JP2015091308A - 情報処理装置及びコンピュータプログラム - Google Patents

Abstract

【課題】ＦＬＡＩＲ画像から白質病変部位を容易に精度よく抽出する。
【解決手段】情報処理装置１は、被験者のＴ２画像から脳室と白質とを含む第１の領域を分離する分離処理部１９と、被験者のＴ２画像を標準脳へ変換するための変換関数を求める変換パラメータ算出部２５と、変換関数の逆関数を用いて、標準脳において脳室を除外するためのマスク画像を、被験者の個人脳において脳室を除外するためのマスク画像に変換するマスク画像変換部２９と、第１の領域および被験者のマスク画像に基づき、被験者のＦＬＡＩＲ画像から、脳室が除外された白質を含む第２の領域を抽出する白質抽出部３３と、第２の領域から白質病変を抽出する特徴領域抽出部３７とを備える。
【選択図】図１

Description

本発明は、ＭＲＩ装置により撮影されたＦＬＡＩＲ画像から白質病変部位を抽出する技術に関する。

ＭＲＩ画像の解析ソフトとして、汎用ソフトであるＳＰＭ（Ｓｔａｔｉｓｔｉｃａｌ Ｐａｒａｍｅｔｒｉｃ Ｍａｐｐｉｎｇ）が広く使用されている。

ＳＰＭ（Ｓｔａｔｉｓｔｉｃａｌ Ｐａｒａｍｅｔｒｉｃ Ｍａｐｐｉｎｇ）、ロンドン大学、ｈｔｔｐ：／／ｗｗｗ.ｆｉｌ.ｉｏｎ.ｕｃｌ.ａｃ.ｕｋ／ｓｐｍ／

ところで、近年、白質病変とアルツハイマー病との関連性が指摘されているが、ＭＲＩ画像から白質病変を精度よく抽出することは実施されていない。

本発明の目的は、ＦＬＡＩＲ画像から白質病変部位を容易に精度よく抽出することである。

本発明の一つの実施態様に従うコンピュータプログラムは、被験者の頭部のＭＲＩ画像と、標準脳において脳室を除外するためのマスク画像とを記憶する記憶部を有する情報処理装置に実行させるためのコンピュータプログラムであって、前記被験者のＭＲＩ画像から脳室と白質とを含む第１の領域を分離するステップと、前記被験者のＭＲＩ画像を標準脳へ変換するための変換関数を求めるステップと、前記変換関数の逆関数を用いて、前記標準脳において脳室を除外するためのマスク画像を、前記被験者の個人脳において脳室を除外するためのマスク画像に変換するステップと、前記第１の領域および前記被験者のマスク画像に基づき、前記被験者のＦＬＡＩＲ画像から、前記脳室を除外した白質を含む第２の領域を抽出するステップと、前記第２の領域から、特徴領域を抽出するステップと、を前記情報処理装置に実行させる。

本発明の他の実施態様に従うコンピュータプログラムは、被験者の頭部のＭＲＩ画像と、標準脳における脳全体領域を示す第１のマスク画像と、 略環状をなし前記標準脳における脳全体領域の縁部領域に相当する第２のマスク画像とを記憶する記憶部を有する情報処理装置に実行させるためのコンピュータプログラムであって、前記被験者のＭＲＩ画像である第１の画像から白質を含む第１の領域を分離するステップと、前記第１の画像を標準脳へ変換するための変換関数を求めるステップと、前記変換関数の逆関数を用いて、前記標準脳における脳全体領域を示す第１のマスク画像および前記標準脳における脳全体領域の縁部領域に相当する第２のマスク画像を、前記被験者の個人脳における脳全体領域を示す第１のマスク画像および前記被験者の個人脳における脳全体領域の縁部領域に相当する第２のマスク画像に変換するステップと、前記第１の領域および前記被験者の第１のマスク画像に基づき、前記被験者のＭＲＩ画像である第２の画像から、白質を含む第２の領域を抽出するステップと、前記第２の領域から、特徴領域を抽出するステップと、前記第２の画像から前記被験者の第１のマスク画像の脳全体領域と重なる領域を抽出し、前記第２の画像の前記重なる領域のうち、前記被験者の前記第２のマスク画像に対する内部の領域を、白質を含む第３の領域として抽出するステップと、前記第３の領域から、特徴領域を抽出するステップと、を前記情報処理装置に実行させる。

本発明によれば、ＦＬＡＩＲ画像から白質病変部位を容易に精度よく抽出することができる。

本発明の第１実施形態に係る情報処理装置１の全体構成を示す。 位置合わせ後のＴ２画像５０から脳室と白質とを含む第１の領域５１を分離した状態を示す。 標準脳テンプレート６０に基づき、位置合わせ後のＴ２画像５０を解剖学的標準化後のＴ２画像６１へ変換した状態を示す。 標準脳上に設定されたマスク画像７０を個人脳のマスク画像８０に変換した状態を示す。 ＦＬＡＩＲ画像９０から白質を含む第２の領域９１を抽出した状態を示す。 第２の領域９１から特徴領域を抽出し、特徴領域の体積を算出する説明図を示す。 第２の領域データに基づく画像１００およびＦＬＡＩＲ画像データの第２の領域データに基づく画像とＳＰＥＣＴ画像データに基づくＳＰＥＣＴ画像とを重ね合わせた画像１０１をウィンドウＷ２に表示した状態を示す。 ＦＬＡＩＲ画像から特徴領域を抽出する処理を示すフローチャートである。 特徴領域の体積を算出する処理を示すフローチャートである。 表示処理を示すフローチャートである。 本発明の第２実施形態に係る情報処理装置１０２の全体構成を示す。 （ａ）標準脳上に設定された第１のマスク画像１７０を個人脳の第１のマスク画像１８０に変換した状態、（ｂ）標準脳上に設定された第２のマスク画像１７２を個人脳の第２のマスク画像１８２に変換した状態、（ｃ）標準脳上に設定されたｚ−ｓｃｏｒｅ画像１７４を個人脳のｚ−ｓｃｏｒｅ画像１８４に変換した状態を示す。 ＦＬＡＩＲ画像９０から白質を含む第２の領域９２を抽出した状態を示す。 ＦＬＡＩＲ画像９０から白質を含む第３の領域９４を抽出した状態を示す。 境界を設定し、前角側および後角側の特徴領域の体積を算出する説明図を示す。 ＦＬＡＩＲ画像から特徴領域を抽出する処理を示すフローチャートである。 特徴領域の体積を算出する処理を示すフローチャートである。 ｚ−ｓｃｏｒｅ指標を算出する処理を示すフローチャートである。

以下、本発明の第１実施形態に係る情報処理装置および情報処理装置に実行させるコンピュータプログラムについて、図面を参照して説明する。

本実施形態に係る情報処理装置は、ＭＲＩ装置により撮影されたＦＬＡＩＲ画像から特徴領域を抽出する処理を行う。

図１は、本実施形態に係る情報処理装置１の全体構成を示す。同図に示すように、情報処理装置１は、情報処理装置本体１０に入力装置２、出力装置３及び入出力装置４の一つ以上が接続されている。情報処理装置本体１０は、例えば、プロセッサ及びメモリを備えた汎用的なコンピュータシステムにより構成され、以下に説明する情報処理装置本体１０内の個々の構成要素または機能は、例えば、コンピュータプログラムを実行することにより実現される。このコンピュータプログラムは、コンピュータが読み取り可能な記録媒体に格納することができる。入力装置２は、例えば、キーボード、ポインティングデバイスなどでよい。出力装置３は、例えば、ディスプレイ装置、プリンタなどでよい。入出力装置４は、例えば、大容量記憶装置あるいはネットワークインタフェース装置などで良い。

情報処理装置本体１０は、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）データ記憶部１１と、ＳＰＥＣＴ（Ｓｉｎｇｌｅ Ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）データ記憶部１３と、位置合わせ部１５と、位置合わせ後画像データ記憶部１７と、分離処理部１９と、第１の領域データ記憶部２１と、標準脳データ記憶部２３と、変換パラメータ算出部２５と、変換パラメータ記憶部２７と、マスク画像変換部２９と、個人脳マスク画像データ記憶部３１と、白質抽出部３３と、第２の領域データ記憶部３５と、特徴領域抽出部３７と、特徴領域データ記憶部３９と、体積算出部４１と、体積データ記憶部４３と、表示処理部４５とを有する。

