JP2018011958A - 医用画像処理装置及び医用画像処理プログラム - Google Patents

Abstract

【課題】従来に比してさらに精度の高い検出を実現可能な医用画像処理装置及び医用画像処理プログラムを提供すること。
【解決手段】本実施形態に係る医用画像処理装置は、入力部と、選択部と、訓練部とを具備する。入力部は、多数の医用画像データを受け取る。選択部は、入力部で入力された医用画像データ上において、同一被検体の異なる領域を表す第一の部分と第二の部分とを選択する。訓練部は、第一の部分に対応する第一のデータと前記第二の部分に対応する第二のデータとを用いて機械学習に用いる検出器を訓練する。
【選択図】 図１

Description

本実施形態は、医用画像処理装置及び医用画像処理プログラムに関する。

ボリューメトリック医用撮像における僅かに区別された領域を検出することは、読影医の手腕や経験に依存する場合がある。

僅かに区別された領域を検出する一例として、急性脳卒中についての非造影コンピュータ断層撮影（ＮＣＣＴ）における、早期虚血性兆候の検出がある。この検出において、関心のある主な病変または複数の病変は、高吸収の血管（血栓）や、虚血や梗塞の領域を具備する可能性がある。ある状況下で、密集した血管は骨に近接することから、検出するのが困難になりうる。またある状況下では、虚血および／または梗塞は、輝度や質感の変化が微妙なので、検出するのが困難になりうる。脳における虚血および／または梗塞の領域は、ＣＴ画像において若干輝度が低い領域として見える可能性がある。皮質と白質との区別がつきにくくなる場合もある。

僅かな卒中の兆候のいくつかの例として、以下の通りａ）からｅ）までが挙げられる。
ａ）急性梗塞による島皮質における低吸収
ｂ）大脳基底核の区分の消失。レンズ核右側の消失。
ｃ）急性右中大脳動脈（ＭＣＡ）梗塞における皮質／白質の消失。
ｄ）MCA領域内の高吸収な血管(dense vessel)
ｅ）古い虚血性変化。

特開２００６−０４３００７号公報

しかしながら、ある状況下では、僅かな脳卒中の兆候を検出するために単純検出器（ｎａｉｖｅ ｃｌａｓｓｉｆｉｅｒ）が使用された場合に、通常の動脈の石灰化は、異常に密集した血管兆候と混同される場合がある可能性があり、さらなる改善の余地が求められる。

本実施形態は、上記事情に鑑み、医用画像データを用いて脳卒中の兆候を検出する場合において、従来に比してさらに精度の高い検出を実現可能な医用画像処理装置及び医用画像処理プログラムを提供するものである。

本実施形態に係る医用画像処理装置は、入力部と、選択部と、訓練部とを具備する。入力部は、多数の医用画像データを受け取る。選択部は、入力部で入力された医用画像データ上において、同一被検体の異なる領域を表す第一の部分と第二の部分とを選択する。訓練部は、第一の部分に対応する第一のデータと前記第二の部分に対応する第二のデータとを用いて機械学習に用いる検出器を訓練する。

図１は、実施形態に係る装置の概要図である。 図２は、実施形態に係る訓練及び検出方法の概要をフローチャートで描いている。 図３は、異常領域を具備するデータセットの概要図である。 図４は、データセットの対称領域の概要図である。 図５は、実施形態に係るアトラスアライメント方法の全体をフローチャートで描いている。 図６は、実施形態に係る検出器訓練方法の全体をフローチャートで描いている。 図７ａは、正中線に沿って折り畳んである、撮像データを描出した概要図。 図７ｂは、正中線に沿って折り畳んである、撮像データを描出した概要図。 図７ｃは、正中線に沿って折り畳んである、撮像データを描出した概要図。 図８は、折り畳まれたデータを描出した概要図。 図９は、実施形態に係る検出方法の全体をフローチャートで描いている。

本実施形態に係る医用画像処理装置１０は、病変を検出するための検出器を訓練し、病変を検出するための検出器（分類器）２８を使用するよう構成されており、図１に示されている。なお、本実施形態において、検出器２８は、機械学習を行うプロセッサであり、血栓を検出するために訓練されている。また、検出器（分類器）２８は、医用画像処理装置１０内に必ずしも内蔵する必要はなく、例えば当該医用画像処理装置１０にネットワークを介して接続されていてもよい。その他の実施形態で、検出器は例えば虚血性や任意のその他関連する病変など、任意の適切な異常性を検出するために訓練することが出来る。さらなる実施形態では、検出器は例えば組織運動や液体の流れなど、機能の指標となるような画像の解析のために訓練することが出来る。

医用画像処理装置１０は、この場合パーソナルコンピュータ（ＰＣ）またはワークステーションである計算装置１２を具備しており、ＣＴスキャナ１４、一つ以上の表示スクリーン１６、そしてコンピュータキーボード、マウスまたはトラックボールなど、入力装置または複数の入力装置１８に接続されている。

ＣＴスキャナ１４は、患者またはその他被検体の少なくとも一つの解剖学的構造を描出したボリューメトリック撮像データを収集するよう構成された、任意のＣＴスキャナでよい。

本実施形態における解剖学的構造は、脳である。その他の実施形態においては、実質的に対称のあらゆる解剖学的構造であってよい。実質的に対称な解剖学的構造とは、通常の患者や病変がない場合、その鏡像が元の構造とほぼ等価になると思われる解剖学的構造を意味する。ここで、対称とは、左右対称、上下対称、点対称のいずれかを意味する。本実施形態においては、説明を具体的にするため、左右対称を例とする。

実質的に対称な解剖学的構造とは、対称線について実質的に対称であることを意味する。対称線は、対称の矢状線でもよい。実質的に対称的な解剖学的構造の例としては、脳、頭がい骨、顎、椎骨、背骨、骨盤、膀胱、胸郭を含むこともある。実施形態には、実質的に対称な解剖学的構造とは、目や耳、肺、腎臓、関節、肢、手、足、肩など、一対の関連する解剖学的構造を具備している可能性がある。関連する解剖学的構造を互いに対して動かすことが可能な場合（例えば両手）、解剖学的構造が特定の配置に位置された、制御された収集を使用することが出来る。例えば、スキャンの前に、両手を並べて配置してもよい。

代替的な実施形態において、ＣＴスキャナ１４は、例えばＣＴスキャナ、コーンビームＣＴスキャナ、ＭＲＩ（磁気共鳴撮像）スキャナ、Ｘ線スキャナ、超音波スキャナ、ＰＥＴ（陽電子放射断層撮影法）スキャナ、またはＳＰＥＣＴ（単光子放出コンピュータ断層撮影）スキャナなど、任意のその他撮像撮像モダリティにおける、二次元または三次元撮像データを収集するよう構成されたスキャナによって、置き換えられる、または補われることもある。一例だと、ＣＴスキャナ１４は、二次元平面レントゲン写真を収集するよう構成されたスキャナによって置き換えられる。

本実施形態では、ＣＴスキャナ１４によって収集されたボリューメトリック医用画像データセットは、メモリ２０に格納され、その後計算装置１２に提供される。代替的な実施形態において、ボリューメトリック医用画像データセットは、画像保管通信システム（ＰＡＣＳ）の一部を形成するかもしれない遠隔データストア（図示せず）から供給される。メモリ２０または遠隔データストアは、メモリストレージの任意の適切な形態を具備出来る。

計算装置１２は、医用画像データセットを自動または半自動的に処理するための処理リソースを提供し、中央処理装置（ＣＰＵ）２２を具備する。

計算装置１２は、データセットをアトラスとアライメントするよう構成されたアライメント部２４と、検出器を訓練するよう構成された訓練部２６と、訓練された分類器を使用しながら病変を検出するよう構成された検出器２８と、を含む。

本実施形態において、回路２４、２６、２８は、実施形態の方法を実行することが可能なコンピュータ読み取り可能命令を有するコンピュータプログラムの方法により、計算装置１２内でそれぞれ実行される。しかし、その他の実施形態において、様々な回路が一つ以上のＡＳＩＣｓ（特定用途向け集積回路）またはＦＰＧＡｓ（フィールド・プログラマブル・ゲート・アレイ）として、実行することが出来る。

計算装置１２は、ハードドライブや、ＲＡＭ、ＲＯＭ、データバスを含むＰＣのその他構成要素や、様々なデバイスドライバを含むオペレーティング・システムや、グラフィックス・カードを含むハードウェアデバイス、も包括する。このような構成要素は、明確にするため図１には図示されていない。

図１の装置は、図２に概略的に示されるような処理を実行するよう構成されている。図２の処理は、図５に概略的に示されたようなアトラスアライメント処理、図６に概略的に示されたような訓練処理、図９に概略的に示されたような検出処理を具備する。

本実施形態において、計算装置１２は、図６に概略的に描かれたような一連のステージを有する検出器訓練プロセスと、図９に概略的に描かれたような一連のステージを有する検出プロセスと、の両方を実行するよう構成されている。代替的な実施形態において、第一の装置は少なくとも一つの検出器を訓練するための図６のプロセスを実行するよう構成されており、一つ以上の第二の装置は画像データのセットにおける異常性を検出するために訓練された検出器をその後に使用するために、図９のプロセスを実行するよう構成されている。このようにして、例えば、検出器は訓練データセットに基づいた一つのコンピュータによって初め訓練され、訓練された検出器は更なる画像データセットを識別するために、様々な更なるコンピュータ（例えば、放射線科医またはその他操作者によって用いられるワークステーション、またはセントラルサーバー）に振り分けられ、そしてその後は様々な更なるコンピュータによって使用することが出来る。

