トップ :: A 生活必需品 :: A61 医学または獣医学;衛生学




【発明の名称】 診断支援システム、診断支援方法及び診断支援プログラム
【発明者】 【氏名】石 黒 正 揮

【氏名】村 瀬 一 郎

【氏名】井 上 信 吾

【氏名】森 山 紀 之

【氏名】関 口 隆 三
【要約】 【課題】複数の経時造影画像を用いて、被検体の特定部位の状態を、自動的に且つ容易に診断する。

【解決手段】被検体から、それぞれ相異なる時点で取得された複数の経時造影画像をそれぞれ領域分割し、前記複数の経時造影画像から診断対象となる分割領域をそれぞれ抽出して、抽出された前記分割領域を含む診断対象画像をそれぞれ作成し、前記複数の診断対象画像が統合された統合画像を作成し、前記経時造影画像と前記統合画像を用いて、前記経時造影画像の特徴量を算出し、前記特徴量を用いて前記統合画像に対応する前記被検体の状態を決定する。
【特許請求の範囲】
【請求項１】
それぞれ相異なる時点で被検体から取得された複数の経時造影画像をそれぞれ領域分割する領域分割処理部と、
前記複数の経時造影画像から診断対象となる分割領域をそれぞれ抽出して、抽出された前記分割領域を含む診断対象画像をそれぞれ作成する診断対象画像作成部と、
前記複数の診断対象画像が統合された統合画像を作成する統合化処理部と、
前記経時造影画像と前記統合画像を用いて、前記経時造影画像の特徴量を算出する特徴量算出部と、
前記特徴量を用いて前記統合画像に対応する前記被検体の状態を決定する被検体状態決定部と、
を備えることを特徴とする診断支援システム。
【請求項２】
前記経時造影画像を構成する各画素は、２次元の位置情報及び被検体状態情報からなる３次元情報を有するものであり、前記領域分割部は、前記３次元情報の集合に対して階層的クラスタリングを適用することにより前記領域分割を行うことを特徴とする請求項１に記載の診断支援システム。
【請求項３】
前記被検体状態決定部は、前記特徴量を所定の条件式に適応して前記統合画像に対応する前記被検体の状態を決定することを特徴とする請求項１又は２に記載の診断支援システム。
【請求項４】
前記所定の条件式は、各前記経時造影画像間を構成する各画素における画素値の経時変化を考慮したものであることを特徴とする請求３に記載の診断支援システム。
【請求項５】
それぞれ相異なる時点で被検体から取得された複数の経時造影画像をそれぞれ領域分割し、
前記複数の経時造影画像から診断対象となる分割領域をそれぞれ抽出して、抽出された前記分割領域を含む診断対象画像をそれぞれ作成し、
前記複数の診断対象画像が統合された統合画像を作成し、
前記経時造影画像と前記統合画像を用いて、前記経時造影画像の特徴量を算出し、
前記特徴量を用いて前記統合画像に対応する前記被検体の状態を決定する、
ことを特徴とする診断支援方法。
【請求項６】
それぞれ相異なる時点で被検体から取得された複数の経時造影画像をそれぞれ領域分割する領域分割ステップと、
前記複数の経時造影画像から診断対象となる分割領域をそれぞれ抽出して、抽出された前記分割領域を含む診断対象画像をそれぞれ作成する診断対象画像作成ステップと、
前記複数の診断対象画像が統合された統合画像を作成する統合化ステップと、
前記経時造影画像と前記統合画像を用いて、前記経時造影画像の特徴量を算出する特徴量算出ステップと、
前記特徴量を用いて前記統合画像に対応する前記被検体の状態を決定する被検体状態決定ステップと、
をコンピュータに実行させることを特徴とする診断支援プログラム。
【請求項７】
前記領域分割ステップとして、前記経時造影画像を構成する各画素が有する３次元情報であって、２次元の位置情報及び被検体状態情報からなる３次元情報の集合に対して階層的クラスタリングを適用することにより前記領域分割を行うステップを、前記コンピュータに実行させることを特徴とする請求項６に記載の診断支援プログラム。
【請求項８】
前記抽出された分割領域の重なり率に基づいて前記統合化ステップを前記コンピュータに実行させることを特徴とする請求項６又は７のいずれかに記載の診断支援プログラム。
【請求項９】
前記被検体状態決定ステップとして、前記特徴量を所定の条件式に適応することにより前記統合画像に対応する前記被検体の状態を決定するステップを、前記コンピュータに実行させることを特徴とする請求項６乃至８のいずれかに記載の診断支援プログラム。
【請求項１０】
前記所定の条件式として、各前記経時造影画像間を構成する各画素における画素値の経時変化を考慮したものを用いることを特徴とする請求項９に記載の診断支援プログラム。
【請求項１１】
前記経時造影画像としてＣＴ画像を用いることを特徴とする請求項６乃至１０のいずれかに記載の診断支援プログラム。
【請求項１２】
造影剤を含まない状態で前記被検体から取得された画像をさらに用いて前記各ステップを前記コンピュータに実行させることを特徴とする請求項６乃至１１のいずれかに記載の診断支援プログラム。
【請求項１３】
前記経時造影画像は、前記被検体の肝臓領域から撮影されたものであることを特徴とする請求項６乃至１２のいずれかに記載の診断支援プログラム。
【請求項１４】
それぞれ相異なる時点で被検体から取得された複数の経時造影画像をそれぞれ領域分割するステップをコンピュータに実行させる診断支援プログラムであって、
前記経時造影画像を構成する各画素が有する、２次元の位置情報及び被検体状態情報からなる３次元情報の集合に対して階層的クラスタリングを適用することにより前記経時造影画像を領域分割するステップを前記コンピュータに実行させることを特徴とする診断支援プログラム。
【請求項１５】
それぞれ相異なる時点で被検体から取得された複数の経時造影画像をそれぞれ領域分割した画像から、診断対象となる分割領域が抽出された複数の診断対象画像を統合化して、統合画像を作成するステップをコンピュータに実行させることを特徴とする診断支援プログラム。
【請求項１６】
前記統合画像を前記複数の経時造影画像に対応させて、前記複数の経時造影画像間において、各前記経時造影画像を構成する各画素値の経時変化を算出するステップをさらにコンピュータに実行させることを特徴とする請求項１５に記載の診断支援プログラム。
【請求項１７】
それぞれ相異なる時点で被検体から取得された複数の経時造影画像をそれぞれ領域分割し、診断対象となる分割領域をそれぞれ抽出した複数の領域分割画像を統合化してなる統合画像を用いて、前記経時造影画像についての特徴量を算出し、前記特徴量を所定の条件式に適応して、前記統合画像に対応する前記被検体の状態を決定するステップ、をコンピュータに実行させることを特徴とする診断支援プログラム。
【発明の詳細な説明】【０００１】
【発明の属する技術分野】
本発明は、医療分野において用いられる、診断支援システム、診断支援方法及び診断支援プログラムに関する。
【０００２】
【従来の技術】
被検体における特定部位（例えば肝臓）の診断方法としてＣＴ（ＣｏｍｐｕｔｅｒｉｚｅｄＴｏｍｏｇｒａｐｈｙ）検査が広く用いられている。このＣＴ検査は以下のようなものである。
【０００３】
即ち、患者（被検体）の周りから患者に対してＸ線を照射し、患者を透過したＸ線の量をコンピュータで測定する。つまり、被検体に照射されたＸ線の透過率（あるいは吸収率）を算出する。そして、算出されたＸ線の透過率に基づいて上述の特定部位（例えば腹部）における断層画像（ＣＴ画像）を取得する（以上をＣＴスキャンと称する）。取得されたＣＴ画像を構成する各ピクセル値（ＣＴ値）は、一般的に、空気が−１０００、水が０、骨が＋１０００となるように設定される。医師は、このＣＴ画像（例えば腹部断面画像）から腫瘍を抽出し、腫瘍の形状等に基づいて、腫瘍の種類を判別する。
【０００４】
以上のＣＴ検査を応用した診断方法としてダイナミックＣＴ検査がある。このダイナミックＣＴ検査は以下のようなものである。
【０００５】
即ち、このダイナミックＣＴ検査では、まず、被検体の静脈から造影剤を注入し、その後、例えば３回、それぞれ所定の間隔を開けて被検体の特定部位（例えば肝臓）をＣＴスキャンする。例えば、造影剤の注入後４０秒後に１回目のＣＴスキャンを行い、１回目のＣＴスキャンの後２分後に２回目のＣＴスキャンを行い、２回目のＣＴスキャンの後３分後に３回目のＣＴスキャンを行い３つのＣＴ画像を取得する。医師は、各ＣＴ画像を比較して、被検体の特定部位における腫瘍を抽出し、その種類を診断する。
【０００６】
各ＣＴ画像の比較により腫瘍の種類を診断できる理由について述べると以下の通りである。
【０００７】
例えば肝臓において腫瘍の存在する部位と正常な部位とでは血液の流れる速さは異なる。具体的には、腫瘍部では正常部位よりも血液の流れが遅くなる。つまり、腫瘍部では血液中の造影剤の留まる時間も長くなる。さらに、この造影剤はＣＴ画像上では白く染まり、その染まり方は、腫瘍の種類により異なる。これらの特徴を用いることで各ＣＴ画像の比較により腫瘍の有無及び種類を判別できる。この際、特に、各ＣＴ画像の同一の腫瘍部分におけるＣＴ値の経時変化が、腫瘍の種類の特定に当たり重要な特徴量となる。
【０００８】
【非特許文献】
桝本 潤、 堀 雅敏、 佐藤 嘉伸、村上 卓道 ”Ｘ線ＣＴ画像からの肝腫瘤自動抽出の検討”，電子情報通信学会論文誌 ２０００， Ｊ８３−Ｄ−ＩＩ， ｎｕｍｂｅｒ １， ｐｐ．２１９−２２７
【０００９】
【発明が解決しようとする課題】
しかしながら、肝腫瘍の中には、Ｘ線の吸収値が時間によって複雑に変化するものもあり、その場合、各ＣＴ画像において同一腫瘍部分のＣＴ値が大きく変動してしまう。また、肝腫瘍は、背景肝とのＣＴ値の差が小さいため腫瘍の検出が難しく、また腫瘍の形状が多様であるという特徴を有する。
【００１０】
