特開 2023-93605 形態学的および血管周囲疾患の複合評価

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023093605

(43)【公開日】2023-07-04

(54)【発明の名称】形態学的および血管周囲疾患の複合評価

(51)【国際特許分類】

   A61B 5/055 20060101AFI20230627BHJP

   A61B 6/03 20060101ALI20230627BHJP

【ＦＩ】

A61B5/055 380

A61B6/03 360J

【審査請求】未請求

【請求項の数】14

【出願形態】ＯＬ

【外国語出願】

(21)【出願番号】P 2023067549

(22)【出願日】2023-04-18

(62)【分割の表示】P 2021544516の分割

【原出願日】2020-08-04

(31)【優先権主張番号】62/882,881

(32)【優先日】2019-08-05

(33)【優先権主張国・地域又は機関】US

(71)【出願人】

【識別番号】520465998

【氏名又は名称】エルシド バイオイメージング インコーポレイテッド

(74)【代理人】

【識別番号】100120891

【弁理士】

【氏名又は名称】林 一好

(74)【代理人】

【識別番号】100165157

【弁理士】

【氏名又は名称】芝 哲央

(74)【代理人】

【識別番号】100205659

【弁理士】

【氏名又は名称】齋藤 拓也

(74)【代理人】

【識別番号】100126000

【弁理士】

【氏名又は名称】岩池 満

(74)【代理人】

【識別番号】100185269

【弁理士】

【氏名又は名称】小菅 一弘

(72)【発明者】

【氏名】バックラー アンドリュー ジェイ．

(57)【要約】      （修正有）

【課題】医用画像データを利用して生物学的特性のセットを識別および定量化するために機械学習アルゴリズムの第１セットを利用することができる階層分析フレームワークを含むシステムを提供する。
【解決手段】システムは、血管周囲脂肪組織の存在を描くために、定量化された生物学的特性に基づいて医用画像データをセグメント化することができる。システムは、定量化された生物学的特性に基づいて医用撮像データをセグメント化することもでき、管腔境界を決定し、および／または管腔境界とＬＲＮＣ領域との間の最小距離に基づいてキャップ厚さを決定する。
【選択図】図３

【特許請求の範囲】

【請求項1】

システムであって、プロセッサと、階層分析フレームワークを含むアナライザモジュールを実施するプロセッサ実行可能命令を含む非過渡的記憶媒体と、を備え、前記階層分析フレームワークは、
機械学習アルゴリズムの第１セットを利用して、医用画像データを利用して生物学的特性のセットを識別および定量化し、
定量化された生物学的特性に基づいて前記医用画像データをセグメント化して、血管周囲脂肪組織の存在を描く、
ように構成される、システム。

【請求項2】

前記医用画像データをセグメント化することは、前記医用画像データを少なくとも管腔境界と外壁境界とにセグメント化することをさらに含む、請求項１に記載のシステム。

【請求項3】

さらに、前記アナライザモジュールは、セグメント化された前記管腔境界および外壁境界に基づいて、管腔および外壁を１つ以上の血管境界に分割するように構成される、請求項２に記載のシステム。

【請求項4】

前記生物学的特性が、石灰化領域、ＬＲＮＣ領域、プラーク内領域、マトリックス領域、またはそれらの任意の組み合わせを含む、請求項２に記載のシステム。

【請求項5】

前記血管周囲脂肪組織の輪郭を描くことが、
所定の距離だけ前記外壁境界を拡張することによって評価領域を作成することと、
機械学習アルゴリズムの第２セットを利用して、前記評価領域が前記血管周囲脂肪組織を含むかどうかを識別することと、
をさらに含む、請求項２に記載のシステム。

【請求項6】

前記アナライザモジュールは、前記血管周囲脂肪組織の断面積の最大値、最小値、平均値、またはそれらの任意の組み合わせを決定するように構成される、請求項１に記載のシステム。

【請求項7】

前記アナライザモジュールは、各分割について、前記１つ以上の血管境界のそれぞれの断面積の最大値、最小値、平均値、またはそれらの任意の組み合わせを決定するように構成される、請求項３に記載のシステム。

【請求項8】

前記アナライザモジュールは、各分割について、前記１つ以上の血管境界のそれぞれの体積を決定するように構成される、請求項３に記載のシステム。

【請求項9】

前記アナライザモジュールは、ターゲットの断面積の最大値、最小値、平均値、またはそれらの任意の組み合わせを決定するように構成される、請求項３に記載のシステム。

【請求項10】

前記医用画像データをセグメント化することは、前記医用画像データを３次元（３Ｄ）物体にセグメント化することをさらに含む、請求項１に記載のシステム。

【請求項11】

システムであって、プロセッサと、階層分析フレームワークを含むアナライザモジュールを実施するプロセッサ実行可能命令を含む非過渡的記憶媒体と、を備え、前記階層分析フレームワークは、
機械学習アルゴリズムの第１セットを利用して、医用画像データを利用して生物学的特性のセットを識別および定量化し、前記生物学的特性は、血管のＬＲＮＣ領域を含み、
定量化された前記生物学的特性に基づいて前記医用画像データをセグメント化して、管腔境界を決定し、
前記管腔境界とＬＲＮＣ領域との間の最小距離に基づいてキャップ厚さを決定する、
ように構成される、システム。

【請求項12】

前記医用画像データをセグメント化することは、前記医用画像データを外壁境界にセグメント化することをさらに含む、請求項１１に記載のシステム。

【請求項13】

前記アナライザモジュールは、セグメント化された前記管腔境界および外壁境界に基づいて、管腔および外壁を１つ以上の血管境界に分割するようにさらに構成される、請求項１２に記載のシステム。

【請求項14】

前記生物学的特性が、石灰化領域、ＬＲＮＣ領域、プラーク内領域、マトリックス領域、またはそれらの任意の組み合わせを含む、請求項１３に記載のシステム。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願の相互参照
本出願は、２０１９年８月５日に出願された米国仮特許出願第６２／８８２，８８１号の利益および優先権を主張し、その全内容は、参照によりその全体が本明細書に組み込まれ、本出願の譲受人によって所有される。

【0002】

この研究は、ＮＩＨ賞ＩＤ ＨＬ １２６２２４によって部分的に支援された。政府は、本発明に一定の権利を有し得る。

【0003】

本発明は、コンピュータ化された画像解析および／またはデータ融合アルゴリズムを患者データに適用することを含むことができる、疾患のコンピュータ支援フェノタイピング（ｐｈｅｎｏｔｙｐｉｎｇ）（ＣＡＰ）に関する。特に、本発明は、血管周囲脂肪組織を描くこと、および／または脂質豊富壊死性コア（ＬＲＮＣ）と血管の管腔（「キャップ厚さ」）との間の組織の厚さを決定することを含む、アテローム性動脈硬化症の疾患プロセスを解明するための定量的画像化および解析に関する。

【背景技術】

【0004】

アテローム性動脈硬化症は、特に高齢者で、しかし比較的若い人でも、命にかかわることがある。アテローム性動脈硬化症を診断するための現在の方法、例えば、血液マーカー（例えばコレステロールレベル）の使用および／または管腔が狭くなっている程度（狭窄）を決定するための方法は、限られており、従って、準最適治療決定（例えば、手術を実施するかまたは実施しないか、または集中的な医学的治療法を処方するか）をもたらし得る。例えば、多くの血管手術は患者に利益をもたらさず、手術を必要とする一部の人は、手術を受けられず、多くは薬で効果的に治療できるが、処方されないことがある。

【0005】

現在のツールは、血管管腔を解析することができるが、これは、アテローム性動脈硬化症を真に診断するには不十分である可能性がある。アテローム性動脈硬化症は、血液やそれが流れるチャネルではなく、血管壁の疾患であるからである。リスクレベルが誤って分類されている割合が高いこと、薬物療法に対する予想される反応を評価できないこと、および／または薬物に対する反応を測定できないこと、が起こり得る。

【0006】

現在、放射線学的イメージングは、疾患原因を見つけるための非侵襲的で安全な方法として使用することができる。現在の医療用イメージングツールは、コンピュータ断層撮影（単一エネルギー、マルチエネルギー、またはスペクトルＣＴを含むＣＴ）、磁気共鳴画像法（ＭＲ、ＭＲＡ、ＤＣＥ－ＭＲＩ、またはマルチコントラストＭＲＩ）、超音波（ｂモードまたは血管内ＵＳ）、および様々な画像化モダリティによる標的造影剤アプローチを、含むことができる。