図２のプロセスが実行される前に、関心のある異常性を表し、関心のあるモダリティで撮られた、訓練データセット３０が収集される。本実施形態において、訓練データセット３０は、複数の訓練被検体の脳のＣＴスキャンから収集された非造影ＣＴ医用画像データセットを具備する。訓練データセット３０のそれぞれは、関心のある病変の存在兆候（ｅｘｈｉｂｉｔｉｎｇ ｓｉｇｎｓ）として、専門家によって特定されてきたものであり、本実施形態における関心のある病変とは血栓である。その他の実施形態において、訓練データセットは、異なる解剖学的構造や異なる異常性および／または異なるモダリティを表すことがある。例えば、一実施形態における訓練データセットは骨盤を表した平面レントゲン写真を具備し、異常性は骨盤の骨折を有する。

血栓は、血の塊の可能性がある。ある状況下では、血栓が血管を塞いでいる可能性があり、血管を通る血の流れを妨げたり減らしたりする。血栓は、その他の血管領域よりも高吸収を示す血管の領域として、ＣＴスキャンで見える可能性がある。またある状況下で高吸収の血管(dense vessel)を血栓の兆候とみなすかもしれない。血栓の領域は、異常に高吸収の血管構造としてＣＴスキャンに示され得る。

本実施形態において、百個の訓練データセット３０が収集される。各訓練データセット３０は、個別の被検体の脳のＣＴスキャンを実行することで取得された、医用画像データセットである。各訓練データセット３０は、各ボクセルがＣＴスキャンにおける対応する空間的位置を表している、ボクセルのアレイと関連した輝度を具備する。

訓練データセット３０のそれぞれに対して、専門家は（例えば放射線科医）、訓練データセット３０における血栓の領域を手動で特定する。例えば、専門家は、血栓の領域の周辺にまたは領域それぞれに境界線を引く可能性がある。訓練データセット３０に関連付けられたグラウンドトゥルース(ground truth)データセット３１が、専門家の入力に基づいて得られる。グラウンドトゥルースセット３１は、訓練データセット３０のどのボクセルが専門家によって正常と決定されるのか、また異常と決定されるのか、の目安を提供する。例えば、専門家によって引かれた境界線の外側にあるボクセルは通常であり、境界線の内側にあるボクセルは異常であるとみなすことができる。

本実施形態において、専門家は血栓の領域を特定してきたが、その他の実施形態で専門家は例えば任意の適切な病変など、任意の適切な異常性のある領域を特定することが出来る。専門家は、検出器によって訓練される、異常性のある領域を特定する。実施形態には、専門家が一つ以上の異常性のある領域を特定し、各検出器がそれぞれの異常性に対して訓練されるものがある。実施形態の中には、専門家が任意の適切な特徴を有する領域を特定する。例えば、専門家は、組織運動や液体の流れを特定出来る。

所定の訓練データセット３０に対応するグラウンドトゥルースセット３１は、訓練データセット３０のボクセルのアレイの大きさに対応するアレイを具備することが出来る（ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｉｎ ｓｉｚｅ ｔｏ）。グラウンドトゥルースセット３１において、専門家によって正常と決定されたボクセルは、一つの数字（例えば、−１）で表されてよく、一方異常と決定されたボクセルは、違う数字（例えば、１）で表されてよい。その他の実施形態において、グラウンドトゥルースにとって適切なフォーマットが使用することが出来る。

本実施形態において、異常有り（例えば、専門家によって引かれた境界の内側のボクセル）と示されている訓練データセット３０のボクセルは、対応するグラウンドトゥルースセット３１において数字１で表されている。それぞれ訓練データセット３０は一つ以上の異常性のある領域を具備し、異常性のあるそれぞれ領域は異常のあるボクセルのみを具備している。

更なる実施形態において、専門家によって特定された領域は、異常性を示す可能性があっても、またはなくても、任意の適切な領域でよい。領域において異なる特徴を有すると決定されたボクセルは、異なる数字で表すことが出来る。

図３は、訓練データセット３０を表した概要図である。訓練データセット３０の領域３２は、専門家によって異常領域として特定されている。異常領域３２におけるそれぞれボクセルは、異常ボクセルとして示され、数字の１が割り当てられている。

本実施形態において、グラウンドトゥルースセット３１は、いくつかのボクセルを検出器の訓練において使用される予定のないボクセルとして示すように修正されている。このようなボクセルは、無関心ボクセルと呼ぶことが出来る。本実施形態では、無関心ボクセルには数字の０を割り当てている。無関心ボクセルは、例えば、正常なボクセルと異常なボクセルとの間の境界上または境界近くにあるボクセルを具備する可能性がある。無関心ボクセルは、ボクセルが正常か異常かがはっきりしないかもしれないボクセルを、ある状況下において有する。

本実施形態において、訓練部２６は、膨張した領域を得るために、異常性のあるそれぞれの領域を膨張させる。例えば、処理回路は、異常性のある領域を二つ乃至三つのボクセル分それぞれの方向に膨張させる。処理回路は、その後膨張した領域内に存在するが異常性を示す領域に存在しない各ボクセルを、無関心ボクセルとして示す。無関心ボクセルとして示された訓練データセット３０のボクセルは、対応するグラウンドトゥルースセットにおいて数字の０で表される。残りのボクセルは、グラウンドトゥルースセットにおいて数字の―１で表され、通常ボクセルとして表されてよい。

図３において、異常領域３２は、膨張した領域３３を得るために、膨張されている。膨張された領域３３にあって、異常領域３２にはないボクセルは、無関心ボクセルとして示され、数字の０が割り当てられる。異常領域でも膨張された領域でもない領域にあるボクセルは、正常ボクセルとして示され、数字の−１が割り当てられる。

グラウンドトゥルースセット３１は、一旦無関心ボクセルを含むように修正されたら、グラウンドトゥルースセットの対応する訓練データセット３０のボクセルのそれぞれを、異常ボクセルか正常ボクセルのどちらか、または無関心ボクセルとして特定する。

図２のプロセスは、正常ボクセルと異常ボクセルとを区別するための検出器の訓練を具備する（本実施形態において、検出器は血栓のボクセルを異常として特定するように訓練されている）。正常と異常の間の境界または境界近くにあるボクセルを無関心ボクセルとして示すことと、これらの無関心ボクセルを検出器の訓練から排除することで、正常ボクセルと異常ボクセルとを区別する検出器の訓練が改善される場合がありうる。ある状況下で、異常領域の厳密な境界を正しく検出するように訓練されるよりも、大半のまたは全ての異常ボクセルを探すように訓練される方が、検出器にとっては大事かもしれない。検出器の訓練から異常領域の境界近くのボクセルを排除することは、ある状況の下だとより速くおよび／またはより効果的な検出器の訓練を提供する可能性がある。

本願における無関心ボクセルは、検出器の訓練から排除されているものの、その他の実施形態において、検出器の訓練における無関心ボクセルの重要性（重要度）は、無関心ボクセルの排除を含んでも含まなくてもよいなど、任意の適切な方法によって調整することが出来る。例えば、無関心ボクセルの重要性は、無関心ボクセルを排除することなく、下げられても良い。

その他の実施形態では、無関心ボクセルとしてボクセルを示すことを実行しない。グラウンドトゥルースセット３１は、訓練データセット３０のそれぞれボクセルを、正常ボクセルまたは異常ボクセルのどちらかとして特定する。

図２のフローチャートのステージ３６で、アライメント部２４は、訓練データセット３０（訓練データセットのそれぞれは、医用画像データセットまたは医用画像ボリュームとして呼ぶことが出来る）と、対応するグラウンドトゥルース３１の複数のセットと、を受け取る。それぞれグラウンドトゥルースセット３１は、対応する訓練データセット３０において−１、０、そして１によって、正常ボクセル、無関心ボクセル、異常ボクセルを示す。

アライメント部２４は、アトラスアライメントにおける使用のために、参考ランドマーク３４のセットも受信する。参考ランドマーク３４のセットは、アトラスデータセットにおける複数の解剖学的ランドマークの位置を具備する。その位置は、アトラスデータセットの座標空間におけるｘ、ｙ、ｚ座標で表される。

アトラスデータセットは、例えば人体の全てまたは一部を表したボリューメトリック撮像データのセットなど、参考データのセットを具備出来る。アトラスデータセットは、解剖学的構造を特定するためにセグメントされた医用画像データセットであってよく、および／または解剖学的構造がラベル付された医用画像データセットであってもよい。アトラスデータセットは、ある程度実質的に対称であってよく、そのアトラスデータセットにおける人体は、実質的に対称である、つまりアトラスデータセットは、人体の周辺に対称の矢状線を有し、この矢状線の周辺では、多く（しかし全てでない）の解剖学的構造は、実質的に対称である。アトラスデータセットの座標系は、アトラスデータセットの対称の矢状線がアトラスデータセットの左右軸の中心を決めるようにして、決められてもよい。

解剖学的ランドマークは、たいてい生体構造（例えば、人体構造）において明確に定義された点である。解剖学的ランドマークは、骨、血管または臓器など解剖学的構造に関して、解剖学的に決めることが出来る。解剖学的ランドマークは、データセットに位置していてよく、そのデータセットの座標枠における座標のセットに割り当てることが出来る。解剖学的ランドマークの位置は、座標空間における点と見做すことが出来る。

本実施形態において、参考ランドマーク３４のセットは、脳の中または近くにランドマークを有する。このようなランドマークの例は、松果体や下垂体の基部を含んでよい。

ステージ３６で、アライメント部２４は、訓練データセット３０のそれぞれとグラウンドトゥルースセット３１のそれぞれとを、参考ランドマークのセットが提供されるアトラスデータセットに対してアライメントする。ステージ３６で任意の適切なアライメント方法が、訓練データセット３０をランドマークに基づくアトラスデータセットへアライメントするために、使用することが出来る。更なる実施形態において、ランドマークが使用されないアライメント方法が実行することが出来る。そのような実施形態の中には、アライメント部２４に参照ランドマーク３４が何も提供されないものがあってもよい。

