JP6526669B2

JP6526669B2 - 画像データからの骨の区分化

Info

Publication number: JP6526669B2
Application number: JP2016536251A
Authority: JP
Inventors: リランゴシェン; アシェルグリンガウツ
Original assignee: Koninklijke Philips NV
Current assignee: Koninklijke Philips NV
Priority date: 2013-12-06
Filing date: 2014-12-02
Publication date: 2019-06-05
Anticipated expiration: 2034-12-02
Also published as: CN105793894B; WO2015083065A1; CN105793894A; JP2016539704A; US20160307330A1; EP3077990A1; US10096120B2

Description

以下の内容は、概して画像データ処理に関し、より詳細には画像データから骨を区分化することに関し、コンピュータ断層撮影法（ＣＴ）への特定の応用例と共に説明されている。但し、以下の内容は他の撮像様式にも適している。

ＣＴスキャナは、検出器アレイに対向し、検査領域にわたる回転可能なガントリ上に設けられるｘ線管を含む。回転可能なガントリ及びｘ線管は検査領域の周りを回転する。ｘ線管は、検査領域を横断し、検出器アレイによって検出される放射線を放つ。検出器アレイは、検出される放射線を示す信号を生成して出力する。三次元体積画像データを生成するために、その信号が再構築される。体積画像データは、相対的な放射線濃度に対応するグレースケール強度値の観点から表わされるボクセルを含む。

グレースケール値は、走査対象の減衰特性を反映し、走査対象内の解剖学的構造を示す。物質による光子の吸収率は物質を横断する光子のエネルギに依存し、従って検出される放射線は、対象及び／又は目的物の走査物質の元素組成又は物質組成（例えば原子番号）を示す追加情報を提供するスペクトル情報も含む。不都合なことに従来のＣＴ画像データは、検出器アレイによって出力される信号がエネルギスペクトルにわたって積分されるエネルギフルエンスに比例するので、スペクトル特性を反映しない。

スペクトルＣＴは上記のスペクトル特性を捕捉する。概して、スペクトルＣＴスキャナは、異なる平均スペクトルを有する放射線を放つように構成される複数のｘ線管、走査中に少なくとも２つの異なる放出電圧（例えば８０ｋＶｐ及び１４０ｋＶｐ）を制御可能に切り替えられるように構成される単一のｘ線管、単一の広域スペクトルｘ線管、並びに／又は（例えば光子計数検出器、スペクトル感度が異なる少なくとも２組のフォトダイオード等を有する）エネルギ分解検出器及び弁別エレクトロニクスを有するエネルギ分解検出器アレイを含み得る。

デュアルエネルギＣＴは、２つの光子エネルギで同時に取得される２つの減衰値を利用し、物質の質量減衰係数から成る光電及びコンプトンの寄与度を解き、その結果、未知の物質をその光電及びコンプトンの寄与度の値によって明らかにする。２つの基底関数の何れか２つの一次独立の和が全減衰係数空間に及ぶので、如何なる物質も水やヨウ素等の２つの他の物質、所謂基礎物質の一次結合によって表わされ得る。

臨床応用は、ＣＴ画像データ内の骨構造を区分化することをしばしば必要とする。区分化の手法は、例えばアトラスベースの方法等の時間がかかり冗長な半自動の方法と、その後に続く、結果を補正するための対話型編集ツール、又は対話性を必要としないより高速な精度を欠く方法に基づく。概して、様々な組織、例えば骨や血管が同じ密度範囲をもち、空間的に近接近にあり得るので、単純な密度演算子又は勾配演算子は正確且つ高信頼の骨の区分化を可能にしない。

質の高い骨の区分化を行うことはスペクトルＣＴでさえ非常に困難な作業であり、それは骨が複雑な構造を有し、不均一な物質組成を有するからである。根本的な問題は、一部の骨構造が体内の他の構造、例えば造影臓器と非常に似た減衰及びスペクトル特性を有することである。加えて、スペクトルＣＴの検討は、問題を更に深刻にする本質的に甚大な雑音の問題にも見舞われる。その結果、主にスペクトル情報に基づく骨区分化アルゴリズムは芳しくない結果を与える。