【0007】

改良された画像化技術は、医用画像を患者治療の不可欠な要素にしてきた。画像化は、非侵襲的または低侵襲的な方法を用いて、空間的および時間的に局在化した解剖学的および／または機能的情報を提供することができるため、有益であり得る。しかしながら、解像度の増加に対処する技術が、典型的に人間の目で容易に評価されないデータのパターンおよび／またはシグネチャを活用するためにも、例えば、大量のデータを管理して臨床ワークフローに効率的に統合するためにも、望まれることがある。より新しい高解像度撮像技術により、支援されない、放射線科医は、データに「圧倒」されることがある。従って、例えば、個々の患者管理のための定量的画像化を統合するために、既存のツールワークフローおよび／または償還制約の現実の範囲内で画像化の能力をさらに活用することを可能にするために、決定支援情報ツールのクラスを提供することが望ましいことがある。

【0008】

現在、アテローム性動脈硬化症の画像化は、カテーテル法を通じて侵襲的にも、超音波、ＣＴ、ＭＲ、および核医学技術を用いることにより非侵襲的にも、日常的に行われている。最も典型的な評価は、管腔狭窄である。最近の進歩は、フラクショナルフローリザーブの決定においてなされた。

【0009】

アテローム性動脈硬化症の現在の画像化に伴う１つの困難は、使用される方法におけるロバスト性の欠如を含み得る。例えば、現在の方法は、血管外壁と血管周囲組織との間に低レベルのコントラストしか典型的に提供せず、従って、これら２つを区別することを困難にする。いくつかの現在の方法は、外壁境界の特定の判定なしに、管腔の周りの環状リングを単に採用する。血管の先細り、分岐血管、近くの組織等も、問題となり得る。

【0010】

アテローム性動脈硬化症の現在の画像化に伴う別の問題は、限定された励起を使用して組織に問い合わせる特定の画像化装置に起因することからかもしれず、一方ではマルチコントラストＭＲ、または他方ではマルチエネルギーＣＴ、の有用性にもかかわらず、結果が、生成された信号におけるある程度の非特異的反応であり得ることである。

【発明の概要】

【課題を解決するための手段】

【0011】

最近の進歩に伴う現在の困難さは、単純化した閾値化演算子を用いて未加工画素再構成強度値を解釈することの困難さを含み得る。この一態様は、物理的画像モダリティが、例えば、所与の点が画像の有限の物理的特性に従って実際に広がったりぼけたりするという事実に起因して、画素値が、撮像されている物体の正しい現れである度合いを、本質的に制限することである。例えば、この解析のサブミリメートルスケールで、スキャナのぼけ（例えば、「カルシウムブルーミング」などの現れ）が定量的精度において支配的な役割を果たし、従って、本発明者らは、撮像システムの点広がり関数を補償した。さらに、血管壁内および血管壁外の両方の組織の不均一性は、効果的に処理されない限り、分類および測定の課題を提示する。

【0012】

一態様では、本発明は、プロセッサと、階層分析フレームワークを含むアナライザモジュールを実施するプロセッサ実行可能命令を含む非一時的記憶媒体と、を備えるシステムを含む。階層分析フレームワークは、機械学習アルゴリズムの第１セットを利用して、医用画像を利用して生物学的特性のセットを識別および定量化し、定量化された生物学的特性に基づいて医用画像データをセグメント化して血管周囲脂肪組織の存在を描くように構成することができる。

【0013】

いくつかの実施形態では、医用画像データをセグメント化することは、医用画像データを少なくとも管腔境界および外壁境界にセグメント化することをさらに備える。いくつかの実施形態では、アナライザモジュールは、セグメント化された管腔境界および外壁部境界に基づいて、管腔および外壁を１つ以上の血管境界に分割するように構成される。

【0014】

いくつかの実施形態では、生物学的特性は、石灰化領域、ＬＲＮＣ領域、プラーク内領域、マトリックス領域、またはそれらの任意の組み合わせを含む。いくつかの実施形態では、血管周囲脂肪組織を描くことは、外壁境界を所定の距離だけ延ばし、評価領域が血管周囲脂肪組織を含むかどうかを識別するために機械学習アルゴリズムの第２セットを利用することによって、評価領域を生成することをさらに含む。

【0015】

いくつかの実施形態では、アナライザモジュールは、血管周囲脂肪組織の断面積の最大値、最小値、平均値、またはそれらの任意の組み合わせを決定するように構成される。いくつかの実施形態では、アナライザモジュールは、各パーティションについて、１つ以上の容器境界の各々の断面積の最大値、最小値、平均値、またはそれらの任意の組み合わせを決定するように構成される。

【0016】

いくつかの実施形態では、アナライザモジュールは、各分割について、１つ以上の血管境界のそれぞれの体積を決定するように構成される。いくつかの実施形態では、アナライザモジュールは、ターゲットの断面積の最大値、最小値、平均値、またはそれらの任意の組み合わせを決定するように構成される。

【0017】

いくつかの実施形態では、医用画像データをセグメント化することは、医用画像データを３次元（３Ｄ）物体にセグメント化することをさらに含む。

【0018】

別の態様では、本発明は、プロセッサと、階層分析フレームワークを含むアナライザモジュールを実施するプロセッサ実行可能命令を含む非一時的記憶媒体と、を含むシステムを伴う。階層分析フレームワークは、医用画像データを利用して生物学的特性のセットを識別および定量化するために機械学習アルゴリズムの第１セットを利用するように構成することができ、生物学的特性は、血管のＬＲＮＣ領域を含み、定量化された生物学的特性に基づいて医用画像データをセグメント化して、管腔境界を決定し、管腔境界とＬＲＮＣ領域との間の最小距離に基づいてキャップ厚さを決定する。

【0019】

いくつかの実施形態では、医用画像データをセグメント化することは、医用画像データを外壁境界にセグメント化することをさらに備える。いくつかの実施形態では、アナライザモジュールは、セグメント化された管腔境界および外壁境界に基づいて、管腔および外壁を１つ以上の血管境界に分割するように構成される。いくつかの実施形態では、生物学的特性は、石灰化領域、ＬＲＮＣ領域、プラーク内領域、マトリックス領域、またはそれらの任意の組み合わせを含む。

【0020】

本開示の実施形態の非限定的例は、この段落に続いて列記される、本明細書に添付される図面を参照して、以下に記載される。図面に示される特徴の寸法は、説明の便宜および明確さのために選択され、必ずしも一定の縮尺で示されていない。

【0021】

本発明と見なされる内容は、本明細書の最後の部分において特に指摘され、明確に特許請求される。しかしながら、本発明は、その目的、特徴、および利点と共に、構成および動作方法の両方に関して、添付の図面を参照して以下の詳細な説明を参照することによって理解することができる。本発明の実施形態は、添付の図面において、限定ではなく例として示されており、添付の図面において、同様の参照番号は、対応する、類似のまたは同様の、要素を示す。

【図面の簡単な説明】

【0022】

【図1】本発明のいくつかの実施形態による、階層分析フレームワークを実施することによって、医学的状態を決定して特徴付けるためのシステムの図である。

【図2】本発明のいくつかの実施形態による、モデル構築方法に基づく再サンプリングのためのフローチャートである。

【図3】本発明のいくつかの実施形態による、血管周囲脂肪組織の存在を描き、患者の医用画像データに基づいてキャップ厚さを決定する方法のフローチャートである。

【図4】本発明のいくつかの実施形態による、復元およびセグメント化する方法のフローチャートである。

【図5】本発明のいくつかの実施形態による、反復最適化アルゴリズムの方法のフローチャートである。

【図6】従来技術による、ぼけを含む取得された画像の例である。

【図7A】図７Ａおよび７Ｂは、本発明のいくつかの実施形態による、復元の前および後にそれぞれ取得された画像の例を示す。

【図7B】図７Ａおよび７Ｂは、本発明のいくつかの実施形態による、復元の前および後にそれぞれ取得された画像の例を示す。

【図8A】図８Ａおよび８Ｂは、本発明のいくつかの実施形態による、復元の前および後にそれぞれ取得された画像の例を示す。

【図8B】図８Ａおよび８Ｂは、本発明のいくつかの実施形態による、復元の前および後にそれぞれ取得された画像の例を示す。

【図9】本発明のいくつかの実施形態による、増大された復元された／ぼけ除去された画像の例を示す。

【発明を実施するための形態】

【0023】

説明を簡単かつ明確にするために、図面に示された要素は、必ずしも正確にまたは縮尺通りに描かれていないことが、理解されるであろう。例えば、いくつかの要素の寸法が、明確にするために、他の要素に対して誇張されてもよく、またはいくつかの物理的構成要素が、１つの機能ブロックまたは要素に含まれてもよい。

