特表 2024-513845 解剖学的構造のテンプレートベースの自動検出のためのシステム及び方法

(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】2024-03-27

(54)【発明の名称】解剖学的構造のテンプレートベースの自動検出のためのシステム及び方法

(51)【国際特許分類】

   A61B 5/055 20060101AFI20240319BHJP

【ＦＩ】

A61B5/055 380

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2023560465

(86)(22)【出願日】2022-03-30

(85)【翻訳文提出日】2023-11-28

(86)【国際出願番号】 US2022022576

(87)【国際公開番号】W WO2022212526

(87)【国際公開日】2022-10-06

(31)【優先権主張番号】63/170,229

(32)【優先日】2021-04-02

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】520030132

【氏名又は名称】スピンテック インコーポレイテッド

(74)【代理人】

【識別番号】100094569

【弁理士】

【氏名又は名称】田中 伸一郎

(74)【代理人】

【識別番号】100103610

【弁理士】

【氏名又は名称】▲吉▼田 和彦

(74)【代理人】

【識別番号】100109070

【弁理士】

【氏名又は名称】須田 洋之

(74)【代理人】

【識別番号】100067013

【弁理士】

【氏名又は名称】大塚 文昭

(74)【代理人】

【氏名又は名称】上杉 浩

(74)【代理人】

【識別番号】100120525

【弁理士】

【氏名又は名称】近藤 直樹

(74)【代理人】

【識別番号】100139712

【弁理士】

【氏名又は名称】那須 威夫

(74)【代理人】

【識別番号】100141553

【弁理士】

【氏名又は名称】鈴木 信彦

(74)【代理人】

【識別番号】100176418

【弁理士】

【氏名又は名称】工藤 嘉晃

(72)【発明者】

【氏名】ハーケ エワート マーク

(72)【発明者】

【氏名】ワン イン

【テーマコード（参考）】

4C096

【Ｆターム（参考）】

4C096AB38

4C096AB44

4C096AC01

4C096AD14

4C096DC14

4C096DC19

4C096DD08

(57)【要約】

解剖学的構造を検出するためのシステム及び方法は、複数の訓練被験者の訓練被験者ごとに、対応するＭＲ画像と、複数の訓練被験者のうちの第１の訓練被験者に基づいて、初期解剖テンプレートを生成することと、を含む。コンピューティングデバイスは、大域変換と、続く局所変換と、を適用することによって、他の訓練被験者のＭＲ画像をテンプレート空間上にマッピングすることができ、マッピングされたＭＲ画像を初期解剖学テンプレートと平均して、最終的な解剖学テンプレートを生成することができ、最終的な解剖学テンプレートに関心の解剖学的構造の境界を描画することができる。コンピューティングデバイスは、エッジ検出アルゴリズムを使用して境界を微調整することができる。最終的な解剖学テンプレートを使用して、非訓練被験者において、関心の解剖学的構造の境界を自動で（例えば、人間の介入なしに）識別することができる。
【選択図】図１

【特許請求の範囲】

【請求項1】

磁気共鳴イメージング（ＭＲＩ）システムであって、
磁気共鳴（ＭＲ）データを取得するように構成されたＭＲＩスキャナと、
少なくとも１つのプロセッサと、
メモリであって、前記メモリ上にコンピュータコード命令が記憶されたメモリと、を備え、前記コンピュータコード命令が、前記少なくとも１つのプロセッサによって実行されるときに、前記少なくとも１つのプロセッサに、
前記ＭＲＩスキャナを介して、複数の訓練被験者の訓練被験者ごとに、１つ以上の関心の解剖学的構造を例示するコントラストを伴う対応するＭＲ画像を取得することと、
前記複数の訓練被験者のうちの第１の訓練被験者の第１のＭＲデータに基づいて、初期解剖学テンプレート画像を生成することであって、前記初期解剖学テンプレート画像が、テンプレート空間を定義する、生成することと、
前記第１の訓練被験者以外の前記複数の訓練被験者の訓練被験者ごとに、
前記訓練被験者の前記ＭＲ画像に大域変換を適用して、前記テンプレート空間において、前記訓練被験者のＭＲデータの第１の推定値を表す前記ＭＲ画像の第１のモーフィングバージョンを生成すること、及び
前記訓練被験者の前記ＭＲ画像の前記第１のモーフィングバージョンに局所変換を適用して、前記テンプレート空間において、前記訓練被験者の前記ＭＲデータの第２の推定値を表す前記ＭＲ画像の第２のモーフィングバージョンを生成することと、
前記初期解剖学テンプレート画像を、前記第１の訓練被験者以外の前記複数の訓練被験者の前記ＭＲ画像の前記第２のモーフィングバージョンと平均して、最終的な解剖学テンプレート画像を生成することと、
前記最終的な解剖学テンプレートに、前記１つ以上の関心の解剖学的構造の前記境界を描写することと、
前記最終的な解剖学テンプレートを使用して、他の非訓練被験者についての前記１つ以上の関心の解剖学的構造の前記境界を識別することと、を行わせる、磁気共鳴イメージング（ＭＲＩ）システム。

【請求項2】

前記ＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界を判定する際に、前記少なくとも１つのプロセッサが、
境界検出アルゴリズムを使用して、前記最終的な解剖学テンプレートにおいて、前記１つ以上の関心の解剖学的構造の前記境界を微調整するように構成されている、請求項１に記載のＭＲＩシステム。

【請求項3】

前記ＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界を判定する際に、前記少なくとも１つのプロセッサが、
前記ＭＲＩスキャナを介して、前記１つ以上の関心の解剖学的構造を例示するコントラストを伴う非訓練被験者のＭＲ画像を取得することと、
前記非訓練被験者のＭＲ画像に前記大域変換を適用して、前記非訓練被験者のＭＲ画像の第１のモーフィングバージョンを生成することと、
前記非訓練被験者のＭＲ画像の前記第１のモーフィングバージョンに前記局所変換を適用して、前記非訓練被験者のＭＲ画像の第２のモーフィングバージョンを生成することと、
前記１つ以上の関心の解剖学的構造の前記最終的な解剖学テンプレートから、前記非訓練被験者のＭＲ画像の前記第２のモーフィングバージョン上に前記境界を投影して、前記非訓練被験者についての前記テンプレート空間内の前記１つ以上の関心の構造の前記境界の推定値を判定することと、
前記１つ以上の関心の構造の前記テンプレート空間内の前記境界の前記推定に逆変換を適用して、元の前記非訓練被験者のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界の第１の推定値を判定することと、を行うように構成されている、請求項１に記載のＭＲＩシステム。

【請求項4】

前記少なくとも１つのプロセッサが、
境界検出アルゴリズムを使用して、前記非訓練被験者の元のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界の前記第１の推定値を微調整し、前記非訓練被験者の前記第２のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界の第２の推定値を生成するように構成されている、請求項３に記載のＭＲＩシステム。

【請求項5】

前記逆変換が、前記局所変換の逆と、続く前記大域変換の逆と、の連結を含む、請求項３に記載のＭＲＩシステム。

【請求項6】

前記ＭＲ画像の前記第１のモーフィングバージョンに前記局所変換を適用することが、前記ＭＲ画像の前記第１のモーフィングバージョンのクロッピング領域に前記局所変換を適用することを含む、請求項１に記載のＭＲＩシステム。

【請求項7】

前記対応するＭＲ画像が、定量的感受性マップ（ＱＳＭ）又はニューロメラニン画像を含む、請求項１に記載のＭＲＩシステム。

【請求項8】

前記少なくとも１つのプロセッサが、前記非訓練被験者の元のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界に基づいて、前記１つ以上の関心の解剖学的構造のうちの少なくとも１つの体積を判定するように構成されている、請求項３に記載のＭＲＩシステム。

【請求項9】

前記少なくとも１つのプロセッサが、前記非訓練被験者の元のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界に基づいて、前記１つ以上の関心の解剖学的構造のうちの少なくとも１つの平均値強度を判定するように構成されている、請求項３に記載のＭＲＩシステム。

【請求項10】

前記少なくとも１つのプロセッサが、前記第２のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界に基づいて、前記１つ以上の関心の解剖学的構造のうちの少なくとも１つの合計信号を判定するように構成されている、請求項３に記載のＭＲＩシステム。

【請求項11】

方法であって、
ＭＲＩスキャナを介して、複数の訓練被験者の訓練被験者ごとに、１つ以上の関心の解剖学的構造を例示するコントラストを伴う対応するＭＲ画像を取得することと、
コンピューティングデバイスによって、前記複数の訓練被験者のうちの第１の訓練被験者の第１のＭＲデータに基づいて、初期解剖学テンプレート画像を生成することであって、前記初期解剖学テンプレート画像が、テンプレート空間を定義する、生成することと、
前記第１の訓練被験者以外の前記複数の訓練被験者の訓練被験者ごとに、
前記訓練被験者の前記ＭＲ画像に大域変換を適用して、前記テンプレート空間において、前記訓練被験者のＭＲデータの第１の推定値を表す前記ＭＲ画像の第１のモーフィングバージョンを生成すること、及び
前記訓練被験者の前記ＭＲ画像の前記第１のモーフィングバージョンに局所変換を適用して、前記テンプレート空間において、前記訓練被験者の前記ＭＲデータの第２の推定値を表す前記ＭＲ画像の第２のモーフィングバージョンを生成することと、
前記初期解剖学テンプレート画像を、前記第１の訓練被験者以外の前記複数の訓練被験者の前記ＭＲ画像の前記第２のモーフィングバージョンと平均して、最終的な解剖学テンプレート画像を生成することと、
前記最終的な解剖学テンプレートに、前記１つ以上の関心の解剖学的構造の前記境界を描写することと、
前記最終的な解剖学テンプレートを使用して、他の非訓練被験者についての前記１つ以上の関心の解剖学的構造の前記境界を識別することと、を含む、方法。

【請求項12】

前記ＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界を判定することが、
境界検出アルゴリズムを使用して、前記最終的な解剖学テンプレートにおいて、前記１つ以上の関心の解剖学的構造の前記境界を微調整することを含む、請求項１１に記載の方法。

【請求項13】

前記ＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界を判定することが、
前記ＭＲＩスキャナを介して、前記１つ以上の関心の解剖学的構造を例示するコントラストを伴う非訓練被験者のＭＲ画像を取得することと、
前記非訓練被験者のＭＲ画像に前記大域変換を適用して、前記非訓練被験者のＭＲ画像の第１のモーフィングバージョンを生成することと、
前記非訓練被験者のＭＲ画像の前記第１のモーフィングバージョンに前記局所変換を適用して、前記非訓練被験者のＭＲ画像の第２のモーフィングバージョンを生成することと、
前記１つ以上の関心の解剖学的構造の前記最終的な解剖学テンプレートから、前記非訓練被験者のＭＲ画像の前記第２のモーフィングバージョン上に前記境界を投影して、前記非訓練被験者についての前記テンプレート空間内の前記１つ以上の関心の構造の前記境界の推定値を判定することと、
前記１つ以上の関心の構造の前記テンプレート空間内の前記境界の前記推定値に逆変換を適用して、元の前記非訓練被験者のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界の第１の推定値を判定することと、を含む、請求項１１に記載の方法。

【請求項14】

境界検出アルゴリズムを使用して、前記非訓練被験者の元のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界の前記第１の推定値を微調整し、前記非訓練被験者の前記第２のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界の第２の推定値を生成することを更に含む、請求項１３に記載の方法。

【請求項15】

前記逆変換が、前記局所変換の逆と、続く前記大域変換の逆と、の連結を含む、請求項１３に記載の方法。

【請求項16】

前記ＭＲ画像の前記第１のモーフィングバージョンに前記局所変換を適用することが、前記ＭＲ画像の前記第１のモーフィングバージョンのクロッピング領域に前記局所変換を適用することを含む、請求項１１に記載の方法。

【請求項17】

前記対応するＭＲ画像が、定量的感受性マップ（ＱＳＭ）又はニューロメラニン画像を含む、請求項１１に記載の方法。

【請求項18】

前記少なくとも１つのプロセッサが、前記非訓練被験者の元のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界に基づいて、前記１つ以上の関心の解剖学的構造のうちの少なくとも１つの体積を判定するように構成されている、請求項１３に記載の方法。

【請求項19】

前記非訓練被験者の元のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界に基づいて、前記１つ以上の関心の解剖学的構造のうちの少なくとも１つの平均値強度を判定すること、又は
前記第２のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界に基づいて、前記１つ以上の関心の解剖学的構造のうちの少なくとも１つの合計信号を判定することを更に含む、請求項１３に記載の方法。

