WO2010100858A1 - 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
WO2010100858A1
WO2010100858A1 PCT/JP2010/001191 JP2010001191W WO2010100858A1 WO 2010100858 A1 WO2010100858 A1 WO 2010100858A1 JP 2010001191 W JP2010001191 W JP 2010001191W WO 2010100858 A1 WO2010100858 A1 WO 2010100858A1
Authority
WO
WIPO (PCT)
Prior art keywords
target
candidate
tissue
image processing
axis direction
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/JP2010/001191
Other languages
English (en)
French (fr)
Inventor
北村嘉郎
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
Priority claimed from JP2009048679A external-priority patent/JP4709290B2/ja
Priority claimed from JP2009069895A external-priority patent/JP4717935B2/ja
Application filed by Fujifilm Corp filed Critical Fujifilm Corp
Priority to BRPI1004212A priority Critical patent/BRPI1004212A2/pt
Priority to AU2010220015A priority patent/AU2010220015A1/en
Priority to US12/737,623 priority patent/US8526690B2/en
Priority to CA2732647A priority patent/CA2732647C/en
Priority to EP10748460.2A priority patent/EP2404553B1/en
Priority to CN2010800022477A priority patent/CN102112056A/zh
Publication of WO2010100858A1 publication Critical patent/WO2010100858A1/ja
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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/162—Segmentation; Edge detection involving graph-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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

