阅读说明：本技术 地图信息生成方法、判定方法以及程序 (Map information generation method, determination method, and program ) 是由 有村秀孝 靳泽 平川和弥 于 2018-05-10 设计创作，主要内容包括：一种地图信息生成方法,其包括：细线化患者图像生成步骤,生成脑动脉瘤患者的脑血管的坐标信息与脑动脉瘤的坐标信息分别建立对应、且该脑血管被细线化的细线化患者图像信息；坐标对应建立步骤,将细线化患者图像信息所示的被细线化的脑血管的坐标、与脑血管被细线化的细线化参考图像所示的脑血管的参考坐标建立对应；以及地图信息生成步骤,基于针对多个脑动脉瘤患者的所述细线化患者图像信息的坐标对应建立步骤中建立起对应的脑血管的坐标及坐标信息,生成示出脑动脉瘤的坐标相对于参考坐标的发生概率的概率性地图信息。(A map information generation method, comprising: a thinning patient image generation step of generating thinning patient image information in which the coordinate information of a cerebral blood vessel of a cerebral aneurysm patient and the coordinate information of a cerebral aneurysm are respectively associated and the cerebral blood vessel is thinned; a coordinate correspondence establishing step of establishing correspondence between the coordinates of the thinned cerebrovascular shown in the thinned patient image information and the reference coordinates of the cerebrovascular shown in the thinned cerebrovascular reference image; and a map information generation step of generating probabilistic map information showing the probability of occurrence of the coordinates of the cerebral aneurysm with respect to the reference coordinates, based on the coordinates of the cerebral vessels and the coordinate information established in the coordinate correspondence establishing step of the thinned patient image information for the plurality of cerebral aneurysm patients.)

地图信息生成方法、判定方法以及程序

技术领域

本发明涉及一种地图信息生成方法、判定方法及程序。

本申请请求基于2017年5月30日提交的日本国专利申请、特愿2017-106643号的优先权，并引用其公开的内容。

背景技术

根据解剖学预测和血管造影法诊断，颅内动脉瘤(以下称为脑动脉瘤)的患病率估计在3.6％至6.0％之间。脑动脉瘤是指大脑中的脑血管障碍疾病，可引起血管的局部膨胀或球囊化。脑动脉瘤破裂会导致蛛网膜下腔出血和颅内出血。蛛网膜下腔出血或颅内出血的死亡率为40％至50％。

近年来，对预防中风和痴呆症的高度关注，促成了针对颅内疾病及脑血管疾病的医疗健康诊断系统的建立。在日本，被称为脑健康检查的医学健康诊断被广泛使用。到2009年，一项全国调查显示，脑健康检查可以在日本受到认证的235家医疗机构中接受诊断。通过脑健康检查，在2.6％的受诊者中检测到脑动脉瘤。

在脑动脉瘤筛查中使用的标准检测方法，为磁共振血管造影(MRA：MagneticResonance Angiography)。MRA用于血管成像，以检测脑动脉瘤、狭窄症、闭塞或其他脑血管的异常。MRA与采用计算机断层扫描(CT：Computed tomography)的血管造影方法或导管血管造影方法相比，由于不使用造影剂，因而具有毒性少、非侵入等优点，故此被广泛使用。

在MRA图像处理中使用的最大强度投影(MIP：Maximum Intensity Projection)中，有时会有图像重叠、或脑动脉瘤可能位于罕见位置的情况。因此，对于放射线医师来说，难以通过手动操作检测脑动脉瘤。

为了辅助放射科医生使用MRA图像检测无症状未破裂脑动脉瘤，已经开发了许多计算机辅助诊断(CAD：Computer-aided diagnostic)系统的框架。根据研究，统计上显示：使用CAD系统，可在提高经验较为缺乏的放射线医师的诊断业绩、以及减少图像读取时间的方面，看到显着改善。

另外，已知一种指定动脉瘤的母血管的流入侧和流出侧血管并标记，经过细线化处理抽出血管芯线，从而确定血管膨胀等异常的动脉瘤测量方法及其装置、计算机程序(例如，参见专利文献1)。

现有技术文献

专利文献

专利文献1：特开2009-240543号公报

发明内容

发明要解决的课题

当确定脑动脉瘤的位置时，有时可以利用示出脑动脉瘤的发生概率的地图。这种地图的生成需要专业人员根据数据库通过手工操作来进行，存在花费时间的问题。在使用示出脑动脉瘤发生概率的地图来确定脑动脉瘤位置的方法中，需要用到自动生成示出脑动脉瘤发生概率的地图的技术。

