Therefore, for example, if a normal distribution model is used, it can be parameterized using two values: distribution, mean, and standard deviation.
図１５は、脳室体積の平均値と所定の分散値とについて、年齢に応じた変化を示す図である。
FIG. 15 is a diagram showing changes in the average value and predetermined variance value of ventricular volume depending on age.
図１２に示したようなパラメータ化の代替法として、正規分布のような分布モデルを用いず、図１５に示した破線部のように、生データからパーセンタイルを直接求める方法（たとえばベイズ統計）を使うこともできる。
As an alternative to the parameterization shown in Figure 12, instead of using a distribution model such as a normal distribution, we can use a method (for example, Bayesian statistics) to directly calculate percentiles from raw data, as shown in the dashed line in Figure 15. You can also use it.
次に年齢パーセンタイル計算ステップＳ１００３において、年齢パーセンタイル計算部１６３は、求めたパラメータを用い、各個人の年齢に基づき、パーセンタイルを求めることができる。
Next, in age percentile calculation step S1003, the age percentile calculation unit 163 can calculate a percentile based on the age of each individual using the determined parameters.
＜構成＞
<Configuration>
図１６は、図１又は図４の脳画像データ解析装置における脳血管障害度計算部１７の機能ブロック図である。
FIG. 16 is a functional block diagram of the cerebrovascular disorder degree calculation unit 17 in the brain image data analysis device of FIG. 1 or 4.
脳血管障害度計算部１７は、図１６に示すように、脳白質信号異常領域含有体積計算部１７１と、同年代比計算部１７２と、脳萎縮・脳白質信号異常領域同時計算部１７３とを有している。
As shown in FIG. 16, the cerebrovascular disorder degree calculation section 17 includes a brain white matter signal abnormal region containing volume calculation section 171, a same age ratio calculation section 172, and a brain atrophy/brain white matter signal abnormal region simultaneous calculation section 173. are doing.
ここでも、脳血管障害度計算部１７は、コンピュータが脳画像データ解析装置１として動作する際に、メモリ中に格納されるプログラム中の対応するモジュールをＣＰＵが実行する機能に相当する。そして、脳白質信号異常領域含有体積計算部１７１と、同年代比計算部１７２と、脳萎縮・脳白質信号異常領域同時計算部１７３とは、脳血管障害度計算部１７のモジュールにおいて、各機能をＣＰＵが実行するサブモジュールとして実装される。
Here again, the cerebrovascular disorder degree calculation unit 17 corresponds to a function in which the CPU executes a corresponding module in a program stored in the memory when the computer operates as the brain image data analysis device 1. The brain white matter signal abnormality region containing volume calculation section 171, the same age ratio calculation section 172, and the brain atrophy/cerebral white matter signal abnormality region simultaneous calculation section 173 perform each function in the module of the cerebrovascular disorder degree calculation section 17. It is implemented as a submodule executed by the CPU.
＜構成の説明＞
<Explanation of configuration>
図１６を参照して、「脳血管障害度計算部１７」は、脳血管障害の度合いを計算する。
Referring to FIG. 16, the "cerebrovascular disorder degree calculation unit 17" calculates the degree of cerebrovascular disorder.
「脳白質信号異常領域含有体積計算部」１７１は、脳白質信号異常領域をセグメンテーション教師データに組み込むことにより、脳構造物の体積を計算する。
The "volume calculation unit containing abnormal brain white matter signal region" 171 calculates the volume of the brain structure by incorporating the abnormal brain white matter signal region into the segmentation training data.
「同年代比計算部」１７２は、データベース２、２ａ（図１又は図４を参照）内に脳白質信号異常領域の年齢相関から同年代比を計算する。
The "same age ratio calculation unit" 172 calculates the same age ratio from the age correlation of abnormal brain white matter signal areas in the databases 2 and 2a (see FIG. 1 or 4).
「脳萎縮・脳白質信号異常領域同時計算部」１７３は、同一のＭＲＩ画像から脳萎縮と脳血管疾患の度合いを同時に計算する。
The "brain atrophy/cerebral white matter signal abnormality area simultaneous calculation unit" 173 simultaneously calculates the degree of brain atrophy and cerebrovascular disease from the same MRI image.
図１７は、図１又は図４の脳画像データ解析装置１における脳血管障害度計算部１７の処理フローチャートである。以下、図１７のフローチャートにより脳血管障害度計算処理について説明する。
FIG. 17 is a processing flowchart of the cerebrovascular disorder degree calculation unit 17 in the brain image data analysis device 1 of FIG. 1 or 4. The cerebrovascular disorder degree calculation process will be described below with reference to the flowchart of FIG.
脳血管障害度計算部１７は、同年代比計算ステップＳ２０５またはＳ５２０において脳血管障害度計算ステップを実行する。以下、脳血管障害度計算ステップの各ステップについて詳細に説明する。
The cerebrovascular disorder degree calculation unit 17 executes the cerebrovascular disorder degree calculation step in the same age ratio calculation step S205 or S520. Each step of the cerebrovascular disorder degree calculation step will be described in detail below.
「脳血管障害度計算ステップ」は、脳白質信号異常領域の体積をセグメンテーション教師データに組み込むことにより、脳構造物の体積を計算する脳白質信号異常領域の含有体積計算ステップＳ１６０１と、データベース内に脳白質信号異常領域の年齢相関から同年代比を計算する同年代比計算ステップＳ１６０２と、同一のＭＲＩ画像から脳萎縮と脳血管疾患の度合いを同時に計算する脳萎縮・脳白質信号の異常領域の同時計算ステップＳ１６０３とを有する。
The "cerebrovascular disorder degree calculation step" includes a step S1601 for calculating the volume of a brain structure by incorporating the volume of the brain white matter signal abnormality region into the segmentation training data, and a step S1601 for calculating the volume of the cerebral white matter signal abnormality region, which is stored in the database. A same-age ratio calculation step S1602 that calculates the same-age ratio from the age correlation of brain white matter signal abnormal regions, and a simultaneous calculation of brain atrophy and brain white matter signal abnormal regions that simultaneously calculates the degree of brain atrophy and cerebrovascular disease from the same MRI image. and step S1603.
図１８は、脳血管の障害により、脳白質に信号強度の異常領域が存在する状態のＭＲＩ画像を示す図である。
FIG. 18 is a diagram showing an MRI image in which an area with abnormal signal intensity exists in the brain white matter due to a cerebrovascular disorder.
図１８において、矢印の先にある黒い太線で囲った小さな領域が、信号強度の異常領域に相当する。信号異常領域は、具体的には信号強度が、周りよりも低下している。教師データにはこの領域が定義されおり、被検者にも同様の暗い領域が現れた時、それをセグメント（区分け）し、体積を測ることが可能になる。なお、この例では信号異常領域を測定した画像は、他の脳構造物体積を測定した画像と同一のものであったが、異なる画像、例えば脳構造物体積はT1強調画像で、信号異常領域はFLAIR（Fluid Attenuated Inversion Recover）画像で測定することも可能である。
In FIG. 18, the small area surrounded by the thick black line at the tip of the arrow corresponds to the abnormal area of signal strength. In the signal abnormality region, specifically, the signal strength is lower than the surrounding area. This region is defined in the training data, and when a similar dark region appears on a subject, it becomes possible to segment it and measure its volume. Note that in this example, the image in which the signal abnormality region was measured was the same as the image in which other brain structure volumes were measured, but the image was different, for example, the brain structure volume was a T1-weighted image, and the signal abnormality region was can also be measured using FLAIR (Fluid Attenuated Inversion Recover) images.
上述した通り、各構造体の体積を用いて脳の形や萎縮の度合いを求めることができる。一方で、教師データに定める構造定義により脳の血管障害の度合いも測定することができる。たとえば、図１８に示したような教師データにより所定の脳構造部の白質に見られる信号強度の異常領域を定義することにより、脳白質信号異常領域（含有）の体積計算ステップＳ１６０１において、脳白質信号異常領域の含有体積計算部１７１は、信号異常領域の体積も各個人において自動的に算出することができる。
As mentioned above, the shape of the brain and the degree of atrophy can be determined using the volume of each structure. On the other hand, the degree of cerebral vascular disorder can also be measured by the structural definition defined in the training data. For example, by defining an abnormal region of signal intensity seen in the white matter of a predetermined brain structure using training data as shown in FIG. The signal abnormality region inclusion volume calculation unit 171 can also automatically calculate the volume of the signal abnormality region for each individual.
図１９は、血管性病変の存在する体積の全脳に対する体積比の年齢依存性を示す図である。
FIG. 19 is a diagram showing the age dependence of the volume ratio of the volume in which vascular lesions exist to the whole brain.
さらに同年代比計算ステップ１６０２では、図１９に示すように、同年代比計算部１７２は、上記脳の実質構造や脳室体積による脳萎縮の測定と同様、大量データをもとにこの信号異常領域の年齢相関から同年代比を求めることができる。したがってこの方法を組み合わせることにより、脳萎縮・脳白質信号の異常領域の同時計算ステップ１６０３において、脳萎縮・脳白質信号の異常領域の同時計算部１７３は、一つのＭＲＩ画像から、脳萎縮と脳血管疾患の度合いの両方を推定することができる。
Furthermore, in the same age ratio calculation step 1602, as shown in FIG. The same age ratio can be determined from the age correlation. Therefore, by combining these methods, in step 1603 for simultaneous calculation of brain atrophy/brain white matter signal abnormal regions, the brain atrophy/brain white matter signal abnormal region simultaneous calculation unit 173 can calculate brain atrophy and brain white matter signals from one MRI image. Both degrees of vascular disease can be estimated.
図２１は、脳萎縮と脳血管疾患の度合いの両方の総合評価の情報の出力例を示す図である。
FIG. 21 is a diagram showing an example of outputting information on comprehensive evaluation of both cerebral atrophy and degree of cerebrovascular disease.
図２１の例における「要警戒層」、「要注意層」、「平均層」、「相対良好層」については、図２０において説明した内容と同様であるので、説明を省略する。
The "warning layer", "warning layer", "average layer", and "relatively good layer" in the example of FIG. 21 are the same as those explained in FIG. 20, so their explanations will be omitted.
＜他の実施形態＞
＜医療用画像管理システム（ＰＡＣＳ）又はワークステーション＞ <Other embodiments>
<Medical picture management system (PACS) or workstation>
＜医療用画像管理システム（ＰＡＣＳ）又はワークステーション＞ <Other embodiments>
<Medical picture management system (PACS) or workstation>
図３９は、脳画像データ解析プログラムを撮像サイトにおけるオンプレミスのサーバで実現する構成の一例を示す図である。
FIG. 39 is a diagram illustrating an example of a configuration in which a brain image data analysis program is implemented on an on-premises server at an imaging site.
図３９は、脳ドック検査機関または健診センターのシステムに本脳画像データ装置の機能をソフトウェアで実現し、脳画像データ解析プログラムを実装した例を示している。
FIG. 39 shows an example in which the functions of this brain image data device are realized by software and a brain image data analysis program is implemented in a system of a brain checkup institution or health checkup center.
医療用画像管理システム（ＰＡＣＳ）４０は、ＭＲＩスキャナ３８からの脳画像データ（ＭＲＩ画像）を取得し、ストレージ４２に保存し、モニター端末４３に閲覧、表示するシステムである。図３９の例では、オンプレミスでサーバ４０内に脳画像データ解析プログラム４１を実装した例と、専用のデータ解析ワークステーション４４に脳画像データ解析プログラム４５を実装した例を示している。この場合、脳画像データ解析プログラムは、サーバやワークステーションのどちらか一方、又は両方にインストールすることができる。
The medical image management system (PACS) 40 is a system that acquires brain image data (MRI images) from the MRI scanner 38, stores it in the storage 42, and views and displays it on the monitor terminal 43. The example in FIG. 39 shows an example in which a brain image data analysis program 41 is installed in a server 40 on-premises, and an example in which a brain image data analysis program 45 is installed in a dedicated data analysis workstation 44. In this case, the brain image data analysis program can be installed on either the server or the workstation, or both.
脳画像データ解析プログラムの機能は、上述した脳画像データ解析装置と同様であるので、詳細な説明は省略する。
The functions of the brain image data analysis program are the same as those of the brain image data analysis device described above, so a detailed explanation will be omitted.
＜クラウドシステム＞
図４０は、脳画像データ解析プログラムを撮像サイトからアクセスするクラウド上のサーバで実現する構成の一例を示す図である。 <Cloud system>
FIG. 40 is a diagram illustrating an example of a configuration in which a brain image data analysis program is implemented on a server on a cloud that is accessed from an imaging site.
図４０は、脳画像データ解析プログラムを撮像サイトからアクセスするクラウド上のサーバで実現する構成の一例を示す図である。 <Cloud system>
FIG. 40 is a diagram illustrating an example of a configuration in which a brain image data analysis program is implemented on a server on a cloud that is accessed from an imaging site.
図４０は、クラウドシステム上に本脳画像データ装置の機能をソフトウェアで実現し、脳画像データ解析プログラムを実装した例を示している。図４０の例では、脳画像データ解析プログラムが稼働するサーバ５１は、複数の健診センター４７～５０の間とクラウドシステムでネットワーク接続を介して接続している。クラウドシステム（クラウドサーバ）５１内に脳画像データ解析プログラム５２を実装した例を示している。クラウドシステム５１が画像データ５３又は５４を各健診センター４７，４８、４９、５０から受け取ると、脳画像データ解析プログラム５２で画像解析を行い、解析結果（数値データやＰＤＦレポート）５５、５６として健診センターに返信する。ここで、脳画像データ解析プログラムの機能は、上述した脳画像データ解析装置と同様であるので、詳細な説明は省略する。
FIG. 40 shows an example in which the functions of this brain image data device are realized by software on a cloud system, and a brain image data analysis program is implemented. In the example of FIG. 40, a server 51 running a brain image data analysis program is connected to a plurality of health checkup centers 47 to 50 via a network connection in a cloud system. An example is shown in which a brain image data analysis program 52 is implemented in a cloud system (cloud server) 51. When the cloud system 51 receives image data 53 or 54 from each health checkup center 47, 48, 49, 50, it performs image analysis using the brain image data analysis program 52 and provides the analysis results (numerical data or PDF report) 55, 56. Reply to the health checkup center. Here, the functions of the brain image data analysis program are the same as those of the above-mentioned brain image data analysis apparatus, so a detailed explanation will be omitted.
