Nothing Special   »   [go: up one dir, main page]

JP5258694B2 - 医用画像処理装置および方法並びにプログラム - Google Patents

医用画像処理装置および方法並びにプログラム Download PDF

Info

Publication number
JP5258694B2
JP5258694B2 JP2009174080A JP2009174080A JP5258694B2 JP 5258694 B2 JP5258694 B2 JP 5258694B2 JP 2009174080 A JP2009174080 A JP 2009174080A JP 2009174080 A JP2009174080 A JP 2009174080A JP 5258694 B2 JP5258694 B2 JP 5258694B2
Authority
JP
Japan
Prior art keywords
lung field
region
medical image
contour
detected
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.)
Expired - Fee Related
Application number
JP2009174080A
Other languages
English (en)
Other versions
JP2011024799A (ja
Inventor
修 水野
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
Priority to JP2009174080A priority Critical patent/JP5258694B2/ja
Priority to US12/843,231 priority patent/US8559689B2/en
Publication of JP2011024799A publication Critical patent/JP2011024799A/ja
Application granted granted Critical
Publication of JP5258694B2 publication Critical patent/JP5258694B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20116—Active contour; Active surface; Snakes
    • 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
    • G06T2207/30061—Lung

Landscapes

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

Description

本発明は、医用画像処理装置、特に胸膜プラーク（胸膜肥厚斑）の検出を行う装置および方法並びにプログラムに関するものである。
近年、医療分野において、壁側胸膜に石灰化した肥厚を生ずる胸膜プラーク（胸膜肥厚斑）を画像診断で検出したいという要望がある。
一般的な病変部の診断にも共通するように、胸膜プラークの発見には、読影者が被写体の医用画像を読影して病変部を発見し、またその病変部の状態を観察して、異常な腫瘤陰影や微小石灰化陰影などを検出していた。しかし、放射線画像を観察読影する読影者間の画像読影能力の差などにより、そのような異常陰影の見落としや、主観的判断による思い違いを生ずる可能性があった。
そこで、この胸膜プラークの画像診断において、計算機支援によって胸膜プラークの候補を的確に検出する技術が求められている。
例えば、肺野領域の異常陰影候補領域の確認のため、候補となる結節領域を特定し、その結節領域の凹凸部分、低輝度部分、高輝度部分を抽出して、悪性を示す部位を描出する医用画像を生成する方法が開示されている（特許文献１）。
また、造影剤を投与してＣＴ撮影を行い、肺野領域の異常部位（塞栓）を自動的に検出する方法が開示されている（特許文献２）。
特開平２００９−８９８４７号公報 特開平２００６−８１９０６号公報
しかし、特許文献１に示す方法は、まず読影が異常陰影を発見し、それから異常部位の確認をする方法であるため、異常陰影そのものの検出をすることはできない。
また、特許文献２に示す方法では画像診断で異常陰影の検出を行えるのは造影される血管付近の領域に限られ、造影されない領域に異常陰影があっても検出できないという問題があった。また、造影剤を投与してＣＴ撮影する必要があるため、患者への負担が問題となっていた。
本発明は、上記事情に鑑み、患者への造影剤投与の負担を軽減して、画像診断可能な範囲を拡大して胸膜プラークの候補を検出することにより、胸膜プラーク候補の検出を精度よく行う医用画像処理装置および方法並びにプログラムを提供することを目的とするものである。
本発明による医用画像処理装置は、被写体を表す医用画像を取得する医用画像取得手段と、前記取得された医用画像から肺野領域を抽出する解剖学的情報抽出手段と、抽出された肺野の輪郭と、前記肺野領域において初期形状を有し所定の変形の傾向にしたがって変形を繰り返す動的曲線が該変形を繰り返して収束することにより得た比較輪郭とを比較することによって前記肺野の凹領域を検出する凹領域検出手段と、検出された前記凹領域を第一の胸膜プラークの候補とする胸膜プラーク候補検出手段を備えたことを特徴とするものである。
本発明による医用画像処理方法は、被写体を表す医用画像を取得し、前記取得された医用画像から肺野領域を抽出し、前記肺野領域から検出された肺野の輪郭と、前記肺野領域において初期形状を有し所定の変形の傾向にしたがって変形を繰り返す動的曲線が該変形を繰り返して収束することにより得た比較輪郭とを比較することによって前記肺野の凹領域を検出し、検出された前記凹領域を第一の胸膜プラークの候補とすることを特徴とするものである。
本発明によるプログラムは、コンピュータを、被写体を表す医用画像を取得する医用画像取得手段と、前記取得された医用画像から肺野領域を抽出する解剖学的情報抽出手段と、抽出された肺野の輪郭と、前記肺野領域において初期形状を有し所定の変形の傾向にしたがって変形を繰り返す動的曲線が該変形を繰り返して収束することにより得た比較輪郭とを比較することによって前記肺野の凹領域を検出する凹領域検出手段と、検出された前記凹領域を第一の胸膜プラークの候補とする胸膜プラーク候補検出手段として機能させるものである。
ここで、「医用画像」には、ＣＴ、ＭＲＩ、ＰＥＴ、超音波断層装置で得られた画像等を用いることができ、ＣＴやＭＲＩで得られた画像の場合、体軸に垂直な断面（軸位断；axial）を表す軸位断画像が一般的に用いられる。
また、「解剖学的情報抽出手段」は、被写体の画像情報の中から例えば肺などの部位の解剖学的構造を抽出する画像処理手段で、これは医用画像から必要な情報をさらに適宜抽出する機能を有してもよい。例えば、肺を含む周辺の領域について、肋骨または胸骨の輪郭、肺野周辺領域の厚み、肋間静脈の輪郭、肺野周辺領域の医用画像の濃度を抽出してもよい。
また、正常な肺野領域を表す肺野関連画像を含む画像データを学習することにより得られた学習画像を記録する学習画像記憶手段と、前記検出された肺野領域と前記学習画像とを比較することによって、両者間の解剖学的情報相違点を検出する解剖学的相違点検出手段とを備え、前記胸膜プラーク候補検出手段は、前記検出された解剖学的情報相違点をさらに第二の胸膜プラークの候補とするものであることが望ましい。
「解剖学的情報」には、例えば、医用画像から認識される、肺などの部位である特定領域の長さ、面積、形状、医用画像中の濃度を含むことができる。
ここで、「両者間の解剖学的情報相違点」は、認識された所定の肺野もしくは肺野周辺領域の特定部分の長さ、面積、濃度の少なくとも１つを表す所定の解剖学的計測値との比較によって得られる。なお、解剖学的計測値には、認識された所定の構造物の画像上での計測によって得られた値そのものだけでなく、得られた値を用いた比率等の二次的な計算値も含まれる。
さらに、前記取得された医用画像が肋骨および胸骨の少なくとも一方と肺野との間の肺野周辺領域を含むものであり、前記解剖学的相違点検出手段は、前記肺野領域に替えて、前記医用画像の前記肺野周辺領域の信号値および前記肺野周辺領域の厚みの少なくとも一方を前記学習画像と比較するものであることが好ましい。
ここで、「前記肺野周辺領域の信号値」は、医用画像の濃度を表す値をいい、例えば、ＣＴ画像のＣＴ値を用いることができる。「前記部分の厚み」は、２次元医用画像を用いた場合には２次元画像上での肺野の輪郭と骨の間の最短距離を指標とすることができる。これらの医用画像の前記肺野周辺領域の信号値および前記肺野周辺領域の厚みは、解剖学的特徴抽出手段によって抽出することができる。
また、本発明による医用画像処理装置は、前記検出された肺野領域から前記肺野領域の周壁の粗さを算出し、算出された前記粗さと予め定められた所定値とを比較することで、前記肺野領域の周壁の凹凸領域を検出する凹凸領域検出手段とを備え、前記胸膜プラーク候補検出手段は、検出された前記凹凸領域をさらに第三の胸膜プラークの候補とするものとすることが好ましい。
