アトラスを用いた心臓CT画像の自動セグメンテーション

全文

(1)情報処理学会研究報告 IPSJ SIG Technical Report. Vol.2010-CG-141 No.15 2010/11/9. 1. はじめに. アトラスを用いた心臓 CT 画像の自動セグメンテーション篠崎康平†. 檜垣徹 † BisserRaytchev†† 金田和文††. 日本での心疾患による死亡者数は年間 15 万人にものぼり，日本人の死亡原因の 2 位となっている．その多くが心筋梗塞を代表とする虚血性心疾患によるものである．厚生労働省による調査では，虚血性心疾患の患者数は 84 万人にものぼることが報告されている[1]．虚血性心疾患の主な原因は，心筋を栄養している冠動脈が動脈硬化やプラーク等により狭窄することで生じる心筋の虚血である．虚血状態の心筋はやがて壊死し，心機能に重大な影響を及ぼす．虚血性心疾患の診断において重要なことは，虚血状態にある心筋を栄養している責任血管の断定である．責任血管が明らかになれば，当該血管に対して適切な処置を行うことで，虚血を解消することができる[2] [3]．責任血管の診断には，心電図を用いたものや血液検査によるもの，各種画像診断装置を用いた画像による診断などがある．その中でも近年高性能化が進んでいる Computed Tomography (CT) を用いた，低侵襲で患者への負担の少ない方法が注目されている[4]．Garcia らは，16 列 CT を用いて冠動脈を描出し責任血管を調べる評価実験を行った[5]．未診断患者 1629 例について実験を行い，偽陰性数 2，感度 94%と， CT を用いた手法の高い検出能を示した．しかし冠動脈が狭窄していることが即ち虚血を引き起こすとは限らないため，偽陽性数が高いという問題があった．この問題を解決するため，Rispler らは 16 列 CT に加えて機能情報を画像化できる Single-Photon Emission Computed Tomography(SPECT) 画像を用い，それらの統合画像から冠動脈の狭窄を調べる実験を行った[6]．その結果，CT のみを用いる場合と比べて特異度，陽性適中率，偽陽性数において大きな改善が見られ，CT と SPECT の統合画像を用いた冠動脈狭窄の診断の有用性を示した．一般的に，異なる種類のモダリティから取得された医用画像を統合する際や，異なる時間に取得された医用画像を統合する際には位置あわせが必要とされる．しかし， CT と SPECT ではそれぞれ画像化される情報が異なり相関性が低く，また SPECT により得られる画像は解像度も低いため，人手により十分な精度と再現性を持った位置あわせを行うことは難しい[7]．そこで，異なる種類の医用画像を，計算機を用いて自動位置あわせする研究が数多く行われている[8]．. 玉木徹††. 本稿では，心臓 CT 画像を，アトラスを用いて自動でセグメンテーションする手法を提案する．CT 画像を画素情報のみからセグメンテーションするのではなく，その画像と高い相関を持ったアトラスと位置あわせを行うことで，安定した心臓のセグメンテーションを実現する．さらに画素情報と併せて，シグモイド関数とレベルセット法を用いて抽出した CT 画像の境界情報と，あらかじめアトラスに付加しておいた境界情報を用いて正確な位置あわせを行う．位置あわせとセグメンテーションを，互いに処理結果をフィードバックしながら繰り返し行い信頼性と精度を高める．. Automatic Heart Segmentation in a CT Image by Using Atlas Kohei SHINOZAKI† Toru HIGAKI† Bisser RAYTCHEV†† Toru TAMAKI†† Kazufumi KANEDA†† In this paper, we propose a unified method for a cardiac segmentation using an atlas. CT images are segmented indirectly using a registration method with the atlas which has similar features to CT images. The registration method uses not only pixel values but also edge information. To extract edge information from CT images, we use a sigmoid function and a level set method. The atlas has edge information added manually in advance. By using the proposed method, we can achieve robust and accurate segmentation and registration.. †広島大学大学院工学研究科 Graduate School of Engineering, Hiroshima University ††広島大学大学院工学研究院 Faculty of Engineering, Hiroshima University. 1. ⓒ 2010 Information Processing Society of Japan.