＜他のクラウドシステム＞
<Other cloud systems>
図４１は、脳画像データ解析プログラムを撮像サイトからアクセスするクラウド上のサーバで実現する構成の他の例を示す図である。
FIG. 41 is a diagram showing another example of a configuration in which a brain image data analysis program is implemented on a server on a cloud that is accessed from an imaging site.
図４１は、クラウドシステム上に本脳画像データ装置の機能をソフトウェアで実現し、脳画像データ解析プログラムを実装した例を示している。
FIG. 41 shows an example in which the functions of this brain image data device are realized by software on a cloud system, and a brain image data analysis program is implemented.
図４１の例では、１つの健診センター（複数でも良い）とクラウドシステムでネットワーク接続を介して接続している。クラウドシステム（クラウドサーバ）５８内に脳画像データ解析プログラム５９を実装した例を示している。クラウドシステム５８が自動転送により、画像データ、生活習慣、臨床データ６０を各健診センター５７から受け取ると、脳画像データ解析プログラム５９で画像解析を行い、解析結果（数値データやＰＤＦレポート）６１として健診センター５７に返信し、既存出力端末に自動挿入するものである。これにより、健診センターは操作員を置かないで、解析結果を受け取ることができるので、健診センター側の工数削減に寄与する。ここで、脳画像データ解析プログラムの機能は、上述した脳画像データ解析装置と同様であるので、詳細な説明は省略する。
In the example of FIG. 41, one health checkup center (or more than one) is connected to the cloud system via a network connection. An example is shown in which a brain image data analysis program 59 is implemented in a cloud system (cloud server) 58. When the cloud system 58 receives image data, lifestyle habits, and clinical data 60 from each health checkup center 57 through automatic transfer, it performs image analysis using the brain image data analysis program 59 and provides the analysis results (numerical data and PDF report) 61. It is sent back to the medical examination center 57 and automatically inserted into the existing output terminal. This allows the health checkup center to receive analysis results without the need for an operator, contributing to a reduction in man-hours on the health checkup center side. Here, the functions of the brain image data analysis program are the same as those of the above-mentioned brain image data analysis apparatus, so a detailed explanation will be omitted.
図４２は、アルツハイマー病（ＡＤ）と健常人における辺縁系体積と海馬体積の相関を比較するための図である。
FIG. 42 is a diagram for comparing the correlation between limbic system volume and hippocampal volume in Alzheimer's disease (AD) and healthy subjects.
図４３は、アルツハイマー病（ＡＤ）と健常人における脳室体積と海馬体積の相関の比較するための図である。
FIG. 43 is a diagram for comparing the correlation between ventricular volume and hippocampal volume in Alzheimer's disease (AD) and healthy subjects.
アルツハイマー病患者において、萎縮が進むことが報告されている海馬の体積の萎縮と辺縁系体積の萎縮とは、強い正の相関があることがわかる。また、海馬の体積の萎縮に従って、脳室の体積は拡大する傾向があることがわかる。
It can be seen that there is a strong positive correlation between the atrophy of the hippocampal volume, which is reported to progress in Alzheimer's disease patients, and the atrophy of the limbic system volume. It can also be seen that the volume of the ventricle tends to expand as the volume of the hippocampus atrophies.
ここで、大脳辺縁系は、古皮質（海馬、脳弓、歯状回）、旧皮質（嗅葉、梨状葉）、中間皮質（帯状回、海馬回）、皮質下核（扁桃体、中隔、乳頭体）の総称である。
Here, the limbic system consists of the paleocortex (hippocampus, fornix, dentate gyrus), paleocortex (olfactory lobe, piriform lobe), intermediate cortex (cingulate gyrus, hippocampal gyrus), and subcortical nuclei (amygdala, medial gyrus). It is a general term for the septa, mammillary bodies).
脳室とは、脳脊髄液が産生される脳内の腔であり、ヒトの場合、左右一対の側脳室と、正中に第三脳室、第四脳室が一つずつの、計四つの脳室がある。
The ventricles are cavities in the brain where cerebrospinal fluid is produced.In humans, there are a total of four lateral ventricles: a pair of left and right lateral ventricles, one third ventricle in the midline, and one fourth ventricle in the midline. There are two ventricles.
図４４は、本実施形態の脳画像データ解析装置における加齢性変化の大きな脳構造物を示す図である。
FIG. 44 is a diagram showing brain structures that undergo large age-related changes in the brain image data analysis device of this embodiment.
脳室は、３０代から６０代への加齢による変化率は、他の部位よりも際立って大きく、さらに、脳室の中でも、脳室前部は、全体に対する体積が０．５％であって、かつ、加齢性の変化率も７０％を超えている。
The rate of change in the brain ventricle due to aging from the age of 30s to 60s is significantly greater than that of other parts of the brain, and the volume of the anterior part of the brain is only 0.5% of the total volume. Furthermore, the age-related change rate is over 70%.
図４５は、大脳半球を示す図である。
FIG. 45 is a diagram showing the cerebral hemispheres.
図４６は、灰白質・脳室・シルビウス脳溝を示す図である。
FIG. 46 is a diagram showing the gray matter, ventricles, and Sylvian sulcus.
図４７は、脳室前角信号異常領域を示す図である。
FIG. 47 is a diagram showing an abnormal ventricular horn signal region.
図４８は、異なる解像度で撮像した場合に、受診者年齢と脳室の萎縮の関係を示す図である。
FIG. 48 is a diagram showing the relationship between patient age and ventricular atrophy when images are taken at different resolutions.
図４８（ａ）は、低解像度撮影（２．５ｍｍデータ）における受診者年齢と萎縮度（脳室体積）の関係を示す図である。図４８（ｂ）は、高解像度撮影（１．２ｍｍデータ）における受診者年齢と萎縮度（脳室体積）の関係を示す図である。
FIG. 48(a) is a diagram showing the relationship between patient age and atrophy degree (ventricular volume) in low resolution imaging (2.5 mm data). FIG. 48(b) is a diagram showing the relationship between patient age and atrophy degree (ventricular volume) in high-resolution imaging (1.2 mm data).
脳室については、解像度が異なっても、加齢による萎縮度の変化は、同様の傾向を示していることがわかる。
As for the ventricles, it can be seen that even if the resolution is different, the change in the degree of atrophy due to aging shows a similar tendency.
図４９は、受診者の脳室の萎縮の頻度を年代別に示す図である。
FIG. 49 is a diagram showing the frequency of cerebral ventricular atrophy in patients by age group.
図４９（ａ）は、男性受診者の脳室体積の萎縮の頻度（年代別：３０代、４０代、５０代、６０代、７０代）を示す図である。図４９（ｂ）は、女性受診者の脳室体積の萎縮の頻度（年齢別：３０代、４０代、５０代、６０代、７０代）を示す図である。
FIG. 49(a) is a diagram showing the frequency of cerebral ventricular volume atrophy in male patients (by age group: 30s, 40s, 50s, 60s, and 70s). FIG. 49(b) is a diagram showing the frequency of ventricular volume atrophy in female patients (by age group: 30s, 40s, 50s, 60s, and 70s).
図５０は、年齢別萎縮度（脳室体積対数値）ヒストグラムおよび対数正規分布を示す図である。
FIG. 50 is a diagram showing an age-specific atrophy degree (ventricular volume log value) histogram and log-normal distribution.
図５０の左は、年齢別萎縮度（脳室体積対数値）ヒストグラムであり、図５０の右は、対数正規分布を示す、対数正規分布では、たとえば、７０代の平均的な萎縮度と、平均的な萎縮度から１標準偏差だけ萎縮が進んだ位置も図中に示す。「７０代の平均＋１標準偏差」の中には、６８．２％の７０代が属することになる。
The left side of Figure 50 is a histogram of atrophy degree (ventricular volume log value) by age, and the right side of Figure 50 shows a lognormal distribution. The position where atrophy has progressed by one standard deviation from the average degree of atrophy is also shown in the figure. This means that 68.2% of people in their 70s belong to the ``mean + 1 standard deviation for people in their 70s.''
逆に言えば、たとえば、６０代で、この「７０代の平均＋１標準偏差」を超える範囲に属する場合は、同年代に比べて、萎縮が進んでいる可能性が高いといえる。
Conversely, for example, if you are in your 60s and belong to a range that exceeds the "average for people in your 70s + 1 standard deviation," it is likely that your atrophy has advanced compared to your peers.
図５１は、正規分布モデルから求めたポピュレーション（Ｐｏｐｕｌａｔｉｏｎ）解析とＡＤ患者領域との差を示す図である。
FIG. 51 is a diagram showing the difference between the population analysis obtained from the normal distribution model and the AD patient region.
ポピュレーション解析により、図示するように、脳室萎縮度を同年代の平均値と比較することで、ＡＤ患者領域を特定することが可能である。このＡＤ患者領域に脳室の萎縮度が該当する場合は、認知症リスクが高いとの補助情報を提供できる。
Through population analysis, as shown in the figure, it is possible to identify AD patient areas by comparing the degree of ventricular atrophy with the average value of the same age group. If the degree of ventricular atrophy corresponds to this AD patient area, auxiliary information indicating a high risk of dementia can be provided.
図５２、図５３、図５４は、脳室の拡大の実施の例を示すＭＲＩ画像の例を示す。
FIG. 52, FIG. 53, and FIG. 54 show examples of MRI images showing examples of implementation of ventricular enlargement.
図５２（ａ）は、正常典型例の脳室拡大実際例（４０代）を示す図である。図５２（ｂ）は、萎縮所見なし萎縮例の脳室拡大実際例（４０代）を示す図である。
FIG. 52(a) is a diagram showing an actual example of enlarged ventricles in a typical normal case (40s). FIG. 52(b) is a diagram showing an actual example of ventricular enlargement in an atrophic case (40s) with no atrophy findings.
図５３（ａ）は、正常典型例の脳室拡大実際例（４０代）を示す図である。図５３（ｂ）は、萎縮所見なし萎縮例の脳室拡大実際例（４０代）を示す図である。
FIG. 53(a) is a diagram showing an actual example of enlarged ventricles in a typical normal case (40s). FIG. 53(b) is a diagram showing an actual example of ventricular enlargement in an atrophic case (40s) with no atrophy findings.
図５４（ａ）は、正常典型例の脳室拡大実際例（３０代）を示す図である。図５４（ｂ）は、軽度両側側脳室拡大の萎縮例の脳室拡大実際例（３０代）を示す図である。
FIG. 54(a) is a diagram showing an actual example of enlarged ventricles in a typical normal case (30s). FIG. 54(b) is a diagram showing an actual example of ventricular enlargement (30s) in an atrophic case of mild bilateral lateral ventricular enlargement.
図５５は、血糖値と脳室体積の相関を示す図である。
FIG. 55 is a diagram showing the correlation between blood sugar level and ventricular volume.
図５５（ａ）は、男女別４０代における血糖値と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）である。図５５（ｂ）は、男女別５０代における血糖値と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）である。図５５（ｃ）は、男女別４０代における血糖値と脳室体積の相関を示す図（高解像度データ１-１．２ｍｍ）である。図５５（ｄ）は、男女別５０代における血糖値と脳室体積の相関を示す図（高解像度データ１－１．２ｍｍ）である。
FIG. 55(a) is a diagram (low resolution data 2.5 mm) showing the correlation between blood sugar level and ventricular volume in men and women in their 40s. FIG. 55(b) is a diagram (low resolution data 2.5 mm) showing the correlation between blood sugar level and ventricular volume in men and women in their fifties. FIG. 55(c) is a diagram (high resolution data 1-1.2 mm) showing the correlation between blood sugar level and ventricular volume in men and women in their 40s. FIG. 55(d) is a diagram (high resolution data 1-1.2 mm) showing the correlation between blood sugar level and ventricular volume in men and women in their 50s.
図５６は、血圧値と脳室体積の相関を示す図である。
FIG. 56 is a diagram showing the correlation between blood pressure value and ventricular volume.
図５６（ａ）は、男女別４０代における血圧値と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）である。図５６（ｂ）は、男女別５０代における血圧値と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）である。図５６（ｃ）は、男女別４０代における血圧値と脳室体積の相関を示す図（高解像度データ１-１．２ｍｍ）である。図５６（ｄ）は、男女別５０代における血圧値と脳室体積の相関を示す図（高解像度ータ１－１．２ｍｍ）である。
FIG. 56(a) is a diagram (low resolution data 2.5 mm) showing the correlation between blood pressure values and ventricular volumes for men and women in their 40s. FIG. 56(b) is a diagram (low resolution data 2.5 mm) showing the correlation between blood pressure values and ventricular volumes for men and women in their fifties. FIG. 56(c) is a diagram (high resolution data 1-1.2 mm) showing the correlation between blood pressure values and ventricular volumes in men and women in their 40s. FIG. 56(d) is a diagram (high resolution data 1-1.2 mm) showing the correlation between blood pressure values and ventricular volumes for men and women in their 50s.
図５７は、内臓脂肪量と脳室体積の相関を示す図である。
FIG. 57 is a diagram showing the correlation between visceral fat amount and ventricular volume.