【0024】

図１は、本発明のいくつかの実施形態による、階層分析フレームワークを実施することによって、医学的状態を決定して特徴付けるためのシステムの図である。システム１００は、トレーナモジュール１１０と、アナライザモジュール１２０と、コホートツールモジュール１２０と、を含むことができる。

【0025】

アナライザモジュール１２０は、医用画像データ（例えば、患者の医用画像データ）に基づいて生物学的特性／被分析物１３０を識別および／または定量化することができる階層分析フレームワークを含むことができる。医用画像データは、（ｉ）患者５０の１つ以上の取得された画像１２１Ａからの画像特徴１２２、および／または（ｉｉ）患者５０の非画像入力データ１２１Ｂを含むことができる。アナライザモジュール１２０は、定量化された生物学的特性／被分析物１２３に基づいて、１つ以上の病変（例えば、予後表現型）１２４を識別および／または特徴付けることができる。アナライザモジュール１２０は、推論結果を導くために、１つ以上の事前訓練されたアルゴリズム、例えば機械学習アルゴリズム、を実施することによって、グラウンドトゥルースおよび／または検証参照とは独立に動作することができる。

【0026】

いくつかの実施形態では、アナライザモジュール１２０は、患者５０の取得された画像１２１Ａから画像特徴１２２を計算するためのアルゴリズムを含む。様々な実施形態では、画像特徴１２２は、ボクセルベースによって、関心領域ベースで、またはそれらの任意の組み合わせで計算される。いくつかの実施形態では、画像特徴１２２を計算する際に利用することができる非画像入力１２１Ｂは、実験室システム、患者報告症状、患者病歴、またはそれらの任意の組み合わせ、からのデータを含む。

【0027】

画像特徴１２２および／または非画像化入力１２１Ｂは、生物学的特性／被分析物１２３を計算するために、アナライザモジュール１２０によって利用されることができる。生物学的特性／被分析物は、典型的に、例えば、マーカー（化学物質など）の存在および程度、または関心領域の構造、寸法、または解剖学的特徴などの他の測定値を表し得る、定量的、客観的特性（例えば、印象または外観として提示されるのではなく、客観的に検証可能）である。様々な実施形態では、定量化された生物学的特性／被分析物１２３は、アナライザモジュール１２０によるさらなる処理に加えて、またはそれとは無関係に、ユーザ、例えば臨床医、による直接消費のために表示および／またはエクスポートされる。

【0028】

コホートツールモジュール１３０は、例えば、問題のコホート研究に関連する選択された基準セットに基づいて、そのグループ解析のために患者のコホートを定義することができる。コホート解析の例は、例えば、治療群と対照群との比較のように、試験の１つ以上の群に基づいて患者をさらにグループ化するなど、臨床試験に登録された患者のグループを対象とする場合である。別のタイプのコホート分析は、グラウンドトゥルースまたは基準が存在する被験者のセットを対象とするものであってよく、このタイプのコホートは、訓練セットまたは「開発」セットおよびテストまたは「ホールドアウト」セットにさらに分解されてよい。開発セットは、アナライザモジュール１２０内のアルゴリズムおよびモデルを訓練１１２するようにサポートしてよく、ホールドアウトセットは、アナライザモジュール１２０内のアルゴリズムまたはモデルの性能を評価／検証１１３するようにサポートしてよい。

【0029】

トレーナモジュール１１０は、アナライザモジュール１２０内のアルゴリズムおよびモデルを訓練１１２するために利用することができる。トレーナモジュール１１０は、例えば、確立された機械学習パラダイムに従って、またはアルゴリズム開発者に通知することによって、重みおよび／またはモデルを導出するために、グラウンドトゥルース１１１および／または参照注釈１１４に依拠することができる。いくつかの実施形態では、トレーナモジュール１１０は、分類および／または回帰モデルを採用する。分類および／または回帰モジュールは、高度に適応可能であることができ、例えば、予測因子と応答との間の複雑な関係を明らかにすることができる。しかしながら、既存のデータ内の根底にある構造に適応するそれらの能力は、モデルが、被験者の別のサンプルについて再現可能でないパターンを見つけることを可能にすることができる。既存のデータ内の再生不可能な構造に適応することは、一般に、モデルオーバーフィッティングとして知られている。オーバーフィットモデルを構築することを回避するために、系統的アプローチが適用されてよく、それは、モデルが疑似構造体を見つけることを防止し、最終モデルが、モデルが評価されたデータのセットについて同様の精度で新しいサンプルを予測するという信頼を、エンドユーザが有することを可能にする。

【0030】

連続する訓練セットは、最適なチューニングパラメータを決定するために利用されてよく、テストセットは、アルゴリズムまたはモデルの予測性能を推定するために利用されてよい。訓練セットは、ランダム化相互検証を介して、分類器のそれぞれを訓練するのに使用されてよい。データセットは、訓練およびテストセットに繰り返し分けられてよく、分類性能およびモデルパラメータを決定するために使用されてよい。データセットを訓練およびテストセットへ分けることは、層別および／または最大非類似性アプローチを使用して行うことができる。いくつかの実施形態では、（ｉ）最適パラメータ推定値、および／または（ｉｉ）モデルの予測性能、に関する信頼区間を得るために、サンプリングアプローチ（例えば、ブートストラッピング）が、訓練セット内で利用される。

【0031】

いくつかの実施形態では、分類モデルは、例えば、ありそうな細胞シグナル伝達経路または妥当な生物学的に動機付けられた提示を表すために、例えば、偏微分方程式などのマルチスケールモデリング技術の適用によって、全体的にまたは部分的に訓練されてよい。

【0032】

いくつかの実施形態では、分類モデルは、その全体が参照により本明細書に組み込まれる、２０１８年１１月２８日に出願された米国特許第１６／２０３，４１８号に記載されるように訓練されてよい。いくつかの実施形態では、患者レポートは、例えば、米国特許出願第１６／２０３，４１８号の図３に、対応する説明と共に、示されるように生成される。様々な実施形態では、血管座標および／またはトポロジーは、米国特許出願第１６／２０３，４１８号の図７、図９、図２３、図２６に、対応する説明と共に、示されるように決定される。様々な実施形態では、様々な分析、モデル、および／または被分析物は、米国特許第１６／２０３，４１８号の図１０、図１２、図１８、図３１、図３４、および図３９に、対応する説明と共に、示されるように決定される。様々な実施形態では、システムアーキテクチャは、米国特許第１６／２０３，４１８号の図３２、図３３に、対応する説明と共に、示されるようなものである。

【0033】

図２は、本発明のいくつかの実施形態による、システム（例えば、図１に関して上述したようなシステム１００）によって利用され得る再サンプリングベースのモデル構築方法２００のフローチャートである。ステップ２１０で、チューニングパラメータセットを定義することができる。ステップ２２０で、各チューニングパラメータセットについて、データ（例えば、図１において上述したような医療データ）が再サンプリングされ、モデルが適合され、ホールドアウトサンプルが予測されることができる。ステップ２３０で、再サンプリング推定値は、性能プロファイルに組み合わされることができる。ステップ２４０で、最終的なチューニングパラメータを決定することができる。ステップ２５０で、訓練セット全体を最終的なチューニングパラメータと再び適合させることができる。各モデルが訓練セットから調整された後、各モデルは、テストセット上での予測性能について評価されることができる。テストセット評価は、例えば、モデル構築プロセスがテストセットに過剰適合しないことを保証するために、各モデルに対して１回行うことができる。構築される各モデルについて、最適チューニングパラメータ推定値、再サンプリングされた訓練セット性能および／またはテストセット性能が、報告されることができる（例えば、ディスプレイに送信される、および／または報告に含めるためにファイルに書き込まれる）。ランダム化された分割にわたるモデルパラメータの実際値は、モデルの安定性および／または訓練データに対するロバスト性を評価するために比較されることができる。

【0034】

いくつかの実施形態において、１つ以上のモデルは、グラウンドトゥルースマップ（例えば、上記のグラウンドトゥルース１１）において表される生物学的特性／被分析物（例えば、組織型）の各々について調整される。モデル応答（例えば、上記のモデルからの応答）は、例えば、共分散ベースの技術、非共分散ベースの技術、およびツリーベースのモデルを含んでもよい。その構成に応じて、エンドポイントは、連続的かつカテゴリ的な応答を有してよく、上記のカテゴリの技術のいくつかは、カテゴリ的応答および連続的応答の両方に使用され、他の技術は、カテゴリ的応答または連続的応答のいずれかに固有である。最適なチューニングパラメータ推定値、再サンプルされた訓練セットの性能、およびテストセットの性能は、各モデルについて報告されてよい。