また、前記取得された医用画像は２次元画像を含むものであり、前記凹凸領域検出手段は、前記２次元画像の前記取得された肺野の輪郭を分割した分割曲線を作成し、作成された分割曲線の長さと分割曲線の両端の２点間の距離の長さが予め定められた所定値より大きい特定区間を凹凸領域として検出することが望ましい。
「分割曲線の長さ」を算出するためには、２点間の曲線の長さを求める一般的な方法を、適宜用いることができ、例えば、分割された肺野の輪郭を近似式で近似して、その近似式に基づいて長さを算出できる。
また、前記医用画像は２次元画像を含むものであり、前記凹凸領域検出手段は、前記２次元画像の前記肺野領域の周壁を所定区間ごとに分割した分割曲線を作成し、作成された分割曲線それぞれに複数の点を配置し、該複数の点のうち隣接する点どうしを繋ぐことにより複数のベクトルを作成し、作成した該複数のベクトルのうち隣接するベクトルどうしのなす角を積算した値を求め、該積算した値が予め定められた所定値より大きいものとなる前記所定区間を凹凸領域として検出してもよい。
また、前記凹凸領域検出手段は、前記分割曲線は予め設定された長さ、前記肺野の輪郭の経路長に対する分割曲線の長さの割合、および、肺野領域内の中心点から、予め定めた所定の角度のいずれかに基づいて決定してもよい。
「中心点」は、肺野領域の中心位置を示す点で、肺野領域の重心を求め、その重心を中心点としてもよいし、一般的な肺野領域の輪郭に基づいて予め設定した点を中心点としてもよい。「中心点から、予め定めた所定の角度」に基づいてとは、中心点を通り所定角度ずつ傾けた複数の直線を放射状に描き、その複数の直線が肺野の輪郭を横切る交点において、肺野の輪郭を分割することを指す。
また、「予め設定された長さ」に基づいてとは、分割曲線の経路の長さが予め設定された長さとなる点で分割してもよく、分割曲線の端点間の距離の長さが予め設定された長さとなる点で分割してもよい。
また、前記医用画像は、複数の２次元画像または３次元画像からなり、前記凹領域検出手段は、前記複数の２次元画像または前記３次元画像から前記凹領域を検出するものであることが好ましい。
また、前記医用画像は、複数の２次元画像または３次元画像を含むものであり、前記凹領域検出手段は、前記２次元画像から前記凹領域を検出し、該凹領域の検出に応じて、前記解剖学的情報抽出手段から前記凹領域付近の領域を含む前記２次元画像または前記３次元医用画像と異なる２次元画像を用いて求めた他の比較輪郭を得て、該他の比較輪郭を用いて得た前記凹領域付近の他の凹領域をさらに検出するものであり、前記胸膜プラーク候補検出手段は、前記凹領域と前記他の凹領域を前記第一の胸膜プラーク候補とすることが好ましい。
本発明による医用画像装置および方法ならびにプログラムによれば、被写体を表す医用画像を取得し、前記取得された医用画像から肺野領域を抽出し、前記肺野領域から検出された肺野の輪郭と、前記肺野領域において初期形状を有し所定の変形の傾向にしたがって変形を繰り返す動的曲線が該変形を繰り返して収束することにより得た比較輪郭とを比較することによって前記肺野の凹領域を検出し、検出された前記凹領域を第一の胸膜プラークの候補とすることにより、肺野の輪郭から凹領域を検出し、胸膜プラークの候補をすることができるため、造影剤を投与することなく肺野全体の輪郭に対して胸膜プラークの候補を検出することができ、被験者の負担が少なく、より精度よく診断を行うことができる。
ここで、正常な肺野領域を表す肺野関連画像を含む画像データを学習することにより得られた学習画像を記録する学習画像記憶手段と、前記検出された肺野領域と前記学習画像とを比較することによって、両者間の解剖学的情報相違点を検出する解剖学的相違点検出手段とを備え、前記胸膜プラーク候補検出手段は、前記検出された解剖学的情報相違点をさらに第二の胸膜プラークの候補とする場合は、凹領域だけでなく正常な学習画像との比較からも胸膜プラークの候補を検出できるため、さらに精度よく診断を行うことができる。
さらに、前記取得された医用画像が肋骨および胸骨の少なくとも一方と肺野との間の肺野周辺領域を含むものであり、前記解剖学的相違点検出手段は、前記肺野領域に替えて、前記医用画像の前記肺野周辺領域の信号値および前記肺野周辺領域の厚みの少なくとも一方を前記学習画像と比較するものであれば、凹領域だけでなく正常な学習画像の前記肺野周辺領域の比較からも胸膜プラークの候補を検出できるため、精度よく検出することができる。
また、前記検出された肺野領域から前記肺野領域の周壁の粗さを算出し、算出された前記粗さと予め定められた所定値とを比較することで、前記肺野領域の周壁の凹凸領域を検出する凹凸領域検出手段とを備え、前記胸膜プラーク候補検出手段は、検出された前記凹凸領域をさらに第三の胸膜プラークの候補とするものとする場合は、凹領域だけでなく凹凸情報からも胸膜プラーク候補を検出するため、精度よく検出することができる。
また、前記医用画像は、複数の２次元画像または３次元画像からなり、前記凹領域検出手段は、前記複数の２次元画像または前記３次元画像から前記凹領域を検出するものである場合は、複数の情報から胸膜プラークの候補が検出するため、精度よく検出することができる。
また、前記医用画像は、複数の２次元画像または３次元画像を含むものであり、前記凹領域検出手段は、前記２次元画像から前記凹領域を検出し、該凹領域の検出に応じて、前記解剖学的情報抽出手段から前記凹領域付近の領域を含む前記２次元画像または前記３次元医用画像と異なる２次元画像を用いて求めた他の比較輪郭を得て、該他の比較輪郭を用いて得た前記凹領域付近の他の凹領域をさらに検出するものであり、前記胸膜プラーク候補検出手段は、前記凹領域と前記他の凹領域を前記第一の胸膜プラーク候補を抽出する場合には、２次元画像で凹領域を発見すると、それに応じてその凹領域の情報を３次元画像または他の２次元画像から算出できるため、毎回全ての２次元画像または３次元画像について凹領域を検出することを省くことができ、計算負荷または時間的負荷を極端に増やすことなく、精度よく検出することができる。
本発明の実施の形態となる３次元医用画像処理システムの概略構成図 第一の実施形態の画像処理機能を示すブロック図 動的輪郭技術による比較輪郭の生成と胸膜プラーク候補検出の概念図 第一の実施形態の画像処理の流れを説明するためのフロー図 第二の実施形態の画像処理機能を示すブロック図 第二の実施形態の画像処理の流れを説明するためのフロー図 第三の実施形態の画像処理機能を示すブロック図 第三の実施形態の画像処理の流れを説明するためのフロー図 分割曲線の求め方を説明する図 荒さの評価方法を説明する図 第三の実施形態の変形例の荒さの評価方法を説明する図 第三の実施形態の変形例の画像処理の流れを説明するためのフロー図 第三の実施形態の変形例の画像処理機能を示すブロック図 肺野領域と胸膜プラークを説明するための概念図
以下、図面を参照して、本発明の第一の実施形態について説明する。
図１は、医用画像処理装置の概要を示すハードウェア構成図である。図に示すように、このシステムでは、モダリティ１と、画像保管サーバ２と、画像処理ワークステーション３とが、ネットワーク９を経由して通信可能な状態で接続されている。
モダリティ１は、被検体を表す医用画像Ｖを取得するものであり、具体的には、ＣＴ装置、ＭＲＩ装置、ＰＥＴ、超音波診断装置等である。
画像保管サーバ２は、モダリティ１で取得された医用画像Ｖや画像処理ワークステーション３での画像処理によって生成された医用画像Ｖを画像データベースに保存・管理するコンピュータであり、大容量外部記録装置やデータベース管理ソフトウェア（たとえば、ＯＲＤＢ(Object Relational Database)管理ソフトウェア）を備えている。
本実施形態では、さらに、モダリティ１から送信されてきた画像に表された被検体中の所定の構造物を認識する画像認識機能および認識結果を用いて胸膜プラーク候補を検出する機能（後に詳述）を提供するソフトウェアプログラムも組み込まれている。なお、全ての実施例において、本発明の機能は、外部からインストールされるプログラムによって、コンピュータにより遂行されてもよい。そして、その場合、ＣＤ−ＲＯＭやフラッシュメモリやＦＤ等の記憶媒体により、あるいはネットワークを介して外部の記憶媒体から、プログラムを含む情報群を供給されてインストールされたものであってもよい。
画像処理ワークステーション３は、読影者からの要求に応じて、モダリティ１や画像保管サーバ２から取得した医用画像Ｖに対して画像処理を行い、生成された画像を表示するコンピュータであり、特に、読影者からの要求を入力するキーボードやマウス等の入力装置と、取得した医用画像Ｖを格納可能な容量の主記録装置と、生成された画像を表示するディスプレイとを備えている。
画像データの格納形式やネットワーク９経由での各装置間の通信は、ＤＩＣＯＭ（Digital Imaging and Communications in Medicine）等のプロトコルに基づいている。
次いで、第一の実施形態の医用画像処理機能に関連する構成を説明する。
