[go: up one dir, main page]

WO2013061548A1 - 画像処理装置および方法並びにプログラム - Google Patents

画像処理装置および方法並びにプログラム Download PDF

Info

Publication number
WO2013061548A1
WO2013061548A1 PCT/JP2012/006672 JP2012006672W WO2013061548A1 WO 2013061548 A1 WO2013061548 A1 WO 2013061548A1 JP 2012006672 W JP2012006672 W JP 2012006672W WO 2013061548 A1 WO2013061548 A1 WO 2013061548A1
Authority
WO
WIPO (PCT)
Prior art keywords
graph
information
representing
vertex
starting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2012/006672
Other languages
English (en)
French (fr)
Inventor
聡志 井原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujifilm Corp filed Critical Fujifilm Corp
Publication of WO2013061548A1 publication Critical patent/WO2013061548A1/ja
Priority to US14/259,849 priority Critical patent/US20140232725A1/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T11/26—
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/162—Segmentation; Edge detection involving graph-based methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G06T2207/10136—3D ultrasound image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20072—Graph-based image processing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Definitions

  • the present invention relates to an image processing apparatus, method, and program for acquiring information representing the position of a starting portion from image data representing a predetermined structure extending and expanding while repeating branching from one starting portion. It is.
  • liver resection surgery When performing surgery to remove an affected area containing a tumor in an organ such as the liver or lung, it is necessary to identify the blood vessel that supplies the tumor and to determine the area of control of the blood vessel as the part to be resected. It is done.
  • the part of the portal vein that feeds the tumor and the area that may be sent with cautionary substances, such as cancer cells, that are governed by that part of the portal vein This is because it is appropriately excised as long as liver function can be maintained. For this reason, it is important to closely simulate where the excision site should be before surgery. For this simulation, the tree structure of blood vessels that run through the lungs and liver (branches from one origin) It is necessary to accurately extract a structure that extends and repeats repeatedly.
  • Patent Document 1 discloses a method in which a region having image characteristics of a target blood vessel structure is detected from image data, and the detected region is thinned. By creating a graph by dividing the thin line by branch points and a predetermined distance, etc., and fitting a shape model of a tree structure that represents the general shape of the target blood vessel structure to the created graph, It has been proposed to extract the tree structure of blood vessels.
  • the starting portion composed of relatively thick blood vessels.
  • the starting portion is often copied at the end of the normal captured image, and in some cases, it is out of the shooting range and may not be captured in the captured image.
  • the graph is created only for the other blood vessel portion excluding the start portion from the image data, the graph is created for the entire target blood vessel structure including the start portion from the image data. If the above-mentioned conventional method of extracting the blood vessel structure by fitting a shape model corresponding to the whole blood vessel structure to the created graph is applied as it is, the blood vessel structure is accurately There is a problem that cannot be extracted.
  • the present invention provides an image processing apparatus and method capable of accurately identifying the position of the starting portion even when the starting portion of the target structure is not sufficiently depicted in the image data, and
  • the purpose is to provide a program.
  • An image processing apparatus is an image processing apparatus that acquires information representing a position of a starting portion from image data in which a predetermined structure extending and expanding while repeating branching from one starting portion is represented.
  • a graph extracting means for extracting a graph presumed to represent a predetermined structure from the image data, and a tree structure representing a general shape of the predetermined structure from a portion corresponding to the starting portion.
  • a shape model storage means storing a plurality of shape models representing a plurality of branched subtree structures, and using a predetermined cost function, a plurality of shape models are selected from a plurality of nodes constituting the extracted graph.
  • Corresponding means for associating a plurality of shape models with the extracted graph by determining corresponding points corresponding to each of the plurality of nodes constituting the graph, and a graph associated with one of the shape models. For each portion, it is determined whether or not there is a graph portion that is not associated with the shape model extending from the vertex of the associated graph portion in the extracted graph, and (a) does not exist If it is determined, the position information of the vertex is acquired as information indicating the position of the starting portion, (b) If it is determined that it exists, the node on the graph part extending from the vertex is Identifying a node present at a position closest to the estimated position by tracing from the vertex so as to approach the estimated position of the starting portion estimated based on the position information of the vertexes of all the associated graph parts, It is characterized by comprising start part information acquisition means for acquiring position information of the identified node as information indicating the position of the start part.
  • the image processing apparatus includes a second graph extraction unit that extracts a graph representing a predetermined structure from the image data using the information representing the position of the start part acquired by the start part information acquisition unit. Further, it may be provided.
  • the graph is a structure composed of a node group and an edge group representing a connection relation between the nodes
  • the tree structure is a graph having a tree structure.
  • the vertex of the graph part associated with the shape model refers to a node corresponding to the root node of the subtree structure represented by the associated shape model.
  • the start part information acquisition unit estimates the position of the center point of the vertices of all the graph parts associated with each of the plurality of shape models as the estimated position of the start part. There may be an extrapolation by a predetermined function for the curve or line of each associated graph part, and an area of a predetermined size where the extrapolation converges or its center position is used. Also good.
  • the graph extracting means detects image features and / or candidate regions having structural features of the predetermined structure from the image data, and thin lines obtained by thinning the candidate regions into branch points and predetermined distances.
  • the graph created by dividing the graph may be extracted as a graph presumed to represent a predetermined structure.
  • the associating means includes a graph portion formed by a set of a plurality of nodes constituting the graph and a plurality of nodes corresponding to a plurality of nodes constituting a plurality of shape models in a correspondence relation set arbitrarily.
  • the evaluation function that evaluates the degree of similarity with the shape model as the predetermined cost function by obtaining a correspondence relationship that achieves maximization of the degree of similarity, the plurality of shape models are associated with each other. It may be attached.
  • predetermined structure for example, blood vessels of the lung, liver or heart, pulmonary artery, pulmonary vein in the lung, portal vein in the liver, coronary artery, hepatic vein, etc. are conceivable.
  • the image processing method of the present invention is a method in which the processing performed by each means of the image processing apparatus is executed by at least one computer.
  • the image processing program of the present invention is a program that causes at least one computer to execute the image processing method.
  • This program is recorded on a recording medium such as a CD-ROM or DVD, or recorded in a downloadable state in a storage attached to a server computer or a network storage, and provided to the user.
  • information representing the position of the starting portion is obtained from image data representing a predetermined structure extending and expanding while repeating branching from one starting portion.
  • a graph presumed to represent the predetermined structure is extracted from the image data, and the tree structure in the tree structure representing the general shape of the predetermined structure is stored in advance in the shape model storage means.
  • a plurality of shape models representing a plurality of subtree structures branched from a portion corresponding to the starting portion are obtained, and a plurality of nodes constituting the extracted graph are selected from a plurality of nodes using a predetermined cost function.
  • Node position information is acquired as information representing the position of the starting part, so even if the starting part of the target structure is not sufficiently depicted in the image data, Position accuracy It can be identified.
  • the starting portion is compared with the conventional method. It is possible to more accurately extract the whole of the predetermined structure including it.
  • the figure which shows schematic structure of the image processing apparatus in this embodiment The figure which shows an example of the image data where the liver vein is shown.
  • the figure which shows an example of the graph extracted by the graph extraction means The figure which shows an example of the shape model memorize
  • storage means The figure which shows an example of the correspondence selected by the matching means.
  • the figure which shows an example when an extension graph part exists only in a part of graph part The figure which shows an example of the image data in which the origin part of a hepatic vein is not drawn clearly
  • FIG. 1 is a schematic configuration diagram of an image processing apparatus 1 according to an embodiment of the present invention.
  • the configuration of the image processing apparatus 1 as shown in FIG. 1 is realized by executing a medical image processing program read into the auxiliary storage device on a computer.
  • the image processing program is stored in a storage medium such as a CD-ROM or distributed via a network such as the Internet and installed in a computer.
  • the image processing apparatus 1 in FIG. 1 extracts a graph representing a predetermined structure from image data in which a predetermined structure extending and expanding while repeating branching from one starting part B is represented.
  • a graph extraction unit 10 an association unit 20, a start part information acquisition unit 30, and a second graph extraction unit 40.
  • the predetermined structure is a hepatic vein as shown in FIG. 2 will be described.
  • the graph extracting means 10 extracts a graph G estimated to represent the hepatic vein from the image data V representing the hepatic vein.
  • the graph extracting means 10 includes an image characteristic of the hepatic vein from the image data V. And / or a candidate region R having structural features is detected, and a graph G created by dividing the thin line obtained by thinning the candidate region R at a branch point, a predetermined distance, or the like represents a hepatic vein Extract as a presumed graph.