Definitions

  • the present invention relates to three-dimensional image detection processing, and more particularly to an image processing apparatus and method suitable for automatic detection of a target tissue having a linear structure in a three-dimensional image, and a program therefor.
  • a three-dimensional image by detecting a target tissue by applying a predetermined detection process (for example, a detection method using machine learning) to a plurality of two-dimensional images.
  • a pseudo three-dimensional image representing a target tissue is generated by causing a computer to execute an image projection method (Intensity Projection method) or a volume rendering method.
  • the radiogram interpreter can easily check the status of the target organization.
  • Patent Document 1 proposes a method of generating three cross-sectional images orthogonal to each other from a three-dimensional image and performing a target tissue detection process based on feature amounts extracted from the three cross-sectional images.
  • Patent Document 2 proposes a method of detecting a target tissue from a two-dimensional image by machine learning.
  • Non-Patent Document 1 By applying a differential filter to each two-dimensional image (CT image) constituting the three-dimensional image and detecting a position where the pixel value of the CT image changes, a target tissue (for example, a blood vessel) having a linear structure on the region of interest is detected. Etc.) is proposed in Non-Patent Document 1.
  • Patent Document 1 sets three cross-sectional images orthogonal to each other from a target tissue as detection target images. For example, when this method is applied to a linear structure, FIG. 17A and FIG. Three cross-sectional images such as 17B are obtained. According to the invention described in Patent Document 1, a cross-sectional image is set by randomly changing three orthogonal axes, and a plurality of detection processes are performed, thereby reducing the total amount of information used for calculation. Detect target tissue.
  • An object of the present invention in view of the above circumstances, it is possible to improve detection performance even if the linear tissue or planar tissue is curved, branched, or accompanied by a lesion.
  • An object of the present invention is to provide an image processing apparatus and method and a program therefor.
  • the weight is set smaller and the tree structure is reconstructed by the minimum spanning tree method.
  • the edge information corresponding to the node that is each candidate point and the weight connecting the nodes is the edge information value.
  • Non-Patent Document 1 has a strong tendency to simply connect those having a short distance between candidate points (nodes), and correctly connects blood vessel paths when candidate points that cause noise are mixed. There was a problem that could not.
  • An object of the present invention in view of the above circumstances, even in a target tissue composed of a linear structure, it is possible to reduce a misconnection and generate a tree structure that more accurately reflects the original linear structure.
  • An object of the present invention is to provide an image processing apparatus and method capable of performing the above and a program therefor.
  • An image processing apparatus includes a detection region setting unit that sets a detection region in a three-dimensional image obtained by imaging a subject, and a main axis of a target candidate tissue including a linear structure in the detection region. Based on the main axis / normal direction calculation unit for calculating the normal direction of the tissue having a direction or a planar structure, and normalizing the target candidate region including the target candidate tissue based on the main axis direction or the normal direction A normalization processing unit, and a determination unit that calculates a feature amount of the target candidate region subjected to the normalization process, and determines whether or not the target tissue is included in the target candidate region using the calculated feature amount. It is characterized by having.
  • the “image processing device” may include an imaging device that generates a three-dimensional image.
  • the “main axis / normal direction calculation unit” calculates a main axis direction of a target candidate tissue having a linear structure or a normal direction of a tissue having a planar structure.
  • the main axis direction or the normal direction of the target candidate tissue may be calculated by calculating a Hessian matrix for the detection region and analyzing the eigenvalue of the calculated Hessian matrix.
  • spindle / normal direction calculation unit determines whether the target candidate tissue has a linear structure or a planar structure, depending on whether the calculated eigenvalue satisfies a predetermined threshold condition. May be determined.
  • Detection region refers to a predetermined region including a target region in a three-dimensional image obtained by imaging a subject. For example, when a coronary artery is extracted as a target tissue, a region including a heart region or a region of the region is included. It may be a partial area or the like.
  • the discriminating unit is based on the principal axis direction or normal direction of the same type of target tissue with respect to a three-dimensional image prepared in advance including the same type of target tissue as the target tissue.
  • Data that has been subjected to normalization processing as teacher data, and by using the teacher data to analyze feature quantities calculated using a machine learning technique, the target tissue May be determined.
  • positive teacher data can include data representing a lesioned part such as a curved part, a branched part, a stenosis, a calcification, or a stent placement part in addition to a straight part of the coronary artery.
  • a lesioned part such as a curved part, a branched part, a stenosis, a calcification, or a stent placement part in addition to a straight part of the coronary artery.
  • the image processing method sets a detection region in a three-dimensional image obtained by imaging a subject, and the main axis direction or planar structure of a target candidate tissue composed of a linear structure in the detection region.
  • the normal direction of the tissue consisting of the following is calculated, the target candidate region including the target candidate tissue is normalized based on the main axis direction or the normal direction, and the characteristics of the target candidate region subjected to the normalization processing are normalized
  • An amount is calculated, and it is determined whether or not the target tissue is included in the target candidate region using the calculated feature amount.
  • the program according to the first aspect of the present invention includes a function for setting a detection area in a three-dimensional image obtained by imaging a subject and a normal direction of a tissue composed of a linear structure or a planar structure in the detection area.
  • a function for calculating the main axis direction of the target candidate organization, a function for performing normalization processing on the target candidate region including the target candidate organization based on the main axis direction or the normal direction, and a target subjected to the normalization processing A feature amount of the candidate area is calculated, and the computer is caused to execute a function of determining whether the target tissue is included in the target candidate area using the calculated feature amount.
  • An image processing apparatus performs a predetermined detection process on a three-dimensional image obtained by capturing an image of a subject, so that a plurality of candidate points representing a target tissue having a linear structure can be obtained.
  • the “candidate point calculation unit” is configured to calculate position information and a principal axis direction of a plurality of candidate points representing a target tissue having a linear structure by performing predetermined detection processing on the three-dimensional image.
  • the “candidate point calculation unit” detects a plurality of candidate points having position information and spindle information by calculating a Hessian matrix for a three-dimensional image and analyzing eigenvalues of the calculated Hessian matrix. It may be.
  • the “candidate point calculation unit” may detect a candidate point depending on whether or not the eigenvalue satisfies a predetermined threshold condition.
  • the “candidate point calculation unit” calculates a feature amount of the normalization processing unit that performs normalization processing on the target region including the target tissue, based on the principal axis direction, You may provide the discrimination
  • the “discriminating unit” uses machine learning using data obtained by normalizing a three-dimensional image prepared in advance including a target tissue of the same type as the target tissue based on the main axis direction of the same type of target tissue. It is provided with teacher data obtained by performing the method, and by analyzing the calculated feature value using the teacher data, it is determined whether or not the target region includes a true target tissue You may do.
  • the “reconstruction processing unit” performs reconstruction so that a plurality of candidate points are connected using a cost function that is a variable based on the calculated position information and the principal axis direction.
  • the “reconstruction processing unit” is a basic unit that connects at least two candidate points among a plurality of candidate points within a certain distance from the position information of each of the two candidate points and connects the two candidate points. Using a cost function on condition that the sum of two acute angles found from the line and the principal axis direction of each of the two candidate points is within a certain angle, it is reconstructed so that multiple candidate points are connected. is there.
  • reconstruction may be performed by using the minimum spanning tree method.
  • the reconstruction processing unit may use a cost function with the brightness values of two candidate points as variables.
  • a “three-dimensional image” is an image composed of voxel data. For example, it is a three-dimensional image composed of a plurality of two-dimensional images. Examples of the two-dimensional image include a radiation image, a CT image, an MRI image, an RI image, and a PET image.
  • Target tissue refers to a tissue having a linear structure made up of a predetermined part of a subject represented in a three-dimensional image.
  • other linear structures such as coronary arteries, cerebral blood vessels, liver blood vessels, bronchi, pulmonary blood vessels, etc.
  • the organization which consists of may be sufficient.
  • the image processing method performs a predetermined detection process on a three-dimensional image obtained by capturing an image of a subject, so that a plurality of candidate points representing a target tissue having a linear structure can be obtained.
  • the position information and the spindle direction are calculated and reconstructed so that a plurality of candidate points are connected using a cost function that is a variable based on the calculated position information and the spindle direction.
  • the program according to the second invention of the present invention performs a predetermined detection process on a three-dimensional image obtained by capturing an image of a subject, thereby position information of a plurality of candidate points representing a target tissue having a linear structure. And a computer that executes a function for reconstructing a plurality of candidate points to be connected using a cost function that is a variable based on the calculated position information and the spindle direction.
  • the main axis direction of the target candidate tissue consisting of a linear structure or a planar structure in the detection region or the normal direction of the tissue consisting of the planar structure is calculated, and the main axis Based on the direction or normal direction, normalization processing is performed on the target candidate region including the target candidate organization, the feature amount of the target candidate region subjected to the normalization processing is calculated, and the calculated feature amount is used.
  • a plurality of detections representing a target tissue having a linear structure are performed by performing predetermined detection processing on a three-dimensional image obtained by imaging a subject.
  • a cost function that is a variable based on the calculated position information and the spindle direction
  • FIG. 1 is a block diagram showing a preferred embodiment of the image processing apparatus of the present invention.
  • the configuration of the image processing apparatus as shown in FIG. 1 is realized by executing a program read in an auxiliary storage device (not shown) on a computer (for example, a personal computer). Further, this program is stored in an information storage medium such as a CD-ROM or distributed via a network such as the Internet and installed in a computer.
  • a program read in an auxiliary storage device (not shown) on a computer (for example, a personal computer). Further, this program is stored in an information 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 automatically calculates a target tissue represented in a three-dimensional image composed of a plurality of two-dimensional images imaged by, for example, the X-ray CT apparatus 10, and includes a candidate point calculation unit 25,
  • the reconstruction processing unit 70 and the like are included.
  • An image acquisition unit 20, an input unit 80, a display unit 90, and the like are connected to the image processing apparatus.
  • the image acquisition unit 20 acquires a CT image (two-dimensional image) captured by, for example, an imaging apparatus as shown in FIG. 1, for example, the X-ray CT apparatus 10.
  • the image acquisition unit 1 may acquire not only a CT image but also a two-dimensional image such as a so-called MRI image, RI image, PET image, X-ray image, and the like.
  • the image acquisition part 20 acquires the three-dimensional image comprised by such a some two-dimensional image.
  • the input unit 80 is a keyboard, a mouse, or the like.
  • the image processing apparatus performs predetermined detection processing on a three-dimensional image obtained by capturing an image of a subject, whereby position information and principal axis directions of a plurality of candidate points representing a target tissue having a linear structure
  • a reconstruction processing unit 70 that reconstructs a plurality of candidate points so as to be connected using a cost function that is a variable based on the calculated position information and the principal axis direction. It is to be prepared.
  • the candidate point calculation unit 25 includes a detection region setting unit 30, a main axis / normal direction calculation unit 40 (hereinafter, referred to as a main axis direction calculation unit or a main axis calculation unit in some cases), a normalization processing unit 50, and a determination unit. 60.
  • the candidate point calculation unit 25 calculates position information and a main axis direction of a plurality of candidate points representing a target tissue having a linear structure by performing a predetermined detection process on the three-dimensional image.
  • the candidate point calculation unit 25 calculates the Hessian matrix for the three-dimensional image and analyzes the eigenvalues of the Hessian matrix to calculate the position information and the spindle information of each of the plurality of candidate points. Further, the candidate point calculation unit 25 may detect a candidate point depending on whether or not the calculated eigenvalue satisfies a predetermined threshold condition.
  • the candidate point calculation unit 25 sets a detection region setting unit 30 that sets a detection region in the three-dimensional image obtained by the image acquisition unit 20, and a main axis direction that calculates a main axis direction of a target tissue having a linear structure in the detection region.
  • the normalization processing unit 50 that performs normalization processing on the target region including the target tissue, and the feature amount of the target region that has been subjected to normalization processing is calculated based on the main axis direction.
  • a determination unit 60 that determines whether or not a true target tissue is included in the target region by using the feature amount.
  • the detection area setting unit 30 sets a detection area in the three-dimensional image acquired by the image acquisition unit 20.
  • the detection area setting unit 30 sets a detection area by executing a detection algorithm, and executes a detection algorithm using, for example, threshold processing and segment division processing.
  • a detection algorithm using, for example, threshold processing and segment division processing.
  • the heart can be cited as the detection region.
  • the detection area setting unit 30 may set the area input by the input unit 80 as a detection area.
  • the main axis / normal direction calculation unit 40 calculates the main axis direction of the target candidate tissue having a linear structure in the detection region. For example, in the detection region set by the detection region setting unit 30, the main axis direction of the target candidate tissue having a linear structure or the normal direction of the target candidate tissue having a planar structure is calculated. Calculating the Hessian matrix and analyzing the eigenvalue of the calculated Hessian matrix to calculate the principal axis direction or the normal direction of the target candidate tissue, and the calculated eigenvalue further satisfies a predetermined threshold condition It is determined whether or not the target candidate tissue has a linear structure or a planar structure depending on whether or not the condition is satisfied. This makes it possible to roughly determine whether the structure is a linear structure or a planar structure.
