90EC8DE82E626F6F6B - Quantum Inc.

262
MEDICAL IMAGING TECHNOLOGY Vol.24 No.4 September 2006
* 研究論文 *
上腕骨頭 3 次元形状の左右間比較による欠損定量化
川 崎 将 吾 *1 中 口 俊 哉 *2 落 合 信 靖 *3
津 村 徳 道 *2 三 宅 洋 一 *4
要 旨
従来の上腕骨頭欠損診断では,左右肩関節の CT 画像を互いに見比べることにより,欠損部位の大きさや
形状などの評価を行っている.しかし,従来の診断結果は医師の経験および主観に大きく依存しており,そ
の診断結果の共有などを目的とした定量的な診断が実現されていなかった.そこで本研究では,CT 画像か
ら再構成された上腕骨頭の 3 次元形状を左右間で比較し,欠損を定量的に評価する診断支援システムの構
築を行った.3 次元形状の再構成においては,新たに提案する判別基準法とヒストグラム解析を組み合わせ
た閾値決定法および動的輪郭モデルにより上腕骨の表面形状を抽出した.再構成した左右上腕骨の 3 次元
形状を計算機上で重ね合わせ,直接比較することにより欠損部位を抽出した.この際,両上腕骨頭の形状
は鏡像対称であると仮定している.抽出された欠損部位の体積および形状について解析し,その有効性を
確認した.
キーワード:欠損定量化,肩関節,閾値決定法,骨輪郭抽出
Med Imag Tech 24(4): 262-269, 2006
1.はじめに
近年の整形外科分野において X 線 CT 画像診
断は,筋骨格系の画像情報を非侵襲的に得る手
段 と し て 非 常 に 重 要 で あ る.さ ら に,
Multidetector-row CT(MDCT,マ ル チ ス ラ イ ス
CT)の登場により,従来の CT に比べ広範囲を
はるかに短時間で撮影することができるように
なり,また CT 画像は 3 次元的な容積画像として
取り扱うことも可能となっている〔1〕.しかし,
装置の高性能化に伴いマルチスライスCT画像の
情報量は増大しており,読影医師の負担となっ
ている.また,CT をはじめとする医用画像診断
は読影医師の経験および主観に大きく依存する
側面があり,定量的な診断を行う上で問題と
なっている.したがって,医師の診断補助を目
的とした客観的な診断支援システムの開発が望
まれている.
*1
千葉大学大学院自然科学研究科〔〒 263-8522 千葉
市稲毛区弥生町 1-33〕
e-mail: [email protected] jp
*2 千葉大学工学部情報画像工学科
*3
カリフォルニア大学サンディエゴ校整形外科
*4
千葉大学フロンティアメディカル工学研究開発セ
ンター
投稿受付:2006 年 5 月 19 日
最終稿受付:2006 年 8 月 21 日
採用決定日:2006 年 8 月 29 日
本研究では整形外科診断の中でもとくに肩関
節における上腕骨頭欠損診断に注目する.肩関
節は人体において脱臼などの障害が起こりやす
い部位であり,外傷による脱臼後,初回よりも
軽微な外力により再脱臼を繰り返す反復性肩関
節脱臼が起こりやすい.上腕骨頭の欠損は,脱
臼時の外傷性圧迫骨折による骨の変形を示すも
のであり,肩関節脱臼を繰り返しやすい病態の
指標として重要な所見である.実際の上腕骨頭
欠損診断では,CT 画像を用いて前後スライスも
しくは左右で形状を比較することで上腕骨頭の
欠損の有無を確認する.しかし,肩関節はアー
ティファクトなどの問題を防ぐため左右別々に
撮影される.ゆえに上腕の位置によって CT 画像
中における上腕骨の断面形状は左右で異なると
考えられる.このような問題を解決するため,近
年では CT 画像から復元した 3 次元形状の利用,
もしくは内視鏡などによりその欠損状態を診断
している.しかし,実際の医療現場ではいずれ
の手法においても目視による診断が行われてい
るため,欠損状態の評価は医師の感性的な表現
にとどまっている.そのため,骨欠損の量およ
び形状の正確な定量的診断がなされていないの
が現状であり,反復性肩関節脱臼の可能性を正
確に予測する方法が確立していない.
Med Imag Tech Vol.24 No.4 September 2006
そこで本研究では,マルチスライス CT 画像
データから上腕骨の表面形状を簡易に抽出・解
析するコンピュータ診断支援システム(CAD)を
提案し,それを利用した上腕骨頭欠損診断の定
量化を行った.