実施形態に、画像レジストレーションを使用して、訓練データセット３０は、アトラスデータセットへとアライメントされるものがある。例えば、訓練データセット３０の剛体レジストレーションをボクセル輝度に基づいてアトラスへ実行することで、それぞれ訓練データセット３０は、アトラスデータセットへアライメントすることが出来る。剛体レジストレーションの後に、任意で非剛体レジストレーションを実行するようにしてよい。

ステージ３６でそれぞれ訓練データセット３０をアトラスデータセットへとアライメントすることで、それぞれ訓練データセット３０が訓練データセットの対称の矢状線に中心が来るように、アライメント出来る。それぞれの訓練データセットは、一度アライメントされたら、アトラスデータセットと同じく実質的に対称であるだろうし、つまり、訓練データセットの対称の矢状線に中心が来る。

それぞれアライメントされたデータセット（及びアトラスデータセット自体）は、アライメントされたデータセットの対称の矢状線のそれぞれの側について、同一の輝度を有しそうにない場合がある、ということに留意されたい。身体の右側と左側との間で予期される相違点が存在する場合がある。病変またはその他の異常性によって、右側と左側との間で相違点が生じ得る場合がある）。

本実施形態において、アトラスデータセットのある対称領域を、アトラスデータセットから定義する。アトラスデータセットの対称な部分は、ここではブロックと呼ぶ。訓練データセット３０それぞれに対し、ステージ３６の部分としてアライメント部２４は、一度訓練データセット３０がアトラスデータセットへアライメントされたら、訓練データセット３０のそれぞれ対称な部分を選択する。ここで訓練データセット３０の対称な部分は、アトラスデータセットの対称な部分に一致する。アライメントされた訓練データセットの対称な部分は、正中線が中心にあるデータセット３８と呼ぶことが出来る。

アトラスデータセットの対称な部分は、アトラスデータセットによって表された領域のサブ領域である可能性がある。対称的な部分は、対称な部分が対称線の両側で等しい数のボクセルを有するという点において、対称であるだろう。対称線の片側のある各ボクセルは、対称線の反対側のボクセルを、対応する鏡像として持つ。

本実施形態において、アトラスデータセットの対称的な一部分のみが定義されているが、その他の実施形態においてアトラスデータセットの対称的な複数の部分が定義される。例えば、複数のブロックは、アトラスセットの大半または全てがブロックによって覆われているように、定義することが出来る。

アトラスデータセットの対称な部分が、アライメントされたデータセットにおける異常性（本実施形態においては、血栓）が発生しやすいとみなすことができる部分であることがある。ある状況下で、対称な部分は、グラウンドトゥルースに基づいて選択することが出来る。例えば、グラウンドトゥルースデータから、異常が頻発することが既知であるような領域解剖学的構造を、対称領域として表してもよい。対称な部分は、少なくとも一つの解剖学的構造の位置に基づいて、選択出来る。例えば、対称な部分は、松果体を含んで選択出来る。対称な部分は、アトラスデータセットにおいて利用可能な、解剖学的構造のセグメンテーションおよび／またはラべリングを用いてアトラスデータ上で定義することが出来る。

図４は、ブロックの選択例を示している。画像６０と６２は、アトラスデータセットのビューである。アトラスデータセットの対称なボリューメトリック部分（図４に領域７０、７２として示されている）が、ハイライトされている。

本実施形態においてボリューメトリックデータのブロックは、ステージ３６で選択されるが、その他の実施形態では、アライメントされた訓練データセット全体が、図２の処理の後に続くステージに対する正中線が中心にあるデータセット３８として使用される。その他の実施形態において、多数のブロックがステージ３６で選択出来、多数のブロックのそれぞれが異なる検出器を訓練するために使用出来る。

アライメントされたボリューメトリックボリューメトリックデータセット全体について検出器を訓練する代わりに、検出器を訓練するためのボリューメトリックデータのブロックを選択することは、ある状況の下だと、検出器の訓練がより速くおよび／またはより効果的になることがある。またある状況において、検出器が、アライメントされた訓練データセット全体（例えば、脳の全体を覆う訓練データセット）について訓練される代わりに、ブロック（例えば、脳の小さな部分を覆うブロック）について訓練された場合、検出器はより良いパフォーマンスを持つことがある。より特化した環境において訓練することで、検出器の訓練がより効果的になることもある。訓練部２６によって実行される学習タスクは、より特化して作られることより、更に容易になるかもしれない。検出器は、仮により大きなボリュームについて訓練される場合であっても、同程度に一般化する必要はないだろう。

ブロックは、プロセシングマージンと呼ばれる、ブロック端の領域を具備出来る。検出器が訓練される際、プロセシングマージンにおけるボクセル上では訓練できないかもしれない。しかし、プロセシングマージンにおけるボクセルに対するデータは、プロセシングマージン上にない別のボクセルを訓練するために使用することが出来る。例えば、検出器が訓練されるためのそれぞれボクセルに対し、検出器は周りのボクセルからデータを使用する畳み込みカーネルを使用することがあり、その際プロセシングマージンにおけるボクセルをある状況によっては含むことがある。プロセシングマージンのサイズは、使用される畳み込みカーネルのサイズにしうる。

多数のブロックが多数の検出器の訓練において使用される実施形態において、多数のブロックは、少なくともプロセシングマージンの幅の分だけ（ｂｙ ｔｈｅ ｗｉｄｔｈ ｏｆ）ブロックがオーバーラップするように、定義することが出来る。これは、分類器が訓練していない解剖学的領域がないことを保証することができる。

本願実施形態におけるステージ３６を実行するためのアライメント部２４によって使用される方法は、図５のフローチャートに概要が示されている。図５の方法は、訓練データセット３０と関連づけられたグラウンドトゥルース３１とのそれぞれ、に対して実行される。

図５のステージ８０で、アライメント部２４は、訓練データセット３０のうちの一つと、その訓練データセットに関連付けられたグラウンドトゥルース３１とを受信する。アライメント部２４は、訓練データセット３０における複数の解剖学的ランドマークを検出する。訓練データセットで検出された解剖学的ランドマークは、アライメント部２４に供給された参考ランドマーク３４のうちのいくつかまたは全てに対応することが出来る。例えば、アライメント部２４は、訓練データセット３０において、松果体と下垂体のベースを検出することが出来る。アライメント部２４は、訓練データセット３０の座標空間において、検出された各解剖学的ランドマークについての位置を決定する。

訓練データセット３０の座標空間におけるそれぞれランドマークの位置は、アトラスデータセットの座標空間において、対応する参考ランドマークの位置とは違うと予測することが出来る。例えば、ランドマークの関連する位置は、アトラスデータセット中に表された生体構造と患者の生体構造における違いにより、異なる可能性がある。例えば、患者の頭部のスケールの違いである。ランドマークの位置は、アトラスデータセットの被検体の位置決めと患者の位置決めが異なることが原因で、違いを生む可能性がある。

解剖学的ランドマークの検出のための任意の適切な方法が使用出来る。例えば、ランドマーク検出の方法については、次の文献に記載されている手法でもよい。Ｍｏｈａｍｍａｄ Ａ Ｄａｂｂａｈ、Ｓｅａｎ Ｍｕｒｐｈｙ、Ｈｉｐｐｌｙｔｅ Ｐｅｌｌｏ、 Ｒｏｍａｉｎ Ｃｏｕｒｂｏｎ、Ｅｒｉｎ Ｂｅｖｅｒｉｄｇｅ、Ｓｔｅｗａｒｔ Ｗｉｓｅｍａｎ、Ｄａｎｉｅｌ Ｗｙｅｔｈ、Ｉａｎ Ｐｌｏｏｌｅ、Ｄｅｔｅｃｔｉｏｎ ａｎｄ ｌｏｃａｔｉｏｎ ｏｆ １２７ ａｎａｔｏｍｉｃａｌ ｌａｎｄｍａｒｋｓ ｉｎ ｄｉｖｅｒｓｅ ＣＴ ｄａｔａｓｅｔｓ‘， Ｐｒｏｃ. ＳＰＩＥ ９０３４, ＭＥＤＩＣＡＬ Ｉｍａｇｉｎｇ ２０１４： Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ, ９０３４１５ （Ｍａｒｃｈ ２１, ２０１４）。

図５のステージ８２で、アライメント部２４は、ステージ８０で検出された解剖学的ランドマークと参考ランドマーク３４のセットとを使用して、訓練データセット３０をアトラスデータセットにアライメントする。アライメント部２４は、訓練データセット３０におけるそれぞれ解剖学的ランドマークの決定された位置と、その位置に対応する参考ランドマークの位置と、の間の一致を判定する。アライメント部２４は、訓練データセット３０と、対応するランドマーク位置の間の関係性を使用するアトラスデータセットと、の剛体レジストレーションを実行する。例えば、アライメント部２４は、訓練データセット３０におけるランドマークの位置とアトラスデータセットにおける対応するランドマークの位置との間の距離を最小化する最小自乗法を使用して、訓練データセット３０とアトラスデータセットとをアライメントすることが出来る。

アライメント部２４は、剛体レジストレーションの結果を表したレジストレーションデータを収集する。その他の実施形態において、アライメント部２４は、剛体レジストレーションに追加してまたは代わりに、任意の適切なレジストレーション（例えば、アフィンレジストレーションまたは非剛体レジストレーション）を実行することが出来、任意の適切なレジストレーションデータを取得出来る。例えば、レジストレーションデータは、歪んだ空間を含むことがある。

ステージ８２の出力は、アトラスデータセットの座標空間へと変換された、変換済訓練データセットである。

ステージ８４で、アライメント部２４は、変換された訓練データセットの正中線を修正（ｒｅｆｉｎｅ）する。この正中線は、変換された訓練データセットの対称線であり、この場合対称の矢状線である。本実施形態において、初期の正中線は、訓練データセット３０のアトラスデータセットへのアライメントから取得される（アトラスデータセットの既知の正中線を使用する）。