  • the determination unit 60 may be configured to more accurately determine whether the structure is a linear structure or a planar structure.
  • the normalization processing unit 50 performs normalization processing on the target region including the target tissue based on the main axis direction calculated by the main axis calculation unit 40.
  • the determination unit 60 calculates the feature amount of the target region subjected to the normalization process by the normalization processing unit 50, and determines whether the target region includes a true target tissue using the calculated feature amount. To do.
  • the determination unit 60 includes, as teacher data, data obtained by performing normalization processing on a three-dimensional image prepared in advance including a target tissue of the same type as the target tissue based on the main axis direction of the same type of target tissue. And determining whether or not a true target tissue is included in the target region by analyzing feature values calculated using a machine learning method using teacher data. Also good.
  • positive teacher data can include data representing a lesioned part such as a curved part, a branched part, a stenosis, a calcification, or a stent placement part in addition to a straight part of the coronary artery.
  • a machine learning method based on Adaboost which is a method of creating an integrated learning machine, is used as a target tissue detection method.
  • the determination unit 60 can be used in the above-described target tissue detection method.
  • the target organization sequentially updates the weights when re-sampling known methods such as feature point detection and learning data, and finally assigns the weights to the learning machines to the integrated learning machine.
  • a machine learning method based on Adaboost is used.
  • the center coordinate of the target tissue and its principal axis direction or the radius in the case of a linear structure are designated, and a cube rotated in the principal axis direction with respect to the center coordinate is set as a region of interest.
  • the cube scale is normalized by the radius.
  • the positive learning sample for discriminating the coronary artery includes data representing a curved portion of a straight blood vessel, a branch portion of the blood vessel, and a lesion such as stenosis, calcification, and stent placement portion.
  • a portion other than the coronary artery is randomly prepared for negative teacher data.
  • a combination of the values of n pixel pairs selected at random is used as a feature value, and a positive and negative pattern is discriminated by a machine learning method based on Adaboost.
  • a machine learning method based on Adaboost Create a bowl.
  • a target tissue is detected, a three-dimensional image is scanned, and cubic regions of various sizes with the pixel of interest at the center are cut out to calculate feature amounts. This is input to the discriminator obtained in the learning stage, and a discriminant value is obtained.
  • the feature amount for discrimination is a first-order differential value of each CT value in the X, Y, Z, XY, YZ, and ZX directions in the CT image.
  • an absolute value of CT value, a histogram of CT value, a secondary differential value, etc. may be used.
  • various other statistical analysis methods and machine learning methods such as a linear discrimination method, a neural network, and a support vector machine can be used as a method for detecting the target tissue.
  • the determination unit 60 detects a plurality of positions of the target tissue from the three-dimensional image by the above-described method, and calculates a plurality of the above-described candidate points.
  • the display unit 70 is a monitor that displays a two-dimensional image or a three-dimensional image, a CRT screen, or the like.
  • the image interpreter can visually recognize the detection area by performing volume rendering display of the area determined as the detection area (heart area) on the display unit 70 as shown in FIG. 4A.
  • the radiogram interpreter displays the target tissue (blood vessel A1) and the detection region (heart region) as a volume rendering display on the display unit 70 as shown in FIG. Can be visually recognized.
  • the determination unit 60 calculates a predetermined point of the target region including the cut out true target tissue as a candidate point.
  • the reconstruction processing unit 70 performs reconstruction so that a plurality of candidate points are connected using a cost function that is a variable based on the calculated position information and the principal axis direction.
  • the reconstruction processing unit 70 also has a basic line that connects at least two candidate points, and the relationship between at least two candidate points is within a certain distance from the position information of each of the two candidate points.
  • a cost function on condition that the sum of two acute angles obtained from the principal axis direction of each of the two candidate points is within a certain angle, and reconstructing a plurality of candidate points to be connected. .
  • reconstruction may be performed by using the minimum spanning tree method.
  • the reconstruction processing unit 70 may use a cost function with the brightness values of two candidate points as variables.
  • FIG. 5 is a series of process flowcharts until the image processing apparatus detects a target tissue having a linear structure in a three-dimensional image.
  • a three-dimensional image captured by the X-ray CT apparatus 10 is input to the image acquisition unit 20 (step S1).
  • the detection region setting unit 30 detects the heart region by executing the detection algorithm described above.
  • the detection region setting unit 30 sets a detection region from the detected heart region (step S2).
  • This detection area refers to a predetermined area including a target area in a three-dimensional image obtained by imaging a subject, and may be, for example, an area including a heart area or a partial area thereof. .
  • the detection area setting unit 30 generates a Gaussian pyramid by performing multi-resolution conversion of a three-dimensional image in advance so as to detect a target tissue having a linear structure in the detection area.
  • the detection region setting unit 30 scans a detection algorithm for each generated Gaussian pyramid to detect a target candidate tissue (for example, a coronary artery) having a linear structure with a different size.
  • the detection area setting unit 30 scans the 6A detection area having the Gaussian pyramid structure, and sequentially sets the coordinates for performing the detection process by scanning the 6B detection area and the 6C detection area. By sequentially scanning the multi-resolution image, target tissues of different sizes (for example, coronary arteries) can be detected.
  • the main axis direction calculation unit 40 calculates the main axis direction of the target tissue (for example, coronary artery) having a linear structure in the local region centered on the detected coordinates (step S3).
  • the main axis direction calculation unit 40 performs eigenvalue analysis of the Hessian matrix in the region including the target candidate tissue, and calculates the main axis direction.
  • the Hessian matrix is a matrix having second-order partial differential coefficients as elements, and for a three-dimensional image, it is a 3 ⁇ 3 matrix as shown by the number (1).
  • the filter coefficient for obtaining the Hessian matrix is obtained by the number (2).
  • ⁇ corresponds to a linear structure having a size to be detected.
  • the eigenvector corresponding to the eigenvalue closest to 0 is the principal axis direction.
  • the linear structure is known to have a characteristic that two of the three eigenvalues are large and one is close to zero. Therefore, it is effective to determine the likelihood of a linear structure from the eigenvalues and make a more detailed determination on the remaining candidates. Further, in the case of a planar structure, one of the three eigenvalues has a large absolute value, and two having features close to 0 are determined to be likely to be a planar structure.
  • the eigenvalue of the number (1) has a relationship such as the number (3) with respect to the target tissue having a linear structure, for example.
  • the normalization processing unit 50 performs normalization processing on the target region including the target tissue based on the main shaft direction calculated by the main shaft direction calculation unit 40 (step S4). As shown in FIG. 8, the normalization processing unit 50 cuts out a normalized image along the calculated principal axis direction. As shown in 8B, the three-dimensional image of the target tissue after the normalization process has a rotation-invariant feature. However, the image processing apparatus does not necessarily have to perform normalization processing, and the determination unit 60 may acquire a feature amount for determination under the same conditions as in the case of normalization and use a machine learning method.
  • the determination unit 60 calculates the feature amount of the target region that has been subjected to normalization processing by the normalization processing unit 50, and uses the calculated feature amount to determine whether or not the target region includes a true target tissue. Is determined (step S5).
  • the determination unit 60 takes out a feature amount from the target region subjected to normalization processing by the normalization processing unit 50 by the above-described machine learning method or the like, and determines whether or not it is a true target tissue.
  • the determination unit 60 When determining that the tissue is a target tissue, the determination unit 60 sets a predetermined point of the target region cut out from the image as a candidate point. The determination is repeated as long as there is a target area to be determined (step S6; YES).
  • the coronary artery is identified as an example of the target tissue.
  • it can be used to extract other linear structures such as cerebral blood vessels, liver blood vessels, pulmonary blood vessels, and bronchi.
  • the image processing apparatus calculates the main axis direction of the target candidate tissue including the linear structure in the detection region or the normal direction of the tissue including the planar structure, and based on the main axis direction or the normal direction.
  • the target candidate region including the target candidate organization is subjected to normalization processing, the feature amount of the target candidate region subjected to the normalization processing is calculated, and the target tissue is included in the target candidate region using the calculated feature amount.
  • step S6 when the determination of all the target areas is completed and the determination becomes unnecessary (step S6; NO), the relationship between at least two candidate points among the plurality of set candidate points is two candidates.
  • the condition is that the basic line connecting the two candidate points is within a certain distance from the position information of each point, and the sum of the basic line and the two acute angles obtained from each principal axis direction is within a certain angle.
  • the cost function it is reconstructed whether or not a plurality of candidate points are connected (step S7).
  • the reconstruction processing unit 70 reconstructs a plurality of set candidate points by a minimum spanning tree method, and obtains a tree structure of a target tissue that is a coronary artery. At this time, the reconstruction process 70 sets a cost function using edge information between candidate points.
  • the cost function sets the weight of edge information between candidate points to be smaller as the distance is shorter. Furthermore, as shown in FIG. 8, the cost function has a constant sum of two acute angles (Angle1 + Angle2) obtained from the principal axis direction of each of the two candidate points with reference to the basic line L connecting the two candidate points (Node1, Node2). Within the angle, the cost function is set so that the weight of the edge information becomes smaller as the sum of the two acute angles is smaller.
  • the reconstruction process 70 can reconstruct and connect the candidate points as shown in FIG. 13B from the situation before the candidate points are connected as shown in FIG. 13A. And
  • the reconstruction process 70 sets the cost function as in the number (4).
  • the cost function is set by using the distance between candidate points, the radius of the blood vessel, the principal axis direction, and the CT values at the candidate points as variables.
  • the Gaussian kernel (f) function using the distance between the candidate points of the number (4) and the radius of the blood vessel is a function whose output decreases as the physical distance increases, and is set as shown in FIG. .
  • the vertical axis of FIG. 10 is a Gaussian kernel (f) function using the distance between candidate points and the radius of the blood vessel, and the horizontal axis is the physical distance between the two candidate points divided by the blood vessel radius of the candidate point. Value.
  • the cost function may be set so that the output of a thick blood vessel is increased even at a relatively long distance.
  • the radius (thickness) of the blood vessel represents how much the candidate point is as a multi-resolution image at the time of discrimination. For example, a candidate whose voxel data is found in a resolution image of 1.0 mm has a blood vessel radius of 2.0 mm, and a candidate whose voxel is found in a resolution image of 2.0 mm has a blood vessel radius of 4.0 mm.
  • the Gaussian kernel (f) function using the principal axis direction of the number (4) is such that the directions (Angle 1 and Angle 2) indicated by the two candidate points (Node 1 and Node 2) do not match.
  • the basic line L connecting the two candidate points (Node1, Node2) and the sum of the basic line and the two acute angles obtained from the respective principal axis directions (Angle1 + Angle2) are within a certain angle.
  • the cost function is set so that the edge weight is smaller as the sum of the two acute angles is smaller.
  • shaft of FIG. 11 is a Gaussian kernel (f) function using a principal axis direction, and a horizontal axis shows the coincidence degree of a principal axis direction.
  • the reconstruction process 70 Since the reconstruction process 70 generates a tree structure by connecting candidate points to each other using the minimum spanning tree method, the rule is that there is no loop in principle. Therefore, as shown in FIG. 14A, when the vein (dotted line) intersects the artery (dashed line), even if reconstruction is performed, any point in the loop is cut and regenerated as shown in FIG. 14B. Composed. Therefore, by considering the CT value in the cost function, as shown in FIG. 14C, the unconnected edge is on the vein path (dotted line), and the arterial path (chain line) can be correctly reconstructed.
  • the Gaussian kernel (f) function using the CT values of the number (4) is set so that the weight becomes smaller as the CT value at the candidate point position is lower.
  • the standard is that the CT value of the contrasted coronary artery is about 200 to 400.
  • the vertical axis in FIG. 12 represents a Gaussian kernel (f) function using CT values, and the horizontal axis represents the CT values of candidate points (nodes).
  • the cost function may be one that sets the heart shape as a weight.
  • the least square method is used as shown in FIG.
  • An ellipsoid is fitted to the point group of Node4 (candidate points), and the direction connecting the two nodes (candidate points) is calculated as shown in FIG. 15B.
  • the Gaussian kernel (f) function using the heart shape calculates the tangential direction of the ellipsoid, and the smaller the difference between these two angles, the lower the cost and the normal direction of the ellipsoid.
  • the weight may be set smaller as it is closer to (the difference is closer to 90 degrees).
  • the vertical axis in FIG. 16 is a Gaussian kernel (f) function using a heart shape, and the horizontal axis shows the difference between the direction connecting two candidate points (nodes) and the tangential direction of the ellipsoid.
  • Gaussian kernel (f) function using a predetermined tissue shape may be set without being limited to the heart shape.
  • the reconstruction processing unit 70 uses the minimum spanning tree method to determine whether or not the relationship between at least two candidate points among the detected plurality of candidate points can be connected.
  • the target tissue is detected by calculating the relationship between other candidate points.
  • the image processing apparatus of the present invention performs a predetermined detection process on a three-dimensional image obtained by imaging a subject, thereby position information of a plurality of candidate points representing a target tissue having a linear structure. And a cost function as a variable based on the calculated position information and the main axis direction, and reconstructing a plurality of candidate points so that noise and noise on the three-dimensional image are calculated. Even if candidate points are mixed, it is possible to accurately detect the target tissue without causing erroneous connection.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

