ニューラルネットワークを用いた肝臓領域の自動抽出 M03C931 遠藤忍 1.2 1．はじめに 0.8 ①肝臓内部 0.4 近年，CT などの画像装置の進歩によって volume 0 -20 rendering 法を使用した三次元医用画像が比較的容 0 20 40 60 80 100 120 1 .2 易に得られるようになった．その中で，肝臓の 3 次 0 .8 元画像からは視覚的な形態情報が得られるようにな ②肝臓周辺 0 .4 0 り，肝疾患の診断で活用されている．しかし，画像 -20 から肝臓領域を抽出する手法としては肝臓辺縁をマ 0 20 40 60 80 100 120 1 .2 ニュアルトレースする手法が通常用いられており， 0 .8 ③その他の領域 0 .4 時間的・精神的な負担を操作者（医師や診療放射線 0 -20 技師）に与えていた．そのため，肝臓領域の半自動ネットワーク（以後、NN）を用いて腹部 CT 画像か 20 40 60 80 100 120 Fig.2 ヒストグラム抽出や自動抽出法の開発が強く望まれている．そこで，本研究では，神経回路網を模倣したニューラル 0 学習終了後，腹部 CT 画像の各画素を中心としたすべての ROI を未知データとして入力し，認識を行った．最後に，後処理としてラベリング，膨張・収らの肝臓領域の自動抽出を試みる．縮処理を実行し，抽出不足および過抽出の領域を補 2．方法 Fig,1 に NN を用いた学習および認識のフローチャートを示す．学習データには，肝臓，肝臓辺縁，その他の領域の ROI（関心領域）から得たヒストグラムを用いた．これらの部位のおおまかなヒストグラム傾向は Fig.2 のように示される．教師信号の大きさは，肝臓領域を 1.0，肝臓辺縁領域を 0.6，その他の領域を 0 として学習させた．これはつまり，学習後の NN に未知画像として肝臓領域の ROI 画像が入力されれば，その出力値が 1.0 に近い数値となるように最適化（学習）したことを意味する（同様に肝臓辺縁の場合は 0.6，その他の領域では 0 に近づく）．正した．３．結果と考察 Fig.3 に本手法による肝臓領域抽出例を示す．この結果から本手法によって肝臓領域が概ね良好に抽出できることがうかがえる．NN による自動抽出法の利点は，学習を精度良く行うことで汎用的かつ高速な自動手法になる可能性を秘めている点である．そのため今後は，学習データの選別およびその量の増強，また NN の構造などをさらに検討し，より汎用的で精度の良い自動抽出法に改良していきたい．４．まとめ腹部 CT 画像における NN による肝臓領域自動抽学習認識学習データ：腹部 CT 画像（ROI）加重修正 (50) ¾ 肝臓 ¾ 肝臓辺縁 (110) ¾ その他 (50) 出法を検討し，初期の結果として概ね良好な抽出結未知データ：腹部 CT 画像（ROI）のヒストグラム果を得た．また，NN を用いた汎用的かつ高速な肝臓領域自動抽出法への可能性を示唆した．入力のヒストグラム学習後のＮＮ入力ＮＮ戻る出力値と比較教師信号 Fig. 1 肝臓粗領域の後処理ラベリング膨張処理収縮処理 NN による学習および認識のフローチャート (a) (b) (c) Fig.3 結果例．(a) 腹部 CT 画像の原画像例．(b) 本手法により(a)から抽出した肝臓領域．(c) 抽出結果のボリュームレンダリング画像