JP4388121B2 - ３次元画像ボリューム内のポリープの検出方法 - Google Patents

Description

［関連出願の相互参照］
本出願は、参照により全体に組み込まれる２００４年１０月１２日に出願された米国仮出願第６０／６１７，８７９号の利益を主張する。

本発明は、３次元画像ボリューム内のポリープの検出方法、より詳細には、確率的アプローチを使用することにより３次元結腸画像ボリューム内のポリープを自動的に検出する方法に関する。

結腸癌は米国における主な死亡原因の一つである。死者の数は、ポリープが検出されて、その進行の初期ステージで治療され得るならば、大幅に削減される。仮想結腸内視鏡は、医者が３次元（３Ｄ）コンピュータ断層撮影（ＣＴ）画像データ内のポリープを見つけるのを助けるために開発されている新しいテクノロジーである。しかし、仮想結腸内視鏡は、目下のところ、ＣＴスキャンの前に結腸が物理的に洗浄されることを要求する。これは非常に不都合であり、仮想結腸内視鏡が多数の人にとって一般的な検査ツールになることを妨げる。その上、医者が３次元ＣＴ画像内のポリープを正しく識別するために何年もの訓練が必要とされる。

ポリープのサイズはその直径により測定される。通常、６ｍｍより小さなポリープはあまり臨床的有意性がない。９ｍｍより大きなポリープは癌である可能性が非常に高く、医者によって容易に識別される可能性がある。最も重要であるのは、ポリープ検出システムが、癌に進行するかもしれない６〜９ｍｍの範囲内のポリープを検出できることである。

自動ポリープ検出のタスクは非常に興味深い。第一に、ＣＴデータは患者への不都合を最小限に抑えるために腸洗浄無しで取得される。大便のような標識物質は、画像中では殆どの場合に明るい領域として描かれるが、大きな障害物である。第二に、着目中のポリープは非常に小さく、固有の強度パターンがなく、特別の形状ももたない。特に、ポリープが標識物質によって囲まれているときにポリープを結腸壁から識別することは難しい。第三に、処理されるべきボリュームデータは大規模（例えば、４００×５１２×５１２）であり、このことはコンピュータを利用した費用のかかる方法を使用する可能性を排除する。ポリープの基礎的発生プロセスを捕捉するために生成モデルを使用することにより、３次元結腸画像データ内のポリープの検出方法が必要である。

［発明の要約］
本発明は、解剖学的構造の３次元（３Ｄ）画像ボリューム内の目標対象の検出方法に関する。画像ボリューム内の１組の候補位置が獲得される。候補位置毎に、少なくとも２つの異なるスケールのサブボリュームが取出される。各サブボリュームは複数のボクセルを含む。各サブボリューム毎に、各サブボリュームは少なくとも２つの異なる方位に回転される。各サブボリュームに形状分類器が適用される。サブボリューム内のボクセルが形状分類器を通過するならば、勾配方向がボクセルに対し計算される。ボクセルの勾配方向が予め定められた方位のうちの一つであるならば、ボクセルに確率分類器が適用される。確率分類器によって計算された確率測度がサブボリュームの信頼性測度として使用される。信頼性測度が予め定められた閾値を上回るならば、サブボリュームが目標対象を含むと決定される。

本発明の好ましい実施形態は、添付図面を参照して以下でより詳細に説明され、類似した参照番号が類似した要素を示す。

［発明の説明］
本発明は、３次元ボリューム内の肺結節検出のための学習に基づくアプローチを使用することにより、３次元（３Ｄ）結腸画像ボリューム内のポリープの検出方法に関する。一般的な生成モデルがポリープのような対象の基礎的発生プロセスを捕捉するために定められる。積分ボリューム及び３次元ハールフィルタが特徴の高速計算のために設計される。確率的ブースティングツリー（ＰＢＴ）のカスケードが分類器を学習するために採用される。本発明は、５０，０００個の候補特徴のプールから数千個の特徴を自動的に選択することができる。本発明はデータの事前セグメンテーションを必要とせず、このことが洗浄されていない結腸のような浄化されていないデータ内のポリープを検出する際に特に役立つ。

