JP2010504129A - 肺結節の高度コンピュータ支援診断 - Google Patents

Abstract

被験者における疾病の診断における意思決定サポートのための方法、及びマルチスライス・データ・セットから特徴を抽出するための方法を本明細書及び特許請求の範囲に記載する。コンピュータ支援診断システムを提供する。システムは、複数の医療データを入力として受け取り、このデータに基づいた診断を出力として生成する。入力は、画像データ及び臨床データの組合せを含み得る。診断は、特徴選択、及び１つ又は複数のクラシファイア・アルゴリズムの使用によって行われる。

Description

本出願は、その全体を本明細書及び特許請求の範囲に援用する、西暦２００６年９月２２日付出願の米国特許仮出願第６０／８２６６０２号の利益を主張する。

高度コンピュータ支援診断のためのシステム及び方法を提供する。

肺ガンは、発生頻度が高く、多くの場合、不治の病である。外科の手法、及び療法の改良にもかかわらず、肺ガン患者の５年生存率は、約１５％に留まっているに過ぎない。しかし、疾病がなお限局的である時点で検出された症例の場合、５年生存率は約５０％である。擬陽性病変を早期に発見し、診断することにより、早めの介入が可能になり、予後の向上につながり得る。

どの肺結節が癌性であるかについて専門家も意見が異なることが多いので、肺結節の特徴付けは、大きな課題となっている。悪性結節を誤診すると、治療に遅れが生じる。誤診を最小にするために、多くの患者は生検を受ける。これは、大きな金銭的負担を患者及び保険業者に課すとともに、患者の心身の健康状態を低下させる影響を及ぼす。

マルチスライス・コンピュータ断層撮影（ＭＳＣＴ）により、これまでよりも早い段階で肺ガンの発見及び診断が可能になっている。しかし、前述のシステムは、放射線科医によって解釈される対象の大量のデータを生成する。これにより、同様に、臨床方針決定支援システム（ＣＤＳＳ）の重要性が増大する。ＣＤＳＳの例には、コンピュータ支援発見（ＣＡＤ）システムがある。ＭＳＣＴスキャンにおける潜在的な病変（胸部ＭＳＣＴスキャンからの肺結節など）を自動的に同定するＣＡＤシステムは、ＦＤＡの承認を既に得ており、市場で入手可能である。対照的に、発見された病変を特徴付けるコンピュータ支援診断（ＣＡＤｘ）システムは、研究段階に留まっている（Ａｗａｉらによる「Ｒａｄｉｏｌｏｇｙ， Ｖｏｌ． ２３９， Ｎｏ． １， ｐｐ． ２７６−２８４， ２００６」、Ｓｕｚｕｋｉらによる「ＩＥＥＥ Ｔｒａｎｓ， ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ， Ｖｏｌ． ２４， Ｎｏ． ９， ｐｐ． １１３８−１１５０， ２００５」、及びＷａｙらによる「Ｍｅ． Ｐｈｙｓ．， ３３ （７）， ｐｐ．２３２３−２３３７， ２００６」）
ＣＡＤｘアルゴリズムは通常、入力特徴の組を所望の診断出力と関係付けるための機械学習手法に依存する。例えば、肺ガンの診断のための肺のコンピュータ断層撮影（ＣＴ）撮像では、前述の入力特徴は、調査中の肺結節に施された画像処理アルゴリズムの結果を含み得る。機械学習に使用される画像特徴を同定する処理は、特徴抽出として知られている。ＣＡＤｘシステムの診断精度を向上させることは、診療にこの手法を首尾良く導入するための主要工程である。ＣＡＤｘの性能を向上させるための手法の１つに、特徴抽出処理の改良がある。

発見された病変を特徴付けるＣＡＤｘシステムは研究段階に留まっており、文献に開示された最近の多くのシステムでも、臨床情報を組み入れることも、最適化された特徴抽出を使用することも、高度な機械学習手法を適用することもできていない。

よって、被験者の疾病の診断における決定支援を提供する方法及びシステムを本明細書及び特許請求の範囲に記載する。一実施例における方法は、被験者における、画像ベースの関心ボリュームを抽出する工程と、画像を分割して、画像の背景から関心ボリューム内の少なくとも１つの病変を描く工程と、複数の次元において画像ベースの特徴を抽出する工程と、臨床情報を互換形式に変換し、臨床情報を画像ベースの特徴と合成して特徴プールを形成する工程と、決定を出力するクラシファイア、又はクラシファイアのコミティーによって使用される対象の部分集合プールからの最適な特徴部分集合又は最適な特徴部分集合群を選択する工程であって、クラシファイア、又はクラシファイアのコミティーが病変の診断の予測を提供する工程とを含む。

関連した実施例は、関心ボリュームのスライス間を補間して、等方的であるか、又はほぼ等方的なボクセル表現を生成する工程を更に含む。

前述の実施例の何れにおいても、複数の次元は、画像ベースの特徴抽出の場合、２次元、２．５次元、及び３次元を含む。

関連した実施例は更に、遺伝アルゴリズム、統計的有意差フィルタ、相関フィルタ、再帰的特徴除去、ステップ単位の線形回帰、及びランダム特徴抽出を含む。

関連した実施例では、臨床情報は複数の臨床特徴カテゴリに変換される。

関連した別の実施例では、クラシファイア、又はクラシファイアのコミティーは、サポート・ベクター・マシン、決定ツリー、線形判別分析、又はニューラル・ネットワークである。

更に別の実施例では、クラシファイア、又はクラシファイアのコミティーは、少なくとも１つの病変が悪性であるか、又は良性であるかを判定する。関連した実施例では、クラシファイア、又はクラシファイアのコミティーにより、少なくとも１つの病変の悪性の尤度が求められる。クラシファイア、又はクラシファイアのコミティーは、単純平均値、単純投票、加重平均値、又は加重投票などの少なくとも１つの算出によって求められる。

画像ベースの関心領域を抽出するための前置処理装置と、等方的であるか、又はほぼ等方的なボクセル表現を作成するための補間装置と、関心領域において少なくとも１つの病変を描くための分割装置と、関心領域の画像から複数の次元における画像ベースの特徴を抽出するための特徴抽出装置と、臨床情報を受入れ、互換形式に変換するための臨床情報処理装置と、画像ベースの特徴、及び臨床情報を使用して決定を出力するクラシファイア、又はクラシファイアのコミティーとを含むコンピュータ支援診断システムが提供される。

関連した実施例は更に、特徴プールから適切な画像ベースの特徴、及び臨床特徴をシステムの訓練中に選択するための特徴選択装置を含む。関連した別の実施例では、特徴選択装置は更に、遺伝アルゴリズム、統計的有意差フィルタ、相関フィルタ、再帰的特徴除去、ステップ単位の線形回帰、及びランダム特徴選択などの最適化手法と、サポート・ベクター・マシン、決定ツリー、線形判別分析、及びニューラル・ネットワークを含む選択されたクラシファイア、又はクラシファイアのコミティーとを含む。