正中線を修正するために、アライメント部２４は、変換済訓練データセット３０の左右反転を実行して、反転させた変換済訓練データセットを変換済訓練データセット３０へとレジストレーションすることで、変換された訓練データセット３０の対称線を決定する。決定された対称線は、変換済訓練データセット３０の正中線とみなされる。その他の実施形態において、正中線を決定する任意の適切な方法が使用出来る。実施形態の中には、ステージ８４が省略されて、アトラスデータセットの正中線が変換された訓練データセット３０の正中線を決定するために使用されるものもある。

ステージ８４の出力は、訓練データセット３０をアトラスデータセットへと関連させるアトラスデータセット変換である。アトラスデータセット変換は、代わりに参考データセット変換と呼ぶことが出来る。

アライメント部２４は、変換された訓練データセット３０におけるそれぞれ解剖学的ランドマークの位置が、なるべく近くで、アトラスデータセットにおける対応する参考ランドマークの位置と一致するように、訓練データセット３０をアトラスデータセットの座標空間へと変換する。変換は、変換された訓練データセット３０の等方性リサンプリングを具備出来る。

本開示において、訓練データセット３０とアトラスデータセットとは、訓練データセット３０とアトラスデータセットとのそれぞれにおけるランドマークの位置を使用して、アライメントされる。その他の実施形態で、任意の適切な方法が、訓練データセット３０をアトラスデータセットにアライメントするのに使用することが出来る。例えば、訓練データセット３０とアトラスデータセットとは、輝度に基づくレジストレーション方法を使用して、レジストレーション出来る。

ステージ８８で、アライメント部２４は、変換された訓練データセットから正中線が中心にあるデータセット３８を抽出する（変換された訓練データセットは、今やアトラスデータセットの座標空間にあり、左右反転を伴うレジストレーションにより修正された正中線を有している。）正中線が中心にあるデータセット３８は、検出器が訓練される予定の、アトラスデータセットの対称部分に対応する変換された訓練データセット３０の対称な部分を具備する（例えば、図４にある７０、７２として示されたブロック）。その対称な部分とは、決定された矢状正中線について対称に抽出された生体構造の狭い領域を表すことが出来る。

本実施形態において、正中線が中心にあるデータセット３８は変換された訓練データセットの一部分のみ具備するが、その他の実施形態では、正中線が中心にあるデータセット３８は変換された訓練データセットの全てを具備する。中には、ステージ８８が省略される実施形態があって良い。

本開示において、一本の正中線が中心にあるデータセット３８（一ブロックと呼ぶことが出来る）は、それぞれ変換された訓練データセットから抽出することが出来る。その他の実施形態において、複数の異なる正中線が中心にあるデータセット（複数のブロック）は、それぞれ変換された訓練データセットから抽出することが出来る。例えば、それぞれブロックは、脳の異なる部分を表すことが出来る。

図５のプロセスのステージ９０において、アライメント部２４は、訓練データセット３０をアトラスデータセット（グラウンドトゥルース３２と訓練データセット３０は、同じ座標空間に定義されている）とアライメントすることで収集された、アトラスデータセット変換８６を使用しながら訓練データセット３０に対応する、グラウンドトゥルース３１から正中線が中心にあるグラウンドトゥルースセット４０を抽出する。正中線が中心にあるグラウンドトゥルースセット４０は、正中線が中心にあるデータセット３８のどのボクセルが正常、無関心、または異常かを示す。

図５の処理の出力は、正中線が中心にあるデータセット３８と、正中線が中心にあるグラウンドトゥルースセット４０とであり、これらは同じ次元にある。

図５のアライメント処理は、複数の訓練データセット３０と関連付けられたグラウンドトゥルース３１とのそれぞれに対して、繰り返される。少なくとも一本の正中線が中心にあるデータセット３８と、少なくとも一本の正中線が中心にあるグラウンドトゥルースセット４０とは、訓練データセット３０と関連付けられたグラウンドトゥルースセット３１とのそれぞれに対して、取得することが出来る。

図２に戻って、正中線が中心にあるデータセット３８と正中線が中心にあるグラウンドトゥルースセット４０とは、アライメントステージ３６の出力として、図２に示されている。本実施形態において、アライメントステージ３６は図５を参照して上で述べられたアライメント処理を具備するが、その他の実施形態では任意の適切なアライメント処理が使用してもよい。

正中線が中心にある各データセット３８は、変換された訓練データセットの対称的な部分である。正中線が中心にある各データセット３８は、脳の同じ解剖学的領域を表したものである。例えば、それぞれ正中線が中心にあるデータセット３８は、図４に７０、７２として示されるような、データの対称なブロックを具備出来る。その他の実施形態において、それぞれ正中線が中心にあるデータセット３８は、訓練データセット３０全体をアトラスデータセットの座標空間へと変換を具備する。

実施形態の中に、ステージ３６のアライメント処理は、それぞれ訓練データセット３０について正中線が中心にあるデータセット３８を一つ以上出力する。所定の訓練データセットに対し、それぞれ正中線が中心にあるデータセット３８は、変換された訓練データセットの異なる対称部分を表したものであってもよい。変換された訓練データセットのそれぞれ抽出された部分は、異なる解剖学的領域に対応する可能性がある。異なる部分は、異なる検出器を訓練するために使用出来る。異なる部分がオーバーラップする可能性がある。

図２の処理のステージ４２で、アライメント部２４は、正中線が中心にあるデータセット３８と正中線が中心にあるグラウンドトゥルースセット４０とを、訓練部２６に渡す。訓練部２６は、アライメント部２４から受け取った、正中線が中心にあるデータセット３８と正中線が中心にあるグラウンドトゥルース４０のうちのいくつかまたは全てを使用して、検出器を訓練する。本実施形態における正中線が中心にあるデータセット３８は、特定の解剖学的領域（例えば、図４に７０、７２として示された領域に対応）を表しているため、検出器はこの解剖学的領域内のボクセルを分類するために訓練される。

本実施形態において、検出器は正常なボクセルと異常なボクセルとを区別するように訓練されており、この異常なボクセルは血栓を表している。その他の実施形態において、異常なボクセルは、異なる病変を表すボクセルの可能性がある。異常なボクセルは、任意の適切な特徴を表したボクセルの可能性もある。さらなる実施形態において、検出器は、ボクセルの二つ以上の種類を区別するように訓練出来る。一つの検出器のみが本開示で訓練されるが、その他の実施形態では複数の検出器が訓練される。異なる検出器は、異なる異常性および／または異なる解剖学的領域に対して、訓練されるかもしれない。

本実施形態の検出器を訓練するための、図２のステージ４２で訓練部２６により使用されるプロセスは、図６のフローチャートによって概要が表されている。その他の実施形態において、異なる検出器訓練方法が図２のステージ４２で使用することが出来る。

図２のステージ４２の入力は、図２のステージ３６のアライメント処理から取得された、正中線が中心にあるデータセット３８と正中線が中心にあるグラウンドトゥルース４０とである。

図６のフローチャートは、正中線が中心にあるデータセット３８のうち一つの単一のデータセットと、対応する正中線が中心にあるグラウンドトゥルースセット４０のうち一つの単一のデータセットとを示している。実際に、図６のプロセスは、複数（任意で、全て）の正中線が中心にあるデータセット３８と正中線が中心にあるグラウンドトゥルース４０とのそれぞれに対して、実行される。

図６の処理のステージ１００で、訓練部２６は、正中線が中心にあるデータセット３８（データＸ）と、正中線が中心にあるグラウンドトゥルース４０（データセットＹ）と、を受け取る。訓練部２６は、正中線が中心にあるデータセット３８を、その正中線で折り畳む。正中線は、正中線が中心にあるデータセット３８を、正中線の第一の側上を第一の部分（この場合、左側Ｘ_Ｌ）と、正中線の第一の側とは反対側における第二の部分（この場合、右側Ｘ_Ｒ）に分割するとみなすことができる。ステージ１００の折り畳みにおいて、左部分Ｘ_Ｌの一部と右部分Ｘ_Ｒのうちの一つは、正中線に対して反転される。反転の後、反転された部分のボクセルは、反転されていない部分のボクセルを覆うと見なすことが出来る。

折り畳まれたデータセットのそれぞれ半分は、正中線が中心にあるデータセット３８によって占められた、座標空間の半分を占めるとみなることが出来る。なぜなら、折り畳まれたデータセットは、正中線の片側上の座標空間を占めるからである。（実際に、正中線の近くに位置したデータで検出器を訓練可能にするために、折り畳まれたデータセットのそれぞれ半分は、プロセシングマージンの幅の分だけ正中線にわたって伸ばすことが出来る）。

図７ａは、訓練データセットをアトラスデータセットの空間座標へと変換することで、訓練データセットから導出された画像１２０の一例を示している。画像１２０の対称な部分（ブロック１２１）は、図７ａでハイライトされている。対称な部分１２１は、変換された訓練データセットから抽出された、正中線が中心にあるデータセットに対応する。

図７ｂは、図７ａの画像部分１２１と同じ部分を示している。対称線１２２は、画像部分１２１の正中線に引かれており、正中線１２２の左側にあたる左部分１２３と、正中線１２２の右側にあたる右部分１２４とに画像部分１２１を分割している。

図７ｂにおいて、正中線が中心にあるデータセット３８は、ボクセルを表すとみなすことができる、立方体のセットとして表されている。画像部分の左右範囲の全体にわたって伸ばされた立方体のセットは、正中線が中心にあるデータセットが折り畳まれる前は、正中線の左に関するまたは右に関する空間が占められていることを表している。

