JP2006517826A - 定量解析の精度表示 - Google Patents

Abstract

少なくとも一つの医療画像に含まれる情報を利用し、定量的な評価を導出して出力として与える医療画像解析処理が、出力として、前記定量的評価の精度に関する情報を提供するために実行される誤差解析の結果をも与えるような発明が記載される。この誤差解析は当該画像に影響を与えるアーチファクトの評価に基づくものでもよい。この誤差解析はまた、当該画像に影響を与える画像生成処理の評価に基づくものでもよい。

Description

本発明は少なくとも一つの医療画像に含まれる情報を利用する医療画像解析処理に関するものであり、前記医療画像解析処理から定量的な評価が導出され、出力として与えられる。

現代の医療画像処理プロトコルは取得された画像データの複雑で入り組んだ解析をして決定可能量を出力することがますますできるようになってきている。たとえば、血流の灌流速度を計算し、解剖学上の構造の物理的な大きさを測定し、胃液の逆流過程に値を割り当てるための諸プロトコルが存在している。

定量的な結果を与えるそのようなプロトコルの一つの例は“Ａｕｔｏｍａｔｉｃ ｑｕａｎｔｉｔａｔｉｖｅ ａｎａｌｙｓｉｓ ｏｆ ｃａｒｄｉａｃ ＭＲ ｐｅｒｆｕｓｉｏｎ ｉｍａｇｅｓ”，Ｍａｒｃｅｌ Ｂｒｅｅｕｗｅｒ ｅｔ ａｌ．，Ｐｒｏｃｅｅｄｉｎｇ ＳＰＩＥ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ，ｖｏｌ．４３２７，Ｆｅｂｒｕａｒｙ ２００１，Ｓａｎ Ｄｉｅｇｏ，ＵＳＡに挙げられている。これは心臓の筋肉、すなわち心筋中の血液灌流を評価するための自動定量解析法を記述している。この方法は時に潜在的に不正確な定量的な結果を出すことが知られている。つまり、この画像解析処理の出す定量的な結果は臨床上有用なことも臨床上過誤を招きかねないこともあるのだが、ある与えられた定量的な結果がこれら二つのうちどちらの範疇に属するものかを指示するものはなんらないのである。

定量的な画像結果のユーザーに、より信頼できる画像データを提供することが本発明の目的である。

このことは、定量的評価の精度に関する情報を与えるために実行される誤差解析の結果も出力として与えられるという、本発明の方法によって実現される。

プロトコルによって使われる画像データは、画像取得や画像処理の限界の結果データに内在するさまざまな過程によって劣化しうる。これらが画像に対して目に見える影響を与えたものを、アーチファクトという。アーチファクトの一つの例はノイズ、すなわちボクセルの強度値の統計的変動である。これは、特定のボクセルに割り当てられた真の強度値に対して本質的に定量化不能な値を上乗せする。画像再構成の処理はこのボクセル強度に厳密な値を割り当てることが可能であると想定しているが、現実には割り当てられる値は常に、当該ボクセルによって表される組織を記述する真の値とノイズに起因する余計な値との合成物なのである。定量的な結果を導出することを目的としているプロトコルは、画像に適用する際、各ボクセルに指定された強度値を基本的な入力値として用いる。その強度値のノイズ要素が真の組織を表す強度値の部分と一緒に評価処理に供給され、ノイズ値を含めることによって最終的な定量的結果に誤差を供給する。

画像を劣化させる他の過程も、理由は異なるが、最終的な数学的結果に対して同様の効果をもつ。たとえば、異なる強度値によって特徴付けられる組織区分の境界の、あるいは境界近くの組織物質を表すボクセルが単に周辺の強度の平均値でしかない強度値として表現されるという、部分体積効果がある。これは完全に意味のない強度値を導入し、それが定量的評価処理に供給されるとまた不正確さを導入し、そのような不正確さは感知するのが難しい。

最終的な画像に影響をもつ過程にはまた、画像生成工程およびその工程を視覚的な最終結果に変換するために行われる画像生成段階が本来的にもつ限界が含まれる。たとえば、デジタル画像の解像度―画像中で検知できる最小オブジェクトと考えてよい―はその画像から導かれるいかなる最終的定量的結果にも影響するものである。デジタル画像においては表示に使うピクセル数を増やすことによって解像度を上げることができる。これはその画像に含まれる全体としての情報内容をより多くのピクセルに広げることであり、放射線から導かれる画像の場合には各ピクセルにおける強度値の統計的ゆらぎを増加させる。しかし、解像度の向上、そしてそれに伴うピクセル数の増大は、定量的解析のために画像に課されるいかなる領域輪郭についても、そこに含まれるピクセルの数が増すことにつながる。これは最終的な定量的結果の統計的ゆらぎを改善する結果につながる。

