JP2022516316A - プラットホーム非依存の全身画像セグメント化のためのシステムおよび方法 - Google Patents

Abstract

特有の解剖学的領域（たとえば、器官および／または組織）に対応する３Ｄ画像内の特有の３Ｄ体積を自動的に識別するための対象の３次元（３Ｄ）医用画像の自動分析を提供するシステムおよび方法が、本明細書に提示される。とりわけ、本明細書に記載する画像分析手法は、体の単一の特定の器官または部分に限定されるものではない。代わりに、本明細書に記載する画像分析手法は強固で、広く適用可能であり、全身の軟組織器官を含む解剖学的領域の一貫した効率的かつ正確な検出を提供する。特定の実施形態では、１つまたは複数のそのような体積の正確な識別を使用して、特定の器官および／または組織領域における放射性医薬品の取込みを表す定量的尺度を自動的に判定する。これらの取込み尺度を使用して、対象内の疾患の状態の評定、対象に対する予後の判定、および／または処置法の有効性の判定を行うことができる。

Description

関連出願への相互参照
本出願は、各々の内容が全体として参照により本明細書に組み込まれている、２０１９年１月７日出願の米国仮出願第６２／７８９，１５５号、２０１９年４月２４日出願の米国仮出願第６２／８３７，９４１号、２０１９年６月１９日出願の米国仮出願第６２／８６３，６０８号、２０１９年７月３日出願の米国仮出願第６２／８７０，２１０号、２０１９年９月２７日出願の米国仮出願第６２／９０７，１５８号、２０１９年１１月１２日出願の米国仮出願第６２／９３４，３０５号に基づく優先権および利益を主張する。

発明の分野
本発明は、一般に、医用画像の自動分析のための方法、システム、およびアーキテクチャ。より詳細には、特定の実施形態では、本発明は、対象の画像内の１つまたは複数の特定の関心領域（たとえば、特有の器官または組織に対応する）の自動識別に関する。

発明の背景
標的画像分析は、疾患の進化中に変わる体内の特有の受容体、酵素、およびタンパク質に結合する放射性標識小分子の使用を伴う。患者への投与後、これらの分子は、意図された標的を発見するまで血液中を循環する。結合された放射性医薬品は疾患の部位に残り、薬剤の残りは体から出ていく。この分子のうち放射性のある部分は標識として働き、したがって世界中のほとんどの病院で見られる単一光子放射コンピュータ断層撮影法（ＳＰＥＣＴ）またはポジトロン放出断層撮影法（ＰＥＴ）カメラとして公知の一般に利用可能な核医学カメラを使用して、疾患の場所および濃度を描写する画像を得ることができる。次いで医師は、この情報を使用して、患者における疾患の存在および程度を判定することができる。医師は、この情報を使用して、推奨される処置コースを患者に提供し、疾患の進行を追跡することができる。

放射線科医または医師によって使用することができるＰＥＴおよびＳＰＥＣＴ画像の分析および強調のために、様々なソフトウェアベースの分析技法が利用可能である。また、特定の種類のがんを撮像するために、複数の放射性医薬品が利用可能である。当技術分野で使用される撮像剤には、それだけに限定されるものではないが、とりわけ^１８Ｆ－ＮａＦ、^１１Ｃ－Ｃｈｏｌｉｎｅ、２－デオキシ－２［１８Ｆ］フルオロ－ｄ－グルコース（ＦＤＧ）などが含まれる。たとえば、小分子診断薬１４０４は、前立腺特異的膜抗原（ＰＳＭＡ）の細胞外ドメインを標的とし、これは９５％を超える前立腺がん細胞の表面で増幅されるタンパク質であり、原発性および転移性前立腺がんの検出のために有効な標的である。１４０４は、γ放出同位体であるテクネチウム９９ｍによって標識され、これは広く利用可能で比較的安価であり、効率的な調製を容易にし、核医学撮像の用途にとって魅力的なスペクトル特性を有する。