図２は、本発明の第１の実施形態における医用画像処理機能に関連する部分を示すブロック図である。図２に示すように、画像処理ワークステーション３は、モダリティ１または画像保管サーバ２からの要求に応じて、ネットワーク９を介して医用画像Ｖを取得する医用画像取得手段１０と、取得した医用画像Ｖの肺野領域を検出する解剖学的情報抽出手段２０と検出された肺野領域の肺野の輪郭Ｓoと、動的輪郭抽出方法によって算出した肺野の比較輪郭Ｓnと比較して凹領域を検出する凹領域検出手段３０と抽出された凹領域を胸膜プラークの候補とする胸膜プラーク候補検出手段４０とから構成されている。
図１４に胸膜プラークの症例の一例を示す。一般的に、胸膜プラークは、壁側胸膜に生じる不規則な白板状の肥厚であり、診断画像中で、形態、大きさ、解剖学的な位置、領域内の濃度に特徴が表れる。第一の実施形態では、胸膜プラークの形態の特徴に着目する。具体的には、壁側胸膜が肥厚する症状を、ＣＴの画像で肺野の輪郭Ｓoのくぼみ（凹部）として観察できる（図１４のＰ１参照）。そこで、本発明では、肺野の輪郭Ｓoの凹部を、動的輪郭抽出方法を利用して検出することにより、凹部を胸膜プラークの候補Ｐ１として検出し、診断支援を行う。
本第一の実施形態の特徴部分の動作を図４のフローチャートに従って説明する。
まず、医用画像取得手段１０は、モダリティ１または画像保管サーバ２からの要求に応じて、ネットワーク９を介して医用画像Ｖを取得する（Ｓ１０１）。医用画像Ｖは、肺野領域を含むものであり、一枚以上の２次元画像Ｖ２、または複数の断層像である２次元画像を積み重ねて構成される３次元画像Ｖ３からなる。
次に、解剖学的情報抽出手段２０は取得した医用画像の肺野領域、つまり肺野の輪郭Ｓoを検出する（Ｓ１０２）。
肺野認識は、周知の認識手法を用いることができ、例えば、特許３４３３９２８号公報に記載されているような、平滑化した胸部Ｘ線画像において、中心から外側に向かって、濃度値が所定の閾値を超える位置あるいは１次導関数の変化が最大の位置を探索し、肺野輪郭を検出する手法や、特許２９８７６３３号公報に記載されているような、胸部Ｘ線画像において、その画像濃度のヒストグラム上の所定の山形状および面積に基づいて決定される所定の濃度範囲の部分を肺野部として検出する手法、あるいは、特開２００３−００６６６１号公報に記載されているような、平均的な心胸郭の輪郭と略相似形のテンプレートを用いてテンプレートマッチング処理を行うことにより心胸郭の粗輪郭を検出し、さらに、粗く検出された粗部分輪郭に基づいて部分輪郭を精密に検出し、精密に検出された精部分輪郭を部分輪郭として検出する手法を適用することができる。
次に、凹領域検出手段３０は、医用画像Ｖに肺野領域を含むような閉曲線を初期形状として設定し（Ｓ１０３）、動的輪郭抽出技術によって算出した肺野の比較輪郭Ｓnを生成する（Ｓ１０４）。
動的輪郭抽出方法とは、抽出する輪郭のモデルとし、所定の変形の傾向にしたがって変形を繰り返す曲線（以下、これを「動的曲線」という）を仮定して、その輪郭のモデルが対象の輪郭に近づくように、すなわち動的曲線が変形を繰り返して最終的にその対象の輪郭に収束するように変形の傾向を定めることにより、対象の輪郭を抽出するものである。この動的輪郭抽出方法としてよく知られているもののとしてSNAKES（スネークス）法やレベルセット法がある。
本第一の実施形態では、SNAKES法を用いて比較輪郭を検出する。SNAKES法は動的曲線のエネルギーを定義することにより、その曲線の状態を定量的に評価して変形の傾向を定めようとするものであり、このエネルギーは、動的曲線が対象の輪郭に一致した場合に最小となるように定義され、これにより、動的曲線の持つエネルギーが最小となる安定状態を見つけることによって対象の輪郭を抽出することが可能となる。この際、輪郭抽出処理の速度および正確さは、変形の傾向の定め方に依存する（M.Kass, A.Witkin, D.Terzopoulos; "SNAKES: ACTIVE CONTOUR MODELS" International Journal of Computer Vision, Vol.1, No.4, pp.321-331, 1988）。
肺野領域を囲む閉曲線の設定は、例えば、平均的な肺の輪郭と略相似形の閉曲線のテンプレートを用意しておいて、検出した肺野の輪郭Ｓoを内部に含むために十分な大きさとなるように閉曲線のテンプレートを拡大して、初期形状として使用してもよいし、その他検出した肺野の輪郭Ｓoを内部に含むように閉曲線を設定できるような周知の方法を適宜使用することができる。
次に、徐々に設定した閉曲線を縮小し、肺野の境界にフィットする肺野の比較輪郭Ｓnを求める（Ｓ１０４）。なお、検出された肺野の輪郭Ｓoと比較輪郭Ｓnとを検出する順番は、図４、６、８、１２に示す実施例に限定されるものでなく、比較輪郭Ｓnを検出してから、肺野の輪郭Ｓoを検出してもよく、並行して肺野の輪郭Ｓoと比較輪郭Ｓnとを検出してもよい。
次いで、検出された肺野の輪郭Ｓoと比較輪郭Ｓnを比較する。
図３は動的輪郭抽出技術によって求めた比較輪郭Ｓｎと検出された肺野の輪郭Ｓoを表す概念部である。動的輪郭によって得られる輪郭を破線で、検出された肺野の輪郭Ｓoを実線で示す。動的輪郭抽出技術では、設定した閉曲線をなめらかな閉曲線を描きつつ縮小するため、検出された肺野の輪郭の鋭い屈曲部に完全にフィットする輪郭を描くことができない。このことから、図３に示すように、胸膜プラークの候補となる肺野の凹部に、比較輪郭Ｓｎをフィットさせることができない。よって、比較輪郭Ｓｎと検出された肺野の輪郭Ｓoを比較すると、その一致しなかった箇所を凹領域として検出できる。よって、ＳoとＳnの比較により凹領域を抽出できる（Ｓ１０５）。肺野の輪郭Ｓoと比較輪郭Ｓｎの一致の判断には、周知の方法を用いることができ、例えば、検出された肺野の輪郭Ｓo上に適宜サンプル点を設け、サンプル点が比較輪郭Ｓｎ上にあるかどうかで判断してもよい。
また、動的輪郭検出技術による比較曲線の算出の際、動的輪郭の動作を決定する係数を適切に設定することが好ましい。このことにより、動的輪郭検出技術による比較曲線が、肺野領域の凹部へ必要以上に侵入してフィットすることを防ぎつつ凹領域を検出することができ、凹領域をより精度よく検出できる。本実施形態では、凹領域をより精度よく検出するために、以下に述べるようにSnakesモデルの係数を設定する。
Snakesの動作を決定するSnakes上の画像エネルギーの総和Ｅは一般に以下の式（１）で与えられる。
Figure 0005258694
 ただし、Snakes：v(s)=(x(s),y(s)) s:0-1
ｓは閉曲線上のパラメータで、ｓ＝０の位置が始点でｓ＝１の位置は終点をあらわす（閉曲線の場合には、ｓ＝０の位置とｓ＝１の位置は一致する）。
ここで、この内部エネルギーＥintは、閉曲線の連続性や滑らかさを表す内部エネルギーで、ｖ（ｓ）の伸縮を調整する項である。Ｅimageは画像のエッジの強度に基づく画像濃淡エネルギーである。Ｅconは閉曲線を縮ませるための外部エネルギーである。
内部エネルギーＥintは、Snakes自身の長さｖｓと、曲率ｖｓｓの自乗の重みつき線形和で定義され式（２）で与えられる。
Figure 0005258694
ただし、式（2）において、α、βはそれぞれのエネルギーの重みを表す定数である。本実施形態において、Ｅintの係数をα＜βとなるように設定することでSnakesの各頂点は滑らかな曲線を保つことができ、動的輪郭検出技術による比較曲線が、肺野領域の凹部へ必要以上に侵入してフィットすることを防ぎつつ凹領域を検出することができる。一例として、αとβの比が０．５：１となる係数を選択することが好ましい。
さらに、肺野の輪郭Ｓoの全部でなく肺野の輪郭Ｓoの一部について凹領域を検出することが望ましい。具体的には、肺野の輪郭Ｓoから心臓を含むほうの輪郭を除外した残りの肺野の輪郭から凹領域の検出を行うことが望ましい。図１４に示すように、肺野の輪郭Ｓoには心臓や血管の輪郭も含まれる場合があり、そのような他の臓器等の輪郭が凹部として誤って検出されることを防ぎ、より精度の高い凹領域の検出を行うためである。
肺野の領域Ｓoから心臓の輪郭を除く方法の例を説明する。解剖学的情報抽出手段２０により肺野の認識に用いたような周知の技術により心臓の輪郭を検出し、凹領域検出手段３０は肺野の輪郭Ｓoから心臓の輪郭を除外した部分の輪郭についてのみ肺野の輪郭Ｓoと比較輪郭Ｓnの比較を行い、凹領域の検出を行うことができる。
または、検出された医用画像Ｖにおいて、解剖学的情報抽出手段２０により胸骨と脊椎の領域を認識し、胸骨の領域内と脊椎の領域内にそれぞれ特定点Ｂ１，Ｂ２を設け、Ｂ１と肺野輪郭上の特定点Ｃ１間の距離が最も近くなるようにＣ１を決定し、Ｂ２と肺野輪郭上の特定点Ｃ２間の距離が最も近くなるようにＣ２を決定する。決定したＣ１とＣ２において肺野の輪郭Ｓoを分割し、心臓を含むほうの輪郭を除外した残りの肺野の輪郭のみ肺野の輪郭Ｓoと比較輪郭Ｓnの比較を行い、凹領域の検出を行うことができる。
なお、このように、肺野の輪郭の一部について凹領域を検出した場合でも、造影剤を用いて血管付近だけ異常陰影の検出を行う場合よりも、肺野の外壁について十分広い範囲で凹領域の検出を行うことができる。
胸膜プラーク候補検出手段４０は、検出された凹領域を第一の胸膜プラークの候補Ｐ１とする（Ｓ１０６）。