これらのことを含む、定量的解析に影響をもつさまざまなアーチファクトや寄与過程はモデル化することができる。第一段階として、通常の定量的解析の出力として提示される定量的情報、すなわちデータは、数式を使って数学的に、あるいはデータを構成して合成的にモデル化することができる。これらの手続きはいずれも医療画像解析処理の分野における当業者にはよく知られたもので、アーチファクトにも定量的処理に導入されたいかなる誤差にも影響されなかった場合の理想的な過程の定量化を与える。この理想的な形で定量化された過程はしたがってまた、画像中のアーチファクトも他のいかなる導入された誤差もなかった場合に実現するはずの定量的結果を表す、最終的な理想的な定量的結果を生じる。

ひとたびこの理想的な定量的解析がモデル化され、理想的な定量的結果が生成されたら、次なるステップは可能な画像アーチファクトや画像処理段階を同定し、前記定量的解析または定量的評価に対するこれらの影響を評価することである。そのようなアーチファクトや画像処理段階には、医療画像解析の分野における当業者にはよく知られているように、画像の解像度、ノイズ、部分体積効果、サンプリングレート、時間強度挙動、対象の動き、突出画像の生成、残留造影剤の効果、位置合わせの不正確、セグメンテーションの不正確、輪郭設定の誤差といったものが含まれうる。当業者には認識できることであろうが、定量的過程に誤差を導入するような形で画像データに影響するその他の過程もありえ、よって本発明はそれらの過程をも組み込めるよう加工することもできる。

前記の同定された画像処理段階やアーチファクトについて、前記の理想的な定量的結果に対する影響が評価される。これは数学的なモデル化の処理によってでもよいし、模型を使ってでもよいし、両方によってでもよい。たとえば、統計的画像ノイズは、当業者には知られているように、標準偏差として容易にモデル化できる。この統計的変動は定量的過程の理想的モデルに上乗せされ、その結果として、最終的な定量的結果が理想値から変動するようになる。このようにして、定量的結果に導入された誤差をモデル化することができる。

最終的な定量的結果に潜在的に影響をもちうると考えられるアーチファクトや画像処理段階はすべて、同様にして当業者には知られている仕方でモデル化できる。それぞれの場合において、モデル化された過程によって生み出される最終的な定量的結果に対する効果を計算することができ、それにより定量的な重要性を評価することができる。

ひとたびこのステップが完了したら、本発明の方法によって、当該画像の全体としての劣化に寄与する画像処理段階や画像アーチファクトのうちで最も重要なものがいくつか同定される。数ある画像処理段階や数ある可能な画像アーチファクトの中からどれを選ぶべきかについては、確固とした法則はない。究極的に重要と考えられる個々の影響要素の数は、最終的な定量的データのユーザーがそのデータをどの程度信頼できるものにしたがっているかによって変わる。評価中の特定の定量的過程に存在する特定の要因によっても変わってくる可能性がある。たとえば、ノイズは、あらゆる画像において、比較的一定のアーチファクトであるが、呼吸などに伴う横隔膜の動きのような体内の解剖学的な運動を表す画像列においては動きアーチファクトがより現れやすくなる。本方法を静的な解剖学的構造の単純な定量的測定の精度の評価に適用したとすれば、動きアーチファクトを含める理由はほとんどないと言えよう。

影響する特性のもう一つの例は強度の不均一性である。これは磁気共鳴画像において画像アーチファクトを引き起こしうる。強度の不均一性は受信コイル、そして特に表面コイルの感度プロファイルが不均一であることに起因する。これらの不均一性は当該画像全体にわたる強度の変動として観測され、同じ組織種類を表すピクセルが不揃いの強度で表現される原因となる。強度の不均一性の解析結果への影響はきわめて深刻なものとなりうる。同じ特定の組織種類について使われる強度の範囲はその組織種類を、したがって輪郭決めすなわちセグメンテーション手続きにおける組織種類の境界を正しく認識できるかどうかに影響する可能性があるからである。