【請求項20】

非一時的コンピュータ可読媒体であって、前記非一時的コンピュータ可読媒体上に記憶されたコンピュータコード命令を含み、前記コンピュータコード命令が、プロセッサによって実行されるときに、前記プロセッサに、
ＭＲＩスキャナを介して、複数の訓練被験者の訓練被験者ごとに、１つ以上の関心の解剖学的構造を例示するコントラストを伴う対応するＭＲ画像を取得することと、
前記複数の訓練被験者のうちの第１の訓練被験者の第１のＭＲデータに基づいて、初期解剖学テンプレート画像を生成することであって、前記初期解剖学テンプレート画像が、テンプレート空間を定義する、生成することと、
前記第１の訓練被験者以外の前記複数の訓練被験者の訓練被験者ごとに、
前記訓練被験者の前記ＭＲ画像に大域変換を適用して、前記テンプレート空間において、前記訓練被験者のＭＲデータの第１の推定値を表す前記ＭＲ画像の第１のモーフィングバージョンを生成すること、及び
前記訓練被験者の前記ＭＲ画像の前記第１のモーフィングバージョンに局所変換を適用して、前記テンプレート空間において、前記訓練被験者の前記ＭＲデータの第２の推定値を表す前記ＭＲ画像の第２のモーフィングバージョンを生成することと、
前記初期解剖学テンプレート画像を、前記第１の訓練被験者以外の前記複数の訓練被験者の前記ＭＲ画像の前記第２のモーフィングバージョンと平均して、最終的な解剖学テンプレート画像を生成することと、
前記最終的な解剖学テンプレートに、前記１つ以上の関心の解剖学的構造の前記境界を描写することと、
前記最終的な解剖学テンプレートを使用して、他の非訓練被験者についての前記１つ以上の関心の解剖学的構造の前記境界を識別することと、を行わせる、非一時的コンピュータ可読媒体。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願の相互参照
本出願は、２０２１年４月２日に出願され、「ＳＹＳＴＥＭＳ ＡＮＤ ＭＥＴＨＯＤＳ ＦＯＲ ＡＵＴＯＭＡＴＩＣ ＴＥＭＰＬＡＴＥ－ＢＡＳＥＤ ＤＥＴＥＣＴＩＯＮ ＯＦ ＡＮＡＴＯＭＩＣＡＬ ＳＴＲＵＣＴＵＲＥＳ」と題された米国仮特許出願第６３／１７０，２２９号の優先権及び利益を主張するものであり、その内容は参照によりその全体が本明細書に組み込まれる。

【0002】

本開示は、概して、解剖学的構造の境界を検出又は識別する分野に関する。具体的には、本開示は、標準化されたテンプレートを生成し、かつそのようなテンプレートを使用して解剖学的構造の境界を自動で検出又は識別するための方法及びシステムに関する。

【背景技術】

【0003】

解剖学的構造の境界の識別を必要とする１つの疾患は、パーキンソン病（ＰＤ）であり、これは、６０歳超の個体のおよそ１％に影響を及ぼす慢性進行性神経変性障害である。ＰＤは、黒質緻密部（ＳＮｐｃ）における神経黒質（ＮＭ）の早期神経変性と、黒質（ＳＮ）における鉄沈着の増加と、によって病理学的に特徴付けられる。ＳＮの変性は、多数の神経変性疾患の進行の特徴である。進行性核上性麻痺（ＰＳＰ）及び多系統萎縮（ＭＳＡ）を含む非定型パーキンソン障害においては、ＳＮｐｃの広範囲のニューロン損失も生じるが、これらの障害ではＳＮの種々のサブ領域が影響を受ける。

【0004】

ＳＮは、解剖学的及び機能的に別異する２つの領域、ＳＮ網様部（ＳＮｐｒ）及びＳＮｐｃから構成されている。ＳＮｐｃは、ドーパミン作動性ニューロンを含有するＮＭの密な分布を含有する一方、鉄含有量は、ＳＮｐｒにおいてより高い傾向がある。しかしながら、ＳＮｐｃドーパミン作動性ニューロン（ニグロソームとして知られる）のクラスターは、ＳＮｐｒ内に深く埋め込まれており、それゆえに、ＳＮｐｒとＳＮｐｃとの間の境界は、特にＳＮの尾部領域において描写することが困難である。ＰＤの領域選択性は、ＳＮｐｃの腹側外側層における色素性ニューロンの５０％～７０％の損失（症状の発症時）に比較的に特異的である。ＳＮについて、赤核（ＲＮ）及び視床下核（ＳＴＮ）の鉄沈着及び体積変化は、疾患ステータス及び進行率と関連付けられることが報告されており、また、ＰＤ患者における脳深部刺激（ＤＢＳ）治療の重要な標的として機能する。

【発明の概要】

【0005】

少なくとも１つの態様によれば、磁気共鳴メージング（ＭＲＩ）システムは、磁気共鳴（ＭＲ）データを取得するように構成されたＭＲＩスキャナと、少なくとも１つのプロセッサと、メモリであって、メモリ上にコンピュータコード命令が記憶されたメモリと、を備える。コンピュータコード命令は、少なくとも１つのプロセッサによって実行されるときに、少なくとも１つのプロセッサに、複数の訓練被験者の訓練被験者ごとに、ＭＲＩスキャナを介して、１つ以上の関心の解剖学的構造を例示するコントラストを伴う対応するＭＲ画像を取得させる。少なくとも１つのプロセッサは、複数の訓練被験者のうちの第１の訓練被験者の第１のＭＲデータに基づいて、初期解剖学テンプレート画像を生成することができる。初期解剖学テンプレート画像は、テンプレート空間を定義することができる。第１の訓練被験者以外の複数の訓練被験者の訓練被験者ごとに、少なくとも１つのプロセッサは、（ｉ）訓練被験者のＭＲ画像に大域変換を適用して、テンプレート空間において、訓練被験者のＭＲデータの第１の推定値を表すＭＲ画像の第１のモーフィングバージョンを生成し、（ｉｉ）訓練被験者のＭＲ画像の第１のモーフィングバージョンに局所変換を適用して、テンプレート空間において、訓練被験者のＭＲデータの第２の推定値を表すＭＲ画像の第２のモーフィングバージョンを生成することができる。少なくとも１つのプロセッサは、初期解剖学テンプレート画像と複数の訓練被験者のＭＲ画像の第２のモーフィングバージョンとを平均して、最終的な解剖学テンプレート画像を生成することができる。少なくとも１つのプロセッサは、最終的な解剖学テンプレートに１つ以上の関心の解剖学的構造の境界を描写し、最終的な解剖学テンプレートを使用して、他の非訓練被験者の１つ以上の関心の解剖学的構造の境界を識別することができる。

【0006】

少なくとも１つの態様によれば、方法は、ＭＲＩスキャナを介して、複数の訓練被験者の訓練被験者ごとに、１つ以上の関心の解剖学的構造を例示するコントラストを伴う対応するＭＲ画像を取得することを含むことができる。方法は、コンピューティングデバイスが、複数の訓練被験者のうちの第１の訓練被験者の第１のＭＲデータに基づいて、初期解剖学テンプレート画像を生成することを含むことができる。初期解剖学テンプレート画像は、テンプレート空間を定義することができる。第１の訓練被験者以外の複数の訓練被験者の訓練被験者ごとに、コンピューティングデバイスは、（ｉ）訓練被験者のＭＲ画像に大域変換を適用して、テンプレート空間において、訓練被験者のＭＲデータの第１の推定値を表すＭＲ画像の第１のモーフィングバージョンを生成し、（ｉｉ）訓練被験者のＭＲ画像の第１のモーフィングバージョンに局所変換を適用して、テンプレート空間において、訓練被験者のＭＲデータの第２の推定値を表すＭＲ画像の第２のモーフィングバージョンを生成することができる。方法は、初期解剖学テンプレート画像を、第１の訓練被験者以外の複数の訓練被験者のＭＲ画像の第２のモーフィングバージョンと平均して、最終的な解剖学テンプレート画像を生成することを含むことができる。方法は、最終的な解剖学テンプレートに１つ以上の関心の解剖学的構造の境界を描写することと、最終的な解剖学テンプレートを使用して、他の非訓練被験者の１つ以上の関心の解剖学的構造の境界を識別することと、を含むことができる。

【0007】

少なくとも１つの態様によれば、非一時的コンピュータ可読媒体は、非一時的コンピュータ可読媒体上に記憶されたコンピュータコード命令を含むことができる。コンピュータコード命令は、プロセッサによって実行されるとき、プロセッサに、複数の訓練被験者の訓練被験者ごとに、ＭＲＩスキャナを介して、１つ以上の関心の解剖学的構造を例示するコントラストを伴う対応するＭＲ画像を取得させることができる。プロセッサは、複数の訓練被験者のうちの第１の訓練被験者の第１のＭＲデータに基づいて、初期解剖学テンプレート画像を生成することができる。初期解剖学テンプレート画像は、テンプレート空間を定義することができる。第１の訓練被験者以外の複数の訓練被験者の訓練被験者ごとに、プロセッサは、（ｉ）訓練被験者のＭＲ画像に大域変換を適用して、テンプレート空間において、訓練被験者のＭＲデータの第１の推定値を表すＭＲ画像の第１のモーフィングバージョンを生成し、（ｉｉ）訓練被験者のＭＲ画像の第１のモーフィングバージョンに局所変換を適用して、テンプレート空間において、訓練被験者のＭＲデータの第２の推定値を表すＭＲ画像の第２のモーフィングバージョンを生成することができる。プロセッサは、初期解剖学テンプレート画像を、第１の訓練被験者以外の複数の訓練被験者のＭＲ画像の第２のモーフィングバージョンと平均して、最終的な解剖学テンプレート画像を生成することができる。プロセッサは、最終的な解剖学テンプレートに１つ以上の関心の解剖学的構造の境界を描写し、最終的な解剖学テンプレートを使用して、他の非訓練被験者の１つ以上の関心の解剖学的構造の境界を識別することができる。

【図面の簡単な説明】

【0008】

【図1】本開示の本発明の概念による、解剖学テンプレートを生成するための方法を例示するフローチャートである。

【図2】本開示の本発明の概念による、解剖学的構造の特性の自動テンプレートベース識別の方法を例示するフローチャートである。

【図3】本開示の本発明の概念による、解剖学的構造の境界を検出又は識別するためのシステムを例示する図を示す。

【図4】ＮＭ－ＭＲＩテンプレート空間におけるＮＭの視点と、ＱＳＭテンプレート空間におけるＳＮ、ＲＮ、及びＳＴＮの視点と、を描写する磁気共鳴（ＭＲ）画像を示す。

【図5】テンプレート空間から元の空間へＮＭ境界をマッピングするための様々なステップを例示する画像を示す。

【図6】テンプレート空間から元の空間へＳＮ、ＲＮ境界及びＳＴＮ境界をマッピングするための様々なステップを例示する画像を示す。

【図7A】様々なシナリオに基づいて、ニューロメラニン（ＮＭ）の体積比値に対してプロットされたダイス類似度係数を示す。

【図7B】様々なシナリオに基づいて、ニューロメラニン（ＮＭ）の体積比値に対してプロットされたダイス類似度係数を示す。

【図8A】様々なシナリオに基づいて、黒質（ＳＮ）の体積比値に対してプロットされたダイス類似度係数を示す。

【図8B】様々なシナリオに基づいて、黒質（ＳＮ）の体積比値に対してプロットされたダイス類似度係数を示す。

【図9】様々なシナリオに基づいて、赤核（ＲＮ）の体積比値に対してプロットされたダイス類似度係数を示す。

【図10】様々なシナリオに基づいて、視床下核（ＳＴＮ）の体積比値に対してプロットされたダイス類似度係数を示す。

【図11】３０個の訓練症例（上部プロット）及び５７個の検証症例（下部プロット）の手動及びテンプレートのセグメント化から結果として得られるＳＮ、ＲＮ、及びＳＴＮの鉄含有量間の相関を例示するプロットを示す。

【図12】３０人の健常対照についてのマニュアル及びテンプレートのニューロメラニン（ＮＭ）バックグラウンド測定値間の一致を描写するプロットを示す。

【図13】動的プログラミングアルゴリズム（ＤＰＡ）を使用して識別されたＮＭ境界に対するバックグラウンド境界を例示する画像を示す。

【図14】テンプレート空間から元の空間への変換後のバックグラウンド境界と、ＮＭ ＤＰＡ境界と、を例示する画像を示す。

【図15】ＤＰＡのパラメータαの種々の値で再構成された境界を例示する画像を示す。

【図16】ＤＰＡを使用して、２つの異なる強度を有する矩形領域の境界を識別するためのシミュレーション結果を示す。

【図17】ＤＰＡを使用して、２つの異なる強度を有する三日月形状領域の境界を識別するためのシミュレーション結果を示す。

【図18】ＤＰＡを使用して、２つの異なる強度を有するカシュー形状領域の境界を識別するためのシミュレーション結果を示す。

【発明を実施するための形態】

【0009】

パーキンソン病（ＰＤ）などのいくつかの疾患について、疾患の状態に関する情報、及び／又はいくつかの治療で有用な情報が、いくつかの解剖学的構造の体積若しくは他の幾何学的特性から推定され得る。ＰＤの場合、黒質（ＳＮ）について、赤核（ＲＮ）及び視床下核（ＳＴＮ）の鉄沈着及び体積変化は、疾患ステータス及び進行率と関連付けられていることが知られており、また、ＰＤ患者における脳深部刺激（ＤＢＳ）治療の重要な標的として機能する。したがって、ＳＮ及びＳＮのサブ領域、ＲＮ、並びにＳＴＮの正確かつ包括的なインビボの描写が、ＰＤと中脳に影響を及ぼす他の運動障害とにおける鉄及びニューロメラニン（ＮＭ）の組成の変化を十分に調査するのに有用であり得よう。したがって、ＳＮ、ＳＮのサブ領域、並びに赤核（ＲＮ）及び視床下核（ＳＴＮ）などの他の中脳構造の正確なインビボの描写が、ＰＤにおける鉄及びＮＭの変化を十分に調査するのに有用であり得よう。