ＭＲＩデータ記憶部１１は、ＭＲＩデータとして、同一被験者の頭部を異なる手法で撮影した複数種類のＭＲＩ画像の画像データを記憶する。例えば、Ｔ１画像、Ｔ２画像、ＦＬＡＩＲ画像のそれぞれの画像データ（Ｔ１画像データ、Ｔ２画像データ、ＦＬＡＩＲ画像データ）を記憶する。Ｔ１画像は、脂肪を高信号（白）で抽出し、水を低信号（黒）で抽出した画像である。Ｔ２画像は、水を高信号（白）で抽出し、脂肪を低信号（黒）で抽出した画像であり、病変の抽出に有用である。ＦＬＡＩＲ画像は、水の信号を抑制したＴ２画像であり、脳室と隣接した病変の抽出に有用である。また、ＭＲＩデータ記憶部１１には、１人以上の被験者のＭＲＩデータが記憶される。

Ｔ１画像データ、Ｔ２画像データ、およびＦＬＡＩＲ画像データは、それぞれ複数の断層画像データにより構成される３次元データである。本実施の形態において、Ｔ１画像データおよびＴ２画像データにおけるマトリクスサイズ（ボクセル数）は７２０×７２０×２２（７２０×７２０画素の断層画像が２２枚）、画素サイズは０．３１×０．３１×６．００ｍｍであり、ＦＬＡＩＲ画像データにおけるマトリクスサイズは３８４×３８４×１５５（３８４×３８４画素の断層画像が１５５枚）、画素サイズは０．５５×０．５５×１．００ｍｍである。なお、Ｔ１画像データ、Ｔ２画像データ、およびＦＬＡＩＲ画像データの画素値は、絶対値ではなく相対値であり、その数値はＭＲＩの画像取得条件、カメラの種類に依存する。

ＳＰＥＣＴデータ記憶部１３は、ＳＰＥＣＴデータとして、ＭＲＩデータ記憶部１１に記憶されているＭＲＩデータと同一の被験者の頭部をＳＰＥＣＴ撮影装置により撮影したＳＰＥＣＴ画像のデータを記憶する。ＳＰＥＣＴ画像データは、複数の断層画像データにより構成される３次元データである。また、ＭＲＩデータおよびＳＰＥＣＴデータは、例えば、入力装置２または入出力装置４を介して取得しても良いし、ＭＲＩ装置およびＳＰＥＣＴ撮影装置から直接取得しても良い。

位置合わせ部１５は、ＭＲＩデータ記憶部１１に記憶されている同一人のＦＬＡＩＲ画像データとＴ２画像データとを取得し、ＦＬＡＩＲ画像データとＴ２画像データとの位置合わせを行う。例えば、ＦＬＡＩＲ画像データとＴ２画像データとのマトリクスサイズ、画素サイズ、および位置情報を線形変換により合わせる。例えば、Ｔ２画像データのマトリクスサイズ、画素サイズ、および位置情報を、ＦＬＡＩＲ画像データのマトリクスサイズ、画素サイズ、および位置情報に一致させる。その結果、Ｔ２画像データのマトリクスサイズが３８４×３８４×１５５に、画素サイズが０．５５×０．５５×１．００ｍｍに変換される。これにより、ＦＬＡＩＲ画像データおよびＴ２画像データを同じ座標で扱うことが可能となる。なお、Ｔ２画像データにかえてＴ１画像データを取得し、Ｔ１画像データのマトリクスサイズおよび画素サイズを、ＦＬＡＩＲ画像データのマトリクスサイズおよび画素サイズに一致させても良い。また、位置合わせ処理は、ＭＲＩ画像解析の汎用ソフトであるＳＰＭ（Ｓｔａｔｉｓｔｉｃａｌ Ｐａｒａｍｅｔｒｉｃ Ｍａｐｐｉｎｇ）のｃｏ−ｒｅｇｉｓｔｒａｔｉｏｎ機能により実行可能である。

また、位置合わせ部１５は、ＳＰＥＣＴデータ記憶部１３に記憶されているＳＰＥＣＴ画像データについても、上述のＳＰＭにより、Ｔ２画像データと同様に、ＦＬＡＩＲ画像データとの位置合わせを行う。その結果、ＳＰＥＣＴ画像のマトリクスサイズが、３８４×３８４×１５５に、画素サイズが０．５５×０．５５×１．００ｍｍに変換される。

位置合わせ後画像データ記憶部１７は、位置合わせ部１５で変換された位置合わせ後のＴ２画像データおよびＳＰＥＣＴ画像データを記憶する。

分離処理部１９は、位置合わせ後のＴ２画像データから、脳室と白質とを含む第１の領域データを分離する。例えば、図２に示すように、位置合わせ後のＴ２画像５０から、脳室と白質とを含む第１の領域５１を分離する。この分離処理は、上述したＳＰＭのｓｅｇｍｅｎｔａｔｉｏｎ機能により実行可能である。なお、上述したＳＰＭのｓｅｇｍｅｎｔａｔｉｏｎ機能では、位置合わせ後のＴ２画像データから、白質のみを分離することはできず、分離したデータには脳室の一部の領域も含まれる。よって、分離処理部１９により、位置合わせ後のＴ２画像データから、脳室と白質とを含む第１の領域データが分離されることになる。

また、ＳＰＭにより位置合わせ後のＴ２画像５０から白質を分離した場合、白質として分離した領域には灰白質が含まれる。よって、分離した領域を完全に白質のみにする処理を行っても良い。例えば、白質と灰白質との境界の画素値を設定し、設定した画素値に基づき第１の領域データの画素値を２値化することにより、白質として分離した領域から灰白質を除外する。図２に示した第１の領域５１は、２値化後の灰白質を除外した白質の画像である。

図１に戻ると、第１の領域データ記憶部２１は、分離処理部１９で分離された第１の領域５１に対応する第１の領域データを記憶する。

標準脳データ記憶部２３は、標準脳テンプレートデータと、標準脳上に設定され脳室を除外するためのマスク画像データとを記憶する。標準脳テンプレートデータおよびマスク画像データは、例えば、入力装置２または入出力装置４を介して取得する。

変換パラメータ算出部２５は、図３に示すように、標準脳テンプレート６０に基づき、位置合わせ後のＴ２画像５０を解剖学的標準化後のＴ２画像６１へ変換するための変換パラメータ（変換関数）を算出する。詳細には、位置合わせ後のＴ２画像データの座標（個人脳座標）を標準脳座標に変換するための変換パラメータを、線形変換および非線形変換により算出する。この変換パラメータ算出は、上述したＳＰＭのｎｏｒｍａｌｉｚａｔｉｏｎ機能により実行可能である。

変換パラメータ記憶部２７は、変換パラメータ算出部２５で算出された変換パラメータを記憶する。

図４に示すように、マスク画像データに基づく標準脳のマスク画像７０は、複数（５つ）の脳室領域７１と、脳室以外の脳領域７２とを有する。なお、図４に示したマスク画像７０では、脳室の数は５つであるが、別の断面では脳室の数は増減する。

マスク画像変換部２９は、算出された変換パラメータの逆数（逆関数）を用いて、標準脳のマスク画像データを、被験者の個人脳の形状に対応するマスク画像データに変換する。すなわち、標準脳において脳室を除外するためのマスク画像７０を、被験者の個人脳において脳室を除外するためのマスク画像８０に変換する。これにより、図４に示すような、個人脳座標に基づくマスク画像８０が作成される。個人脳のマスク画像８０は、複数（５つ）の脳室領域８１と、脳室以外の脳領域８２とを有する。

図１に戻ると、個人脳マスク画像データ記憶部３１は、マスク画像変換部２９で変換された個人脳のマスク画像データを記憶する。

白質抽出部３３は、第１の領域データおよび個人脳のマスク画像データを用いて、ＦＬＡＩＲ画像データから白質を含む第２の領域データを抽出する。図５に示すように、ＦＬＡＩＲ画像９０のうち、Ｔ２画像の第１の領域５１および個人脳のマスク画像８０の脳室以外の脳領域８２の両方と重なる部分が、白質を含む第２の領域９１として抽出される。よって、抽出された第２の領域９１では、脳室領域８１が除外されている。

