特開 2024-85473 画像処理装置、方法およびプログラム

(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】P2024085473

(43)【公開日】2024-06-27

(54)【発明の名称】画像処理装置、方法およびプログラム

(51)【国際特許分類】

   A61B 6/03 20060101AFI20240620BHJP

   G06T 7/00 20170101ALI20240620BHJP

   G06T 7/162 20170101ALI20240620BHJP

【ＦＩ】

A61B6/03 360J

A61B6/03 360T

G06T7/00 612

G06T7/00 350B

G06T7/162

【審査請求】未請求

【請求項の数】13

【出願形態】ＯＬ

(21)【出願番号】P 2022199948

(22)【出願日】2022-12-15

(71)【出願人】

【識別番号】306037311

【氏名又は名称】富士フイルム株式会社

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】流石 朗子

(72)【発明者】

【氏名】北村 嘉郎

【テーマコード（参考）】

4C093

5L096

【Ｆターム（参考）】

4C093AA22

4C093AA26

4C093CA23

4C093DA02

4C093FD03

4C093FD11

4C093FF16

4C093FF42

5L096AA03

5L096AA06

5L096BA06

5L096BA13

5L096CA18

5L096DA01

5L096FA06

5L096FA67

5L096FA74

5L096GA30

5L096GA55

5L096HA11

(57)【要約】

【課題】画像処理装置、方法およびプログラムにおいて、例えば動脈および静脈のような、医用画像に含まれる複数の管状構造を精度よく分離できるようにする。
【解決手段】プロセッサは、複数の管状構造を含む医用画像に基づいて、複数の管状構造の走行方向を表す走行ベクトルを、複数の管状構造の各画素において導出し、走行ベクトルを用いて複数の管状構造を分離する。
【選択図】図３

【特許請求の範囲】

【請求項1】

少なくとも１つのプロセッサを備え、
前記プロセッサは、
複数の管状構造を含む医用画像に基づいて、前記複数の管状構造の走行方向を表す走行ベクトルを、前記複数の管状構造の各画素において導出し、
前記走行ベクトルを用いて前記複数の管状構造を分離する画像処理装置。

【請求項2】

前記プロセッサは、前記医用画像から前記複数の管状構造の各画素における前記走行ベクトルを導出する学習済みモデルを用いて、前記走行ベクトルを導出する請求項１に記載の画像処理装置。

【請求項3】

前記プロセッサは、前記走行ベクトルに沿うように前記複数の管状構造を分離する請求項１または２に記載の画像処理装置。

【請求項4】

前記プロセッサは、第１の画素から第２の画素へ向かう方向ベクトルと、前記第１の画素および前記第２の画素の少なくとも一方における前記走行ベクトルとのなす角度に基づいて、前記第１の画素および前記第２の画素に同一のラベルが付与される可能性を判断して、前記複数の管状構造を分離する請求項３に記載の画像処理装置。

【請求項5】

前記プロセッサは、前記走行ベクトルが同一方向となるかまたは連続して変化し、かつ互いに隣接するＮ（＞３）個の画素を含む画素群を選択し、前記画素群に含まれる画素のラベルを変数とするＮ次のエネルギーを最小化することにより、グラフカット処理を用いて前記複数の管状構造を分離するに際し、
前記変数が０または１で表され、
前記画素群に含まれる画素に対応する変数のすべてが０である場合または前記画素群に含まれる画素に対応する変数のすべてが１である場合は、前記Ｎ次のエネルギーが、前記変数のすべてが０ではないとともに前記変数のすべてが１ではない場合よりも小さくなるように設定する請求項４に記載の画像処理装置。

【請求項6】

前記プロセッサは、前記同一のラベルが付与される可能性に基づく重み付け経路が最短となるＮ（＞３）個の画素を含む画素群を選択し、前記画素群に含まれる画素のラベルを変数とするＮ次のエネルギーを最小化することにより、グラフカット処理を用いて前記複数の管状構造を分離するに際し、
前記変数が０または１で表され、
前記画素群に含まれる画素に対応する変数のすべてが０である場合または前記画素群に含まれる画素に対応する変数のすべてが１である場合は、前記Ｎ次のエネルギーが、前記変数のすべてが０ではないとともに前記変数のすべてが１ではない場合よりも小さくなるように設定する請求項４に記載の画像処理装置。

【請求項7】

前記プロセッサは、前記複数の管状構造の中心に沿った複数の中心画素における走行ベクトルを導出し、
前記複数の中心画素間を結ぶエッジと前記走行ベクトルとがなす角度を最小化するように前記複数の管状構造のそれぞれを表すクラスの起始部からの最短経路木を導出し、
前記複数の中心画素について、経路がより近く、かつ前記同一のラベルが付与される可能性がより高い起始部と同一のクラスとなるように前記最短経路木を切断することにより、前記複数の管状構造を分離する請求項４に記載の画像処理装置。

【請求項8】

前記プロセッサは、前記走行ベクトルに沿う画素以外の画素は、互いに異なる管状構造に分離する請求項１または２に記載の画像処理装置。

【請求項9】

前記プロセッサは、前記走行ベクトルが交差する画素間以外の画素間に前記複数の管状構造の境界を導出するように前記複数の管状構造を分離する請求項８に記載の画像処理装置。

【請求項10】

前記プロセッサは、前記医用画像および前記走行ベクトルに基づいて、前記走行ベクトルが連続する方向の損失を最小化するように機械学習がなされた学習済みモデルを用いて前記複数の管状構造を分離する請求項９に記載の画像処理装置。

【請求項11】

前記複数の管状構造は、動脈、静脈、門脈、尿管および神経のうちの少なくとも２つを含む請求項１または２に記載の画像処理装置。

【請求項12】

複数の管状構造を含む医用画像に基づいて、前記複数の管状構造の走行方向を表す走行ベクトルを、前記複数の管状構造の各画素において導出し、
前記走行ベクトルを用いて前記複数の管状構造を分離する画像処理方法。

【請求項13】

複数の管状構造を含む医用画像に基づいて、前記複数の管状構造の走行方向を表す走行ベクトルを、前記複数の管状構造の各画素において導出する手順と、
前記走行ベクトルを用いて前記複数の管状構造を分離する手順とをコンピュータに実行させる画像処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、画像処理装置、方法およびプログラムに関する。