  • the image data V is three-dimensional image data of a subject made up of a group of two-dimensional images acquired by, for example, a CT apparatus, an MRI apparatus, an ultrasonic diagnostic apparatus, etc. stored in the data storage means VDB.
  • the graph extraction means 10 first calculates the positions and principal axis directions of a plurality of candidate points constituting the core line of the hepatic vein based on the pixel values of the pixels (voxels) constituting the image data V, or the image data V By calculating the Hessian matrix and analyzing the eigenvalues of the calculated Hessian matrix, position information and principal axis directions of a plurality of candidate points constituting the core line of the hepatic vein are calculated. Then, a feature value representing the likelihood of hepatic veins is calculated for pixels around each candidate point, and whether or not the pixel represents a hepatic vein region is determined based on the calculated feature values, and the hepatic vein region is represented. A set of pixels determined to be a pixel is detected as a candidate region R. Note that the determination based on the feature amount is performed based on an evaluation function acquired in advance by machine learning, for example.
  • Each shape model M i is (in the figure indicated by black dots) end points of the point T B side is a graph of the tree structure whose vertices.
  • the tree structure representing the general shape of the hepatic vein can be acquired by learning a large number of sample images.
  • the cost function E in correspondence arbitrarily set, the graph portion formed by a set of a plurality of candidate points S p that constitute the graph G associated with the plurality of training labels T q constituting the shape model M And an evaluation function for evaluating the similarity between the shape model M and the following expression (1) using a vector x as a variable.
  • the association unit 20 associates the shape model M with the graph G by obtaining an optimal solution (correspondence relationship) that achieves the minimization of the cost function E.
  • R represents a set of correspondences between candidate points and teacher labels in the allowable solution x.
  • ⁇ a is a cost for an arbitrary association a (association of candidate point Sp ′ and teacher label T q ′ ) belonging to the set R, and can be expressed by the following (2).
  • S Tq '( l Sp') represents the angle of the coincidence of the training labels T q 'as a candidate point S p', it can be determined by the following equation (3).
  • l Tq 'is training labels T q' represents the direction vector of the
  • l Sp 'are candidate points S p' represents the direction vector of.
  • P Tq ′ (z Sp ′ ) represents the degree of coincidence between the position of the teacher label T q ′ and the candidate point Sp ′ on the Z axis (in the body axis direction).
  • the value obtained by dividing the position coordinate of T q ′ on the Z axis (in the body axis direction) by the general liver height H T , and the position coordinate of the candidate point Sp ′ on the Z axis as image data It is obtained by comparing with a value normalized by dividing by the height H S of the liver in V.
  • the reason why only the Z-axis coordinates are compared here is that a part of the liver after excision surgery is excised, and the fixed XY-axis coordinates may not be defined. This is because no problem occurs.
  • ⁇ ab in Equation (1) is the two associations a and b belonging to the set R (a: association between the candidate point Sp ′ and the teacher label T q ′ , b: candidate point Sp ” and the teacher This is a cost for a combination of labels T q ′′ ) and can be expressed by the following (4).
  • S Tq'Tq "(X Sp ' X Sp") the teacher label pair (T q', T q " ) segment connecting between the candidate point pair (S p ', S p" )
  • the degree of coincidence of the angle with the line segment that connects them can be represented by the following formula (5).
  • the problem of minimizing the cost function E described above can be solved (determining an optimal solution) by using a probability propagation method with a loop and a dual decomposition (DD) method.
  • DD dual decomposition
  • the start part information acquisition unit 30 acquires information I representing the start part based on the correspondence selected by the association unit 20. Origin information acquiring unit 30 first in the graph for each part G i associated with each shape model M i, in the entire graph G, a graph portion extending from the apex of the graph parts G i either It is determined whether or not there is a graph part that is not associated with the shape model (hereinafter referred to as an extended graph part).
  • the graph part G 1 there are extended graphic portion E 1 and E 4 which extends from the vertex S 4
  • the graph portion G 2 has an extended graph portion E 2 extending from the vertex S 11
  • the graph portion G 3 has an extended graph portion E 3 extending from the vertex S 19.
  • the partial information acquisition means 30 determines that an extended graph portion exists for any of the graph portions G 1 to G 3 .
  • proximal portion information acquiring means 30 the each extension graphic portion is determined that there exists a graphic portion G i that in determining the estimated position of a predetermined start portion of the nodes on the extension graph portion extending from the apex
  • the node existing at the position closest to the estimated position is specified, and the position information of the specified node is acquired as the information I indicating the position of the starting part.
  • the estimated position P of the proximal portion using the position of the center point of the vertices of all the graphic portion G i.
  • the start part information acquisition means 30 first determines the positions of the central points of the vertices S 4 , S 11 and S 19 of all graph parts G 1 to G 3 as the estimated positions of the start parts Calculate as P.
  • proximal portion information acquisition means 30 by traced to approach the nodes on the extension graphic portion that extends from the graphic portion G i to the estimated position P, nodes existing closest to the estimated position P.
  • the node on the extended graph portion E 1 extended from the graph portion G 1 and the node on the extended graph portion E 2 extended from the graph portion G 2 are respectively set to the estimated positions P.
  • both the extended graph portions E 1 and E 2 converge to a single node S 3 existing closest to the estimated position P.
  • the position of the node S 3 is determined. Information is acquired as information I representing the position of the starting part.
  • the node will be graphic portion G 3, by following the vertex S 19 so as to approach the nodes on the extension graphic portion E 3 extending from the vertex S 19 to the estimated position P, which is present at a position closest to the estimated position P identify S 18, and acquires the position information of the node S 18 which is the identified. That is, the origin information acquiring unit 30, as shown in FIG. 7, it acquires the position coordinates of the point S 3 and the point S 18 as the information I representative of the start portion.
  • proximal portion information acquiring unit 30 the for graphic portion G i that is extended graphic portion is determined that there is no in decision acquires position information of the vertices as the information I indicating the position of the proximal portion. For example, as shown in FIG. 8, when there is no extended graph portion extending from the vertex for any of the graph portions G 1 to G 3 , the vertices S 4 , S 11 and S 19 of those graph portions G i are used. Is acquired as information I representing the position of the starting portion.
  • the position information of the vertices S 4 and S 11 of those graph parts is acquired as information I representing the position of the starting part, and for the graph part G 3 in which the extended graph part exists, determine the node S 18 present at a position closest to the estimated position P by following the nodes on the extension graphic portion E 3 extending from the apex S 19 from the vertex S 19 so as to approach the estimated position P of the proximal portion, that acquires position information of the node S 18 identified as information I indicating the position of the proximal portion. That is, the position information of the points S 4 , S 11 and S 18 is acquired as information I representing the position of the starting part.
  • the second graph extracting unit 40 extracts a graph representing the hepatic vein from the image data V using the information I representing the position of the starting part acquired by the starting part information acquiring unit 30. Specifically, the second graph extraction unit 40 associates a shape model that represents the entire tree structure that represents the general shape of the hepatic vein with the graph G created by the graph extraction unit 10. By performing (graph fitting), a graph of a tree structure representing the hepatic vein is extracted. This association processing is performed on the position coordinates of one or more points acquired as information I representing the position of the starting portion.
  • association means described above under the constraint that any node on the graph G that is located is associated with either the root node of the shape model (the node that represents the starting portion) or a node that is located in the vicinity of the root node.
  • the optimum solution correspondence that achieves the minimization of a predetermined cost function is obtained.
  • the graph extraction unit 10 extracts the graph G estimated to represent the hepatic veins from the image data V
  • the association unit 20 is a plurality of shape models M representing a plurality of partial tree structures branched from a portion corresponding to a starting portion in a tree structure representing a general shape of the hepatic vein, which is stored in advance in the shape model storage means DB.
  • a node on the graph portion extending from the vertex is obtained.
  • the node existing at the closest position to the estimated position P is traced from the vertex so as to approach the estimated position P of the starting portion estimated based on the position information of the vertexes of all the associated graph parts. Since the position information of the identified node is identified and acquired as the information I representing the position of the start portion, that is, the start portion displays information I indicating the position of the start portion of the hepatic vein in the image data V. Depicted Since the image data information is not used and is acquired using the image data information in which the previous structure portion branched from the start portion is drawn, the start portion of the target structure is included in the image data. Even when the image is sufficiently drawn, the position of the starting portion can be specified with high accuracy.
  • the starting node information acquisition means 30 has reached the node on the extended graph part extended from the vertex of each graph part, resulting in different nodes for each graph part.
  • the description has been given of the case where all the positional information of a plurality of nodes reached is acquired as information I representing the starting part.
  • a node existing at a position closest to the estimated position P of the part may be further specified, and only the position information of the specified one node may be acquired as information I representing the starting part.
  • the predetermined structure is the hepatic vein, but the predetermined structure is a structure that extends and expands while repeating branching from one starting portion.
  • it may be a blood vessel of the lung or heart, or a portal vein of the liver or a coronary artery.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