第２の領域データ記憶部３５は、白質抽出部３３において抽出された第２の領域データを記憶する。

特徴領域抽出部３７は、抽出された第２の領域９１から画素値が所定の値の範囲に属する画素値を有する画素を特徴領域として抽出する。例えば、画素値が所定の閾値よりも大きい画素を特徴領域とする。ＦＬＡＩＲ画像では、白質病変領域は、正常な白質領域よりも画素値が大きくなる。従って、適切な閾値を設定することにより、特徴領域として白質病変領域を抽出することが可能である。

図６は、第２の領域９１から特徴領域を抽出し、特徴領域の体積を算出するための説明図である。図６（ｂ）のウィンドウＷ１において、抽出する画素値の基準値を１６００、許容値を７００（基準値を中心に±３５０）として、１２５０〜１９５０の画素値を特徴領域として抽出している。図６（ａ）では矢印で示した白い箇所が特徴領域として抽出される。

特徴領域データ記憶部３９は、特徴領域抽出部３７において抽出された特徴領域（座標および画素値）を特徴領域データとして記憶する。

なお、上記の位置合わせ部１５、分離処理部１９、変換パラメータ算出部２５、マスク画像変換部２９、白質抽出部３３、および特徴領域抽出部３７における処理は、処理対象の画像データの全ての断層画像データについて実行され、各記憶部１７、２１、２７、２３、３５、３９は、断層画像データ毎の処理結果を記憶する。

体積算出部４１は、特徴領域の体積を算出する。例えば、特徴領域データを構成する画素の画素数を断層画像データ毎に求め、全画素数に画素サイズを掛けて特徴領域の体積を算出する。図６（ｂ）のウィンドウＷ１のＲｅｓｕｌｔ欄の下線部に示すように、全断層画像データにおける特徴領域（ＷＭ（Ｄ））の画素数（Ｐｉｘｅｌ）が２２９１であった場合、これに画素サイズ：０．５５×０．５５×１．００ｍｍを掛けることにより、特徴領域の体積（０．７ｃｃ）が算出される。なお、算出した特徴領域の体積に基づき、頭部全体又は全白質領域に対する特徴領域の割合を算出しても良い。

体積データ記憶部４３は、体積算出部４１で算出された特徴領域の体積を記憶する。

図７は、第２の領域データに基づく画像１００およびＦＬＡＩＲ画像データの第２の領域データに基づく画像とＳＰＥＣＴ画像データに基づくＳＰＥＣＴ画像とを重ね合わせた画像１０１をウィンドウＷ２に表示した状態を示している。

表示処理部４５は、図７のウィンドウＷ２に示すように、第２の領域データに基づく画像１００をディスプレイ装置（出力装置３）に表示させ、第２の領域データのうち特徴領域の色を他の領域と異なる表示態様で表示させる。図７では、矢印で示すように、特徴領域をより強調するために全て白色で表示している。更に、表示処理部４５は、図７に示すように、ＦＬＡＩＲ画像データの第２の領域データに基づく画像とＳＰＥＣＴ画像データに基づくＳＰＥＣＴ画像とを重ね合わせた画像１０１をディスプレイ装置（出力装置３）に表示させても良い。この時、ＳＰＥＣＴ画像に重ねて表示した第２の領域データに基づく画像において、特徴領域を他の領域と異なる表示態様で表示させても良い。

以上のような構成を備える本実施形態の情報処理装置１は、以下に説明する手順でＭＲＩ装置により撮影されたＦＬＡＩＲ画像から特徴領域を抽出する処理を行う。

図８は、ＭＲＩにより撮影されたＦＬＡＩＲ画像から特徴領域を抽出する手順を示すフローチャートである。

まず、ＭＲＩデータ（ＦＬＡＩＲ画像データ、Ｔ１画像データ、Ｔ２画像データ）をＭＲＩデータ記憶部１１に保存し（Ｓ１０）、保存したＭＲＩデータと同一被験者のＳＰＥＣＴデータをＳＰＥＣＴデータ記憶部１３に保存する（Ｓ１２）。ＭＲＩデータおよびＳＰＥＣＴデータは、入出力装置４を介して外部から取得しても良い。既に当該データが準備されているときには、当該ステップを省略しても良い。

位置合わせ部１５は、ステップＳ１０において保存したＦＬＡＩＲ画像データとＴ２画像データとの位置合わせを行い、位置合わせ後のＴ２画像データを位置合わせ後画像データ記憶部１７に保存する（Ｓ１４）。同様に、位置合わせ部１５は、ステップＳ１２において保存したＳＰＥＣＴ画像データとＦＬＡＩＲ画像データとの位置合わせを行い、位置合わせ後のＳＰＥＣＴ画像データを位置合わせ後画像データ記憶部１７に保存する（Ｓ１４）。

分離処理部１９は、ステップＳ１４で位置合わせを行った位置合わせ後のＴ２画像データから、脳室と白質とを含む第１の領域データを分離し、第１の領域データを第１の領域データ記憶部２１に保存する（Ｓ１６）。

次に、標準脳テンプレートデータとマスク画像データとを含む標準脳データを標準脳データ記憶部２３に保存する（Ｓ１８）。標準脳データは、入出力装置４を介して外部から取得しても良い。既に標準脳データが準備されているときには、当該ステップを省略しても良いし、当該ステップは、次のステップＳ２０が実行される前であればいつ実行されても良い。

変換パラメータ算出部２５は、ステップＳ１６で位置合わせを行った位置合わせ後のＴ２画像データを、標準脳テンプレートへ変換するための変換パラメータ（変換関数）を求め、求めた変換パラメータを変換パラメータ記憶部２７に保存する（Ｓ２０）。

マスク画像変換部２９は、ステップＳ２０で算出された変換パラメータの逆数（逆関数）を用いて、ステップＳ１８で保存された標準脳のマスク画像の座標を、個人脳座標に変換し、個人脳の形状に対応するマスク画像データを個人脳マスク画像データ記憶部３１に保存する（Ｓ２２）。

白質抽出部３３は、ステップＳ１６で分離された第１の領域データおよびステップＳ２２で作成された個人脳のマスク画像データに基づき、Ｓ１０で保存されたＦＬＡＩＲ画像データから、白質を含む第２の領域データを抽出し、抽出した第２の領域データを第２の領域データ記憶部３５に保存する（Ｓ２４）。

特徴領域抽出部３７は、ステップＳ２４で抽出された第２の領域データから特徴領域データを抽出し、特徴領域データ記憶部３９に保存する（Ｓ２６）。これにより、特徴領域を抽出する処理が終了する。

次に、情報処理装置１における被験者の頭部全体における特徴領域の体積を算出する処理について説明する。この特徴領域の体積を算出する処理は、上記の特徴領域を抽出する処理を実行した後に実行される。図９は、特徴領域の体積を算出する処理を示すフローチャートである。

まず、体積算出部４１は、特徴領域データを特徴領域データ記憶部３９から取得する（Ｓ３０）。

体積算出部４１は、特徴領域データを構成する画素の画素数を断層画像データ毎に求め、求めた全画素数に画素サイズを掛けて特徴領域の体積を算出し、体積データ記憶部に保存する（Ｓ３２）。これにより特徴領域の体積を算出する処理が終了する。なお、算出した特徴領域の体積を出力装置３により出力しても良い。

次に、情報処理装置１における表示処理について説明する。この表示処理は、上記の特徴領域を抽出する処理を実行した後に実行される。図１０は、表示処理を示すフローチャートである。

まず、表示処理部４５は、位置合わせ後のＳＰＥＣＴ画像データを位置合わせ後画像データ記憶部２１から、第２の領域データを第２の領域データ記憶部３５から、特徴領域データを特徴領域データ記憶部３９からそれぞれ取得する（Ｓ４０）。

