特表2023-530765 | 知財ポータル「IP Force」

知財求人 - 知財ポータルサイト「IP Force」

青山学院大学 (神奈川県相模原市中央区淵野辺)

▶ シャンハイ・パルス・メディカル・テクノロジー，インコーポレイテッドの特許一覧

特表2023-530765血管造影画像処理に用いる訓練方法及び装置、自動処理方法及び装置

書誌要約請求の範囲詳細な説明課題実施例実施するための形態図面の説明

目に優しい文字サイズ小中大 PDF Top

< >

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16A
16B
16C
16D
16E

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2023-07-19

(54)【発明の名称】血管造影画像処理に用いる訓練方法及び装置、自動処理方法及び装置

(51)【国際特許分類】

A61B 6/00 20060101AFI20230711BHJP

G06T 7/00 20170101ALI20230711BHJP

G06V 10/82 20220101ALI20230711BHJP

【ＦＩ】

A61B6/00 350D

A61B6/00 360Z

A61B6/00 331E

G06T7/00 350C

G06T7/00 612

G06V10/82

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2022579105

(86)(22)【出願日】2021-04-21

(85)【翻訳文提出日】2023-02-21

(86)【国際出願番号】 CN2021088752

(87)【国際公開番号】W WO2021258835

(87)【国際公開日】2021-12-30

(31)【優先権主張番号】202010587724.6

(32)【優先日】2020-06-24

(33)【優先権主張国・地域又は機関】CN

(81)【指定国・地域】

(71)【出願人】

【識別番号】522339547

【氏名又は名称】シャンハイ・パルス・メディカル・テクノロジー，インコーポレイテッド

【氏名又は名称原語表記】ＳＨＡＮＧＨＡＩＰＵＬＳＥＭＥＤＩＣＡＬＴＥＣＨＮＯＬＯＧＹ，ＩＮＣ．

(74)【代理人】

【識別番号】100099623

【弁理士】

【氏名又は名称】奥山尚一

(74)【代理人】

【識別番号】100129425

【弁理士】

【氏名又は名称】小川護晃

(74)【代理人】

【識別番号】100168642

【弁理士】

【氏名又は名称】関谷充司

(74)【代理人】

【識別番号】100217076

【弁理士】

【氏名又は名称】宅間邦俊

(74)【代理人】

【識別番号】100218604

【弁理士】

【氏名又は名称】池本理絵

(72)【発明者】

【氏名】トゥー，シャンシェン

(72)【発明者】

【氏名】リー，チュンミン

(72)【発明者】

【氏名】チン，フイ

(72)【発明者】

【氏名】チェン，シューヂァン

【テーマコード（参考）】

4C093

5L096

【Ｆターム（参考）】

4C093AA24

4C093AA26

4C093CA13

4C093CA18

4C093CA35

4C093DA02

4C093FD03

4C093FD09

4C093FF16

4C093FF17

4C093FF20

4C093FF22

4C093FF28

4C093FF35

5L096AA06

5L096BA06

5L096DA01

5L096EA43

5L096FA64

5L096FA67

5L096FA69

5L096GA10

5L096GA34

5L096HA11

5L096KA04

(57)【要約】

【課題】本発明は血管造影画像処理に用いる訓練方法及び装置並びに血管画像自動処理方法及び装置に関する。
【解決手段】血管造影画像処理の訓練方法は、訓練データを取得すること（Ｓ１０１）と、訓練データは、血管のオリジナル造影画像データ及び側枝血管の局所セグメン分割結果データを含み、側枝血管の局所セグメン分割結果データが血管のオリジナル造影画像から確定された主枝血管上の側枝血管の局所セグメン分割画像データであることと、ニューラルネットワークが血管のオリジナル造影画像における確定された主枝血管上の側枝血管に対して局所的なセグメン分割を行うように、取得した訓練データに基づいてニューラルネットワークに対して訓練を行うこと（Ｓ１０２）と、を含む。本発明の血管造影画像処理の訓練方法は、側枝血管に対して局所的なセグメン分割を行うニューラルネットワークを取得することができ、セグメン分割の効率を高めたと共に、セグメン分割の正確さを引き上げ、側枝血管のセグメン分割漏れやミスセグメン分割を避けることを実現した。
【選択図】図２

【特許請求の範囲】

【請求項1】

血管造影画像処理に用いる訓練方法において、
訓練データを取得し、
前記訓練データはサンプル及びラベルを含み、前記サンプルは血管のオリジナル造影画像データを含み、前記ラベルは確定された主枝血管上の側枝血管の局所セグメン分割結果データを含み、側枝血管の局所セグメン分割の分割範囲は前記側枝血管の始端から延伸方向に沿ってセグメン分割終端まで延び、前記セグメン分割終端が側枝血管の始端と末端との間に位置し、前記側枝血管の始端は該側枝血管と該側枝血管が所属する主枝血管の交差端であり、前記末端は側枝血管の最遠位端であり、前記延伸方向は前記始端から前記末端に向けた方向であり、前記セグメン分割の終端は、前記延伸方向において、少なくともセグメン分割された側枝血管のカリーナ部の該側枝血管中心線に垂直な断面に交差することと、
ニューラルネットワークが血管のオリジナル造影画像における確定された主枝血管上の側枝血管に対して局所的なセグメン分割を行うように、取得した前記訓練データに基づいて前記ニューラルネットワークに対して訓練を行うことと、を含むことを特徴とする血管造影画像処理に用いる訓練方法。

【請求項2】

前記側枝血管の局所セグメン分割結果データにおいて、セグメン分割された前記側枝血管は少なくとも一つのセグメントの正常な管腔を含み、又は、前記側枝血管の局所セグメン分割結果データにおいて、セグメン分割された側枝血管の長さは該側枝血管が所属する主枝血管の管腔直径の１～１０倍であることを特徴とする請求項１に記載の血管造影画像処理に用いる訓練方法。

【請求項3】

前記正常な管腔は狭窄、膨張、重畳、切断又は変形が現れていない管腔であり、又は、前記正常な管腔は前記延伸方向に沿った長さが１～１５ｍｍであることを特徴とする請求項２に記載の血管造影画像処理に用いる訓練方法。

【請求項4】

前記サンプルは血管のオリジナル造影画像データであり、前記ラベルは確定された主枝血管上の側枝血管の局所セグメン分割結果データであり、又は、前記ラベルは主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データからなる画像データであり、前記確定された主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データであることを特徴とする請求項１～３のいずれか１項に記載の血管造影画像処理に用いる訓練方法。

【請求項5】

前記サンプルは主枝血管がマーキングされた血管のオリジナル造影画像データであり、前記ラベルはマーキングされた主枝血管上の側枝血管の局所セグメン分割結果データであり、又は前記ラベルはマーキングされた主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データからなる画像データであり、前記マーキングされた主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データであることを特徴とする請求項１～３のいずれか１項に記載の血管造影画像処理に用いる訓練方法。

【請求項6】

前記ニューラルネットワークは第１ニューラルネットワークと第２ニューラルネットワークを含み、前記サンプルは第１サンプルと第２サンプルを含み、前記ラベルは第１ラベルと第２ラベルを含み、
前記第１サンプルは血管のオリジナル造影画像データであり、前記第１ラベルは確定された主枝血管のセグメン分割結果データであり、又は前記第１ラベルは確定された主枝血管のセグメン分割結果データと血管のオリジナル造影画像データを組み合わせた画像データであり、
前記第１ニューラルネットワークが血管のオリジナル造影画像における確定された主枝血管に対してセグメン分割を行うように、前記第１サンプルと前記第１ラベルに基づいて前記第１ニューラルネットワークに対して訓練を行い、
前記第２サンプルは主枝血管がマーキングされた血管のオリジナル造影画像データであり、前記第２ラベルはマーキングされた主枝血管上の側枝血管の局所セグメン分割結果データであり、又は前記第２ラベルはマーキングされた主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データであり、前記マーキングされた主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データであり、
前記第２ニューラルネットワークが血管のオリジナル造影画像におけるマーキングされた主枝血管の下位の側枝血管に対して局所的なセグメン分割を行うように、前記第２サンプルと前記第２ラベルに基づいて前記第２ニューラルネットワークに対して訓練を行うことを特徴とする請求項１～３のいずれか１項に記載の血管造影画像処理に用いる訓練方法。

【請求項7】

血管造影画像処理に用いる訓練装置において、
訓練データを取得するための取得モジュールであって、
前記訓練データはサンプルとラベルを含み、前記サンプルは血管のオリジナル造影画像データを含み、前記ラベルは確定された主枝血管上の側枝血管の局所セグメン分割結果データを含み、側枝血管の局所セグメン分割の分割範囲は前記側枝血管の始端から延伸方向に沿ってセグメン分割終端まで延び、前記セグメン分割終端が側枝血管の始端と末端との間に位置し、前記側枝血管の始端は該側枝血管と該側枝血管が所属する主枝血管の交差端であり、前記末端は側枝血管の最遠位端であり、前記延伸方向は前記始端から前記末端に向けた方向であり、前記セグメン分割終端は、前記延伸方向において、少なくともセグメン分割された側枝血管のカリーナ部の該側枝血管中心線に垂直な断面に交差する取得モジュールと、
ニューラルネットワークが血管のオリジナル造影画像における確定された主枝血管の下位の側枝血管に対して局所的なセグメン分割を行うように、取得した前記訓練データに基づいて前記ニューラルネットワークに対して訓練を行うための訓練モジュールと、
を備えることを特徴とする血管造影画像処理に用いる訓練装置。

【請求項8】

前記側枝血管の局所セグメン分割結果データにおいて、セグメン分割された前記側枝血管は少なくとも一つのセグメントの正常な管腔を含み、又は、前記側枝血管の局所セグメン分割結果データにおいて、セグメン分割された側枝血管の長さは該側枝血管が所属する主枝血管の管腔直径の１～１０倍であることを特徴とする請求項７に記載の血管造影画像処理に用いる訓練装置。

【請求項9】

前記正常な管腔は狭窄、膨張、重畳、切断又は変形が現れていない管腔であり、又は前記正常な管腔は前記延伸方向に沿った長さが１～１５ｍｍであることを特徴とする請求項８に記載の血管造影画像処理に用いる訓練装置。

【請求項10】

前記サンプルは血管のオリジナル造影画像データであり、前記ラベルは確定された主枝血管上の側枝血管の局所セグメン分割結果データであり、又は前記ラベルは確定された主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データであり、前記確定された主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データであることを特徴とする請求項７～９のいずれか１項に記載の血管造影画像処理に用いる訓練装置。

【請求項11】

前記サンプルは主枝血管がマーキングされた血管のオリジナル造影画像データであり、前記ラベルはマーキングされた主枝血管上の側枝血管の局所セグメン分割結果データであり、又は前記ラベルはマーキングされた主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データであり、前記マーキングされた主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データであることを特徴とする請求項７～９のいずれか１項に記載の血管造影画像処理に用いる訓練装置。

【請求項12】

前記ニューラルネットワークは第１ニューラルネットワークと第２ニューラルネットワークを含み、前記サンプルは第１サンプルと第２サンプルを含み、前記ラベルは第１ラベルと第２ラベルを含み、前記訓練モジュールは第１訓練モジュールと第２訓練モジュールを含み、前記取得モジュールは第１取得モジュール及び第２取得モジュールを含み、
前記第１取得モジュールは前記第１サンプルと前記第１ラベルを取得するためのものであり、前記第１サンプルは血管のオリジナル造影画像データであり、前記第１ラベルは確定された主枝血管のセグメン分割結果データであり、又は前記第１ラベルは確定された主枝血管のセグメン分割結果データと血管のオリジナル造影画像データを組み合わせた画像データであり、
前記第１訓練モジュールは、前記第１ニューラルネットワークが血管のオリジナル造影画像における確定された主枝血管に対してセグメン分割を行うように、前記第１サンプルと前記第１ラベルに基づいて前記第１ニューラルネットワークに対して訓練を行い、
前記第２取得モジュールは前記第２サンプルと前記第２ラベルを取得するためのものであり、前記第２サンプルは主枝血管がマーキングされた血管のオリジナル造影画像データであり、前記第２ラベルはマーキングされた主枝血管上の側枝血管の局所セグメン分割結果データであり、又はマーキングされた主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データであり、前記マーキングされた主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データであり、
前記第２訓練モジュールは、前記第２ニューラルネットワークが血管のオリジナル造影画像におけるマーキングされた主枝血管の下位の側枝血管に対して局所的なセグメン分割を行うように、前記第２サンプルと前記第２ラベルに基づいて前記第２ニューラルネットワークに対して訓練を行うことを特徴とする請求項７～９のいずれか１項に記載の血管造影画像処理に用いる訓練装置。