図５７（ａ）は、男女別４０代における内臓脂肪量と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）である。図５７（ｂ）は、男女別５０代における内臓脂肪量と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）である。図５７（ｃ）は、男女別４０代における内蔵脂肪量と脳室体積の相関を示す図（高解像度データ１-１．２ｍｍ）である。図５７（ｄ）は、男女別５０代における内臓脂肪量と脳室体積の相関を示す図（高解像度データ１－１．２ｍｍ）である。
FIG. 57(a) is a diagram (low resolution data 2.5 mm) showing the correlation between visceral fat amount and ventricular volume in men and women in their 40s. FIG. 57(b) is a diagram (low resolution data 2.5 mm) showing the correlation between visceral fat amount and ventricular volume in men and women in their fifties. FIG. 57(c) is a diagram (high resolution data 1-1.2 mm) showing the correlation between visceral fat mass and ventricular volume in men and women in their 40s. FIG. 57(d) is a diagram (high resolution data 1-1.2 mm) showing the correlation between visceral fat amount and ventricular volume in men and women in their 50s.
図５８は、週内の飲酒回数と脳室体積の相関を示す図である。
FIG. 58 is a diagram showing the correlation between the number of drinks consumed within a week and the volume of the ventricle.
図５８（ａ）は、男女別４０代における飲酒（回／週）と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）である。図５８（ｂ）は、男女別５０代における飲酒（回／週）と脳室体積の相関を示す図（低解像度データ２．５ｍｍ）である。図５８（ｃ）は、男女別４０代における飲酒（回／週）と脳室体積の相関を示す図（高解像度データ１-１．２ｍｍ）である。図５８（ｄ）は、男女別５０代における飲酒（回／週）と脳室体積の相関を示す図（高解像度データ１－１．２ｍｍ）である。
FIG. 58(a) is a diagram (low resolution data 2.5 mm) showing the correlation between alcohol consumption (times/week) and ventricular volume in men and women in their 40s. FIG. 58(b) is a diagram (low resolution data 2.5 mm) showing the correlation between alcohol consumption (times/week) and ventricular volume in men and women in their 50s. FIG. 58(c) is a diagram (high resolution data 1-1.2 mm) showing the correlation between alcohol consumption (times/week) and ventricular volume in men and women in their 40s. FIG. 58(d) is a diagram (high resolution data 1-1.2 mm) showing the correlation between alcohol consumption (times/week) and ventricular volume in men and women in their 50s.
図５５～図５８によれば、たとえば、高解像度データを参照すると、いわゆる生活習慣病のリスク要因（血糖値、血圧、肥満、飲酒）と、脳室の萎縮（すなわち、認知症のリスク）との間に、一定の相関があることがわかる。
According to Figures 55 to 58, for example, when referring to high-resolution data, risk factors for so-called lifestyle-related diseases (blood sugar level, blood pressure, obesity, alcohol consumption) and ventricular atrophy (i.e., risk of dementia) It can be seen that there is a certain correlation between the two.
図５９は、萎縮性リスクと血管性病変（白質編成）リスクを同時推定するための解析結果を示す図である。
FIG. 59 is a diagram showing the analysis results for simultaneously estimating atrophic risk and vascular lesion (white matter organization) risk.
ＭＲＩ撮像により、認知症のリスクを評価するための指標である、脳室の萎縮リスク（脳室の拡大、すなわち、海馬の萎縮と相関）と、脳白質信号の異常領域の割合（血管性の病変によるリスク）の双方を同時に評価することが可能である。
MRI imaging measures the risk of ventricular atrophy (correlated with enlargement of the ventricles, i.e., atrophy of the hippocampus), which is an index for evaluating the risk of dementia, and the percentage of abnormal areas of brain white matter signals (vascular It is possible to evaluate both risks (risks due to lesions) at the same time.
図６０は、同一人物について、年齢に伴う脳室体積の増加（脳室の萎縮）の傾向を示す図である。
FIG. 60 is a diagram showing the tendency of increase in ventricular volume (ventricular atrophy) with age for the same person.
図６０（ａ）は、低解像度データ（２．５ｍｍ）における時系列データの初期解析結果を示す図である。図６０（ｂ）は、高解像度データ（１－１．２ｍｍ）における時系列データの初期解析結果を示す図である。
FIG. 60(a) is a diagram showing the initial analysis results of time series data in low resolution data (2.5 mm). FIG. 60(b) is a diagram showing the initial analysis results of time series data in high resolution data (1-1.2 mm).
高解像度データ、低解像度データとも、基本的には、同一人について、年齢の増加とともに、脳室体積が拡大するという同様の傾向を示す。ただし、高解像度データの方が、より明瞭に、このような傾向が表れているといえる。
Both high-resolution data and low-resolution data basically show the same tendency for ventricular volume to expand with increasing age for the same person. However, it can be said that this tendency appears more clearly in high-resolution data.
図６１（ａ）は、低解像度データ（２．５ｍｍ）による脳室体積と脳室拡大率の関係を示す図である。図６１（ｂ）は、高解像度データ（１－１．２ｍｍ）による脳室体積と脳室拡大率の関係を示す図である。
FIG. 61(a) is a diagram showing the relationship between ventricular volume and ventricular expansion rate based on low resolution data (2.5 mm). FIG. 61(b) is a diagram showing the relationship between ventricular volume and ventricular enlargement rate based on high resolution data (1-1.2 mm).
ここで、脳室拡大率とは、ある被験者について、計測年をＴ１，Ｔ２（Ｔ１＜Ｔ２）とすると、以下を 意味する。
｛（Ｔ２での脳室体積）－（Ｔ１での脳室体積）｝／（Ｔ２―Ｔ１） Here, the ventricular expansion rate means the following for a certain subject, assuming that the measurement years are T1 and T2 (T1<T2).
{(ventricular volume at T2) - (ventricular volume at T1)}/(T2 - T1)
｛（Ｔ２での脳室体積）－（Ｔ１での脳室体積）｝／（Ｔ２―Ｔ１） Here, the ventricular expansion rate means the following for a certain subject, assuming that the measurement years are T1 and T2 (T1<T2).
{(ventricular volume at T2) - (ventricular volume at T1)}/(T2 - T1)
図６２は、脳萎縮の詳細なパターン評価モニター表示画面の一例を示す図である。
FIG. 62 is a diagram showing an example of a detailed pattern evaluation monitor display screen of brain atrophy.
図６２では、脳内の各領域が担う機能、認知症での萎縮傾向が表れる傾向の部位の名称、また、被検者に対する所見や推奨行動などが記載される。
In FIG. 62, the functions played by each region in the brain, the names of regions that tend to show atrophy in dementia, and findings and recommended actions for the subject are described.
図６２では、脳内の領域ごとに、萎縮度を４段階に分け、かつ、右半球と左半球とについて、個別に表示している。
In FIG. 62, the degree of atrophy is divided into four levels for each region in the brain, and the right hemisphere and left hemisphere are individually displayed.
図６３は、脳萎縮に影響を及ぼす生活習慣４大因子の解析評価モニター表示画面の一例を示す図である。図６３において、（ａ）血糖値の影響（ｂ）内臓脂肪量の影響（ｃ）血圧値の影響（ｄ）飲酒頻度の影響をそれぞれ示す。
FIG. 63 is a diagram showing an example of an analysis and evaluation monitor display screen for the four major lifestyle factors that affect brain atrophy. FIG. 63 shows (a) the influence of blood sugar level, (b) the influence of visceral fat mass, (c) the influence of blood pressure value, and (d) the influence of drinking frequency.
このような表示により、被検者の各リスク要因（血糖値、血圧値、内臓脂肪量、飲酒頻度）について、過去の他の被検者についての既存データの全体における位置づけを知ることができる。また、被検者の萎縮度も併せて表示することで、その被検者に対する行動変容を促す効果も期待される。
With such a display, it is possible to know the position of each risk factor (blood sugar level, blood pressure level, visceral fat amount, drinking frequency) of the subject in the overall existing data of other subjects in the past. Furthermore, by displaying the subject's degree of atrophy, it is also expected to have the effect of encouraging behavior change for the subject.
[実施の形態１の変形例２]
[Modification 2 of Embodiment 1]
以上の説明において、解析対象の画像データはＭＲＩ画像として説明したが、ＣＴやＰＥＴ画像であっても同様に適用できる。
In the above description, the image data to be analyzed was explained as an MRI image, but the present invention can be similarly applied to CT or PET images.
たとえば、Ｘ線ＣＴ（Computed Tomography）装置で撮像した脳画像を用いる場合について、以下説明する。周知のとおり、ＣＴ装置による断層画像の撮像によっても、ＭＲＩ撮像と同様に、３次元の画像を再構成することが可能である。
For example, a case will be described below in which a brain image taken with an X-ray CT (Computed Tomography) device is used. As is well known, it is possible to reconstruct a three-dimensional image by taking a tomographic image using a CT device, similarly to MRI imaging.
Ｘ線ＣＴ装置での撮像では、一般には、脳実質内の構造物を分離するコントラストに乏しい。このため、たとえば海馬のみの体積測定を行うことは困難である。
Imaging with an X-ray CT device generally lacks contrast for separating structures within the brain parenchyma. For this reason, it is difficult to measure the volume of only the hippocampus, for example.
しかしながら、上述したように、脳構造物としての体積が大きく、かつＸ線ＣＴ装置においても脳実質と脳室を分けることができるコントラストを有している「脳室体積」を評価指標として利用することとすれば、Ｘ線ＣＴ装置での撮像によっても、海馬の萎縮の程度を間接的に評価することが可能となる。
However, as mentioned above, "ventricular volume" is used as an evaluation index because it has a large volume as a brain structure and has contrast that allows the brain parenchyma and ventricles to be separated even in an X-ray CT machine. In particular, it is possible to indirectly evaluate the degree of hippocampal atrophy by imaging with an X-ray CT device.
もっとも、この場合も、以下のような対処を行うことになる。
However, in this case as well, the following measures will be taken.
１）ＭＲＩ装置で撮像した場合の脳室体積と、Ｘ線ＣＴ装置で撮像した場合の脳室体積との間のキャリブレーション係数を、事前に評価する。
1) Evaluate in advance the calibration coefficient between the ventricular volume when imaged by an MRI device and the ventricular volume when imaged by an X-ray CT device.
２）評価された脳室体積を被検者の各年代での平均値（と必要に応じて、標準偏差値の範囲）と比較したグラフや図として、検査を受けた被検者に提示する。このようなレポートを作成して、病院、クリニックなどに返信する。
2) Present the evaluated ventricular volume to the test subject as a graph or diagram comparing it with the average value (and standard deviation value range, if necessary) for each age group of the test subject. . Create such reports and send them back to hospitals, clinics, etc.
なお、この場合も、キャリブレーション係数の決定に際しては、撮影条件（ＭＲＩ装置のよる撮像とＸ線ＣＴ装置による撮像という条件）の違いによる体積値の差の校正のために、撮影条件キャリブレーション部１５は、同一人物を異なる撮影条件で撮影し、各撮影条件（たとえば、解像度）の影響を測定してキャリブレーションする方法を取ることもできる。
In this case as well, when determining the calibration coefficient, the imaging condition calibration unit is used to calibrate the difference in volume values due to the difference in imaging conditions (imaging by an MRI device and imaging by an X-ray CT device). 15 may also be a method of photographing the same person under different photographing conditions and measuring the influence of each photographing condition (for example, resolution) for calibration.
あるいは、撮影条件キャリブレーション部１５は、撮影条件（ＭＲＩ装置のよる撮像とＸ線ＣＴ装置による撮像という条件）ごとに、複数の年齢の異なる人物（被検者）を測定の測定結果に対して、体積－年齢の相関曲線を作成し（描き）、相関方程式を得る。
Alternatively, the imaging condition calibration unit 15 may compare a plurality of people (subjects) of different ages with the measurement results for each imaging condition (imaging by an MRI device and imaging by an X-ray CT device). , create (draw) a volume-age correlation curve and obtain a correlation equation.
各撮影条件が異なる場合に、体積値や信号強度に対するキャリブレーション係数の決定を行う。すなわち、相関方程式の差や統計パラメータの差がなくなるようなキャリブレーションを行う。
Calibration coefficients for volume values and signal intensities are determined when each imaging condition is different. That is, calibration is performed such that differences in correlation equations and differences in statistical parameters are eliminated.
たとえば、キャリブレーション係数の決定のためには、以下の２つの方法がある。
For example, there are the following two methods for determining the calibration coefficient.
第１の方法としては、ＭＲＩ装置のよる撮像において、たとえば３０歳の人の平均値と標準偏差が平均ＭＡＡ，偏差ＭＳＡとし、Ｘ線ＣＴ装置による撮像では、平均ＣＡＢ，偏差ＣＳＢとすると、Ｘ線ＣＴ装置による撮像で撮影した人の体積データＢに対し、Ｂ＋（平均ＭＡＡ－平均ＣＡＢ）とすると、Ｘ線ＣＴ装置による撮像で撮ったデータＢの平均値を、ＭＲＩ装置のよる撮像と比較可能とできる。すなわち（平均ＭＡＡ－平均ＣＡＢ）が、Ｘ線ＣＴ装置による撮像の体積→ＭＲＩ装置のよる撮像の体積への変換のキャリブレーション係数となる。
As a first method, when the average value and standard deviation of a 30-year-old person are taken as the mean MAA and the deviation MSA in imaging by an MRI device, and if the average value and standard deviation of a 30-year-old person are taken as the average CAB and the deviation CSB in the imaging by an X-ray CT device, If B+(average MAA - average CAB) is given to the volume data B of a person imaged by an X-ray CT device, then the average value of the data B taken by an X-ray CT device is compared with the image taken by an MRI device. Possible. That is, (average MAA−average CAB) is a calibration coefficient for conversion from the volume of imaging by the X-ray CT device to the volume of imaging by the MRI device.