【0010】

これまで、多くの研究が依然として、手動又は半自動のアプローチを使用して、脳深部灰白質を画定している。しかしながら、手動のセグメント化は、特に大量のデータを評価する必要がある場合に、時間がかかる。また、評価者が十分に訓練されていない限り、手動描画は、個体間で、又は部位間で、再現の信頼性が低い。インビボ描写のためのいくつかのアプローチは、鉄及びＮＭの含有量をマッピングするためのテンプレートの使用を含むことができる。そのようなアプローチでは、標準化されたテンプレートを作成することは、（ａ）鉄及びＮＭの分布の変化を認識すること、（ｂ）そのような分布と関連付けられた体積を自動で計算すること、（ｃ）鉄含有量とＮＭ信号の変化とを定量化すること、及び（ｄ）これらの測定値の信頼性に著しい影響を与え得る。従来の構造ＭＲシーケンスを使用するＳＮの解剖学テンプレートは、いくつかの研究で以前に使用されている。Ｔ１加重（Ｔ１Ｗ）及びＴ２加重（Ｔ２Ｗ）画像を採用して、高分解能確率的インビボ皮質下核アトラスを作成することができ、これらの画像は、ＳＮを黒質緻密部（ＳＮｐｃ）及び黒質網様部（ＳＮｐｒ）にセグメント化することができるようになった。そのようなアトラスは、若年成人集団（例えば、平均値±標準偏差の年齢：２８．９±３．６歳）からの画像に基づく場合、高齢者を対象とした研究には好適でないことがある。更に、Ｔ１Ｗ及びＴ２Ｗのコントラスト画像の両方を、高齢者対象におけるＳＮｐｃとＳＮｐｒとの間の高度に噛み合った境界を描写するために容易に使用することができない。脳の異なる部分へのＳＮサブ領域の解剖学的接続に基づいて、拡散ベースのトラクトグラフィーを使用して、ＳＮをＳＮｐｃ及びＳＮｐｒにセグメント化するか、又はＳＮ／腹側被蓋領域（ＶＴＡ）を背内側及び腹外側のサブ領域に細分化することができる。しかしながら、推定される構造的接続性は、周知の偏倚を有し、データ取得及びファイバ追跡アルゴリズムに大きく依存し、拡散イメージングは、低分解能データ取得に悩まされている。それゆえに、高分解能イメージングを使用してＳＮ及びＳＮのサブ領域の直接的な視覚化及びセグメント化が、特にＳＮの微妙な病理学的変化の検出に関して言えば、より正確な選択肢となろう。

【0011】

中脳核の境界を判定し、かつＰＤ患者の病理学的変化を検討するための１つのアプローチは、鉄含有領域が低強度で現れる、Ｔ２^*加重勾配エコー（ＧＲＥ）イメージング及び感受性加重イメージング（ＳＷＩ）の使用に基づき得る。一方、定量的感受性マッピング（ＱＳＭ）の開発は、フェリチン及びヘモシデリンに貯蔵された鉄の定量化を可能にする。ＱＳＭベースの技法は、ＰＤ患者において組織の磁気感受性が脳内鉄とよく相関することを示している。加えて、ＤＢＳの術前標的誘導では、ＱＳＭは、伝統的なＴ２^*Ｗイメージングよりも優れている。しかしながら、ＱＳＭ単独では、ＳＮｐｃ及びＳＮｐｒの両方が鉄を含有するため、ＳＮｐｃをＳＮｐｒから分離することができない。この制限は、過去数年間に開発されたニューロメラニン感受性ＭＲＩ（ＮＭ－ＭＲＩ）を使用することによって解決され得る。ＳＮｐｃ及び腹側被蓋領域（ＶＴＡ）は、主にＮＭを含有するドーパミン作動性ニューロンで構成されているが、ＳＮｐｒは、そうではない。このゆえに、中脳におけるＮＭ－ＭＲＩで見られる高強度信号は、ＳＮｐｃ及びＶＴＡの領域と空間的に関連付けられている（このことは、死後の組織学的研究によって検証されている）。それゆえに、ＮＭの体積（ＳＮｐｃとＶＴＡとを加えたもの）と鉄含有ＳＮの体積（ＳＮｐｃとＳＮｐｒとを加えたもの）との間の重複は、ＳＮｐｃを表すと考えられる。

【0012】

これまでのところ、既存のアプローチは、ＱＳＭ及び／又はＮＭ－ＭＲＩイメージングを使用してＳＮｐｃを正確かつ確実にセグメント化しない。ＳＮアトラスは、ＱＳＭのみを使用して得られ得る。代替的に、例えば手動描画、自動セグメント化、又は人工知能を使用して作成された、ＮＭ－ＭＲＩイメージングに基づくＮＭテンプレートが採用され得る。テンプレートを使用する目的は、境界の識別を容易にすることであろう。しかしながら、テンプレートマッピングは、完璧ではなく、境界をマークするための理想的な空間は、元の無垢のデータ空間にある。テンプレート空間（他の全ての脳がマッピングされる、標準的な固定された脳又はボランティア）であろうと、元の空間（所与の個人用の元の脳イメージングデータ）であろうと、単純な閾値化方法には欠点がある。閾値を相対的に高い値又は相対的に低い値に設定することは、特に、重度のＮＭ変性、及びＳＮにおける鉄沈着を有するＰＤ患者において、ＮＭ又は鉄の含有量の推定量の劇的な変化につながる可能性がある。また、画像の可変コントラストが、領域成長などのいくつかのアルゴリズムを使用することを困難にする可能性がある。ＳＮが周囲の領域と比較して高い鉄含有量を有するにもかかわらず、鉄が均一に分布しておらず、ニグロソーム１（Ｎ１）テリトリーで鉄の低減がある。Ｎ１テリトリーなどの構造のギャップはまた、ＳＮ及びＮＭの関心の領域（ＲＯＩ）を自動でセグメント化することの困難さを増す可能性がある。

【0013】

現開示では、解剖学的構造を検出するためのシステム及び方法は、単一のマルチエコーＮＭ ＭＲＩシーケンスからの高分解能イメージングを使用して、ＮＭ及び鉄のテンプレートの両方を作成し、かつテンプレート空間における各構造の境界を計算することを含むことができる。具体的には、単一の高分解能のＮＭ ＭＲＩシーケンスからのＮＭ及び鉄のテンプレートの両方を使用して、（ｉ）テンプレート空間における各構造の境界を計算し、（ｉｉ）これらの境界を元の空間に戻してマッピングし、次いで（ｉｉｉ）動的プログラミングアルゴリズム（ＤＰＡ）を使用して元の空間における境界を微調整して、各個人のＮＭ及びＳＮの特徴の詳細にマッチさせることができる。ＳＮのＮＭと、ＳＮ、ＳＴＮ、及びＲＮの鉄含有と、についての実験結果は全て、ダイス値及び体積比に関して強い一致を示し、前者は、それぞれ、０．８５、０．８７、０．７５、及び０．９２であり、後者は、それぞれ、０．９９、０．９５、０．８９、１．０５である。これらの高品質の結果は、体積、鉄含有量、及びニューロメラニン含有量などの組織属性を確度を伴って測定することが可能であることを示している。ＮＭ及び鉄に感受性がある複数のシーケンスも使用され得るが、その場合には、２つの間の共同位置合わせが必要とされ得る。

【0014】

図１を参照すると、本開示の本発明の概念に従って、解剖学テンプレートを生成するための方法１００を例示するフローチャートが示されている。方法１００は、コンピューティングデバイス又はシステムが、複数の訓練被験者の訓練被験者ごとに、対応するＭＲ画像を取得すること（ステップ１０２）と、複数の訓練被験者のうちの第１の訓練被験者の選択されたＭＲ画像に基づいて、初期解剖学テンプレートを生成すること（ステップ１０４）と、を含むことができる。方法１００は、コンピューティングデバイス又はシステムが、大域変換と、これに続く局所変換と、を適用することによって、他の訓練被験者のＭＲ画像を初期解剖学テンプレートによって定義されたテンプレート空間上にマッピングすること（ステップ１０６）を含むことができる。方法１００は、マッピングされたＭＲ画像及び初期解剖学テンプレートを平均して、最終的な解剖学テンプレートを生成すること（ステップ１０８）を含むことができる。方法１００は、最終的な解剖学テンプレートに関心の解剖学的構造の境界を描画すること（ステップ１１０）を含むことができる。方法１００は、最終的な解剖学テンプレートを使用して、非訓練被験者における関心の解剖学的構造の境界を識別すること（ステップ１１２）を含むことができる。

【0015】

方法１００は、コンピューティングデバイス又はシステムが、複数の訓練被験者の訓練被験者ごとに、対応するＭＲ画像を取得すること（ステップ１０２）を含むことができる。訓練被験者は、年齢、健康状態、又は各対象の病態及び／若しくは病歴などの、いくつかの事前定義された基準に基づいて選択され得る。本明細書に記載の研究は、地元の倫理委員会によって承認されたものであり、全ての被験者が同意書に署名した。８７人の健康な被験者（平均年齢：６３．４±６．２歳、範囲：４５～８１歳、５３人の女性）を広告で地域から募集した。潜在的な訓練被験者用の除外基準は、（ａ）腫瘍、硬膜下血腫、又は以前の頭部外傷による挫傷などの構造的異常、（ｂ）脳卒中、中毒、神経又は精神疾患の病歴、及び（ｃ）大容積白質病変（例えば、ＦａｚｅｋａｓグレードＩＩＩ）を有する１つ以上の大血管疾患疾患を含んでいた。

【0016】

訓練被験者のＭＲ画像は、ＭＲＩスキャナを介して取得され得る。例えば、実施された研究では、１５チャンネルヘッドアレイコイルを使用して３Ｔ Ｉｎｇｅｎｉａスキャナ（Ｐｈｉｌｉｐｓ Ｈｅａｌｔｈｃａｒｅ、Ｎｅｔｈｅｒｌａｎｄｓ）でＭＲイメージングを実行した。作動磁化伝達コントラスト（ＭＴＣ）パルスを用いる３Ｄ勾配エコーＳＷＩシーケンスの撮像パラメータは、エコーまでの時間（ＴＥ）＝７．５ｍｓ、合計７つのエコーを有するΔＴＥ＝７．５ｍｓ、繰り返し時間（ＴＲ）＝６２ｍｓ、フリップ角度＝３０°、画素帯域幅＝１７４Ｈｚ／画素、マトリックスサイズ＝３８４×１４４、スライス厚さ＝２ｍｍ、スライス数＝６４、０．６７×１．３４ｍｍ²に補間された空間面内分解能＝０．６７×０．６７ｍｍ²、感知係数２、ｋ空間の楕円サンプリング、及び４分４７秒に等しい合計スキャン時間を含む。磁化伝達（ＭＴ）共鳴状態高周波パルスは、９０°の公称フリップ角、ゼロ周波数オフセット、及び各々が持続時間１．９１４ミリ秒（ｍｓ）の３ブロックパルスのセットを使用した。許容される最小限のＴＲは、特定の吸収率の安全性の考慮に基づいて使用された。この６２ｍｓの長い反復時間に起因して、７つのエコーが収集された。

【0017】

いくつかの実装態様では、コンピューティングデバイス又はシステムは、エコーが主要ＭＴコントラストを提供することから、ＭＴＣ－ＳＷＩ大きさ画像（ＴＥ＝７．５ｍｓ）の第１のエコーを使用して、ＮＭコンテンツを描写することができる。コンピューティングデバイス又はシステムは、ＱＳＭ再構成のために、第２のエコー（ＴＥ＝１５ｍｓ）、又は２つ以上のエコーからのＱＳＭ画像の組み合わせを使用して、ＳＮにおける鉄沈着を評価することができる。コンピューティングデバイス又はシステムは、（ｉ）脳抽出ツール、ＢＥＴを使用して、脳をセグメント化すること、（ｉｉ）３Ｄ位相展開アルゴリズム（３ＤＳＲＮＣＰ）を使用して、元の位相データを展開すること、（ｉｉｉ）高度高調波アーチファクト削減（ＳＨＡＲＰ）を使用して、不要なバックグラウンドフィールドを除去すること、及び（ｉｖ）最終的なＱＳＭマップを再構成するための反復アプローチを用いる切断ｋ空間分割（ＴＫＤ）ベースの逆フィルタリング技法を使用することによって、感受性マップを作成することができる。

【0018】

関心の解剖学的構造の境界をトレースする際に、手動の関心の領域（ＲＯＩ）セグメント化を採用することができる。ＮＭ及び鉄の含有量を測定するために、ＮＭ、ＳＮ、ＲＮ、及びＳＴＮの関心の領域（ＲＯＩ）を、ＳＰＩＮソフトウェア（ＳｐｉｎＴｅｃｈ，Ｉｎｃ．、Ｂｉｎｇｈａｍ Ｆａｒｍｓ，ＭＩ，ＵＳＡ）を使用して４倍に拡大されたＭＴＣの大きさ及びＱＳＭマップ上で単一の評価者によって手動でトレースすることができる。ＮＭベースのＳＮ境界を、２ｍｍの厚さのスライスが使用される（又は８～１０ｍｍの総厚にわたって）場合に、ＮＭが見えなくなるまで、４～５スライスの最後の尾部スライスから開始してトレースすることができる。鉄ベースのＳＮ境界を、視床下核が見える最も頭蓋のスライスの下の１つのスライスから開始してトレースすることができ、最も尾部のスライスまで、又は８～１２ｍｍの総厚にわたって、４～６回連続したスライスを継続することができる。ＲＮ ＲＯＩを、最後の尾部スライスから開始して輪郭を描き、頭蓋のように、又は６～８ｍｍの総厚さにわたって、３～４回のスライスを継続することができる。ＳＴＮ ＲＯＩを、２つのスライスについて、頭蓋のように、又は約４ｍｍの総厚にわたって、トレースすることができる。全てのＲＯＩについて、動的プログラミングアルゴリズム（ＤＰＡ）を使用して、主観的な偏倚を軽減するための最終的な境界を判定することができる。次いで、これらの境界を全て、第２の評価者によって１つずつレビューし、第１のレビュー者との合意で相応に修正することができる。

【0019】

上述したデータ取得パラメータ及び／又はデータ処理シナリオは、限定の目的ではなく、例示の目的で提供される例示的な実装態様を表すことを理解されたい。例えば、上記で提供されるスライス番号は、２ｍｍに等しいスライス厚さを有する所与の分解能に固有である。１ｍｍの厚さのスライスを使用するとすれば、これらのスライス番号は、全て２倍になる。更に、説明は、主に中脳のＰＤ及び解剖学的構造への適用に焦点を当てているが、本明細書に記載の方法及び技法は、他の用途、又は深部小脳核若しくは線条核及び尾状核、又は他の任意の関心の領域などの、他の解剖学的領域にも適用され得る。

【0020】

いくつかの実装態様では、コンピューティングデバイス又はシステムは、ＭＲスキャナに、複数の訓練被験者の訓練被験者ごとに、ＭＲデータ取得、例えば、元の全脳６４スライスデータから開始して７．５ｍｓエコー時間ＭＴＣデータ取得を実行させることができる。ＭＲスキャナは、訓練被験者ごとに、対応する取得されたＭＲデータに基づいて、対応する三次元（３Ｄ）画像（又は複数の対応する二次元（２Ｄ）画像）を構築することができる。複数の訓練被験者のＭＲデータを取得する際に、ＭＲスキャナを、関心の１つ以上の解剖学的構造（例えば、ＳＮ、ＲＮ、及び／又はＳＴＮの領域）を例示するコントラストを伴う／有するＭＲ画像を生成するように選択されたパラメータで構成することができる。ＭＲスキャナは、複数の訓練被験者の訓練被験者ごとに、ＮＭ－ＭＲＩデータ（例えば、ＮＭ－ＭＲＩ画像）及び／又はＱＳＭデータ（ＱＳＭ画像）を取得することができる。

【0021】

方法１００は、コンピューティングデバイス又はシステムが、複数の訓練被験者のうちの第１の訓練被験者の選択されたＭＲ画像に基づいて、初期解剖学テンプレートを生成すること（ステップ１０４）を含むことができる。コンピューティングデバイス又はシステム（又はそのユーザ）は、複数の訓練被験者のＭＲ画像の中から、第１の訓練被験者の第１の３ＤのＭＲ画像（又は対応する２Ｄ画像）を選択することができる。選択は、ランダムであり得るか、又は事前定義されたプリファレンス若しくは基準に従い得る。初期解剖学テンプレートを生成する際に、コンピューティングデバイス又はシステムは、第１の訓練被験者の全ての取得されたスライスについて、例えば、所望の最終的な分解能に応じて、２倍、４倍以上の係数で、第１の３Ｄ画像（又は対応する２Ｄ画像）を平面内で拡大することができる。このステップはまた、テンプレート空間内の等方分解能を得るためのスライス選択方向の補間を含むことができる。テンプレート空間を、所望の分解能、又は取得されたＭＲデータの分解能よりも高い分解能で定義することができる。いくつかの実装態様では、それぞれ、コンピューティングデバイス又はシステムは、第１の訓練被験者のＮＭデータ及びＱＳＭデータに基づいて、初期ＮＭ－ＭＲＩテンプレート及び初期ＱＳＭテンプレートを生成することができる。以下で更に詳細に考察されるように、コンピューティングデバイス又はシステムは、初期解剖学テンプレートを使用して、他の訓練被験者のＭＲ画像をテンプレート空間にマッピングすることができる。

【0022】

方法１００は、コンピューティングデバイス又はシステムが、大域変換とこれに続く局所変換とを適用することによって、他の訓練被験者のＭＲ画像を初期解剖学テンプレートによって定義されたテンプレート空間上にマッピングすること（ステップ１０６）を含むことができる。コンピューティングデバイス又はシステムは、（第１の訓練被験者以外の）他の訓練被験者の画像の各々に大域変換及び局所変換を適用することができる。コンピューティングデバイス又はシステムは、全てのスライスに対する拡大係数（例えば、２、４以上の係数）でＭＲ画像の各ＭＲ画像を平面内で拡大した後、第１の訓練被験者以外の他の訓練被験者の各ＭＲ画像内の関心の領域を覆う一連のスライスにわたって、大域変換を適用することができる。例えば、中脳について、スライスの厚さが２ｍｍである場合、関心の領域を覆う一連のスライスは、５０個の中央スライスのセットであり得る。大域変換は、剛性変換と、例えば、洞察セグメント化及び位置合わせツールキットフリーウェア（ＩＴＫ）を使用して、ｂスプライン補間を適用した、続くアフィン変換と、を含むことができる。コンピューティングデバイス又はシステムは、同じ大域変換を適用して、他の訓練被験者の各々についてのＱＳＭデータを初期ＱＳＭテンプレートにマッピングすることができる。

【0023】

コンピューティングデバイス又はシステムは、他の訓練被験者の各ＭＲ画像（例えば、ＱＳＭ画像及び／又はＮＭ－ＭＲＩ画像）に大域変換を適用して、テンプレート空間において、初期テンプレートの対応するｆｉｒｓ推定を表すＭＲ画像の対応する第１のモーフィングバージョンを生成することができる。すなわち、大域変換を使用して、（第１の訓練被験者以外の）他の訓練被験者の各ＭＲ画像をテンプレート空間における初期解剖学テンプレートとマッチさせる。しかしながら、大域変換は、通常、初期解剖学テンプレートにおける解剖学的構造との正確なマッチを提供しない。

【0024】

変換されたＭＲ画像とテンプレート空間における初期解剖学テンプレートとの間のマッチングを改善するために、コンピューティングデバイス又はシステムは、（第１の訓練被験者以外の）他の訓練被験者のＭＲ画像の第１のモーフィングバージョンに局所変換を適用することができる。コンピューティングデバイス又はシステムは、ＭＲ画像の第１のモーフィングバージョンを、中脳を覆うように平面内で、かつ約１６個のスライスに（例えば、スライスの厚さが２ｍｍの場合）クロッピングして、中脳テリトリーのカバレッジを確実にすることができる。コンピューティングデバイス又はシステムは、クロッピングされた画像体積に局所変換を適用して、他の訓練被験者のＭＲ画像の第２のモーフィングバージョンを生成することができる。訓練被験者（訓練被験者以外）の各ＭＲ画像について、対応する第２のモーフィングバージョンは、テンプレート空間における初期解剖学テンプレートとのより良いマッチングを表す。

【0025】

例示的な実装態様として、合計２６人の訓練被験者を使用することができる。コンピューティングデバイス又はシステムは、これらの訓練被験者（本明細書では第１の訓練被験者と称される）のうちの１人のＭＲデータを選択して、初期解剖学テンプレートを生成することができる。次いで、コンピューティングデバイス又はシステムは、他の２５人の訓練被験者の各々のＭＲデータに大域変換及び局所変換を適用して、大域変換及び局所変換を適用した後、他の２５人の訓練被験者の各々のＭＲデータをテンプレート空間における初期解剖学テンプレートにマッピングすることができる。

【0026】

方法１００は、マッピングされたＭＲ画像及び初期解剖学テンプレートを平均して、最終的な解剖学テンプレートを生成すること（ステップ１０８）を含むことができる。コンピューティングデバイス又はシステムは、マッピングされたＭＲ画像を初期解剖学テンプレートと平均して、最終的な解剖学テンプレートを生成することができる。結果は、例えば中脳テリトリーを包含する１６個のスライスについて定義された、平均されたテンプレートである。平均された解剖学テンプレートは、単一の訓練被験者のＭＲデータに基づいて生成された初期解剖学テンプレートと比較して、又は第１のモーフィングバージョンと初期解剖学テンプレートとを平均することによって生成されたテンプレートと比較して、関心の解剖学的構造のより代表的な境界を有する。コンピューティングデバイス又はシステムは、例えば０．１６７の等方性分解能（合計１９２スライス）を有するテンプレートを作成するために、スライス選択方向に、平均された解剖学テンプレートを線形補間することができる。

【0027】

方法１００は、最終的な解剖学テンプレート上に関心の解剖学的構造の境界を描画すること（ステップ１１０）を含むことができる。関心の解剖学的構造（又は領域）の境界のトレースを、例えば医師又は放射線科医によって、手動で実行することができる。方法１００のステップ１０２～１０８に従って生成された最終的な解剖学テンプレートは、関心の解剖学的構造の増強されたコントラストを示し、したがって、そのような構造の境界のより正確なトレースを可能にする。

【0028】

最終的な解剖学テンプレートでは、平均値を、境界を見つけるための確率マップを示すものとみなすことができる。いくつかの実装態様では、２つ以上の最終的な解剖学テンプレートを生成することができる。例えば、１つのＱＳＭテンプレート及び１つのＮＭ－ＭＲＩテンプレートを、それぞれ、ＮＭデータ及びＱＳＭデータに基づいて生成することができる。いくつかの実装態様では、ＮＭ、赤核（ＲＮ）、ＳＮ、及び視床下核（ＳＴＮ）の境界を、全て手動で描画することができる。ニューロメラニン（ＮＭ）データについて、合計１９２個の補間されたスライスからのスライス４４～９８を使用して境界を描画することができる一方、ＱＳＭデータスライス４４～１２６を使用することができる。スライス番号の実際の選定は、使用される分解能及び補間の程度に依存する。

【0029】

方法１００は、境界検出アルゴリズムを使用して、最終的な解剖学テンプレートにおける関心の解剖学的構造の境界を微調整することを更に含むことができる。境界検出アルゴリズムを、動的プログラミングアルゴリズム（ＤＰＡ）として実装することができる。コンピューティングデバイス又はシステムは、境界検出のためにＤＰＡをラン（又は実行）して、テンプレート境界を確定することができる。ＤＰＡは、局所曲率半径及び信号勾配に依存するコスト関数を使用することができる。このアルゴリズムの更なる詳細は、以下で提供される。

【0030】

方法１００は、コンピューティングデバイス又はシステムが、最終的な解剖学テンプレートを使用して、非訓練被験者における関心の解剖学的構造の境界を識別すること（ステップ１１２）を含むことができる。非訓練被験者における関心の解剖学的構造の境界を識別するための最終的な解剖学テンプレートの使用は、以下で図２に関して詳細に考察される。

【0031】

ここで図２を参照すると、本開示の本発明の概念に従って、解剖学的構造の特性の自動テンプレートベース識別の方法２００を例示するフローチャートが示されている。方法２００は、非訓練被験者のＭＲ画像（又はＭＲデータ）を取得すること（ステップ２０２）を含むことができる。方法２００は、大域変換と、続く局所変換と、を適用することによって、非訓練被験者のＭＲ画像をテンプレート空間内の最終的な解剖学テンプレートにマッピングすること（ステップ２０４）を含むことができる。方法２００は、最終的な解剖学テンプレートから、１つ以上の関心の解剖学的構造の境界を、非訓練被験者のマッピングされたＭＲ画像上に投影すること（ステップ２０６）を含むことができる。方法２００はまた、関心の解剖学的構造の投影された境界に逆変換を適用して、非訓練被験者のＭＲ画像における境界の推定値を生成すること（ステップ２０８）を含むことができる。

【0032】

方法２００は、最終的な解剖学テンプレートを使用して、非訓練被験者の関心の解剖学的構造の境界の自動識別を可能にする。解剖学テンプレートを生成するための方法１００は、人間の介入（例えば、ステップ１１０において境界を手動で描画すること）を伴い得るが、非訓練被験者についての関心の解剖学的構造の境界の自動識別のための方法２００を、いかなる人間の介入もなく自動で実施／実行することができる。

【0033】

方法２００は、コンピューティングデバイスが、非訓練被験者のＭＲ画像（又はＭＲデータ）を取得すること（ステップ２０２）を含むことができる。ＭＲスキャナは、図１の方法１００のステップ１０２に関して上で考察されたのと同様の方式で、非訓練被験者のＭＲデータ（例えば、３ＤのＭＲ画像又は複数の２ＤのＭＲ画像）を取得することができる。非訓練被験者は、最終的な解剖学テンプレートを生成するために方法１００で使用される複数の訓練被験者に属さない者（例えば、患者又は研究被験者）であり得る。ＭＲスキャナは、非訓練被験者のＮＭデータ及び／又はＱＳＭデータを取得することができる。

【0034】

方法２００は、大域変換と、続く局所変換と、を適用することによって、非訓練被験者のＭＲ画像をテンプレート空間内の最終的な解剖学テンプレートにマッピングすること（ステップ２０４）を含むことができる。大域変換及び局所変換は、図１の方法１００のステップ１０６に関して記載されているものと同様であり得る。コンピューティングデバイス又はシステムは、まず、非訓練被験者のＭＲ画像（例えば、ＮＭ画像及びＱＳＭ画像）に大域変換を適用して、非訓練被験者のＭＲ画像の第１のモーフィングバージョンを生成することができる。

【0035】

大域変換を適用した後、コンピューティングデバイス又はシステムは、非訓練被験者のＭＲ画像の第１のモーフィングバージョンをクロッピングすることができる。例えば、コンピューティングデバイス又はシステムは、テンプレートデータの２つの中央スライスにおけるＲＮにラベルを付け、それらを元の全脳に戻すことができる。ＲＮが依然として２つのスライスでのみ明らかである場合、最も低いスライスがスライス１０に設定される。ＲＮが３つのスライスにある場合、中間のスライスが、スライス１０に設定される。このことは、テンプレート空間に戻る最終的な変換の前に、データを最良に中央に配置するための手段を提供する。コンピューティングデバイス又はシステムは、クロッピングされた画像体積を平面内で４倍（又は他の拡大係数）で拡大し、次いで、拡大されたクロッピングされた画像体積に局所変換を適用して、等方性画像を伴う非訓練被験者のＭＲ画像の第２のモーフィングバージョンを取得することができる（変換は、スライス選択方向の補間とともに、画像を等方性にすることを可能にする）。非訓練被験者のＭＲ画像の第２のモーフィングバージョンは、テンプレート空間における最終的な解剖学テンプレートの比較的良好なマッチを表す。補間された平面内分解能は、ＤＰＡアルゴリズムを使用して最終的なオブジェクトサイズを推定するためのより正確な手段を提供する。

【0036】

方法２００は、最終的な解剖学テンプレートから、１つ以上の関心の解剖学的構造の境界を、非訓練被験者のマッピングされたＭＲ画像上に投影すること（ステップ２０６）を含むことができる。非訓練被験者のＭＲ画像が（大域変換及び局所変換を適用することによって）最終的な解剖学テンプレートにマッチング又はマッピングされると、コンピューティングデバイス又はシステムは、最終的な解剖学テンプレートに描画された関心の解剖学的構造の境界を、非訓練被験者のＭＲ画像の第２のモーフィングバージョン上に投影することができる。

【0037】

方法２００は、関心の解剖学的構造の投影された境界に逆変換を適用して、非訓練被験者のＭＲ画像における境界の推定値を生成すること（ステップ２０８）を含むことができる。逆変換は、関心の解剖学的構造のテンプレート境界を、非訓練被験者のＭＲ画像の中脳上（例えば、元の画像空間上）に戻してマッピングするために実行される。しかしながら、誰もが異なっており、かつテンプレートマッピングが完璧ではないことから、投影された境界がうまく適合するという保証はない。

【0038】

方法２００は、コンピューティングデバイス又はシステムが、境界検出アルゴリズム（又はＤＰＡ）を使用して、非訓練被験者の元の取得されたＭＲ画像における関心の解剖学的構造の境界を微調整することを更に含むことができる。コンピューティングデバイス又はシステムは、ＱＳＭデータについて変換された境界の内側の領域に閾値を適用して、負の値を除去することができ、画像細線化を使用して対応する中心線を判定することができる。ＤＰＡについて初期開始点を最良に選定するために、Ｏｔｓｕヒストグラム分析及び閾値ベースのアプローチの両方を使用して、元の境界が関心の構造の外部に極端に広がっているかどうかを判定することができる。ＮＭデータについて、コンピューティングデバイス又はシステムは、バックグラウンド強度と、下回った信号がゼロに設定される閾値を作成するために追加された、２５人の訓練被験者（又は第１の訓練被験者以外の訓練被験者）全てにわたって平均されたバックグラウンド標準偏差の４倍に等しい定数と、を判定することができる。ＱＳＭデータについて、開始閾値をゼロに設定することができる。Ｏｔｓｕ閾値が、関心の構造（又は領域）の内部の画素を除去させた値を与えるとき、テンプレート変換された境界は、相応に縮小され得る。ＱＳＭデータについて、Ｏｔｓｕ閾値が３０ｐｐｂを超える場合、閾値を、３０ｐｐｂに設定することができる。最後に、コンピューティングデバイス又はシステムは、（図１に関して上で考察されたように）テンプレート空間で使用される同じＤＰＡを使用して、結果として生じる境界を再び修正することができる。このＤＰＡは、ＲＮ境界とともに、ＳＮのＲＮへの漏れを防止し、テンプレート境界の助けを借りて、ＳＴＮをＳＮと区別することができる。

【0039】

図３を参照すると、本開示の本発明の概念による、解剖学的構造の境界を検出又は識別するためのシステム３００を例示する図。システム３００は、ＭＲデータを取得するためのＭＲスキャナ３０２と、取得されたＭＲデータを処理して、解剖学的構造の境界を検出又は識別するためのコンピューティングデバイス３０４と、を含むことができる。コンピューティングデバイス３０４は、プロセッサ３０６及びメモリ３０８を含むことができる。メモリ３０８は、プロセッサ３０６による実行のためのコンピュータコード命令を記憶することができる。コンピュータコード命令は、プロセッサ３０６によって実行されるとき、コンピューティングデバイス３０４に、上で考察された方法１００及び／又は方法２００を実行させることができる。コンピューティングデバイス３０４は、ＭＲ画像を表示し、方法１００及び／若しくは方法２００の結果、又は他のデータを出力するためのディスプレイデバイス３１０を更に含み得る。

【0040】

いくつかの実装態様では、コンピューティングデバイス３０４は、ＭＲスキャナ３０２から分離された電子デバイスであり得る。そのような実装態様では、コンピューティングデバイス３０４は、ＭＲスキャナ３０２に通信可能に結合されてもよいし、結合されなくてもよい。例えば、ＭＲスキャナ３０２によって取得されたＭＲデータは、フラッシュメモリ、コンパクトディスク（ＣＤ）、又は他の記憶デバイスを介してコンピューティングデバイス３０４に転送されてもよい。コンピューティングデバイス３０４がＭＲスキャナ３０２に通信可能に結合されている場合、ＭＲスキャナ３０２によって取得されたＭＲデータは、ＭＲスキャナ３０２とコンピューティングデバイス３０４との間の任意の通信リンクを介してコンピューティングデバイス３０４に転送され得る。

【0041】

いくつかの実装態様では、コンピューティングデバイス３０４を、ＭＲスキャナ３０２内に統合することができる。例えば、プロセッサ３０６、メモリ３０８、及び／又はディスプレイデバイス３１０を、ＭＲスキャナ３０２内に統合することができる。そのような実装態様では、ＭＲスキャナ３０２は、ＭＲデータを取得し、方法１００及び／又は方法２００を実施することができる。

【0042】

まとめると、ＳＮ、ＲＮ、及びＳＴＮの各々について、テンプレート空間において最初に手動で境界を描画することができ、システム３００又はコンピューティングデバイス３０４は、ＤＰＡをランして、境界を微調整することができる。システム３００又はコンピューティングデバイス３０４は、これらの境界を元の空間にマッピングし、ＤＰＡを再度ランして、最終的な境界を提供し、これを完全に自動化されたプロセスにすることができる。手動図面が作成された後、システム３００又はコンピューティングデバイス３０４は、最終的な境界判定を完全に自動化するＤＰＡをランすることができる。最終的な境界を使用して、システム３００又はコンピューティングデバイス３０４は、体積、信号強度、感受性、及び／又は重複分画を計算することができる。

【0043】

システム３００又はコンピューティングデバイス３０４は、それぞれ、ＭＴＣデータ及びＱＳＭデータから２つのＲＯＩを重ね合わせることによって、ＮＭ複合体体積（ＳＮｐｃとＶＴＡとを加えたもの）と、ＳＮ体積（ＳＮｐｃ及びＳＮｐｒ）を含有する鉄と、の間の重複を計算することができる。システム３００又はコンピューティングデバイス３０４は、以下に示されるように、基本的にＳＮ体積全体に対するＳＮｐｃ分画の尺度である全体的な重複分画（ＯＯＦ）尺度を作成するＳＮ体積を含有する鉄による重複を正規化することができる。

【0044】

上記の図１に関して記載した最終的な解剖学テンプレートを生成するプロセスを、様々な対照被験者のＭＲデータを使用して評価した。評価は、関心の解剖学的構造の手動で描画された境界に対する、最終的な解剖学テンプレートを生成するプロセスの性能の比較に基づいた。

【0045】

合計８７個の健常対照（ＨＣ）をスキャンした。ＳＮ、ＳＴＮ、及びＲＮを、全８７個の症例について手動でトレースした。これらのうち、３０人（試験データセット：１７人の男性、１３人の女性を含む、年齢範囲６６±７．２歳）を、上述したテンプレートアプローチの初期訓練に使用した。アルゴリズムの全ての態様が整うと、次いで、次の５７個の症例で方法を検証した（検証データセット：１７人の男性、４０人の女性を含む、年齢範囲６１．９±５．０歳）。解剖学テンプレート生成プロセスの性能を評価するために、２つの尺度を使用した。これらは、手動セグメント化方法及びテンプレートセグメント化方法と関連付けられた構造間の空間的重複と、テンプレート体積を手動セグメント化の体積で除算したものからの構造の体積比（ＶＲ）と、を示すダイス類似度係数である。

【0046】

最後に、全てのデータを組み合わせて、構造体積、ＮＭ及び鉄の含有量、並びにＳＮ領域とＮＭ領域との間の重複、に関する定量的情報を生成した。総鉄含有量を、体積と、構造が描画された全てのスライスにわたる構造の平均感受性と、の積を総和することによって計算した。同様に、総ＮＭ含有量を、対応するスライスにわたるＮＭ体積とＮＭコントラストとの積の総和から結果として得た。

【0047】

図４を参照すると、ＮＭ－ＭＲＩテンプレート空間におけるＮＭの視点と、ＱＳＭテンプレート空間におけるＳＮ、ＲＮ、及びＳＴＮの視点と、を示すＭＲ画像が示されている。具体的には、画像（ａ）～（ｃ）は、検証データセットを使用した、ＮＭ－ＭＲＩテンプレートにおけるＮＭ４０２の様々な視点を例示している。ＮＭ４０２の境界は、手動で描画されている。画像（ｄ）～（ｆ）は、ＳＮ４０４、ＲＮ４０６、及びＳＴＮ４０８の視点を例示している。図４の画像（ｄ）～（ｆ）におけるＳＮ４０４、ＲＮ４０６、及びＳＴＮ４０８の境界は、手動で描画された。

【0048】

図５を参照すると、テンプレート空間から元の空間へＮＭ境界をマッピングするための様々なステップを例示する画像が示されている。具体的には、０．１６７ｍｍの等方性テンプレート空間における１２番目のスライスごとにとられた１６個のスライスからの境界が、元の２ｍｍの厚さの中脳スライス上に重ねられ、ＮＭデータのために示されている。中脳はこれらの４つのスライス上にのみ見られることから、境界は、これらのスライスの４つ上にのみ現れている。図５における画像の各列は、別個のスライスを表す。行Ａとして示される最上行の画像は、構築されたニューロメラニンテンプレートの様々なスライスの画像を示す。行Ｂとして示される第２行（上から）は、行Ａと同じ画像を示すが、ニューロメラニンＤＰＡ境界５０２を有する。行Ｃとして示される第３行は、元の画像５０４上に変換された境界５０２を表す重ね合わせられたテンプレート境界５０４を示す。行Ｄとして示される最終行は、ＤＰＡを使用して、重ね合わされたテンプレート境界５０４を微調整することによって得られた、ＮＭの最終境界５０６を有する被験者の中脳画像を示す。

【0049】

図６を参照すると、ＱＳＭデータについての、テンプレート空間から元の画像空間へのＳＮ、ＲＮ、及びＳＴＮの境界をマッピングするための様々なステップを例示する画像を示す、が示されている。各列は、異なるスライスを表す。行Ａとして示される第１（最上）行は、構築されたＱＳＭテンプレートの様々なスライスを示す画像を示す。行Ｂとして示される第２行は、ＳＮ６０２、ＲＮ６０４、及びＳＴＮ６０６についてのＱＳＭ ＤＰＡ境界を有する同じ画像を示す。行Ｃとして示される第３行は、ＳＮ６０２、ＲＮ６０４、及びＳＴＮ６０６についての元の空間に変換された境界を示す。行Ｄとして示される最終行は、行Ｃにおける境界にＤＰＡを適用した後に得られたＳＮ６０２、ＲＮ６０４、及びＳＴＮ６０６の最終的な境界を有する被験者の様々な中脳スライスを示す画像を示す。

【0050】

テンプレートの初期トレーニングに関して、ＭＴＣデータ及びＱＳＭデータについて３０個の症例を処理した。テンプレート自動ＭＴＣバックグラウンド強度の完全性は、一方から他方に関連する傾きが０．９９であり、かつＲ²が０．５３、ｐ値が０．００１未満であるという事実によって実証されている。バックグラウンド値は、ＮＭ及び鉄の含有量信号を適正に閾値化するために重要である。

【0051】

ダイス類似度係数及び体積比（ＶＲ）の測定を、ＭＴＣ画像及びＱＳＭ画像の両方について異なる閾値に対して行ったが、ＶＲに対してプロットされたＮＭ及びＳＮダイス係数と関連付けられたデータが、それぞれ、図７Ａ～７Ｂ及び図８Ａ～８Ｂに示されている。図７Ａ及び７Ｂを参照すると、様々なシナリオに基づいて、ニューロメラニン（ＮＭ）のＶＲ値に対してプロットされたダイス類似度係数のプロットが示されている。図７Ａ及び７Ｂの両方で、プロットＡは、閾値が適用されないシナリオに対応し、プロットＢは、１０００を超えるＮＭコントラストの閾値に対応し、プロットＣは、１２５０を超えるＮＭコントラストの閾値に対応し、プロットＤは、１５００を超えるＮＭコントラストの閾値に対応する。図７Ａにおけるプロットは、３０個の訓練症例についてのデータを使用して生成されている一方、図７Ｂのプロットは、５７個の検証症例についてのデータを使用して生成されている。テンプレートデータ及び手動で描画されたデータと関連付けられた平均ダイス、体積比、及び体積損失が、各閾値について引用されている。１０００単位の閾値は、体積損失を最小限に保ち、優れた結果を生じさせる。

【0052】

図８Ａ及び８Ｂを参照すると、様々なシナリオに基づいて、ＳＮのＶＲ値に対してプロットされたダイス類似度係数のプロットが示されている。図８Ａ及び８Ｂの両方で、プロットＡは、適用されない閾値のシナリオに対応し、プロットＢは、５０ｐｐｂを超える感受性値の閾値に対応し、プロットＣは、７５ｐｐｂを超える感受性値の閾値に対応し、プロットＤは、１００ｐｐｂを超える感受性値の閾値に対応する。図８Ａにおけるプロットは、３０個の訓練症例についてのデータを使用して生成されている一方、図８Ｂのプロットは、５７個の検証症例についてのデータを使用して生成されている。テンプレートデータ及び手動で描画されたデータと関連付けられた平均ダイス、体積比、及び体積損失が、各閾値について引用されている。５０ｐｐｂの閾値は、ＳＮ体積において最小限の損失を生じさせる。

【0053】

閾値が高いほど、分布は、より密になり、理論的には最終的に両方の軸上で単一のものに近づく。しかしながら、より高い閾値はまた、体積のより高い損失を引き起こす。したがって、十分なダイスと、体積損失を伴う体積比と、の間にトレードオフがなければならない。１０００の閾値を用いるＮＭコントラストについて、全ての症例についてのテンプレートデータの平均体積損失は、１０％未満であり、それぞれ０．９０及び０．９５の平均ダイス及びＶＲ値を生じさせる。１２５０などのより高い閾値は、１０％をわずかに超える平均体積損失を生じさせ（平均ダイス＝０．９２、平均ＶＲ＝０．９６）、１５００を超えるＮＭコントラストを示すデータは、より低い閾値よりも相対的に高いダイス及びＶＲ（それぞれ０．９４及び０．９８）で、２０％の平均損失を生じさせた。１０００の閾値は、体積損失を１０％未満に保ちながら、許容可能なダイス及びＶＲ値をもたらすように見える。同様に、ＳＮについて図８Ａ～８Ｂに示されるように、５０ｐｐｂの平均感受性閾値は、わずか１０％未満の平均体積損失を生じさせた一方、平均ダイス及びＶＲ値は、それぞれ０．８８及び０．９４であった。

【0054】

図９は、様々なシナリオに基づいて、赤核（ＲＮ）のＶＲ値に対してプロットされたダイス類似度係数のプロットを示す。プロットＡ（左列）は、閾値が適用されないシナリオに対応し、プロットＢ（右列）は、５０ｐｐｂの閾値が適用されるシナリオに対応する。上行のプロットは、３０個の訓練症例のデータセットを使用して生成されている一方、下行のプロットは、５７個の検証症例のデータセットを使用して生成されている。選択された閾値のためのテンプレートデータ及び手動で描画されたデータと関連付けられた平均ダイス、体積比、及び体積損失が、各プロット内で引用されている。５０ｐｐｂの閾値は、体積損失を大体１０％に制限する。

【0055】

図１０は、様々なシナリオに基づいて、視床下核（ＳＴＮ）のＶＲ値に対してプロットされたダイス類似度係数のプロットを示す。プロットＡ（左列における）は、閾値が適用されないシナリオを表す一方、プロットＢ（右列）は、５０ｐｐｂの閾値のシナリオを表す。上行のプロットは、３０個の訓練症例のデータセットを使用して生成されている一方、下行のプロットは、５７個の検証症例のデータセットを使用して生成されている。選択された閾値のためのテンプレートデータ及び手動で描画されたデータと関連付けられた平均ダイス、体積比、及び体積損失が、各プロット内で引用されている。５０ｐｐｂの閾値は、体積損失を約１０％に保つ。

【0056】

図９及び１０に関して、ＱＳＭデータに任意の閾値を適用する前に、平均ダイス及び体積比は、ＲＮについて０．９３及び１．０６であり、ＳＴＮについて０．７６及び０．９５であった。しかしながら、ＱＳＭデータに５０ｐｐｂの閾値を適用することは、ＲＮについて０．９５及び１．０４の、ＳＴＮについて０．８３及び０．９８の平均ダイス及びＶＲを生じさせる。１よりも大きい平均ＶＲは、完全に自動化されたテンプレート／ＤＰＡアプローチによって見出された構造のほとんどが、手動／ＤＰＡアプローチでの構造よりも大きくなる傾向があることを示している。

【0057】

図１１を参照すると、手動セグメント化及びテンプレートセグメント化から結果として得られるＳＮ、ＲＮ、及びＳＴＮの鉄含有量間の相関を例示するプロットが示されている。３０個の訓練症例についての手動セグメント化及びテンプレートセグメント化から結果として得られるＳＮ、ＲＮ、及びＳＴＮの鉄含有量間の相関関係は、上側のプロットに示されている一方、５７個の検証症例についての手動セグメント化及びテンプレートセグメント化から結果として得られるＳＮ、ＲＮ、及びＳＴＮの鉄含有量間の相関関係は、下側のプロットに示されている。ＳＮ、ＲＮ、及びＳＴＮと関連付けられたＲＯＩ、並びに５０ｐｐｂの閾値を使用して、鉄含有量についての手動図面に対する、テンプレートの最終的な結果が、様々なプロットに示されている。ＳＮ、ＲＮ、及びＳＴＮの構造の各々について、傾き及びＲ²が、図１１のプロットの各々に示されている。ｐ値は、ＳＮ及びＲＮについて０．００１未満であり、ＳＴＮについて０．００６に等しい。

【0058】

テンプレートの検証に関して、検証データセットは、ＱＳＭデータ及びＭＴＣデータの処理に使用された５７個の症例を含んでいた。ＮＭ及びＳＮの両方のＶＲ値に対して、ダイス類似度係数をプロットしたが、これらの結果は、それぞれ図７Ｂ及び８Ｂに示されている。１０００の閾値を用いるＮＭコントラストについて、それぞれ、全ての症例についてのテンプレートデータの平均体積損失は、約５％であったが、０．８８及び１．０６の平均ダイス及びＶＲ値を生じさせる。同様に、ＳＮの平均感受性について、それぞれ、５０ｐｐｂの閾値は、ほぼ５％の平均体積損失を生じさせた一方、平均ダイス及びＶＲ値は、０．８９及び０．９７であった。先のデータセットと同様に、ＮＭコントラストについての１０００の閾値、及びＳＮの平均感受性についての５０ｐｐｂの閾値は、５７個の症例にわたる平均ダイス、ＶＲ、及び体積損失に関して十分な結果を生じさせた。

【0059】

ＲＮ及びＳＴＮについてのＶＲに対するダイス類似度係数が、それぞれ図９及び図１０に示されている。ＱＳＭデータに任意の閾値を適用する前に、それぞれ、ＲＮ及びＳＴＮについての平均ダイス値及びＶＲ値は、０．９２及び１．０５、並びに０．７４及び０．８６であった。先のデータセットからの結果と同様に、閾値を適用することは、これらの値を改善した。ＱＳＭデータに対して５０ｐｐｂの閾値を使用することは、ＲＮ及びＳＴＮについて、それぞれ０．９５及び１．０３、並びに０．８１及び０．９０の平均ダイス及びＶＲ、並びに両方の構造について、約１２％のテンプレート平均体積損失を生じさせた。

【0060】

図１１は、テンプレートデータ及び手動データについてのＳＮ、ＲＮ、及びＳＴＮの鉄含有量間の相関関係を示す。各構造について、対応する傾き及びＲ²が図１０に示されている。ｐ値は、ＳＮ及びＲＮについて０．００１未満であり、ＳＴＮについて０．００８に等しい。以下の表１は、各構造についての推定されるテンプレート体積、ＶＲ尺度、及びダイス類似度係数と関連付けられた結果をまとめたものである。第１及び第２のデータセット並びにマージされたデータの平均値及び標準偏差値が示されている。

【表1】

表１．構造ごとの体積推定値、ダイス類似度係数、及び体積比（ＶＲ）の平均値及び標準偏差（ＳＤ）値。

【0061】

図４～１２に関して記載された研究では、単一のシーケンス（５分未満の）から導出されたＮＭ画像及びＱＳＭ画像を、非テンプレートベースの被験者についてのＲＯＩを手動で描画する必要を伴うことなく、元の空間におけるＳＮ、ＳＴＮ、及びＲＮの自動セグメント化に使用した。テンプレート空間と、テンプレート空間からの戻り変換後の元の画像と、の両方における境界検出のためのＤＰＡと組み合わせたマルチコントラストアトラスが、記載及び検証される。ダイス値及び体積比の両方が、自動テンプレートアプローチと手動描画との間の体積及び鉄含有量の尺度について優れた一致を示した。

【0062】

既存のテンプレートのほとんどが、ＮＭ、ＳＮ、ＳＴＮ、及びＲＮを含まず、この作業で提示されているほどの分解能を含んでいない。例えば、ＭＮＩテンプレートは１ｍｍ等方性である一方、本明細書に記載のアプローチは、補間された０．６７ｍｍの平面内等方性データを使用し、更にそれを３Ｄでの０．１６７ｍｍの等方性分解能に補間した。実際には、ＡＮＴ又はＳｐｉｎＩＴＫのいずれかを使用して、０．６７ｍｍの等方性分解能を有する全脳大域変形可能位置合わせを使用すると、被験者全体で中脳構造の形状に一貫してうまくマッチし得る形態変換を得ることができないことが分かった。したがって、この問題を解決し、かつ大幅に改善された結果につなげるために、局所位置合わせ（本明細書では局所変換とも称する）ステップを追加した。この局所変換アプローチから、鉄及びニューロメラニンの両方のテンプレートを、単一の多重エコーシーケンスから作成した。

【0063】

以前の研究は、Ｔ１及び／又はＴ２加重シーケンスに基づく構造ＭＲＩアトラスを使用して、ＳＮをセグメント化しようと試みた。しかしながら、ＳＮは、これらの画像のコントラストが低い中脳における小さな構造であり、ＳＮ境界を正確に定義することを困難にする。この制限を克服するために、いくつかの他の研究は、ＮＭ－ＭＲＩ又はＱＳＭのいずれかを使用してＳＮアトラスを得ようとした。ＳＮの自動セグメント化のためにＮＭ増強された脳画像から構成された動的アトラスを使用することによって、一グループが、０．７５未満のダイス値を示した。その者らの研究に適用されたＮＭ感受性Ｔ１加重高速スピンエコーシーケンスは、ＳＮを明確に描写するのに最適ではない。ＮＭのコントラストは、ＭＴ－ＭＲＩ取得シーケンスを使用することによって大幅に改善され得る。発明者らの知る限り、ＮＭ－ＭＲＩ及びＱＳＭの両方を使用してＳＮ、ＳＮｐｒ、及びＳＮｐｃを自動セグメント化しようとした研究はない。