３次元ボリューム画像データは、コンピュータ断層撮影（ＣＴ）、Ｘ線、又は、磁気共鳴画像化（ＭＲＩ）のような異なった画像化モダリティを使用して獲得される。図１は結腸のいくつかの数の図を示す。最初の画像１０２は結腸の選択の完全なＣＴボリュームを表す。結腸内部には２種類の対象すなわち空気と大便が存在する。空気と大便の殆どは、タグ付けが成功するならば、非常に暗く（例えば空気）又は非常に明るく見えるが、残留物質の大部分は依然としてタギング（ｔａｇｇｉｎｇ）が不足しているので正常組織と同じような強度値を有する。残留物質（例えば大便）はＣＴの下で明るく見えるようにタグ付けされ、電子的に取り除かれ得る。中間の画像１０４は物理的に洗浄された結腸のＣＴ画像を表す。画像１０６はタグ付けされた洗浄されていない結腸のＣＴ画像を表す。

本発明は、ブースティングに基づき、弱い候補分類器として組み合わされる１次元、２次元及び３次元の特徴を用いる検出方法を使用する。強調する規則性を直接的に考慮する特別な特徴が組み込まれる。すべての特徴は異なるコストを有し、本発明は特徴選択を決定する際に関連したコストを自動的に考慮する。本発明は、全体的な誤差関数を最小限に抑えるように特徴を組み合わせる方法を探求するために複数の連鎖として特徴選択を遂行する。

図２は本発明による典型的なコンピュータ断層撮影（ＣＴ）システムを概略的に示す。ＣＴシステムは、コンピュータ支援検出（ＣＡＤ）システムと併せて、様々な病状を選別するために患者に非侵襲性処置を実行するために使用され得る。このような処置の例は、仮想結腸内視鏡又は病変、あるいはもしかすると癌組織の存在の胸部スクリーニングである。その上、ＣＴシステムは、リンパ節及び肺内のポリープを検出するために使用され得る。その他の画像化モダリティが本発明の範囲及び精神から逸脱することなく使用され得ることは当業者によって理解されるべきである。例えば、磁気共鳴画像化（ＭＲＩ）、蛍光透視又は超音波画像化もまた画像を獲得するために使用され得る。説明のために、本発明は、典型的なコンピュータ断層撮影（ＣＴ）システムを使用する状況において記載される。結腸のＣＴ画像が獲得され、次にセグメント化され、ポリープを検出するために使用される。しかし、前述の通り、本発明の方法は肺結節又はリンパ節のポリープの検出にも使用され得る。

ＣＴはピラミッド形のＸ線ビーム２を放出するＸ線源１を装備し、Ｘ線ビームの縁部光線は図２では鎖線によって表現され、検査対象３、例えば患者を貫通し、放射線検出器４に入射する。Ｘ線源１及び放射線検出器４は典型的な実施形態では互いに対向して環状ガントリ７に搭載される。

Ｘ線源１及び放射線検出器４は、このようにして、患者３が上記システム軸線８に関して様々な投影角でＸ線を照射され得るように、システム軸線８の周りに回転可能な測定システムを形成する。個々の検出素子の検出出力信号はデータ収集システム１０によって読み出される。信号は患者３の画像を計算する信号プロセッサ１２へ送信され、次に患者３の画像がモニタ１３に表示される。

ＣＴシステムによって走査され信号プロセッサ１２によって計算された画像はさらなる処理のためにＣＡＤシステム２０へ伝送される。ＣＡＤシステム２０は、電子的に取り除かれた又は取り除かれなかった残留物質をタグ付けする。学習ベースのアプローチが結腸内のポリープを検出するために使用される。

本発明によれば、ポリープはタグ付けされた物質を伴う原データ内で直接的に検出される。図３は６５個の陽性サンプルからの１２個のポリープを表す。このアプローチは、タグ付けされた物質が著しい障害物になるので、より興味深い。殆どのポリープはまげ形を有するように見えるが、ポリープは、特にタグ付けされた物質によって囲まれているとき、通常は小形であり、識別が困難であり、襞を伴う。非常に明るい大便が除去され、次に、検出手順がポリープを見つけるために利用される中間的なアプローチを使用することも実行可能である。

本発明によれば、ＯｐｅｎＧＬ Ｖｏｌｕｍｉｚｅｒに基づくインターフェイスが３次元結腸データを可視化し処理するために使用される。しかし、その他のインターフェイスが本発明の範囲及び精神から逸脱することなく使用され得ることは当業者によって理解されるべきである。図４はインターフェイスのスナップショットを示している。右下のウィンドウ４０８はボリューム全体の３次元視覚化を表す。ユーザは、ボリュームを回転し、異なったスライスを見るために切断することが可能である。その他の３個のウィンドウ４０２〜４０６は、ＸＹ平面、ＹＺ平面及びＸＺ平面におけるスライスを表示する。