なお、条件Ａと条件Ｂのいずれを基準にして両者の統計パラメータを一致させてもよいが、たとえば、より解像度が高くなると考えられる磁場強度が最も高い条件のＭＲＩ装置のよる撮像の計測データに合わせるようにすることができる。
Note that the statistical parameters of both conditions may be matched based on either condition A or condition B, but for example, it is possible to match the statistical parameters of both condition A and condition B. You can make it match.
第２の方法としては、たとえば、ＭＲＩ装置のよる撮像のデータが大量にあり、Ｘ線ＣＴ装置による撮像のデータが少ないときに、ＭＲＩ装置のよる撮像のデータの統計値を事前情報として使用する方法である。
As a second method, for example, when there is a large amount of imaging data by an MRI device and little data from an X-ray CT device, statistical values of the imaging data by an MRI device are used as prior information. It's a method.
この概念をより厳密に実行するのであれば、上述したベイズ推定を用いることができる。
If this concept is to be implemented more strictly, the Bayesian estimation described above can be used.
このように、脳室を使うことにより、ＭＲＩ装置の様々な撮影条件（ＭＲＩ装置の磁場強度も含む）に対してだけでなく、ＭＲＩ装置以外の断層画像の撮像方法（たとえば、Ｘ線ＣＴ装置の撮像）にも、実施の形態１で説明したような認知症リスクの評価方法の適用が可能となる。
［実施の形態２］
（複数の構造単位を統合した解析） In this way, by using the ventricle, it is possible to adapt not only to various imaging conditions of MRI equipment (including the magnetic field strength of MRI equipment), but also to imaging methods other than MRI equipment (for example, X-ray CT equipment). It is also possible to apply the dementia risk evaluation method as described inEmbodiment 1 to the imaging of the patient.
[Embodiment 2]
(Analysis that integrates multiple structural units)
［実施の形態２］
（複数の構造単位を統合した解析） In this way, by using the ventricle, it is possible to adapt not only to various imaging conditions of MRI equipment (including the magnetic field strength of MRI equipment), but also to imaging methods other than MRI equipment (for example, X-ray CT equipment). It is also possible to apply the dementia risk evaluation method as described in
[Embodiment 2]
(Analysis that integrates multiple structural units)
実施の形態１では、ＭＲＩ装置による撮像で、脳室の体積を指標として、認知症のリスクを評価する構成について説明した。
In Embodiment 1, a configuration was described in which the risk of dementia is evaluated using the volume of the cerebral ventricles as an index through imaging with an MRI apparatus.
以下、実施の形態２では、脳室を含む複数の脳構造物を複合して解析することにより、より正確な認知症リスクの評価を行うための装置、評価方法について説明する。
Hereinafter, in Embodiment 2, a device and an evaluation method for more accurate dementia risk evaluation will be described by performing a combined analysis of multiple brain structures including the ventricles.
すなわち、上述のとおり、すでに、脳の構造物の体積を求めるサービスとしては既存のものがある。ただし、これらは、単一構造物の体積の測定に留まり、得られる情報が限られる、または、状況によっては評価に誤りが含まれる可能性が大きくなる、といった弊害が存在しうる。
That is, as mentioned above, there are already existing services for determining the volume of brain structures. However, these methods only measure the volume of a single structure, which may have the disadvantage that the information that can be obtained is limited, or that there is a high possibility that the evaluation will contain errors depending on the situation.
図６４は、認知症リスクに関連する脳構造物の例を示す図である。
FIG. 64 is a diagram showing an example of brain structures related to dementia risk.
図６４は、脳断面のＭＲＩ画像を示す。
FIG. 64 shows an MRI image of a brain cross section.
たとえば、海馬と偏桃体はアルツハイマー型認知症において萎縮する頻度が高いことが知られている。しかし、これらの体積は、老年期に至るまで、加齢性変化が少ないことから、生まれつきのサイズ（すなわち病状の進行とは無関係）の影響が大きく、一時点の測定による大小から萎縮によるものかの判断が難しい。
For example, it is known that the hippocampus and amygdala frequently atrophy in Alzheimer's disease. However, since these volumes show little age-related change until old age, they are largely influenced by their natural size (i.e., unrelated to the progression of the disease), and the size measured at one point may be due to atrophy. difficult to judge.
一方で、海馬の萎縮度を評価するとされる他の現存するサービスは、ｉ）海馬単体の体積またはｉｉ）海馬の頭蓋内体積比を使って萎縮の有無・度合を評価しようとしている場合が多い。しかしながら、これらｉ）またはｉｉ）のいずれも個体差が大きいため、その値だけを見ての萎縮評価は誤った結論を導いてしまう可能性がある。
On the other hand, other existing services that are said to evaluate the degree of atrophy of the hippocampus often attempt to evaluate the presence/absence and degree of atrophy using i) the volume of the hippocampus alone or ii) the intracranial volume ratio of the hippocampus. . However, since there are large individual differences in either i) or ii), atrophy evaluation based only on these values may lead to incorrect conclusions.
図６５は、５０代の被検者の脳断面画像と７０代の被検者の脳断面画像とを示す図である。
FIG. 65 is a diagram showing a brain cross-sectional image of a subject in his fifties and a brain cross-sectional image of a subject in his seventies.
図６５（ａ）は、５０代の被検者の平均的な脳断面画像であり、図６５（ｂ）は、７０代の被検者の萎縮がみられる脳断面画像である。
FIG. 65(a) is an average brain cross-sectional image of a subject in his 50s, and FIG. 65(b) is a brain cross-sectional image showing atrophy of a subject in his 70s.
たとえば、海馬のような脳実質が萎縮する場合、必ずその周辺の脳と頭蓋とのスペース（脳室や脳溝といった脳実質ではなく脳脊髄液が満たされているスペース）が拡大する。もし、海馬の体積が小さくても、海馬周辺の脳脊髄液スペースが開いていなければ萎縮でない可能性が高い。また、スペースが開いていても海馬体積が小さくなければ、海馬以外の脳組織の萎縮によるものの可能性がある。
For example, when a brain parenchyma such as the hippocampus atrophies, the surrounding space between the brain and the skull (spaces filled with cerebrospinal fluid, not brain parenchyma, such as the ventricles and cerebral sulci) necessarily expands. Even if the volume of the hippocampus is small, if the cerebrospinal fluid space around the hippocampus is not open, there is a high possibility that it is not atrophy. Furthermore, if the hippocampal volume is not small even if the space is open, it may be due to atrophy of brain tissue other than the hippocampus.
このように、萎縮は実質の減少とスペースの拡大をセットにすることにより、より正確な判断ができる。
In this way, atrophy can be determined more accurately by combining parenchymal reduction and space expansion.
図６６は、海馬と脳室とを測定対象とする場合に、複合解析を行う例を示す概念図である。
FIG. 66 is a conceptual diagram showing an example of performing combined analysis when the hippocampus and ventricle are the measurement targets.
図６６では、横軸に海馬の体積、縦軸に脳室の体積をとっている。
In FIG. 66, the horizontal axis represents the volume of the hippocampus, and the vertical axis represents the volume of the ventricle.
被検者の脳室体積および海馬体積を標準化するために、それぞれ、ｚ値（ｚスコア）に変換している。
In order to standardize the subject's ventricular volume and hippocampal volume, each was converted to a z value (z score).
ここで、ｚ値とは、ｉ）データ値ｘから平均を引き、ｉｉ）データ値ｘから平均を引いた値を、標準偏差で割る、との処理を行った値である。
Here, the z value is a value obtained by performing the following processing: i) subtracting the average from the data value x, and ii) dividing the value obtained by subtracting the average from the data value x by the standard deviation.
図６６では、左下側の象限に被検者の計測値が位置している（脳室体積のｚ値および海馬体積のｚ値がいずれも負の値）。
In FIG. 66, the measured values of the subject are located in the lower left quadrant (both the z-value of the ventricular volume and the z-value of the hippocampal volume are negative values).
上述のとおり、脳の加齢による萎縮が進むと、海馬の体積は減少して、脳室の体積は増加する。
As mentioned above, as the brain atrophies due to aging, the volume of the hippocampus decreases and the volume of the ventricles increases.
そこで、図６６では、海馬の体積は減少するほど、脳室の体積は増加するほど、より大きな複合指標値が得られるように、傾きが（－１）の直線を基準にとる。
Therefore, in FIG. 66, a straight line with a slope of (-1) is used as a reference so that a larger composite index value can be obtained as the volume of the hippocampus decreases and the volume of the ventricles increases.
ただし、より一般的には、グラフ中で、傾きが常に負となるような単調減少する関数であれば、他の曲線を基準とすることも可能である。
However, more generally, other curves can be used as a reference as long as the graph is a monotonically decreasing function whose slope is always negative.
観測された体積をｚ値で表した点を（ｐａ，ｐｂ）とし、この直線への垂線を下した直交する交点は、簡単な計算により、以下の通りとなる。
［（ｐａ－ｐｂ）／２，（ｐｂ－ｐａ）／２］ Let the point where the observed volume is expressed by the z value be (pa, pb), and the orthogonal intersection of the perpendicular lines to this straight line is as follows by simple calculation.
[(pa-pb)/2, (pb-pa)/2]
［（ｐａ－ｐｂ）／２，（ｐｂ－ｐａ）／２］ Let the point where the observed volume is expressed by the z value be (pa, pb), and the orthogonal intersection of the perpendicular lines to this straight line is as follows by simple calculation.
[(pa-pb)/2, (pb-pa)/2]
そして、複合指標値ＣＩとしては、この交点の原点からの距離に符号をつけて以下の式で表す。
ＣＩ＝（ｐａ－ｐｂ）／ｓｑｒｔ（２） Then, the composite index value CI is expressed by the following formula by attaching a sign to the distance from the origin of this intersection point.
CI=(pa-pb)/sqrt(2)
ＣＩ＝（ｐａ－ｐｂ）／ｓｑｒｔ（２） Then, the composite index value CI is expressed by the following formula by attaching a sign to the distance from the origin of this intersection point.
CI=(pa-pb)/sqrt(2)
図６７は、ある被検者について、上述したような海馬と脳室の測定値を、海馬体積を横軸に、脳室体積を縦軸にして、グラフ上にプロットした例を示す図である。
FIG. 67 is a diagram showing an example in which measured values of the hippocampus and ventricle as described above are plotted on a graph for a certain subject, with hippocampal volume on the horizontal axis and ventricular volume on the vertical axis. .
図６７において、左上の象限、すなわち、海馬が平均より小さく、かつ、脳室が平均よりも大きな領域は、被検者のこれらの脳構造物の生まれつきのサイズに関わらず、海馬の萎縮が起きている可能性の大きな領域である。
In Figure 67, the upper left quadrant, the area where the hippocampus is smaller than average and the ventricle is larger than average, shows that hippocampal atrophy occurs regardless of the natural size of these brain structures in the subject. This is an area with great potential.
この場合は、複合指標の絶対値が大きいほど、海馬萎縮の可能性も大であるといえる。
In this case, it can be said that the greater the absolute value of the composite index, the greater the possibility of hippocampal atrophy.
一方で、図６７の右上の象限は、海馬が平均より大きく、かつ、脳室が平均よりも大きな領域に相当するので、海馬以外の近傍構造の加齢性萎縮の可能性がある領域となる。
On the other hand, the upper right quadrant of Figure 67 corresponds to a region where the hippocampus is larger than average and the ventricle is larger than average, so it is a region where there is a possibility of age-related atrophy of nearby structures other than the hippocampus. .
さらに、図６７の左下の象限は、海馬が平均より小さく、かつ、脳室が平均よりも小さな領域に相当するので、そもそも、海馬が平均より小さいのは、生来の可能性が高い領域である。
Furthermore, the lower left quadrant of Figure 67 corresponds to an area where the hippocampus is smaller than average and the ventricle is smaller than average, so there is a high possibility that the hippocampus is smaller than average in the first place. .
したがって、図６７に示すように、海馬と脳室という２つの脳構造物の体積の計測値を、被検者の年齢（または年代）における平均値を原点としてグラフに表示すると、４象限の中のどの象限に属するかによって、認知症のリスクを識別することが可能となる。
Therefore, as shown in Figure 67, when the measured values of the volumes of two brain structures, the hippocampus and the ventricle, are displayed on a graph using the average value at the subject's age (or age) as the origin, It is possible to identify the risk of dementia depending on which quadrant a person belongs to.
このとき、図６６のように、ｚ値に変換したグラフとしてもよい。
At this time, the graph may be converted into a z value as shown in FIG. 66.
なお、海馬と偏桃体の体積を近傍脳室の体積と組み合わせて測定することも可能である。
Note that it is also possible to measure the volumes of the hippocampus and amygdala in combination with the volumes of the nearby ventricles.
図６８は、ある被検者について、偏桃体と脳室の測定値を、偏桃体の体積を横軸に、脳室体積を縦軸にして、グラフ上にプロットした例を示す図である。
FIG. 68 is a diagram showing an example in which the measured values of the amygdala and ventricle for a certain subject are plotted on a graph with the volume of the amygdala on the horizontal axis and the volume of the ventricle on the vertical axis. be.
図６８においても、海馬の場合と同様に、偏桃体の体積が加齢により萎縮したであるか、偏桃体以外の近傍構造の加齢による萎縮であるか、生来サイズが小さいのかを識別可能である。
In Figure 68, as in the case of the hippocampus, we identify whether the volume of the amygdala has atrophied due to age, whether the nearby structures other than the amygdala have atrophied due to age, or whether the size is naturally small. It is possible.