【0035】

モデルの複雑さ（例えば、計算量、隠れ層、最適化の段階および／または超平面の次元）が増大するにつれて、予測性能は改善されることができる。性能改善は、モデルの解釈可能性を犠牲にして達成することができる。例えば、多重線形回帰モデルからのパラメータ係数は、各予測因子を応答に直感的にリンクさせる。同じ種類の解釈は、典型的に、ニューラルネットワーク、サポートベクトルマシン、または当技術分野で知られている他の多くのモデルでは、明らかにすることはできない。しかしながら、これらのモデルは、特に予測因子と応答との間の根底にある関係が非線形である場合に、はるかに良好な予測能力を提供し得る。いくつかの実施形態では、解釈情報の少なくとも一部を抽出するために、可変重要度算出が実行される。可変重要度投影法は、それぞれの個々の特徴が低次元データ表現に寄与する程度に基づいて、個々の特徴に重みを与えることができる。例えば、特徴の数が訓練インスタンスの数以上である問題について、分類器モデルは、「次元の呪い」問題に陥ることがある。

【0036】

いくつかの実施形態では、アナライザモジュール１２０は、以下の表１に記載されるような機能を提供する。

【表1】

【0037】

表１に示すように、アナライザモジュール１２０は、例えば、フィールドにわたって複数のデータストリームを登録するために、器官、血管、病変、および他のアプリケーション固有の対象をセグメント化するために、および／または特定の分析のために構造を再フォーマット／再構成するために、フィールドを描くことができる。

【0038】

いくつかの実施形態では、血管をセグメント化するステップは、医用撮像データを、識別および定量化された生物学的特性に基づいて、管腔境界、外壁境界、および／または１つ以上の血管境界を含む、血管の１つ以上の部分にセグメント化するステップを含む。生物学的特性は、石灰化領域、ＬＲＮＣ領域、プラーク内領域、マトリックス領域、またはそれらの任意の組み合わせを含むことができる。

【0039】

米国特許第１６／２０３，４１８号の図４は、対応する説明と共に、本開示による、マルチスケール血管壁被分析物マップのための例示的セグメント化レベルを示す。

【0040】

アナライザモジュール１２０は、描かれたフィールドにおいて、ターゲット、例えば病変、を描くことができる。ターゲットを描くことは、例えば、複数のデータストリームをロケールで登録すること、微細セグメント化を行うこと、関連する解剖学的構造の寸法および／または他の特性を測定すること、および／または全ターゲット特徴（例えば、ターゲット領域全体の生物学的特性／被分析物特性）を抽出することを、含み得る。

【0041】

いくつかの実施形態では、１つ以上のサブターゲット領域が描かれる。例えば、ターゲット領域は、サブターゲット特定演算（例えば、サブターゲット領域の生物学的特性／被分析物特性）で特定の用途に従って、サブターゲット領域に分割されてよい。アナライザモジュール１２０は、例えば、特定のフィールド、ターゲット、またはサブターゲット領域において、構成要素および／または関連する特徴（組成など）を描くことができる。

【0042】

これは、構成要素／特徴をセグメント化または再セグメント化すること、セグメント化された構成要素／特徴（例えば、構成要素／特徴の生物学的特性／被分析物特性）の値を計算すること、および測定値に確率マップを割り当てることを、含むことができる。病変は、生物学的に定量化された特性／被分析物に基づいて決定されてよく、および、例えば病変についての表現型（ｐｈｅｎｏｔｙｐｅ）および／または予測結果を決定することによって、特徴付けられてよい。

【0043】

いくつかの実施形態では、アナライザモジュール１２０は、複数の時点にわたってデータを比較し、例えば、１つ以上の生物学的構成要素／被分析物は、時間ベースの定量化を伴い得る。さらなる実施形態では、広いスキャンフィールドが利用されてよく、例えば、描かれたフィールド内の複数のターゲットにわたる生物学的特性／被分析物の凝集定量化に基づいて、多焦点病変を評価する。最後に、上記の分析に基づいて、アナライザモジュール１２０は、患者レポートを生成するように構成されてよい。

【0044】

図３は、本発明のいくつかの実施形態による、血管周囲脂肪組織の存在を描き、患者の医用画像データに基づいてキャップ厚さを決定するための、方法のフローチャートである。医用画像データは、放射線学的データおよび非放射線学的データを含むことができる。例えば、医用撮像データは、ＭＲＩ画像情報、患者層情報、および／またはＭＲＩ装置情報を、含むことができる。

【0045】

この方法は、医用画像データに基づいて管腔境界をセグメント化することを伴うことができる（ステップ３０５）。この方法は、医用画像データに基づいて外壁境界をセグメント化するステップ（ステップ３１０）も伴うことができる。医用画像データをセグメント化するステップは、医用画像データを受信するステップ（例えば、ファイルから、ユーザから、別のコンピュータから、および／またはクラウドから）を伴うことができる。医用撮像データは、ＭＲＩ、ＣＴ、および／または超音波装置を介して取得されたデータを含むことができる。医用画像データは、１つ以上の生物学的特性を識別および／または定量化するために、分析されることができる（例えば、図１の上述されたアナライザモジュール１２０を介して）。いくつかの実施形態では、医用画像データは、以下でさらに詳細に論じられるように、復元されるおよび／または復元される／ぼけ除去されることができる。

【0046】

医用画像データは、表現型化される生理学的ターゲットを含む関心領域を示すユーザからの入力を含むことができる。

【0047】

１つ以上の生物学的特性を識別および／または定量化することは、１つ以上の機械学習アルゴリズムを利用することを伴うことができる。機械学習アルゴリズムは、ファイルから取り出すこと、ユーザが入力すること、クラウドから取り出すこと、またはそれらの任意の組み合わせであることができる。機械学習アルゴリズムは、畳み込みニューラルネットワーク（ＣＮＮ）であるＡｌｅｘＮｅｔを使用して訓練されたアルゴリズムであることができる。いくつかの実施形態では、機械学習アルゴリズムは、非画像中間データにさらに基づく。例えば、ゲノミクス、プロテオミクス、および／またはトランスクリプトミクスデータ。

【0048】

１つ以上の生物学的特性および医用画像データ自体は、２次元（２Ｄ）または３次元（３Ｄ）物体にセグメント化するために使用されることができる。例えば、管腔境界をセグメント化すると、血管の管腔を３Ｄで視覚化することができる。同様に、外壁境界をセグメント化すると、外壁を３Ｄで視覚化することができる。

【0049】

いくつかの実施形態では、セグメント化する前に、血管のボリュームレンダリングを見るユーザは、初期血管センターラインを画定する。管腔のセグメント化は、最適なローカルオツ閾値を使用する閾値化レベルセット展開によって実行することができる。外壁のセグメント化は、管腔セグメント化および初期センターラインで初期化された測地線アクティブ輪郭レベルセット展開を使用することによって、実行することができる。いくつかの実施形態では、管腔および／または外壁は、例えば、ユーザ入力装置を介して、ユーザによって手動で編集されることができる。

【0050】

いくつかの実施形態では、センターライン経路は、高速マーチングアルゴリズムの速度関数を定義することによって決定される。管腔内部では、速度関数は、管腔境界および管腔の外側からの距離の線形関数であることができる。小さな非ゼロ値は、例えば、完全な狭窄を横切る経路探索を可能にするために使用されることができる。勾配降下は、初期センターラインを定義するために使用されることができ、初期センターラインは、単調な等間隔と管腔境界からの距離を最適化するボール＆スプリングモデルによってさらに中心に集められることができる。

【0051】

この方法は、血管境界を分割する（例えば、分岐させる）ステップを伴うことができる（ステップ３１５）。血管境界を分割するステップは、セグメント化された管腔境界および外壁境界に基づいて、１つ以上の容器境界にすることができる。１つ以上の血管境界は、２Ｄまたは３Ｄ物体に分割されることができる。

