JP2009522005A - 時間横断的かつモダリティ横断的な医療診断 - Google Patents
時間横断的かつモダリティ横断的な医療診断 Download PDFInfo
- Publication number
- JP2009522005A JP2009522005A JP2008548695A JP2008548695A JP2009522005A JP 2009522005 A JP2009522005 A JP 2009522005A JP 2008548695 A JP2008548695 A JP 2008548695A JP 2008548695 A JP2008548695 A JP 2008548695A JP 2009522005 A JP2009522005 A JP 2009522005A
- Authority
- JP
- Japan
- Prior art keywords
- image
- images
- cross
- medical
- time
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 89
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000010191 image analysis Methods 0.000 claims abstract description 7
- 230000002452 interceptive effect Effects 0.000 claims abstract description 5
- 238000012512 characterization method Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 19
- 238000002595 magnetic resonance imaging Methods 0.000 description 80
- 210000001519 tissue Anatomy 0.000 description 73
- 210000000481 breast Anatomy 0.000 description 61
- 230000006870 function Effects 0.000 description 41
- 239000002872 contrast media Substances 0.000 description 29
- 238000012545 processing Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 25
- 206010028980 Neoplasm Diseases 0.000 description 20
- 230000002159 abnormal effect Effects 0.000 description 19
- 239000013598 vector Substances 0.000 description 16
- 238000006073 displacement reaction Methods 0.000 description 15
- 238000003384 imaging method Methods 0.000 description 14
- 238000002347 injection Methods 0.000 description 14
- 239000007924 injection Substances 0.000 description 14
- 238000009607 mammography Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000002864 sequence alignment Methods 0.000 description 12
- 230000003211 malignant effect Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000003672 processing method Methods 0.000 description 9
- 229910052688 Gadolinium Inorganic materials 0.000 description 8
- UIWYJDYFSGRHKR-UHFFFAOYSA-N gadolinium atom Chemical compound [Gd] UIWYJDYFSGRHKR-UHFFFAOYSA-N 0.000 description 8
- 238000012800 visualization Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 201000011510 cancer Diseases 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 206010006187 Breast cancer Diseases 0.000 description 5
- 230000033115 angiogenesis Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 208000026310 Breast neoplasm Diseases 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 210000000577 adipose tissue Anatomy 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 208000004434 Calcinosis Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000036770 blood supply Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 201000007295 breast benign neoplasm Diseases 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- HZHFFEYYPYZMNU-UHFFFAOYSA-K gadodiamide Chemical compound [Gd+3].CNC(=O)CN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC([O-])=O)CC(=O)NC HZHFFEYYPYZMNU-UHFFFAOYSA-K 0.000 description 1
- 229960005063 gadodiamide Drugs 0.000 description 1
- LGMLJQFQKXPRGA-VPVMAENOSA-K gadopentetate dimeglumine Chemical compound [Gd+3].CNC[C@H](O)[C@@H](O)[C@H](O)[C@H](O)CO.CNC[C@H](O)[C@@H](O)[C@H](O)[C@H](O)CO.OC(=O)CN(CC([O-])=O)CCN(CC([O-])=O)CCN(CC(O)=O)CC([O-])=O LGMLJQFQKXPRGA-VPVMAENOSA-K 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 210000004088 microvessel Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000012892 rational function Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000007998 vessel formation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/38—Registration of image sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06T2207/30068—Mammography; Breast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
医用画像診断における時間横断的かつモダリティ横断的な検査の方法を提供する。被検者の第1セットの医用画像にアクセスする。第1セットは第1期間に第1モダリティによって取得される。被検者の第2セットの医用画像にアクセスする。第2セットは第2期間に第2モダリティによって取得される。第1セットおよび第2セットはそれぞれ複数の医用画像を含む。第1セットおよび第2セットの複数の医用画像を所定の空間座標にマッピングすることによって画像位置合わせを実行する。第1セットおよび第2セットに対し、時間横断的な画像マッピングを実行する。対話式の時間横断的な医用画像解析の手段を提供する。
Description
本発明は、画像解析用のデジタル画像処理方法に関し、特に、医用画像における特性が異なる組織(例えば異常組織と正常組織)に対する時間横断的かつモダリティ横断的な(cross−time and cross−modality)検査に関する。
デジタル撮像技術の医療への応用は、例えばCT(コンピュータ断層撮影法)スキャナの臨床的な使用など、1970年代に実施された。その後、X線撮像の使用、デジタルコンピュータの出現、および新たなモダリティ(超音波およびMRI(磁気共鳴撮像法)など)が融合され、診断用撮像技術を向上した。
デジタル撮像技術の使用は医療に貢献している。例えば、脳、腎臓、手足、および心臓内の血管を調べる血管造影検査は、医用デジタル撮像技術および画像処理技術を適応することによって向上した。
デジタル画像によって、コンピュータ化された多次元(空間的および時間的など)の画像解析が可能となった。多次元画像解析は、人体部位の連続した画像による三次元スキャンにおける変化(構造的または機能的)の自動数量化、異物位置検出、一貫した診断の提供などに適用可能である。
さらに、さまざまな医用撮像モダリティは、人体の機能および構造をさまざまに表示する画像を生成するが、このような画像は、適切な医用画像処理ソフトおよび視覚化ツールを利用すれば、診断の精度を著しく向上させる可能性がある。例えば、X線CT(コンピュータ断層撮影法)およびMRI(磁気共鳴撮像法)は、脳の構造は示すが、機能的な情報はほとんど示さない。PET(ポジトロン放出断層撮影法)およびSPECT(単光子放射型コンピュータ断層撮影法)によるスキャンは、脳の機能的な面を表示しメタボリック測定を可能にするが、構造的な表示は得意ではない。さらに、CTおよびMRI画像は、補完的で形態学的な特徴を描写する。例えば、骨や石灰化はCT画像によって最適に表示され、軟部組織構造はMRIによってより良く鑑別される。MRIやCTなどのモダリティでは、通常特定の部位に対し画像が多数収集される。
異なる次元(空間的または時間的)または異なるモダリティによって得られた情報は、多くの場合差異が生じるか、補完的なものとなる。現在の病院の環境では、このような差異または補完的な画像情報は、病院の診療環境、および外科手術や放射線治療の計画および分析の分野における多数のアプリケーション内の構成要素の一つである。
この差異または補完的な情報を効果的に使用するため、医療関係者は視覚的なアライメント装置を使用して、異なる次元または異なるモダリティによる画像の特徴を相互に重ね合わせる。残念ながら複数の画像を相互に組み合わせることは非常に困難であり、経験豊富な放射線科医のような高い訓練を受けた医療関係者であっても、治療計画を患者の現在の病状に即して立てられるように、一連の医用画像を一貫して適切に解釈するのは難しい。
医療関係者が遭遇する別の問題は、現在の医用撮像装置から得られる大量のデータおよび無数の画像である。標準的な1回のスキャンで収集される画像数は100を超え、数百に達する場合も多い。医療関係者は各画像を適切にチェックするために長い時間を費やし、現在の医療技術がもたらす多くの画像によって、すべてのデータを完全に分析するには長い時間が必要とされる。
このため、画像処理/コンピュータビジョン技術を使用して自動的に疾病を検出/診断する効果的な手法が必要である。
特許文献1(Smith)は、参照によって本願明細書に引用したものとするが、医用画像を処理するルールベース手法に関する。この技術では、医用画像データが分類される方法または他の処理を受ける方法を特定するあらかじめプログラムされたルールを適用する。プログラムするルールは、既存のルールから選択したルールを含んでもよく、既存のルールを変更/カスタマイズして新規ルールを作成してもよく、または完全に新しいルールを作成してもよい。しかしながら特許文献1の技術は、信頼性が高く正確な診断および手術計画を立てられるような、1人の患者に対する時間横断的かつモダリティ横断的な医用画像の検査方法は教示していない。