定量的過程の精度に影響する重要な過程を同定したら、本発明の方法はその影響する諸過程の組み合わせの影響についてのより詳細なモデル化へと進む。重要な諸課程にはここで当業者には知られているように値が割り当てられ、該諸過程のそれぞれの値のあらゆる組み合わせを用いてさらに評価される。

重要なアーチファクトと画像処理段階が定量的解析のモデルに与える共同影響のこのモデル化によって、その精度への影響に関してこれらをさらに数値的に評価することができるようになる。たとえば、考察中の定量的解析の形ではアーチファクトや画像処理段階のうち三つか四つの特定の過程がきわめて影響大になるといった具合である。そのような場合、本発明はこれらの三つか四つの過程だけについてより詳細な調査へと進む。当業者には知られているように、これらの過程はすべてある範囲の値を割り当てられるが、もし離散的なある範囲の値が割り当てられたとしたら、それらの値の離散的な数値的組み合わせが理想的な定量的モデルに上乗せされて別の定量的結果を生じる。それは今や、それらの過程の値のその特定の組み合わせが前記定量的解析に対してもつ影響を表している。

不正確さのこの解析の結果は、当業界で知られているように、探索表に、あるいは実際にはどのような多次元表にでも保存することができるし、あるいは公式として保存してもよい。言い換えると、影響を与える過程の値の組み合わせを知れば値のその組み合わせによって導入される誤差の値が得られるような形で値が保存されるのである。その結果は、ひとたびアクセスされれば、その画像生成解析処理の数学的定量的結果と一緒に見る者に提示される。

医療画像解析処理内で影響ある過程の値の組み合わせの知識は、当業者には容易に決定できる。たとえばノイズは容易に定量化できる。それには、医療画像からノイズのみを含むような場所のサンプルを採って各ピクセルに現れている強度値を測定し、それらの強度値の変動の標準偏差の値を計算すればいい。影響ある他のアーチファクトや画像生成処理に対しても、当業者なら他の解析処理によって値を割り当てることができる。

公式として保存することは、この場合、影響ある過程の値の組み合わせおよびその結果による定量的解析内の誤差への影響が容易にモデル化できる場合には有用である。そのような場合、結果が多次元次数の多次元の表に保存されているときに必要とされるような計算機パワーが節約できるという利点がある。

特に簡単な定量的解析の場合には、誤差の解析と計算を定量的解析そのものの間に実行しうるという点に注意しておくことが重要である。これはたとえば、影響ある過程がノイズなど一つだけであり、もともとの画像生成工程そのものにおいて解析、評価できる場合に可能となりうる。そのような場合には保存は必要ないかもしれない。本発明の方法によって扱われ、出力として与えられるのが単一の誤差結果のみであるということもありうる。

留意すべき重要な点は、医療画像の定量的内容に対するこれらの多様な効果はすべて、医療画像法の背後にある物理的過程をよく理解しているユーザーなら誰でも定性的には認識することができるが、個々の場合について一つ一つ精密に知覚することはできないということである。換言すれば、画像から引き出されたある数学的量の不正確さに画像中のノイズが影響したということはある程度自身をもって言うことができるが、画像を見ただけでは定量的な影響を厳密に評価することはできないのである。同様に、部分体積効果が重大な定量的結果に不正確さを導入したかもしれないとはわかっても、いくら見ても実際にしたかどうか、あるいは定量的にどのような影響があったのかは全く判断がつかない。

本発明は、当該医療画像に依存する定量的結果の精度をどうやって評価するかという問題を解決することによって、ユーザーに、より信頼できる画像データを提供する。医療画像から導かれる定量的結果は医療画像データの内容に基づいているが、そのようなデータ内容は視覚的に複雑で肉眼で評価するのは難しい。初期の医療画像は直接ハードコピー上に作成され、ユーザーが目で観察するものだった。したがって、その画像の解析といっても定性的な評価だけに限られていた。デジタル化の到来と現代のデジタルデータ処理の医療画像生成への応用によって、観察者は医療評価の歴史でかつて類のない立場に置かれることになった。ユーザーは今では提示された医療画像の情報内容を分析し、定量的な値を引き出すことができる立場にあるのである。しかし、医療画像はピクセル強度値の集合体としては、単一の観察者またはユーザーが画像内の定量情報を目の子で評価するにはあまりに多くの情報を並列的に含んでいる。デジタル医療画像情報の観察者が定量的解析の数学的結果を利用したくても、その結果がどれくらい信頼でき、再現性があり、正確であるかを自ら視覚的に評価する方法はない。したがって、定量的な引き出された結果における誤差の値を評価し、提示することにより、ユーザーはそれらの結果の信頼性を従来には不可能だった形で評価できるようになる。この理由により、記載されている本発明は、定量的データを引き出すための医療画像解析処理の使用に対して重要な貢献をなすものである。