図７ｃは、一旦正中線１２２に沿って折り畳まれた、画像部分１２１を表す。この例では、右部分１２４は、折り畳みによる変化はない。左部分１２３は反転され、反転済左部分１２５となる。右部分１２４と反転された左部分１２５とは、重なり合っている。実際に、右部分１２４と反転された左部分１２５は、正確に重なり合ったとみなすことが出来るが、図７ｃには分かりやすくするために、右部分１２４と反転された左部分１２５のそれぞれが互いに対して僅かに角度をつけて示されている。

画像部分１２１の左から右にかけて伸びている立方体１２６のセットの単一の代わりに、二つの立方体のセット１２７、１２８は、右部分１２４のボクセルと反転された左部分１２５のボクセルとがオーバーレイしていることを表して、折り畳まれた部分の正中線から右側までそれぞれ伸びているものとして示されている。一旦折り畳みが実行されたら、右部分のボクセルと反転された左部分のボクセルとは、空間において正確に同じ位置を占める。鏡像（右部分と左部分）ボクセルのそれぞれペアは、それぞれ個別の輝度を有しており、単一の右部分のボクセルによって二つの輝度値と置き換えられる、と考えてもよいだろう。

正中線が中心にあるデータセット３８の折り畳みは、正中線が中心にあるデータセット３８の空間の半分（この場合、空間の右半分）を占める、折り畳まれたデータセットを作る。折り畳まれたデータセットは、輝度データの左と右とのチャンネルとを具備する。折り畳まれたデータセットのそれぞれボクセルは、右部分のうちの一つと反転された左部分のうちの一つとを表した第一の輝度値と、もう一つの右部分と反転された左部分とを表した第二の輝度値とを有する。

本実施形態において、折り畳まれたデータセット１０２、１０４の二つが取得される。折り畳まれたデータセット１０２と１０４のそれぞれは、左部分と右部分とを表したチャンネルの異なる順番を有する。第一の折り畳まれたデータセット１０２において、左部分Ｘ_Ｌからの輝度データは、右部分から輝度データＸ_Ｒの前にくる。第二の折り畳まれたデータセット１０４において、右部分Ｘ_Ｒからの輝度データは、左部分Ｘ_Ｌから輝度データの前にくる。

訓練部２６は、折り畳まれたグラウンドトゥルースセットを収集するために、正中線が中心にあるグラウンドトゥルースセット４０も、正中線で折り畳む。正中線が中心にあるグラウンドトゥルースセット４０の正中線の左についての左部分Ｙ_Ｌは、正中線が中心にあるデータセット３８の左部分Ｘ_Ｌと対応する。正中線が中心にあるグラウンドトゥルースセット４０の正中線の右についての右部分Ｙ_Ｒは、正中線が中心にあるデータセット３８の右部分Ｘ_Ｒと対応する。

グラウントトルースデータセット４０の左部分Ｙ_Ｌは、第一の折り畳まれたデータセット１０２と関連付けられる。グラウンドトゥルースセット４０の右部分Ｙ_Ｒは、第二の折り畳まれたデータセット１０４と関連付けられる。

ステージ１０６で、セミアトラスチャンネルデータは、第一の折り畳まれたデータセット１０２と第二の折り畳まれたデータセット１０４とに加えられる。第一の折り畳まれたデータセット１０２と第二の折り畳まれたデータセット１０４とのそれぞれは、左部分と右部分Ｘ_Ｌ、Ｘ_Ｒの輝度を表す、二つの輝度チャンネル（及び最初に左側の輝度を並べた第一の折り畳まれたデータセット１０２、最初に右側の輝度を並べた第二の折り畳まれたデータセット１０４）を具備する。本開示において、セミアトラスチャンネルデータは、折り畳まれたデータセットの座標空間におけるそれぞれボクセルに対するｘ、ｙ、ｚ座標を表した三つの追加チャンネルを具備する。

上述のアライメント処理により、折り畳まれたデータセットの座標空間は、アトラスデータセットの座標空間と同じである。しかし、折り畳み処理のため、折り畳まれたデータセットは、当該データセットの座標空間の半分のみを占める（この場合、右半分）。

結果として第一の折り畳まれたデータセットは、それぞれボクセルに対して、左部分における当該データセットのボクセルの輝度、反転された右部分における当該アトラスデータセットのボクセルの輝度、ｘ座標、ｙ座標、ｚ座標とを具備する。第二の折り畳まれたデータセットにおいて、輝度の順番は逆転する。

その他の実施形態の中には、折り畳まれたデータセットに何らｘ、ｙ、ｚチャンネルが加えられないものがある。図６のステージ１０６が省略されるかもしれない。

さらなる実施形態において、セミアトラスの異なる表現を使用出来る。アトラスデータセットはセグメントされ、アトラスデータセットのボクセルは、そのボクセルが属する解剖学的構造を示すために、ラベル付される実施形態がある。

この様な一実施形態において、ステージ１０６で追加されたセミアトラスチャンネルデータは、セグメントされたアトラスデータセットと一致させることで取得された、それぞれボクセルに対するラベルを具備する。別の実施形態では、アトラスデータセットのそれぞれセグメントされた領域は、個別二値マスク（ｉｎｄｉｖｉｄｕａｌ ｂｉｎａｒｙ ｍａｓｋ）として使用され、セミアトラスチャンネルデータは、これらの二値マスクからのデータを具備する。

更なる実施形態において、二値マスクは距離変換を決定するために使用される。それぞれ距離変換は、二値領域の端からの距離を表したものであり、所定のボクセルが特定の二値領域の内側か外側か、そして所定のボクセルが境界に近いかどうか、を示すことが出来る。セミアトラスチャンネルデータは、それぞれボクセルに対する距離変換のための値を具備出来る。

ｘ、ｙ、ｚチャンネルが折り畳まれたデータセットに追加された後、折り畳まれたデータセットは、組み合わされ折り畳まれたデータセットを提供するために組み合わされる。本実施形態において、折り畳まれたデータセットは、組み合わされた折り畳まれたデータセットを形成するために、連結される。その他の実施形態で、任意の適切な折り畳まれたデータセットを組み合わせる方法が使用出来る。さらなる実施形態で、折り畳まれたデータセットは組み合わされない可能性がある。

正中線が中心にあるデータセット３８の折り畳みにより、異常なボクセルを特定するために、正中線が中心にあるデータセット３８の両側からデータを使用する、検出器の訓練を許可する可能性がある。ｘ、ｙ、ｚチャンネルを追加することにより、異常なボクセルを特定するために、検出器は位置データを使用するように訓練されるかもしれない。位置データは、関心のある病変が特に発生しやすい位置が存在する場合もあるので、ある状況下では優先して役目を果たす（ａｃｔ ａｓ ａ ｐｒｉｏｒ）可能性がある。その他の実施形態において、任意の適切なセミアトラスチャンネルデータは、異常なボクセルを特定するために、解剖学的情報（例えば、ボクセルが特定の解剖学的構造の一部かどうか）を使用する、検出器の訓練において使用される可能性がある。

図８は、正中線が中心にあるデータセットと、対応する正中線が中心にあるグラウンドトゥルースセットと、の折り畳みを概要的に表したものを提供する。

正中線が中心にあるデータセット１３０は、左部分、Ｌ、そして右部分、Ｒを具備する。対応する正中線が中心にあるグラウンドトゥルースセット１３２は、左部分Ｌと右部分Ｒとを具備する。正中線が中心にあるデータセット１３０は、反転された右部分Ｒ’を収集するために、右部分Ｒを反転することで折り畳まれる。正中線が中心にあるグラウンドトゥルースセット１３２は、反転された右部分Ｒ’を収集するために、右部分Ｒを反転することで、折り畳まれる。

第一の折り畳まれたデータセット１３４は、正中線が中心にあるデータセット１３０の左部分Ｌの輝度を具備する第一の輝度チャンネルと、正中線が中心にあるデータセット１３０の反転された右部分Ｒ’の輝度を具備する第二の輝度チャンネル、とを有する。第一の折り畳まれたデータセット１３４は、正中線が中心にあるグラウンドトゥルースセット１３２の左部分Ｌとグループ化されている。

第二の折り畳まれたデータセット１３６は、正中線が中心にあるデータセット１３０の反転した右部分Ｒ’の輝度を具備する第一の輝度チャンネルと、正中線が中心にあるデータセット１３０の左部分Ｌの輝度を具備する第二の輝度チャンネルと、を有する。第一の折り畳まれたデータセット１３４は、正中線が中心にあるグラウンドトゥルースセット１３２の反転した右部分Ｒ’とグループ化されている。

追加のｘ、ｙ、ｚチャンネルは、第一の折り畳まれたデータセット１３４と第二の折り畳まれたデータセット１３６とに追加され、その折り畳まれたデータセットは、単一のデータセット１３８を提供するために連結される。

図６に戻って、ステージ１０６の出力は、５つのチャンネルを有する、組み合わされ折り畳まれたデータセットである。二つの輝度チャンネル（輝度チャンネルの一つの順序付けを使用するデータ半分と、輝度チャンネルのその他の順序付けを使用するデータ半分と、を伴う）とｘ、ｙ、ｚチャンネルの５つである。

ステージ１０８で、訓練部２６は、組み合わされ折り畳まれたデータセットからデータのサブセットを抽出する。そのデータのサブセットは、パッチと呼ぶことが出来る。それぞれパッチは、組み合わされ折り畳まれたデータセットによって表された、領域のより小さなサブ領域を表している。

ある場合に、検出器は、正中線が中心にあるデータセット３８それぞれにおける全てのデータについて訓練された場合に、訓練処理の計算時間が膨大なものになることがある。訓練データセット３０のそれぞれにおける異常性の領域３２は、訓練データセットのサイズと比べて非常に小さいかもしれない。初期の訓練データセット３０によって扱われた生体構造の特定の解剖学的領域のみを表す、正中線が中心にあるデータセット３８が収集された場合であっても、専門家によって異常と特定されてきたボクセルは、正中線が中心にあるデータセット３８の非常に小さな部分のみをなお占めるかもしれない。