【0052】

いくつかの実施形態では、血管境界を分割するステップは、例として、マット相互情報（ＭＲ）、平均二乗誤差（ＣＴ）メトリック、剛体ベルソル変換、および／またはＬＢＦＧＳＢオプティマイザを利用する画像登録を適用することを伴う。初期管腔セグメント化は、管腔を区別するために、信頼接続フィルタ（例えば、冠状動脈、頸動脈、椎骨、および／または大腿骨）を利用することができる。管腔セグメント化は、ＭＲ画像（正規化された、例えば、暗コントラストのために反転された画像の組み合わせなど）またはＣＴ画像（登録されたプレコントラスト、ポストコントラストＣＴおよび２Ｄガウス分布の使用など）を利用することができ、血管性機能を定義する。近くにあるが必ずしも接続されていない様々な構成要素を拡張させることができ、例えば、適用され得る閾値化を分析および適用することによって、それらを接続する。

【0053】

いくつかの実施形態では、血管を分割するステップは、外壁セグメント化（例えば、管腔の不規則性を考慮するために最小曲率（ｋ２）流を利用する）を伴う。いくつかの実施形態では、エッジポテンシャルマップは、コントラストおよび非コントラストの両方における外向き－下向き勾配として計算される。いくつかの実施態様では、外壁セグメント化は、他のエッジ情報が存在しない場合に中央値厚さを可能にするために、速度関数において累積分布関数（例えば、１－２の隣接レベルからの壁厚の事前分布を組み込む）を利用する。いくつかの実施形態では、フェレット直径は、血管特性評価のために採用される。いくつかの実施形態では、壁厚は、管腔までの距離に外壁までの距離を加えたものの合計として計算される。いくつかの実施形態では、管腔および／または壁セグメント化は、例えば、ＣＮＮを使用する意味的セグメント化を使用して実行される。管腔および壁セグメント化は、３つのセグメントの全ての経路ポイントからの欲張り高速マーチングコンペティションを使用することによって経路セグメントに従って分割されることができ、各セグメント化の３つの相互に排他的な分割をもたらす。

【0054】

この方法は、石灰化領域、ＬＲＮＣ領域、プラーク内出血領域、マトリックス領域のうちの１つ以上を、セグメント化に基づいて（例えば、セグメント化が定量化された生物学的特性に基づいているので）決定するステップを伴うことができる（ステップ３２０）。

【0055】

この方法は、血管周囲脂肪組織の輪郭を描くステップを伴うことができ、血管周囲脂肪組織の輪郭を描くステップは、外壁境界を所定の距離だけ延ばし、評価領域が血管周囲脂肪組織を含むかどうかを識別するために機械学習アルゴリズムの第２セットを利用することによって、評価領域を作成するステップを伴うことができる（ステップ３２５）。所定の距離は、ユーザによって入力されることができるか、ファイルから取り出されることができるか、または定量化された生物学的特性に基づくことができる。

【0056】

いくつかの実施形態では、外壁境界は、３Ｄ物体として拡張される。これらの実施形態では、外壁境界は、所定の体積だけ拡張される。所定の体積は、ユーザによって入力されることができるか、ファイルから取り出されることができるか、または定量化された生物学的特性に基づくことができる。

【0057】

いくつかの実施形態では、評価領域が血管周囲脂肪組織を含むかどうかを識別するステップは、血管および血管周囲構造を評価するための１つ以上のアルゴリズムを採用するステップを伴う。システム（例えば、図１の上述されたシステム１００）は、撮像された血管の根底にある構造をセグメント化するためのターゲット／血管セグメント／断面モデルを採用することができる。いくつかの実施形態では、管腔の不規則性および／またはプラーク構造（例えば、リモデリング）が評価される。いくつかの実施形態では、血管周囲脂肪組織の断面積の最大値、最小値、平均値、またはそれらの任意の組み合わせが決定される。

【0058】

いくつかの実施形態では、１つ以上の血管境界の各々の断面積の最大値、最小値、平均値、またはそれらの任意の組み合わせが決定される。いくつかの実施形態では、１つ以上の血管境界の各々の体積が決定される。

【0059】

いくつかの実施形態では、血管および血管周囲組成（壁内、例えば、脂質豊富壊死性コア（ＬＲＮＣ）の断面積および体積、およびそれが管腔にどの程度近いか（例えば、キャップ厚さ））、および／または血管周囲組織特性、例えば、血管周囲脂肪組織（ＰＶＡＴ）を評価するステップは、隠れた被分析物カテゴリノードの局所近傍によって影響されるピクセルまたはボクセルでの観察された画像強度を考慮に入れるモデルを伴うことができ、それによって、部分体積およびスキャナ点広がり関数（ＰＳＦ）を考慮に入れる。

【0060】

例えば、米国特許出願第１６／２０３，４１８号の図４は、壁レベルセグメント化４１０（例えば、血管の断面スライス）、ブロブレベルセグメント化、およびピクセルレベルセグメント化４３０（例えば、個々の画像ピクセルに基づく）を含む、マルチスケール血管壁被分析物マップを示す。

【0061】

この方法は、管腔境界とＬＲＮＣ領域との間の最小距離に基づいて、キャップ厚さ（例えば、キャップとして記載されることができる組織の層）を決定するステップも伴うことができる（ステップ３３０）。管腔境界とＬＲＮＣ領域との間の最小距離は、管腔内のボクセルとＬＮＲＣ内のボクセルとの間に第１ベクトルを生成し、ベクトルの距離を決定し、管腔内の異なるボクセル点とＬＮＲＣ内の異なるボクセルとの間に第２ベクトルを生成し、距離を決定し、第１の決定された距離と比較し、２つのうちの最短のものを維持することによって、決定することができる。これらのステップを、追加の管腔およびＬＮＲＣボクセルに対して実行して、最短ボクセルを見つけ、それをキャップ厚さとして割り当てる。

【0062】

いくつかの実施形態では、組織の断面に関連するパラメータが決定および／または出力される。例えば、それぞれ位置決めおよび配向されたスラブ内の断面、壁内（例えば、外壁境界内）および／または血管周囲の組織特性の最大、平均、最小、および／または面積。

【0063】

いくつかの実施形態では、１つ以上の血管に関連するパラメータが決定および／または出力される。例えば、上記のような各分割内で、それぞれ各血管に含まれる全ての断面にわたる最大、平均、および／または最小断面測定値を、決定および／または出力することができる。各分割内で、体積および／または体積割合を決定および／または出力することができる（例えば、３Ｄ物体の場合）。いくつかの実施形態では、パラメータは、ターゲット（例えば、血管群）に関連する。いくつかの実施形態では、ターゲットに関連するパラメータを決定するステップは、血管レベルと同様の機能を実行するステップを伴うが、ターゲット全体についてである。

【0064】

いくつかの実施形態では、測定値は、ＭＬのために整理されることができる（例えば、訓練セットに出力され、および／または患者ごとの推論のために入力される）。いくつかの実施形態では、測定値は、単独で、または非画像データ、例えば、キュレートした組織コレクション中のブラッドワーク（ｂｌｏｏｄｗｏｒｋ）および／またはトランスクリプトミクスと共に、ＭＬのために整理されることができる。

【0065】

いくつかの実施形態では、各断面について、画像は、ＤＬのために（例えば、訓練セットに出力され、および／または患者ごとの推論のために入力される）、格納される（例えば、任意選択的に強化される）。いくつかの実施形態では、画像は、ＤＬのために、単独で、または非画像データ、例えば、キュレートした組織コレクション中のブラッドワーク（ｂｌｏｏｄｗｏｒｋ）および／またはトランスクリプトミクスと共に、格納される。

【0066】

図３Ａは、上述された方法（例えば、図４および図５）による復元が適用された後のオリジナルソースＣＴスキャンの強度プロファイルを有する冠状動脈を通る断面を示す。オリジナル画像との比較における変化は、＋／マイナス３０ＨＵのオーダーであることができる。

【0067】

いくつかのシナリオでは、図３Ａに例示されるように、より微妙な組織特性は、ソースＣＴ画像からの初期推定のためにぼけアーチファクトになりやすい。図３Ａは、組織の正確な定量化に影響を及ぼす可能性がある復元の効果を示す図であり、オリジナルソースＣＴについての強度プロファイルを有する冠状動脈を通る断面であり、モデルベースの復元後のものである。ＰＶＡＴについては、その完全な脂肪組織は－１００ＨＵであるが、炎症による水分は０ＨＵであり、何らかの炎症を伴う脂肪組織が、組織にどの程度の水分が入ったかに応じて－１００から０ＨＵの間のどこかにあると、仮定することができる。例えば、組織が５０％の脂肪組織であり、炎症から５０％の水分である場合、５０ＨＵの変化が達成されることがあり、これは、ＣＴぼけについて補正されないことによって打ち消されることがあり、従って、潜在的に良好なバイオマーカーを無効にする。