これらのため、各ＣＴ画像での同一の腫瘍の対応付けは困難であった。つまり、経時造影像の各ＣＴ画像において同一の腫瘍部分を特定することは困難であった。このため、各ＣＴ画像において同一の腫瘍部分についてのＣＴ値の経時変化を取得できず、腫瘍の種類を判別することは難しかった。
【００１１】
本発明は、上記問題点に鑑みてなされたものであり、その目的は、複数の経時造影画像を用いて、被検体の特定部位の状態を、自動的に且つ容易に診断することを支援する診断支援システム、診断支援方法、診断支援プログラムを提供することにある。
【００１２】
【課題を解決するための手段】
本発明の診断支援システムは、それぞれ相異なる時点で被検体から取得された複数の経時造影画像をそれぞれ領域分割する領域分割処理部と、前記複数の経時造影画像から診断対象となる分割領域をそれぞれ抽出して、抽出された前記分割領域を含む診断対象画像をそれぞれ作成する診断対象画像作成部と、前記複数の診断対象画像が統合された統合画像を作成する統合化処理部と、前記経時造影画像と前記統合画像を用いて、前記経時造影画像の特徴量を算出する特徴量算出部と、前記特徴量を用いて前記統合画像に対応する前記被検体の状態を決定する被検体状態決定部と、を備えるものとして構成される。
【００１３】
本発明の診断支援方法は、それぞれ相異なる時点で被検体から取得された複数の経時造影画像をそれぞれ領域分割し、前記複数の経時造影画像から診断対象となる分割領域をそれぞれ抽出して、抽出された前記分割領域を含む診断対象画像をそれぞれ作成し、前記複数の診断対象画像が統合された統合画像を作成し、前記経時造影画像と前記統合画像を用いて、前記経時造影画像の特徴量を算出し、前記特徴量を用いて前記統合画像に対応する前記被検体の状態を決定するものとして構成される。
【００１４】
本発明の診断支援プログラムは、それぞれ相異なる時点で被検体から取得された複数の経時造影画像をそれぞれ領域分割する領域分割ステップと、前記複数の経時造影画像から診断対象となる分割領域をそれぞれ抽出して、抽出された前記分割領域を含む診断対象画像をそれぞれ作成する診断対象画像作成ステップと、前記複数の診断対象画像が統合された統合画像を作成する統合化ステップと、前記経時造影画像と前記統合画像を用いて、前記経時造影画像の特徴量を算出する特徴量算出ステップと、前記特徴量を用いて前記統合画像に対応する前記被検体の状態を決定する被検体状態決定ステップと、をコンピュータに実行させるものとして構成される。
【００１５】
【発明の実施の形態】
先ず、本発明の実施の形態の特徴について簡単に述べると以下の通りである。
【００１６】
即ち、本実施の形態では、肝臓の特定部位（同一断面部）から、単純ＣＴ画像及び各ダイナミックＣＴ画像（早期像、門脈相、後期像）の４つのＣＴ画像を順次取得する。これらの各ＣＴ画像を領域分割及び統合化処理し、各ＣＴ画像において同一腫瘍部分の領域を特定する。各ＣＴ画像において特定された領域について肝腫瘍診断に用いて有用な種々の特徴量（セグメント特徴量）（図１１参照）を算出する。そして、これらのセグメント特徴量を、種々の肝腫瘍の特徴をとらえた診断ルール（例えば各ＣＴ画像間における同一腫瘍部分のＣＴ値の経時変化等）（図１３参照）に適応して、上述において特定された腫瘍のタイプを自動診断する。以下、本実施の形態についてさらに詳しく述べる。
【００１７】
図１は、本発明の実施の形態としての診断支援システムによる処理の流れを簡単に示す図である。
【００１８】
以下、図１を参照して、本診断支援システムによる処理の流れについて簡単に説明する。
【００１９】
まず、図１に示すように、肝臓の特定部位が撮影された４種類のＣＴ画像、即ち、単純ＣＴ画像、早期像、門脈相、後期像を用意する。但し、ここに示す各ＣＴ画像は、撮影されたＣＴ画像から肝臓領域を自動抽出したものである。肝臓領域の自動抽出に関しては、例えば、既存の研究結果（Ｌ． Ｇａｏ， Ｄ．Ｇ． Ｈｅａｌｔｈ， Ｂ．Ｓ． Ｋｕｓｚｙｋ， ａｎｄ Ｅ．Ｋ． Ｆｉｓｈｍａｎ． Ａｕｔｏｍａｔｉｃ ｌｉｖｅｒ ｓｅｇｍｅｎｔａｔｉｏｎ ｔｅｃｈｎｉｑｕｅ ｆｏｒ ｔｈｒｅｅ−ｄｉｍｅｎｓｉｏｎａｌ ｖｉｓｕａｌｉｚａｔｉｏｎ ｏｆ ｃｔ ｄａｔａ． Ｒａｄｉｏｌｏｇｙ， Ｖｏｌ． ２０１， Ｎｏ． ２， ｐｐ． ３５９−３６４， Ｎｏｖ． １９９６．）を用いて行う。
【００２０】
ここで、単純ＣＴ画像、早期像、門脈相、後期像について説明すると以下の通りである。
【００２１】
即ち、単純ＣＴ画像は、造影剤が被検体に注入される前の段階でＸ線ＣＴ装置により撮影されたＣＴ画像である。一方、早期像、門脈相、後期像は、造影剤が被検体に注入された後の段階で撮影されたＣＴ画像である。具体的には、早期像は、造影剤が被検体に注入された後、例えば４０秒後に撮影されたＣＴ画像、門脈相は、造影剤投与後、例えば２分後に撮影されたＣＴ画像、後期像は、造影剤投与後、例えば５分後に撮影されたＣＴ画像である。
【００２２】
これら各ＣＴ画像を構成する各ピクセルは例えば−１０００〜１０００のＣＴ値（被検体状態情報）を有する。一般に、空気が−１０００、水が０、骨が１０００となるように各ピクセルのＣＴ値は設定される。なお、各ＣＴ画像がディスプレイ上に表示されるときは、各ピクセルは例えば２５６階調に変換される。
【００２３】
図１のステップＳ１に示すように、図１に示す各ＣＴ画像から、診断対象となる必要なセグメント（診断対象セグメント）を抽出するセグメント抽出処理を行って、診断対象セグメントが抽出された個別セグメント画像をＣＴ画像ごとに作成する。
【００２４】
より詳しくは、各ＣＴ画像をそれぞれ複数の領域に分割処理（セグメンテーション）して、ＣＴ画像ごとに複数の領域（セグメント）からなる領域分割画像（全体セグメント画像）（図示せず）を取得する。そして、各全体セグメント画像を構成する各セグメントから、例えばノイズや背景肝等によるセグメント（診断対象外セグメント）を除去する。これにより、各全体セグメント画像から診断対象セグメントが抽出された個別セグメント画像がそれぞれ作成される。
【００２５】
次に、ステップＳ２に示すように、各個別セグメント画像をそれぞれ並行移動して位置合わせた後（図８参照）、各個別セグメント画像を統合化処理して、複数の統合セグメントからなる統合セグメント画像作成する（セグメント対応付け処理）。この統合セグメント画像を構成する各統合セグメントは各ＣＴ画像における同一の腫瘍部分にそれぞれ対応するものである。
【００２６】
次に、ステップＳ３に示すように、この統合セグメント画像、上述した各ＣＴ画像（単純ＣＴ画像、早期像、門脈相、後期像）及び各個別セグメント画像等を用い、統合セグメント画像を構成するセグメントごとに、肝腫瘍診断に用いて有用なセグメント特徴量（図１２参照）を算出する（特徴量算出処理）。
【００２７】
次に、ステップＳ４に示すように、各セグメントについて得られたセグメント特徴量を医学上の肝腫瘍診断知識に基づく診断ルール（判別ルール）（図１３参照）に適応して、セグメントごとに腫瘍の種類等を特定した診断結果を出力する（診断ルール適用処理）。本診断支援システムの利用者（例えば医師等）は、この診断結果を用いて最終的な診断結果を下す。
【００２８】
以上、本診断システムによる処理の流れについて簡単に説明した。
【００２９】
以下、本診断支援システムついて詳しく説明する。
まず、本診断支援システムの構成について説明する。
図２は、本発明の実施の形態としての診断支援システムを示したシステム構成図である。
【００３０】
図２に示すように、画像読込部１は、記憶部７内に格納されたＣＴ画像、即ち、単純ＣＴ画像、早期像、門脈相、後期像を読み込み、総合制御部３に送信するものとして構成されている。なお、各ＣＴ画像は、撮影直後のＣＴ画像であり、肝臓領域の自動抽出処理が行われたものではない。
【００３１】
記憶部７は、上述の各ＣＴ画像や、各機能部における処理の際に供されるパラメータデータを格納したパラメータファイルａ、ｂを記憶保持する。パラメータデータは、例えば、パラメータ変数とその値とからなるものである。
【００３２】
入力部２は、本診断支援システムの利用者が総合制御部３に各種の指示を与えるものである。
【００３３】
総合制御部３は、各機能部間を適正に制御すると共に、上述した肝臓領域の自動抽出処理を行うものである。
【００３４】
セグメンテーション部４は、肝臓領域の自動抽出処理が行われた各ＣＴ画像を総合制御部３から受信し、これらのＣＴ画像をそれぞれ平滑化処理するものである。そして、セグメンテーション部４は、平滑化処理後の各ＣＴ画像に対しセグメンテーションをし、ＣＴ画像ごとに、複数のセグメントからなる全体セグメント画像を作成するものである。全体セグメント画像を構成する各セグメントには固有の値（ラベル）が設定される。
【００３５】
セグメントフィルタリング部５は、セグメンテーション部４によって作成された各全体個別セグメント画像から、診断対象外となる不要なセグメントを除去して、診断対象外が除去された個別セグメント画像を作成するものである。即ち、セグメントフィルタリング５は、主として、腫瘍及び血管等のセグメント（診断対象セグメント）のみを抽出した個別セグメント画像を作成するものである。血管セグメント等を残すのは、血管セグメント等はその複雑性のために画一的に除去するのが困難だからである。セグメントフィルタリング部５は、上のようにして除去した診断対象外セグメントについての情報（フィルタリング情報）を総合制御部３にフィードバックするものとして構成されている。
【００３６】