2.上腕骨頭欠損の定量化
CT 画像における骨の欠損の定量評価を考える
場合,一般的な形状モデルを上腕骨にフィッ
ティングすることにより欠損部位を補完し欠損
前の形状を予測する手法がある.しかし,フィッ
ティング時のパラメータ設定などにより最終的
な結果が異なることが予想され,診断の定量化
を考える上で望ましくない.そこで本研究では,
左右上腕骨頭形状を比較することで欠損の定量
評価を考える.これは,左右上腕骨頭の骨格形
状が鏡像対称であるとの医学的経験知識に基づ
くものであり,一方の上腕骨頭にのみ異常が認
められる場合に有効である.提案する診断シス
テムの流れを Fig. 1 に示す.まず CT 画像におけ
る上腕骨の表面形状を抽出し,スライスごとに
結合することで上腕骨の 3 次元形状を復元する.
鏡像対称であるとの仮定のもと,3 次元に復元し
た左右の上腕骨頭形状を計算機上で重ね合わせ
ることで,その差異を欠損とみなすことができ
る.その体積差および欠損形状を解析すること
により欠損状態を定量評価する.形状抽出には
閾値処理による 2 値化および動的輪郭モデル〔2〕
を利用する.
Comparison of right and left
Reconstruction of 3D surface model
Surface model acquisition
Binarization and extraction of contour
263
3.CT 画像における上腕骨の自動抽出
2 次元画像群であるマルチスライス CT 画像よ
り対象の 3 次元形状を復元するには,対象の表
面形状を取得しモデル化することが必要であ
る.CT 画像で撮影される骨は,比較的固く丈夫
な皮質骨,比較的柔らかく柔軟性のある海綿骨
の大きく 2 種類に分けられる.皮質骨は主に骨
の表面を構成し,非常に明確に撮影されるため
CT 画像中で高い画素値をもつ.海綿骨は主に骨
の内部を構成する.その画素値は他の臓器に近
く,CT 画像中では低い画素値をもつため比較的
不明瞭である.そこで,骨の表面部分を構成し
比較的高い画素値をもつ皮質骨を閾値処理によ
り抽出し,その輪郭すなわち表面形状を強調す
ることを考える.本研究では骨内部の情報を必
要としないため,海綿骨部分の抽出は不要であ
る.皮質骨部分抽出のための手法として,画像
の 2 値化処理において一般的に用いられる判別
基準法にヒストグラム解析を組み合わせた閾値
自動決定手法を提案する.本研究で提案する閾
値自動決定の流れを Fig. 2 に示す.さらに,得ら
れた 2 値画像に対して動的輪郭モデル(Snakes)
を適用することにより本研究の対象である上腕
骨表面形状の抽出を試みる.
1)自動閾値決定法
マルチスライス CT 画像の患者 1 人当たりの画
像枚数は膨大であるため,閾値の決定は自動化
することが望ましい.本研究では CT 画像 2 値化
のための閾値自動決定法として,判別基準法〔3,
4〕を応用した手法を提案する.検証に用いた 10
症例のサンプルは,DICOM のヘッダ情報に基づ
き切片 -1024[HU],傾き 1 の変換関数で CT 値を
Histogram of multi-slice CT images
Discriminant analysis
Threshold
TLow TMiddle THigh
Surface rendering
Histogram (TMiddle <T< THigh)
second-order derivation
Comparison of 3D surface model
Max value or 0 value
The form of bone loss analysis
Threshold:TNew
Fig. 1 Flow chart of our diagnosis system.
Fig. 2 Flow chart of our thresholding method.
264
Med Imag Tech Vol.24 No.4 September 2006
リスケールしている.Fig. 2 に示すように,判別
基準法の適用により閾値 TLow,TMiddle,THigh が
得られる.手動決定した閾値との比較のため,サ
ンプルの 1 症例あたり 5 スライスを選出し計 100
枚のスライスに対し,医師の指導の下,非医師
である作業者により閾値 TManual を設定した.残
留したノイズはオープニング処理により除去し
た.その結果,閾値 TManual と閾値 TMiddle および
THigh との関係は Table 1 の例に示すように必ず
TMiddle<TManual<THigh となった.本節では提案手
法により手動設定閾値 TManual に近い値 TNew を
自動取得することを目的とする.