【0068】

上述のように、いくつかの実施形態では、医用画像データは、復元されるおよび／または復元される／ぼけ除去されることができる。例えば、米国特許出願第１６／２０３，４１８号の図２１は、例えば、表現型を予測する特性を決定する能力を低下させることがある画像形成プロセスによって生じることがあるアーチファクトおよび／または画像制限を軽減するために、患者固有の点広がり決定アルゴリズムを使用して回復する前処理ステップの例を示す。この図は、ＣＴからのプラークの放射線分析応用分析の一部を示すことができる。図に示されるように、画像の異なる領域の真の潜在密度についての仮定を正則化したスキャナ点広がり関数の物理モデルを反復的にフィッティングした結果である、復元された／ぼけ除去されたまたは復元された画像である。

【0069】

いくつかの実施形態では、画像の復元は、以下のように実行することができる。撮像装置（ＭＲＩまたはＣＴ装置など）を使用して、測定された画像を取得することができる。組織特性画像モデルは、真の下地画像を表す測定画像に対して初期化されることができる。組織特性モデルは、生物学的被分析物を表す画像における表面および形状の数値解析のための概念的枠組みとして、レベルセット法（ＬＳＭ）を適用することができる。組織特性モデルは、特性方程式のセットを介してレベルセットを画像データにマッピングすることができ、それによって、特定の生物学的被分析物を表すことができる。特性方程式は、組織特性モデルのための最適な変換パラメータを決定するための最適化問題を解くのに利用することができ、それによって、分析される特定の生物学的被分析物のセグメント化のための回復を最適化することができる。組織特性モデルおよび／または最適化パラメータは、有利には、例えば、被分析物の生物学的モデルに基づいて、システムの根底にある生物学の知識ベースを考慮／利用することができる。最適化問題は、ベイジアン・フレームワークにおける異なる被分析物の出現に関連する撮像物理をモデル化するエネルギー関数を最小化するために、組織特性画像モデルを反復的に調整する反復プロセスを使用して解くことができる（例えば、エネルギーは、画像上に統合されたベイジアン・フレームワークに対する確率の負の対数であってよい）。最適化問題から決定された変換パラメータに基づいて、復元された／ぼけ除去された画像が出力され得る。復元された／ぼけ除去された画像は、セグメント化および／または生物学的被分析物の定量分析のために最適化することができる復元を含むことができる。これは、分析されているシステムの根底にある生物学を説明できていない一般化された修復技術を大幅に上回る改善を示すことができる。

【0070】

例えば、非常に明るい信号および非常に暗い信号に由来するぼけを除去することによって、様々な利点および改善を提供することができる。従来の技術とは異なり、これは、スキャナにおける技術的画像形成プロセスと、画像化される特定の生物学との両方を、有利に説明し得る。さらなる利点は、画像に基づいてスキャナぼけを導出すること、および、例えば組織病理学などのトゥルースソースから引き出された組織特性の事前推定の詳細な統計モデルを組み込むことを、含むことができる。

【0071】

いくつかの実施形態では、使用される事前の推定は、観察された画像データについて最も妥当な説明を提供するように分類プロセスに通知する。さらなる利点は、例えば、異なるタイプの組織についての断面積、体積、および空間的位置を含む、生物学的被分析物の測定値における精度の向上を含むことができる。

【0072】

図４は、本発明のいくつかの実施形態による、復元およびセグメント化の方法のフローチャートである。この方法は、撮像装置を介して測定された画像を取得するステップ（ステップ４０１）を含むことができる。この方法は、真の下地画像を表す測定された画像について組織特性画像モデルを初期化するステップも伴うことができる（ステップ４０２）。いくつかの実施形態では、組織特性画像モデルを初期化するステップは、Φｉレベルセット関数およびΧｉ特性関数を初期化することと、一定の輝度にマスクされた背景領域を用いてｇを初期化することと、を含むことができる。

【0073】

この方法は、異なる被分析物の外観に関する画像物理をモデル化するエネルギー関数を最小化するために、組織特性画像モデルを反復的に調整することができる反復プロセスを使用して最適化アルゴリズムを解くステップも、伴うことができる（ステップ４０３）。いくつかの実施形態では、最適化アルゴリズムは、以下を伴う。
停止基準まで
ａ．特性関数ΧＩを計算する、
ｂ．ぼけ特性関数ｈ＊ΧＩを計算する、
ｃ．定数ｃｉを計算する、
ｄ．ｄΦｉ／ｄｔレベルセット関数更新を計算する、
ｉ．エッジで部分体積効果を有する画像ｆを作成する
ｉｉ．画像ｈ＊ｆを作成する。
体積分率は、特性関数から計算される。

【0074】

いくつかの実施形態では、反復の停止基準は、１つ以上のユーザ定義の反復の数に基づくことができる。

【0075】

最適化アルゴリズムは、図５に示すような反復プロセスを使用することができる。

【0076】

この方法は、最適化アルゴリズムから決定された変換パラメータに基づいて、復元された／ぼけ除去された画像を出力するステップも伴うことができる（ステップ４０４）。いくつかの実施形態では、復元された／ぼけ除去された画像を出力するステップは、復元された／ぼけ除去された画像を、復元された／ぼけ除去された＝ｇ－（ｈ＊ｆ－ｆ）として出力するステップを伴う。

【0077】

図５は、マルチ多相レベルセットの文脈内で適用される反復最適化アルゴリズムステップ（例えば、図４のステップ４０３）の方法のフローチャートであり、ここで、被分析物画像領域は、各組織特性タイプについてのレベルセット関数の関数として特性関数によって定義される。この方法は、例えば、電流レベルセットに基づいて、現在の反復についてレベルセット関数から特性関数を計算するステップを伴うことができる（ステップ５０１）。この方法は、例えば、撮像装置の点広がり関数（ＰＳＦ）が与えられた場合のＨＲガウスぼけに基づいて、特性関数から計算されたぼけ特性関数を計算するステップも伴うことができる（ステップ５０２）。この方法は、ぼけ特性関数について画像強度定数を計算するステップも伴うことができる（ステップ５０３）。この方法は、例えば、エネルギー関数を最小化する勾配降下アプローチに基づいて、レベルセット更新を計算するステップも伴うことができる（ステップ５０４）。反復プロセスは、（例えば、ステップ５０１－５０４を繰り返す前に）反復ごとにレベルセットおよび特性方程式を再初期化する。従って、レベルセット関数の符号付き距離特性は、反復後の再初期化まで、各反復中に緩和される。

【0078】

図６、図７Ａ－７Ｂおよび図８Ａ－８Ｂは、上述のような復元／セグメント化の有効性を示すことができる。特に、図６は、ぼけを含む取得された画像の例である。図７Ａは、ぼけを含む取得された画像の例を示し、図７Ｂは、本明細書で適用される本発明の実施形態による復元およびセグメント化が適用された後の図７Ａの同じ取得された画像を示す。図８Ａは、ぼけを含む別の取得された画像の別の例を示し、図８Ｂは、本明細書で適用される本発明の実施形態による復元およびセグメント化が適用された後の図７Ａの同じ取得された画像を示す。図７Ａ－７Ｂおよび図８Ａ－８Ｂに示されるように、本発明の復元および／またはセグメント化方法は、生物学的被分析物の改善された認識を有利に提供することができる。いくつかの実施形態では、復元された／ぼけ除去された画像は、生物学的被分析物を表すセグメント化された領域を、セグメント化された領域のオーバーレイマップ（例えば、色分けされたオーバーレイマップ）で置き換えることによって、増強される。

【0079】

図９は、本発明のいくつかの実施形態による、増強された復元された／ぼけ除去された画像の例を示す。

【0080】

増強された復元された／ぼけ除去された画像は、構造および／または組成の１つ以上のグラフィカルな特徴付けと同様に、識別された被分析物領域に関連する定量的測定値を描くことができる。従って、増強された復元された／ぼけ除去された画像は、有利に、臨床医が患者の病変を評価するための改善されたツールを提供し得る。

【0081】

壁の形状は有意に非円形であり得るので、半径方向距離は、内側管腔表面までの最短距離および外側外膜表面までの最短距離に基づいて定義され得る。組織学的画像の専門家注釈は、（管腔および血管壁の結合として定義される）管腔および血管を定義する領域を含む。

【0082】

符号付き距離関数は、これらＬ（ｘ）およびＶ（ｘ）のそれぞれについて作成することができる。慣例では、これらの領域の内部は負であり、壁Ｌ内は正であってＶは負であるようになっている。相対半径距離は、ｒ（ｘ）＝Ｌ（ｘ）／（Ｌ（ｘ）－Ｖ（ｘ））として計算される。それは、管腔表面では０の値を有し、外膜表面では１の値を有する。ｒ軸の方向は、∇ｒ（ｘ）によって決定される。