ある状況下で、訓練において使用される異常なボクセルの数と、訓練において使用される正常なボクセルの数とが同程度であるようなデータについて検出器を訓練することが好ましいことがある。正常なボクセルと異常なボクセルとで同じ数のボクセルを使用することが不可能だとしたら、少なくとも正常なボクセルの数を異常なボクセルの数と比べて、適切な程度にまで減らすことが望ましいかもしれない。

訓練部２６は、検出器を訓練するための、組み合わされ折り畳まれたデータセットの一つ以上のパッチを選択する。パッチは、組み合わされ折り畳まれたデータセットによって表された領域の小さなサブ領域でよい。例えば、本実施形態において、それぞれパッチはサイズが１０ｘ１０ｘ１０ボクセルである。その他の実施形態において、任意の適切なサイズのパッチを使用することが出来る。

本実施形態では、それぞれパッチのサイズは１０ｘ１０ｘ１０ボクセルであるが、検出器はそれぞれボクセルの近接の性質を使用出来るので、データのより大きな部分が検出器の訓練において使用することが出来る。プロセシングマージンは、それぞれパッチに追加することが出来る。プロセシングマージンは、境界領域を具備し、ここで境界領域は、それぞれのパッチの境界の外側である。

本実施形態において、訓練部２６は、組み合わされ折り畳まれたデータセットのそれぞれに対し、対応するグラウンドトゥルースにおいて専門家が異常有りと特定したボクセルを含む一つ以上のパッチを選択する。組み合わされ折り畳まれたデータセットのそれぞれに対し、訓練部２６は、正常と専門家が特定してきたボクセルを含む、一つ以上のパッチを選択することも出来る。

それぞれパッチ位置に対して、二つの訓練パッチが収集される。それぞれ空間的位置に対して、組み合わされ折り畳まれたデータセットは二つのエントリを具備し、そのうちの一方は右部分の輝度から並べられており、もう一方は左部分の輝度から並べられている。第一の訓練パッチは、右部分の輝度から並べられており、そして左部分の輝度から並べられておりものが収集される。

所定のパッチ位置に対する二つの訓練パッチは、ＡおよびＢとして挙げることが出来る。
Ａ．ｃｈ０＝左輝度、ｃｈ１＝右輝度、ＧＴ ｃｌａｓｓ＝左から
Ｂ．ｃｈ０＝右輝度、ｃｈ１＝左輝度、ＧＴ ｃｌａｓｓ＝右から
ここでｃｈ０、ｃｈ１は、第一と第二の輝度チャンネルであり、ＧＴ ｃｌａｓｓは、グラウンドトゥルースのどの部分が使用されるかを示している。

ステージ１１０で、訓練部２６は、組み合わされ折り畳まれたデータセットから抽出されたパッチについて検出器を訓練する。検出器は、異常なボクセルを検出するように訓練された検出器を具備し、本開示における異常なボクセルとは血栓のボクセルである。

検出器は、左右にとらわれることなく、訓練される。検出器は、第一の輝度データが左側と右側のどちらから送られてきたものであるかを考慮に入れることなく、第一と第二の輝度データを使用するように訓練されている。

実施形態の中には、検出器を訓練するためにブースティング方法が使用されるものがある。検出器は、ランダムに選択された異常データをいくつか使用して部分的に訓練し、検出器が特に関連する領域に集中させるよう強制するため（例えば、高吸収の血管と石灰化した松果体との間を区別するよう検出器を訓練するために）、いくつかのデータを除外してもよい。

本開示において、検出器は、畳み込みニューラルネットワークを具備しており、例えば畳み込みニューラルネットワークは、次の文献に述べられている通りである。Ｍａｔｔｈｅｗ Ｂｒｏｗｎ ａｎｄ Ｓａｅｅｄ Ｓｈｉｒｙ Ｇｈｉｄａｒｙ， ‘Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ： ａｎ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｒｏｂｏｔ ｖｉｓｉｏｎ’． Ｔｈｅ １６^ｔｈ Ａｕｓｔｒａｌｉａｎ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ, ＡＩ‘０３, Ｄｅｃ.２００３．その他の実施形態において、検出器は例えば、ニューラルネットワークやランダムフォレスト（ｒａｎｄｏｍ ｄｅｃｉｓｉｏｎ ｆｏｒｅｓｔ）など、任意の適切な検出器を具備出来る。

検出器の訓練処理は、空間的に（例えば、テクスチャ特徴を決定することによって）、また複数のチャンネルにわたり、畳み込みを決定する。畳み込みは、それぞれボクセルの近接の性質を、ボクセル自体の特性と同様に利用することが出来る。畳み込みは、輝度データを空間データと組み合わせて、使用することも出来る。それぞれ畳み込みは、画像輝度の重み付けを具備出来る。

図６には特定の一つのデータセットのみ示されているが、検出器は、複数の（任意で、全ての）訓練データセットから導出されたパッチについて訓練される。

血栓や虚血など僅かな脳卒中の兆候を含む、多くの病変において、病変を検出する専門家は、実質的に対称な解剖学的構造の画像の左側と右側とを比べて、病変が表れているかどうかを決定する。二つの輝度チャンネルを有する折り畳まれたデータセットを収集することで、関心のある病変が表れているかどうかを決定するために、検出器は左側と右側とのデータを比較するように訓練されていてもよい。専門家は、解剖学的情報を利用することが出来る。訓練データにおけるセミアトラスチャンネルを含むことで、検出器は、解剖学的コンテキストを利用するように訓練されてもよい。それぞれ訓練データセットは、アトラスデータセットにアライメントされるので、異なる訓練データセットにおける対応する位置は、同じ生体構造を表すことが出来る。

さらに、全体のデータセットよりもブロックを選択することで、検出器が特定の解剖学的領域に対して訓練されることを可能にすることが出来る。ある状況では、異なる検出器は、例えば脳の異なる部分に対してなど、異なる解剖学的領域に対して訓練することが出来る。

図６の処理の出力は、異常なボクセル（本開示におけるそのボクセルとは、血栓のボクセルのこと）を検出するために訓練されてきた、訓練された検出器４４である。

訓練された検出器４４は、ボクセルがデータセットの右か左かどうかに依らない、基準のセットを使いながら、そのボクセルが異常かどうかを検出するために、訓練される。しかし、その基準のセットは、ボクセルおよびそのボクセルの鏡像ボクセルの輝度、ボクセルの近接、そしてアトラスデータセットの座標空間におけるボクセルの位置を考慮に入れることが出来る。

それぞれ正中線に中心があるデータセット３８から二つの折り畳まれたデータセットを作ることで、訓練データは効果的に使用出来る。状況次第で、使用出来る適切な訓練データが不足するかもしれない。二つの折り畳まれたデータセットを使用することで、使用可能な訓練データは、二倍になったとみなすことができる。訓練データのそれぞれセットは、訓練プロセスにおいて二度使用することが出来るが、一度は訓練データの左部分に、もう一度は訓練データの右部分に対してである。

図２に再び戻って、訓練された検出器４４がステージ４２の出力である。本実施形態における検出器は、図６の処理を使用して訓練されたが、その他の実施形態では、対称線の両側からのデータを使用する任意の適切な訓練処理が、異常なボクセルを検出するために、検出器４４の訓練に使用されてもよい。

図２のステージ４８で、新しいデータセット４６が検出器２８によって受信される。新しいデータセットは、既知のグラウンドトゥルースが存在しないデータセットに対するものである。新しいデータセットが異常なボクセルを具備するかどうかは知られていない。新しいデータセットは、ＣＴスキャナ１４から、またはストレージ（例えば、ＰＡＣＳ）から受信される。

検出器２８は、新たなデータセット４６をアトラスデータセットとアライメントする。本実施形態において、検出器２８は、図５を参考に上述のアライメント方法を使って、新たなデータセット４６をアトラスデータセットとアライメントする。その他の実施形態において、任意のアライメントが使用出来る。

アライメント方法の一部として、検出器２８は、新たなデータセット４６における解剖学的ランドマークを検出し、そのランドマークを使いながら新たなデータセット４６をアトラスデータセットとアライメントし、新たなデータセットの正中線を修正し、新たなデータセット４６に対するアトラスデータセット変換を決定し、変換された新たなデータセットから新たな正中線が中心にあるデータセット１４０を抽出する。新たな正中線データセット１４０は、検出器を訓練するために使用された正中線が中心にあるデータセット３８のように、アトラスデータセットの同じ対称な部分に対応する（例えば、図４で７０、７２として表された部分）。

図２の処理のステージ５０で、検出器２８は、新たな正中線が中心にあるデータセット１４０における異常なボクセルの有無（本実施形態においては、血栓のボクセル）を決定するために、訓練された検出器４４を使用する。任意の適切なプロセスが、このように異常なボクセルの有無を決定するために使用出来る。本開示において、使用される検出プロセスは、図９のフローチャートに詳細に示されている。

図９に行って、ステージ１４２で検出器２８は、第一の部分Ｘ_Ｌと第二の部分Ｘ_Ｒとを収集するために、正中線が中心にあるデータセット１４０（データセットＸ）をその正中線で（正中線が中心にあるデータセットの正中線は、ステージ４８で、正中線が中心にあるデータセットのアライメントの間に決定されてきた）で折り畳む。矢状正中線で折り畳むことは、二つのチャンネルボリュームを生み出し、そのうちの一つのチャンネルはミラー画像化されている。