関連した実施例では、画像ベースの関心領域は、少なくとも１つの数理形態学演算を行うことによって構成される。少なくとも１つの数理形態学演算には、浸食、膨張、及び穴埋めが含まれる。

関連した実施例は更に、分割から生じる最大の連続した物体を選択することによって構成される画像ベースの関心領域を含む。関連した別の実施例では、画像ベースの関心領域は、内部領域、外部領域、及び境界領域（不要な要素が関心領域から除外される）を含む。

関連した別の実施例では、臨床情報は、年齢、性別、喫煙歴、ガンの病歴、家族歴、職業性曝露、娯楽での曝露、過去の肺疾患、現在の肺疾患、過去の胸部手術、診断対象の病変付近の衛星病巣の数、リンパ節の大きさ、擬陽性の節の存在、及び肺内の病変の場所から選択される少なくとも１つのデータポイントを更に含む。

関連した実施例では、クラシファイアは、病変が悪性であるか、又は良性であるかを判定する。関連した別の実施例では、クラシファイアは病変の悪性の尤度を求める。

更に別の実施例では、マルチスライス・データ・セットから特徴を抽出する方法を提供する。上記方法は、物体の空間分布を数学的に表す工程と、物体の形状を数学的に表す工程と、物体の輪郭及びテクスチャを求める工程と、病変の境界画素を同定し、導関数を推定する工程と、輪郭に沿った位置の関数として導関数を分析する工程と、物体内の暗い領域又は明るい領域の存在を自動的に同定する工程と、物体の周囲領域内の画像のテクスチャを近似する工程とを含む。

関連した実施例は、最大スライスの自動選択、又はユーザによる手作業の選択による分析のためにマルチスライス・データ・セットから個々のスライスを選択する工程を更に含む。

関連した実施例では、特徴が、マルチスライス・データ・セットの各スライス、任意の角度で得られる最大強度の投影、任意の角度で得られる最小強度の投影、及び画像の１つ又は複数のスライスを介した任意の角度で得られたディジタル形式で再構成されたラジオグラフの少なくとも１つについて算出される。関連した別の実施例では、マルチスライス・データ・セットのスライス毎に算出された特徴は、各スライス上の画素の数に重みが比例する加重平均を算出する工程と、マルチスライス・データ・セットの複数のスライスにわたる最大値を求める工程と、マルチスライス・データ・セットにわたる最小値を求める工程とを含む方法によって合成される。関連した別の実施例では、特徴は、複数の次元それぞれにおいて算出される。

別の実施例では、物体の形状は、境界画素の位置のフーリエ変換後の係数の分布、平行移動、回転及び拡大・縮小に対して不変である分割物体の数学的モーメント、画像画素のグレイスケール分布の数学的モーメント、フラクタル次元、及び連鎖符号のうちの少なくとも１つによって表される。

別の実施例では、物体のテクスチャは、フラクタル次元、エネルギ、エントロピ、最大確率、慣性、逆差分及び相関（グレイレベルの共起行列に基づく）、粗さ、コントラスト、使用度、複雑度及び強度（近傍グレイトーン差分行列に基づく）の少なくとも１つによって表される。

更に別の実施例では、周囲領域が、局所輪郭と直交する方向に沿った画像強度の導関数、電力スペクトルのモーメント及び局所輪郭と直交する方向に沿った画像強度の導関数、並びに、局所輪郭と直交する方向に沿った画像強度の分散の推定の少なくとも１つによって表される。

更に別の実施例では、物体内の暗い領域及び明るい領域の存在は、特定の閾値の上下の連続する画素のクラスタの強度又はサイズによって表す。

医療画像を前置処理し、入力として使用される特徴をＣＡＤｘシステムに供給するために、方法及びシステムを本明細書及び特許請求の範囲に記載している。高度な画像処理及び機械学習手法が施され、患者についての臨床情報を一体化して診断における決定支援を提供する。本明細書及び特許請求の範囲記載の方法及びシステムは、高い特定性及び感応性を達成し、複数の次元において病変を特徴付けて、良性病変を悪性病変と正確に区別する。

本明細書及び特許請求の範囲記載の方法及びシステムは、２値決定（すなわち、節が悪性であるか、又は良性である旨）をもたらし得るか、又は、節又は病変が悪性である確率又は尤度（例えば、８０％）をもたらし得る。臨床医はこの情報を第２の意見として使用してその診断意思決定を支援する。本明細書及び特許請求の範囲記載の方法及びシステムは、ＭＲＩやＣＴなどの種々のモダリティ、及び種々の疾病（例えば、大腸ポリープ、肝臓ガンや乳ガン）に使用することが可能である。

輪郭のフラクタル次元を求めるためのボックス集計アルゴリズムを示す一連の図である。 ｌｏｇ （Ｎ ［ｂｏｘｅｓ］）とｌｏｇ （ｌ／［ｂｏｘ ｓｉｚｅ］）との間の線形関係を示すフラクタル次元の計算のグラフである（ｌｏｇ （Ｎ ［ｂｏｘｅｓ］）を縦座標上に示し、ｌｏｇ （ｌ／［ｂｏｘ ｓｉｚｅ］）を横座標上に示す）。 パネルＡが結節のスキャンであり、パネルＢが、対応する分割輪郭図、及び推定法線角度である。 パネルＡが結節の強度勾配のグラフであり（縦軸上に勾配を示し、横軸上に、輪郭に沿った位置を示す）、パネルＢが対応する電力スペクトルのグラフである（電力／周波数を縦軸上に示し、正規化周波数を横軸上に示す）。 ＣＡＤｘシステムのブロック図である。

高い信頼度を臨床医に提供するＣＡＤｘシステムにより、高速でかつ正確な診断（より少ない擬陽性及び擬陰性）を提供することにより、臨床医のワークフローが改善する。ＣＡＤｘシステムは、診断における臨床医の信頼度を増加させるために第２の読み取り装置として使用し、結節などの肺病変の不要な生検のかなりの削減につながり得る。更に、ＣＡＤｘシステムは、症状がない患者の肺ガン検診を容易にすることが可能である。診断に、すばやく、かつ正確に達することが可能であるからである。ＭＳＣＴスキャナ（限定列挙でないが例示すれば、フィリップス社Ｂｒｉｌｌｉａｎｃｅシリーズ）は、放射線専門医によって解釈される対象の、増加する量の画像データを生成する一方で、分解能の増加をもたらし、より細かい構造を観測することを可能にする。しかし、最新のＣＡＤｘシステムも、多くの場合、臨床情報を組み入れ、最適化された特徴の抽出を使用し、又は機械学習手法を組み入れることができない。