【0064】

以前の研究は、より若い（５歳超、かつ１８歳未満）又はより高齢の（６０歳超）被験者のいずれかを含むことによって、ＳＮをセグメント化した。若い健常な被験者のみに基づくアトラスの使用は、中脳の構造に影響を及ぼす神経変性疾患を有する患者を研究するために適切ではないことがある。これらの被験者間及び被験者内の年齢関連及び疾患関連の形態測定変化は、重要であり、ＳＮを局在化するときのテンプレートアプローチの使用の成功に影響を及ぼし得る。所与の研究のための最も適切なアトラスは、ネイティブ被験者空間からアトラス空間への大域的又は局所的な歪みを最小量にすることを必要とするものであり、したがって、高齢のＨＣ被験者（平均年齢：６３．４歳）を使用して、神経変性疾患を有する患者を研究するためのアトラスを作成した。被験者間の変動性によって引き起こされる偏倚を軽減するために、いくつかの研究は、確率的アトラスを使用し、ＮＭＳ－ＭＲＩシーケンスに基づいてＳＮｐｃの確率的アトラスを構築して、ＰＤ患者における拡散ＭＲＩを使用してＳＮｐｃの微細構造異常を調査しようとした。その者らは、Ｔ１画像及び２７ＨＣのＳＮｐｃマスクをＭＮＩ空間上に位置合わせするための対称微分同相位置合わせを適用し、アトラスを５０％の確率で閾値化した。しかしながら、アトラス対ヒト評価者についての平均ダイス係数は、０．６１未満であった。閾値は、ＮＭの描写における劇的な変化につながる可能性があり、それゆえに、アトラスの再現性を低下させる。

【0065】

検証段階に関して、第２のデータセットは、ダイス類似度係数及びＶＲ値が構造のための第１のデータセットからのものに非常に近いことを示し、これにより、本明細書に提案の自動テンプレート処理アプローチによって生成される結果の一貫性が確認される。また、これらの値が単一のものに非常に近いという事実は、このアプローチの優れた性能を示す。

【0066】

本明細書に記載のアプローチでは、ＮＭアトラスの妥当性を更に改善するために、ＳＮｐｃの確率的アトラスを作成した後にＤＰＡ（エッジ検出アルゴリズムを実装する）が採用される。

【0067】

結論として、中脳（又は一般に解剖学的構造）における深部灰白質の完全自動セグメント化のための本明細書に記載の新しいアプローチは、テンプレートアプローチをガイドとして使用するが、元のデータを動的プログラミングアルゴリズムとともに使用して、境界を微調整する。このアプローチを用いると、ＳＮにおけるニューロメラニンと、ＳＮ、ＳＴＮ、及びＲＮの全てについての体積及び鉄含有量と、を定量化することが可能である。このアプローチは、これらの構造の手動トレースを必要とせずに、多様な神経変性疾患についてのこれらのイメージングバイオマーカーの変化を研究することを可能にするはずである。

【0068】

ニューロメラニン（ＮＭ）バックグラウンド測定に関して、バックグラウンド値は、ＮＭ信号を適正に閾値化するために重要であることから、３０個のＭＴＣ症例を処理して、ニューロメラニン（ＮＭ）バックグラウンド測定値を得た。図１２を参照すると、３０人の健常な対照（又は訓練被験者）についての手動及びテンプレートのニューロメラニン（ＮＭ）バックグラウンド測定値間の一致を示すプロットが示されている。具体的には、プロットは、手動図面に対するテンプレート自動ＭＴＣバックグラウンド強度尺度の完全性を例示している。マニュアル及びテンプレートのＭＴＣバックグラウンド尺度間の一致は、０．９９の傾斜、０．５３のＲ²、及び０．００１未満のｐ値を示す。

【0069】

ＤＰＡに関して、関心の全ての構造の最終的なテンプレート境界を、テンプレート空間及び元の空間の両方における境界検出のための動的プログラミングアルゴリズム（ＤＰＡ）を使用して判定することができる。ＤＰＡアルゴリズムの例示的な詳細なステップは、以下のとおりであり得る。
１．初期境界を、ＮＭ及びＱＳＭの両方のテンプレートデータ上に描画することができる。
２．次いで、図１３に示されるように、バックグラウンドをテンプレート画像に描画することができる。図１３では、ＮＭ７０２及びバックグラウンド領域７０４の両方が示されている。
３．次いで、境界及びバックグラウンドを、図１４に示されるように、元の空間に変換することができる。図１４では、ＮＭ領域８０２及びバックグラウンド領域８０４は、テンプレート空間から元の空間への変換後に示されている。バックグラウンド値に１０００を加えたものを使用することにより、ＤＰＡ境界を精緻化してより速い収束を提供し、かつアルゴリズムが元の境界外に漏れることを防止するためにより小さくかつより安全な探索半径を使用することが容易になる。
４．バックグラウンド平均値＋４σ（式中、σは、本研究において大体２５０単位であることが見出された関心のバックグラウンド領域の標準偏差である）を、ＭＴＣデータに対する閾値として使用して、この閾値よりも低い全ての点を除去して、ＮＭ精緻化された境界を判定することができる。ＱＳＭデータについて、ＳＮ、ＳＴＮ、及びＲＮの全てについてＤＰＡがランされる前に、ゼロｐｐｂ未満の感受性を有する画素を除去することができる。
５．３×３ガウスフィルタを使用して、初期境界を平滑化することができる。
６．次いで、細線化法を使用して、中心線を判定することができる。
７．ＤＰＡ前の境界精緻化：構造の周りに強度のいくつかの変動があり得ることから、大域閾値は、ＭＴＣデータにおける構造全体に有効でないことがあろう。したがって、Ｏｔｓｕの方法［参考文献：１９７９ ＩＥＥＥ“Ａ Ｔｈｒｅｓｈｏｌｄ Ｓｅｌｅｃｔｉｏｎ Ｍｅｔｈｏｄ ｆｒｏｍ Ｇｒａｙ－Ｌｅｖｅｌ Ｈｉｓｔｏｇｒａｍｓ”，Ｎｏｂｕｙｕｋｉ Ｏｔｓｕ］を、各単一の中心線点の周りの４０×４０画素の正方形のフィルタリングされた局所画像にあてがうことができ、Ｏｔｓｕ閾値よりも低い全ての点を除去することができる。初期境界がＯｔｓｕ閾値によって得られた境界の外側にある場合、境界を、残っている最も近い点（Ｏｔｓｕ境界と称される）に修正することができる。このステップは、ＤＰＡの収束を高速化するのに役立つ。
８．ＤＰＡの実装：中心線に沿った各点について、ＤＰＡを、対応する検索ボックスで実行することができる。湾曲形状を可能にするために、中心線の中心を使用して、初期光線を判定することができる。次いで、初期境界と関連付けられた中心線に沿って１つの画素をシフトさせることによって、ＤＰＡを次のセットの光線に適用することができる。各ＤＰＡ反復について、中心線を更新することができる。終点に達すると、これらの光線を１８０°掃引することができる。次いで、アルゴリズムは、中心線があと１８０°掃引して反対の終点に達するまで、中心線に沿って戻ることができる。最後に、中心点は、開始点に戻る中心線に沿って戻り、境界を閉じることができる。このプロセスを５回繰り返して、境界の内側及び外側の両方を探索して、最良の結果を得ることができる。ＮＭ、ＳＴＮ、及びＳＮについて、このステップの後に、内側探索のみを使用して更に５回の反復を続けることができる。

【0070】

探索半径は、拡大された空間の境界の内側及び外側の両方で４画素に制限されたが、このＤＰＡで使用されるコスト関数は、関心の構造の隣接するオブジェクトへの漏れを回避する微分係数項及び曲率半径項を含む。境界外の点について、中心線から外向きに探索するときに、負の微分値をゼロに設定した。この制限は、境界が近くの明るいオブジェクト中に漏れるのを防止した。コスト関数は、以下で与えられ、

式中、

並びにｒ番目の点におけるｍ番目の光線に沿った勾配及び半径は、それぞれ、Ｇ（ｒ，ｍ）及びＲ（ｒ，ｍ）によって示される。項Ｇ_maxは、画像の内部の最大の微分係数を表し、Ｒ_avgは、前の３つの半径にわたる平均半径である。定数αは、０と１との間の値に設定することができる、微分係数項及び半径項の相対的な重み付けを表す。関心の構造の形状が円に近いほど、より高いαを設定することができる。鋭いエッジがある場合、これらを、αの大きな選定によって平滑化することができる。０．０５～０．１５のαの値は全て、エッジを忠実に見出すことにおいて同様の役割を果たしたため、α＝０．１の値を保存的であるように選定した。

【0071】

図１５を参照すると、ＤＰＡのパラメータαの異なる値で再構成された境界を例示する画像が示されている。αの選定は、最終的なＤＰＡ境界に劇的に影響を及ぼし得る。左上の画像におけるＮＭ境界は、α＝０．０５を使用して得られている。右上の画像では、ＮＭ境界は、α＝０．１０を使用して判定されている。左下の画像では、ＮＭ境界は、α＝０．１５を使用して得られている。右下の画像では、ＮＭ境界は、α＝０．２０を使用して得られている。αの値が小さいほど半径制約からの平滑化が小さくなることにつながる一方、αの値が大きいほど平滑化が大きくなることにつながることに留意されたい。αの値が高いほど、構造が丸くなり、かつより円に向かって縮小する傾向がある。低い値は、非常にジグザグのエッジを有する境界につながる。最後に、光線ごとに上述のコスト関数を最大化することによって、新しい境界についての候補点を選択することができる。

【0072】

種々の形状について、いくつかの例示的なシミュレーションが、図１６～１８に示されている。図１６を参照すると、ＤＰＡを使用して、２つの異なる強度を有する矩形領域の境界を識別するためのシミュレーション結果が示されている。画像（ａ）は、２つの異なる強度を有する矩形領域を示す。画像（ｂ）は、中央エリアの周りに境界が描画された矩形領域を示し、画像（ｃ）は、５回反復してＤＰＡを適用した後の見出された中心線及び更新された境界を更に示す。画像（ｄ）は、第２の矩形境界内の中央領域と枠領域との信号強度の差に基づいて、７：１のコントラスト対ノイズ比（ＣＮＲ）を有するノイズが追加されたことを除き、画像（ｂ）と同様である。画像（ｅ）は、１４００画素の正しいエリアとマッチするＤＰＡの５回の反復後に見出された最終的な境界を示す。

【0073】

図１６に対応するシミュレーションについて、中央領域を１００単位に設定し、第２の境界内であるが第１の境界の外側の外枠領域を３０単位に設定し、第２の境界の外側のバックグラウンドをゼロに設定した。ゼロの平均値及び１０単位の標準偏差を有するガウスノイズを画像に追加した。鋭く定義された角及び１４００画素を有する矩形の第１の例が、図１６に示されている。ノイズの存在にもかかわらず、境界は依然として完全に見出された。

【0074】

図１７は、ＤＰＡを使用して、２つの異なる強度を有する三日月形状領域の境界を識別するためのシミュレーション結果を示す。画像（ａ）は、２つの異なる強度を有する三日月形状領域を示し、画像（ｂ）は、同じ領域が三日月形状領域の中心エリアの周りに描画された境界であったことを示す。画像（ｃ）は、ＤＰＡの５回の反復後の対応する中心線及び更新された境界を有する三日月形状領域を示す。画像（ｄ）及び（ｅ）は、それぞれ、ＤＰＡの１０回の反復及び１５回の反復後の中心線及び境界の更新を示す。画像（ｆ）は、適応的Ｏｔｓｕ閾値アプローチを使用した場合の、わずか５回の反復後の中心線及び境界を示す。画像（ｇ）は、ＣＮＲが７：１である、ノイズが追加された画像（ｃ）と同様であり、画像（ｈ）は、適応的Ｏｔｓｕ閾値アプローチを使用する場合の、ＤＰＡのわずか５回の反復後の中心線及び境界を示す。

【0075】

図１７の三日月形状領域を選定して、湾曲したオブジェクトの境界を検出するより困難な症例を模倣した。図１７は、異なる回数の反復をランした効果を示す。合計３５回の反復をランした後の平均値（画像（ｆ））は、１．５の標準偏差を有する９９０．５であることが分かった一方、１０：１のＳＮＲの存在下でＯｔｓｕアプローチを使用すると、平均値は９８４であり、標準偏差は２．０であった。

【0076】

図１８は、ＤＰＡを使用して、２つの異なる強度を有するカシュー形状領域の境界を識別するためのシミュレーション結果を示す。画像（ａ）は、２つの異なる強度を有するカシュー形状領域を示し、画像（ｂ）は、中央エリアの周りに描画された初期境界を有するカシュー形状領域を示す。画像（ｃ）は、適応的Ｏｔｓｕ閾値アプローチを使用する場合の、ＤＰＡの５回の反復後に更新された対応する中心線及び境界を有するカシュー形状領域を示す。画像（ｄ）は、画像（ｂ）と同様であるが、ノイズが追加されており、ＣＮＲが７：１である。適応的Ｏｔｓｕ閾値アプローチを使用し、かつノイズの存在下での場合の、ＤＰＡの５回の反復後の境界及び中心線の最終結果が、画像（ｅ）に示されている。

【0077】

最後に、図１８のカシュー形状領域を選定して、ＳＮを模倣し、鋭いエッジが存在しない場合の方法を評価した。最初の３５回の反復をランした後、平均値は１０８６．５であり、標準偏差＝２．５であることが分かった。１０：１のＳＮＲの存在下でＯｔｓｕアプローチを使用し、かつあと３０回の反復をランすると、平均値は１０９７であり、標準偏差が０．０であることが分かった。