特許文献2(Daw)は、参照によって本願明細書に引用したものとするが、解析状況表示を有するユーザインタフェースに関する。特許文献2は、医用画像の処理方法と視覚化方法について記載している。データ解析が画像に対し実行される間、データに対する実行中または実行済みのコンピュータ解析の結果や状況がディスプレイの左上端に設けられた解析表示によって視覚的に示される。特許文献2の装置では、造影剤に対する応答時間が異なる撮像物質(組織)に対応する画像領域を自動的に検出し鑑別する機能はない。このような機能は、MRI造影画像を使用して悪性および良性の乳房腫瘍を診断する際に特に有用であると、出願人は認識している。
特許文献3(Degani)は、参照によって本願明細書に引用したものとするが、流体が流れ、時間的および空間的な変化を特徴とするシステムを監視する装置と方法に関する。システム内の所定の地点がシステムの状況に応じた複数の時点で監視される。このデータは、システムでの流入(wash−in)動作および流出(wash−out)動作に関連する少なくとも2つの変数の関数として、時間とともに変化するシステムパラメータを示す。
このような曲線/パラメータの研究は、臨床的に腫瘍を特定し、悪性クラスまたは良性クラスに特徴付けるために使用されているが、正確性は不確定であって、概して高感度であるが低特異度となることが多い(例えば非特許文献1参照)。
このようなシステムは、特定の用途においてある程度の成果を上げるかもしれないが、上記の問題を解決し上記の実用的な必要性を満たす医用画像解析用の改良されたデジタル画像処理方法が必要である。
本発明は、画像解析方法に関し、特に、医用画像における特性が異なる組織(例えば異常組織と正常組織)に対する時間横断的かつモダリティ横断的な検査に関する。
本発明の目的は、医用画像における特性が異なる組織(例えば異常組織と正常組織)に対する時間横断的かつモダリティ横断的な検査方法を提供することである。
ここに示す目的は、説明に役立つ例として挙げるものにすぎず、本発明の一つまたは複数の実施形態の例である。開示する発明に本来含まれるその他の望ましい目的や利点は、当業者であれば思い当たるか明らかであろう。本発明は、添付の請求項によって定義されるものである。
本発明は、医用画像における特性が異なる組織(例えば異常組織と正常組織)に対する時間横断的かつモダリティ横断的な検査の画像処理方法およびパターン認識方法を提供する。本方法は、時間横断的な医用画像シーケンス内の組織の特性を任意に分類するステップと、時間横断的かつモダリティ横断的な画像をマッピングするステップと、対話式の時間横断的かつモダリティ横断的な画像検査を実行するステップとを含む。
本発明の一態様では、時間横断的な医用画像シーケンス内における特性が異なる組織に対する時間横断的な検査方法を提供する。本方法は、時間横断的な複数の医用画像シーケンス(例えば造影剤注入前後におけるMRI画像)を取得するステップと、時間横断的な複数の医用画像シーケンス内の空間座標に対する位置合わせを実行するステップと、時間横断的な複数の医用画像シーケンス間での空間座標に対する位置合わせを実行するステップと、位置合わせされた時間横断的な複数の医用画像シーケンスにおいて特性が異なる組織を分類するステップと、時間横断的な検査の分類結果を提示するステップとを含む。
本発明の他の態様では、物理的または非物理的な要因によって補われたMRI造影画像を用いた異常組織の自動検出および鑑別方法を提供する。本方法は、複数のMRI乳房画像セットを取得するステップと、複数のMRI乳房画像を空間座標に対してアライメントするステップと、複数のMRI乳房画像セットと基準MRI画像セットとの差異を求めて複数の差分画像セットを生成するステップと、複数の差分画像セットをセグメント化して強度によってセグメント化された画素を有する複数のMRI乳房画像を生成するステップと、強度によってセグメント化された画素に動的システム同定を適応して複数の動的システムパラメータを生成するステップと、他の物理的または非物理的な要因によって補われた複数のシステムパラメータを異なるクラスに分類するステップとを含む。
本発明のさらに他の態様では、物質の自動分類方法を提供する。本方法は、時間的に連続する複数の画像セットを取得するステップと、複数の画像セットを空間座標に対してアライメントするステップと、複数の画像セットと基準画像セットとの差異を求めて複数の差分画像セットを生成するステップと、複数の差分画像セットをセグメント化し強度によってセグメント化された画素を有する複数の画像を生成するステップと、強度によってセグメント化された画素に対して動的システム同定を適用し複数の動的システムパラメータを生成するステップと、複数のシステムパラメータを異なるクラスに分類するステップとを含む。
本発明のさらに他の態様では、MRI造影画像を利用して異常組織を検出する方法を提供する。本方法は、時間的に連続する複数のMRI乳房画像セットを取得するステップと、複数のMRI乳房画像セットを空間座標に対してアライメントするステップと、複数のMRI乳房画像セットと基準画像セットとの差異を求めて複数の差分画像セットを生成するステップと、複数の差分画像セットをセグメント化して強度によってセグメント化された画素を有する複数のMRI乳房画像セットを生成するステップと、複数のMRI乳房画像セットの強度によってセグメント化された画素に対して動的システム同定を適用して複数の動的システムパラメータを生成するステップと、複数のシステムパラメータを異なるクラスに分類して異常組織を検出するステップとを含む。
本発明の上記の目的とその他の目的および特徴や利点は、添付の図面にも示すが、以下の本発明の実施形態に関するより詳細な説明によって明らかになるであろう。図中の構成要素は、相互の寸法が相対的であるとは限らない。
本発明の好適な実施形態を以下に図を参照しながら詳細に説明する。なお、図中における同じ参照番号は、複数の図における構成内の同じ要素を識別する。
患者に関する時間横断的かつモダリティ横断的な医用画像の観察は、信頼性が高く正確な診断および手術計画の立案に役立てることができる。例えばX線マンモグラフィは、特異度および感度が限られている。X線マンモグラフィによって癌の5%〜15%が見逃されていると報告されている。それに代わる撮像方法であるMRIマンモグラフィは、3mm以上の腫瘍に対し高い感度を示す。
悪性の乳房腫瘍は、特定の大きさに達すると独自の血液供給網を発達させ始めることが知られている。これにより癌は成長を続けることができる。乳房MRIスキャンでは、血流に造影剤を注入することによって、乳房組織への血液供給に関する情報を得ることができる。造影剤は、その血管網を強調することによって腫瘍を「照らし出す」のである。通常スキャンは数回行なわれる。造影剤を注入する前に一回、そして注入後に少なくとももう一回行なわれる。造影剤注入前および注入後の画像が比較され、異なる部分が強調される。二回のスキャンの間に患者が僅かでも体を動かすと、画像の形や大きさがゆがみ、情報の損失につながる。
MRI用の造影剤としては、ガドリニウムまたはガドジアミドが使用され、脳および人体における正常組織と異常組織の対比を可能にする。ガドリニウムは、水のように澄んでおり非放射性である。ガドリニウムは血管に注入された後、人体や頭部に作用している可能性のある異常組織内に蓄積される。ガドリニウムによって、これらの異常な部分はMRIで明るく(強調)表示される。これにより容易に確認できる。ガドリニウムはその後、腎臓によって人体から排泄される。ガドリニウムによって、MRIでより明白に異常組織を示すことが可能となる。腫瘍はガドリニウムが与えられると強調される。腫瘍の正確な大きさと位置は、治療計画を立てたり経過観察に重要である。ガドリニウムは、小さな腫瘍でも明るく表示し確認を容易にするので、それらの検出に役立つ。
ダイナミック造影MRIは、乳癌撮像に使用されるが、特に、X線マンモグラフィに基づく診断において明白でない場合に使用される。MRI分析では、時間分解能が1分程度である一連のT1強調MRI立体像を取得するが、その直前に造影剤(通常ガドペンテト酸ジメグルミン)の静脈注射が行なわれる。撮像対象のボクセル内に造影剤が存在することによって信号が高まり、分析の間、観察することができる。
図1に示すように、このような信号対時間の曲線を分析することによって、組織の異なる種類をそれらの造影剤の取り込み特性の違いによって識別できる。通常、癌にかかった組織は「漏れやすい」血管形成による微小血管のまん延によって取り込み度が高く、また取り込み速度も速い。一方、正常組織および脂肪組織は、取り込み度が低い。取り込み(ダイナミック)曲線は、薬動力学モデルを使用し、曲線を生理学的にパラメータ化することで、多くの場合適応される(ピー・エス・トフツ、ビー・ベルコウィッツ、エム・シュナール(P.S.Tofts、B.Berkowitz、M.Schnall)著、「透過モデルを用いた乳房腫瘍におけるダイナミックGd−DTPA造影の定量分析(Quantitative analysis of dynamic Gd−DTPA enhancement in breast tumours using a permeability model)」、Magn Reson Med 33、pp564−568、1995)。
図2に、本発明による方法を実践するために役立つ画像処理システム10を示す。システム10は、例えば、MRIスキャナなどのデジタルMRI画像源100、デジタル画像記憶装置(CDドライブなど)、またはその他を含む。MRI画像源100からのデジタル画像は、例えばプログラム可能なPCまたはSun Sparcワークステーションなどを含むデジタル画像処理ワークステーションなどの画像処理装置102に送られる。画像処理装置102は、ディスプレイ104(CRTディスプレイや他のモニタなど)、キーボード106、マウス108、またはその他の周知の入力装置に接続可能である。画像処理装置102は、コンピュータ読み取り可能記憶媒体107にも接続される。画像処理装置102は、処理されたデジタル画像を出力装置109に送信する。出力装置109は、ハードコピープリンタ、長期画像記憶装置、他の処理装置への接続、および、例えばインタネットなどに接続された画像通信装置を有してもよい。
以下の説明では、1つの実施形態を方法として説明する。しかしながら他の実施形態では、本発明は、説明する方法によってデジタルMRI画像内の異常組織を検出するコンピュータプログラム製品を有する。本発明の説明において、本発明のコンピュータプログラムは、図2に示すようなPCなど、いかなる周知のコンピュータシステムであっても利用できることを理解されたい。また逆に、他のタイプのコンピュータシステムであっても本発明のコンピュータプログラムを実行するために使用できる。例えば本発明の方法は、デジタルMRI機またはPACS(picture archiving communication system,画像管理システム)に含まれるコンピュータにおいて実行可能である。このためコンピュータシステムについては、ここではこれ以上詳細に論じないものとする。
さらに理解されるであろうが、本発明のコンピュータプログラム製品は、周知の画像処理アルゴリズムや処理方法を利用できる。したがって本発明の説明は、本発明の方法の一部を形成するか、または、より直接的に連携するそれらのアルゴリズムや処理方法に特に向けられる。理解されるであろうが、このように本発明のコンピュータプログラム製品の実施形態は、ここでは具体的に示したり説明したりしていないアルゴリズムおよび処理方法であっても実施に有用であれば含むことができる。このようなアルゴリズムおよび処理方法は、従来技術であって、このような分野における通常の技術である。
本発明のコンピュータプログラム製品に含まれるか連携する画像を生成したり処理するこのようなアルゴリズム、システム、ハードウェア、および/またはソフトウェアは、ここでは具体的に示したり説明したりしていないが、関連技術における周知のこのようなアルゴリズム、システム、ハードウェア、コンポーネント、および構成要素から選択可能である。
図3は、医用画像における特性が異なる組織に対する、時間横断的かつモダリティ横断的な医用画像検査の方法を一般的に示す。より具体的には、図3は特性が異なる組織に対する、時間横断的かつモダリティ横断的な医用画像検査の方法の一実施形態を示すフローチャートである。図3に示す実施形態では、マルチモダリティによる複数の医用画像は、一連の処理を受ける。これらの処理は特定の機能を実施するが、それには1つのモダリティによる医用画像の取得、他のモダリティによる医用画像の取得1204、モダリティ横断的な画像のマッピング1206、時間横断的な医用画像シーケンスにおける任意の組織特性の分類1202、および時間横断的かつモダリティ横断的な対話式検査の実施1208が含まれる。