開発されていない関心特徴には、厚スライスＣＴスキャン及び薄スライスＣＴスキャンが含まれる。提案された他の特徴には、良性結節と悪性結節との間の差を表すために最適でない単純な３Ｄ特徴のみが含まれる。前述の特徴は多くの場合、低い精度をもたらし、ＣＡＤｘアルゴリズムにおいて使用するには望ましくない。

本明細書及び特許請求の範囲記載の方法及びシステムは、遺伝アルゴリズムやサポート・ベクター・マシンなどの従来技術の機械学習手法、並びに、画像及び特徴の抽出の前置処理のための革新的な画像処理アルゴリズムに基づく。本明細書及び特許請求の範囲記載の方法及びシステムの局面は、意思決定処理への、患者、及び患者の病変についての臨床情報、及び画像ベースの情報を組合せる機能である。本明細書及び特許請求の範囲記載の方法及びシステムは、高品質の医療画像（例えば、ＣＴスキャン）から抽出された特徴を、患者の医療記録からの非撮像データと、機械学習及び画像処理方法論の使用によって合成する。

病変のコンピュータ支援診断の、本明細書及び特許請求の範囲記載の、（図５によって例証される）方法及びシステムは、いくつかの処理装置を含む。前置処理装置は、画像（例えば、ＭＳＣＴスキャン）を処理して、診断する対象の病変をそれぞれが取り囲む等方性の関心ボリュームを生成するか、又は、肺結節などの病変を分割又は前述の病変の輪郭を描く。特徴抽出装置は、病変を特徴付ける対象の画像から２次元（２Ｄ）、２．５次元（２．５Ｄ）、及び３次元（３Ｄ）の特徴を抽出する。前述の特徴は、患者病歴を含む臨床情報とともに、特徴プールを構成する。臨床情報処理装置は、特徴プールにおいて使用される対象の臨床情報を受入れ、変換する。特徴の選択（システムの設計段階で使用される工程）は、遺伝アルゴリズムに基づき、特徴プールからの最適な特徴部分集合を選択するために使用される。クラシファイア、又はクラシファイアのコミティーは、特徴選択処理において使用され、病変を悪性又は良性として分類するか、又は肺結節などの病変の悪性を判定するための選択された特徴部分集合を使用して構築される。

多くの場合、結節の３Ｄ形状の複雑性が理由で、２Ｄスライスは、いくつかの非連結の島を表し得る。後述する特徴の多くは、境界画素の輪郭を一意に描くことに依存するので、多くの場合、単一の物体のみを処理することが望ましい。一実施例における方法及びシステムは、接続された最大の物体以外は全て、除外するためにアルゴリズムを使用し、その物体に対して結節分析全てを行う。この場合、分析は２Ｄの特徴及び２．５Ｄの特徴についてのみ行われる。

本明細書及び特許請求の範囲記載の方法及びシステムは、マルチスライスのデータセットに対する２Ｄ特徴、２．５Ｄ特徴及び３Ｄ特徴の使用を容易にする。２Ｄ特徴の計算の容易であることが理由で、３Ｄデータが利用可能であっても２Ｄ特徴を利用することが望ましい。これは、３Ｄ特徴がロバストでも十分でもないことがあり得る場合に、厚スライス・データ（平面内分解能の３倍よりも大きなスライス厚）において特に一般的である。前述の場合、ＣＡＤｘシステムのユーザは手作業で分析の個々のスライスを手作業で同定することができる。ＣＡＤｘシステムは次いで、この２Ｄスライスから抽出された特徴が分類を実行するために使用される２Ｄモードにおいて動作すると言える。同様に、システムが２Ｄモードで動作する場合、最適なクラシファイアを構成するために、訓練データセットからの２Ｄ特徴のみが使用される。前述のシステムは、マルチスライス・ボリュームに存在している完全な範囲の情報をキャプチャすることができない。

これを解消するために、本明細書及び特許請求の範囲記載の方法及びシステムは、２．５Ｄモード又は疑似３Ｄモードを使用する。同じ特徴が純粋な２Ｄモードと同様に使用され、前述の特徴は、ＭＳＣＴ画像のスライス毎に算出される。スライス範囲は、ボリューム全体を包含し得るか、又は、あるいは、ユーザによって手作業で選択することが可能である。クラシファイアにおいて使用される特徴値は次いで、前述のスライス単位の計算のサイズ加重平均として得られる。特定の特徴の場合、スライスにわたり、最大値又は最小値を使用することが、より論理的であり得る。あるいは、２Ｄ特徴は、スライスの範囲により、又は任意の角度で得られた最大強度投影（ＭＩＰ）データに対して計算される。２Ｄ特徴の抽出は、投影画像上で実行される。

画像の前置処理
ＭＣＳＴスキャンなどの画像を前置処理して、分析のための関心領域（ＲＯＩ）又は関心ボリューム（ＶＯＩ）を求める。前述は、特徴抽出装置への入力としての役目を担う。

本明細書及び特許請求の範囲記載の方法及びシステムは、いくつかの前置処理工程を含む。セグメンテーション誤差に対して特徴算出がロバストであることを可能にするＲＯＩが構成される。ＲＯＩは、２値結節画像に対する、浸食及び膨張という数理形態学演算によって構成される。これは、内部領域、外部領域、及び境界領域を構成するために使用される。物体内に埋め込むことが可能な最大の方形領域を含む更なるＲＯＩも同定される。前述の方法及びシステムに表す特徴は、前述のＲＯＩの何れか１つ又は複数を使用して計算することが可能である。

胸壁や他の不適切な解剖学的構造は、特徴計算から除外される。現在のセグメンテーション・アルゴリズムの多くは更に、胸壁の境界の輪郭も描く。胸壁に属するボクセル又は画素は明示的には、表す対象の特徴全てから除外される。関心の結節又は肺実質組織に属しているものとしてラベリングされた画素のみが含まれる。

多くの特徴の場合、結節内の潜在的な空洞を含む、結節内の完全な範囲の詳細をキャプチャすることが望ましい。結節内のエア・ポケット、又は空洞は多くの場合、セグメント化により、直接、同定されるものでない。したがって、本明細書及び特許請求の範囲記載の方法及びシステムは、結節内の空洞又はエア・ポケットが特徴計算中に明示的に考察されるようにセグメント化マスク内の穴又は空隙を充填するために、後処理結節セグメント化のアルゴリズムを使用する。変更はＣＴ画像に対して行われず、むしろ、セグメント化結果に対して行われる。前述の方法及びシステムは、後処理セグメント化マスク、及び元のセグメント化マスクの使用に関する。