本发明是鉴于上述问题而做出的，提供一种地图信息生成方法、判定方法及程序，其能够自动生成示出脑动脉瘤发生概率的地图。

解决手段

(1)本发明是为了解决上述问题而做出的，本发明的一个方面提供一种地图信息生成方法，其包括：细线化患者图像生成步骤，其生成脑动脉瘤患者的脑血管的坐标信息与脑动脉瘤的坐标信息分别建立对应、且该脑血管被细线化的细线化患者图像信息；坐标对应建立步骤，将所述细线化患者图像生成步骤中生成的所述细线化患者图像信息所示的被细线化的脑血管的坐标、与脑血管被细线化的细线化参考图像所示的脑血管的参考坐标建立对应；以及地图信息生成步骤，基于针对多个脑动脉瘤患者的所述细线化患者图像信息的所述坐标对应建立步骤中建立起对应的脑血管的坐标及坐标信息，生成示出脑动脉瘤的坐标相对于所述参考坐标的发生概率的概率性地图信息。

(2)并且，本发明的一个方面，在上述地图信息生成方法的基础上，在所述地图信息生成步骤中，基于所述脑动脉瘤的大小来生成所述概率性地图信息。

(3)此外，本发明的一个方面提供一种判定方法，其包括：判定对象细线化患者图像生成步骤，其生成作为判定对象的脑动脉瘤患者的脑血管的坐标信息与脑动脉瘤的坐标信息分别建立对应、且该脑血管被细线化的判定对象细线化患者图像信息；概率性地图信息生成步骤，通过权利要求1或2所述的地图信息生成方法来生成所述概率性地图信息；第2坐标对应建立步骤，使所述概率性地图信息生成步骤中生成的所述概率性地图信息所示的被细线化的脑血管的坐标、与所述判定对象细线化患者图像信息所示的脑血管的参考坐标建立对应；第2地图信息生成步骤，基于所述第2坐标对应建立步骤中建立起对应的脑血管的坐标及坐标信息，生成第2概率性地图信息；以及假阳性判定步骤，通过贝叶斯估计来判定所述第2概率性地图信息中包含的假阳性。

(4)另外，本发明的一个方面，在上述判定方法的基础上，所述假阳性判定步骤中，使用当将脑动脉瘤视为椭圆体时表示该椭球体的二次式的黑塞矩阵的特征值比值。

(5)另外，本发明的一个方面提供一种程序，其用于使计算机执行以下步骤：细线化患者图像生成步骤，其生成脑动脉瘤患者的脑血管的坐标信息与脑动脉瘤的坐标信息分别建立对应、且该脑血管被细线化的细线化患者图像信息；坐标对应建立步骤，将所述细线化患者图像生成步骤中生成的所述细线化患者图像信息所示的被细线化的脑血管的坐标、与脑血管被细线化的细线化参考图像所示的脑血管的参考坐标建立对应；以及地图信息生成步骤，基于针对多个脑动脉瘤患者的所述细线化患者图像信息的所述坐标对应建立步骤中建立起对应的脑血管的坐标及坐标信息，生成示出脑动脉瘤的坐标相对于所述参考坐标的发生概率的概率性地图信息。

发明效果

根据本发明，能够自动生成示出脑动脉瘤发生概率的地图。

附图说明

图1是实施方式的脑血管图像中脑动脉瘤与假阳性分布的一个示例的示意图。

图2是本实施方式的脑动脉瘤概率图谱(atlas)的自动创建处理的一个示例的示意图。

图3是本实施方式的进行配准前的、作为参考的主要血管的细线化图像与临床病例的主要血管的细线化图像的一个示例的示意图。

图4是本实施方式的进行配准后的、作为参考的主要血管的细线化图像与临床病例的主要血管的细线化图像的一个示例的示意图。

图5是本实施方式的脑动脉瘤概率图谱的一个示例的示意图。

图6是使用了本实施方式的脑动脉瘤概率图谱的贝叶斯CAD框架的一个示例的示意图。

图7是本实施方式的相对于假阳性与脑动脉瘤的特征值比值的分布的一个示例的示意图。

图8是从前方向后方观察本实施方式的脑动脉瘤概率图谱的一个示例的示意图。

图9是本实施方式的贝叶斯CAD框架的FROC曲线的一个示例的示意图。

图10是使用了本实施方式的脑动脉瘤概率图谱的贝叶斯CAD框架的功能结构的一个示例的示意图。

具体实施方式

(实施方式)

下面将参考附图，对本发明的实施方式进行详细说明。

图1是实施方式的脑血管图像中脑动脉瘤与假阳性分布的一个示例的示意图。该脑血管图像是从前方观察大脑时的脑血管图像。

在CAD系统的常规诊断中，为检测脑动脉瘤已经开发出了多种方法。作为一个示例，提出了一种能够减少血管的弯曲部分中的假阳性、并选择性地增强脑动脉瘤的形状的椭圆凸起区域增强(ECE：Ellipsoid Convex enhancement)过滤器。通过使用ECE过滤器，假阳性的数量减少到51.4％。