本明細書に記載の態様は上記の問題及び他の問題に対処する。

以下、スペクトルＣＴ用の高速、自動、且つロバストな骨区分化アルゴリズムについて説明する。この骨区分化アルゴリズムは、基礎をなす物体構造及びスペクトル情報を保つ手法によってスペクトル雑音を除去すること、その後に続く、データセット内のボクセルごとに１組の特徴を抽出すること、各ボクセルが骨構造に属する確率を求めること、画像データの骨の大域的構造を区分化すること、及び任意選択的に区分化済みの骨構造を視覚的に向上させることを含む。

一態様では、スペクトル画像データ内の骨を区分化するための方法が本明細書に記載されている。スペクトル画像データは、第１のエネルギに対応する１組の第１の画像データと、第２の異なるエネルギに対応する１組の第２の画像データとを少なくとも含む。この方法は、スペクトル画像データを取得するステップを含む。この方法は、スペクトル画像データ内のボクセルごとに１組の特徴を抽出するステップを更に含む。この方法は、その１組の特徴に基づき、各ボクセルが骨構造を表す確率をボクセルごとに求めるステップを更に含む。この方法は、その確率に基づき、スペクトル画像データから骨構造を抽出するステップを更に含む。

別の態様では、計算システムが、骨区分化アルゴリズムを記憶するコンピュータ可読記憶媒体と、骨区分化アルゴリズムを実行するコンピュータプロセッサとを含み、骨区分化アルゴリズムは、スペクトル画像データ内の各ボクセルが骨構造を表す確率に基づき、スペクトル画像データから骨構造を抽出することをコンピュータプロセッサに実行させる。

別の態様では、コンピュータ可読記憶媒体が、コンピュータ可読命令で符号化される。コンピュータ可読命令は、プロセッサによって実行されるとき、スペクトル画像データを得ることであって、スペクトル画像データは、第１のエネルギに対応する１組の第１の画像データと第２の異なるエネルギに対応する１組の第２の画像データとを少なくとも含む、スペクトル画像データを得ること、スペクトル画像データから雑音を除去することであって、雑音が除去されたスペクトル画像データから１組の特徴が抽出される、雑音を除去すること、雑音が除去されたスペクトル画像データ内のボクセルごとに１組の特徴を抽出すること、その１組の特徴に基づき、各ボクセルが骨構造を表す確率をボクセルごとに求めること、その確率に基づき、スペクトル画像データから骨構造を抽出すること、及び抽出済みの骨を視覚的に洗練させることをプロセッサに実行させる。

本発明は、様々なコンポーネント及びコンポーネントの構成、並びに様々なステップ及びステップの構成の形を取り得る。図面は好ましい実施形態を例示するためのものに過ぎず、本発明を限定するものとして解釈すべきではない。

骨区分化アルゴリズムを有する計算システムに関連して撮像システムの一例を概略的に示す。骨区分化アルゴリズムの一例を概略的に示す。区分化アルゴリズムのスペクトル雑音リムーバの一例を概略的に示す。画像データから骨を区分化するための方法の一例を示す。

図１は、コンピュータ断層撮影（ＣＴ）スキャナ等の撮像システム１００を概略的に示す。撮像システム１００は、概して固定されたガントリ１０２及び回転するガントリ１０４を含む。回転するガントリ１０４は固定されたガントリ１０２によって回転自在に支持され、前後軸即ちｚ軸（「Ｚ」）を中心に検査領域１０６の周りを回転する。

ｘ線管等の放射線源１０８が回転するガントリ１０４によって回転自在に支持され、回転するガントリ１０４と共に回転し、検査領域１０６を横断する多エネルギ放射線を放つ。図示の実施形態では、放射線源１０８が単一の広域スペクトルｘ線管を含む。改変形態では、放射線源１０８が、走査中に少なくとも２つの異なる放出電圧（例えば８０ｋＶｐ、１４０ｋＶｐ等）を制御可能に切り替えられるように構成される。更に別の改変形態では、放射線源１０８が、異なる平均スペクトルで放射線を放つように構成される２つ以上のｘ線管を含む。別の改変形態では、放射線源１０８が上記のものの組合せを含む。