なお、ここでも、図６６のように、ｚ値に変換したグラフとしてもよい。
Note that here as well, a graph converted to z values may be used, as shown in FIG. 66.
さらに、図６７と図６８を、さらに併せて評価すると、海馬と偏桃体の体積が小さく、かつ、脳室が拡大している場合、加齢による萎縮による可能性が高まると判定できる。
Furthermore, when FIGS. 67 and 68 are further evaluated together, it can be determined that if the volumes of the hippocampus and amygdala are small and the ventricles are enlarged, the possibility of aging-related atrophy increases.
つまり、図６７や図６８のように、海馬、偏桃体各々の体積を、近傍脳室体積と対比する形で、２次元プロットすることで、これらの構造物が個体差か萎縮かどうかを判定することが可能となる。
In other words, by plotting two-dimensionally the volumes of the hippocampus and amygdala in contrast to the volumes of the adjacent ventricles, as shown in Figures 67 and 68, it is possible to determine whether these structures are due to individual differences or atrophy. It becomes possible to judge.
より一般的には、海馬、内嗅皮質（Entorhinal Cortex）、偏桃体といった辺縁系に属する脳実質体積と、その近傍脳室（側脳室下部、側頭葉内側部）のコンビネーションで脳萎縮のパターンを４象限に分けることで、上記のような識別や判定が可能となる。
More generally, the brain is formed by a combination of brain parenchymal volumes belonging to the limbic system, such as the hippocampus, entorhinal cortex, and amygdala, and their neighboring ventricles (lower lateral ventricle, medial temporal lobe). By dividing the atrophy pattern into four quadrants, the above identification and determination becomes possible.
図６９は、以上のような複合指標による脳構造物の萎縮の評価を実施する処理のフローチャートを示す図である。
FIG. 69 is a diagram showing a flowchart of processing for evaluating atrophy of brain structures using the above-described composite index.
なお、このようなコンピュータとしての処理が異なる以外は、ハードウェアとしての構成は、実施の形態１の場合と同様である。
Note that the hardware configuration is the same as in the first embodiment, except for the difference in processing by the computer.
図６９を参照して、脳構造体積・信号強度計算部３１が、現在、評価対象となる被検者の脳画像データと撮影条件データに基づいて、解析を行う処理について説明する。
With reference to FIG. 69, a process in which the brain structure volume/signal intensity calculation unit 31 performs analysis based on the brain image data and imaging condition data of the subject currently being evaluated will be described.
脳構造体積・信号強度計算部３１は、画像入力ステップ（ステップＳ８１０）とセグメンテーションステップ（ステップＳ８１２）の後に、脳構造物同定ステップＳ８１４と、脳構造物体積・信号強度計算ステップＳ８１６と、撮影条件キャリブレーション部１５の処理（ステップＳ８１８）とを実行する。
After the image input step (step S810) and the segmentation step (step S812), the brain structure volume/signal intensity calculation unit 31 performs a brain structure identification step S814, a brain structure volume/signal intensity calculation step S816, and the imaging conditions. The process of the calibration unit 15 (step S818) is executed.
ここでも、まず、現時点での被検者に対する解析のために、画像入力部１１が、撮像サイトから送信されてきた、評価対象となる被検者の脳画像データと撮影条件データを読み込む画像入力ステップを実行する（ステップＳ８１０）。画像入力ステップＳ８１０において、入力された画像に対して、セグメンテーション部１２が、セグメンテーションステップを実行する（ステップＳ８１２）。セグメンテーションステップＳ８１２のセグメンテーションによって、脳画像が複数の構造単位（たとえば、５０５個の構造単位）に分割される。セグメンテーションは、ここでも、上述したデータベース２ａのセグメンテーション教師データを参照して実行することができる。
Here, too, first, in order to analyze the current subject, the image input unit 11 inputs an image that reads the brain image data and imaging condition data of the subject to be evaluated, which have been sent from the imaging site. The step is executed (step S810). In image input step S810, the segmentation unit 12 performs a segmentation step on the input image (step S812). The brain image is divided into a plurality of structural units (for example, 505 structural units) by the segmentation in the segmentation step S812. Segmentation can also be executed here with reference to the segmentation training data in the database 2a mentioned above.
次に、脳構造物同定プログラムのモジュールとして、脳構造物同定部３４は、セグメンテーションで分割された構造単位に脳構造物のラベリングを実行し、撮影条件影響評価部３３の事前の評価に応じて、複合指標の算出に用いるものとして事前に選択された構造物の同定を行う脳構造物同定ステップを実行する（ステップＳ８１４）。脳構造物同定ステップＳ８１４では、図６６～図６８で説明したような脳構造物を少なくとも２つ同定することになる。なお、このとき、特に限定されないが、少なくとも１つの脳構造物としては、撮影条件の影響が小さく、かつ、撮影条件の影響をキャリブレーションにより最小化することが可能な頑健なもので、評価対象の疾患リスクへの感度も考慮して選択された構造物として、脳室や近傍脳室などを選択しておく構成であることが望ましい。
Next, as a module of the brain structure identification program, the brain structure identification unit 34 labels the brain structures in structural units divided by segmentation, and according to the prior evaluation by the imaging condition influence evaluation unit 33. , executes a brain structure identification step of identifying structures selected in advance as those to be used in calculating the composite index (step S814). In the brain structure identification step S814, at least two brain structures as described in FIGS. 66 to 68 are identified. At this time, although not particularly limited, at least one brain structure must be robust enough to be less affected by the imaging conditions and can be minimized through calibration, and should be the subject of evaluation. It is desirable that the structure be such that the ventricles or nearby ventricles are selected as structures that are selected in consideration of their sensitivity to disease risk.
次に、脳構造物体積・信号強度計算プログラムのモジュールとして、脳構造物体積・信号強度計算部３５は、同定された脳構造物ごとに、体積の計算および信号強度の計算を実行する（ステップＳ８１６）。
Next, as a module of the brain structure volume/signal intensity calculation program, the brain structure volume/signal intensity calculation unit 35 executes volume calculation and signal intensity calculation for each identified brain structure (step S816).
その後、実施形態２の脳画像データ解析装置１は、撮影条件キャリブレーション部１５の処理（ステップＳ８１８）を行った後に、同年代比計算部１６が、複数の脳構造物による複合指標の計算を実行して（Ｓ８２０）、さらに、複合指標の算出に使用した２つの脳構造物の体積について、図６６～図６８に示したようなグラフ（４象限）の表示のための表示データを生成し（Ｓ８２２）、レポートの情報として出力を行う。
After that, in the brain image data analysis device 1 of the second embodiment, after the imaging condition calibration unit 15 performs the processing (step S818), the same age ratio calculation unit 16 calculates a composite index using a plurality of brain structures. (S820), and further generates display data for displaying graphs (four quadrants) as shown in FIGS. 66 to 68 for the volumes of the two brain structures used to calculate the composite index (S820). S822), it is output as report information.
以上説明した通り、脳を複数の部位に分割して各部位について評価すると、各部位が特徴的な加齢性変化を示すことがわかる。たとえば、海馬体積は６０歳を超えるまで加齢性変化はほとんどないが、前頭葉は３０代から萎縮が始まる。脳の各部位の正常な加齢性変化を知ることにより、ある部位に局在している病的な萎縮を検出できる。そのために、複数の部位の組み合わせの萎縮を知ることにより、特定の疾病（たとえば、上述した以外にも、前頭葉側頭葉型認知症は前頭葉と側頭葉の組み合わせで萎縮が起きる）の前兆を知ることができる可能性が高まる。
As explained above, when the brain is divided into multiple regions and each region is evaluated, it is found that each region exhibits characteristic age-related changes. For example, the hippocampal volume shows almost no age-related changes until the age of 60, but the frontal lobe begins to atrophy from the age of 30. By knowing the normal age-related changes in each region of the brain, it is possible to detect pathological atrophy localized in a certain region. To this end, by understanding atrophy in combinations of multiple regions, we can detect signs of specific diseases (for example, in addition to those mentioned above, atrophy occurs in a combination of the frontal lobe and temporal lobe in frontotemporal lobe dementia). The possibility of knowing increases.
したがって、脳の総体積、脳室体積に加え、複数の構造物の情報を組み合わせることにより、より正確な脳の萎縮状態を描出することができる。これにより、評価したい脳の状態（認知症のリスク、認知症のクラス、認知症の原因疾患など）の判定精度が高まる。
［実施の形態３］
（仮ＩＤによるデータ共有の構成） Therefore, by combining information on multiple structures in addition to the total brain volume and ventricular volume, a more accurate state of brain atrophy can be depicted. This increases the accuracy of determining the brain condition that is to be evaluated (risk of dementia, class of dementia, disease causing dementia, etc.).
[Embodiment 3]
(Configuration of data sharing using temporary ID)
［実施の形態３］
（仮ＩＤによるデータ共有の構成） Therefore, by combining information on multiple structures in addition to the total brain volume and ventricular volume, a more accurate state of brain atrophy can be depicted. This increases the accuracy of determining the brain condition that is to be evaluated (risk of dementia, class of dementia, disease causing dementia, etc.).
[Embodiment 3]
(Configuration of data sharing using temporary ID)
実施の形態１および実施の形態２では、ＭＲＩ装置やＸ線ＣＴ装置など、人体の断面画像を撮像可能な装置によって、脳の特定の脳構造物の体積評価により、たとえば、「認知症のリスク」などのような「疾患リスク」を評価するシステムや方法について説明した。
In Embodiment 1 and Embodiment 2, a device capable of capturing cross-sectional images of the human body, such as an MRI device or an X-ray CT device, is used to evaluate the volume of specific brain structures in the brain, for example, He explained the system and method for evaluating "disease risk" such as "Disease risk".
ただし、このような撮像装置により取得される撮像データ、撮像データから評価される疾患リスク、被検者についてのその他の臨床情報などは、大変、貴重な「医療データ」「ヘルスケアデータ」としての意義を有する。
However, the imaging data acquired by such imaging devices, the disease risk evaluated from the imaging data, and other clinical information about the subject are extremely valuable "medical data" and "health care data." have significance.
そこで、実施の形態３では、このような「医療データ」「ヘルスケアデータ」を第三者との間で共有して利用可能とするための構成について説明する。
Therefore, in Embodiment 3, a configuration for sharing and making available such "medical data" and "health care data" with a third party will be described.
なお、前提として以下のことがある。
Note that the following assumptions are made.
１）「医療データ」「ヘルスケアデータ」とも、個人情報として、特に取り扱いに留意が必要な情報である。特に、被検者の疾患履歴に関わる情報は、個人情報保護法上も、もっとも厳格な扱いが要求されている。
1) Both "medical data" and "health care data" are personal information that must be handled with special care. In particular, information related to the patient's disease history is required to be handled in the strictest terms under the Personal Information Protection Act.
２）一方で、貴重なデータの有効利用の観点からは、各データに対して、「匿名加工」をすることで、第三者への提供を可能とするとの制度の整備も進んでいる。もっとも、「医療データ」「ヘルスケアデータ」は、特定個人の時系列のデータ（縦断データ）が、真の意義を有するものの、「縦断的に同一人のデータであること」は、「匿名加工」の観点からは、必ずしも望ましくない。
2) On the other hand, from the perspective of effective use of valuable data, systems are being developed that will allow each data to be provided to third parties by performing "anonymous processing." However, while ``medical data'' and ``healthcare data'' are time-series data (longitudinal data) of a specific individual that has true significance, ``data of the same person longitudinally'' is not ``anonymized data''. ” is not necessarily desirable.
３）そこで、個人情報の保護と、データの利用を両立させる方法の１つとしては、データの仮名化を実行して、容易に特定の個人が識別できない情報に加工するとともに、利用目的などを被検者本人に通知して、本人の同意の下で、データの利用を図る、という方策が想定される。
3) Therefore, one way to achieve both the protection of personal information and the use of data is to pseudonymize the data and process it into information that cannot be easily identified as a specific individual, as well as to clarify the purpose of use etc. One possible strategy is to notify the subject himself/herself and use the data with his or her consent.
図７０は、データの仮名加工と縦断データとしての利用可能性を両立させるためのデータ取得から、データの共同利用を行うまでのデータの流れの概念を示す図である。
FIG. 70 is a diagram illustrating the concept of data flow from data acquisition to joint use of data in order to achieve both kana processing of data and usability as longitudinal data.
まず、後述するように、データの共同利用のプラットフォームを提供するシステム運用者が、各被験者に対して、共用仮ＩＤとしての識別情報ＣＰ－ＩＤを発行しているものとする。共用仮ＩＤは、健常者としての健康診断や患者としての診断診療にも共通に使用される。
First, as will be described later, it is assumed that a system operator that provides a platform for shared data use has issued identification information CP-ID as a shared temporary ID to each subject. The shared temporary ID is commonly used for health checkups for healthy people and diagnostic treatment for patients.
特に限定されないが、たとえば、識別情報ＣＰ－ＩＤは、２次元コードに変換されて、被検者の有するスマートフォンに格納されているものとする。そして、スマートフォンの画面に、ユーザが特別なアクセスを実行した場合にのみ表示される構成となっているものとする。
Although not particularly limited, it is assumed, for example, that the identification information CP-ID is converted into a two-dimensional code and stored in a smartphone owned by the subject. It is assumed that the configuration is such that the information is displayed on the smartphone screen only when the user performs special access.
たとえば、このような共用仮ＩＤの発行を受けている被検者は、撮像サイトでの撮像時に、病院やクリニックに、この共用仮ＩＤを提示するものとする。
For example, it is assumed that a subject who has been issued such a shared temporary ID presents this shared temporary ID to a hospital or clinic when taking an image at an imaging site.
