医用图像处理装置、医用图像处理方法以及医用图像处理程序制造方法及图纸

本发明专利技术提供一种能够使用界标间的关联性来配置界标的医用图像处理装置。本实施方式的医用图像处理装置具有：存储部，存储具有第1标识点和限制条件的平均形状数据和医用图像数据；提取确定部，确定包含从医用图像数据中提取出的第2标识点的区域内的似然性分布；位置对准部，将平均形状数据位置对准于医用图像数据；偏离值除去部，根据第1、第2标识点和阈值从第2标识点中除去偏离值；结合似然性计算部，根据按照限制条件的平均形状的变形而移动得到的第1标识点的位置和似然性分布，对平均形状的每个变形计算将与位置对应的多个似然性结合的结合似然性；解剖学标识点确定部，根据与结合似然性中最大的结合似然性对应的变形、除去了偏离值的第2标识点以及第1标识点，确定医用图像数据中的解剖学标识点。

【技术实现步骤摘要】
医用图像处理装置、医用图像处理方法以及医用图像处理程序
在本说明书中说明的实施方式一般涉及患者的三维（3D）图像数据集，更具体而言，涉及如何在三维图像数据集中对解剖学界标进行定位。
技术介绍
在医疗领域中，通过包含计算机断层摄影（ComputedTomography）、磁共振（MagneticResonance）、单光子放射计算机断层摄影（SinglePhotonEmissionComputedTomography）、超声波以及正电子放射断层摄影（PositronEmissioncomputedTomography）的各种技术（在医疗领域中称为医疗器械）来收集三维（3D）图像数据集，即，体数据集。体数据具备在3D栅格内配置的多个体素。各体素具有与其结合的体素值。该体素值表示物理参数的测定值。例如，当是CT扫描时，体素值表示这些体素对于X射线的不透明度，即，表示它们的X射线阻止能力。X射线阻止能力以与密度（每单位容积的质量）紧密结合的亨氏单位（HU）来测量。解剖学界标（标识点）对患者图像添加标签并发挥着重要的作用。在以往的方法中，解剖学界标以为了决定其自身的特定的部位，或者为了用于距离的测定或者角度的测定等测定，或者为了提供对于其他的界标的部位的某一目的由临床医生作为1个基准点来使用。体数据集通过将根据体患者数据集即3D患者数据集而计算出的二维（2D）图像显示于画面的视觉化应用程序，即，通过计算机程序来视觉化处理。计算3D对象的二维（2D）图像的处理被称为体绘制。体绘制例如能够适用于薄块多剖面重建（MPR）。体数据集内的解剖学界标的准确的检测以及分类能够用于患者图像数据的用户导航，能够用于依存于前后关系的功能以及分析的触发，因此，对绘制应用程序有用。解剖学界标例如能够用于提供来自预设的大规模的库中的潜在的合适的预设的选项等、基于前后关系的视觉化选项。［预设通常通过选择知道适合特定的组织型的视觉化的窗位与窗宽的特定的组合，来决定图像数据集内的图像值与当对用户进行显示时提供具有这些图像值的哪一阴影像素或者体素的映射］。解剖学界标能够作为分割的帮助，或者与分割数据同时使用。解剖学界标还能够进行来自两个不同的患者的图像或者在不同时间进行摄影得到的相同的患者的图像（例如，离开1秒的几分之一而摄影得到的映画帧、或者手术前和手术后或者外伤前和外伤后等空开数周、数月、或者数年的间隔进行摄影得到的图像）等不同的图像的比较以及没有元数据的它们的注册。作为由使用视觉化应用程序的临床医生进行解释的帮助，解剖学界标还能够在以往的方法中使用。但是，患者数据的性质本质上是动态的，噪音多。另外，人体例如由年龄而决定，形状以及形态是各种各样的，因此，通常，患者图像中的界标的准确的定位是问题。因此，由自动化的方法准确地设置界标是视觉化应用程序的重要的任务。通过决策树（decisiontree）或者决策林（decisionforest）提供的方法等能够判别的分类方法是在患者图像数据集中设置解剖学界标的1个已知的自动化的方法。设置解剖学界标的判别分类方法因独立地生成各个界标，因此这一情况，作为一个例子如以下说明的那样可能成为缺点。