ホーム > 特許ランキング > ＦＥＩ ＣＯＭＰＡＮＹ
(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】P2024081738
(43)【公開日】2024-06-18
(54)【発明の名称】顕微鏡画像のスマート計測
(51)【国際特許分類】
G06T 7/00 20170101AFI20240611BHJP
H01L 21/66 20060101ALI20240611BHJP
【ＦＩ】
G06T7/00
H01L21/66 J
【審査請求】有
【請求項の数】29
【出願形態】ＯＬ
【外国語出願】
(21)【出願番号】P 2024053661
(22)【出願日】2024-03-28
(62)【分割の表示】P 2019186519の分割
【原出願日】2019-10-10
(31)【優先権主張番号】16/177,034
(32)【優先日】2018-10-31
(33)【優先権主張国・地域又は機関】US
(71)【出願人】
【識別番号】501233536
【氏名又は名称】エフ イー アイ カンパニ
【氏名又は名称原語表記】ＦＥＩ ＣＯＭＰＡＮＹ
(74)【代理人】
【識別番号】100107766
【弁理士】
【氏名又は名称】伊東 忠重
(74)【代理人】
【識別番号】100070150
【弁理士】
【氏名又は名称】伊東 忠彦
(74)【代理人】
【識別番号】100091214
【弁理士】
【氏名又は名称】大貫 進介
(72)【発明者】
【氏名】ウメーシュ アディガ
(57)【要約】 （修正有）
【課題】荷電粒子顕微鏡で取得した画像による、画像処理と計測自動化を改善する顕微鏡画像のスマート計測方法を提供する。
【解決手段】所望の特徴の自動計測のために画像を処理する方法３００は、少なくとも異なるセクション間の一つ又は複数の境界を含む画像から関心領域（ＲＯＩ）を抽出するステップと、一つ又は複数のフィルタに基づいて少なくとも抽出されたＲＯＩをエンハンスするステップと、エンハンスされたＲＯＩに基づいてＲＯＩのマルチスケールデータセットを生成するステップと、ＲＯＩのモデルを初期化するステップと、ＲＯＩのモデル及びマルチスケールデータセットに基づいて、エンハンスされたＲＯＩ内の複数のアクティブな輪郭を最適化し、最適化した複数のアクティブな輪郭が、ＲＯＩ内の一つ又は複数の境界を特定するステップと、特定した境界に基づいてＲＯＩで計測を実行するステップと、を含む。
【選択図】図３
【解決手段】所望の特徴の自動計測のために画像を処理する方法３００は、少なくとも異なるセクション間の一つ又は複数の境界を含む画像から関心領域（ＲＯＩ）を抽出するステップと、一つ又は複数のフィルタに基づいて少なくとも抽出されたＲＯＩをエンハンスするステップと、エンハンスされたＲＯＩに基づいてＲＯＩのマルチスケールデータセットを生成するステップと、ＲＯＩのモデルを初期化するステップと、ＲＯＩのモデル及びマルチスケールデータセットに基づいて、エンハンスされたＲＯＩ内の複数のアクティブな輪郭を最適化し、最適化した複数のアクティブな輪郭が、ＲＯＩ内の一つ又は複数の境界を特定するステップと、特定した境界に基づいてＲＯＩで計測を実行するステップと、を含む。
【選択図】図３
【特許請求の範囲】
【請求項1】
関心領域の異なるセクション間の一つ又は複数の境界を含む関心領域を画像から抽出するステップと、
一つ又は複数のフィルタに基づいて、少なくとも前記抽出された関心領域をエンハンスするステップと、
前記エンハンスされた関心領域に基づいて前記関心領域のマルチスケールデータセットを生成するステップであって、ガウススケール空間、幾何学的スケール空間、非線形スケール空間、適応空間スケール空間から選択された複数のスケール空間を使用して、前記エンハンスされた関心領域の複数の画像解像度レベルを生成するステップを含む、ステップと、
前記関心領域のモデルを初期化するステップであって、前記初期化されたモデルは、前記関心領域の少なくとも第１境界及び第２境界を決定する、ステップと、
前記関心領域の前記モデルに基づき、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化するステップであって、前記最適化された複数のアクティブな輪郭は、前記関心領域内の前記一つ又は複数の境界を識別する、ステップと、そして、
前記識別された境界に基づいて前記関心領域で計測を実行するステップと、を含む方法。
一つ又は複数のフィルタに基づいて、少なくとも前記抽出された関心領域をエンハンスするステップと、
前記エンハンスされた関心領域に基づいて前記関心領域のマルチスケールデータセットを生成するステップであって、ガウススケール空間、幾何学的スケール空間、非線形スケール空間、適応空間スケール空間から選択された複数のスケール空間を使用して、前記エンハンスされた関心領域の複数の画像解像度レベルを生成するステップを含む、ステップと、
前記関心領域のモデルを初期化するステップであって、前記初期化されたモデルは、前記関心領域の少なくとも第１境界及び第２境界を決定する、ステップと、
前記関心領域の前記モデルに基づき、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化するステップであって、前記最適化された複数のアクティブな輪郭は、前記関心領域内の前記一つ又は複数の境界を識別する、ステップと、そして、
前記識別された境界に基づいて前記関心領域で計測を実行するステップと、を含む方法。
【請求項2】
前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化するステップが、
前記初期化されたモデルの前記第１及び第２境界内の第１の複数のアクティブな輪郭を初期化し、前記第１の複数のアクティブな輪郭には、前記関心領域内の境界よりも多くのアクティブな輪郭がある、ステップと、そして
前記第１の複数のアクティブな輪郭を前記複数のアクティブな輪郭に最適化し、前記関心領域内の一つ又は複数の境界を識別することができるステップと、を含む、請求項１に記載の方法。
前記初期化されたモデルの前記第１及び第２境界内の第１の複数のアクティブな輪郭を初期化し、前記第１の複数のアクティブな輪郭には、前記関心領域内の境界よりも多くのアクティブな輪郭がある、ステップと、そして
前記第１の複数のアクティブな輪郭を前記複数のアクティブな輪郭に最適化し、前記関心領域内の一つ又は複数の境界を識別することができるステップと、を含む、請求項１に記載の方法。
【請求項3】
前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化するステップが、
一つ又は複数のスケール空間の各スケール空間の各画像解像度レベルに対して、前記エンハンスされた関心領域内の前記複数のアクティブな輪郭を最適化するステップを含む、請求項１に記載の方法。
一つ又は複数のスケール空間の各スケール空間の各画像解像度レベルに対して、前記エンハンスされた関心領域内の前記複数のアクティブな輪郭を最適化するステップを含む、請求項１に記載の方法。
【請求項4】
前記一つ又は複数のスケール空間が、ガウススケール空間、幾何学的スケール空間、非線形スケール空間、及び適応空間スケール空間から選択される、請求項３に記載の方法。
【請求項5】
前記関心領域のモデルを初期化するステップであって、前記初期化されたモデルは、前記関心領域の少なくとも第１境界及び第２境界を決定する、ステップが、
バイナリラベルマップ、インタラクティブマップ、距離マップ、ＣＡＤマップ、前記マルチスケールデータセットからの統計モデル、ダイキャスト、幾何学的形状のランダム分布、又は幾何学的モデルから選択される、一つ又は複数のイメージマップに基づいて、前記関心領域の前記モデルを初期化するステップを含む、請求項１に記載の方法。
バイナリラベルマップ、インタラクティブマップ、距離マップ、ＣＡＤマップ、前記マルチスケールデータセットからの統計モデル、ダイキャスト、幾何学的形状のランダム分布、又は幾何学的モデルから選択される、一つ又は複数のイメージマップに基づいて、前記関心領域の前記モデルを初期化するステップを含む、請求項１に記載の方法。
【請求項6】
前記関心領域のモデルを初期化するステップが、元の画像又は前記エンハンスされた関心領域に基づく、請求項１に記載の方法。
【請求項7】
一つ又は複数のフィルタに基づいて、少なくとも前記抽出された前記関心領域をエンハンスするステップが、
前記画像内の少なくとも前記関心領域のコントラストを改善するステップと、そして
前記画像内の少なくとも前記関心領域の信号対雑音比を改善するステップと、を含む、請求項１に記載の方法。
前記画像内の少なくとも前記関心領域のコントラストを改善するステップと、そして
前記画像内の少なくとも前記関心領域の信号対雑音比を改善するステップと、を含む、請求項１に記載の方法。
【請求項8】
前記コントラスト及び前記信号対雑音比を改善するステップが、
ヒストグラム操作、線形若しくは非線形コントラストのエンハンス、ローカルに基づくデータ正規化、低頻度のデータ分散、ガンマ補正、ログ補正、又は輝度補正から選択される、一つ又は複数のフィルタを自動的に選択して適用するステップを含む、請求項７に記載の方法。
ヒストグラム操作、線形若しくは非線形コントラストのエンハンス、ローカルに基づくデータ正規化、低頻度のデータ分散、ガンマ補正、ログ補正、又は輝度補正から選択される、一つ又は複数のフィルタを自動的に選択して適用するステップを含む、請求項７に記載の方法。
【請求項9】
一つ又は複数のフィルタに基づいて、少なくとも前記抽出された前記関心領域をエンハンスするステップが、
前記関心領域の鮮明度を改善するステップと、
前記関心領域内の前記一つ又は複数の境界を区別し検出するステップと、を含む、請求項１に記載の方法。
前記関心領域の鮮明度を改善するステップと、
前記関心領域内の前記一つ又は複数の境界を区別し検出するステップと、を含む、請求項１に記載の方法。
【請求項10】
前記関心領域の鮮明度を改善し、前記関心領域内の前記一つ又は複数の境界を区別及び検出するステップが、
反応拡散フィルタリング、アドプティブ等方性（ａｄｏｐｔｉｖｅ ｉｓｏｔｒｏｐｉｃ）及び異方性拡散フィルタリング、中央値フィルタリング、非線形拡散の非線形拡散フィルタリングに基づくＭｕｍｆｏｒｄ－Ｓｈａｈモデル、バックグラウンド抑制及びエッジ／境界抽出、及びオブジェクト境界でのコヒーレンス強化フィルタリングから選択される、一つ又は複数のフィルタを自動的に選択して適用するステップを含む、請求項９に記載の方法。
反応拡散フィルタリング、アドプティブ等方性（ａｄｏｐｔｉｖｅ ｉｓｏｔｒｏｐｉｃ）及び異方性拡散フィルタリング、中央値フィルタリング、非線形拡散の非線形拡散フィルタリングに基づくＭｕｍｆｏｒｄ－Ｓｈａｈモデル、バックグラウンド抑制及びエッジ／境界抽出、及びオブジェクト境界でのコヒーレンス強化フィルタリングから選択される、一つ又は複数のフィルタを自動的に選択して適用するステップを含む、請求項９に記載の方法。
【請求項11】
前記関心領域の鮮明度を改善し、前記関心領域内の前記一つ又は複数の境界を区別及び検出するステップが、
Ｇａｂｏｒ、Ｈａｒａｌｉｃｋ、Ｌａｗｓ、ＬＣＰ、又はＬＢＰから選択される、一つ又は複数の振幅又はテクスチャベースのフィルタを自動的に選択して適用するステップを含む、請求項９に記載の方法。
Ｇａｂｏｒ、Ｈａｒａｌｉｃｋ、Ｌａｗｓ、ＬＣＰ、又はＬＢＰから選択される、一つ又は複数の振幅又はテクスチャベースのフィルタを自動的に選択して適用するステップを含む、請求項９に記載の方法。
【請求項12】
前記関心領域の鮮明度を改善し、前記関心領域内の前記一つ又は複数の境界を区別及び検出するステップが、
エネルギー分散型Ｘ線分析技法又は電子エネルギー損失分光法技法のいずれかから選択される、分析技法を前記関心領域に適用し、前記一つ又は複数の境界の数と位置を決定するステップを含む、請求項９に記載の方法。
エネルギー分散型Ｘ線分析技法又は電子エネルギー損失分光法技法のいずれかから選択される、分析技法を前記関心領域に適用し、前記一つ又は複数の境界の数と位置を決定するステップを含む、請求項９に記載の方法。
【請求項13】
前記一つ又は複数のフィルタが、画像のメタデータに基づいて自動的に選択及び適用され、前記画像のメタデータは、少なくともデータ型、解像度、又はピクセルサイズを含む、請求項１に記載の方法。
【請求項14】
前記識別された境界に基づいて、前記関心領域で計測を実行するステップが、
前記一つ又は複数の境界で区切られた前記異なるセクションの幾何学的分析を自動的に実行するステップを含む、請求項１に記載の方法。