添付の図面の助けを借りて当業者のために本発明をさらに説明する。

図１は定量的画像に影響を与えるアーチファクトや画像生成処理の効果の図式的表現を示している。そのような影響ある過程またはパラメータ（たとえばｐ₁）は画像解析ＩＡ（１０１）に組み込まれ、その結果、その画像解析の出力ｉは前記影響あるパラメータの関数になる。よって、たとえばノイズ、部分体積効果、位置揃えのような画像生成工程といった多くのアーチファクトが前記画像解析に影響する可能性があり、これらをｐ₁，ｐ₂，ｐ₃とする。結果として得られる画像はこれらのパラメータの値に依存し、ｉ（ｐ₁，ｐ₂，ｐ₃）と表現される。最も一般的な場合では、図１に示すように、画像は無制限の数のパラメータｐ_Nによって影響を受け、結果として得られる画像はｉ（ｐ₁，ｐ₂，…，ｐ_N）、あるいはｉ（ｐ）と表現される。

図２は本発明の範囲内で用いられるモデル化工程の図式的表現を示している。アーチファクトによる影響を全く受けておらず、画像生成処理によって導入される誤差も含まない理想的な画像はｉ（０，０，…，０）あるいはｉ（ｐ ₀）と表現できる。これが画像モデル化工程ＩＭ（２０１）に供給されれば、定量的結果の基本値ＱＡ（ｐ ₀）を与える。定量化工程全体に影響をもつと思われる重要な、あるいは最も影響あるアーチファクトや画像生成処理が一緒になって作用して画像ｉ（ｐ₁，ｐ₂，…，ｐ_N）を生成するが、これが前記の同じ画像モデル化工程ＩＭ（２０１）にかけられれば、結果としてさらなる定量的結果ＱＡ（ｐ）が得られる。この定量的結果ＱＡ（ｐ）は理想的な結果ＱＡ（ｐ ₀）からずれているという意味で不正確であり、その差Δ（ｐ）は二つの定量的結果ＱＡ（ｐ ₀）およびＱＡ（ｐ）の間の差として測定できる。

図３は本発明に基づいて表を構築する方法を示している。その表を利用すれば、最も影響力のある諸パラメータによって前記定量的処理に導入された誤差が与えられたときに、その誤差を使って前記定量的処理のユーザーに本発明に基づく情報を提供できるというものである。図３はパラメータが二つだけという単純化したモデルを使ってこれを示している。

前記定量的処理に影響するパラメータｐ₁およびｐ₂は異なる値をとりうる。通常はその値は連続範囲にわたって変化するが、モデル化のためにｐ_１に対してはｐ_１（１）、ｐ_１（２）、ｐ₁（ｍ）、ｐ₂に対してはｐ₂（１）、ｐ₂（２）、ｐ₂（ｍ）という離散的な値に制限される。これらの値のあらゆる組み合わせに対応する画像がこのモデル化工程を使って再構成される。このモデル化工程は、ｐ₁およびｐ₂の値のあらゆる組み合わせに対して定量的結果ＱＡ（ｐ_1，ｐ₂）が生成されるように設計されたものである。それらの結果はみなｐ₁とｐ₂がいずれも０である場合の理想的な定量的結果ＱＡ（ｐ₀）からはある差分Δ（ｐ）だけ外れており、これらの差分がのちの使用のために表３０１に入力される。この差分を表す値の形は、変化の基本的な値として保存するのでもよいし、百分率で表した差として保存するのでもよいし、実は誤差の定量化として使えるどのような形式で保存してもよい。

上述した場合ではパラメータがｐ₁、ｐ₂の二つしかなく、したがって二次元の表を示している。パラメータの数がもっと多い場合にはそれと同じ数の次元のある表に保存される。これは当業者には明らかなことであろう。