然而，如图1所示，在已成像的血管V1的图像区域的入口部分FP1、或者在已成像的血管V1的末端FP2、FP3处检测到一些假阳性。另外，在位置A0处检测到了真阳性。

为了进一步减少假阳性，基于过去的诊断和现有数据库的关于脑动脉瘤位置的先验信息，对创建示出脑动脉瘤的发生概率的地图即概率图谱很有用。已知大部分的脑动脉瘤围绕大脑动脉环而发生。

概率图谱被用于诸如肝脏之类的器官的碎片和脑结构中。但是，使用发生脑动脉瘤的共同位置的先验信息的方法尚未广为人知。

在本实施方式中，提供了一种使用计算机、根据数据库自动创建脑动脉瘤的概率图谱的方法。在使用计算机的手法中，将有效利用关于脑动脉瘤位置的先验信息。

脑动脉瘤的位置取决于血管的结构，虽然血管的结构具有共同的图案，但是血管的形状因个体而异。仅使用刚性配准来对作为参考的数据与多个临床数据进行配准是困难的。在本方法中，对脑血管的主要血管之间的配准，使用的是作为非刚性配准手法的薄板样条函数-鲁棒点匹配(TPS-RPM：Thin Plate Spline-Robust Point Matching)。

在本实施方式中，将从72名患者的89个未破裂脑动脉瘤中获取的脑动脉瘤的位置信息，用于创建脑动脉瘤的概率图谱。并且，在本实施方式中，基于结合了脑动脉瘤的概率图谱和ECE滤波器的贝叶斯估计，来操作减少假阳性个数的CAD框架。

本实施方式中的脑动脉瘤的概率图谱，称为概率图谱PA。

(临床病例)

本实施方式的数据库包括72名患者的数据，全员共有89个未破裂脑动脉瘤。其中，72名患者由年龄在36至89岁之间的、17名男性和55名女性构成。数据库包括1名健康者的数据作为参考数据。该参考数据是在2006年至2007年之间、或2010年至2014年之间接受MRA诊断的、45岁女性的数据。该参考数据是以健康者的血管形状为参考、从30名没有罹患脑动脉瘤的人员的数据中选出来的。

数据库中所含有的脑动脉瘤，是由两名有经验的神经放射科医生，根据日本脑卒中学会指南，使用CT血管造影方法、或数字减影血管造影方法(DSA：Digital SubtractionAngiography)确认过的。患者的MRA图像使用3.0Tesla的磁共振图像扫描仪得到的获取。在三维MRA图像中，每个病例包含112片到172片的切片。其中，该切片为由1毫米至1.2毫米的厚度、以及0.5毫米至0.7毫米的距离所构成的切片。切片图像为512×512像素，像素大小为0.3516毫米。使用三维内插法将原始的三维MRA图像转换成各向同性的体积数据，该各向同性体数据由尺寸为512×512×(224-258)的矩阵、以及尺寸为0.3516毫米的各向同性体素构成。

脑动脉瘤的长径以及两个短径，沿着各个椭圆体的长轴、中轴、短轴分别通过手工操作来测量。其中，椭圆体的长轴、中轴和短轴彼此直交。该测量使用多平面重建(MPR：Multi-Planar Reconstruction)软件，在MRA图像上，由两名测量人员各自进行两次。89个脑动脉瘤的长径取值在1.4毫米至10.6毫米的范围，平均值为4.4毫米。

对本实施方式的脑动脉瘤的位置分布进行说明。

40％的脑动脉瘤发生在大脑中动脉(MCA：Middle Cerebral Artery)内，38％的脑动脉瘤发生在颈内动脉(ICA：Internal Carotid Artery)和颈内动脉后交通动脉(ICA-Pcom：ICA-Posterior Communicating Artery)内。如此，大部分脑动脉瘤发生在MCA、ICA和ICA-Pcom内。

10％的脑动脉瘤发生在前交通动脉(Acom：Anterior Communicating Artery)内。5％的脑动脉瘤发生在大脑前动脉(ACA：Anterior Cerebral Artery)内。3％的脑动脉瘤发生在基底动脉尖端部(BAtip：Tip of Basilar Artery)、或基底动脉-小脑上动脉(BA-SCA：Basilar Artery-Superior cerebellar Artery)分叉部。2％的脑动脉瘤发生在椎动脉-小脑后下动脉(VA-PICA：vertebral arteries-posterior inferior cerebellar arteries)分叉部。

(脑动脉瘤概率图谱的创建)

概率图谱PA在作为参考的血管图像中，通过使用示出数据库的脑动脉瘤的位置和大小的高斯球来确定。各脑动脉瘤在作为参考的血管图像中的位置，通过使用变形矢量场将临床图像的脑动脉瘤的位置转换为作为参考的血管图像的位置来确定。这里，变形矢量场通过使用TPS-RPM方法，在临床病例与作为参考的血管图像之间进行主要血管的细线化图像的配准来生成。之后，将高斯球配置在进行过配准的脑动脉瘤的位置。这里，高斯球的高斯分布的标准偏差为各脑动脉瘤的长径的值的四分之一。