結腸の３次元画像データが獲得されると、画像は、画像内で高次の曲率を有する対象を探索するために走査される。これらの対象は、後でより詳しく説明されるように、それらの対象がポリープであるかどうかを決定するために解析されるべき候補として収集される。次に、ポリープを検出するために使用される分類器が訓練される。各３次元入力画像ボリュームは等方性であると仮定される。ポリープの検出は、ポリープの形状に大きなばらつきがあるので難しい。小形又は中間サイズのポリープでは、半球体の規則的な形状がしばしば観察される。ポリープが大きくなると、ポリープは、結腸壁及びその他の構造体との相互作用に起因して多種多様な形状を成長し始める。

その上、ポリープは結腸壁上の考えられるすべての方位に現れる。生成モデルが１群の分類器を訓練するために作られる。ディクショナリΨが定義され、ここで、Ψ＝（Δ₁，Δ₂，．．．）であり、Δ_iは２次元／３次元テンプレートである。各対象インスタンスｘは、Ψ上の変換関数Ｔによって発生させられると仮定する。Ｔにおける１群の典型的なパラメータであるΘ＝｛ｌ，ｓ，θ，φ，α｝は、使用されるテンプレートの個数ｌ、スケールｓ、回転θ、変形φ、及び、それ他αである。ｙがｘのラベルであるならば、ｘが着目中の対象であるとき（陽性）、ｙ＝＋１であり、ｘが着目中の対象でないとき（陰性）、ｙ＝−１である。ｘの確率は次の式（１）として生成モデルによってモデル化され得る。

なお、‖‖で囲まれた式はｘとＴ（Θ，Ψ）との間の距離測度を定義し、Ｚは分配関数

である。

ディスクリマティブ（ｄｉｓｃｒｉｍａｔｉｖｅ）アプローチでは、サンプルｘは、事後分布

に基づいて分類される。

代替的なアプローチでは、Θにおけるパラメータは明示的に計算される。

式（３）によれば、一つの目的は訓練サンプルの複雑さを低減することである。パラメータはΘ₁＝｛ｓ，θ，α｝であるように選択され、ここで、ｓはスケールであり、θは方位であり、αはポリープの奥行き、高さ及び幅に関するアスペクト比である。サイズ２４×２４×１６のテンプレートが作成され、その２次元図が図５ａに表されている。方位球が１４個のゾーン（区域）に分割され、そのうちの４個のゾーンが図５ｂに表されているように主軸に沿っている。各候補対象又はポリープは図５ｃに表されているように主方位に配列される。

方位ゾーンｒ１において、考えられる細かい方位（θ₁，θ₂）が訓練データを拡張するためにサンプリングされる。その結果、特定の（θ₁，θ₂）の値を探索する必要がない。さらに、訓練サンプルは、１３０個から１３，０００個まで拡張され、過剰適合の可能性を低下させる。図６は、整列後の典型的なポリープサンプルと、その３次元拡張データとを示す。

本発明によれば、２４×２４×１６のテンプレートに基づくサブボリュームが分類される。陽性サンプルが主方位の一つの先端に配列され拡張される。ポリープ検出に使用される特徴は多数の特性を有するべきである。特徴はある程度変化しないスケール及びアスペクト比であるべきである。これを実現するために、後で詳しく説明されるように、考えられる様々なスケール及びアスペクト比が検出段階において使用される。特徴は高速かつ簡単に計算できなければならない。特徴は着目中の対象に関する情報を与えなければならない。

本発明によれば、積分ボリューム及び３次元ハールフィルタがポリープ検出に使用される。図７は、本発明において使用される１次元、２次元及び３次元のハールフィルタを示している。各位置（ｘ₁，ｙ₁，ｚ₁）において、積分ボリューム

が計算される。ハールフィルタを計算する計算コストは、積分ボリューム内のハールフィルタのコーナーの値の合計だけが計算されればよいので、非常に削減される。データを整列し分類器を訓練する手続は時間がかかるので、特徴は好ましくはある程度回転不変性である。すなわち、１つの主方向ｒ１に対する分類器が訓練されると、他の方位に対する分類器は自動的に導出される。ハールフィルタは、図９に表されているように、６個の主方位に関してこの要件を満たす。その他の８個の方位に関して、検出ステージにおける３次元データは、それらのための別の１群の分類器を有するよりもむしろ回転させられる。これは、実質的に１個の分類器だけが訓練されるので、訓練の労力と過剰適合の可能性を低下させる。