以下に、図3で示す各処理をより詳細に説明する。なお、ステップ1202で使用する医用画像シーケンスは、造影剤が投与された状態で取得してもよいし、投与されない状態で取得してもよい。造影剤が投与されない状態で医用画像を取得する場合は、ステップ1202において組織の特性を分類する必要はない。
次に図4を参照し、医用画像における特性が異なる組織を時間関数として時間横断的に検査する方法の概要を説明する。図4は、本発明の医用画像における特性が異なる組織に対する時間横断的な検査方法の一実施形態を示すフローチャートである。図4に示す実施形態では、時間横断的な複数の医用画像シーケンスは、一連の処理を受ける(802)。これらの各処理は、シーケンス内位置合わせ804、シーケンス間位置合わせ806、ダイナミック曲線分類808、および視覚化と診断810などの特定の機能を実行する。
画像の位置合わせの概念についてここで述べる。
次に、図5を参照する。包括的な画像位置合わせ処理方法のフローチャートが示されている。画像の位置合わせの目的は、同一対象物の同一特徴点に対応する2つの空間における点を相互にマッピングするように、1つの空間(1つの二次元画像)内の座標ともう1つの空間(もう1つの二次元画像)内の座標とのマッピングを決定することである。2つの画像内の座標のマッピングを決定する処理によって、2つの画像内の対応する点の水平方向変位マップと垂直方向変位マップが得られる。そして水平変位マップおよび垂直変位マップは、対象となる画像のうちの1つの画像を変形し、2つの画像間のずれを最小とする。
画像の位置合わせに関する用語では、位置合わせ処理において対象となる2つの画像は、元画像1020および基準画像1022と呼ばれる。論じる上で、元画像をI(xt,yt,t)、基準画像をI(xt+1,yt+1,t+1)とする。記号xおよびyは、画像座標系の水平座標および垂直座標、tは画像インデックス(画像1,画像2など)である。画像座標系の原点(x=0,y=0)は、画像面の中央に定義される。画像座標xおよびyは整数でなくてもよいことを理解されたい。
実施する上で便利なように、画像(または画像画素)はI(i,j)としてもインデックスが付けられ、単純にするため、iおよびjは必ず整数とし、パラメータtは無視する。このような表現は、離散領域における行列のインデックス付けと関連する。画像(行列)の高さがh、幅がwであるとすると、対応する画像面座標xとyは、位置(i,j)においてx=i−(w−1)/2.0、y=(h−1)/2.0−jとして算出できる。列インデックスiは0からw−1まであり、行インデックスjは0からh−1まである。
一般的には、位置合わせ処理とは、以下が成り立つような最適な変形関数Φt+1(xt,yt)(ステップ1002参照)を求めることである。
[xt+1,yt+1,1]T=Φt+1(xt,yt)[xt,yt,1]T (10−1)
[xt+1,yt+1,1]T=Φt+1(xt,yt)[xt,yt,1]T (10−1)
なお、変形関数Φはグローバル関数またはローカル関数のどちらでもよい。グローバル関数Φであれば、画像内のすべての画素を同じように変形させる。ローカル関数Φであれば、画素内の位置に基づき画像内の画素ごとに異ならせて変形させる。画像位置合わせの作業では、変形関数Φはグローバル関数、ローカル関数、またはそれら2つの組み合わせでもよい。
実際には、変形関数Φは2つの変位マップX(i,j)とY(i,j)を生成し(ステップ1004)、これらのマップは、元画像内の画素を基準画像内の対応する画素の位置と合わせる新たな位置に移動させるための情報を含む。言い換えれば、ステップ1008において元画像は空間的に補正され、位置合わせされた元画像1024となる。X(i,j)とY(i,j)のどちらの変位マップにおいても、列インデックスiは0からw−1、行インデックスjは0からh−1まである。
図6に、位置のずれを補正した結果の例を示す。この図には、元画像1102と基準画像1106が示されている。元画像1102と基準画像1106の間には、さまざまな垂直方向のずれがある。図5で示したステップをこれら2つの画像に適用することによって、垂直方向のずれを補正した元画像(図6に画像1104として示す)を取得できる。
なお、画像の変形関数Φを算出するために用いる位置合わせアルゴリズムは、剛体位置合わせアルゴリズム、非剛体位置合わせアルゴリズム、またはそれら2つの組み合わせであってもよい。当業者であれば理解することであるが、2つの関連する画像における位置のずれを補正するためには変位マップが必要であって、その変位マップを生成する変形係数Φを求めるための作業を実行する位置合わせアルゴリズムは多数存在する。位置合わせアルゴリズムの例は、リディア・ネヌジーら(Lydia Ng et al.)著「ITKを用いた医療における視覚化(Medical Visualization with ITK)」(http://www.itk.org)において参照できる。当業者であればさらに理解することであるが、変位マップを用いた画像の空間的な補正は、適切な画像補間アルゴリズム(例えば、バートホールド・クラウス・ポール・ホーン(Berthold Klaus Paul Horn)著「ロボットビジョン(Robot Vision)」、The MIT Press Cambridge、Massachusetts)を使用することによって実施可能である。
再び図5を参照すると、本発明による上記の画像位置合わせ処理をブラックボックス1000として確認でき、このブラックボックス1000には入力端末A(1032)、入力端末B(1034)、および出力端末D(1036)がある。ブラックボックス1000を用いて、特性が異なる組織に対する本発明による時間横断的な検査について以下に説明する。
図4に示したシーケンス内位置合わせ804およびシーケンス間位置合わせ806の処理について、より詳しく図7を参照して次に説明する。
図7に、対象物(例えば乳房)に対するMRI画像シーケンスの例を示す。MRI画像シーケンス704は、同一対象物(例えば乳房)に対するMRIスライスセット706,708,710の集合を例として含む。各MRIスライスセットは、対象物(乳房)の画像(断面)であるスライスを多数含む。図7に例として示すスライスは、セット706内のスライス(画像)712、セット708内のスライス(画像)714、およびセット710内のスライス(画像)716である。
造影剤が投与された際の、対象物の機能的な時空における変化を捉えるために、MRIスライスセットは意図的に異なる時刻に撮影する。MRIスライスセット間の時間的な隔たりは、例えば1、2分などでもよい。
特性の異なる組織に対する時間横断的な検査を行なうには、シーケンス704の他に、同一対象物(乳房)に対する単数または複数の別のMRI画像シーケンスが必要である。そのような画像シーケンスの例がMRIシーケンス724である。シーケンス724は、シーケンス704とは異なる時刻に取得されている。シーケンス724とシーケンス704との間の時間的な隔たりは、例えば数ヶ月でもよい。
シーケンス704と同様、シーケンス724は同一対象物(乳房)に対するMRIスライスセット726,728,730の集合を例として含む。各MRIスライスセットは、対象物(乳房)の画像(断面)であるスライス画像を多数含む。スライス画像は例として、セット726内のスライス(画像)732、セット728内のスライス(画像)734、およびセット730内のスライス(画像)736である。
上記と同様、時空における対象物の機能的な変化を捉えるために、MRIスライスセットは異なる時刻に撮影する。MRIスライスセット間の時間的な隔たりは、例えば1、2分などでもよい。
シーケンス内位置合わせ(804)とは、同一対象物の同一断面に対するスライス(画像)をMRI画像セットの1つのシーケンス内で位置合わせすることであると定義される。例えば、シーケンス704ではスライス(画像)712,714,716、また、シーケンス724ではスライス(画像)732,734,736である。
シーケンス内位置合わせの実施形態について、各画像セットに対する組織特性検査方法に関係して論じるが、各画像セットは独立した構成要素として機能する。MRI画像を取得する処理の間に発生する対象物(例えば乳房)の動きは避けられないので、対象物の同一断面に対する画像(例えば712,714,716)であってもずれが生じ、シーケンス内位置合わせが必要となる。このずれによって組織特性検査の処理にエラーが生じる可能性がある。
前述のように、特性が異なる組織に対する時間横断的な検査では、同一対象物に対する異なる時間に取得された2つ以上の画像シーケンス(例えばシーケンス704および724)が必要となる。異なるシーケンス内の対応するスライス(スライス712と732など)は、ずれている可能性が高く、またいくらか形状が異なる可能性もある。シーケンス間位置合わせ(806)はこのような場合に必要とされ、異なるシーケンス間の同一対象物の同一断面に対するスライス(画像)を位置合わせすることであると定義される。シーケンス間位置合わせの対象となるスライスのペアは、例えばペア712と732、ペア714と734、およびペア716と736である。
次に図8に進み、画像セットに対する組織特性検査方法(およびステップ808、ダイナミック曲線分類)の概要を説明する。図8は、本発明による異常組織自動検出方法の一実施形態を説明するフローチャートである。なお、図8に示すフローチャートは単独の処理を構成する独立した単位として機能することを理解されたい。つまり、図8に示すフローチャートはステップ808を発展させたものであると解釈されるものではない。むしろ、ステップ808とステップ804が図8のフローチャートに示されるステップを用いて説明されるものである。
図8に示す実施形態では、造影剤注入前と後に取得した複数のMRI乳房画像に対し一連の処理が施こされる。これらの各処理は、アライメント、差し引き、セグメント化、システム同定、および分類など特定の機能を実行する。本発明では、動的なシステムパラメータの分類によって異常組織の検出作業が達成される。
図8に示す実施形態では、第1ステップ202(図4のステップ802および図3のステップ1202に関連する)では、造影剤の注入前および後で複数のMRI乳房画像セットを一回取得する。時間横断的かつモダリティ横断的な検査では、ステップ202を繰り返して、造影剤の注入前と後に別の複数のMRI乳房画像セットをもう一回取得する。当業者であれば理解することであるが、モダリティ横断的な検査では、造影剤が注入されない場合は、異なる複数回に取得された医用画像シーケンス(ステップ202)は、各シーケンス内に画像スライスを1セットしか含まないことも可能である(例えばシーケンス704の706、シーケンス724の726)。前者(注入あり)の場合は、ステップ1202では医用画像シーケンスを取得して時間横断的な医用画像シーケンスにおける組織特性を分類する。後者(注入なし)の場合は、ステップ1202は医用画像シーケンスを取得し、ステップ804およびステップ808は省略される。次の詳細な説明では、造影剤を投与する場合について述べる。
I0(x,y,z)は、造影剤注入前の乳房のMRI画像セットを示し、画像(スライス)は空間順に番号が付けられる。ここで、z∈[1,...,S]は空間順を示すインデックス、Sはセット内の画像数、xおよびyは画像の水平方向および垂直方向のインデックスを各々示し、x∈[1,...,X]、y∈[1,...,Y]である。造影剤投入後、複数のMRI画像セットを取得するが、各セットに対し同一乳房画像と同じ数(S)、同じ空間順zで取得する。複数のMRI画像セットは、例えば約1分の時間分解能で撮影する。このMRI画像セットは、Ik(x,y,z)で表すことができるが、ここでkは時間順を示すインデックスを示しk∈[1,...,K]であり、Kはセット数を示す。例えばセットは、706,708,710(セット数3、K=3)、または、セット726,728,730(セット数3、K=3)である。例えばセット706内のスライスIk(x,y,1)(位置1)(シーケンス704内の最初のセット、k=1)は、スライス712である。
撮像対象のボクセル内に造影剤が存在すると信号が高まるので、画像を取得する処理の間観察することができる。信号対時間の曲線を分析することによって、異なる種類の組織をその造影剤取り込み特性の違いによって識別することができる。異常組織を自動検出するためには、造影剤注入後に撮影されたセット数KのMRI画像セットIk(x,y,z)は、空間座標x,yに対して基準MRI画像セットとステップ204(およびシーケンス内位置合わせ804)において空間的にアライメント(位置ずれ補正)する必要がある。一般的には、MRI画像の基準セットは造影剤注入前に撮影されたMRI画像セットI0(x,y,z)である。アライメント処理は、セット数Kのすべての画像セットにおいて、乳房の同一組織領域に属す画素が必ず同じx,y座標を有するようにする。アライメント処理では、以下が実行される。