表示処理部４５は、図７に示すように、Ｓ４０で取得された、第２の領域データに基づく画像をディスプレイ装置（出力装置３）に表示させる。この時、第２の領域データのうち特徴領域の色を他の領域と異なる表示態様で表示させる。更に、表示処理部４５は、図７に示すように、ＦＬＡＩＲ画像データの第２の領域データに基づく画像とＳＰＥＣＴ画像データに基づくＳＰＥＣＴ画像とを重ね合わせてディスプレイ装置（出力装置３）に表示させる（Ｓ４１）。

本実施の形態によれば、被験者のＴ２画像から脳室と白質とを含む第１の領域を分離し、Ｔ２画像を標準脳テンプレートへ変換するための変換パラメータ（変換関数）を求め、変換パラメータの逆数（逆関数）を用いて、標準脳において脳室領域が規定されたマスク画像データを、被験者の個人脳において脳室領域が規定されたマスク画像データに変換し、第１の領域および被験者のマスク画像に基づき、被験者のＦＬＡＩＲ画像から脳室を除外した白質を含む第２の領域を抽出し、第２の領域から特徴領域である白質病変を抽出する。これにより、ＦＬＡＩＲ画像から特徴領域（白質病変）を容易に精度よく抽出することができる。また、脳室を除外した白質を含む第２の領域を抽出するので、脳室に隣接する特徴領域（白質病変）を明瞭に抽出することができる。

また、被験者の頭部全体の特徴領域（白質病変）の体積を算出するので、頭部全体又は白質に対する特徴領域（白質病変）の体積を把握することができる。

また、ＭＲＩ装置では、Ｔ２画像の方がＦＬＡＩＲ画像よりも空間分解能を高くして撮影することができる。そして、Ｔ２画像の第１の領域に基づき、ＦＬＡＩＲ画像から白質を含む第２の領域を抽出し、第２の領域から特徴領域を抽出している。よって、特徴領域の抽出精度を向上させることができる。

また、特徴領域である白質病変と被験者のＳＰＥＣＴ画像とを重ね合わせて表示させるので、白質病変部位と血流低下の位置とを比較することができる。

本発明の第２実施形態に係る情報処理装置および情報処理装置に実行させるコンピュータプログラムについて、図面を参照して説明する。なお、第１実施形態と同一の部材および処理については同一の番号を付して説明を省略し、異なる部分についてのみ説明を行う。

本実施形態に係る情報処理装置は、第１実施形態に係る情報処理装置と同様に、ＭＲＩ装置により撮影されたＦＬＡＩＲ画像から特徴領域を抽出する処理を行う。

図１１は、本実施形態に係る情報処理装置１０２の全体構成を示す。同図に示すように、情報処理装置１０２は、情報処理装置本体１１０に入力装置２、出力装置３及び入出力装置４の一つ以上が接続されている。情報処理装置本体１１０は、例えば、プロセッサ及びメモリを備えた汎用的なコンピュータシステムにより構成され、以下に説明する情報処理装置本体１１０内の個々の構成要素または機能は、例えば、コンピュータプログラムを実行することにより実現される。このコンピュータプログラムは、コンピュータが読み取り可能な記録媒体に格納することができる。

情報処理装置本体１１０は、第１実施形態の情報処理装置１０の構成に加え、標準脳ｚ−ｓｃｏｒｅデータ記憶部１２、個人脳ｚ−ｓｃｏｒｅデータ記憶部１４、再抽出領域抽出部１６、第３の領域データ記憶部１８、特徴領域再抽出部２０、ｚ−ｓｃｏｒｅ処理部２２と、処理データ記憶部２４とを有する。また、標準脳データ記憶部２３には、標準脳上に設定され脳全体領域を表し頭皮および頭蓋骨を除外するための第１のマスク画像データと標準脳上に設定され白質病変が存在しない領域を除外するための第２のマスク画像データとを記憶する。第１のマスク画像データと第２のマスク画像データは、例えば、入力装置２または入出力装置４を介して取得する。

図１２（ａ）に示すように、第１のマスク画像データに基づく第１のマスク画像１７０は、脳全体領域により構成される。当該脳全体領域（第１のマスク画像１７０）は、図４における脳室領域７１と脳領域７２とを合わせた領域に相当する。また、図１２（ｂ）に示すように、第２のマスク画像データに基づく第２のマスク画像１７２は、略環状をなす環状領域により構成される。当該環状領域（第２のマスク画像１７２）は、図１２（ａ）の脳全体領域である第１のマスク画像１７０の縁部領域に相当する。なお、当該第２のマスク画像１７２は、例えば、数十人の被験者の平均画像に基づき設定される白質病変が存在しない領域である。

標準脳ｚ−ｓｃｏｒｅデータ記憶部１２は、標準脳ｚ−ｓｃｏｒｅデータとして、ＳＰＥＣＴデータ記憶部１３に記憶されているＳＰＥＣＴ画像のデータに基づき求められ標準脳へ変換されたｚ−ｓｃｏｒｅ画像のデータを記憶する。ｚ−ｓｃｏｒｅ画像のデータは、例えば、ＳＰＭ等により、被験者の脳血流を正常群と比較して脳血流の低下具合を数値化することにより求められ、入力装置２または入出力装置４を介して取得する。なお、ｚ−ｓｃｏｒｅは、（正常群の平均血流量−被験者の血流量）／正常標準偏差に基づき算出される値である。

図１２（ｃ）に示すように、ｚ−ｓｃｏｒｅ画像１７４は、脳血流の低下具合の数値データに基づく画像であり、白い領域は、正常群に対して相対的に血流が低下している領域を示し、黒い領域は、相対的に血流が高い領域を示している。

図１１に戻ると、本実施形態におけるマスク画像変換部２９は、算出された変換パラメータの逆数（逆関数）を用いて、標準脳上に設定された第１のマスク画像データおよび第２のマスク画像データを、被験者の個人脳の形状に対応する個人脳の第１のマスク画像データおよび第２のマスク画像データに変換する。すなわち、標準脳における脳全体領域に相当する第１のマスク画像１７０を、被験者の個人脳における脳全体領域に相当する第１のマスク画像１８０に変換し、標準脳における第２のマスク画像１７２を、被験者の個人脳における第２のマスク画像１８２に変換する。これにより、図１２（ａ）に示すような個人脳座標に基づく第１のマスク画像１８０および図１２（ｂ）に示すような個人脳座標に基づく第２のマスク画像１８２が作成される。

さらに、マスク画像変換部２９は、算出された変換パラメータの逆数（逆関数）を用いて、標準脳へ変換されたｚ−ｓｃｏｒｅ画像データを、被験者の個人脳の形状に対応する個人脳のｚ−ｓｃｏｒｅ画像データに変換する。すなわち、標準脳座標に基づくｚ−ｓｃｏｒｅ画像１７４を個人脳座標に基づくｚ−ｓｃｏｒｅ画像１８４に変換する。これにより、図１２（ｃ）に示すような、個人脳座標に基づくｚ−ｓｃｏｒｅ画像１８４が作成される。

図１１に戻ると、個人脳マスク画像データ記憶部３１は、マスク画像変換部２９で変換された個人脳の第１のマスク画像データおよび第２のマスク画像データを記憶する。

また、個人脳ｚ−ｓｃｏｒｅ画像データ記憶部１４は、マスク画像変換部２９で変換された個人脳のｚ−ｓｃｏｒｅ画像データを記憶する。

本実施形態における白質抽出部３３は、第１の領域データおよび個人脳の第１のマスク画像データを用いて、ＦＬＡＩＲ画像データから白質を含む第２の領域データを抽出する。図１３に示すように、ＦＬＡＩＲ画像９０のうち、Ｔ２画像の第１の領域５１および個人脳の脳全体領域に相当する第１のマスク画像１８０の両方と重なる部分が、白質を含む第２の領域９２として抽出される。そして、特徴領域抽出部３７において、第１の実施形態と同様に、抽出した第２の領域９２から画素値が所定の値の範囲に属する画素値を有する画素を特徴領域として抽出する。