画像データから肝静脈を表すものと推定されるグラフ（Ｇ）を抽出し、肝静脈の一般的な形状を表す木構造内の、起始部に対応する部分から分枝した複数の部分木構造を表す複数の形状モデル（Ｍ1，Ｍ2・・・）を取得し、所定のコスト関数を用いて、グラフ（Ｇ）に複数の形状モデル（Ｍ1，Ｍ2・・・）を対応付けし、グラフ（Ｇ）の中に、形状モデル（Ｍｉ）に対応付けられたグラフ部分（Ｇ1，Ｇ2・・・）の頂点から延びるグラフ部分が存在するか否かを判定し、（ａ）存在しないと判定された場合には、その頂点の位置情報を、（ｂ）存在すると判定された場合には、その頂点から延びるグラフ部分上のノードを、起始部の推定位置（Ｐ）に近づくようにその頂点から辿ることによって、推定位置（Ｐ）に最も近い位置に存在するノードを特定し、そのノードの位置情報を起始部の位置を表す情報として取得する。

Description

画像処理装置および方法並びにプログラム
　本発明は、１つの起始部から分枝を繰返しながら広がって延びる所定の構造物が表された画像データからその起始部の位置を表す情報を取得する画像処理装置および方法並びにプログラムに関するものである。
　肝臓・肺などの臓器において腫瘍を含む患部を切除する手術を行う際には、腫瘍に栄養を供給する血管を特定し、その血管の支配領域を切除すべき部分として適切に決定することが求められる。肝臓の切除手術においては、腫瘍に栄養を送っている門脈の部分と、その門脈の部分によって支配される、がん細胞などの注意すべき物質が送られている可能性のある領域を、肝機能を維持できる範囲で適切に切除するためである。このため、術前にどこを切除部位とすべきか綿密にシミュレートすることが重要であり、このシミュレートのために肺や肝臓を走行する血管の木構造（１つの起始部から分枝を繰返しながら広がって延びる構造）を精度よく抽出することが必要とされている。
　画像データから対象の血管構造を自動的に抽出する方法として、特許文献１には、画像データから対象の血管構造の画像的特徴を有する領域を検出し、検出された領域を細線化して得られた細線を分枝点および所定の距離等により分割することによりグラフを作成し、作成されたグラフに対して対象の血管構造の一般的な形状を表す木構造の形状モデルをフィッティングさせることにより、血管の木構造を抽出することが提案されている。
特開２０１１－９８１９５号公報
　ところで、肝静脈等の血管構造を造影剤を注入して撮影すると、比較的太い血管からなる起始部においては造影剤の濃度ムラが生じ、例えば図１０の撮影画像に示す様に、起始部Ｂが鮮明に描出されない場合がある。また、起始部は、通常撮影画像の端部に写されることが多く、場合によっては撮影範囲から外され、撮影画像中に写されないこともある。
　このような場合、画像データからは起始部を除く他の血管部分についてのみグラフが作成されることとなるため、画像データから起始部を含む対象の血管構造の全体についてグラフが作成されていることを前提に、その作成されたグラフに対して血管構造の全体に対応する形状モデルをフィッティングさせることによって血管の構造を抽出する上記従来の方法をそのまま適用したのでは、血管の構造を正確に抽出することができないという問題がある。
　そこで、本発明は、画像データに対象の構造物の起始部が充分に描出されていない場合であっても、その起始部の位置を精度よく特定することができる画像処理装置および方法ならびにプログラムを提供することを目的とする。
　本発明の画像処理装置は、１つの起始部から分枝を繰返しながら広がって延びる所定の構造物が表された画像データから起始部の位置を表す情報を取得する画像処理装置であって、画像データから、所定の構造物を表すものと推定されるグラフを抽出するグラフ抽出手段と、所定の構造物の一般的な形状を表す木構造内の、起始部に対応する部分から分枝した複数の部分木構造を表す複数の形状モデルが記憶された形状モデル記憶手段と、所定のコスト関数を用いて、前記抽出されたグラフを構成する複数のノードの中から複数の形状モデルを構成する複数のノードの各々に対応する対応点を決定することにより、前記抽出されたグラフに複数の形状モデルを対応付けする対応付け手段と、前記いずれかの形状モデルに対応付けられたグラフ部分毎に、前記抽出されたグラフの中に、該対応付けられたグラフ部分の頂点から延びる前記形状モデルと対応付けられていないグラフ部分が存在するか否かを判定し、（ａ）存在しないと判定された場合には、その頂点の位置情報を起始部の位置を表す情報として取得し、（ｂ）存在すると判定された場合には、その頂点から延びるグラフ部分上のノードを、前記対応付けられた全てのグラフ部分の頂点の位置情報に基づいて推定された起始部の推定位置に近づくように前記頂点から辿ることによって、推定位置に最も近い位置に存在するノードを特定し、特定されたノードの位置情報を起始部の位置を表す情報として取得する起始部情報取得手段とを備えたことを特徴とする。
　また、上記画像処理装置は、起始部情報取得手段により取得された起始部の位置を表す情報を用いて、画像データから所定の構造物を表すグラフを抽出する第２のグラフ抽出手段をさらに備えたものであってもよい。
　ここで、グラフは、ノード群とノード間の連結関係を表すエッジ群で構成される構造であり、木構造は、木の構造をしたグラフである。また、形状モデルに応付けられたグラフ部分の頂点は、その対応付けられた形状モデルが表す部分木構造の根ノードに対応するノードをいう。
　また、上記画像処理装置において、起始部情報取得手段は、複数の形状モデルの各々に対応付けられた全てのグラフ部分の頂点の中心点の位置を起始部の推定位置として推定するものであってもよいし、各々の対応付けられたグラフ部分の曲線または線について所定の関数による外挿を求め、それらの外挿が収束する所定の大きさの領域またはその中央位置を用いるようにしてもよい。
　また、グラフ抽出手段は、画像データから所定の構造物の画像的特徴および／または構造的特徴を有する候補領域を検出し、その候補領域を細線化して得られた細線を分岐点および所定の距離などで分割することにより作成したグラフを、所定の構造物を表すものと推定されるグラフとして抽出するものであってもよい。