ブラックボックス1000(図5参照)を使用すると、Ik(x,y,z)は端末A(1032)に入力され、I0(x,y,z)は端末B(1034)に入力される。そして位置合わせされた画像Ik(x,y,z)は、出力端末D(1036)で取得される。
アライメント関数align(A,B)を実施するのに利用できる方法は例として、端末Aと端末Bの位置を合わせる非剛体位置合わせであり、この方法は医用撮像およびリモートセンシング分野において広く利用されている。位置合わせ処理(位置ずれ補正)に関しては前述のとおりである。当業者であれば理解することであるが、他の位置合わせ方法を利用してもよい。
図1を参照して論じたように、造影剤注入後、異なる乳房組織における画像画素強度の増加は異なる。この現象は、注入後の画像から注入前の画像を差し引くことによって、画像内の異常組織の位置に関するより明確な情報を放射線科医に提供することができることを示す。この情報はMRI乳房元画像から領域を抽出して、異常組織を自動的に検出し差異を求めるためにも利用できる。この情報は図8におけるステップ206において取得され、このステップでは複数のMRI乳房画像セットIk(x,y,z)、k∈[1,...K]を基準MRI画像セットと比較し、複数の差分画像セットδIk(x,y,z)、k∈[1,...K]を生成する。MRI画像セットI0(x,y,z)は、強度基準画像として選択される。差異を求める処理は次のように実行される。
ここで、関数subtraction(A,B)は、AからBを引く。
図8におけるステップ208では、差分画像セットδIk(x,y,z)はセグメント化処理の対象となる。このセグメント化処理では、複数の差分画像セットδIk(x,y,z)をまず評価し、複数のマスク画像セットMk(x,y,z)、k∈[1,...K]を、以下を実行して生成する。
ここで、マスク画像セットMk(x,y,z)、k∈[1,...K]はゼロで初期化され、Tは統計上の強度閾値を示す。Tは、例としての値として経験値10である。
ステップ208におけるセグメント化処理では、複数のMRI乳房画像セットIk(x,y,z)内の画像をマスク画像Mk(x,y,z)内の非ゼロ画素に従ってセグメント化し、複数のMRI乳房画像セット内の画像における強度によってセグメント化された画素を取得する。その結果得られる画像をSk(x,y,z)、k∈[1,...K]とすると、セグメント化の演算は次のように表すことができる。
ここで、画像Sk(x,y,z)はゼロとして初期化される。
図8におけるステップ210は、動的システム同定のステップであって、図9および10を参照して説明する。図9は、図1に示したグラフの繰り返しであるが、図9はステップ関数f(t)で表される曲線302を含み、正常および脂肪組織に関する曲線は削除されている点で異なる。
異常組織を検出することが本発明の目的であるが、より重要なことは良性組織から悪性組織を鑑別することである(注:ステップ関数f(t)はf(t<0)=0;f(t≧0)=|λ|;λ≠0)。セグメント化ステップ208では、画像Sk(x,y,z)内で正常および脂肪組織に属す画素はゼロに設定される。画像Sk(x,y,z)内の残りの画素は、悪性または良性の組織に属する。
悪性の組織と良性の組織を鑑別するのは、静的な形式において、つまり個々の画像内の画素の輝度(強度)を評価するだけでは難しい。それに対しダイナミックな形式では、輝度の変化によってこれら2つの種類の組織を区別する。図9に示すように、悪性組織の輝度(コントラスト)曲線304(m(t))は、時間ゼロから始まり、ステップ関数曲線302よりも上方にすばやく上がり、その後ステップ関数曲線302に漸近的に近づく。一方、良性組織の輝度(コントラスト)曲線306(b(t))は、ステップ関数曲線302の下方をゆっくり上り、その後ステップ関数曲線302(f(t))に漸近的に近づく。
当業者であれば理解することであるが、輝度(コントラスト)曲線304(m(t))は低減衰の動的システムにおけるステップ応答と類似し、一方、輝度(コントラスト)曲線306(b(t))は過減衰の動的システムにおけるステップ応答と類似する。
動的システムの動作を同定するための一般的な方法を例として図10に概略的に示す。不明な動的システム404に対しステップ関数402を励起として使用する。動的システム404からのステップ関数402に対する応答406は、システム404の動的パラメータを判断するためにシステム同定ステップ408に供給される。
図8に示すように、動的システム同定210のシステムモデル化は、ステップ212において達成される。動的システムのモデル化212を実現した例を図11に示すが、この図にはARX(autoregressive,自己回帰)モデル500が示されている(レナート・リュング(Lennart Ljung)著、「システム同定ツールボックス(System identification Toolbox)」、The Math Works参照)。
一般的なARXモデルは、次の式で表すことができる。
y(t)=G(q)f(t)+H(q)ε(t) (1)
ここで、図11に示すように、G(q)(506)とH(q)(504)はシステム伝達関数、u(t)(502)は励起、ε(t)(508)は外乱、y(t)(510)はシステム出力である。伝達関数G(q)(506)とH(q)(504)は、有理関数q-1で示すことができ、分子係数および分母係数は、次の式で示すことができる。
ここで、AおよびBは次に示す遅延演算子q-1の多項式である。
A(q)=1+a1q-1+.......+anaq-na (4)
B(q)=b1+b2q-1+.......+anbq-nb+1 (5)
y(t)=G(q)f(t)+H(q)ε(t) (1)
ここで、図11に示すように、G(q)(506)とH(q)(504)はシステム伝達関数、u(t)(502)は励起、ε(t)(508)は外乱、y(t)(510)はシステム出力である。伝達関数G(q)(506)とH(q)(504)は、有理関数q-1で示すことができ、分子係数および分母係数は、次の式で示すことができる。
A(q)=1+a1q-1+.......+anaq-na (4)
B(q)=b1+b2q-1+.......+anbq-nb+1 (5)
AおよびBが多項式である場合、システムのARXモデルは次のように明示的に書き換えることができる。
y(t)=−a1y(t−1)−...−anay(t−na)+b1u(t−nk)+...bnbu(t−nk−nb+1)+e(t) (6)
式(6)はさらに次の回帰式で書き換えることができる。
係数ベクトルθを求めるシステム同定の解は、次のように表される。
y(t)=−a1y(t−1)−...−anay(t−na)+b1u(t−nk)+...bnbu(t−nk−nb+1)+e(t) (6)
式(6)はさらに次の回帰式で書き換えることができる。
式(9)および(10)では、t0はデータのサンプリング開始時刻であって、Ntはサンプル数である。
図8を再度参照すると、MRI画像内のコントラストおよび輝度が高い領域を良性腫瘍または悪性腫瘍に分類する(分類ステップ214)ために、教師あり学習ステップ218が設けられている。
教師あり学習とは、入力と望ましい出力との組み合わせである模範セットを含む学習処理であると定義される。MRI画像乳房組織を分類する本事例では、模範入力は
及び
(または周知の曲線)、望ましい模範出力は悪性腫瘍を示す指数Omおよび良性腫瘍を示す指数Obである。図8におけるステップ218では、ステップ216から特性(良性または悪性)が判明しているM個のサンプル乳房MRIダイナミック曲線を受け取る。Mの例としての値は、100である。M個の曲線には、悪性腫瘍に属すMm個の曲線と、良性腫瘍に属すMb個の曲線とがある。MmおよびMbの例としての値は50である。ステップ218では、式(8)をすべてのサンプル曲線に適用し、M個の係数ベクトルである
を生成するが、その中のMm個の係数ベクトル(
によって表され、i=1...Mm)は、指数Omによって悪性腫瘍を示し、Mb個の係数ベクトル(
によって表され、i=1...Mb)は、指数Obによって良性腫瘍を示す。これらの学習された係数ベクトル
及び
は分類器を訓練するのに使用され、その後分類器は検出処理または診断処理においてダイナミックコントラスト曲線を分類するために使用される。
特異度(良性腫瘍を悪性腫瘍から鑑別する精度)を上げるには、他の要因(ステップ220)も訓練(学習)および分類処理に組み入れることができる。要因として、造影剤の投与速度、撮像に対する造影剤投与のタイミング、撮影時間、およびスライスの厚さなどが知られている(シー・ダブル・ピッコリ(C.W.Piccoli)著、「造影乳房MRI:感度および特異度に影響を与える要因(Contrast−enhanced breast MRI:factors affecting sensitivity and specificity)」、Eur.Radiol.7(Suppl.5)、S281−S288(1997)参照)。
造影剤の投与速度をα、撮像に対する造影剤投与のタイミングをβ、撮影時間をγ、およびスライスの厚さをδと表わす。これらの要因は例であるが、係数ベクトル
および
とともに使用して分類器を訓練することができ、その後、分類器を使用してMRI乳房画像の領域を悪性腫瘍クラスまたは良性腫瘍クラスに分類できる。なお、これらの例としての要因は、係数ベクトル
および
の範囲と比較できる範囲に数量化する必要がある。
例えば、腫瘍が悪性の場合はτj=1、良性の場合はτj=−1である。ベクトル
はコンピュータビジョンの分野では以前から「特徴ベクトル(feature vector)」と呼ばれる。記号
は領域を表わし、dは領域の次元である。この事例では、係数ベクトルθに要素が5つ含まれているとすると、d=9となる。式(11)内のデータ形式は、教師あり学習ステップ218および分類ステップ214で使用される。当業者であれば理解することであるが、データベクトル
は他の方法でも構築でき、上記以外の物理的または非物理的な数値要素(要因)によって強化できる。
ダイナミックコントラスト曲線を他の物理的または非物理的な要因とともに使用して、悪性腫瘍を良性腫瘍から鑑別する作業を実施するために使用できる分類器は複数知られている。例えば、SVM(Support Vector Machine,サポートベクトルマシン)である。(シー・バージェス(C.Burges)著、「パターン認識におけるサポートベクトルマシンの手引き(A Tutorial on Support Vector Machines for Pattern Recognition)」、Data Mining and Knowledge Discovery、2(2)、1−47、1998、Kluwer Academic Publisher、Boston参照、http://aya.technion.ac.il/karniel/CMCC/SVM−tutorial.pdfから情報入手可)。
SVMを訓練する目的は、自由パラメータ
およびσを決定することである。すべてのデータが次の不等なペア(paired inequalities)に従うように、
およびσの比率にスケーリングを常に適用することができる。
式(13)は、次のラグランジュ関数
をパラメータ
に対して最小にし、未定乗数法ξj≧0に対して最大とすることで解くことができる。
最適化の問題を解決すれば、式(13)内の
に関する式はゼロでない係数によってサポートベクトルの観点から書き換えることができ、分離超平面用の式に当てはめ、次のSVM決定関数を導くことができる。
ここで、lsはサポートベクトルの数である。新規ベクトル
を2つのクラス(悪性と良性)のうちのどちらに分類するかは、決定関数の符号に基づく。当業者であれば理解することであるが、分離不能な場合は、非線形SVMを利用することができる。
画像セットの組織特性を検査する上記の方法(およびステップ804と808)は、時間横断的な組織特性検査用の時間横断的なすべての画像シーケンス(704および724など)に適用される。本発明における時間横断的な画像シーケンスは、ステップ808の手前のステップであるシーケンス内位置合わせステップおよびシーケンス間位置合わせステップで対象とされることを理解されたい。シーケンスに対するシーケンス内位置合わせステップおよびシーケンス間位置合わせステップの手順は例として、まずシーケンス704に対してシーケンス内位置合わせを実行し、次にシーケンス704および724に対してシーケンス間位置合わせを実行する。当業者であれば理解することであるが、シーケンス704と724の役割は入れ替えてもよい。