图2是示出根据数据库创建概率图谱PA的处理流程的流程图。在本实施方式中，将创建概率图谱PA的方法，称为地图信息生成方法M。

(步骤S10)根据MRA图像，生成主要脑血管的细线化图像。

为了进行血管的牢固的配准，提取主要血管的细线化图像。这里，使用主要血管的理由是，主要血管被发生脑动脉瘤的共同位置包围，且主要血管的分布与分支血管的分布相比不定性较少。

基于MRA图像的信号强度的信息，提取主要血管。首先，最大体素值从位于MRA图像中央的、半径为30毫米的球形区域中选取。接着，以最大体素值的60％的信号强度为阈值，来对包括在该球形区域中的初始血管区域进行区分。观察体积比的增量，并将区域扩张法应用于初始血管区域。由此，自动确定相对于信号强度的阈值，并且从原始MRA图像获取相对于主要血管的区域。

对获取的主要血管的图像进行细线化处理。血管图像的细线化，例如使用ImageJ软件来进行。形态学处理如下进行。

为了除去血管内的空腔，进行闭合(closing)处理。其中，闭合处理是在膨胀处理之后重复进行收缩处理的处理。膨胀处理是指，将所关注的体素的附近的最大信号强度替换为该体素的信号强度的处理。收缩处理是指，将所关注的体素的附近的最小信号强度替换为该体素的信号强度的处理。

为了去除分支血管，进行收缩处理。应用三维细线化算法，生成主要血管的细线化图像。

在步骤S10中，生成临床病例的细线化图像SV2。对于所生成的细线化图像SV2，脑动脉瘤患者的脑血管的坐标信息与脑动脉瘤的坐标信息分别建立对应，生成细线化图像信息SVI2。其中，细线化图像信息SVI2，包括示出各脑动脉瘤大小的尺寸信息。

生成作为参考的细线化图像SV1。对于所生成的细线化图像SV1，脑动脉瘤患者的脑血管的坐标信息与脑动脉瘤的坐标信息分别建立对应，生成细线化图像信息SVI1。

(步骤S20)通过对临床病例的细线化图像与作为参考的细线化图像进行配准，将临床病例的脑动脉瘤的位置配准到作为参考的位置。

为了创建脑动脉瘤的图谱，需要进行从临床病例的脑动脉瘤的位置向作为参考的细线化图像的位置变换的非刚性配准。

首先，使用TPS-RPM法，进行作为参考的主要血管的细线化图像的点集、与临床病例的主要血管的细线化图像的点集之间的非刚性配准。由此，得到由各点定义的变形矢量场。

其次，使用在作为参考的主要血管的细线化图像的最近点处的变形矢量，将临床病例的脑动脉瘤的位置配准到作为参考的主要血管的细线化图像上的位置。

如此，在步骤S20中，将在步骤S10中生成的临床病例的细线化图像信息SVI2所示出的细线化的脑血管的坐标，与作为参考的细线化图像信息SVI1所示的、脑血管被细线化的细线化参考图像所示的脑血管的参考坐标相对应。

图3是配准进行前、作为参考的主要血管的细线化图像SV1-1与临床病例的主要血管的细线化图像SV2的一个示例的示意图。在细线化图像SV1-1和细线化图像SV2中，血管的位置存在偏离。

图4是配准进行后、作为参考的主要血管的细线化图像SV1-2与临床病例的主要血管的细线化图像SV3的一个示例的示意图。在细线化图像SV1-2和细线化图像SV2中，血管的位置是相对应的，与图3相比偏离变小。

返回图2，继续对创建概率图谱PA的处理进行说明。

(步骤S30)从完成配准的脑动脉瘤创建概率图谱PA。

通过步骤S20中的配准，获取作为参考的主要血管的细线化图像上的脑动脉瘤的位置。假设围绕该脑动脉瘤位置的脑动脉瘤的发生概率遵循正态分布。概率图谱PA，基于完成配准的脑动脉瘤的位置周围以算式(1)表示的高斯分布而创建。

[算式1]

其中，位置向量ν为相对于体素位置的三维位置向量，概率Pa(ν)为位置向量ν所示的位置的体素被包含在脑动脉瘤中的概率，位置向量c_i为相对于第i个脑动脉瘤的位置的位置向量，值σ_i为高斯分布的标准偏差(第i个脑动脉瘤的长径长度的四分之一)。

如此，在步骤S30中，基于针对多个临床病例的细线化图像信息SVI2的坐标对应建立步骤(步骤S20)中建立对应的脑血管的坐标以及坐标信息，生成概率图谱PA，该概率图谱PA示出脑动脉瘤的坐标相对于作为参考的细线化图像信息SVI1所示的脑血管的坐标的发生概率。

