JP2014502169A - 医用画像のセグメンテーションのためのシステム - Google Patents

Abstract

医用画像を処理するためのシステム１００は、医用画像を受信するための入力１１０、医用画像の画像特性を取得するためのプロセッサ１２０、画像特性に依存して医用画像のカテゴリを取得するためのカテゴライザ１３０、及び、カテゴリに依存して複数のセグメンテーションアルゴリズムの中からセグメンテーションアルゴリズムを選択することによってセグメンテーション手段１５０を構成し、関心領域を取得するためにセグメンテーション手段１５０がセグメンテーションアルゴリズムで医用画像をセグメント化することを可能にするためのアルゴリズムセレクタ１４０を有する。

Description

本発明は医用画像内の関心領域を取得するために医用画像のセグメンテーションを可能にするためのシステム及び方法に関する。

医用イメージングの分野において、医用画像は医療専門家にとって特に関心のある領域を有し得る。例えば、単光子放出コンピュータ断層撮影（ＳＰＥＣＴ）によって取得される心臓画像において、心臓の左心室を有する領域は心臓が身体に血液を送り出す様子の評価を可能にし得る。

例えば医学的状態のコンピュータ支援検出（ＣＡＤ）を可能にするために、若しくは関心領域の存在を医療専門家に知らせるために、医用画像において関心領域を自動的にセグメント化することが望ましい。

ＵＳ２００６／０２７０９１２は３Ｄデータのボリューム内の関心領域周辺の領域をセグメント化するための手段を有する医用イメージングシステムを記載する。領域をセグメント化するための手段はセグメント化領域が関心領域を完全に含むように選ばれるセグメンテーション技術の感度を使用する。システムは関心領域の境界に可能な限り正確に対応するようにセグメント化領域からサブ領域を除外することによってセグメント化領域を修正するための修正手段をさらに有する。修正手段は自動、半自動、若しくは手動であり得る。従って、修正手段は関心領域のより正確なセグメンテーションを可能にする。

上記システムの問題はシステムが関心領域の不十分に正確なセグメンテーションを取得し得ることである。

関心領域のより正確なセグメンテーションを取得するためのシステム若しくは方法を得ることが有利であり得る。

この懸念によりよく対処するために、本発明の第１の態様は医用画像を受信するための入力、医用画像の画像特性を取得するためのプロセッサ、画像特性に依存して医用画像のカテゴリを取得するためのカテゴライザ、及び、関心領域を取得するためにセグメンテーション手段がセグメンテーションアルゴリズムで医用画像をセグメント化することを可能にするために、カテゴリに依存して複数のセグメンテーションアルゴリズムの中からセグメンテーションアルゴリズムを選択することによってセグメンテーション手段を構成するためのアルゴリズムセレクタを有する、医用画像を処理するためのシステムを提供する。

システムは入力の形式の受信手段を用いて医用画像を受信する。プロセッサは受信医用画像の画像特性を提供する。画像特性は医用画像の測定可能な視覚的側面である。カテゴライザはどのようなカテゴリに受信医用画像が属するかを決定するために画像特性を使用する。さらに、システムはセグメンテーション手段と一緒に使用される。セグメンテーション手段はセグメント化関心領域を取得するように医用画像をセグメント化するための複数の異なるセグメンテーションアルゴリズムを有する。システムはアルゴリズムセレクタを用いることによってセグメンテーションアルゴリズムの特定の一つを使用するようにセグメンテーション手段に命令することができる。どれがセグメンテーションアルゴリズムの特定の一つであるかを決定するために、システムは前に決定される医用画像のカテゴリを利用する。

本発明は、医用画像の画像特性が異なり得るので、単一セグメンテーションアルゴリズムでは正確にセグメント化された関心領域を常に取得するために十分に適応できないかもしれないという認識に一部基づく。

上記手段は、医用画像の特定カテゴリと関連するセグメンテーションアルゴリズムの特定の一つを用いてセグメンテーション手段が医用画像内の関心領域をセグメント化するように指示されるという効果を持つ。従って、医用画像が特定画像特性を持つとき、特に選ばれるセグメンテーションアルゴリズムが医用画像をセグメント化するために使用される。異なるセグメンテーションアルゴリズムの各々は医用画像の特定カテゴリに対してうまく対応する。最も適切なセグメンテーションアルゴリズムを医用画像の各特定カテゴリに対して選択することによって、より正確なセグメンテーションが得られる。有利なことに、セグメンテーションアルゴリズムの各々は医用画像の異なるカテゴリに対して特に最適化されていてもよく、システムは特に最適化されたセグメンテーションアルゴリズムを選択することによって医用画像の各カテゴリの正確なセグメンテーションを可能にする。有利なことに、あるカテゴリに適するが別のカテゴリには適さないセグメンテーションアルゴリズムは、医用画像がこの１カテゴリに属する場合にしかこのアルゴリズムが選択されないので、それにもかかわらず使用されることができる。