画像間セグメント対応付け部６は、セグメントフィルタリング部５によって作成された各個別セグメント画像を、後述するアルゴリズムに従ってそれぞれ位置合わせするものである。そして、画像間セグメント対応付け部６は、その位置合わせ状態において、各個別セグメント画像を後述するアルゴリズムに従って統合化し、複数の統合セグメントからなる統合セグメント画像を作成するものである（図１の統合セグメント画像を参照）。画像間セグメント対応付け部６は、作成した統合セグメント画像、及び統合セグメントの作成に用いた各個別セグメント画像を総合制御部３にフィードバックするものとして構成されている。
【００３７】
特徴量算出部８は、総合制御部３から各ＣＴ画像、各個別セグメント画像、統合セグメント画像、フィルタリング情報を受信し、受信したこれらのデータを用いて、統合セグメント画像を構成する各統合セグメントについて、上述した種々のセグメント特徴量（図１１参照）を算出するものである。
【００３８】
腫瘍スコアリング診断部９は、特徴量算出部８によって算出された種々のセグメント特徴量データを所定の診断ルール（図１３参照）に適応して、各統合セグメントに対応する被検体部分についての腫瘍の有無及びその種類等を診断するものである。そして、腫瘍スコアリング診断部９は、各統合セグメントごとに腫瘍の種類等を示した診断結果データを総合制御部３にフィードバックするものである。
【００３９】
出力部１０は、総合制御部３からセグメント診断結果データ、セグメント特徴量データ、個別セグメント画像を受信し、これらのデータを表示して、本診断支援システムの利用者（例えば医師等）に視認させるものである。
【００４０】
次に、以上の構成を有する診断支援システムの動作について説明する。
図３は、この診断支援システムの動作を詳細に示したフローチャートである。
以下、図３及び図２を参照しながら、この診断支援システムの動作について説明する。
【００４１】
図３に示すように、この診断システムの動作は次の３つの工程、即ち、各ＣＴ画像（単純ＣＴ画像、早期像、門脈相、後期像）から診断対象外セグメントを除去するセグメント抽出工程Ａと、診断対象外セグメントが除去された各ＣＴ画像（各個別セグメント画像）をそれぞれを位置合わせ及び統合化して、複数の統合セグメントからなる統合セグメント画像を作成するセグメント対応付け工程Ｂと、統合セグメント画像を構成する各統合セグメントについてセグメント特徴量を算出し、このセグメント特徴量を所定の診断ルールに適応することにより、各統合セグメントについての診断結果を出力する診断工程Ｃとからなる。
【００４２】
以下、セグメント抽出工程Ａ、セグメント対応付け工程Ｂ、診断工程Ｃの各工程について順次説明する。
まず、セグメント抽出工程Ａについて説明する。
図３に示すように、セグメント抽出工程Ａは、ステップＳ１１〜Ｓ１６からなる。
【００４３】
まず、ステップＳ１１（マクロ視化フィルタ処理工程）について説明する。
図２に示すように、まず、入力部２から本診断システムの始動を指示する指示データを総合制御部３が受信すると、総合制御部３は画像読込部１に対して各ＣＴ画像（単純ＣＴ画像、早期像、門脈相、後期像）の読み込み指示をする。読み込み指示を受けた画像読込部１は、記憶部７内の各ＣＴ画像を読み込み（［１］）、読み込んだ各ＣＴ画像を総合制御部３に送出する（［２］）。一方において、総合制御部３は、入力部３から上述の指示データを受信すると、記憶部７内のパラメータファイルａ，ｂを読み込む。（［３］）。これら各ＣＴ画像及びパラメータファイルａ，ｂを受信した総合制御部３は、各ＣＴ画像に対して肝臓領域自動抽出処理を行う。なお、肝臓領域の抽出は、自動抽出処理によらず、例えば入力部２を介して、マニュアルで指定してもよい。肝臓領域が抽出された各ＣＴ画像及びパラメータファイルａを、総合制御部３は、セグメンテーション部４へ送信する（［４］）。セグメンテーション部４は、各ＣＴ画像に対して、例えばガウシアンフィルタを用いて、平滑化処理（マクロ視化フィルタ処理）を行う。
【００４４】
このマクロ視化フィルタ処理は、種々の濃淡パターンが存在するＣＴ画像においてＣＴ値（濃度値）の微少な変動を少なくすると共に、各ＣＴ画像上に乗ったランダムな細かいノイズを除去するものである。これは、後述するセグメンテーションの際に各ＣＴ画像が必要以上に細かいセグメントに分割されることを防ぎ、組織としての単位を適切に抽出するために行われる。
【００４５】
以上のようにして各ＣＴ画像を平滑化処理したら、次に、セグメンテーション工程（ステップＳ１２）に進む。
【００４６】
このセグメンテーション工程は、平滑化処理が施された各ＣＴ画像をセグメンテーション部４（図２）が複数の領域に分割（セグメンテーション）する工程である。複数のセグメントに分割された各ＣＴ画像（全体セグメント画像）を構成する各セグメントには各セグメントをそれぞれ識別するラベルが付される。
【００４７】
本ステップのセグメンテーションを行うに当たっては種々の方法を用いることができるが、ここでは、３次元空間における階層的クラスタリングを用いたセグメンテーション方法を採り上げる。
【００４８】
まず、この階層的クラスタリングの概念について簡単に説明しておく。
階層的クラスタリングでは、予め与えられたＮ個のサンプルに対して、要素数がＮ個のクラスタ（サンプルの集団）が存在すると仮定する。そして、クラスタ（サンプル）間の計算し、最短の距離にある２つのクラスタを併合して新たなクラスタとする。このときクラスタの数は１つ減りＮ−１となる。この操作を繰り返し、例えば、最も近いクラスタ間の距離がある値よりも大きくなったらクラスタの併合を停止する。
【００４９】
このような階層的クラスタリングを３次元空間において適用して各ＣＴ画像をセグメンテーションを行う方法を以下に説明する。
【００５０】
図４は、３次元空間における階層的クラスタリングによるセグメンテーションの概念を説明するための図である。
【００５１】
図４に示すように、このセグメンテーション手法では、まず、２次元平面状のＣＴ画像を構成する各ピクセルを、ｘ軸、ｙ軸、ＣＴ値軸を座標軸とする３次元座標系（３次元ベクトル空間）上に抽出する。３次元ベクトル空間内に抽出されたピクセル群に対して階層的クラスタリングを適用して、図４に示すように、クラスタを抽出する。抽出された各クラスタに対応する元のＣＴ画像上のピクセル群が各セグメントとして抽出される。
【００５２】
このセグメンテーション手法によれば、２次元平面上のＣＴ画像における各ピクセル同士の距離のみならず、各ピクセル同士のＣＴ値の近さをも考慮するので、類似するピクセル群をより適正にクラスタとして分離抽出することができる。
【００５３】
これに対し、従来のセグメンテーション手法では、適正なクラスタの分離抽出は困難であった。即ち、従来のセグメンテーション手法では、ＣＴ値の範囲（閾値範囲）を例えば複数設定し、これらの閾値範囲をＣＴ画像に適応することによりセグメントの抽出を行っていた。例えば、閾値範囲を、ＣＴ値３０１〜４００、ＣＴ値４０１〜５００として設定し、ＣＴ値３０１〜４００を有する一連のピクセル群を１つのセグメント、ＣＴ値４０１〜５５０を有する一連のピクセル群を１つのセグメントなどとしてセグメントを抽出した。しかし、このようなグローバルな閾値範囲を適応することによるセグメンテーション手法では、例えば大きなＣＴ値変動を有する単一組織をセグメントとして適正に抽出することは困難である。例えば、境界の内側付近で急峻にＣＴ値が変動する特徴を有する肝腫瘍を、セグメントとして適正に抽出することが困難である。
【００５４】
この点、上述した３次元空間における階層的クラスタリングを用いたセグメンテーションでは、３次元ベクトル空間上で相隣接するピクセル間の距離によるセグメント抽出、つまり２次元画像上のピクセルの距離とピクセル輝度の両方を融合した遠近によるセグメント抽出を行うため、局所的な条件も考慮したセグメント抽出（クラスタリング）となり、この結果、適正なセグメント抽出が可能となるのである。
【００５５】
以上に述べた３次元空間における階層的クラスタリングを用いたセグメンテーションの詳細なステップ（アルゴリズム）を以下に示す。
【００５６】
３次元階層型セグメンテーション・アルゴリズム
入力：ＣＴ画像、スケーリングファクタ、分割階層ｋ
出力：全体セグメント画像（全体ラベル画像）
処理方法：
（１）ＣＴ画像を平滑化する。但し、図３のステップＳ１１（マクロ視化フィルタ処理）のように既にＣＴ画像に対して平滑化処理を行っている場合はこの限りではない。
【００５７】
（２）ＣＴ画像の各ピクセルが有するｘ、ｙ座標、及びＣＴ値にそれぞれスケーリングファクタを掛け算した３次元ベクトルの集合Ｓｐを求める。従って、集合Ｓｐは、ピクセル数ｎと同じ数の３次元ベクトルｐ１，ｐ２，ｐ３、ｐｉ、ｐｊ・・・ｐｎを有する。つまり集合Ｓｐは、要素数ｎの３次元ベクトルを有する。
【００５８】
（３）集合Ｓｐにおける複数の３次元ベクトルの全対についてユークリッド距離を算出し、ユークリッド距離が最小となる３次元ベクトルの対ｐｉ，ｐｊを探索する。探索された３次元ベクトルの対ｐｉ，ｐｊの重心ベクトル（１／２（ｐｉ＋ｐｊ））を算出し、算出された重心ベクトルｐｉ，ｊを、ベクトル対ｐｉ，ｐｊと置換する。このときのベクトル集合をＳ’ｐとする。従って、ベクトル集合Ｓ’ｐの要素数はｎ−１となり、集合Ｓｐよりも要素数が１減る。
【００５９】
（４）ベクトル集合Ｓ’ｐの要素数が１になるまで、ステップ（３）を繰り返し、この結果統合階層木を取得する。図５に統合階層木の概念図例を示す。但し、図５は、本アルゴリズムの理解を容易にするためのものであり、ベクトルの数をｐ１〜ｐ１２の１２個にして示してある。なお、図中の□は、上述した重心ベクトルを示す。
【００６０】