再抽出領域抽出部１６は、個人脳の第１のマスク画像データおよび第２のマスク画像データを用いて、ＦＬＡＩＲ画像データから白質を含む第３の領域データを抽出する。図１４に示すように、ＦＬＡＩＲ画像９０のうち、個人脳の脳全体領域に相当する第１のマスク画像１８０に重なる領域９３を抽出して、ＦＬＡＩＲ画像９０から頭皮および頭蓋骨を除去する。そして、当該重なる領域９３のうち、第２のマスク画像１８２と重ならない領域が第３の領域９４として抽出される。すなわち、重なる領域９３のうち、略環状をなす第２のマスク画像１８２の内部の領域が第３の領域９４として抽出される

第３の領域データ記憶部１８は、再抽出領域抽出部１６において抽出された第３の領域データを記憶する。

特徴領域再抽出部２０では、特徴領域抽出部３７と同様に、抽出された第３の領域９４から画素値が所定の値の範囲に属する画素値を有する画素を特徴領域として抽出する。ここで抽出される特徴領域には、特徴領域抽出部３７により既に抽出された特徴領域と、それ以外の特徴領域が含まれる。すなわち、分離処理部１９において、Ｔ２画像５０から分離された白質を含む第１の領域５１には、Ｔ２画像５０の全ての白質領域が含まれない傾向にあり、分離しきれていない白質領域がわずかに存在する可能性がある。そこで、ＦＬＡＩＲ画像９０から個人脳の脳全体領域に相当する第１のマスク画像１８０を用いて第３の領域９４を抽出し、第３の領域９４から特徴領域を再抽出することにより、全ての白質領域から特徴領域（白質病変領域）を確実に抽出するようにしている。

特徴領域再抽出部２０により抽出された特徴領域（座標および画素値）のうち、特徴領域抽出部３７により抽出された特徴領域に対する差分が、特徴領域データ記憶部３９に特徴領域データとして記憶される。

体積算出部４１は、第１実施形態で説明した特徴領域（図１５（ａ）では矢印で示した白い箇所）の体積（ｃｃ）の算出に加え、図１５（ａ）に示すように、ユーザが設定した境界（本実施形態では中心を通る鉛直面）を基準として、図１５（ｂ）のウィンドウＷ３のＲｅｓｕｌｔ欄に示すように、前角側および後角側の特徴領域（ＷＭＤ）の体積（ｃｃ）を算出する。なお、境界はこれに限らず、頭頂側と脳底側の２点を指定し、これを基準として前角と後角とに分けて良いし、第１のマスク画像１８０上に予め設定しておいた境界（座標）を基準として前角と後角とに分けて良い。予め設定しておいた境界としては、中心溝であっても良いし、シルビウス溝（外側溝）であっても良い。また、前後ではなく左右で分けても良い。また、脳室周囲病変（ＰＶＨ：ｐｅｒｉｖｅｎｔｒｉｃｕｌａｒ ｈｙｐｅｒｉｎｔｅｎｓｉｔｙ）と深部皮質下白質病変（ＤＳＷＭＨ：ｄｅｅｐ ａｎｄ ｓｕｂｃｏｒｔｉｃａｌ ｗｈｉｔｅ ｍａｔｔｅｒ ｈｙｐｅｒｉｎｔｅｎｓｉｔｙ）との境界を標準脳上に設定しておき、これを個人脳に変換して、変換した境界を基準として、脳室周囲病変と深部皮質下白質病変とに分けて特徴領域の体積を算出しても良い。

また、体積算出部４１は、全白質領域の体積に対する特徴領域（白質病変領域）の体積の割合を算出し、特徴領域の後部の体積に対する特徴領域の前部の体積の割合を算出する。さらに、体積算出部４１は、個人脳の脳全体領域に相当する第１のマスク画像データに基づき、脳全体領域の体積を算出し、脳全体領域に対する全白質領域の割合を算出する。なお、全白質領域の体積は、第１の領域５１示す第１の領域データおよび特徴領域再抽出部２０により抽出され特徴領域データ記憶部３９に記憶された特徴領域データに基づき算出される。

体積算出部４１により算出された結果は、体積データ記憶部４３に記憶される。

図１１に戻ると、ｚ−ｓｃｏｒｅ処理部２２は、個人脳のｚ−ｓｃｏｒｅ画像データと特徴領域データとに基づき、特徴領域内におけるｚ−ｓｃｏｒｅ値がｚ＞０である画素のｚ−ｓｃｏｒｅの平均値、特徴領域内におけるｚ−ｓｃｏｒｅ値が２以上のボクセルの割合、および、全脳における血流低下領域（ｚ−ｓｃｏｒｅ値が２以上）の割合と特徴領域における血流低下領域（ｚ−ｓｃｏｒｅ値が２以上）の割合との比を算出する。なお、ｚ−ｓｃｏｒｅ値の閾値は、「０」および「２」に限られず、他の値であっても良い。

処理データ記憶部２４は、ｚ−ｓｃｏｒｅ処理部２２で算出された処理結果を記憶する。

以上のような構成を備える本実施形態の情報処理装置１０２は、以下に説明する手順でＭＲＩ装置により撮影されたＦＬＡＩＲ画像から特徴領域を抽出する処理を行う。

図１６は、本実施形態におけるＭＲＩにより撮影されたＦＬＡＩＲ画像から特徴領域を抽出する手順を示すフローチャートである。なお、図８に示した処理と同一の処理については同一の番号を付して説明を省略し、異なる処理についてのみ説明を行う。

本実施形態におけるステップＳ１８では、標準脳テンプレートデータと第１のマスク画像データと第２のマスク画像データとを含む標準脳データが、標準脳データ記憶部２３に保存される。

次に、標準脳へ変換されたｚ−ｓｃｏｒｅ画像データを標準脳ｚ−ｓｃｏｒｅデータ記憶部１２に保存する（Ｓ１９）。標準脳へ変換されたｚ−ｓｃｏｒｅ画像データは、入出力装置４を介して外部から取得しても良い。既に標準脳へ変換されたｚ−ｓｃｏｒｅ画像データが準備されているときには、当該ステップを省略しても良いし、当該ステップは、ステップＳ２２が実行される前であればいつ実行されても良い。

本実施形態におけるステップＳ２２では、マスク画像変換部２９は、ステップＳ２０で算出された変換パラメータの逆数（逆関数）を用いて、ステップＳ１８で保存された標準脳の第１および第２のマスク画像データの座標を、個人脳座標に変換し、個人脳の形状に対応する第１および第２のマスク画像データを個人脳マスク画像データ記憶部３１に保存する。さらに、マスク画像変換部２９は、ステップＳ２０で算出された変換パラメータの逆数（逆関数）を用いて、ステップＳ１９で保存された標準脳へ変換されたｚ−ｓｃｏｒｅ画像データを、被験者の個人脳の形状に対応する個人脳のｚ−ｓｃｏｒｅ画像データに変換し、個人脳ｚ−ｓｃｏｒｅ画像データ記憶部１４に記憶する。

本実施形態におけるステップＳ２４では、白質抽出部３３は、ステップＳ１６で分離された第１の領域データおよびステップＳ２２で作成された個人脳の第１のマスク画像データに基づき、ステップＳ１０で保存されたＦＬＡＩＲ画像データから、白質を含む第２の領域データを抽出し、抽出した第２の領域データを第２の領域データ記憶部３５に保存する。

再抽出領域抽出部１６は、ステップＳ２２で作成された個人脳の第１のマスク画像データおよび第２のマスク画像データを用いて、ステップＳ１０で保存されたＦＬＡＩＲ画像データから白質を含む第３の領域データを抽出し、抽出した第３の領域データを第３の領域データ記憶部１８に保存する（Ｓ２７）。

特徴領域再抽出部２０では、ステップＳ２７で抽出された第３の領域データから特徴領域データを抽出し、ステップＳ２６で抽出された特徴領域データに対する差分に相当する特徴領域データを特徴領域データ記憶部３９に記憶する（Ｓ２８）。

次に、情報処理装置１０２における被験者の頭部全体における特徴領域の体積を算出する処理について説明する。この特徴領域の体積を算出する処理は、上記の特徴領域を抽出する処理を実行した後に実行される。図１７は、特徴領域の体積を算出する処理を示すフローチャートである。なお、図９に示した処理と同一の処理については同一の番号を付して説明を省略し、異なる処理についてのみ説明を行う。