随意に、プロセッサは医用画像の少なくとも第１の部分の強度分布を決定することによって画像特性を取得するように構成される。

従って画像特性は医用画像の少なくとも第１の部分から強度値がどのように分布するかを示す。強度分布は第１の部分内の強度の空間分布に関連し、従ってどのように強度値が医用画像の第１の部分内に空間的に位置するかに関連し得る。空間的位置決めは所定範囲内の強度値によって形成される形状を示し得る。有利なことに、カテゴライザは医用画像をカテゴリ化するために比較的高い強度値の形状を使用し得る。

随意に、強度分布は強度頻度分布である。画像特性は医用画像の少なくとも第１の部分から強度値の統計的頻度分布を示す。統計的頻度分布は強度値の発生頻度に対応する。このように、カテゴライザは医用画像をカテゴリ化するために強度値の発生頻度を使用する。従ってカテゴライザはその形状若しくは形式など、強度頻度分布の特性に基づいて医用画像をカテゴリ化し得る。

随意に、カテゴライザは強度頻度分布のスロープ若しくはピークを決定することによって医用画像カテゴリ化する、及び、スロープ若しくはピークに依存して医用画像をカテゴリ化するように構成される。

スロープ若しくはピークはその形状若しくは形式を示す強度頻度分布の一側面である。スロープ若しくはピークは比較的効率的な方法で決定され得る。従って、スロープ若しくはピークを決定することによって、カテゴライザは比較的効率的な方法で形状若しくは形式に依存して医用画像をカテゴリ化し得る。本発明のこの態様は、強度頻度分布のスロープ若しくはピークが、カテゴライザが実質的に単一臓器若しくは複数臓器及び／又は非臓器構造のいずれかを有する医用画像間を識別することを可能にするという認識に一部基づく。有利なことに、カテゴライザは強度頻度分布のスロープ全体が実質的に単調減少しているかどうかを決定することによって単一臓器を有する医用画像を複数臓器及び／又は非臓器構造を有する医用画像と異なってカテゴリ化し得る。従ってシステムは各医用画像に対して異なるセグメンテーションアルゴリズムを選択することができる。

随意に、プロセッサは医用画像の第１の部分を取得するために医用画像を事前セグメント化するための事前セグメンテーション手段を有し、プロセッサは第１の部分から画像特性を取得するように構成される。

医用画像のカテゴリ化はこのように医用画像の特定部分の画像特性に基づく。医用画像の事前セグメンテーションを用いることによって、画像特性がどこに由来するかを選ぶことが可能である。例えば、医用画像の全ての部分が医用画像のカテゴリを決定するために等しく関連するわけではない。有利なことに、関連部分の特性がわかる場合、事前セグメンテーション手段は関連部分を事前セグメント化するように構成され、従ってカテゴライザは医用画像の関連部分の画像特性に基づいて医用画像をカテゴリ化することができる。

随意に、事前セグメンテーション手段は臓器と関連する事前セグメンテーションアルゴリズムで医用画像を事前セグメント化する、及び臓器を有する医用画像の部分を第１の部分として取得するように構成される。

医用画像のカテゴリ化はこのように臓器を有する医用画像の部分の画像特性に基づく。臓器の画像特性は医用画像のカテゴリを決定するために特に関連し得る。有利なことに、カテゴライザは臓器のタイプ、若しくは特定タイプの臓器の特定特性に基づいて医用画像をカテゴリ化し得る。

随意に、プロセッサは第１の部分の位置、サイズ、形状、平均強度若しくは強度分布の群の少なくとも一つを決定することによって画像特性を取得するように構成される。上記画像特性は医用画像をカテゴリ化するために比較的よく適している。

随意に、事前セグメンテーション手段は医用画像の第２の部分を取得するために医用画像を事前セグメント化するようにさらに構成され、プロセッサは第２の部分からさらなる画像特性を取得するように構成され、カテゴライザは画像特性をさらなる画像特性と比較することによって医用画像をカテゴリ化するように、及び比較動作の結果に依存して医用画像をカテゴリ化するように構成される。

医用画像のカテゴリ化はこのように医用画像の第１の部分の画像特性と医用画像の第２の部分の画像特性との差に基づく。

随意に、比較動作の結果は医用画像内の第１の部分と第２の部分の間の重なりを示す。従ってカテゴライザは医用画像をカテゴリ化するために第１の部分と第２の部分の間の重なりを使用する。重なりは例えば第１の部分と第２の部分の位置若しくはサイズを比較することによって決定され得る。有利なことに、カテゴライザは少なくとも部分的に重なる臓器を有する医用画像を少なくとも部分的に重なる臓器を有さない医用画像と異なってカテゴリ化し得る。従ってシステムは医用画像における臓器の重なりに依存して異なるセグメンテーションアルゴリズムを選択することができる。