システム運用者のシステムでは、共用仮ＩＤと被検者の個人情報が関連付けられて、セキュリティ上厳重に保管されているものとする。
It is assumed that in the system operator's system, the shared temporary ID and the test subject's personal information are associated and stored with strict security.
そして、データの提供元である撮像サイト（たとえば、病院やクリニックなどのデータ提供元）においては、共用仮ＩＤと関連付けて、被検者の氏名、撮像サイトでの運営上に、各被験者に発行する仮名化ＩＤ、被検者のデータ共用について同意が取得されているかを示す情報、被検者からのデータの削除要請があったかどうかを示す情報が、関連づけられて、記憶装置に「個人特定情報ＤＢ」として格納される。
The imaging site that provides the data (for example, a data provider such as a hospital or clinic) will then link it to a shared temporary ID and issue it to each subject with the patient's name and the information provided by the imaging site. A pseudonymized ID for data sharing, information indicating whether the subject's consent for data sharing has been obtained, and information indicating whether there was a request from the subject to delete the data are linked and stored in the storage device as "personally identifying information." DB".
一方で、データの提供元では、氏名や保険証番号（日本におけるマンナンバーや米国におけるソーシャル・セキュリティーナンバーなどを含む）などの個人を識別可能な情報については削除して、「仮名加工情報ＤＢ」として、仮名化ＩＤと共用仮ＩＤとに関連付けて、被検者の性別、年齢（必要に応じて、年代などに粗視化する）や検査結果（撮像データ、撮像による疾患リスクの評価指標）、薬の処方情報、その他の臨床データを、個人特定情報ＤＢとは、異なる記憶装置に、格納する。
On the other hand, the data provider deletes information that can identify individuals, such as names and insurance card numbers (including man numbers in Japan and social security numbers in the United States), and stores them in a "pseudonymized information DB". The test subject's gender, age (as necessary, coarse-grained into age groups, etc.) and test results (imaging data, disease risk evaluation index based on imaging), in association with the pseudonymized ID and shared temporary ID. , drug prescription information, and other clinical data are stored in a storage device different from the personal identification information DB.
この場合、i) 個人特定情報は、仮名加工情報と分離して保存し、ii)一定の要件を満たさない限り、個人特定情報ＤＢとの照合を不可として管理し、iii)データの共用について本人同意のあるデータのみ仮名加工情報ＤＢに登録するとの運用とする。
In this case, i) personally identifiable information will be stored separately from pseudonymized information, ii) unless certain requirements are met, it will not be able to be checked against the personally identifiable information database, and iii) personal information will not be shared with the individual. Only data with consent will be registered in the pseudonym processing information database.
病院内などで、健康診断・診療など取得元での本来の利用目的でのデータの利用をする場合は、所定の要件を満たすことを条件として、仮名化ＩＤとの照合を可能として、個人情報として利用を許可する。
When using data for the original purpose of use at the source, such as health checkups and medical treatment, in hospitals etc., personal information can be checked against a pseudonymized ID, provided that certain requirements are met. Permit use as .
一方で、本人同意のある範囲での共同利用目的の利用については、仮名加工情報のみ共有するものとする。
On the other hand, only pseudonymized information will be shared for joint use purposes within the scope of the consent of the individual.
以上の構成により、データの取得元以外では、容易に被検者の識別困難な状態として、かつ、本人の同意のある範囲で、共同利用を実施することが可能である。
With the above configuration, it is possible to carry out joint use in a state where it is difficult to easily identify the test subject by anyone other than the data acquisition source, and within the scope of the subject's consent.
なお、以下では、システムの運用として、撮像データや臨床データは、撮像サイトからクラウド上のＰＡＣＳに格納されるものとしてシステムの動作を説明する。
In the following, the operation of the system will be described assuming that imaging data and clinical data are stored in PACS on the cloud from the imaging site.
図７１は、図７０で説明したような仮名加工情報について、システム運用者の利用と、データ利用者による利用とを可能とする構成を示す概念図である。
FIG. 71 is a conceptual diagram showing a configuration that allows the pseudonym processing information described in FIG. 70 to be used by a system operator and a data user.
ここでは、システム運用者は、サービスページ運用サーバ１０００と解析サービス提供サーバ２０００とを、管理して運用しているものとする。
Here, it is assumed that the system operator manages and operates the service page operation server 1000 and the analysis service providing server 2000.
ここで、サービスページ運用サーバ１０００は、たとえば、登録された会員である被検者１００の有するスマートフォン２００などで、その被検者からの要求であることを認証したうえで、健康診断の結果や診断の結果に関わる撮像データ、臨床データ、被検者への推奨情報などをサービスページとして提供してスマートフォン２００の画面に表示させる、というようなサービスを提供する。
Here, the service page operation server 1000 uses, for example, a smartphone 200 owned by the test subject 100, who is a registered member, to authenticate that the request is from the test subject, and then displays the results of the medical examination. A service is provided in which imaging data related to diagnosis results, clinical data, recommended information for subjects, etc. are provided as a service page and displayed on the screen of the smartphone 200.
さらに、サービスページ運用サーバ１０００は、図７０で説明したような共用仮ＩＤとしての識別情報ＣＰ－ＩＤを会員たる被検者に発行する。
Furthermore, the service page operation server 1000 issues identification information CP-ID as a shared temporary ID as explained in FIG. 70 to the member subject.
図７２は、図７１に示したシステムの運用を説明するためのフローチャートである。
FIG. 72 is a flowchart for explaining the operation of the system shown in FIG. 71.
健康診断や医療としての検査を行う撮像サイト５０００は、たとえば、病院やクリニックである。
The imaging site 5000 that performs health checkups and medical tests is, for example, a hospital or clinic.
図７１および図７２を参照して、まず、ユーザ１００が、サービスページ運用サーバ１０００にアクセスして、ユーザ登録を行う（Ｓ９００）。そして、サービスページ運用サーバ１１００は、健康診断でも医療機関での診療においても共通に使用される共用仮ＩＤであるＣＰ－ＩＤを発行する（Ｓ９０２）。
Referring to FIGS. 71 and 72, first, user 100 accesses service page operation server 1000 and performs user registration (S900). Then, the service page operation server 1100 issues a CP-ID, which is a shared temporary ID that is commonly used for both health checkups and medical treatment at medical institutions (S902).
サービスページ運用サーバ１０００と接続するストレージ装置１１００は、サービスページ運用サーバ１１００からのデータを受けて、共用仮ＩＤと会員名などの個人情報とを関連付けて格納する。なお、後述するように、会員本人からの同意がある場合は、その同意の範囲で、ストレージ装置１１００には、さらに、撮像画像の情報や、解析レポートの内容、その他の関連するヘルスケア情報、臨床情報などが、会員の健康診断や医療上の検査の後に、格納される。
A storage device 1100 connected to the service page operation server 1000 receives data from the service page operation server 1100, and stores the shared temporary ID and personal information such as member name in association with each other. As will be described later, if there is consent from the member, the storage device 1100 may further store captured image information, analysis report content, and other related healthcare information within the scope of the consent. Clinical information, etc., is stored after a member's health checkup or medical test.
共用仮ＩＤを受信した会員１００のスマートフォン２００には、特に限定されないが、たとえば、共用仮ＩＤが、２次元コードとして格納される。
For example, but not limited to, the smartphone 200 of the member 100 that has received the shared temporary ID stores the shared temporary ID as a two-dimensional code.
会員１００が、撮像サイト５０００（病院やクリニック）に、健康診断（脳ドック）や診療のために来訪した際に、会員１００は、自己のスマートフォン２００の画面上に共用仮ＩＤの２次元コードを表示させて、撮像サイト５０００のシステムに読み込ませる（Ｓ９０４）。
When the member 100 visits the imaging site 5000 (hospital or clinic) for a health checkup (brain checkup) or medical treatment, the member 100 enters the two-dimensional code of the shared temporary ID on the screen of his or her smartphone 200. It is displayed and read into the system of the imaging site 5000 (S904).
もっとも、共用仮ＩＤを撮像サイト５０００のシステムに渡すための方法としては、このような２次元コードによる方法に限られず、たとえば、近距離通信などの技術により、暗号化した無線通信で伝送する構成としてもよい。
However, the method for passing the shared temporary ID to the system of the imaging site 5000 is not limited to the method using such a two-dimensional code, but may also be transmitted using encrypted wireless communication using technology such as short-range communication. You can also use it as
その上で、撮像サイト５０００において、会員１００に対する撮像が行われる（Ｓ９０６）。
Then, at the imaging site 5000, imaging of the member 100 is performed (S906).
撮像サイト５０００で撮影された画像データについては、たとえば、クラウドＰＡＣＳ２１００に格納され登録される（Ｓ９０８）。
Image data taken at the imaging site 5000 is stored and registered in the cloud PACS 2100, for example (S908).
このとき、特に限定されないが、たとえば、クラウドＰＡＣＳ２１００に格納する際には、撮像サイト５０００で個人特定情報は別管理としてもよいし、あるいは、クラウドＰＡＣＳが院内システムと同等のセキュリティで管理されている場合は、クラウドＰＡＣＳ２１００への登録されるデータは、共用仮ＩＤと院内ＩＤとの情報に、画像情報、患者名などの個人情報、さらには、データの共同利用に会員１００の同意の情報とが関連付けられる。
At this time, although not particularly limited, for example, when storing personal identification information in the cloud PACS 2100, the personal identification information may be managed separately at the imaging site 5000, or the cloud PACS may be managed with the same security as the in-hospital system. In this case, the data registered in the cloud PACS 2100 includes the shared temporary ID and in-hospital ID information, image information, personal information such as patient name, and information about the consent of the member 100 to share the data. Associated.
特に限定されないが、クラウドＰＡＣＳ２１００に格納するデータは、よりセキュリティを厳重にするために暗号化されてもよいし、さらには、複数のサーバに分割保存することとして、各サーバに格納されるデータは、電子割符などの技術により、分割格納することで、より一層、セキュリティを向上させる構成としてもよい。
Although not particularly limited, the data stored in the cloud PACS 2100 may be encrypted for stricter security, and furthermore, the data stored in each server may be divided and stored in multiple servers. The security may be further improved by dividing and storing the information using technology such as an electronic tally.
クラウドＰＡＣＳ２１００に画像データが格納された後に、解析サービス提供サーバ２０００は、クラウドＰＡＣＳ２１００内のデータに対して解析処理を実行して（Ｓ９１０）、解析レポートを作成する（Ｓ９１２）。
After the image data is stored in the cloud PACS 2100, the analysis service providing server 2000 executes analysis processing on the data in the cloud PACS 2100 (S910) and creates an analysis report (S912).
ここでの「解析処理」とは、実施の形態１および実施の形態２で説明したような解析を意味し、「認知症のリスクの評価」のための解析を含む。
"Analysis processing" here means analysis as described in Embodiment 1 and Embodiment 2, and includes analysis for "evaluation of dementia risk."
解析サービス提供サーバ２０００は、解析レポートを撮像サイト５０００のシステムに返信して（Ｓ９２０）、システムの表示装置の画面上にレポートが表示される（Ｓ９２２）。病院であれば、この表示レポートを、医師が見ることで、診断補助情報として利用することになる。また、健康診断であれば、解析レポートをプリントアウトして会員１００に提供してもよい。
The analysis service providing server 2000 returns the analysis report to the system of the imaging site 5000 (S920), and the report is displayed on the screen of the system's display device (S922). In a hospital, this display report would be viewed by a doctor and used as diagnostic aid information. Furthermore, in the case of a health checkup, an analysis report may be printed out and provided to the member 100.
一方で、解析サービス提供サーバ２０００は、解析レポートをデータ共用サーバ３０００に送信して、データ共用サーバ３０００は、解析レポートを共用データベース（以下、共用ＤＢ）３１００に格納する。
On the other hand, the analysis service providing server 2000 transmits the analysis report to the data sharing server 3000, and the data sharing server 3000 stores the analysis report in the shared database (hereinafter referred to as shared DB) 3100.
共用ＤＢ３１００には、会員１００の同意がある範囲で、共用仮ＩＤと関連付けて、画像情報、臨床情報、解析レポートなどが格納される。この結果、個人特定情報は、共用ＤＢ３１００には、格納されていない状態となる。
In the shared DB 3100, image information, clinical information, analysis reports, etc. are stored in association with the shared temporary ID to the extent that the member 100 consents. As a result, the personal identification information is not stored in the shared DB 3100.
また、共用ＤＢ３１００には、臨床情報や解析レポートの結果に対応して、会員１００に、行動変容として推奨する行動も、推奨行動データベースとして格納されている。
Additionally, the shared DB 3100 also stores, as a recommended behavior database, actions recommended to the member 100 as behavioral changes in response to clinical information and analysis report results.
したがって、解析レポートを会員１００に返信する際に、サービスページ運用サーバ１０００は、推奨行動データベースを参照して、会員１００に返信する解析レポートに、推奨行動を記載することとしてもよい。
Therefore, when returning the analysis report to the member 100, the service page operation server 1000 may refer to the recommended action database and write the recommended action in the analysis report to be sent back to the member 100.
また、サービスページ運用サーバ１０００は、会員からのアクセスに応じて、その会員の解析レポートや脳画像などを、会員１００のスマートフォン２００の表示画面に、時系列で、または、選択的に表示してもよい。
In addition, the service page operation server 1000 displays analysis reports, brain images, etc. of the member in chronological order or selectively on the display screen of the smartphone 200 of the member 100 in response to access from the member. Good too.