本実施形態におけるステップＳ３２では、体積算出部４１は、特徴領域データを構成する画素の画素数を断層画像データ毎に求め、求めた全画素数に画素サイズを掛けて特徴領域の体積を算出し、体積データ記憶部４３に保存する。また、体積算出部４１は、ユーザが設定した境界または所定の境界に基づき、前角側および後角側の特徴領域の体積を算出し、体積データ記憶部４３に保存する。さらに、体積算出部４１は、全白質領域の体積に対する特徴領域の体積の割合を算出し、特徴領域の後部の体積に対する特徴領域の前部の体積の割合を算出し、脳全体領域に対する全白質領域の割合を算出し、体積データ記憶部４３に保存する。なお、算出した結果を出力装置３により出力しても良い。

また、本実施形態の情報処理装置１０２においても、第１実施形態の情報処理装置１における表示処理（図１０）と同様に表示処理を行う。また、当該表示処理において、上記の処理において算出した特徴領域の体積、前角側および後角側の特徴領域の体積、全白質領域の体積に対する特徴領域の体積の割合、特徴領域の後部の体積に対する特徴領域の前部の体積の割合、脳全体領域に対する全白質領域の割合を表示しても良い。

次に、情報処理装置１０２におけるｚ−ｓｃｏｒｅ画像データに基づき種々のｚ−ｓｃｏｒｅ指標を算出する処理について説明する。当該処理は、上記の特徴領域を抽出する処理を実行した後に実行される。図１８は、ｚ−ｓｃｏｒｅ指標を算出する処理を示すフローチャートである。

ｚ−ｓｃｏｒｅ処理部２２は、特徴領域データを特徴領域データ記憶部３９から、個人脳のｚ−ｓｃｏｒｅ画像データを個人脳ｚ−ｓｃｏｒｅ画像データ記憶部１４から取得する（Ｓ４３）。

ｚ−ｓｃｏｒｅ処理部２２は、個人脳のｚ−ｓｃｏｒｅ画像データと特徴領域データとに基づき、特徴領域内におけるｚ−ｓｃｏｒｅ値がｚ＞０である画素のｚ−ｓｃｏｒｅの平均値、特徴領域内におけるｚ−ｓｃｏｒｅ値が２以上のボクセルの割合、および、全脳における血流低下領域（ｚ−ｓｃｏｒｅ値が２以上）の割合と特徴領域における血流低下領域（ｚ−ｓｃｏｒｅ値が２以上）の割合との比を算出し、処理データ記憶部２４に記憶する（Ｓ４４）。これによりｚ−ｓｃｏｒｅ指標を算出する処理が終了する。なお、算出したｚ−ｓｃｏｒｅ指標を出力装置３により出力しても良い。なお、上記のようにｚ−ｓｃｏｒｅ値の閾値は、「０」および「２」に限られず、他の値であっても良い。

本実施の形態によれば、被験者のＴ２画像５０から白質を含む第１の領域５１を分離する。Ｔ２画像５０を標準脳テンプレートへ変換するための変換パラメータ（変換関数）を求め、変換パラメータの逆数（逆関数）を用いて、標準脳における脳全体領域を示す第１のマスク画像１７０および標準脳における脳全体領域の縁部領域に相当する第２のマスク画像１７２を、被験者の個人脳における脳全体領域を示す第１のマスク画像１８０および被験者の個人脳における脳全体領域の縁部領域に相当する第２のマスク画像１８２に変換する。そして、第１の領域５１および被験者の第１のマスク画像１８０に基づき、被験者のＦＬＡＩＲ画像９０から白質を含む第２の領域９２を抽出し、第２の領域から特徴領域である白質病変を抽出する。さらに、被験者のＦＬＡＩＲ画像９０から被験者の第１のマスク画像１８０の脳全体領域と重なる領域９３を抽出し、当該重なる領域９３のうち、被験者の第２のマスク画像１８２に対する内部の領域を、白質を含む第３の領域９４として抽出し、第３の領域９４から特徴領域である白質病変を抽出する。

Ｔ２画像５０から分離された白質を含む第１の領域５１には、Ｔ２画像５０の全ての白質領域が含まれない傾向にあり、分離しきれていない白質領域がわずかに存在する可能性がある。しかし、ＦＬＡＩＲ画像９０から個人脳の脳全体領域に相当する第１のマスク画像１８０および第２のマスク画像１８２を用いて第３の領域９４を抽出し、第３の領域９４から特徴領域を再抽出することにより、全ての白質領域から特徴領域（白質病変領域）を確実に抽出することができる。よって、ＦＬＡＩＲ画像から特徴領域（白質病変）を容易に精度よく抽出することができる。また、被験者の第２のマスク画像１８２により、重なる領域９３から白質病変が存在しない領域を削除し、第３の領域９４から特徴領域を再抽出するので、再抽出を短時間で実行させることができる。

次に、上記の実施形態において得られる特徴領域（白質病変領域）の体積等に基づき疾患の病態解析を行った結果について説明する。

物忘れ外来を受診した新患患者と認知症の精査で入院した患者との計５４名（男性２２名, 女性３２名, 平均年齢７３．６歳±８４）を対象として、脳コンパートメントと脳血流の定量解析から疾患の違いを後ろ向きに比較検討した。その結果、患者５４名のうち、アルツハイマー型認知症（ＡＤ：Ａｌｚｈｅｉｍｅｒ‘ｓ ｄｉｓｅａｓｅ）は１９名、血管性認知症（ＶａＤ：Ｖａｓｃｕｌａｒ ｄｅｍｅｎｔｉａ）は４名、レヴィ小体型認知症（ＤＬＢ：Ｄｅｍｅｎｔｉａ ｗｉｔｈ Ｌｅｗｙ ｂｏｄｉｅｓ）は７名、軽度認知障害（ＭＣＩ：Ｍｉｌｄ Ｃｏｇｎｉｔｉｖｅ Ｉｍｐａｉｒｍｅｎｔ）は１２名であった。

そして、全白質領域の体積に対する特徴領域の体積の割合（白質病変領域／全白質領域）を疾患別に求めた。その結果、ＡＤは４．７％、ＶａＤは９．５％、ＤＬＢは２．４％、ＭＣＩは１．８％であった。ＶａＤの割合は他の疾患に比べて有意に高く、白質病変領域／全白質領域を求めることでＶａＤと他の疾患を鑑別できる可能性が示唆された。

また、中心溝を境界として、特徴領域の後部の体積に対する特徴領域の前部の体積の割合（白質病変領域の前部／白質病変領域の後部）を求めた。その結果、ＡＤは０．８４、ＶａＤは１．０３、ＤＬＢは１．０３、ＭＣＩは０．７７であった。ＡＤやＭＣＩは側脳室の後角を中心とする後部の白質病変が多く、一方でＶａＤやＤＬＢは側脳室の前角を中心とする前部の白質病変が多い傾向が示された。白質病変の前後比を求めることで、ＡＤとＶａＤを鑑別できる可能性が示唆された。

また、被験者のＳＰＥＣＴ画像からは脳血流量に関し表１に示すような血流低下が見られる傾向にある。

ここで、表中の「↓」は低下の程度を表しており、「↓」が多くなるほど、低下の程度が大きいことを示している。また、「−」は、血流低下がほとんどないことを示している。また、表１において、ＶａＤは、その５０％をしめる皮質下血管性認知症に限り、ＭＣＩは、将来ＡＤにコンバートする確率が高い傾向にあるａｍｎｅｓｔｉｃ ＭＣＩに限っている。また、ＦＴＬＤ（Ｆｒｏｎｔｏｔｅｍｐｏｒａｌ Ｌｏｂａｒ Ｄｅｇｅｎｅｒａｔｉｏｎ）は、前頭側頭葉変性性認知症である。