随意に、プロセッサは少なくとも医用画像の第１の部分のコントラスト、ノイズレベル若しくはシャープネスの群の少なくとも一つを決定することによって画像特性を取得するように構成される。コントラスト、ノイズレベル若しくはシャープネスは医用画像をカテゴリ化するために比較的よく適している。有利なことに、システムは低コントラスト医用画像に対して、低コントラスト医用画像に適したセグメンテーション閾値を持つ特定セグメンテーションアルゴリズムを選択し得る。有利なことに、システムはセグメンテーション前にノイズ低減を実行する特定セグメンテーションアルゴリズムをノイズの多い医用画像に対して選択し得る。

随意に、入力は医用画像と関連するメタデータを受信するようにさらに構成され、プロセッサはメタデータから医用画像の画像特性を取得するように構成される。従ってプロセッサは医用画像から画像特性を取得する代わりに、若しくは加えて、メタデータから画像特性を取得する。メタデータは例えば医用画像の取得若しくは生成から医用画像に利用可能であり得る。従ってシステムは画像特性を取得するためにかかるメタデータを使用することができる。有利なことに、カテゴライザは医用画像の改良されたカテゴリ化を提供する。

ワークステーションは上記システムを有し得る。

画像装置は上記システムを有し得る。

医用画像を処理する方法は、医用画像を受信するステップ、医用画像のカテゴリを取得するために画像特性に依存して医用画像をカテゴリ化するステップ、及び、関心領域を取得するためにセグメンテーション手段がセグメンテーションアルゴリズムで医用画像をセグメント化することを可能にするために、カテゴリに依存して複数のセグメンテーションアルゴリズムの中からセグメンテーションアルゴリズムを選択することによってセグメンテーション手段を構成するステップを有し得る。

コンピュータプログラムはプロセッサシステムに上記方法を実行させるための命令を有し得る。

本発明の上述の実施形態、実施例及び／又は態様の二つ以上は有用とみなされる任意の方法で組み合され得ることが当業者によって理解される。

上記システムの修正及び変更に対応する、画像装置、ワークステーション、方法、及び／又はコンピュータプログラムの修正及び変更は、本明細書の記載に基づいて当業者によって実行されることができる。

当業者は、例えば限定されないが、標準Ｘ線イメージング、コンピュータ断層撮影（ＣＴ）、磁気共鳴イメージング（ＭＲＩ）、超音波（ＵＳ）、陽電子放出断層撮影（ＰＥＴ）、単光子放出コンピュータ断層撮影（ＳＰＥＣＴ）、及び核医学（ＮＭ）などの様々な取得モダリティによって取得される、二次元（２Ｄ）、三次元（３Ｄ）、若しくは四次元（４Ｄ）画像などの多次元画像データに方法が適用され得ることを理解する。例えば、三次元画像は二次元画像の時系列を有し得る。

本発明は独立請求項に定義される。有利な実施形態は従属請求項に定義される。

本発明のこれらの及び他の態様は以下に記載の実施形態から明らかとなり、これらを参照して解明される。

医用画像を処理するためのシステムを示す。 医用画像を処理する方法を示す。 単調減少する強度頻度分布を示す。 ピークを有する強度頻度分布を示す。 第１のカテゴリの医用画像の例を示す。 第２のカテゴリの医用画像の例を示す。

図１は医用画像を処理するためのシステム１００を示す。入力１１０が受信医用画像をプロセッサ１２０に提供するためにプロセッサ１２０に接続するように図示される。プロセッサ１２０は画像特性をカテゴライザ１３０に提供するためにカテゴライザ１３０に接続するように図示される。カテゴライザ１３０はカテゴリをアルゴリズムセレクタ１４０に提供するためにアルゴリズムセレクタ１４０に接続するように図示される。アルゴリズムセレクタ１４０はセグメンテーション手段１５０を構成するためにセグメンテーション手段１５０に接続するように図示される。セグメンテーション手段１５０は外部セグメンテーション手段であり、すなわちシステム１００の一部ではないように図示される。代替的に、セグメンテーション手段１５０は内部セグメンテーション手段であり得る。

システム１００の操作中、入力１１０は医用画像を受信し得る。そしてプロセッサ１２０が医用画像の画像特性を取得する。カテゴライザ１３０は医用画像のカテゴリを取得するために画像特性に依存して医用画像をカテゴリ化する。その後、アルゴリズムセレクタ１４０がカテゴリを用いてセグメンテーション手段１５０を構成する。これはセグメンテーション手段１５０内の複数のセグメンテーションアルゴリズムの中からセグメンテーションアルゴリズムを選択することによってなされる。選択はカテゴリに依存して実行される。結果として、医用画像が特定セグメンテーションアルゴリズムでセグメント化されることができる。

プロセッサ１２０によって取得される画像特性は医用画像をカテゴリ化するための特定値である画像特性であり得る。かかる画像特性は医用画像の少なくとも一部の強度分布を含み得る。強度分布の例は強度頻度分布である。同様に、画像特性は医用画像の少なくとも一部のコントラスト、ノイズレベル、若しくはシャープネスに関連し得る。かかる画像特性は画像分析の技術分野から既知の技術を用いて医用画像から取得され得る。例えば、医用画像のコントラストを得るために、コントラスト測定が使用され得る。同様に、医用画像の強度頻度分布を得るために、強度ヒストグラムが使用され得る。上記及び下記の画像特性のいずれかを得るために、多くの技術が知られており、従ってプロセッサ１２０によって使用され得ることが理解される。