以上のようにして、第一の胸膜プラークの候補Ｐ１を検出することができる。このように、肺野の輪郭Ｓoの情報のみを用いているので、診断のために患者に造影剤を使用することがなく、患者への身体的負担および診察コストの負担が軽減される。また、肺野の輪郭Ｓoに沿って肺野の胸膜全体について、広い範囲で胸膜プラークの候補を検出することが可能となり、より検出の精度を向上させることができる。
以下に変形例を示す。以下の変形例は、その本質を変容させることなく、他の実施形態にも適用できる。
医用画像Ｖは、２次元画像Ｖ２を複数枚または３次元画像Ｖ３を含むものであって、凹領域検出手段は、複数の２次元画像Ｖ２または３次元画像Ｖ３から前記凹領域を検出することができる。
凹領域を検出するために複数の医用画像Ｖ２を用いた場合は、複数の情報から胸膜プラークの候補を検出するため、一枚の２次元画像Ｖ２を用いる場合より精度よく検出することができる。複数の２次元画像Ｖ２は互いに異なる位置または異なる角度からの断面であることが好ましく、互いに異なる位置または異なる角度からの断面画像を用いた場合は、より広い範囲の凹領域を検出することができ、一方向からの２次元画像を用いる場合よりも、精度よく検出できる。
本実施形態の変形例として、凹領域を検出するために３次元画像Ｖ３を用いる場合は、３次元の動的輪郭モデルを適用して凹領域を検出する。３次元の動的輪郭モデルとして、アクティブバルーンモデルを用いて3次元医用画像の輪郭を取得することができる。アクティブバルーンモデルは、Snakesを３次元のシェル構造に拡張したモデルであり、Snakesが２次元の濃淡画像から徐々にエネルギーの極小化を行って物体のエッジ抽出を行うところ、アクティブバルーンモデルは離散的な３次元空間のサンプル点から徐々にエネルギーの極小化を行って３次元物体の面の再構成を行う（土屋健一，松尾啓志，岩田彰：アクティブバルーンモデルと対称性仮説を用いた３次元再構成；信学論(D-II) J76-D-II No.9, pp.1967-1976, Sep. 1993）。３次元画像Ｖ３を用いる場合においては、凹領域算出手段３０は、Ｓ１０３において、肺野を内包するように、正２０面体の各面を６４分割した１２８０面体である初期形状を設定し、２次元における動的輪郭技術と同様、内部エネルギーの最小化を繰り返すことにより、モデル全体のエネルギーを最小化すると肺野領域の３次元形状を比較輪郭Ｓｎ’として取得できる。
具体的には、Ｓ１０３において、肺野領域を囲む初期形状の設定は、例えば、平均的な肺の輪郭と略相似形の３次元形状のテンプレートを用意しておいて、検出した肺野の輪郭Ｓoを内部に含むために十分な大きさとなるように３次元形状のテンプレートを拡大して、初期形状として使用してもよいし、その他検出した肺野の輪郭Ｓo’を内部に含むように３次元形状を設定できるような周知の方法を適宜使用することができる。また、平均的な解剖学的位置情報から予め決定した位置に、初期形状である３次元形状を設定することができる。
次に、Ｓ１０４において、徐々に設定した初期形状を縮小し、肺野の境界にフィットする肺野の比較輪郭Ｓn’を求める。なお、検出された肺野の輪郭Ｓoと比較輪郭Ｓnとを検出する順番は、本実施例に限定されるものでなく、比較輪郭Ｓnを検出してから、肺野の輪郭Ｓoを検出してもよく、並行して肺野の輪郭Ｓoと比較輪郭Ｓnとを検出してもよい。
そして、Ｓ１０５において、この３次元動的輪郭技術によって得た比較輪郭Ｓｎ’と、先述の方法で２次元の断層画像から検出された肺野の輪郭Ｓoを３次元形状に再構成した肺野の３次元形状Ｓo’と比較し、両形状の相違点を検出することで凹領域を算出することが出来る。２次元の場合と同様に、３次元動的輪郭抽出技術においても、初期形状である１２８０面体をなめらかな形状を描くように縮小するため、検出された肺野の３次元形状の鋭い屈曲部に完全にフィットする３次元形状を描くことができない。よって、比較輪郭Ｓｎ’と検出された肺野の輪郭Ｓo’を比較し、その一致しなかった箇所を凹領域として検出できる。
３次元形状Ｓｎ’とＳo’の比較方法としては、周知の３次元形状の類似性を判断する判別方法を適宜用いることが出来る。本実施形態では、Ｓo’の３次元形状上に適宜サンプル点を設け、サンプル点が比較輪郭Ｓｎ’上にあるか、またはサンプル点と比較輪郭Ｓｎ’を構成する多面体の面との距離がしきい値より小さいかを判断して、サンプル点が比較輪郭Ｓｎ’上になく、かつ、またはサンプル点と比較輪郭Ｓｎ’を構成する多面体の面との距離がしきい値以上の場合、サンプル点付近が凹領域であると検出できる。
このように、凹領域を３次元画像Ｖ３から検出した場合は、凹領域の全体の形状や位置が３次元的に把握できるため、胸膜プラークの候補について２次元画像Ｖ２から検出した場合より多くの情報を得ることができ、胸膜プラークをより精度よく検出する支援ができる。
また、別の変形例として、２次元医用画像Ｖ２により、胸膜プラークの候補の検出を行い、もし、胸膜プラークの候補が検出された場合には、検出された胸膜プラークの候補の付近の情報を含む他の２次元医用画像Ｖ２’または３次元画像Ｖ３を用いて、別途凹領域を検出し、その凹領域を第一の胸膜プラークの候補Ｐ１としてもよい。このことにより、２次元医用画像Ｖ２により最初に検出された胸膜プラーク候補の周辺の情報を得ることができ、より精度よく検出することができる。
さらに、他の２次元医用画像Ｖ２’を用いて、別途凹領域を検出し、その凹領域を第一の胸膜プラークの候補Ｐ１とした場合に、他の２次元医用画像Ｖ２’は互いに異なる位置または異なる角度からの断面であることが好ましく、互いに異なる位置または異なる角度からの断面画像を用いた場合は、最初に２次元医用画像Ｖ２で検出された凹領域を、別位置または異なる角度から再度検出することができ、一つの２次元医用画像Ｖ２からの２次元画像を用いる場合よりも、検出された凹領域の位置や大きさについてさらに情報を得られるため、精度よく検出できる。
３次元医用画像Ｖ３を用いて、別途凹領域を検出し、その凹領域を第一の胸膜プラークの候補Ｐ１とした場合は、検出された胸膜プラーク候補の位置や大きさを３次元的に把握できるため、胸膜プラークの候補についてより多くの情報を得ることができ、胸膜プラークをより精度よく検出する支援ができる。
最初に一つの２次元画像Ｖ２を用いて凹領域を求め、もし胸膜プラークの候補の候補があった場合にのみ、他の２次元画像Ｖ２’または３次元画像Ｖ３によって凹領域を検出することで、最初から複数の２次元画像または３次元画像Ｖ３を用いて凹領域を求めた場合よりも、計算スピード、計算負荷および記憶すべき情報量の負担を軽くすることができ、毎回全ての２次元画像または３次元画像について凹領域を検出することを省くことができ、計算負荷または時間的負荷を極端に増やすことなく、精度よく検出することができる。
また、片方の肺野に胸膜プラーク候補が検出された場合、両方の肺野についてさらに他の凹領域の検出を行うことが望ましい。胸膜プラークは両側性の病気のため、片方の肺野に胸膜プラークが検出された場合、他方の肺野にも胸膜プラークが生ずる可能性があるため、一方の肺野で凹領域が検出された場合、両方の肺について他の２次元画像Ｖ２’または３次元画像Ｖ３の凹領域を検出することにより、検出精度を高めることができる。
また、凹領域が検出された場合に、その凹領域付近を含む別の２次元医用画像Ｖ２’を用いて凹領域を別途計算することで、該胸膜プラークの候補の追加情報をさらに取得することができる。このような追加情報には、例えば、胸膜プラークの大きさや位置、厚みが考えられる。このような追加情報を取得することにより、胸膜プラークの候補が検出された場合には、その詳細な情報が取得できるため、より精度よく胸膜プラークの候補についての情報を得られる。
次に、第二の実施形態について以下に説明する。
先述の通り、胸膜プラークは、壁側胸膜に生じる不規則な白板状の肥厚であり、診断画像中で、形態、大きさ、辺縁や領域内の濃度に特徴が表れる。第二の実施形態では、第一の実施形態で示した凹領域に基づいた第一の胸膜プラーク候補検出に加え、胸膜プラークの形態と濃度に着目し、正常医用画像を用いて胸膜プラーク候補の判定を行う。なお、ハードウェア構成は第一の実施形態と同じである。
第二の実施形態の医用画像処理機能に関連する構成を説明する。
図５は、本発明の第二の実施形態における医用画像処理機能に関連する部分を示すブロック図である。図２に加え、正常な肺野領域および肺野周辺領域Ｒを含む医用画像を学習し記憶した学習画像記憶手段５０と、学習画像記憶手段５０から検出された医用画像Ｖと類似する学習画像を抽出し、抽出された学習画像と医用画像Ｖの解剖学的特長とを比較して解剖学的情報相違点を検出する解剖学的相違点検出手段６０を備えている。その他の図２との共通項目ついては、図２と同じ作用をするものとする。学習画像記憶手段５０は、ハードディスク、フラッシュメモリなどの記録媒体が適宜用いられる。