图1是患者的胸部以及骨盆区域的CT图像数据集的图像。重叠在图像上的是几个界标点。“十字”的界标点表示准确的、且由手动进行的设置得到的地面实况（groundtruth）。“点”的界标点位于通过以往技术的决策林中的分林（classificationforest）法设置的部位，编入轻微的误差与大的误差的组合。对应的地面实况（十字）的界标点以及模式化后的（点）的界标点与直线连接。当没有示出线时，在该图像的地面实况集中不会出现界标。通过分类方法，独立地分配解剖学界标的部位。但是，根据解剖学的知识，破坏了所检测的界标的合适的结构。这是由于没有整体地识别界标的相对的位置关系。恰当地识别的界标不能帮助校正其他的界标的设置中的误差。具体而言，图1的右手侧的椭圆内部的被模型化的（点）界标与地面实况（十字）的界标相比较被较大地错误地设置，并且存在几个距离，但作为校正被较大地错误地设置的界标的线索，分类林模型（几乎）不能使用准确地设置的相邻的界标。另外，在图像的右下方附近被圆包围的模型化后的（点）界标的聚合实际上是头部界标。决策林在空间上不能识别相邻的被检测出的界标，因此，尽管存在明显的误分类误差，不能校正这些界标的位置，也进行基于分类林的大腿股骨头界标的设置。在基于包含其他的类型的决策林的识别的检测方法中一般存在该特征。因此，在解剖学界标的位置的确定中，使用决策林等classification（识别）方法。在该方法中，多个界标的各个被独立地识别处理。因此，没有考虑多个界标的各个之间的关联性。因此，存在发生界标的错误检测以及错误配置的问题。现有技术文献非专利文献非专利文献1：AntonioCriminisi、andJamieShotton.（2013）DecisionForestsinComputerVisionandMedicalImageAnalysis.SpringerISBN978-1-4471-4928-6.非专利文献2：AntonioCriminisi、JamieShotton、andStefanoBucciarelli.（2009）DecisionForestswithLong-RangeSpatialContextforOrganLocalizationinCTVolumesMICCAI-PMMIAworkshop，2009.非专利文献3：AntonioCriminisi、JamieShotton、DuncanRobertson、andEnderKonukoglu.（2011）RegressionForestsforEfficientAnatomyDetectionandLocalizationinCTStudiesMICCAI2010WorkshopMCV、LNCS6533、p106-117、2011.非专利文献4：JRossQuinlan.C4.5：ProgramsforMachineLearningMorganKaufmannseriesinMachineLearningMorganKaufmann、1993.非专利文献5：T.F.Cootes、C.J.Taylor、D.H.Cooper、andJ.Graham.“Activeshapemodels-theirtrainingandapplication”ComputerVisionandImageUnderstanding（61）：38-591995.非专利文献6：TiloStrutz。（2010）“DataFittingandUncertainty–Apracticalintroductiontoweightedleastsquaresandbeyond”Vieweg＆Teubner，ISBN978-3-8348-1022-9.
技术实现思路
目的在于提供一种能够通过考虑多个解剖学界标之间的关联性，来提高解剖学界标的配置的精度的医用图像处理装置、医用图像处理方法以及医用图像处理程序。本实施方式所涉及的医用图像处理装置具备：存储部，存储平均形状数据和医用图像本文档来自技高网...