判別基準法は,ある未知の閾値 x でヒストグラ
ムは 2 つのクラスに分けられると考え,このク
ラス分けについて判別分析法の手法を適用する
ものである.基準式を以下に示す.σΒ2 はクラス
間分散であり,σΤ2 は全分散である.
η = σ B2 σ T 2
σ B 2 = P1 P2 (µ1 − µ 2 )2
(1)
(2)
(2) 式において,P1,P2 は分割されたそれぞれの
クラスの生起確率であり,µ1,µ2 はそれぞれの
クラスの平均である.基準式が最大値をとるこ
とが閾値 x の最適さを指示する.閾値 x は 0 から
順に大きい方へ探索することが一般的であり,
(1) 式は分子のみが閾値に依存して変化するため
計算が容易である.本研究では (1) 式を採用し閾
値を決定する.全 10 症例(左右 20 組・計 1320
枚)の肩関節マルチスライス CT 画像に対して判
別基準法を適用し骨(皮質骨)部分を抽出する
閾値の決定を試みた.以下で Fig. 3(a) に示した 1
枚のCTスライス画像を例にとって説明する.Fig.
3(b) に示すようにこの CT 画像のヒストグラムに
対し判別基準法を適用すると,ヒストグラムを
「空気(背景部分)」と「人体」の各領域に分割
する閾値 TLow を得る.続いてヒストグラムにお
ける閾値 TLow 以上の部分,つまり「人体部分」
を示す領域に対して再度判別基準法を適用す
る.これにより,Fig. 3(c) に示すように「人体」
の領域を「筋肉(および脂肪)組織」と「皮質
骨」の各領域に分割する閾値 THigh を得る.しか
し,閾値 THigh は「筋肉組織」に相当するノイズ
の大部分を残さず,かつ「皮質骨」に相当する
画素を残す最低限の値である.ゆえに,その大
部 分 が 低 い画 素値をもつ海綿骨で構成される上
Table 1 Manual thresholds and obtained by a discriminant
analysis(left-35th slice).
Threshold
TManual
TLow
TMiddle
THigh
Sample 1
1202
615
1091
1420
Sample 2
1141
588
1028
1402
Sample 3
1230
581
1037
1461
Sample 4
1214
589
1033
1433
Sample 5
1207
570
1017
1430
Sample 6
1185
593
1034
1287
Sample 7
1144
590
1057
1417
Sample 8
1149
584
1059
1406
Sample 9
1155
596
1081
1456
Sample 10
1153
585
1028
1441
腕骨頭部分は輪郭の一部を大きく失う.もしく
は,輪郭は保つが同時に多量のノイズが残る場
合もある.そのため閾値 THigh を最適閾値とする
ことは適当ではないが,最適閾値はヒストグラ
ムの「筋肉組織」に相当する TLow<T<THigh の範
囲に存在すると予想できる.これは他のスライ
スについても同様である.
そこで Fig. 3(d) に示すように,TLow<T<THigh の
領域に対して判別基準法を適用し閾値 TMiddle を
得る.しかし,閾値 TMiddle で 2 値化した場合,
Fig. 3(d) に示すように筋肉部分の画素が多量の
ノイズとして現れる.TMiddle<T<THigh の範囲に
対して再度判別基準法を適用した場合,この範
囲のヒストグラムは明確な谷部分をもたないた
め結果として中央値に近い値が算出される.し
たがって,これ以上判別基準法のみにより閾値
を算出することは有益でない.そこで,CT 画像
中の上腕骨の輪郭が確実に残る閾値設定を考え
る.その際,単純な閾値処理を行った場合,多
量のノイズが残留する.そこで,モルフォロジー
演算の 1 つである画素の縮小(erosion)・膨張
(dilation)によるオープニング処理を適用するこ
とで除去を試みた.しかし TMiddle 適用 2 値画像
の場合,多量のノイズが残留しているためオー
プニング処理の適用による除去は困難である.
手動設定した閾値 TManual のヒストグラム中に
おける位置は,経験的にその接線の傾きの変化
が大きい位置,すなわち 2 次微分値が大きい位
置に設定される.したがって,ヒストグラムの 2
次微分値が最大をとる値を閾値 TNew とすること
により,手動設定した閾値に近い値を得ること
Med Imag Tech Vol.24 No.4 September 2006
2000
pixel value
(a) Original CT image and histogram.