先述のとおり、一般的に、胸膜プラークは、壁側胸膜に生じる不規則な白板状の肥厚である。このような肥厚が石灰化している場合、その石灰化領域は正常な状態の同領域とは異なった濃度を示す。また、本発明者によると、壁側胸膜が肥厚する症状を、断層画像で肺野と肋骨または胸骨との間の領域の厚みが厚くなる症状として検出できる（図１４Ｐ１を参照）。よって、第二の実施形態では、医用画像における肺野の濃度、および肺野と肋骨および胸骨との間の領域Ｒ（以下、肺野周辺領域Ｒと呼ぶ。）を正常な肺野周辺領域Ｒ’と比較し、解剖学的な相違点を検出することにより、その相違点を胸膜プラークの候補として検出し、診断支援を行う。つまり、胸膜プラークの濃度に着目する際、濃度が正常画像に比較して所定の比率または濃度の差が所定の閾値より高い領域を石灰化した胸膜プラークが存在するものと判定できる。また、形態面では、胸膜プラークが壁側胸膜に生ずる肥厚であることから、胸膜プラークを肺野の輪郭Ｓoと肋骨または胸骨の間の肺野周辺領域Ｒの厚みが正常医用画像と比して厚い部分を胸膜プラーク候補と判定する。
本第二の実施形態の特徴部分の動作を図６のフローチャートに従って説明する。
Ｓ１０１は第一の実施例と同じである。Ｓ１０２において、第二の実施例では、解剖学的情報抽出手段２０は、周知の方法を用いて、肺野領域だけでなく肺野周辺領域Ｒについても解剖学的情報を抽出する。肺野周辺領域Ｒについての解剖学的情報として、周知の認識方法を適宜用いて、肋骨および胸骨の輪郭を少なくとも抽出する。さらに好ましくは、肺野周辺領域Ｒについて肋間静脈の輪郭も抽出することが望ましい。
肋骨認識は、例えば、「間接撮影胸部Ｘ 線写真における肋骨像の識別」（社団法人電子通信学会1972年10月26日画像工学研究会資料 資料番号IT72−24（1972−10））に記載されているような、線に敏感なフィルタを用いて胸部Ｘ線画像が走査されて線図形が抽出され、その線図形のＸ線画像上の位置、線図の延びる方向等から肋骨影に対応する線が抽出され、さらに肋骨境界線を二次関数近似することにより肋骨影が抽出される手法や、特願２００３−１８２０９３号にて提案されているような、エッジ検出（放物線近似形状検出）により検出された肋骨の初期形状を、肋骨形状モデル（教師データから得られた平均形状と、教師データの主成分分析により得られた複数の主成分形状との線形和として任意の肋骨形状を生成する）に投影して肋骨のモデル投影形状を求める手法を適用することができる。また、特開２００７−１３５８５８号に示すような、ＣＴ値の骨領域を認識する技術を利用して、肺野の骨領域を認識する方法を適用できる。
次に、Ｓ１０２で抽出した肺野と特開２００５−１０８１９５号広報に記載されているような方法を用いて、AdaBoost、サポートベクターマシン（ＳＶＭ），人工ニューラルネットワーク（ＡＮＮ）等を用いた機械学習によって得られる学習画像記憶手段５０から解剖学的位置が類似する正常な学習画像を抽出する（Ｓ２０１）。
本第二の実施例において、学習画像記憶手段５０は、特開２００５−１０８１９５号広報に記載されているような方法を用いて、学習用サンプルとなるその肺野領域とその周辺領域が表されていることがわかっている複数の画像とその肺野領域とその周辺領域が表されていないことがわかっている複数の画像の各々について多数の種類の特徴量を用いてAdaBoost手法に基づく学習を行うことによって得られたものである。多数の種類の特徴量については、例えば、肺野領域の所定の解剖学的構造物（臓器または骨）の長さ、面積、形状、向き、位置関係などを用いることができる。
この学習画像記憶手段５０から比較に用いる学習画像として、医用画像Ｖの特徴量を解剖学的情報抽出手段２０によって抽出し、その特徴量に基づいて類似性を表す相関値の高い画像を学習画像から選択する。具体的な特徴量としては、例えば、断層像での肋骨および胸骨および脊柱等の骨の位置関係や臓器および骨のそれぞれの大きさの割合を用いることができる。また、学習画像の濃淡やサイズなどを適宜調整してから、被写体の医用画像と特徴量を比較することが好ましい。
次に、抽出された学習画像と医用画像Ｖとの両者間で、肺野に関する解剖学的特徴と、肋骨および胸骨のいずれか一方との間の肺野周辺領域Ｒとに関する解剖学的特徴について比較し解剖学的情報相違点を検出する（Ｓ２０２）。
具体的には、肺野領域の画像の濃度について、正常な学習画像と被写体の医用画像の検出した肺野領域の濃度比を算出する。また、肺野周辺領域Ｒについても、画像の濃度について、正常な学習画像と被写体の医用画像の検出した肺野周辺領域Ｒの濃度比を算出する。濃度は、医用画像の信号値を指し、例えば、ＣＴ画像のＣＴ値をいう。
石灰化した部位が存在する場合、石灰化した部位は正常な部位より高濃度を示すため、特定の場所を示す領域について学習画像の濃度に対する被写体の濃度の比が所定のしきい値と比較して、しきい値より大きい場合、その領域を解剖学的特徴相違点として検出する。
さらに、解剖学的情報の形態について正常な学習画像と検出された肺野周辺領域Ｒを対比する。具体的には、胸膜プラークが存在する部分は、前記肺野周辺領域Ｒが肥厚しているため、正常な学習画像の肺野周辺領域Ｒ’の厚みに対して検出した肺野周辺領域Ｒの厚みが大きい場合、解剖学的情報相違点とする。肺野周辺領域Ｒの厚みは、２次元医用画像を用いた場合には２次元画像上での肺野の輪郭Ｓoと骨の間の最短距離を指標とすることができる。正常な学習画像の肺野周辺領域Ｒ’の厚みに対する検出した肺野周辺領域Ｒの厚みの比が所定のしきい値以上となる場合、その肺野の輪郭Ｓoと骨の間の最短距離を得た肺野の輪郭Ｓo上の点の位置を、解剖学的特徴相違点として検出できる。
ここで、医用画像Ｖの中に肋骨または胸骨の画像がなければ、上記肺野周辺領域Ｒの厚みの判定を行わない。また、２次元医用画像Ｖ２を用いる場合、骨の輪郭上の点Ｄ１と距離が最も近い肺野輪郭上の点Ｅ１を周知の方法を用いて検出し、この２点の座標間の距離を用いる。さらに、２次元医用画像Ｖ２を積み上げた３次元医用画像Ｖ３を用いる場合、該２次元医用画像Ｖ２に解剖学的に隣接する断層像を示す他の２次元医用画像Ｖ２上の骨の輪郭上の点Ｄ２についても、最も近い距離になる肺野輪郭上の点Ｅ１を検出し、２画素間の距離を算出して用いることが好ましい。骨の輪郭上の点Ｄ１、Ｄ２は、任意に設定でき、例えば肺野の濃度から肺野の重心を求め、重心に最も近い骨の輪郭上の点をＤ１、Ｄ２として選ぶことが好ましい。
さらに、解剖学的情報抽出手段２０により、検出した医用画像の肋間静脈を認識して、正常な医用画像と比較することが好ましい。肋間静脈は上下２本の肋骨の間に位置し、２次元の断層画像上では胸膜プラークに位置・形態が似ている。これを正常肺野における肋間静脈の学習データと比較して肋間静脈であると認識すれば、その領域は胸膜プラークの候補から除外でき、胸膜プラーク候補の誤認を防ぐことが出来るため、より精度の高い凹領域の検出が可能となる。
次いで、胸膜プラーク候補検出手段４０は、以上の検出された解剖学的特徴相違点を第二の胸膜プラークの候補Ｐ２として検出する（Ｓ２０３）。
以上のようにして、胸膜プラーク候補検出手段４０は、第二の胸膜プラークの候補Ｐ２を検出することができる。
このように第二の実施形態では、凹領域と併用して解剖学的情報相違点による胸膜プラークの候補を検出することで、より検出の精度を向上させることができる。また、肺野だけでなく、肺野周辺の情報を用いることで、より検出の精度を向上させることができる。また、以下の変形例は、その本質を変容させることなく、他の実施形態にも適用できる。
変形例として、正常画像と医用画像の濃度の比に加えて、胸膜プラークの濃度に着目する際、医用画像の濃度の最大値が一定のしきい値（例えば、目安ＣＴ値500）以上の場合は、石灰化した胸膜プラークが存在するものと判定する手法を併用してもよい。濃度について複数の判断を併用することで、精度よく胸膜プラーク候補の検出が可能となる。
別の変形例として、上記第二の実施形態では、解剖学的相違点検出手段６０は肺野領域および肺野周辺領域Ｒの濃度、肺野周辺領域Ｒの厚みのすべてについて解剖学的特徴の比較を行っているが、解剖学的相違点検出手段６０は、肺野領域および肺野周辺領域Ｒの濃度、肺野周辺領域Ｒの厚みの少なくともいずれか一つについて解剖学的特徴の比較を行ってもよい。解剖学的相違点検出手段６０が、肺野領域および肺野周辺領域Ｒの濃度、肺野周辺領域Ｒの厚みの少なくともいずれか一つについて解剖学的特徴の比較を行う場合には、凹領域の検出による胸膜プラーク候補の検出に加え、比較した解剖学的特徴の解剖学的情報相違点に基づいて、胸膜プラーク候補が検出でき、より精度よく胸膜プラーク候補の検出を行うことができる。
次に、第三の実施形態について以下に説明する。
先述のとおり、一般的に、胸膜プラークは、壁側胸膜に生じる不規則な白板状の肥厚である。本出願人によると、このような肺の外側にできる肥厚が斑状に生ずる症例の場合もあり、このような場合は、胸膜プラークを壁側胸膜の凹凸部分として検出できる。
よって、第三の実施形態では、検出された肺野の輪郭Ｓoの凹凸がしきい値より大きい部分を凹凸領域として検出することにより、その凹凸領域を第三の胸膜プラークの候補として検出し、診断支援を行う。
第一の実施形態では、凹領域に基づいて第一の胸膜プラークの候補Ｐ１を検出している。これに対し、第三の実施形態では、前記凹領域に加え、肺野領域の輪郭の凹凸領域を考慮した上で、胸膜プラークの候補を検出するようにしている。なお、ハードウェア構成は第一の実施形態と同じである。なお、本第三の実施形態の胸膜プラークの候補検出機能に、さらに図１３に示すように、第二の実施形態の相違点を考慮した胸膜プラーク候補検出機能を適用することも可能である。
第三の実施形態の医用画像処理機能に関連する構成を説明する。