本発明によれば、確率的ブースティングツリー（Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｂｏｏｓｔｉｎｇ Ｔｒｅｅ；ＰＢＴ）が識別モデルを明示的に計算するために使用される。訓練ステージでは、ツリーは再帰的に構築され、各ツリーノードが強力な分類器である。入力訓練セットは学習済の分類器に従って左側セットと右側セットの二つのセットに分割される。二つのセットのうちのそれぞれは、次に、左側サブツリー及び右側サブツリーを再帰的に訓練するために使用される。ツリーの各レベルは拡張変数である。クラスタリングは、クラスタが自動的に発見され、階層的に形成された学習状態に本質的に埋め込まれている。ＰＢＴは分断攻略手法で訓練とテストを実行し、全体的な識別モデル

として出力する。

ＰＢＴの例は図８及び１０に表されている。各ツリーレベルｌ_iは拡張変数である。ブートストラッピングのプロセルを容易化し、ＰＢＴの陰性の個数を削減するために、カスケードアプローチが図１０に表されているように使用される。ＰＢＴの各ステージは閾として確率を有する。その確率より大きなｐ〜（ｙ？ｘ）を有するＰＢＴは次のステージに入る。

以下では、本発明によるポリープ分類器を訓練する実施例を説明する。この実施例では、８０個のボリュームが訓練のために使用され、放射線医によって１３０個のポリープが注釈を付けられ、セグメント化された。第一に、アダブースト（ＡｄａＢｏｏｓｔ）分類器は、ボクセルがポリープの表面にあるか否かを分類するために訓練された。この分類器は平坦な表面上にあるボクセルの大部分を素早く選別するために使用される。使用された特徴は、強度、勾配、ガウス曲率、平均曲率などである。一般的なＡｄａＢｏｏｓｔアルゴリズムがこれらの特徴を組み合わせるために訓練された。結果の一部が図１１に示されている。

第二に、ＰＢＴ分類器のカスケードを備える分類器が訓練される。ポリープのセグメント化及びその先端上の注釈付けに基づいて、ポリープ用のバウンディングボックスが正確に位置づけられる。訓練サンプルは整列させられ、サイズ２４×２４×１６の１３，０００個の陽性まで拡張される。８０個の訓練ボリューム内で、主方位ｒ１に沿う勾配を持つボクセルがランダムにサンプリングされ、第１の基本形状分類器を通過した。さらに、これらのボクセルは注釈を付けられたポリープの表面に存在すべきでない。３次元サブボリュームが、次に、これらのボクセルをテンプレート内の先端位置に配列させるサイズ２４×２４×１６から取出される。全部で３０，０００個の陰性サンプルが獲得される。これらの陽性及び陰性を使用して、ＰＢＴは、ＡｄａＢｏｏｓｔノード毎に最大で９個のレベルと２２個の弱い分類器とを用いて訓練される。

ＰＢＴが訓練されると、ＰＢＴは、より多くの陰性を獲得すべくブートストラッピングを実行するための訓練用ボリュームを全部調べるために使用される。５個のレベルのカスケードを生成する訓練済の５個のＰＢＴが存在する。各ＰＢＴが識別モデルｐ〜（ｙ？Θ₁,ｘ）を計算するので、閾は、検出レートと偽陽性の個数との間のバランスを保つために容易に調整される。最初の２個のレベルはほぼ１００％の検出レートを有するように設定される。各ＰＢＴはハールフィルタ上に約１０００個の弱い分類器を備える。訓練済のＰＢＴのカスケードに基づいて、その他の５個のカスケードが、図９に示されているように、ハールフィルタを回転させることにより獲得される。

本発明によれば、今度は、ポリープ検出方法が図１２及び図１３ａ，１３ｂを参照して説明される。候補生成方法は１組の候補位置を獲得するために使用される（ステップ１３０２）。候補位置の実施例が図１２に示されている。候補位置毎に９個のサブボリュームが作られる。９個のサブボリュームは図１２に示されているようにスケールの異なる３個のボリュームを備え、各ボリュームが３方位に回転させられる。図１２の上の行は３個の異なるスケールでサブボリュームを表す。これは大きなスケールで異なるサイズの可能性を網羅するために行われる。下の行は異なる方位で３個のサブボリュームを表す。同図の右側は、ｒ１，ｒ２，ｒ３の定義と、回転したボリュームがどのように獲得されるかとを表している。