【0083】

いくつかの実施形態では、セグメント化された管腔Ｌで初期化された血管管腔全体に対して、１つのレベルセットが使用され得る。それぞれ別個の隣接する明るい領域は、それ自体のレベルセットとして初期化され、以下のように計算されることができる。候補明るい領域は、（明るいピークを流域に変えるために）倒立像に適用される形態学的流域を使用して計算される。

【0084】

いくつかの実施形態では、エネルギー関数は、画像物理学と生物学との間のモデリングを統合するアプローチを表すことができる。画像物理学部分は、スキャナの画像強度およびＰＳＦを考慮することができ、一方、モデルの生物学部分は、動脈硬化性プラークの構造および成長パターンの組織学的に決定される知識を組み込む。モデルは、モデルを最も可能性の高い構成に向けて、および物理的および生物学的に非現実的な解から離れるように、事前に重み付けする。モデルは確率的条件で提供することができ、エネルギーは画像上に積分された確率の負の対数である。解析的トラクタビリティを提供することに加えて、対数は、減少する確率解に対して超線形に重み付けを行う。

【0085】

いくつかの実施形態では、ナイーブベイズ［１０］ドメイン独立仮定は、画像物理学と生物学との間でなされ、例えば、ぼけたモデルとぼけた取得された画像との間の残差の尤度は、互いに隣り合う組織特性領域の構成の生物学的尤度に依存しない。

【0086】

アルゴリズム全体にわたって展開することができる様々なモデルパラメータは、画像上にマッピングされたレベルセット関数、異なる生体組織特性の真の（例えば、復元された／ぼけ除去された）画像強度、およびスキャナＰＳＦの幅を、含む。事前にリームされた（ｐｒｅ－ｌｅａｍｅｄ）モデルパラメータは、プラークによる組織特性の空間分布の依存性のモデルを含むことができる。

【0087】

いくつかの実施形態では、初期化の後、モデルは、勾配降下軌道を通じてエネルギー関数を最小化するために、反復的に調整される。勾配降下アプローチは、エネルギーを最小化するために、それぞれのレベルセットΦなどのモデルパラメータの直接調整を可能にすることができる。

【0088】

エネルギー汎関数における画像物理学は、ぼけ理想化区分定数画像と取得された画像との差のＬ２ノルムを表すことができる。係数は、曲率発展平滑化の効果とモード対画像残差の最小化との間のバランスを可能にすることができる。証拠変数は、ぼけた画像ｇによって表される取得された画像ピクセル強度であることができる。各反復内で、サブステップの順序付けは、変数を通じた情報の流れに従うことができる。

【0089】

特性関数は仲介として役立つことができ、オイラー・ラグランジュ（Ｅｕｌｅｒ－Ｌａｇｒａｎｇｅ）方程式はレベルセット関数に関して決定されることができる。エネルギー関数は、空間内の全ての点でＥの極小値に向かってそれぞれを同時にかつ独立して移動させる勾配降下アプローチを使用して最小化されることができる。各反復内で、レベルセット関数の符号付き距離特性は、反復後の再初期化まで緩和されることができ、従って積分は消滅する。

【0090】

本発明の１つの利点は、画像に対する補正を含むことができ、（ｈ＊ｆ－ｆ）は、それらがガウス分布によってぼけた単純なステップエッジであることができ、それによって高周波数ノイズの誤った増幅を防止するという点で、低周波数であることができ、高周波数ノイズの誤った増幅は、真の画像構造を増幅する画像ノイズから完全に分離し得ない従来のデコンボリューション技術によってしばしば発生し得る。実際、この改良されたデコンボリューションプロセスの誤差は、領域画像強度定数、エッジの位置、および／または撮像システムぼけ、の精度のみ（または実質的にのみ）の対象になることができ、これらは全て直感性が高く、エンドユーザによって容易に視覚的に確認することができる。

【0091】

本発明の実施形態は、この点に関して限定されないが、例えば、「処理する」、「算出する」、「計算する」、「決定する」、「確立する」、「分析する」、「チェックする」などの用語を利用する議論は、コンピュータ、コンピューティングプラットフォーム、コンピューティングシステム、または他の電子コンピューティングデバイスの、動作および／またはプロセスを指すことができ、他の電子コンピューティングデバイスは、コンピュータのレジスタおよび／またはメモリ内の物理（例えば、電子）量として表されるデータを、コンピュータのレジスタおよび／またはメモリ内、あるいは動作および／またはプロセスを実行するための命令を記憶することができる他の情報非一時記憶媒体内の物理量として同様に表される他のデータに操作および／または変換する。

【0092】

本発明の実施形態は、この点に関して限定されないが、本明細書で使用される「複数（ｐｌｕｒａｌｉｔｙ）」および「複数（ａ ｐｌｕｒａｌｉｔｙ）」という用語は、例えば、「複数（ｍｕｌｔｉｐｌｅ）」または「２つ以上」を含むことができる。「複数（ｐｌｕｒａｌｉｔｙ）」または「複数（ａ ｐｌｕｒａｌｉｔｙ）」という用語は、本明細書全体を通して、２つ以上の構成要素、装置、要素、ユニット、パラメータなどを説明するために使用することができる。用語集合は、本明細書で使用される場合、１つ以上のアイテムを含むことができる。明示的に述べられていない限り、本明細書で説明される方法の実施形態は、特定の順序またはシーケンスに制約されない。さらに、記載された方法の実施形態またはその要素のいくつかは、同時に、同じ時点で、または並行して、起こることがあるか、または実行されることがある。

【0093】

コンピュータプログラムは、コンパイルされたおよび／または解釈された言語を含む任意の形態のプログラミング言語で書かれることができ、コンピュータプログラムは、スタンドアロン・プログラムとして、またはサブルーチン、要素、および／またはコンピューティング環境での使用に適した他のユニットとして含む、任意の形態で展開されることができる。コンピュータプログラムは、１つのコンピュータ上、または一箇所の複数のコンピュータ上で実行されるように配備されることができる。

【0094】

方法ステップは、入力データを操作して出力を生成することによって本発明の機能を実行するコンピュータプログラムを実行する１つ以上のプログラマブルプロセッサによって行われることができる。方法ステップは、装置によって行われることもでき、専用論理回路として実行されることができる。回路は、例えば、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）および／またはＡＳＩＣ（特定用途向け集積回路）であることができる。モジュール、サブルーチン、およびソフトウェアエージェントは、その機能を実装する、コンピュータプログラム、プロセッサ、特殊回路、ソフトウェア、および／またはハードウェアの部分を指すことができる。

【0095】

コンピュータプログラムの実行に適したプロセッサは、一例として、汎用および専用両方のマイクロプロセッサ、および任意の種類のデジタルコンピュータの任意の１つ以上のプロセッサを含む。一般に、プロセッサは、リードオンリーメモリまたはランダムアクセスメモリ、あるいはその両方から、命令およびデータを受信する。コンピュータの本質的な要素は、命令を実行するためのプロセッサと、命令およびデータを記憶するための１つ以上のメモリデバイスとである。一般に、コンピュータは、データを記憶するための１つ以上の大容量記憶装置（例えば、磁気ディスク、光磁気ディスク、または光ディスク）からデータを受信し、および／またはそれらにデータを伝達するように動作可能に結合することができる。

【0096】

データ伝送と命令は、通信ネットワークを介して行うこともできる。コンピュータプログラム命令およびデータを具体化するのに適した情報担体は、例として半導体メモリデバイスを含む、全ての形態の不揮発性メモリを含む。情報担体は、例えば、ＥＰＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリデバイス、磁気ディスク、内蔵ハードディスク、リムーバブルディスク、磁気光ディスク、ＣＤ－ＲＯＭ、および／またはＤＶＤ－ＲＯＭディスクであることができる。プロセッサおよびメモリは、専用論理回路によって補足され、および／または専用論理回路に組み込まれることができる。