　また、対応付け手段は、任意に設定された対応関係において、複数の形状モデルを構成する複数のノードに対応づけられた前記グラフを構成する複数のノードの集合により形成されるグラフ部分と複数の形状モデルとの類似度を評価する評価関数を前記所定のコスト関数として用いて、その類似度を最大化を達成する対応関係を求めることによって、前記抽出されたグラフに前記複数の形状モデルを対応付けするものであってもよい。
　また、所定の構造物としては、例えば肺、肝臓または心臓の血管、さらに、肺における肺動脈、肺静脈、肝臓における門脈、冠動脈、肝静脈などが考えられる。
　また、本発明の画像処理方法は、上記画像処理装置の各手段が行う処理を、少なくとも１台のコンピュータにより実行する方法である。
　本発明の画像処理プログラムは、上記画像処理方法を少なくとも１台のコンピュータに実行させるプログラムである。このプログラムは、ＣＤ－ＲＯＭ，ＤＶＤなどの記録メディアに記録され、またはサーバコンピュータに付属するストレージやネットワークストレージにダウンロード可能な状態で記録されて、ユーザに提供される。
　本発明の画像処理装置および方法ならびにプログラムによれば、１つの起始部から分枝を繰返しながら広がって延びる所定の構造物が表された画像データから前記起始部の位置を表す情報を取得する際に、画像データから、所定の構造物を表すものと推定されるグラフを抽出し、形状モデル記憶手段に予め記憶された、所定の構造物の一般的な形状を表す木構造内の前記起始部に対応する部分から分枝した複数の部分木構造を表す複数の形状モデルを取得し、所定のコスト関数を用いて、前記抽出されたグラフを構成する複数のノードの中から複数の形状モデルを構成する複数のノードの各々に対応する対応点を決定することにより、前記抽出されたグラフに複数の形状モデルを対応付けし、いずれかの形状モデルに対応付けられたグラフ部分毎に、前記抽出されたグラフの中に、その対応付けられたグラフ部分の頂点から延びる形状モデルと対応付けられていないグラフ部分が存在するか否かを判定し、（ａ）存在しないと判定された場合には、その頂点の位置情報を起始部の位置を表す情報として取得し、（ｂ）存在すると判定された場合には、その頂点から延びるグラフ部分上のノードを、対応付けられた全てのグラフ部分の頂点の位置情報に基づいて推定された起始部の推定位置に近づくように前記頂点から辿ることによって、推定位置に最も近い位置に存在するノードを特定し、特定されたノードの位置情報を起始部の位置を表す情報として取得しているので、画像データに対象の構造物の起始部が充分に描出されていない場合であっても、その起始部の位置を精度よく特定することができる。
　さらに、その取得された起始部の位置を表す情報を用いて、画像データから所定の構造物を表すグラフを抽出するものである場合には、上記従来の方法に比べて、起始部を含む所定の構造物の全体をより正確に抽出することができる。
本実施形態における画像処理装置の概略構成を示す図 肝静脈があらわされた画像データの一例を示す図 グラフ抽出手段により抽出されたグラフの一例を示す図 形状モデル記憶手段に記憶された形状モデルの一例を示す図 対応付け手段により選択された対応関係の一例を示す図 延長グラフ部分上のノードを推定位置に近づくように辿っていく様子を示す図 その位置座標が起始部を表す情報として取得されるノードの一例を示す図 いずれのグラフ部分にも延長グラフ部分が存在しない場合の一例を示す図 一部のグラフ部分にのみ延長グラフ部分が存在する場合の一例を示す図 肝静脈の起始部が鮮明に描出されていない画像データの一例を示す図
　以下、本発明の画像処理装置および方法ならびにプログラムの実施形態について、図面を参照しながら詳細に説明する。図１は本発明の実施形態となる画像処理装置１の概略構成図である。なお、図１のような画像処理装置１の構成は、補助記憶装置に読み込まれた医用画像処理プログラムをコンピュータ上で実行することにより実現される。このとき、この画像処理プログラムは、ＣＤ－ＲＯＭ等の記憶媒体に記憶され、もしくはインターネット等のネットワークを介して配布され、コンピュータにインストールされる。図１の画像処理装置１は、１つの起始部Ｂから分枝を繰返しながら広がって延びる所定の構造物が表された画像データからその所定の構造物を表すグラフを抽出するものであって、グラフ抽出手段１０、対応付け手段２０、起始部情報取得手段３０、第２のグラフ抽出手段４０を備えている。以下、所定の構造物が、図２に示すような肝静脈である場合について説明する。
　グラフ抽出手段１０は、肝静脈が表された画像データＶから肝静脈を表すものと推定されるグラフＧを抽出するものであって、具体的には、画像データＶから肝静脈の画像的特徴および／または構造的特徴を有する候補領域Ｒを検出し、その候補領域Ｒを細線化して得られた細線を分岐点および所定の距離などで分割することにより作成したグラフＧを、肝静脈を表すものと推定されるグラフとして抽出する。ここで、画像データＶは、データ記憶手段ＶＤＢに記憶されたたとえばＣＴ装置、ＭＲＩ装置、超音波診断装置等により取得された多数の２次元画像の群からなる被写体の３次元画像データである。
　グラフ抽出手段１０は、まず、画像データＶを構成する画素（ボクセル）の画素値に基づいて肝静脈の芯線を構成する複数の候補点の位置と主軸方向とを算出し、あるいは、画像データＶについてヘッセ行列を算出し、算出されたヘッセ行列の固有値を解析することにより、肝静脈の芯線を構成する複数の候補点の位置情報と主軸方向とを算出する。そして、各候補点周辺の画素について肝静脈らしさを表す特徴量を算出し、算出した特徴量に基づいてその画素が肝静脈領域を表すものであるか否かを判別し、肝静脈領域を表すものであると判別された画素の集合を候補領域Ｒとして検出する。なお、特徴量に基づく判別は、たとえばマシンラーニングにより予め取得された評価関数に基づいて行なう。