0
CT image
Number of pixels
1000
0
TLow
THigh
Thigh image
Body
TLow
2000
pixel value
(b) First obtained threshold TLow.
0
Tlow image
TLow
TMiddle
THigh
TMiddle image
0
2000
2000
pixel value
pixel value
(d) Third obtained threshold TMiddle.
(c) Second obtained threshold THigh.
Fig. 3 Thresholds decided by a discriminant analysis.
1000
second-order
derivative value
0.15
pixel number
0
1000
Air (Background)
1000
Cortical bone
Muscle or fat
Number of pixels
1000
histogram
Number of pixels
Number of pixels
1000
265
1400 -0.35
1000
pixel value
TNew1
pixel value
1400
(a) ROI of the histogram.
(b) Second-order derivative.
(c) TNEW1 image.
(d) Opening image.
Fig. 4 Second-order derivative of the histogram and obtained threshold TNEW1.
ができる.そこで,Fig. 4(a) に示すようにヒスト
グラムの TMiddle<T<THigh の範囲を下式でモデル
化する.
{
}
y = A exp − B( x − C ) + D
2
(3)
各パラメータ A,B,C,D を非線形最適化手法
である Nelder-Mead 法を利用し決定する.続いて
Fig. 4(a) に TMiddle<T<THigh の範囲におけるヒス
トグラム,および Fig. 4(b) にその 2 次微分値と
決定した閾値 TNew1 を示す.Fig. 4(c) に閾値 TNew1
を適用した 2 値画像を示し,それにオープニン
グ処理を適用した結果画像を Fig. 4(d) に示す.肩
関節におけるマルチスライスCT画像はヒストグ
ラム分布の特徴が酷似しているため,(3) 式を用
いたヒストグラムのモデル化はすべてのスライ
ス画像に対して適用することができる.手動閾
値設定に用いた 100 枚のサンプルスライス画像
に対して本手法を適用したところ,75 枚のスラ
イス画像において適切に上腕骨を抽出できた.
残る 25 枚においては輪郭が残らないケースが見
られた.このような場合,手動設定した閾値は
ヒストグラムの傾きが大きい位置に設定される
場合が多い.したがってそのような画像の場合,
2 次微分の最大値ではなく 0 となる値,すなわち
変曲点を閾値TNew2とすることにより改善するこ
とができる.TNew1 および TNew2 の判別は現時点
では目視であり,今後その完全な自動化が必要
である.
本研究では,左右 1 症例あたり 5 スライスを
選出し計 100 枚のスライスに対し手動閾値
TManual および提案手法による閾値 TNew を設定し
た.CT 画像の仕様は,画像サイズ 512 pixel ×
512pixel,スライス厚 1.25mm,画素サイズ 0.293
mm × 0.293mm である.本節では左肩 CT 画像の
35 番スライスを例にあげ,Table 2 にその各閾値
を示す.各スライスにおいて,手動閾値と提案
手法による閾値は 1 対 1 で対応している.そこ
で,手動設定と提案手法との間に有意差がある
か否かを,対応あり t 検定により判断したとこ
ろ,有意差は認められなかった.したがって,提
266
Med Imag Tech Vol.24 No.4 September 2006
Table 2 Manual threshold and proposing threshold
(left-35th slice).
Table 3 Coincidence between the manual extraction and
proposing method.
Threshold
Coincidence (c)
TManual
TNew
Snakes only
Sample 1
1202
1213
Mean
Mean
Min
Max
Sample 2
1141
1160
Sample 1
0.641
0.953
0.827
0.976
Our method
Sample 3
1230
1172
Sample 2
0.655
0.947
0.743
0.977
Sample 4
1214
1161
Sample 3
0.769
0.937
0.752
0.975
Sample 5
1207
1170
Sample 4
0.679
0.934
0.748
0.969
Sample 6
1185
1237
Sample 5
0.714
0.912
0.700
0.963
Sample 7
1144
1167
Sample 6
0.647
0.937
0.695
0.979
Sample 8
1149
1218
Sample 7
0.667
0.891
0.641
0.973
Sample 9
1155
1169
Sample 8
0.785
0.939
0.779
0.973
Sample 10
1153
1165
Sample 9
0.784
0.953
0.670
0.979
Sample 10
0.794
0.942
0.659
0.970
案手法による閾値と手動設定閾値は非常に近い
値であり有効であると考えられる.今後,さま
ざまな症例に本手法を適用する際,ノイズなど
の影響により抽出した骨領域がスライス間で凹
凸を生じる可能性があるが平滑化などの処理に
より十分に補正は可能であると考えられる.