（５）ステップ（３）、（４）により形成された統合階層木を頂点から辿り、分割階層ｋを頂点とする部分階層木を取得する。各部分階層木に対応するピクセル集合がクラスタとなる。例えば図５では、分割階層ｋ＝３の例を示している。この場合、図５に示すように、部分階層ｋ＝３に対応して、部分階層木は４つ取得される。即ち、ベクトルｐ１によるクラスタ、ベクトルｐ２〜ｐ８によるクラスタ、ベクトルｐ９によるクラスタ、ベクトルｐ１０〜ｐ１２によるクラスタの４つのクラスタが取得される。
【００６１】
（６）各部分階層木に対応したクラスタにそれぞれ固有のラベル値を付する。つまり、同一のクラスタを構成する各ピクセルに同一の固有ラベル値をそれぞれ付する。
【００６２】
以上のアルゴリズムに従って各ＣＴ画像をセグメンテーションしたら、次に、図３に示すように、ステップＳ１３〜Ｓ１６（肝境界セグメント除去工程、背景肝除去工程、ＣＴ値レンジ除去工程、微少セグメント除去工程）を順次行う。これらのステップＳ１３〜Ｓ１６は、ステップＳ１２でセグメンテーションされた各ＣＴ画像（各全体セグメント画像）を構成する各セグメントから、例えばノイズ、背景肝等の不要なセグメント（診断対象外セグメント）をセグメントフィルタリング部５（図２参照）が除去する工程である。
【００６３】
以下、各ステップＳ１３〜Ｓ１６について順次説明する。
まず、ステップＳ１３（肝境界セグメント除去工程）について説明する。
【００６４】
本ステップは、肝境界内側近傍に生成された細長いセグメントを各全体セグメント画像から除去する工程である。
【００６５】
即ち、各ＣＴ画像において肝境界の内側付近ではＣＴ値勾配の大小が連続する。このため、上のセグメンテーション工程（ステップＳ１２）においては、ＣＴ値勾配の大小が連続する肝境界内側の近傍に細長いセグメントが生成される。そこで、本ステップでは、この肝境界の細長いセグメントを各全体セグメント画像から除去する。但し、肝境界の内側付近に存在し得る腫瘍の抽出洩れを防ぐため、肝境界から一定の幅を持たせた範囲内にあるセグメントのみを除去する。
【００６６】
以上のようにして各全体セグメント画像から肝境界セグメントを除去したら、次に、背景肝除去工程（ステップＳ１４）に進む。
【００６７】
この背景肝除去工程は、腫瘍、血管等を除いた、肝内で広域にわたる、肝一般組織によるセグメント（背景肝セグメント）を各全体セグメント画像から除去する工程である。この背景肝セグメントの除去基準について具体的に述べると以下の通りである。
【００６８】
まず、各全体セグメント画像を構成する各セグメントから任意のセグメントを選択し、そのセグメントの凸包領域の面積（ピクセル数）を求める。凸包領域とは、そのセグメント内の全ての領域である。この凸包領域の概念を図６に示す。図６では、選択された任意のセグメント３１内にセグメント３２が包括された状態を示している。この場合、セグメント３１の包括領域とは、セグメント３１内の全領域、つまり、セグメント３２の領域をも含めた領域をいう。
【００６９】
以上のように選択されたセグメントの凸包領域の面積を求めたら、次に、肝領域の全体の面積（ピクセル数）を求める。
【００７０】
次に、上述した凸包領域の面積と肝領域全体の面積との比率を算出し、この比率が所定の基準値以上であるか否かを判断する。所定の基準値未満であると判断した場合は上で選択されたセグメントは背景肝でないと判断し残す。一方、所定の基準値以上であると判断した場合は、つまり凸包領域の面積が広いと判断した場合は以下のようにして背景肝を特定する。
【００７１】
即ち、凸包領域を構成する各ピクセルのピクセル値（ＣＴ値）の合計を凸包領域内の全ピクセル数で割り算した値（平均ピクセル値）を求める。一方、肝領域全体について、例えば横軸をピクセル値、縦軸をピクセル数としたヒストグラムを作成し、ピクセル値のモード値（例えばヒストグラムにおいて最も大きい山を形成するピクセル値）を求める。上述した平均ピクセル値と、このピクセル値のモード値とのずれ（絶対値）を求め、ずれが所定の基準値以下であるか否かを判断する。
【００７２】
平均ピクセル値と、このピクセル値のモード値とのずれが、所定の基準値以下であると判断した場合は、平均ピクセル値をモード値よりも背景肝の基準として優先採用し、この平均ピクセル値を有する上述した凸包領域（上で選択されたセグメント及びそのセグメント内の全セグメント）を背景肝とみなして除去する。例えば、図６に示す場合、選択されたセグメント３１とその内側のセグメント３２との両方を除去する。
【００７３】
一方、平均ピクセル値と、このピクセル値のモード値とのずれが所定の基準値よりも大きいと判断した場合は、モード値を背景肝の基準として優先採用し、各全体セグメント画像内の各セグメントに対して次の判断を行う。即ち、各セグメントにおいて最小のＣＴ値と最大のＣＴ値、つまりＣＴ値の範囲を求め、このＣＴ値の範囲内に上述のモード値が含まれるか否かを判断する。このＣＴ値の範囲内にこのモード値を含むセグメントを背景肝とみなして除去し、ＣＴ値の範囲内にモード値が含まれないセグメントについては残す。
【００７４】
以上の処理を、各全体セグメント画像を構成する他の全てのセグメント、上で選択した任意のセグメント以外のセグメントについても行う。
【００７５】
以上のようにして、各全体セグメント画像から背景肝セグメントを除去したら、次に、図３に示すように、ＣＴ値レンジ除去工程（ステップＳ１５）に進む。
【００７６】
前述したように各ＣＴ画像は肝臓自動抽出処理が施されているが、各ＣＴ画像には肝臓以外の領域が残っている場合もある。一般に、各ＣＴ画像（単純ＣＴ画像及びダイナミックＣＴ画像）において、肝組織が採りうるＣＴ値の範囲は、およそ３０〜１００であるとされている。そこで、本ステップでは、余裕を見て、各全体セグメント画像を構成する各セグメントが、ＣＴ値０〜２００のピクセルを１つも有さない場合はそのセグメントを肝組織の一部ではないとみなして全体セグメント画像から除去する。
【００７７】
以上のようにして各全体セグメント画像から肝領域以外のセグメントを除去したら、次に、図３に示すように、微少セグメント除去工程（ステップＳ１６）に進む。
【００７８】
本ステップは、上述のマクロ視化フィルタ処理工程（ステップＳ１１）で取り除けなかった各ＣＴ画像中のノイズや、緊急性の低い小さな腫瘍などによるセグメントを各全体セグメント画像から除外する工程である。どの程度のサイズのセグメントを除去するかは、つまり、除去すべきセグメントのサイズの閾値は、上述したパラメータファイルａ内のパラメータデータに基づき決定する。本診断支援システムの利用者は、腫瘍の検出洩れと過剰検出との観点から、本診断支援システムの実行に先立ち、記憶部７内のパラメータファイルａを適正なものにしておく必要がある。
【００７９】
以上の各ステップＳ１３〜Ｓ１６により、各全体セグメント画像から診断対象外セグメントを除去したら、診断対象外セグメントが除去された各全体セグメント画像（各個部セグメント画像）を、セグメントフィルタリング部５（図２参照）は、図２に示すように、画像間セグメント対応付け部６に送出する（［５−１］）。また、このセグメントフィルタリング部５は、各ステップＳ１３〜Ｓ１６で各全体セグメント画像から除去したセグメントの情報（フィルタリング情報）を総合制御部３にフィードバックする（［５−２］）。
【００８０】
以上により、セグメント抽出工程Ａ（ステップＳ１１〜Ｓ１６）が終了する。
【００８１】
以上のセグメント抽出工程Ａの内容を要約すると以下の通りである。
即ち、単純ＣＴ画像、早期相、門脈相、後期相の各ＣＴ画像から肝臓領域を自動抽出する。肝臓領域の抽出された各ＣＴ画像（図１参照）に対して平滑化処理を行う。平滑化処理された各ＣＴ画像に対してセグメンテーションを行い、複数のセグメントからなる全体セグメント画像をＣＴ画像ごとに作成する。各全体セグメント画像から不要なセグメントを除去して、診断対象セグメントからなる個別セグメント画像をそれぞれ作成する（図１参照）。
【００８２】
以上のセグメント抽出工程Ａが終了したら、次に、図３に示すように、セグメント対応付け工程Ｂに進む。
【００８３】
このセグメント対応付け工程Ｂは、画像間セグメント対応付け部６（図２参照）が、上述のセグメントフィルタリング部５から受信した各個別セグメント画像を、位置合わせ処理及び統合化処理する工程である。即ち、セグメント対応付け工程Ｂは、各個別セグメント画像間で、同一腫瘍等に対応するセグメント群を対応付け、統合されたセグメント（各ＣＴ画像における同一の腫瘍部分に相当）を生成する工程である。
【００８４】
具体的には、このセグメント対応付け工程Ｂは、次の２つの工程、即ち、画像間位置合わせ工程（ステップＳ１７）と画像間セグメント総合化工程（ステップＳ１８）とからなる。
【００８５】
まず、画像間位置合わせ工程（ステップＳ１７）について説明する。
【００８６】
本ステップＳ１７は、上述の診断対象セグメントが抽出された各個別セグメント画像をそれぞれ並行移動して、次ステップの統合化に当たっての位置合わせを行う工程である。
【００８７】
まず、この位置合わせ処理の概念について説明し、その後、各個別セグメント画像の位置合わせ処理について具体的に説明する。
【００８８】
図７は、位置合わせ処理の概念、及び次のステップで行われる画像間セグメント統合化処理の概念を説明するための図である。
【００８９】
図７では、ある個別セグメント画像Ｔ１（例えば後期像に対応する個別セグメント画像）と、別の個別セグメント画像Ｔ２（例えば門脈相に対応する個別セグメント）とが位置合わせされた状態が示されている。この位置合わせは、各個別セグメント画像Ｔ１、Ｔ２間の垂直方向において肝臓領域の位置合わせを行うものであり、具体的には、以下に定義される「ピクセル値ずれ総和」が最小になるように行われる。
【００９０】
【数１】