【課題】三次元画像における線状構造からなる対象組織を検出する性能を向上させる。 【解決手段】検出領域における線状構造からなる対象候補組織の主軸方向または面状構造からなる組織の法線方向を算出し、主軸方向または前記法線方向に基づいて、対象候補組織を含む対象候補領域に対して正規化処理を施し、正規化処理を施された対象候補領域の特徴量を算出し、算出された特徴量を用いて対象候補領域に対象組織が含まれるか否かを判別する。

Description

画像処理装置および方法並びにプログラム
本発明は三次元画像の検出処理に関し、特に三次元画像における線状構造からなる対象組織の自動検出に適した、画像処理装置および方法並びにそのためのプログラムに関するものである。
従来、医療分野においては、複数の二次元画像に対して、所定の検出処理（例えば、マシンラーニングによる検出手法等）を施すことにより対象組織を検出し、三次元的な画像の構築を可能とする画像投影法（Ｉｎｔｅｎｓｉｔｙ　Ｐｒｏｊｅｃｔｉｏｎ法）やボリュームレンダリング法を計算機に実行させることにより、対象組織を表す疑似三次元画像を生成することが行われている。これにより、読影者は、対象組織の状況を容易に確認することができる。
そこで、三次元画像から互いに直交する三つの断面画像を生成し、三つの断面画像から抽出した特徴量に基づいて対象組織の検出処理を行う手法が、特許文献１に提案されている。
また、二次元画像から対象組織をマシンラーニングによる検出する手法が、特許文献２に提案されている。
三次元画像を構成する二次元画像（ＣＴ画像）毎に微分フィルタを施し、ＣＴ画像の画素値の変化する位置を検出することにより、注目領域上の線状構造からなる対象組織（例えば、血管等）を検出する手法が、非特許文献１に提案されている。
米国特許第７３４６２０９号明細書 特開２００７－３０７３５８号公報
Ａｎｄｒｚｅｊ　Ｓｚｙｍｃｚａｋ，　ｅｔ　ａｌ．,　"Ｃｏｒｏｎａｒｙ　ｖｅｓｓｅｌ　ｔｒｅｅｓ　ｆｒｏｍ　３Ｄ　ｉｍａｇｅｒｙ：Ａ　ｔｏｐｏｌｏｇｉｃａｌ　ａｐｐｒｏａｃｈ",　Ｍｅｄｉｃａｌ　Ｉｍａｇｅ　Ａｎａｌｙｓｉｓ, Ｖｏｌ. １０, Ｉｓｓｕｅ　４, ｐｐ. ５４８－５５９,　２００６
特許文献１に記載される発明は、対象組織から互いに直交する三つの断面画像を検出対象の画像として設定するものであり、例えば線状構造に対して本手法を適用した場合、図１７Ａおよび図１７Ｂのような三つの断面画像が得られる。特許文献１に記載される発明によると、三つの直交する軸をランダムに変更することで断面画像を設定し、複数回の検出処理を施すことにより、計算に用いる全体の情報量を低下させながら、対象組織を検出する。
しかしながら、図１７Ｂに示すような湾曲形状の線状組織であれば、断面画像に対象組織の情報が大きく欠如してしまうという問題があった。
また、線状構造・面状構造を抽出する方法にヘッセ行列を利用する方法があり、血管等の抽出に利用されているが、ヘッセ行列の固有値を解析するだけでは、理想的な直線構造からなる血管は判別できても、血管が湾曲、分岐形状であったりまたは病変を伴っていた場合に正しく判別することが難しかった。同様に、人体中の面状構造も理想的な平面をなしているとは限らないため正しく判別することが難しかった。
そこで、本発明の第一の目的として、上記事情に鑑み、線状組織または面状組織が湾曲、分岐形状であったり、または病変を伴っていたりしていても検出性能を向上させることが可能な画像処理装置および方法並びにそのためのプログラムを提供することを目的とする。
非特許文献１に記載される発明は、候補点（ノード）間の距離が近いものほど、重みを小さく設定し、最小全域木手法により木構造を再構成するものである。例えば、血管に対して本手法を適用した場合、図２に示すように各候補点であるノードと、ノードを接続する重みに相当するエッジ情報（図２に示す数値は、エッジ情報値）が与えられているとき、全てのノードを最小のコストで接続するエッジの組み合わせが得られる。例えば、図３Ａに示すように画像上に複数の候補点を設定し、図３Ｂに示すように最小全域木手法により候補点間を接続し、木構造を再構築することにより、血管を検出する。
しかしながら、非特許文献１の手法は、候補点（ノード）間の距離が近いもの同士を単純に接続する傾向が強く、ノイズとなる候補点が混在した場合に、血管の経路を正しく接続することができないという問題があった。
そこで、本発明の二の目的として、上記事情に鑑み、線状構造からなる対象組織であっても、誤接続を軽減し、本来の線状構造をより正確に反映した木構造を生成することが可能な画像処理装置および方法並びにそのためのプログラムを提供することを目的とする。
本発明の第一の発明の画像処理装置は、被写体を撮像して得られた三次元画像中の検出領域を設定する検出領域設定部と、検出領域における線状構造からなる対象候補組織の主軸方向または面状構造からなる組織の法線方向を算出する主軸・法線方向算出部と、主軸方向または法線方向に基づいて、対象候補組織を含む対象候補領域に対して正規化処理を施す正規化処理部と、正規化処理を施された対象候補領域の特徴量を算出し、算出された特徴量を用いて対象候補領域に対象組織が含まれるか否かを判別する判別部とを備えたことを特徴とする。「画像処理装置」は、三次元画像を生成する撮像装置を含むものであってもよい。
「主軸・法線方向算出部」は、線状構造からなる対象候補組織の主軸方向または面状構造からなる組織の法線方向を算出するものである。例えば、検出領域に対し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、対象候補組織の主軸方向または法線方向を算出するものであってもよい。
更に、「主軸・法線方向算出部」は、算出された固有値が所定の閾値条件を満たすものであるか否かにより、前記対象候補組織が、線状構造または面状構造であるか否かを判定するものであってもよい。
「検出領域」は、被写体を撮像して得られた三次元画像中にある対象領域を含む所定の領域をいい、例えば冠動脈を対象組織として抽出する場合は、心臓領域を含む領域若しくはその領域の一部の領域等であってもよい。
本発明の第一の発明の画像処理装置において、判別部は、対象組織と同種の対象組織を含む予め用意された三次元画像に対して、同種の対象組織の主軸方向または法線方向に基づいて正規化処理を施されたデータを教師データとして備えるものであって、教師データを用いて、マシンラーニング手法を利用して算出された特徴量の解析を行うことにより、対象候補領域に対象組織が含まれるか否かを判別するものであってもよい。
冠動脈を判別する判別器の学習においては、正の教師データとして冠動脈の直線部の他、湾曲部、分岐部、狭窄、石灰化またステント留置部などの病変部を表すデータを含めることができる。これらを教師データに含めて学習することで、冠動脈のバリエーションに対応し、病変部等も血管として高精度に判別することが可能となる。負の教師データには冠動脈以外の部位をランダムに用意することができる。
本発明の第一の発明の画像処理方法は、被写体を撮像して得られた三次元画像中の検出領域を設定し、検出領域における線状構造からなる対象候補組織の主軸方向または面状構造からなる組織の法線方向を算出し、主軸方向または法線方向に基づいて、対象候補組織を含む対象候補領域に対して正規化処理を施し、正規化処理を施された対象候補領域の特徴量を算出し、算出された特徴量を用いて対象候補領域に対象組織が含まれるか否かを判別することを特徴とする。
本発明の第一の発明のプログラムは、被写体を撮像して得られた三次元画像中の検出領域を設定する機能と、検出領域における線状構造または面状構造からなる組織の法線方向からなる対象候補組織の主軸方向を算出する機能と、主軸方向または法線方向に基づいて、対象候補組織を含む対象候補領域に対して正規化処理を施す機能と、正規化処理を施された対象候補領域の特徴量を算出し、算出された特徴量を用いて対象候補領域に対象組織が含まれるか否かを判別する機能をコンピュータに実行させることを特徴とする。
本発明の第二の発明の画像処理装置は、被写体を撮像して得られた三次元画像に対して所定の検出処理を施すことにより、線状構造からなる対象組織を表す複数の候補点の位置情報と主軸方向を算出する候補点算出部と、算出された位置情報および主軸方向に基づいた変数とするコスト関数を用いて、複数の候補点が接続されるように再構築する再構築処理部とを備えたものであることを特徴とする。
「候補点算出部」は、三次元画像に対して所定の検出処理を施すことにより、線状構造からなる対象組織を表す複数の候補点の位置情報と主軸方向を算出するものである。
また、「候補点算出部」は、三次元画像に対し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、位置情報と主軸情報を有する複数の候補点を検出するものであってもよい。
また、「候補点算出部」は、固有値が所定の閾値条件を満たすものであるか否かにより、候補点を検出するものであってもよい。
「候補点算出部」は、主軸方向に基づいて、対象組織を含む対象領域に対して正規化処理を施す正規化処理部と、正規化処理を施された対象領域の特徴量を算出し、算出された特徴量を用いて対象領域に真の対象組織が含まれるか否かを判別する判別部を備えるものであってもよい。
「判別部」は、対象組織と同種の対象組織を含む予め用意された三次元画像に対して、同種の対象組織の主軸方向に基づいて正規化処理を施されたデータを用いて、マシンラーニング手法を行うことにより得られた教師データを備えるものであって、教師データを用いて、算出された特徴量の解析を行うことにより、対象領域に真の対象組織が含まれるか否かを判別するものであってもよい。
「再構築処理部」は、算出された位置情報および主軸方向に基づいた変数とするコスト関数を用いて、複数の候補点が接続されるように再構築するものである。また、「再構築処理部」は、複数の候補点のうち少なくとも二つの候補点の関係が、二つの候補点それぞれの位置情報から一定の距離内にあって、かつ二つの候補点を結ぶ基本線と、二つの候補点それぞれの主軸方向から求まる二つの鋭角の和が一定角度内であることを条件とするコスト関数を用いて、複数の候補点が接続されるように再構築するものである。
例えば、最小全域木手法を用いることにより再構築するものであってもよい。また、再構築処理部は、二つの候補点の輝度値を変数としたコスト関数を用いてもよい。
「三次元画像」は、ボクセルデータから構成される画像である。例えば、複数の二次元画像により構成される三次元的な画像である。二次元画像として、例えば、放射線画像、ＣＴ画像、ＭＲＩ画像、ＲＩ画像、ＰＥＴ画像等が挙げられる。
「対象組織」は、三次元画像に表される被写体の所定の部位からなる線状構造からなる組織をいい、例えば、冠動脈、脳血管、肝臓血管、気管支、肺血管等、その他の線状構造からなる組織であってもよい。
本発明の第二の発明の画像処理方法は、被写体を撮像して得られた三次元画像に対して所定の検出処理を施すことにより、線状構造からなる対象組織を表す複数の候補点の位置情報と主軸方向を算出し、算出された位置情報および主軸方向に基づいた変数とするコスト関数を用いて、複数の候補点が接続されるように再構築することを特徴とする。