并且，在步骤S30中，基于脑动脉瘤的长径长度生成概率图谱PA。

图5是本实施方式的概率图谱PA的一个示例的示意图。概率图谱PA基于89个脑动脉瘤而创建。概率图谱PA是在从前方观察大脑主要血管的方向上绘制的。

在作为参考的主要血管的细线化图像SV1上，示出有脑动脉瘤的概率分布情况。例如，与临床病例的脑动脉瘤的位置分布较多相对应地，在位置A1、A2、A3、A4、A5、A6和A7处脑动脉瘤发生较多。另一方面，例如，与临床病例的脑动脉瘤的位置几乎没有分布相对应地，在位置R1处脑动脉瘤几乎没有发生。

(CAD框架)

对使用了基于概率图谱PA的贝叶斯估计的CAD框架进行说明。

图6是使用了基于概率图谱PA的贝叶斯估计的CAD框架的示意图。以下，将使用了贝叶斯估计的CAD框架称为贝叶斯CAD框架。

在步骤S110中，从用于临床病例的MRA图像中选择并获取一个判定用病例的MRA图像DI。

在步骤S120中，将ECE滤波器应用于在步骤S110中获取的MRA图像DI。在步骤S120中，获取应用ECE滤波器后的图像、以及将候选的各脑动脉瘤视为椭圆体时表示椭球体的二次式的黑塞矩阵的特征值比值。在应用ECE滤波器后的图像中，选择性地增强候选脑动脉瘤的形状。

在步骤S130中，作为判定对象的脑动脉瘤患者的脑血管的坐标信息与脑动脉瘤的坐标信息分别建立对应，生成该脑血管被细线化的判定对象细线化图像信息SVI4。这里，将判定对象细线化图像信息SVI4所示的判定对象细线化图像，作为细线化图像SV4。

在步骤S140中，通过步骤S10、S20和S30中所示的地图信息生成方法M来生成概率图谱PA。

在步骤S150中，通过将步骤S140中生成的概率图谱PA向细线化图像SV4的配准，生成概率图谱PA-1。该配准以与步骤S20中所示的、临床病例的主要血管的细线化图像SV2的、向作为参考的主要血管的细线化图像SV1的配准相同的方式进行。以高斯球表示的各个脑动脉瘤的位置，通过使用变形矢量场，进行向细线化图像SV4的配准。这里，该变形矢量是通过利用TPS-RPM法的血管图像配准而得到的获取。

脑动脉瘤通常发生在血管表面。因此，需要对概率图谱PA的高斯球进行局部的位置调整。在细线化图像SV4中，使各高斯球向最近的血管表面移动，而获取概率图谱PA-1。

在步骤S160中，将基于概率图谱PA-1和从ECE滤波器获取的特征值比值的贝叶斯估计，应用于候选脑动脉瘤。由此，可减少判定用病例的MRA图像DI中假阳性的数量。

ECE滤波器是基于表示以位置矢量ν所示的体素中的椭圆体的二次式的黑赛矩阵的特征值来设计的。特征值的最大值与最小值比值，对应于当通过椭圆体对局部信号强度的形状进行建模时椭圆体的短轴与中轴比值。该对应关系如算式2所示。

[算式2]

其中，特征值λ1、λ2、λ3为黑塞矩阵的特征值。

特征值比值，在贝叶斯估计中用作似然度。

图7是相对于假阳性和脑动脉瘤的特征值比值的分布示意图。相对于脑动脉瘤的特征值比值的分布RD1为由算式(3)表示的正态分布。

[算式3]

其中，平均值μ_TP是特征值比值I(ν_TP)的平均值，方差σ_TP ²是特征值比值I(ν_TP)的方差。概率P_TP(I(ν_TP)|ν_TP)是当位置矢量ν_TP所示的位置包含在脑动脉瘤内时，特征值比值为比I(ν_TP)的概率(似然度)。

相对于假阳性的特征值比值的分布RD2为由算式(4)表示的正态分布。

[算式4]

其中，平均值μ_FP为特征值比值I(ν_FP)的平均值，方差σ_FP ²为特征值比值I(ν_FP)的方差。概率P_FP(I(ν_FP)|ν_FP)是当位置矢量ν_TP所示的位置未包含在脑动脉瘤内时，特征值比值为比I(ν_FP)的概率(似然度)。

返回图6，继续对贝叶斯CAD框架进行说明。

当获取特征值比值I(ν)时，以位置矢量ν表示的体素位于脑动脉瘤内的后验概率，由概率P(ν|I(ν))给出。概率P(ν|I(ν))由算式(5)给出。

[算式5]

其中，概率P_a(ν)为由算式(1)给出的脑动脉瘤的发生概率。

基于在步骤S160中获取的、由算式(5)给出的脑动脉瘤的发生概率P(ν|I(ν))，更新概率图谱PA-1的脑动脉瘤的概率分布，并生成概率图谱PA-2。使用概率图谱PA-2，来判定假阳性。