医用画像から画像特性を取得することの代わりに、若しくは加えて、画像特性は入力１１０によって受信される、医用画像と関連するメタデータからも取得され得る。メタデータは例えば取得モダリティ若しくは取得パラメータを示し得る。従って、プロセッサ１２０は例えば図示の臓器のタイプなど、画像特性を得るためにメタデータを使用し得る。メタデータはまた画像特性を間接的に示し得る。例えばメタデータは医用画像に示される臓器のサイズ若しくはコントラストを示し得る、患者のボディマスインデックスなどの患者データを有し得る。

カテゴライザ１３０は医用画像にカテゴリを割り当てることによって医用画像をカテゴリ化するために画像特性を使用する。従って、医用画像は複数のカテゴリの一つを割り当てられる。カテゴリは数、符号若しくはテキスト、又はこれらの任意の組み合わせによってあらわされ得る。カテゴリの数、及びカテゴリ化の正確な方法はセグメンテーション手段内のセグメンテーションアルゴリズムに部分的に依存する。一般的に、セグメンテーションアルゴリズムの数に一致する数のカテゴリを持つことが望ましい。しかしながら、例えば特定カテゴリにとって医用画像をセグメント化しないことが望ましい場合、セグメンテーションアルゴリズムより多くのカテゴリがあってもよい。特定の実施例において、カテゴリは医用画像内に関心領域がないこと、従ってセグメンテーションが必要ないことを示し得る。

カテゴライザ１３０は受信医用画像の画像特性を基準画像特性のセットと比較することによって医用画像をカテゴリ化し、各基準画像特性は関連カテゴリを持つ。従って、カテゴライザ１３０は画像特性に一致する基準画像特性のカテゴリを提供し得る。特定の実施例において、画像特性は医用画像のコントラスト値に関連し得る。カテゴライザ１３０は例えば低コントラストから高コントラストに及ぶ基準コントラスト値範囲のセットとコントラスト値を比較し得る。コントラスト値範囲の各々は関連カテゴリを持ち得る。カテゴリの各々は関連セグメンテーションアルゴリズムを持ち得る。従って、低コントラスト医用画像に対して最適化されたセグメンテーションアルゴリズム、及び高コントラスト医用画像に対して最適化されたセグメンテーションアルゴリズムが存在し得る。従ってカテゴライザ１３０は医用画像のコントラスト値が入る基準コントラスト値範囲のカテゴリを提供し得る。

カテゴライザ１３０は任意の他の適切なカテゴリ化技術を使用し得ることが理解される。例えば、パターン認識及び統計的分類の技術分野において、カテゴリを入力データに割り当てるための多くの解法が知られている。例えば、画像特性が二つの値、例えばコントラスト値とノイズ値を有する場合、適切なカテゴリを各組み合わせに割り当てるためにコントラスト及びノイズ値の多くの可能な組み合わせを区別するために二次分類法が使用され得る。従って画像特性はいわゆる特徴ベクトル、すなわち観測ベクトルとして見られ、対応するカテゴリが何であるべきかを決定するために二次分類器が使用され得る。カテゴリ化の正確な方法は手動で決定され得る。代替的に、機械学習の技術分野からの技術が分類の方法を最適に決定するために使用され得る。例えば、ｋ近傍分類器、最大エントロピー分類器、単純ベイズ分類器、サポートベクターマシン、決定木、ニューラルネットワークなどが使用され得る。

アルゴリズムセレクタ１４０はセグメンテーション手段１５０内の複数のセグメンテーションアルゴリズムの中からセグメンテーションアルゴリズムを選択する。選択はカテゴリに依存して実行される。その目的で、アルゴリズムセレクタ１４０はカテゴリに依存してセグメンテーション手段１５０にセグメンテーションアルゴリズム識別子を提供し、セグメンテーションアルゴリズム識別子はセグメンテーションアルゴリズムの特定の一つを識別する。そしてセグメンテーション手段１５０は特定のセグメンテーションアルゴリズムを選択するためにセグメンテーションアルゴリズム識別子を使用し得る。アルゴリズムセレクタ１４０はまたセグメンテーション手段１５０にカテゴリを直接提供し得る。そしてセグメンテーション手段は特定セグメンテーションアルゴリズムを選択するためにカテゴリを直接使用し得る。代替的に、アルゴリズムセレクタ１４０の機能はカテゴライザ１３０の中に組み込まれ得る。その結果、カテゴライザ１３０はカテゴリ若しくはセグメンテーションアルゴリズム識別子をセグメンテーション手段１５０へ直接提供し得る。