【技术保护点】
一种医用图像处理装置，其特征在于包括：存储部，存储平均形状数据和医用图像数据，该平均形状数据具有通过将表示平均形状的多个第1标识点的各个第1标识点建立关联而限制上述第1标识点的各个第1标识点的移动范围的限制条件和上述第1标识点；提取确定部，根据上述医用图像数据和基于监督式学习的机械学习处理，从上述医用图像数据中提取多个第2标识点，确定包含上述第2标识点的各个第2标识点的区域内的似然性分布；位置对准部，根据上述第1标识点、上述第2标识点以及上述限制条件，执行上述平均形状数据与上述医用图像数据的位置对准；偏离值除去部，根据上述位置对准中的上述第1标识点、上述第2标识点以及规定的阈值，从上述第2标识点中除去偏离值；结合似然性计算部，根据通过按照上述位置对准和上述限制条件对上述平均形状进行变形而移动而得到的上述第1标识点的位置和上述似然性分布，对上述平均形状的每个变形计算将分别与上述位置对应的多个似然性结合的结合似然性；以及解剖学标识点确定部，根据与上述多个结合似然性中最大的结合似然性对应的上述平均形状的变形、上述第1标识点以及除去了上述偏离值的上述第2标识点，确定上述医用图像数据中的解剖学标识点。...

【技术特征摘要】
2013.04.22 US 13/867,5601.一种医用图像处理装置，其特征在于包括：存储部，存储平均形状数据、机械学习算法和医用图像数据，该平均形状数据具有通过将表示平均形状的多个第1标识点的各个第1标识点建立关联而限制上述第1标识点的各个第1标识点的移动范围的限制条件和上述第1标识点，该机械学习算法是基于以配置上述第1标识点的各个第1标识点的方式进行训练的监督式学习的算法；提取确定部，根据上述医用图像数据和基于监督式学习的机械学习算法，从上述医用图像数据中提取多个第2标识点，确定包含上述第2标识点的各个第2标识点的区域内的似然性分布；位置对准部，根据上述第1标识点、上述第2标识点以及上述限制条件，执行上述平均形状数据与上述医用图像数据的位置对准；偏离值除去部，根据上述位置对准中的上述第1标识点、上述第2标识点以及规定的阈值，从上述第2标识点中除去上述阈值之上的偏离值；结合似然性计算部，根据通过按照上述位置对准和上述限制条件对上述平均形状进行变形而移动而得到的上述第1标识点的位置和上述似然性分布，对上述平均形状的每个变形计算将分别与上述位置对应的多个似然性结合的结合似然性；以及解剖学标识点确定部，根据与上述多个结合似然性中最大的结合似然性对应的上述平均形状的变形、上述第1标识点以及除去了上述偏离值的上述第2标识点，确定上述医用图像数据中的解剖学标识点，上述平均形状数据是根据多个教师数据集和具有上述平均形状以及上述限制条件的规定的点分布模型产生的数据，上述位置对准部在由上述偏离值除去部除去上述偏离值之后，根据上述点分布模型，使上述平均形状变形而将具有除去了上述偏离值的第2标识点的医用图像数据和上述平均形状数据位置对准。2.根据权利要求1所述的医用图像处理装置，其特征在于：上述偏离值除去部在上述第2标识点中，用与上述偏离标识点对应的上述第1标识点置换与上述偏离值对应的偏离标识点。3.根据权利要求2所述的医用图像处理装置，其特征在于：上述结合似然性计算部包含置换了上述偏离标识点的上述第1标识点，计算上述结合似然性。4.根据权利要求1所述的医用图像处理装置，其特征在于：上述偏离值除去部使用上述第1标识点和上述第2标识点的差来计算残差平方和，将超过上述规定的阈值的上述残差平方和中的与多个项中最大值相关的第2标识点作为上述偏离值除去。5.根据权利要求1所述的医用图像处理装置，其特征在于：上述机械学习算法具有决策林的算法，所述决策林的算法具有根据上述教师数据集预先学习的多个决策树。6.根据权利要求5所述的医用图像处理装置，其特征在于：上述决策林具有与上述医用图像数据中的上述第2标识点的分类相关的多个分类树作为上述决策树。7.根据权利要求5所述的医用图像处理装置，其特征在于：上述决策林具...

【专利技术属性】
技术研发人员：M·达巴，I·普尔，
申请(专利权)人：株式会社东芝，东芝医疗系统株式会社，
类型：发明
国别省市：日本;JP