最も詳細には、ボリューム内の候補位置毎に、サブボリュームが異なるスケールで取出される（ステップ１３０４）。例えば、サブボリュームは、原スケールの半分である１個のサブボリュームと、原スケールである１個のサブボリュームと、原スケールの１．５倍である第３のサブボリュームとが存在するように、スケール変更される。ポリープ検出方法で使用される３つのスケールは、臨床結果に基づき、かつ、本発明の範囲及び精神から逸脱することなく誤った陽性を検出する可能性を低下させるために異なることが当業者によって理解されるべきである。次に、３個のサブボリュームは６０×６０×６０のボリュームにサイズ変更される（ステップ１３０６）。

３個のサブボリュームのそれぞれについて、３個の付加的なサブボリュームが異なる方位で獲得される。各サブボリュームは方向ｒ２から方向ｒ１へ回転させられる。サブボリュームは方向ｒ３から方向ｒ１へも回転させられる（ステップ１３０８）。これにより、候補位置毎に９個のサブボリュームが作成される。

９個のサブボリュームのそれぞれについて、第１層の形状分類器は、ポリープの表面上に存在しないボクセルを除外するために作動させられる（ステップ１３１０）。形状分類器を通過するボクセル毎に、その勾配方向が計算される（ステップ１３１２）。勾配方向が６個の主方位のうちの一つに分類されるならば、対応するＰＢＴ分類器のカスケードが作動させられる（ステップ１３１４）。次に、サイズおよびアスペクト比が異なるテンプレートの９６個の組み合わせの可能性がテンプレートの先端にある現在のボクセルを考慮することによって試行される（ステップ１３１６）。９６個の可能性は、オフラインで計算された９６個のハールフィルタと対応する。異なる個数の可能性が本発明の範囲及び精神から逸脱することなくボクセルを解析するために使用され得ることが理解されるべきである。

ボクセルがカスケードを通過するならば、バウンディングボックスが想起され、その対応する確率が信頼性測度としてカスケードの最後の層において出力される（ステップ１３１８）。このプロセスは９個のサブボリュームのそれぞれについて繰り返される（ステップ１３２０）。各サブボリュームが解析された後にバウンディングボックスが存在するならば、最大の信頼性測度を有するバウンディングボックスが使用され、候補はポリープであると決定される（ステップ１３２２）。

より多くの時間が訓練用サンプルの複雑さを低減する検出ステージにおいて消費される。その上、ＰＢＴのカスケードのうちｒ１のためのカスケードだけが訓練され、すべての他の方向のために使用される。これは、検出器の一般性を高めるために役立ち、より高い効率をもたらす。サンプルが斜めより右上にあるならば、特徴が非常に容易に獲得できることがわかる。サブボリューム内のボクセル毎に、形状分類器がスケール及びアスペクト比の異なるカスケードＰＢＴと共に作動される。最良のバウンディングボックスは、ポリープであることが分かるならば、出力される。

３次元結腸画像データ内のポリープの検出方法の実施形態が記載されているが、変更及び変形が上記の教示を考慮して当業者によってなされることに注意すべきである。したがって、開示された発明の特定の実施形態において特許請求の範囲に記載されたような発明の範囲及び精神に含まれる変更がなされることが理解されるであろう。以上の通り、特許法によって要求された細部項目及び詳細内容と共に発明が記載されているが、特許証によって権利が主張され保護されることが望まれる内容は添付の特許請求の範囲に記載されている。

結腸の３次元ＣＴ画像を示す図 本発明による典型的なコンピュータ断層撮影（ＣＴ）システムの概略図 ６５個の陽性サンプルからの１２個のポリープを示す図 本発明による３次元結腸データを可視化し処理するために使用されるインターフェイスのスナップショットを示す。 候補データが本発明によってどのように配列させられるかを示す図 本発明による典型的なポリープとその拡張データを示す図 本発明による１次元、２次元及び３次元ハールウェーブレットフィルタの例を示す図 本発明による確率ブースティングツリーを示す図 本発明による６個の主方位に従って回転させられた図７のハールウェーブレットフィルタのうちの一つを示す図 本発明による確率ブースティングツリーとそのカスケードを示す図 本発明による訓練済の形状分類器を示す図 本発明による３通りの異なるスケール及び３通りの異なる方位で表されたサブボリュームを示す図 本発明によるポリープ検出方法を説明するフローチャート 本発明によるポリープ検出方法を説明するフローチャート

符号の説明

１ Ｘ線源
２ Ｘ線ビーム
３ 検査対象
４ 放射線検出器
７ ガントリ
８ システム軸線
１０ データ収集システム
１２ 信号プロセッサ
２０ コンピュータ支援検出システム