本発明の第二の発明のプログラムは、被写体を撮像して得られた三次元画像に対して所定の検出処理を施すことにより、線状構造からなる対象組織を表す複数の候補点の位置情報と主軸方向を算出する機能と、算出された位置情報および主軸方向に基づいた変数とするコスト関数を用いて、複数の候補点が接続されるように再構築する機能をコンピュータに実行させることを特徴とする。
第一の発明の画像処理装置および方法並びにプログラムによれば、検出領域における線状構造または面状構造からなる対象候補組織の主軸方向または面状構造からなる組織の法線方向を算出し、主軸方向または法線方向に基づいて、対象候補組織を含む対象候補領域に対して正規化処理を施し、正規化処理を施された対象候補領域の特徴量を算出し、算出された特徴量を用いて対象候補領域に対象組織が含まれるか否かを判別することで、湾曲、分岐または病変による外観の変化を伴った線状構造からなる対象組織であっても安定的に検出することができる。
第二の発明の画像処理装置および方法並びにプログラムによれば、被写体を撮像して得られた三次元画像に対して所定の検出処理を施すことにより、線状構造からなる対象組織を表す複数の候補点の位置情報と主軸方向を算出し、算出された位置情報および主軸方向に基づいた変数とするコスト関数を用いて、複数の候補点が接続されるように再構築することにより、三次元画像上にノイズとなる候補点が混在しても、誤接続が生じることなく正確に対象組織を検出することができる。
画像処理装置における機能ブロック図 最小全域木手法を説明するための図 非特許文献１を説明するための木構造を示す候補点と接続例を示す図（候補点の検出例） 非特許文献１を説明するための木構造を示す候補点と接続例を示す図（木構造） 心臓領域のボリュームレンダリングされた心臓領域を表す図（その１） 心臓領域のボリュームレンダリングされた心臓領域を表す図（その２） 本発明の実施形態における一連のフローチャート ガウシアンピラミッド構造を説明するための概念図 線状構造からなる対象組織の主軸方向を算出することを説明するための概念図 正規化処理を説明するための概念図 二つの候補点（ノード）を結ぶ基本線と、基本線とそれぞれの主軸方向から求まる二つの鋭角の和を説明するための概念図 コスト関数（距離）を説明するためのグラフ コスト関数（角度）を説明するためのグラフ コスト関数（ＣＴ値）を説明するためのグラフ 木構造の再構築を説明するための概念図（接続前） 木構造の再構築を説明するための概念図（接続後） 冠動脈と静脈の再構築処理を説明するための概念図（その１） 冠動脈と静脈の再構築処理を説明するための概念図（その２） 冠動脈と静脈の再構築処理を説明するための概念図（その３） 心臓領域の形状をコスト関数とすることを説明するための概念図（その１） 心臓領域の形状をコスト関数とすることを説明するための概念図（その２） コスト関数（心臓形状）を説明するためのグラフ 従来技術の説明を行うための概念図（その１） 従来技術の説明を行うための概念図（その２）
以下、図面を参照して本発明の画像処理装置の一実施形態について説明する。
図１は本発明の画像処理装置の好ましい実施の形態を示すブロック図である。
なお、図１のような画像処理装置の構成は、補助記憶装置（不図示）に読み込まれたプログラムをコンピュータ（たとえばパーソナルコンピュータ等）上で実行することにより実現される。また、このプログラムは、ＣＤ－ＲＯＭ等の情報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ことになる。
画像処理装置は、たとえばＸ線ＣＴ装置１０により撮像された複数の二次元画像により構成される三次元画像に表される対象組織を自動的に算出するものであって、候補点算出部２５、再構築処理部７０等を有している。
画像処理装置には、画像取得部２０と、入力部８０と、表示部９０等が接続されている。
画像取得部２０は、たとえば図１に示すような撮像装置、例えばＸ線ＣＴ装置１０により撮像されたＣＴ画像（二次元画像）を取得するものである。なお、画像取得手段１は、たとえばＣＴ画像のみならず、いわゆるＭＲＩ画像、ＲＩ画像、ＰＥＴ画像、Ｘ線画像等の二次元画像を取得するものであってもよい。また、画像取得部２０は、このような複数の二次元画像により構成される三次元画像を取得するものである。
なお、入力部８０は、キーボード、マウス等である。
本発明の画像処理装置は、被写体を撮像して得られた三次元画像に対して所定の検出処理を施すことにより、線状構造からなる対象組織を表す複数の候補点の位置情報と主軸方向を算出する候補点算出部２５と、算出された位置情報および主軸方向に基づいた変数とするコスト関数を用いて、複数の候補点が接続されるように再構築する再構築処理部７０とを備えるものである。
候補点算出部２５は、検出領域設定部３０と、主軸・法線方向算出部４０（以下、場合により主軸方向算出部または主軸算出部と記す。）と、正規化処理部５０と、判別部６０から構成される。
候補点算出部２５は、三次元画像に対して所定の検出処理を施すことにより、線状構造からなる対象組織を表す複数の候補点の位置情報と主軸方向を算出するものである。
また、候補点算出部２５は、三次元画像に対してヘッセ行列を算出し、ヘッセ行列の固有値を解析することにより、複数の候補点それぞれの位置情報及び主軸情報を算出するものである。更に、候補点算出部２５は、算出された固有値が所定の閾値条件を満たすものであるか否かにより、候補点を検出するものであってもよい。
候補点算出部２５は、画像取得部２０により得られた三次元画像中の検出領域を設定する検出領域設定部３０と、検出領域における線状構造からなる対象組織の主軸方向を算出する主軸方向算出部４０と、主軸方向に基づいて、対象組織を含む対象領域に対して正規化処理を施す正規化処理部５０と、正規化処理を施された対象領域の特徴量を算出し、算出された特徴量を用いて対象領域に真の対象組織が含まれるか否かを判別する判別部６０を備えるものである。
検出領域設定部３０は、画像取得部２０により取得された三次元画像中の検出領域を設定するものである。検出領域設定部３０は、検出アルゴリズムを実行させることにより、検出領域を設定するものであって、例えば、閾値処理、セグメント分割処理を用いた検出アルゴリズムを実行するものである。例えば、検出領域として心臓が挙げられる。
また、検出領域設定部３０は、入力部８０により入力された領域を検出領域として設定してもよい。
主軸・法線方向算出部４０は、検出領域における線状構造からなる対象候補組織の主軸方向を算出するものである。例えば、検出領域設定部３０により設定された検出領域内において、線状構造からなる対象候補組織の主軸方向また面状構造からなる対象候補組織の法線方向を算出するものであって、検出領域に対し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、対象候補組織の主軸方向または法線方向を算出するものであって、更に算出された固有値が所定の閾値条件を満たすものであるか否かにより、対象候補組織が、線状構造または面状構造であるか否かを判定する。これにより、線状構造・面状構造であるかを粗く判定することを可能とする。判別部６０において線状構造・面状構造であるか否かをより精度よく判定する構成としてもよい。
正規化処理部５０は、主軸算出部４０により算出された主軸方向に基づいて、対象組織を含む対象領域に対して正規化処理を施すものである。
判別部６０は、正規化処理部５０により正規化処理を施された対象領域の特徴量を算出し、算出された特徴量を用いて対象領域に真の対象組織が含まれるか否かを判別するものである。
また、判別部６０は、対象組織と同種の対象組織を含む予め用意された三次元画像に対して、同種の対象組織の主軸方向に基づいて正規化処理を施されたデータを教師データとして備えるものであって、教師データを用いて、マシンラーニング手法を利用して算出された特徴量の解析を行うことにより、対象領域に真の対象組織が含まれるか否かを判別するものであってもよい。冠動脈を判別する判別器の学習においては、正の教師データとして冠動脈の直線部の他、湾曲部、分岐部、狭窄、石灰化またステント留置部などの病変部を表すデータを含めることができる。これらを教師データに含めて学習することで、冠動脈のバリエーションに対応し、病変部等も血管として高精度に判別することが可能となる。負の教師データには冠動脈以外の部位をランダムに用意することができる。
具体的には、対象組織の検出方法として、統合学習機械をつくる手法であるＡｄａｂｏｏｓｔに基づいたマシンラーニング手法を利用するものであることが考えられる。判別部６０は、上記の対象組織の検出手法に用いることができる。対象組織は、特徴点検出等の公知の手法や学習データに対してリサンプリングの際に重みを逐次的に更新し、できた機械を最後に学習機械に対する重みをつけることで、統合学習機械をつくる手法であるＡｄａｂｏｏｓｔに基づいたマシンラーニング手法を用いる。学習サンプル画像において、対象組織の中心座標とその主軸方向また線状構造の場合はその半径を指定し、中心座標を基準としてその主軸方向に回転させた立方体を関心領域とする。立方体のスケールは半径で規格化する。冠動脈を判別する際の正の学習サンプルには、直線的な血管の湾曲部、血管の分岐部、また狭窄や石灰化、ステント留置部などの病変部を表すデータを含める。負の教師データには冠動脈以外の部位をランダムに用意する。
次に、正と負の学習サンプル画像に対して、ランダムに選択されたｎ組の画素ペアの値の組み合わせを特徴量とし、Ａｄａｂｏｏｓｔに基づいたマシンラーニング手法により、正と負のパターンを見分ける判別器を作成する。対象組織を検出する際、３次元画像を走査し、注目画素を中心とした様々なサイズの立方体領域を切り出し、特徴量を算出する。それを学習段階で得られた判別器に入力し、判別値を求め、判別値が所定の閾値を超えた場合、対象組織であると判別する。
判別のための特徴量はＣＴ画像におけるＣＴ値のＸ，Ｙ，Ｚ，ＸＹ，ＹＺ，ＺＸ方向それぞれの１次微分値とする。その他、ＣＴ値の絶対値、ＣＴ値のヒストグラム、２次微分値などを用いてもよい。
また、対象組織を検出する手法として、他の様々な統計解析法や機械学習法、例えば線形判別法やニューラルネットワーク、サポートベクターマシン等を用いることができる。
判別部６０は、上述した手法により、三次元画像から対象組織の位置を複数検出し、上述した候補点を複数算出する。
表示部７０は、二次元画像または三次元画像等を表示するモニタ、ＣＲＴ画面等である。対象組織として判別された領域をボリュームレンダリング表示することで、線状構造や面状構造の全体を概観し、その連続性を可視化することができる。読影者は、表示部７０上に、図４Ａに示すように検出領域（心臓領域）として判別された領域をボリュームレンダリング表示することで、検出領域を視認することができる。また、読影者は、表示部７０上に、図４Ｂに示すように対象組織（血管Ａ１）と検出領域（心臓領域）をボリュームレンダリング表示することで、線状構造の全体を概観し、その連続性を視認することができる。
なお、判別部６０は、切り出した真の対象組織を含む対象領域の所定点を候補点として算出する。