図７は、本発明の第３の実施形態における医用画像処理機能に関連する部分を示すブロック図である。図２に加え、肺野の粗さ情報を算出し、所定のしきい値以上の粗さの領域である凹凸領域を検出する凹凸領域検出手段７０を備えている。その他の図２との共通項目ついては、図２と同じ作用をするものとする。
本第三の実施形態の特徴部分の動作を図８のフローチャートに従って説明する。
まず、Ｓ１０２のステップで検出された肺野の輪郭Ｓoをｎ個の分割曲線Ｑｋ（0≦k≦n）に分割する（Ｓ３０１）。それぞれの分割曲線Ｑｋは、例えば、分割曲線Ｑｋの長さがあらかじめ設定された長さとなるよう分割してもよく、肺野の輪郭Ｓoの経路長に対して分割曲線Ｑｋの長さの割合が、予め設定された割合となるように分割してもよく、図９に示すように肺野の空洞領域に中心点を設定し、中心点を通り所定角度ずつ傾けた複数の直線を放射状に描き、その複数の直線が肺野の輪郭Ｓoを横切る交点において、肺野の輪郭Ｓoを分割してもよい。本第三の実施例では、中心点として、画素の座標重心を用いる。画素の座標重心は画素座標の平均として算出できる。予め設定された長さに基づいてとは、分割曲線の経路の長さが予め設定された長さとなる点で分割してもよく、分割曲線の端点間の距離の長さが予め設定された長さとなる点で分割してもよい。例えば、各分割曲線Ｑｋの長さが１５mm程度となるように分割してもよいし、輪郭全体の長さを３０分割する程度の長さの割合となるよう分割してもよい。
次に、凹凸形状を有する分割曲線Ｑｋの粗さを算出するため、分割曲線の経路に沿った長さＬｋ（以後、分割曲線Ｑｋの長さＬｋと記載する。）および分割曲線の両端間の長さＬｋ’を算出する（Ｓ３０２）。分割曲線Ｑｋが粗い場合は、凹凸が存在するため分割曲線Ｑｋの長さＬｋは分割曲線の両端２点間の長さＬｋ’よりも長くなっている。そこで、分割曲線の両端間の長さＬｋ’と分割曲線の長さＬｋとを比較し、両者の差または両端間の長さＬｋ’に対する分割曲線の長さＬｋの比が予め設定されたしきい値以上の場合は、その分割曲線Ｑｋを凹凸領域として検出する（Ｓ３０３）。
そして、胸膜プラーク候補検出手段４０は、その凹凸領域を第三の胸膜プラーク候補Ｐ３とする（Ｓ３０４）。
なお、分割曲線の両端２点間の距離Ｌｋ’は、医用画像の２点の画素の座標値から、一般的な２点間の直線距離を求める方法を用いて求められる。
また、輪郭Ｓoおよび分割曲線の長さＬｋは、一般的な２点間を結ぶ曲線の長さの算出方法を適用でき、本第三の実施形態では輪郭Ｓoおよび分割曲線Ｑｋを、医用画像上において２次関数または３次関数のいずれかの関数、またはこれらの組み合わせで近似し、長さを求めたい範囲の画素の座標値を求め、その座標値の範囲について、関数を積分することで求められる。
以下に変形例を示す。以下の変形例は、その本質を変容させることなく、互いに組み合わせ可能であり、他の実施形態にも適用できる。
図１２を用いて、粗さ情報の算出および凹凸領域の検出の変形例を説明する。図８と異なるのはＳ３０２とＳ３０３に代えてＳ３１２とＳ３１３を行う点のみである。同じステップ番号の部分は、図８と同じ処理を行う。
先述の通り、正常な肺野がなめらかな輪郭を有していることに対し、胸膜プラーク付近の肺野の輪郭Ｓoは、胸膜プラークの肥厚によってジグザグの凹凸形状となる場合がある。このような場合、図１１に示すように分割曲線Ｑｋ上に粗さを評価する粗さ評価点ｑkiを複数設定し、その隣り合う粗さ評価点ｑkiからｑki+1に向かうベクトルを作成し、隣り合う該ベクトルのなす角度θkiの総和θSkを求める。正常な医用画像ではなめらかな肺野の輪郭Ｓoを有するため、隣り合うベクトルの角度は大きく変化しないのに対し、ジグザグの凹凸形状の場合は、隣り合うベクトルの角度は大きく変化する。よって、肺野の輪郭が凹凸形状の場合はこの角度の総和θSkがなめらかな肺野の輪郭の場合より大きくなるため、この隣り合う直線の角度の総和θSkを粗さの指標として用いることができる。つまり、隣り合うベクトルの角度の総和θSkを予め定めたしきい値と比較し、しきい値より大きい場合は、分割曲線Ｑｋを凹凸領域として検出できる。
ステップ３１２について、図１１を用いて、具体的に分割曲線Ｑｋの粗さを求める方法を説明する。図１１においては、実線がＱｋを表し、ｑk0、ｑk1、ｑk2、ｑk3、ｑk4、ｑk+10、ｑk+11が粗さ評価点を表し、ｑk0とｑk+10が分割曲線Ｑｋの端点に相当する。まず、図１１に示すようにそれぞれの分割曲線Ｑｋ上にｍ個の複数の粗さ評価点ｑki（0≦i≦m-1）を設定し、隣り合う粗さ評価点ｑkiからｑki+1に向かうベクトルを順次作成する。次に、図１１に示すように隣り合う２つのベクトルのなす角θｋi（0≦i≦m-1）を求め、この角度の総和θSkを以下のように求める（Ｓ３１２）。
Figure 0005258694
例えば、図１１の例においては、角度の総和はθSk=θk0＋θk1＋θk2＋θk3＋θk4となる。
ここでは、説明のため、一つの分割曲線Ｑｋについての粗さ評価点ｑkiの個数ｍを５と設定しているが、この粗さ評価点ｑkiの個数ｍは、適宜設定することができ、好ましくは１０個程度が望ましい。また、その分割曲線の長さに応じて、個数ｍを適宜増減してもよい。
また、粗さ評価点ｑkiの間隔も適宜設定できる。例えば、医用画像上にＸ、Ｙ、Ｚ軸をとり、いずれかの軸方向に画素の座標値が等間隔になるように設定してもよいし、隣接する粗さ評価点どうしの距離が等しくなるように設定してもよい。
次に、胸膜プラーク候補検出手段４０は、角度の総和θSkが、所定のしきい値より大きい場合は、その分割曲線Ｑｋを凹凸領域とする（Ｓ３１３）。
さらに、肺野の輪郭Ｓoの全部でなく肺野の輪郭Ｓoの一部について凹凸領域を検出することが望ましい。具体的には、肺野の輪郭Ｓoから心臓を含むほうの輪郭を除外した残りの肺野の輪郭から凹凸領域の検出を行うことが望ましい。図１４に示すように、肺野の輪郭Ｓoには心臓や血管の輪郭も含まれる場合があり、そのような他の臓器等の輪郭が凹部として誤って検出されることを防ぎ、より精度の高い凹凸領域の検出を行うためである。
肺野の領域Ｓoから心臓の輪郭を除く方法の例を説明する。解剖学的情報抽出手段２０により肺野の認識に用いたような周知の技術により心臓の輪郭を検出し、凹凸領域検出手段３０は肺野の輪郭Ｓoから心臓の輪郭を除外した部分の輪郭についてのみ肺野の輪郭Ｓoと比較輪郭Ｓnの比較を行い、凹凸領域の検出を行うことができる。
または、検出された医用画像Ｖにおいて、解剖学的情報抽出手段２０により周知の技術により胸骨と脊椎の領域を認識し、胸骨の領域内と脊椎の領域内にそれぞれ特定点Ｂ１，Ｂ２を設け、Ｂ１と肺野輪郭上の特定点Ｃ１間の距離が最も近くなるようにＣ１を決定し、Ｂ２と肺野輪郭上の特定点Ｃ２間の距離が最も近くなるようにＣ２を決定する。決定したＣ１とＣ２において肺野の輪郭Ｓoを分割し、心臓を含むほうの輪郭を除外した残りの肺野の輪郭のみ肺野の輪郭Ｓoと比較輪郭Ｓnの比較を行い、凹凸領域の検出を行うことができる。
以上のようにして、第三の胸膜プラークの候補Ｐ３を検出することができる。粗さによる凹凸領域により胸膜プラークの候補を求めることにより、造影剤を使用することなく、患者への身体的負担および診察コストの負担が軽減される。また、肺野の輪郭Ｓoに沿って、肺野の胸膜全体について、広い範囲で胸膜プラークの候補を検出することが可能となり、より検出の精度を向上させることができる。また、凹領域と併用して相違点による胸膜プラークの候補を検出することで、より検出の精度を向上させることができる。
また、図１３に示すように、第二の実施形態に第三の実施形態を組み合わせた場合、胸膜プラーク検出手段４０は、第一の胸膜プラーク候補Ｐ１と第二の胸膜プラーク候補Ｐ２と第三の胸膜プラーク候補Ｐ３のいずれか２つ以上を検出した場合、これらの胸膜プラーク候補の複数がほぼ重複する位置を表している場合は、その胸膜プラーク候補を特に胸膜プラークの可能性が高い胸膜プラーク候補として重み付けし、重み付けした情報をその付加情報としてその胸膜プラーク候補に付してもよい。
このように、複数の方法により胸膜プラーク候補として検出されたことを重み付けする重み情報を付した場合は、その候補が胸膜プラークである確率の高さの指標とできるため、その胸膜プラーク候補を検出できるだけでなく、その候補の胸膜プラークの可能性の高さも取得でき、胸膜プラーク候補についてより詳しい情報を提供できる診断支援を行うことができる。
以上のように、本発明の全ての実施形態において、１つの画像管理サーバ２で画像データの処理を行うものとして説明を行ったが、ネットワークを介して接続された複数サーバを連携動作させて実現するようにしてもよい。
１ モダリティ
２ 画像保管サーバ
３ 画像処理ワークステーション
９ ネットワーク
１０ 医用画像取得手段
２０ 解剖学的情報抽出手段
３０ 凹領域検出手段
４０ 胸膜プラーク候補検出手段
５０ 学習画像記憶手段
６０ 解剖学的相違点検出手段
７０ 凹凸領域検出手段
Ｐ１ 第一の胸膜プラークの候補
Ｐ２ 第二の胸膜プラークの候補
Ｐ３ 第三の胸膜プラークの候補
Ｓo 対象医用画像の肺野の輪郭
Ｓn 動的輪郭によって算出した肺野の比較輪郭
Ｑk 分割された肺野の輪郭の分割曲線
Ｖ 医用画像
Ｖ２ ２次元画像
Ｖ３ ３次元画像