図５に示すように、前置処理装置は、臨床医又はＣＡＤシステムによって提供することが可能であるその場所に基づいて肺結節を取り囲むＶＯＩを抽出する。

ＭＳＣＴスキャンは、スライス間よりもスライス内で高い分解能を有するので、スライス間で補間を行って等方性ボクセル表現を生成することが望ましい。等方性ボクセルに対する補間は、セグメント化目的で望ましい。しかし、特徴計算のために元のデータを維持して、補間カーネルのフィルタリング特性を回避することも好ましい。本明細書及び特許請求の範囲記載の方法及びシステムは、元のスライスを維持し、補間スライスを挿入してスキャンをほぼ等方的にする補間手法を使用する。一実施例における方法及びシステムは、ほぼ等方的なボクセルに達するために補間を単一の軸に制限する手段を含む。前述の等方性ボリュームを次いで、３Ｄ特徴の計算、及びセグメント化に使用することが可能である。元の２Ｄスライスは後に、この補間３Ｄデータセットから抽出することが可能である。

セグメント化工程は、背景から肺結節の輪郭を描き、結節、背景領域及び肺壁領域がラベリングされる２値画像又は３値画像（ラベルＶＯＩ）を生成する。セグメント化アルゴリズムが補間データに対して実行され、その結果、補間ボリュームと同じ次元のボリュームが生じる。Ｐｈｉｌｉｐｓ社プレス・リリース「Ｐｈｉｌｉｐｓ‘ ｎｅｗ ＣＴ Ｌｕｎｇ Ｎｏｄｕｌｅ Ａｓｓｅｓｓｍｅｎｔ ａｎｄ Ｃｏｍｐａｒｉｓｏｎ Ｏｐｔｉｏｎ ｃａｎ ｅｎａｂｌｅ ｃｌｉｎｉｃｉａｎｓ ｔｏ ｉｄｅｎｔｉｆｙ ａｎｄ ｔｒｅａｔ ｌｕｎｇ ｃａｎｃｅｒ， ２００３」、Ｗｉｅｍｋｅｒらによる「Ｏｐｔｉｏｎｓ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ ｃｏｍｐｕｔｅｒ ａｉｄｅｄ ｄｅｔｅｃｔｉｏｎ ｏｆ ｌｕｎｇ ｎｏｄｕｌｅｓ ｉｎ ｔｈｉｎ−ｓｌｉｃｅ ＣＴ， Ｐｈｉｌｉｐｓ Ｒｅｓｅａｒｃｈ Ｌａｂｏｒａｔｏｒｉｅｓ Ｈａｍｂｕｒｇ， ｐ． １−１９， ２００３」、及びＷｉｅｍｋｅｒらによる「Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｔｕｍｏｒ Ｖｏｌｕｍｅｔｒｙ ｉｎ ＣＴ Ｄａｔａ， Ｉｎｖｅｎｔｉｏｎ ｄｉｓｃｌｏｓｕｒｅ， Ｐｈｉｌｉｐｓ Ｒｅｓｅａｒｃｈ Ｈａｍｂｕｒｇ， ２００２」、及びＷｉｅｍｋｅｒらによる「Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｔｕｍｏｒ Ｖｏｌｕｍｅｔｒｙ ｉｎ ＣＴ Ｄａｔａ， Ｉｎｖｅｎｔｉｏｎ ｄｉｓｃｌｏｓｕｒｅ， Ｐｈｉｌｉｐｓ Ｒｅｓｅａｒｃｈ Ｈａｍｂｕｒｇ， ２００２」を参照されたい。２Ｄ特徴の分析の場合、元のスライスに対応するラベル・ボリューム内のスライスが同定され、抽出される。３Ｄ特徴の場合、ほぼ等方的な、完全な３Ｄボリュームが使用される。

本発明の一実施例では、可変の閾値を使用したセグメント化からのセグメント化マスクの手作業の選択が使用される。よって、種々のセグメント化閾値及びシード配置が検査される。セグメント化輪郭でオーバレイされたグレイスケール画像がユーザに提示される。ユーザは次いで、最適なセグメント化、２Ｄ特徴抽出の場合の単一スライス、及び２．５Ｄ特徴抽出の場合の一定範囲のスライスを手作業で選択する。

特徴抽出装置
特徴抽出を行って、肺結節などの病変を特徴付ける対象の２Ｄ特徴、２．５Ｄ特徴及び３Ｄ特徴の画像を抽出する。前述の特徴は、臨床情報とともに特徴プールを構成する。

グレイ・レベル及びラベリングされたＶＯＩを使用して、特徴抽出装置は、例えば、（最大の結節断面を有するＶＯＩのネーティブ・スライスを使用した）２Ｄ特徴、２．５Ｄ（結節の断面積で加重された、ネーティブ・スライス全てに対して算出される２Ｄ特徴の平均）特徴、及び、（ほぼ等方的なＶＯＩに基づいた）３Ｄ特徴などの種々の特徴を算出する。算出された特徴は、悪性結節と良性結節とを区別するために十分な識別力を臨床情報とともに有する必要があるので、特徴抽出工程は重要である。例えば、特徴は、結節の内部及び周囲のグレイ・レベル分布、形状情報、結節内外のテクスチャ情報、結節の表面上の勾配情報、又は結節の内部と外部との間の差異を含み得る。前述の特徴はそれぞれ、２Ｄ、２．５Ｄ、又は３Ｄで算出することが可能である。

臨床情報、及び臨床特徴へのその変換
臨床情報は診断処理において重要であるので、本明細書及び特許請求の範囲記載の方法及びシステムは、特徴選択処理のために、抽出された画像ベースの特徴と合成することが可能であるように適切な形式に臨床情報を変換する装置を含む。例えば、性別の臨床情報は、２つのカテゴリに分割される（患者が男性であるか、又は患者が女性であるかなど）。提案されたシステムにおいて使用することが可能な臨床情報には例えば、年齢、性別、喫煙歴、ガンの病歴、家族歴、職業性曝露、娯楽での曝露、過去又は現在の肺疾患（例えば、肺気腫）、診断対象付近の衛星結節の数、リンパ節の大きさ、他の擬陽性結節の存在、及び肺（例えば、上葉又は下葉）内の結節の場所を挙げることが可能である。

特徴選択
特徴選択装置は、画像ベース特徴及び臨床特徴を含む特徴プールから最も適切な特徴を求める。ＧＡ及びＳＶＭベースの特徴選択処理が使用される。訓練データセットに基づいて、最も適切な特徴が求められると、クラシファイア、又はクラシファイアのコミティーが、最適な特徴部分集合に基づいて構築され、特徴選択装置はもう必要でない。クラシファイアのコミティーに関する実施例では、各コミティー・メンバは、特徴選択アルゴリズムの別個のランによって同定される特徴部分集合上に構成することが可能である。コミティー内のクラシファイアの多様性は例えば、ＧＡベースの特徴選択について、ランダムに選択された別の訓練及び検査データ組を各ＧＡランに与えることによって達成される。他の特徴選択手法（統計的有意差フィルタ、相関フィルタ、ステップ単位線形回帰、再帰型特徴除去（ＲＦＥ）、及びランダム特徴選択）も使用することが可能である。