(2) 情報処理学会研究報告 IPSJ SIG Technical Report. Vol.2010-CG-141 No.15 2010/11/9. カットを用いた[17]．しかし，いずれの手法も前処理の手間と右心室のセグメンテーション結果の精度が悪い問題がある．このような心臓 CT 画像のセグメンテーションの問題を解決するため，本稿では心臓 CT 画像を，アトラス 1 枚を用いて自動でセグメンテーションする手法を提案する． CT 画像を画素情報のみからセグメンテーションするのではなく，その画像と高い相関を持ったアトラスと位置あわせを行うことで，安定した心臓のセグメンテーションを実現する．さらに画素情報と併せて，シグモイド関数とレベルセット法を用いて抽出した CT 画像の境界情報と，あらかじめアトラスに付加しておいた境界情報を用いて正確な位置あわせを行う．位置あわせとセグメンテーションを，互いに処理結果をフィードバックしながら繰り返し行い信頼性と精度を高める． 2 節では，アトラスを用いた心臓 CT 画像の自動セグメンテーションの手法を示す． 3 節では，実験に用いるアトラスと，提案手法の定量的評価を示す．4 節で本稿をまとめる．. 異なるモダリティから得られた医用画像どうしを，画素値を参照して位置あわせする手法には，評価関数として相互情報量が一般的によく用いられる[8]．しかし異なるモダリティでも，CT や MRI により取得した構造情報を持つ画像と，PET や SPECT により取得した機能情報を持つ画像の組み合わせの場合，特に画像間の相関が低い．そのため相互情報量を用いてもそれらを直接位置あわせすることは難しく，前処理が必要になる[8] [9]．心臓の構造画像と機能画像の自動位置あわせに関する研究についても，多くが以下に示すように前処理を行っている．Faber らは MR と SPECT の左心室表面を検出し，左心室表面どうしを位置あわせする手法を開発した[10]．またその後，冠動脈の分岐点を特徴点とし，事前に検出した SPECT の左心室表面と特徴点を ICP 法を用いて位置あわせする手法を提案した[11]．Aladl らは，セグメンテーションされた左心室画像を用いて MRI と SPECT 間の自動位置あわせを行う手法を開発した[12]．この手法では，まず MR 画像中の左心室をしきい値ベースの手法でセグメンテーションする．そしてセグメンテーションされた MR の左心室と SPECT を，相互情報量と剛体変換を用いて自動位置あわせしている．類似した手法として Nakajo らは，左心室モデルを用いて CT と SPECT の位置あわせを行う手法を開発した[13]．この手法では，まずセミオートマチックで CT の左心室をセグメンテーションし左心室モデルとする．そして左心室モデルと SPECT を，マニュアル，剛体，非剛体それぞれの手法より位置あわせし精度を検証している．Makela らは，様々な心臓の画像レジストレーション手法のそれぞれの特徴や位置あわせ誤差をレビュー論文としてまとめている[9]．これらの手法は，左心室の表面データを用いたり，CT や MR 画像から SPECT 画像と相関性の高い左心室部分のみをセグメンテーションにより抽出し位置あわせに用いたりすることで，安定した位置あわせを行うことを目指している．しかし，いずれの手法も左心室の自動セグメンテーションに失敗すると，位置あわせの精度が低下するという問題がある．Nakajo らの手法では，12 例中 3 例で自動セグメンテーションの結果に問題があったため，手動で左心室のセグメンテーションを行っている．また Aladl らは， "The success of our registration technique depends mainly on the MRI segmentation step"と，セグメンテーションによっては位置あわせが成功しないことを述べている．さらに，近年 CT スキャナの多列化・高性能化が進み左心室のみを選択的に造影する撮影法が一般的となり，その結果右心室が造影されず左心室の心筋セグメンテーションの際に中隔と右心室内腔の分離が困難となるという報告もなされている[14]．そこで，心臓の左心室以外の部位もセグメンテーションする手法が提案された． Kirisli らは平均的な形状を持ち心臓の各部位の境界情報と画素情報を持ったアトラス 8 枚との位置あわせを行った[15]． Zheng らは心臓の学習画像を用意し機械学習を行った[16]，Funka-Lea らはセグメンテーションをエネルギー最小化問題ととらえグラフ. 