放射線感知検出器アレイ１１０が、検査領域１０６にわたり放射線源１０８の反対側に角度をなした弧を張る。アレイ１１０は、ｚ軸方向に沿って互いに対して配置される１つ又は複数の検出器の並びを含み、検査領域１０６を横断する放射線を検出し、それを示す信号を生成する。図示のアレイ１１０は、ｘ線エネルギ感度が異なる少なくとも２つのシンチレータと、対応する光感度を有する少なくとも２つの対応する光センサとを含むデュアルエネルギ検出器を含む。その一例が、参照によりその全体が本明細書に援用される、２００７年１０月２６日に出願され、「Double Decker Detector for Spectral CT」と題された米国特許出願第１１／９１２，６７３号の中で説明されている。改変形態では、放射線感知検出器アレイ１１０が直接変換検出器（例えばＣｄＴｅ、ＣｄＺｎＴｅ等）を含む。

リコンストラクタ１１２は、検出器アレイ１１０によって出力される信号を再構築する。この再構築は、信号を様々なエネルギ依存性の成分に分解することを含み得る。分解手法の一例は、参照によりその全体が本明細書に援用される、２００６年１２月２０日に出願され、２００７年１２月１４日に出願されたＰＣＴ／ＩＢ２００７／０５５１０５号の中で説明されている。リコンストラクタ１１２は、エネルギ依存性の成分を再構築し、１つ又は複数の異なるエネルギに対応する１つ又は複数の画像を生成する。リコンストラクタ１１２は、エネルギ依存性の成分を組み合わせて非スペクトル画像データを生成することもできる。

診察台等の対象支持部１１３は、検査領域内で目的物又は対象を支持する。汎用コンピュータがオペレータコンソール１１４の役割を果たす。コンソール１１４は、モニタやディスプレイ等の人間が読むことができる出力装置、及びキーボードやマウス等の入力装置を含む。コンソール１１４上にあるソフトウェアは、オペレータがグラフィカルユーザインタフェース（ＧＵＩ）又は他の方法によってスキャナ１００と対話することを可能にする。この対話は、スペクトル撮像プロトコルや非スペクトル撮像プロトコルを選択することや、走査を開始すること等を含み得る。

コンピュータ等の計算システム１１６は、撮像システム１００との通信を助ける入出力（Ｉ／Ｏ）１１８、ディスプレイモニタやフィルマ等の出力装置１２０、及びマウスやキーボード等の入力装置１２２を含む。計算システム１１６は、少なくとも１個のプロセッサ１２４（例えば中央処理装置即ちＣＰＵやマイクロプロセッサ等）、及び物理メモリや他の非一時的メモリ等の（一時的媒体を除く）コンピュータ可読記憶媒体１２６を更に含む。コンピュータ可読記憶媒体１２６は、コンピュータ可読命令１２８及びデータ１３０を記憶する。少なくとも１個のプロセッサ１２４がコンピュータ可読命令１２８を実行する。少なくとも１個のプロセッサ１２４は、信号、搬送波、及び他の一時的（即ち非コンピュータ可読記憶）媒体によって運ばれるコンピュータ可読命令も実行することができる。

図示の実施形態では、コンピュータ可読命令１２８が少なくとも骨区分化アルゴリズム１３２を含む。以下でより詳細に説明されるように、骨区分化アルゴリズム１３２は、基礎をなす物体構造及びスペクトル情報を保つ手法によってスペクトル画像データからスペクトル雑音を除去すること、その後に続く、データセット内のボクセルごとに１組の特徴を抽出すること、各ボクセルが骨構造に属する確率を求めること、画像データの骨の大域的構造を区分化すること、及び任意選択的に区分化済みの大域的構造を視覚的に洗練させることを含む。スペクトル画像データは、第１のエネルギに対応する１組の第１の画像データと、第２の異なるエネルギに対応する１組の第２の画像データとを少なくとも含む。

図示の実施形態では、スペクトル画像データが撮像システム１００から得られる。改変形態では、スペクトル画像データが別の撮像システムから得られる。別の改変形態では、スペクトル画像データが、画像保管通信システム（ＰＡＣＳ）、放射線医学情報システム（ＲＩＳ）、病院情報システム（ＨＩＳ）、電子医療記録（ＥＭＲ）、データベース、サーバ、撮像システム、コンピュータ等のデータリポジトリ、及び／又は他のデータリポジトリから得られる。この実施形態では、スペクトル画像データが撮像システム１００、別の撮像システム等によって生成される。データは、医用におけるデジタル画像と通信（ＤＩＣＯＭ）、ヘルスレベル７（ＨＬ７）、及び／又は他の形式によって計算システム１１６に転送され得る。