【背景技術】

【0002】

グラフカットの手法を用いて画像を複数の領域に分離することが行われている。例えば特許文献１には、Ｎ（＞３）個の画素が画像上で所定の図形を表すようにＮ個の画素を選択し、Ｎ個の画素の画素値を変数とするＮ次のエネルギーを最小化する高階グラフカットの手法を用いて、医用画像に含まれる動脈と静脈とを分離する手法が提案されている。特許文献１に記載された手法においては、血管を分離する場合、ある程度の長さの直線的に並ぶ画素を含む画素群がすべて同じクラスとなるようにするために、所定の図形として直線を用いて画像における動脈と静脈とを分離している。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１４－０７１７１６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１に記載された手法においては、動脈と静脈とを分離するための所定の図形として直線を用いている。しかしながら、血管は直線的に走行するのみではなく、例えば骨盤内においては湾曲して走行する部分が多い。このため、特許文献１に記載された手法では、動脈と静脈とを精度よく分離することができない。

【0005】

本開示は上記事情に鑑みなされたものであり、例えば動脈および静脈のような、医用画像に含まれる複数の管状構造を精度よく分離できるようにすることを目的とする。

【課題を解決するための手段】

【0006】

本開示による画像処理装置は、少なくとも１つのプロセッサを備え、
プロセッサは、複数の管状構造を含む医用画像に基づいて、複数の管状構造の走行方向を表す走行ベクトルを、複数の管状構造の各画素において導出し、
走行ベクトルを用いて複数の管状構造を分離する。

【0007】

「各画素」は、管状構造のすべての画素であってもよく、画素を間引いた画素であってもよい。画素は等間隔で間引いてもよく、管状構造内において間引く間隔を変更してもよい。例えば管状構造の中心ほど管状構造の中心から離れた値と比較して間引く間隔を小さくしてもよい。

【0008】

「走行ベクトル」とは、管状構造が存在する方向を表すベクトルである。本開示において、同一方向を向くベクトルは同一方向の走行ベクトルとして扱う。また、１８０度反対の方向を向く２つのベクトル、すなわち基準方向に対する角度のコサインを算出した場合に同一の値となる２つのベクトルは、双方のベクトルともに管状構造が存在する方向を向く。このため、本開示においては、このような１８０度反対の方向を向く走行ベクトルについても同一方向の走行ベクトルとして扱うものとする。

【0009】

なお、本開示による画像処理装置においては、プロセッサは、医用画像から複数の管状構造の各画素における走行ベクトルを導出する学習済みモデルを用いて、走行ベクトルを導出するものであってもよい。

【0010】

また、本開示による画像処理装置においては、プロセッサは、走行ベクトルに沿うように複数の管状構造を分離するものであってもよい。

【0011】

また、本開示による画像処理装置においては、プロセッサは、第１の画素から第２の画素へ向かう方向ベクトルと、第１の画素および第２の画素の少なくとも一方における走行ベクトルとのなす角度に基づいて、第１の画素および第２の画素に同一のラベルが付与される可能性を判断して、複数の管状構造を分離するものであってもよい。

【0012】

また、本開示による画像処理装置においては、プロセッサは、走行ベクトルが同一方向となるかまたは連続して変化し、かつ互いに隣接するＮ（＞３）個の画素を含む画素群を選択し、画素群に含まれる画素のラベルを変数とするＮ次のエネルギーを最小化することにより、グラフカット処理を用いて複数の管状構造を分離するに際し、
変数が０または１で表され、
画素群に含まれる画素に対応する変数のすべてが０である場合または画素群に含まれる画素に対応する変数のすべてが１である場合は、Ｎ次のエネルギーが、変数のすべてが０ではないとともに変数のすべてが１ではない場合よりも小さくなるように設定するものであってもよい。

【0013】

また、本開示による画像処理装置においては、プロセッサは、同一のラベルが付与される可能性に基づく重み付け経路が最短となるＮ（＞３）個の画素を含む画素群を選択し、画素群に含まれる画素のラベルを変数とするＮ次のエネルギーを最小化することにより、グラフカット処理を用いて複数の管状構造を分離するに際し、
変数が０または１で表され、
画素群に含まれる画素に対応する変数のすべてが０である場合または画素群に含まれる画素に対応する変数のすべてが１である場合は、Ｎ次のエネルギーが、変数のすべてが０ではないとともに変数のすべてが１ではない場合よりも小さくなるように設定するものであってもよい。

【0014】

また、本開示による画像処理装置においては、プロセッサは、複数の管状構造の中心に沿った複数の中心画素における走行ベクトルを導出し、
複数の中心画素間を結ぶエッジと走行ベクトルとがなす角度を最小化するように複数の管状構造のそれぞれを表すクラスの起始部からの最短経路木を導出し、
複数の中心画素について、経路がより近く、かつ同一のラベルが付与される可能性がより高い起始部と同一のクラスとなるように最短経路木を切断することにより、複数の管状構造を分離するものであってもよい。

【0015】

また、本開示による画像処理装置においては、プロセッサは、走行ベクトルに沿う画素以外の画素は、互いに異なる管状構造に分離するものであってもよい。

【0016】

また、本開示による画像処理装置においては、プロセッサは、走行ベクトルが交差する画素間以外の画素間に複数の管状構造の境界を導出するように複数の管状構造を分離するものであってもよい。

【0017】

また、本開示による画像処理装置においては、プロセッサは、医用画像および走行ベクトルに基づいて、走行ベクトルが連続する方向の損失を最小化するように機械学習がなされた学習済みモデルを用いて複数の管状構造を分離するものであってもよい。

【0018】

また、本開示による画像処理装置においては、複数の管状構造は、動脈、静脈、門脈、尿管および神経のうちの少なくとも２つを含むものであってもよい。

【0019】

本開示による画像処理方法は、複数の管状構造を含む医用画像に基づいて、複数の管状構造の走行方向を表す走行ベクトルを、複数の管状構造の各画素において導出し、
走行ベクトルを用いて複数の管状構造を分離する。