2)輪郭抽出
前節で得られた閾値 TNew を適用することによ
り CT 画像中の骨(皮質骨)部分を抽出できた.
次に TNew を適用した 2 値化画像に対し動的輪郭
モデル〔2〕(以下 Snakes)を適用することによ
り上腕骨の表面形状モデルを取得する.本研究
では Snakes の制御点を全スライスで 100 個に固
定し表面形状を抽出した.
Snakes による抽出結果はその初期輪郭に大き
く依存する.本研究では誤抽出を極力防ぐため,
上腕骨の大きさが最大となるi番目のスライスを
1 枚手動で設定し,そのスライスから Snakes を
i+1 方向および i-1 方向に適用することとした.
わずかな誤抽出に関しては,手動により制御点
の位置をある程度補正し,補正後の輪郭を初期
輪郭として再度 Snakes を適用することで解決し
た.10 組の肩関節 CT 画像計 240 枚を 3.1)節
で得られた閾値 TNew で 2 値化した上で Snakes を
適用し,医師の手作業により抽出された上腕骨
輪郭との一致度の算出を行う.手作業で抽出し
た輪郭で囲まれる領域の画素を M,閾値処理,
Snakes による抽出輪郭で囲まれる領域の画素を
X とすると,抽出した領域の一致度 c は次式のよ
うに与えられる.
c=
(X I M )
(X U M )
(4)
Manual
Our Method
Coincident 0.641
Coincident:0.641
(a) Minimum
Manual
Our Method
Coincident 0.979
(b) Maximum
Fig. 5 Examination of coincidence.
Table 3 に全スライスにおける一致度の平均値,
最小値,最大値を示す.また,比較対象として
Snakes のみを適用した抽出結果の平均一致度を
示す.Fig. 5 に医師の手動による抽出輪郭と閾値
処理,Snakes による抽出輪郭の例を示す.Fig.
5(a) は上腕骨が現れ始めるスライスであり,この
ようなスライスでは総じて一致度が低くなって
いる.Table 3 中の最小値はすべてこの場合に当
たる.しかし平均値は 0.9 前後となっており,本
手法は Snakes のみの場合と比較して良好な一致
度を得られていると考えられる.
4.欠損形状の算出
3 章の閾値処理および Snakes により得られた
上腕骨の輪郭線における制御点を結合すること
で 3 次元形状を復元する.本研究では左右の骨
格形状は鏡像対称であるという医学的経験知識
に基づき,この上腕骨頭の 3 次元形状を左右間で
Med Imag Tech Vol.24 No.4 September 2006
267
Table 4 Difference of right and left humeral volumes.
Diagnosis
Fig. 6 Superimpose right and left humeruses.
Score
left
right
Sample1
right
small/shallow
7.908
7.411
Sample2
right
7.031
5.785
Sample3
left
small/deep
8.075
8.131
Sample4
right
large/deep
Sample5
right
9.940
9.652
2.878
2.429
Sample6
left
middle/middle
6.703
7.225
Sample7
left
small/shallow
3.588
3.952
Table 5 Contribution of each principal component.
Score
比較することを考える.これによりその欠損部
位を特定し,体積・形状の両面から解析を行う.
1)3 次元再構成と左右の重ね合わせ
左右の骨格形状は鏡像対象であるとの仮定よ
り,一方の上腕骨頭を欠損前の本来の形状とみ
なすことができる.そこで,片方を鏡像反転さ
せ左右の 3 次元形状を重ね合わせることでその
差異より欠損部位を特定および視覚化する.Fig.
6 に示すように重ね合わせることで,欠損部位が
視覚的に表されていることがわかる.重ね合わ
せの際の位置合わせには上腕骨の重心を利用す
ることにより半自動化できる.欠損量の評価に
利用できる情報として,左右の上腕骨頭の体積
差が考えられる.一般に左右の上腕骨頭の体積
を比較した際にある一定量の体積差が認められ
た場合,左右のうち一方が欠損していると考え
られる.欠損部位の上端と下端を目安とし,手
動により上腕骨頭の欠損部位全体を切り出すこ
とで体積差を求めた.Table 4 に全 7 症例の CT
画像に対し形状を抽出し,重ね合わせることに
より算出した体積差および実際に医師が下した
診断結果を示す.また,本研究で用いたサンプ
ル 7 症例では左右上腕骨頭の大きさはほぼ同一
であるが,症例により大きさが異なる場合が想
定される.このような場合,本研究では左右上
腕骨頭の形状は鏡像対称であると仮定している
ので左右どちらか一方の形状を拡大,縮小し対
処する.これにより左右でスケーリングが異な
る状態となるため,体積には単位をつけていな
い.