図２は、骨区分化アルゴリズム１３２の一例を示す。

骨区分化アルゴリズム１３２は、スペクトル雑音リムーバ２０２を含む。スペクトル雑音リムーバ２０２は、基礎をなす物体構造及びスペクトル情報を保ちながら画像データから雑音及びアーティファクトを除去する。スペクトル雑音リムーバ２０２の一例が図３に概略的に示されている。

図３では、基準構造セレクタ３０２が局所基準データセットを選択する。局所基準データセットは、基礎をなす局所物体構造を導出するために使用され得る基準データセットを得るために選択される。雑音モデラ３０４が選択された基準データセットを解析し、その雑音パターンをモデル化する。

雑音リムーバ３０６が雑音を除去する。雑音の除去は、基準データセットから基礎をなす局所構造を推定することを含む。雑音の除去は、推定された構造をターゲットデータセットに伝搬し、復元の更なる制約としてそれを利用することを更に含む。除去されたテクスチャ及び／又は雑音の一部が戻されても良い。このことは、最終的な画像の見た目を制御できるようにする。スペクトル雑音除去の別の例が、参照によりその全体が本明細書に援用される、２０１３年２月２１日に出願され、「STRUCTURE PROPAGATION RESTORATION FOR SPECTRAL CT」と題された米国仮特許出願第６０／７６７，３００号の中で説明されている。

概して、デュアルエネルギ画像データ内では、特定のエネルギ画像のそれぞれが、対応する従来の非スペクトル走査の放射線量のおおよそ半分に通常基づく。加えて、物質分別の推定は、間の角度が狭い２つのベクトル間の投影（projection）に基づく。これらの２つの要素、即ち大きい雑音及び狭い角度の組合せは、推定される物質分別における雑音を著しく増幅する。雑音リムーバ３０６はこの雑音を除去する。

図２に戻り、骨区分化アルゴリズム１３２は特徴エクストラクタ２０４を更に含む。特徴エクストラクタ２０４は、データセット内のボクセルごとに１組の特徴を抽出する。これらの特徴は、ボクセルの周りの局所スペクトル及び局所構造／ジオメトリに基づく。この１組の特徴はボクセルを特徴付け、その後の分類を可能にする。

適切な特徴の例は、これだけに限定されないが１）低エネルギ画像データのハウンスフィールド単位（ＨＵ）であって、低エネルギ画像データは低ｋＶｐ画像データ又は低ｋｅＶ仮想単色画像データであり得る、低エネルギ画像データのＨＵ、２）高エネルギ画像データのＨＵであって、高エネルギ画像データは高ｋＶｐ画像データ又は高ｋｅＶ仮想単色画像データであり得る、高エネルギ画像データのＨＵ、３）低エネルギ画像データのガウス差分（ＤＯＧ：Difference of Gaussians）、４）高エネルギ画像データのＤＯＧ、及び「面性（surfaceness）」メトリクを含む。

この例では、低エネルギ画像データ及び高エネルギ画像データが、デュアルエネルギ走査内の２つのエネルギに対応する。低エネルギ画像データのＤＯＧは例えばヨウ素を表し、高エネルギ画像データは例えばカルシウムを表す。ＤＯＧは、画像データ内に少量のヨウ素又はカルシウムがある場合に機能強化をもたらし得る。例えば「面性」メトリクは、局所構造が面の構造にどの程度うまく適合するのかを示す。この「面性」メトリクを計算するための手法の一例が等式１に示されており、
但し、
は局所構造テンソルの固有値である。この例では、１組の特徴が特徴のベクトルを表す。

骨区分化アルゴリズム１３２は、ボクセル確率デターミナ２０６を更に含む。ボクセル確率デターミナ２０６は、各ボクセルが骨構造に属する確率を求める。ボクセル確率デターミナ２０６は、抽出済みの特徴、例えばボクセルの周りの局所スペクトル及び局所構造に基づいて確率を求める。統一エスティメータ内でスペクトルの及び構造／ジオメトリ上の特性の両方を利用することで、エスティメータの性能を向上させることができる。

