CSF の検出

全体の流れと説明を図 3.3 に示した。まず、CSF の探索領域を制限するために R/L

（Right/Left）方向の体躯の存在範囲を求める。図 3.4 にその手順を示す。基本的にアキシ

ャル画像（①）を2値化して０でない値のR/L方向の存在範囲を求めればよいが、通常MRI の体躯の撮像では腕が画像内に入るのでこれを除去する必要がある。はじめに領域拡張

図 3.2 ボーラストラッカー位置決めのための フローチャート

Rotation angle,

Scale = l / l_sub, where, l_sub = 24 pixel l_sub

法 Grow 値化 Regio の 下 ブル 置 よ 必 ず 置 ） に 値化 画 像 ノイズ 画像 まうの ため縮 相当 Regio り、腕 より体 中心 な線 ル 画 が得 行い 値か この線 いの なわち 転した ーショ 動量

12 領

（ Reg wing） に よ り

を行うが、S on¹²は 画 像 下 部 （ 患 者 テ に相 当 する り も 下 で あ ず 背 景 と な る

に 設 定 す る の際の閾値 像 か ら 算 出 し ズ [55]とする が得られる。

のを避けるこ 縮小（Erosio

する部分の

on は画像上

腕を含まない 体躯のR/L方

を通る線（図 である。スカ 画像は胸部か

られる。その

、アキシャル ら体躯の中 線は必ずしも

で、脊髄の左 ち、求めた体 た画像どうし ョンする（図

の1/2が体 領域を拡張さ

gion り 2

eed 像 上

テ ー る位 り 、 る 位

。2 値は し た

る。拡張する

。肺も埋める とができ、次 on、8近傍）

のみを選択す 上の縦の中心 い領域である

方向の存在範 図3.3中には カウトスキャン

から腹部にか の全てに対 ル画像 5 枚の

心を通る線 もCSFの中心

左右の対称 体躯の中心線 しの平行移動 3.3(c)）と、そ 躯の中心線

させるための最

Bo

Ce

b

30pi

領域を0とす ることによって 次の縮小・拡

、拡大(Dilat するため、こ 心線から両側

（③）。縮小 範囲（Width はb）Center o ンにおけるア かけて 5 枚

して以上の の存在範囲 線を求める。し

心を通るとは 称性を利用す

線を軸に左 動を行いレジ

その左右方 線から補正す

最初の領域 ody region

enter of body 0 ixels

図3

すると図3.4 て、次の縮小 拡大処理を正

tion、8近傍 ここでも領域

側 5 ピクセル

・拡大処理は h in R/L, 図 of bodyと記 アキシャ 枚の画像 処理を 囲の中央 しかし、

は限らな する。す 右に反 ジストレ 方向の移 すべき量

域。指定する必 y

c

40 pixel

3.3 CSF検出

4②のように、

小・拡大処理 正しく行うこと 傍)処理を行う 域拡張法（論

ルの矩形領域 は2回繰り返 3.4④）が求 載）は、この

必要がある。

図 3.

Detec line u s Cen

Flip R/L a D loca mid-usin

a

ls

出のためのフ

肺も埋めた 理により肺が背

ができる。次 うが、縮小処

理値１で拡 域で、必ず体 返して行った 求まる。図3.3

存在範囲の

。

.4 体躯領域 ct mid-sagitta using right le

symmetry nter of body

and registrat etect CSF ation on the -sagittal line ng Adaboost

フローチャー

た体躯部分の 背景と繋がっ 次に腕を削除 処理の後に体 拡張）を行う。

体躯のどこか た。以上の処 3における体 の中央を通る

域の算出方法 al

eft

tion of e

49 pix

d

ート

の2値 ってし 除する 体躯に Seed かを通 処理に 体躯の る垂直

法 els

49 pixel s

MRIワークフロー改善に関する研究

となる。なおここで、脊髄の存在領域は体躯の範囲が求まればある程度絞ることができ、そ の領域のみを抽出してレジストレーションを行う。ここでは体躯の中心線から左右に 20 ピク セル、体躯の下端から上に 30 ピクセルの矩形領域を抽出した。図 3.3 では十字マークを 通る線が求められた中心線であり、この線上でA/P（Anterior / Posterior）方向の位置とスケ ールを変えながらCSFを探索する。探索にはHaar-like特徴量を使うAdaBoostを用い、あ らかじめ CSF の形状を学習させておく。ここでは、21 × 21 ピクセルの矩形領域をサブウ ィンドウとした教師データを学習に用いた（図3.3(d)）。Haar-like特徴量は図3.5に示すパタ ーンの特徴量を用い、弱識別器は白黒パターンの平均輝度を閾値と比較する最も基本的 なタイプものを用いた。特徴パターンの大きさは最小構成、1×2、2×1、1×3、3×1、2×2