ＦＬＡＩＲ画像データの第３の領域データに基づく画像とＳＰＥＣＴ画像データに基づくＳＰＥＣＴ画像とを重ね合わせ、特徴領域を他の領域と異なる表示態様で表示させた画像により、白質病変と脳血流の関係性から疾患の病態解析を短時間で行うことができる可能性がある。例えば、表示された画像に基づき、後角の白質病変が多く、帯状回後部、楔前部を中心に血流低下が見られた場合はＡＤ、前角を中心に全体的に白質病変が多く帯状回後部、楔前部を中心とした血流低下が見られない場合はＶａＤ、白質病変がそれほど多くなく後頭葉内側部に血流低下が見られた場合はＤＬＢ、ＭＣＩは白質病変がほとんどなく血流低下もほとんど見られない場合はＭＣＩであるという画像診断ができる可能性がある。なお、ＦＴＬＤについては、画像診断について記載していないが、ＦＴＬＤの特徴領域の後部の体積に対する特徴領域の前部の体積の割合（白質病変領域の前部／白質病変領域の後部）を求めることにより画像診断ができる可能性がある。

また、１名ずつのデータではあるが、ＭＣＩの被験者で約半年後にＡＤにコンバートした被験者の白質病変領域／全白質領域は２％、ＡＤにコンバートしなかった被験者のは０．３％であり、前者の白質病変領域の前部／白質病変領域の後部は０．４７、後者は１．１５であった。症例を増やして検討する必要はあるが、この結果は白質病変の容積とその前後比からＡＤにコンバートする確率を求めることができる可能性を示唆するものである。

また、上記の実施形態では、ＦＬＡＩＲ画像９０から特徴領域として白質病変を抽出したが、灰白質（皮質）病変も同時に抽出するようにしても良い。すなわち、Ｔ２画像５０から灰白質を含む領域（第４の領域）を分離し、分離した領域、および、マスク画像８０または第１のマスク画像１８０に基づきＦＬＡＩＲ画像９０から灰白質を含む領域（第５の領域）を抽出し、抽出した灰白質を含む領域から特徴領域として灰白質病変も抽出するようにしても良い。なお、灰白質病変の抽出において、第２実施形態で説明した再抽出（図１６のＳ２７およびＳ２８）は行わない。

また、体積算出部４１により、全灰白質領域の体積に対する特徴領域（灰白質病変領域）の体積の割合を算出し、特徴領域の後部の体積に対する特徴領域の前部の体積の割合を算出しても良い。さらに、体積算出部４１により、脳全体領域の体積に対する全灰白質（皮質）領域の体積の割合を算出しても良い。

そして、皮質（灰白質）・白質病変を有する多発性硬化症患者２０名（男性９名、女性１１名、平均年齢４２．２±９．２歳）を対象として、脳コンパートメントの定量解析を試みた。多発性硬化症の皮質病変は、ＤＩＲ（ｄｏｕｂｌｅ ｉｎｖｅｒｓｉｏｎ ｒｅｃｏｖｅｒｙ）画像で評価した。病型はＮｅｌｓｏｎらの分類に従って、皮質病変限局型、混合型（皮質病変＋皮質下白質病変が同程度）、傍皮質型（皮質下白質病変が主体）に分類した。

病巣はそれぞれ皮質病変限局型７、混合型６、傍皮質型１６個観察され、全体で２９個であった。脳全体領域の体積に対する全皮質領域の体積の割合（％）は、皮質病変あり群（皮質病変限局型＋混合型）では４３．６７±７．０６％、皮質病変なし群（傍皮質型）では４４．０２±４．８７％と皮質萎縮の程度に両群で差を認めなかった。

一方、脳全体領域の体積に対する全白質領域の体積の割合（％）は、皮質病変あり群で２９．７４±２．９９％、皮質病変なし群では３２．８２±３．０９％と皮質病変あり群で白質萎縮が進行している結果であった。今回の解析対象となった患者群で、神経機能の評価尺度であるＥＤＳＳ（Ｅｘｐａｎｄｅｄ Ｄｉｓａｂｉｌｉｔｙ Ｓｔａｔｕｓ Ｓｃａｌｅ）スコアは皮質病変あり群はなし群に比べて有意に高く、皮質病変あり群は機能障害の進行期にあることが推測される。皮質病変あり群の白質容積が小さいことから、白質の慢性炎症の進行が皮質病変形成と神経機能に影響していることが示唆された。ＥＤＳＳによる患者の評価は、評価者が患者の行動を見て評価を行うため評価者の主観が入り、患者のモチベーション等の精神状態に大きく依存するため、上記のように評価することにより客観的な評価の可能性が示唆される。

上述した本発明の実施形態は、本発明の説明のための例示であり、本発明の範囲をそれらの実施形態にのみ限定する趣旨ではない。当業者は、本発明の要旨を逸脱することなしに、他の様々な態様で本発明を実施することができる。

例えば、上記の実施形態では、位置合わせ部１５、分離処理部１９、および変換パラメータ算出部２５における処理において、Ｔ２画像データを用いたが、Ｔ１画像データを用いて処理を行っても良い。

また、上記の実施形態では、位置合わせ後のＴ２画像５０を標準脳テンプレート６０に位置合わせをすることにより変換パラメータを算出し、算出した変換パラメータに基づき、標準脳のマスク画像７０を個人脳のマスク画像８０に変換した。しかし、標準脳テンプレート６０を位置合わせ後のＴ２画像５０に位置合わせをすることにより変換パラメータを算出し、当該変換パラメータに基づき、標準脳のマスク画像７０を個人脳のマスク画像８０に変換しても良い。

また、上記の実施形態では、特徴領域抽出部３７および特徴領域再抽出部２０において、特徴領域の体積の算出時に用いる画素値の基準値および許容値をユーザが任意に設定して、対象画素を抽出したが、画素値および度数からなるヒストグラムを作成して、画素値が大きい側の上位の５％を対象画素として抽出しても良いし、画素値の最大値に対して８０％以上の値を有する画素を対象画素として抽出しても良い。すなわち、予め設定した抽出条件に基づき自動的に抽出されるようにしても良い。

白質抽出部３３および特徴領域再抽出部２０では、ＦＬＡＩＲ画像９０から白質を抽出したが、Ｔ１画像またはＴ２画像５０から白質を抽出するようにしても良い。

脳血流量に関する画像としてＳＰＥＣＴ画像を用いたが、ＰＥＴ（Ｐｏｓｉｔｒｏｍ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｙ）検査により得られた脳血流量に関するＰＥＴ画像を用いても良い。

また、再抽出領域抽出部１６では、個人脳の第１のマスク画像データおよび第２のマスク画像データを用いて、ＦＬＡＩＲ画像データから白質を含む第３の領域データを抽出し、特徴領域再抽出部２０では、抽出された第３の領域９４から特徴領域として白質病変を抽出した。しかし、再抽出領域抽出部１６において、個人脳の第１のマスク画像データのみを用いて、ＦＬＡＩＲ画像データから重なる領域９３を抽出し、特徴領域再抽出部２０において、重なる領域９３から特徴領域として白質病変を抽出するようにしても良い。かかる構成によっても、全ての特徴領域（白質病変領域）を確実に抽出することができる。

また、体積算出部４１では、第１の領域データ、第２の領域データ、第３の領域データ、第４の領域データ、第５の領域データ、および特徴領域データに基づいて、被験者の全白質領域、白質病変の領域、前記第４の領域に基づく前記被験者の全灰白質領域、灰白質病変の領域、所定の境界を基準として、前角側に位置する白質領域、後角側に位置する白質領域、前角側に位置する白質病変領域、後角側に位置する白質病変領域、前角側に位置する灰白質病変領域、後角側に位置する灰白質病変領域、前角側に位置する灰白質領域、後角側に位置する灰白質領域、および、被験者の脳全体領域、のうちの少なくとも２つの領域の画素数（体積）を算出し、画素数（体積）を算出した領域から２つの領域を選択して、算出した画素数（体積）に基づき選択した２つの領域の比率を算出しても良い。

１、１０２ 情報処理装置、１１ ＭＲＩデータ記憶部、１６ 再抽出領域抽出部、１９ 分離処理部、２０ 特徴領域再抽出部、２３ 標準脳データ記憶部、２５ 変換パラメータ算出部、２９ マスク画像変換部、３３ 白質抽出部、白質病変抽出部、４１ 体積算出部、４５ 重ね合わせ部、 ５０ Ｔ２画像、５１ 第１の領域、６０ 標準脳テンプレート、６１ 解剖学的標準化後のＴ２画像、７１ 脳室領域、８０ 個人脳のマスク画像、９０ ＦＬＡＩＲ画像、９１、９２ 第２の領域、９３ 重なる領域、９４ 第３の領域 １７０ 標準脳上に設定された第１のマスク画像、１７２ 標準脳上に設定された第２のマスク画像、１８０ 個人脳の第１のマスク画像、１８２ 個人脳の第２のマスク画像