確率を求める一例が等式２に示されており、
この等式は、ボクセルＶ_ｉが骨構造に属する確率を求める多変量ロジスティック回帰手法であり、Ｘ_ｉはボクセルＶ_ｉの特徴のベクトルであり、Ｘ_０は１の固定値を有する説明のための追加の擬似変数であり、βはロジスティック回帰のパラメータベクトルである。

骨区分化アルゴリズム１３２は、セグメンタ２０８を更に含む。セグメンタ２０８は、画像データの骨の大域的構造を抽出する。一例ではセグメンタ２０８が、ボクセル確率デターミナ２０６の結果に対して区分化モデルを適用する。このモデルは、例えば大域的な凸区分化モデルである。大域的な凸区分化モデルは、高速の数値的方法に基づく高信頼且つロバストな結果を得るために使用され得る。

適切な区分化モデルの一例が等式３に示されており、
区分化ｓは最適化（例えばこの例では最小化）によって得られ、
は全変動を表し、λは正則化の強さを制御するパラメータであり、ｐは局所エスティメータの結果であり、残りのパラメータは区分化パラメータである。非限定的な一例では、ｃ_１が一（１）の数値に設定され、ｃ_２がゼロ（０）の数値に設定される。改変形態では、ｃ_１又はｃ_２の少なくとも１つが異なる値である。

他の適切な区分化アルゴリズムが、Shi et al., “Normalized cuts and image segmentation,” Pattern Analysis and Machine Intelligence, IEEE Transactions on 22.8 (2000): 888-905、Goldstein et al., “Geometric applications of the
split Bregman method: segmentation and surface reconstruction,” Journal of Scientific Computing 45.1-3 (2010): 272-293、及び／又は他の区分化アルゴリズムの中で説明されている。

リファイナ２１０は、抽出済みの骨の大域的構造を視覚的に洗練させる。例えば、骨は様々な種類の組織からなる（皮質（緻密）骨及び小柱（多孔質）骨）。そのため、画像データ内の全ての骨の確率が同じでない場合がある。その結果、抽出される骨は、骨の他の領域を表すボクセルよりも確率が低いボクセルについて孔又は暗領域を有し得る。リファイナ２１０はその孔を埋め、抽出済みの骨のより均一な表現をもたらす。一例では、このことは抽出済みの骨の小柱骨の強度が、抽出済みの骨の皮質骨の強度とほぼ同じ強度になることをもたらす。

図４は、画像データから骨構造を区分化するための方法の一例を示す。

この方法の中の行為の順序は限定的ではないことを理解すべきである。そのため、他の順序も本明細書で予期される。加えて、１つ若しくは複数の行為が省略され且つ／又は１つ若しくは複数の追加の行為が含められても良い。

４０２で、様々なエネルギビンに対応する複数の画像を含むスペクトル画像データが得られる。本明細書で論じられるように、非限定的な一例では、スペクトル画像データがマルチソース撮像システム、高速ｋＶｐスイッチング、及び／又はマルチレイヤ検出器によって生成され得る。或いは、入力画像は仮想単色画像を含み得る。

４０４で、スペクトル画像データの雑音が除去される。本明細書で説明されるように、非限定的な一例では、このステップは、基礎をなす物体構造及びスペクトル情報を保ちながらスペクトル画像データから雑音及びアーティファクトを除去するアルゴリズムを使用するステップを含む。

４０６で、データセット内のボクセルごとに１組の特徴が抽出される。本明細書で説明されるように、非限定的な一例では、このステップは、ボクセルを特徴付けるボクセルの周りの局所スペクトル及び局所構造／ジオメトリに基づく特徴を分類のために抽出するステップを含む。

４０８で、各ボクセルが骨構造に属する確率が推定される。本明細書で説明されるように、非限定的な一例では、このステップは、抽出済みの特徴、即ちボクセルの周りの局所スペクトル及び局所構造に基づいて確率を推定するステップを含む。

４１０で、画像データから骨の大域的構造が抽出される。本明細書で説明されるように、非限定的な一例では、このステップは確率に対して区分化モデルを適用するステップを含む。