【請求項13】

血管画像の自動処理方法において、
処理待ちの血管のオリジナル造影画像を含むデータを取得することと、
請求項１～５のいずれか１項に記載の血管造影画像処理に用いる訓練方法で得られたニューラルネットワークに基づいて処理待ちの血管のオリジナル造影画像を含むデータを処理して、確定された主枝血管上の側枝血管の局所セグメン分割画像を含むデータ取得することと、を含むことを特徴とする血管画像の自動処理方法。

【請求項14】

血管画像の自動処理方法において、
処理待ちの血管のオリジナル造影画像データである第１目標画像データを取得することと、
請求項６に記載の血管造影画像処理に用いる訓練方法で得られた前記第１ニューラルネットワークに基づいて前記第１目標画像を処理して、確定された主枝血管のセグメン分割画像データを含む第１結果画像データを取得することと、
前記第１結果画像データを第２目標画像データに変換し、前記第２目標画像データは主枝血管がマーキングされた血管のオリジナル造影画像データであることと、
請求項６に記載の血管画像処理の訓練方法で得られた前記第２ニューラルネットワークに基づいて前記第２目標画像データを処理して、確定された主枝血管上の側枝血管の局所セグメン分割画像データを含む第２結果画像データを取得することと、を含むことを特徴とする血管画像の自動処理方法。

【請求項15】

前記第１結果画像データは確定された主枝血管のセグメン分割画像データであり、前記第１結果画像データを第２目標画像データに変換することは、前記第１結果画像データと前記第１目標画像データを融合して、主枝血管がマーキングされた血管のオリジナル造影画像データを得ることを含めることを特徴とする請求項１４に記載の血管画像の自動処理方法。

【請求項16】

前記第２結果画像データは確定された主枝血管上の側枝血管の局所セグメン分割画像データであり、
前記第２結果画像データと確定された主枝血管のセグメン分割画像データを融合して、融合した後の画像データを取得することをさらに含むことを特徴とする請求項１４に記載の血管画像の自動処理方法。

【請求項17】

変換指令を受信し、受信した前記変換指令に基づいて前記第１結果画像データを前記第２目標画像データに変換することをさらに含むことを特徴とする請求項１４～１６のいずれか１項に記載の血管画像の自動処理方法。

【請求項18】

修正後の主枝血管のセグメン分割画像データを入力し、修正後の主枝血管のセグメン分割画像を含むデータを前記第１結果画像データに更新することをさらに含むことを特徴とする請求項１７に記載の血管画像の自動処理方法。

【請求項19】

血管画像の自動処理装置において、
処理待ちの血管のオリジナル造影画像を含むデータを取得するための血管造影画像取得モジュールと、
請求項１～５のいずれか１項に記載の血管造影画像処理に用いる訓練方法で得られたニューラルネットワークに基づいて処理待ちの血管のオリジナル造影画像を含むデータを処理して、確定された主枝血管上の側枝血管の局所セグメン分割画像を含むデータを取得する処理モジュールと、
を備えることを特徴とする血管画像の自動処理装置。

【請求項20】

血管画像の自動処理装置において、
処理待ちの血管のオリジナル造影画像データである第１目標画像データを取得するための第１目標画像データ取得モジュールと、
請求項６に記載の血管造影画像処理に用いる訓練方法で得られた第１ニューラルネットワークに基づいて前記第１目標画像を処理して、確定された主枝血管のセグメン分割画像データを含む第１結果画像データを取得するための第１処理モジュールと、
前記第１結果画像データを、主枝血管がマーキングされた血管のオリジナル造影画像データである第２目標画像データに変換するための変換モジュールと、
前記第２目標画像データを取得するための第２目標画像取得モジュールと、
請求項６に記載の血管造影画像処理に用いる訓練方法で得られた第２ニューラルネットワークに基づいて前記第２目標画像データを処理して、確定された主枝血管上の側枝血管の局所セグメン分割画像データを含む第２結果画像データを取得するための第２処理モジュールと、を備えることを特徴とする血管画像の自動処理装置。

【請求項21】

前記第１結果画像データは確定された主枝血管のセグメン分割画像データであり、前記変換モジュールは前記第１結果画像データと前記第１目標画像データを融合して、主枝血管がマーキングされた血管のオリジナル造影画像データを得ることを特徴とする請求項２０に記載の血管画像の自動処理装置。

【請求項22】

前記第２結果画像データは確定された主枝血管上の側枝血管の局所セグメン分割画像データであり、
前記第２結果画像データと確定された主枝血管のセグメン分割画像データを融合して、融合後の画像データを取得するための後処理モジュールをさらに含むことを特徴とする請求項２０に記載の血管画像の自動処理装置。

【請求項23】

変換指令を受信するための受信モジュールをさらに備え、前記変換モジュールは受信した前記変換指令に基づいて前記第１結果画像データを前記第２目標画像データに変換することを特徴とする請求項２０～２２のいずれか１項に記載の血管画像の自動処理装置。

【請求項24】

修正後の主枝血管のセグメン分割画像データを入力して、修正後の主枝血管のセグメン分割画像を含むデータを前記第１結果画像データに更新するための入力モジュールをさらに備える請求項２３に記載の血管画像の自動処理装置。

【請求項25】

コンピュータ装置において、プロセッサとメモリを備え、前記メモリに少なくとも１つの指令が記憶され、前記少なくとも１つの指令が前記プロセッサにより実行される場合に、請求項１～６のいずれか１項に記載の血管造影画像処理に用いる訓練方法、又は請求項１３～１８のいずれか１項に記載の血管画像の自動処理方法を実現することを特徴とするコンピュータ装置。

【請求項26】

コンピュータ読み取り可能な記憶媒体において、少なくとも１つの指令が記憶され、前記少なくとも１つの指令が実行される場合に、請求項１～６のいずれか１項に記載の血管造影画像処理に用いる訓練方法、又は請求項１３～１８のいずれか１項に記載の血管画像の自動処理方法を実現することを特徴とするコンピュータ読み取り可能な記憶媒体。

【請求項27】

腔内画像と造影画像とのレジストレーション方法において、請求項１３～１８のいずれか１項に記載の血管画像の自動処理方法を用いて、側枝血管の局所セグメン分割画像を取得することと、該側枝血管が所属する主枝血管のセグメン分割画像を取得することと、主枝血管のセグメン分割画像及びその側枝血管のセグメン分割画像と該主枝血管の腔内画像とのマッチングを行うことと、を含む腔内画像と造影画像とのレジストレーション方法。

【請求項28】

血流予備量比の計算方法において、請求項１３～１８のいずれか１項に記載の血管画像の自動処理方法を用いて、側枝血管の局所セグメン分割画像を取得することと、該側枝血管が所属する主枝血管のセグメン分割画像を取得することと、主枝血管及びその側枝血管のセグメン分割画像に基づいて、主枝血管と側枝血管の直径又は半径を取得し、該主枝血管の理想的なの管腔の幾何パラメータを算出し、該主枝血管の血流予備量比を取得することと、を含むことを特徴とする血流予備量比の計算方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は医用画像処理分野に関し、特に、血管造影画像処理に用いる訓練方法、訓練装置、及び血管画像の自動処理方法と装置、装置及び記憶媒体に関する。

【背景技術】

【0002】

血管造影は現像剤を血管に注入し、Ｘ線で画像を表示するものである。よく見かけるのは、例えば、心血管、脳血管、網膜血管、肺部血管等の造影画像である。
心血管造影画像を例として、その１つの研究方向は腔内画像と造影画像とのマッチングにある。冠状動脈心臓病の治療について、例えば、光干渉断層撮影（ＯＣＴ）、血管内超音波（ＩＶＵＳ）等の腔内画像は高い解像度で冠状動脈プラークの安定性に対する評価を実現することができ、これらと冠状動脈造影とのマッチングは病変の造影画像における確実な位置をさらに確認することができ、正確な治療策略及び技術を指導する。腔内画像の造影画像における位置決めについて、現在の血管腔内画像と冠状動脈造影との融合技術は従来の介入手術のフローを変え、腔内画像を採集すると同時に、造影画像も採集する必要があり、これは臨床医及び技師の操作レベルに対する要求が高く、これによって腔内画像と冠状動脈造影とのマッチングが難しくなり、腔内画像と造影との融合技術の普遍的な使用を制限した。

【0003】

現在、腔内画像に基づく側枝識別技術は既に実現され、冠状動脈造影側枝血管に対する正確な検出は上記２つの様態の異なる画像の側枝のマッチングの実現を助け、現在の手術のフローを変えずに、血管腔内画像と冠状動脈造影との融合を実現することができる。

【0004】

したがって、上記のマッチングの難しさを低減する改善効果を実現するために、造影画像における側枝血管に対して検出及びセグメン分割を行う必要がある。

【0005】

もう１つの研究方向は血流予備量比（ＦＦＲ）の計算にある。冠状動脈心臓病の診断について、血流予備量比はゴールドスタンダードとして、現在のみんなが認めた最も正確な機能学評価指標であり、現在、欧州心臓病学会（ＥＳＣ）の手引きにＩａ級臨床的証拠と推奨され、かつ、米国心臓病学会（ＡＣＣ）の手引きにＩＩａ級臨床的証拠と推奨されている。しかしながら、圧力ガイドワイヤによる測定でＦＦＲを得る方法には依然として費やす時間が長く、費用が高い等の限界性が存在し、かつ、血管を損傷するリスクを増加し易い。造影画像に基づくＦＦＲ計算方法は、従来の方法の圧力ガイドワイヤを用いてＦＦＲを測定する限界性を克服することができ、現在、既に研究のホットスポットになっている。

【0006】

造影画像に基づくＦＦＲ計算については、狭窄がない場合の理想的な管腔の大きさを求めることが重要なステップの1つである。理論上、狭窄がない場合には、血管の理想的な管腔の大きさが分岐分流定理に適合する（下記式１を参照、ここで、ｒｉは該血管セグメント近位端起点から遠位端終点までの第ｉ個目の分岐の血管管腔の半径又は直径を表す。Ｒｉは該血管セグメント近位端起点から遠位端終点までの第ｉ－１個目の分岐と第ｉ個目の分岐との間の血管管腔の半径又は直径を表す。ここで、Ｒ０は該血管セグメント近位端起点の血管管腔の半径又は直径を表し、Ｒｋは該血管セグメント遠位端終点の血管管腔の半径又は直径を表し、Ｒｉ ′は該血管セグメント近位端起点から遠位端終点までの第ｉ－１個目の分岐と第ｉ個目の分岐の間の理想的な血管管腔の半径又は直径を表す）。理想的な管腔の大きさは１つの側枝血管を通過する度に、階段的に減少することになる。現在の冠状動脈造影に基づくＦＦＲ計算方法は、分析待ちの主枝血管のみのセグメン分割をして、理想的な管腔の大きさを簡単に線形の降下モデルに設置したが、側枝が生じる影響を考慮しないため、誤差をもたらす可能性がある。正確に側枝血管の寸法の取得は、冠状動脈造影に基づくＦＦＲ計算方法中の理想的な管腔の設定誤差を解決し、ＦＦＲ計算の正確さを引き上げることができる。

【0007】

【数01】

【0008】

したがって、ＦＦＲ計算の正確さを引き上げるために、造影画像における側枝血管のセグメン分割を行い、側枝血管の管腔の半径又は直径を取得する必要もある。
現在、冠状動脈造影画像の側枝血管に対する検出及びセグメン分割は主に以下の方式で実現するものである。即ち、全ての血管を含む冠状動脈ツリー（主枝全体と血管末梢までの全ての分枝血管を含む）を抽出し、更に冠状動脈ツリーの構造を分析することで主枝血管と側枝血管を確定する。