在步骤S170中，基于规则推理和支持向量机(SVM：Support Vector Machine)，判定假阳性。

为了进行评价，使用留一法(Leave-One-Out)交叉验证。从89个临床病例中选择一个作为判定用病例，其余88个作为临床病例，并执行贝叶斯CAD框架。将该操作重复合计89次，直到全部89个临床病例各有1次被选作判定用病例为止。

(结果)

图8是从前方向后方观察本实施方式的概率图谱PA-2时的最大强度投影法获取图像的一个示例的示意图。

在本实施例获取的结果中，大部分的脑动脉瘤，在血管V3中围绕位置A12(大脑动脉环)、位置A8、A11(MCA)和位置A9、A10(ICA弯曲部分)而产生。另一方面，例如，在位置R2处几乎不产生脑动脉瘤。

该结果再现了，未破裂脑动脉瘤患病率研究中显示脑动脉瘤在大小和位置上所占比例的数据。

图9是本实施方式的贝叶斯CAD框架的FROC曲线的一个示例的示意图。这里，FROC曲线为示出假阳性与灵敏度之间的关系的曲线。

对使用基于概率图谱和从ECE滤波器获取的特征值比值的贝叶斯估计时的自由响应接收器操作特性(free-response receiver operating characteristic,FROC)曲线G1、与不使用时的FROC曲线G2进行比较。

根据本实施方式，当使用89个病例时，在灵敏度最高的结果中比较假阳性的数量时。已证实通过将概率图谱并入贝叶斯CAD框架，假阳性的初始值以93.1％的灵敏度从25.2个减少到7.2个。并且可证实：每个病例的假阳性的平均个数以80％的灵敏度从19个减少到5.4个。

图10是使用了本实施方式的概率图谱的贝叶斯CAD框架的功能结构的一个示例的示意图。本实施方式的贝叶斯CAD框架被称为框架F。

框架F包括脑动脉瘤位置推断装置1、图像供给部2和提示部3。

脑动脉瘤位置推断装置1，包括判定图像获取部10、特征值比值计算部11、细线化图像生成部12、概率图谱自动生成部13、坐标对应建立部14、第1假阳性判定部15、以及第2假阳性判定部16。

判定图像获取部10，从图像供给部2获取作为诊断对象的脑动脉瘤患者的脑血管的MRA图像DI。判定图像获取部10，将获取的MRA图像DI提供给特征值比值计算部11和细线化图像生成部12。

特征值比值计算部11将ECE滤波器应用于从判定图像获取部10获取的MRA图像DI。针对候选的各脑动脉瘤，计算使用于ECE滤波器的黑塞矩阵的特征值比值。特征值比值计算部11，将针对候选的各脑动脉瘤计算出的特征值比值提供给第1假阳性判定部15。

细线化图像生成部12，根据从判定图像获取部10获取的判定对象的MRA图像DI，生成主要血管的判定对象细线化图像信息SVI4，并将其提供给坐标对应建立部14。这里，判定对象细线化图像信息SVI4，为示出包含判定对象的脑血管的坐标信息的细线化图像SV4的信息。

概率图谱自动生成器13，自动生成概率图谱PA。概率图谱自动生成部13，包括临床图像获取部130、参考图像获取部131、PA细线化图像生成部132、PA坐标对应建立部133以及地图信息生成部134。

临床图像获取部130，从图像供给部2获取临床病例的脑血管的MRA图像CI。临床图像获取部130，将获取的MRA图像CI提供给PA细线化图像生成部132。

参考图像获取部131，从图像供给部2获取作为参考的脑血管的MRA图像RI。临床图像获取部130，将获取的MRA图像RI提供给PA细线化图像生成部132。

PA细线化图像生成部132，根据从临床图像获取部130获取的MRA图像CI，生成细线化图像信息SVI2。这里，细线化图像信息SVI2为，示出脑动脉瘤患者的脑血管的坐标信息与脑动脉瘤的坐标信息分别建立对应的细线化图像SV2的信息。并且，细线化图像信息SVI2，包含示出各脑动脉瘤大小的尺寸信息。

PA细线化图像生成部132，根据从参考图像获取部131获取的MRA图像RI，生成细线化图像信息SVI1。这里，细线化图像信息SVI1，为示出包含作为参考的健康者的脑血管的坐标信息的、细线化图像SV1的信息。

PA细线化图像生成部132，将生成的细线化图像信息SVI2、以及细线化图像信息SVI1提供给PA坐标对应建立部133。

PA坐标对应建立部133，从PA细线化图像生成部132获取细线化图像信息SVI1和细线化图像信息SVI2。PA坐标对应建立部133，将获取的细线化图像信息SVI2所示的细线化的脑血管的坐标、与获取的细线化图像信息SVI1所示的脑血管的参考坐标建立对应。