検出器２８は、二つの折り畳まれたデータセット１４４、１５０を収集する。第一の折り畳まれたデータセット１４４は、正中線が中心にあるデータセットの左部分の輝度を表した第一のチャンネルと、正中線データセットの右部分の輝度を表した第二のチャンネルと、を具備する。第二の折り畳まれたデータセット１５０は、正中線が中心にあるデータセットの右部分の輝度を表した第一のチャンネルと、正中線データセットの左部分の輝度を表した第二のチャンネルと、を具備する。

第一の折り畳まれたデータセット１４４と第二の折り畳まれたデータセット１５０とは、別々に取り扱われる。訓練された検出器４４は、左右にとらわれることなく識別するので、検出器は検出の間に二度適用される。検出器は、左部分と右部分別々に適用される。

ステージ１４６で、セミアトラスチャンネルは、本実施形態においては正中線が中心にあるデータセットの左部分に対するｘ、ｙ、ｚ座標を具備し、第一の折り畳まれたデータセットに追加される。ステージ１４８で、訓練された検出器４４は、セミアトラスチャンネルが追加された、第一の折り畳まれたデータセットに適用される。訓練された検出器４４は、左部分の輝度、右部分の輝度、そしてｘ、ｙ、ｚ座標を使用しながら、正中線が中心にあるデータセット１４０の左部分における異常なボクセルを検出する。

ステージ１５２で、正中線が中心にあるデータセットの左部分に対するｘ、ｙ、ｚ座標を具備するセミアトラスチャンネルは、第二の折り畳まれたデータセットに追加される。ステージ１５４で訓練された検出器４４は、セミアトラスチャンネルが追加されてきた、第二の折り畳まれたデータセットに追加される。訓練された検出器４４は、右部分の輝度、左部分の輝度、ｘ、ｙ、ｚ座標を使用しながら、正中線が中心にあるデータセット１４０の右部分における異常なボクセルを検出する。

代替的な実施形態に、セミアトラスチャンネルが追加されず、ステージ１４６と１５２とが省略されるものがある。更なる実施形態において、例えばラベルまたは二値マスクデータなど、異なるセミアトラスチャンネルが使用される。

訓練された検出器４４が、第二の折り畳まれたデータセット（右データから並んでいる）に適用されるのと同様に、訓練された検出器４４は、第一の折り畳まれたデータセット（左データから並んでいる）に適用される。異常なボクセルの検出において、訓練された検出器４４は、異常なボクセルが、新たな正中線が中心にあるデータセット１４０の左側または右側から送られてきたかについては、考慮しない。

本開示のステージ１４８と１５４において、訓練部２６は、ボクセルが異常である確率（ｐｒｏｂａｂｉｌｉｔｙ）をそれぞれボクセルに割り当てる。例えば、訓練部２６は、それぞれボクセルに０と１との確率を割り当ててもよい。訓練部２６は、ｚスコアをそれぞれボクセルに割り当ててもよい。

図９のプロセスのステージ１５６で、検出器２８は、ステージ１４８で収集された左部分に対する結果を、ステージ１５４で収集された右部分に対する結果に追加する。検出器２８は、その結果、新たな正中線が中心にあるデータセット１４０におけるそれぞれボクセルに対する確率を収集する。

検出器２８は、確率ボリューム５２を出力する。確率ボリューム５２は、新たな正中線が中心にあるデータセット１４０のそれぞれボリュームに対し、ボクセルが異常である確率を具備する。

図２に戻って、ステージ５０の検出の出力は、確率ボリューム５２である。本開示において、ステージ５０の検出は図９の処理を使用して実行されるが、その他の実施形態では任意の適切な検出プロセスが使用出来る。

ステージ５４で、検出器２８は、確率ボリューム５２における確率のそれぞれを、しきい値と比較する。本実施形態において、しきい値は、検出器２８によって格納された所定値である。実施形態の中には、しきい値がユーザによって選択することが出来る。しきい値は、検出において所望の感度や特異度がもたらされるように、選択することが出来る。例えば、しきい値は、結果が偽陰性の低い値になるように選択出来る。

所定のボクセルに対し、異常である確率がしきい値を上回った場合、検出器２８はボクセルを異常有りとして識別する。異常である確率がしきい値を下回った場合、検出器２８はボクセルを正常と識別する。検出器２８は、例えば正常なボクセルには−１、異常なボクセルには１を割り当てるなど、正中線が中心にあるデータセット１４０のボクセルのそれぞれを、正常または異常としてラベル付けする。

図２の処理のステージ５６で、検出器２８は、異常有りとして識別されてきたボクセルを、異常領域へと分類する。異常有りと識別されたボクセルを異常領域に分類するために、任意の適切な方法が使用することが出来る。例えば、連結成分抽出が使用される可能性がある。仮に、異常領域が一つ以上あれば、検出器２８は異常領域にランク付けする。例えば、検出器２８は、異常領域をサイズによってランク付け出来る。検出器２８は、可能性によって異常領域をランク付け出来る。

ステージ５８で、検出器２８は、ランク付けられた異常領域を臨床医（例えば、放射線科医）またはその他ユーザに示す。本実施形態において、検出器２８は、新たなデータセット４６から画像をレンダリングする。検出器２８は、アトラスデータセットの座標空間において収集された異常領域または複数の領域を、例えば図２のステージ４８で生成されたアライメントデータを使用しながら、新たなデータセットの座標空間へと変換する。検出器２８は、レンダリングされた画像上の異常領域または複数の領域を表示する。その他の実施形態で、任意の適切な画像をレンダリングすることが出来る。

それぞれ異常領域は、異なる色で表示される。確率でランク付けられた、検出の表が表示される。異常領域の表をクリックして、異常領域のＭＰＲ（多断面再構成）へとナビゲイトされる。それぞれ検出された異常領域は、ＭＰＲビューにおいて色でハイライトされる。ユーザインターフェースは、ハイライトされた箇所を簡単に除去できるようにする。

本実施形態において、単一の検出器が単一の異常性（血栓）を検出するために訓練されて使用されるが、その他の実施形態では多数の検出器が訓練され使用することが出来る。ステージ５８での表示は、異なる検出器によって検出された異常性の領域を具備する可能性がある。例えば、異なる検出器は異なる病変を検出するために使用出来、または異なる検出器は異なる解剖学的領域にある病変を検出するために使用出来る。その様な実施形態の中には、訓練部２６が、第一の異常性の領域（第一の検出器で検出）と第二の異常性の領域（第二の検出器で検出）とが、例えば異なる色で表示された画像をレンダリングする。一実施形態で、異常領域がレンダリングされた、異常領域のそれぞれに対して色付けられたリストが表示される。リストの項目は、異常性のタイプ（例えば、虚血や高吸収血管）、異常領域に対する解剖学的位置（例えば、左滑液膜皮質または左ＭＣＡ、初めのカッコが抜けている）、異常領域のサイズ、検出のための信頼度合いである。

実施形態に、異常領域は、異常領域をレンダリングすることにより、正常領域として識別された領域とは異なる色で表示される。実施形態の中には、レンダリングされた領域の色は、そのランク付けに依存するものがある。また実施形態には、ランク付けが数字によって示されるものもある。その他の実施形態では、任意の適切な表示方法を使用することが出来る。

実施形態には、臨床医またはその他ユーザに異常領域のリストが提供されるものがある。この異常領域のリストには、例えばランキング、サイズまたは位置情報など、異常領域に関する追加情報を含んでもよい。

本実施形態において、それぞれボクセルは正常または異常のどちらかとしてラベル付けされ表示されるが、その他の実施形態において、臨床医またはその他ユーザへの表示は確率性ボリュームからの確率を使用する。例えば、色のグラデーションのそれぞれの色が異なる確率値を表す、色のグラデーションが使用されるかもしれない。

検出器により検出された異常ボクセルが何もなかったら、ステージ５８で検出器２８は、その様な異常ボクセルの不在を、臨床医またはその他ユーザに表示して提供出来る。

その他の実施形態において、検出器２８は訓練された検出器４４の出力を表した、任意の適切な出力を提供出来る。出力は、複数のボクセル位置のそれぞれで、異常性の存在の確率を表すことが出来る。出力は、異常性の存在を位置の関数として表すことが出来る。

臨床医またはその他ユーザは、更なる検査のための画像の領域を特定するために、表示された情報を使用出来る。例えば、本実施形態において、この表示は血栓の可能性のある領域をいくつか示すことが出来る。臨床医は、領域のそれぞれが実際に血栓の領域であるかどうか、判定を決めるために、血栓の可能性のある領域のそれぞれを検査することが出来る。

図２の方法は、非造影ＣＴにおける脳卒中兆候の検出のために適用された。結果は、訓練中に含まれなかったボリュームから収集された。定量評価は１２０のボリュームにわたって実行され、テストの訓練の間、均等に分けられる。ＲＯＣ ＡＵＣ（受信者操作特性曲線下の面積）の９８．４％が達成された。

図２を参照に上述のような訓練および検出方法を提供することにより、検出器は実質的に対称な解剖学的構造における異常性を検出するために訓練することが出来る。検出器は、例えば所定のボクセルと所定のボクセルのミラー画像の輝度を比較することで、実質的に対称な解剖学的構造の両側からの輝度データを使用しながら、異常性を検出することが出来る。データ折り畳みおよび両側の情報抽出が使用出来る。実質的に対称な解剖学的構造の両側を表したチャンネルからの輝度データを使用することで、一チャンネルからのデータは、その他のチャンネルからのデータを正規化するために考慮されることもある。検出器は、その他のチャンネルからの輝度について、一チャンネルにおける輝度を正規化することを学習することが出来る。