つまり、「ピクセル値のずれ総和」は、ＣＴ画像Ｐ１、Ｐ２（肝臓領域自動抽出後のＣＴ画像）において対応するピクセル同士のピクセル値の引き算を各ピクセル同士について行い、それぞれの引き算の結果を二乗和したものとして定義される。この定義に従って個別セグメント画像Ｔ１、Ｔ２を位置合わせすることで、肝臓領域の合わせずれを効果的に低減することができる。
【００９１】
本ステップでは、この定義に従って、つまり、「ピクセル値ずれ総和」が最小となるように、上述した４つの個別セグメント画像をそれぞれ位置合わせする。この状態を図８に示す。
【００９２】
図８に示すように、この位置合わせ処理においては、門脈相に対応する個別セグメント画像Ｒ４を基準とし、これに対してピクセル値ずれ総和が最小になるように残りの個別セグメント画像Ｒ１〜Ｒ３を位置合わせする。
【００９３】
門脈相に対応する個別セグメント画像Ｒ４を基準とするのは、門脈相は、４種類のＣＴ画像の中で、撮影時間上の中間時点に最も近い時点で撮影されたものであるため、他のＣＴ画像とのずれが平均して少ないと考えられるからである。
【００９４】
以上のようにして各個別セグメント画像Ｒ１〜Ｒ４を位置合わせ状態にしたら（ステップＳ１７）、次に、図３に示すように、画像間セグメント統合化工程（ステップＳ１８）に進む。
【００９５】
本ステップＳ１８は、位置合わせ状態にされた各個別セグメント画像Ｒ１〜Ｒ４間でそれぞれ対応するセグメントを統合化する工程である。
【００９６】
まず、上述と同様、統合化の概念を、上述した２つの個別セグメント画像Ｔ１、Ｔ２（図７参照）を用いて説明し、その後、各個別セグメント画像Ｒ１〜Ｒ４のセグメント統合化処理について具体的に説明する。
【００９７】
図７に示すように、セグメントの統合化とは、簡単には、互いに位置合わせ状態にされた個別セグメント画像Ｔ１、Ｔ２間で互いに重なり合うセグメント同士を統合化して１つの統合セグメントとするものである。より詳しくは、互いに重なり合うセグメント同士の「重なり率」が所定の条件を満たす場合はそれらのセグメントを統合しようとするものである。図７では、例えばセグメントＡ１、Ａ２が統合化されて統合セグメントＡ３が統合セグメント画像Ｉに作成されている。ここで、「重なり率」は、図７のセグメントＡ１、Ａ２、及びセグメントＡ１、Ａ２の重なり領域Ｌ（斜線部分）を用いると以下のように定義される。
【００９８】
【数２】