2. 提案手法提案手法の概要本稿では，アトラスを用いて心臓 CT 画像を自動で高精度にセグメンテーションする手法を提案する．CT 画像を画素情報のみからセグメンテーションするのではなく，図 1 に示すように CT 画像とアトラスの位置あわせを行う．ここでアトラスとは，平均的な形状を持ち，境界情報と画素情報の両方を持ったデータである．境界情報を持ったアトラスと位置あわせすることで，位置あわせされた境界をセグメンテーション結果として用いることができる．さらに，シグモイド関数とレベルセット法を用いて CT 画像の境界情報を抽出し位置あわせする際に境界情報と画素情報を用いて正確な位置あわせを行う．次節では，本論文で重要となる CT 画像とアトラスの位置あわせ手法の詳細を述べる． 2.1. ①境界検出 ②境界間位置あわせ ③画素間位置あわせ. 患者CT. アトラス. 図1. 2. 心筋境界. 提案手法の概要. ⓒ 2010 Information Processing Society of Japan.

(3) 情報処理学会研究報告 IPSJ SIG Technical Report. Vol.2010-CG-141 No.15 2010/11/9. 詳細な位置あわせとして，患者 CT 画像にアトラスの画像が重なるよう，画素値をもとにアトラスを変形・位置あわせする．ここでも変形手法として Bspline による非剛体変形を用いる．最適化後，アトラスの境界に対しても同様の変形を適用し患者 CT と位置あわせする．位置あわせすることにより変形されたアトラスの境界を，患者 CT の新たな境界として与える．位置あわせの評価関数が収束条件を満たしていない場合はステップ 3 の処理を行い，収束条件を満たしている場合は全てのステップの処理を終了する．ステップ 3．アトラスの更新ステップ 2 で患者 CT に与えられた新たなアトラスを初期アトラスとして再度ステップ 1 の処理を行う．. CT 画像とアトラスの位置あわせ図 1 に示すアトラスと患者 CT 画像を，図 2 に示す 4 つのステップにより位置あわせ及びセグメンテーションを行う．アトラスは，図 1 に示すような，標準的な形状を持った心臓の CT 画像と，心臓全体(WH)，左心室外膜(epiLV)，左心室内膜(endoLV)，右心室(RV)の境界情報からなる．アトラスの境界情報は手動で抽出し，境界線部を 255，その他の輝度値を 0 とした画像である． 2.2. 開始 Step0 患者CT画像から初期境界の検出. 3. 実験 Step1 CT境界とアトラス境界どうしの位置あわせ. 提案手法を用いて，実際に患者 CT 画像とアトラスを位置あわせする実験を行った．患者 CT の境界をシグモイド関数とレベルセット法により抽出し，初期配置としてアトラスの境界と重ねたものを図 3 に示す．また，提案手法を適用する前に患者 CT 画像とアトラス画像を重ねて表示したものを図 4 に示す．図 4 では患者 CT 画像を赤，アトラス画像を緑にし，重なった部分が黄になるような表示方法を用いた．図 5 にはステップ 1 の，境界どうしの位置あわせを行った結果を示す．ステップ 2 の画素どうし位置あわせを行い，同様の変形をアトラスの境界にも適用し変形させた境界を患者 CT に重ねて図 4 と同様の方法で表示したものを図 6 に示す．繰り返し処理を行い，最終的に位置あわせされた患者 CT とアトラスを図 4 と同様の方法で表示したものを図 7 に示す．実験の結果，図 3 で位置のあっていなかった境界どうしが，図 5 ではステップ 1 の処理により位置あわせされているのがわかる．図 6 では，位置あわせで変形したアトラスの境界が患者 CT 画像の境界と一致していることがわかる．さらに，式(1)に示すダイス係数(DSC)，式(2)に示す境界どうしの最短ユークリッド距離の平均と標準偏差の二通りの定量的評価を行った．手動でセグメンテーションされた CT 画像を 6 枚用意し，6 枚の内 1 枚をアトラス，残りの 5 枚をテスト画像とする計 6 パターンで行った．. Step2 CT画像とアトラス画像どうしの位置あわせ YES. 位置あわせは収束条件を満たしたか？ NO Step3 アトラスの更新終了. 図2. 