考察

(a) CT画像 (b)正解ラベルデータ (c)クリークを 1種類用いたと きの結果

(d)クリークを3種類用いたと きの結果

(e) クリークを 11 種類用いた ときの結果

図 4.12: あるスライスに対するセグメンテーション結果の比較。

る。階数を増やすことにより、ラベルやCT 値の組み合わせの総数は 1階の場合よりも 更に増える。そのため、より多くの学習データを使うことができれば、よりよい結果を 得ることが期待できる。

具体的なラベル付けの結果について、図 4.13 に示す。提案手法は、従来手法に比べ、

肝臓の一致率が特に優れているが、この図においても、従来手法よりも高精度に肝臓の抽 出を行うことができている。また、従来手法では抽出できなかった胃+十二指腸内腔が、

提案手法ではある程度抽出できていることがわかる。

(a) CT画像 (b)正解ラベルデータ

(c)従来手法によるセグメンテーション結果 (d)高階項の実験において効果のあったものを取 り入れ、セグメンテーションを行ったときの結果

図 4.13: あるスライスに対するセグメンテーション結果の比較。

第 5 _{章 おわりに}

本研究では、より複雑な臓器の位置関係を用いて、三次元医用画像に対してのセグメン テーションを行った。従来手法よりも高精度に臓器を抽出することを目的としてセグメ ンテーションを行い、結果として、提案手法を用いた高精度な抽出を行うことができた。

本研究の貢献として、低階で用いられていた特徴や関係性を高階に拡張することで、セ グメンテーションに対して有用であることを示したことが挙げられる。このとき、学習 データの作成を工夫して行うことにより、セグメンテーション結果をよくすることがで きた。そのため、高精度な学習が高精度なセグメンテーションに繋がるということが考 えられる。

今後の課題として、本研究で用いられていた特徴をさらに高階のエネルギー項に拡張 し、より高精度なセグメンテーションを行っていくということが期待できる。また、高階 項を複数組み合わせた場合のセグメンテーションの実行時間が長いということも、本研 究における課題である。この理由として、用いるボクセル数が多数存在するといったこ とが挙げられる。そのため、ボクセルの集合であるスーパーボクセル単位での学習・セ グメンテーションなどによる、ボクセル数の低減による実行時間の削減が解決策として 挙げられる。また、本研究では、学習に用いることのできるデータが 24症例しかなかっ た。結果として、高階項を考える際に、学習データの不足が露呈し、様々な工夫をこら して学習不足を補う必要があった。今後、学習に用いることのできるデータが増えるこ とによって、本研究の手法がよりよい効果を発揮することが期待できる。

謝辞

本論文を完成させるに当たりお忙しい中ご指導下さった石川博教授、研究を進めてい く上で様々な手助けをしていただいた杉本晃宏教授、望月義彦助教、飯塚里志研究院助 教、シモセラ・エドガー研究院助教に感謝申し上げます。また、研究室生活において、悩 んだ時や困った時、辛い時を乗り越える手助けをしてくれた、石川研究室の学生の皆様 に対して、感謝申し上げます。

2016年2月 森田皆人

参考文献

[1] http://www.slicer.org/.

[2] A. M. Ali, A. A. Farag, and A. S. El-Baz. Graph cuts framework for kidney segmen-tation with prior shape constraints. In Medical Image Computing and Computer-Assisted Intervention–MICCAI 2007, pages 384–392. Springer, 2007.

[3] P. K. A. Blake and C. Rother. Markov Random Fields for Vision and Image Pro-cessing. The MIT Press, 2011.

[4] M. Freiman, A. Kronman, S. J. Esses, L. Joskowicz, and J. Sosna. Non-parametric it-erative model constraint graph min-cut for automatic kidney segmentation. In Med-ical Image Computing and Computer-Assisted Intervention–MICCAI 2010, pages 73–80. Springer, 2010.

[5] R. K´echichian, S. Valette, M. Desvignes, and R. Prost. Efficient multi-object seg-mentation of 3D medical images using clustering and graph cuts. In2011 18th IEEE International Conference on Image Processing (ICIP), pages 2149–2152. IEEE, 2011.

[6] Y. Kitamura, Y. Li, W. Ito, and H. Ishikawa. Coronary lumen and plaque segmen-tation from CTA using higher-order shape prior. In Medical Image Computing and Computer-Assisted Intervention–MICCAI 2014, pages 339–347. Springer, 2014.

[7] C.-H. Lee, S. Wang, A. Murtha, M. R. Brown, and R. Greiner. Segmenting brain tumors using pseudo-conditional random fields. In Medical Image Computing and Computer-Assisted Intervention–MICCAI 2008, pages 359–366. Springer, 2008.

[8] V. Lempitsky, S. Roth, and C. Rother. Fusionflow: Discrete-continuous optimization for optical flow estimation. In IEEE Conference on Computer Vision and Pattern Recognition, 2008., pages 1–8. IEEE, 2008.