クラシファイア
監視学習原理に従えば、クラシファイアが、選択された特徴部分集合及び訓練データを使用して構築される。考えられるクラシファイアには、ＳＶＭ、決定ツリー、線形判別分析、及びニューラル・ネットワークがある。ＳＶＭは、クラシファイアに関して優れた性能を示すので使用されることが多い。

クラシファイアのコミティーも使用することが可能である。この場合、特徴選択処理により、最善の特徴部分集合として選択された別々の特徴部分集合上に構築される。各クラシファイアは決定（例えば、結節が悪性か良性か）をもたらす。クラシファイアの多数決投票により、例えば、対象結節についてＣＡＤｘシステムの出力が判定される。尤度ＣＡＤｘでは、コミティーの出力尤度は、賛成票の分数、又はコミティーの各メンバからの個々の尤度結果の平均（加重平均であり得る）であり得る。

例
本明細書及び特許請求の範囲記載の方法及びシステムは、いくつかの画像処理方法をＣＡＤｘに施す。前述の画像処理方法の例を以下に示す。

例１：不変モーメント
モーメントは、物体の空間分布を数学的に表す手段である。これは、形状（２値モーメント）又は密度分布（グレイスケール・モーメント）を含む。可変モーメントは、物体が特定の変換（回転、拡大・縮小や、平行移動など）を経ても変動しないモーメントである。モーメント・ベースの手法は、コンピュータ視覚及び光学文字認識において長い間、使用されている。最初の６つの不変モーメントを含む不変モーメントの使用は、Ｈｕ（１９６２）の数学的形式主義によって表される。

サイズＮ×Ｍの画像Ｉの場合、モーメントｍ_ｐｑは、

で表すことが可能である。ここで、Ｉは、グレイスケール・モーメントの場合、画素（ｘ，ｙ）における画像のグレイスケール強度を呈し、２値モーメントの場合、０又は１の値を呈する。物体の質量中心は

及び

のモーメントを使用して定義される。

前述は、平行移動下で不変である中心化モーメントμ_ｐｑの算出を可能にする。

これは、正規化中心モーメント

を計算することにより、スケール不変にすることが可能である。
ここで、

全てについて、

である。前述のスケール及び平行移動不変モーメントは、Ｈｕ（ＩＲＥ Ｔｒａｎｓ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｈｅｏｒｙ， ＩＴ−８ １７９−１９７， １９６２）によって記載された手法を使用して、回転不変モーメントに変換することが可能である。前述の７つのモーメント不変量は、

の式として表される。

モーメント及び中心モーメントは、画像内の全画素にわたり、かつ、別々のｐ値及びｑ値にわたって繰り返し、結節にない画素を飛び越すことによって計算される。画像関数（Ｉ）は、２値又は実数値であり得、実際には、何れも実現される。このようにして、各結節は、７つの不変２値モーメント及び７つの不変グレイスケール・モーメントをもたらし得る。前述の１４のスカラー値を次いで、ＣＡＤｘシステムへの入力として使用することが可能である。

あるいは、セグメント化の不確実性に対して特徴抽出をロバストにするために、グレイスケール・モーメントは、分割された結節を囲う円形領域に対してモーメント算出を行うことによって算出される。胸膜壁、及び関連性のない肺の構造が、セグメント化によって同定され、除去される。前述の除去構造に０値を誤って入れることを避けるために、確保された背景から計算されたヒストグラムからのサンプリングにより、ランダム雑音が前述の画素に挿入される。

更に、３Ｄモーメントが抽出され、特徴が３Ｄモーメントから、

の式によって示すような２値マスク・グレイ・スケール・データにおいて導き出される。

上記の導出された３つの特徴は、グレイスケール結節画像について導出されたモーメントについても計算される。

例２：不変フーリエ記述子
フーリエ記述子は、物体の形状を数学的に表す手段である。概念的には、物体の境界は周波数で表される。低周波は平滑なエッジを表し、物体の大雑把な形状を与える一方、高周波は、輪郭における鮮鋭な変動、及び不規則性を表す。フーリエ記述子は、特定の物体形状を構成する周波数の特定のミックスを表す。本明細書及び特許請求の範囲記載の方法及びシステムでは、拡大・縮小、平行移動及び回転に対して不変であるフーリエ記述子が使用される。クラシファイアにおける使用のために、フーリエ係数をスカラー値に圧縮する２つの手段が提供される。

当初、結節のエッジ上の画素が、周知のいくつかの手法によって同定される。前述のＮ個のエッジ画素が、物体の周りに時計回り順又は反時計回り順に確実に表されるように留意する。各エッジ画素は、そのｘ座標及びｙ座標で表され、ベクトルｘ＝｛ｘ_１，ｘ_２，…，ｘ_Ｎ｝及びｙ＝｛ｙ_１，ｙ_２，…，ｙ_Ｎ｝がもたらされる。物体毎の離散フーリエ変換は、（概括的にＦＴとして表す）いくつかの手法の何れかを使用して計算され、それにより、
ｖ＝ＦＴ｛ｘ｝ 及び ｗ＝ＦＴ｛ｙ｝
がもたらされる。これは、実数部分及び虚数部分である

及び

に分解することが可能である。ｘ及びｙにより、一意に規定される形状のフーリエ記述子はその場合、

として表される。これは、結節間で長さが異なり得るベクトルｆをもたらし、よって、ＣＡＤｘシステムにおいて結節を比較するために使用することが困難になる。本明細書及び特許請求の範囲記載の方法及びシステムでは、ベクトルｆは、２つのスカラー記述子ｇ_１及びｇ_２に圧縮される。

ここで表す数学的説明は、Ｎｉｘｏｎらによる「Ｆｅａｔｕｒｅ Ｅｘｔｒａｃｔｉｏｎ ＆ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ， Ｂｕｔｔｅｒｗｏｒｔｈ−Ｈｅｉｎｅｍａｎｎ： Ｗｏｂｕｒｎ， ＭＡ． ｐｐ． ２６９−２７８ （２００２）」に従っている。前述の算出は、ＣＡＤｘシステムへの入力として使用される。

例３：結節形状のフラクタル次元
物体の輪郭は、ボックス集計次元としても知られているミンカウスキ・ブーリガンのフラクタル次元を使用して表すことが可能である。これは、輪郭の測定した長さが、輪郭が表示される分解能とともにどのようにして変わるかを表す。高いフラクタル次元を有する結節は、表面形状において不規則性を表す傾向にあり、これは、悪性を示し得る。フラクタル次元は、２Ｄ特徴、２．５Ｄ特徴、又は３Ｄ特徴について算出することが可能であり、実際に、３つは全て、分類中に同時に使用することができる。