図４は本発明の方法をエンドユーザーが接する形で示すものである。表４０１にはｐおよびΔ（ｐ）のさまざまな値が挿入されており、これから誤差Δ（ｐ）が読み出せる。これらの結果が今、定量的解析の目的のための画像が生成される現実的画像生成セッション４０２に適用される。これらの画像はさらに、現実的画像生成セッションの画像結果に組み込まれる、影響あるパラメータｐの値を推定し、あるいは評価するために解析されなければならない。これは当業者には既知の技術を使って容易に実行できるもので、結果として一連の値、たとえばｐ₁（ｍ）とｐ₂（ｍ）を与える。これを使って重要な誤差の値Δ（ｐ）の場所を指定することができる。ｐに帰されている値が表に保存されている値と完全には一致しない場合には、どのような補間または近似法を使うこともできる。これも当業者には明らかであろう。目的の値Δ（ｐ）はユーザーに対して既知のどのような方法で提示してもよい。それでユーザーは当該医療画像解析処理の定量的結果の精度と信頼性を評価できるようになる。

本発明の方法を使って改良しうる、通常の画像生成解析の処理を示す図である。 誤差が定量的データの計算に影響する過程およびこの過程がその後本発明の方法に基づいてモデル化される様子を示す図である。 本発明の方法に基づいてデータの表の構築を示す図である。 本発明が適用されている現実的画像生成解析処理の間のデータの引き出しを示す図である。

Claims (10)

1. 少なくとも一つの医療画像に含まれる情報を利用する医療画像解析処理であって、前記医療画像解析処理から定量的な評価が導出され、出力として与えられるものであり、前記定量的評価の精度に関する情報を提供するために実行される誤差解析の結果もまたさらなる出力として与えられることを特徴とする処理。
2. 前記誤差解析が、
   前記画像解析処理に寄与する画像アーチファクトが同定され、
   前記定量的評価の精度に対する前記画像アーチファクトの影響が計算され、
   前記定量的解析の精度に対する影響の前記計算の結果が前記の与えられるさらなる出力に組み込まれる、ステップを有することを特徴とする、請求項１記載の医療画像解析処理。
3. 前記誤差解析が、
   前記画像解析処理に寄与する画像処理段階が同定され、
   前記定量的評価の精度に対する前記画像処理段階の影響が計算され、
   前記定量的解析の精度に対する影響の前記計算の結果が前記の与えられるさらなる出力に組み込まれる、ステップを有することを特徴とする、請求項１記載の医療画像解析処理。
4. 前記定量的解析の精度に対する影響の前記計算の結果が前記の与えられる出力に組み込まれるのに先立って保存されることを特徴とする、請求項２または３記載の医療画像解析処理。
5. 前記定量的解析の精度に対する影響の前記計算の結果が多次元の表、探索表または公式のうちの少なくとも一つにおいて保存されることを特徴とする、請求項４記載の医療画像解析処理。
6. 前記画像解析処理に寄与する前記の同定された画像アーチファクトが、ノイズ、部分体積効果、サンプリングレート、医療画像生成工程における不均一性、または患者の動きに起因するアーチファクトのうち少なくとも一つであることを特徴とする、請求項２記載の医療画像解析処理。
7. 前記画像解析処理に寄与する前記の同定された画像処理段階が、位置合わせ、突出値の分類、輪郭設定、またはセグメンテーション設定のうち少なくとも一つであることを特徴とする、請求項３記載の医療画像解析処理。
8. 前記少なくとも一つの医療画像に含まれる情報を利用する前記医療画像解析処理が心臓灌流データの評価であって、前記医療画像解析処理から導出され、出力として与えられる前記定量的評価が心筋灌流予備能指数であることを特徴とする、請求項１記載の医療画像解析処理。
9. 少なくとも一つの医療画像に含まれる情報を利用する医療画像解析処理であって、前記医療画像解析処理から定量的な評価が導出され、出力として与えられるような処理のための命令を有するコンピュータプログラムであって、前記定量的評価の精度に関する情報を提供するために実行される誤差解析の結果もまたさらなる出力として与えられるような命令をさらに有する、ことを特徴とするコンピュータプログラム。
10. 少なくとも一つの医療画像に含まれる情報を利用する医療画像解析処理であって、前記医療画像解析処理から定量的な評価が導出され、出力として与えられるような処理のための命令を有するワークステーションであって、前記定量的評価の精度に関する情報を提供するために実行される誤差解析の結果もまたさらなる出力として与えられるような命令をさらに有することを特徴とするワークステーション。

Images