この特定の例における実行手順で使用されるシーケンス704内の位置合わせでは、任意の画像セット(例えばセット706)を基準画像セットとして選択する。画像セット706は次に端末B(図5の1034)に入力され、他の画像セット(例えば708および710)は端末A(図5の1032)に入力される。画像セット(708および710)の位置合わせされた画像が端末D(図5の1036)で取得される。
この特定の例における実行手順で使用されるシーケンス間の位置合わせでは、画像シーケンス724は端末A(図5の1032)に入力され、画像シーケンス704は端末B(図5の1034)に入力され、シーケンス724の位置合わせされた画像が出力端末D(図5の1036)で取得される。
ステップ808(図4)が完了すると、複数の時点(この事例では2つ)における時間横断的な複数の画像シーケンス(例えばこの事例では、2つのシーケンス704と724)において把握された組織特性を反映するように複数のダイナミック曲線(この事例では2つの曲線)が生成される。これらのダイナミック曲線によって医療専門家は患者の病状(または経過)に関する有用な情報を得られることが分かっている。
ステップ810において医療専門家は、より優れた診断を行なうように検査対象者の関心領域(画像内の気になる領域)を検査する際に視覚化ツールを利用する。このような視覚化機器の1つの実施形態を図12に示す。
図12に、上記の方法ステップを実施するように適応された画像処理装置(図2における画像処理装置102に対応)と通信するコンピュータのモニタ画面900(図2におけるディスプレイ104に対応)を示す。
画面900には、2つの典型的な画像スライス712および732が画面の左側に示されている。例えばスライス712は、空間位置1における3つのセット(706,708、710)内の最初の画像Ik(x,y,1)|k∈[1,2,3]である。スライス732は、空間位置1における3つのセット(726,728,730)内の最初の画像Ik(x,y,1)|k∈[1,2,3]である。乳房画像902および912は、それぞれスライス712および732内に示されている。乳房画像902および912は、同一乳房の同一断面の画像である。
医療専門家は操作中、画像を操作してスライス712内の位置908上にポインタ906を移動させる(例えばコンピュータのマウス108や他のユーザインタフェースを動かすことによって)。この移動と同時に、スライス732内の同一空間位置918に擬似ポインタ916が表示される(つまり、スライス712内の908と同一空間位置)。または、ユーザはポインタ916をスライス732内の位置918上に動かすこともでき(ユーザインタフェースに従う)、スライス732内の918と同様、スライス712内の同一空間位置908に擬似ポインタ906が同時に表示される。
いずれの場合であっても、2つのダイナミック曲線(実線曲線924と破線曲線926)がディスプレイ900上のチャート922内に表示される。例として示す曲線924と926は、2つの異なる時刻における同一乳房の同一位置での異なる組織特性を反映する。例えば、スライス712を含む画像シーケンスは、スライス732を含むシーケンスよりも6ヶ月前に撮影されたとする。医療専門家はマウスを他の位置へ動かすことによってある期間(6ヶ月など)における組織特性の変化を観察することができる。このような視覚化機器を用いれば、病状の進行を簡単に解析可能である。
当業者であれば理解することであるが、組織特性はダイナミック曲線プロット924,926を図示することに加えて他の方法でも表わすことができる。例えば、組織特性をカラーの血管形成マップによって表わすこともできる。当業者であればさらに理解することであるが、時間横断的な複数の画像シーケンスを本発明の方法によって処理でき、医療診断用に複数のダイナミック曲線を同時に表示することも可能である。
特性が異なる組織を分類することによって血管形成マップのような特別なグラフを作成することができる。図13に、腫瘍の疑いのある領域1302と他の組織領域を含む、乳房血管形成マップ1300を例として示す。この例としてのマップでは、領域1302は、さらなる検査(定量分析など)のための関心領域(region of interest,ROI)であって、残りの他の領域は非関心領域(non−ROI)と見なされる。
異なる状況では、複数の関心領域を解析する場合もある。しかしながら、便宜上、乳房血管形成マップ1300を使用して、本発明による時間横断的かつモダリティ横断的な検査の処理について説明する。当業者であれば理解することであるが、本発明の方法は他の撮像モダリティ(PET、CT、US、およびその他)、他の信号(情報)形式、および/または他の疾患に適用可能である。
次に図3を再び参照し、方法ステップ1204、1206、および1208について詳細に説明する。
乳癌診断では、X線マンモグラフィの特異度と感度は限られている。それに代わる撮像方法としてのMRIマンモグラフィは、特定の大きさよりも大きな腫瘍に対して感度が高い。医療従事者や研究者にとって、X線マンモグラフィとMRI画像の両方を観察し補完的な情報を得ることは有益である。例えば、微小石灰化は従来のX線画像によって最も良くとらえることができる。
図3におけるステップ1202では、1つのモダリティとして時間横断的なMRI画像シーケンスが取得され、ステップ1204では、別のモダリティとして時間横断的なX線マンモグラフィが取得される。図7には、時間横断的なMRIシーケンス704と724とともに、2つのX線マンモグラフィ画像705および725が例として示されているが、画像705はシーケンス704、画像725はシーケンス724が収集された時点とほぼ同じ時点でそれぞれ撮影されている。これらの2つのマンモグラフィ画像は、ステップ1206および1208においてモダリティ横断的な解析に使用される。
理解されることであるが、X線マンモグラフィ画像705および725は、三次元の対象物(例えば乳房)を投影したものであるのに対し、画像シーケンス704および724は三次元の対象物(乳房)の断面画像である複数の二次元スライスで構成されている。
データ705、725、704、724などに対するモダリティ横断的な検査を容易にするため、図3におけるステップ1206では次元が高いモダリティ(MRIシーケンスである704および724)のデータ(画像)を次元が低い他のモダリティのデータ(X線画像である705および725)にマッピングする。
高い次元のモダリティを低い次元の他のモダリティにマッピングする処理(ステップ1206)について図14A〜14Eに示すグラフを参照しながら説明する。
図14Aに図7の画像セット706または726と同様のMRIスライスセット1402を例として示す。説明上、セット1402は3つのスライス1403,1404,および1405を含み、それぞれ乳房画像1406,1407および1408を示す。一般的には三次元医用撮像装置は、スライス内の隣接する画素間の距離がスライスの中心間距離よりも小さい画像スライスを生成する場合が多い。このため、ボクセル寸法は一般的に等方性ではなく、多くの医用画像用の解析アプリケーションにおいて好ましくない。このため本発明では、得られた画像セット(セット1402)を等方性または十分に等方性に近くするようにスライス補間を実行し、モダリティ横断的なマッピングが効果的に実行できるようにするステップを実行する。従って本発明には、二つの既存のスライスの間に任意の数の新規スライスを生成し、等方性が得られるようにするスライス補間方法が含まれる。スライス補間は次の式で表わすことができる。
Iint=βI1-β(i→j)+(1−β)Iβ(j→i) (16)
ここで、Iintは補間スライス、I1-β(i→j)およびIβ(j→i)は、Iintを生成する2つの中間スライスである。スライスI1-β(i→j)およびIβ(j→i)は、2つの元の隣接するスライスI(i)およびI(j)の擬似相互位置合わせ(pseudo−cross−registration)方法によって取得される。係数βおよび1−βは2つの中間スライスの補間スライスに対する寄与度を制御する。下付き文字βおよび1−βの役割は、部分置き換えマップおよび擬似位置合わせ処理についての下記の解説で理解されるであろう。例えば図14Bでは、Iintの例はスライス1413、I(i)の例はスライス1403、またI(j)の例はスライス1404である。
Iint=βI1-β(i→j)+(1−β)Iβ(j→i) (16)
ここで、Iintは補間スライス、I1-β(i→j)およびIβ(j→i)は、Iintを生成する2つの中間スライスである。スライスI1-β(i→j)およびIβ(j→i)は、2つの元の隣接するスライスI(i)およびI(j)の擬似相互位置合わせ(pseudo−cross−registration)方法によって取得される。係数βおよび1−βは2つの中間スライスの補間スライスに対する寄与度を制御する。下付き文字βおよび1−βの役割は、部分置き換えマップおよび擬似位置合わせ処理についての下記の解説で理解されるであろう。例えば図14Bでは、Iintの例はスライス1413、I(i)の例はスライス1403、またI(j)の例はスライス1404である。
次に、本発明のスライス補間に使用される2つのスライスの擬似相互位置合わせ方法を説明する。
画像位置合わせに使用される式(10)では、変形関数Φは2つの変位マップX(i,j)およびY(i,j)を生成し、これらのマップには元画像の画素を基準画像内の対応する画素の位置に合わせる新規の位置に移動させる情報が含まれている。
補間スライスIint(スライス1413など)を2つのスライス(1403と1404など)の間の位置に実際に生成するため、部分変位マップXα(i,j)およびYα(i,j)が使用される。この部分変位マップによって、元画像(スライス)内の画素I(x)は、元画像の画素と基準画像内の対応する画素I(y)の位置との間に位置する新たな位置に移動する。部分変位マップXα(i,j)およびYα(i,j)は、特定の値である所定の因数αを使用して次のように算出される。
Yα(i,j)=αY(i,j)
Xα(i,j)=αX(i,j)
ここで、0≦α≦1。
Yα(i,j)=αY(i,j)
Xα(i,j)=αX(i,j)
ここで、0≦α≦1。
生成された部分変位マップは次に、元画像を変形して中間画像(スライス)Iα(x→y)を得るために使用され、この中間画像は次のように算出される。
Iα(x→y)=alignpartial(I(x),I(y),α)
ここで、alignpartial(I(x),I(y),α)は、元画像および基準画像に対して擬似位置合わせ(アライメント)を実行する関数であって、制御パラメータαを使用して元の変位マップX(i,j)およびY(i,j)をXα(i,j)およびYα(i,j)に変更する。
Iα(x→y)=alignpartial(I(x),I(y),α)
ここで、alignpartial(I(x),I(y),α)は、元画像および基準画像に対して擬似位置合わせ(アライメント)を実行する関数であって、制御パラメータαを使用して元の変位マップX(i,j)およびY(i,j)をXα(i,j)およびYα(i,j)に変更する。
上記の処理である擬似位置合わせは、式(16)に示すように異なる制御パラメータを使用して、両方の元のスライス(例えば1403と1404)に適用される。これによって、両方の元スライスの情報を含む中間スライス(例えば1413)が生成される。つまり各元画像は、基準画像としても元画像としても使用されることになる。このため「擬似相互位置合わせ(pseudo−cross−registration)」という用語が使用される。
図14Bでは、スライスセット1412は、2つの補間スライス1413(元スライス1403と1404)および1414(元スライス1404と1405)を含む。元画像の各ペアには補間スライスは1つしかないので、この事例ではパラメータβとして0.5が選択される。通常、パラメータβは、βk=k/(N+1)で算出される。ここで、k∈[1,2,...N]であって、Nは補間スライスの望ましい数である。式(16)は次のようになる。
乳房画像1406,1407,1408の実例をスライスセット1412内に示す。スライスセット1412内の補間乳房画像1415には、1406の寸法と1407の寸法の間の寸法である補間乳房が示されている。スライスセット1412には、元スライス1404および1405の間にもう1つの補間スライス1414もある。
説明上、スライスセット1412は、等方性ボクセルの要件を満たすように、元スライスの各ペアの間に補間スライスを適切な数含むものとする。このようにスライスセット1412は、二次元空間における対象物(乳房)の表示(X線)と一緒に観察できるように、低い次元(二次元)にマッピングする必要のある対象物(乳房)の三次元MRI画像集の典型的な例である。高い次元の表示から低い次元の表示へのマッピングには、関心のある視点からの投影が含まれる。乳房検査を例とすると、X線マンモグラフィにおける頭尾方向(Cranio-Caudal,CC)および内外側方向(Medio-Lateral,ML)の表示が一般的に受け入れられている。