提案する CT-アトラス位置あわせ処理. ステップ 0．初期境界の検出患者 CT 画像の境界をおおまかに検出する．ステップ 3 で境界を補正するため，ここでは境界の慨形が検出できればよい．境界の検出は snakes[18]やレベルセット法[19] などの動的輪郭抽出法，空間フィルタ[20]によるものなどが挙げられる．今回は空間フィルタの一種であるシグモイド関数を用いる．ステップ 1．境界どうしの位置あわせ大まかな位置あわせとして，患者 CT 画像の境界とアトラスの境界が重なるよう，アトラスの境界を変形・位置あわせする．最適化後，アトラスの画像ボリュームに対しても同様の変形を適用する．今回は変形手法として Bspline による非剛体変形[21]を用いて位置あわせする．ステップ 2．画素どうしの位置あわせ・境界の決定. 2( M I S ) M S. DSC. 1 N 3. (1). N. (Si. M i )2. (2). i 1. ⓒ 2010 Information Processing Society of Japan.

(4) 情報処理学会研究報告 IPSJ SIG Technical Report. Vol.2010-CG-141 No.15 2010/11/9. ただし， S, M はそれぞれ提案手法でセグメンテーションされた領域と手動でセグメンテーションされた領域， S i , M i はそれぞれ提案手法の境界と手動でセグメンテーションされた境界を構成する点(個数 N)とする．表 1 に最短ユークリッド距離の平均と標準偏差を示す．表の各値は 5 枚のテスト画像ごとの WH，epiLV，endoLV，RV のセグメンテーション結果の平均と標準偏差である．WH，epiLV，endoLV に比べて境界情報が少ない RV の精度が低いことがわかる．提案手法ではセグメンテーション誤差の平均は 2.26±1.96mm で，ダイス係数は 0.914 と安定したセグメンテーション結果が得られた．さらに，自動で心臓をセグメンテーションする他手法の定量的評価の結果と提案手法の結果の比較を表 3 に示す．1)Kirisli らのアトラスベース，2)Zheng らの機械学習， 3)Funka-Lea らのグラフカットベースとの比較を行った．提案手法が最短ユークリッド距離の平均と標準偏差で他手法には劣るものの，アトラス画像 1 枚のみで安定したセグメンテーションを実現した．表 1 最短ユークリッド距離の平均と標準偏差 Patient. WH. epiLV. endoLV. 001. 7.80±6.53. 9.94±9.12. 10.05±9.17. 11.08±9.06. 002. 9.11±8.44. 8.12±7.56. 8.30±7.69. 10.14±7.67 15.25±12.31. 003. 7.09±6.36. 9.49±9.54. 8.40±7.40. 004. 10.25±8.55. 8.80±6.97. 5.45±4.68. 11.67±9.62. 005. 8.61±7.40. 9.43±8.55. 6.65±5.19. 11.17±9.49. 006. 8.41±6.98. 9.58±8.00. 8.48±7.59. 12.42±12.03. Mean. 8.55±7.38. 9.23±8.29. 7.89±6.95. 11.96±10.03. Mean(mm). 2.05±1.77. 2.22±1.99. 1.89±1.67. 2.87±2.41. 表2. 図3. 患者 CT の境界(白)を抽出しアトラスの境界(赤)を初期配置として重ねて表示. RV. ダイス係数. Patient. WH. epiLV. endoLV. RV. 001. 0.952. 0.919. 0.887. 0.879. 002. 0.942. 0.935. 0.910. 0.883. 003. 0.954. 0.932. 0.901. 0.835. 004. 0.950. 0.931. 0.924. 0.876. 005. 0.937. 0.928. 0.935. 0.876. 006. 0.949. 0.925. 0.900. 0.878. Mean. 0.947. 0.928. 0.910. 0.871. 図4. 4. 提案手法を適用せずにアトラス画像(緑)を患者 CT 画像(赤)に重ねて表示. ⓒ 2010 Information Processing Society of Japan.