Claims (17)

1. 被験者の頭部のＭＲＩ画像と、標準脳において脳室を除外するためのマスク画像とを記憶する記憶部を有する情報処理装置に実行させるためのコンピュータプログラムであって、
   前記被験者のＭＲＩ画像である第１の画像から脳室と白質とを含む第１の領域を分離するステップと、
   前記第１の画像を標準脳へ変換するための変換関数を求めるステップと、
   前記変換関数の逆関数を用いて、前記標準脳において脳室を除外するためのマスク画像を、前記被験者の個人脳において脳室を除外するためのマスク画像に変換するステップと、
   前記第１の領域および前記被験者のマスク画像に基づき、前記被験者のＭＲＩ画像である第２の画像から、前記脳室を除外した白質を含む第２の領域を抽出するステップと、
   前記第２の領域から、特徴領域を抽出するステップと、を前記情報処理装置に実行させるためのコンピュータプログラム。
2. 前記特徴領域は、白質病変の領域である請求項１に記載のコンピュータプログラム。
3. 前記被験者の頭部全体における前記白質病変の体積を算出するステップを更に有する請求項１または請求項２に記載のコンピュータプログラム。
4. 前記特徴領域と前記被験者のＳＰＥＣＴ画像とを重ね合わせて表示させるステップを更に有する請求項１または請求項２に記載のコンピュータプログラム。
   
5. 前記第２の画像は、Ｔ１画像、Ｔ２画像またはＦＬＡＩＲ画像である請求項１乃至請求項４のいずれか一項に記載のコンピュータプログラム。
6. 被験者の頭部のＭＲＩ画像と、標準脳において脳室を除外するためのマスク画像とを記憶する記憶部と、
   前記被験者のＭＲＩ画像である第１の画像から脳室と白質とを含む第１の領域を分離する分離手段と、
   前記第１の画像を標準脳へ変換するための変換関数を求める算出手段と、
   前記変換関数の逆関数を用いて、前記標準脳において脳室を除外するためのマスク画像を、前記被験者の個人脳において脳室を除外するためのマスク画像に変換する変換手段と、
   前記第１の領域および前記被験者のマスク画像に基づき、前記被験者のＭＲＩ画像である第２の画像から、前記脳室が除外された白質を含む第２の領域を抽出する第１抽出手段と、
   前記第２の領域から、特徴領域を抽出する第２抽出手段と、を備える情報処理装置。
7. 前記特徴領域は、白質病変の領域である請求項６に記載の情報処理装置。
8. 被験者の頭部のＭＲＩ画像と、標準脳における脳全体領域を示す第１のマスク画像と、 略環状をなし前記標準脳における脳全体領域の縁部領域に相当する第２のマスク画像とを記憶する記憶部を有する情報処理装置に実行させるためのコンピュータプログラムであって、
   前記被験者のＭＲＩ画像である第１の画像から白質を含む第１の領域を分離するステップと、
   前記第１の画像を標準脳へ変換するための変換関数を求めるステップと、
   前記変換関数の逆関数を用いて、前記標準脳における脳全体領域を示す第１のマスク画像および前記標準脳における脳全体領域の縁部領域に相当する第２のマスク画像を、前記被験者の個人脳における脳全体領域を示す第１のマスク画像および前記被験者の個人脳における脳全体領域の縁部領域に相当する第２のマスク画像に変換するステップと、
   前記第１の領域および前記被験者の第１のマスク画像に基づき、前記被験者のＭＲＩ画像である第２の画像から、白質を含む第２の領域を抽出するステップと、
   前記第２の領域から、特徴領域を抽出するステップと、
   前記第２の画像から前記被験者の第１のマスク画像の脳全体領域と重なる領域を抽出し、前記第２の画像の前記重なる領域のうち、前記被験者の前記第２のマスク画像に対する内部の領域を、白質を含む第３の領域として抽出するステップと、
   前記第３の領域から、特徴領域を抽出するステップと、を前記情報処理装置に実行させるためのコンピュータプログラム。
9. 前記特徴領域は、白質病変の領域である請求項８に記載のコンピュータプログラム。
10. 前記特徴領域と前記被験者のＳＰＥＣＴ画像とを重ね合わせて表示させるステップを更に有する請求項８または請求項９に記載のコンピュータプログラム。
11. 前記被験者のＭＲＩ画像である第１の画像から灰白質を含む第４の領域を分離するステップと、
    前記第４の領域および前記被験者の第１のマスク画像に基づき、前記被験者のＭＲＩ画像である第２の画像から、灰白質を含む第５の領域を抽出するステップと、
    前記第５の領域から、特徴領域を抽出するステップと、を更に有する請求項８乃至請求項１０のいずれか一項にコンピュータプログラム。
12. 前記第１の領域に基づく前記被験者の全白質領域、前記第２の領域および前記第３の領域に基づく白質病変の領域、前記第４の領域に基づく前記被験者の全灰白質領域、前記第５の領域に基づく灰白質病変の領域、所定の境界を基準として、前角側に位置する白質領域、後角側に位置する白質領域、前角側に位置する白質病変領域、後角側に位置する白質病変領域、前角側に位置する灰白質病変領域、後角側に位置する灰白質病変領域、前角側に位置する灰白質領域、後角側に位置する灰白質領域、および、被験者の脳全体領域、のうちの少なくとも２つの領域の画素数を算出し、画素数を算出した領域から２つの領域を選択して、算出した画素数に基づき選択した２つの領域の比率を算出するステップを更に有する請求項１１に記載のコンピュータプログラム。
13. 前記算出ステップでは、後角側に位置する白質病変領域および前角側に位置する白質病変領域の画素数を算出し、算出した画素数に基づき、後角側に位置する白質病変領域に対する前角側に位置する白質病変領域の割合を算出する請求項１２に記載のコンピュータプログラム。
14. 前記算出ステップでは、前記被験者の全白質領域および前記被験者の白質病変領域の画素数を算出し、前記被験者の全白質領域に対する前記被験者の白質病変領域の割合を算出するステップを更に有する請求項１２に記載のコンピュータプログラム。
15. 前記第２の画像は、Ｔ１画像、Ｔ２画像またはＦＬＡＩＲ画像である請求項８乃至請求項１４のいずれか一項に記載のコンピュータプログラム。
16. 被験者の頭部のＭＲＩ画像と、標準脳における脳全体領域を示す第１のマスク画像と、 略環状をなし前記標準脳における脳全体領域の縁部領域に相当する第２のマスク画像とを記憶する記憶部と、
    前記被験者のＭＲＩ画像である第１の画像から白質を含む第１の領域を分離する分離手段と、
    前記第１の画像を標準脳へ変換するための変換関数を求める算出手段と、
    前記変換関数の逆関数を用いて、前記標準脳における脳全体領域を示す第１のマスク画像および前記標準脳における脳全体領域の縁部領域に相当する第２のマスク画像を、前記被験者の個人脳における脳全体領域を示す第１のマスク画像および前記被験者の個人脳における脳全体領域の縁部領域に相当する第２のマスク画像に変換する変換手段と、
    前記第１の領域および前記被験者の第１のマスク画像に基づき、前記被験者のＭＲＩ画像である第２の画像から、白質を含む第２の領域を抽出する第１抽出手段と、
    前記第２の領域から、特徴領域を抽出する第１抽出手段と、
    前記第２の画像から前記被験者の第１のマスク画像の脳全体領域と重なる部分を抽出し、前記第２の画像の前記重なる部分のうち、前記被験者の前記第２のマスク画像に対する内部の領域を、白質を含む第３の領域として抽出する第３抽出手段と、
    前記第３の領域から、特徴領域を抽出する第４抽出手段と、を備える情報処理装置。
17. 前記特徴領域は、白質病変の領域である請求項１６に記載の情報処理装置。
    

Images