【0009】

文献１（陳建輝、趙蕾、李▲徳▼玉、万涛、冠状動脈造影画像血管ツリーセグメン分割に基づく血管狭窄自動識別方法[J].中国生物医学工程学報２０１９,３８(３):２６６-２７２）は、統計学領域融合に基づく血管ツリーセグメン分割方法を提供し、レベルセットアルゴリズムにより血管骨格線を取得し、最終的に側枝血管に対する検出及びセグメン分割を実現する。

【0010】

特許文献ＣＮ１０４８６７１４７Ａは冠状動脈造影画像セグメン分割に基づくＳＹＮＴＡＸ自動採点方法を提供している。該方法では側枝血管に対する検出及びセグメン分割の実現方式は次の通りである。即ち、冠状動脈造影画像に対して画像増強及び前処理を行い、冠状動脈の二値画像を得ることと、形態学演算に基づいて血管中心線を取得することと、血管中心線の交差点を識別することで、最終的に側枝血管に対するセグメン分割を実現することと、を含む。

【先行技術文献】

【特許文献】

【0011】

【特許文献1】ＣＮ１０４８６７１４７Ａ

【発明の概要】

【発明が解決しようとする課題】

【0012】

現在、主枝血管と側枝血管をセグメン分割する方法には依然として限界性が存在し、セグメン分割の効果を改善する余地がある。

【0013】

本発明は、上記のような実状に鑑みてなされたものであり、本発明は血管造影画像処理に用いる訓練方法を提出し、側枝血管に対するセグメン分割を実現し、血管のセグメン分割の限界性を解決する。

【課題を解決するための手段】

【0014】

本発明の一態様は、上記の技術課題を解決するために、本発明の実施形態は、血管造影画像処理に用いる訓練方法において、訓練データを取得することと、訓練データは、サンプルとラベルを含み、サンプルは血管のオリジナル造影画像データを含み、ラベルは確定された主枝血管上の側枝血管の局所セグメン分割結果データを含み、側枝血管の局所セグメン分割のセグメン分割範囲は側枝血管の始端から延伸方向に沿ってセグメン分割の終端までに延び、セグメン分割の終端が側枝血管の始端と末端との間に位置し、側枝血管の始端は該側枝血管と該側枝血管が所属する主枝血管の交差端であり、末端は側枝血管の最遠位端であり、延伸方向は始端から末端に向けた方向であり、セグメン分割の終端は、延伸方向において、少なくともセグメン分割された側枝血管のカリーナ部の該側枝血管中心線に垂直な断面に交差することと、ニューラルネットワークが血管のオリジナル造影画像に確定された主枝血管上の側枝血管の局所的なセグメン分割を行うように、取得した訓練データに基づいてニューラルネットワークに対して訓練を行うことと、を含む、血管造影画像処理に用いる訓練方法を開示する。

【発明の効果】

【0015】

本発明の一態様によれば、側枝血管に対して局所的なセグメン分割を行うニューラルネットワークを得ることができ、セグメン分割の効率を高めると同時に、セグメン分割の正確さを引き上げることを実現し、側枝血管のセグメン分割漏れやミスセグメン分割を避ける。

【0016】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、側枝血管の局所セグメン分割結果データにおいて、セグメン分割された側枝血管は少なくとも一つのセグメントの正常な管腔を含み、又は、側枝血管の局所セグメン分割結果データにおいて、セグメン分割された側枝血管の長さは該側枝血管が所属する主枝血管の管腔直径の１～１０倍である血管造影画像処理に用いる訓練方法を開示する。

【0017】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、正常な管腔は狭窄、膨張、重畳、切断又は変形が現れていない管腔であり、又は、前記正常な管腔の前記延伸方向に沿った長さは１～１５ｍｍである、血管造影画像処理に用いる訓練方法を開示する。

【0018】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、サンプルは血管のオリジナル造影画像データであり、前記ラベルは確定された主枝血管上の側枝血管の局所セグメン分割結果データであり、又は、ラベルは主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データからなる画像データであり、確定された主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データである、血管造影画像処理に用いる訓練方法を開示する。

【0019】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、サンプルは主枝血管がマーキングされた血管のオリジナル造影画像データであり、ラベルはマーキングされた主枝血管上の側枝血管の局所セグメン分割結果データであり、又は、ラベルはマーキングされた主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データからなる画像データであり、マーキングされた主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データである、血管造影画像処理に用いる訓練方法を開示する。

【0020】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、ニューラルネットワークは第１ニューラルネットワークと第２ニューラルネットワークを含み、サンプルは第１サンプルと第２サンプルを含み、ラベルは第１ラベルと第２ラベルを含み、第１サンプルは血管のオリジナル造影画像データであり、第１ラベルは確定された主枝血管のセグメン分割結果データであり、又は、第１ラベルは確定された主枝血管のセグメン分割結果データと血管のオリジナル造影画像データを組み合わせた画像データであり、第１ニューラルネットワークが血管のオリジナル造影画像に確定された主枝血管に対してセグメン分割を行うように、第１サンプルと第１ラベルに基づいて第１ニューラルネットワークに対して訓練を行い、第２サンプルは主枝血管がマーキングされた血管のオリジナル造影画像データであり、第２ラベルはマーキングされた主枝血管上の側枝血管の局所セグメン分割結果データであり、又は、第２ラベルはマーキングされた主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データであり、マーキングされた主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データであり、第２ニューラルネットワークが血管のオリジナル造影画像にマーキングされた主枝血管の下位の側枝血管に対して局所的なセグメン分割を行うように、第２サンプルと第２ラベルに基づいて第２ニューラルネットワークに対して訓練を行う、血管造影画像処理に用いる訓練方法を開示する。

【0021】

本発明は、血管造影画像処理に用いる訓練装置において、訓練データを取得するための取得モジュールであって、訓練データはサンプルとラベルを含み、サンプルは血管のオリジナル造影画像データを含み、ラベルは確定された主枝血管上の側枝血管の局所セグメン分割結果データを含み、側枝血管の局所セグメン分割のセグメン分割範囲は側枝血管の始端から延伸方向に沿ってセグメン分割終端まで延び、セグメン分割終端が側枝血管の始端と末端との間に位置し、側枝血管の始端は該側枝血管と該側枝血管が所属する主枝血管の交差端であり、末端は側枝血管の最遠位端であり、延伸方向は始端から末端に向けた方向であり、セグメン分割終端は、延伸方向において、少なくともセグメン分割された側枝血管のカリーナ部の該側枝血管中心線に垂直な断面に交差する取得モジュールと、ニューラルネットワークが血管のオリジナル造影画像に確定された主枝血管の下位の側枝血管に対して局所的なセグメン分割を行うように、取得した訓練データに基づいてニューラルネットワークに対して訓練を行うための訓練モジュールと、を備える、血管造影画像処理に用いる訓練装置が提供する。

【0022】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、側枝血管の局所セグメン分割結果データにおいて、セグメン分割された側枝血管は少なくとも一つのセグメントの正常な管腔を含み、又は、側枝血管の局所セグメン分割結果データにおいて、セグメン分割された側枝血管の長さは該側枝血管が所属する主枝血管の管腔直径の１～１０倍である、血管造影画像処理に用いる訓練装置を開示する。

【0023】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、正常な管腔は狭窄、膨張、重畳、切断又は変形が現れていない管腔であり、又は、正常な管腔の延伸方向に沿った長さは１～１５ｍｍである、血管造影画像処理に用いる訓練装置を開示する。

【0024】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、サンプルは血管のオリジナル造影画像データであり、ラベルは確定された主枝血管上の側枝血管の局所セグメン分割結果データであり、又は、ラベルは確定された主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データであり、確定された主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データである、血管造影画像処理に用いる訓練装置を開示する。

【0025】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、サンプルは主枝血管がマーキングされた血管のオリジナル造影画像データであり、ラベルはマーキングされた主枝血管上の側枝血管の局所セグメン分割結果データであり、又は、ラベルはマーキングされた主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データであり、マーキングされた主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データである、血管造影画像処理に用いる訓練装置を開示する。

【0026】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、ニューラルネットワークは第１ニューラルネットワークと第２ニューラルネットワークを含み、サンプルは第１サンプルと第２サンプルを含み、ラベルは第１ラベルと第２ラベルを含み、訓練モジュールは第１訓練モジュールと第２訓練モジュールを含み、取得モジュールは第１取得モジュール及び第２取得モジュールを含み、第１取得モジュールは第１サンプルと第１ラベルを取得するためのものであり、第１サンプルは血管のオリジナル造影画像データであり、第１ラベルは確定された主枝血管のセグメン分割結果データであり、又は、第１ラベルは確定された主枝血管のセグメン分割結果データと血管のオリジナル造影画像データを組み合わせた画像データであり、第１訓練モジュールは、第１ニューラルネットワークが血管のオリジナル造影画像に確定された主枝血管に対してセグメン分割を行うように、第１サンプルと第１ラベルに基づいて第１ニューラルネットワークに対して訓練を行うためのものであり、第２取得モジュールは第２サンプルと第２ラベルを取得するためのものであり、第２サンプルは主枝血管がマーキングされた血管のオリジナル造影画像データであり、第２ラベルはマーキングされた主枝血管上の側枝血管の局所セグメン分割結果データであり、又は、マーキングされた主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データであり、マーキングされた主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データであり、第２訓練モジュールは、第２ニューラルネットワークが血管のオリジナル造影画像にマーキングされた主枝血管の下位の側枝血管に対して局所的なセグメン分割を行うように、第２サンプルと第２ラベルに基づいて第２ニューラルネットワークに対して訓練を行うためのものである、血管造影画像処理に用いる訓練装置を開示する。

【0027】

本発明は、血管画像の自動処理方法において、処理待ちの血管のオリジナル造影画像を含むデータを取得することと、上記の血管造影画像処理に用いる訓練方法で得られたニューラルネットワークに基づいて、処理待ちの血管のオリジナル造影画像を含むデータを処理して、確定された主枝血管上の側枝血管の局所セグメン分割画像を含むデータを取得することと、を含む、血管画像の自動処理方法を提供する。

【0028】

本発明は、血管画像の自動処理方法において、処理待ちの血管のオリジナル造影画像データである第１目標画像データを取得することと、上記の血管造影画像処理に用いる訓練方法で得られた第１ニューラルネットワークに基づいて第１目標画像を処理して、確定された主枝血管のセグメン分割画像データを含む第１結果画像データを取得することと、第１結果画像データを主枝血管がマーキングされた血管のオリジナル造影画像データである第２目標画像データに変換することと、上記の血管画像処理の訓練方法で得られた第２ニューラルネットワークに基づいて第２目標画像データを処理して、確定された主枝血管上の側枝血管の局所セグメン分割画像データを含む第２結果画像データを取得することと、を含む、血管画像の自動処理方法をさらに提供する。

【0029】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、第１結果画像データは確定された主枝血管のセグメン分割画像データであり、第１結果画像データを第２目標画像データに変換することは、第１結果画像データと第１目標画像データを融合して、主枝血管がマーキングされた血管のオリジナル造影画像データを得ることを含む、血管画像の自動処理方法を開示する。

【0030】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、第２結果画像データは確定された主枝血管上の側枝血管の局所セグメン分割画像データであり、前記自動処理方法は、第２結果画像データと確定された主枝血管のセグメン分割画像データを融合して、融合後の画像データを取得することをさらに含む、血管画像の自動処理方法を開示する。

【0031】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、自動処理方法は、変換指令を受信し、受信した変換指令に基づいて第１結果画像データを第２目標画像データに変換することをさらに含む、血管画像の自動処理方法を開示する。

【0032】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、自動処理方法は、修正後の主枝血管のセグメン分割画像データを入力し、修正後の主枝血管のセグメン分割画像を含むデータを第１結果画像データに更新することをさらに含む、血管画像の自動処理方法を開示する。

【0033】

本発明は、血管画像の自動処理装置において、処理待ちの血管のオリジナル造影画像を含むデータを取得するための血管造影画像取得モジュールと、上記の血管造影画像処理に用いる訓練方法で得られたニューラルネットワークに基づいて処理待ちの血管のオリジナル造影画像を含む画像データを処理して、確定された主枝血管上の側枝血管の局所セグメン分割画像を含むデータを取得するための処理モジュールと、を備える、血管画像の自動処理装置を提供する。