（それぞれ図 3.5 (a)-(e)に対応、単位はピクセルである）から可能な限り最大まで変化させ て学習を行い、その結果 100 個の弱識別器を用いた。AdaBoost の出力を h()とすると、

CSFのA/P方向の位置 とサブウィンドウの大きさを決めるスケーリング係数 は次式で求め られる。

))) s , y ( ( ( max arg ) sˆ , yˆ

( _{c c}

S s , Y c y

c h Ic





 (3.1)

ここで、I_cはサブウィンドウ内の画像データを表しており、探索前のサブウィンドウ 内の座標を2次元の列ベクトルx_i (i=1…D, Dはサブウィンドウのピクセル数)とすると、

サブウィンドウ全体の座標は行列X=[x₁ x_{2 …} x_D]として表される。ここで、T_c(y_c,s_c)をA/P 方 向 の 位 置(yc)と ス ケ ー ル(sc)を 変 化 さ せ る

変 換 行 列 と す る と 変 換 後 の 座 標 は 、Xc =

Tc(y_c,s_c)X となる。よって変換後のサブウィ ンドウ内の画像は、I_cIX_cとなる。ここ で、I ^はXcに対応するピクセルの値をバイ リニア補間で I_c にマッピングする作用をす

る。なお学習データは CSF の径がサブウィンドウに内接するように各々レジストレー ションされており、Tcによる変換から学習データで求めた特徴量に最も見合うサブウィ ンドウが選択されることになる。結局、I_cは図3. 3で求めた CSFを通る線上でTcによ って A/P方向に移動され、y_cは移動先の座標、s_cは x_ｃをスケーリングする係数となる。

ここで、

 



^s_c^c:s_min^{min s}_c ^cs_max^max



S

y y y : y Y











 (3.2)

y_minは体躯の下端、y_maxは、体躯の高さの1/2の点とし、S_min = 0.6, S_max = 1.4とした。

(a) (b) (c) (d) (e)

図3.5 CSF検出用Haar-like特徴量

3.2.2

主 がある いては で血 期で 信号 号は な信 難しく いてな (Rad イドに もつ血 あまり けるな

3.2.

大 ウィン のサイ デー た。サ 転角 反時 探 索 orien と称す [56]を エッジ 方向

2 大動脈

主に S/I 方向 る程度速けれ は、励起され

流信号は低 は大動 脈血 号を呈する場

、血管内で 号分布を示 くなる。よっ なるべく血流

io Frequenc に位置するス

血液はよりS り面積を大き などの影響が

3 大動脈

大動脈を検出 ンドウは、24

イズであり、

タにて大 動 サブウィンド を変えなが 時計方向に回

索 す る 。 こ こ ntation histo

する）特徴量 を用いた。E ジ方向を8段

から2 方向

脈内血管信

向に走行す ればSSFSE れた核スピン 低信号となる

血の速度が 合がある。こ 血流の速度 示さず、大動脈

て、SSFSE 流信号が現れ

cy) パルスと スライス勾配磁

Spin Echo と きくし過ぎると が出てくるの

脈の検出

出するための 4 × 13 ピ

このサイズの 動 脈 の学 習 を ドウは、サイズ ら CSF を中 回転して大動 こ で は Ed ogram（以降 量による Ada

OH 特徴量

段階に量子化 向をとる組み合

信号の除去

る大動脈は Eシーケンス ンが結像しな が、心臓の 落ちるため このような血 度分布により 脈中心の同 シーケンス れない対策を とスライス勾配 磁場のZ d として結像し と、全ての S ので最適な大

のサブ クセル の教師 を行 っ ズと回 中心に 動脈を dge of

、EOH aBoost 量では、

化し、8 合わせ

D

去

血流 スにお ないの 収縮 に高 流信 均一 定が にお

を施した。図 配磁場の波 dephaser（網か しにくくなり、信 Spin Echo 信 大きさに設定

図

d

Derivative im

図 3.7 大動 量, (a) サブ 称, (c) Y対

b

図 3.6 は通常 形を示したも かけ部分）の 信号強度が 信号を取得す 定する必要が

図 3.6 大動 する方

Edge of lo

Edge of u mage

動脈検出のた ブウィンドウデ 対称 (d) EOH

2

a

常の SSFSE ものである。

の面積を大き 低下すること する時間が長

ある。

動脈内の血管 方法

Frequency

ower patch

upper patch vs

An ために付け加 データ（学習

H特徴量

24 pixels

c

シーケンスの ここでRFの きくすると、流 とになる。し 長くなり画像 管信号を除

Frequency

ngle of edge ( Edge ori histogram

0

加えた EOH 習データ）(b)