前記一つ又は複数の境界で区切られた前記異なるセクションの幾何学的分析を自動的に実行するステップを含む、請求項１に記載の方法。
【請求項15】
一つ又は複数のプロセッサで実行されると、前記一つ又は複数のプロセッサに以下を実行させるコードを含む、非一時的なコンピュータ可読媒体（ＣＲＭ）であって、前記コードは前記一つ又は複数のプロセッサに、
画像から関心領域を抽出させ、前記関心領域は、前記関心領域の異なるセクション間の一つ又は複数の境界を含み、
一つ又は複数のフィルタに基づいて、少なくとも前記抽出された関心領域をエンハンスさせ、
前記エンハンスされた関心領域に基づいて前記関心領域のマルチスケールデータセットを生成させ、ガウススケール空間、幾何学的スケール空間、非線形スケール空間、適応空間スケール空間から選択された複数のスケール空間を使用して、前記エンハンスされた関心領域の複数の画像解像度レベルを生成させ、
前記関心領域のモデルを初期化させ、前記初期化されたモデルは、前記関心領域の少なくとも第１境界及び第２境界を決定し、
前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化させ、前記最適化された複数のアクティブな輪郭は、前記関心領域内の前記一つ又は複数の境界を識別し、そして、
前記識別された境界に基づいて前記関心領域で計測を実行させる、非一時的なコンピュータ可読媒体。
画像から関心領域を抽出させ、前記関心領域は、前記関心領域の異なるセクション間の一つ又は複数の境界を含み、
一つ又は複数のフィルタに基づいて、少なくとも前記抽出された関心領域をエンハンスさせ、
前記エンハンスされた関心領域に基づいて前記関心領域のマルチスケールデータセットを生成させ、ガウススケール空間、幾何学的スケール空間、非線形スケール空間、適応空間スケール空間から選択された複数のスケール空間を使用して、前記エンハンスされた関心領域の複数の画像解像度レベルを生成させ、
前記関心領域のモデルを初期化させ、前記初期化されたモデルは、前記関心領域の少なくとも第１境界及び第２境界を決定し、
前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化させ、前記最適化された複数のアクティブな輪郭は、前記関心領域内の前記一つ又は複数の境界を識別し、そして、
前記識別された境界に基づいて前記関心領域で計測を実行させる、非一時的なコンピュータ可読媒体。
【請求項16】
実行時に、前記一つ又は複数のプロセッサに、前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化させる前記コードが、実行されると、前記一つ又は複数のプロセッサに、
前記初期化されたモデルの前記第１境界及び第２境界内で第１の複数のアクティブな輪郭を初期化させ、前記第１の複数のアクティブな輪郭には、前記関心領域内の境界よりも多くのアクティブな輪郭があり；そして、
前記第１の複数のアクティブな輪郭が前記複数のアクティブな輪郭に最適化され、前記関心領域内の前記一つ又は複数の境界を識別することを可能にさせるコードをさらに含む、請求項１５に記載のコンピュータ可読媒体。
前記初期化されたモデルの前記第１境界及び第２境界内で第１の複数のアクティブな輪郭を初期化させ、前記第１の複数のアクティブな輪郭には、前記関心領域内の境界よりも多くのアクティブな輪郭があり；そして、
前記第１の複数のアクティブな輪郭が前記複数のアクティブな輪郭に最適化され、前記関心領域内の前記一つ又は複数の境界を識別することを可能にさせるコードをさらに含む、請求項１５に記載のコンピュータ可読媒体。
【請求項17】
実行時に、前記一つ又は複数のプロセッサに、前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化させるコードが、実行されると、前記一つ又は複数のプロセッサに、
一つ又は複数のスケール空間の各スケール空間における各画像解像度レベルについて、前記エンハンスされた関心領域内の前記複数のアクティブな輪郭を最適化させるコードをさらに含む、請求項１５に記載のコンピュータ可読媒体。
一つ又は複数のスケール空間の各スケール空間における各画像解像度レベルについて、前記エンハンスされた関心領域内の前記複数のアクティブな輪郭を最適化させるコードをさらに含む、請求項１５に記載のコンピュータ可読媒体。
【請求項18】
前記一つ又は複数のスケール空間が、ガウススケール空間、幾何学的スケール空間、非線形スケール空間、又は適応空間スケール空間から選択される、請求項１７に記載のコンピュータ可読媒体。
【請求項19】
実行時に、前記一つ又は複数のプロセッサに、前記エンハンスされた関心領域に基づいて前記関心領域のマルチスケールデータセットを生成させるコードが、
ガウススケール空間、幾何学的スケール空間、非線形スケール空間、適応空間スケールから選択された一つ又は複数のスケール空間を使用して、前記エンハンスされた関心領域の複数の画像解像度レベルを生成することを、実行時に前記一つ又は複数のプロセッサに実行させるコードをさらに含む、請求項１５に記載のコンピュータ可読媒体。
ガウススケール空間、幾何学的スケール空間、非線形スケール空間、適応空間スケールから選択された一つ又は複数のスケール空間を使用して、前記エンハンスされた関心領域の複数の画像解像度レベルを生成することを、実行時に前記一つ又は複数のプロセッサに実行させるコードをさらに含む、請求項１５に記載のコンピュータ可読媒体。
【請求項20】
実行時に、前記一つ又は複数のプロセッサに、前記関心領域のモデルを初期化させるコードであり、前記初期化されたモデルが、前記関心領域の少なくとも第１境界及び第２境界を決定する、コードが、実行時に前記一つ又は複数のプロセッサに、
バイナリラベルマップ、インタラクティブマップ、距離マップ、ＣＡＤマップ、データからの統計モデル、ダイキャスト、幾何学的形状のランダム分布、又は幾何学的モデルから選択した一つ又は複数の画像マップに基づいて、前記関心領域の前記モデルを初期化することを、実行させるコードをさらに含む、請求項１５に記載のコンピュータ可読媒体。
バイナリラベルマップ、インタラクティブマップ、距離マップ、ＣＡＤマップ、データからの統計モデル、ダイキャスト、幾何学的形状のランダム分布、又は幾何学的モデルから選択した一つ又は複数の画像マップに基づいて、前記関心領域の前記モデルを初期化することを、実行させるコードをさらに含む、請求項１５に記載のコンピュータ可読媒体。
【請求項21】
前記関心領域の前記初期化されたモデルが、元の前記画像又は前記エンハンスされた関心領域に基づく、請求項１５に記載のコンピュータ可読媒体。
【請求項22】
実行時に、一つ又は複数のフィルタに基づいて前記一つ又は複数のプロセッサに少なくとも前記抽出された関心領域をエンハンスさせるコードには、実行時に前記一つ又は複数のプロセッサに、
前記画像内の少なくとも前記関心領域のコントラストを改善し、そして、
少なくとも前記画像内の前記関心領域の信号対雑音比を改善することを、実行させるコードがさらに含まれる、請求項１５に記載のコンピュータ可読媒体。
前記画像内の少なくとも前記関心領域のコントラストを改善し、そして、
少なくとも前記画像内の前記関心領域の信号対雑音比を改善することを、実行させるコードがさらに含まれる、請求項１５に記載のコンピュータ可読媒体。
【請求項23】
実行時に、前記一つ又は複数のプロセッサに前記コントラスト及び前記信号対雑音比を改善させるコードには、実行時に前記一つ又は複数のプロセッサに、
ヒストグラム操作、線形及び非線形コントラストのエンハンス、ローカルに基づくデータの正規化、低頻度のデータ分散、ガンマ補正、ログ補正、又は輝度補正から選択される、前記一つ又は複数のフィルタを自動的に選択して適用することを、実行させるコードがさらに含まれる、請求項２２に記載のコンピュータ可読媒体。
ヒストグラム操作、線形及び非線形コントラストのエンハンス、ローカルに基づくデータの正規化、低頻度のデータ分散、ガンマ補正、ログ補正、又は輝度補正から選択される、前記一つ又は複数のフィルタを自動的に選択して適用することを、実行させるコードがさらに含まれる、請求項２２に記載のコンピュータ可読媒体。
【請求項24】
実行時に、一つ又は複数のフィルタに基づいて前記一つ又は複数のプロセッサに少なくとも前記抽出された関心領域をエンハンスさせるコードには、実行時に前記一つ又は複数のプロセッサに、
前記関心領域の鮮明度を改善し、そして
前記関心領域の前記一つ又は複数の境界を区別して検出することを、実行させるコードがさらに含まれる、請求項１５に記載のコンピュータ可読媒体。
前記関心領域の鮮明度を改善し、そして
前記関心領域の前記一つ又は複数の境界を区別して検出することを、実行させるコードがさらに含まれる、請求項１５に記載のコンピュータ可読媒体。
【請求項25】
実行時に、前記一つ又は複数のプロセッサに前記関心領域の鮮明度を改善させ、前記関心領域内の前記一つ又は複数の境界を区別して検出させるコードには、実行時に前記一つ又は複数のプロセッサに、
反応拡散フィルタリング、アドプティブ等方性（ａｄｏｐｔｉｖｅ ｉｓｏｔｒｏｐｉｃ）及び異方性拡散フィルタリング、中央値フィルタリング、非線形拡散フィルタリングに基づくＭｕｍｆｏｒｄ－Ｓｈａｈモデル、バックグラウンド抑制及びエッジ／境界から選択される抽出、及びオブジェクト境界でのコヒーレンス強化フィルタリングから選択される、一つ又は複数のフィルタを自動的に選択して適用することを、実行させるコードがさらに含まれる、請求項２４に記載のコンピュータ可読媒体。
反応拡散フィルタリング、アドプティブ等方性（ａｄｏｐｔｉｖｅ ｉｓｏｔｒｏｐｉｃ）及び異方性拡散フィルタリング、中央値フィルタリング、非線形拡散フィルタリングに基づくＭｕｍｆｏｒｄ－Ｓｈａｈモデル、バックグラウンド抑制及びエッジ／境界から選択される抽出、及びオブジェクト境界でのコヒーレンス強化フィルタリングから選択される、一つ又は複数のフィルタを自動的に選択して適用することを、実行させるコードがさらに含まれる、請求項２４に記載のコンピュータ可読媒体。
【請求項26】
実行時に、前記一つ又は複数のプロセッサに前記関心領域の鮮明度を改善させ、前記関心領域内の前記一つ又は複数の境界を区別して検出させるコードには、実行時に前記一つ又は複数のプロセッサに、
Ｇａｂｏｒ、Ｈａｒａｌｉｃｋ、Ｌａｗｓ、ＬＣＰ、又はＬＢＰから選択される、一つ又は複数の振幅又はテクスチャベースのフィルタを自動的に選択して適用することを、実行させるコードがさらに含まれる、請求項２４に記載のコンピュータ可読媒体。
Ｇａｂｏｒ、Ｈａｒａｌｉｃｋ、Ｌａｗｓ、ＬＣＰ、又はＬＢＰから選択される、一つ又は複数の振幅又はテクスチャベースのフィルタを自動的に選択して適用することを、実行させるコードがさらに含まれる、請求項２４に記載のコンピュータ可読媒体。
【請求項27】
実行時に、前記一つ又は複数のプロセッサに前記関心領域の鮮明度を改善させ、前記関心領域内の前記一つ又は複数の境界を区別して検出させるコードには、実行時に前記一つ又は複数のプロセッサに、
エネルギー分散型Ｘ線分析技法又は電子エネルギー損失分光技法のいずれかから選択される、分析技法を前記関心領域に適用して、前記一つ又は複数の境界の数と位置を決定することを、実行させるコードがさらに含まれる、請求項２４に記載のコンピュータ可読媒体。
エネルギー分散型Ｘ線分析技法又は電子エネルギー損失分光技法のいずれかから選択される、分析技法を前記関心領域に適用して、前記一つ又は複数の境界の数と位置を決定することを、実行させるコードがさらに含まれる、請求項２４に記載のコンピュータ可読媒体。
【請求項28】
前記一つ又は複数のフィルタが、画像のメタデータに基づいて自動的に選択及び適用され、前記画像のメタデータには、少なくともデータ型、解像度、ピクセルサイズを含む、請求項１５に記載のコンピュータ可読媒体。
【請求項29】
実行時に、前記識別された境界に基づいて前記一つ又は複数のプロセッサに前記関心領域で計測を実行させるコードには、実行時に前記一つ又は複数のプロセッサに、
前記一つ又は複数の境界で区切られた様々なセクションの幾何学的分析を自動的に実行することを、実行させるコードがさらに含まれる、請求項１５に記載のコンピュータ可読媒体。
前記一つ又は複数の境界で区切られた様々なセクションの幾何学的分析を自動的に実行することを、実行させるコードがさらに含まれる、請求項１５に記載のコンピュータ可読媒体。
【発明の詳細な説明】
【技術分野】
【0001】
本明細書で開示される技術は、概して、画像を使用したスマート計測の実装に関し、より具体的には、荷電粒子顕微鏡で取得された画像によるスマート計測を実行することに関する。
【背景技術】
【0002】
画像内の特徴の計測は、特に荷電粒子顕微鏡によって取得された画像では困難であり、時間がかかるプロセスである。困難で時間のかかるプロセスの一部は、自動画像処理アルゴリズムが処理を困難にし、ユーザー操作と複数のステップにつながるノイズの多い画像に起因する可能性がある。分析する画像が少ない場合、これは問題にはならない。しかし、多数のサンプルを画像化し、分析が必要な半導体業界などの製造環境では、分析のプロセスは非常に遅くなる。
【0003】
長年に渡り、画像処理の改善が行われ、計測精度と効率は向上したが、これらの改善は、ノードサイズやスループットなどの今日の半導体製造環境では十分ではない。したがって、画像処理と計測自動化の改善が業界全体で望まれている。
【発明の概要】
【0004】
本明細書で開示されるスマート計測方法及び装置は、所望の特徴の自動計測のために画像を処理する。例示的な方法は、少なくとも、異なるセクション間の一つ又は複数の境界を含む画像から関心領域を抽出するステップと、一つ又は複数のフィルタに基づいて少なくとも抽出された関心領域をエンハンス又は先鋭化する（ｅｎｈａｎｃｉｎｇ）ステップと、エンハンスされた関心領域に基づいて関心領域のマルチスケールデータセットを生成するステップと、関心領域のモデルを初期化するステップと、関心領域のモデルに基づいて、さらにマルチスケールデータセットに基づいて、エンハンスされた関心領域内の複数のアクティブな輪郭を最適化するステップであって、最適化された複数のアクティブな輪郭は、関心領域内の一つ又は複数の境界を識別する、ステップと、そして、識別された境界に基づいて関心領域で計測を実行するステップと、を含む。
【0005】
別の実施形態は非一時的なコンピュータ可読媒体を含み、該非一時的なコンピュータ可読媒体は、一つ又は複数のプロセッサによって実行されると、一つ又は複数のプロセッサに関心領域の異なるセクション間の一つ又は複数の境界を含む関心領域を画像から抽出させ；一つ又は複数のフィルタに基づいて、少なくとも抽出された関心領域をエンハンスさせ；エンハンスされた関心領域に基づいて関心領域のマルチスケールデータセットを生成させ；関心領域のモデルを初期化させ、初期化されたモデルは、関心領域の少なくとも第１及び第２の境界を決定し；関心領域のモデルに基づいて、さらにマルチスケールデータセットに基づいて、エンハンスされた関心領域内の複数のアクティブな輪郭を最適化させ、最適化された複数のアクティブな輪郭は、関心領域内の一つ又は複数の境界を識別し；そして、識別された境界に基づいて関心領域で計測を実行させる、コードを含む。
【図面の簡単な説明】
【0006】
特許又は出願ファイルには、カラーで作成された少なくとも一つの図面が含まれる。カラー図面を含むこの特許又は特許出願公開のコピーは、要求及び必要な料金の支払いに応じて、特許庁（Ｏｆｆｉｃｅ）によって提供される。
【図1】本開示の実施形態に係る、画像処理及び結果として生じる計測を示す例示的な画像シーケンスである。
【図2】本開示の実施形態に係る、画像処理を示す例示的な画像シーケンスである。
【図3】本開示の実施形態に係る、画像を処理し、画像内の一つ又は複数の特徴に対して計測を実行するための例示的な方法である。
【図4】本開示の実施形態に係る、ＲＯＩ内の複数のアクティブな輪郭を最適化する方法である。
【図5】本開示の実施形態に係る、例示的な画像シーケンスである。
【図6】本開示の一実施形態による、例示的な方法である。
【図7】本発明の実施形態が実装され得るコンピュータシステムを示すブロック図である。
【図8】本明細書に開示された方法の少なくとも一部を、本開示の実施形態に従って実行するための例示的な荷電粒子顕微鏡環境である。
【発明を実施するための形態】
【0007】
同じ参照番号は、図面のいくつかの図全体にわたって、対応する部分を指す。
【0008】
本発明の実施形態は、顕微鏡画像におけるスマート計測に関する。いくつかの例では、画像が処理されて所望の特徴がエンハンスされ、次にアクティブな輪郭が最適化されて、特徴インターフェースで形成された境界が特定される。アクティブな輪郭は、特徴の正確な計測を実行するためのアンカーになる。しかし、本明細書に記載の方法は、広範囲の異なるＡＩエンハンス計測に一般的に適用可能であり、限定されるものではないことを理解されたい。
【0009】
本出願及び特許請求の範囲において使用される、単数形「ａ」、「ａｎ」及び「ｔｈｅ」は、文脈上他に明確に指示されない限り、複数形も含む。さらに、用語「含む（ｉｎｃｌｕｄｅｓ）」は、「含む（ｃｏｍｐｒｉｓｅｓ）」の意味である。さらに、用語「接続された（ｃｏｕｐｌｅｄ）」は、接続されたアイテム間の中間要素の存在を排除するものではない。さらに、以下の説明及び特許請求の範囲では、「含む（ｉｎｃｌｕｄｉｎｇ）」及び「含む（ｃｏｍｐｒｉｓｉｎｇ）」という用語は自由に使用され、したがって「を含むが、これに限定されない（ｉｎｃｌｕｄｉｎｇ， ｂｕｔ ｎｏｔ ｌｉｍｉｔｅｄ ｔｏ）」を意味すると解釈されるべきである。用語「集積回路（ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）」は、マイクロチップの表面にパターン化された一連の電子部品とそれらの相互接続（内部電気回路要素、集合）を指す。用語「半導体デバイス（ｓｅｍｉｃｏｎｄｕｃｔｏｒ ｄｅｖｉｃｅ）」は、一般的に、半導体ウェーハに統合されている、ウェーハから分離されている、又は回路基板上で使用するためにパッケージ化される集積回路（ＩＣ）を指す。用語「ＦＩＢ」又は「集束イオンビーム（ｆｏｃｕｓｅｄ ｉｏｎ ｂｅａｍ）」は、本明細書では、イオン光学及び集束イオンビームによって集束されるビームを含み、あらゆる平行イオンビームを指すために使用される。
【0010】
本明細書に記載のシステム、装置、及び方法は、多少なりとも制限的なものとして解釈されるべきではない。むしろ、本開示は、単独で、ならびに相互の様々な組み合わせ及び部分的な組み合わせにおいて、様々な開示された実施形態のすべての新規性及び非自明性を有する特徴及び態様を対象とする。開示されたシステム、方法、及び装置は、任意の特定の態様又は特徴若しくはそれらの組み合わせに限定されず、開示されたシステム、方法、及び装置は、任意の一つ又は複数の特定の利点が存在する、又は問題が解決されることも必要としない。いずれの動作理論も説明を容易にするためであるが、開示されたシステム、方法、及び装置は、そのような動作理論に限定されない。
【0011】
開示された方法のいくつかの動作は、便宜上、特定の順番で記載されているが、以下に記載される具体的な用語によって特定の順序が要求されない限り、この説明方法が並び替えを包含することを理解されるものとする。例えば、順に記載される動作は、いくつかの場合では、並び替え又は同時に実行されてもよい。さらに、単純化のために、添付の図面は、開示されたシステム、方法、及び装置が、他のシステム、方法、及び装置とともに使用され得る様々な方法を示さないことがある。さらに、説明は、開示された方法を説明するために、「製造する（ｐｒｏｄｕｃｅ）」及び「提供する（ｐｒｏｖｉｄｅ）」のような用語を使用することがある。これらの用語は、実行される実際の動作の高レベルの抽象化である。これらの用語に対応する実際の動作は、特定の実施に応じて、様々であり、当業者には容易に認識できる。
【0012】
本明細書で開示されるスマート計測技術は、画像内の特徴の自動計測を可能にする。荷電粒子顕微鏡（ＳＥＭ、ＴＥＭ、ＳＴＥＭ、ＦＩＢなど）又は光学顕微鏡で画像を取得して、いくつかの例を提供する。画像は、通常、例えば関心領域などの一つ又は複数の特徴を含むことがあり、少なくとも一つ又は複数の特徴のサイズを決定することが望ましい。スマート計測は、例えば、アクティブな輪郭に関連する複数の画像処理アルゴリズムに基づいて測定を実行してもよい。アクティブな輪郭は、画像処理された画像に基づいて初期化されることができ、一つ又は複数のスケール空間を使用して繰り返し最適化されることができる。例えば、画像を最初に処理して、一つ又は複数の関心領域（ＲＯＩ）を見つけて分離することができる。次に、これらのＲＯＩの一つ又は複数にデータ特性標準化フィルタリングを適用して、信号対雑音比（ＳＮＲ）を高める、及び／又は画像の特徴部分間のコントラストを改善することができる。画像のＳＮＲ及び／又はコントラストを改善した後、画像は一つ又は複数の画像処理アルゴリズムの対象となり、特徴の部分間の境界の鮮明度及び／又は識別及び検出をエンハンスする。境界の識別及び検出は、データを実装された特定の画像処理アルゴリズムで必要とされるデカルト空間や極空間などの異なる表現空間に変換するかどうかにかかわらず実行できる。次に、前のプロセスで得られたデータを処理して、ガウス、幾何、非線形、及び／又は適応形状スケール空間のマルチスケールデータセットを生成する。次に、マルチスケールデータセットを使用して、画像内の複数のアクティブな輪郭を初期化する。アクティブな輪郭は、一つ又は複数の空間スケールの各解像度レベルで繰り返し初期化及び最適化され、アクティブな輪郭の段階的な最適化が可能になる。最適化されると、アクティブな輪郭はＲＯＩ内のすべての境界を識別して特定する。
【0013】
次に、最適化されたアクティブな輪郭は、元の画像又はエンハンスされた画像の特徴の所望の部分又は側面に対して計測を実行するための基礎を形成し得る。計測は、その中の輪郭に基づいた特徴のセグメント化された領域の幾何学的分析を含み得る。さらに、計測は、統計分析などとともに、特徴分析の他の分析的側面を特徴づけてもよい。
【0014】
さらに、追加的又は代替的に、アクティブな輪郭は、マルチモード分析などの別個のイメージングモードに基づいて開始されてもよい。例えば、特徴を含むサンプルは、エネルギー分散型Ｘ線分光法（ＥＤＸ）を使用して分析され、特徴の部分間の初期境界を最初に決定し、それぞれのアクティブな輪郭を初期化する場所として使用され得る。ＥＤＸは、サンプル全体の単一ラインスキャンである場合があり、これにより、境界が存在する可能性のある特徴上の少なくとも一つのポイントが提供される。一部のサンプルには、ラウンドＲＯＩが含まれている場合があり、これにより、ＥＤＸラインスキャンの各境界に二つのポイントが提供される。もちろん、完全な２－Ｄ ＥＤＸスキャンも実行できるが、時間がかかることは望ましくない。
【0015】
図１は、本開示の実施形態に係る、画像処理及び結果として生じる計測を示す例示的な画像シーケンス１００である。画像シーケンス１００は、任意の画像タイプで実行することができるが、荷電粒子顕微鏡法により得られた画像の文脈で説明する。より具体的には、開示された技術を説明するために使用される画像は、限定はされないが、半導体構造のものである。画像処理及び計測は、任意の所望の画像コンテンツに対して実行することができ、図１の画像の楕円形の特徴は単なる例であり、本明細書で開示する技術に限定されない。画像シーケンス１００の場合、楕円形の領域は、ＶＮＡＮＤと呼ばれることもある垂直メモリデバイスである。これらのデバイスには、背の高いビアに形成された様々な層（例えば、一つ又は複数のエピ層を貫通する材料に形成された穴）が含まれ、様々な材料層のそれぞれが異なる材料から形成され、動作回路デバイスが形成される。プロセス制御及び欠陥検出の場合、ＶＮＡＮＤデバイスのメーカーは、操作デバイスを形成する材料層の厚さの測定を望んでおり、これは、材料層やそれらの間の境界等のインターフェースを検出するＳＥＭ及び／又はＴＥＭのような高解像度顕微鏡を要する。
【0016】
画像シーケンス１００は、元の画像１０２で始まる。画像１０２は、より明るい色の領域に囲まれた暗い楕円形のように見えるが、実際には、例えば画像１０８及び１１０に見られるように、暗い楕円形の中にいくつかのリング、例えば材料層がある。画像１００は、暗視野（ＤＦ）画像又はＨＡＡＤＦ画像（高角環状暗視野）であり得、従来は、関心領域（ＲＯＩ）よりも背景が明るくなる。画像処理シーケンスの場合、その目的は、ＲＯＩ内の各リングの位置及び／又は境界を決定し、一つ又は複数のリングの幅を測定することであり、例えば、ＶＮＡＮＤデバイスで計測を実行する。目的の計測を実行するには、少なくともそれらの間の境界を特定して、より正確な測定を行えるようにする。しかし、このような測定を実行するには、画像をエンハンスし、境界の位置をより正確に特定させる必要がある場合がある。
【0017】
一般的に、シーケンスには、信号対雑音比、コントラスト、領域の鮮明度などの点で画像をエンハンスする前処理セグメントが含まれ、一つ又は複数のＲＯＩの抽出／識別も含まれる。前処理、又は一般的な画像エンハンスの後、アクティブな輪郭を初期化及び最適化できるように、マルチスケールデータセットが生成される。最適化されたアクティブな輪郭は、画像内の様々な材料間の境界を特定する。次いで、境界の識別に基づいて、画像内の所望の層又は領域の計測が実行されてもよく、これは自動的に実行されてもよい。
【0018】
画像処理を開始するために、元の画像１０２を分析して一つ又は複数のＲＯＩを抽出することができる。ＲＯＩの抽出は、各ＲＯＩに粗い外側境界を提供し、例えば粗い外側境界内で画像処理が集中し得る領域を指定することができる。一例として、画像を二値化して外側の境界を定義するなど、ＲＯＩ抽出に使用する多くの手法がある。追加の手法については、以下で説明する。いくつかの実施形態では、元の画像のメタ情報も画像処理の対象となり得る。メタ情報は、データタイプ（例えば、イメージングモード）、解像度、ピクセルサイズなどの情報を含む。
【0019】
ＲＯＩを抽出した後、破線のボックス１０６に示されるように、画像の少なくともその部分は、ＲＯＩの画像をエンハンスするために、さらに処理を受ける。一般的に、ＲＯＩのエンハンスには、信号対雑音比の低減、コントラストと画像の鮮明度のエンハンスが含まれ、異なるセクション／材料間の境界が大まかに識別される。例えば、画像１０８は、コントラストが改善された元の画像（背景が除去された）からのＲＯＩを示している。次いで、改善されたコントラスト画像１０８は、画像１１０で示されるように、鮮明度を向上させるために、さらに処理を受ける場合がある。画像１１０は、例えば反応拡散フィルタリングなどの様々なフィルタリング操作が実行された後のＲＯＩを示す。
【0020】
さらに、画像１１０を使用して、異なるスケールが少なくともガウススケール空間、幾何学的スケール空間、非線形スケール空間、及び適応形状スケール空間を含むマルチスケールデータセットを生成することができる。その後、各スケール空間の画像は、画像を滑らかにするために一連のぼやけ（ｂｌｕｒｒｉｎｇ）又はサブサンプリングの対象となる。このような処理は、アクティブな輪郭を滑らかに変形するためのポテンシャル面を構築するために実行される。
【0021】
さらに、ＲＯＩのモデルは、さらなる処理のためにＲＯＩの境界を提供するために形成される。例えば、ＲＯＩの様々なマップを生成して、さらなる画像処理が行われる領域を確立するために使用される内側境界及び外側境界を決定することができる。マップの例は、ＲＯＩの中心と外側のエッジを決定するＲＯＩの距離マップである。
【0022】
元の画像の一つ又は複数のＲＯＩが、少なくとも鮮明度とコントラストのためにエンハンスされた後、多数のアクティブな輪郭がエンハンスされたＲＯＩ内で開始され、生成されたＲＯＩのモデルに応じて配置され、数十から数百の多数のアクティブな輪郭が含まれる。材料層などの境界の数やその位置が事前にわからないため、多数のアクティブな輪郭が使用される。一般的には、初期化されたアクティブな輪郭の数は、境界の数よりも多くなる。画像１１２は、ＲＯＩ内の複数のアクティブな輪郭の初期化を示しており、これは元の画像又は元の画像のエンハンス版に配置することができる。アクティブな輪郭は、画像の最小エネルギー位置と一致する境界を特定するために最適化される。画像１１４は、最適化されたアクティブな輪郭、例えば蛇状（ｓｎａｋｅｓ）を示す。複数のアクティブな輪郭の一部は誤って最適化され、結果的には削除される。例えば、誤って最適化されたアクティブな輪郭は、ＲＯＩ内の異なる境界に緩和される場合がある。
【0023】
最適化されたアクティブな輪郭は、画像１１６に示すように、ＲＯＩ内の様々な材料層の厚さを測定するための基準として使用できる。
【0024】
図２は、本開示の実施形態に係る、画像処理を示す例示的な画像シーケンス２００である。シーケンス２００は、画像シーケンス１００に示されるものとは異なるシーケンス全体の異なる部分を示す例示的な画像処理シーケンスである。一般的に、ここで説明するプロセスの各ステップは、一つ又は複数の画像処理アルゴリズムを使用して実行でき、実装されるアルゴリズムの選択は、少なくとも元の画像のメタ情報に基づいて自動的に選択される。画像シーケンス２００は、図に示すように、画像１０２とは異なる初期品質のものである元の画像２０２から始まる。さらに、画像２０２は、明視野（ＢＦ）画像、又はＲＯＩより暗い背景を有する画像を生成するＴＥＭイメージングモードを使用して取得された可能性がある。画像２０２のＶＮＡＮＤ構造を処理してＲＯＩを抽出することができ、その結果は画像２０４に示されている。上記のとおり、ＲＯＩの抽出は一般的にＲＯＩの外側の境界を確立することができる。
【0025】
次いで、画像２０４の抽出されたＲＯＩは、例えば、ＲＯＩのモデルを初期化するなど、画像２０２上に距離マップを形成するためのテンプレートとして使用され得る。距離マップは、ＲＯＩの中心にあり、画像２１２に示すように、アクティブな輪郭の初期配置の境界を定めるために使用できる。さらに、画像２１８に示されているＲＯＩのモデルは、画像２１２の最内側と最外側の破線で示されている内側と外側の境界を確立するために使用される。画像２１２のアクティブな輪郭は、シーケンス１００のボックス１０６に示されるように、ＲＯＩエンハンスの処理を経た画像上に、ＲＯＩ内の領域にエネルギー値を提供するマルチスケールデータセットの生成とともに配置され得る。アクティブな輪郭は、例えば、抽出されたＲＯＩの外側だがＲＯＩ内の背景から遠ざかる距離に配置できる。さらに、画像２１８に示されているＲＯＩのモデルは、画像２１２の最内側と最外側の破線で示されている内側と外側の境界を確立するために使用される。
【0026】
アクティブな輪郭を配置した後、マルチスケールデータセットに基づいて最適化することができる。アクティブな輪郭を最適化した後、ボックス２２０に示すように、画像２０２に示すＶＮＡＮＤの層で計測を実行することができる。
【0027】
図３は、本開示の実施形態に係る、画像を処理し、画像内の一つ又は複数の特徴に対して計測を実行するための例示的な方法３００である。図１及び２に少なくとも部分的に示されている方法３００は、いくつか例を挙げると、ＳＥＭ、ＴＥＭ、ＳＴＥＭなどの荷電粒子顕微鏡で得られた画像に対して実行することができる。しかし、荷電粒子画像の使用は、本明細書で開示される技術を限定するものではない。さらに、方法３００は、画像ツールハードウェア、ネットワークを介して画像ツールに接続された一つ又は複数のサーバー、ユーザーのデスクトップワークステーション、又はそれらの組み合わせによって実行され得る。一般的に、方法３００は、技術のライブラリから自動的に選択された一つ又は複数の画像処理技術を実施して、正確かつ自律的に測定できる画像に到達し、例えば、画像の一つ又は複数の特徴に対して計測を実行する。
【0028】
方法３００は、画像の前処理を含む処理ブロック３０１で開始することができる。一般的に、アクティブな輪郭を使用してＲＯＩ内の境界を識別して、それらの境界を形成する層の計測につながる前に、画像にコントラストと鮮明度をエンハンスする処理が行われる場合がある。前処理には、ＲＯＩの抽出、コントラスト／領域の鮮明度のエンハンス、ＳＮＲの改善、又は、領域境界の区別若しくは検出という複数のプロセスが含まれる。画像エンハンスは、ＲＯＩ内でのみ、又は画像全体にわたって実行することができ、本開示の非限定的な態様である。もちろん、エンハンスをＲＯＩ内に限定することで、方法３００全体のプロセス時間と効率を改善できる。
【0029】
処理ブロック３０１のオプションのサブステップである処理ブロック３０３は、画像から関心領域を抽出することを含む。画像は、画像１０２、２０２などの最初に取得された画像であってもよく、又は元の画像の切り取られた部分であってもよい。プロセス３００は、入力画像の画像データとともに、入力画像に関するメタ情報も受信し、メタ情報は、データタイプ（例えば、イメージングモード）、ピクセルサイズ、又は画像に関する他のデータを含む。メタ情報は、方法３００の画像処理ステップ、例えば少なくともステップ３０１及び３０３でどの画像処理技術を実施するかを自動的に決定する際の補助として使用され得る。画像に添付されたメタ情報は、前処理フィルタを処理ブロック３０１で実装して、それらのパラメーターを画像のイメージングモードに自動調整する。解像度は、どの材料層を正確にセグメント化するかを決定する際に役立つ。例えば、画像の解像度が低い場合、厚さが１ナノメートル又は２ナノメートルしかない材料層には、正確に処理するのに十分なピクセルがない場合がある。解像度にも関連するピクセルサイズは、データを標準ピクセルサイズに正規化してプロセスを自動化し、ピクセル単位ではなく標準ＭＫＩ単位で測定値を生成するために必要になる場合がある。
【0030】
ＲＯＩの抽出に使用できる画像処理技術は、多数ある。以下には、実装可能な技術の非排他的なリストが含まれているが、使用される技術は、本開示の非限定的な側面である：線形等方性拡散、コントラストのエンハンスのためのヒストグラム操作、自動しきい値処理、コンポーネントラベリング、問題固有のサイズ形状基準、部分的表現の検出及び除去など。これらは、自動的に選択され、適用される。ＲＯＩの抽出は、追加の画像処理又は計測が実行される大まかな境界を提供する。
【0031】
処理ブロック３０３の後に、処理ブロック３０５が続くことがあり、これは少なくとも画像内のＲＯＩをエンハンスさせることを含む。一般的に、エンハンスは、データプロパティの標準化を取得し、ＲＯＩ内の領域境界の検出を向上するために実行される。さらに、このエンハンスにより、画像のコントラスト、信号対雑音比（ＳＮＲ）、領域の鮮明度、領域の境界の識別及び検出が向上される場合がある。領域境界の識別及び検出は、実装された画像フィルタリング技術で必要とされる可能性のあるデカルト空間又は極空間などの異なる表現空間にデータを変換するかしないかにかかわらず実行できる。
【0032】
いくつかの実施形態では、処理ブロック３０５は、二つの工程段階に分割することができ、コントラスト又はＳＮＲが一つのステップ（ステップＡ）で改善され、領域の鮮明度及び領域境界の識別かつ検出の向上は別のステップ（ステップＢ）で実行される。ステップＡを実装するために、ヒストグラム操作、線形及び非線形コントラストのエンハンス、局所的な低周波データ分布に基づくデータ正規化、ガンマ補正、対数補正、輝度補正など、多くの画像操作アルゴリズムを選択できる。選択されたアルゴリズムは、少なくとも画像のＲＯＩに自動的に適用され、少なくともメタ情報に基づいて選択される。ステップＡは、データプロパティの標準化ステップも実行することに留意されたい。
【0033】
同様に、ステップＢには、少なくともメタ情報に基づいて、自動的に実装される類似のアルゴリズムのグループから一つ又は複数のアルゴリズムを選択することが含まれる。実装アルゴリズムは、反応拡散フィルタリング、アドプティブ等方性（ａｄｏｐｔｉｖｅ ｉｓｏｔｒｏｐｉｃ）及び異方性拡散、中央値フィルタリング、非線形拡散に基づくＭｕｍｆｏｒｄ－Ｓｈａｈモデル、バックグラウンド抑制及びエッジ／境界抽出、オブジェクト境界のコヒーレンス強化フィルタリング、及び振幅機能、テクスチャ（Ｇａｂｏｒ、Ｈａｒａｌｉｃｋ、Ｌａｗｓ、ＬＣＰ、ＬＢＰなど）技法のアプリケーションから選択できる。いくつかの実施形態では、利用可能な場合、エネルギー分散型Ｘ線分光法（ＥＤＸ）、電子エネルギー損失分光法（ＥＥＬＳ）などの別の画像診断技法を使用して、領域境界を区別することができる。他の画像診断技術の使用に関するより詳細な議論は、以下に含まれる。
【0034】
処理ブロック３０１の後に、少なくともＲＯＩのマルチスケールデータセットの生成を含む処理ブロック３０７が続く場合がある。マルチスケールデータセットは、ガウススケール空間、幾何学的スケール空間、非線形スケール空間、適応形状スケール空間など、いくつかのスケール空間の一つ又は複数で生成される。マルチスケールデータセットの生成に使用される一つ又は複数のスケール空間は、複数のアクティブな輪郭を最適化するために使用される。アクティブな輪郭は、各スケールレベルで初期化又は最適化され、元のスケールレベルでＲＯＩ内の境界を決定する。したがって、マルチスケールデータセットは、アクティブな輪郭を最適化し、ＲＯＩのセクション間の境界を識別するための基礎となる。
【0035】
処理ブロック３０７の後に、少なくともＲＯＩのモデルを初期化することを含む処理ブロック３０９が続く場合がある。処理ブロック３０９は、ＲＯＩの第１及び第２の境界を形成するためにＲＯＩの一般的なモデルを初期化する。追加処理は、主にモデルによって設定された境界内で実行される。モデルは、バイナリラベルマップ、インタラクティブマップ、距離マップ、ＣＡＤマップ、データからの統計モデル、ダイキャスト、幾何学的形状のランダム分布、幾何モデルなどから選択された一つ又は複数の手法に基づいて作成できる。画像２１８に示されている距離マップは、初期モデルの例を示している。処理ブロック３０９は、処理ブロック３０５及び３０７と並行して実行することができ、処理ブロック３０７に続く必要はないことに留意されたい。さらに、処理ブロック３０７で初期化されたモデルは、元の画像あるいはエンハンスされた画像のいずれかに基づいてもよい。
【0036】
処理ブロック３０９の後に、処理ブロック３１１が続き、これは、エンハンスされたＲＯＩ内の複数のアクティブな輪郭を最適化して、エンハンスされたＲＯＩ内の特徴の境界を特定することを含む。アクティブな輪郭を最適化するプロセス、又はアクティブな輪郭を最適化することを可能にするプロセスは、アクティブな輪郭の第１の複数（ｆｉｒｓｔ ｐｌｕｒａｌｉｔｙ）の初期化から始まり得る。ここで、第１の複数（ｆｉｒｓｔ ｐｌｕｒａｌｉｔｙ）は、最適化後に残っている数よりも大きく、ＲＯＩ内の境界よりも大きい数である。ＲＯＩ内の境界の数及び／又はＲＯＩ内のそれらの位置に関する先験的な（ｐｒｉｏｒｉ）知識の欠如により、境界よりも多くのアクティブな輪郭を初期化することが実行され得る。初期化されたアクティブな輪郭は、すべて最適化されるが、同じ境界へ最適化することにより結びつきやすい輪郭がある一方で、ＲＯＩ内の異なる境界への最適化などの誤った最適化により削除される可能性のある輪郭もある。したがって、最適化されたアクティブな輪郭は、ＲＯＩ内の様々なセクション／材料を分離する境界を識別し、特定する。
【0037】
アクティブな輪郭を初期化又は最適化するプロセスは、処理ブロック３０７で生成されたマルチスケールデータセットの各スケールレベルで、及びそれに基づいて実行される反復処理であり得る。例えば、アクティブ輪郭の最初の初期化又は最適化は、エンハンスされたＲＯＩ画像のスケールの第４レベルで実行され、スケールの第４レベルは、元のエンハンスされたＲＯＩ画像の１／１６の分解能を有する。スケール画像の第４レベルに最適なアクティブ輪郭は、その後、スケール画像の第３レベル、例えば、最適化を許可された１／８解像度画像で初期アクティブ輪郭になる。このプロセスは、元のスケールイメージのアクティブな輪郭が初期化又は最適化されるまで繰り返し実行される。これにより、ＲＯＩ内で要求される境界を識別し、特定する。
【0038】
処理ブロック３１１の後に、処理ブロック３１３が続くことがあり、これは、最適化された複数のアクティブな輪郭に基づいて元の画像内のＲＯＩに対して計測を実行することを含む。計測は、異なる境界間の距離に基づいて異なるセクションの幅の測定値を提供し、さらに境界の全体的な形状に関する情報を提供する。いくつかの実施形態では、計測は、セグメント化された、例えば識別されたセクションの幾何学的分析、又は輪郭を使用してもよい。計測後、得られたデータは、統計的推論、仮説生成、欠陥検出、プロセス制御、時間分析、予測、その他のアプリケーションに使用できる。
【0039】
図４は、本開示の実施形態に係る、ＲＯＩ内の複数のアクティブな輪郭を最適化する方法４００である。方法４００は、ステップ３１１などの方法３００と併せて実施することができ、ステップ３１１の一実施例を提供することができる。方法４００は、画像のマルチスケールデータセットの生成を含む処理ブロック４０１で開始することができる。マルチスケールデータセットには、複数の解像度レベルのデータセットが含まれ、いくつか例を挙げると、ガウス、幾何、非線形、適応形状のスケール空間などの複数（ｐｌｕｒａｌｉｔｙ）のスケール空間のそれぞれが含まれる。もちろん、他のスケール空間も実装できる。マルチスペースデータセットは、方法３００の処理ブロック３０１によって生成されたエンハンスされた画像から生成される。エンハンスされた画像を使用することにより、境界がより明確に定義され、マルチスケールデータセットで強調表示及び平滑化される。処理ブロック４０１の後に、処理ブロック４０３が続く場合があり、これは各スケール空間について方法４００の残りの部分を完了するように指示する。
【0040】
各スケール空間について、処理ブロック４０５又は４０７は、各解像度レベルに対して実行され得る。また、スケール空間のすべての解像度レベルが実行されると、最適化されたアクティブな輪郭は、後続のスケール空間の最初のアクティブな輪郭として使用できる。もちろん、これは限定的なものではなく、各スケール空間はアクティブな輪郭の新しいセットで始まる場合がある。
【0041】
処理ブロック４０３の後に、処理ブロック４０５が続くことがあり、これはＲＯＩ上の複数のアクティブな輪郭を初期化することを含む。これがスケール空間の処理ブロック４０３の初期性能である場合、複数のアクティブな輪郭は、最低解像度レベルのデータで初期化される。最低解像度レベルは、画像の初期品質に依存してもよいが、１／１６解像度以下とすることができる。しかしながら、使用される最低レベルは、本開示の非限定的な態様である。これが最低レベルの解像度画像でない場合、初期化されたアクティブな輪郭は、例えば処理ブロック４０５又は４０７の処理前の反復などの、より低い解像度レベルの画像からの最適化されたアクティブな輪郭になる。
【0042】
各スケール空間内の異なる解像度の画像でのＲＯＩの画像は、解像度のレベルに基づいた量に応じてぼやけている（ｂｌｕｒｒｅｄ）として特徴付けられ、解像度が低いほどより多くのぼやけ（ｂｌｕｒｒｉｎｇ）が生じる。エンハンスされた画像の境界をぼかす（ｂｌｕｒｒｉｎｇ）ことにより、アクティブな輪郭のエネルギーバンドが大きくなり、それに応じて最適化される。また、より高いレベルのデータセットでは、ぼやけ（ｂｌｕｒ）が少ないため、最適化のためのエネルギーバンドがより狭くなることに留意されたい。したがって、低解像度で最適化されたアクティブな輪郭を連続して使用することにより、アクティブな輪郭は段階的な方法により最大解像度に最適化される。
【0043】
処理ブロック４０５の後に、処理ブロック４０７が続くことがあり、これは複数のアクティブな輪郭を最適化することを含む。アクティブな輪郭の最適化により、アクティブな輪郭は、各解像度レベルが提供する平滑化された境界の中央に移動／定着する。処理ブロック４０５及び４０７が繰り返し実行されると、アクティブな輪郭は、階段状の関数で最適化され、最終的に元の解像度画像の境界に最適化され、画像内の一つ又は複数の境界を特定する。
【0044】
処理ブロック４０７の後に、処理ブロック４０９が続き、これはスケール空間のすべての解像度レベルが完了したどうかを判定する。「いいえ」の場合、処理ブロック４０５及び４０７が次の解像度レベルの画像について繰り返される。「はい」の場合、方法４００は、処理ブロック４１１に進み、すべてのスケール空間が完了したかどうかを判定する。「いいえ」の場合、プロセスは処理ブロック４０３に戻り、「はい」の場合、処理ブロック４１３で終了となる。方法４００の完了は、エンハンスされた画像のＲＯＩ内のすべての境界を特定して識別し、その後、元の画像の領域／境界に重ねる（ｏｖｅｒｌａｉｄ）又は関連付けられてもよい。
【0045】
図５は、本開示の実施形態に係る、例示的な画像シーケンス５００である。画像シーケンス５００は、計測を固定するためのアクティブな輪郭を初期化又は最適化するために使用できる別のプロセスを示している。画像５０２は、他の二つのＶＮＡＮＤの部分とともに、ＶＮＡＮＤの元の画像を含む。画像５２２は、画像５０２に示されているのと同じＶＮＡＮＤ上のＥＤＸデータを示す。画像５２２に見られるように、化学分析を提供するＥＤＸデータは、ＶＮＡＮＤの異なるリングを形成する材料間の変化を示す。この化学情報を使用して、ＶＮＡＮＤ内の境界の数とそれらの各境界のおおよその位置を決定できる。
【0046】
いくつかの実施形態では、ＥＤＸデータは、画像５２２に示されるような広域スキャンによって提供され得る。しかし、このような広域スキャンは、より迅速で効率的な単純なＥＤＸラインスキャンに置き換えることができる。ＥＤＸラインスキャンは、ＶＮＡＮＤ又は画像化された構造全体で実行され、構造の直径全体の各リングの境界を識別する。
【0047】
次いで、画像５２２のＥＤＸデータを使用して、指示された境界でアクティブな輪郭のそれぞれの数を初期化し、境界の位置に従ってそれらを画像５２２上に配置することができる。アクティブな輪郭が配置されると、最適化が許可される。アクティブな輪郭の最適化では、境界の位置をより正確に識別する必要がある。いくつかの実施形態では、ＥＤＸデータによって識別された境界は、最適化のためにそれぞれの数のアクティブな輪郭を配置するために使用される。例えば、ＥＤＸデータが七つの境界を示す場合、七つのアクティブな輪郭が初期化され、各アクティブな輪郭は一つの識別された境界の位置で初期化される。他の実施形態では、エンハンスされた画像データを使用してマルチスケールデータセットを生成し、それがアクティブな輪郭の初期化及び最適化の基礎となる。しかし、そのような実施形態では、初期化されたアクティブな輪郭の数と位置は、ＥＤＸデータによって識別される境界に基づいている。
【0048】
画像５１４に見られるように、最適化されたアクティブ輪郭は、ブロック５１６に示されるように、計測を実行するための基礎を提供するために、元の画像５０２又は画像５０２のエンハンス版に重ね（ｏｖｅｒｌａｉｄ）られ得る。
【0049】
図６は、本開示の実施形態に係る、例示的な方法６００である。方法６００は、画像シーケンス５００によって少なくとも部分的に示されており、セクション境界の決定及び計測の固定を補助するために、画像を形成するために使用されたものとは異なる画像診断技法を含む。本開示は、異なる技法としてＥＤＸを使用しているが、例えばＥＥＬＳなどの他の技法も使用され得る。方法６００は、サンプルの少なくともＲＯＩの画像を取得することを含む処理ブロック６０１で開始することができる。画像は、ＳＥＭ、ＴＥＭ、ＳＴＥＭ、又は第１の画像技術と呼ばれることがある他の画像技術を使用して取得することができる。荷電粒子顕微鏡の場合、画像は、サンプルを通過する電子（例えば、ＴＥＭ又はＳＴＥＭ）、二次電子（例えば、ＳＥＭ）、及び／又は後方散乱電子（例えば、ＳＥＭ）に基づくグレースケール画像である場合がある。もちろん、画像は光学顕微鏡からも取得できる。
【0050】
処理ブロック６０１の後に、処理ブロック６０３が続くことがあり、これは少なくともＲＯＩに対して第２の画像技術を実行することを含む。第２の画像技術は、第１の画像技術とは異なる任意の画像／分析技法であり得る。いくつかの実施形態では、第２の画像技術は、ＥＤＸなどの化学分析ツールであることが望ましい場合がある。ＥＤＸを第２の画像技術の例として使用すると、ＥＤＸデータは材料の変化を化学的に示す。材料のこれらの変更により、ＲＯＩ内の境界の近似値が提供される。ＥＤＸを第２の画像技術として使用すると、ＲＯＩ全体の二次元エリアスキャンとして、又はＲＯＩ全体のラインスキャンとして実行できる。
【0051】
処理ブロック６０３の後に、処理ブロック６０５が続くことがあり、これは、取得画像のＲＯＩ内の複数のアクティブな輪郭を初期化することを含み、取得画像は、第１の画像技術を使用して取得される。いくつかの実施形態では、取得画像は、追加の画像処理を受けていない最初に取得された画像である。しかし、他の実施形態では、複数のアクティブな輪郭は、境界がより明確になるように、第２の画像技術を使用して画像化するとともに、コントラスト、ＳＮＲ、鮮明度などを向上するために処理されたエンハンスされた画像上で初期化されてもよい。さらに別の実施形態では、複数のアクティブな輪郭は、上述したように、一つ又は複数のスケール空間の一連の解像度調整画像上で反復的かつ再帰的に初期化又は最適化され得る。しかし、方法３００及び４００などの先の方法は、境界があったよりも多数のアクティブな輪郭を初期化したが、方法６００では、第２の画像技術はＲＯＩ内にある多数の境界を提供する。したがって、方法６００におけるアクティブな輪郭の初期化は、第２の画像技術によって識別される境界があるので、アクティブな輪郭のそれぞれの数を初期化することを含む。さらに、処理ブロック６０５で初期化されたアクティブな輪郭は、第２の画像技術データによって決定された位置で初期化される。
【0052】
処理ブロック６０５の後に、処理ブロック６０７が続き、これは、ＲＯＩ内の複数のアクティブな輪郭を最適化して、ＲＯＩ内の特徴の境界を特定することを含む。アクティブな輪郭の最適化は、方法３００及び／又は４００に関して前述したように実行されてもよいが、第２の画像技術データに基づいて実行されてもよい。最適化プロセスに関係なく、処理ブロック６０５は、ＲＯＩ内の境界に関する識別及び位置情報をもたらし、境界は、図５のＶＮＡＮＤなどのＲＯＩ内の異なる材料間のインターフェースである。
【0053】
処理ブロック６０７の後に、処理ブロック６０９が続き、これは、最適化された複数のアクティブな輪郭に基づいてＲＯＩ内の特徴に対する計測を実行することを含む。計測は、特徴の寸法、ＲＯＩ内の特徴の全体形状、プロセス制御や欠陥に関する情報、その他の望ましい測定ベースの情報など、ＲＯＩ内の特徴の様々な側面の測定を提供する。
【0054】
一実施形態によれば、本明細書に記載される技術は、一つ又は複数の特殊目的の計算装置によって実装される。特殊目的の計算装置は、技術を実行するために、ハードワイヤードであるか、一つ又は複数の特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、又はネットワーク処理ユニット（ＮＰＵ）などのデジタル電子デバイスを含む場合があり、技術を実行するために、永続的にプログラムされているか、ファームウェア、メモリ、その他のストレージ、又は組み合わせのプログラム命令に従って技術を実行するようにプログラムされている一つ又は複数の汎用ハードウェアプロセッサ又はグラフィック処理ユニット（ＧＰＵ）を含む場合がある。このような特殊目的の計算装置は、カスタムハードワイヤードロジック、ＡＳＩＣ、ＦＰＧＡ、又はＮＰＵとカスタムプログラミングを組み合わせて、技術を実現することもできる。特殊目的の計算装置は、デスクトップコンピューターシステム、ポータブルコンピューターシステム、携帯用デバイス、ネットワークデバイス、又は技術を実装するためのハードワイヤード及び／又はプログラムロジックを組み込むその他のデバイスである。いくつかの実施形態では、特殊目的の計算装置は、荷電粒子顕微鏡の一部であっても、顕微鏡及び他のユーザー計算装置に接続されていてもよい。
【0055】
例えば、図７は、本発明の実施形態が実装され得るコンピュータシステム７００を示すブロック図である。コンピュータシステム７００は、図８に示される荷電粒子環境に含まれるコンピュータハードウェアの一例であり得る。コンピュータシステム７００は、少なくとも、情報を通信するためのバス若しくは他の通信機構、及び情報を処理するためにバス（図示せず）に接続されたハードウェアプロセッサ７３０を含む。ハードウェアプロセッサ７３０は、例えば、汎用マイクロプロセッサであり得る。コンピュータシステム７００は、方法３００、４００及び／又は６００など、本明細書で開示される方法及び技術を実装するために使用され得、画像を取得し、一つ又は複数のフィルタ／アルゴリズムで前記画像を処理するためにも使用され得る。
【0056】
コンピュータシステム７００は、プロセッサ７３０によって実行される情報又は命令を記憶するためにバスに接続されたランダムアクセスメモリ（ＲＡＭ）又は他の動的記憶装置などのメインメモリ７３２も含む。メインメモリ７３２を使用して、プロセッサ７３０によって実行される命令の実行中に、テンポラリ変数又は他の中間情報を記憶することもできる。そのような命令は、プロセッサ７３０にアクセス可能な非一時的記憶媒体に記憶されると、コンピュータシステム７００を、命令で指定された動作を実行するようにカスタマイズされた専用マシンにレンダリングする。
【0057】
コンピュータシステム７００は、静的情報及びプロセッサ７３０に対する命令を記憶するために、バス７４０に接続された読み取り専用メモリ（ＲＯＭ）７３４又は他の静的記憶装置をさらに含み得る。磁気ディスク又は光学ディスクなどの記憶装置７３６が提供され、かつ情報及び命令を記憶するためにバス７４０に接続される。
【0058】
コンピュータシステム７００は、情報をコンピュータユーザーに表示するために、バスを介して陰極線管（ＣＲＴ）などのディスプレイに接続されてもよい。英数字及び他のキーを含む入力装置は、プロセッサ７３０に情報及びコマンド選択を通信するためにバスに接続されている。別の種類のユーザー入力装置は、方向情報及び命令選択をプロセッサ７３０に通信し、かつ表示器上のカーソル移動を制御するための、マウス、トラックボール、又はカーソル方向キーなどのカーソル制御である。この入力装置は一般的に、装置が平面内の位置を指定することを可能にする、二つの軸、すなわち、第１の軸（例えば「ｘ」）及び第２の軸（例えば「ｙ」）における二方向の自由度を有する。
【0059】
コンピュータシステム７００は、カスタマイズされたハードワイヤードロジック、一つ又は複数のＡＳＩＣ又はＦＰＧＡ、ファームウェア及び／又はコンピュータシステムと組み合わせてコンピュータシステム７００を専用マシンにするプログラムロジックを使用して、本明細書に記載の技術を実装してもよい。一実施形態によれば、本明細書の技術は、メインメモリ７３２に含まれる一つ又は複数の命令の一つ又は複数のシーケンスを実行するプロセッサ７３０に応答して、コンピュータシステム７００によって実行される。そのような命令は、記憶装置７３６などの別の記憶媒体からメインメモリ７３２に読み込まれてもよい。メインメモリ７３２に含まれる命令のシーケンスの実行により、プロセッサ７３０は、本明細書に記載される工程段階を実行する。代替的な実施形態では、ソフトウェア命令の代わりに、又はソフトウェア命令と組み合わせて、ハードワイヤード回路を使用してもよい。
【0060】
本明細書で使用される「記憶媒体（ｓｔｏｒａｇｅ ｍｅｄｉａ）」という用語は、機械を特定の方法で動作させるデータ及び／又は命令を記憶する任意の非一時的媒体を指す。そのような記憶媒体は、不揮発性媒体及び／又は揮発性媒体を含み得る。不揮発性媒体は、例えば、記憶装置７３６のような、光又は磁気ディスクを含む。揮発性媒体は、メインメモリ７３２のような動的メモリを含む。記憶媒体の一般的な形式は、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、ソリッドステートドライブ、磁気テープ、又はその他の磁気データ記憶媒体、ＣＤ－ＲＯＭ、その他の光学データ記憶媒体、物理穴のパターンを持つ媒体、ＲＡＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＦＬＡＳＨ－ＥＰＲＯＭ、ＮＶＲＡＭ、その他のメモリチップ若しくはカートリッジ、連想メモリ（ＣＡＭ）、及び三値連想メモリ（ＴＣＡＭ）を含む。
【0061】
記憶媒体は、伝送媒体とは異なるが、伝送媒体と組み合わせて使用してもよい。伝送媒体は、記憶媒体間の情報の転送に関与する。例えば、伝送媒体には、バスを構成するワイヤを含む、同軸ケーブル、銅線、光ファイバーが含まれる。伝送媒体は、電波や赤外線データ通信中に生成されるものなど、音響波又は光波の形態をとってもよい。
【0062】
コンピュータシステム７００は、バスに接続された通信インターフェース７３８も含む。通信インターフェース７３８は、例えばローカルネットワークに接続されたネットワークリンク（図示せず）に接続する双方向データ通信を提供する。別の例として、通信インターフェース７３８は、互換性のあるＬＡＮへのデータ通信接続を提供するローカルエリアネットワーク（ＬＡＮ）カードであってもよい。無線リンクの実装であってもよい。そのような実装では、通信インターフェース７３８は、様々なタイプの情報を表すデジタルデータストリームを運ぶ電気信号、電磁信号、又は光信号を送受信する。
【0063】
コンピュータシステム７００は、ネットワーク、ネットワークリンク、又は通信インターフェース７３８を介して、メッセージを送信し、プログラムコードを含むデータを受信することができる。インターネットの例では、サーバーは、インターネット、ＩＳＰ、ローカルネットワーク、又は通信インターフェース７３８を介して、アプリケーションプログラムに要求されたコードを送信する。
【0064】
受信されたコードは、受信時にプロセッサ７３０によって実行され、及び／又は記憶装置７３６、又は後で使用するための他の不揮発性記憶装置に記憶され得る。
【0065】
図８は、本明細書に開示された方法の少なくとも一部を、本開示の実施形態に従って実行するための例示的な荷電粒子顕微鏡環境８００である。荷電粒子顕微鏡（ＣＰＭ）環境８００は、荷電粒子顕微鏡８５０、ネットワーク８６０、ユーザーステーション８８０、又はサーバー８７０を含むことができる。ＣＰＭ環境８００の様々なコンポーネントは、ユーザーの場所と同じ場所に配置するか、あるいは分散させることができる。さらに、コンポーネントのいくつか又はすべては、本明細書で開示される方法を実行するためのコンピュータシステム７００などのコンピュータシステムを含むことになる。もちろん、ＣＰＭ環境は、開示された技術を実装するための単なる例示的な動作環境であり、前記技術の実装を制限するものとみなされるべきではない。
【0066】
ＣＰＭ８５０は、ＴＥＭ、ＳＥＭ、ＳＴＥＭ、デュアルビームシステム、又は集束イオンビーム（ＦＩＢ）システムなどの任意のタイプの荷電粒子顕微鏡であってもよい。デュアルビームシステムは、ＳＥＭとＦＩＢの組み合わせであり、画像化又は材料除去／堆積の両方が可能である。もちろん、顕微鏡のタイプは、本開示の非限定的な態様であり、本明細書に開示される技術は、他の形態の顕微鏡検査及び画像化によって得られた画像にも実装され得る。ＣＰＭ８５０を使用して、本明細書で開示される方法で処理するためにそこに含まれるサンプル及びＲＯＩの画像を取得することができる。しかし、開示された方法は、他の顕微鏡によって得られた画像に対してもＣＰＭ環境８００によって実装され得る。
【0067】
ネットワーク８６０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）、インターネットなどの任意のタイプのネットワークであり得る。ネットワーク８６０は、開示された技術を実施するためにデータ及び処理コードが様々なコンポーネントに送信されるように、ＣＰＭ環境８００の他のコンポーネント間に接続されてもよい。例えば、ユーザーステーション８８０のユーザーは、開示された技術に従って処理するために、画像をＣＰＭ８５０から受信することができる。次に、ユーザーは、画像処理及び計測を実行するために、直接又はネットワーク８６０を介して、サーバー８７０からコードを取得することができる。そうでない場合、ユーザーは、画像を直接又はネットワーク８６０を介してＣＰＭ８５０からサーバー８７０に提供することにより、プロセスを開始することができ、処理及び計測はサーバー８７０によって行われる。
【0068】
いくつかの例では、値、手順、又は装置は、「最低（ｌｏｗｅｓｔ）」、「最良（ｂｅｓｔ）」、「最小（ｍｉｎｉｍｕｍ）」などと呼ばれる。そのような表現は、多くの使用された機能的選択肢からの選択が可能であることを示すことを意図しており、そのような選択は、他の選択よりも優れている（ｂｅｔｔｅｒ）、小さい（ｓｍａｌｌｅｒ）、又はその他の点で望ましい（ｏｔｈｅｒｗｉｓｅ ｐｒｅｆｅｒａｂｌｅ）必要はない。さらに、選択された値は、数値的又は他の近似的手段によって得られてもよく、単に理論的に正しい／値に対する近似値であってもよい。
【0069】
［付記１］
関心領域の異なるセクション間の一つ又は複数の境界を含む関心領域を画像から抽出するステップと、
一つ又は複数のフィルタに基づいて、少なくとも前記抽出された関心領域をエンハンスするステップと、
前記エンハンスされた関心領域に基づいて前記関心領域のマルチスケールデータセットを生成するステップと、
前記関心領域のモデルを初期化するステップであって、前記初期化されたモデルは、前記関心領域の少なくとも第１境界及び第２境界を決定する、ステップと、
前記関心領域の前記モデルに基づき、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化するステップであって、前記最適化された複数のアクティブな輪郭は、前記関心領域内の前記一つ又は複数の境界を識別する、ステップと、そして、
前記識別された境界に基づいて前記関心領域で計測を実行するステップと、を含む方法。
［付記２］
前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化するステップが、
前記初期化されたモデルの前記第１及び第２境界内の第１の複数のアクティブな輪郭を初期化し、前記第１の複数のアクティブな輪郭には、前記関心領域内の境界よりも多くのアクティブな輪郭がある、ステップと、そして
前記第１の複数のアクティブな輪郭を前記複数のアクティブな輪郭に最適化し、前記関心領域内の一つ又は複数の境界を識別することができるステップと、を含む、付記１に記載の方法。
［付記３］
前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化するステップが、
一つ又は複数のスケール空間の各スケール空間の各画像解像度レベルに対して、前記エンハンスされた関心領域内の前記複数のアクティブな輪郭を最適化するステップを含む、付記１に記載の方法。
［付記４］
前記一つ又は複数のスケール空間が、ガウススケール空間、幾何学的スケール空間、非線形スケール空間、及び適応空間スケール空間から選択される、付記３に記載の方法。
［付記５］
前記エンハンスされた関心領域に基づいて前記関心領域のマルチスケールデータセットを生成するステップが、
ガウススケール空間、幾何学的スケール空間、非線形スケール空間、適応空間スケール空間から選択された一つ又は複数のスケール空間を使用して、前記エンハンスされた関心領域の複数の画像解像度レベルを生成するステップを含む、付記１に記載の方法。
［付記６］
前記関心領域のモデルを初期化するステップであって、前記初期化されたモデルは、前記関心領域の少なくとも第１境界及び第２境界を決定する、ステップが、
バイナリラベルマップ、インタラクティブマップ、距離マップ、ＣＡＤマップ、前記データからの統計モデル、ダイキャスト、幾何学的形状のランダム分布、又は幾何学的モデルから選択される、一つ又は複数のイメージマップに基づいて、前記関心領域の前記モデルを初期化するステップを含む、付記１に記載の方法。
［付記７］
前記関心領域のモデルを初期化するステップが、元の画像又は前記エンハンスされた関心領域に基づく、付記１に記載の方法。
［付記８］
一つ又は複数のフィルタに基づいて、少なくとも前記抽出された前記関心領域をエンハンスするステップが、
前記画像内の少なくとも前記関心領域のコントラストを改善するステップと、そして
前記画像内の少なくとも前記関心領域の信号対雑音比を改善するステップと、を含む、付記１に記載の方法。
［付記９］
前記コントラスト及び前記信号対雑音比を改善するステップが、
ヒストグラム操作、線形若しくは非線形コントラストのエンハンス、ローカルに基づくデータ正規化、低頻度のデータ分散、ガンマ補正、ログ補正、又は輝度補正から選択される、一つ又は複数のフィルタを自動的に選択して適用するステップを含む、付記８に記載の方法。
［付記１０］
一つ又は複数のフィルタに基づいて、少なくとも前記抽出された前記関心領域をエンハンスするステップが、
前記関心領域の鮮明度を改善するステップと、
前記関心領域内の前記一つ又は複数の境界の区別と検出するステップと、を含む、付記１に記載の方法。
［付記１１］
前記関心領域の鮮明度を改善し、前記関心領域内の前記一つ又は複数の境界を区別及び検出するステップが、
反応拡散フィルタリング、アドプティブ等方性（ａｄｏｐｔｉｖｅ ｉｓｏｔｒｏｐｉｃ）及び異方性拡散フィルタリング、中央値フィルタリング、非線形拡散の非線形拡散フィルタリングに基づくＭｕｍｆｏｒｄ－Ｓｈａｈモデル、バックグラウンド抑制及びエッジ／境界抽出、及びオブジェクト境界でのコヒーレンス強化フィルタリングから選択される、一つ又は複数のフィルタを自動的に選択して適用するステップを含む、付記１０に記載の方法。
［付記１２］
前記関心領域の鮮明度を改善し、前記関心領域内の前記一つ又は複数の境界を区別及び検出するステップが、
Ｇａｂｏｒ、Ｈａｒａｌｉｃｋ、Ｌａｗｓ、ＬＣＰ、又はＬＢＰから選択される、一つ又は複数の振幅又はテクスチャベースのフィルタを自動的に選択して適用するステップを含む、付記１０に記載の方法。
［付記１３］
前記関心領域の鮮明度を改善し、前記関心領域内の前記一つ又は複数の境界を区別及び検出するステップが、
エネルギー分散型Ｘ線分析技法又は電子エネルギー損失分光法技法のいずれかから選択される、分析技法を前記関心領域に適用し、前記一つ又は複数の境界の数と位置を決定するステップを含む、付記１０に記載の方法。
［付記１４］
前記一つ又は複数のフィルタが、画像のメタデータに基づいて自動的に選択及び適用され、前記画像のメタデータは、少なくともデータ型、解像度、又はピクセルサイズを含む、付記１に記載の方法。
［付記１５］
前記識別された境界に基づいて、前記関心領域で計測を実行するステップが、
前記一つ又は複数の境界で区切られた前記異なるセクションの幾何学的分析を自動的に実行するステップを含む、付記１に記載の方法。
［付記１６］
一つ又は複数のプロセッサで実行されると、前記一つ又は複数のプロセッサに以下を実行させるコードを含む、非一時的なコンピュータ可読媒体（ＣＲＭ）であって、前記コードは前記一つ又は複数のプロセッサに、
画像から関心領域を抽出させ、この領域は、前記関心領域の異なるセクション間の一つ又は複数の境界を含み、
一つ又は複数のフィルタに基づいて、少なくとも前記抽出された関心領域をエンハンスさせ、
前記エンハンスされた関心領域に基づいて前記関心領域のマルチスケールデータセットを生成させ、
前記関心領域のモデルを初期化させ、前記初期化されたモデルは、前記関心領域の少なくとも第１境界及び第２境界を決定し、
前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化させ、前記最適化された複数のアクティブな輪郭は、前記関心領域内の前記一つ又は複数の境界を識別し、そして、
前記識別された境界に基づいて前記関心領域で計測を実行させる、非一時的なコンピュータ可読媒体。
［付記１７］
実行時に、前記一つ又は複数のプロセッサに、前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化させる前記コードが、実行されると、前記一つ又は複数のプロセッサに、
前記初期化されたモデルの前記第１境界及び第２境界内で第１の複数のアクティブな輪郭を初期化させ、前記第１の複数のアクティブな輪郭には、前記関心領域内の境界よりも多くのアクティブな輪郭があり；そして、
前記第１の複数のアクティブな輪郭が前記複数のアクティブな輪郭に最適化され、前記関心領域内の前記一つ又は複数の境界を識別することを可能にさせるコードをさらに含む、付記１６に記載のコンピュータ可読媒体。
［付記１８］
実行時に、前記一つ又は複数のプロセッサに、前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化させるコードが、実行されると、前記一つ又は複数のプロセッサに、
一つ又は複数のスケール空間の各スケール空間における各画像解像度レベルについて、前記エンハンスされた関心領域内の前記複数のアクティブな輪郭を最適化させるコードをさらに含む、付記１６に記載のコンピュータ可読媒体。
［付記１９］
前記一つ又は複数のスケール空間が、ガウススケール空間、幾何学的スケール空間、非線形スケール空間、又は適応空間スケール空間から選択される、付記１８に記載のコンピュータ可読媒体。
［付記２０］
実行時に、前記一つ又は複数のプロセッサに、前記エンハンスされた関心領域に基づいて前記関心領域のマルチスケールデータセットを生成させるコードが、
ガウススケール空間、幾何学的スケール空間、非線形スケール空間、適応空間スケールから選択された一つ又は複数のスケール空間を使用して、前記エンハンスされた関心領域の複数の画像解像度レベルを生成することを、実行時に前記一つ又は複数のプロセッサに実行させるコードをさらに含む、付記１６に記載のコンピュータ可読媒体。
［付記２１］
実行時に、前記一つ又は複数のプロセッサに、前記関心領域のモデルを初期化させるコードであり、前記初期化されたモデルが、前記関心領域の少なくとも第１境界及び第２境界を決定する、コードが、実行時に前記一つ又は複数のプロセッサに、
バイナリラベルマップ、インタラクティブマップ、距離マップ、ＣＡＤマップ、データからの統計モデル、ダイキャスト、幾何学的形状のランダム分布、又は幾何学的モデルから選択した一つ又は複数の画像マップに基づいて、前記関心領域の前記モデルを初期化することを、実行させるコードをさらに含む、付記１６に記載のコンピュータ可読媒体。
［付記２２］
前記関心領域の前記初期化されたモデルが、元の前記画像又は前記エンハンスされた関心領域に基づく、付記１６に記載のコンピュータ可読媒体。
［付記２３］
実行時に、一つ又は複数のフィルタに基づいて前記一つ又は複数のプロセッサに少なくとも前記抽出された関心領域をエンハンスさせるコードには、実行時に前記一つ又は複数のプロセッサに、
前記画像内の少なくとも前記関心領域のコントラストを改善し、そして、
少なくとも前記画像内の前記関心領域の信号対雑音比を改善することを、実行させるコードがさらに含まれる、付記１６に記載のコンピュータ可読媒体。
［付記２４］
実行時に、前記一つ又は複数のプロセッサに前記コントラスト及び前記信号対雑音比を改善させるコードには、実行時に前記一つ又は複数のプロセッサに、
ヒストグラム操作、線形及び非線形コントラストのエンハンス、ローカルに基づくデータの正規化、低頻度のデータ分散、ガンマ補正、ログ補正、又は輝度補正から選択される、前記一つ又は複数のフィルタを自動的に選択して適用することを、実行させるコードがさらに含まれる、付記２３に記載のコンピュータ可読媒体。
［付記２５］
実行時に、一つ又は複数のフィルタに基づいて前記一つ又は複数のプロセッサに少なくとも前記抽出された関心領域をエンハンスさせるコードには、実行時に前記一つ又は複数のプロセッサに、
前記関心領域の鮮明度を改善し、そして
前記関心領域の前記一つ又は複数の境界を区別して検出することを、実行させるコードがさらに含まれる、付記１６に記載のコンピュータ可読媒体。
［付記２６］
実行時に、前記一つ又は複数のプロセッサに前記関心領域の鮮明度を改善させ、前記関心領域内の前記一つ又は複数の境界を区別して検出させるコードには、実行時に前記一つ又は複数のプロセッサに、
反応拡散フィルタリング、アドプティブ等方性（ａｄｏｐｔｉｖｅ ｉｓｏｔｒｏｐｉｃ）及び異方性拡散フィルタリング、中央値フィルタリング、非線形拡散フィルタリングに基づくＭｕｍｆｏｒｄ－Ｓｈａｈモデル、バックグラウンド抑制及びエッジ／境界から選択される抽出、及びオブジェクト境界でのコヒーレンス強化フィルタリングから選択される、一つ又は複数のフィルタを自動的に選択して適用することを、実行させるコードがさらに含まれる、付記２５に記載のコンピュータ可読媒体。
［付記２７］
実行時に、前記一つ又は複数のプロセッサに前記関心領域の鮮明度を改善させ、前記関心領域内の前記一つ又は複数の境界を区別して検出させるコードには、実行時に前記一つ又は複数のプロセッサに、
Ｇａｂｏｒ、Ｈａｒａｌｉｃｋ、Ｌａｗｓ、ＬＣＰ、又はＬＢＰから選択される、一つ又は複数の振幅又はテクスチャベースのフィルタを自動的に選択して適用することを、実行させるコードがさらに含まれる、付記２５に記載のコンピュータ可読媒体。
［付記２８］
実行時に、前記一つ又は複数のプロセッサに前記関心領域の鮮明度を改善させ、前記関心領域内の前記一つ又は複数の境界を区別して検出させるコードには、実行時に前記一つ又は複数のプロセッサに、
エネルギー分散型Ｘ線分析技法又は電子エネルギー損失分光技法のいずれかから選択される、分析技法を前記関心領域に適用して、前記一つ又は複数の境界の数と位置を決定することを、実行させるコードがさらに含まれる、付記２５に記載のコンピュータ可読媒体。
［付記２９］
前記一つ又は複数のフィルタが、画像のメタデータに基づいて自動的に選択及び適用され、前記画像のメタデータには、少なくともデータ型、解像度、ピクセルサイズを含む、付記１６に記載のコンピュータ可読媒体。
［付記３０］
実行時に、前記識別された境界に基づいて前記一つ又は複数のプロセッサに前記関心領域で計測を実行させるコードには、実行時に前記一つ又は複数のプロセッサに、
前記一つ又は複数の境界で区切られた様々なセクションの幾何学的分析を自動的に実行することを、実行させるコードがさらに含まれる、付記１６に記載のコンピュータ可読媒体。
関心領域の異なるセクション間の一つ又は複数の境界を含む関心領域を画像から抽出するステップと、
一つ又は複数のフィルタに基づいて、少なくとも前記抽出された関心領域をエンハンスするステップと、
前記エンハンスされた関心領域に基づいて前記関心領域のマルチスケールデータセットを生成するステップと、
前記関心領域のモデルを初期化するステップであって、前記初期化されたモデルは、前記関心領域の少なくとも第１境界及び第２境界を決定する、ステップと、
前記関心領域の前記モデルに基づき、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化するステップであって、前記最適化された複数のアクティブな輪郭は、前記関心領域内の前記一つ又は複数の境界を識別する、ステップと、そして、
前記識別された境界に基づいて前記関心領域で計測を実行するステップと、を含む方法。