　そして、グラフ抽出手段１０は、検出した候補領域Ｒを周知の方法により細線化し、細線化処理された線を分岐点および所定の距離などで分割する。そして、分割点および端点を候補点（ノード）Ｓｐ（ｐ＝１～n：nは候補点の数）と定義するとともに、候補点間を結ぶエッジを定義することによりグラフＧを作成する。これにより、たとえば図３に示すようなグラフＧが作成される。
　対応付け手段２０は、コスト関数Ｅを用いて、グラフＧを構成する複数の候補点Ｓｐの中から形状モデル記憶手段ＤＢに記憶された形状モデルＭを構成する複数の教師ラベル（ノード）Ｔｑ（ｑ＝１～ｍ：ｍは教師ラベルの数）の各々に対応する対応点を決定することにより、グラフＧに形状モデルＭを対応付けする。
　ここで、形状モデルＭは、たとえば図４に示すような、肝静脈の一般的な形状を表す木構造内の、起始部Ｂに対応する点ＴＢから分枝した複数の部分木構造を表す複数の形状モデルＭｉ（ｉ＝１～Ｌ：Ｌは形状モデルの数）の集合である。各形状モデルＭｉは、点ＴＢ側の端点（図中では黒点で表示）を頂点とする木構造のグラフである。ここで、肝静脈の一般的な形状を表す木構造は、多数のサンプル画像を学習することによって取得することができる。
　コスト関数Ｅは、任意に設定された対応関係において、形状モデルＭを構成する複数の教師ラベルＴｑに対応づけられたグラフＧを構成する複数の候補点Ｓｐの集合により形成されるグラフ部分と形状モデルＭとの類似度を評価する評価関数であって、ベクトルxを変数とする下記式（1）で表すことができる。対応付け手段２０は、このコスト関数Ｅの最小化を達成する最適解(対応関係)を求めることによって、グラフＧに形状モデルＭを対応付けする。
Figure JPOXMLDOC01-appb-M000001
　上記式（１）において、Ｒは許容解ｘにおける候補点と教師ラベルの対応づけの集合を表す。θａは集合Ｒに属する任意の対応づけａ（候補点Ｓｐ′と教師ラベルＴｑ′の対応付け）に対するコストであり、下記（２）で表すことができる。
Figure JPOXMLDOC01-appb-M000002
　上記式（２）において、ＳＴｑ′（ｌＳｐ′）は教師ラベルＴｑ′と候補点Ｓｐ′の角度の一致度を表し、下記式（３）により求めることができる。式（３）において、ｌＴｑ′は教師ラベルＴｑ′の方向ベクトルを表し、ｌＳｐ′は候補点Ｓｐ′の方向ベクトルを表す。
Figure JPOXMLDOC01-appb-M000003
　また、上記式（２）において、ＰＴｑ′（ｚＳｐ′）は教師ラベルＴｑ′と候補点Ｓｐ′のＺ軸（体軸方向）における位置の一致度を表し、これは、教師ラベルＴｑ′のＺ軸（体軸方向）における位置座標をその一般的な肝臓の高さＨＴで割ることにより正規化した値と、候補点Ｓｐ′のＺ軸における位置座標をその画像データＶ中の肝臓の高さＨＳで割ることにより正規化した値とを比較することにより求める。なお、ここでＺ軸の座標のみを比較するのは、切除手術後の肝臓ではその一部が切除され、固定のＸＹ軸の座標が規定できない場合がある一方、Ｚ軸の座標ではそのような問題が生じないからである。
　一方、式（１）中のθａｂは、集合Ｒに属する２つの対応づけａとｂ（ａ：候補点Ｓｐ′と教師ラベルＴｑ′の対応づけ、ｂ：候補点Ｓｐ″と教師ラベルＴｑ″の対応づけ）の組み合わせに対するコストであり、下記（４）で表すことができる。
Figure JPOXMLDOC01-appb-M000004
　ここで、ＳＴｑ′Ｔｑ″（ＸＳｐ′ＸＳｐ″）は、教師ラベルのペア（Ｔｑ′，Ｔｑ″）間を結ぶ線分と候補点のペア（Ｓｐ′，Ｓｐ″）間を結ぶ線分との角度の一致度を表し、下記式（５）で表すことができる。ここで、Ｘｊ（ｊ＝Ｔｑ′，Ｔｑ″，Ｓｐ′，Ｓｐ″）は各ノードｊの位置ベクトルを表す。
Figure JPOXMLDOC01-appb-M000005
　以上に説明したコスト関数Ｅの最小化問題は、ループ有り確率伝播法、Dual Decomposition (DD)法を用いて解く（最適解を求める）ことができる。これにより、例えば図３に示すグラフＧと図４に示す形状モデルＭに対して、図５に示すような対応関係を最適解として選択することができる。図５に示す対応関係では、全体のグラフＧのうちのグラフ部分Ｇ１が形状モデルＭ１と対応づけられ、グラフ部分Ｇ２が形状モデルＭ２と対応づけられ、グラフ部分Ｇ３が形状モデルＭ１と対応づけられている。
　起始部情報取得手段３０は、対応付け手段２０において選択された前記対応関係に基づいて起始部を表す情報Ｉを取得するものである。起始部情報取得手段３０は、まず、各形状モデルＭｉに対応付けられたグラフ部分Ｇｉ毎に、全体グラフＧの中に、そのグラフ部分Ｇｉの頂点から延びるグラフ部分であっていずれの形状モデルとも対応付けられていないグラフ部分（以下、延長グラフ部分という）が存在するか否かを判定する。
　たとえば、対応付け手段２０において図５に示す対応関係が選択された場合、図６に示すように、グラフ部分Ｇ１には、その頂点Ｓ４から延びる延長グラフ部分Ｅ１とＥ４が存在し、グラフ部分Ｇ２には、その頂点Ｓ11から延びる延長グラフ部分Ｅ２が存在し、グラフ部分Ｇ３には、その頂点Ｓ19から延びる延長グラフ部分Ｅ３が存在しているので、起始部情報取得手段３０は、いずれのグラフ部分Ｇ１～Ｇ３に対しても、延長グラフ部分が存在すると判定することとなる。
　次に、起始部情報取得手段３０は、前記判定において延長グラフ部分が存在すると判定されたグラフ部分Ｇｉ毎に、その頂点から延びる延長グラフ部分上のノードを所定の起始部の推定位置Ｐに近づくように前記頂点から辿ることによって、前記推定位置に最も近い位置に存在するノードを特定し、その特定されたノードの位置情報を起始部の位置を表す情報Ｉとして取得する。ここで、起始部の推定位置Ｐとしては、全てのグラフ部分Ｇｉの頂点の中央点の位置を用いる。