13 pixels

c

の RF の両サ 流れを かし、

像がぼ 除去

2

(8 bins) ientation m

H 特徴

X対

MRIワークフロー改善に関する研究

で全28対のエッジの比率をとる。図3.7(d)において、微分画像の右端の２つの領域では赤 と青のエッジが支配的であり、赤と青のエッジ方向ヒストグラムの比率である EOH 特徴量が この２つの領域の特徴をよく表している。また、各 8 方向のエッジの数そのものも特徴量とし て加えた。さらに大動脈は円形に近い形状をしているので、図3.7 (b) (c)に示すAとBの 領域の 8 方向それぞれのエッジの数を比較する特徴量を付け加えた。弱識別器はエッジ の比を閾値と比較する基本的なタイプのものを用い、全 106 個の識別器を学習から得て、

大動脈の検出に用いた。

AdaBoostの出力をh(Ia)とすると、大動脈の位置を特定するのに必要な回転角^ˆ_aと

スケーリング係数sˆ_aは次式で求まる。

))) s , ( ( ( max arg ) sˆ ˆ ,

( _{a a a}

S s a ,

a  

   h I (3.3)

ここで、Iaはサブウィンドウ内の画像データを表しており、CSFの場合と同様に 探索前のサブウィンドウ内の座標は行列X=[x₁ x2 … xM]として表される（Mはピクセ ル数）。ここで、T_a(_a,s_a)を回転角 (_a)とスケール(s_a)を変化させる変換行列、変換後 の座標はXa=Ta(a,sa)Xとなり、変換後のサブウィンドウは、I_aIX_a^{である。な} お、学習データは大動脈の外径がサブウィンドウの短辺に内接するようレジストレ ーションされている（図3.7(a)参照）。また、

 



^s_a^a:s_min^{min s}_a^{a s}_max^max



S :





















 (3.4)

である。ここで、_min,_maxはそれぞれ10, 100 [degree]、S_min= 0.5、S_max=ｌ_max/ｌ_subとする。ここ で、ｌ_subはサブウィンドウの径方向の長さ、すなわち24 ピクセルに相当する。ｌ_maxは、被験者 の体躯から予測される大動脈の存在する径方向の最大長さであり、正常人においてはおよ そ体躯のA/P方向の長さの1/2以下になる。(3.3)によりサブウィンドウの位置、サイズが決ま った後、大動脈の位置をサブウィンドウの先端の正方領域の中心とする(x_ｊ)。そして、この点 を開始点としてMean shift による重み付き平均を次式で求める。

 

 







 _n 1 i

2 i j i n

1 i

2 i j i i new

j

d / ) -( ) (

d / ) -( ) (

x x x

x x x x x

k w

k w

(3.5)

ここで、k(a) = exp(–0.5a), nは画像上のピクセル数である。また、重みwはこの場合、次の

ように表せる。

) I / ) ( I 0 . 1 ( )

(x   x _max

w (3.6)

x は画像上の座標、I(x)は x における画像のピクセル値である。(3.6)において画像のピク

セル値を反転させているのは、大動脈内部を高い確率密度とするためである。また、d のウ ィンドウ幅はサブウィンドウの短辺長さの 1/2 とする。いったん重み付き平均が求まったら、

以下のように現在位置を更新する。

xｊ+1 ← xｊnew, j ← ｊ＋１ (3.7)

以上を x が収束するまで繰り返し、最終的な x を大 動脈の中心とする。

3.2.4 連続するスライスにおける検出精度

の改善方法

大動脈を含むアキシャル画像を Superior（上側）か ら Inferior（下側）に見ていくと、Inferior にいくに従っ て大動脈は脊椎の周りを反時計方向に回転していく ように見える（図3.8）。よって最もSuperior側のアキシ ャル画像の大動脈を検出した後は探索範囲を制限す ることができる。図 3.8 ではこの探索範囲を扇状の図 形として示した。探索領域は被験者やアキシャルスラ イ ス の ス ラ イ ス 間 隔 に 大 き く 依 存 す る 。 さ ら に 最 も

Superior 側のアキシャルの大動脈を 2-2 で述べた方

法により検 出した後 は、制限 した探索 範 囲における EOH AdaBoostの出力を信頼度マップcm(,s)として計 算する。



,s



) I

( ) s ,

( _{a a a a a}

m  h 

c (3.8)

これから、Mean shiftにより、このマップの最大値を探索することで大動脈の位置が判明 する。



^,s



⁾

( max arg ) sˆ ˆ ,

( _{m a a}

S s a ,

a  









 c (3.9)

Mean shiftによる最大値の探索では、式(3.5)において、x=(a, sa)^t、w(x) = cm(x)である。

nはn (= n  ns)で、aと saを探索のために変化させる総数である。

このように範囲を制限して計算量が減る場合は、AdaBoostの出力を用いた方がよりなめ らかな分布となり、ローカルミニマムの影響を受けにくくなる。直前のスライスで求まった大動 脈の位置(x₀)を探索開始点として Mean shift により現在のスライスの大動脈の位置を求め る。

図3.8 連続するスライスにおける探 索領域の制限

ドキュメント内 MRI ワークフロー改善に関する研究　- MRI 画像の自動位置決めに関する検討- (ページ 43-49)