[9] V. Lempitsky, C. Rother, and A. Blake. Logcut-efficient graph cut optimization for markov random fields. In ICCV 2007 IEEE 11th International Conference on Computer Vision, 2007., pages 1–8. IEEE, 2007.

[10] M. G. Linguraru, J. A. Pura, V. Pamulapati, and R. M. Summers. Statistical 4D graphs for multi-organ abdominal segmentation from multiphase CT. Medical image analysis, 16(4):904–914, 2012.

[11] J. Montagnat and H. Delingette. 4D deformable models with temporal constraints:

application to 4D cardiac image segmentation. Medical Image Analysis, 9(1):87–100, 2005.

[12] S. Nouranian, S. S. Mahdavi, I. Spadinger, W. J. Morris, S. E. Salcudean, and P. Abolmaesumi. An automatic multi-atlas segmentation of the prostate in transrec-tal ultrasound images using pairwise atlas shape similarity. In Medical Image Com-puting and Computer-Assisted Intervention–MICCAI 2013, pages 173–180. Springer, 2013.

[13] T. Okada, M. G. Linguraru, M. Hori, R. M. Summers, N. Tomiyama, and Y. Sato. Abdominal multi-organ ct segmentation using organ correlation graph and prediction-based shape and location priors. In Medical Image Computing and Computer-Assisted Intervention–MICCAI 2013, pages 275–282. Springer, 2013.

[14] A. Okagawa, Y. Oyamada, Y. Mochizuki, and H. Ishikawa. Multi-organ segmenta-tion by minimizasegmenta-tion of higher-order energy for CT boundary. In 2015 14th IAPR International Conference on Machine Vision Applications (MVA), pages 547–550.

IEEE, 2015.

[15] S. Seifert, A. Barbu, S. K. Zhou, D. Liu, J. Feulner, M. Huber, M. Suehling, A. Cav-allaro, and D. Comaniciu. Hierarchical parsing and semantic navigation of full body CT data. In SPIE medical imaging, pages 725902–725902. International Society for Optics and Photonics, 2009.

[16] A. Shimizu, R. Ohno, T. Ikegami, H. Kobatake, S. Nawano, and D. Smutek. Segmen-tation of multiple organs in non-contrast 3D abdominal CT images. International journal of computer assisted radiology and surgery, 2(3-4):135–142, 2007.

[17] Z. Song, N. Tustison, B. Avants, and J. C. Gee. Integrated graph cuts for brain MRI segmentation. In Medical Image Computing and Computer-Assisted Intervention–

MICCAI 2006, pages 831–838. Springer, 2006.

[18] Y. Suzuki, T. Okada, M. Hori, F. Yokota, M. G. Linguraru, N. Tomiyama, and Y. Sato. Automated segmentation and anatomical labeling of abdominal arter-ies based on multi-organ segmentation from contrast-enhanced CT data. In Clini-cal Image-Based Procedures. From Planning to Intervention, pages 67–74. Springer, 2013.

[19] M. Wels, G. Carneiro, A. Aplas, M. Huber, J. Hornegger, and D. Comaniciu. A discriminative model-constrained graph cuts approach to fully automated pediatric brain tumor segmentation in 3-D MRI. InMedical Image Computing and Computer-Assisted Intervention–MICCAI 2008, pages 67–75. Springer, 2008.

[20] R. Wolz, C. Chu, K. Misawa, K. Mori, and D. Rueckert. Multi-organ abdominal CT segmentation using hierarchically weighted subject-specific atlases. In Medical Image Computing and Computer-Assisted Intervention–MICCAI 2012, pages 10–17.

Springer, 2012.

[21] D. Wu, M. Sofka, N. Birkbeck, and S. K. Zhou. Segmentation of multiple knee bones from CT for orthopedic knee surgery planning. In Medical Image Computing and Computer-Assisted Intervention–MICCAI 2014, pages 372–380. Springer, 2014.

[22] 森田皆人,岡川明日翔,小滝将太,望月義彦,小山田雄仁, and石川博. 1階のデータ項 を用いた多臓器同時セグメンテーション. Technical Report 16,早稲田大学大学院基 幹理工学研究科情報理工・情報通信専攻, may 2014.

[23] 石田隆行・桂川茂彦・藤田広志. 医用画像ハンドブック. オーム社, 2010.

[24] 藤田広志,石田隆行, and桂川茂彦. 実践医用画像解析ガイドブック. オーム社, 2012.

[25] 日本医用画像工学会. 医用画像工学ハンドブック. オーム社, 2012.

付 録 A エネルギー最小化に用いられる アルゴリズム

A.1 MRF

画像データをモデル化する道具や、画像に関する推論を行う手段として、Malkov Random

Field(MRF) が挙げられる [3] 。 コンピュータービジョンの分野において MRF を用い

る方法として、画像を画素に対応するノードに分解し、ノードに関連した潜在変数を用 いて、全ての画素値を表すように設計する。これらを用いて同時確率分布モデルを構成 し、依存関係をグラフのエッジで表現することで、ビジョンの問題を MRF を用いて解 くことが可能となる。