データ利用者サーバ４０００は、共用ＤＢ３１００にアクセスすることで、利用者データサーバ４１００に、共用仮ＩＤと関連付けて、利用者のサービス（たとえば、保険など）への加入者仮ＩＤ、および、臨床情報や解析レポートのうち、会員１００が、データ利用者が利用することに同意している範囲の「ヘルスケア情報」を、格納する。データ利用者は、個人特定情報と加入者仮ＩＤとの対応表は、別途管理しているものとする。この結果、個人特定情報は、利用者データサーバ４１００には、格納されていない状態となる。
By accessing the shared DB 3100, the data user server 4000 associates the user data server 4100 with the shared temporary ID, and stores the subscriber temporary ID for the user's services (for example, insurance) and clinical information. Among the data and analysis reports, the member 100 stores the "health care information" that the data user has agreed to use. The data user shall separately manage the correspondence table between personal identification information and subscriber temporary ID. As a result, the personal identification information is not stored in the user data server 4100.
以上の構成により、撮像サイト５０００で撮像された脳画像データや臨床情報、解析レポートのデータを、会員１００の同意の範囲で、かつ、個人特定情報とは直接関連付けられずに個人の識別が困難な状態で、共同利用することが可能となる。
With the above configuration, brain image data, clinical information, and analysis report data captured at the imaging site 5000 are difficult to identify individuals within the scope of consent of the member 100 and are not directly associated with personally identifying information. This makes it possible to share the information in a shared manner.
その結果、共用ＤＢ３１００に格納されるデータが蓄積されると、認知症などのリスクの評価の精度が上がるだけでなく、被検者のヘルスケア情報に基づく、ヘルスケアサービスを、データ利用者が提供することが可能となる。
As a result, when the data stored in the shared DB 3100 is accumulated, it not only improves the accuracy of assessing risks such as dementia, but also allows data users to provide healthcare services based on the healthcare information of the patient. It becomes possible to provide
このように、本実施形態および他の実施形態によれば、脳ドックで見られる撮影条件の不均一さの影響を最小化し、再現性良く、正確に脳の様々な部位の萎縮を測定可能とし、認知症発症リスクを解析する脳画像データ解析装置、脳画像データ解析方法、および脳画像データ解析プログラムを実現することができる。
As described above, according to this embodiment and other embodiments, it is possible to minimize the influence of uneven imaging conditions seen in brain checkups, and to accurately measure atrophy in various parts of the brain with good reproducibility. , a brain image data analysis device, a brain image data analysis method, and a brain image data analysis program for analyzing the risk of developing dementia can be realized.
また、脳画像データを利用して、被検者の疾患リスクの評価や、行動変容のための情報の提供などを行ことも可能となる。
In addition, using brain image data, it will be possible to evaluate a subject's disease risk and provide information for behavioral change.
今回開示された実施の形態は、本発明を具体的に実施するための構成の例示であって、本発明の技術的範囲を制限するものではない。本発明の技術的範囲は、実施の形態の説明ではなく、特許請求の範囲によって示されるものであり、特許請求の範囲の文言上の範囲および均等の意味の範囲内での変更が含まれることが意図される。
The embodiments disclosed herein are examples of configurations for concretely implementing the present invention, and do not limit the technical scope of the present invention. The technical scope of the present invention is indicated by the claims rather than the description of the embodiments, and includes changes within the literal scope and equivalent meaning of the claims. is intended.
１ 脳画像データ解析装置
２、２ａ データベース
１１ 画像入力部
１２ セグメンテーション部
１３ 脳構造体積計算部
１４ 脳信号強度計算部
１５ 撮影条件キャリブレーション部
１６ 同年代比計算部
１７ 脳血管障害度計算部
１８ 解析レポート作成部
１９ 解析レポート出力部
２０１ 画像入力ステップ
２０２ セグメンテーションステップ
２０３ 脳構造体積・信号強度計算ステップ
２０４ 撮影条件キャリブレーションステップ
２０５ 同年代比計算ステップ 1 Brain image data analysis device 2, 2a Database 11 Image input section 12 Segmentation section 13 Brain structure volume calculation section 14 Brain signal intensity calculation section 15 Imaging condition calibration section 16 Peer ratio calculation section 17 Cerebrovascular disorder degree calculation section 18 Analysis report Creation unit 19 Analysis report output unit 201 Image input step 202 Segmentation step 203 Brain structure volume/signal intensity calculation step 204 Imaging condition calibration step 205 Same age ratio calculation step
２、２ａ データベース
１１ 画像入力部
１２ セグメンテーション部
１３ 脳構造体積計算部
１４ 脳信号強度計算部
１５ 撮影条件キャリブレーション部
１６ 同年代比計算部
１７ 脳血管障害度計算部
１８ 解析レポート作成部
１９ 解析レポート出力部
２０１ 画像入力ステップ
２０２ セグメンテーションステップ
２０３ 脳構造体積・信号強度計算ステップ
２０４ 撮影条件キャリブレーションステップ
２０５ 同年代比計算ステップ 1 Brain image
Claims (19)
- 断層画像スキャナ装置により撮像された評価対象者の脳断層画像の入力を受けて、３次元的に脳内の所定の関心領域の萎縮の程度を解析する脳画像データ解析装置であって、
前記脳断層画像全体から各構造単位に分割するセグメンテーションを行うセグメンテーション部と、
分割された前記構造単位中から関心領域に関連する構造単位を同定する同定部と、
同定された各前記構造単位の脳体積を計算する体積計算部と、
前記断層画像スキャナ装置の撮影条件に応じて、入力された前記脳断面画像に基づく前記脳体積のキャリブレーションをするためのキャリブレーション部と、
複数の被検者について事前に撮像され、各種撮影条件での各年齢における各前記構造単位の脳体積データを含む加齢変化データを有するデータベースと、
前記データベースの各年齢における各前記構造単位のデータから、前記評価対象者の前記構造単位の同年代比を計算する同年代比計算部とを備え、
前記キャリブレーション部は、前記データベースの前記加齢変化データに基づいて、前記脳体積のキャリブレーションを行い、
前記同年代比計算部は、前記キャリブレーション後に、前記データベースの各年齢における前記構造単位のデータに基づいて、前記複数の被検者に対する前記評価対象者の前記構造単位の前記脳体積の同年代比を計算することにより、前記所定の脳内の関心領域の萎縮程度を解析する、脳画像データ解析装置。 A brain image data analysis device that receives input of a brain tomographic image of an evaluation subject captured by a tomographic image scanner device and three-dimensionally analyzes the degree of atrophy of a predetermined region of interest in the brain,
a segmentation unit that performs segmentation to divide the entire brain tomographic image into each structural unit;
an identification unit that identifies a structural unit related to the region of interest from among the divided structural units;
a volume calculation unit that calculates the brain volume of each of the identified structural units;
a calibration unit for calibrating the brain volume based on the inputted brain cross-sectional image according to imaging conditions of the tomographic image scanner device;
a database having aging change data including brain volume data of each of the structural units at each age under various imaging conditions, which is imaged in advance for a plurality of subjects;
a same age ratio calculation unit that calculates a same age ratio of the structural unit of the evaluation subject from data of each of the structural units at each age in the database;
The calibration unit calibrates the brain volume based on the aging change data in the database,
After the calibration, the same-age ratio calculation unit calculates the same-age ratio of the brain volume of the structural unit of the evaluation subject to the plurality of subjects based on the data of the structural unit at each age in the database. A brain image data analysis device that analyzes the degree of atrophy of the predetermined region of interest in the brain by calculating. - 前記データベースに格納された脳体積データに基づき、前記関心領域の萎縮に関連し、加齢性変化が他の構造単位よりも大きく、撮影条件の影響による変化が他の構造単位よりも小さな構造単位を選択する構造単位選択部をさらに備え、
前記同定部は、前記構造単位選択部が選択した構造単位を、同定の対象とする、請求項１記載の脳画像データ解析装置。 Based on the brain volume data stored in the database, a structural unit that is related to atrophy of the region of interest, has larger age-related changes than other structural units, and has smaller changes due to the influence of imaging conditions than other structural units. further comprising a structural unit selection section for selecting the
2. The brain image data analysis device according to claim 1, wherein the identification section identifies the structural unit selected by the structural unit selection section. - 前記所定の脳内の関心領域は、海馬を含む辺縁系または側頭葉内側の認知症において変化することが既知の構造物であり、
前記構造単位選択部が選択する構造単位は、加齢性変化の大きさの程度と撮影条件の影響に対するロバスト性とから選択される構造物であって脳室を含む、請求項２記載の脳画像データ解析装置。 The predetermined region of interest in the brain is a structure known to be altered in dementia in the limbic system including the hippocampus or the medial temporal lobe,
The brain according to claim 2, wherein the structural unit selected by the structural unit selection unit is a structure selected based on the degree of age-related change and robustness to the influence of imaging conditions, and includes a ventricle. Image data analysis device. - 前記断層画像スキャナ装置は、Ｘ線ＣＴスキャナ装置である、請求項３記載の脳画像データ解析装置。 The brain image data analysis device according to claim 3, wherein the tomographic image scanner device is an X-ray CT scanner device.
- 前記断層画像スキャナ装置は、ＭＲＩスキャナ装置である、請求項３記載の脳画像データ解析装置。 The brain image data analysis device according to claim 3, wherein the tomographic image scanner device is an MRI scanner device.
- 前記同年代比計算部は、前記データベースの各年齢における複数個の前記構造単位を統合して解析し、前記同年代比を計算することにより、前記所定の脳内の関心領域の萎縮程度を解析する、請求項３または５に記載の脳画像データ解析装置。 The same age ratio calculation unit analyzes the degree of atrophy of the region of interest in the predetermined brain by integrating and analyzing the plurality of structural units at each age in the database and calculating the same age ratio. The brain image data analysis device according to claim 3 or 5.
- 前記複数個の前記構造単位は、海馬と脳室とを含み、
前記同年代比計算部は、
ｉ）前記海馬の体積を第１の軸に、前記脳室の体積を前記第１の軸と直交する第２の軸として表示するデータを生成し、
ｉｉ）前記評価対象者の前記脳体積の計算値が、前記第１の軸および前記第２の軸により表される座標のいずれの象限に属するかに応じて、前記所定の脳内の関心領域の萎縮程度を解析する、請求項６記載の脳画像データ解析装置。 the plurality of structural units include a hippocampus and a ventricle;
The same age ratio calculation section is
i) generating data that displays the volume of the hippocampus as a first axis and the volume of the ventricle as a second axis orthogonal to the first axis;
ii) a region of interest in the predetermined brain depending on which quadrant of the coordinates represented by the first axis and the second axis the calculated value of the brain volume of the evaluation subject belongs to; The brain image data analysis device according to claim 6, which analyzes the degree of atrophy of the brain. - 前記同年代比計算部は、前記所定の脳内の関心領域の萎縮程度の解析により、前記評価対象者の認知症リスクを評価する、請求項１または２記載の脳画像データ解析装置。 3. The brain image data analysis device according to claim 1, wherein the same age ratio calculation unit evaluates the dementia risk of the evaluation subject by analyzing the degree of atrophy of the region of interest in the predetermined brain.