セグメンテーション手段１５０は医用画像をセグメント化するための複数のセグメンテーションアルゴリズムを有する。セグメンテーションの結果として、関心領域が取得される。関心領域は例えば医用画像内の臓器であり得る。関心領域は臓器の一部、人の構造、医学的異常、若しくは医用画像の生理学的側面にも関連し得る。セグメンテーションアルゴリズムは同様のタイプの関心領域、例えば心臓などの臓器をセグメント化するという共通点を持ち得る。代替的に、セグメンテーションアルゴリズムは、第１のアルゴリズムが例えば心臓をセグメント化し、第２のアルゴリズムが例えば肺をセグメント化するなど、各々異なるタイプの関心領域をセグメント化し得る。もちろん、両方の組み合わせが等しく可能である。

各セグメンテーションアルゴリズムが画像処理の技術分野からの、特に医用画像処理の技術分野からの任意の既知のセグメンテーションアルゴリズムであり得ることが理解される。例えば、セグメンテーションアルゴリズムは任意の既知のエッジ検出ベースセグメンテーションアルゴリズムであり得る。また、これは領域拡張、クラスタリング、流域変換（ｗａｔｅｒｓｈｅｄ ｔｒａｎｓｆｏｒｍａｔｉｏｎ）、モデルベースセグメンテーションなどの既知のセグメンテーション技術に基づき得る。複数のセグメンテーションアルゴリズムは各々異なるセグメンテーション技術に基づくセグメンテーションアルゴリズムによって形成され得る。複数のセグメンテーションアルゴリズムはまた同じセグメンテーション技術であるが異なるパラメータ値若しくは最適化を持つものに基づくセグメンテーションアルゴリズムによっても形成され得る。

画像特性は全医用画像若しくは医用画像の一部に関連し得る。一部は医用画像の固定部分であり得る。例えば、医用画像の左下四分の一における強度分布が医用画像をカテゴリ化するために使用され得る。左下四分の一は特定臓器がこの四分の一内に位置することがわかっているときに使用され得る。従って、左下四分の一内に位置する特定臓器の画像特性が医用画像をカテゴリ化するために使用され得る。

画像特性は、医用画像内の特定オブジェクトの正確な位置の事前知識なしに、臓器、人の構造、医学的異常、若しくは生理学的側面など、医用画像内の特定オブジェクトにも関連し得る。特に、画像特性は臓器の一つ以上の強度値に関連するか、若しくは有し得る。特定オブジェクトの画像特性を取得するために、プロセッサ１２０は事前セグメンテーション手段１２５をさらに有し得る。前述のセグメンテーションアルゴリズムと同様に、事前セグメンテーション手段１２５は任意の既知のセグメンテーション技術に基づき得る。従って、事前セグメンテーションアルゴリズムはセグメンテーション手段１５０からのセグメンテーションアルゴリズムと同様であり得る。しかしながら典型的には、事前セグメンテーションアルゴリズムはセグメンテーション手段１５０からのセグメンテーションアルゴリズムとは異なる。例えば、事前セグメンテーションアルゴリズムは事前セグメンテーションアルゴリズムの複雑性を減らすために比較的粗いセグメンテーションを提供し得る。事前セグメンテーションアルゴリズムはまたセグメント領域が少なくともオブジェクトを有することを確実にするためにオーバーセグメンテーションのために最適化され得る。セグメントオブジェクトが取得された後、プロセッサ１２０は例えばセグメントオブジェクトの位置、サイズ、形状、平均強度若しくは強度分布を決定することによって画像特性を提供し得る。

医用画像は任意の既知のイメージングモダリティによって取得され得る。特に、医用画像は機能的医用画像であり、すなわち人若しくは動物の体内の生理学的活動をあらわし得る。本発明にかかるカテゴリ化は、解剖学的情報が最小限であり、従って機能的画像の異なるカテゴリ内の臓器若しくは関心領域を位置特定するために異なるセグメンテーションアルゴリズムが使用される必要があり得るため、機能的医用画像に特に関連し得る。かかる機能的医用画像は例えば陽電子放出断層撮影（ＰＥＴ）、ＳＰＥＣＴ、シンチグラフィ、光学、機能的磁気共鳴イメージング（ｆＭＲＩ）、機能的超音波、などによって取得され得る。代替的に、医用画像は構造的医用画像であり、すなわち人若しくは動物の体の構造をあらわし得る。

システム１００の特定の実施形態において、医用画像はＳＰＥＣＴによって取得される心臓の医用画像であり得る。医用画像は肝臓若しくは腹部構造などの他の臓器も有し得る。画像特性を取得するために、プロセッサ１２０は正規化強度ヒストグラムを生成するように構成される。これは例えば最低発生強度値がゼロにマップされ、最高発生強度値が最高可能強度値にマップされるように強度値を調節することによって、強度ヒストグラムを生成する前に最初に医用画像を正規化することによってなされ得る。代替的に、ヒストグラム自体が生成された後に正規化され得る。