デジタルMRI画像集(例えば補間スライスセット1412)が利用可能であれば、スライスセット1412の画像集を、軸1417を軸として回転し、次に方向1419(スライス左右の辺と平行)または方向1421(スライス面に垂直)に沿って画像集を投影して任意の表示(頭尾方向および内外側方向の表示を含む)を得られれば、医療従事者にとって有用となり得る。軸1417は、スライス上下の辺と実質的に平行であって、画像集の中央を通ると理想的である。概して対象物の画像集の中央はスライス集の中央と一致する必要はないので、実用的には軸1417は実際の対象物(乳房)の中央を通らせる。回転の中央(対象物の中央)を求める方法については後で説明する。
図14Cでは、軸1417を軸としてスライス集を回転させる1つの例として、スライスセット1412を再度スライスすることが挙げられ、結果として得られるスライス(例えばスライスセット1422内の1423,1424,1425)は軸1417に対して垂直である。個々のスライス1423,1424,1425を回転させることによって、実質的にスライスセット1412を回転させることになる。これらの新規スライス(1423,1424,1425)はスライス1403,1413,1404,1414,および1405と交差する。1406,1415,1407,および1408などの乳房画像は、1423,1424,1425では線となる。投影スライス1423,1424,1425は、方向1419では図14Dに示すように略図1432内の画像1433における点となる。投影スライス1423,1424,1425は、方向1421では略図1432内の画像1434における線となる。
より一般的な事例では、スライスセット1412は、投影実施前に、軸1443,1444,1445(図14Eの略図1442参照)を軸としてロール方向、ピッチ方向、ヨー方向に回転させる。当業者であれば分かることであるが、任意の角度から投影を得るそれ以外の方法では、仮想プロジェクタを三次元空間に置き、軸1443,1444,1445を軸としてこの仮想プロジェクタを回転させ、静止しているスライスセット1412に対し投影を実施する。
図15を参照して、回転の中心(対象物の中心)を求める方法を説明する。スライス1423は乳房画像(1406,1415,1407など)と交差するところでは、画素の集合1602を形成する。集合1602の中心(o1,o2)は、次のように算出する。
o1=m10/m00
o2=m01/m00
ここで、モーメントmpqは、次のように算出する。
ここで、集合1602内ではf(c1,c2)=1、それ以外の場所では0となり、C1およびC2はこの用途における画像座標(図15)である。
o1=m10/m00
o2=m01/m00
ここで、モーメントmpqは、次のように算出する。
図16に例として、スライス補間後の3つのMRI乳房立体投影画像を示す。画像1533は方向1419に沿った投影であって、画像1544は方向1421に沿った投影である。それ以外の投影画像1555が示されているが、この画像は方向1417に沿ったものであり、上記の説明では触れていない。実際には、この画像の投影方向は必要性が最も低いと見なす医療専門家もいる。
三次元体を二次元空間に投影後、得られた投影画像(例えば1533および1544)をマッピング処理によって直接2次元空間で取得された画像(X線マンモグラフィ画像705)と位置合わせをする。なお、マッピング(投影および位置合わせ)に使用する三次元体は、処理前の元スライス(スライスセット706)または血管形成画像(マップ1300など)によって構成された三次元体でもよい。
時間横断的かつモダリティ横断的な検査を実行するには、三次元体の投影画像(スライスセット706または710)を画像(705または725)と位置合わせする必要がある。また、投影画像706と710を相互に位置合わせする必要もある。さらに、画像705および725も相互に位置合わせする必要がある。これらの必要な位置合わせによって、ステップ1208における対話式の時間横断的かつモダリティ横断的な検査は容易となる。次に1つのケースを例に挙げて説明する。
図17に、これまで説明したステップを実行する画像処理装置(102)と通信するコンピュータのモニタ画面900(図2のディスプレイ104と対応)を示す。画面900には時間横断的な典型的な二次元画像(マンモグラフィ画像)705および725が表示される。例えば画像705は、同一対象物(乳房)の画像725が取得されたよりも6ヶ月前に取得されたものとする。画像705および725は、撮影後、相互に位置合わせされる。画面900には他に、時間横断的な2つのMRI立体投影画像1705および1725も表示される。投影画像の実際的な例を図16に示す。同様に、時間横断的な立体投影画像1705と1725も相互に位置合わせされる。さらに、705および725とも位置合わせされる。
時間横断的かつモダリティ横断的な検査の操作例として、医療専門家はポインタ1706(ユーザインタフェースを介して設けられたマウスなど)を画像705内の乳房1702上の位置1708に移動する。実質的にそれと同時に、画像705内の1708と同一の空間位置1718あたりに、円1716のようなマーカが画像725内の乳房1712に表示される。また、画像705内の1708と同一の空間位置あたりに、円1726が画像1705内の乳房1722に表示される。さらに、画像705内の1708と同一の空間位置あたりに、円1736が画像1725内の乳房1732に表示される。実際には、病理学的な解析のため、医療従事者は時間横断的かつモダリティ横断的な検査に使用される画像(スライス)のうちのどの画像上で関心地点(位置および領域)を選択してもよく、対応する地点(領域)は他のすべての画像(スライス)内でマーカ(円、四角、または他の形)によって強調される。図12に示すように、画面900上には、2つのダイナミック曲線(実線924および破線926)を表示することが望ましく、例としての曲線924および926は、2つの異なる時期における同一乳房の同一位置に対する異なる組織特性を反映する。
本発明の時間横断的かつモダリティ横断的な方法は、スタンドアロン型CAD(computer aid diagnosis,コンピュータ支援診断)ワークステーションまたはPACS(picture archiving and communication system,画像保管通信システム)によって実施してもよい。検査結果は、セキュリティの確保されたネットワークリンクまたは無線通信によって伝送することができる。
本発明の要旨は、デジタル画像処理およびコンピュータビジョン技術に関する。これらの技術は、デジタル画像を認識できるようデジタル的に処理し、それによって人間が理解可能なオブジェクト、属性、または条件に有用な意味づけを行ない、そして得られた結果をデジタル画像のさらなる処理に利用する技術を意味する。
本発明の方法を実行するコンピュータプログラムは、コンピュータ読み取り可能記憶媒体に保存可能である。この媒体は、例えば、磁気ディスクのような磁気記憶媒体(ハードドライブやフロッピディスクなど)または磁気テープ、および光ディスク、光テープ、機械読み取り可能バーコードのような光記憶媒体、もしくはRAM(ランダムアクセスメモリ)またはROM(読み出し専用メモリ)などの固体電子記憶装置、またはコンピュータプログラムを保存するためのそれ以外の物理的なデバイスまたは媒体を有してもよい。また、本発明方法を実行するためのコンピュータプログラムは、インタネットや他の通信媒体によって画像処理装置に接続されたコンピュータ読み取り可能記憶媒体に保存してもよい。当業者であれば簡単に理解することであるが、このようなコンピュータプログラム製品の等価物は、ハードウェアとして構成してもよい。
Claims (6)
- 時間横断的かつモダリティ横断的な医用画像の解析方法であって、
第1期間に第1モダリティによって取得された被検者の第1セットの医用画像にアクセスするステップと、
第2期間に第2モダリティによって取得された前記被検者の第2セットの医用画像にアクセスするステップであって、前記第1セットと前記第2セットはそれぞれ複数の医用画像を有するステップと、
前記第1セットおよび前記第2セットの前記複数の医用画像を所定の空間座標にマッピングすることによって画像の位置合わせを実行するステップと、
前記第1セットおよび前記第2セットに対する時間横断的な画像マッピングを実行するステップと、
対話式の時間横断的な医用画像解析の手段を設けるステップと、
を含む方法。 - 前記画像の位置合わせを実行するステップは、
前記第1セットおよび前記第2セット内の前記複数の医用画像に対するセット内位置合わせを実行するステップと、
前記第1セットおよび前記第2セット内の前記複数の医用画像に対するセット間位置合わせを実行するステップと、
を含む、請求項1に記載の方法。 - 前記第1セットおよび前記第2セット内の前記画像の少なくとも1つに対して組織特性検査を実行するステップをさらに含む、請求項1に記載の方法。
- 前記被検者の基準セットの医用画像にアクセスするステップと、
前記第1セットおよび前記第2セットと前記基準セットとの差異を求めるステップであって、複数の画像を有する差分画像セットを生成するステップと、
前記差分画像セットの前記複数の画像をセグメント化するステップであって、強度によってセグメント化された画素を有する複数の画像を生成するステップと、
強度によってセグメント化された画素を有する前記複数の画像にシステム同定を適用するステップであって、複数のシステムパラメータを生成するステップと、
前記複数のシステムパラメータを分類するステップと、
をさらに含む、請求項1に記載の方法。 - 前記複数のシステムパラメータを分類するステップの前に、物理的または非物理的な要因によって前記システムパラメータを補うステップをさらに含む、請求項4に記載の方法。
- 前記画像の位置合わせを実行するステップの後に、特性によって組織を分類するステップをさらに含む、請求項1に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US75488405P | 2005-12-29 | 2005-12-29 | |
PCT/US2006/049332 WO2007079099A2 (en) | 2005-12-29 | 2006-12-27 | Cross-time and cross-modality medical diagnosis |
US11/616,320 US20070237372A1 (en) | 2005-12-29 | 2006-12-27 | Cross-time and cross-modality inspection for medical image diagnosis |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2009522005A true JP2009522005A (ja) | 2009-06-11 |
Family
ID=38228816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008548695A Pending JP2009522005A (ja) | 2005-12-29 | 2006-12-27 | 時間横断的かつモダリティ横断的な医療診断 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP1966762A2 (ja) |
JP (1) | JP2009522005A (ja) |
WO (1) | WO2007079099A2 (ja) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010022690A (ja) * | 2008-07-23 | 2010-02-04 | Hitachi Ltd | 磁気共鳴イメージング装置 |
JP2011092687A (ja) * | 2009-09-30 | 2011-05-12 | Fujifilm Corp | 診断支援システム、診断支援プログラムおよび診断支援方法 |
JP2011161104A (ja) * | 2010-02-12 | 2011-08-25 | Fujifilm Corp | 画像生成装置、画像生成方法、及びそのプログラム |
JP2011224355A (ja) * | 2010-03-30 | 2011-11-10 | Toshiba Corp | 画像処理装置及び画像処理装置の制御プログラム |
WO2013132801A1 (ja) | 2012-03-05 | 2013-09-12 | 富士フイルム株式会社 | 医用画像表示装置および医用画像表示方法、並びに、医用画像表示プログラム |
JP2014507250A (ja) * | 2011-03-08 | 2014-03-27 | ホロジック,インコーポレイテッド | スクリーニング、診断及び生検のための二重エネルギー及び/又は造影強化乳房撮像のためのシステム及び方法 |
WO2015045366A1 (ja) * | 2013-09-27 | 2015-04-02 | 富士フイルム株式会社 | 画像位置合わせ装置、方法、およびプログラム、並びに3次元変形モデル生成方法 |
JP2016059582A (ja) * | 2014-09-17 | 2016-04-25 | 株式会社ジェイマックシステム | 診断支援装置、診断支援方法および診断支援プログラム |
JP2016087161A (ja) * | 2014-11-06 | 2016-05-23 | 株式会社ジェイマックシステム | 診断支援装置、診断支援方法および診断支援プログラム |
US10929706B2 (en) | 2018-03-19 | 2021-02-23 | Ricoh Company, Ltd. | Image processing device and projection system |
US11364005B2 (en) | 2013-10-24 | 2022-06-21 | Hologic, Inc. | System and method for navigating x-ray guided breast biopsy |
US11403483B2 (en) | 2017-06-20 | 2022-08-02 | Hologic, Inc. | Dynamic self-learning medical image method and system |
US11419565B2 (en) | 2014-02-28 | 2022-08-23 | IIologic, Inc. | System and method for generating and displaying tomosynthesis image slabs |
US11445993B2 (en) | 2017-03-30 | 2022-09-20 | Hologic, Inc. | System and method for targeted object enhancement to generate synthetic breast tissue images |
US11452486B2 (en) | 2006-02-15 | 2022-09-27 | Hologic, Inc. | Breast biopsy and needle localization using tomosynthesis systems |
US11455754B2 (en) | 2017-03-30 | 2022-09-27 | Hologic, Inc. | System and method for synthesizing low-dimensional image data from high-dimensional image data using an object grid enhancement |
US11481038B2 (en) | 2020-03-27 | 2022-10-25 | Hologic, Inc. | Gesture recognition in controlling medical hardware or software |
US11508340B2 (en) | 2011-11-27 | 2022-11-22 | Hologic, Inc. | System and method for generating a 2D image using mammography and/or tomosynthesis image data |
US11589944B2 (en) | 2013-03-15 | 2023-02-28 | Hologic, Inc. | Tomosynthesis-guided biopsy apparatus and method |
US11663780B2 (en) | 2012-02-13 | 2023-05-30 | Hologic Inc. | System and method for navigating a tomosynthesis stack using synthesized image data |
US11694792B2 (en) | 2019-09-27 | 2023-07-04 | Hologic, Inc. | AI system for predicting reading time and reading complexity for reviewing 2D/3D breast images |
US11701199B2 (en) | 2009-10-08 | 2023-07-18 | Hologic, Inc. | Needle breast biopsy system and method of use |
US11775156B2 (en) | 2010-11-26 | 2023-10-03 | Hologic, Inc. | User interface for medical image review workstation |
US11883206B2 (en) | 2019-07-29 | 2024-01-30 | Hologic, Inc. | Personalized breast imaging system |
US11957497B2 (en) | 2017-03-30 | 2024-04-16 | Hologic, Inc | System and method for hierarchical multi-level feature image synthesis and representation |
US12029499B2 (en) | 2018-05-04 | 2024-07-09 | Hologic, Inc. | Biopsy needle visualization |
US12121304B2 (en) | 2018-05-04 | 2024-10-22 | Hologic, Inc. | Introducer and localization wire visualization |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0818490D0 (en) * | 2008-10-09 | 2008-11-12 | Siemens Medical Solutions | Post injection interval time correction of SUV in static PET scans |
CN111798410A (zh) * | 2020-06-01 | 2020-10-20 | 深圳市第二人民医院(深圳市转化医学研究院) | 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质 |
-
2006
- 2006-12-27 WO PCT/US2006/049332 patent/WO2007079099A2/en active Application Filing
- 2006-12-27 EP EP06848195A patent/EP1966762A2/en not_active Withdrawn
- 2006-12-27 JP JP2008548695A patent/JP2009522005A/ja active Pending
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11452486B2 (en) | 2006-02-15 | 2022-09-27 | Hologic, Inc. | Breast biopsy and needle localization using tomosynthesis systems |
US11918389B2 (en) | 2006-02-15 | 2024-03-05 | Hologic, Inc. | Breast biopsy and needle localization using tomosynthesis systems |
JP2010022690A (ja) * | 2008-07-23 | 2010-02-04 | Hitachi Ltd | 磁気共鳴イメージング装置 |
JP2011092687A (ja) * | 2009-09-30 | 2011-05-12 | Fujifilm Corp | 診断支援システム、診断支援プログラムおよび診断支援方法 |
US11701199B2 (en) | 2009-10-08 | 2023-07-18 | Hologic, Inc. | Needle breast biopsy system and method of use |
JP2011161104A (ja) * | 2010-02-12 | 2011-08-25 | Fujifilm Corp | 画像生成装置、画像生成方法、及びそのプログラム |
JP2011224355A (ja) * | 2010-03-30 | 2011-11-10 | Toshiba Corp | 画像処理装置及び画像処理装置の制御プログラム |
US11775156B2 (en) | 2010-11-26 | 2023-10-03 | Hologic, Inc. | User interface for medical image review workstation |
US10357211B2 (en) | 2011-03-08 | 2019-07-23 | Hologic, Inc. | Method for dual energy and/or contrast enhanced breast imaging for screening, diagnosis and biopsy |
US11406332B2 (en) | 2011-03-08 | 2022-08-09 | Hologic, Inc. | System and method for dual energy and/or contrast enhanced breast imaging for screening, diagnosis and biopsy |
JP2014507250A (ja) * | 2011-03-08 | 2014-03-27 | ホロジック,インコーポレイテッド | スクリーニング、診断及び生検のための二重エネルギー及び/又は造影強化乳房撮像のためのシステム及び方法 |
US11508340B2 (en) | 2011-11-27 | 2022-11-22 | Hologic, Inc. | System and method for generating a 2D image using mammography and/or tomosynthesis image data |
US11837197B2 (en) | 2011-11-27 | 2023-12-05 | Hologic, Inc. | System and method for generating a 2D image using mammography and/or tomosynthesis image data |
US11663780B2 (en) | 2012-02-13 | 2023-05-30 | Hologic Inc. | System and method for navigating a tomosynthesis stack using synthesized image data |
WO2013132801A1 (ja) | 2012-03-05 | 2013-09-12 | 富士フイルム株式会社 | 医用画像表示装置および医用画像表示方法、並びに、医用画像表示プログラム |
US9119599B2 (en) | 2012-03-05 | 2015-09-01 | Fujifilm Corporation | Medical image display apparatus, medical image display method and non-transitory computer-readable recording medium having stored therein medical image display program |
US12064291B2 (en) | 2013-03-15 | 2024-08-20 | Hologic, Inc. | Tomosynthesis-guided biopsy in prone |
US11589944B2 (en) | 2013-03-15 | 2023-02-28 | Hologic, Inc. | Tomosynthesis-guided biopsy apparatus and method |
JP2015066023A (ja) * | 2013-09-27 | 2015-04-13 | 富士フイルム株式会社 | 画像位置合わせ装置、方法、およびプログラム、並びに3次元変形モデル生成方法 |
WO2015045366A1 (ja) * | 2013-09-27 | 2015-04-02 | 富士フイルム株式会社 | 画像位置合わせ装置、方法、およびプログラム、並びに3次元変形モデル生成方法 |
US9965858B2 (en) | 2013-09-27 | 2018-05-08 | Fujifilm Corporation | Image alignment device, method, and program, and method for generating 3-D deformation model |
US12029602B2 (en) | 2013-10-24 | 2024-07-09 | Hologic, Inc. | System and method for navigating x-ray guided breast biopsy |
US11364005B2 (en) | 2013-10-24 | 2022-06-21 | Hologic, Inc. | System and method for navigating x-ray guided breast biopsy |
US11419565B2 (en) | 2014-02-28 | 2022-08-23 | IIologic, Inc. | System and method for generating and displaying tomosynthesis image slabs |
US11801025B2 (en) | 2014-02-28 | 2023-10-31 | Hologic, Inc. | System and method for generating and displaying tomosynthesis image slabs |
JP2016059582A (ja) * | 2014-09-17 | 2016-04-25 | 株式会社ジェイマックシステム | 診断支援装置、診断支援方法および診断支援プログラム |
JP2016087161A (ja) * | 2014-11-06 | 2016-05-23 | 株式会社ジェイマックシステム | 診断支援装置、診断支援方法および診断支援プログラム |
US11455754B2 (en) | 2017-03-30 | 2022-09-27 | Hologic, Inc. | System and method for synthesizing low-dimensional image data from high-dimensional image data using an object grid enhancement |
US11983799B2 (en) | 2017-03-30 | 2024-05-14 | Hologic, Inc. | System and method for synthesizing low-dimensional image data from high-dimensional image data using an object grid enhancement |
US12070349B2 (en) | 2017-03-30 | 2024-08-27 | Hologic, Inc. | System and method for targeted object enhancement to generate synthetic breast tissue images |
US11445993B2 (en) | 2017-03-30 | 2022-09-20 | Hologic, Inc. | System and method for targeted object enhancement to generate synthetic breast tissue images |
US11957497B2 (en) | 2017-03-30 | 2024-04-16 | Hologic, Inc | System and method for hierarchical multi-level feature image synthesis and representation |
US11850021B2 (en) | 2017-06-20 | 2023-12-26 | Hologic, Inc. | Dynamic self-learning medical image method and system |
US11403483B2 (en) | 2017-06-20 | 2022-08-02 | Hologic, Inc. | Dynamic self-learning medical image method and system |
US10929706B2 (en) | 2018-03-19 | 2021-02-23 | Ricoh Company, Ltd. | Image processing device and projection system |
US12029499B2 (en) | 2018-05-04 | 2024-07-09 | Hologic, Inc. | Biopsy needle visualization |
US12121304B2 (en) | 2018-05-04 | 2024-10-22 | Hologic, Inc. | Introducer and localization wire visualization |
US11883206B2 (en) | 2019-07-29 | 2024-01-30 | Hologic, Inc. | Personalized breast imaging system |
US11694792B2 (en) | 2019-09-27 | 2023-07-04 | Hologic, Inc. | AI system for predicting reading time and reading complexity for reviewing 2D/3D breast images |
US12119107B2 (en) | 2019-09-27 | 2024-10-15 | Hologic, Inc. | AI system for predicting reading time and reading complexity for reviewing 2D/3D breast images |
US11481038B2 (en) | 2020-03-27 | 2022-10-25 | Hologic, Inc. | Gesture recognition in controlling medical hardware or software |
Also Published As
Publication number | Publication date |
---|---|
EP1966762A2 (en) | 2008-09-10 |
WO2007079099A3 (en) | 2008-05-15 |
WO2007079099A2 (en) | 2007-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2009522005A (ja) | 時間横断的かつモダリティ横断的な医療診断 | |
US20070237372A1 (en) | Cross-time and cross-modality inspection for medical image diagnosis | |
US7317821B2 (en) | Automatic abnormal tissue detection in MRI images | |
EP1952340B1 (en) | Superimposing brain atlas images and brain images with delineation of infarct and penumbra for stroke diagnosis | |
US7653263B2 (en) | Method and system for volumetric comparative image analysis and diagnosis | |
US10628930B1 (en) | Systems and methods for generating fused medical images from multi-parametric, magnetic resonance image data | |
US20070160276A1 (en) | Cross-time inspection method for medical image diagnosis | |
Hopp et al. | Automatic multimodal 2D/3D breast image registration using biomechanical FEM models and intensity-based optimization | |
US20160148375A1 (en) | Method and Apparatus for Processing Medical Image | |
US20080298657A1 (en) | Computer-Aided Method for Detection of Interval Changes in Successive Whole-Body Bone Scans and Related Computer Program Program Product and System | |
US9082231B2 (en) | Symmetry-based visualization for enhancing anomaly detection | |
US20130190602A1 (en) | 2d3d registration for mr-x ray fusion utilizing one acquisition of mr data | |
EP2620911A1 (en) | Image processing apparatus, imaging system, and image processing method | |
EP2534641B1 (en) | Method for obtaining a three-dimensional reconstruction from one or more projective views and use thereof | |
JP2009502230A (ja) | 医用画像における傷病部位の検知 | |
US9675317B2 (en) | Interface identification apparatus and method | |
EP3220826B1 (en) | Method and apparatus for processing medical image | |
US20070003118A1 (en) | Method and system for projective comparative image analysis and diagnosis | |
US20100002922A1 (en) | Apparatus and method for indicating likely computer-detected false positives in medical imaging data | |
US20070014448A1 (en) | Method and system for lateral comparative image analysis and diagnosis | |
Alam et al. | Evaluation of medical image registration techniques based on nature and domain of the transformation | |
EP1969563A2 (en) | Cross-time inspection method for medical diagnosis | |
Hopp et al. | Automatic multimodal 2D/3D image fusion of ultrasound computer tomography and x-ray mammography for breast cancer diagnosis | |
CN101346743A (zh) | 跨时间和跨形态的医学诊断 | |
Fujita et al. | State-of-the-art of computer-aided detection/diagnosis (CAD) |