画像データを解釈するにあたり、専門医（例えば、神経放射線科医）は、何千枚もの例を観察することから、学習された経験を使用することが出来る。専門医は、おおよそ左右対称と期待される性質を適切に利用することもある。専門医は、解剖学的コンテキストを利用出来る。図２の方法において、検出器の訓練は、数多くの訓練データセットからの学習された経験を使用する。検出器は、例えば、それぞれボクセルとそれぞれボクセルのミラー画像との間における差分を使用することによる、適当な、おおよそ左右対称と期待される性質を利用する。検出器は、両側比較も実行することが可能である。検出器は、輝度データに加えて、解剖学的コンテキストがｘ、ｙ、ｚ座標データについて訓練されるので、解剖学的コンテキストを利用する可能性がある。

図２の方法は、教師あり学習モデルを通して、自動検出を達成出来る。自動化された検出の使用は、特に病変の僅かな兆候が存在する場合、臨床医の画像の分析に対するスピードや確度を増大させる可能性がある。

ある状況下では、図２の方法で訓練され使用された検出器または複数の検出器は、全体の画像を識別しない可能性があるが、代わりに病変のある領域をハイライトする可能性がある。ＣＮＮは、パッチから自動的に特徴を抽出するために使用されるかもしれない。

左右にとらわれない検出器の使用により、訓練データのそれぞれセットが訓練において二度使用されることを許可することが出来、一度は訓練データの左側に対して、もう一度は訓練データの右側に対する。左右にとらわれない検出器は、異常性が解剖学的構造のどちらかの側上に発生するかもしれない、実質的に対称な解剖学的構造における異常性を検出することに対して、適当な可能性がある。

例えば、血栓は、脳の右側の領域が脳の左側に対応する領域上に比べて、より濃くなるように脳の右側に起こり得る。或いは、血栓は、脳の左側の領域が脳の右側に対応する領域上に比べて、濃くなるように、脳の左側に起こり得る。同じ検出器は、血栓が左側か右側上かどうかを検出するのに使用することが出来る。

上述の実施形態において、図２の方法は、急性脳卒中のために取得された非造影ＣＴにおける血栓の兆候を検出するために使用される。その他の実施形態において、図２の方法は、その他モダリティおよび／または異常性にも適用可能かもしれない。

図２の方法は、例えば虚血および／または梗塞など、一つ以上の僅かな脳卒中の兆候を検出するための検出器を訓練するために、使用され得る。検出器は、虚血および／または梗塞を表す可能性がある、僅かに輝度が低下した領域を特定するために、使用することが出来る。検出器は、灰白質または白質の消失を検出するために使用することが出来る。検出器は、石灰化を検出するために使用出来る。

一実施形態において、検出器は、虚血を検出するために訓練されている。ある状況下で、虚血は、脳の片側の非常に大きな領域として、脳の反対側と比べて僅かに輝度が落ちた領域を有し、医用画像データセットに見えるかもしれない。脳の両側の比較を使用することで、輝度が落ちた大きい領域が特定することが出来る。ある状況下において、輝度が落ちたこのような大きな領域は、ボクセルを識別するために、脳の両側からのデータを使わなかった検出器によって特定されない可能性がある。検出器は、医用画像データのセットの第一の部分のデータ値を、医用画像データのセットの第二の部分に関連して、少なくとも部分的に正規化するように訓練することが出来る。例えば、訓練において、検出器は、医用画像データのセットの第一の部分のデータ値を、医用画像データのセットの第二の部分のデータ値について少なくとも部分的に正規化する効果を有する、規則を発見することもある。

図２の方法は、例えば、任意の適切なヒトや動物の生体構造における、任意の適切な病変など、任意の適当な異常性の検出に適用出来る。図２の方法は、例えば組織運動や液体の流れなど、機能を示す画像の分析に適用することが出来る。

実施形態の中に、骨折の検出に図２の方法が適用されるものがある。例えば、検出器は、骨盤の両側からのデータを使用して、骨盤の僅かな骨折を検出するように訓練出来る。

例えば、ＣＴデータ、コーンビームＣＴデータ、Ｘ線データ、超音波データ、ＭＲデータ、ＰＥＴデータ、またはＳＰＥＣＴデータなど、任意の適切なデータのモダリティを使用することが出来る。

特定の実施形態は、正常な生体構造の大部分が対称な、ボリューメトリックデータにおける病変を特定するための方法を提供する。病変が手動でマーカー付けられてきた、それぞれボリュームに対しては、ボリュームを参考アトラスへとアライメントすること、正中線でデータを分けること、二つのアライメントされた左／右チャンネルを生み出すためにデータの片方を反転すること、そして左と右の病変状態を表す訓練サンプルを抽出すること、訓練サンプルの全体的なセットについて検出器を訓練すること、そして新たなボリュームに対しては、新たなボリュームを参考アトラスにアライメントすること、正中線で新たなボリュームデータを分けること、二つのアライメントされた左／右チャンネルを生み出すために新たなボリュームデータの片方を反転すること、そして左と右の結果に対して訓練された検出器を別々に適用すること、を具備し、チャンネルはそれぞれの場合に適当に順序付けられている。

更なるチャンネルは、アトラス位置をエンコード化するために、追加することが出来る。検出器は、畳み込みニューラルネットワークを具備するかもしれない。検出器は、ランダムフォレストを具備するかもしれない。正中線でデータを分けることは、アトラス空間において定義された多数のブロックの抽出を具備出来る。それぞれのブロック位置は、別々に訓練することが出来る。

本明細書では特定の回路及び処理が説明されたが、代替的な実施形態においては、これらの回路の一つ以上の機能性が単一の処理リソースまたはその他構成要素によって提供されることも可能で、或いは単一の回路によって提供される機能性が二つ以上の処理リソースまたはその他の構成要素の組み合わせで提供されることも可能である。単一回路への言及は、多数の構成要素が互いに離れているか否かにかかわらず、単一の回路の機能性を提供する多数の構成要素を包含し、複数回路への言及は、複数の回路の機能性を提供する単一の構成要素を包含する。

特定の実施形態が説明されたが、これらの実施形態は単に一例として提示されているだけであり、本発明の範囲を限定することを意図としていない。実際、本明細書に説明された新規の方法およびシステムは、他の様々な形態で実施されてもよい。さらに、本明細書に記載される方法およびシステムの形態において、様々な省略、置換、および変形が本発明の趣旨から逸脱することなく行われてもよい。添付の特許請求の範囲およびその均等物は、本発明の範囲内に入るそのような形態および修正形態を含むように意図されている。

１０…医用画像処理装置、１２…計算装置、１４…ＣＴスキャナ、１６…表示スクリーン
１８…入力装置、２０…メモリ、２２…中央処理ユニット（ＣＰＵ）、２４…アライメント部、２６…訓練部、２８…検出器

Claims (10)

1. 多数の医用画像データを受け取る入力部と、
   前記入力部で入力された医用画像データ上において、同一被検体の異なる領域を表す第一の部分と第二の部分とを選択する選択部と、
   前記第一の部分に対応する第一のデータと前記第二の部分に対応する第二のデータとを用いて機械学習に用いる検出器を訓練する訓練部と、
   を具備する医用画像処理装置。
2. 前記第一の部分及び前記第二の部分は、実質的に対称な領域の少なくとも一つか、実質的に同一の形状を有する領域の少なくとも一つか、を表している請求項１記載の医用画像処理装置。
3. 前記第一の部分は、前記医用画像データによって表された解剖学的構造の対称線の一方の領域に対応し、
   前記第二の部分は、前記医用画像データによって表された解剖学的構造の対称線の他方の領域に対応し、
   前記訓練部は、前記第二の部分と、前記第一の部分に関連付けられたグラウンドトゥルースデータとに基づいて、前記被検体における少なくとも一つの異常性の有無を決定するために、前記検出器を訓練する、
   請求項１又は２記載の医用画像処理装置。
4. 前記訓練部は、
   前記第二のデータを用いて、前記第一のデータを少なくとも部分的に正規化し、
   前記正規化された第一のデータを用いて、前記検出器を訓練する、
   請求項１乃至３のうちいずれか一項記載の医用画像処理装置。
5. 前記選択部は、
   前記医用画像データに対して、前記第一の部分が前記第二の部分とが少なくとも部分的に覆うように、前記第一のデータと前記第二のデータとの少なくとも一方の部分について、前記対称線に関するに折り畳み処理を実行し、
   前記折り畳み処理の結果を用いて、前記検出器を訓練する、
   請求項１乃至４のうちいずれか一項記載の医用画像処理装置。
6. 前記訓練部は少なくとも一つのグラウンドトゥルース、一つ以上の異常性の予測位置、少なくとも一つの選択された解剖学的特徴の位置、に基づいて前記第一の部分と前記第二の部分との境界を選択する請求項１乃至５のうちいずれか一項記載の医用画像処理装置。
7. 前記訓練部は、
   異常性の有る領域に近傍する少なくともいくつかの位置に対応する前記グラウンドトゥルースを修正し、
   前記検出器の訓練において前記修正されたグラウンドトゥルースを用いて、前記検出器を訓練する、
   請求項３記載の医用画像処理装置。
8. 前記訓練部は、前記修正されたグラウンドトゥルースの重要度を調整する請求項７記載の医用画像処理装置。
9. 前記選択部は、前記第一の部分及び第二の部分の選択において、
   アトラスデータを使用すること、
   少なくとも一つの解剖学的特徴の予測または実際の位置を使用すること、
   前記多数の医用画像データの少なくとも一つを少なくとも一つのアトラスデータセットにアライメントし、前記第一の部分と前記第二の部分とをレジストレーションすること、
   のうちの少なくとも一つを行う請求項１乃至８のうちいずれか一項記載の医用画像処理装置。
10. コンピュータに、
    多数の医用画像データを受け取る入力機能と、
    前記入力部で入力された医用画像データ上において、同一被検体の異なる領域を表す第一の部分と第二の部分とを選択する選択機能と、
    前記第一の部分に対応する第一のデータと前記第二の部分に対応する第二のデータとを用いて機械学習に用いる検出器を訓練する訓練機能と、
    を実現させる医用画像処理プログラム。