再構築処理部７０は、算出された位置情報および主軸方向に基づいた変数とするコスト関数を用いて、複数の候補点が接続されるように再構築するものである。また、再構築処理部７０は、複数の候補点のうち少なくとも二つの候補点の関係が、二つの候補点それぞれの位置情報から一定の距離内にあって、かつ二つの候補点を結ぶ基本線と、二つの候補点それぞれの主軸方向から求まる二つの鋭角の和が一定角度内であることを条件とするコスト関数を用いて、複数の候補点が接続されるように再構築するものである。具体的には、最小全域木手法を用いることにより再構築するものであってもよい。また、再構築処理部７０は、二つの候補点の輝度値を変数としたコスト関数を用いてもよい。
次に、以上の構成の画像処理装置において行われる実施態様における処理について説明する。
図５は、画像処理装置が三次元画像における線状構造からなる対象組織を検出するまでの一連の処理フローチャートである。
まず、図５に示す如く、Ｘ線ＣＴ装置１０により撮像された三次元画像を画像取得部２０に入力する（ステップＳ１）。
次に、検出領域設定部３０は、上述した検出アルゴリズムを実行することにより、心臓領域を検出する。検出領域設定部３０は、検出された心臓領域内から、検出領域を設定する（ステップＳ２）。この検出領域は、被写体を撮像して得られた三次元画像中にある対象領域を含む所定の領域をいい、例えば、心臓領域を含む領域若しくはその領域の一部の領域等であってもよい。
検出領域設定部３０は、検出領域における線状構造からなる対象組織を検出すべく、予め三次元画像を多重解像度変換することにより、ガウシアンピラミッドを生成する。
その後、検出領域設定部３０は、図６に示すように、生成したガウシアンピラミッドごとに検出アルゴリズムを走査することで異なるサイズの線状構造からなる対象候補組織（例えば、冠動脈等）を検出する。
検出領域設定部３０は、ガウシアンピラミッド構造である６Ａの検出領域に対してスキャンニングを行い、順次、６Ｂの検出領域、６Ｃの検出領域をスキャンして検出処理を実行する座標を設定する。多重解像度画像を順次走査することで、異なるサイズの対象組織（例えば、冠動脈）を検出することができる。
次に、主軸方向算出部４０は、検出座標を中心とする局所領域において線状構造からなる対象組織（例えば、冠動脈）の主軸方向を算出する（ステップＳ３）。
主軸方向算出部４０は、対象候補組織を含む領域内にて、ヘッセ行列の固有値解析を行い、主軸方向を算出する。ヘッセ行列は、２階の偏微分係数を要素とする行列であり、三次元画像に対しては、数（１）のように３×３行列となる。
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
ガウシアンカーネル（ｆ）関数を用いた場合、ヘッセ行列を得るためのフィルタ係数は数（２）によって、求められる。σは検出したいサイズの線状構造に対応させる。
このヘッセ行列を固有値分解して固有値と固有ベクトルを得たとき、０に最も近い固有値に対応する固有ベクトルが主軸方向である。
線状構造は、図７に示すように、３つのうち二つの固有値の値が大きく、１つが０に近い特徴を持つことが知られている。そこで固有値から線状構造らしさを判定し、残った候補についてより詳細な判定を行うようにすると効果的である。また、面状構造の場合は、３つの固有値のうち１つの絶対値が大きな値となり、２つが０に近い特徴を持つものを面状構造らしいものとして判定する。数（１）の固有値は、例えば線状構造からなる対象組織に対して、数（３）のような関係を持つ。
Figure JPOXMLDOC01-appb-M000003
正規化処理部５０は、主軸方向算出部４０により算出された主軸方向に基づいて、対象組織を含む対象領域に対して正規化処理を施す（ステップＳ４）。正規化処理部５０は、図８に示すように、算出された主軸方向に沿って正規化した画像を切り出す。８Ｂに示すように、正規化処理後の対象組織の三次元画像は、回転不変な特徴を持ったものとなる。但し、画像処理装置は、正規化処理を必ずしも行う必要はなく、判別部６０が、正規化した場合と同じ条件で判別のための特徴量を取得してマシンラーニング手法を利用してもよい。
次に、判別部６０は、正規化処理部５０により正規化処理を施された対象領域の特徴量を算出し、算出された特徴量を用いて対象領域に真の対象組織が含まれるか否かを判別する（ステップＳ５）。
判別部６０は、正規化処理部５０により正規化処理を施した対象領域から上述のマシンラーニング手法等により、特徴量を取り出し、真の対象組織か否かの判別を行う。
判別部６０は、対象組織であると判別した場合、その画像から切り出された対象領域の所定の点を候補点として設定する。判別すべき対象領域がある限り、判別を繰り返す（ステップＳ６；ＹＥＳ）。
なお、本発明の実施形態は、対象組織として、冠動脈の判別を例に挙げたが、脳血管、肝臓血管、肺血管、気管支など、他の線状構造の抽出に利用することができる。
このように、本発明の画像処理装置は、検出領域における線状構造からなる対象候補組織の主軸方向または面状構造からなる組織の法線方向を算出し、主軸方向または法線方向に基づいて、対象候補組織を含む対象候補領域に対して正規化処理を施し、正規化処理を施された対象候補領域の特徴量を算出し、算出された特徴量を用いて対象候補領域に対象組織が含まれるか否かを判別することで、湾曲、分岐または病変による外観の変化を伴った線状構造からなる対象組織であっても安定的に検出することができる。
次に、全ての対象領域の判別が終了し、判別が不要となった際には（ステップＳ６；ＮＯ）、設定された複数の候補点のうち少なくとも二つの候補点の関係が、二つの候補点それぞれの位置情報から一定の距離内にあって、かつ二つの候補点を結ぶ基本線と、基本線とそれぞれの主軸方向から求まる二つの鋭角の和が一定角度内であることを条件とするコスト関数を用いて、複数の候補点が接続されるものであるか否かを再構築する（ステップＳ７）。
具体的には、再構築処理部７０は、設定した複数の候補点を最小全域木手法によって、再構築し、冠動脈である対象組織の木構造を得る。このとき、再構築処理７０は、候補点間のエッジ情報を用いて、コスト関数を設定する。
例えば、コスト関数は、候補点間のエッジ情報の重みを、距離が近いものほど小さく設定する。更に、コスト関数は、図８に示すように二つの候補点（Ｎｏｄｅ１，　Ｎｏｄｅ２）を結ぶ基本線Ｌを基準として、二つの候補点それぞれの主軸方向から求まる二つの鋭角の和（Ａｎｇｌｅ１＋Ａｎｇｌｅ２）が一定角度内であって、コスト関数は、二つの鋭角の和が小さいほど、エッジ情報の重みを小さくするように設定する。このようにコスト関数を設定することにより、再構築処理７０は、図１３Ａに示すような候補点の接続前の状況から、図１３Ｂに示すように候補点が再構築され接続されることを可能とする。
具体的には、再構築処理７０は、コスト関数を数（４）のように設定する。
Figure JPOXMLDOC01-appb-M000004
コスト関数は、候補点間の距離と血管の半径、主軸方向、候補点におけるＣＴ値のそれぞれの要素を変数として用いて設定する。
数（４）の候補点間の距離と血管の半径を用いたガウシアンカーネル（ｆ）関数は、物理的距離が長いほど出力が小さくなる関数であって、図１０に示すように、設定される。図１０の縦軸は、候補点間の距離と血管の半径を用いたガウシアンカーネル（ｆ）関数であり、横軸は、二つの候補点間の物理的距離を候補点の血管半径で割った値を示すものである。
但し、血管の半径により規格化することにより、太い血管は相対的に長い距離でも出力を大きくするようにコスト関数を設定してもよい。また、血管の半径（太さ）とは、候補点が判別の際に、多重解像度画像としてどの程度のスケールであるかを表す。例えば、ボクセルデータが１．０ｍｍの解像度画像で見つかった候補は血管半径を２．０ｍｍとし、ボクセルが２．０ｍｍの解像度画像で見つかった候補は血管半径を４．０ｍｍとする。
また、数（４）の主軸方向を用いたガウシアンカーネル（ｆ）関数は、図１１に示すように、二つの候補点（Ｎｏｄｅ１とＮｏｄｅ２）の指す方向（Ａｎｇｌｅ１とＡｎｇｌｅ２）が一致していないほど出力が小さくなるように設定する。上述したように、図９に示すように二つの候補点（Ｎｏｄｅ１，　Ｎｏｄｅ２）を結ぶ基本線Ｌと、基本線とそれぞれの主軸方向から求まる二つの鋭角の和（Ａｎｇｌｅ１＋Ａｎｇｌｅ２）が一定角度内であって、コスト関数は、二つの鋭角の和が小さいほど、エッジの重みを小さくするように設定する。
このように二つの鋭角の和が、一定角度内に収まり、よりゼロに近いほど、方向の一致度は高くなる。
なお、図１１の縦軸は、主軸方向を用いたガウシアンカーネル（ｆ）関数であり、横軸は、主軸方向の一致度を示すものである。
再構築処理７０は、最小全域木手法により候補点と候補点を結ぶことで木構造を生成するため、原則としてループが存在しないルールとなっている。そのため、図１４Ａに示すように、静脈（点線）が動脈（鎖線）と交差している場合は、再構築をしても図１４Ｂに示すようにループ中のいずれかの点が切断されて再構成される。そこでＣＴ値をコスト関数に考慮することで、図１４Ｃに示すように、接続されないエッジが静脈経路（点線）上になり、動脈経路（鎖線）を正しく再構成できる。
また、数（４）のＣＴ値を用いたガウシアンカーネル（ｆ）関数は、図１２に示すように、候補点位置におけるＣＴ値が低いほど重みが小さくなるよう設定されたものである。造影された冠動脈のＣＴ値が２００～４００程度であることを基準としている。図１２の縦軸は、ＣＴ値を用いたガウシアンカーネル（ｆ）関数であり、横軸は、候補点（ノード）のＣＴ値を示すものである。
更にコスト関数は、心臓形状を重みとして設定するものであってもよい。
具体的には、図１５Ａに示すように動脈Ａ２が、概ね楕円体をしている心臓Ｈ１のまわりに存在していることを利用し、図１５Ｂに示すように最小二乗法を用いてＮｏｄｅ３，Ｎｏｄｅ４（候補点）の点群に楕円体をフィッティングし、図１５Ｂに示すように二つのノード（候補点）について、それぞれを結ぶ方向を計算する。また、図１６に示すように心臓形状を用いたガウシアンカーネル（ｆ）関数は、楕円体の接線方向を計算し、これら二つの角度の差が小さいほどコストを小さくし、楕円体の法線方向に近いほど（差が９０度に近い）重みを小さく設定するものであってもよい。図１６の縦軸は、心臓形状を用いたガウシアンカーネル（ｆ）関数であり、横軸は、二つの候補点（ノード）を結ぶ方向と楕円体の接線方向との差を示すものである。
なお、心臓形状に限定することなく、所定の組織形状を用いたガウシアンカーネル（ｆ）関数を設定してもよい。
このように再構築処理部７０は、検出された複数の候補点のうち少なくとも二つの候補点の関係について接続できるものであるか否かを上述したコスト関数を用いて、最小全域木手法を用いて計算し、その他の候補点の関係も計算することにより対象組織の検出をおこなう。
以上により、本発明の画像処理装置は、被写体を撮像して得られた三次元画像に対して所定の検出処理を施すことにより、線状構造からなる対象組織を表す複数の候補点の位置情報と主軸方向を算出し、算出された位置情報および主軸方向に基づいた変数とするコスト関数を用いて、複数の候補点が接続されるように再構築することにより、三次元画像上にノイズとなる候補点が混在しても、誤接続が生じることなく正確に対象組織を検出することができる。

Claims (19)

  1. 被写体を撮像して得られた三次元画像中の検出領域を設定する検出領域設定部と、
    前記検出領域における線状構造からなる対象候補組織の主軸方向または面状構造からなる組織の法線方向を算出する主軸・法線方向算出部と、
    前記主軸方向または前記法線方向に基づいて、前記対象候補組織を含む対象候補領域に対して正規化処理を施す正規化処理部と、
    前記正規化処理を施された対象候補領域の特徴量を算出し、該算出された特徴量を用いて前記対象候補領域に対象組織が含まれるか否かを判別する判別部とを備えたことを特徴とする画像処理装置。
  2. 前記主軸・法線方向算出部は、前記検出領域に対してヘッセ行列を算出し、該算出されたヘッセ行列の固有値を解析することにより、前記対象候補組織の主軸方向または法線方向を算出するものであることを特徴とする請求項１記載の画像処理装置。
  3. 前記主軸・法線方向算出部は、前記算出された固有値が所定の閾値条件を満たすものであるか否かにより、前記対象候補組織が、線状構造または面状構造であるか否かを判別するものであることを特徴とする請求項２記載の画像処理装置。
  4. 前記判別部は、前記対象組織と同種の対象組織を含む予め用意された三次元画像に対して、前記同種の対象組織の主軸方向または法線方向に基づいて正規化処理を施されたデータを教師データとして備えるものであって、
    前記教師データを用いて、マシンラーニング手法を利用して前記算出された特徴量の解析を行うことにより、前記対象候補領域に対象組織が含まれるか否かを判別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項記載の画像処理装置。
  5. 前記対象組織は、冠動脈であることを特徴とする請求項１から４いずれか１項記載の画像処理装置。
  6. 前記検出領域は、前記被写体の心臓領域を含む領域であることを特徴とする請求項１から５いずれか１項記載の画像処理装置。
  7. 被写体を撮像して得られた三次元画像中の検出領域を設定し、
    前記検出領域における線状構造からなる対象候補組織の主軸方向または面状構造からなる組織の法線方向を算出し、
    前記主軸方向または前記法線方向に基づいて、前記対象候補組織を含む対象候補領域に対して正規化処理を施し、
    前記正規化処理を施された対象候補領域の特徴量を算出し、該算出された特徴量を用いて前記対象候補領域に対象組織が含まれるか否かを判別することを特徴とする画像処理装置。
  8. 被写体を撮像して得られた三次元画像中の検出領域を設定する機能と、
    前記検出領域における線状構造からなる対象候補組織の主軸方向または面状構造からなる組織の法線方向を算出する機能と、
    前記主軸方向または前記法線方向に基づいて、前記対象候補組織を含む対象候補領域に対して正規化処理を施す機能と、
    前記正規化処理を施された対象候補領域の特徴量を算出し、該算出された特徴量を用いて前記対象候補領域に対象組織が含まれるか否かを判別する機能とをコンピュータに実現させることを特徴とするプログラム。
  9. 被写体を撮像して得られた三次元画像に対して所定の検出処理を施すことにより、線状構造からなる対象組織を表す複数の候補点の位置情報と主軸方向を算出する候補点算出部と、
    前記算出された位置情報および主軸方向に基づいた変数とするコスト関数を用いて、前記複数の候補点が接続されるように再構築する再構築処理部とを備えたものであることを特徴とする画像処理装置。
  10. 前記再構築処理部が、前記複数の候補点のうち少なくとも二つの候補点の関係が、該二つの候補点それぞれの位置情報から一定の距離内にあって、かつ前記二つの候補点を結ぶ基本線と、前記二つの候補点それぞれの主軸方向から求まる二つの鋭角の和が一定角度内であることを条件とするコスト関数を用いて、再構築するものであることを特徴とする請求項９記載の画像処理装置。
  11. 前記候補点算出部は、前記三次元画像に対してヘッセ行列を算出し、該算出されたヘッセ行列の固有値を解析することにより、前記複数の候補点それぞれの位置情報及び主軸情報を算出するものであることを特徴とする請求項９または１０記載の画像処理装置。
  12. 前記候補点算出部は、前記固有値が所定の閾値条件を満たすものであるか否かにより、前記候補点を検出することを特徴とする請求項９から１１いずれか１項記載の画像処理装置。
  13. 前記候補点算出部は、前記主軸方向に基づいて、前記対象組織を含む対象領域に対して正規化処理を施す正規化処理部と、
    前記正規化処理を施された対象候補領域の特徴量を算出し、該算出された特徴量を用いて前記対象領域に真の対象組織が含まれるか否かを判別する判別部を備えるものであることを特徴とする請求項９から１２いずれか１項記載の画像処理装置。
  14. 前記判別部は、前記対象組織と同種の対象組織を含む予め用意された三次元画像に対して、前記同種の対象組織の主軸方向に基づいて正規化処理を施されたデータを教師データとして備えるものであって、
    前記教師データを用いて、マシンラーニング手法を利用して前記算出された特徴量の解析を行うことにより、前記対象領域に真の対象組織が含まれるか否かを判別するものであることを特徴とする請求項１３記載の画像処理装置。
  15. 前記再構築処理部は、最小全域木手法を用いることにより再構築するものであることを特徴とする請求項９から１４いずれか１項記載の画像処理装置。
  16. 前記再構築処理部が、前記二つの候補点の輝度値を変数としたコスト関数を用いることを特徴とする請求項９から１５いずれか１項記載の画像処理装置。
  17. 前記対象組織は、冠動脈であることを特徴とする請求項９から１６いずれか１項記載の画像処理装置。
  18. 被写体を撮像して得られた三次元画像に対して所定の検出処理を施すことにより、線状構造からなる対象組織を表す複数の候補点の位置情報と主軸方向を算出し、
    前記算出された位置情報および主軸方向に基づいた変数とするコスト関数を用いて、前記複数の候補点が接続されるように再構築することを特徴とする画像処理方法。
  19. 被写体を撮像して得られた三次元画像に対して所定の検出処理を施すことにより、線状構造からなる対象組織を構成する複数の候補点の位置情報と主軸方向を算出する機能と、
    前記算出された位置情報および主軸方向に基づいた変数とするコスト関数を用いて、前記複数の候補点が接続されるように再構築する機能とをコンピュータに実現させることを特徴とするプログラム。
PCT/JP2010/001191 2009-03-03 2010-02-23 画像処理装置および方法並びにプログラム Ceased WO2010100858A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
BRPI1004212A BRPI1004212A2 (pt) 2009-03-03 2010-02-23 aparelho de processamento de imagem, método de processamento de imagem, e programa de processamento de imagem
AU2010220015A AU2010220015A1 (en) 2009-03-03 2010-02-23 Image processing device and method, and program
US12/737,623 US8526690B2 (en) 2009-03-03 2010-02-23 Automatic detection of target tissues formed by linear structures from within three dimensional images
CA2732647A CA2732647C (en) 2009-03-03 2010-02-23 Image processing apparatus, image processing method, and image processing program
EP10748460.2A EP2404553B1 (en) 2009-03-03 2010-02-23 Image processing device and method, and program
CN2010800022477A CN102112056A (zh) 2009-03-03 2010-02-23 图像处理装置、图像处理方法和图像处理程序

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2009048679A JP4709290B2 (ja) 2009-03-03 2009-03-03 画像処理装置および方法並びにプログラム
JP2009-048679 2009-03-03
JP2009-069895 2009-03-23
JP2009069895A JP4717935B2 (ja) 2009-03-23 2009-03-23 画像処理装置および方法並びにプログラム

Publications (1)

Publication Number Publication Date
WO2010100858A1 true WO2010100858A1 (ja) 2010-09-10

Family

ID=42709428

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2010/001191 Ceased WO2010100858A1 (ja) 2009-03-03 2010-02-23 画像処理装置および方法並びにプログラム

Country Status (7)