(5) 情報処理学会研究報告 IPSJ SIG Technical Report. 図5. Vol.2010-CG-141 No.15 2010/11/9. アトラスの境界(赤)を患者 CT の境界(白)に対して位置あわせした結果. 図7. 位置あわせ後のアトラス画像(緑)を患者 CT 画像(赤)に画像に重ねて表示表3. 他手法のセグメンテーション結果との比較. Patient. WH. epiLV. endoLV. RV. Mean DSC Our method. 6. 0.947. 0.928. 0.910. 0.871. Mean DSC Kirisli et al. 8. 0.956. 0.944. 0.946. 0.890. Mean error(mm) - Our method. 6. 2.05±1.77. 2.22±1.99. 1.89±1.67. 2.87±2.41. Mean error(mm) - Kirisli et al. 8. 1.25±1.73. 1.03±1.14. 0.67±0.78. 1.53±1.64. Mean error(mm) - Zheng et al. 186. -. 1.21±0.41. 1.13±0.55. 1.55±0.38. 9. 4.10±5.50. -. -. -. Mean error(mm) - Funka-Lea et al. 4. まとめ図 6 患者 CT 画像とアトラス CT 画像の画素値間の位置あわせを行った後，アトラス画像(緑)を患者 CT(赤)に重ねて表示. 本稿では，アトラスを用いて心臓 CT 画像を安定してセグメンテーションする手法を提案した．位置あわせとセグメンテーションを互いにフィードバックさせながら繰り返し処理を行うことで，安定してセグメンテーションを行うことができることを示した．また，提案手法を他手法と比較し，有用性を示した．今後の課題としては，セグメンテーションに最適なアトラスの設計，実験データ数. 5. ⓒ 2010 Information Processing Society of Japan.

(6) 情報処理学会研究報告 IPSJ SIG Technical Report. Vol.2010-CG-141 No.15 2010/11/9. を増やした定性的評価による有効性の検証，提案手法の 3 次元化などが挙げられる．謝辞. Methods and Evaluation,” Radiology, vol.179, no.3, pp.857-861, 1991. [11] Tracy L. Faber, Cesar A. Santana, Ernest V. Gracia, Jaume Candell-Riera, Russell D. Folks, John W. Peifer, Andrew Hopper, Santiago Aguade, Joan Angel, and J. Larry Klein, ”Three-dimensional fusion of coronary arteries with myocardial perfusion distributions: Clinical Validation,” The Journal of Nuclear Medicine, vol.45, no.5, pp.745-753, 2004. [12] Usaf E. Aladl, Gilbert A. Hurwitz, Damini Dey, David Levin, Maria Dragova, and Piotr J. Slomka, ”Automated Image Registration of Gated Cardiac Single- Photon Emission Computed Tomography and Magnetic Resonance Imaging,” Journal of Magnetic Resonance Imaging, vol.19, no.3, pp.283-290, 2004. [13] Hidenobu Nakajo, Shin-ichiro Kumita, Keiichi Cho, and Tatsuo Kumazaki, ”Three-dimensional registration of myocardial perfusion SPECT and CT coronary angiography,” Annals of Nuclear Medicine, vol.19, no.3, pp.207-215, 2005. [14] 杉浦寿彦，田邊信宏，医学のあゆみ，” Vol.229, No.2, pp.139-143, 2009. [15] Hortense A. Kirisli, Michiel Schaap, Stefan Klein, Lisan A. Neefjes, Annick C. Weustink, Theo van Walsum and Wiro J. Niessen, “Fully automatic cardiac segmentation from 3D CTA data: a multi-atlas based approach”, Proc. Of SPIE , Vol. 7623, 762305, 2010. [16] Yefeng Zheng, Bogdan Georgescu, Adrian Barbu, Michael Scheuering, and Dorin Comaniciu, “Four-chamber heart modeling and automatic segmentation for 3D cardiac CT volumes using marginal space learning and steerable features”, IEEE Transactions on Medical Imaging 28, pp. 1000-1010, 2009. [17] G. Funka-Lea, Y. Boykov, C. Florin, M. P. Jolly, R. Moreau-Gobard, R. Ramaraj