【0020】

本開示による画像処理プログラムは、複数の管状構造を含む医用画像に基づいて、複数の管状構造の走行方向を表す走行ベクトルを、複数の管状構造の各画素において導出する手順と、
走行ベクトルを用いて複数の管状構造を分離する手順とをコンピュータに実行させる。

【発明の効果】

【0021】

本開示によれば、医用画像に含まれる複数の管状構造を精度よく分離できる

【図面の簡単な説明】

【0022】

【図1】本開示の第１の実施形態による画像処理装置を適用した診断支援システムの概略構成を示す図

【図2】第１の実施形態による画像処理装置のハードウェア構成を示す図

【図3】第１の実施形態による画像処理装置の機能構成図

【図4】走行ベクトルを示す図

【図5】走行ベクトルを導出する学習済みモデルの構築に使用される教師データを示す図

【図6】隣接する２つの画素に同一のラベルが付与される可能性を説明するための図

【図7】画素群の選択を説明するための図

【図8】グラフカットを説明するための図

【図9】血管領域内のグラフを示す図

【図10】血管領域内のグラフの分離を説明するための図

【図11】分離結果の表示画面を示す図

【図12】第１の実施形態において行われる処理を示すフローチャート

【図13】第２の実施形態における画素群の選択を説明するための図

【図14】第２の実施形態における画素群の選択を説明するための図

【図15】第３の実施形態における動脈および静脈の分離を説明するための図

【図16】第４の実施形態において分離部が使用する学習済みモデルが行う処理を示す概略図

【図17】第４の実施形態における学習済みモデルの機械学習に使用される教師データを示す図

【図18】第４の実施形態における第２損失の導出を説明するための図

【発明を実施するための形態】

【0023】

以下、図面を参照して本開示の実施形態について説明する。まず、第１の実施形態による画像処理装置を適用した医療情報システムの構成について説明する。図１は、医療情報システムの概略構成を示す図である。図１に示す医療情報システムは、第１の実施形態による画像処理装置を内包するコンピュータ１、撮影装置２、および画像保管サーバ３が、ネットワーク４を経由して通信可能な状態で接続されている。

【0024】

コンピュータ１は、本実施形態による画像処理装置を内包するものであり、本実施形態の画像処理プログラムがインストールされている。コンピュータ１は、診断を行う医師が直接操作するワークステーションあるいはパーソナルコンピュータでもよいし、それらとネットワークを介して接続されたサーバコンピュータでもよい。画像処理プログラムは、ネットワークに接続されたサーバコンピュータの記憶装置、あるいはネットワークストレージに、外部からアクセス可能な状態で記憶され、要求に応じて医師が使用するコンピュータ１にダウンロードされ、インストールされる。または、ＤＶＤ（Digital Versatile Disc）あるいはＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の記録媒体に記録されて配布され、その記録媒体からコンピュータ１にインストールされる。

【0025】

撮影装置２は、被検体の診断対象となる部位を撮影することにより、その部位を表す３次元画像を生成する装置であり、具体的には、ＣＴ装置、ＭＲＩ装置、およびＰＥＴ（Positron Emission Tomography）装置等である。この撮影装置２により生成された、複数の断層画像からなる３次元画像は画像保管サーバ３に送信され、保存される。なお、本実施形態においては、撮影装置２はＣＴ装置であり、被検体のＣＴ画像を３次元画像として生成する。

【0026】

画像保管サーバ３は、各種データを保存して管理するコンピュータであり、大容量外部記憶装置およびデータベース管理用ソフトウェアを備えている。画像保管サーバ３は、有線あるいは無線のネットワーク４を介して他の装置と通信を行い、画像データ等を送受信する。具体的には撮影装置２で生成されたＣＴ画像の画像データを含む各種データをネットワーク経由で取得し、大容量外部記憶装置等の記録媒体に保存して管理する。なお、画像データの格納形式およびネットワーク４経由での各装置間の通信は、ＤＩＣＯＭ（Digital Imaging and Communication in Medicine）等のプロトコルに基づいている。

【0027】

次いで、第１の実施形態による画像処理装置について説明する。図２は、第１の実施形態による画像処理装置のハードウェア構成を示す図である。図２に示すように、画像処理装置２０は、ＣＰＵ（Central Processing Unit）１１、不揮発性のストレージ１３、および一時記憶領域としてのメモリ１６を含む。また、画像処理装置２０は、液晶ディスプレイ等のディスプレイ１４、キーボードとマウス等の入力デバイス１５、およびネットワーク４に接続されるネットワークＩ／Ｆ（InterFace）１７を含む。ＣＰＵ１１、ストレージ１３、ディスプレイ１４、入力デバイス１５、メモリ１６およびネットワークＩ／Ｆ１７は、バス１８に接続される。なお、ＣＰＵ１１は、本開示におけるプロセッサの一例である。

【0028】

ストレージ１３は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、およびフラッシュメモリ等によって実現される。記憶媒体としてのストレージ１３には、画像処理プログラム１２が記憶される。ＣＰＵ１１は、ストレージ１３から画像処理プログラム１２を読み出してメモリ１６に展開し、展開した画像処理プログラム１２を実行する。

【0029】

次いで、第１の実施形態による画像処理装置の機能的な構成を説明する。図３は、第１の実施形態による画像処理装置の機能的な構成を示す図である。図３に示すように画像処理装置２０は、画像取得部２１、導出部２２、分離部２３および表示制御部２４を備える。そして、ＣＰＵ１１が画像処理プログラム１２を実行することにより、ＣＰＵ１１は、画像取得部２１、導出部２２、分離部２３および表示制御部２４として機能する。

【0030】

画像取得部２１は、操作者による入力デバイス１５からの指示により、画像保管サーバ３から処理の対象となる医用画像Ｇ０を取得する。本実施形態においては、医用画像Ｇ０は動脈および静脈を含む複数の断層画像からなる３次元のＣＴ画像であるが、これに限定されるものではない。ＭＲＩ画像あるいは２次元の放射線画像を医用画像Ｇ０として用いてもよい。

【0031】

導出部２２は、医用画像Ｇ０に含まれる管状構造の走行方向を表す走行ベクトルを管状構造の各画素において導出する。本実施形態においては、管状構造は動脈および静脈である。このため、導出部２２は、医用画像Ｇ０に含まれる血管内の各画素における走行ベクトルを導出する。