【0097】

ユーザとの相互作用を提供するために、上記の技術は、表示装置、送信装置、および／または計算装置を有するコンピュータ上で実施されることができる。表示装置は、例えば、陰極線管（ＣＲＴ）および／または液晶ディスプレイ（ＬＣＤ）モニタであることができる。ユーザとの相互作用は、例えば、ユーザへの情報の表示と、ユーザがコンピュータへの入力（例えば、ユーザインタフェース要素との相互作用）を提供することができるキーボードおよびポインティングデバイス（例えば、マウスまたはトラックボール）であることができる。他の種類のデバイスを使用して、ユーザとの相互作用を提供することができる。他のデバイスは、例えば、任意の形態の感覚フィードバック（例えば、視覚フィードバック、聴覚フィードバック、または触覚フィードバック）でユーザに提供されるフィードバックであることができる。ユーザからの入力は、例えば、音響入力、音声入力、および／または触覚入力を含む、任意の形態で受信することができる。

【0098】

計算装置は、例えば、コンピュータ、ブラウザデバイスを有するコンピュータ、電話、ＩＰ電話、モバイルデバイス（例えば、携帯電話、携帯端末（ＰＤＡ）デバイス、ラップトップコンピュータ、電子メールデバイス）、および／またはその他の通信装置を、含むことができる。計算装置は、例えば、１つ以上のコンピュータサーバであることができる。コンピュータサーバは、例えば、サーバファームの一部であることができる。ブラウザデバイスは、例えば、Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂブラウザ（例えば、Ｍｉｃｒｏｓｏｆｔ Ｃｏｒｐｏｒａｔｉｏｎから入手可能なＭｉｃｒｏｓｏｆｔ（登録商標）Ｉｎｔｅｒｎｅｔ Ｅｘｐｌｏｒｅｒ（登録商標）、Ｇｏｏｇｌｅから入手可能なＣｈｒｏｍｅ、Ｍｏｚｉｌｌａ Ｃｏｒｐｏｒａｔｉｏｎから入手可能なＭｏｚｉｌｌａ（登録商標）Ｆｉｒｅｆｏｘ、Ａｐｐｌｅから入手可能なＳａｆａｒｉ）を備えたコンピュータ（例えば、デスクトップコンピュータ、ラップトップコンピュータ、タブレット）を含む。モバイルコンピューティングデバイスは、例えば、携帯端末（ＰＤＡ）を含む。

【0099】

ウェブサイトおよび／またはウェブページは、例えば、ウェブサーバを用いたネットワーク（例えばインターネット）を介して提供されることができる。ウェブサーバは、例えば、サーバモジュール（例えば、Ｍｉｃｒｏｓｏｆｔ Ｃｏｒｐｏｒａｔｉｏｎから入手可能なＭｉｃｒｏｓｏｆｔ（登録商標）Ｉｎｔｅｒｎｅｔ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｅｒｖｉｃｅｓ、Ａｐａｃｈｅ Ｓｏｆｔｗａｒｅ Ｆｏｕｎｄａｔｉｏｎから入手可能なＡｐａｃｈｅ Ｗｅｂ Ｓｅｒｖｅｒ、Ａｐａｃｈｅ Ｓｏｆｔｗａｒｅ Ｆｏｕｎｄａｔｉｏｎから入手可能なＡｐａｃｈｅ Ｔｏｍｃａｔ Ｗｅｂ Ｓｅｒｖｅｒ）を有するコンピュータであることができる。

【0100】

記憶モジュールは、例えば、ランダムアクセスメモリモジュール（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）モジュール、コンピュータハードドライブ、メモリカード（例えば、ユニバーサルシリアルバス（ＵＳＢ）フラッシュドライブ、セキュアデジタル（ＳＤ）フラッシュカード）、フロッピーディスク、および／または他の任意のデータ記憶デバイスであることができる。記憶モジュール上に記憶された情報は、例えば、データベース（例えば、リレーショナルデータベースシステム、フラットデータベースシステム）および／または任意の他の論理情報記憶メカニズムに、維持されることができる。

【0101】

上述の技術は、バックエンドコンポーネントを含む分散計算システムにおいて実施することができる。バックエンドコンポーネントは、例えば、データサーバ、ミドルウェアコンポーネント、および／またはアプリケーションサーバであることができる。上述の技術は、フロントエンドコンポーネントを含む分散コンピューティングシステムにおいて実施することができる。フロントエンドコンポーネントは、例えば、グラフィカルユーザインタフェースを有するクライアントコンピュータ、ユーザが例示的実施と相互作用することができるウェブブラウザ、および／または送信装置のための他のグラフィカルユーザインタフェースであることができる。システムのコンポーネントは、任意の形態または媒体のデジタルデータ通信（例えば、通信ネットワーク）によって相互接続されることができる。通信ネットワークの例は、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、インターネット、有線ネットワーク、および／または無線ネットワークを含む。

【0102】

システムは、クライアントとサーバを含むことができる。クライアントとサーバは、一般に、互いに離れた場所にあり、典型的に、通信ネットワークを介して相互作用する。クライアントとサーバとの関係は、それぞれのコンピュータ上で実行され、互いにクライアント／サーバ関係を有する、コンピュータプログラムによって生じる。

【0103】

上述のネットワークは、パケットベースのネットワーク、回線ベースのネットワーク、および／またはパケットベースのネットワークと回線ベースのネットワークとの組み合わせで、実施することができる。パケットベースのネットワークは、例えば、インターネット、キャリアインターネットプロトコル（ＩＰ）ネットワーク（例えば、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、キャンパスエリアネットワーク（ＣＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、ホームエリアネットワーク（ＨＡＮ）、プライベートＩＰネットワーク、ＩＰプライベートブランチ交換（ＩＰＢＸ）、無線ネットワーク（例えば、無線アクセスネットワーク（ＲＡＮ）、８０２．１１ネットワーク、８０２．１６ネットワーク、汎用パケット無線サービス（ＧＰＲＳ）ネットワーク、ＨｉｐｅｒＬＡＮ）、および／または他のパケットベースのネットワークを含むことができる。回線ベースのネットワークは、例えば、公衆交換電話網（ＰＳＴＮ）、構内電話交換機（ＰＢＸ）、無線ネットワーク（例えば、ＲＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、符号分割多元接続（ＣＤＭＡ）ネットワーク、時分割多元接続（ＴＤＭＡ）ネットワーク、モバイル通信用グローバルシステム（ＧＳＭ）ネットワーク）、および／または他の回線ベースのネットワークを含むことができる。

【0104】

本発明のいくつかの実施形態は、システム、方法、またはコンピュータプログラム製品の形態で具現化され得る。同様に、いくつかの実施形態は、ハードウェア、ソフトウェア、または両方の組み合わせとして具現化され得る。いくつかの実施形態は、そこに具現化されたコンピュータ可読プログラムコードの形態で、１つ以上の非一時的コンピュータ可読媒体（または媒体）上に保存されたコンピュータプログラム製品として具現化され得る。そのような非一時的コンピュータ可読媒体は、実行されると、プロセッサに実施形態による方法ステップを実行させる命令を含み得る。いくつかの実施形態では、コンピュータ可読媒体上に格納される命令は、インストールされたアプリケーションの形態であってよく、インストールパッケージの形態であってよい。

【0105】

そのような命令は、例えば、１つ以上のプロセッサによってロードされ、実行され得る。例えば、コンピュータ可読媒体は、非一時的コンピュータ可読記憶媒体であってよい。非一時的コンピュータ可読記憶媒体は、例えば、電子、光学、磁気、電磁気、赤外線、または半導体のシステム、装置、またはデバイス、あるいはそれらの任意の組み合わせであってよい。

【0106】

コンピュータプログラムコードは、任意の適切なプログラミング言語で書かれ得る。プログラムコードは、単一のコンピュータシステム上、または複数のコンピュータシステム上で実行され得る。

【0107】

当業者は、本発明が、その趣旨または本質的特徴から逸脱することなく、他の特定の形態で実施され得ることを理解するであろう。従って、前述の実施形態は、本明細書で説明される本発明を限定するのではなく、全ての点で例示的であると見なされるべきである。従って、本発明の範囲は、前述の説明によってではなく、添付の「特許請求の範囲」によって示され、特許請求の範囲の同等性の意味および範囲内に入る全ての変更は、従ってその中に包含されることが意図される。

【0108】

前述の詳細な説明では、本発明の理解を提供するために、多くの具体的な詳細が記載されている。しかしながら、当業者には、本発明がこれらの特定の詳細なしに実施され得ることが理解されるであろう。他の例では、周知の方法、手順、およびコンポーネント、モジュール、ユニットおよび／または回路は、本発明を曖昧にしないように詳細には説明されていない。一実施形態に関して説明されるいくつかの特徴または要素は、他の実施形態に関して説明される特徴または要素と組み合わせることができる。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7A】

【図7B】

【図8A】

【図8B】

【図9】

【外国語明細書】