そしてカテゴライザ１３０は受信医用画像を正規化ヒストグラムプロファイルの二つの広いカテゴリのいずれかに分類する。第１のカテゴリは図３に図示の通り連続下降プロファイルを持ち、もう一つのカテゴリは図４に図示の通り顕著な極大値と極小値を持つプロファイルを持つ。ここで、水平軸は強度値若しくは頻度指数をあらわし、垂直軸は医用画像内のその発生率若しくは頻度をあらわす。第１のカテゴリは明確な心臓強度を持つ画像と関連する。第２のカテゴリは支配的な心臓強度を持ち得るが、心臓と一緒に例えば肺若しくは腹部構造などの同様に支配的な他の構造があり得る。

二つのカテゴリを区別するために、カテゴライザ１３０は正規化強度ヒストグラム内にピークが存在するかどうかを決定し得る。ピークの対応する頻度指数がカテゴリ化のために使用され得る。例えば、"１０"よりも高い頻度指数を持つピークが検出される場合、医用画像は第２のカテゴリに属するとみなされ得る。そうでなければ、医用画像は第１のカテゴリに属するとみなされ得る。"１０"は実験的に導出された値であり得る。カテゴリはまたサブカテゴリにさらに分割され得る。これはカテゴリに属する全サブカテゴリが共通特性を共有するという違いを伴い、サブカテゴリの数に対応する数のカテゴリを持つことに等しいとみなされ得る。

第１のカテゴリは他の臓器と重ならない、大部分が心臓強度を示す医用画像に関連し得る。第１のカテゴリに属する医用画像の例が図５に示される。第２のカテゴリは大部分が心臓強度を示さない医用画像に関連し得る。第２のカテゴリの第１のサブカテゴリは心臓と一緒に重なっている肝臓及び腹部の強度を示す医用画像に関連し、全強度が支配的である。第２のサブカテゴリは抑制された心臓強度を示すが、肝臓及び腹部強度が支配的である医用画像に関連し得る。第３のサブカテゴリはノイズが支配的である医用画像に関連し得る。第３のカテゴリに属する医用画像の例が図６に示される。最後に、第４のサブカテゴリは心臓強度がかなり抑制され、ノイズ及び肝臓強度が医用画像を支配している医用画像に関連し得る。

異なる医用画像の理由は医用画像の取得における差及び／又は患者の医学的状態における差であり得る。例えば、医用画像内で心臓が低強度値を持つことになる心疾患を患者が患っている場合、ノイズが医用画像内で支配的になり得る。従って、ノイズは心臓の強度値と比較して比較的支配的であり得る。

カテゴリ及びサブカテゴリの各々に対して異なるセグメンテーションアルゴリズムが選択される。例えば、第１のカテゴリに対し、比較的標準的なセグメンテーションアルゴリズムが選択され、ここでは医用画像のヒストグラムから閾値が最初に決定され、閾値は心臓の第１のセグメンテーションを取得するために医用画像に適用され、円検出及び検証が使用され、そして心臓が位置特定される。第２のカテゴリの第１のサブカテゴリに対し、肝臓が付加的に検出され、除去され得る。また、第３及び第４のサブカテゴリに対し、医用画像に閾値を適用した後にノイズ低減若しくはノイズ平滑化が付加的に適用され得る。

システム１００の別の特定の実施形態において、医用画像はいわゆる非ゲート心臓磁気共鳴（ＭＲ）画像であり得、ここでは肝臓、肺及び心臓が重なっているかもしれない。かかる重なりは患者間で大きく異なり、医用画像がどのように取得されたかに非常に依存し得る。重なりにセグメンテーションを適用させるために、プロセッサ１２０は肺と非肺部分の間の重なりを決定するように構成され、カテゴライザ１３０は決定された重なりに依存して医用画像を分類するように構成され、アルゴリズムセレクタ１４０は異なるシード領域拡張（ｓｅｅｄｅｄ ｒｅｇｉｏｎ ｇｒｏｗｉｎｇ）セグメンテーションアルゴリズム、すなわち各々異なる初期シード位置を持つ領域拡張セグメンテーションアルゴリズムの中から選択するように構成される。

プロセッサ１２０は医用画像の肺及び非肺部分、例えば心臓を含むものなどの事前セグメンテーションを実行するように構成される。これから、重なりが決定されることができる。そしてカテゴライザ１３０は受信医用画像を重なりの３カテゴリに分類する。第１のカテゴリは心臓と肝臓が５％未満の重なりを持つことを示す医用画像に関連する。第２のカテゴリは心臓と肝臓が５％乃至２０％の重なりを持つことを示す医用画像に関連する。第３のカテゴリは心臓と肝臓が２０％を超える重なりを持つことを示す医用画像に関連する。第３のカテゴリは比較的肥満の患者を示し得る。５％及び２０％の重なりパーセンテージは実験的に導出されたパーセンテージであり得る。