Claims (22)

1. 解剖学的構造の３次元画像ボリューム内の目標対象の検出方法において、
   画像ボリューム内で１組の候補位置を獲得するステップと、
   候補位置毎に、複数のボクセルを含む少なくとも２つの異なるスケールのサブボリュームを取出すステップと、
   サブボリューム毎に、少なくとも２つの異なる方位に各サブボリュームを回転させるステップと、
   各サブボリュームに形状分類器を適用するステップと、
   サブボリューム内のボクセルが形状分類器を通過するならば、ボクセルの勾配方向を計算するステップと、
   ボクセルの勾配方向が予め定められた方位のうちの一つであるならば、ボクセルに確率分類器を適用するステップと、
   確率分類器によって計算された確率測度をサブボリュームの信頼性測度として使用するステップと、
   信頼性測度が予め定められた閾値を上回るならば、サブボリュームが目標対象を含むと決定するステップと、
   を備えることを特徴とする３次元画像ボリューム内の目標対象の検出方法。
2. 確率分類器がアダブースト（ＡｄａＢｏｏｓｔ）分類器であることを特徴とする請求項１に記載の方法。
3. 確率分類器が確率的ブースティングツリー（ＰＢＴ）分類器であることを特徴とする請求項１に記載の方法。
4. 確率分類器をボクセルに適用するステップが、複数のフィルタをサブボリュームに適用するステップをさらに備えることを特徴とする請求項１に記載の方法。
5. 複数のフィルタがハールフィルタであることを特徴とする請求項１に記載の方法。
6. フィルタが３次元ハールフィルタであることを特徴とする請求項５に記載の方法。
7. ハールフィルタがサイズおよびアスペクト比の異なるテンプレートの複数の組み合わせに対応することを特徴とする請求項５に記載の方法。
8. ハールフィルタがオフラインで計算されることを特徴とする請求項５に記載の方法。
9. ３次元画像ボリュームがコンピュータ断層撮影（ＣＴ）画像ボリュームであることを特徴とする請求項１に記載の方法。
10. 解剖学的構造が結腸であることを特徴とする請求項１に記載の方法。
11. 解剖学的構造が肺であることを特徴とする請求項１に記載の方法。
12. 解剖学的構造がリンパ節であることを特徴とする請求項１に記載の方法。
13. 目標対象がポリープであることを特徴とする請求項１に記載の方法。
14. 解剖学的構造の３次元画像ボリューム内で識別された候補位置がポリープに対応するかどうかの決定方法において、
    各候補位置の３次元画像ボリュームからサブボリュームを取出すステップと、
    複数のスケールで複数のボクセルを含む各サブボリュームをスケーリングするステップと、
    候補位置毎に１組のサブボリュームを生じる少なくとも２つの異なる方位にスケーリングされた各サブボリュームを回転させるステップと、
    各サブボリュームに形状分類器を適用するステップと、
    サブボリューム内のボクセルが形状分類器を通過するならば、ボクセルの勾配方向を計算するステップと、
    ボクセルの勾配方向が予め定められた方位のうちの一つであるならば、ボクセルに確率分類器を適用するステップと、
    確率分類器によって計算された確率測度をサブボリュームの信頼性測度として使用するステップと、
    信頼性測度が予め定められた閾値を上回るならば、サブボリュームがポリープを含むと決定するステップと、
    を備えることを特徴とする３次元画像ボリューム内で識別された候補位置がポリープに対応するかどうかの決定方法。
15. 確率分類器が確率的ブースティングツリー（ＰＢＴ）分類器であることを特徴とする請求項１４に記載の方法。
16. 確率分類器をボクセルに適用するステップが、複数のハールフィルタをサブボリュームに適用するステップをさらに備えることを特徴とする請求項１４に記載の方法。
17. ハールフィルタがサイズおよびアスペクト比の異なるテンプレートの複数の組み合わせに対応することを特徴とする請求項１６に記載の方法。
18. ハールフィルタがオフラインで計算されることを特徴とする請求項１６に記載の方法。
19. ３次元画像ボリュームがコンピュータ断層撮影（ＣＴ）画像ボリュームであることを特徴とする請求項１４に記載の方法。
20. 解剖学的構造が結腸であることを特徴とする請求項１４に記載の方法。
21. 解剖学的構造が肺であることを特徴とする請求項１４に記載の方法。
22. 解剖学的構造がリンパ節であることを特徴とする請求項１４に記載の方法。

Images