図１（スケール１）の第１のパネルに示す、輪郭を有する結節を考察する。この輪郭は、結節の外部に最も近い画素全てを構成する。輪郭における画素の最大画素数は、Ｎ（１）として集計される。画像が次いで、図１にスケール２として示す、１／２の係数で再サンプリングされる。これは、スケール１の画像上に２×２画素ボックスをタイリングし、前述のボックスのうちのいくつがエッジ画素を含んでいるかをみることと考えることが可能である。前述のボックスの集計は、Ｎ（１／２）として表す。これは次いで、３×３画素ボックスで繰り返してＮ（１／３）をもたらす、等である。フラクタル物体の場合、値Ｎ（１／ｄ）は、
Ｎ（ｌ／ｄ）＝μ（１／ｄ）^−ＦＤ
により、スケールｄとともに変動する。ここで、ＦＤは、物体のフラクタル次元である。代数的操作により、これは、
ｌｎＮ（１／ｄ）＝−ＦＤｌｎ（１／ｄ）＋ｌｎμ
に変えられる。よって、Ｎ_ｄの値がいくつかのｄについて計算された場合、ＦＤは、ｘ軸上のｌｎ（１／ｄ）とｙ軸上のｌｎＮ（１／ｄ）との間の線形フィットによって推定することが可能である。このフィットは、最小二乗フット、若しくはロバストなフィットであり得るか、又は、連続した点間の平均傾斜を得ることによって得ることができる。前述のフィットの例を図２に示す。この線の傾斜は、ＣＡＤｘシステムにおける特徴として使用される。

例４：結節テクスチャのフラクタル次元
物体のテクスチャはフラクタル次元によって表すことが可能である。物体の２Ｄビューは、３Ｄで埋め込まれた表面とみなされる。フラクタル次元は、画像の分解能が変動するにつれ、グレイスケール強度における変動を測定する。フラクタル次元がより高いことは、物体の内部構造における複雑度が大きいことを示唆している。境界と同様に、テクスチャのフラクタル次元は、２Ｄ特徴、２．５Ｄ特徴、又は３Ｄ特徴について算出することが可能であり、実際に、３つは全て、分類中に同時に使用することができる。

テクスチャ次元は、例３で上述した、境界の場合と同様に、以下の変更を伴って算出される。ｄｘｄボックスはタイリングされないが、重なり合う。すなわち、考えられるｄｘｄボックス全てが考察される。次いで、ボックスの数を集計する代わりに、Ｎ（１／ｄ）は、サイズｄ×ｄのボックス全てにわたって合計された、ｄ×ｄボックスそれぞれ内の最大画素グレイ値及び最小画素グレイ値の間の差を表す。

例５：エッジ勾配ベースの特徴
結節の境界画素が同定され、物体から離れた方向を指し示す法線方向が計算される。導関数は、次いで、境界画素と、法線方向において特定の有限距離だけ離れた画素との間のグレイスケール強度差を計算することによって推定される。この第２の外部値は通常、２画素離れた画像の値を補間することによって求められる。輪郭に沿った位置の関数としての導関数を次いで、統計的に分析して、この関数の電力スペクトルの平均、標準偏差、並びに、二乗平均平方根の変動、及び一次モーメントを使用してスカラー特徴をもたらし得る。

フーリエ記述子と同様に、各エッジ画素並びにそのｘ及びｙの座標が考察され、ベクトルｘ＝｛ｘ_１，ｘ_２,_…，ｘ_Ｎ｝及びｙ＝｛ｙ_１，ｙ_２,_…，ｙ_Ｎ｝がもたらされる。（Ｘ_ｉ，ｙ_ｉ）にあるエッジ画素ｉについて、法線角度が計算される。これは、

によって表される。符号が一貫していることを確実にすることに配慮する。すなわち、法線は表面の局所曲線に対して垂直であるように計算され、局所曲線は、近傍である（が、しかし、必ずしも隣接していない）２つの点間で平均化することによって推定される。結節に対して計算される前述の角度の例は図３に表す。

エッジからｄ個の画素だけ離れた点ｄが次いで、座標

及び

によって画定される。その位置における強度は、画像上の双線形補間によって求められる。エッジ勾配はその場合、補間強度と、元のエッジ画素の強度との間の差に過ぎない。これは、図４に示すように、エッジ画素毎に順番に計算することが可能である。多数の統計的特徴（平均及び標準偏差を含む）がこれから算出される。電力スペクトルは多くの周知の手法を推定することが可能であり、それにより、物体付近の変動の周波数内容についての情報がもたらされる。この分析の下にある前提は、強度における高周波の変動が、悪性を示すものと考えられる針状陰影を示唆し得る。これを評価するために、電力スペクトルのモーメント及び平均二乗平方根のばらつきは、特徴として算出し、使用することが可能である。

例６：内部クラスタの検出及び特徴付け
物体内の暗いクラスタ又は明るいクラスタの存在は、それぞれ、石灰化又は空洞化を示し得る。本明細書及び特許請求の範囲記載の方法及びシステムは、前述の領域を自動的に同定し、これをＣＡＤｘの特徴として使用する手段を含む。

閾値は、残る画素のみが特定の強度ｔを上回るように画像に反復的に施される。ｔの値が、物体内の最大値で始めて物体の最小値まで下げられる。各閾値では、残りの画素が、側部上でつながったクラスタにグループ化される。すなわち、各クラスタは、クラスタを出ることなく、４つの基本方位のうちの１つに進むことにより、一画素から何れかの他の画素に移動することが可能な画素の組を含む。最大クラスタが、ｎ個の画素よりも大きなサイズを有する場合、閾値ｔの値が保存され、アルゴリズムが停止される。抽出される特徴は、画像画素の強度の単位で表される閾値、又は、検出されたクラスタの残りの平均強度と、臨界閾値との間の標準偏差の数として表される。同様に、反復された強度閾値未満に閾値化することにより、暗いクラスタを検出することが可能である。同じ２つの特徴を前述のクラスタについて算出することが可能である。

例７：連鎖符号
物体の画像の境界上の画素は、各画素が近傍対を有するように、連続した順序で同定することが可能である。近傍画素の相対位置を追跡することにより、物体の形状を表すベクトルが同定される。

境界上の画素毎に、この画素の２つの近傍が連鎖符号を使用して規定される。左にある、画像のグレイ・レベルによって表す境界を考察する。

境界の画素上の右にテンプレートの中心を配置することにより、連鎖符号の記述｛１，２，１，２，４，４，．．．｝が、連続した値｛１，−１，１，２，０，．．．｝又は絶対差｛１，１，１，２，０，．．．｝とともに読み出される。

前述の連鎖符号及び連鎖符号差の値の分布を使用して特徴を算出することが可能である。１，２，．．．，６よりも大きな絶対差値の分数を特徴として使用することが可能である。この分数を使用して、方向における急激な変更の数を検出し、結節の不規則性、又は針状陰影や分葉などの概念を表す。
例８：テクスチャ近傍グレイトーン差分行列
画像のテクスチャの人間の知覚を近似するためのいくつかの数学的手法（前述のフラクタル手法を含む）が存在している。別の手法は、近傍グレイトーン差分行列（ＮＧＩＤＭ）として知られているものに基づく。この手法は、各画素とその周囲近傍との間の差を量的に表そうとし、それにより、粗さ、コントラスト、使用度、複雑度及び強度を含む抽象的な特性の主観的な評価とうまく相関することが心理測定テストにおいて明らかになった数学的説明につながる。