　たとえば図６に示す場合において、起始部情報取得手段３０は、まず、全てのグラフ部分Ｇ１～Ｇ３の頂点Ｓ４，Ｓ11およびＳ19の中央点の位置を起始部の推定位置Ｐとして求める。次いで、起始部情報取得手段３０は、各グラフ部分Ｇｉから延長した延長グラフ部分上のノードを推定位置Ｐに近づくように辿っていくことによって、推定位置Ｐにもっとも近い位置に存在するノードを特定するが、図６に示す場合においては、グラフ部分Ｇ１から延長した延長グラフ部分Ｅ１上のノードとグラフ部分Ｇ２から延長した延長グラフ部分Ｅ２上のノードをそれぞれ推定位置Ｐに近づくように辿っていくと、両方の延長グラフ部分Ｅ１とＥ２は推定位置Ｐに最も近い位置に存在する一点のノードＳ３に収束することとなるので、まず、そのノードＳ３の位置情報を起始部の位置を表す情報Ｉとして取得する。また、グラフ部分Ｇ３についても、その頂点Ｓ19から延びる延長グラフ部分Ｅ３上のノードを推定位置Ｐに近づくように頂点Ｓ19から辿ることによって、推定位置Ｐに最も近い位置に存在するノードＳ18を特定し、その特定されたノードＳ18の位置情報を取得する。すなわち、起始部情報取得手段３０は、図７に示すように、点Ｓ３と点Ｓ18の位置座標を起始部を表す情報Ｉとして取得する。
　一方、起始部情報取得手段３０は、前記判定において延長グラフ部分が存在しないと判定されたグラフ部分Ｇｉについては、その頂点の位置情報を起始部の位置を表す情報Ｉとして取得する。たとえば図８に示すように、いずれのグラフ部分Ｇ１～Ｇ３についてもその頂点から延びるい延長グラフ部分が存在しない場合には、それらのグラフ部分Ｇｉの頂点Ｓ４，Ｓ11およびＳ19の位置情報を起始部の位置を表す情報Ｉとして取得する。
　また、たとえば図９に示すように、全てのグラフ部分Ｇｉのうちの一部のグラフ部分Ｇ３にのみその頂点から延びる延長グラフ部分が存在する場合には、延長グラフ部分が存在しないグラフ部分Ｇ１およびＧ２については、それらのグラフ部分の頂点Ｓ４およびＳ11の位置情報を起始部の位置を表す情報Ｉとして取得し、延長グラフ部分が存在するグラフ部分Ｇ３については、その頂点Ｓ19から延びる延長グラフ部分Ｅ３上のノードを起始部の推定位置Ｐに近づくように頂点Ｓ19から辿ることによって推定位置Ｐに最も近い位置に存在するノードＳ18を特定し、その特定されたノードＳ18の位置情報を起始部の位置を表す情報Ｉとして取得する。すなわち、点Ｓ４，Ｓ11およびＳ18の位置情報を起始部の位置を表す情報Ｉとして取得する。
　第２のグラフ抽出手段４０は、起始部情報取得手段３０により取得された起始部の位置を表す情報Ｉを用いて、画像データＶから肝静脈を表すグラフを抽出する。具体的には、第２のグラフ抽出手段４０は、グラフ抽出手段１０により作成されたグラフＧに対して、今度は肝静脈の一般的な形状を表す木構造の全体を表す形状モデルを対応付け（グラフフィッティング）することにより、肝静脈を表す木構造のグラフを抽出するが、この対応付け処理は、起始部の位置を表す情報Ｉとして取得された１または２以上の点の位置座標に位置するグラフＧ上のノードはいずれも形状モデルの根ノード（起始部を表すノード）または根ノードの近傍に位置するノードのいずれかに対応づけられるという制約条件下で、上述した対応付け手段２０における対応付け処理と同様に、所定のコスト関数の最小化を達成する最適解(対応関係)を求めることによって行う。
　以上に説明したとおり、本実施形態の画像処理装置および方法ならびにプログラムによれば、グラフ抽出手段１０が、画像データＶから、肝静脈を表すものと推定されるグラフＧを抽出し、対応付け手段２０が、形状モデル記憶手段ＤＢに予め記憶された、肝静脈の一般的な形状を表す木構造内の起始部に対応する部分から分枝した複数の部分木構造を表す複数の形状モデルＭｉを取得し、所定のコスト関数Ｅを用いて、前記抽出されたグラフＧを構成する複数のノードＳｐの中から複数の形状モデルＭｉを構成する複数のノードＴｑの各々に対応する対応点を決定することにより、前記抽出されたグラフＧに複数の形状モデルＭｉを対応付けし、起始部情報取得手段３０が、いずれかの形状モデルＭｉに対応付けられたグラフ部分Ｇｉ毎に、前記抽出されたグラフＧの中に、その対応付けられたグラフ部分の頂点から延びる形状モデルと対応付けられていないグラフ部分Ｇｉが存在するか否かを判定し、（ａ）存在しないと判定された場合には、その頂点の位置情報を起始部の位置を表す情報Ｉとして取得し、（ｂ）存在すると判定された場合には、その頂点から延びるグラフ部分上のノードを、対応付けられた全てのグラフ部分の頂点の位置情報に基づいて推定された起始部の推定位置Ｐに近づくように前記頂点から辿ることによって、推定位置Ｐに最も近い位置に存在するノードを特定し、特定されたノードの位置情報を起始部の位置を表す情報Ｉとして取得しているので、すなわち、画像データＶにおける肝静脈の起始部の位置を表す情報Ｉを起始部が描出されている画像データの情報は使用せず、起始部から枝分かれした先の構造部分が描出されている画像データの情報を使用して取得しているので、画像データに対象の構造物の起始部が充分に描出されてい場合であっても、その起始部の位置を精度よく特定することができる。
　また、上記実施の形態では、第２のグラフ抽出手段４０を備えたものである場合について例示しているが、これらの構成は必ずしも必要ではなく、必要に応じて設ければよい。
　また、上記実施の形態では、起始部情報取得手段３０が、各グラフ部分の頂点から延長した延長グラフ部分上のノードをそれぞれ辿っていった結果たどり着いたノードがグラフ部分毎に異なる場合があって、１点のノードに収束しない場合、たどりついた複数のノードの位置情報を全て起始部を表す情報Ｉとして取得するものである場合について説明したが、それらの複数のノードの中から起始部の推定位置Ｐに最も近い位置に存在するノードをさらに特定し、その特定された一点のノードの位置情報のみを起始部を表す情報Ｉとして取得するようにしてもよい。
　また、本実施の形態では、所定の構造物が肝静脈である場合について例示しているが、所定の構造物は、１つの起始部から分枝を繰返しながら広がって延びる構造物であればよく、例えば肺または心臓の血管、あるいは肝臓の門脈、冠動脈であってもよい。