PA坐标对应建立部133，将细线化图像信息SVI1、以及细线化的脑血管的坐标与细线化图像信息SVI1所示的脑血管的参考坐标建立对应的细线化图像信息SVI2，提供给地图信息生成部134。

地图信息生成部134，从PA坐标对应建立部133获取细线化图像信息SVI1、以及细线化的脑血管的坐标与细线化图像信息SVI1所示的脑血管的参考坐标建立对应的细线化图像信息SVI2。

地图信息生成部134生成概率图谱PA，该概率图谱PA示出，脑动脉瘤的坐标相对于所获取的细线化图像信息SVI1所示的脑血管的参考坐标的发生概率。这里，地图信息生成部134基于由PA坐标对应建立部133建立起对应的细线化图像信息SVI2所示的脑动脉瘤的坐标、坐标信息和大小信息，生成概率图谱PA。

地图信息生成部134，将生成的概率图谱PA提供给坐标对应建立部14。

坐标对应建立部14，分别从细线化图像生成部12获取判定对象细线化图像信息SVI4，从概率图谱自动生成部13获取概率图谱PA。坐标对应建立部14，将获取的概率图谱PA所示的细线化脑血管的坐标、与获取的判定对象细线化图像信息SVI4所示的脑血管的坐标建立对应。

坐标对应建立部14，将与判定对象细线化图像信息SVI4所示的脑血管的坐标建立起对应的概率图谱PA-1，提供给第1假阳性判定部15。

第1假阳性判定部15，从坐标对应建立部14获取概率图谱PA-1。第1假阳性判定部15，基于获取的概率图谱PA-1和从ECE滤波器获取的特征值比值来进行贝叶斯估计。由此，第1假阳性判定部15，从MRA图像DI中包含的候选脑动脉瘤中判定假阳性。

第1假阳性判定部15，通过贝叶斯估计来生成概率图谱PA-2。第1假阳性判定部15使用生成的概率图谱PA-2，从MRA图像DI中含有的候选脑动脉瘤中判定假阳性。

第2假阳性判定部16，基于规则推理和SVM，从MRA图像DI中包含的候选脑动脉瘤中判定假阳性。之后，第2假阳性判定部16使提示部3提示示出判定结果的图像信息。

提示部3，从脑动脉瘤位置推断装置1获取示出判定结果的图像信息。提示部3，将作为诊断对象的脑动脉瘤患者的脑血管的图像、与基于示出所获取的判定结果的图像信息的候选脑动脉瘤一起显示在显示装置(未图示)上。

(结语)

在刚性配准和基于脑细胞的配准中，虽然在解剖学上存在对血管的不同位置的限制，但根据地图信息生成方法M，通过基于血管的细线化图像的非刚性配准能够克服。

当创建概率图谱时，无需手动配准就可以进行脑动脉瘤的位置到作为参考的主要血管的配准。因此，根据本创建方法，可以给潜在的用户带来机会。例如，在研究所或医院中，通过利用关于脑动脉瘤位置的先验信息，可以更实用、更有效地利用所拥有的数据库。

与现有技术的手动方法相比，本实施方式提供的计算机配准方法减少了用户的操作量，并减少了因观察者产生的差异。临床病例的细线化图像与作为参考的细线化图像之间的血管配准所需的时间，在使用普通个人计算机(时钟数为3.2GHz、芯数为6核)的情况下为1分46.2±3.7秒。此为可耐受每日使用的数字。

本实施方式提供的CAD框架，伴随每个病例7.2个假阳性，可以检测出所有脑动脉瘤中的93.1％，或者，伴随每个病例5.4个假阳性，可以以80％的灵敏度进行检测。

与1.5特斯拉的磁共振扫描仪相比，采用3特斯拉的磁共振扫描仪仅需要一半的扫描时间，从而使扫描更加舒适，并可减少移动引起的偏离。

根据上述实施方式提供的地图信息生成方法M，包括：细线化患者图像生成步骤(步骤S10)，生成脑动脉瘤患者的脑血管的坐标信息与脑动脉瘤的坐标信息彼此建立对应、且该脑血管被细线化的细线化患者图像信息(细线化图像信息SVI2)；坐标对应建立步骤(步骤20)，使细线化患者图像生成步骤(步骤S10)中生成的细线化患者图像信息(细线化图像信息SVI2)所示的被细线化的脑血管的坐标、与脑血管被细线化的细线化参考图像(细线化图像SV1-1、SV1-2)所示的脑血管的参考坐标建立对应；以及地图信息生成步骤(步骤S30)，其基于针对多个脑动脉瘤患者的细线化患者图像信息(细线化图像信息SVI2)的坐标对应建立步骤(步骤S20)中建立起对应的脑血管的坐标及坐标信息，生成示出脑动脉瘤的坐标相对于参考坐标(作为参考的细线化图像信息SVI1所示的脑血管的坐标)的发生概率的概率性地图信息(概率谱图PA)。因此，根据地图信息生成方法M，能够自动生成示出脑动脉瘤的发生概率的地图。