Claims (11)

  1. 被写体を表す医用画像を取得する医用画像取得手段と、
    前記取得された医用画像から肺野領域を抽出する解剖学的情報抽出手段と、
    抽出された肺野の輪郭と、前記肺野領域において初期形状を有し所定の変形の傾向にしたがって変形を繰り返す動的曲線が該変形を繰り返して収束することにより得た比較輪郭とを比較することによって前記肺野の凹領域を検出する凹領域検出手段と、
    検出された前記凹領域を第一の胸膜プラークの候補とする胸膜プラーク候補検出手段
    を備えたことを特徴とする医用画像処理装置。
  2. 正常な肺野領域を表す肺野関連画像を含む画像データを学習することにより得られた学習画像を記録する学習画像記憶手段と、
    前記検出された肺野領域と前記学習画像とを比較することによって、両者間の解剖学的情報相違点を検出する解剖学的相違点検出手段とを備え、
    前記胸膜プラーク候補検出手段は、前記検出された解剖学的情報相違点をさらに第二の胸膜プラークの候補とするものであることを特徴とする請求項１記載の医用画像処理装置。
  3. 前記取得された医用画像が肋骨および胸骨の少なくとも一方と肺野との間の肺野周辺領域を含むものであり、
    前記解剖学的相違点検出手段は、前記肺野領域に替えて、前記医用画像の前記肺野周辺領域の信号値および前記肺野周辺領域の厚みの少なくとも一方を前記学習画像と比較するものであることを特徴とする請求項２に記載の医用画像処理装置。
  4. 前記検出された肺野領域から前記肺野領域の周壁の粗さを算出し、算出された前記粗さと予め定められた所定値とを比較することで、前記肺野領域の周壁の凹凸領域を検出する凹凸領域検出手段とを備え、
    前記胸膜プラーク候補検出手段は、検出された前記凹凸領域をさらに第三の胸膜プラークの候補とするものであることを特徴とする請求項１から３いずれか１項記載の医用画像処理装置。
  5. 前記取得された医用画像は２次元画像を含むものであり、
    前記凹凸領域検出手段は、前記２次元画像の前記取得された肺野の輪郭を分割した分割曲線を作成し、作成された分割曲線の長さと分割曲線の両端の２点間の距離の長さが予め定められた所定値より大きい特定区間を凹凸領域として検出することを特徴とする請求項４に記載の医用画像処理装置。
  6. 前記医用画像は２次元画像を含むものであり、
    前記凹凸領域検出手段は、前記２次元画像の前記肺野領域の周壁を所定区間ごとに分割した分割曲線を作成し、作成された分割曲線それぞれに複数の点を配置し、該複数の点のうち隣接する点どうしを繋ぐことにより複数のベクトルを作成し、作成した該複数のベクトルのうち隣接するベクトルどうしのなす角を積算した値を求め、該積算した値が予め定められた所定値より大きいものとなる前記所定区間を凹凸領域として検出することを特徴とする請求項４または５に記載の医用画像処理装置。
  7. 前記凹凸領域検出手段は、前記分割曲線は予め設定された長さ、前記肺野の輪郭の経路長に対する分割曲線の長さの割合、および、肺野領域内の中心点から、予め定めた所定の角度のいずれかに基づいて決定することを特徴とする請求項４から６いずれか１項記載の医用画像処理装置。
  8. 前記医用画像は、複数の２次元画像または３次元画像からなり、
    前記凹領域検出手段は、前記複数の２次元画像または前記３次元画像から前記凹領域を検出するものであることを特徴とする請求項１から７いずれか１項記載の医用画像処理装置。
  9. 前記医用画像は、複数の２次元画像および３次元画像を含むものであり、
    前記凹領域検出手段は、前記２次元画像から前記凹領域を検出し、該凹領域の検出に応じて、前記解剖学的情報抽出手段から前記凹領域付近の領域を含む前記３次元医用画像または前記２次元画像と異なる２次元画像を用いて求めた他の比較輪郭を得て、該他の比較輪郭を用いて得た前記凹領域付近の他の凹領域をさらに検出するものであり、
    前記胸膜プラーク候補検出手段は、前記凹領域と前記他の凹領域を前記第一の胸膜プラーク候補とすることを特徴とする請求項１から８いずれか１項記載の医用画像処理装置。
  10. 被写体を表す医用画像を取得する医用画像取得手段と、
    前記取得された医用画像から肺野領域を抽出する解剖学的情報抽出手段と、
    抽出された肺野の輪郭と、前記肺野領域において初期形状を有し所定の変形の傾向にしたがって変形を繰り返す動的曲線が該変形を繰り返して収束することにより得た比較輪郭とを比較することによって前記肺野の凹領域を検出する凹領域検出手段と、
    検出された前記凹領域を第一の胸膜プラークの候補とする胸膜プラーク候補検出手段
    を備えた医用画像処理装置の作動方法であって、
    前記医用画像取得手段により、被写体を表す医用画像を取得するステップと、
    前記解剖学的情報抽出手段により、前記取得された医用画像から肺野領域を抽出するステップと、
    前記凹領域検出手段により、前記肺野領域から検出された肺野の輪郭と、前記肺野領域において初期形状を有し所定の変形の傾向にしたがって変形を繰り返す動的曲線が該変形を繰り返して収束することにより得た比較輪郭とを比較することによって前記肺野の凹領域を検出するステップと、
    前記胸膜プラーク候補検出手段により、検出された前記凹領域を第一の胸膜プラークの候補とするステップを実行することを特徴とする医用画像処理装置の作動方法。
  11. コンピュータを、
    被写体を表す医用画像を取得する医用画像取得手段と、
    前記取得された医用画像から肺野領域を抽出する解剖学的情報抽出手段と、
    抽出された肺野の輪郭と、前記肺野領域において初期形状を有し所定の変形の傾向にしたがって変形を繰り返す動的曲線が該変形を繰り返して収束することにより得た比較輪郭とを比較することによって前記肺野の凹領域を検出する凹領域検出手段と、
    検出された前記凹領域を第一の胸膜プラークの候補とする胸膜プラーク候補検出手段
    として機能させるプログラム。
JP2009174080A 2009-07-27 2009-07-27 医用画像処理装置および方法並びにプログラム Expired - Fee Related JP5258694B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2009174080A JP5258694B2 (ja) 2009-07-27 2009-07-27 医用画像処理装置および方法並びにプログラム
US12/843,231 US8559689B2 (en) 2009-07-27 2010-07-26 Medical image processing apparatus, method, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2009174080A JP5258694B2 (ja) 2009-07-27 2009-07-27 医用画像処理装置および方法並びにプログラム