この「重なり率」を用いて、セグメント統合化処理の詳細なステップ（アルゴリズム）について説明する。
【００９９】
これに先立ち、このアルゴリズムの説明において用いられる「隣接率」についてさらに説明する。
【０１００】
図９は、「隣接率」を説明するための図である。
図９において、セグメントＸ、Ｙは同じ個別セグメント画像上のセグメントであり、セグメントＸ、Ｙは互いに隣接している。このとき、これらセグメントＸ、Ｙの「隣接率」は以下のようにして定義される。
【０１０１】
【数３】


以上に定義した「隣接率」及び「重なり率」を用いたセグメント統合化処理のアルゴリズムを以下に示す。
【０１０２】
セグメント統合アルゴリズム
入力：個別セグメント画像Ｔ１、Ｔ２及び重なり率基準値
出力：統合セグメント画像（統合ラベル画像）Ｉ
処理方法：
（１） 個別セグメント画像Ｔ１、個別セグメント画像Ｔ２のそれぞれにおいて、隣接率（式（３））が所定の基準値以上のセグメント同士をそれぞれ統合して１つのセグメントとする。
【０１０３】
（２） 個別セグメント画像Ｔ１上のセグメントｉについて
（ｉ）セグメントｉと重なり合うセグメントが個別セグメント画像Ｔ２上に存する場合：
（ａ）セグメントｉと重なり合う個別セグメント画像Ｔ２上のすべてのセグメントｊについて、セグメントｉとの重なり率（式（２））を求め、重なり率が所定の基準値以上の場合はそれらのセグメントを統合する。
（ｂ）（ａ）で統合された個別セグメント画像Ｔ２上のセグメントと重なり合う個セグメント画像Ｔ１上の他のセグメントを統合化（再帰的統合）する。
（ｃ）（ｂ）で統合された個別セグメント画像Ｔ１上のセグメントと重なり合う個別セグメント画像Ｔ２上の他のセグメントを再帰的に統合する。
（ｄ）重なり合うセグメントが存在しなくなるまでステップ（ｂ）（ｃ）を繰り返す。
（ｉｉ）セグメントｉと重なり合うセグメントが個別セグメント画像Ｔ２上に存在しない場合（重なり率が０の場合）：
（ａ）セグメントｉをそのまま残す。
【０１０４】
（３）ステップ（２）の各ステップにおいて統合化の判断に付されなかった個別セグメント画像Ｔ１上の他の全てのセグメントについてステップ（２）を行う。
【０１０５】
以上のアルゴリズムに従って、図７に示す個別セグメント画像Ｔ１、Ｔ２を統合化する手順を具体的に説明する
まず、上のアルゴリズムのステップ（１）を実行する。即ち、個別セグメント画像Ｔ１、Ｔ２のそれぞれにおいて相隣接するセグメント同士を統合する。しかし、図７に示すように、個別セグメント画像Ｔ１、Ｔ２のいずれにおいても相隣接するセグメント同士はない。従って、ステップ（１）は終了し、次のステップ（２）に進む。
【０１０６】
まず、個別セグメント画像Ｔ１上のセグメントｉとしてセグメントＡ１に着目する（ステップ（２））。
【０１０７】
このセグメントＡ１は、個別セグメントＴ２上のセグメントＡ２と重なり合うため、ステップ（２）（ｉ）に進み、セグメントＡ１とセグメントＡ２の重なり率を算出する（ステップ（２）（ｉ）（ａ））。この重なり率は、所定の基準値以上であるので、図７中のパターン２に示すように、これらのセグメントＡ１、Ａ２を統合化し、統合セグメント画像Ｉ上にセグメントＡ１、Ａ２を転写する。個別セグメント画像Ｔ２上において統合化されたセグメントＡ２と重なり合うセグメントは個別セグメントＴ１に他に存在しない（ステップ（２）（ｉ）（ｂ））。以上の結果、ステップ（２）は終了し、統合セグメント画像Ｉ上には、セグメントＡ１、Ａ２が統合された統合セグメントＡ３（Ａ１とＡ２の論理和）が形成される。
【０１０８】
次に、個別セグメント画像Ｔ１上のセグメントＢ１ａについて着目する（ステップ（３））。
【０１０９】
この、セグメントＢ１ａは、個別セグメント画像Ｔ２上のセグメントＢ２ａ、Ｂ２ｂと重なり合うため、ステップ（２）（ｉ）に進み、セグメントＢ１ａとセグメントＢ２ａ、Ｂ２ｂの重なり率をそれぞれ算出する（ステップ（２）（ｉ）（ａ））。これらの重なり率は、いずれも所定の基準値以上であるので、図７中のパターン３に示すように、これらのセグメントＢ１ａ、Ｂ２ａ、Ｂ２ｂを統合化し、統合セグメント画像Ｉに転写する（ステップ（２）（ｉ）（ａ））。ここで、個別セグメント画像Ｔ２上のセグメントＢ２ｂは、さらに個別セグメント画像Ｔ１上のセグメントＢ１ｂと重なり合うのでセグメントＢ１ｂをさらに統合化し、このセグメントＢ１ｂを統合セグメント画像Ｉ上に転写する（ステップ（２）（ｉ）（ｂ））。このセグメントＢ１ｂに重なり合うセグメントは個別セグメント画像Ｔ１上に他に存在しない。以上の結果、ステップ（２）は終了し、統合セグメント画像Ｔ上には、セグメントＢ１ａ、Ｂ１ｂ、Ｂ２ａ、Ｂ２ｂが統合された統合セグメントＢ３が形成される。
【０１１０】
次に、個別セグメントＴ１上のセグメントＣ１について着目する（ステップ（３））。
【０１１１】
このセグメントＣ１と重なり合うセグメントは個別セグメントＴ２上に存在しないため、ステップ（２）（ｉｉ）を実行する。この結果、セグメントＣ１はそのまま統合セグメント画像Ｔ上に転写され、統合セグメント画像Ｉ上には統合セグメントＣ３が形成される。
【０１１２】
以上により個別セグメントＴ１上の全てのセグメントについて統合化処理の判断がなされたのでセグメント統合化処理は終了する（ステップ（３））。
【０１１３】
本ステップＳ１８では、以上のようなアルゴリズムに従ったセグメント統合化処理を、前述した各個別セグメント画像Ｒ１〜Ｒ４（図８参照）について行う。即ち、互いに位置合わせ状態にされた各個別セグメント画像Ｒ１〜Ｒ４（図８参照）を２枚ずつ順次統合化して、各個別セグメントＲ１〜Ｒ４のセグメントが統合化された統合セグメント画像を導出する。この処理を具体的に示したフローチャートを図１０に示す。
【０１１４】
図１０に示すように、まず、個別セグメント画像Ｒ１、Ｒ２（図８参照）を上述のアルゴリズムに従って統合化して第１の中間統合セグメント画像を作成する（ステップＳ２１）。次いで、この第１の中間統合セグメント画像と個別セグメント画像Ｒ３とを統合化処理して第２の中間統合セグメント画像を作成する（ステップＳ２２）。次いで、この第２の中間統合セグメント画像と個別セグメント画像Ｒ４とを統合化処理して最終的に統合セグメント画像（図１の統合セグメント画像を参照）を作成する（ステップＳ２３）。
【０１１５】
以上のようにして統合セグメント画像を作成した画像間セグメント対応付け部６は、作成した統合セグメント画像、及び統合化処理において用いた各個別セグメント画像を、図２に示すように、総合制御部にフィードバックする（［６］）。
【０１１６】
以上によりセグメント対応付け工程Ｂ（ステップＳ１７〜Ｓ１８）は終了する。
【０１１７】
以上のセグメント対応付け工程Ｂの内容を要約すると以下の通りである。
即ち、診断対象セグメントが抽出された各個別セグメント画像Ｒ１〜Ｒ４をそれぞれ「ピクセル値ずれ総和」が最小となるように位置合わせ状態にする。そして、各個別セグメント画像Ｒ１〜Ｒ４間でそれぞれ同一の腫瘍に対応するセグメント群（例えば図７のＡ１、Ａ２）を対応づけて、統合されたセグメント（例えば図７のＡ３）を生成する。
【０１１８】
以上のセグメント対応付け工程Ｂが終了したら、次に、図３に示すように、診断工程Ｃに進む。
【０１１９】
この診断工程Ｃは、統合セグメント画像（例えば図７のＩ）を構成する各統合セグメント（例えば図７のＡ３、Ｂ３、Ｃ３）について、後述する腫瘍診断に用いるセグメント特徴量を算出する。そして、このセグメント特徴量を、種々の腫瘍タイプを特定する診断ルールに適応して、各統合セグメントに対応する被検体の部分における腫瘍の種類等の診断結果を出力する工程である。
【０１２０】
具体的には、この診断工程Ｃは、次の２つの工程、即ち、特徴量算出工程（ステップＳ１９）と診断ルール判別工程（ステップＳ２０）とからなる。
【０１２１】
まず、特徴量算出工程（ステップＳ１９）について説明する。
本ステップは、後述の腫瘍診断に当たって用いられるセグメント特徴量を算出する工程である。
【０１２２】
具体的には、図２に示すように、特徴量算出部８が総合制御部３から各ＣＴ画像、各個別セグメント画像、統合セグメント画像、フィルタリング情報を受信し（［７］）、これらのデータを用いて、各統合セグメントについてセグメント特徴量を算出する。なお、各ＣＴ画像は、図２から分かるように、肝臓領域自動抽出処理のなされていないものである。
【０１２３】
以下に、セグメント特徴量について詳しく説明する。
図１１は、セグメント特徴量の種類及びその内容について示した図表である。
【０１２４】
図１２（ａ）〜（ｃ）は、図１１に示すセグメント特徴量のうち、特に類円度、扁平度、断片数を説明するための図である。
【０１２５】
以下、図１１及び図１２を用いて、各セグメント特徴量について説明する。但し、これらのセグメント特徴量は一例であり、本発明の適用範囲はこれらに限定されるものではない。
【０１２６】
図１１に示す「セグメント重心」は、統合セグメント（例えば図７のＡ３、Ｂ３、Ｃ３参照）の重心のｘ、ｙ座標である。このセグメント重心は、上述した各ＣＴ画像、各個別セグメント画像、統合セグメント画像及びフィルタリング情報のうち、統合セグメント画像を用いて算出される。
【０１２７】
「セグメントサイズ（サイズ）」は、統合セグメントの面積（ピクセル数）である。このセグメントサイズは統合セグメント画像を用いて算出される。
【０１２８】
「類円度」は、統合セグメントの円形の度合いであり、以下の式（４）によって定義されるものである（図１２（ａ）参照）。この類円度は、統合セグメント画像を用いて算出される。
【０１２９】
【数４】