【0078】

当業者は、本開示に記載のプロセスを、プロセッサによって実行可能なコンピュータコード命令を使用して実装することができることを理解するはずである。コンピュータコード命令を、メモリなどの非一時的又は有形のコンピュータ可読媒体に記憶することができる。メモリは、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、キャッシュメモリ、ディスクメモリ、任意の他のメモリ、又は任意の他のコンピュータ可読媒体であり得る。本開示に記載のプロセスを、少なくとも１つのプロセッサ及び／又は実行可能なコード命令を記憶したメモリを含む、装置によって実装することができる。コード命令は、少なくとも１つのプロセッサによって実行されるときに、本開示に記載のプロセス又は動作のいずれかの実行を生じさせることができる。装置は、例えば、ＭＲＩスキャナ又はコンピューティングデバイスであり得る。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7A】

【図7B】

【図8A】

【図8B】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【手続補正書】

【提出日】2023-11-28

【手続補正1】

【補正対象書類名】特許請求の範囲

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【特許請求の範囲】

【請求項1】

磁気共鳴イメージング（ＭＲＩ）システムであって、
磁気共鳴（ＭＲ）データを取得するように構成されたＭＲＩスキャナと、
少なくとも１つのプロセッサと、
メモリであって、前記メモリ上にコンピュータコード命令が記憶されたメモリと、を備え、前記コンピュータコード命令が、前記少なくとも１つのプロセッサによって実行されるときに、前記少なくとも１つのプロセッサに、
前記ＭＲＩスキャナを介して、複数の訓練被験者の訓練被験者ごとに、１つ以上の関心の解剖学的構造を例示するコントラストを伴う対応するＭＲ画像を取得することと、
前記複数の訓練被験者のうちの第１の訓練被験者の第１のＭＲデータに基づいて、初期解剖学テンプレート画像を生成することであって、前記初期解剖学テンプレート画像が、テンプレート空間を定義する、生成することと、
前記第１の訓練被験者以外の前記複数の訓練被験者の訓練被験者ごとに、
前記訓練被験者の前記ＭＲ画像に大域変換を適用して、前記テンプレート空間において、前記訓練被験者のＭＲデータの第１の推定値を表す前記ＭＲ画像の第１のモーフィングバージョンを生成すること、及び
前記訓練被験者の前記ＭＲ画像の前記第１のモーフィングバージョンに局所変換を適用して、前記テンプレート空間において、前記訓練被験者の前記ＭＲデータの第２の推定値を表す前記ＭＲ画像の第２のモーフィングバージョンを生成することと、
前記初期解剖学テンプレート画像を、前記第１の訓練被験者以外の前記複数の訓練被験者の前記ＭＲ画像の前記第２のモーフィングバージョンと平均して、最終的な解剖学テンプレート画像を生成することと、
前記最終的な解剖学テンプレートに、前記１つ以上の関心の解剖学的構造の前記境界を描写することと、
前記最終的な解剖学テンプレートを使用して、他の非訓練被験者についての前記１つ以上の関心の解剖学的構造の前記境界を判定することと、を行わせる、磁気共鳴イメージング（ＭＲＩ）システム。

【請求項2】

前記最終的な解剖学テンプレートを使用して、前記１つ以上の関心の解剖学的構造の前記境界を判定する際に、前記少なくとも１つのプロセッサが、
境界検出アルゴリズムを使用して、前記最終的な解剖学テンプレートにおいて、前記１つ以上の関心の解剖学的構造の前記境界を微調整するように構成されている、請求項１に記載のＭＲＩシステム。

【請求項3】

前記最終的な解剖学テンプレートを使用して、前記１つ以上の関心の解剖学的構造の前記境界を判定する際に、前記少なくとも１つのプロセッサが、
前記ＭＲＩスキャナを介して、前記１つ以上の関心の解剖学的構造を例示するコントラストを伴う非訓練被験者のＭＲ画像を取得することと、
前記非訓練被験者のＭＲ画像に前記大域変換を適用して、前記非訓練被験者のＭＲ画像の第１のモーフィングバージョンを生成することと、
前記非訓練被験者のＭＲ画像の前記第１のモーフィングバージョンに前記局所変換を適用して、前記非訓練被験者のＭＲ画像の第２のモーフィングバージョンを生成することと、
前記１つ以上の関心の解剖学的構造の前記最終的な解剖学テンプレートから、前記非訓練被験者のＭＲ画像の前記第２のモーフィングバージョン上に前記境界を投影して、前記非訓練被験者についての前記テンプレート空間内の前記１つ以上の関心の構造の前記境界の推定値を判定することと、
前記１つ以上の関心の構造の前記テンプレート空間内の前記境界の前記推定に逆変換を適用して、前記非訓練被験者の元のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界の第１の推定値を判定することと、を行うように構成されている、請求項１に記載のＭＲＩシステム。

【請求項4】

前記少なくとも１つのプロセッサが、
境界検出アルゴリズムを使用して、前記非訓練被験者の元のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界の前記第１の推定値を微調整し、前記１つ以上の関心の解剖学的構造の前記境界の第２の推定値を生成するように構成されている、請求項３に記載のＭＲＩシステム。

【請求項5】

前記逆変換が、前記局所変換の逆と、続く前記大域変換の逆と、の連結を含む、請求項３に記載のＭＲＩシステム。

【請求項6】

前記ＭＲ画像の前記第１のモーフィングバージョンに前記局所変換を適用することが、前記ＭＲ画像の前記第１のモーフィングバージョンのクロッピング領域に前記局所変換を適用することを含む、請求項１に記載のＭＲＩシステム。

【請求項7】

前記対応するＭＲ画像が、定量的感受性マップ（ＱＳＭ）又はニューロメラニン画像を含む、請求項１に記載のＭＲＩシステム。

【請求項8】

前記少なくとも１つのプロセッサが、前記非訓練被験者の元のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界に基づいて、前記１つ以上の関心の解剖学的構造のうちの少なくとも１つの体積を判定するように構成されている、請求項３に記載のＭＲＩシステム。

【請求項9】

前記少なくとも１つのプロセッサが、前記非訓練被験者の元のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界に基づいて、前記１つ以上の関心の解剖学的構造のうちの少なくとも１つの平均値強度を判定するように構成されている、請求項３に記載のＭＲＩシステム。

【請求項10】

前記少なくとも１つのプロセッサが、前記非訓練被験者の元のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界に基づいて、前記１つ以上の関心の解剖学的構造のうちの少なくとも１つの合計信号を判定するように構成されている、請求項３に記載のＭＲＩシステム。

【請求項11】

方法であって、
磁気共鳴イメージング（ＭＲＩ）スキャナを介して、複数の訓練被験者の訓練被験者ごとに、１つ以上の関心の解剖学的構造を例示するコントラストを伴う対応するＭＲ画像を取得することと、
コンピューティングデバイスによって、前記複数の訓練被験者のうちの第１の訓練被験者の第１のＭＲデータに基づいて、初期解剖学テンプレート画像を生成することであって、前記初期解剖学テンプレート画像が、テンプレート空間を定義する、生成することと、
前記第１の訓練被験者以外の前記複数の訓練被験者の訓練被験者ごとに、
前記訓練被験者の前記ＭＲ画像に大域変換を適用して、前記テンプレート空間において、前記訓練被験者のＭＲデータの第１の推定値を表す前記ＭＲ画像の第１のモーフィングバージョンを生成すること、及び
前記訓練被験者の前記ＭＲ画像の前記第１のモーフィングバージョンに局所変換を適用して、前記テンプレート空間において、前記訓練被験者の前記ＭＲデータの第２の推定値を表す前記ＭＲ画像の第２のモーフィングバージョンを生成することと、
前記初期解剖学テンプレート画像を、前記第１の訓練被験者以外の前記複数の訓練被験者の前記ＭＲ画像の前記第２のモーフィングバージョンと平均して、最終的な解剖学テンプレート画像を生成することと、
前記最終的な解剖学テンプレートに、前記１つ以上の関心の解剖学的構造の前記境界を描写することと、
前記最終的な解剖学テンプレートを使用して、他の非訓練被験者についての前記１つ以上の関心の解剖学的構造の前記境界を判定することと、を含む、方法。

【請求項12】

最終的な解剖学テンプレートを使用して、前記ＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界を判定することが、
境界検出アルゴリズムを使用して、前記最終的な解剖学テンプレートにおいて、前記１つ以上の関心の解剖学的構造の前記境界を微調整することを含む、請求項１１に記載の方法。

【請求項13】

最終的な解剖学テンプレートを使用して、前記ＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界を判定することが、
前記ＭＲＩスキャナを介して、前記１つ以上の関心の解剖学的構造を例示するコントラストを伴う非訓練被験者のＭＲ画像を取得することと、
前記非訓練被験者のＭＲ画像に前記大域変換を適用して、前記非訓練被験者のＭＲ画像の第１のモーフィングバージョンを生成することと、
前記非訓練被験者のＭＲ画像の前記第１のモーフィングバージョンに前記局所変換を適用して、前記非訓練被験者のＭＲ画像の第２のモーフィングバージョンを生成することと、
前記１つ以上の関心の解剖学的構造の前記最終的な解剖学テンプレートから、前記非訓練被験者のＭＲ画像の前記第２のモーフィングバージョン上に前記境界を投影して、前記非訓練被験者についての前記テンプレート空間内の前記１つ以上の関心の構造の前記境界の推定値を判定することと、
前記１つ以上の関心の構造の前記テンプレート空間内の前記境界の前記推定値に逆変換を適用して、前記非訓練被験者の元のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界の第１の推定値を判定することと、を含む、請求項１１に記載の方法。

【請求項14】

境界検出アルゴリズムを使用して、前記非訓練被験者の元のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界の前記第１の推定値を微調整し、前記非訓練被験者の前記第２のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界の第２の推定値を生成することを更に含む、請求項１３に記載の方法。

【請求項15】

前記逆変換が、前記局所変換の逆と、続く前記大域変換の逆と、の連結を含む、請求項１３に記載の方法。

【請求項16】

前記ＭＲ画像の前記第１のモーフィングバージョンに前記局所変換を適用することが、前記ＭＲ画像の前記第１のモーフィングバージョンのクロッピング領域に前記局所変換を適用することを含む、請求項１１に記載の方法。

【請求項17】

前記対応するＭＲ画像が、定量的感受性マップ（ＱＳＭ）又はニューロメラニン画像を含む、請求項１１に記載の方法。

【請求項18】

前記少なくとも１つのプロセッサが、前記非訓練被験者の元のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界に基づいて、前記１つ以上の関心の解剖学的構造のうちの少なくとも１つの体積を判定するように構成されている、請求項１３に記載の方法。

【請求項19】

前記非訓練被験者の元のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界に基づいて、前記１つ以上の関心の解剖学的構造のうちの少なくとも１つの平均値強度を判定すること、又は
前記第２のＭＲ画像内の前記１つ以上の関心の解剖学的構造の前記境界に基づいて、前記１つ以上の関心の解剖学的構造のうちの少なくとも１つの合計信号を判定することを更に含む、請求項１３に記載の方法。

【請求項20】

非一時的コンピュータ可読媒体であって、前記非一時的コンピュータ可読媒体上に記憶されたコンピュータコード命令を含み、前記コンピュータコード命令が、プロセッサによって実行されるときに、前記プロセッサに、
磁気共鳴イメージング（ＭＲＩ）スキャナを介して、複数の訓練被験者の訓練被験者ごとに、１つ以上の関心の解剖学的構造を例示するコントラストを伴う対応するＭＲ画像を取得することと、
前記複数の訓練被験者のうちの第１の訓練被験者の第１のＭＲデータに基づいて、初期解剖学テンプレート画像を生成することであって、前記初期解剖学テンプレート画像が、テンプレート空間を定義する、生成することと、
前記第１の訓練被験者以外の前記複数の訓練被験者の訓練被験者ごとに、
前記訓練被験者の前記ＭＲ画像に大域変換を適用して、前記テンプレート空間において、前記訓練被験者のＭＲデータの第１の推定値を表す前記ＭＲ画像の第１のモーフィングバージョンを生成すること、及び
前記訓練被験者の前記ＭＲ画像の前記第１のモーフィングバージョンに局所変換を適用して、前記テンプレート空間において、前記訓練被験者の前記ＭＲデータの第２の推定値を表す前記ＭＲ画像の第２のモーフィングバージョンを生成することと、
前記初期解剖学テンプレート画像を、前記第１の訓練被験者以外の前記複数の訓練被験者の前記ＭＲ画像の前記第２のモーフィングバージョンと平均して、最終的な解剖学テンプレート画像を生成することと、
前記最終的な解剖学テンプレートに、前記１つ以上の関心の解剖学的構造の前記境界を描写することと、
前記最終的な解剖学テンプレートを使用して、他の非訓練被験者についての前記１つ以上の関心の解剖学的構造の前記境界を判定することと、を行わせる、非一時的コンピュータ可読媒体。

【国際調査報告】