Publications (2)

Publication Number Publication Date
JP2011024799A JP2011024799A (ja) 2011-02-10
JP5258694B2 true JP5258694B2 (ja) 2013-08-07

Family

ID=43497362

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2009174080A Expired - Fee Related JP5258694B2 (ja) 2009-07-27 2009-07-27 医用画像処理装置および方法並びにプログラム

Country Status (2)

Country Link
US (1) US8559689B2 (ja)
JP (1) JP5258694B2 (ja)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7920152B2 (en) 2004-11-04 2011-04-05 Dr Systems, Inc. Systems and methods for viewing medical 3D imaging volumes
US7885440B2 (en) 2004-11-04 2011-02-08 Dr Systems, Inc. Systems and methods for interleaving series of medical images
US7787672B2 (en) 2004-11-04 2010-08-31 Dr Systems, Inc. Systems and methods for matching, naming, and displaying medical images
US7970625B2 (en) 2004-11-04 2011-06-28 Dr Systems, Inc. Systems and methods for retrieval of medical data
US7660488B2 (en) 2004-11-04 2010-02-09 Dr Systems, Inc. Systems and methods for viewing medical images
US7953614B1 (en) 2006-11-22 2011-05-31 Dr Systems, Inc. Smart placement rules
US8380533B2 (en) 2008-11-19 2013-02-19 DR Systems Inc. System and method of providing dynamic and customizable medical examination forms
JP5258694B2 (ja) * 2009-07-27 2013-08-07 富士フイルム株式会社 医用画像処理装置および方法並びにプログラム
US8712120B1 (en) 2009-09-28 2014-04-29 Dr Systems, Inc. Rules-based approach to transferring and/or viewing medical images
JP5570866B2 (ja) * 2010-04-30 2014-08-13 オリンパス株式会社 画像処理装置、画像処理装置の作動方法、および画像処理プログラム
JP5620194B2 (ja) * 2010-08-24 2014-11-05 オリンパス株式会社 画像処理装置、画像処理方法、および画像処理プログラム
JP5658945B2 (ja) * 2010-08-24 2015-01-28 オリンパス株式会社 画像処理装置、画像処理装置の作動方法、および画像処理プログラム
US9092727B1 (en) 2011-08-11 2015-07-28 D.R. Systems, Inc. Exam type mapping
KR101805624B1 (ko) * 2011-08-29 2017-12-08 삼성전자주식회사 장기 모델 영상 생성 방법 및 장치
US9370328B2 (en) * 2012-11-29 2016-06-21 University Of Washington Through Its Center For Commercialization Methods and systems for determining tumor boundary characteristics
US9086433B2 (en) 2012-12-19 2015-07-21 International Business Machines Corporation Rigid probe with compliant characteristics
US9495604B1 (en) 2013-01-09 2016-11-15 D.R. Systems, Inc. Intelligent management of computerized advanced processing
US10909168B2 (en) 2015-04-30 2021-02-02 Merge Healthcare Solutions Inc. Database systems and interactive user interfaces for dynamic interaction with, and review of, digital medical image data
JP6413927B2 (ja) * 2015-05-25 2018-10-31 コニカミノルタ株式会社 動態解析装置及び動態解析システム
JP2017176202A (ja) * 2016-03-28 2017-10-05 コニカミノルタ株式会社 動態解析システム
JP2018015022A (ja) * 2016-07-25 2018-02-01 コニカミノルタ株式会社 医用画像処理装置
CN106408024B (zh) * 2016-09-20 2019-06-21 四川大学 针对dr片的肺叶轮廓提取方法
KR102592905B1 (ko) * 2016-12-21 2023-10-23 삼성전자주식회사 엑스선 영상 촬영 장치 및 제어방법
JP6751682B2 (ja) * 2017-03-09 2020-09-09 富士フイルム株式会社 医用画像撮影制御装置、方法およびプログラム
JP6797088B2 (ja) * 2017-08-17 2020-12-09 富士フイルム株式会社 学習データ生成支援装置および学習データ生成支援装置の作動方法並びに学習データ生成支援プログラム
KR101955919B1 (ko) * 2017-09-21 2019-03-08 재단법인 아산사회복지재단 딥러닝 기반의 영상데이터 내 관심영역 설정방법 및 프로그램
US11328416B2 (en) * 2019-01-18 2022-05-10 The Regents Of The University Of California Method for identification and quantification of tissue calcification
US12125247B2 (en) * 2020-10-02 2024-10-22 Google Llc Processing images using self-attention based neural networks
CN116205920B (zh) * 2023-05-05 2023-07-18 天津医科大学总医院 基于肺扫描数据的重点区域检测模型生成方法及系统
CN117409004B (zh) * 2023-12-14 2024-03-15 自贡市第一人民医院 一种基于医疗影像分析的肺部康复智能辅助系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2214101A1 (en) * 1995-03-03 1996-09-12 Ulrich Bick Method and system for the detection of lesions in medical images
US6577752B2 (en) * 2001-06-15 2003-06-10 Arch Development Corporation Automated method and system for the delineation of the chest wall in computed tomography scans for the assessment of pleural disease
US6795521B2 (en) * 2001-08-17 2004-09-21 Deus Technologies Llc Computer-aided diagnosis system for thoracic computer tomography images
WO2003070102A2 (en) * 2002-02-15 2003-08-28 The Regents Of The University Of Michigan Lung nodule detection and classification
US7583829B2 (en) 2004-09-13 2009-09-01 Siemens Medical Solutions Usa, Inc. Method and apparatus for embolism analysis
WO2007145093A1 (ja) * 2006-06-12 2007-12-21 Hitachi Medical Corporation 画像診断支援装置及び画像診断支援プログラム
US8098911B2 (en) * 2006-12-05 2012-01-17 Siemens Aktiengesellschaft Method and system for registration of contrast-enhanced images with volume-preserving constraint
JP2008253293A (ja) * 2007-03-30 2008-10-23 Fujifilm Corp Ｃｔ画像からの肺野領域抽出方法
US8385622B2 (en) * 2007-07-27 2013-02-26 Hitachi Medical Corporation Image diagnostic support apparatus
JP5019220B2 (ja) 2007-10-05 2012-09-05 株式会社東芝 医用画像表示装置及び医用画像表示プログラム
JP5258694B2 (ja) * 2009-07-27 2013-08-07 富士フイルム株式会社 医用画像処理装置および方法並びにプログラム

Also Published As

Publication number Publication date
US8559689B2 (en) 2013-10-15
US20110019886A1 (en) 2011-01-27
JP2011024799A (ja) 2011-02-10

Similar Documents

Publication Publication Date Title
JP5258694B2 (ja) 医用画像処理装置および方法並びにプログラム
AU698576B2 (en) Automated detection of lesions in computed tomography
US8634628B2 (en) Medical image processing apparatus, method and program
US20050207630A1 (en) Lung nodule detection and classification
US9230320B2 (en) Computer aided diagnostic system incorporating shape analysis for diagnosing malignant lung nodules
KR101028365B1 (ko) 연속된 컴퓨터 단층촬영의 폐결절 다단계 정합 방법 및 장치
JP5301197B2 (ja) 断面画像表示装置および方法ならびにプログラム
US10319093B2 (en) Image processing apparatus, image processing method, and program
JP2014534822A (ja) モデルに基づいた冠動脈のカルシウムスコアリング
El-Baz et al. A new CAD system for early diagnosis of detected lung nodules
JP6983573B2 (ja) 画像処理装置、画像処理方法およびプログラム
Wei et al. A hybrid approach to segmentation of diseased lung lobes
US7787673B2 (en) Method and apparatus for airway detection and segmentation using 3D morphological operators
CN110599482B (zh) 肺裂曲面确定方法、装置、电子设备和存储介质
US20050002548A1 (en) Automatic detection of growing nodules
WO2020235461A1 (ja) 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法
Oh et al. Automated detection of bone metastatic changes using serial CT scans
Sahu et al. False positives reduction in pulmonary nodule detection using a connected component analysis-based approach
JP5403431B2 (ja) 断層画像処理方法及び装置
Yao et al. Computer aided detection of lytic bone metastases in the spine using routine CT images
Tan et al. A novel method for automated segmentation of airway tree
Mitra et al. A thin-plate spline based multimodal prostate registration with optimal correspondences
Dehmeshki et al. A hybrid approach for automated detection of lung nodules in CT images
TWI548401B (zh) 血管三維結構重建方法
Park et al. Detection and measurement of hilar region in chest radiograph

Legal Events

Date Code Title Description
RD15 Notification of revocation of power of sub attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7435

Effective date: 20110524

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20120120

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20130226

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20130228

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20130322

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20130409

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20130423

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20160502

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Ref document number: 5258694

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees