形状分析を用いる摺りガラス様結節（ＧＧＮ）のセグメンテーション方法およびシステム
本発明は、医用画像における関心体積に包含されており、かつマルコフ確率場処理によりセグメンテーションされる摺りガラス様結節のセグメンテーション方法に関し、この方法においては、ＶＯＩにおける血管を識別し、血管をセグメンテーションし、セグメンテーションされた血管をセグメンテーションされたＧＧＮから除去する。
【発明の詳細な説明】
【技術分野】
【０００１】
関連出願の相互参照
優先権
本明細書においては殊に、本出願の発明者であるLi ZhangおよびMing Fangの名義で２００３年９月１７日に出願されたアメリカ合衆国仮出願第６０／５０３，６０２号（整理番号２００３Ｐ１４２１１ＵＳ）、発明の名称「IMPROVED GGO NODULE SEGMENTATION WITH SHAPE ANALYSIS」が参照され、またその優先権の利益が主張され、したがってその開示内容は参照により本明細書に取り入れられる。
【０００２】
技術分野
本発明は結節のセグメンテーション、より詳細には肺のコンピュータ断層撮影（ＣＴ）体積における摺りガラス様結節（ground glass nodule；ＧＧＮ）のセグメンテーションの分野に関する。
【０００３】
背景技術
放射線検査、殊に肺の検査において「摺りガラス様結節（ＧＧＮ）」は一般的に、下にある血管の不鮮明化には関連せずに、霞んだ肺の不透明な放射線写真の外観を表す。ＧＧＮは典型的に「純型（pure）」と「混合型（mixed）」の二つの形で発見される。純型のＧＧＮは固形（solid）の成分を包含せず、これに対し混合型のＧＧＮは何らかの固形の成分を包含する。
【０００４】
ＧＧＮは高分解能コンピュータ断層撮影法（ＨＲＣＴ）の画像では単なる放射線撮影の場合よりも鮮明に現れる。固形の結節はより高いコントラストならびに明確に規定されている境界を有するので、ＧＧＮは典型的にＨＲＣＴの画像における固形の結節と異なる外観も呈する。さらにＨＲＣＴの画像におけるＧＧＮの外観は、それらのＧＧＮが細気管肺胞癌または侵食線癌のような活性であるが場合によっては治療可能な経過の存在を頻繁に示唆するので非常に有意な所見である。
【０００５】
ＧＧＮは典型的に活性の肺疾患に関係するので、ＧＧＮが存在することにより頻繁に、例えば肺生検も含めたさらなる診断評価が行われることになる。したがって、コンピュータベースのセグメンテーションは所定のタイプの肺疾患を診断および治療する医療専門家の助けとなる。したがって、迅速な診断のために正確でばらつきがなくＧＧＮをセグメンテーションするために使用することができるコンピュータベースのセグメンテーションシステムおよび方法が必要とされる。
【０００６】
発明の概要
この点に関して、セグメンテーションプロシージャの間に解剖学的な知識から高いレベルで形状を限定することは従来実現不可能であったと認識されている。また、ＧＧＮが血管と接している場合には、血管の境界領域は部分容積効果に起因して典型的にＧＧＮと類似する強度分布を有するので、血管の境界領域が結節セグメンテーションに包含される可能性があり、またＧＧＮセグメンテーションが近傍に血管ツリーまたは葉裂（lobar fissure）または瘢痕のような他の構造を包含する可能性がある。
【０００７】
本発明の課題は、解剖学的に導かれる形状分析を実施することにより、接している血管からＧＧＮを分離する方法を提供することである。
【０００８】
本発明の１つの態様によれば、摺りガラス様結節（ＧＧＮ）のセグメンテーション方法は、ＶＯＩにおける血管をセグメンテーションするステップと、ＶＯＩにおける血管を識別するステップと、セグメンテーションされた血管をＶＯＩから除去するステップを有する。閾値化分析および形状分析は血管とＧＧＮを区別するために使用される。平滑化はモルフォロジー演算によって任意に実施される。
【０００９】
本発明の別の態様によれば、医用画像における関心体積（volume of interest；ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）のセグメンテーション方法は、ＶＯＩにおける血管を識別するステップと、血管をセグメンテーションするステップと、セグメンテーションされた血管をセグメンテーションされたＧＧＮから除去するステップとを有する。
【００１０】
本発明の別の態様によれば、血管を識別するステップは閾値化および関連成分の分析を含む。
【００１１】
本発明の別の態様によれば、血管を識別するステップは３Ｄのコンパクトネス（compactness）分析の実施を含む。
【００１２】
本発明の別の態様によれば、血管をセグメンテーションするステップは強度制約付き膨張（dilation）の実施を含む。
【００１３】
本発明の別の態様によれば、セグメンテーション方法はセグメンテーションされた血管を除去するステップに続いてモルフォロジー演算を実施するステップを有する。
【００１４】
本発明の別の態様によれば、セグメンテーション方法はＶＯＩからあらゆる胸壁を除去するステップを有する。
【００１５】
本発明の別の態様実施形態によれば、ＶＯＩから胸壁を除去するステップは、胸壁が常にＶＯＩの隅に位置しているという事実に基づいた胸壁と血管の区別を含む。
【００１６】
本発明の別の態様によれば、ＶＯＩから胸壁を除去するステップは胸壁に属する領域を除去するために領域拡大技術の使用を含む。
【００１７】
本発明の別の態様によれば、セグメンテーション方法は、セグメンテーションされた血管を除去するステップの結果から生じるＧＧＮ程度でかつＧＧＮより小さい小ブランチを除去するためにモルフォロジーの雑音除去（opening）を適用するステップを有する。
【００１８】
本発明の別の態様によれば、セグメンテーション方法はコンピュータ支援のＧＧＮ検出技術を使用してＧＧＮを検出するステップを有する。
【００１９】
本発明の別の態様によれば、セグメンテーション方法はＧＧＮの検出に関してマニュアルの技術を使用してＧＧＮを検出するステップを有する。
【００２０】
本発明の別の態様によれば、ＧＧＮは純型のＧＧＮおよび混合型のＧＧＮを包含する。
【００２１】
本発明の別の態様によれば、血管を識別するステップは、血管を識別し、その識別により閾値化されたＶＯＩを導出するために十分に高い閾値Ｔｈｉｇｈを用いる閾値化の適用、高強度領域を発見するために閾値化されたＶＯＩにラベルする関連成分の処理の使用、ＧＧＮ内の固形の成分と血管を区別するために高強度領域の３次元（３Ｄ）のコンパクトネスの使用、より完全な血管セグメンテーションを取得するために高閾値Ｔｈｉｇｈよりも低い低閾値Ｔｌｏｗを用いる閾値化の適用を含む。
【００２２】
本発明の別の態様によれば、血管ＶＯＩをセグメンテーションするステップは、境界ボクセルを血管セグメンテーションに包含させるために強度制約付き膨張の適用を含む。
【００２３】
本発明の別の態様によれば、血管をセグメンテーションするステップは、境界ボクセルを血管セグメンテーションに包含させ、以下のような実質的に完全な血管セグメンテーションＯｖを取得するための強度制約付き膨張の適用を含む。
【００２４】
【数１】
セグメンテーションされた血管を最初にセグメンテーションされたＧＧＮから除去するステップは、血管を有さない最終的なＧＧＮセグメンテーション
Ｏｏｎｌｙｇｇｏ＝Ｏｉｎｉｔｇｇｏ−Ｏｖ
を取得するために、マルコフ確率場（ＭＲＦ）プロシージャを使用する、ＶＯＩをセグメンテーションするステップにおいて取得されたセグメンテーションされたＶＯＩからの実質的に完全な血管セグメンテーションＯｖの除去を含む。
【００２５】
本発明の別の態様によれば、膨張構造要素は３×３×３のボクセル立方体である。
【００２６】
本発明の別の態様によれば、セグメンテーション方法は、境界血管ボクセルよりも低い強度を有するＧＧＮ強度モデルから生じる血管の誤包含に起因する余分なブランチが全く存在しない、以下のようなクリーンな最終ＧＧＮセグメンテーションＯｇｇｎを取得するために、強度により制約されたモルフォロジーの雑音除去演算をＯｏｎｌｙｇｇｎに適用するステップを有する。
【００２７】
【数２】
ＳＥは構造化要素を表す。また前述の式において負符号の前の部分はモルフォロジーの雑音除去の一般的な形を表し、負符号の後の部分は、膨張により付加されたピクセルが閾値Ｏｇｇｎよりも低い場合に、このピクセルがクリーンな最終セグメンテーションから除去されるように強度が制約されている。
【００２８】
本発明の別の態様によれば、構造化要素ＳＥは２Ｄのディスクである。
【００２９】
本発明の別の態様によれば、医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）のセグメンテーションシステムは、プログラムを記憶するための記憶装置と、記憶装置と接続されているディジタルプロセッサとを包含し、このプロセッサは、血管をＶＯＩと区別し、最初にセグメンテーションされたＶＯＩにおける血管をセグメンテーションし、ＶＯＩにおけるセグメンテーションされたＧＧＮからセグメンテーションされた血管を除去するプログラムにより動作する。
【００３０】
本発明の別の態様によれば、プロセッサはＶＯＩから胸壁を除去するプログラムにより動作する。
【００３１】
本発明の別の態様によれば、プロセッサは胸壁を血管と区別するプログラムにより動作する。
【００３２】
本発明の別の態様によれば、プロセッサは胸壁が常にＶＯＩの隅に位置しているという事実に基づき胸壁を血管と区別するプログラムにより動作する。
【００３３】
本発明の別の態様によれば、プロセッサは胸壁に属する領域を除去するために領域拡大技術を使用するプログラムにより動作する。
【００３４】
本発明の別の態様によれば、プロセッサは、ＶＯＩにおけるセグメンテーションされたＧＧＮから血管を除去するステップの結果として生じるＧＧＮ程度でかつＧＧＮよりも小さい小ブランチを除去するためのモルフォロジーの雑音除去演算を適用するプログラムにより動作する。
【００３５】
本発明の別の態様によれば、プロセッサはコンピュータ支援のＧＧＮ検出技術を使用してＧＧＮを検出するプログラムにより動作する。
【００３６】
本発明の別の態様によれば、プロセッサはＧＧＮの検出に関してマニュアルの技術を使用してＧＧＮを検出するプログラムにより動作する。
【００３７】
本発明の別の態様によれば、ＧＧＮは純型のＧＧＮおよび混合型のＧＧＮを包含する。
【００３８】
本発明の別の態様によれば、プロセッサは、血管を識別し、その識別により閾値化されたＶＯＩを導出するために十分に高い閾値Ｔｈｉｇｈを用いて閾値化を適用し、高強度領域を発見するために閾値化されたＶＯＩにラベルする関連成分の処理を使用し、高強度領域から血管を識別するためにコンパクトネス分析の処理を使用し、血管をＧＧＮ内の固形の成分と区別するために高強度領域の３次元（３Ｄ）のコンパクトネスを使用し、より完全な血管セグメンテーションを取得するために高閾値Ｔｈｉｇｈよりも低い低域値Ｔｌｏｗを用いて閾値化を適用するプログラムにより動作する。
【００３９】
本発明の別の態様によれば、プロセッサは、境界ボクセルを血管セグメンテーションに包含させるために強度制約付き膨張を適用するプログラムにより動作する。
【００４０】
本発明の別の態様によれば、プロセッサは、境界ボクセルを血管セグメンテーションに包含させて、以下のような実質的に完全な血管セグメンテーションＯｖを取得するために強度制約付き膨張を適用するプログラムにより動作する。
【００４１】
【数３】
セグメンテーションされた血管を最初にセグメンテーションされたＧＧＮから除去するステップは、血管を有さないＧＧＮセグメンテーション
Ｏｏｎｌｙｇｇｏ＝Ｏｉｎｉｔｇｇｏ−Ｏｖ
を取得するために、ＧＧＮの最初のＧＧＮセグメンテーションＯｉｎｉｔｇｇｏからの実質的に完全な血管セグメンテーションＯｖの除去を含む。
【００４２】
本発明の別の態様によれば、膨張構造要素は３×３×３のピクセル立方体である。
【００４３】
本発明の別の態様によれば、プロセッサは、境界血管ボクセルよりも低い強度を有するＧＧＮ強度モデルから生じる血管の誤包含に起因する余分なブランチが全く存在しない、以下のようなクリーンな最終ＧＧＮセグメンテーションＯｇｇｎを取得するために、強度により制約されたモルフォロジーの雑音除去演算をＯｏｎｌｙｇｇｎに適用するプログラムにより動作する。
【００４４】
【数４】
ＳＥは構造化要素を表す。また前述の式において負符号の前の部分はモルフォロジーの雑音除去の一般的な形を表し、負符号の後の部分は、膨張により付加されたピクセルが閾値Ｏｇｇｎよりも低い場合に、このピクセルがクリーンな最終セグメンテーションから除去されるように強度が制約されている。
【００４５】
本発明の別の態様によれば、構造化要素ＳＥは２Ｄのディスクである。
【００４６】
本発明の別の態様によれば、コンピュータプログラム製品がコンピュータプログラムロジックを有するコンピュータが使用可能な媒体からなり、この媒体には、医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）をセグメンテーションし、ＶＯＩから血管を識別し、ＶＯＩにおける血管をセグメンテーションし、またＶＯＩからセグメンテーションされた血管を除去するためのプログラムコードが記録されている。
【００４７】
本発明の別の態様によれば、医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）のセグメンテーション方法は、ＶＯＩから血管を識別するステップと、血管をセグメンテーションするステップと、ＭＲＦプロセスによってセグメンテーションされたＶＯＩにおけるセグメンテーションされたＧＧＮからセグメンテーションされた血管を除去するステップと、最初にセグメンテーションされたＧＧＮからセグメンテーションされた血管を除去するステップから生じる小ブランチを除去するモルフォロジーの雑音除去演算を適用するステップと、血管を識別し、その識別により閾値化されたＶＯＩを導出するために十分に高い閾値Ｔｈｉｇｈを用いて閾値化を適用するステップと、高強度領域を発見するために閾値化されたＶＯＩにラベルする関連成分の処理を使用するステップと、血管をＧＧＮ内の固形の成分と区別するために高強度領域の３次元（３Ｄ）のコンパクトネスを使用するステップと、より完全な血管セグメンテーションを取得するために高閾値Ｔｈｉｇｈよりも低い低閾値Ｔｌｏｗを適用するステップとを有する。
【００４８】
本発明の別の態様によれば、医用画像における関心体積（ＶＯＩ）に包含されており、かつセグメンテーションされている摺りガラス様結節（ＧＧＮ）のセグメンテーション方法は、ＶＯＩにおける血管を識別するステップと、血管をセグメンテーションするステップと、セグメンテーションされたＧＧＮから血管を除去するステップとを有する。
【００４９】
本発明の別の態様によれば、医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理のような処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）のセグメンテーション方法は、ＶＯＩにおける血管を識別するステップと、血管をセグメンテーションするステップと、セグメンテーションされたＧＧＮからのセグメンテーションされた血管を除去するステップとを有する。
【００５０】
図面の簡単な説明
本発明の前述の特徴およびさらなる特徴は図面と関連させた以下の説明により明らかになり、またより明瞭に理解される。図面において、
図１は本発明の実施例による摺りガラス様結節（ＧＧＮ）のセグメンテーションに適したシステムのブロック図を示す；
図２は本発明の原理によるフローチャートを示す；
図３は本発明の原理による、血管を有する最初の包括的にセグメンテーションされたＧＧＮ（ａ）、血管セグメンテーション（ｂ）および血管を有さない最終的な結節セグメンテーションを示す。
【００５１】
図４は球体、円柱、連結した円柱に関するコンパクトネスの計算の基礎を示す；
図５は血管の包含によって惹起されるＧＧＮセグメンテーションにおける誤ブランチ概略図を示す。
【００５２】
実施例の詳細な説明
図１は本発明の実施例による摺りガラス様結節（ＧＧＮ）セグメンテーションに適したシステムのブロック図である。図１に示されているように、システムは殊にスキャン装置１１０と、パーソナルコンピュータ（ＰＣ）でもよいコンピュータ１２４と、オペレータコンソールおよび／または仮想のナビゲーション端末装置１３０とを包含し、これらは適切で慣例のあらゆるやり方で、例えばイーサネット１１１を介して直接的または間接的に接続または結合されている。スキャン装置１１０は有利には高分解能コンピュータ断層撮影（ＨＲＣＴ）撮像デバイスである。
【００５３】
慣例のようにポータブルまたはラップトップのコンピュータ、デスクトップコンピュータ、パーソナルディジタルアシスタント（ＰＤＡ）または他の適切な形態のコンピュータでよいコンピュータ１２４は中央処理装置（ＣＰＵ）１１６およびメモリ１２２を包含し、これらは入力側１２６および出力側１２８と接続されている。コンピュータ１２４は関心体積（ＶＯＩ）選択装置１１２およびセグメンテーション装置１１４と接続されており、このセグメンテーション装置１１４は摺りガラス様結節（ＧＧＮ）のセグメンテーションのための１つまたは複数の方法を実施する手段を有する。医用画像データの自動化された診断または評価機能を実施するために使用される診断モジュールをコンピュータ１２４と接続することができる、および／または、コンピュータ１２４に包含させることができる。付加的に、コンピュータ１２４をさらに肺体積検査装置（図示せず）と接続することができる。
【００５４】
メモリ１２２はランダムアクセスメモリ（ＲＡＭ）１１８およびリードオンリーメモリ（ＲＯＭ）１２０を包含する。メモリ１２２はデータベース、ディスク駆動機構、磁気テープ駆動機構など、またはそれらの組み合わせを包含することもできる。ＲＡＭ１１８はデータメモリとして機能し、ＣＰＵ１１６におけるプログラムの実行中に使用されるデータを記憶し、また作業域として使用される。ＲＯＭ１２０はＣＰＵ１１６において実行されるプログラムを記憶するためのプログラムメモリとして機能する。入力側１２６はキーボード、コンピュータマウスおよび／または他の入力装置を有し、また出力側１２８は液晶ディスプレイ（ＬＣＤ）、ブラウン管（ＣＲＴ）ディスプレイのような表示装置、プリンタなどを有する。
【００５５】
システムの動作はオペレータコンソール１３０によって制御され、このオペレータコンソール１３０はキーボードのようなコントローラ１３４、およびＣＲＴディスプレイのような表示装置１３２を有する。オペレータコンソール１３０はコンピュータ１２４およびスキャン装置１１０と通信する。スキャン装置１１０によって収集された２次元（２Ｄ）の画像データはコンピュータ１２４によって３Ｄのデータにレンダリングされ、表示装置１３２に表示される。コンピュータ１２４は、例えば、コントローラ１３４および表示装置１３２によって実施される所定のタスクを実行するための入力側１２６および出力側１２８の装置を使用して、オペレータコンソール１３０を用いずに、スキャン装置１１０によって提供される情報を演算および表示するようコンフィギュレートできると解される。
【００５６】
オペレータコンソール１３０はさらに、表示装置１３２において２Ｄおよび／または３Ｄの画像を形成および表示するために取得した画像データセット（またはそれらの画像セットの一部）のディジタル画像データを処理できるあらゆる適切なイメージレンダリングシステム／ツール／アプリケーションを包含する。より詳細には、画像レンダリングシステムは医用画像データの２Ｄ／３Ｄレンダリングおよび視覚化を提供し、また汎用または特定のコンピュータワークステーションにおいて実行されるアプリケーションであってよい。さらには、画像レンダリングシステムは３Ｄの画像または複数の２Ｄの画像スライスを介してユーザをナビゲーションすることができる。コンピュータ１２４も、２Ｄおよび／または３Ｄの画像を形成して表示するために、取得した画像データセットのディジタル画像データを処理するための画像レンダリングシステム／ツール／アプリケーションを包含することができる。
【００５７】
図１に示されているように、セグメンテーション装置１１４はディジタルの医用画像データを受信して処理するためにコンピュータ１２４によっても使用される。このディジタルの医用画像データは上述したように生の画像データ、２Ｄの再構成されたデータ（例えば軸位断（axial slice））または３Ｄの再構成されたデータ、例えば体積画像データまたは多断面の再フォーマット（multiplanar reformat）、またはそれらのフォーマットのあらゆる組み合わせの形でよい。データ処理の結果はコンピュータ１２４から結合経路または接続経路またはネットワーク１１１を介してオペレータコンソール１３０内の画像レンダリングシステムに出力され、例えば器官のセグメンテーションまたは解剖学的な構造のセグメンテーション、色または強度の変化などのようなデータ処理の結果に関連する画像データの２Ｄおよび／または３Ｄのレンダリングが行われる。
【００５８】
ＧＧＮセグメンテーションのための本発明によるシステムおよび方法は、医用画像データを処理するために使用されるセグメンテーション方法の拡張形態として実施できると解される。例えば、２００４年７月２３日付けのLi ZhangおよびMing Fangにより出願された同時係属中の特許明細書第１０／８９８５１１号、発明の名称「SYSTEM AND METHOD FOR GROUND GLASS NODULE (GGN) SEGMENTATION」にはマルコフ確率場（ＭＲＦ）を使用するセグメンテーションのシステムおよび方法が記載されており、その全開示内容は参照により本明細書に取り入れられる。
【００５９】
さらには、本明細書に記載されているシステムおよび方法の例を、３Ｄの医用画像およびコンピュータ補助診断（ＣＡＤ）システムまたは、広範な撮像物理療法（例えばＣＴ，ＭＲＩなど）また種々の異常な肺構造または病変、例えば肺結節、腫瘍、狭窄、炎症部などを診断および評価することに適しているアプリケーションを用いて容易に実施できることは明らかである。この点に関して、実施例を特定の撮像療法または特定の解剖学的な特徴に関連させて説明することができるが、これは本発明の範囲を制限するものではないと解するべきである。
【００６０】
本発明を、ハードウェア、ソフトウェア、ファームウェア、特殊用途プロセッサまたはそれらの組み合わせの種々の形態で実施できると解される。１つの実施形態においては、本発明をプログラム記憶デバイス（例えば磁気フロッピーディスク、ＲＡＭ、ＣＤ ＲＯＭ、ＤＶＤ、ＲＯＭおよびフラッシュメモリ）に具体的に組み込まれたアプリケーションプログラムのようなソフトウェアとして実施することができる。アプリケーションプログラムをあらゆる適切なアーキテクチャを有する計算機械によってアップロードし、実行することができる。
【００６１】
図２は典型的な予備演算と関連させた本発明の実施例によるＧＧＮセグメンテーション方法の演算の概要を示す。
【００６２】
図２に示されているように、３Ｄのデータが肺または肺の対から取得される（ステップ２０２）。３Ｄのデータの取得は肺をスキャンするためのスキャン装置１１０、例えばＨＲＣＴスキャナを使用することにより達成され、これにより肺に関連する一連の２Ｄの画像が形成される。肺の２Ｄの画像をそれ自体当業者には公知の種々の方法の内の１つによって、３Ｄにレンダリングされた画像に変換または変形することができる。画像データは前処理される。例えば、ＧＧＮが肺境界の近くにある場合には、胸壁の一部をＶＯＩに包含させることができる。この場合には胸壁がＶＯＩから除去される。したがって、例えば、胸壁に属するＶＯＩの部分はＶＯＩから除外される。
【００６３】
このステップは例えば胸壁に属する領域を除去するために領域拡大技術を使用することができ、したがってその潜在的な影響は本発明による後続のＭＲＦセグメンテーションおよび形状分析のようなさらなる処理技術からは除外されている。領域拡大に付加的に種々のセグメンテーション技術を前処理において使用できると解される。領域拡大に関する資料は殊に、例えば、Arthur R. Weeks, "Fundamentals of Image Processing, "IEEE Press, New York、１９９６年、第４４２頁以下参照、第４４８頁以下参照；GonzalezおよびWoods, "Digital Image Processing, "Prentice-Hall, New Jersey、２００２年、第６１２頁以下参照；Milan Sonkaらによる "Image Processing, Analysis, and Machine Vision,"第２版、PWS Publishing, New York、１９９９年、第１７６頁以下参照に見て取れる。画像は本出願人の上述の同時係属中の特許明細書第１０／８９８５１１号による、最初のＧＧＮセグメンテーションを取得するためのマルコフ確率場（ＭＲＦ）技術の使用によりセグメンテーションされる。
【００６４】
ＧＧＮが選択される（ステップ２０４）。ＧＧＮの選択は、例えば、データからＧＧＮを手動で選択する放射線専門医のような医療専門家によって達成されるか、コンピュータ支援のＧＧＮ検出および/またはキャラクタリゼーション技術を使用して達成される。択一的に、ＧＧＮ内の点を選択することができる。この処理を肺または肺の対に関連するデータを検査する放射線専門医によってマニュアルで実施することができるか、医用画像データにおけるＧＧＮ内の点を識別するためのコンピュータプログラムによって自動的に実施することができる。
【００６５】
ＧＧＮが選択されると、ＶＯＩが例えばＶＯＩ選択装置１１２を使用することによりＧＧＮの周囲において選択される（ステップ２０６）。このステップにおいては、ＶＯＩの大きさはＧＧＮを包含するように自動的に定義されている。
【００６６】
ステップ２０８においては、ＧＧＮがＶＯＩにおいて最初にマルコフ確率場プロシージャを使用してセグメンテーションされる。
【００６７】
続いてステップ２１０において、本発明の原理にしたがい、閾値化、関連成分分析およびコンパクトネス分析を含む技術によってＶＯＩから血管が識別される。
【００６８】
ステップ２１２においては、ＶＯＩまたはＧＧＮのセグメンテーションにおける血管の完全なセグメンテーションが、強度が制約されている膨張によって実行される。
【００６９】
ステップ２１４においては、ＧＧＮセグメンテーションから血管セグメンテーションが除去される。
【００７０】
さらなるステップ２１６においては、やはり強度によって制約されているモルフォロジーの雑音除去が、ＧＧＮセグメンテーションから血管を除去することによって生じる典型的には小さいブランチを除外するために実施される。そのような演算を実施するための技術は当業者には公知であり、また種々のテキストに記載されている。例えば、モルフォロジーのフィルタリングに関する資料はWeeksによる前述の文献（第１８０頁以下参照）またGonzalezらによる前述の文献、第９章、Morphological Image Processing、第５１９頁以下参照を参照されたい。
【００７１】
血管のセグメンテーションおよび除去は、手動で入力されたクリックポイントの周囲の副体積であるＶＯＩ内で実施される。前述のステップのさらなる詳細を以下説明する。
【００７２】
上述したように、ＧＧＮは典型的に「純型」と「混合型」の形で発見される。図３（Ａ）および図３（Ｂ）は２つの形のそれぞれの例を示す。純型のＧＧＮは固形の成分を包含せず、これに対し混合型のＧＧＮは何らかの固形の成分を包含する。
【００７３】
ここで使用されるように、ＣＴデータセットに関するハウンスフィールド単位（ＨＵ）は物質の密度を表し、空気の１０００から水の０にわたり、より高い密度の物質に対する比較的高い値に及ぶ。
【００７４】
上述したように、画像は最初のＧＧＮセグメンテーションを取得するためにマルコフ確率場（ＭＲＦ）技術を使用してセグメンテーションされる。このプロシージャの詳細は本出願人の同時係属中の特許明細書第１０／８９８５１１号に記載されており、その内容は参照により本願に取り入れられる。簡潔に述べると、その明細書に記載されているＧＧＮセグメンテーション方法およびシステムは以下の通りである。類似する特徴と異なる特徴との間の非線形の相互作用を規定するＭＲＦが例えば、推定すべき特徴に関する属性の知識を導入することによって空間的かつ時間的な情報を結合および編成するために使用される。例えば、ＧＧＮをセグメンテーションするステップにおいてＭＲＦを適用することによって、ＭＲＦはＶＯＩにおける隣接ボクセルから空間的な制約が課されることによって先験的に蓋然性を与える。隣接するボクセルからの強度および空間の制約を考慮することによって、ＶＯＩにおける各ボクセルにラベルを割り当てることができる。したがって、ＧＧＮには一方のタイプのラベルを付与することができ、また非ＧＧＮまたはバックグラウンド情報、例えば肺の実質、血管、胸壁部などには他方のタイプのラベルが付与され、これにより表示すべきセグメンテーションされたＶＯＩはＧＧＮとバックグラウンドを離散的に表すことができる。前述の本出願人の同時係属中の特許明細書第１０／８９５１１号の図７の（ｃ）を参照すると、画像の中心におけるぎざぎざの縁によって示唆されている領域はＧＧＮを表し、外部の領域はバックグラウンドを表す。詳細なＭＲＦセグメンテーションプロシージャの完全な導出は、本出願人の同時係属中の特許明細書第１０／８９５１１号を参照されたい。
【００７５】
本発明により血管を識別するために、閾値化がＶＯＩにおいて適用され、先ず血管を識別するために例えば−４００ＨＵの高い閾値Ｔｈｉｇｈが適用される。関連成分をラベルする処理は、高強度領域を発見するために閾値化されたＶＯＩに使用される。関連成分のセグメンテーションの記述に関しては、例えばWeeksによる前述の文献の題４４８頁以下、またGonzalezらによる前述の文献の第６６４頁以下を参照されたい。高強度領域はＶＯＩにおける血管ブランチおよびＧＧＮ内の固形の成分を包含する。
【００７６】
高強度領域の３ＤのコンパクトネスはＧＧＮ内の固形の成分と血管を区別するために使用される。以下ではこれに関して説明する。
【００７７】
コンパクトネスは線形の形状変形に依存しない公知の形状記述特性を表す。例えば、Sonkaらによる前述の文献の第２５９頁を参照されたい。３Ｄ形状Ｓのコンパクトネスは以下のように定義されている。
【００７８】
【数５】
ここで使用される距離変換は、領域の境界からの最短距離を表す各領域ピクセルに値を割り当てる。例えば、Sonkaらによる前述の文献（第２６９頁）を参照されたい。
【００７９】
ＧＧＮセグメンテーションにおける固形の成分を球体のように近似させ、ＶＯＩにおける血管を円筒または連結した円筒のように近似させると（図４を参照されたい）、前述の式１によりＶＯＩにおける血管はＧＧＮ内の固形の成分よりもコンパクトではなく、したがって血管ブランチはＧＧＮ内の固形の成分よりも高いコンパクトネス値を有する。例えば、図４に示されているような３つの異なる形状に関するコンパクト値を以下のように計算することができる。
【００８０】
【数６】
【００８１】
上述の例からは、球体が低いコンパクト値を表すのに対し、単一の円筒でも連結した円筒でも、円筒は高いコンパクト値を表すことが分かった。したがって、ＶＯＩにおける血管ブランチを高いコンパクトネス値、例えば３よりも大きいコンパクトネス値によって高強度領域から選択することができる。
【００８２】
前述したように、ＧＧＮが肺境界の近くにある場合には、胸壁の一部をＶＯＩに含ませることができる。ＶＯＩにおける胸壁も高強度領域であり、また単に胸壁の狭い部分もしくは不整な部分がＶＯＩに含まれる場合にはあまりコンパクトではない可能性がある。胸壁は常に前述のＶＯＩの隅に配置されているという事実に基づき、胸壁を血管と区別することができる。
【００８３】
血管を識別するステップにおいては、血管をセグメンテーションするために高い閾値が使用される。部分容積効果に基づき、血管に属する境界ボクセルは含まれない。血管セグメンテーションを完全にするために、低い閾値を適用する必要がある。しかしながら、低い閾値が関連する高強度領域を発見するために第１のステップにおいて使用されると、肺の実質は血管を包含し、また血管と関連する可能性があるので、結果として血管を識別することができない。したがって、高い閾値は血管を識別するために最初に使用されなければならず、また一度血管が識別されれば、低閾値を完全な血管セグメンテーションを取得するために使用することができる。
【００８４】
境界ボクセルを血管セグメンテーションに含ませるために、強度制約付き膨張が以下のような完全な血管セグメンテーションＯｖを取得するために使用される。
【００８５】
【数７】
【００８６】
完全な血管セグメンテーションＯｖは血管を有さないＧＧＮセグメンテーションＯｏｎｌｙｇｇｏ＝Ｏｉｎｉｔｇｇｏ−Ｏｖを取得するために最初のＧＧＮセグメンテーションＯｉｎｉｔｇｇｏから除去される。
【００８７】
血管セグメンテーションが除去された後でさえも、ＧＧＮ強度モデルは図５に示されているように境界血管ボクセルよりも低い強度を有するので、残りのＧＧＮセグメンテーションが血管の誤包含によって生じる余分な小ブランチを有する可能性がある。
【００８８】
したがって、図５に示されているように、ＧＧＮモデルの領域内に含まれる低い強度値を有する誤ブランチがＧＧＮセグメンテーション内に残存する。さらには、例えば葉裂、瘢痕および同様の構造のような高い強度を有する別の肺構造がＧＧＮセグメンテーション内の誤ブランチを生じさせる可能性もある。典型的にはＧＧＮの直径よりも寸法が小さい小ブランチを除去するために、やはり強度によって制約されている、モルフォロジーの雑音除去が以下のようなクリーンな最終ＧＧＮセグメンテーションＯｇｇｎを取得するためにＯｏｎｌｙｇｇｎに適用される。
【００８９】
【数８】
ＳＥは構造化された要素を表す。式５において、負記号の前の部分はモルフォロジーの雑音除去の一般的な形であり、負記号の後の部分は、つまり強度が制約されている。すなわち膨張により付加されたピクセルが閾値Ｏｇｇｎよりも低い場合にはこのピクセルが最終セグメンテーションから除去される。強度の制約は近接する暗いボクセルがＧＧＮセグメンテーションに含まれることを阻止する。構造化された要素ＳＥは２Ｄディスクである。何故ならば、１つまたは２つのスライスの薄いＧＧＮセグメンテーションは３Ｄの構造要素を用いるモルフォロジーの雑音除去によって除去できるからである。
【００９０】
図３は本発明の適用例を示し、図３（ａ）においてはＧＧＮが血管の近くにあるので、最初の結果は塊状の包括的なセグメンテーションである。図３（ｂ）はＶＯＩにおける血管セグメンテーションを示し、また図３（ｃ）は包括的にセグメンテーションされた血管を有さない最終ＧＧＮセグメンテーションを示す。
【００９１】
前述の記載は単に実施例を説明するものであることは自明である。本発明の説明における便宜上、前述の記載は考えられる実施形態の代表的な例に焦点を当てたものであり、その例は本発明の原理を説明するものである。したがって前述の記載は考えられる全ての変形形態を網羅的に列挙することを試みたものではない。それらの択一的な実施形態は本発明の特定の部分を表しているのではない、もしくは明細書に記載していないそれらの別の択一的な実施形態を本発明の部分に使用することができ、それらの択一的な実施形態を排除するものとして考慮すべきではない。したがって本発明は前述の特定の実施形態に制限されることを意図しているのではなく、上記の実施形態の多数の変更および組み合わせならびに上記の実施形態との非発明的な置換も含む実現をなすことができるが、本発明は請求項によって規定されるべきである。明細書には記載していないそのような多くの実施形態は請求項の範囲にあり、またその他のものも等価であることは自明である。例えば、実施例はＭＲＦプロセスによってセグメンテーションされている画像を使用するが、他の等価のプロセスによってセグメンテーションされている画像も本発明の方法による処理に適している。これらの用途および実施形態ならびに同様の用途および実施形態を本発明の精神および範囲から逸脱することなく直接的に実現することができる。
【図面の簡単な説明】
【００９２】
【図１】本発明の実施例による摺りガラス様結節（ＧＧＮ）のセグメンテーションに適したシステムのブロック図。
【図２】本発明の原理によるフローチャート。
【図３ａ】本発明の原理による血管を有する最初の包括的にセグメンテーションされたＧＧＮ。
【図３ｂ】血管セグメンテーション
【図３ｃ】血管を有さない最終的な結節セグメンテーション。
【図４】球体、円柱、連結した円柱に関するコンパクトネスの計算の基礎。
【図５】血管の包含によって惹起されるＧＧＮセグメンテーションにおける誤ブランチ概略図。
【技術分野】
【０００１】
関連出願の相互参照
優先権
本明細書においては殊に、本出願の発明者であるLi ZhangおよびMing Fangの名義で２００３年９月１７日に出願されたアメリカ合衆国仮出願第６０／５０３，６０２号（整理番号２００３Ｐ１４２１１ＵＳ）、発明の名称「IMPROVED GGO NODULE SEGMENTATION WITH SHAPE ANALYSIS」が参照され、またその優先権の利益が主張され、したがってその開示内容は参照により本明細書に取り入れられる。
【０００２】
技術分野
本発明は結節のセグメンテーション、より詳細には肺のコンピュータ断層撮影（ＣＴ）体積における摺りガラス様結節（ground glass nodule；ＧＧＮ）のセグメンテーションの分野に関する。
【０００３】
背景技術
放射線検査、殊に肺の検査において「摺りガラス様結節（ＧＧＮ）」は一般的に、下にある血管の不鮮明化には関連せずに、霞んだ肺の不透明な放射線写真の外観を表す。ＧＧＮは典型的に「純型（pure）」と「混合型（mixed）」の二つの形で発見される。純型のＧＧＮは固形（solid）の成分を包含せず、これに対し混合型のＧＧＮは何らかの固形の成分を包含する。
【０００４】
ＧＧＮは高分解能コンピュータ断層撮影法（ＨＲＣＴ）の画像では単なる放射線撮影の場合よりも鮮明に現れる。固形の結節はより高いコントラストならびに明確に規定されている境界を有するので、ＧＧＮは典型的にＨＲＣＴの画像における固形の結節と異なる外観も呈する。さらにＨＲＣＴの画像におけるＧＧＮの外観は、それらのＧＧＮが細気管肺胞癌または侵食線癌のような活性であるが場合によっては治療可能な経過の存在を頻繁に示唆するので非常に有意な所見である。
【０００５】
ＧＧＮは典型的に活性の肺疾患に関係するので、ＧＧＮが存在することにより頻繁に、例えば肺生検も含めたさらなる診断評価が行われることになる。したがって、コンピュータベースのセグメンテーションは所定のタイプの肺疾患を診断および治療する医療専門家の助けとなる。したがって、迅速な診断のために正確でばらつきがなくＧＧＮをセグメンテーションするために使用することができるコンピュータベースのセグメンテーションシステムおよび方法が必要とされる。
【０００６】
発明の概要
この点に関して、セグメンテーションプロシージャの間に解剖学的な知識から高いレベルで形状を限定することは従来実現不可能であったと認識されている。また、ＧＧＮが血管と接している場合には、血管の境界領域は部分容積効果に起因して典型的にＧＧＮと類似する強度分布を有するので、血管の境界領域が結節セグメンテーションに包含される可能性があり、またＧＧＮセグメンテーションが近傍に血管ツリーまたは葉裂（lobar fissure）または瘢痕のような他の構造を包含する可能性がある。
【０００７】
本発明の課題は、解剖学的に導かれる形状分析を実施することにより、接している血管からＧＧＮを分離する方法を提供することである。
【０００８】
本発明の１つの態様によれば、摺りガラス様結節（ＧＧＮ）のセグメンテーション方法は、ＶＯＩにおける血管をセグメンテーションするステップと、ＶＯＩにおける血管を識別するステップと、セグメンテーションされた血管をＶＯＩから除去するステップを有する。閾値化分析および形状分析は血管とＧＧＮを区別するために使用される。平滑化はモルフォロジー演算によって任意に実施される。
【０００９】
本発明の別の態様によれば、医用画像における関心体積（volume of interest；ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）のセグメンテーション方法は、ＶＯＩにおける血管を識別するステップと、血管をセグメンテーションするステップと、セグメンテーションされた血管をセグメンテーションされたＧＧＮから除去するステップとを有する。
【００１０】
本発明の別の態様によれば、血管を識別するステップは閾値化および関連成分の分析を含む。
【００１１】
本発明の別の態様によれば、血管を識別するステップは３Ｄのコンパクトネス（compactness）分析の実施を含む。
【００１２】
本発明の別の態様によれば、血管をセグメンテーションするステップは強度制約付き膨張（dilation）の実施を含む。
【００１３】
本発明の別の態様によれば、セグメンテーション方法はセグメンテーションされた血管を除去するステップに続いてモルフォロジー演算を実施するステップを有する。
【００１４】
本発明の別の態様によれば、セグメンテーション方法はＶＯＩからあらゆる胸壁を除去するステップを有する。
【００１５】
本発明の別の態様実施形態によれば、ＶＯＩから胸壁を除去するステップは、胸壁が常にＶＯＩの隅に位置しているという事実に基づいた胸壁と血管の区別を含む。
【００１６】
本発明の別の態様によれば、ＶＯＩから胸壁を除去するステップは胸壁に属する領域を除去するために領域拡大技術の使用を含む。
【００１７】
本発明の別の態様によれば、セグメンテーション方法は、セグメンテーションされた血管を除去するステップの結果から生じるＧＧＮ程度でかつＧＧＮより小さい小ブランチを除去するためにモルフォロジーの雑音除去（opening）を適用するステップを有する。
【００１８】
本発明の別の態様によれば、セグメンテーション方法はコンピュータ支援のＧＧＮ検出技術を使用してＧＧＮを検出するステップを有する。
【００１９】
本発明の別の態様によれば、セグメンテーション方法はＧＧＮの検出に関してマニュアルの技術を使用してＧＧＮを検出するステップを有する。
【００２０】
本発明の別の態様によれば、ＧＧＮは純型のＧＧＮおよび混合型のＧＧＮを包含する。
【００２１】
本発明の別の態様によれば、血管を識別するステップは、血管を識別し、その識別により閾値化されたＶＯＩを導出するために十分に高い閾値Ｔｈｉｇｈを用いる閾値化の適用、高強度領域を発見するために閾値化されたＶＯＩにラベルする関連成分の処理の使用、ＧＧＮ内の固形の成分と血管を区別するために高強度領域の３次元（３Ｄ）のコンパクトネスの使用、より完全な血管セグメンテーションを取得するために高閾値Ｔｈｉｇｈよりも低い低閾値Ｔｌｏｗを用いる閾値化の適用を含む。
【００２２】
本発明の別の態様によれば、血管ＶＯＩをセグメンテーションするステップは、境界ボクセルを血管セグメンテーションに包含させるために強度制約付き膨張の適用を含む。
【００２３】
本発明の別の態様によれば、血管をセグメンテーションするステップは、境界ボクセルを血管セグメンテーションに包含させ、以下のような実質的に完全な血管セグメンテーションＯｖを取得するための強度制約付き膨張の適用を含む。
【００２４】
【数１】
セグメンテーションされた血管を最初にセグメンテーションされたＧＧＮから除去するステップは、血管を有さない最終的なＧＧＮセグメンテーション
Ｏｏｎｌｙｇｇｏ＝Ｏｉｎｉｔｇｇｏ−Ｏｖ
を取得するために、マルコフ確率場（ＭＲＦ）プロシージャを使用する、ＶＯＩをセグメンテーションするステップにおいて取得されたセグメンテーションされたＶＯＩからの実質的に完全な血管セグメンテーションＯｖの除去を含む。
【００２５】
本発明の別の態様によれば、膨張構造要素は３×３×３のボクセル立方体である。
【００２６】
本発明の別の態様によれば、セグメンテーション方法は、境界血管ボクセルよりも低い強度を有するＧＧＮ強度モデルから生じる血管の誤包含に起因する余分なブランチが全く存在しない、以下のようなクリーンな最終ＧＧＮセグメンテーションＯｇｇｎを取得するために、強度により制約されたモルフォロジーの雑音除去演算をＯｏｎｌｙｇｇｎに適用するステップを有する。
【００２７】
【数２】
ＳＥは構造化要素を表す。また前述の式において負符号の前の部分はモルフォロジーの雑音除去の一般的な形を表し、負符号の後の部分は、膨張により付加されたピクセルが閾値Ｏｇｇｎよりも低い場合に、このピクセルがクリーンな最終セグメンテーションから除去されるように強度が制約されている。
【００２８】
本発明の別の態様によれば、構造化要素ＳＥは２Ｄのディスクである。
【００２９】
本発明の別の態様によれば、医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）のセグメンテーションシステムは、プログラムを記憶するための記憶装置と、記憶装置と接続されているディジタルプロセッサとを包含し、このプロセッサは、血管をＶＯＩと区別し、最初にセグメンテーションされたＶＯＩにおける血管をセグメンテーションし、ＶＯＩにおけるセグメンテーションされたＧＧＮからセグメンテーションされた血管を除去するプログラムにより動作する。
【００３０】
本発明の別の態様によれば、プロセッサはＶＯＩから胸壁を除去するプログラムにより動作する。
【００３１】
本発明の別の態様によれば、プロセッサは胸壁を血管と区別するプログラムにより動作する。
【００３２】
本発明の別の態様によれば、プロセッサは胸壁が常にＶＯＩの隅に位置しているという事実に基づき胸壁を血管と区別するプログラムにより動作する。
【００３３】
本発明の別の態様によれば、プロセッサは胸壁に属する領域を除去するために領域拡大技術を使用するプログラムにより動作する。
【００３４】
本発明の別の態様によれば、プロセッサは、ＶＯＩにおけるセグメンテーションされたＧＧＮから血管を除去するステップの結果として生じるＧＧＮ程度でかつＧＧＮよりも小さい小ブランチを除去するためのモルフォロジーの雑音除去演算を適用するプログラムにより動作する。
【００３５】
本発明の別の態様によれば、プロセッサはコンピュータ支援のＧＧＮ検出技術を使用してＧＧＮを検出するプログラムにより動作する。
【００３６】
本発明の別の態様によれば、プロセッサはＧＧＮの検出に関してマニュアルの技術を使用してＧＧＮを検出するプログラムにより動作する。
【００３７】
本発明の別の態様によれば、ＧＧＮは純型のＧＧＮおよび混合型のＧＧＮを包含する。
【００３８】
本発明の別の態様によれば、プロセッサは、血管を識別し、その識別により閾値化されたＶＯＩを導出するために十分に高い閾値Ｔｈｉｇｈを用いて閾値化を適用し、高強度領域を発見するために閾値化されたＶＯＩにラベルする関連成分の処理を使用し、高強度領域から血管を識別するためにコンパクトネス分析の処理を使用し、血管をＧＧＮ内の固形の成分と区別するために高強度領域の３次元（３Ｄ）のコンパクトネスを使用し、より完全な血管セグメンテーションを取得するために高閾値Ｔｈｉｇｈよりも低い低域値Ｔｌｏｗを用いて閾値化を適用するプログラムにより動作する。
【００３９】
本発明の別の態様によれば、プロセッサは、境界ボクセルを血管セグメンテーションに包含させるために強度制約付き膨張を適用するプログラムにより動作する。
【００４０】
本発明の別の態様によれば、プロセッサは、境界ボクセルを血管セグメンテーションに包含させて、以下のような実質的に完全な血管セグメンテーションＯｖを取得するために強度制約付き膨張を適用するプログラムにより動作する。
【００４１】
【数３】
セグメンテーションされた血管を最初にセグメンテーションされたＧＧＮから除去するステップは、血管を有さないＧＧＮセグメンテーション
Ｏｏｎｌｙｇｇｏ＝Ｏｉｎｉｔｇｇｏ−Ｏｖ
を取得するために、ＧＧＮの最初のＧＧＮセグメンテーションＯｉｎｉｔｇｇｏからの実質的に完全な血管セグメンテーションＯｖの除去を含む。
【００４２】
本発明の別の態様によれば、膨張構造要素は３×３×３のピクセル立方体である。
【００４３】
本発明の別の態様によれば、プロセッサは、境界血管ボクセルよりも低い強度を有するＧＧＮ強度モデルから生じる血管の誤包含に起因する余分なブランチが全く存在しない、以下のようなクリーンな最終ＧＧＮセグメンテーションＯｇｇｎを取得するために、強度により制約されたモルフォロジーの雑音除去演算をＯｏｎｌｙｇｇｎに適用するプログラムにより動作する。
【００４４】
【数４】
ＳＥは構造化要素を表す。また前述の式において負符号の前の部分はモルフォロジーの雑音除去の一般的な形を表し、負符号の後の部分は、膨張により付加されたピクセルが閾値Ｏｇｇｎよりも低い場合に、このピクセルがクリーンな最終セグメンテーションから除去されるように強度が制約されている。
【００４５】
本発明の別の態様によれば、構造化要素ＳＥは２Ｄのディスクである。
【００４６】
本発明の別の態様によれば、コンピュータプログラム製品がコンピュータプログラムロジックを有するコンピュータが使用可能な媒体からなり、この媒体には、医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）をセグメンテーションし、ＶＯＩから血管を識別し、ＶＯＩにおける血管をセグメンテーションし、またＶＯＩからセグメンテーションされた血管を除去するためのプログラムコードが記録されている。
【００４７】
本発明の別の態様によれば、医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）のセグメンテーション方法は、ＶＯＩから血管を識別するステップと、血管をセグメンテーションするステップと、ＭＲＦプロセスによってセグメンテーションされたＶＯＩにおけるセグメンテーションされたＧＧＮからセグメンテーションされた血管を除去するステップと、最初にセグメンテーションされたＧＧＮからセグメンテーションされた血管を除去するステップから生じる小ブランチを除去するモルフォロジーの雑音除去演算を適用するステップと、血管を識別し、その識別により閾値化されたＶＯＩを導出するために十分に高い閾値Ｔｈｉｇｈを用いて閾値化を適用するステップと、高強度領域を発見するために閾値化されたＶＯＩにラベルする関連成分の処理を使用するステップと、血管をＧＧＮ内の固形の成分と区別するために高強度領域の３次元（３Ｄ）のコンパクトネスを使用するステップと、より完全な血管セグメンテーションを取得するために高閾値Ｔｈｉｇｈよりも低い低閾値Ｔｌｏｗを適用するステップとを有する。
【００４８】
本発明の別の態様によれば、医用画像における関心体積（ＶＯＩ）に包含されており、かつセグメンテーションされている摺りガラス様結節（ＧＧＮ）のセグメンテーション方法は、ＶＯＩにおける血管を識別するステップと、血管をセグメンテーションするステップと、セグメンテーションされたＧＧＮから血管を除去するステップとを有する。
【００４９】
本発明の別の態様によれば、医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理のような処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）のセグメンテーション方法は、ＶＯＩにおける血管を識別するステップと、血管をセグメンテーションするステップと、セグメンテーションされたＧＧＮからのセグメンテーションされた血管を除去するステップとを有する。
【００５０】
図面の簡単な説明
本発明の前述の特徴およびさらなる特徴は図面と関連させた以下の説明により明らかになり、またより明瞭に理解される。図面において、
図１は本発明の実施例による摺りガラス様結節（ＧＧＮ）のセグメンテーションに適したシステムのブロック図を示す；
図２は本発明の原理によるフローチャートを示す；
図３は本発明の原理による、血管を有する最初の包括的にセグメンテーションされたＧＧＮ（ａ）、血管セグメンテーション（ｂ）および血管を有さない最終的な結節セグメンテーションを示す。
【００５１】
図４は球体、円柱、連結した円柱に関するコンパクトネスの計算の基礎を示す；
図５は血管の包含によって惹起されるＧＧＮセグメンテーションにおける誤ブランチ概略図を示す。
【００５２】
実施例の詳細な説明
図１は本発明の実施例による摺りガラス様結節（ＧＧＮ）セグメンテーションに適したシステムのブロック図である。図１に示されているように、システムは殊にスキャン装置１１０と、パーソナルコンピュータ（ＰＣ）でもよいコンピュータ１２４と、オペレータコンソールおよび／または仮想のナビゲーション端末装置１３０とを包含し、これらは適切で慣例のあらゆるやり方で、例えばイーサネット１１１を介して直接的または間接的に接続または結合されている。スキャン装置１１０は有利には高分解能コンピュータ断層撮影（ＨＲＣＴ）撮像デバイスである。
【００５３】
慣例のようにポータブルまたはラップトップのコンピュータ、デスクトップコンピュータ、パーソナルディジタルアシスタント（ＰＤＡ）または他の適切な形態のコンピュータでよいコンピュータ１２４は中央処理装置（ＣＰＵ）１１６およびメモリ１２２を包含し、これらは入力側１２６および出力側１２８と接続されている。コンピュータ１２４は関心体積（ＶＯＩ）選択装置１１２およびセグメンテーション装置１１４と接続されており、このセグメンテーション装置１１４は摺りガラス様結節（ＧＧＮ）のセグメンテーションのための１つまたは複数の方法を実施する手段を有する。医用画像データの自動化された診断または評価機能を実施するために使用される診断モジュールをコンピュータ１２４と接続することができる、および／または、コンピュータ１２４に包含させることができる。付加的に、コンピュータ１２４をさらに肺体積検査装置（図示せず）と接続することができる。
【００５４】
メモリ１２２はランダムアクセスメモリ（ＲＡＭ）１１８およびリードオンリーメモリ（ＲＯＭ）１２０を包含する。メモリ１２２はデータベース、ディスク駆動機構、磁気テープ駆動機構など、またはそれらの組み合わせを包含することもできる。ＲＡＭ１１８はデータメモリとして機能し、ＣＰＵ１１６におけるプログラムの実行中に使用されるデータを記憶し、また作業域として使用される。ＲＯＭ１２０はＣＰＵ１１６において実行されるプログラムを記憶するためのプログラムメモリとして機能する。入力側１２６はキーボード、コンピュータマウスおよび／または他の入力装置を有し、また出力側１２８は液晶ディスプレイ（ＬＣＤ）、ブラウン管（ＣＲＴ）ディスプレイのような表示装置、プリンタなどを有する。
【００５５】
システムの動作はオペレータコンソール１３０によって制御され、このオペレータコンソール１３０はキーボードのようなコントローラ１３４、およびＣＲＴディスプレイのような表示装置１３２を有する。オペレータコンソール１３０はコンピュータ１２４およびスキャン装置１１０と通信する。スキャン装置１１０によって収集された２次元（２Ｄ）の画像データはコンピュータ１２４によって３Ｄのデータにレンダリングされ、表示装置１３２に表示される。コンピュータ１２４は、例えば、コントローラ１３４および表示装置１３２によって実施される所定のタスクを実行するための入力側１２６および出力側１２８の装置を使用して、オペレータコンソール１３０を用いずに、スキャン装置１１０によって提供される情報を演算および表示するようコンフィギュレートできると解される。
【００５６】
オペレータコンソール１３０はさらに、表示装置１３２において２Ｄおよび／または３Ｄの画像を形成および表示するために取得した画像データセット（またはそれらの画像セットの一部）のディジタル画像データを処理できるあらゆる適切なイメージレンダリングシステム／ツール／アプリケーションを包含する。より詳細には、画像レンダリングシステムは医用画像データの２Ｄ／３Ｄレンダリングおよび視覚化を提供し、また汎用または特定のコンピュータワークステーションにおいて実行されるアプリケーションであってよい。さらには、画像レンダリングシステムは３Ｄの画像または複数の２Ｄの画像スライスを介してユーザをナビゲーションすることができる。コンピュータ１２４も、２Ｄおよび／または３Ｄの画像を形成して表示するために、取得した画像データセットのディジタル画像データを処理するための画像レンダリングシステム／ツール／アプリケーションを包含することができる。
【００５７】
図１に示されているように、セグメンテーション装置１１４はディジタルの医用画像データを受信して処理するためにコンピュータ１２４によっても使用される。このディジタルの医用画像データは上述したように生の画像データ、２Ｄの再構成されたデータ（例えば軸位断（axial slice））または３Ｄの再構成されたデータ、例えば体積画像データまたは多断面の再フォーマット（multiplanar reformat）、またはそれらのフォーマットのあらゆる組み合わせの形でよい。データ処理の結果はコンピュータ１２４から結合経路または接続経路またはネットワーク１１１を介してオペレータコンソール１３０内の画像レンダリングシステムに出力され、例えば器官のセグメンテーションまたは解剖学的な構造のセグメンテーション、色または強度の変化などのようなデータ処理の結果に関連する画像データの２Ｄおよび／または３Ｄのレンダリングが行われる。
【００５８】
ＧＧＮセグメンテーションのための本発明によるシステムおよび方法は、医用画像データを処理するために使用されるセグメンテーション方法の拡張形態として実施できると解される。例えば、２００４年７月２３日付けのLi ZhangおよびMing Fangにより出願された同時係属中の特許明細書第１０／８９８５１１号、発明の名称「SYSTEM AND METHOD FOR GROUND GLASS NODULE (GGN) SEGMENTATION」にはマルコフ確率場（ＭＲＦ）を使用するセグメンテーションのシステムおよび方法が記載されており、その全開示内容は参照により本明細書に取り入れられる。
【００５９】
さらには、本明細書に記載されているシステムおよび方法の例を、３Ｄの医用画像およびコンピュータ補助診断（ＣＡＤ）システムまたは、広範な撮像物理療法（例えばＣＴ，ＭＲＩなど）また種々の異常な肺構造または病変、例えば肺結節、腫瘍、狭窄、炎症部などを診断および評価することに適しているアプリケーションを用いて容易に実施できることは明らかである。この点に関して、実施例を特定の撮像療法または特定の解剖学的な特徴に関連させて説明することができるが、これは本発明の範囲を制限するものではないと解するべきである。
【００６０】
本発明を、ハードウェア、ソフトウェア、ファームウェア、特殊用途プロセッサまたはそれらの組み合わせの種々の形態で実施できると解される。１つの実施形態においては、本発明をプログラム記憶デバイス（例えば磁気フロッピーディスク、ＲＡＭ、ＣＤ ＲＯＭ、ＤＶＤ、ＲＯＭおよびフラッシュメモリ）に具体的に組み込まれたアプリケーションプログラムのようなソフトウェアとして実施することができる。アプリケーションプログラムをあらゆる適切なアーキテクチャを有する計算機械によってアップロードし、実行することができる。
【００６１】
図２は典型的な予備演算と関連させた本発明の実施例によるＧＧＮセグメンテーション方法の演算の概要を示す。
【００６２】
図２に示されているように、３Ｄのデータが肺または肺の対から取得される（ステップ２０２）。３Ｄのデータの取得は肺をスキャンするためのスキャン装置１１０、例えばＨＲＣＴスキャナを使用することにより達成され、これにより肺に関連する一連の２Ｄの画像が形成される。肺の２Ｄの画像をそれ自体当業者には公知の種々の方法の内の１つによって、３Ｄにレンダリングされた画像に変換または変形することができる。画像データは前処理される。例えば、ＧＧＮが肺境界の近くにある場合には、胸壁の一部をＶＯＩに包含させることができる。この場合には胸壁がＶＯＩから除去される。したがって、例えば、胸壁に属するＶＯＩの部分はＶＯＩから除外される。
【００６３】
このステップは例えば胸壁に属する領域を除去するために領域拡大技術を使用することができ、したがってその潜在的な影響は本発明による後続のＭＲＦセグメンテーションおよび形状分析のようなさらなる処理技術からは除外されている。領域拡大に付加的に種々のセグメンテーション技術を前処理において使用できると解される。領域拡大に関する資料は殊に、例えば、Arthur R. Weeks, "Fundamentals of Image Processing, "IEEE Press, New York、１９９６年、第４４２頁以下参照、第４４８頁以下参照；GonzalezおよびWoods, "Digital Image Processing, "Prentice-Hall, New Jersey、２００２年、第６１２頁以下参照；Milan Sonkaらによる "Image Processing, Analysis, and Machine Vision,"第２版、PWS Publishing, New York、１９９９年、第１７６頁以下参照に見て取れる。画像は本出願人の上述の同時係属中の特許明細書第１０／８９８５１１号による、最初のＧＧＮセグメンテーションを取得するためのマルコフ確率場（ＭＲＦ）技術の使用によりセグメンテーションされる。
【００６４】
ＧＧＮが選択される（ステップ２０４）。ＧＧＮの選択は、例えば、データからＧＧＮを手動で選択する放射線専門医のような医療専門家によって達成されるか、コンピュータ支援のＧＧＮ検出および/またはキャラクタリゼーション技術を使用して達成される。択一的に、ＧＧＮ内の点を選択することができる。この処理を肺または肺の対に関連するデータを検査する放射線専門医によってマニュアルで実施することができるか、医用画像データにおけるＧＧＮ内の点を識別するためのコンピュータプログラムによって自動的に実施することができる。
【００６５】
ＧＧＮが選択されると、ＶＯＩが例えばＶＯＩ選択装置１１２を使用することによりＧＧＮの周囲において選択される（ステップ２０６）。このステップにおいては、ＶＯＩの大きさはＧＧＮを包含するように自動的に定義されている。
【００６６】
ステップ２０８においては、ＧＧＮがＶＯＩにおいて最初にマルコフ確率場プロシージャを使用してセグメンテーションされる。
【００６７】
続いてステップ２１０において、本発明の原理にしたがい、閾値化、関連成分分析およびコンパクトネス分析を含む技術によってＶＯＩから血管が識別される。
【００６８】
ステップ２１２においては、ＶＯＩまたはＧＧＮのセグメンテーションにおける血管の完全なセグメンテーションが、強度が制約されている膨張によって実行される。
【００６９】
ステップ２１４においては、ＧＧＮセグメンテーションから血管セグメンテーションが除去される。
【００７０】
さらなるステップ２１６においては、やはり強度によって制約されているモルフォロジーの雑音除去が、ＧＧＮセグメンテーションから血管を除去することによって生じる典型的には小さいブランチを除外するために実施される。そのような演算を実施するための技術は当業者には公知であり、また種々のテキストに記載されている。例えば、モルフォロジーのフィルタリングに関する資料はWeeksによる前述の文献（第１８０頁以下参照）またGonzalezらによる前述の文献、第９章、Morphological Image Processing、第５１９頁以下参照を参照されたい。
【００７１】
血管のセグメンテーションおよび除去は、手動で入力されたクリックポイントの周囲の副体積であるＶＯＩ内で実施される。前述のステップのさらなる詳細を以下説明する。
【００７２】
上述したように、ＧＧＮは典型的に「純型」と「混合型」の形で発見される。図３（Ａ）および図３（Ｂ）は２つの形のそれぞれの例を示す。純型のＧＧＮは固形の成分を包含せず、これに対し混合型のＧＧＮは何らかの固形の成分を包含する。
【００７３】
ここで使用されるように、ＣＴデータセットに関するハウンスフィールド単位（ＨＵ）は物質の密度を表し、空気の１０００から水の０にわたり、より高い密度の物質に対する比較的高い値に及ぶ。
【００７４】
上述したように、画像は最初のＧＧＮセグメンテーションを取得するためにマルコフ確率場（ＭＲＦ）技術を使用してセグメンテーションされる。このプロシージャの詳細は本出願人の同時係属中の特許明細書第１０／８９８５１１号に記載されており、その内容は参照により本願に取り入れられる。簡潔に述べると、その明細書に記載されているＧＧＮセグメンテーション方法およびシステムは以下の通りである。類似する特徴と異なる特徴との間の非線形の相互作用を規定するＭＲＦが例えば、推定すべき特徴に関する属性の知識を導入することによって空間的かつ時間的な情報を結合および編成するために使用される。例えば、ＧＧＮをセグメンテーションするステップにおいてＭＲＦを適用することによって、ＭＲＦはＶＯＩにおける隣接ボクセルから空間的な制約が課されることによって先験的に蓋然性を与える。隣接するボクセルからの強度および空間の制約を考慮することによって、ＶＯＩにおける各ボクセルにラベルを割り当てることができる。したがって、ＧＧＮには一方のタイプのラベルを付与することができ、また非ＧＧＮまたはバックグラウンド情報、例えば肺の実質、血管、胸壁部などには他方のタイプのラベルが付与され、これにより表示すべきセグメンテーションされたＶＯＩはＧＧＮとバックグラウンドを離散的に表すことができる。前述の本出願人の同時係属中の特許明細書第１０／８９５１１号の図７の（ｃ）を参照すると、画像の中心におけるぎざぎざの縁によって示唆されている領域はＧＧＮを表し、外部の領域はバックグラウンドを表す。詳細なＭＲＦセグメンテーションプロシージャの完全な導出は、本出願人の同時係属中の特許明細書第１０／８９５１１号を参照されたい。
【００７５】
本発明により血管を識別するために、閾値化がＶＯＩにおいて適用され、先ず血管を識別するために例えば−４００ＨＵの高い閾値Ｔｈｉｇｈが適用される。関連成分をラベルする処理は、高強度領域を発見するために閾値化されたＶＯＩに使用される。関連成分のセグメンテーションの記述に関しては、例えばWeeksによる前述の文献の題４４８頁以下、またGonzalezらによる前述の文献の第６６４頁以下を参照されたい。高強度領域はＶＯＩにおける血管ブランチおよびＧＧＮ内の固形の成分を包含する。
【００７６】
高強度領域の３ＤのコンパクトネスはＧＧＮ内の固形の成分と血管を区別するために使用される。以下ではこれに関して説明する。
【００７７】
コンパクトネスは線形の形状変形に依存しない公知の形状記述特性を表す。例えば、Sonkaらによる前述の文献の第２５９頁を参照されたい。３Ｄ形状Ｓのコンパクトネスは以下のように定義されている。
【００７８】
【数５】
ここで使用される距離変換は、領域の境界からの最短距離を表す各領域ピクセルに値を割り当てる。例えば、Sonkaらによる前述の文献（第２６９頁）を参照されたい。
【００７９】
ＧＧＮセグメンテーションにおける固形の成分を球体のように近似させ、ＶＯＩにおける血管を円筒または連結した円筒のように近似させると（図４を参照されたい）、前述の式１によりＶＯＩにおける血管はＧＧＮ内の固形の成分よりもコンパクトではなく、したがって血管ブランチはＧＧＮ内の固形の成分よりも高いコンパクトネス値を有する。例えば、図４に示されているような３つの異なる形状に関するコンパクト値を以下のように計算することができる。
【００８０】
【数６】
【００８１】
上述の例からは、球体が低いコンパクト値を表すのに対し、単一の円筒でも連結した円筒でも、円筒は高いコンパクト値を表すことが分かった。したがって、ＶＯＩにおける血管ブランチを高いコンパクトネス値、例えば３よりも大きいコンパクトネス値によって高強度領域から選択することができる。
【００８２】
前述したように、ＧＧＮが肺境界の近くにある場合には、胸壁の一部をＶＯＩに含ませることができる。ＶＯＩにおける胸壁も高強度領域であり、また単に胸壁の狭い部分もしくは不整な部分がＶＯＩに含まれる場合にはあまりコンパクトではない可能性がある。胸壁は常に前述のＶＯＩの隅に配置されているという事実に基づき、胸壁を血管と区別することができる。
【００８３】
血管を識別するステップにおいては、血管をセグメンテーションするために高い閾値が使用される。部分容積効果に基づき、血管に属する境界ボクセルは含まれない。血管セグメンテーションを完全にするために、低い閾値を適用する必要がある。しかしながら、低い閾値が関連する高強度領域を発見するために第１のステップにおいて使用されると、肺の実質は血管を包含し、また血管と関連する可能性があるので、結果として血管を識別することができない。したがって、高い閾値は血管を識別するために最初に使用されなければならず、また一度血管が識別されれば、低閾値を完全な血管セグメンテーションを取得するために使用することができる。
【００８４】
境界ボクセルを血管セグメンテーションに含ませるために、強度制約付き膨張が以下のような完全な血管セグメンテーションＯｖを取得するために使用される。
【００８５】
【数７】
【００８６】
完全な血管セグメンテーションＯｖは血管を有さないＧＧＮセグメンテーションＯｏｎｌｙｇｇｏ＝Ｏｉｎｉｔｇｇｏ−Ｏｖを取得するために最初のＧＧＮセグメンテーションＯｉｎｉｔｇｇｏから除去される。
【００８７】
血管セグメンテーションが除去された後でさえも、ＧＧＮ強度モデルは図５に示されているように境界血管ボクセルよりも低い強度を有するので、残りのＧＧＮセグメンテーションが血管の誤包含によって生じる余分な小ブランチを有する可能性がある。
【００８８】
したがって、図５に示されているように、ＧＧＮモデルの領域内に含まれる低い強度値を有する誤ブランチがＧＧＮセグメンテーション内に残存する。さらには、例えば葉裂、瘢痕および同様の構造のような高い強度を有する別の肺構造がＧＧＮセグメンテーション内の誤ブランチを生じさせる可能性もある。典型的にはＧＧＮの直径よりも寸法が小さい小ブランチを除去するために、やはり強度によって制約されている、モルフォロジーの雑音除去が以下のようなクリーンな最終ＧＧＮセグメンテーションＯｇｇｎを取得するためにＯｏｎｌｙｇｇｎに適用される。
【００８９】
【数８】
ＳＥは構造化された要素を表す。式５において、負記号の前の部分はモルフォロジーの雑音除去の一般的な形であり、負記号の後の部分は、つまり強度が制約されている。すなわち膨張により付加されたピクセルが閾値Ｏｇｇｎよりも低い場合にはこのピクセルが最終セグメンテーションから除去される。強度の制約は近接する暗いボクセルがＧＧＮセグメンテーションに含まれることを阻止する。構造化された要素ＳＥは２Ｄディスクである。何故ならば、１つまたは２つのスライスの薄いＧＧＮセグメンテーションは３Ｄの構造要素を用いるモルフォロジーの雑音除去によって除去できるからである。
【００９０】
図３は本発明の適用例を示し、図３（ａ）においてはＧＧＮが血管の近くにあるので、最初の結果は塊状の包括的なセグメンテーションである。図３（ｂ）はＶＯＩにおける血管セグメンテーションを示し、また図３（ｃ）は包括的にセグメンテーションされた血管を有さない最終ＧＧＮセグメンテーションを示す。
【００９１】
前述の記載は単に実施例を説明するものであることは自明である。本発明の説明における便宜上、前述の記載は考えられる実施形態の代表的な例に焦点を当てたものであり、その例は本発明の原理を説明するものである。したがって前述の記載は考えられる全ての変形形態を網羅的に列挙することを試みたものではない。それらの択一的な実施形態は本発明の特定の部分を表しているのではない、もしくは明細書に記載していないそれらの別の択一的な実施形態を本発明の部分に使用することができ、それらの択一的な実施形態を排除するものとして考慮すべきではない。したがって本発明は前述の特定の実施形態に制限されることを意図しているのではなく、上記の実施形態の多数の変更および組み合わせならびに上記の実施形態との非発明的な置換も含む実現をなすことができるが、本発明は請求項によって規定されるべきである。明細書には記載していないそのような多くの実施形態は請求項の範囲にあり、またその他のものも等価であることは自明である。例えば、実施例はＭＲＦプロセスによってセグメンテーションされている画像を使用するが、他の等価のプロセスによってセグメンテーションされている画像も本発明の方法による処理に適している。これらの用途および実施形態ならびに同様の用途および実施形態を本発明の精神および範囲から逸脱することなく直接的に実現することができる。
【図面の簡単な説明】
【００９２】
【図１】本発明の実施例による摺りガラス様結節（ＧＧＮ）のセグメンテーションに適したシステムのブロック図。
【図２】本発明の原理によるフローチャート。
【図３ａ】本発明の原理による血管を有する最初の包括的にセグメンテーションされたＧＧＮ。
【図３ｂ】血管セグメンテーション
【図３ｃ】血管を有さない最終的な結節セグメンテーション。
【図４】球体、円柱、連結した円柱に関するコンパクトネスの計算の基礎。
【図５】血管の包含によって惹起されるＧＧＮセグメンテーションにおける誤ブランチ概略図。
【特許請求の範囲】
【請求項１】
医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）のセグメンテーション方法において、
前記ＶＯＩにおける血管を識別するステップと、
前記血管をセグメンテーションするステップと、
セグメンテーションされた血管をセグメンテーションされた前記ＧＧＮから除去するステップとを有することを特徴とする、摺りガラス様結節（ＧＧＮ）のセグメンテーション方法。
【請求項２】
前記血管を識別する前記ステップは閾値化および関連成分の分析の実施を含む、請求項１記載の方法。
【請求項３】
前記血管を識別する前記ステップは３Ｄのコンパクトネス分析の実施を含む、請求項１記載の方法。
【請求項４】
前記血管をセグメンテーションする前記ステップは強度制約付き膨張の実施を含む、請求項１記載の方法。
【請求項５】
セグメンテーションされた血管を除去する前記ステップに続いてモルフォロジー演算を実施するステップを有する、請求項１記載の方法。
【請求項６】
前記ＶＯＩからあらゆる胸壁を除去するステップを有する、請求項１記載の方法。
【請求項７】
前記ＶＯＩから胸壁を除去する前記ステップは、前記胸壁が常に前記ＶＯＩの隅に位置しているという事実に基づいた前記胸壁と血管の区別を含む、請求項６記載の方法。
【請求項８】
前記ＶＯＩから胸壁を除去する前記ステップは、前記胸壁に属する領域を除去するために領域拡大技術の使用を含む、請求項６記載の方法。
【請求項９】
セグメンテーションされた血管を除去する前記ステップの結果から生じるＧＧＮ程度でかつＧＧＮより小さい小ブランチを除去するモルフォロジーの雑音除去を適用するステップを有する、請求項１記載の方法。
【請求項１０】
コンピュータ支援のＧＧＮ検出技術を使用して前記ＧＧＮを検出するステップを有する、請求項１記載の方法。
【請求項１１】
前記ＧＧＮの検出に関してマニュアルの技術を使用して前記ＧＧＮを検出するステップを有する、請求項１記載の方法。
【請求項１２】
前記ＧＧＮは純型のＧＧＮおよび混合型のＧＧＮを包含する、請求項１記載の方法。
【請求項１３】
前記血管を識別する前記ステップは、
血管を識別し、該識別により閾値化されたＶＯＩを導出するために十分に高い閾値Ｔｈｉｇｈを用いる閾値化の適用と、
高強度領域を発見するために閾値化されたＶＯＩにラベルする関連成分の処理の使用と、
血管をＧＧＮ内の固形の成分と区別するために前記高強度領域の３次元（３Ｄ）のコンパクトネスの使用と、
より完全な血管セグメンテーションを取得するために高閾値Ｔｈｉｇｈよりも低い低閾値Ｔｌｏｗを用いる閾値化の適用とを含む、請求項１記載の方法。
【請求項１４】
血管ＶＯＩをセグメンテーションする前記ステップは、境界ボクセルを前記血管セグメンテーションに包含させるために強度制約付き膨張の適用を含む、請求項１３記載の方法。
【請求項１５】
血管をセグメンテーションする前記ステップは、境界ボクセルを前記血管セグメンテーションに包含させ、以下のような実質的に完全な血管セグメンテーションＯｖを取得するために強度制約付き膨張の適用を含み、
【数１】
セグメンテーションされた血管を最初にセグメンテーションされた前記ＧＧＮから除去する前記ステップは、血管を有さない最終的なＧＧＮセグメンテーション
Ｏｏｎｌｙｇｇｏ ＝ Ｏｉｎｉｔｇｇｏ − Ｏｖ
を取得するために、マルコフ確率場（ＭＲＦ）プロシージャを使用する、前記ＶＯＩをセグメンテーションする前記ステップにおいて取得されたセグメンテーションされた前記ＶＯＩからの実質的に完全な血管セグメンテーションＯｖの除去を含む、請求項１３記載の方法。
【請求項１６】
前記膨張構造要素は３×３×３のボクセル立方体である、請求項１５記載の方法。
【請求項１７】
境界血管ボクセルよりも低い強度を有するＧＧＮ強度モデルから生じる血管の誤包含に起因する余分なブランチが全く存在しない、以下のようなクリーンな最終ＧＧＮセグメンテーションＯｇｇｎを取得するために、強度により制約されたモルフォロジーの雑音除去演算をＯｏｎｌｙｇｇｎに適用するステップを有し、
【数２】
ＳＥは構造化要素を表し、前記式において負符号の前の部分はモルフォロジーの雑音除去の一般的な形を表し、負符号の後の部分は、膨張により付加されたピクセルが閾値Ｏｇｇｎよりも低い場合に、該ピクセルが前記クリーンな最終セグメンテーションから除去されるように強度が制約されている、請求項１記載の方法。
【請求項１８】
前記構造化要素ＳＥは２Ｄのディスクである、請求項１７記載の方法。
【請求項１９】
医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）のセグメンテーションシステムにおいて、該システムは、
プログラムを記憶する記憶装置と、
前記記憶装置と接続されているディジタルプロセッサとを包含し、該プロセッサは、
血管を前記ＶＯＩと区別し、
最初にセグメンテーションされた前記ＶＯＩにおける血管をセグメンテーションし、
前記ＶＯＩにおけるセグメンテーションされた前記ＧＧＮからセグメンテーションされた血管を除去するプログラムにより動作することを特徴とする、摺りガラス様結節（ＧＧＮ）のセグメンテーションシステム。
【請求項２０】
前記プロセッサは前記ＶＯＩから胸壁を除去するプログラムにより動作する、請求項１９記載のシステム。
【請求項２１】
前記プロセッサは前記胸壁を血管と区別するプログラムにより動作する、請求項２０記載のシステム。
【請求項２２】
前記プロセッサは前記胸壁が常に前記ＶＯＩの隅に位置しているという事実に基づき前記胸壁を血管と区別するプログラムにより動作する、請求項２１記載のシステム。
【請求項２３】
前記プロセッサは前記胸壁に属する領域を除去するために領域拡大技術を使用するプログラムにより動作する、請求項２０記載のシステム。
【請求項２４】
前記プロセッサは、前記ＶＯＩにおけるセグメンテーションされた前記ＧＧＮから血管を除去する前記ステップの結果として生じるＧＧＮ程度でかつＧＧＮよりも小さい小ブランチを除去するためのモルフォロジーの雑音除去演算を適用するプログラムにより動作する、請求項１９記載のシステム。
【請求項２５】
前記プロセッサはコンピュータ支援のＧＧＮ検出技術を使用して前記ＧＧＮを検出するプログラムにより動作する、請求項２４記載のシステム。
【請求項２６】
前記プロセッサは前記ＧＧＮの検出に関してマニュアルの技術を使用して前記ＧＧＮを検出するプログラムにより動作する、請求項２４記載のシステム。
【請求項２７】
前記ＧＧＮは純型のＧＧＮおよび混合型のＧＧＮを包含する、請求項１９記載のシステム。
【請求項２８】
前記プロセッサは、
血管を識別し、該識別により閾値化されたＶＯＩを導出するために十分に高い閾値Ｔｈｉｇｈを用いて閾値化を適用し、
高強度領域を発見するために閾値化されたＶＯＩにラベルする関連成分の処理を使用し、
高強度領域から血管を識別するためにコンパクトネス分析の処理を使用し、
血管をＧＧＮ内の固形の成分と区別するために前記高強度領域の３次元（３Ｄ）のコンパクトネスを使用し、
より完全な血管セグメンテーションを取得するために高閾値Ｔｈｉｇｈよりも低い低域値Ｔｌｏｗを用いて閾値化を適用するプログラムにより動作する、請求項１９記載のシステム。
【請求項２９】
前記プロセッサは、境界ボクセルを前記血管セグメンテーションに包含させるために強度制約付き膨張を適用するプログラムにより動作する、請求項２８記載のシステム。
【請求項３０】
前記プロセッサは、境界ボクセルを前記血管セグメンテーションに包含させ、以下のような実質的に完全な血管セグメンテーションＯｖを取得するために強度制約付き膨張を適用するプログラムにより動作し、
【数３】
セグメンテーションされた血管を最初にセグメンテーションされた前記ＧＧＮから除去する前記ステップは、血管を有さないＧＧＮセグメンテーション
Ｏｏｎｌｙｇｇｏ ＝ Ｏｉｎｉｔｇｇｏ − Ｏｖ
を取得するために、前記ＧＧＮの最初のＧＧＮセグメンテーションＯｉｎｉｔｇｇｏからの前記実質的に完全な血管セグメンテーションＯｖの除去を含む、請求項３０記載のシステム。
【請求項３１】
前記膨張構造要素は３×３×３のピクセル立方体である、請求項３０記載のシステム。
【請求項３２】
前記プロセッサは、境界血管ボクセルよりも低い強度を有するＧＧＮ強度モデルから生じる血管の誤包含に起因する余分なブランチが全く存在しない、以下のようなクリーンな最終ＧＧＮセグメンテーションＯｇｇｎを取得するために、強度により制約されたモルフォロジーの雑音除去演算をＯｏｎｌｙｇｇｎに適用するプログラムにより動作し、
【数４】
ＳＥは構造化要素を表し、前記式において負符号の前の部分はモルフォロジーの雑音除去の一般的な形を表し、負符号の後の部分は、膨張により付加されたピクセルが閾値Ｏｇｇｎよりも低い場合に、該ピクセルが前記クリーンな最終セグメンテーションから除去されるように強度が制約されている、請求項２８記載のシステム。
【請求項３３】
前記構造化要素ＳＥは２Ｄのディスクである、請求項３２記載のシステム。
【請求項３４】
コンピュータプログラムロジックを有するコンピュータが使用可能な媒体からなるコンピュータプログラム製品において、前記媒体には、
医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）をセグメンテーションし、
前記ＶＯＩから血管を識別し、
前記ＶＯＩにおける血管をセグメンテーションし、
前記ＶＯＩからセグメンテーションされた血管を除去するプログラムコードが記録されていることを特徴とする、コンピュータプログラム製品。
【請求項３５】
医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）のセグメンテーション方法において、
前記ＶＯＩから血管を識別するステップと、
前記血管をセグメンテーションするステップと、
前記ＭＲＦプロセスによってセグメンテーションされた前記ＶＯＩにおけるセグメンテーションされた前記ＧＧＮからセグメンテーションされた血管を除去するステップと、
最初にセグメンテーションされた前記ＧＧＮからセグメンテーションされた血管を除去する前記ステップから生じる小ブランチを除去するモルフォロジーの雑音除去演算を適用するステップと、
血管を識別し、該識別により閾値化されたＶＯＩを導出するために十分に高い閾値Ｔｈｉｇｈを用いて閾値化を適用するステップと、
高強度領域を発見するために閾値化されたＶＯにラベルする関連成分の処理を使用するステップと、
血管をＧＧＮ内の固形の成分と区別するために高強度領域の３次元（３Ｄ）のコンパクトネスを使用するステップと、
より完全な血管セグメンテーションを取得するために高閾値Ｔｈｉｇｈよりも低い低閾値Ｔｌｏｗを適用するステップとを有することを特徴とする、摺りガラス様結節（ＧＧＮ）のセグメンテーション方法。
【請求項３６】
ＶＯＩにおける血管をセグメンテーションする前記ステップは、境界ボクセルを前記血管セグメンテーションに包含させるために強度制約付き膨張の適用を含む、請求項３５記載の方法。
【請求項３７】
前記ＶＯＩにおける血管をセグメンテーションする前記ステップは、境界ボクセルを前記血管セグメンテーションに包含させ、以下のような実質的に完全な血管セグメンテーションＯｖを取得するために強度制約付き膨張の適用を含み、
【数５】
セグメンテーションされた血管を最初にセグメンテーションされた前記ＧＧＮから除去するステップは、血管を有さないＧＧＮセグメンテーション
Ｏｏｎｌｙｇｇｏ ＝ Ｏｉｎｉｔｇｇｏ − Ｏｖ
を取得するために、前記最初にセグメンテーションされたＧＧＮの最初のＧＧＮセグメンテーションＯｉｎｉｔｇｇｏからの実質的に完全な血管セグメンテーションＯｖの除去を含む、請求項３５記載のシステム。
【請求項３８】
前記ＶＯＩから胸壁を除去するステップを有する、請求項３７記載の方法。
【請求項３９】
前記ＶＯＩから胸壁を除去する前記ステップは、前記胸壁が常に前記ＶＯＩの隅に位置しているという事実に基づいた前記胸壁と血管の区別を含む、請求項３８記載の方法。
【請求項４０】
前記ＶＯＩから胸壁を除去する前記ステップは、前記胸壁に属する領域を除去する領域拡大技術の使用を含む、請求項３８記載の方法。
【請求項４１】
コンピュータ支援のＧＧＮ検出技術を使用して前記ＧＧＮを検出するステップを有する、請求項３８記載の方法。
【請求項４２】
前記ＧＧＮの検出に関してマニュアルの技術を使用して前記ＧＧＮを検出するステップを有する、請求項３５記載の方法。
【請求項４３】
前記ＧＧＮは純型のＧＧＮおよび混合型のＧＧＮを包含する、請求項３５記載の方法。
【請求項４４】
境界血管ボクセルよりも低い強度を有するＧＧＮ強度モデルから生じる血管の誤包含に起因する余分なブランチが全く存在しない、以下のようなクリーンな最終ＧＧＮセグメンテーションＯｇｇｎを取得するために、強度により制約されたモルフォロジーの雑音除去演算をＯｏｎｌｙｇｇｎに適用するステップを有し、
【数６】
ＳＥは構造化要素を表し、前記式において負符号の前の部分はモルフォロジーの雑音除去の一般的な形を表し、負符号の後の部分は、膨張により付加されたピクセルが閾値Ｏｇｇｎよりも低い場合に、該ピクセルが前記クリーンな最終セグメンテーションから除去されるように強度が制約されている、請求項３８記載の方法。
【請求項４５】
前記構造化要素ＳＥは２Ｄのディスクである、請求項４５記載の方法。
【請求項４６】
医用画像における関心体積（ＶＯＩ）に包含されておりており、かつセグメンテーションされている摺りガラス様結節（ＧＧＮ）のセグメンテーション方法において、
前記ＶＯＩにおける血管を識別するステップと、
前記血管をセグメンテーションするステップと、
セグメンテーションされた血管をセグメンテーションされた前記ＧＧＮから除去するステップとを有することを特徴とする、摺りガラス様結節（ＧＧＮ）のセグメンテーション方法。
【請求項４７】
前記ＶＯＩから胸壁を除去するステップを有する、請求項４７記載の方法。
【請求項４８】
前記ＶＯＩから胸壁を除去する前記ステップは、前記胸壁が常に前記ＶＯＩの隅に位置していることによる前記胸壁と血管の区別を含む、請求項４８記載の方法。
【請求項４９】
前記ＶＯＩから胸壁を除去する前記ステップは、前記胸壁に属する領域を除去する領域拡大技術の使用を含む、請求項４８記載の方法。
【請求項５０】
セグメンテーションされた血管を除去する前記ステップの結果から生じるＧＧＮ程度でかつＧＧＮより小さい小ブランチを除去するモルフォロジーの雑音除去を適用するステップを有する、請求項４７記載の方法。
【請求項５１】
コンピュータ支援のＧＧＮ検出技術を使用して前記ＧＧＮを検出するステップを有する、請求項４７記載の方法。
【請求項５２】
前記ＧＧＮの検出に関してマニュアルの技術を使用して前記ＧＧＮを検出するステップを有する、請求項４７記載の方法。
【請求項５３】
前記ＧＧＮは純型のＧＧＮおよび混合型のＧＧＮを包含する、請求項４７記載の方法。
【請求項５４】
関心体積を規定する前記ステップは前記ＶＯＩの形状および大きさの規定を含む、請求項４７記載の方法。
【請求項５５】
血管をセグメンテーションする前記ステップは、
血管を識別し、該識別により閾値化されたＶＯＩを導出するために十分に高い閾値Ｔｈｉｇｈを用いる閾値化の適用と、
高強度領域を発見するために閾値化されたＶＯＩにラベルする関連成分の処理の使用と、
血管をＧＧＮ内の固形の成分と区別するために前記高強度領域の３次元（３Ｄ）のコンパクトネスの使用と、
より完全な血管セグメンテーションを取得するために高閾値Ｔｈｉｇｈよりも低い低閾値Ｔｌｏｗを用いる閾値化の適用とを含む、請求項４７記載の方法。
【請求項５６】
血管をセグメンテーションする前記ステップは、境界ボクセルを前記血管セグメンテーションに包含させるために強度制約付き膨張の適用を含む、請求項４７記載の方法。
【請求項５７】
血管をセグメンテーションする前記ステップは、境界ボクセルを前記血管セグメンテーションに包含させて、以下のような実質的に完全な血管セグメンテーションＯｖを取得するために強度制約付き膨張の適用を含み、
【数７】
セグメンテーションされた血管を最初にセグメンテーションされた前記ＶＯＩから除去するステップは、血管を有さないＧＧＮセグメンテーション
Ｏｏｎｌｙｇｇｏ ＝ Ｏｉｎｉｔｇｇｏ − Ｏｖ
を取得するために、前記ＶＯＩの最初のＧＧＮセグメンテーションＯｉｎｉｔｇｇｏからの実質的に完全な血管セグメンテーションＯｖの除去を含む、請求項４７記載のシステム。
【請求項５８】
前記膨張構造要素は３×３×３のボクセル立方体である、請求項５８記載の方法。
【請求項５９】
境界血管ボクセルよりも低い強度を有するＧＧＮ強度モデルから生じる血管の誤包含に起因する余分なブランチが全く存在しない、以下のようなクリーンな最終ＧＧＮセグメンテーションＯｇｇｎを取得するために、強度により制約されたモルフォロジーの雑音除去演算をＯｏｎｌｙｇｇｎに適用するステップを有し、
【数８】
ＳＥは構造化要素を表し、前記式において負符号の前の部分はモルフォロジーの雑音除去の一般的な形を表し、負符号の後の部分は、膨張により付加されたピクセルが閾値Ｏｇｇｎよりも低い場合に、該ピクセルが前記クリーンな最終セグメンテーションから除去されるように強度が制約されている、請求項５９記載の方法。
【請求項６０】
前記構造化要素ＳＥは２Ｄのディスクである、請求項６０記載の方法。
【請求項１】
医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）のセグメンテーション方法において、
前記ＶＯＩにおける血管を識別するステップと、
前記血管をセグメンテーションするステップと、
セグメンテーションされた血管をセグメンテーションされた前記ＧＧＮから除去するステップとを有することを特徴とする、摺りガラス様結節（ＧＧＮ）のセグメンテーション方法。
【請求項２】
前記血管を識別する前記ステップは閾値化および関連成分の分析の実施を含む、請求項１記載の方法。
【請求項３】
前記血管を識別する前記ステップは３Ｄのコンパクトネス分析の実施を含む、請求項１記載の方法。
【請求項４】
前記血管をセグメンテーションする前記ステップは強度制約付き膨張の実施を含む、請求項１記載の方法。
【請求項５】
セグメンテーションされた血管を除去する前記ステップに続いてモルフォロジー演算を実施するステップを有する、請求項１記載の方法。
【請求項６】
前記ＶＯＩからあらゆる胸壁を除去するステップを有する、請求項１記載の方法。
【請求項７】
前記ＶＯＩから胸壁を除去する前記ステップは、前記胸壁が常に前記ＶＯＩの隅に位置しているという事実に基づいた前記胸壁と血管の区別を含む、請求項６記載の方法。
【請求項８】
前記ＶＯＩから胸壁を除去する前記ステップは、前記胸壁に属する領域を除去するために領域拡大技術の使用を含む、請求項６記載の方法。
【請求項９】
セグメンテーションされた血管を除去する前記ステップの結果から生じるＧＧＮ程度でかつＧＧＮより小さい小ブランチを除去するモルフォロジーの雑音除去を適用するステップを有する、請求項１記載の方法。
【請求項１０】
コンピュータ支援のＧＧＮ検出技術を使用して前記ＧＧＮを検出するステップを有する、請求項１記載の方法。
【請求項１１】
前記ＧＧＮの検出に関してマニュアルの技術を使用して前記ＧＧＮを検出するステップを有する、請求項１記載の方法。
【請求項１２】
前記ＧＧＮは純型のＧＧＮおよび混合型のＧＧＮを包含する、請求項１記載の方法。
【請求項１３】
前記血管を識別する前記ステップは、
血管を識別し、該識別により閾値化されたＶＯＩを導出するために十分に高い閾値Ｔｈｉｇｈを用いる閾値化の適用と、
高強度領域を発見するために閾値化されたＶＯＩにラベルする関連成分の処理の使用と、
血管をＧＧＮ内の固形の成分と区別するために前記高強度領域の３次元（３Ｄ）のコンパクトネスの使用と、
より完全な血管セグメンテーションを取得するために高閾値Ｔｈｉｇｈよりも低い低閾値Ｔｌｏｗを用いる閾値化の適用とを含む、請求項１記載の方法。
【請求項１４】
血管ＶＯＩをセグメンテーションする前記ステップは、境界ボクセルを前記血管セグメンテーションに包含させるために強度制約付き膨張の適用を含む、請求項１３記載の方法。
【請求項１５】
血管をセグメンテーションする前記ステップは、境界ボクセルを前記血管セグメンテーションに包含させ、以下のような実質的に完全な血管セグメンテーションＯｖを取得するために強度制約付き膨張の適用を含み、
【数１】
セグメンテーションされた血管を最初にセグメンテーションされた前記ＧＧＮから除去する前記ステップは、血管を有さない最終的なＧＧＮセグメンテーション
Ｏｏｎｌｙｇｇｏ ＝ Ｏｉｎｉｔｇｇｏ − Ｏｖ
を取得するために、マルコフ確率場（ＭＲＦ）プロシージャを使用する、前記ＶＯＩをセグメンテーションする前記ステップにおいて取得されたセグメンテーションされた前記ＶＯＩからの実質的に完全な血管セグメンテーションＯｖの除去を含む、請求項１３記載の方法。
【請求項１６】
前記膨張構造要素は３×３×３のボクセル立方体である、請求項１５記載の方法。
【請求項１７】
境界血管ボクセルよりも低い強度を有するＧＧＮ強度モデルから生じる血管の誤包含に起因する余分なブランチが全く存在しない、以下のようなクリーンな最終ＧＧＮセグメンテーションＯｇｇｎを取得するために、強度により制約されたモルフォロジーの雑音除去演算をＯｏｎｌｙｇｇｎに適用するステップを有し、
【数２】
ＳＥは構造化要素を表し、前記式において負符号の前の部分はモルフォロジーの雑音除去の一般的な形を表し、負符号の後の部分は、膨張により付加されたピクセルが閾値Ｏｇｇｎよりも低い場合に、該ピクセルが前記クリーンな最終セグメンテーションから除去されるように強度が制約されている、請求項１記載の方法。
【請求項１８】
前記構造化要素ＳＥは２Ｄのディスクである、請求項１７記載の方法。
【請求項１９】
医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）のセグメンテーションシステムにおいて、該システムは、
プログラムを記憶する記憶装置と、
前記記憶装置と接続されているディジタルプロセッサとを包含し、該プロセッサは、
血管を前記ＶＯＩと区別し、
最初にセグメンテーションされた前記ＶＯＩにおける血管をセグメンテーションし、
前記ＶＯＩにおけるセグメンテーションされた前記ＧＧＮからセグメンテーションされた血管を除去するプログラムにより動作することを特徴とする、摺りガラス様結節（ＧＧＮ）のセグメンテーションシステム。
【請求項２０】
前記プロセッサは前記ＶＯＩから胸壁を除去するプログラムにより動作する、請求項１９記載のシステム。
【請求項２１】
前記プロセッサは前記胸壁を血管と区別するプログラムにより動作する、請求項２０記載のシステム。
【請求項２２】
前記プロセッサは前記胸壁が常に前記ＶＯＩの隅に位置しているという事実に基づき前記胸壁を血管と区別するプログラムにより動作する、請求項２１記載のシステム。
【請求項２３】
前記プロセッサは前記胸壁に属する領域を除去するために領域拡大技術を使用するプログラムにより動作する、請求項２０記載のシステム。
【請求項２４】
前記プロセッサは、前記ＶＯＩにおけるセグメンテーションされた前記ＧＧＮから血管を除去する前記ステップの結果として生じるＧＧＮ程度でかつＧＧＮよりも小さい小ブランチを除去するためのモルフォロジーの雑音除去演算を適用するプログラムにより動作する、請求項１９記載のシステム。
【請求項２５】
前記プロセッサはコンピュータ支援のＧＧＮ検出技術を使用して前記ＧＧＮを検出するプログラムにより動作する、請求項２４記載のシステム。
【請求項２６】
前記プロセッサは前記ＧＧＮの検出に関してマニュアルの技術を使用して前記ＧＧＮを検出するプログラムにより動作する、請求項２４記載のシステム。
【請求項２７】
前記ＧＧＮは純型のＧＧＮおよび混合型のＧＧＮを包含する、請求項１９記載のシステム。
【請求項２８】
前記プロセッサは、
血管を識別し、該識別により閾値化されたＶＯＩを導出するために十分に高い閾値Ｔｈｉｇｈを用いて閾値化を適用し、
高強度領域を発見するために閾値化されたＶＯＩにラベルする関連成分の処理を使用し、
高強度領域から血管を識別するためにコンパクトネス分析の処理を使用し、
血管をＧＧＮ内の固形の成分と区別するために前記高強度領域の３次元（３Ｄ）のコンパクトネスを使用し、
より完全な血管セグメンテーションを取得するために高閾値Ｔｈｉｇｈよりも低い低域値Ｔｌｏｗを用いて閾値化を適用するプログラムにより動作する、請求項１９記載のシステム。
【請求項２９】
前記プロセッサは、境界ボクセルを前記血管セグメンテーションに包含させるために強度制約付き膨張を適用するプログラムにより動作する、請求項２８記載のシステム。
【請求項３０】
前記プロセッサは、境界ボクセルを前記血管セグメンテーションに包含させ、以下のような実質的に完全な血管セグメンテーションＯｖを取得するために強度制約付き膨張を適用するプログラムにより動作し、
【数３】
セグメンテーションされた血管を最初にセグメンテーションされた前記ＧＧＮから除去する前記ステップは、血管を有さないＧＧＮセグメンテーション
Ｏｏｎｌｙｇｇｏ ＝ Ｏｉｎｉｔｇｇｏ − Ｏｖ
を取得するために、前記ＧＧＮの最初のＧＧＮセグメンテーションＯｉｎｉｔｇｇｏからの前記実質的に完全な血管セグメンテーションＯｖの除去を含む、請求項３０記載のシステム。
【請求項３１】
前記膨張構造要素は３×３×３のピクセル立方体である、請求項３０記載のシステム。
【請求項３２】
前記プロセッサは、境界血管ボクセルよりも低い強度を有するＧＧＮ強度モデルから生じる血管の誤包含に起因する余分なブランチが全く存在しない、以下のようなクリーンな最終ＧＧＮセグメンテーションＯｇｇｎを取得するために、強度により制約されたモルフォロジーの雑音除去演算をＯｏｎｌｙｇｇｎに適用するプログラムにより動作し、
【数４】
ＳＥは構造化要素を表し、前記式において負符号の前の部分はモルフォロジーの雑音除去の一般的な形を表し、負符号の後の部分は、膨張により付加されたピクセルが閾値Ｏｇｇｎよりも低い場合に、該ピクセルが前記クリーンな最終セグメンテーションから除去されるように強度が制約されている、請求項２８記載のシステム。
【請求項３３】
前記構造化要素ＳＥは２Ｄのディスクである、請求項３２記載のシステム。
【請求項３４】
コンピュータプログラムロジックを有するコンピュータが使用可能な媒体からなるコンピュータプログラム製品において、前記媒体には、
医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）をセグメンテーションし、
前記ＶＯＩから血管を識別し、
前記ＶＯＩにおける血管をセグメンテーションし、
前記ＶＯＩからセグメンテーションされた血管を除去するプログラムコードが記録されていることを特徴とする、コンピュータプログラム製品。
【請求項３５】
医用画像における関心体積（ＶＯＩ）に包含されており、かつマルコフ確率場（ＭＲＦ）処理によりセグメンテーションされる摺りガラス様結節（ＧＧＮ）のセグメンテーション方法において、
前記ＶＯＩから血管を識別するステップと、
前記血管をセグメンテーションするステップと、
前記ＭＲＦプロセスによってセグメンテーションされた前記ＶＯＩにおけるセグメンテーションされた前記ＧＧＮからセグメンテーションされた血管を除去するステップと、
最初にセグメンテーションされた前記ＧＧＮからセグメンテーションされた血管を除去する前記ステップから生じる小ブランチを除去するモルフォロジーの雑音除去演算を適用するステップと、
血管を識別し、該識別により閾値化されたＶＯＩを導出するために十分に高い閾値Ｔｈｉｇｈを用いて閾値化を適用するステップと、
高強度領域を発見するために閾値化されたＶＯにラベルする関連成分の処理を使用するステップと、
血管をＧＧＮ内の固形の成分と区別するために高強度領域の３次元（３Ｄ）のコンパクトネスを使用するステップと、
より完全な血管セグメンテーションを取得するために高閾値Ｔｈｉｇｈよりも低い低閾値Ｔｌｏｗを適用するステップとを有することを特徴とする、摺りガラス様結節（ＧＧＮ）のセグメンテーション方法。
【請求項３６】
ＶＯＩにおける血管をセグメンテーションする前記ステップは、境界ボクセルを前記血管セグメンテーションに包含させるために強度制約付き膨張の適用を含む、請求項３５記載の方法。
【請求項３７】
前記ＶＯＩにおける血管をセグメンテーションする前記ステップは、境界ボクセルを前記血管セグメンテーションに包含させ、以下のような実質的に完全な血管セグメンテーションＯｖを取得するために強度制約付き膨張の適用を含み、
【数５】
セグメンテーションされた血管を最初にセグメンテーションされた前記ＧＧＮから除去するステップは、血管を有さないＧＧＮセグメンテーション
Ｏｏｎｌｙｇｇｏ ＝ Ｏｉｎｉｔｇｇｏ − Ｏｖ
を取得するために、前記最初にセグメンテーションされたＧＧＮの最初のＧＧＮセグメンテーションＯｉｎｉｔｇｇｏからの実質的に完全な血管セグメンテーションＯｖの除去を含む、請求項３５記載のシステム。
【請求項３８】
前記ＶＯＩから胸壁を除去するステップを有する、請求項３７記載の方法。
【請求項３９】
前記ＶＯＩから胸壁を除去する前記ステップは、前記胸壁が常に前記ＶＯＩの隅に位置しているという事実に基づいた前記胸壁と血管の区別を含む、請求項３８記載の方法。
【請求項４０】
前記ＶＯＩから胸壁を除去する前記ステップは、前記胸壁に属する領域を除去する領域拡大技術の使用を含む、請求項３８記載の方法。
【請求項４１】
コンピュータ支援のＧＧＮ検出技術を使用して前記ＧＧＮを検出するステップを有する、請求項３８記載の方法。
【請求項４２】
前記ＧＧＮの検出に関してマニュアルの技術を使用して前記ＧＧＮを検出するステップを有する、請求項３５記載の方法。
【請求項４３】
前記ＧＧＮは純型のＧＧＮおよび混合型のＧＧＮを包含する、請求項３５記載の方法。
【請求項４４】
境界血管ボクセルよりも低い強度を有するＧＧＮ強度モデルから生じる血管の誤包含に起因する余分なブランチが全く存在しない、以下のようなクリーンな最終ＧＧＮセグメンテーションＯｇｇｎを取得するために、強度により制約されたモルフォロジーの雑音除去演算をＯｏｎｌｙｇｇｎに適用するステップを有し、
【数６】
ＳＥは構造化要素を表し、前記式において負符号の前の部分はモルフォロジーの雑音除去の一般的な形を表し、負符号の後の部分は、膨張により付加されたピクセルが閾値Ｏｇｇｎよりも低い場合に、該ピクセルが前記クリーンな最終セグメンテーションから除去されるように強度が制約されている、請求項３８記載の方法。
【請求項４５】
前記構造化要素ＳＥは２Ｄのディスクである、請求項４５記載の方法。
【請求項４６】
医用画像における関心体積（ＶＯＩ）に包含されておりており、かつセグメンテーションされている摺りガラス様結節（ＧＧＮ）のセグメンテーション方法において、
前記ＶＯＩにおける血管を識別するステップと、
前記血管をセグメンテーションするステップと、
セグメンテーションされた血管をセグメンテーションされた前記ＧＧＮから除去するステップとを有することを特徴とする、摺りガラス様結節（ＧＧＮ）のセグメンテーション方法。
【請求項４７】
前記ＶＯＩから胸壁を除去するステップを有する、請求項４７記載の方法。
【請求項４８】
前記ＶＯＩから胸壁を除去する前記ステップは、前記胸壁が常に前記ＶＯＩの隅に位置していることによる前記胸壁と血管の区別を含む、請求項４８記載の方法。
【請求項４９】
前記ＶＯＩから胸壁を除去する前記ステップは、前記胸壁に属する領域を除去する領域拡大技術の使用を含む、請求項４８記載の方法。
【請求項５０】
セグメンテーションされた血管を除去する前記ステップの結果から生じるＧＧＮ程度でかつＧＧＮより小さい小ブランチを除去するモルフォロジーの雑音除去を適用するステップを有する、請求項４７記載の方法。
【請求項５１】
コンピュータ支援のＧＧＮ検出技術を使用して前記ＧＧＮを検出するステップを有する、請求項４７記載の方法。
【請求項５２】
前記ＧＧＮの検出に関してマニュアルの技術を使用して前記ＧＧＮを検出するステップを有する、請求項４７記載の方法。
【請求項５３】
前記ＧＧＮは純型のＧＧＮおよび混合型のＧＧＮを包含する、請求項４７記載の方法。
【請求項５４】
関心体積を規定する前記ステップは前記ＶＯＩの形状および大きさの規定を含む、請求項４７記載の方法。
【請求項５５】
血管をセグメンテーションする前記ステップは、
血管を識別し、該識別により閾値化されたＶＯＩを導出するために十分に高い閾値Ｔｈｉｇｈを用いる閾値化の適用と、
高強度領域を発見するために閾値化されたＶＯＩにラベルする関連成分の処理の使用と、
血管をＧＧＮ内の固形の成分と区別するために前記高強度領域の３次元（３Ｄ）のコンパクトネスの使用と、
より完全な血管セグメンテーションを取得するために高閾値Ｔｈｉｇｈよりも低い低閾値Ｔｌｏｗを用いる閾値化の適用とを含む、請求項４７記載の方法。
【請求項５６】
血管をセグメンテーションする前記ステップは、境界ボクセルを前記血管セグメンテーションに包含させるために強度制約付き膨張の適用を含む、請求項４７記載の方法。
【請求項５７】
血管をセグメンテーションする前記ステップは、境界ボクセルを前記血管セグメンテーションに包含させて、以下のような実質的に完全な血管セグメンテーションＯｖを取得するために強度制約付き膨張の適用を含み、
【数７】
セグメンテーションされた血管を最初にセグメンテーションされた前記ＶＯＩから除去するステップは、血管を有さないＧＧＮセグメンテーション
Ｏｏｎｌｙｇｇｏ ＝ Ｏｉｎｉｔｇｇｏ − Ｏｖ
を取得するために、前記ＶＯＩの最初のＧＧＮセグメンテーションＯｉｎｉｔｇｇｏからの実質的に完全な血管セグメンテーションＯｖの除去を含む、請求項４７記載のシステム。
【請求項５８】
前記膨張構造要素は３×３×３のボクセル立方体である、請求項５８記載の方法。
【請求項５９】
境界血管ボクセルよりも低い強度を有するＧＧＮ強度モデルから生じる血管の誤包含に起因する余分なブランチが全く存在しない、以下のようなクリーンな最終ＧＧＮセグメンテーションＯｇｇｎを取得するために、強度により制約されたモルフォロジーの雑音除去演算をＯｏｎｌｙｇｇｎに適用するステップを有し、
【数８】
ＳＥは構造化要素を表し、前記式において負符号の前の部分はモルフォロジーの雑音除去の一般的な形を表し、負符号の後の部分は、膨張により付加されたピクセルが閾値Ｏｇｇｎよりも低い場合に、該ピクセルが前記クリーンな最終セグメンテーションから除去されるように強度が制約されている、請求項５９記載の方法。
【請求項６０】
前記構造化要素ＳＥは２Ｄのディスクである、請求項６０記載の方法。
【図１】
【図２】
【図３】
【図４】
【図５】
【図２】
【図３】
【図４】
【図５】
【公表番号】特表２００７−５３４３５３（Ｐ２００７−５３４３５３Ａ）
【公表日】平成１９年１１月２９日（２００７．１１．２９）
【国際特許分類】
【出願番号】特願２００６−５２７０３１（Ｐ２００６−５２７０３１）
【出願日】平成１６年９月１７日（２００４．９．１７）
【国際出願番号】ＰＣＴ／ＵＳ２００４／０３０４００
【国際公開番号】ＷＯ２００５／０２９４１０
【国際公開日】平成１７年３月３１日（２００５．３．３１）
【出願人】（５９３０６３１０５）シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド (156)
【氏名又は名称原語表記】Ｓｉｅｍｅｎｓ Ｍｅｄｉｃａｌ Ｓｏｌｕｔｉｏｎｓ ＵＳＡ，Ｉｎｃ．
【住所又は居所原語表記】５１ Ｖａｌｌｅｙ Ｓｔｒｅａｍ Ｐａｒｋｗａｙ，Ｍａｌｖｅｒｎ，ＰＡ １９３５５−１４０６，Ｕ．Ｓ．Ａ．
【Ｆターム（参考）】
【公表日】平成１９年１１月２９日（２００７．１１．２９）
【国際特許分類】
【出願日】平成１６年９月１７日（２００４．９．１７）
【国際出願番号】ＰＣＴ／ＵＳ２００４／０３０４００
【国際公開番号】ＷＯ２００５／０２９４１０
【国際公開日】平成１７年３月３１日（２００５．３．３１）
【出願人】（５９３０６３１０５）シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド (156)
【氏名又は名称原語表記】Ｓｉｅｍｅｎｓ Ｍｅｄｉｃａｌ Ｓｏｌｕｔｉｏｎｓ ＵＳＡ，Ｉｎｃ．
【住所又は居所原語表記】５１ Ｖａｌｌｅｙ Ｓｔｒｅａｍ Ｐａｒｋｗａｙ，Ｍａｌｖｅｒｎ，ＰＡ １９３５５−１４０６，Ｕ．Ｓ．Ａ．
【Ｆターム（参考）】
[ Back to top ]