根据上述实施方式提供的地图信息生成方法M，基于脑动脉瘤的大小(脑动脉瘤的长径长度)来生成概率性地图信息(概率图谱PA)。因此，根据地图信息生成方法M，能够在示出脑动脉瘤发生概率的地图中反映出脑动脉瘤的大小的信息。

根据上述实施方式提供的判定方法，包括：判定对象细线化患者图像生成步骤(步骤S130)，生成作为判定对象的脑动脉瘤患者的脑血管的坐标信息与脑动脉瘤的坐标信息彼此建立对应、且该脑血管被细线化的判定对象细线化患者图像信息(判定对象细线化图像信息SVI4)；概率性地图信息生成步骤(步骤S140)，通过地图信息生成方法M，生成概率性地图信息(概率图谱PA)；第2坐标对应建立步骤(步骤S150)，将概率性地图信息生成步骤(步骤S140)中生成的概率性地图信息(概率图谱PA)所示的被细线化的脑血管的坐标、与判定对象细线化患者图像信息(判定对象细线化图像信息SVI4)所示的脑血管的参考坐标(判定对象细线化图像信息SVI4所示的脑血管的坐标)建立对应；第2地图信息生成步骤(步骤S150)，基于第2坐标对应建立步骤(步骤S150)中建立起对应的脑血管的坐标及坐标信息，生成第2概率性地图信息(概率图谱PA-1)；以及假阳性判定步骤，通过贝叶斯估计来判定第2概率性地图信息(概率图谱PA-1)中包含的假阳性。因此，根据上述实施方式提供的判定方法，可以减少判定结果中假阳性性的数量。

根据上述实施方式提供的判定方法，使用将脑动脉瘤视为椭圆体时表示该椭球体的二次式的黑塞矩阵的特征值比值。根据上述实施方式提供的判定方法，基于脑动脉瘤的形状，可以减少判定结果中假阳性的数量。

以上，参照说明书附图对本发明的实施方式进行了详细说明，但具体的结构不限于这些实施方式，还可在不脱离本发明主旨的范围内进行适当变化。还可以对上述各实施方式中记载的结构进行组合。

此外，本发明还可应用于针对肺癌的易发部位创建血管、气管和肺泡的概率地图。在这种情况下，例如，可通过将上述实施方式中描述的脑血管的主要血管，与血管或气管建立对应来创建概率地图。如此，本发明，只要是个人之间结构共同的器官，即可通过将患病部位的位置与作为参考的器官进行配准而应用。本发明还可以应用于诸如骨骼、主要神经系统、主要***、消化道等器官。

另外，上述实施方式中的各装置所包括的各个部分可以通过专用硬件来实现，或者还可以通过存储器和微处理器来实现。

此外，各装置所包括的各个部分由存储器以及CPU(中央运算装置)构成，还可以通过将用于实现各装置所包括的各个部分的功能的程序载入存储器并执行，来实现其功能。

并且，也可以将用于实现各装置所包括的各个部分的功能的程序记录在计算机可读存储介质中，使计算机系统读取并执行记录在该记录介质中的程序，由此执行控制部所包括的各个部分的处理。另外，这里所说的“计算机系统”包括OS、***设备等硬件。

此外，“计算机系统”如果在利用WWW系统的情况下，则还包括主页提供环境(或显示环境)。

并且，“计算机可读存储介质”是指软盘、光磁盘、ROM和CD-ROM等便携式介质，以及计算机系统中内置的硬盘等存储装置。此外，“计算机可读存储介质”是指，包括在短时间内动态地保持程序的介质，例如经由因特网等网络或电话线路等通信线路发送程序的通信线路，以及在该情况下在一定时间内保持程序的介质，例如用作服务器或客户端的计算机系统内部的易失性存储器。此外，上述程序还可以是用于实现上述功能的一部分的程序，还可以是通过与已经记录在计算机系统中的程序的组合来实现上述功能的程序。

【附图标记说明】

1…脑动脉瘤位置推断装置、2…图像供给部、3…提示部、10…判定图像获取部、11…特征值比值计算部、12…细线化图像生成部、13…概率图谱自动生成部、14…坐标对应建立部、15…第1假阳性判定部、16…第2假阳性判定部、130…临床图像获取部、131…参考图像获取部、132…PA细线化图像生成部、133…PA坐标对应建立部、134…地图信息生成部、V1…血管、FP1…入口部分、FP2、FP3…末端、A1、A2、A3、A4、A5、A6、A7、R1…位置、SV1-1、SV1-2、SV2、SV3…细线化图像。