2)欠損形状の解析
Table 4 に示すように欠損の認められる方の体
積 が 小 さくなっていることがわかり,こ れ は 医
Volume
Loss
Sample1
small/shallow
Sample2
Contribution
1st
2nd
3rd
0.905
0.073
0.023
0.821
0.119
0.060
Sample3
small/deep
0.764
0.201
0.035
Sample4
large/deep
0.741
0.242
0.017
0.816
0.159
0.024
Sample5
Sample6
middle/middle
0.807
0.161
0.032
Sample7
small/shallow
0.717
0.245
0.037
師による診断と一致する.しかし,体積差と診
断スコア(欠損部位の形状を医師の主観で「広
くて深い」,「広くて浅い」,「狭くて深い」,「狭
くて浅い」と言葉で表現したもの)との相関は
見られない.なお Sample2 と Sample5 の診断ス
コアは無記入である.
現在の医療現場において欠損部位の評価には
診断スコアのような主観的な表現を当てはめて
おり定量的ではない.そこで欠損部位の形状特
徴を定量的に評価することを考える.まず,左
右上腕骨頭を重ね合わせた際に視覚的に示され
る欠損部位の内部に等間隔で点群を与え,その
形状を点群で表現する.この点群の広がりを主
成分分析により解析することで,欠損部位の形
状特徴を得る.ここで,欠損部位以外に残った
点 群 は 現 時 点 で は 手 動 に よ り 除 去 し て い る.
Table 5 に主成分分析により得られた第 1,第 2,
第 3 主成分の寄与率を示し,Fig. 7 に欠損部位に
当たる点群と各主成分を示す.第 1,第 2 主成分
は上腕骨頭の表面方向に表れ,第 3 主成分は深
さ方向に表れることが Fig. 7 からわかる.このこ
とから,第 1,第 2 主成分の寄与率は欠損形状の
広さを表し,第 3 主成分は深さを示すと考えら
れる.
268
(a) Sample1
Med Imag Tech Vol.24 No.4 September 2006
(b) Sample2
(c) Sample3
(d) Sample4
(e) Sample5
Fig. 7 The analysis of bone loss by PCA.
Table 5 に示した各主成分の寄与率および Fig.
7 に示した各主成分の方向より欠損部位の形状
を判断する.Sample1 の欠損形状は第 1 主成分に
大きく寄与しており,非常に直線的な欠損であ
ると考えられる.これは医師の主観による診断
スコア「狭くて浅い」とも一致する.Sample1 を
基準に Sample4 と比較すると,Sample4 の第 2 主
成分の寄与率は Sample1 より大きく,第 3 主成
分の寄与率は Sample1 に近い値である.
したがっ
て,Sample4 は「広くて浅い」欠損形状であると
考えられる.
本手法を適用することにより,医師の感性的
表現にとどまっていた欠損状態の評価を体積お
よび形状の両面から定量的に行える可能性を示
唆することができる.しかし,本研究で検証を
行ったのは全 7 症例のみであるため,今後はさ
らに多くの症例に対して本手法を適用し定量的
な診断基準を構築する必要がある.
5.まとめ
本研究では上腕骨頭欠損診断支援システム構
築のため,肩関節における上腕骨頭欠損の定量
化を試みた.左右の上腕骨頭の形状は鏡像対称
であるとの仮定のもと,一方にのみ異常が認め
られる症例を対象とした.
提案手法では,まず上腕骨の輪郭強調のため
閾値処理により CT 画像の 2 値化を行った.閾値
(f) Sample6
(g) Sample7
の決定には判別基準法およびヒストグラム 2 次
微分を組み合わせた手法を提案することにより
その自動化を行った.動的輪郭モデル(Snakes)
の適用により復元した左右上腕骨頭の形状を計
算機上で重ね合わせることで欠損部位を視覚的
に示した.また,欠損部位を点群に置き換え,主
成分分析を行うことにより欠損部位の形状特徴
を定量評価した.以上より,上腕骨頭の欠損を
定量的に診断するシステム構築の可能性を示唆
することができた.