４１２で、抽出済みの骨の大域的構造が視覚的に洗練させられる。上記のように、このステップは小柱骨に対応する暗領域を埋めるステップを含み得る。

４１４で、区分化され又は抽出された骨の大域的構造の画像データセットが出力される。このステップは、区分化された骨を視覚的に表示するステップ、及び／又は区分化された骨を別の装置に伝えるステップを含み得る。この場合もやはり、このアルゴリズムはスペクトルＣＴ用の高速、自動、且つロバストな骨区分化アルゴリズムを提供する。

上記の内容は、スペクトルＣＴ用の高速、自動、且つロバストな骨区分化アルゴリズムを提供する。このアルゴリズムは、外傷、血管、及び整形外科の応用例に適している。このアルゴリズムは、仮想非造影（ＶＮＣ：virtual non-contrasted）ヨウ素マップ等のスペクトル結果を向上させ（従って放射線の低減を助け）、（ヨウ素マップに基づく）灌流解析等を向上させるためにも利用され得る。更に、このアルゴリズムは画像再構築連鎖の中で利用されても良く、例えば線質硬化補正や仮想単色画像再構築を向上させる。

上記の行為は、コンピュータプロセッサによって実行されるときに記載された行為をそのプロセッサに実行させる、コンピュータ可読記憶媒体上に符号化され又は埋め込まれるコンピュータ可読命令によって実施され得る。加えて、又は或いは、コンピュータ可読命令の少なくとも１つが信号、搬送波、又は他の一時的媒体によって運ばれる。

本発明が好ましい実施形態に関して説明されてきた。上記の詳細な説明を読んで理解するとき、他者は修正形態及び改変形態に気付くことがある。添付の特許請求の範囲又はその均等物の範囲内に含まれる限り、本発明はそのような全ての修正形態及び改変形態を含むものとして構成されることを意図する。