［付記２］
前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化するステップが、
前記初期化されたモデルの前記第１及び第２境界内の第１の複数のアクティブな輪郭を初期化し、前記第１の複数のアクティブな輪郭には、前記関心領域内の境界よりも多くのアクティブな輪郭がある、ステップと、そして
前記第１の複数のアクティブな輪郭を前記複数のアクティブな輪郭に最適化し、前記関心領域内の一つ又は複数の境界を識別することができるステップと、を含む、付記１に記載の方法。
［付記３］
前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化するステップが、
一つ又は複数のスケール空間の各スケール空間の各画像解像度レベルに対して、前記エンハンスされた関心領域内の前記複数のアクティブな輪郭を最適化するステップを含む、付記１に記載の方法。
［付記４］
前記一つ又は複数のスケール空間が、ガウススケール空間、幾何学的スケール空間、非線形スケール空間、及び適応空間スケール空間から選択される、付記３に記載の方法。
［付記５］
前記エンハンスされた関心領域に基づいて前記関心領域のマルチスケールデータセットを生成するステップが、
ガウススケール空間、幾何学的スケール空間、非線形スケール空間、適応空間スケール空間から選択された一つ又は複数のスケール空間を使用して、前記エンハンスされた関心領域の複数の画像解像度レベルを生成するステップを含む、付記１に記載の方法。
［付記６］
前記関心領域のモデルを初期化するステップであって、前記初期化されたモデルは、前記関心領域の少なくとも第１境界及び第２境界を決定する、ステップが、
バイナリラベルマップ、インタラクティブマップ、距離マップ、ＣＡＤマップ、前記データからの統計モデル、ダイキャスト、幾何学的形状のランダム分布、又は幾何学的モデルから選択される、一つ又は複数のイメージマップに基づいて、前記関心領域の前記モデルを初期化するステップを含む、付記１に記載の方法。
［付記７］
前記関心領域のモデルを初期化するステップが、元の画像又は前記エンハンスされた関心領域に基づく、付記１に記載の方法。
［付記８］
一つ又は複数のフィルタに基づいて、少なくとも前記抽出された前記関心領域をエンハンスするステップが、
前記画像内の少なくとも前記関心領域のコントラストを改善するステップと、そして
前記画像内の少なくとも前記関心領域の信号対雑音比を改善するステップと、を含む、付記１に記載の方法。
［付記９］
前記コントラスト及び前記信号対雑音比を改善するステップが、
ヒストグラム操作、線形若しくは非線形コントラストのエンハンス、ローカルに基づくデータ正規化、低頻度のデータ分散、ガンマ補正、ログ補正、又は輝度補正から選択される、一つ又は複数のフィルタを自動的に選択して適用するステップを含む、付記８に記載の方法。
［付記１０］
一つ又は複数のフィルタに基づいて、少なくとも前記抽出された前記関心領域をエンハンスするステップが、
前記関心領域の鮮明度を改善するステップと、
前記関心領域内の前記一つ又は複数の境界の区別と検出するステップと、を含む、付記１に記載の方法。
［付記１１］
前記関心領域の鮮明度を改善し、前記関心領域内の前記一つ又は複数の境界を区別及び検出するステップが、
反応拡散フィルタリング、アドプティブ等方性（ａｄｏｐｔｉｖｅ ｉｓｏｔｒｏｐｉｃ）及び異方性拡散フィルタリング、中央値フィルタリング、非線形拡散の非線形拡散フィルタリングに基づくＭｕｍｆｏｒｄ－Ｓｈａｈモデル、バックグラウンド抑制及びエッジ／境界抽出、及びオブジェクト境界でのコヒーレンス強化フィルタリングから選択される、一つ又は複数のフィルタを自動的に選択して適用するステップを含む、付記１０に記載の方法。
［付記１２］
前記関心領域の鮮明度を改善し、前記関心領域内の前記一つ又は複数の境界を区別及び検出するステップが、
Ｇａｂｏｒ、Ｈａｒａｌｉｃｋ、Ｌａｗｓ、ＬＣＰ、又はＬＢＰから選択される、一つ又は複数の振幅又はテクスチャベースのフィルタを自動的に選択して適用するステップを含む、付記１０に記載の方法。
［付記１３］
前記関心領域の鮮明度を改善し、前記関心領域内の前記一つ又は複数の境界を区別及び検出するステップが、
エネルギー分散型Ｘ線分析技法又は電子エネルギー損失分光法技法のいずれかから選択される、分析技法を前記関心領域に適用し、前記一つ又は複数の境界の数と位置を決定するステップを含む、付記１０に記載の方法。
［付記１４］
前記一つ又は複数のフィルタが、画像のメタデータに基づいて自動的に選択及び適用され、前記画像のメタデータは、少なくともデータ型、解像度、又はピクセルサイズを含む、付記１に記載の方法。
［付記１５］
前記識別された境界に基づいて、前記関心領域で計測を実行するステップが、
前記一つ又は複数の境界で区切られた前記異なるセクションの幾何学的分析を自動的に実行するステップを含む、付記１に記載の方法。
［付記１６］
一つ又は複数のプロセッサで実行されると、前記一つ又は複数のプロセッサに以下を実行させるコードを含む、非一時的なコンピュータ可読媒体（ＣＲＭ）であって、前記コードは前記一つ又は複数のプロセッサに、
画像から関心領域を抽出させ、この領域は、前記関心領域の異なるセクション間の一つ又は複数の境界を含み、
一つ又は複数のフィルタに基づいて、少なくとも前記抽出された関心領域をエンハンスさせ、
前記エンハンスされた関心領域に基づいて前記関心領域のマルチスケールデータセットを生成させ、
前記関心領域のモデルを初期化させ、前記初期化されたモデルは、前記関心領域の少なくとも第１境界及び第２境界を決定し、
前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化させ、前記最適化された複数のアクティブな輪郭は、前記関心領域内の前記一つ又は複数の境界を識別し、そして、
前記識別された境界に基づいて前記関心領域で計測を実行させる、非一時的なコンピュータ可読媒体。
［付記１７］
実行時に、前記一つ又は複数のプロセッサに、前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化させる前記コードが、実行されると、前記一つ又は複数のプロセッサに、
前記初期化されたモデルの前記第１境界及び第２境界内で第１の複数のアクティブな輪郭を初期化させ、前記第１の複数のアクティブな輪郭には、前記関心領域内の境界よりも多くのアクティブな輪郭があり；そして、
前記第１の複数のアクティブな輪郭が前記複数のアクティブな輪郭に最適化され、前記関心領域内の前記一つ又は複数の境界を識別することを可能にさせるコードをさらに含む、付記１６に記載のコンピュータ可読媒体。
［付記１８］
実行時に、前記一つ又は複数のプロセッサに、前記関心領域の前記モデルに基づいて、さらに前記マルチスケールデータセットに基づいて、前記エンハンスされた関心領域内の複数のアクティブな輪郭を最適化させるコードが、実行されると、前記一つ又は複数のプロセッサに、
一つ又は複数のスケール空間の各スケール空間における各画像解像度レベルについて、前記エンハンスされた関心領域内の前記複数のアクティブな輪郭を最適化させるコードをさらに含む、付記１６に記載のコンピュータ可読媒体。
［付記１９］
前記一つ又は複数のスケール空間が、ガウススケール空間、幾何学的スケール空間、非線形スケール空間、又は適応空間スケール空間から選択される、付記１８に記載のコンピュータ可読媒体。
［付記２０］
実行時に、前記一つ又は複数のプロセッサに、前記エンハンスされた関心領域に基づいて前記関心領域のマルチスケールデータセットを生成させるコードが、
ガウススケール空間、幾何学的スケール空間、非線形スケール空間、適応空間スケールから選択された一つ又は複数のスケール空間を使用して、前記エンハンスされた関心領域の複数の画像解像度レベルを生成することを、実行時に前記一つ又は複数のプロセッサに実行させるコードをさらに含む、付記１６に記載のコンピュータ可読媒体。
［付記２１］
実行時に、前記一つ又は複数のプロセッサに、前記関心領域のモデルを初期化させるコードであり、前記初期化されたモデルが、前記関心領域の少なくとも第１境界及び第２境界を決定する、コードが、実行時に前記一つ又は複数のプロセッサに、
バイナリラベルマップ、インタラクティブマップ、距離マップ、ＣＡＤマップ、データからの統計モデル、ダイキャスト、幾何学的形状のランダム分布、又は幾何学的モデルから選択した一つ又は複数の画像マップに基づいて、前記関心領域の前記モデルを初期化することを、実行させるコードをさらに含む、付記１６に記載のコンピュータ可読媒体。
［付記２２］
前記関心領域の前記初期化されたモデルが、元の前記画像又は前記エンハンスされた関心領域に基づく、付記１６に記載のコンピュータ可読媒体。
［付記２３］
実行時に、一つ又は複数のフィルタに基づいて前記一つ又は複数のプロセッサに少なくとも前記抽出された関心領域をエンハンスさせるコードには、実行時に前記一つ又は複数のプロセッサに、
前記画像内の少なくとも前記関心領域のコントラストを改善し、そして、
少なくとも前記画像内の前記関心領域の信号対雑音比を改善することを、実行させるコードがさらに含まれる、付記１６に記載のコンピュータ可読媒体。
［付記２４］
実行時に、前記一つ又は複数のプロセッサに前記コントラスト及び前記信号対雑音比を改善させるコードには、実行時に前記一つ又は複数のプロセッサに、
ヒストグラム操作、線形及び非線形コントラストのエンハンス、ローカルに基づくデータの正規化、低頻度のデータ分散、ガンマ補正、ログ補正、又は輝度補正から選択される、前記一つ又は複数のフィルタを自動的に選択して適用することを、実行させるコードがさらに含まれる、付記２３に記載のコンピュータ可読媒体。
［付記２５］
実行時に、一つ又は複数のフィルタに基づいて前記一つ又は複数のプロセッサに少なくとも前記抽出された関心領域をエンハンスさせるコードには、実行時に前記一つ又は複数のプロセッサに、
前記関心領域の鮮明度を改善し、そして
前記関心領域の前記一つ又は複数の境界を区別して検出することを、実行させるコードがさらに含まれる、付記１６に記載のコンピュータ可読媒体。
［付記２６］
実行時に、前記一つ又は複数のプロセッサに前記関心領域の鮮明度を改善させ、前記関心領域内の前記一つ又は複数の境界を区別して検出させるコードには、実行時に前記一つ又は複数のプロセッサに、
反応拡散フィルタリング、アドプティブ等方性（ａｄｏｐｔｉｖｅ ｉｓｏｔｒｏｐｉｃ）及び異方性拡散フィルタリング、中央値フィルタリング、非線形拡散フィルタリングに基づくＭｕｍｆｏｒｄ－Ｓｈａｈモデル、バックグラウンド抑制及びエッジ／境界から選択される抽出、及びオブジェクト境界でのコヒーレンス強化フィルタリングから選択される、一つ又は複数のフィルタを自動的に選択して適用することを、実行させるコードがさらに含まれる、付記２５に記載のコンピュータ可読媒体。
［付記２７］
実行時に、前記一つ又は複数のプロセッサに前記関心領域の鮮明度を改善させ、前記関心領域内の前記一つ又は複数の境界を区別して検出させるコードには、実行時に前記一つ又は複数のプロセッサに、
Ｇａｂｏｒ、Ｈａｒａｌｉｃｋ、Ｌａｗｓ、ＬＣＰ、又はＬＢＰから選択される、一つ又は複数の振幅又はテクスチャベースのフィルタを自動的に選択して適用することを、実行させるコードがさらに含まれる、付記２５に記載のコンピュータ可読媒体。
［付記２８］
実行時に、前記一つ又は複数のプロセッサに前記関心領域の鮮明度を改善させ、前記関心領域内の前記一つ又は複数の境界を区別して検出させるコードには、実行時に前記一つ又は複数のプロセッサに、
エネルギー分散型Ｘ線分析技法又は電子エネルギー損失分光技法のいずれかから選択される、分析技法を前記関心領域に適用して、前記一つ又は複数の境界の数と位置を決定することを、実行させるコードがさらに含まれる、付記２５に記載のコンピュータ可読媒体。
［付記２９］
前記一つ又は複数のフィルタが、画像のメタデータに基づいて自動的に選択及び適用され、前記画像のメタデータには、少なくともデータ型、解像度、ピクセルサイズを含む、付記１６に記載のコンピュータ可読媒体。
［付記３０］
実行時に、前記識別された境界に基づいて前記一つ又は複数のプロセッサに前記関心領域で計測を実行させるコードには、実行時に前記一つ又は複数のプロセッサに、
前記一つ又は複数の境界で区切られた様々なセクションの幾何学的分析を自動的に実行することを、実行させるコードがさらに含まれる、付記１６に記載のコンピュータ可読媒体。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【外国語明細書】