Ａｍａｄｓｕｎ及びＫｉｎｇによる「ＩＥＥＥ Ｔｒａｎｓ Ｓｙｓ ＭａｎＣｙｂｅｒｎｅｔｉｃｓ１９（５）：１２６４−１２７４，１９８９」によって表された説明に従う。ＮＧＴＤＭは以下のように形成される行列である。Ｎ×Ｎ画像は全体として、所定数のレベル（ｇ）に量子化される。ｆ（ｋ，ｌ）で量子化強度を表した特定のＲＯＩ内の画素全てについて、

である。ここで、

である。すなわち、Ａは、画素自体を除く、関心画素付近の（２ｄ＋１）×（２ｄ＋１）近傍の平均である。ＮＧＴＤＭ行列Ｎは一列を有し、画像内の強度のレベルと同数の行を有する。行ｉはその場合、

で表され、ここで、ｆ（ｋ，ｌ）＝ｉである画素全てにわたる総和を得る。結節自体であっても結節の外の領域であっても、関心領域（ＲＯＩ）内の領域に算出を制限することに留意する。

ビンｐ（ｉ）毎の確率は、Ｎ（ｉ）の算出に寄与した中心画素の分数として定義される。２つの特徴は本明細書及び特許請求の範囲に示す。他については、詳細がＡｍａｄｓｕｎらによる「ＩＥＥＥ Ｔｒａｎｓ Ｓｙｓ Ｍａｎ Ｃｙｂｅｒｎｅｔｉｃｓ， １９（５） １２６４− １２７４， １９８９」に表されている。前述の特徴は、粗さ＝

であり、コントラスト＝

であり、ここで、ｎ＝（Ｎ−２ｄ）であり、Ｇは、画像内に現れるｇ個のレベルの実際の数である。

本明細書及び特許請求の範囲記載の方法及びシステムは、ＣＡＤｘのためのＣＴ画像の前置処理、特徴選択及び分類のための高度機械学習手法及びＣＡＤｘシステムへの入力として使用することが可能ないくつかの新たな特徴、並びに、特徴選択及び分類の高度な機械学習手法を含む。本明細書及び特許請求の範囲記載の方法及びシステムは、厚スライスＣＴボリュームを扱ううえでの問題を解消し、肺結節の境界を同定することにおける、誤りに対するロバスト性を提供し、分類システムの診断精度を向上させるよう最適化される。本明細書及び特許請求の範囲記載の方法及びシステムは、良性の肺結節や悪性の肺結節などの病変の２Ｄ、２．５Ｄ及び３Ｄの特徴付けを行うことにより、この問題を解決するための特徴及び前置処理を使用する。したがって、前述の特徴を使用した機械学習システムは、良性結節を悪性結節と、より正確に区別し、それらなしのシステムよりも高い特定性及び感受性を達成することが可能である。更に、提案されたシステムは、患者についての画像ベースの情報及び臨床情報を意思決定処理に組み合わせる機能を有する。

本明細書及び特許請求の範囲記載のＣＡＤｘ方法及びシステムは、いくつかのモダリティ（例えば、ＭＲＩ及びＣＴ）に使用することが可能である。本明細書及び特許請求の範囲記載の方法及びシステムは、放射線ワークステーション（限定列挙でないが、例として、Ｐｈｉｌｉｐｓ Ｅｘｔｅｎｄｅｄ Ｂｒｉｌｌｉａｎｃｅ Ｗｏｒｋｓｔａｔｉｏｎ、Ｐｈｉｌｉｐｓ Ｍｘ８０００や、Ｐｈｉｌｉｐｓ Ｂｒｉｌｌｉａｎｃｅ ＣＴスキャナがある）に使用するか、又はＰＡＣＳシステム（例えば、Ｓｔｅｎｔｏｒ ｉＳｉｔｅ）に組み入れることが可能である。本明細書及び特許請求の範囲記載のＣＡＤｘ方法及びシステムは、種々の疾病（限定列挙でないが例として大腸ポリープ、肝臓ガンや乳ガンがある）の診断に使用することが可能である。

更に、本発明の他の形態及び更なる形態、並びに、上記特定かつ例示的な実施例以外の実施例は、特許請求の範囲及びその均等物の趣旨及び範囲から逸脱することなく、考え出すことができ、よって、本発明の範囲は前述の均等物を包含することが意図されており、本明細書及び特許請求の範囲は、例示的であることが意図されており、更に限定するものと解すべきでないことが意図されている本明細書及び特許請求の範囲記載の内容は、本明細書及び特許請求の範囲に援用する。

Claims (31)