カテゴリの各々に対し、異なるセグメンテーションアルゴリズムが選択される。全セグメンテーションアルゴリズムはいわゆるシード位置を用いる領域拡張に基づく肺セグメンテーションを有するという共通点を持ち得る。ここで、関心領域は最初にシード位置を有し、隣接領域が反復的に分析されて、当該領域が関心領域に追加されるべきかどうかを決定する。その結果、関心領域は複数の反復中に"拡張する"。全セグメンテーションアルゴリズムはどのようにシード位置が計算されるかが異なり得る。例えば、第１のカテゴリに対して、比較的標準的なベースモデルがシード位置を計算するために使用され得る。第２のカテゴリに対して、ベースモデルは心臓と肝臓の間の小さな重なりについて調節され得る。第３のカテゴリに対して、ベースモデルは心臓と肝臓の間の比較的大きな重なりについて調節され得る。従って、肺がセグメント化され、肺位置が取得され得る。これから、全セグメンテーションアルゴリズムは心臓のセグメント化左心室を取得するために、領域拡張セグメンテーションアルゴリズムを実行するために心臓の左心室のシード位置を導出し得る。

図示のシステム１００は複数のブロックでできている：入力１１０、プロセッサ１２０、カテゴライザ１３０、及びアルゴリズムセレクタ１４０。プロセッサ１２０は事前セグメンテーション手段１２５を有するように示される。これらのブロックの各々は部分的に若しくは完全にソフトウェアに実装され得る。入力１１０はコンピュータファイルリーダ、メモリリーダ、インターネットパケット受信機、若しくは医用画像を受信するための任意の他の適切な手段として実装され得る。システム１００は汎用プロセッサ、記憶手段、及び通信ポートをさらに有し得る（不図示）。汎用プロセッサは医用画像処理プログラムの一部である命令を実行するように構成され得る。記憶手段はＲＡＭ、ＲＯＭ、ハードディスク、ＣＤ及びＤＶＤなどのリムーバブルメディアを有し得る。記憶手段はコンピュータ命令を記憶するため及び／又は医用画像を記憶するために使用されることができる。通信ポートは別のコンピュータシステム、例えばサーバとの通信のために使用されることができる。通信ポートはローカリエリアネットワーク、ワイドエリアネットワーク、及び／又はインターネットなどのネットワークに接続するように構成されることができる。他のコンピュータシステムは例えば医用画像及び／又は関連メタデータを読み出すためにネットワークを介して伝えられ得る。

図２は医用画像を処理する方法２００を示す。方法は医用画像を受信するステップ２１０、医用画像の画像特性を取得するステップ２２０、医用画像のカテゴリを取得するために画像特性に依存して医用画像をカテゴリ化するステップ２３０、及び関心領域を取得するためにセグメンテーション手段がセグメンテーションアルゴリズムで医用画像をセグメント化することを可能にするために、カテゴリに依存して複数のセグメンテーションアルゴリズムの中からセグメンテーションアルゴリズムを選択することによってセグメンテーション手段を構成するステップ２４０を有する。

本発明はコンピュータプログラム、特に本発明を実現するのに適したキャリアの上若しくは中のコンピュータプログラムにも適用されることが理解される。プログラムはソースコード、オブジェクトコード、コード中間ソース及びオブジェクトコードの形式、例えば部分的にコンパイルされた形式、若しくは本発明の方法の実施における使用に適した任意の他の形式であり得る。かかるプログラムは多くの異なるアーキテクチャデザインを持ち得ることもまた理解される。例えば、本発明にかかる方法若しくはシステムの機能を実施するプログラムコードは一つ以上のサブルーチンに分割され得る。これらのサブルーチンに機能を分配する多くの異なる方法が当業者に明らかである。サブルーチンは一つの実行可能ファイルに一緒に記憶されて自己完結プログラムを形成し得る。かかる実行可能ファイルは例えばプロセッサ命令及び／又はインタープリタ命令（例えばＪａｖａインタープリタ命令）などのコンピュータ実行可能命令を有し得る。代替的に、サブルーチンの一つ以上若しくは全部が少なくとも一つの外部ライブラリファイルに記憶され、例えばランタイムにおいて静的に若しくは動的にメインプログラムとリンクされ得る。メインプログラムはサブルーチンの少なくとも一つへの少なくとも一つのコールを含む。サブルーチンは相互へのファンクションコールも有し得る。コンピュータプログラム製品に関連する実施形態は本明細書に記載の方法の少なくとも一つの各処理ステップに対応するコンピュータ実行可能命令を有する。これらの命令はサブルーチンに分割されるか及び／又は静的に若しくは動的にリンクされ得る一つ以上のファイルに記憶され得る。コンピュータプログラム製品に関連する別の実施形態は本明細書に記載のシステム及び／又は製品の少なくとも一つの各手段に対応するコンピュータ実行可能命令を有する。これらの命令はサブルーチンに分割され得るか及び／又は静的に若しくは動的にリンクされ得る一つ以上のファイルに記憶され得る。

コンピュータプログラムのキャリアはプログラムを備えることができる任意のエンティティ若しくはデバイスであり得る。例えば、キャリアはＲＯＭ、例えばＣＤ ＲＯＭ若しくは半導体ＲＯＭなどの記憶媒体、又は磁気記憶媒体、例えばハードディスクを含み得る。さらに、キャリアは電気若しくは光ケーブルを介して又は無線若しくは他の手段によって伝達され得る電気若しくは光信号などの伝搬性キャリアであり得る。プログラムがかかる信号で具体化されるとき、キャリアはかかるケーブル又は他のデバイス若しくは手段によって構成され得る。代替的に、キャリアはプログラムが埋め込まれる集積回路であり、集積回路は関連方法を実行する、若しくはその実行において使用されるのに適している。