「扁平度」は、統合セグメントの細長形の度合いであり、以下の式（５）によって定義されるものである（図１２（ｂ）参照）。この扁平度は、統合セグメント画像を用いて算出される。
【０１３０】
【数５】


「不整度」は、統合セグメントの辺縁の入り込み度合いを表し、以下の式（５）によって定義されるものである。この不整度は、統合セグメント画像を用いて算出される。
【０１３１】
【数６】


「ＣＴ値平均」は、統合セグメントに対応する、単純ＣＴ画像、早期像、門脈相、後期像の各セグメントにおいてそれぞれＣＴ値の平均をとったものである。例えば、「門脈相のＣＴ値平均」とは、統合セグメントに対応する門脈相のセグメント（統合セグメントを門脈相に転写したときの門脈相の領域）におけるＣＴ値の平均をいう。このＣＴ値平均は、各ＣＴ画像と統合セグメント画像とを用いて算出される。
【０１３２】
「ＣＴ相対値」は、統合セグメントに対応する、単純ＣＴ画像、早期像、門脈相、後期像の各セグメントのＣＴ値の平均と、各ＣＴ画像の背景肝（図３の背景肝除去工程Ｓ１４の説明参照）におけるＣＴ値の平均との差である。例えば、「門脈相のＣＴ相対値」とは、統合セグメントに対応する門脈相のセグメントにおけるＣＴ値の平均と、この門脈相における背景肝セグメント（ステップＳ１４で除去されたセグメント）のＣＴ値の平均との差をいう。このＣＴ相対値は、統合セグメント画像、各ＣＴ画像、フィルタリング情報を用いて算出される。
【０１３３】
「断片数」は、統合セグメント内にある単純ＣＴ画像、早期像、門脈相、後期像の各セグメント（統合セグメントに跨る各ＣＴ画像のセグメントも含む）の数の合計である（図１２（ｃ）参照）。即ち、統合セグメント画像及び各個別セグメント画像をそれぞれ垂直方向に位置合わせした状態でこれらを平面的に見たときに、統合セグメントに包含される及び跨るセグメント数が断片数である。例えば、図１２（ｃ）に示す場合、断片数は５となる。この断片数は、統合セグメント画像及び各個別セグメント画像を用いて算出される。
【０１３４】
「ＣＴ値最大偏差」は、統合セグメントに対応する、単純ＣＴ画像、早期像、門脈相、後期像の各セグメントのＣＴ値平均のうち、最大のＣＴ値平均と、最小のＣＴ値平均の差の絶対値である。このＣＴ値最大偏差は、統合セグメント画像及び各ＣＴ画像を用いて算出される。
【０１３５】
「エントロピー」は、統合セグメントに対応する、単純ＣＴ画像、早期像、門脈相、後期像の各セグメントのエントロピーである。例えば、横軸をＣＴ値、縦軸をピクセル数をするヒストグラムを描いたとき、このヒストグラムにおいてピクセル数の突出部があるときはそのセグメントのエントロピーは小さく、全体になだらかなときはそのセグメントのエントロピーは大きい。このエントロピーは、統合セグメント画像及び各ＣＴ画像を用いて算出される。
【０１３６】
「辺縁ＣＴ値」は、統合セグメントの外周辺から一定の範囲内に包含される、単純ＣＴ画像、早期像、門脈相、後期像の各セグメントのＣＴ値平均である。例えば、「辺縁早期ＣＴ値」とは、統合セグメントの外周辺から一定の範囲内に包含された早期像のセグメントのＣＴ値平均をいう。この辺縁ＣＴ値は、統合セグメント画像、各ＣＴ画像、各個別セグメント画像を用いて算出される。
【０１３７】
以上の各種のセグメント特徴量を算出したら、特徴量算出部８は、図２に示すように、算出した各セグメント特徴量データを腫瘍スコアリング診断部９に送出し（［８］）、次に、図３に示すように、診断ルール判別工程（ステップＳ２０）に進む。
【０１３８】
本ステップは、腫瘍スコアリング診断部９（図２参照）が、特徴量算出部８から受信したセグメント特徴量データを所定の診断ルールに当てはめて、各統合セグメントに対応する被検体の部分における腫瘍の種類等を判別する工程である。この腫瘍スコアリング診断部９は、本ステップの実行に当たって、図２に示すように、診断に用いる各種パラメータを含んだパラメータファイルｂを総合制御部３から受け取る（［９］）。
【０１３９】
図１３は、上述の診断ルールを示した図表である。この診断ルールは、肝癌診断に関連する医学知識に基づいて考案されたものである。この診断ルールについて簡単に説明すると以下の通りである。
【０１４０】
図１３に示すように、この診断ルールは、肝のう胞（非悪性）、転移性癌（悪性）、血管種（非悪性）、肝細胞癌（悪性）、血管（非悪性）を判定するものである。即ち、この診断ルールは、統合セグメント画像（例えば図７のＩ）における各統合セグメント（例えば図７のＡ３、Ｂ３、Ｃ３）がこれらに該当する可能性を判断するものである。図１３に示すように、各腫瘍タイプ及び血管にはそれぞれセグメント特徴量を用いた条件式が複数設定されており、各条件式にはそれぞれ重み付けが設定されている。重み付けはパラメータａ１〜ａ５、ｂ１〜ｂ６、ｃ１〜ｃ５、ｄ１〜ｄ４、ｅ１〜ｅ６によって表されている。また、図中の肝細胞癌（悪性）における“ＨＣＣ＿ＴＨ１”、血管（非悪性）における“ＶＥＳ＿ＴＨ”もパラメータである。これらのパラメータには、上述のパラメータファイルｂ内に格納されたパラメータデータ、あるいは所定の初期値が設定される。
【０１４１】
以下、この診断ルールに基づいて、腫瘍スコアリング診断部９が、各統合セグメントについての腫瘍の種類を判断する処理について詳しく説明する。
【０１４２】
まず、統合セグメント画像内の各統合セグメントについて、各腫瘍タイプ別のスコアを算出する。つまり、各統合セグメントについて、肝のう胞（非悪性）、転移性癌（悪性）、血管種（非悪性）、肝細胞癌（悪性）、血管（非悪性）のそれぞれのスコアを算出する。スコアの算出方法は以下の通りである。
【０１４３】
例えば、肝のう胞（非悪性）の場合を例にして説明する。図１３に示すように、肝のう胞（非悪性）にはＮｏ．１〜５までの５つの条件式がある。各条件式には上述したように重みがそれぞれ設定されている。これら５つの条件式を、各統合セグメントがそれぞれ満たすか否かを判断し、満たす場合には該当する条件式の重みを加算し、スコアを算出する。例えば、肝のう胞（非悪性）において、Ｎｏ．１〜５の内、Ｎｏ．１，２，４の条件を満たす場合は、スコアはａ１＋ａ２＋ａ４となる。同様にして、肝のう胞（非悪性）以外の他の腫瘍タイプについてもそれぞれスコアを算出する。これにより、肝のう胞（非悪性）、転移性癌（悪性）、血管種（非悪性）、肝細胞癌（悪性）、血管（非悪性）のそれぞれについてのスコアが算出される。
【０１４４】
以上のようにして各統合セグメントについて各腫瘍タイプのスコアリングを行ったら、腫瘍スコアリング診断部９は、診断結果データ（各統合セグメントについて、腫瘍タイプごとのスコアを含んだもの）と、診断に当たって用いたセグメント特徴量データを、図２に示すように、総合制御部３に送出する（［１０］）。そして、総合制御部３は、受信した診断結果データ及びセグメント特徴量データを、各個別セグメント画像と共に、出力部１０に送出する（［１１］）。本診断システムの利用者（例えば医師）は、出力部１０に表示されたこれらのデータを用いて、最終的な診断結果を下す。
【０１４５】
より詳しくは、医師等は、腫瘍のスコアが大きい程、その腫瘍に該当する可能性が高いと判断する。例えば、ある統合セグメントについて、スコアの最も大きいものが肝のう胞（非悪性）である場合は、この統合セグメントに対応する被検体の部分は肝のう胞（非悪性）である可能性が高いと判断する。一方、最もスコアが大きいものが血管（非悪性）である場合は、その統合セグメントは単なる血管であり、何ら腫瘍がない可能性が高いと判断する。
【０１４６】
次に、本実施の形態を適用して実際に肝臓を自動診断した結果例を例えば３つ示す。
【０１４７】
図１４は、肝細胞癌（悪性）（図１３参照）が確認された例を示す図である。
【０１４８】
図１４には、単純ＣＴ画像、早期像、門脈相、後期像、識別結果（統合セグメント画像）が表示されている。但し、単純ＣＴ画像、早期像、門脈相、後期像は、肝臓領域自動抽出処理がなされていない状態のものである（後述する図１５及び図１６においても同様）。
【０１４９】
図１４の識別結果に示すように、この肝細胞癌（悪性）の症例では、互いに隣接する肝細胞癌と血管とが、前述した画像間セグメント対応付けアルゴリズムによって適正に分離されていることが確認できる。また、各ＣＴ画像間におけるＣＴ値の経時変化を用いることにより、各統合セグメントの種類（腫瘍及び血管）も正しく認識されたことが確認できる。なお、図１４の識別結果において、矢印にて示される以外のセグメントは、血管やノイズ等のセグメントである（後述する図１５及び図１６においても同様）。