【0034】

本発明は、血管画像の自動処理装置において、処理待ちの血管のオリジナル造影画像データである第１目標画像データを取得するためのデータ取得モジュールと、上記の血管造影画像処理に用いる訓練方法で得られた第１ニューラルネットワークに基づいて第１目標画像を処理して、確定された主枝血管のセグメン分割画像データを含む第１結果画像データを取得するための第１処理モジュールと、第１結果画像データを、主枝血管がマーキングされた血管のオリジナル造影画像データである第２目標画像データに変換するための変換モジュールと、第２目標画像データを取得するための第２目標画像取得モジュールと、上記の血管造影画像処理に用いる訓練方法で得られた第２ニューラルネットワークに基づいて第２目標画像データを処理して、確定された主枝血管上の側枝血管の局所セグメン分割画像データを含む第２結果画像データを取得するための第２処理モジュールと、を備える、血管画像の自動処理装置をさらに提供する。

【0035】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、第１結果画像データは確定された主枝血管のセグメン分割画像データであり、変換モジュールは第１結果画像データと第１目標画像データを融合して、主枝血管がマーキングされた血管のオリジナル造影画像データを得る、血管画像の自動処理装置を開示する。

【0036】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、第２結果画像データは確定された主枝血管上の側枝血管の局所セグメン分割画像データであり、自動処理装置は、第２結果画像データと確定された主枝血管のセグメン分割画像データを融合して、融合後の画像データを取得するための後処理モジュールをさらに備える、血管画像の自動処理装置を開示する。

【0037】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、自動処理装置は、変換指令を受信するための受信モジュールをさらに備え、変換モジュールは受信した変換指令に基づいて第１結果画像データを第２目標画像データに変換する、血管画像の自動処理装置を開示する。

【0038】

本発明の別の具体的な実施形態によれば、本発明の実施形態は、自動処理装置は、修正後の主枝血管のセグメン分割画像データを入力して、修正後の主枝血管のセグメン分割画像を含むデータを第１結果画像データに更新するための入力モジュールをさらに備える、血管画像の自動処理装置を開示する。

【0039】

本発明は、プロセッサとメモリを備え、メモリに少なくとも１つの指令が記憶され、少なくとも１つの指令がプロセッサに実行される場合に、上記の血管造影画像処理に用いる訓練方法、又は上記の血管画像の自動処理方法を実現する、コンピュータ装置を提供する。

【0040】

本発明は、少なくとも１つの指令が記憶され、少なくとも１つの指令が実行される場合に、上記の血管造影画像処理に用いる訓練方法、又は上記の血管画像の自動処理方法を実現する、コンピュータ読み取り可能な記憶媒体を提供する。

【0041】

本発明は、上記の血管画像の自動処理方法を用いて、側枝血管の局所セグメン分割画像を取得することと、側枝血管が所属する主枝血管のセグメン分割画像を取得することと、主枝血管のセグメン分割画像及びその下位の側枝血管のセグメン分割画像と該主枝血管の腔内画像をマッチングすることと、を含む、腔内画像と造影画像とのレジストレーション方法をさらに提供する。

【0042】

本発明は、上記の血管画像の自動処理方法を用いて、側枝血管の局所セグメン分割画像を取得することと、該側枝血管が所属する主枝血管のセグメン分割画像を取得することと、主枝血管及びその下位の側枝血管のセグメン分割画像に基づいて、主枝血管と側枝血管の直径又は半径を取得し、該主枝血管の理想的な管腔の幾何パラメータを算出し、該主枝血管の血流予備量比を計算して取得することと、を含む、血流予備量比の計算方法をさらに提供する。

【図面の簡単な説明】

【0043】

【図1】本発明実施例の血管造影画像処理に用いる訓練方法のフローを示す図である。

【図2】本発明実施例の主枝血管上の側枝血管に対する局所セグメン分割を示す図である。

【図3】本発明の別の実施例の血管造影画像処理に用いる訓練方法のフローを示す図である。

【図4】本発明実施例の血管造影画像処理に用いる訓練装置を示す図である。

【図5】本発明の別の実施例の第１ニューラルネットワークを訓練するための訓練装置を示す図である。

【図6】本発明の別の実施例の第２ニューラルネットワークを訓練するための訓練装置を示す図である。

【図7】本発明実施例の血管画像の自動処理方法のフローを示す図である。

【図8】本発明の別の実施例の血管画像の自動処理方法のフローを示す図である。

【図9】本発明の更に別の実施例の血管画像の自動処理方法のフローを示す図である。

【図10】本発明実施例の血管画像の自動処理装置を示す図である。

【図11】本発明の別の実施例の血管画像の自動処理装置を示す図である。

【図12】本発明実施例の血管のオリジナル造影画像データを示す図である。

【図13】本発明実施例の主枝血管のセグメン分割結果データを示す図である。

【図14】本発明実施例の主枝血管のセグメン分割結果データと血管のオリジナル造影画像データとの融合後の画像データを示す図である。

【図15】本発明実施例の主枝血管上の側枝血管の局所セグメン分割結果データを示す図である。

【図16A-16E】は本発明実施例の局所セグメン分割を行って得られた側枝血管毎の画像データを示す図である。

【発明を実施するための形態】

【0044】

以下、特定の具体的な実施例で本発明の実施形態を説明する。当業者は本明細書に開示された内容から本発明のほかの利点及び効果を容易に理解することができる。本発明の記述は好適な実施例と合わせて一緒に紹介するが、これはこの発明の特徴が該実施形態に限ることを表すものではない。まさしく逆であり、実施形態を合わせて発明を紹介する目的は、本発明の特許請求の範囲に基づいて延出し得るその他の選択又は改良をカバーするためである。本発明を深く理解させるために、以下の記述において、多くの具体的な細部を含む。本発明はこれらの細部を使用せずに実施してもよい。また、本発明の重点を混乱させるか、曖昧にさせることを避けるために、ある一部の具体的な細部は記述において省略される。なお、コンフリクトしない場合には、本発明中の実施例及び実施例中の特徴を互いに組み合わせることができる。

【0045】

なお、本明細書では、類似する符号や文字は以下の図において類似項目を表している。したがって、ある１つの項目が１つの図において定義されると、以降の図面においてそれに対してさらに定義や解釈を行う必要がない。

【0046】

「第１」、「第２」等の用語は記述を区分するのみに用いられ、相対的な重要性を指示又は暗示するものではないと理解すべきである。

【0047】

本発明の目的、技術手段及び利点をより明確にするために、以下、図を参照しながら本発明の実施形態についてさらに詳しく記述する。

【0048】

上記のように、発明者は、従来技術の血管造影画像の自動セグメン分割方法は、原理上２種類に分けられたことを発見した。１つは血管特徴を検出する方法で血管のセグメン分割を行うものであり、もう１つは先ず血管造影画像上の分岐点を探し、分岐点により血管をセグメン分割するものである。上記のセグメン分割原理に基づき、従来の血管造影画像の自動セグメン分割方法は側枝血管全体を識別することができ、したがって、主枝血管をセグメント分割するだけでなく、側枝血管全体を完全にセグメント分割することになる。しかしながら、従来のセグメン分割方法のいずれも多くの限界性が存在する。

【0049】

冠状動脈を例として詳しく述べる。その一、三次元空間中の血管を二次元平面に投射したため、造影画像を採集する時、どのような体位を用いても、血管重畳の現象が生じ得ることを避けられず、特に、側枝血管が比較的長い場合には、重畳現象がさらに厳しくなり得る。このような重畳現象は冠状動脈ツリーからの主枝と側枝血管の抽出にとても大きな困難をもたらし、側枝血管の検出精度にも厳しく影響を及ぼす。

【0050】

その二、血管造影の画像形成特徴のため、血管が細くなるほど血管末端に接近し、現像が遅くなる。同時に時間の持続につれて、血管造影剤の滲出効果もますます明らかになり、これによって、アルゴリズムのセグメン分割効果が細かな血管のところによくないことを引き起こし、血管破壊、ひいてはセグメン分割漏れやミスセグメン分割の状況が現れる。

【0051】

また、主枝血管と側枝血管を完全にセグメント分割することも多くの時間を費やすことになる。

【0052】

このため、本発明は、ニューラルネットワークに対して訓練を行って、訓練後のニューラルネットワークモデルを取得することによって、主枝血管の下位の側枝血管に対して局所的なセグメン分割を行うことを実現する血管造影画像処理に用いる訓練方法を提出する。

【0053】

図１及び図２を参照し、このため、本発明の血管造影画像処理に用いる訓練方法は、訓練データを取得するＳ１０１と、ニューラルネットワークが血管造影画像に確定された主枝血管上の側枝血管に対して局所的なセグメン分割を行うように、取得した訓練データに基づいてニューラルネットワークに対して訓練を行うＳ１０２と、を含む。上記訓練データは少なくとも血管のオリジナル造影画像データ及び側枝血管の局所セグメン分割結果データを含む。訓練データはサンプルとラベルを含み、サンプルは血管のオリジナル造影画像データを含み、ラベルは確定された主枝血管上の側枝血管の局所セグメン分割結果データを含む。血管のオリジナル造影画像データは特定の位置に対して取得した血管造影画像データであり、該画像データは画像フォーマット又は画像から変換されたフォーマットであってもよい。例えば、図１２に示される訓練データ用の血管のオリジナル造影画像として、この血管のオリジナル造影画像を画像データに変換し、サンプルデータとする。本実施例では、画像をマスク図（二値図）に変換して訓練データとしてもよい。血管のオリジナル造影画像は特定の選び取った位置で取得した画像であり、画像中に一般的に１つの主枝血管しか現れず、又はたとえ２つの主枝血管が現れても、１つの主枝血管が正面視での位置にあり、もう１つの主枝血管がコーナにあって、完全に現れることはない。本発明の訓練方法は、血管のオリジナル造影画像における正面視位置にある主枝血管の下位の側枝血管に対して局所的なセグメン分割を行うようにニューラルネットワークを訓練する。

【0054】

訓練データにおいて、側枝血管の局所セグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管上の側枝血管の局所セグメン分割画像データであり、同様にマスク図に変換して訓練データとしてもよい。側枝血管の局所セグメン分割画像データにおいて、局所セグメン分割のセグメン分割範囲は側枝血管の始端から延伸方向に沿ってセグメン分割終端まで延び、セグメン分割終端が側枝血管の始端と末端との間に位置し、側枝血管の始端は該側枝血管と該側枝血管が所属する主枝血管の交差端であり、末端は側枝血管の最遠位端であり、延伸方向は始端から末端に向けた方向である。セグメン分割終端は、延伸方向において、少なくともセグメン分割された側枝血管のカリーナ部の該側枝血管中心線に垂直な断面に交差する。

【0055】

上記訓練方法は、観察が必要な主枝血管、即ち関心のある主枝血管、例えば、前下行枝について、前下行枝に相応するオリジナル造影画像を取得し、画像において関心のある該主枝血管を探し当て、確定された主枝血管とし、先ず主枝血管のセグメン分割を行って、主枝血管のセグメン分割画像を得、例えば、マーキングソフトウェアにより画像中の主枝血管をマーキングし、主枝血管の輪郭をマーキングする。主枝血管を見つけ出してから、マークに基づいて該主枝血管に属する全ての側枝血管を探し、主枝血管上の側枝血管に対して局所的なセグメン分割を行う。

【0056】

本発明の訓練方法により、ニューラルネットワークによる自動的な側枝血管への局所セグメン分割を実現する。局所セグメン分割は側枝血管毎に完全にセグメント分割するのではなく、一部のみをセグメント分割する。上記セグメン分割終端はセグメント分割した一部の終端の位置であり、セグメント分割した部分は側枝血管の始端から延伸方向に沿ってセグメン分割終端の所在する位置までである。延伸方向は側枝血管の始端から末端への延長する方向であると理解されることができ、例えば、図２中の側枝血管中心線が始端から尾端へ延伸する方向であってもよい。局所セグメン分割であるため、セグメン分割終端が側枝血管の始端と末端との間に位置し、具体的に側枝血管の間のどの位置にあるかについては、限定されないが、セグメン分割終端は、延伸方向において、少なくともセグメント分割された側枝血管のカリーナ部の該側枝血管中心線に垂直な断面に交差することを満足する必要がある。つまり、側枝血管のセグメン分割範囲は延伸方向において、側枝中心線に垂直なカリーナ部の断面をカバーすることによって、セグメント分割した側枝血管は該側枝血管が所属する主枝血管との間の交差部分を完全に保留できることを保証する。
本発明の血管造影画像処理に用いる訓練方法は、心血管を取り扱う造影画像に対して訓練を行ってもよいし、脳血管、網膜血管、肺部血管、腎臓動脈血管等を取り扱う造影画像に対して訓練を行ってもよい。

【0057】

本発明は、側枝血管に対して全体的なセグメン分割を行うという通常の構想を打ち破り、側枝血管に対する局所セグメン分割を実現する方法を訓練し、全体的なセグメン分割に比べて、重畳、滲出効果等によるセグメン分割の偏差が生じる問題を避け、セグメン分割の結果が正確で、セグメン分割の難しさを極めて大きく低減し、造影画像のセグメン分割時間を減らした。また、局所セグメン分割によってセグメント分割した側枝血管が完全な側枝血管の一部のみであるが、ほとんどの分野における使用に影響を及ぼさない。

【0058】

例えば、発明者は、冠状動脈造影画像とＯＣＴ又はＩＶＵＳ画像との間のレジストレーションには側枝血管遠位端の情報が必要ではないため、側枝血管を完全にセグメント分割することも必要ではないことを発見した。１つの血管造影位置には同時に主枝血管全体と側枝血管全体を露出するのは非常に困難である。主枝血管と側枝血管を完全にセグメント分割すると、とても多くの問題が現れることになる。ところが、主枝血管全体とスモールセグメントの側枝血管を露出することを比較的容易に満足するので、本発明はニューラルネットワークに対して訓練を行うことにより、側枝血管に対してより有効でよりロバストな検出方法、即ち局所セグメン分割（短いセグメン分割であると理解されてもよい）の方式を用いると、ＯＣＴ又はＩＶＵＳ画像とマッチングする造影画像とすることができるセグメン分割画像を取得可能である。ＯＣＴ又はＩＶＵＳ画像は腔内画像に属し、セグメント分割された側枝血管の範囲がカリーナ部をカバーして側枝中心線に垂直な断面に交差するため、側枝血管と主枝血管との交差箇所の完全性を保留しており、造影画像とＯＣＴ又はＩＶＵＳ画像とのマッチングを行う時に、ＯＣＴ又はＩＶＵＳ画像における交差箇所の位置、寸法等の情報と血管セグメン分割後の造影画像における交差箇所の位置、寸法等の情報とを比較対照することで、造影画像と血管腔内画像位置とをマッチングすることができ、現在の手術フローを変えない上で、血管腔内画像と冠状動脈造影とのマッチングを実現する。

【0059】

又、例えば、冠状動脈造影に基づくＦＦＲ計算において、分岐箇所の管腔直径のみに考慮すればよい。つまり、側枝血管が比較的長い場合には、側枝血管の遠位端によるＦＦＲ計算に対する影響を無視してもよい。したがって、局所的なセグメン分割を行った側枝血管において側枝血管の管腔半径又は直径を算出さえすればよい。

【0060】

さらには、本発明の別の具体的な実施形態として、本発明の血管画像の処理方法によってセグメント分割された側枝血管は少なくとも一つのセグメントの正常な管腔を含む。正常な管腔とは狭窄、膨張、重畳、切断又は変形が現れていない管腔を指す。変形した管腔は、例えば形状が著しく変化したり、輪郭がはっきりしていない管腔である。正常な管腔セグメントははっきりしている輪郭を有し、かつ、正常な管腔セグメント全体の直径の変化は緩やかである。正常な管腔を含むことは、更なる応用のために、側枝血管の管腔半径又は直径を正確に測定することを保証する。

【0061】

側枝血管の管腔半径又は直径の測定は従来の手動方法又はソフトウェアを用いて測定してもよい。ソフトウェアによる方法は、通常一つのセグメントの正常な管腔を１つの円柱形に模擬することによって、管腔の半径又は直径を得る。

【0062】

ニューラルネットワークによってセグメント分割された側枝血管の結果が予め設定した状況に適合するように、訓練データを製作する時に、局所的なセグメン分割が行われた側枝血管の長さを統一的に規定してもよい。半径又は直径の計算の便宜を図るために、製作した訓練データに、局所的なセグメン分割が行われた側枝血管中の正常な管腔の延伸方向に沿った長さを具体的な標準に基づいて設定してもよい、１つの所定の長さを予め設置してもい。例えば、所定の長さを主枝血管の管腔直径の１～１０倍に設置してもよい、好ましくは２～６倍であり、より好ましくは３倍又は５倍である。又は、別の側面から、例えば、具体的な寸法において、所定の長さは１～１５ｍｍであってもよく、好ましくは１～１０ｍｍであってもよく、さらに好ましくは２～８ｍｍであってもよい。上記標準によって訓練データの製作を行うことで、ニューラルネットワークが比較的良い学習効果を取得することができる。

【0063】

さらには、訓練データの製作について、側枝血管に対して局所的なセグメン分割を行う時に、正常な管腔セグメントを含むことを保証すると共に、セグメント分割された側枝血管の長さをできるだけ短縮することで、遠位端の側枝血管の不利な影響をできるだけ避ける。局所的なセグメン分割を行う時に、まず、処理しようとする主枝血管を見つける。血管のオリジナル造影画像において一般に１種の主枝血管を含有し、例えば、左回旋枝に対して血管のオリジナル造影画像を取得し、画像中の左回旋枝に基づいてそのあらゆる側枝血管に対して局所的なセグメン分割を行う。セグメン分割が行われる側枝血管のカリーナ部が該側枝血管中心線に垂直な断面に交差する位置を開始端とし、延伸方向に沿って側枝血管の始端と末端との間にセグメン分割終端を確定する。例えば、側枝血管のカリーナ部が該側枝血管中心線に垂直な断面に交差する位置から、延伸方向に沿って一つのセグメントの正常な管腔があると、所定の長さでセグメン分割終端を確定することができる。もし側枝血管のカリーナ部が該側枝血管中心線に垂直な断面に交差する位置から、延伸方向に沿って狭窄、膨張、重畳、切断又は変形等の非正常な管腔領域が存在すれば、該非正常な管腔セグメントから後方へ一つのセグメントだけ延びた後、セグメン分割終端を確定する。即ちセグメン分割範囲は非正常の管腔セグメントをカバーし、さらに一つのセグメントの正常な管腔セグメントを含有すればよい。

【0064】

上記の各実施例では、訓練データはサンプルとラベルであり、上記の訓練方法は、サンプルとラベルを取得し、サンプルは少なくとも血管のオリジナル造影画像データを含み、ラベルは少なくとも確定された主枝血管上の側枝血管の局所セグメン分割結果データを含むことを含む。

【0065】

具体的には、本発明のその中の一実施例として、サンプルは血管のオリジナル造影画像データであり、即ち血管のオリジナル造影画像をニューラルネットワークの学習に供する二値図に変換し、ラベルは確定された主枝血管上の側枝血管の局所セグメン分割結果データであり、又は、ラベルは確定された主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データである。上記の確定された主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データである。主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組合せ、つまり、主枝血管画像及び主枝血管上の側枝血管の局所セグメン分割画像を同一の画像データに合併する。例えば、主枝血管のセグメン分割画像と側枝血管の局所セグメン分割結果データを融合する方式で組み合わせても良い。本実施例中の訓練データを用いてニューラルネットワークに対して訓練を行い、訓練時のラベルが確定された主枝血管上の側枝血管の局所セグメン分割結果データである場合、テスト段階で、ニューラルネットワークに血管のオリジナル造影画像データを入力することにより、ニューラルネットワークから出力されたのは主枝血管上の側枝血管の局所セグメン分割結果データであり、即ち訓練したニューラルネットワークから出力された表示画像データはただ側枝血管の局所セグメン分割結果データだけである。訓練時のラベルが主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データである場合、テスト段階で、ニューラルネットワークに血管のオリジナル造影画像データを入力することにより、ニューラルネットワークから出力されたのは主枝血管のセグメン分割結果データと主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データであり、即ち訓練したニューラルネットワークから出力されたのは側枝血管の局所セグメン分割結果データを含むだけでなく、主枝血管のセグメン分割結果データも含む。本実施例のサンプルとラベルを用いてニューラルネットワークに対してワンステップ型訓練を行い、ニューラルネットワークは、テストの時に、血管のオリジナル造影画像データを入力する際に、少なくとも局所的なセグメン分割を行った後の側枝血管の画像データを出力することができ、該局所的なセグメン分割を行った後の側枝血管は血管のオリジナル造影画像において唯一に確定された主枝血管上の全ての側枝血管である。本実施例の訓練方法で訓練されたニューラルネットワークモデルはワンステップで自動セグメン分割をやり遂げることを実現する。

【0066】

【0067】

上記の実施例では、ニューラルネットワーク訓練用のサンプルに主枝血管がマーキングされており、セグメン分割された主枝血管上の全ての側枝血管を検出して、これらの側枝血管に対して局所的なセグメン分割を行うことができるように、ニューラルネットワークを訓練するだけでよい。サンプルの取得は人力で主枝血管のセグメン分割を行っても良い、又は、コンピュータアルゴリズムで主枝血管のセグメン分割行ってから、主枝血管のセグメン分割結果データと血管のオリジナル造影画像データを融合して、主枝血管がマーキングされたオリジナル造影画像を取得し、主枝血管がマーキングされた血管のオリジナル造影画像データ（例えば、二値図）を製作することもできる。主枝血管を自動的に単独でセグメン分割するのは従来のアルゴリズムを用いて実現することができる。

【0068】

図３に示すように、本発明は血管造影画像処理に用いる訓練方法の具体的な実施例をさらに提供する。該訓練方法はステップバイステップ式訓練を用い、２つのニューラルネットワークを訓練する。本実施例では、ニューラルネットワークは第１ニューラルネットワークと第２ニューラルネットワークを含み、サンプルは第１サンプルと第２サンプルを含み、ラベルは第１ラベルと第２ラベルを含む。訓練方法は具体的に、第１サンプルと第１ラベルを取得するＳ２０１と、第１ニューラルネットワークが血管のオリジナル造影画像における確定された主枝血管に対してセグメン分割を行うように、第１サンプルと第１ラベルに基づいて第１ニューラルネットワークに対して訓練を行うＳ２０２と、第２サンプルと第２ラベルを取得するＳ２０３と、第２ニューラルネットワークが血管造影画像におけるマーキングされた主枝血管上の側枝血管に対して局所的なセグメン分割を行うように、第２サンプルと第２ラベルに基づいて第２ニューラルネットワークに対して訓練を行うＳ２０４と、を含む。

【0069】

第１サンプルは血管のオリジナル造影画像データであり、例えば、図１２に示すのは血管のオリジナル造影画像であり、この画像を血管のオリジナル造影画像データに変換し、第１サンプルデータを形成する。第１ラベルは確定された主枝血管のセグメン分割結果データであり、例えば、図１３に示すような主枝血管をセグメン分割した後に表示された画像データであり、この画像を主枝血管のセグメン分割結果データに変換し、第１ラベルデータとする。又は、第１ラベルは確定された主枝血管のセグメン分割結果データと血管のオリジナル造影画像データを組み合わせた後の画像データであり、例えば、図１４に示されるように、主枝血管のセグメン分割結果データを含むと共に、血管のオリジナル造影画像データのデータも含む。図１４に示すような組み合わせた後の画像データを第１ラベルデータとする。第１ラベルが主枝血管のセグメン分割結果データである場合、テスト段階で、第１ニューラルネットワークに血管のオリジナル造影画像データを入力することにより、第１ニューラルネットワークから出力されたのは血管のオリジナル造影画像中の主枝血管のセグメン分割結果データである。第１ラベルが主枝血管のセグメン分割結果データと血管のオリジナル造影画像データを組み合わせた後の画像データである場合、テスト段階で、第１ニューラルネットワークに血管のオリジナル造影画像データを入力することにより、第１ニューラルネットワークから出力されたのは主枝血管のセグメン分割結果データと血管のオリジナル造影画像データを組み合わせた後の画像データであり、即ち主枝血管がマーキングされた血管造影画像が表示される。

【0070】

第２サンプルは主枝血管がマーキングされた血管のオリジナル造影画像データである。例えば、図１４に示されるように、第２サンプルは血管のオリジナル造影画像を含むと共に、主枝血管のセグメン分割結果データも含んでおり、主枝血管のセグメン分割結果データと血管のオリジナル造影画像を組み合わせた後の結果である。第２サンプルの取得は、例えば、主枝血管のセグメン分割結果データとオリジナル造影画像を融合させる方式で実現され、即ち、図１２中の血管のオリジナル造影画像と図１３中の主枝血管のセグメン分割結果データを融合することで、図１４に示すような融合後の画像データを取得しており、さらに、この画像データを第２サンプルデータとすることができる。図１４中の主枝血管の輪郭は黒色でマーキングされ、その他の実施例ではさらにカラーでセグメン分割された主枝血管をマーキングしてもい。又は、血管のオリジナル造影画像において主枝血管を直接マーキングする方式で第２サンプルデータを製作してもよい。第２サンプルは人力による主枝のセグメン分割及びアルゴリズムを融合した技術を合わせて血管のオリジナル造影画像と主枝セグメン分割結果データとの組合せを実現してもよい、又は、全部でアルゴリズムを用いて主枝血管のセグメン分割及び主枝血管と血管のオリジナル造影画像との組合せを実現してもよい。第２ラベルはマーキングされた主枝血管上の側枝血管の局所セグメン分割結果データであり、又は、第２ラベルはマーキングされた主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データである。組合せの方式は同様に上記の実施例に言及された方法を参照することができる。

【0071】

第２ラベルの製作について、例えば、図１５を参照し、図１５は図１２中の血管のオリジナル造影画像に基づいて局所的なセグメン分割を行うことで得た側枝血管であり、図１５中の画像データを第２ラベルデータとして対応的に製作し、対応して取得した第２ラベルは側枝血管の局所セグメン分割結果データであり、この方法で製作した第２ラベルは側枝血管のセマンティックセグメンテーション（ＳｅｍａｎｔｉｃＳｅｇｍｅｎｔａｔｉｏｎ）を実現するのに用いられることができる。又は、図１６Ａ～図１６Ｅを参照し、側枝血管に対して局所的なセグメン分割を行った後、側枝血管毎の局所セグメン分割マスクをそれぞれ取得し、その後、さらに全ての側枝血管マスクを合併し、全ての側枝血管を含む局所セグメン分割結果データを形成し、第２ラベルとする。この方法で製作した第２ラベルは側枝血管のインスタンスセグメンテーション（ＩｎｓｔａｎｃｅＳｅｇｍｅｎｔａｔｉｏｎ）を実現することができる。本実施例では、第２ラベルを製作する方法について、上記各実施例中のラベルの製作方法に用いられることもできる。

【0072】

上記のマーキングされた主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データである。第２ラベルがマーキングされた主枝血管上の側枝血管のセグメン分割結果データである場合、テスト段階で、第２ニューラルネットワークに主枝血管がマーキングされた血管のオリジナル造影画像データを入力することにより、第２ニューラルネットワークから出力されたのはマーキングされた主枝血管上の側枝血管の局所セグメン分割結果データである。第２ラベルが主枝血管のセグメン分割結果データと側枝血管の局所セグメン分割結果データを組み合わせた画像データである場合、テスト段階で、第２ニューラルネットワークに主枝血管がマーキングされた血管のオリジナル造影画像データを入力することにより、第２ニューラルネットワークから出力されたのはマーキングされた主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データであり、即ち主枝血管がマーキングされた輪郭と該主枝血管上の側枝血管の部分輪郭の画像が表示される。第２ニューラルネットワークを訓練する場合、主枝血管のセグメン分割結果データと血管のオリジナル造影画像データを融合することで、取得した重畳結果は既に確定された主枝血管をマーキングし、第２ニューラルネットワークは、訓練された後に、既にマーキングした主枝血管によって確定された主枝血管とすることで、マーキングによって確定された主枝血管上の側枝血管に対して局所的なセグメン分割を行うことを実現することができる。
上記実施例中の訓練方法は、第１ニューラルネットワークの訓練と第２ニューラルネットワークの訓練を別々に行ってもよいし、同期に行ってもよい。第１ニューラルネットワークと第２ニューラルネットワークは異なるコンピュータに設置されてもよいし、同一のプロセッサに集積されてもよい。本発明はこれに対して制限しない。

【0073】

上記の実施例では、２つのニューラルネットワークを選び取ってそれぞれ訓練を行う。主枝血管に対してセグメン分割を行うことができるように第１ニューラルネットワークを訓練し、少なくとも主枝血管上の全ての側枝血管に対してセグメン分割を行うことができるように第２ニューラルネットワークを訓練する。ステップバイステップの訓練方式を用いてニューラルネットワークによるセグメン分割の正確さを増加することができる。しかも、一般的には、１つの病歴の主枝血管の造影画像のデータ量と側枝血管の造影画像のデータ量が異なるため、それぞれ主枝血管のセグメン分割及び側枝血管の局所セグメン分割に対して訓練を行い、訓練効果もより良い。

【0074】

上記の各実施例に言及されたサンプルとラベルは訓練を行うためにニューラルネットワークに入力されるデータであり、マスク、即ちマスク（Mask）図（二値図）として製作されてもよい。通常、オリジナルの造影画像に１つの主枝血管のみが表示され、又は、たとえ２つがあるとしてもただ１つだけが正面視の位置にある。したがって、訓練データを製作する時に、オリジナルの造影画像における唯一の確定可能な主枝血管に対してセグメン分割を行うことになり、又は、オリジナルの造影画像に２つの主枝血管が現れた場合、唯一の正面視位置にある主枝血管に対してセグメン分割を行って、セグメン分割の結果をニューラルネットワークに入力して学習を行うことになる。

【0075】

上記の各実施例では、人力によるセグメン分割の方式で血管造影画像を処理して、セグメン分割によって得られた大量の結果で訓練集を作成してニューラルネットワークの学習に供してもよい。人力によるセグメン分割の方法は手動でセグメン分割を行ってもよいし、セグメン分割ソフトウェアを介して手動選びを合わせてセグメン分割を行ってもよい。その他のセグメン分割方式でニューラルネットワークの学習に供する訓練データを取得してもよい。本発明はこれに対して制限しない。

【0076】

本発明のニューラルネットワークには畳み込みニューラルネットワークを用いても良い、さらに、ニューラルネットワーク構造はＭask Ｒ－ＣＮＮを使用する。

【0077】

図４に示すように、本発明は、訓練データを取得するための取得モジュール２１と、ニューラルネットワークが血管のオリジナル造影画像における確定された主枝血管上の側枝血管に対して局所的なセグメン分割を行うように、取得した訓練データに基づいてニューラルネットワークに対して訓練を行うための訓練モジュール２２と、を備える血管造影画像処理に用いる訓練装置を提供する。その中で、訓練データは血管のオリジナル造影画像データ及び側枝血管の局所セグメン分割結果データを含み、側枝血管の局所セグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管上の側枝血管の局所セグメン分割画像データであり、局所的なセグメン分割のセグメン分割の範囲は側枝血管の始端から延伸方向に沿ってセグメン分割終端までであり、セグメン分割終端が側枝血管の始端と末端との間に位置し、側枝血管の始端は該側枝血管と該側枝血管が所属する主枝血管の交差端であり、末端は側枝血管の最遠位端であり、延伸方向は始端から末端に向けた方向であり、セグメン分割終端は、延伸方向において、少なくともセグメン分割された側枝血管のカリーナ部の該側枝血管中心線に垂直な断面に交差する。本発明の血管造影画像処理に用いる訓練装置は上記各実施例中の血管造影画像処理に用いる訓練方法に対応する。

【0078】

上記の訓練データにおいて、側枝血管の局所セグメン分割結果データについて、セグメン分割によって得られた側枝血管は少なくとも一つのセグメントの正常な管腔を含む。正常な管腔とは狭窄、膨張、重畳、切断又は変形が現れていない管腔を指す。変形の管腔は、例えば、形状が著しく変化したり、輪郭がはっきりしていない管腔である。正常な管腔セグメントははっきりしている輪郭を有し、かつ、正常な管腔セグメント全体の直径変化が緩やかである。正常な管腔を含むことは、更なる応用のために、側枝血管の管腔半径又は直径に対して正確に測定することを保証することができる。

【0079】

ニューラルネットワークによってセグメント分割された側枝血管の結果が予め設定した状況に適合するように、訓練データを製作する時に、局所的なセグメン分割が行われた側枝血管の長さを統一的に規定してもよい。半径又は直径計算の便宜を図るために、製作した訓練データに、局所セグメン分割した側枝血管中の正常な管腔の延伸方向に沿った長さを具体的な標準に基づいて設定してもよい、１つの所定の長さを予め設置してもよい。例えば、所定の長さを主枝血管の管腔直径の１～１０倍に設置してもよい、好ましくは２～６倍であり、より好ましくは３倍又は５倍である。又は、別の側面から、例えば、具体的な寸法において、所定の長さは１～１５ｍｍであってもよく、好ましくは１～１０ｍｍであってもよく、さらに好ましくは２～８ｍｍであってもよい。上記標準によって訓練データの製作を行うことで、ニューラルネットワークに比較的良い学習効果を取得することができる。

【0080】

さらには、訓練データの製作について、側枝血管に対して局所的なセグメン分割を行う時に、正常な管腔セグメントを含むことを保証すると共に、セグメント分割された側枝血管の長さをできるだけ短縮することで、遠位端の側枝血管の不利な影響をできるだけ避ける。局所的なセグメン分割を行う時、まず、処理しようとする主枝血管を見つける。血管のオリジナル造影画像において一般に１種の主枝血管を含有し、例えば、左回旋枝に対して血管のオリジナル造影画像を取得し、画像中の左回旋枝に基づいてそのあらゆる側枝血管に対して局所的なセグメン分割を行う。セグメン分割が行われる側枝血管のカリーナ部が該側枝血管中心線に垂直な断面に交差する位置を開始端とし、延伸方向に沿って側枝血管の始端と末端との間にセグメン分割終端を確定する。例えば、側枝血管のカリーナ部が該側枝血管中心線に垂直な断面に交差する位置から、延伸方向に沿って一つのセグメントの正常な管腔があると、所定の長さでセグメン分割終端を確定することができる。もし側枝血管のカリーナ部が該側枝血管中心線に垂直な断面に交差する位置から、延伸方向に沿って狭窄、膨張、重畳、切断又は変形等の非正常な管腔領域が存在すれば、該非正常な管腔セグメントから後方へ一つのセグメントだけ延びた後、セグメン分割終端を確定する。即ちセグメン分割範囲は非正常の管腔セグメントをカバーし、さらに一つのセグメントの正常な管腔セグメントを含有すればよい。

【0081】

上記の各実施例では、訓練データはサンプルとラベルである。取得モジュール２１はサンプルとラベルを取得するためのものであり、該サンプルは少なくとも血管のオリジナル造影画像データを含み、ラベルは少なくとも確定された主枝血管上の側枝血管の局所セグメン分割結果データを含み、訓練モジュールは取得したサンプルとラベルに基づいてニューラルネットワークに対して訓練を行うためのものである。

【0082】

具体的には、本発明のその中の一実施例として、サンプルは血管のオリジナル造影画像データであり、即ち血管のオリジナル造影画像をニューラルネットワークの学習に供する二値図に変換し、ラベルは確定された主枝血管上の側枝血管の局所セグメン分割結果データであり、又は、ラベルは主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データである。上記確定された主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データである。主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組合せ、つまり、主枝血管画像及び該主枝血管上の側枝血管の局所セグメン分割画像を合併して同一の画像データに表示させる。例えば、主枝血管のセグメン分割画像と側枝血管の局所セグメン分割結果データを融合する方式で組み合わせても良い。

【0083】

本発明の別の実施例として、サンプルは主枝血管がマーキングされた血管のオリジナル造影画像データであり、ラベルはマーキングされた主枝血管上の側枝血管の局所セグメン分割結果データであり、又は、ラベルはマーキングされた主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データであり、マーキングされた主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データである。本実施例では、主枝血管がマーキングされた血管のオリジナル造影画像データは、主枝血管のセグメン分割結果データを含むだけでなく、血管のオリジナル造影画像データも含んでおり、主枝血管のセグメン分割結果データと血管のオリジナル造影画像データを組み合わせた後の結果である。例えば、造影画像からセグメン分割された主枝血管画像とオリジナル造影画像を融合した後の画像マスクであってもよく、融合後の血管のオリジナル造影画像中の主枝血管の輪郭はマーキングされることになる。又は、血管のオリジナル造影画像に主枝血管の輪郭を直接マーキングすることによって、主枝血管がマーキングされた血管造影画像を取得してもよい。本実施例では、ニューラルネットワーク訓練用のサンプルには主枝血管がマーキングされており、セグメン分割された主枝血管上の全ての側枝血管を検出して、これらの側枝血管に対して局所的なセグメン分割を行うことができるように、ニューラルネットワークを訓練するだけでよい。サンプルの取得は人力で主枝血管のセグメン分割を行って、セグメン分割されたた主枝血管を血管のオリジナル造影画像にマーキングしてもよいし、又は、コンピュータアルゴリズムで主枝血管のセグメン分割を行ってから、主枝血管をセグメン分割した結果データと血管のオリジナル造影画像データを融合して、主枝血管がマーキングされたオリジナル造影画像を取得し、主枝血管がマーキングされた血管のオリジナル造影画像データ（例えば、二値図）を製作することもできる。主枝血管を自動的に単独でセグメン分割するのは従来のアルゴリズムを用いて実現することができる。

【0084】

図５と図６に示すように、本発明は血管造影画像処理に用いる訓練装置の具体的な実施例をさらに提供する。訓練されるニューラルネットワークは第１ニューラルネットワークと第２ニューラルネットワークを含み、サンプルは第１サンプルと第２サンプルを含み、ラベルは第１ラベルと第２ラベルを含み、訓練モジュールは第１訓練モジュール２２１と第２訓練モジュール２２２を含む、取得モジュールは第１取得モジュール２１１と第２取得モジュール２１２を含む。訓練装置において、第１取得モジュール２１１は第１サンプルと第１ラベルを取得するためのであり、第１サンプルは血管のオリジナル造影画像データである。第１ラベルは確定された主枝血管のセグメン分割結果データであり、又は、確定された主枝血管のセグメン分割結果データと血管のオリジナル造影画像を組み合わせた画像データである。第１訓練モジュール２２１は、第１ニューラルネットワークが血管造影画像における確定された主枝血管に対してセグメン分割を行うように、第１サンプルと第１ラベルに基づいて第１ニューラルネットワークに対して訓練を行うものである。

【0085】

上記実施例の訓練装置では、第２取得モジュール２１２は第２サンプルと第２ラベルを取得するためのであり、第２サンプルは主枝血管がマーキングされた血管のオリジナル造影画像データであり、即ち第２サンプルは血管のオリジナル造影画像を含むだけでなく、主枝血管のセグメン分割結果データも含んでおり、主枝血管のセグメン分割結果データと血管のオリジナル造影画像を組み合わせた後の結果である。例えば、主枝血管のセグメン分割結果データとオリジナル造影画像データを融合する方式、又は、血管のオリジナル造影画像において主枝血管をマーキングする方式で第２サンプルを製作してもよい。第２サンプルは人力による主枝のセグメン分割及びアルゴリズムを融合した技術を合わせて血管のオリジナル造影画像と主枝セグメン分割結果データとの組合せを実現してもよい、又は、全部でアルゴリズムを用いて主枝血管のセグメン分割及び主枝血管と血管のオリジナル造影画像との組合せを実現してもよい。第２ラベルはマーキングされた主枝血管上の側枝血管の局所セグメン分割結果データであり、又は、第２ラベルはマーキングされた主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データである。組合せの方式は同様に上記の実施例に言及された方法を参照することができる。上記マーキングされた主枝血管のセグメン分割結果データは血管のオリジナル造影画像から確定された主枝血管のセグメン分割画像データである。第２訓練モジュール２２２は、第２ニューラルネットワークが血管のオリジナル造影画像にマーキングされた主枝血管上の側枝血管に対して局所的なセグメン分割を行うように、第２サンプルと第２ラベルに基づいて第２ニューラルネットワークに対して訓練を行うものである。即ち、訓練された第２ニューラルネットワークはマーキングにより確定された主枝血管上の側枝血管に対して局所的なセグメン分割を行うことができる。

【0086】

図７と図８を参照し、本発明は、処理待ちの血管のオリジナル造影画像を含むデータを取得することと、上記の血管造影画像処理に用いる訓練方法で得られたニューラルネットワークに基づいて、処理待ちの血管のオリジナル造影画像を含むデータを処理して、確定された主枝血管上の側枝血管の局所セグメン分割画像を含むデータを取得することと、を含む、血管画像の自動処理方法を提供する。訓練方法では、ラベルが主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データであると、訓練したニューラルネットワークから出力結果は主枝血管のセグメン分割結果データを含むと共に、該主枝血管上の側枝血管の局所セグメン分割結果データも含む。上記実施例中のワンステップ型訓練されたニューラルネットワークによれば、血管画像を自動的に処理する時、オリジナル造影画像を入力した後、局所セグメン分割によって得られた側枝血管の画像データ、又は主枝血管のセグメン分割結果データと側枝血管の局所セグメン分割結果データを組み合わせた画像データを直接出力することができる。例えば、訓練されたニューラルネットワークから、主枝血管のセグメン分割結果データと側枝血管の局所セグメン分割結果データを組み合わせた画像データが出力された場合、該自動処理方法は具体的に、処理待ちの血管のオリジナル造影画像データを取得するＳ３０１と、得られたニューラルネットワークに基づいて処理待ちの血管のオリジナル造影画像を処理し、主枝血管のセグメン分割結果データと該主枝血管上の側枝血管の局所セグメン分割結果データを組み合わせた画像データを取得するＳ３０２と、を含む。

【0087】

別の実施例では、訓練用サンプルは主枝血管がマーキングされた血管のオリジナル造影画像であるため、即ち主枝血管は既に人力又はアルゴリズムによってセグメン分割され、ニューラルネットワークの訓練はこのサンプルに基づいて訓練を行い、ニューラルネットワークに主枝血管がマーキングされた血管のオリジナル造影画像データを入力した後、局所的なセグメン分割が行われた側枝血管の画像データ、又は、主枝血管のセグメン分割結果データと側枝血管の局所セグメン分割結果データを組み合わせた画像データを直接出力することができる。例えば、訓練時に、ラベルがただマーキングされた主枝血管上の側枝血管の局所セグメン分割結果データだけであるならば、それでは訓練されたニューラルネットワークから出力したのが側枝血管の局所セグメン分割結果データであり、該自動処理方法は、具体的には、処理待ちの主枝血管がマーキングされた血管のオリジナル造影画像データを取得するＳ４０１、と、得られたニューラルネットワークに基づいて処理待ちの主枝血管がマーキングされた血管のオリジナル造影画像データを処理して、マーキングされた主枝血管上の側枝血管の局所セグメン分割画像データを取得するＳ４０２と、を含む。マーキングされた主枝血管は確定された主枝血管である。

【0088】

図９に示すように、上記実施例中のステップバイステップ式訓練で得られた第１ニューラルネットワークと第２ニューラルネットワークによれば、血管画像を自動的に処理する時、主枝血管のセグメン分割と主枝血管上の側枝血管のセグメン分割をそれぞれ行うことができる。自動処理方法は、処理待ちの血管のオリジナル造影画像データである第１目標画像データを取得するＳ５０１と、ステップバイステップ式訓練で得られた第１ニューラルネットワークに基づいて第１目標画像データを処理して、確定された主枝血管のセグメン分割画像データを含む第１結果画像データを取得するＳ５０２と、第１結果画像データを、主枝血管がマーキングされた血管のオリジナル造影画像データである第２目標画像データに変換するＳ５０３と、ステップバイステップ式訓練で得られた第２ニューラルネットワークに基づいて第２目標画像データを処理して、確定された主枝血管上の側枝血管の局所セグメン分割画像データを含む第２結果画像データを取得するＳ５０４とを含む。即ち、本実施例では、第１ニューラルネットワークの出力結果を、変換等の処理ステップを経て第２ニューラルネットワークの入力情報とする。

【0089】

上記の実施例では、第１結果画像データは確定された主枝血管のセグメン分割画像データを含み、第１ニューラルネットワークから出力した結果は第１ニューラルネットワークを訓練する時に入力した第１ラベルに対応する。具体的には、第１ラベルが確定された主枝血管のセグメン分割結果データである場合、第１結果画像データは主枝血管のセグメン分割画像データである。又は、第１ラベルが確定された主枝血管のセグメン分割結果データと血管のオリジナル造影画像を組み合わせた画像データである場合、第１ニューラルネットワークから出力されたのは主枝血管のセグメン分割画像データに加えて、血管のオリジナル造影画像データをさらに含んでおり、即ち第１結果画像データは主枝血管のセグメン分割画像と血管のオリジナル造影画像を組み合わせた画像データであり、該画像データは血管画像においてマーキングされた主枝血管の輪郭である。同様に、第２ニューラルネットワークから出力した結果は第２ニューラルネットワークを訓練する時に入力した第２ラベルに対応する。即ち、第２結果画像データは確定された主枝血管上の側枝血管の局所セグメン分割画像データを含み、具体的には、第２結果画像データは確定された主枝血管上の側枝血管のセグメン分割画像データである。又は、側枝血管のセグメン分割画像データに加えて、側枝血管が所属する主枝血管のセグメン分割画像データをさらに含み、即ち第２結果画像データは確定された主枝血管のセグメン分割画像と該主枝血管上の側枝血管の局所セグメン分割画像を組み合わせた画像データである。その中で、確定された主枝血管はマーキングにより確定された主枝血管であり、該主枝血管は第１ニューラルネットワークによるセグメン分割によって取得する。第１ニューラルネットワークと第２ニューラルネットワークとの共同処理により、第１ニューラルネットワークで主枝血管を検出し、第２ニューラルネットワークで該主枝血管上の側枝血管を検出することで、血管のオリジナル造影画像における確定する必要のある主枝血管上の側枝血管に対する局所的なセグメン分割を実現する。

【0090】

さらには、本実施例では、訓練された第１ニューラルネットワークから出力された第１結果画像データがただ確定された主枝血管のセグメン分割画像データだけであることにする、第１結果画像データを第２目標画像データに変換することは、第１結果画像データと第１目標画像データを融合して、主枝血管がマーキングされた血管のオリジナル造影画像データを得ることを含む。即ち、本実施例では、主枝血管のセグメン分割画像と血管のオリジナル造影画像を組み合わせた画像データは更なる変換によって取得されたものである。第１ニューラルネットワークで出力されたのは主枝血管のセグメン分割画像データであり、その結果が比較的正確であり、主枝血管のセグメン分割画像と血管のオリジナル造影画像との融合については、後続の処理によってやり遂げてもよい。別の実施例では、もし、第１ニューラルネットワークから出力された結果が確定された主枝血管のセグメン分割結果データと血管のオリジナル造影画像を組み合わせた画像データであると、出力された第１結果画像データを第２目標画像データに直接変換して第２ニューラルネットワークの入力とすることができ、融合する必要がない。

【0091】

さらには、本実施例では、訓練された第２ニューラルネットワークから出力された第２結果画像データがただ確定された主枝血管上の側枝血管の局所セグメン分割画像データだけであることにする。第２ニューラルネットワークから出力された結果を取得した後、さらに第２結果画像データを処理して、第２結果画像データと確定された主枝血管のセグメン分割画像データを融合して、融合後の画像データを取得する。該融合後の画像データにおいて、主枝血管のセグメン分割画像と側枝血管の局所セグメン分割画像からなり、後に適用される画像データとすることができる。第２ニューラルネットワークで出力されたのは側枝血管の局所セグメン分割画像データであり、その結果が比較的正確であり、主枝血管のセグメン分割画像と側枝血管の局所セグメン分割画像との融合については、後続の処理によってやり遂げることができる。

【0092】

上記の各実施例では、自動処理方法は、変換指令を受信し、受信した変換指令に基づいて第１結果画像データを第２目標画像データに変換することをさらに含む。第１ニューラルネットワークから第１結果画像データが出力された後、変換指令を受信すると、変換ステップを行う。使用者は第１ニューラルネットワークの出力が完了した後に出力結果を見ることができ、もし、出力結果が要求に適合すると、後続の変換ステップに進むように、変換指令を入力することができる。また、本実施例の自動処理方法は、使用者が見やすいように、第１ニューラルネットワークの出力結果を直接表示する表示ステップを設置してもよい。

【0093】

さらには、自動処理方法は、修正後の主枝血管のセグメン分割画像データを入力し、修正後の主枝血管のセグメン分割画像を含むデータを第１結果画像データに更新することをさらに含む。具体的には、第１ニューラルネットワークから出力された主枝血管のセグメン分割画像が要求に適合していない場合、使用者は主枝血管のセグメン分割結果に対して修正を行ってから、修正後の主枝血管のセグメン分割画像データを第１結果画像データとして入力して、その後、変換指令を入力すると、更新後の第１結果画像データを第２目標画像データに変換してもよい。本実施例では、第１ニューラルネットワークから出力された主枝血管のセグメン分割結果に修正の機会を加えたことに相当し、ミス発生率を減らす。主枝血管のセグメン分割結果が修正されることができるため、修正後の結果をより正確の根拠とすると、後続の第２ニューラルネットワークによる側枝血管の局所セグメン分割もより正確になる。また、本実施例の自動処理方法は、さらに正確性を高めるように、修正後の側枝血管の局所セグメン分割結果データを入力し、第２ニューラルネットワークの出力結果に対して修正を行って、修正後の結果を第２結果画像データとして入力してもよい。

【0094】

図１０に示すように、本発明は、処理待ちの血管のオリジナル造影画像を含むデータを取得するための血管造影画像取得モジュール３１と、上記ワンステップ型訓練で得られたニューラルネットワークに基づいて処理待ちの血管のオリジナル造影画像を含むデータを処理し、確定された主枝血管上の側枝血管の局所セグメン分割画像を含むデータを取得する処理モジュール３２と、を備える血管画像の自動処理装置をさらに提出する。その中で、上記異なる実施例の訓練方法で得られたニューラルネットワークが相応的に画像処理を行う時に、入力した処理待ちの血管のオリジナル造影画像を含むデータは、一種が処理待ちの血管のオリジナル造影画像データであり、もう一種が主枝血管のセグメン分割画像と血管のオリジナル造影画像を組み合わせた画像データである。出力した確定された主枝血管上の側枝血管の局所セグメン分割画像を含むデータは、一種が確定された主枝血管上の側枝血管の局所セグメン分割画像データのみであり、もう一種が主枝血管のセグメン分割画像と該主枝血管上の側枝血管の局所セグメン分割画像を組み合わせた画像データである。本実施例の血管画像の自動処理装置は上記実施例中の血管画像の自動処理方法に対応する。本発明の血管画像の自動処理装置は上記各実施例中の血管画像の自動処理方法に対応する。

【0095】

図１１に示すように、別の実施例では、自動処理装置は、処理待ちの血管のオリジナル造影画像データである第１目標画像データを取得するための第１目標画像データ取得モジュール４１と、上記ステップバイステップ法の訓練方法で得られた第１ニューラルネットワークに基づいて第１目標画像データを処理し、確定された主枝血管のセグメン分割画像データを含む第１結果画像データを取得するための第１処理モジュール４２と、第１結果画像データを、主枝血管がマーキングされた血管のオリジナル造影画像データである第２目標画像データに変換するための変換モジュール４３と、第２目標画像データを取得するための第２目標画像データ取得モジュール４４と、上記ステップバイステップ法の訓練方法で得られた第２ニューラルネットワークに基づいて第２目標画像データを処理し、確定された主枝血管上の側枝血管の局所セグメン分割画像データを含む第２結果画像データを取得するための第２処理モジュール４５と、を備える。即ち、本実施例では、変換モジュール４３を設置することで、第１ニューラルネットワークの出力結果を、変換等の処理ステップを経て第２ニューラルネットワークの入力情報とする。本実施例の血管画像の自動処理装置は上記実施例中の血管画像の自動処理方法に対応する。

【0096】

上記実施例では、第１結果画像データは確定された主枝血管のセグメン分割画像データであり、変換モジュール４３は第１結果画像データと第１目標画像データを融合して、主枝血管がマーキングされた血管のオリジナル造影画像データを得るためのものである。第１ニューラルネットワークで出力されたのは主枝血管のセグメン分割画像データであり、その結果が比較的正確であり、主枝血管のセグメン分割画像と血管のオリジナル造影画像との融合については、変換モジュール４３によって後続の処理をすることでやり遂げることができる。

【0097】

さらには、第２結果画像データは確定された主枝血管上の側枝血管の局所セグメン分割画像データであり、自動処理装置は、第２結果画像データと確定された主枝血管のセグメン分割画像データを融合して、融合後の画像データを取得するための後処理モジュール４６をさらに備える。

【0098】

図１０を参照し、上記の各実施例では、自動処理装置は、変換指令を受信するための受信モジュール４７をさらに備え、変換モジュール４３は受信した変換指令に基づいて第１結果画像データを第２目標画像データに変換するためのものである。第１ニューラルネットワークから第１結果画像データを出力した後、受信モジュール４７が変換指令を受信したら、さらに変換ステップを行う。使用者は第１ニューラルネットワークの出力が完了した後に出力結果を見ることができ、もし、出力結果が要求に適合すると、後続の変換ステップに進むように、変換指令を入力することができる。また、本実施例の自動処理装置は、使用者が見やすいように、第１ニューラルネットワークの出力結果を直接表示する表示モジュール４８を設置してもよい。又は、使用者は第１結果画像データをその他の装置に出力して見ても良い。

【0099】

さらには、自動処理装置は、修正後の主枝血管のセグメン分割画像データを入力するための入力モジュール４９をさらに備え、修正後の主枝血管のセグメン分割画像を含むデータを第１結果画像データに更新する。具体的には、第１ニューラルネットワークから出力された主枝血管のセグメン分割画像が要求に適合しない場合、使用者は主枝血管のセグメン分割結果を修正して、その後、修正後の主枝血管のセグメン分割画像データを入力モジュール４９により入力し、入力モジュール４９は入力結果を第１結果画像データに更新し、その後、使用者は変換指令を入力し、受信モジュール４７が変換指令を受信すると、更新後の第１結果画像データを第２目標画像データに変換してもよい。

【0100】

上記の各実施例は血管画像処理の訓練方法及び訓練装置を提供し、血管画像の自動処理方法及び自動処理装置を取得し、側枝血管に対する自動的な局所セグメン分割を実現し、全体セグメン分割に比べて、正確度が著しく向上し、コンピュータによる自動的なセグメン分割に現れるセグメン分割漏れやミスセグメン分割の状況を避け、かつ、局所セグメン分割も自動セグメン分割の速度を明らかに速めることになる。特に、手術過程中において、コンピュータはセグメン分割後の主枝血管と相応の側枝血管の状況を迅速に示すことができ、手術過程において医者のために貴重な時間を勝ち取った。

【0101】

相応に、本発明はコンピュータ装置を提供し、該コンピュータ装置はプロセッサとメモリを備え、メモリに少なくとも１つの指令が記憶され、該少なくとも１つの指令がプロセッサに実行される場合に、上記各実施例中の血管造影画像処理に用いる訓練方法、又は上記各実施例中の血管画像の自動処理方法を実現する。

【0102】

本発明はコンピュータ読み取り可能な記憶媒体をさらに提供し、該コンピュータ読み取り可能な記憶媒体に少なくとも１つの指令が記憶され、該少なくとも１つの指令が実行される場合に、上記各実施例中の血管造影画像処理に用いる訓練方法、又は上記各実施例中の血管画像の自動処理方法を実現する。

【0103】

従来の方法で取得したセグメン分割後の造影画像は、造影画像と腔内画像とのレジストレーションの応用研究において、セグメン分割効果がよくないためマッチング効果に影響を及ぼすことになる。従来の方法で取得したセグメン分割後の造影画像は、ＦＦＲの計算に用いる時に、計算の正確さにも影響を及ぼすことになる。

【0104】

例示的な実施例では、本発明は腔内画像と造影画像とのレジストレーション方法をさらに提供し、上記実施例中の血管画像の自動処理方法を用いることによって、側枝血管の局所セグメン分割画像を取得する。上記各実施例中の血管画像の自動処理方法、又は、その他のアルゴリズムによって主枝血管のセグメン分割画像を取得してもよい。その後、主枝血管のセグメン分割画像と該主枝血管上の側枝血管の局所セグメン分割画像を組み合わせた複合画像を取得し、さらに該複合画像と該主枝血管の腔内画像をマッチングする。具体的には、取得した主枝血管及び主枝血管上の側枝血管のセグメン分割画像を融合して、融合画像を取得し、融合画像における側枝血管の位置、側枝血管と主枝血管との間の交差端の幾何パラメータによって、融合画像における主枝血管のある位置において該位置に対応する腔内画像データを見つけて、融合画像と腔内画像とのマッチングをやり遂げ、腔内画像と造影画像とのレジストレーションを実現する。

【0105】

本発明が提供する血管造影画像処理に用いる訓練方法及び血管画像の自動処理方法によれば、結果が正確な側枝血管のセグメン分割画像を取得でき、腔内画像と造影画像とのレジストレーションの正確さと利便性を向上させることができる。

【0106】

例示的な実施例では、本発明は血流予備量比の計算方法をさらに提供している。上記各実施例中の血管画像の自動処理方法を用いることによって、側枝血管の局所セグメン分割画像を取得する。上記各実施例中の血管画像の自動処理方法、又は、その他のアルゴリズムによって主枝血管のセグメン分割画像を取得してもよい。主枝血管及び側枝血管のセグメン分割画像に基づいて、主枝血管と側枝血管の直径又は半径を取得し、該主枝血管の理想的な管腔の幾何パラメータを算出することによって、該主枝血管の血流予備量比を取得する。具体的には、取得した主枝血管及び側枝血管のセグメン分割画像に基づいて、従来の方法により、例えば、測定ソフトウェアにより主枝血管と該主枝血管上の側枝血管の直径又は半径を測定してもよい。その後、以下の式１によって、主枝血管の理想的な管腔の半径又は理想的な管腔の直径を算出して、ＦＦＲの計算式に代入することで、関心のある主枝血管の血流予備量比を取得する。

【0107】

【数02】

【0108】

ここで、ｒｉは該血管セグメントの近位端起点から遠位端終点までの第ｉ個目の分岐の血管管腔の半径又は直径を表す。Ｒｉは該血管セグメント近位端起点から遠位端終点までの第ｉ－１個目の分岐と第ｉ個目の分岐との間の血管管腔の半径又は直径を表す。ここで、Ｒ０は該血管セグメントの近位端起点の血管管腔の半径又は直径を表し、Ｒｋは該血管セグメントの遠位端終点の血管管腔の半径又は直径を表し、Ｒｉ′は該血管セグメントの近位端起点から遠位端終点までの第ｉ－１個目の分岐と第ｉ個目の分岐の間の理想的な血管の管腔の半径又は直径を表す。

【0109】

計算結果の正確さをさらに向上させるために、セグメン分割によって得られた側枝血管は少なくとも一つのセグメントの正常な管腔を含む。

【0110】

本発明が提供する血管画像の処理方法及び血管画像の自動処理方法によれば、結果が正確な側枝血管のセグメン分割画像を取得でき、ＦＦＲ計算の正確さを向上させることができ、かつ、かかる時間が短い。

【0111】

本発明のいくつかの好適な実施形態を参照することで、本発明について図示及び説明を行ったが、当業者は、以上の内容が具体的な実施形態を合わせて本発明についてさらに詳細に説明したものであると理解すべき、本発明の具体的な実施がこれらの説明のみに限定されると認定することができない。当業者は本発明の主旨と範囲から逸脱することなく、若干の簡単な演繹又は置換を行うことを含み、形式上や細部上においてそれに対し種々の変更を行うことができる。

【図1】