Claims

第１のエネルギに対応する１組の第１の画像データと、第２の異なるエネルギに対応する１組の第２の画像データとを少なくとも含むスペクトル画像データ内の骨を区分化するための方法であって、
前記スペクトル画像データを取得するステップと、
スペクトル画像データ内のボクセルごとに１組の特徴を抽出するステップと、
前記１組の特徴に基づき、各ボクセルが骨構造を表す確率をボクセルごとに求めるステップと、
前記確率に基づき、前記スペクトル画像データから骨構造を抽出するステップと
を含み、
更に、前記１組の特徴を抽出する前に、前記スペクトル画像データの雑音を除去するステップを含み、前記１組の特徴は前記雑音が除去されたスペクトル画像データから抽出され、
前記第１のエネルギが前記第２のエネルギよりも低く、前記１組の特徴が、前記第１の画像データのハウンスフィールド単位、前記第２の画像データのハウンスフィールド単位、前記第１の画像データのガウス差分、前記第２の画像データのガウス差分、及び面性メトリクを少なくとも含む、方法。
抽出済みの骨の構造が、視覚的に表示されること、他の画像データのためのマスクとして適用されること、ヨウ素マップ又は仮想非造影画像データ、線質硬化補正、及び仮想単色画像再構築を向上させるために使用されることのうちの少なくとも１つがなされる、請求項１に記載の方法。
抽出済みの前記１組の特徴が、前記ボクセルのそれぞれの周りの局所スペクトル及び局所構造に基づく、請求項１又は２に記載の方法。
前記面性メトリクを
に基づいて計算するステップであって、但し、
であり、
λ _１、λ _２、及びλ _３は、それぞれ局所構造テンソルの固有値である、計算するステップ
を更に含む、請求項１に記載の方法。
第１のエネルギに対応する１組の第１の画像データと、第２の異なるエネルギに対応する１組の第２の画像データとを少なくとも含むスペクトル画像データ内の骨を区分化するための方法であって、
前記スペクトル画像データを取得するステップと、
スペクトル画像データ内のボクセルごとに１組の特徴を抽出するステップと、
前記１組の特徴に基づき、各ボクセルが骨構造を表す確率をボクセルごとに求めるステップと、
前記確率に基づき、前記スペクトル画像データから骨構造を抽出するステップと
を含み、
更に、前記１組の特徴を抽出する前に、前記スペクトル画像データの雑音を除去するステップを含み、前記１組の特徴は前記雑音が除去されたスペクトル画像データから抽出され、
前記確率を
に基づいて計算するステップであって、Ｘ _ｉはボクセルＶ_ｉの特徴のベクトルであり、βはロジスティック回帰のパラメータベクトルである、計算するステップ
を更に含む、方法。
前記骨構造を抽出するステップが、前記確率に対して区分化モデルを適用するステップを含む、請求項１乃至３の何れか一項に記載の方法。
第１のエネルギに対応する１組の第１の画像データと、第２の異なるエネルギに対応する１組の第２の画像データとを少なくとも含むスペクトル画像データ内の骨を区分化するための方法であって、
前記スペクトル画像データを取得するステップと、
スペクトル画像データ内のボクセルごとに１組の特徴を抽出するステップと、
前記１組の特徴に基づき、各ボクセルが骨構造を表す確率をボクセルごとに求めるステップと、
前記確率に基づき、前記スペクトル画像データから骨構造を抽出するステップと
を含み、
更に、前記１組の特徴を抽出する前に、前記スペクトル画像データの雑音を除去するステップを含み、前記１組の特徴は前記雑音が除去されたスペクトル画像データから抽出され、
前記骨構造を抽出するステップが、前記確率に対して区分化モデルを適用するステップを含み、
前記区分化モデルが、大域的な凸区分化モデルを含む、方法。
第１のエネルギに対応する１組の第１の画像データと、第２の異なるエネルギに対応する１組の第２の画像データとを少なくとも含むスペクトル画像データ内の骨を区分化するための方法であって、
前記スペクトル画像データを取得するステップと、
スペクトル画像データ内のボクセルごとに１組の特徴を抽出するステップと、
前記１組の特徴に基づき、各ボクセルが骨構造を表す確率をボクセルごとに求めるステップと、
前記確率に基づき、前記スペクトル画像データから骨構造を抽出するステップと
を含み、
更に、前記１組の特徴を抽出する前に、前記スペクトル画像データの雑音を除去するステップを含み、前記１組の特徴は前記雑音が除去されたスペクトル画像データから抽出され、
前記区分化が、
に基づき、ｓは区分化を表し、
は全変動を表し、λは正則化の強さを制御するパラメータであり、ｐは前記確率であり、ｃ_１は一（１）の数値に設定され、ｃ_２はゼロ（０）の数値に設定される、方法。
骨区分化アルゴリズムを記憶するコンピュータ可読記憶媒体と、
前記骨区分化アルゴリズムを実行するコンピュータプロセッサと
を含む計算システムであって、前記骨区分化アルゴリズムは、スペクトル画像データ内の各ボクセルが骨構造を表す確率に基づき、前記スペクトル画像データから骨構造を抽出することを前記コンピュータプロセッサに実行させ、
前記コンピュータプロセッサが、前記スペクトル画像データの雑音を除去し、雑音が除去されたスペクトル画像データ内のボクセルごとに１組の特徴を抽出し、前記１組の特徴に基づいて前記確率をボクセルごとに求め、前記確率に基づき、前記スペクトル画像データから前記骨構造を抽出し、
前記１組の特徴が、低エネルギ画像データのハウンスフィールド単位、高エネルギ画像データのハウンスフィールド単位、前記低エネルギ画像データのガウス差分、前記高エネルギ画像データのガウス差分、及び面性メトリクを少なくとも含む、計算システム。
抽出済みの前記１組の特徴が、前記ボクセルのそれぞれの周りの局所スペクトル及び局所構造に基づく、請求項９に記載の計算システム。
前記面性メトリクは、局所構造が面の構造にどの程度うまく適合するのかを示す、請求項９に記載の計算システム。
前記コンピュータプロセッサが、前記抽出済みの骨構造を視覚的に表示することの少なくとも１つ、又はヨウ素マップ若しくは仮想非造影画像データを向上させるために、線質硬化補正の際に、又は仮想単色画像再構築と共に、前記抽出済みの骨構造を他の画像データのためのマスクとして適用することの１つ又は複数を行う、請求項９乃至１１の何れか一項に記載の計算システム。