Claims (6)

  1. 　１つの起始部から分枝を繰返しながら広がって延びる所定の構造物が表された画像データから前記起始部の位置を表す情報を取得する画像処理装置であって、
    　前記画像データから、前記所定の構造物を表すものと推定されるグラフを抽出するグラフ抽出手段と、
    　前記所定の構造物の一般的な形状を表す木構造内の、前記起始部に対応する部分から分枝した複数の部分木構造を表す複数の形状モデルが記憶された形状モデル記憶手段と、
    　所定のコスト関数を用いて、前記抽出されたグラフを構成する複数のノードの中から前記複数の形状モデルを構成する複数のノードの各々に対応する対応点を決定することにより、前記抽出されたグラフに前記複数の形状モデルを対応付けする対応付け手段と、
    　前記いずれかの形状モデルに対応付けられたグラフ部分毎に、前記抽出されたグラフの中に、該対応付けられたグラフ部分の頂点から延びる前記形状モデルと対応付けられていないグラフ部分が存在するか否かを判定し、
    （ａ）存在しないと判定された場合には、前記頂点の位置情報を前記起始部の位置を表す情報として取得し、
    （ｂ）存在すると判定された場合には、前記頂点から延びるグラフ部分上のノードを、前記対応付けられた全てのグラフ部分の頂点の位置情報に基づいて推定された前記起始部の推定位置に近づくように前記頂点から辿ることによって、前記推定位置に最も近い位置に存在するノードを特定し、該特定されたノードの位置情報を前記起始部の位置を表す情報として取得する起始部情報取得手段と
    　を備えたことを特徴とする画像処理装置。
  2. 　前記起始部情報取得手段により取得された前記起始部の位置を表す情報を用いて、前記画像データから前記所定の構造物を表すグラフを抽出する第２のグラフ抽出手段を備えたことを特徴とする請求項１記載の画像処理装置。
  3. 　１つの起始部から分枝を繰返しながら広がって延びる所定の構造物が表された画像データから前記起始部の位置を表す情報を取得する画像処理方法であって、
    　前記画像データから、前記所定の構造物を表すものと推定されるグラフを抽出し、
    　形状モデル記憶手段に予め記憶された、前記所定の構造物の一般的な形状を表す木構造内の前記起始部に対応する部分から分枝した複数の部分木構造を表す複数の形状モデルを取得し、
    　所定のコスト関数を用いて、前記抽出されたグラフを構成する複数のノードの中から前記複数の形状モデルを構成する複数のノードの各々に対応する対応点を決定することにより、前記抽出されたグラフに前記複数の形状モデルを対応付けし、
    　前記いずれかの形状モデルに対応付けられたグラフ部分毎に、前記抽出されたグラフの中に、該対応付けられたグラフ部分の頂点から延びる前記形状モデルと対応付けられていないグラフ部分が存在するか否かを判定し、
    （ａ）存在しないと判定された場合には、前記頂点の位置情報を前記起始部の位置を表す情報として取得し、
    （ｂ）存在すると判定された場合には、前記頂点から延びるグラフ部分上のノードを、前記対応付けられた全てのグラフ部分の頂点の位置情報に基づいて推定された前記起始部の推定位置に近づくように前記頂点から辿ることによって、前記推定位置に最も近い位置に存在するノードを特定し、該特定されたノードの位置情報を前記起始部の位置を表す情報として取得する
    　ことを特徴とする画像処理方法。
  4. 　前記取得された前記起始部の位置を表す情報を用いて、前記画像データから前記所定の構造物を表すグラフを抽出することを特徴とする請求項３記載の画像処理方法。
  5. 　１つの起始部から分枝を繰返しながら広がって延びる所定の構造物が表された画像データから前記起始部の位置を表す情報を取得するための画像処理プログラムを記録したコンピュータ読取可能な記録媒体であって
    　前記画像処理プログラムが、コンピュータに、
    　前記画像データから、前記所定の構造物を表すものと推定されるグラフを抽出する手順と、
    　形状モデル記憶手段に予め記憶された、前記所定の構造物の一般的な形状を表す木構造内の前記起始部に対応する部分から分枝した複数の部分木構造を表す複数の形状モデルを取得する手順と、
    　所定のコスト関数を用いて、前記抽出されたグラフを構成する複数のノードの中から前記複数の形状モデルを構成する複数のノードの各々に対応する対応点を決定することにより、前記抽出されたグラフに前記複数の形状モデルを対応付けする手順と、
    　前記いずれかの形状モデルに対応付けられたグラフ部分毎に、前記抽出されたグラフの中に、該対応付けられたグラフ部分の頂点から延びる前記形状モデルと対応付けられていないグラフ部分が存在するか否かを判定し、
    （ａ）存在しないと判定された場合には、前記頂点の位置情報を前記起始部の位置を表す情報として取得し、
    （ｂ）存在すると判定された場合には、前記頂点から延びるグラフ部分上のノードを、前記対応付けられた全てのグラフ部分の頂点の位置情報に基づいて推定された前記起始部の推定位置に近づくように前記頂点から辿ることによって、前記推定位置に最も近い位置に存在するノードを特定し、該特定されたノードの位置情報を前記起始部の位置を表す情報として取得する手順と
    を実行させるためのものであることを特徴とする記録媒体。
  6. 　前記画像処理プログラムが、前記コンピュータに、前記取得された前記起始部の位置を表す情報を用いて、前記画像データから前記所定の構造物を表すグラフを抽出する手順をさらに実行させるためのものであることを特徴とする請求項５記載の記録媒体。
PCT/JP2012/006672 2011-10-26 2012-10-18 画像処理装置および方法並びにプログラム Ceased WO2013061548A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/259,849 US20140232725A1 (en) 2011-10-26 2014-04-23 Image processing apparatus, image processing method, and image processing program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2011234625A JP5748636B2 (ja) 2011-10-26 2011-10-26 画像処理装置および方法並びにプログラム
JP2011-234625 2011-10-26

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US14/259,849 Continuation US20140232725A1 (en) 2011-10-26 2014-04-23 Image processing apparatus, image processing method, and image processing program

Publications (1)

Publication Number Publication Date
WO2013061548A1 true WO2013061548A1 (ja) 2013-05-02