1. 被験者における疾病の診断における意思決定サポートを提供する方法であって、
   前記被験者における、画像ベースの関心ボリュームを抽出する工程と、
   前記画像を分割して、前記画像の背景から前記関心ボリューム内の少なくとも１つの病変を描く工程と、
   複数の次元において画像ベースの特徴を抽出する工程と、
   臨床情報を互換形式に変換し、前記臨床情報を前記画像ベースの特徴と合成して特徴プールを形成する工程と、
   決定を出力するクラシファイア、又はクラシファイアのコミティーによって使用される対象の部分集合プールからの最適な特徴部分集合又は最適な特徴部分集合群を選択する工程であって、前記クラシファイア、又は前記クラシファイアのコミティーが前記病変の診断の予測を提供する工程とを含む方法。
2. 請求項１記載の方法であって、前記関心ボリュームのスライス間で補間して等方性ボクセル表現を生成する工程を更に含む方法。
3. 請求項１記載の方法であって、前記複数の次元は、２次元、２．５次元、及び３次元を含む群から選択される方法。
4. 請求項１記載の方法であって、最適な特徴部分集合を選択する工程は、遺伝アルゴリズム、統計的有意差フィルタ、相関フィルタ、再帰的特徴除去、ステップ単位の線形回帰、及びランダム特徴選択のうちの少なくとも１つを使用する工程を更に含む方法。
5. 請求項４記載の方法であって、最適な特徴部分集合を選択する工程は、ランダムに選択された別の訓練データ及び検査データの組で、複数の反復の遺伝アルゴリズム・ベースの特徴選択を実行して複数の特徴部分集合を生成する工程を含む方法。
6. 請求項１記載の方法であって、前記臨床情報は、複数の臨床特徴カテゴリに変換される方法。
7. 請求項１記載の方法であって、前記クラシファイア、又は前記クラシファイアのコミティーは、サポート・ベクトル・マシン、決定ツリー、線形判別分析、及びニューラル・ネットワークのうちの少なくとも１つを有する群から選択される方法。
8. 請求項１記載の方法であって、前記クラシファイア、又は前記クラシファイアのコミティーは、少なくとも１つの病変が悪性であるか良性であるかを判定する方法。
9. 請求項１記載の方法であって、前記クラシファイア又は前記クラシファイアのコミティーは、前記少なくとも１つの病変の悪性の尤度を求める工程を更に含む方法。
10. 請求項８記載の方法であって、前記クラシファイア、及び前記クラシファイアのコミティーによる判定は、単純平均値、単純投票、加重平均値、及び加重投票を含む群から選択される少なくとも１つの算出によって求められる方法。
11. コンピュータ支援診断システムであって、
    画像ベースの関心領域を抽出するための前置処理装置と、
    前記関心領域における少なくとも１つの病変を描くための分割装置と、
    前記関心領域の画像から複数の次元における画像ベースの特徴を抽出するための特徴抽出装置と、
    臨床情報を受入れ、互換形式に変換するための臨床情報処理装置と、
    前記画像ベースの特徴、及び前記臨床情報を使用して決定を出力するクラシファイア、又はクラシファイアのコミティーとを含むコンピュータ支援診断システム。
12. 請求項１１記載のコンピュータ支援診断システムであって、特徴プールから適切な画像ベースの特徴、及び臨床特徴を前記システムの訓練中に選択するための特徴選択装置を更に備えるコンピュータ支援診断システム。
13. 請求項１２記載のコンピュータ支援診断システムであって、前記特徴選択装置は、遺伝アルゴリズム、統計的有意差フィルタ、相関フィルタ、再帰型特徴除去、ステップ単位の線形回帰、及びランダム特徴選択のうちの少なくとも１つを含む群から選択された最適化手法と、サポート・ベクトル・マシン、決定ツリー、線形判別分析、及びニューラル・ネットワークのうちの少なくとも１つを含む群から選択されるクラシファイア又はクラシファイアコミティーとを更に備えるコンピュータ支援診断システム。
14. 請求項１１記載のコンピュータ支援診断システムであって、前記画像ベースの関心領域は、少なくとも１つの数理形態学演算を行うことによって構成されるコンピュータ支援診断システム。
15. 請求項１４記載のコンピュータ支援診断システムであって、前記少なくとも１つの数理形態学演算が浸食、膨張、及び穴埋めの群から選択されるコンピュータ支援診断システム。
16. 請求項１１記載のコンピュータ支援診断システムであって、前記画像ベースの関心領域は、前記分割から生じる最大の連続した物体を選択することによって構成されるコンピュータ支援診断システム。
17. 請求項１１記載のコンピュータ支援診断システムであって、前記画像ベースの関心領域は、内部領域、外部領域、及び境界領域を含み、不要な要素が前記関心領域から除外されるコンピュータ支援診断システム。
18. 請求項１１記載のコンピュータ支援診断システムであって、前記複数の次元は、２次元、２．５次元、及び３次元を含む群から選択されるコンピュータ支援診断システム。
19. 請求項１１記載のコンピュータ支援診断システムであって、前記臨床情報は、年齢、性別、喫煙歴、ガンの病歴、家族歴、職業性曝露、娯楽での曝露、過去の肺疾患、現在の肺疾患、過去の胸部手術、診断対象の病変付近の衛星病巣の数、リンパ節の大きさ、擬陽性の節の存在、及び肺内の病変の場所の群から選択される少なくとも１つのデータポイントを更に含むコンピュータ支援診断システム。
20. 請求項１１記載のコンピュータ診断システムであって、病変が悪性か良性かを前記クラシファイアが判定するコンピュータ診断システム。
21. 請求項１１記載のコンピュータ支援診断システムであって、前記クラシファイアは病変の悪性の尤度を求めるコンピュータ支援診断システム。
22. マルチスライス・データ・セットからの特徴を抽出する方法であって、
    物体の空間分布を数学的に表す工程と、
    前記物体の形状を数学的に表す工程と、
    前記物体の輪郭及びテクスチャを求める工程と、
    病変の境界画素を同定し、導関数を推定する工程と、
    前記輪郭に沿った位置の関数として導関数を分析する工程と、
    前記物体内の暗い領域又は明るい領域の存在を自動的に同定する工程と、
    前記物体の周囲領域内の画像のテクスチャを近似する工程とを含む方法。
23. 請求項２２記載の方法であって、最大スライスの自動選択、又はユーザによる手作業の選択による分析のために前記マルチスライス・データ・セットから個々のスライスを選択する工程を更に含む方法。
24. 請求項２２記載の方法であって、前記特徴は、前記マルチスライス・データ・セットの各スライス、任意の角度において得られる最大強度投影、任意の角度において得られる最小強度投影、及び前記画像の１つ又は複数のスライスを介して任意の角度において得られるディジタル再構成ラジオグラフを含む群について算出される方法。
25. 請求項２４記載の方法であって、前記マルチスライス・データ・セットのスライス毎に算出される特徴は、スライス上の画素の数に重みが比例する加重平均を算出する工程、前記マルチスライス・データ・セットの複数のスライスにわたる最大値を求める工程、及び前記マルチスライス・データ・セットの前記複数のスライスにわたる最小値を求める工程を含む群から選択される方法によって組合せられる方法。
26. 請求項２２記載の方法であって、前記特徴は、複数の次元それぞれにおいて算出される方法。
27. 請求項２２記載の方法であって、前記物体の形状は、
    境界画素の位置のフーリエ変換後の係数の分布、
    平行移動、回転及び拡大・縮小に対して不変である分割された物体の数学的モーメント、
    画像画素のグレイスケール分布の数学的モーメント、
    フラクタル次元、及び
    連鎖符号を含む群のうちの少なくとも１つによって表される方法。
28. 請求項２２記載の方法であって、前記物体のテクスチャは、
    フラクタル次元、
    グレイ・レベル共起行列に基づいた逆差分及び相関、エネルギ、エントロピ、最大確率、慣性、並びに、
    近傍グレイトーン差分行列に基づく粗さ、コントラスト、使用度、複雑度及び強度を含む群のうちの少なくとも１つによって表される方法。
29. 請求項２２記載の方法であって、前記周囲領域は、局所輪郭と直交する方向に沿った画像強度の導関数、電力スペクトルのモーメント及び前記局所輪郭と直交する方向に沿った前記画像強度の導関数、及び前記局所輪郭と直交する前記方向に沿った前記画像強度の分散の推定を含む群のうちの少なくとも１つによって表される方法。
30. 請求項２２記載の方法であって、前記物体内の暗い領域及び明るい領域の存在は、特定の閾値の上下の連続する画素のクラスタの強度又はサイズによって表される方法。
31. 請求項２２記載の方法であって、前記複数の次元が、２次元、２．５次元、及び３次元を含む群から選択される少なくとも１つである方法。

Images