【0032】

ここで、走行ベクトルとは、血管が存在する方向を表すものであり、本実施形態において、同一方向を向くベクトルは同一方向の走行ベクトルとして扱う。また、１８０度反対の方向を向く２つのベクトル、すなわち基準方向に対する角度のコサインを算出した場合に同一の値となる２つのベクトルは、双方のベクトルともに管状構造が存在する方向を向く。このため、本実施形態においては１８０度反対の方向を向く走行ベクトルについても同一方向の走行ベクトルとして扱うものとする。また、本実施形態においては、走行ベクトルは大きさが１の単位ベクトルであるものとする。なお、本実施形態においては、１８０度反対の方向を向く走行ベクトルは同一方向の走行ベクトルとして扱う。このため、走行ベクトルと血流の方向とは必ずしも一致しない。例えば、動脈と静脈とが並行している場合、血流の向きは動脈と静脈とで逆となるが、本実施形態においては、走行ベクトルは同一方向となる。

【0033】

図４は走行ベクトルを示す図である。なお、図４においては、血管領域２８内の画素を黒点で示している。また、図４においては画素は間引かれているが実際には血管領域２８内の全画素において走行ベクトルが導出されている。

【0034】

本実施形態において、導出部２２は、医用画像Ｇ０から血管の各画素における走行ベクトルを導出する学習済みモデル２２Ａを用いて、走行ベクトルを導出する。この際、導出部２２は、医用画像Ｇ０の全画素について走行ベクトルを導出する。そして、医用画像Ｇ０から血管領域を抽出し、血管領域における走行ベクトルを特定する。

【0035】

なお、血管領域を抽出するに際し、導出部２２は、例えばHessianフィルタ等、既知の手法を用いて動脈と静脈を区別することなく、医用画像Ｇ０から血管領域を抽出する。ボリュームデータから血管領域を抽出する方法としては、「A. F. Frangi et al. Multiscale vessel enhancement filtering, Proceedings of MICCAI, 130-137, 1998.」に示される方法をはじめ、種々の方法が提案されている。

【0036】

学習済みモデル２２Ａは、例えば畳み込みニューラルネットワーク（ＣＮＮ；Convolutional neural network）であり、教師データを用いてＣＮＮを機械学習することにより構築される。図５は走行ベクトルを導出する学習済みモデルの構築に使用される教師データを示す図である。図５に示すように教師データ３０は、血管を含む学習用医用画像３１と、学習用医用画像３１に含まれる血管領域内の各画素位置における走行ベクトルを表す正解データ３２～３４とからなる。本実施形態において学習済みモデル２２Ａに入力される画像は３次元のＣＴ画像であるため、学習用医用画像３１は、３次元のＣＴ画像である。また、正解データ３２～３４は、学習用医用画像３１における各画素（ボクセル）のｘ方向、ｙ方向およびｚ方向の走行ベクトルを表す。

【0037】

なお、正解データ３２～３４は、例えば、「Prediction of 3D Cardiovascular hemodynamics before and after coronary artery bypass surgery via deep learning、Gaoyang Liら、COMMUNICATIONS BIOLOGY、22 January 2021」に記載されたように、ディープラーニングにより血管内の流体解析を行う手法を用いて、学習用医用画像３１から導出すればよい。また、動脈および静脈のそれぞれについて中心線を通るグラフ構造を作成し、ノードの接続情報から方向ベクトルを算出し、これを正解のベクトルとして近傍ボクセルにも割り当ることにより、正解データ３２～３４を導出するようにしてもよい。

【0038】

また、導出部２２は、先に医用画像Ｇ０から血管領域を抽出し、抽出した血管領域においてのみ走行ベクトルを導出するものであってもよい。この場合、学習済みモデル２２Ａの学習には、学習用医用画像３１、学習用医用画像３１における血管領域のマスク、および血管領域における正解データが教師データとして使用される。そして、学習済みモデル２２Ａには医用画像Ｇ０および医用画像Ｇ０から抽出された血管領域のマスクが入力されて、血管領域における走行ベクトルが出力されることとなる。

【0039】

また、導出部２２は、医用画像Ｇ０の全画素あるいは血管領域内の全画素について走行ベクトルを導出するものであってもよいが、数画素毎に間引いて走行ベクトルを導出するものであってもよい。また、画素を間引く間隔は等間隔であってもよいが、とくに先に血管領域を抽出する場合には、血管領域の中心に近いほど間引く間隔を小さくし、中心から離れるほど間引く間隔を大きくするようにしてもよい。

【0040】

分離部２３は、導出部２２が導出した走行ベクトルを用いて動脈および静脈を分離する。第１の実施形態においては、走行ベクトルに沿うように動脈および静脈を分離する。具体的には、隣接する２つの画素に同一のラベルが付与される可能性を判断して複数の管状構造を分離する。

【0041】

図６は隣接する２つの画素に同一のラベルが付与される可能性を説明するための図である。図６に示すように画素Ｐａおよび画素Ｐｂの組み合わせ、画素Ｐｃおよび画素Ｐｄの組み合わせ、並びに画素Ｐｅおよび画素Ｐｆの組み合わせを考える。まず、各画素の組み合わせにおいて、画素Ｐａから画素Ｐｂに向かう方向ベクトルＶａｂ、画素Ｐｃから画素Ｐｄに向かう方向ベクトルＶｃｄおよび画素Ｐｅから画素Ｐｆに向かう方向ベクトルＶｅｆを設定する。また、画素Ｐａ～Ｐｆにおいてはそれぞれ走行ベクトルＶａ～Ｖｆが導出されている。ここで、方向ベクトルＶａｂと走行ベクトルＶａ，Ｖｂとの角度αａ，αｂ、方向ベクトルＶｃｄと走行ベクトルＶｃ，Ｖｄとの角度αｃ，αｄ、方向ベクトルＶｅｆと走行ベクトルＶｅ，Ｖｆとの角度αｅ，αｆを考えた場合、方向ベクトルと２つの走行ベクトルのうちの少なくとも一方の走行ベクトル、とくに２つの走行ベクトルのそれぞれとの角度が小さいほど、２つの画素は同一のラベルが付与される可能性が高いものとなる。

【0042】

例えば画素Ｐａ，Ｐｂの組み合わせ、画素Ｐｃ，Ｐｄの組み合わせ、および画素Ｐｅ，Ｐｆの組み合わせを見た場合、同一のラベルが付与される可能性が最も高いの画素の組み合わせは画素Ｐｃ，Ｐｄの組み合わせとなる。

【0043】

第１の実施形態においては、分離部２３は、２つの画素の組み合わせについて同一のラベルが付与される可能性を判断して、各画素を動脈および静脈に分離するものである。例えば、グラフカット処理を用いて各画素を動脈および静脈に分離することを考えた場合、２つの画素を結ぶ方向ベクトルと２つの画素の少なくとも一方における走行ベクトルとの角度が小さいほど、２つの画素を結ぶエッジのエネルギーを小さくすることにより、２つの画素の間でエッジが切断されないようにする。以下、その具体的な手法について説明する。

【0044】

第１の実施形態においては、分離部２３は、走行ベクトルが同一方向となるかまたは連続して変化し、かつ走行ベクトルの方向において隣接するＮ（＞３）個の画素を含む画素群を選択し、画素群に含まれる画素のラベルを変数とするＮ次のエネルギーを最小化することにより、グラフカット処理を用いて動脈と静脈とを分離する。

【0045】

走行ベクトルが連続するとは、画素を走行ベクトルの方向に沿って滑らかに連結できるように、隣接する画素における走行ベクトルの変化が小さいこと、すなわち上述したように隣接する画素に同一のラベルが付与される可能性が高いことを意味する。走行ベクトルの変化が小さいか否かの判定は、２つの画素についての走行ベクトルと２つの画素を結ぶ方向ベクトルとの角度が予め定められたしきい値未満であり、かつ２つの走行ベクトルの方向の変化が予め定められた角度（例えば４５度）未満であるか否かを判定することにより行えばよい。

【0046】

まず、画素群の選択について説明する。図７は画素群の選択を説明するための図である。なお、図７においては、血管領域内の画素を黒点で示している。また、図７においては画素は間引かれているが実際には血管領域内の全画素において走行ベクトルが導出されている。本実施形態において、分離部２３は、走行ベクトルが同一方向となるかまたは連続して変化し、かつ走行ベクトルの方向において隣接する４個の画素を含む画素群を設定する。図７においては４つの画素を破線で囲むことにより、画素群を示している。

【0047】

分離部２３は、設定された画素群に含まれる画素のラベルを変数とするＮ次のエネルギーを最小化して動脈と静脈とを分離する。第１の実施形態においては、例えば特開２０１４－０７１７１６号公報に記載された高階グラフカットの手法を用いて動脈と静脈とを分離する。

【0048】

まず、グラフカットの手法について説明する。図８はグラフカットの手法を説明するための図である。まず、各画素を頂点とし、画像の各画素に対応する変数｛ｘ１，ｘ２，・・・，ｘｎ｝、ｘ∈｛１，０｝と分離すべき２つのラベルを表す２つの頂点ｓ、ｔを定義する。

【0049】

画像の各画素に対応する変数を｛ｘ１，ｘ２，・・・，ｘｎ｝、ｘ∈｛１，０｝と定義したとき、グラフカットの手法においては、図８に示すように各画素に対応する頂点ｘi（または、頂点ｘｊ）および２つの頂点ｓと頂点ｔとを持ち、頂点ｘiおよび頂点ｘｊのそれぞれについて、頂点ｓから頂点ｘiへ向かうエッジと、頂点ｘiから頂点ｔへ向かうエッジと、隣接する画素に対応する頂点ｘｉ、ｘｊ間のエッジとで構成される。そして、頂点ｓから頂点ｘiへ向かうエッジおよび頂点ｘiから頂点ｔへ向かうエッジに対して、１次のエネルギーを定義し、隣接する画素に対応する頂点を結ぶエッジに対しては、２次のエネルギーを定義する。なお、エネルギーは各画素に対応する変数に基づいて定義される。グラフカットはこのようなエネルギーを定義し、エネルギーが最小となるように、図８に示す頂点をＳのクラスとＴのクラスとに分離する手法である。なお、図８においては、左から４番目および６番目の頂点がＴのクラス（変数が１）に分離され、左から、１～３番目および５番目の頂点がＳのクラス（変数が０）に分離されていることを示している。さらに、本実施形態で用いた高階グラフカットにおいては、上述したように走行ベクトルに基づいて選択されたＮ個（Ｎ＞３） の画素群に対してＮ次のエネルギーを定義して、エネルギーが最小になるようにクラスを分離する。

【0050】

１次のエネルギーは、画素に割り当てられるラベルのみに依存する値であり、各画素にどのラベルを割り当てたかによって決まる直接的な影響が現れる。２次のエネルギーは、隣接する画素に与えられるラベルがどのような関係にあるべきかという事前知識を反映するようにエネルギーを定義したものである。Ｎ次のエネルギーは、画素群に含まれるＮ個の画素に対応する変数のすべてが０である場合または画素群に含まれる画素に対応する変数のすべてが１である場合は、変数のすべてが０ではないとともに変数のすべてが１ではない場合よりも小さくなるようにエネルギーを定義したものである。

【0051】

分離部２３は、Ｎ次のエネルギーを最小化し、さらに１次のエネルギー、２次のエネルギーおよびＮ次のエネルギーの和が最小となるラベルと最小切断が対応するように各エッジのエネルギーを定める。このようにエネルギーを設定してグラフカット処理を行うと、すべての位置においてＮ個の画素が走行ベクトルに沿って伸びる血管が同じクラスとなるように動脈内の画素と静脈内の画素とを分離することができる。例えば、図９に示す医用画像Ｇ０に含まれる血管領域内のグラフ４０を、図１０に示すように、実線で示す動脈のグラフ４１と破線で示す静脈のグラフ４２とに分離することができる。

【0052】

表示制御部２４は、分離部２３が分離した動脈および静脈を識別可能にディスプレイ１４に表示する。図１１は分離結果の表示画面を示す図である。医用画像Ｇ０は３次元画像であるため、ボリュームレンダリング等の予め定められた手法により３次元に投影された画像がディスプレイ１４に表示される。この際、表示制御部２４は、動脈と静脈とを異なる色となるように表示する。なお、図１１に示す表示画面４５においては、色が異なることを異なるハッチングを付与することにより示している。

【0053】

次いで、第１の実施形態において行われる処理について説明する。図１２は第１の実施形態において行われる処理を示すフローチャートである。まず、画像取得部２１が画像保管サーバ３から医用画像Ｇ０を取得し（ステップＳＴ１）、導出部２２が、医用画像Ｇ０に基づいて、動脈および静脈の走行方向を表す走行ベクトルを動脈および静脈の各画素位置において導出する（ステップＳＴ２）。そして、分離部２３が、走行ベクトルを用いて動脈および静脈を分離し（ステップＳＴ３）、表示制御部２４が分離結果を表示し（ステップＳＴ４）、処理を終了する。

【0054】

このように、第１の実施形態においては、動脈および静脈といった複数の管状構造の走行方向を表す走行ベクトルを用いて複数の管状構造を分離するようにした。このため、管状構造が湾曲していても、その走行方向に沿って複数の管状構造を分離することができる。したがって、医用画像Ｇ０に含まれる複数の管状構造を精度よく分離できる。

【0055】

次いで、本開示の第２の実施形態について説明する。なお、第２の実施形態に係る画像処理装置の機能的な構成は、第１の実施形態に係る画像処理装置の機能的な構成と同一であるため、ここでは機能的な構成についての詳細な説明は省略する。第２の実施形態に係る画像処理装置は、分離部２３が、同一のラベルが付与される可能性に基づく重み付け経路が最短となるＮ（＞３）個の画素を含む画素群を選択するようにした点が第１の実施形態と異なる。具体的には、同一のラベルが付与される可能性に基づく重みをそれぞれの画素を結ぶ経路の長さに乗算した上で加算した重み付け経路和が最小となるＮ（＞３）個の画素を含む画素群を選択するようにしたものである。

【0056】

図１３および図１４は第２の実施形態における画素群の選択を説明するための図である。まず、画素群を選択するに際し、まず分離部２３は、血管領域内の各画素について隣接する画素と同一のラベルが付与される可能性を予め導出する。隣接する画素とは例えば９近傍あるいは２７近傍の画素とするがこれに限定されるものではない。また、第２の実施形態においては、可能性としては、画素間を結ぶ方向ベクトルと各画素における走行ベクトルとの角度が０度に近いかまたは１８０度に近いほど、角度が９０度に近い場合よりも小さくなる値を用いればよい。

【0057】

ここで、図１３に示す画素Ｐ１を起点とした場合、分離部２３は、画素Ｐ１を中心とする予め定められた範囲において、隣接する画素との同一のラベルが付与される可能性を判断する。そして、可能性が最も高くかつ画素Ｐ１と結ばれる経路が最短となる画素を特定する。具体的には、可能性と画素Ｐ１からの経路の長さとを乗算した重み付け経路和が最も小さくなる画素を特定する。図１３に示す走行ベクトルにおいては、画素Ｐ１に対して画素Ｐ２が特定されたものとする。次に、分離部２３は、画素Ｐ２を中心とする予め範囲において、隣接する画素との同一のラベルが付与される可能性を判断する。そして、可能性が最も高くかつ画素Ｐ２と結ばれる経路が最短となる画素を上記と同様に特定する。図１３に示す走行ベクトルにおいては、画素Ｐ２に対して画素Ｐ３が特定されたものとする。

【0058】

以下、分離部２３は同様の処理を繰り返して、画素Ｐ１との経路が最短となるＮ個（例えば４個とする）の画素を含む画素群を選択する。図１３に示す画素Ｐ１を起点とした場合、選択した画素群は図１４に示すように画素Ｐ１～Ｐ４を含む画素群４７となる。一方、図１３に示す画素Ｐ１１を起点とした場合、選択した画素群は、図１４に示すように画素Ｐ１１～Ｐ１４を含む画素群４８となる。

【0059】

画素群を選択した以降のグラフカットの処理は、上記第１の実施形態と同様に行うようにすればよい。これにより、第２の実施形態においても、第１の実施形態と同様に、管状構造が湾曲していても、その走行方向に沿って複数の管状構造を分離することができる。したがって、医用画像Ｇ０に含まれる複数の管状構造を精度よく分離できる。

【0060】

次いで、本開示の第３の実施形態について説明する。なお、第３の実施形態に係る画像処理装置の機能的な構成は、第１の実施形態に係る画像処理装置の機能的な構成と同一であるため、ここでは機能的な構成についての詳細な説明は省略する。第３の実施形態に係る画像処理装置は、導出部２２が、医用画像Ｇ０から抽出した血管領域の中心に沿った複数の画素（中心画素とする）において走行ベクトルを導出し、分離部２３が、複数の中心画素を結ぶエッジと走行ベクトルとがなす角度を最小化するように動脈および静脈のそれぞれを表すクラスの起始部から最短経路木を導出し、複数の中心画素について、経路がより近く、かつ同一のラベルが付与される可能性がより高い起始部と同一のクラスとなるように動脈および静脈を分離するようにした点が第１の実施形態と異なる。

【0061】

図１５は第３の実施形態における動脈および静脈の分離を説明するための図である。まず、導出部２２は、医用画像Ｇ０から抽出された血管領域において、図１５（ａ）に示すように、血管領域の中心線に沿って間隔を空けつつ複数の中心画素を設定し、そのそれぞれにおいて走行ベクトルを導出する。

【0062】

第３の実施形態において。分離部２３は、図１５（ｂ）に示すように、画素Ｐ２１を動脈の起始部、画素Ｐ３１を静脈の起始部に設定し、画素Ｐ２１および画素Ｐ３１からの最短経路木を導出する。この場合、１つの中心画素に対して距離が近い中心画素が複数存在する場合、最短経路木においては１つの中心画素に対して複数のエッジが設定される。

【0063】

そして、分離部２３は、複数の中心画素について、経路がより近く、かつ同一のラベルが付与される可能性がより高い起始部と同一のクラスとなるように、最短経路木を切断することにより、動脈および静脈を導出する。この場合、複数のエッジが設定された中心画素について、その中心画素に付与されるラベルと同一のラベルが付与される可能性が最も高い中心画素とを結ぶエッジのエネルギーを小さくし、それ以外のエッジのエネルギーを大きく設定する。これにより、図１５（ｃ）に示すように、実線で示すような走行ベクトルに沿う方向のエッジは切断されず、破線で示すような走行ベクトルと交わるような方向のエッジは切断される。したがって、図１５（ｄ）に示すように、最短経路木を実線で示す動脈のグラフ５１と破線で示す静脈のグラフ５２とに分離することができる。そして、分離部２３は、グラフ５１，５２のそれぞれを領域拡張することにより、図１５（ｅ）に示すように、医用画像Ｇ０における動脈領域５３および静脈領域５４を抽出する。

【0064】

次いで、本開示の第４の実施形態について説明する。なお、第４の実施形態に係る画像処理装置の機能的な構成は、第１の実施形態に係る画像処理装置の機能的な構成と同一であるため、ここでは機能的な構成についての詳細な説明は省略する。第４の実施形態に係る画像処理装置は、分離部２３が、走行ベクトルに沿う画素以外の画素は、互いに異なる管状構造に分離するようにした点が第１の実施形態と異なる。すなわち、第４の実施形態は、走行ベクトルに沿わない画素は同一の管状構造に分離しないようにしたものである。

【0065】

このために、第４の実施形態による画像処理装置は、学習済みモデルを用いて、走行ベクトルが交差する画素間以外の画素間、すなわち走行ベクトルが交差しない画素間に動脈および静脈の境界を導出するように、医用画像Ｇ０の各ボクセルを動脈と静脈とに分離する。

【0066】

図１６は第４の実施形態において分離部が使用する学習済みモデルが行う処理を示す概略図である。図１６に示すように、学習済みモデル２３Ａは、医用画像Ｇ０が入力されると、医用画像Ｇ０の各画素が動脈および静脈であることの確率を出力して動脈および動脈の分離結果５５を出力するように、ニューラルネットワークを機械学習することにより構築されている。なお、学習済みモデル２３Ａは、医用画像Ｇ０における血管領域が入力されると、各画素が動脈および静脈であることの確率を出力するものであってもよい。

【0067】

図１７は第４の実施形態における学習済みモデルの機械学習に使用される教師データを示す図である。図１７に示すように、教師データ６０は、学習用医用画像６１、学習用医用画像６１に含まれる動脈および静脈が抽出された正解データ６２、および学習用医用画像６１に含まれる血管領域における走行ベクトル６３を含む。

【0068】

学習に際しては、ニューラルネットワークに学習用医用画像６１が入力される。ニューラルネットワークは、学習用医用画像６１の各画素が動脈であることの確率および静脈であることの確率を出力する。なお、予め学習用医用画像６１から血管領域を抽出し、血管領域内の各画素が動脈であることの確率および静脈であることの確率を出力するようにしてもよい。そして、出力された確率と正解データ６２との差分が第１損失Ｌ１として導出される。

【0069】

さらに、学習用医用画像６１の血管領域内における各画素について、走行ベクトルに沿う方向に隣接する２つ画素における確率の相違の総和が第２損失Ｌ２として導出される。図１８は第２損失の導出を説明するための図である。図１８において、は、走行ベクトルＶｓに沿う方向に隣接する画素内の数値は、動脈であることの確率ｐｉ、ｐｉ＋１を表している。すなわち、図１８における左側の画素ペア７１を構成する２つの画素において、動脈であることの確率ｐｉ、ｐｉ＋１はそれぞれ０．８，０．９であり、図１８における右側の画素ペア７２を構成する２つの画素において、動脈であることの確率ｐｉ、ｐｉ＋１はそれぞれ０．８，０．２である。画素ペア間の損失は｜ｐｉ－ｐｉ＋１｜により導出される。したがって、第２損失Ｌ２は、Σ｜ｐｉ－ｐｉ＋１｜として導出される。

【0070】

そして、第１損失Ｌ１および第２損失Ｌ２の和が最小となるように、多数の教師データを用いてニューラルネットワークが機械学習されて学習済みモデル２３Ａが構築される。すなわち、第１損失Ｌ１および第２損失Ｌ２の和を小さくするように、誤差逆伝播法等によりニューラルネットワークを構成する各層間の結合の重み等のパラメータが調整される。なお、第１損失Ｌ１および第２損失Ｌ２の和が予め定められたしきい値以下となるように、機械学習が行われる。また、予め定められた回数の機械学習を行うようにしてもよい。

【0071】

ここで、第２損失Ｌ２を用いることにより、図１８に示す画素ペア７１のように走行ベクトルＶｓの方向に隣接する２つの画素における確率ｐｉ、ｐｉ＋１の相違が小さい場合にはそれを維持するようにニューラルネットワークが学習される。一方、画素ペア６２のように走行ベクトルＶｓの方向に隣接する２つの画素における確率ｐｉ、ｐｉ＋１の相違が大きい場合、相違を小さくするようにニューラルネットワークが学習される。

【0072】

これにより、医用画像Ｇ０が入力されると、走行ベクトルが交差する画素間以外の画素間に動脈および静脈の境界を導出するように、すなわち、動脈および静脈の境界が走行ベクトルと交わらないように、医用画像Ｇ０の各画素が動脈であることの確率および静脈であることの確率が学習済みモデル２３Ａから出力される。これにより、医用画像Ｇ０において、走行ベクトルに沿って動脈および静脈を分離することができる。

【0073】

なお、上記各実施形態においては、医用画像Ｇ０に含まれる複数の管状構造として動脈および静脈を用いているが、これに限定されるものではない。動脈および静脈の他、門脈、尿管、および神経等の複数の管状構造物を分離する際にも本開示の技術を適用できる。なお、神経は内部を流体が流れるものではないが、脳あるいは脊髄を起点として人体の末端に向けて走行している。このため、神経に対しても走行ベクトルを導出して、走行ベクトルに基づいて他の管状構造物と神経とを分離することが可能である。

【0074】

また、上記各実施形態において、例えば、画像処理装置２０の画像取得部２１、導出部２２、分離部２３および表示制御部２４といった各種の処理を実行する処理部（Processing Unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（Processor）を用いることができる。上記各種のプロセッサには、上述したように、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device :PLD）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。

【0075】

１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせまたはＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。

【0076】

複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアントおよびサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアとの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip:SoC）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。

【0077】

さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（Circuitry）を用いることができる。

【0078】

以下、本開示の付記項を記載する。
（付記項１）
少なくとも１つのプロセッサを備え、
前記プロセッサは、
複数の管状構造を含む医用画像に基づいて、前記複数の管状構造の走行方向を表す走行ベクトルを、前記複数の管状構造の各画素において導出し、
前記走行ベクトルを用いて前記複数の管状構造を分離する画像処理装置。
（付記項２）
前記プロセッサは、前記医用画像から前記複数の管状構造の各画素における前記走行ベクトルを導出する学習済みモデルを用いて、前記走行ベクトルを導出する付記項１に記載の画像処理装置。
（付記項３）
前記プロセッサは、前記走行ベクトルに沿うように前記複数の管状構造を分離する付記項１または２に記載の画像処理装置。
（付記項４）
前記プロセッサは、第１の画素から第２の画素へ向かう方向ベクトルと、前記第１の画素および前記第２の画素の少なくとも一方における前記走行ベクトルとのなす角度に基づいて、前記第１の画素および前記第２の画素に同一のラベルが付与される可能性を判断して、前記複数の管状構造を分離する付記項３に記載の画像処理装置。
（付記項５）
前記プロセッサは、前記走行ベクトルが同一方向となるかまたは連続して変化し、かつ互いに隣接するＮ（＞３）個の画素を含む画素群を選択し、前記画素群に含まれる画素のラベルを変数とするＮ次のエネルギーを最小化することにより、グラフカット処理を用いて前記複数の管状構造を分離するに際し、
前記変数が０または１で表され、
前記画素群に含まれる画素に対応する変数のすべてが０である場合または前記画素群に含まれる画素に対応する変数のすべてが１である場合は、前記Ｎ次のエネルギーが、前記変数のすべてが０ではないとともに前記変数のすべてが１ではない場合よりも小さくなるように設定する付記項４に記載の画像処理装置。
（付記項６）
前記プロセッサは、前記同一のラベルが付与される可能性に基づいて、それぞれの画素を結ぶ経路が最短となり、かつ前記同一のラベルが付与される可能性が最も高くなるＮ（＞３）個の画素を含む画素群を選択し、前記画素群に含まれる画素のラベルを変数とするＮ次のエネルギーを最小化することにより、グラフカット処理を用いて前記複数の管状構造を分離するに際し、
前記変数が０または１で表され、
前記画素群に含まれる画素に対応する変数のすべてが０である場合または前記画素群に含まれる画素に対応する変数のすべてが１である場合は、前記Ｎ次のエネルギーが、前記変数のすべてが０ではないとともに前記変数のすべてが１ではない場合よりも小さくなるように設定する付記項４に記載の画像処理装置。
（付記項７）
前記プロセッサは、前記複数の管状構造の中心に沿った複数の中心画素における走行ベクトルを導出し、
前記複数の中心画素間を結ぶエッジと前記走行ベクトルとがなす角度を最小化するように前記複数の管状構造のそれぞれを表すクラスの起始部からの最短経路木を導出し、
前記複数の中心画素について、経路がより近く、かつ前記同一のラベルが付与される可能性がより高い起始部と同一のクラスとなるように前記最短経路木を切断することにより、前記複数の管状構造を分離する付記項４に記載の画像処理装置。
（付記項８）
前記プロセッサは、前記走行ベクトルに沿う画素以外の画素は、互いに異なる管状構造に分離する付記項１または２に記載の画像処理装置。
（付記項９）
前記プロセッサは、前記走行ベクトルが交差する画素間以外の画素間に前記複数の管状構造の境界を導出するように前記複数の管状構造を分離する付記項８に記載の画像処理装置。
（付記項１０）
前記プロセッサは、前記医用画像および前記走行ベクトルに基づいて、前記走行ベクトルが連続する方向の損失を最小化するように機械学習がなされた学習済みモデルを用いて前記複数の管状構造を分離する付記項９に記載の画像処理装置。
（付記項１１）
前記複数の管状構造は、動脈、静脈、門脈、尿管および神経のうちの少なくとも２つを含む付記項１から１０のいずれか１項に記載の画像処理装置。
（付記項１２）
複数の管状構造を含む医用画像に基づいて、前記複数の管状構造の走行方向を表す走行ベクトルを、前記複数の管状構造の各画素において導出し、
前記走行ベクトルを用いて前記複数の管状構造を分離する画像処理方法。
（付記項１３）
複数の管状構造を含む医用画像に基づいて、前記複数の管状構造の走行方向を表す走行ベクトルを、前記複数の管状構造の各画素において導出する手順と、
前記走行ベクトルを用いて前記複数の管状構造を分離する手順とをコンピュータに実行させる画像処理プログラム。

【符号の説明】

【0079】

１ コンピュータ
２ 撮影装置
３ 画像保管サーバ
４ ネットワーク
１１ ＣＰＵ
１２ 画像処理プログラム
１３ ストレージ
１４ ディスプレイ
１５ 入力デバイス
１６ メモリ
１７ ネットワークＩ／Ｆ
１８ バス
２０ 画像処理装置
２１ 画像取得部
２２ 導出部
２２Ａ 学習済みモデル
２３ 分離部
２３Ａ 学習済みモデル
２４ 表示制御部
２５ 導出分離部
２８ 血管領域
３０，６０ 教師データ
３１，６１ 学習用医用画像
３２～３４，６２ 正解データ
４０ グラフ
４１，５１ 動脈のグラフ
４２，５２ 静脈のグラフ
４５ 表示画面
４７，４８ 画素群
５３ 動脈領域
５４ 静脈領域
５５ 分離結果
６３ 走行ベクトル
７１，７２ 画素ペア
Ｇ０ 医用画像
Ｐａ～Ｐｆ，Ｐ１～Ｐ４、Ｐ１１～Ｐ１４．Ｐ２１，Ｐ３１ 画素
Ｖａ～Ｖｆ、Ｖｓ 走行ベクトル
Ｖａｂ，Ｖｃｄ，Ｖｅｆ 方向ベクトル
αａ～αｆ 角度

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】