Country Link
US (1) US8526690B2 (ja)
EP (1) EP2404553B1 (ja)
CN (1) CN102112056A (ja)
AU (1) AU2010220015A1 (ja)
BR (1) BRPI1004212A2 (ja)
CA (1) CA2732647C (ja)
WO (1) WO2010100858A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978725A (zh) * 2014-04-03 2015-10-14 上海联影医疗科技有限公司 一种冠状动脉分割方法和装置

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004925B (zh) * 2010-11-09 2012-08-29 无锡中星微电子有限公司 物体分类模型的训练方法及利用该模型的识别方法
WO2012078636A1 (en) 2010-12-07 2012-06-14 University Of Iowa Research Foundation Optimal, user-friendly, object background separation
US12367578B2 (en) 2010-12-07 2025-07-22 University Of Iowa Research Foundation Diagnosis of a disease condition using an automated diagnostic model
EP2665406B1 (en) 2011-01-20 2021-03-10 University of Iowa Research Foundation Automated determination of arteriovenous ratio in images of blood vessels
JP5263995B2 (ja) 2011-03-18 2013-08-14 富士フイルム株式会社 ネットワーク構築装置および方法ならびにプログラム
JP2012223338A (ja) 2011-04-19 2012-11-15 Fujifilm Corp 木構造作成装置および方法ならびにプログラム
JP5701138B2 (ja) 2011-04-19 2015-04-15 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
JP5391229B2 (ja) 2011-04-27 2014-01-15 富士フイルム株式会社 木構造抽出装置および方法ならびにプログラム
US8867822B2 (en) * 2011-10-14 2014-10-21 Fujifilm Corporation Model-based coronary artery calcium scoring
JP5748636B2 (ja) * 2011-10-26 2015-07-15 富士フイルム株式会社 画像処理装置および方法並びにプログラム
US9545196B2 (en) 2012-05-04 2017-01-17 University Of Iowa Research Foundation Automated assessment of glaucoma loss from optical coherence tomography
JP5946127B2 (ja) 2012-05-11 2016-07-05 富士通株式会社 シミュレーション方法、シミュレーション装置、およびシミュレーションプログラム
JP5777070B2 (ja) * 2012-09-14 2015-09-09 富士フイルム株式会社 領域抽出装置、領域抽出方法および領域抽出プログラム
JP5833994B2 (ja) 2012-09-20 2015-12-16 富士フイルム株式会社 画像処理装置および方法ならびにプログラム
US9020982B2 (en) * 2012-10-15 2015-04-28 Qualcomm Incorporated Detection of planar targets under steep angles
WO2014143891A1 (en) * 2013-03-15 2014-09-18 University Of Iowa Research Foundation Automated separation of binary overlapping trees
WO2014168350A1 (ko) 2013-04-10 2014-10-16 재단법인 아산사회복지재단 폐동맥과 폐정맥을 구분하는 방법 및 이를 이용한 혈관의 정량화 방법
JP6358590B2 (ja) 2013-08-09 2018-07-18 富士通株式会社 血管データ生成装置、血管データ生成方法、および血管データ生成プログラム
US10410355B2 (en) 2014-03-21 2019-09-10 U.S. Department Of Veterans Affairs Methods and systems for image analysis using non-euclidean deformed graphs
JP6539736B2 (ja) * 2014-11-14 2019-07-03 シーメンス ヘルスケア ゲゼルシヤフト ミツト ベシユレンクテル ハフツング 純粋幾何学的機械学習に基づいて血流予備量比を求める方法及びシステム
US10115194B2 (en) 2015-04-06 2018-10-30 IDx, LLC Systems and methods for feature detection in retinal images
CN112037194B (zh) * 2020-08-31 2023-04-07 中冶赛迪信息技术(重庆)有限公司 一种冷床乱钢检测方法、系统、设备及介质
JP2022095024A (ja) * 2020-12-16 2022-06-28 キヤノン株式会社 学習データ生成装置、学習データ生成方法及びコンピュータプログラム
CN113962958B (zh) * 2021-10-21 2023-05-05 四川大学华西医院 一种征象检测方法及装置
JP7847492B2 (ja) * 2022-06-29 2026-04-17 富士フイルム株式会社 画像処理装置、方法およびプログラム
CN115930704B (zh) * 2022-12-15 2025-07-01 中国人民解放军军事科学院国防工程研究院工程防护研究所 一种用于阵列式光幕靶的多目标时空联合自动筛选方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004230086A (ja) * 2003-01-31 2004-08-19 Toshiba Corp 画像処理装置、画像データ処理方法、及びプログラム
JP2006346094A (ja) * 2005-06-15 2006-12-28 Konica Minolta Medical & Graphic Inc 検出情報の出力方法及び医用画像処理システム
JP2007307358A (ja) 2006-04-17 2007-11-29 Fujifilm Corp 画像処理方法および装置ならびにプログラム
US7346209B2 (en) 2002-09-30 2008-03-18 The Board Of Trustees Of The Leland Stanford Junior University Three-dimensional pattern recognition method to detect shapes in medical images

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7639855B2 (en) * 2003-04-02 2009-12-29 Ziosoft, Inc. Medical image processing apparatus, and medical image processing method
JP4447005B2 (ja) * 2003-04-24 2010-04-07 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ コンピュータ断層撮影アンジオグラフィにおける領域描写方法及び装置
WO2006126384A1 (ja) * 2005-05-23 2006-11-30 Konica Minolta Medical & Graphic, Inc. 異常陰影候補の表示方法及び医用画像処理システム
US7894664B2 (en) * 2006-03-22 2011-02-22 University Of Washington Conditional shape model for image processing

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7346209B2 (en) 2002-09-30 2008-03-18 The Board Of Trustees Of The Leland Stanford Junior University Three-dimensional pattern recognition method to detect shapes in medical images
JP2004230086A (ja) * 2003-01-31 2004-08-19 Toshiba Corp 画像処理装置、画像データ処理方法、及びプログラム
JP2006346094A (ja) * 2005-06-15 2006-12-28 Konica Minolta Medical & Graphic Inc 検出情報の出力方法及び医用画像処理システム
JP2007307358A (ja) 2006-04-17 2007-11-29 Fujifilm Corp 画像処理方法および装置ならびにプログラム

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ANDRZEJ SZYMCZAK ET AL.: "Coronary Vessel Trees from 3D Imagery: A Topological Approach", MEDICAL IMAGE ANALYSIS, vol. 10, no. 4, 2006, pages 548 - 559
HIDENORI SHIKATA ET AL.: "Bimansei Hai Shikkan Gazo kara no Hai Kekkan Chushutsu Algorithm no Kento", IEICE TECHNICAL REPORT, vol. 104, no. 580, 15 January 2005 (2005-01-15), pages 31 - 36, XP008141744 *
See also references of EP2404553A4

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978725A (zh) * 2014-04-03 2015-10-14 上海联影医疗科技有限公司 一种冠状动脉分割方法和装置

Also Published As

Publication number Publication date
EP2404553A4 (en) 2013-03-13
CA2732647C (en) 2014-04-29
US20110135172A1 (en) 2011-06-09
EP2404553B1 (en) 2015-06-24
EP2404553A1 (en) 2012-01-11
CN102112056A (zh) 2011-06-29
CA2732647A1 (en) 2010-09-10
AU2010220015A1 (en) 2010-09-10
US8526690B2 (en) 2013-09-03
AU2010220015A2 (en) 2011-03-10
BRPI1004212A2 (pt) 2016-02-23

Similar Documents

Publication Publication Date Title
JP4717935B2 (ja) 画像処理装置および方法並びにプログラム
WO2010100858A1 (ja) 画像処理装置および方法並びにプログラム
JP4999163B2 (ja) 画像処理方法および装置ならびにプログラム
Azemin et al. Robust methodology for fractal analysis of the retinal vasculature
US10210612B2 (en) Method and system for machine learning based estimation of anisotropic vessel orientation tensor
CN109124662B (zh) 肋骨中心线检测装置及方法
JP5011426B2 (ja) 画像診断支援装置、方法及びプログラム
JP6570145B2 (ja) 画像を処理する方法、プログラム、代替的な投影を構築する方法および装置
JP5037705B2 (ja) 画像処理装置および方法並びにプログラム
JP4964171B2 (ja) 対象領域抽出方法および装置ならびにプログラム
KR20150047315A (ko) 컴퓨터 보조 진단 방법 및 장치
JP6273291B2 (ja) 画像処理装置および方法
CN102458225A (zh) 图像处理设备及其控制方法和计算机程序
Kitamura et al. Automatic coronary extraction by supervised detection and shape matching
JP2005526583A (ja) 車輪状投影分析を用いた肺結節検出
JP6458166B2 (ja) 医用画像処理方法及び装置及びシステム及びプログラム
Pock et al. Multiscale medialness for robust segmentation of 3d tubular structures
Jerman et al. Computer-aided detection and quantification of intracranial aneurysms
JP5364009B2 (ja) 画像生成装置、画像生成方法、及びそのプログラム
JP4709290B2 (ja) 画像処理装置および方法並びにプログラム
Truc et al. A new approach to vessel enhancement in angiography images
KR102789401B1 (ko) 심비대증 평가를 위한 의료 영상 분석 방법 및 장치
Stetten et al. Automated segmentation of the right heart using an optimized shells and spheres algorithm
KR20240080580A (ko) 지방간 질환 자동 진단을 위한 3ｄ 간 ｃｔ 영상의 분할 및 강체 정합 장치 및 방법
Pan et al. 3D liver vessel reconstruction from CT images

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 201080002247.7

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10748460

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2732647

Country of ref document: CA

WWE Wipo information: entry into national phase

Ref document number: 12737623

Country of ref document: US

Ref document number: 2010748460

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 1062/CHENP/2011

Country of ref document: IN

WWE Wipo information: entry into national phase

Ref document number: 2010220015

Country of ref document: AU

ENP Entry into the national phase

Ref document number: 2010220015

Country of ref document: AU

Date of ref document: 20100223

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: PI1004212

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20110222