and D. Rinck. “Automatic heart isolation for CT coronary visualization using graph-cuts”, in [Proc, 3rd IEEE International Symposium on Biomedical Imaging:Nano to Marco], 2006. [18] M. Kass, A. Witkin, D. Terzopoulos, ”Snakes, Active contour models,” International Journal of Computer Vision, Vol.1, No.4, pp.321-331, 1988. [19] J. A. Sethian, ”Level Set Methods,” Cambridge University Press, New York, 1996. [20] 藤代一成編，コンピュータグラフィックス CG-ARTS 協会，2006． [21] D. Rueckert, L. I. Sonoda, C. Hayes, D. L. Hill, M. O. Leach, and D. J. Hawkes, ”Nonrigid Registration Using Free-Form Deformations: Application to Breast MR Images, ” IEEE Transactions on Medical Imaging Vol.18, No.8, 1999.. 本稿の作成にご協力頂いた皆様に，謹んで感謝の意を表する．. 参考文献 [1] 厚生労働省，: 平成 17 年患者調査の概況 [2] 松田豪，野崎敦，佐久間肇，河田七香，竹田寛，本康宗信，中野赳， MRI を用いた虚血性心疾患検査の現状，日本放射線技術學會雜誌，vol.57，no.6，pp.664-670， 2001． [3] Konstantin Nikolaou, Andreas Knez, Carsten Rist,Bernd J. Wintersperger, Alexander Leber, ThorstenJohnson, Maximilian F. Reiser, and Christoph R.Becker, ”Accuracy of 64-MDCT in the diagnosis of ischemic heart disease,” American Journal of Roentgenology, vol.187, pp.111-117, 2006. [4] 井田義宏，: マルチスライス CT による心臓診断技術，日本放射線技師学会誌，vol.62，no.6，pp.804-810，2006． [5] Mario Gracia, Jonathan Lessick, and Martin H. K.Hoffmann: ”Accuracy of 16-Row Multidetector Computed Tomography for the Assessment of CoronaryArtery Stenosis,” Journal of the American Medical Association, vol.296, no.4, pp.403-411, 2006. [6] Shmuel Rispler, Zohar Keidar, Eduard Ghersin, ArielRoguin, Adrian Soil, Robert Dragu, Diana Litmanovich,Alex Frenkel, Doron Aronson, Ahuva Engel,Rafael Beyar, and Ora Israel, ”Integrated Single-Photon Emission Computed Tomography and Computed Tomography Coronary Angiography for the Assessment of Hemody namically Significant Coronary Artery Lesions,” Journal of the American College of Cardiology, vol.49, no.10, pp.1059-1067, 2007. [7] 木下富士美，田中裕子，木原朝彦，他，: ボリュームマッチングによる X 線 CT 画像と SPECT 画像のフレームレス位置合わせ，日本放射線技術學會雜誌，vol.56， no.6，pp.840-846，2000． [8] Josien P.W. Pluim, J.B. Antoine Maintz, and Max A.Viergever: ”Mutual-Information-Based Registration of Medical Images: A Survey,” IEEE Transactions on Medical Imaging, vol.22, no.8, pp.986-1004, 2003. [9] Timo Makela, Patric Clarysse, Outi Shipila, Nicoleta Pauna, Quoc Cuong Pham, Toivo Katila, and Isabelle E. Magnin, ”A Review of Cardiac Image Registration Methods,” IEEE, Transactions on Medical Imaging, vol.21, no.9, pp.1011-1021, 2002. [10] Tracy L. Faber, Roderick W. McColl, Roger M. Opperman, James R. Corbett, and Ronald M. Peshock, ”Spatial and Temporal Registration of Cardiac SPECT and MR Images: 6. ⓒ 2010 Information Processing Society of Japan.

(7)