- 同定された各前記構造単位の信号強度を計算する信号強度計算部をさらに備え、
前記データベースの前記加齢変化データは、複数の被検者について事前に撮像され、各種撮影条件での各年齢における各前記構造単位の信号強度データを含み、
前記キャリブレーション部は、前記データベースの前記加齢変化データに基づいて、前記信号強度のキャリブレーションを行い、
前記同年代比計算部は、前記キャリブレーション後に、前記データベースの各年齢における前記構造単位のデータに基づいて、前記複数の被検者に対する前記評価対象者の前記構造単位の前記信号強度を同年代と比較することにより、前記構造単位の脳血管疾患のリスクを解析する、請求項８記載の脳画像データ解析装置。 further comprising a signal strength calculation unit that calculates the signal strength of each of the identified structural units,
The aging change data in the database includes signal intensity data of each of the structural units at each age under various imaging conditions, which are imaged in advance for a plurality of subjects,
The calibration unit calibrates the signal strength based on the aging change data in the database,
After the calibration, the same age ratio calculation unit compares the signal strength of the structural unit of the evaluation subject for the plurality of subjects with that of the same age based on the data of the structural unit at each age in the database. 9. The brain image data analysis device according to claim 8, wherein the risk of cerebrovascular disease in the structural unit is analyzed by performing the following steps. - キャリブレーション係数決定手段をさらに備え、
前記キャリブレーション係数決定手段は、
前記加齢変化データに基づいて、複数の年齢の異なる前記被検者の構造単位に対し、体積－年齢の相関曲線を作成する相関作成手段と、
作成された相関曲線から相関パラメータを抽出するパラメータ抽出手段と、
抽出された前記相関パラメータの差を小さくするように、前記脳体積に対するキャリブレーション係数を決定する一致化手段とを含み、
前記キャリブレーション部は、決定された前記キャリブレーション係数に基づいて、前記脳体積のキャリブレーションを行う、請求項１記載の脳画像データ解析装置。 further comprising means for determining a calibration coefficient;
The calibration coefficient determining means includes:
Correlation creation means for creating a volume-age correlation curve for a plurality of structural units of the subjects of different ages based on the aging change data;
parameter extraction means for extracting a correlation parameter from the created correlation curve;
matching means for determining a calibration coefficient for the brain volume so as to reduce a difference between the extracted correlation parameters;
The brain image data analysis device according to claim 1, wherein the calibration unit calibrates the brain volume based on the determined calibration coefficient. - 前記同年代比計算部は、
各年齢における前記構造単位の体積の人口分布に基づき、前記評価対象者の年齢に基づき、前記評価対象者の前記構造単位の前記人口分布における位置を計算する、請求項１に記載の脳画像データ解析装置。 The same age ratio calculation section is
The brain image data according to claim 1, wherein the position of the structural unit of the evaluation subject in the population distribution is calculated based on the age of the evaluation subject based on the population distribution of the volume of the structural unit at each age. Analysis device. - 断層画像スキャナ装置により撮像された評価対象者の脳断層画像の入力を受けて、３次元的に脳内の所定の関心領域の萎縮の程度を解析する解析装置の脳画像データの解析方法であって、
前記解析装置は、複数の被検者について事前に撮像され、各種撮影条件での各年齢における各前記構造単位の脳体積データを含む加齢変化データを有するデータベースを備え、
前記脳断層画像全体から各構造単位に分割するセグメンテーションを行うステップと、
分割された前記構造単位中から関心領域に関連する構造単位を同定するステップと、
同定された各前記構造単位の脳体積を計算するステップと、
前記データベースの前記加齢変化データに基づいて、前記断層画像スキャナ装置の撮影条件に応じて、入力された前記脳断面画像に基づく前記脳体積のキャリブレーションをするステップと、
前記データベースの各年齢における各前記構造単位のデータから、前記評価対象者の前記構造単位の同年代比を計算するステップとを備え、
前記同年代比を計算するステップは、前記キャリブレーション後に、前記データベースの各年齢における前記構造単位のデータに基づいて、前記複数の被検者に対する前記評価対象者の前記構造単位の前記脳体積の同年代比を計算することにより、前記所定の脳内の関心領域の萎縮程度を解析するステップを含む、脳画像データの解析方法。 A method for analyzing brain image data of an analysis device that receives input of a tomographic brain image of an evaluation subject taken by a tomographic image scanner device and three-dimensionally analyzes the degree of atrophy of a predetermined region of interest in the brain. hand,
The analysis device includes a database having aging change data including brain volume data of each of the structural units at each age under various imaging conditions, which is imaged in advance for a plurality of subjects,
performing segmentation to divide the entire brain tomographic image into each structural unit;
identifying a structural unit related to the region of interest from among the divided structural units;
calculating the brain volume of each identified structural unit;
calibrating the brain volume based on the input cross-sectional brain image based on the aging change data in the database and in accordance with the imaging conditions of the tomographic image scanner device;
calculating the same age ratio of the structural unit of the evaluation subject from the data of each structural unit at each age in the database;
The step of calculating the same-age ratio includes calculating the same-age ratio of the brain volume of the structural unit of the evaluation subject for the plurality of subjects based on the data of the structural unit at each age in the database after the calibration. A method for analyzing brain image data, comprising the step of analyzing the degree of atrophy of the region of interest in the predetermined brain by calculating a ratio. - キャリブレーション係数を決定するステップをさらに備え、
前記キャリブレーション係数を決定するステップは、
前記加齢変化データに基づいて、複数の年齢の異なる前記被検者の構造単位に対し、体積－年齢の相関曲線を作成するステップと、
作成された相関曲線から相関パラメータを抽出するステップと、
抽出された前記相関パラメータの差を小さくするように、前記脳体積に対するキャリブレーション係数を決定するステップとを含み、
前記キャリブレーションをするステップは、決定された前記キャリブレーション係数に基づいて、前記脳体積のキャリブレーションを行う、請求項１２記載の脳画像データの解析方法。 further comprising determining a calibration factor;
The step of determining the calibration coefficient comprises:
creating a volume-age correlation curve for a plurality of structural units of the subjects of different ages based on the aging change data;
extracting a correlation parameter from the created correlation curve;
determining a calibration coefficient for the brain volume so as to reduce a difference between the extracted correlation parameters;
13. The brain image data analysis method according to claim 12, wherein the step of calibrating calibrates the brain volume based on the determined calibration coefficient. - 前記同年代比を計算するステップは、
各年齢における前記構造単位の体積の人口分布に基づき、前記評価対象者の年齢に基づき、前記評価対象者の前記構造単位の前記人口分布における位置を計算するステップを含む、請求項１２に記載の脳画像データの解析方法。 The step of calculating the same age ratio includes:
13. The method according to claim 12, further comprising the step of calculating the position of the structural unit of the evaluation subject in the population distribution based on the age of the evaluation subject based on the population distribution of the volume of the structural unit at each age. How to analyze brain image data. - 前記同年代比を計算するステップは、前記所定の脳内の関心領域の萎縮程度の解析により、前記評価対象者の認知症リスクを評価するステップを含む、請求項１２記載の脳画像データの解析方法。 13. The brain image data analysis method according to claim 12, wherein the step of calculating the age ratio includes the step of evaluating the dementia risk of the evaluation subject by analyzing the degree of atrophy of the region of interest in the predetermined brain. .
- 記憶装置を演算装置を有するコンピュータに、断層画像スキャナ装置により撮像された評価対象者の脳断層画像の入力を受けて、３次元的に脳内の所定の関心領域の萎縮の程度を解析する解析装置としての処理を実行させるための脳画像データの解析プログラムであって、
前記記憶装置は、複数の被検者について事前に撮像され、各種撮影条件での各年齢における各前記構造単位の脳体積データを含む加齢変化データを有するデータベースを備え、
前記演算装置が、前記脳断層画像全体から各構造単位に分割するセグメンテーションを行うステップと、
前記演算装置が、分割された前記構造単位中から関心領域に関連する構造単位を同定するステップと、
前記演算装置が、同定された各前記構造単位の脳体積を計算するステップと、
前記演算装置が、前記データベースの前記加齢変化データに基づいて、前記断層画像スキャナ装置の撮影条件に応じて、入力された前記脳断面画像に基づく前記脳体積のキャリブレーションをするステップと、
前記演算装置が、前記データベースの各年齢における各前記構造単位のデータから、前記評価対象者の前記構造単位の同年代比を計算するステップとを備え、
前記同年代比を計算するステップは、前記キャリブレーション後に、前記データベースの各年齢における前記構造単位のデータに基づいて、前記複数の被検者に対する前記評価対象者の前記構造単位の前記脳体積の同年代比を計算することにより、前記所定の脳内の関心領域の萎縮程度を解析するステップを含む、脳画像データの解析プログラム。 An analysis that analyzes the degree of atrophy of a predetermined region of interest in the brain three-dimensionally by inputting a brain tomographic image of the evaluation subject taken by a tomographic image scanner into a computer having a storage device and an arithmetic device. A brain image data analysis program for executing processing as a device,
The storage device includes a database having aging change data including brain volume data of each of the structural units at each age under various imaging conditions, which is imaged in advance for a plurality of subjects,
a step in which the arithmetic unit performs segmentation to divide the entire brain tomographic image into each structural unit;
a step in which the arithmetic unit identifies a structural unit related to the region of interest from among the divided structural units;
the calculation device calculating the brain volume of each of the identified structural units;
The calculation device calibrates the brain volume based on the inputted brain cross-sectional image in accordance with the imaging conditions of the tomographic image scanner device based on the aging change data in the database;
the arithmetic device calculating a same-age ratio of the structural unit of the evaluation subject from data of each structural unit at each age in the database;
The step of calculating the same-age ratio includes calculating the same-age ratio of the brain volume of the structural unit of the evaluation subject for the plurality of subjects based on the data of the structural unit at each age in the database after the calibration. A program for analyzing brain image data, comprising the step of analyzing the degree of atrophy of the region of interest in the predetermined brain by calculating a ratio. - 請求項１記載の脳画像データ解析装置を組み込んだワークステーション。 A workstation incorporating the brain image data analysis device according to claim 1.
- 請求項１記載の脳画像データ解析装置を組み込んだ医療画像管理システム。 A medical image management system incorporating the brain image data analysis device according to claim 1.
- 請求項１記載の脳画像データ解析装置を組み込んだクラウドサーバシステム。 A cloud server system incorporating the brain image data analysis device according to claim 1.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022-061071 | 2022-03-31 | ||
| JP2022061071 | 2022-03-31 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2023190880A1 true WO2023190880A1 (en) | 2023-10-05 |
Family
ID=88202793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/JP2023/013201 WO2023190880A1 (en) | 2022-03-31 | 2023-03-30 | Brain image data analysis device, brain image data analysis method, and brain image data analysis program |
Country Status (1)
| Country | Link |
|---|---|
| WO (1) | WO2023190880A1 (en) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015084970A (en) * | 2013-10-31 | 2015-05-07 | 株式会社アラヤ・ブレイン・イメージング | Individual characteristics prediction system, individual characteristics prediction method and program |
| WO2015085320A1 (en) * | 2013-12-06 | 2015-06-11 | The Johns Hopkins University | Methods and systems for analyzing anatomy from multiple granularity levels |
| WO2015109331A1 (en) * | 2014-01-17 | 2015-07-23 | The Johns Hopkins University | Automated anatomical labeling by multi-contrast diffeomorphic probability fusion |
| JP2016202904A (en) * | 2015-04-15 | 2016-12-08 | キヤノン株式会社 | Diagnosis support device, diagnosis support system, information processing method, and program |
| JP2017023457A (en) * | 2015-07-23 | 2017-02-02 | 東芝メディカルシステムズ株式会社 | Medical image processing apparatus |
| JP2017522927A (en) * | 2014-06-03 | 2017-08-17 | サムスン ライフ パブリック ウェルフェア ファウンデーションＳａｍｓｕｎｇ Ｌｉｆｅ Ｐｕｂｌｉｃ Ｗｅｌｆａｒｅ Ｆｏｕｎｄａｔｉｏｎ | Biological brain age calculation device and calculation method thereof |
-
2023
- 2023-03-30 WO PCT/JP2023/013201 patent/WO2023190880A1/en unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015084970A (en) * | 2013-10-31 | 2015-05-07 | 株式会社アラヤ・ブレイン・イメージング | Individual characteristics prediction system, individual characteristics prediction method and program |
| WO2015085320A1 (en) * | 2013-12-06 | 2015-06-11 | The Johns Hopkins University | Methods and systems for analyzing anatomy from multiple granularity levels |
| WO2015109331A1 (en) * | 2014-01-17 | 2015-07-23 | The Johns Hopkins University | Automated anatomical labeling by multi-contrast diffeomorphic probability fusion |
| JP2017522927A (en) * | 2014-06-03 | 2017-08-17 | サムスン ライフ パブリック ウェルフェア ファウンデーションＳａｍｓｕｎｇ Ｌｉｆｅ Ｐｕｂｌｉｃ Ｗｅｌｆａｒｅ Ｆｏｕｎｄａｔｉｏｎ | Biological brain age calculation device and calculation method thereof |
| JP2016202904A (en) * | 2015-04-15 | 2016-12-08 | キヤノン株式会社 | Diagnosis support device, diagnosis support system, information processing method, and program |
| JP2017023457A (en) * | 2015-07-23 | 2017-02-02 | 東芝メディカルシステムズ株式会社 | Medical image processing apparatus |
Non-Patent Citations (1)
| Title |
|---|
| MORI SUSUMU, ONDA KENGO, FUJITA SHOHEI, SUZUKI TOSHIAKI, IKEDA MIKIMASA, ZAY YAR MYINT KHIN, HIKAGE JUN, ABE OSAMU, TOMIMOTO HIDEK: "Brain atrophy in middle age using magnetic resonance imaging scans from Japan’s health screening programme", TOKYO MIDTOWN CLINIC , 9-7-1-6F AKASAKA, MINATO, TOKYO 107-6206 , JAPAN, vol. 4, no. 4, 4 July 2022 (2022-07-04), XP093096077, DOI: 10.1093/braincomms/fcac211 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11263749B1 (en) | Predictive prognosis based on multimodal analysis | |
| US10504227B1 (en) | Application of deep learning for medical imaging evaluation | |
| JP5553972B2 (en) | Electronic medical record impact data acquisition, processing and display system and method | |
| JP7170145B2 (en) | Information processing device, program, trained model, diagnosis support device, learning device, and prediction model generation method | |
| JP7220727B2 (en) | Trained model, learning method and program, and medical information acquisition device, method and program | |
| Jannin et al. | Validation in medical image processing. | |
| Kuceyeski et al. | The generation and validation of white matter connectivity importance maps | |
| JP7080304B2 (en) | Learning support device, learning support method, learning support program, region of interest discrimination device, region of interest discrimination method, region of interest discrimination program and trained model | |
| Al-Adhaileh | Diagnosis and classification of Alzheimer's disease by using a convolution neural network algorithm | |
| JP2014067344A (en) | Graph creation device, graph creation method, and graph creation program | |
| Baușic et al. | Transvaginal ultrasound vs. magnetic resonance imaging (MRI) value in endometriosis diagnosis | |
| JP7114347B2 (en) | Tomographic image prediction device and tomographic image prediction method | |
| JP6785976B2 (en) | Brain image normalization device, method and program | |
| JP6945493B2 (en) | Medical image processing equipment, methods and programs | |
| Li et al. | Association between white matter hyperintensities and stroke in a West African patient population: Evidence from the Stroke Investigative Research and Educational Network study | |
| WO2023190880A1 (en) | Brain image data analysis device, brain image data analysis method, and brain image data analysis program | |
| EP3813075A1 (en) | System and method for automating medical images screening and triage | |
| WO2019102917A1 (en) | Radiologist determination device, method, and program | |
| WO2020099940A1 (en) | Application of deep learning for medical imaging evaluation | |
| JP5348998B2 (en) | Image search apparatus and method | |
| US11328414B2 (en) | Priority judgement device, method, and program | |
| US20210005320A1 (en) | Method of inferring a need for medical test | |
| Blom et al. | Hippocampal sulcal cavities: prevalence, risk factors and association with cognitive performance. The SMART-Medea study and PREDICT-MR study | |
| Shi et al. | Role of multimodal image-based 3d reconstruction for primary trigeminal neuralgia | |
| Han et al. | Distinct volumetric features of cerebrospinal fluid distribution in idiopathic normal-pressure hydrocephalus and Alzheimer’s disease |
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: 23780888 Country of ref document: EP Kind code of ref document: A1 |