【０１５０】
図１５は、血管種（非悪性）（図１３参照）が確認された例を示す図である。
【０１５１】
この血管種（非悪性）の症例では、単純ＣＴ画像や後期像において目視で確認できない腫瘍も、上述の画像間セグメント対応付けアルゴリズム及びＣＴ値の経時変化を用いることによって、識別結果に示すように、血管腫として正しく判別されたことが確認できる。
【０１５２】
図１６は、膵臓転移性癌（悪性）（図１３参照）が確認された例を示す図である。
【０１５３】
この症例においても、各ＣＴ画像間におけるＣＴ値の経時変化を適正に把握することによって腫瘍タイプが正しく認識されたことが確認できる。
【０１５４】
さて、以上に説明した本診断システムの動作における各ＣＴ画像のセグメンテーション（ステップＳ１２）においては、３次元空間における階層的クラスタリングを用いた。ここでは、別のセグメンテーション方法の一例について説明する。
【０１５５】
この別のセグメンテーション方法は、簡単には、ＣＴ画像（例えば肝臓領域自動抽出処理後のもの）の各ピクセルのｘ、ｙ座標及びＣＴ値を３次元空間上に抽出（図４参照）したときにおける単位体積当たりのピクセル数（ピクセル密度）に基づいて行うものである。より詳しくは以下の通りである。
【０１５６】
図１７は、単位体積における全ピクセルのＣＴ値の平均と、ピクセル密度との関係を示す分布図（平均ＣＴ値−ピクセル密度分布図）である。この分布図は、図１４における肝細胞癌（悪性）の症例を示す各ＣＴ画像のうち、早期像を用いて作成したものである。
【０１５７】
図１７に示すように、このグラフには、２つの大きなピークｗ１、ｗ２があることが分かる。平均ＣＴ値が約７０のところにあるピークｗ１は、背景肝のセグメントに基づくピークであり、平均ＣＴ値が約１１０のところにあるピークｗ２は、腫瘍、血管等のセグメント等に基づくピークである。つまり、この平均ＣＴ値−ピクセル密度分布図において、ピクセル密度のエントロピーは極めて低い。従って、平均ＣＴ値−ピクセル密度の関係はセグメントの境界を特定するために有効な指標になるといえる。即ち、本セグメンテーション方法によれば、効果的なセグメンテーションを行うことができる。
【０１５８】
本発明者らは、セグメントの境界を特定するための他の指標として、平均ＣＴ値−パワースペクトル、平均ＣＴ値−エッジ強度の関係を採り上げ、それぞれの指標についても、上述の肝細胞癌（悪性）を示す早期像を用いて、実際に調べて見た。その結果を、図１８及び図１９に示す。
【０１５９】
図１８は、平均ＣＴ値−パワースペクトルの関係を示す分布図（平均ＣＴ値−パワースペクトル分布図）である。ここでの平均ＣＴ値は、ＣＴ画像の単位面積当たりにおける全ピクセルのＣＴ値の平均である。一方、パワースペクトルは、単位面積当たりのパワースペクトルであり、値が大きいほど、ざらつき感が大きいことを示す。
【０１６０】
図１９は、平均ＣＴ値−エッジ強度の関係を示す分布図（平均ＣＴ値−エッジ強度）である。ここでの平均ＣＴ値は、上の平均ＣＴ値−ピクセル密度分布図における平均ＣＴ値と同じものである。一方、エッジ強度は、簡単には、単位体積内におけるＣＴ値の変動レベルを示すものである。つまり、エッジ強度が大きいほど、単位体積内におけるＣＴ値の変動が大きいことを示す。
【０１６１】
これら図１８及び図１９に示すように、これらの分布図にはセグメントに対応するピークが現れないことが分かる。つまり、図１８のパワースペクトル、図１９のエッジ強度は、いずれも高エントロピーであるため、セグメントの正しい抽出は困難であることが分かる。このことからも、上述の平均ＣＴ値−ピクセル密度の関係が、セグメンテーションに極めて有効な指標であることが分かる。
【０１６２】
以上のように、本発明の実施の形態によれば、４種類のＣＴ画像をそれぞれセグメンテーション及び統合化するようにしたので、各ＣＴ画像における同一の腫瘍部分を統合セグメントとして抽出することができる。従って、この統合セグメントを各ＣＴ画像に対応させることで、腫瘍判別の自動診断において重要な、同一の腫瘍部分におけるＣＴ値の経時変化を自動取得することができる。
【０１６３】
また、本発明の実施の形態によれば、上述の統合セグメントの形状等の特徴や、統合セグメントに対応する各ＣＴ画像領域のＣＴ値等を用いて腫瘍種別診断に有用な特徴量を算出し、この特徴量を、医学上の診断知識に基づく診断ルールに適応することによって各腫瘍の該当可能性の度合いを示すスコアを各腫瘍について算出するようにしたので、医師の医学知識に基づく腫瘍診断を自動化することができる。
【０１６４】
また、本発明の実施の形態によれば、ＣＴ画像中の各ピクセルをｘ座標、ｙ座標、ＣＴ値による３次元ベクトルとして表し、全ピクセルによる３次元ベクトルの集合に対して３次元空間における階層的クラスタリングを行うようにしたので、各ピクセルの位置、ＣＴ値の尺度を融合した基準でのセグメンテーションが可能となり、人が見た目に近いセグメント抽出を行うことができる。
【０１６５】
【発明の効果】
本発明によれば、複数の経時造影画像を領域分割し、診断対象となる分割領域を抽出した診断対象画像を統合化するようにしたので、各経時造影画像における異常部を特定することができる。また、各経時造影画像における異常部の経時変化から、診断に用いて有用な特徴量を算出し、算出された特徴量を所定の診断ルールに適応するようにしたので、被検体の状態を自動診断することができる。
【図面の簡単な説明】
【図１】本発明の実施の形態としての診断支援システムによる処理の流れを簡単に示す図である。
【図２】本発明の実施の形態としての診断支援システムの構成を示すブロック図である。
【図３】本診断支援システムの動作を詳細に示したフローチャートである。
【図４】３次元空間における階層的クラスタリングによるセグメンテーションの概念を説明するための図である。
【図５】統合階層木の概念図例を示す図である。
【図６】凸包領域の概念を説明するための図である。
【図７】位置合わせ処理の概念と、画像間セグメント統合化の概念を説明するための図である。
【図８】４つの各個別セグメント画像を互いに位置合わせした状態を示す図である。
【図９】隣接率を説明するための図である。
【図１０】各個別セグメント画像Ｒ１〜Ｒ４を２枚ずつ順次統合化する処理を示すフローチャートである。
【図１１】セグメント特徴量の種類とその説明を示した図表である。
【図１２】セグメント特徴量のうち、特に類円度、扁平度、断片数をそれぞれ説明するための図である。
【図１３】診断ルールを示した図表である。
【図１４】肝細胞癌（悪性）が確認された例を示す図である。
【図１５】血管種（非悪性）が確認された例を示す図である。
【図１６】膵臓転移性癌（悪性）が確認された例を示す図である。
【図１７】平均ＣＴ値−ピクセル密度の関係を示す分布図である。
【図１８】平均ＣＴ値−パワースペクトルの関係を示す分布図である。
【図１９】平均ＣＴ値−エッジ強度の関係を示す分布図である。
【符号の説明】
１ 画像読込部
２ 入力部
３ 総合制御部
４ セグメンテーション部（領域分割処理部）
５ セグメントフィルタリング部（診断対象画像作成部）
６ 画像間セグメント対応付け部（統合化処理部）
７ 記憶部
８ 特徴量算出部
９ 腫瘍スコアリング診断部（被検体状態決定部）
１０ 出力部
Ｒ１〜Ｒ４、Ｔ１、Ｔ２ 個別セグメント画像（診断対象画像）
Ｉ 統合セグメント画像（統合画像）
【出願人】 【識別番号】５９１１１５４７５
【氏名又は名称】株式会社三菱総合研究所
【識別番号】５９０００１４５２
【氏名又は名称】国立がんセンター総長
【出願日】 平成１５年１月２１日（２００３．１．２１）
【代理人】 【識別番号】１０００７５８１２
【弁理士】
【氏名又は名称】吉武 賢次

【識別番号】１０００８８８８９
【弁理士】
【氏名又は名称】橘谷 英俊

【識別番号】１０００８２９９１
【弁理士】
【氏名又は名称】佐藤 泰和

【識別番号】１０００９６９２１
【弁理士】
【氏名又は名称】吉元 弘

【識別番号】１００１０３２６３
【弁理士】
【氏名又は名称】川崎 康
【公開番号】 特開２００４−２２２８６４（Ｐ２００４−２２２８６４Ａ）
【公開日】 平成１６年８月１２日（２００４．８．１２）
【出願番号】 特願２００３−１２６５４（Ｐ２００３−１２６５４）