今後の課題として,手動操作の自動化もし
くは補助によるシステムの安定化,さまざまな
症例に対する適用による診断基準の構築および
ファントムなどを用いた本手法の精度の検証が
あげられる.
文 献
〔1〕
片田和廣,佐々木真理:MDCT 徹底攻略マニュア
ル.メジカルビュー社,東京,2005, pp1-7
〔2〕
Shahoo PK, Soltani S, Wong AKC: A Survey of Thresholding Techniques. Computer Vision, Graphics, and Image
Processing 41: 233-260, 1988
〔3 〕
M Kass, A Witkin, D Terzopoulus: Snakes: active contour models. International Journal Computer Vision 1(4):
321-331, 1988
〔4〕
森 俊二,坂倉栂子:画像認識の基礎(Ⅰ)-前処
理と形の特徴抽出-.オーム社,東京,1986, pp42-46
Med Imag Tech Vol.24 No.4 September 2006
269
Quantitative Evaluation of Humeral Head Defects
by Comparison with the Opposite Side
Shogo KAWASAKI*1, Toshiya NAKAGUCHI*2, Nobuyasu OCHIAI*3,
Norimichi TSUMURA*2, Yoichi MIYAKE*4
*1
Graduate School of Science and Technology, Chiba University
Department of Information and Image Sciences, Chiba University
*3
Department of Orthopedic Surgery, University of California San Diego
*4 Research Center for Frontier Medical Engineering, Chiba University
*2
For many years, orthopedic surgeons have evaluated the size and shape of humeral head defects by comparing CT images of the right and left sides. However, this diagnostic method is strongly dependent on the
clinical experience of the physician. It is therefore necessary to develop a quantitative method for diagnosing
and evaluating humeral head defects. In this report, we propose a computer-aided quantitative diagnostic
method for evaluating humeral head defects by comparing the shapes of the right and left humeral heads in
three-dimensional (3-D) images reconstructed from multislice CT images based on the assumption that the
humeral heads exhibit mirror symmetry. An active contour model, histogram and discrimination analysis,
and a superimposition technique were developed to compare the differences between 3-D images of the right
and left humeral heads. The results showed that the proposed method is very useful for the automatic extraction of the size and shape of humeral head defects.
Key words: Quantification of loss, Shoulder, Thresholding method, Bone contour extraction
Med Imag Tech 24(4): 262-269, 2006
川崎将吾(かわさき しょうご)
津村徳道(つむら のりみち)
2006 年千葉大学工学部情報画像工学科
卒業.同年千葉大学大学院自然科学研究科
入学,現在に至る.医用画像処理の研究に
従事.
1995 年大阪大学大学院博士後期課程修
了.博士(工学).現在,千葉大学工学部
情報画像工学科助教授.医用画像工学,計
測画像工学,色再現工学,質感再現工学の
研究に従事.IS&T,日本光学会,日本写
真学会,日本医用画像工学会,電子情報通
信学会,各会員
中口俊哉(なかぐち としや)
三宅洋一(みやけ よういち)
1968年千葉大学大学院修士課程修了.京
都工芸繊維大学助手,助教授,千葉大学工
学部助教授を経て,1989 年同教授.1978~
1979 年スイス連邦工科大学研究員.1997
年ロチェスター大学客員教授.2003 年よ
りフロンティアメディカル工学研究開発
センター長.医用画像工学,画像評価,色
再現工学の研究に従事.IS&T フェロー・
名誉会員,日本光学会,電子情報通信学
会,各会員.工学博士.
2003 年上智大学大学院博士後期課程修
了.博士(工学).現在,千葉大学工学部
情報画像工学科助手.2001~2003 年日本学
術振興会特別研究員.画像解析,画質評
価,医用画像処理,組合せ最適化に関する
研 究 に 従 事.IEEE, 電 子 情 報 通 信 学 会,
IS&T, 日本写真学会 , 各会員
落合信靖(おちあい のぶやす)
2006年千葉大学大学院博士課程修了.博
士(医学).現在,カリフォルニア大学サ
ンディエゴ校整形外科研究中.肩,膝関節
画像解析,変形性膝関節症による疼痛に関
する研究に従事.日本整形外科学会,日本
整形外科スポーツ医学会,日本肩関節学
会,日本膝関節学会,各会員
*
*
*