上述の実施形態は本発明を限定するのではなく例示するものであり、当業者は添付のクレームの範囲から逸脱することなく多くの代替的実施形態を設計することができることが留意されるべきである。クレーム中、括弧の間に置かれる任意の参照符号はクレームを限定するものと解釈されてはならない。動詞"有する"とその活用形の使用はクレームに列挙した以外の要素若しくはステップの存在を除外しない。ある要素に先行する冠詞"ａ"若しくは"ａｎ"はかかる要素の複数の存在を除外しない。本発明は複数の個別の要素を有するハードウェアを用いて、及び適切にプログラムされるコンピュータを用いて実施され得る。これらの手段を列挙する装置クレームにおいて、これらの手段のいくつかはハードウェアの一つの同じ項目によって具体化され得る。特定の手段が相互に異なる従属クレームに列挙されるという単なる事実はこれらの手段の組み合わせが有利に使用されることができないことを示すものではない。

Claims (15)

1. 医用画像を処理するためのシステムであって、
   前記医用画像を受信するための入力と、
   前記医用画像の画像特性を取得するためのプロセッサと、
   前記画像特性に依存して前記医用画像のカテゴリを取得するためのカテゴライザと、
   前記カテゴリに依存して複数のセグメンテーションアルゴリズムの中からセグメンテーションアルゴリズムを選択することによってセグメンテーション手段を構成するためのアルゴリズムセレクタであって、関心領域を取得するために前記セグメンテーション手段が前記セグメンテーションアルゴリズムで前記医用画像をセグメント化することを可能にするためのアルゴリズムセレクタと
   を有するシステム。
2. 前記プロセッサが前記医用画像の少なくとも第１の部分の強度分布を決定することによって前記画像特性を取得する、請求項１に記載のシステム。
3. 前記強度分布が強度頻度分布である、請求項２に記載のシステム。
4. 前記カテゴライザが、
   前記強度頻度分布のスロープ若しくはピークを決定すること、及び
   前記スロープ若しくは前記ピークに依存して前記医用画像をカテゴリ化すること
   によって前記医用画像をカテゴリ化する、請求項３に記載のシステム。
5. 前記プロセッサが前記医用画像の第１の部分を取得するために前記医用画像を事前セグメント化するための事前セグメンテーション手段を有し、前記プロセッサが前記第１の部分から前記画像特性を取得する、請求項１に記載のシステム。
6. 前記事前セグメンテーション手段が、臓器を有する前記医用画像の部分を前記第１の部分として取得するために、当該臓器と関連する事前セグメンテーションアルゴリズムで前記医用画像を事前セグメント化する、請求項５に記載のシステム。
7. 前記プロセッサが前記第１の部分の位置、サイズ、形状、平均強度若しくは強度分布の群の少なくとも一つを決定することによって前記画像特性を取得する、請求項５に記載のシステム。
8. 前記事前セグメンテーション手段がさらに前記医用画像の第２の部分を取得するために前記医用画像を事前セグメント化し、前記プロセッサが前記第２の部分からさらなる画像特性を取得し、前記カテゴライザが、
   前記画像特性を前記さらなる画像特性と比較すること、及び
   前記比較動作の結果に依存して前記医用画像をカテゴリ化すること
   によって前記医用画像をカテゴリ化する、請求項５に記載のシステム。
9. 前記比較動作の結果が前記医用画像内の前記第１の部分と前記第２の部分の間の重なりを示す、請求項８に記載のシステム。
10. 前記プロセッサが前記医用画像の少なくとも第１の部分のコントラスト、ノイズレベル若しくはシャープネスの群の少なくとも一つを決定することによって前記画像特性を取得する、請求項１に記載のシステム。
11. 前記入力がさらに前記医用画像と関連するメタデータを受信し、前記プロセッサが前記メタデータから前記医用画像の前記画像特性を取得する、請求項１に記載のシステム。
12. 請求項１に記載のシステムを有するワークステーション。
13. 請求項１に記載のシステムを有する画像装置。
14. 医用画像を処理する方法であって、
    前記医用画像を受信するステップと、
    前記医用画像の画像特性を取得するステップと、
    前記医用画像のカテゴリを取得するために前記画像特性に依存して前記医用画像をカテゴリ化するステップと、
    前記カテゴリに依存して複数のセグメンテーションアルゴリズムの中からセグメンテーションアルゴリズムを選択することによってセグメンテーション手段を構成するステップであって、関心領域を取得するために前記セグメンテーション手段が前記セグメンテーションアルゴリズムで前記医用画像をセグメント化することを可能にするためのステップと
    を有する方法。
15. プロセッサシステムに請求項１４に記載の方法を実行させるための命令を有するコンピュータプログラム。

Images