Family

ID=48167404

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2012/006672 Ceased WO2013061548A1 (ja) 2011-10-26 2012-10-18 画像処理装置および方法並びにプログラム

Country Status (3)

Country Link
US (1) US20140232725A1 (ja)
JP (1) JP5748636B2 (ja)
WO (1) WO2013061548A1 (ja)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10210956B2 (en) 2012-10-24 2019-02-19 Cathworks Ltd. Diagnostically useful results in real time
WO2014064702A2 (en) 2012-10-24 2014-05-01 Cathworks Ltd. Automated measurement system and method for coronary artery disease scoring
US10424063B2 (en) 2013-10-24 2019-09-24 CathWorks, LTD. Vascular characteristic determination with correspondence modeling of a vascular tree
JP6672711B2 (ja) 2015-11-04 2020-03-25 富士通株式会社 経路グラフ生成方法、装置、及びプログラム
WO2017199246A1 (en) 2016-05-16 2017-11-23 Cathworks Ltd. Vascular selection from images
EP3457930B1 (en) 2016-05-16 2023-11-15 Cathworks Ltd. System for vascular assessment
CN107643956B (zh) * 2017-08-22 2020-09-01 北京京东尚科信息技术有限公司 定位异常数据的异常起源的方法和装置
EP3657393A1 (en) * 2018-11-20 2020-05-27 Koninklijke Philips N.V. Determination of a further processing location in magnetic resonance imaging
EP3948886B1 (en) 2019-04-01 2025-10-29 CathWorks Ltd. Methods and apparatus for angiographic image selection
US11200976B2 (en) * 2019-08-23 2021-12-14 Canon Medical Systems Corporation Tracking method and apparatus
EP4033964B1 (en) 2019-09-23 2025-04-09 Cathworks Ltd. Methods, apparatus, and system for synchronization between a three-dimensional vascular model and an imaging device
KR102395873B1 (ko) 2020-06-02 2022-05-10 주식회사 메디픽셀 자동으로 혈관 영상을 처리하는 방법 및 장치
KR102399510B1 (ko) * 2020-06-02 2022-05-19 주식회사 메디픽셀 사용자 입력에 기초하여 혈관 영상을 처리하는 방법 및 장치
CN112884877B (zh) * 2021-02-19 2025-05-16 中国科学院微电子研究所 光场显示方法、装置、电子设备及存储介质
WO2023032480A1 (ja) * 2021-08-31 2023-03-09 富士フイルム株式会社 医療画像処理装置、肝区域分割方法およびプログラム
US12315076B1 (en) 2021-09-22 2025-05-27 Cathworks Ltd. Four-dimensional motion analysis of a patient's coronary arteries and myocardial wall
EP4645221A3 (en) 2022-02-10 2025-12-31 Cathworks Ltd. SYSTEM AND METHOD FOR SENSOR ANALYSIS BASED ON MACHINE LEARNING AND VASCULAR TREE SEGMENTATION
US12531159B2 (en) 2023-08-09 2026-01-20 Cathworks Ltd. Post-PCI coronary analysis
US12446965B2 (en) 2023-08-09 2025-10-21 Cathworks Ltd. Enhanced user interface and crosstalk analysis for vascular index measurement
US12512196B2 (en) 2024-06-12 2025-12-30 Cathworks Ltd. Systems and methods for secure sharing of cardiac assessments using QR codes

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03297450A (ja) * 1990-04-17 1991-12-27 Toshiba Corp 画像処理方式
JP2010220742A (ja) * 2009-03-23 2010-10-07 Fujifilm Corp 画像処理装置および方法並びにプログラム
WO2011122035A1 (ja) * 2010-03-31 2011-10-06 富士フイルム株式会社 投影画像生成装置、投影画像生成プログラムおよび投影画像生成方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9672631B2 (en) * 2008-02-14 2017-06-06 The Penn State Research Foundation Medical image reporting system and method
EP2404553B1 (en) * 2009-03-03 2015-06-24 FUJIFILM Corporation Image processing device and method, and program
JP4914517B2 (ja) * 2009-10-08 2012-04-11 富士フイルム株式会社 構造物検出装置および方法ならびにプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03297450A (ja) * 1990-04-17 1991-12-27 Toshiba Corp 画像処理方式
JP2010220742A (ja) * 2009-03-23 2010-10-07 Fujifilm Corp 画像処理装置および方法並びにプログラム
WO2011122035A1 (ja) * 2010-03-31 2011-10-06 富士フイルム株式会社 投影画像生成装置、投影画像生成プログラムおよび投影画像生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DIRK SELLE ET AL.: "Analysis of Vasculature for Liver Surgical Planning", IEEE TRANSCATIONS ON MEDICAL IMAGING, vol. 21, no. 11, November 2002 (2002-11-01), pages 1344 - 1357, XP011076391 *

Also Published As

Publication number Publication date
JP5748636B2 (ja) 2015-07-15
JP2013090799A (ja) 2013-05-16
US20140232725A1 (en) 2014-08-21

Similar Documents

Publication Publication Date Title
JP5748636B2 (ja) 画像処理装置および方法並びにプログラム
US9355458B2 (en) Image processing apparatus, method and program
EP2810598B1 (en) Surgical support device, surgical support method and surgical support program
US9697639B2 (en) Three-dimensional model data generation device, method and program
US8761473B2 (en) Tree structure creation apparatus, method and program
JP5263995B2 (ja) ネットワーク構築装置および方法ならびにプログラム
US9649167B2 (en) Pattern and surgery support set, apparatus, method and program
JP5559642B2 (ja) 手術支援装置、手術支援方法および手術支援プログラム
JP5011426B2 (ja) 画像診断支援装置、方法及びプログラム
US20120275682A1 (en) Tree structure extraction apparatus, method and program
CN114155193B (zh) 一种基于特征强化的血管分割方法及装置
JP5113077B2 (ja) 変形可能なメッシュを用いて画像の後処理を容易にする方法
US9198603B2 (en) Device, method and program for searching for the shortest path in a tubular structure
US20240303927A1 (en) Systems and methods for automatic blood vessel extraction
CN101504727B (zh) 图像处理设备及其方法
WO2022203814A1 (en) Systems and methods for automatic blood vessel extraction
CN114332013B (zh) 基于肺动脉树分级的ct图像靶肺段识别方法
Charnoz et al. Liver registration for the follow-up of hepatic tumors
JP2007061607A (ja) 第１のオブジェクト及び１つ以上の他のオブジェクトを含む画像を処理するための方法及び画像データからの画像を処理するためのシステム
EP2573713A2 (en) Image processing device, method and program
JP5403431B2 (ja) 断層画像処理方法及び装置
Zhong et al. Automatic heart isolation in 3D CT images
US20250160788A1 (en) Method and system for 3d registering of ultrasound probe in laparoscopic ultrasound procedures and applications thereof
JP5745390B2 (ja) 画像処理装置、方法およびプログラム
Drechsler et al. Simulation of portal vein clamping and the impact of safety margins for liver resection planning

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: 12843157

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12843157

Country of ref document: EP

Kind code of ref document: A1