放射性医薬品の別の例としては、前立腺がんに対する臨床病期のフッ素化ＰＳＭＡ標的ＰＥＴ撮像剤であるＰｙＬ（商標）（［^１８Ｆ］ＤＣＦＰｙＬおよび１８Ｆ－ＰｙＬとしても公知である）が挙げられる。２０１６年４月版のthe Journal of Molecular Imaging and Biologyで発表された概念実証研究では、ＰｙＬ（商標）によるＰＥＴ撮像が、想定される転移性疾患および原発性腫瘍の部位において高いレベルのＰｙＬ（商標）の取込みを示したことが実証され、これは前立腺がんの検出において高い感度および特異度の可能性を示唆している。

腫瘍医は、患者が特定の疾患、たとえば前立腺がんを患っているかどうか、その疾患のどの病期が明白であるか、推奨される処置コース（もしあれば）は何であるか、外科的介入が示されているかどうか、および予後の可能性が高いかどうかに関する自身の評定において、患者の標的ＰＥＴまたはＳＰＥＣＴ研究からの画像を入力として使用することができる。腫瘍医は、この評定における放射線科医の報告を使用することができる。放射線科医の報告は、撮像研究を要求した医師のために放射線科医によって準備されたＰＥＴまたはＳＰＥＣＴ画像の技術的な評価であり、たとえば、実行された研究のタイプ、臨床歴、画像間の比較、研究を実行するために使用された技法、放射線科医の観察および発見、ならびに撮像研究結果に基づいて放射線科医が有し得る総合的な所感および助言を含む。署名された放射線科医の報告は、医師による検討のための研究を依頼した医師のもとへ送られ、それに続いて結果および処置に対する助言に関して医師と患者との間の議論が行われる。

したがって、このプロセスは、放射線科医が患者に関する撮像研究を実行すること、取得した画像を分析すること、放射線科医の報告を作成すること、要求した医師へ報告を回すこと、医師が評定および処置の助言を立案すること、ならびに医師が結果、助言、およびリスクを患者へ伝えることを伴う。このプロセスはまた、結果が決定的でないために撮像研究を繰り返すこと、または最初の結果に基づいてさらなる試験を依頼することを伴うことがある。

撮像研究により、患者が特定の疾患または症状（たとえば、がん）を患っていることが示された場合、医師は、手術含む様々な処置の選択肢、ならびに手術を受けるのではなく、何もしないこと、または監視的待機もしくは能動的監視手法を採用することのリスクについて議論する。

このプロセスには、医師の観点からも患者の観点からも制限が伴う。放射線科医の報告は確かに有用であるが、医師は最終的に、自身の経験に依拠して、患者に対する評定および助言を立案しなければならない。さらに患者は、医師に多大な信頼を置かなければならない。医師は、ＰＥＴ／ＳＰＥＣＴ画像を患者に示して、様々な処置の選択肢に付随する数値的なリスクまたは特定の予後の尤度を患者に告げることができるが、患者はこの情報の意味をとらえるのに大いに苦労する可能性がある。さらに、患者の家族は、特にがんと診断されたが患者が手術を受けないことを選んだ場合、疑問を抱く可能性が高い。患者および／またはその家族は、補助的な情報を求めてオンラインで検索し、診断された症状のリスクについて誤った情報を得る可能性がある。難しい試練がさらに心を苦しめる可能性がある。

したがって、医用撮像研究の改善された自動分析、ならびにそれらの結果、診断、予後、処置の助言、および関連リスクの患者への伝達のためのシステムおよび方法が依然として必要とされている。全身の軟組織器官を含む解剖学的領域を一貫して効率的かつ正確に検出する画像分析システムが、特に必要とされている。

発明の要旨
特有の解剖学的領域（たとえば、器官および／または組織）に対応する３Ｄ画像内の特有の３Ｄ体積を自動的に識別するための対象の３次元（３Ｄ）医用画像の自動分析を提供するシステムおよび方法が、本明細書に提示される。とりわけ、本明細書に記載する画像分析手法は、体の単一の特定の器官または部分に限定されるものではない。代わりに、本明細書に記載する画像分析手法は強固で、広く適用可能であり、全身の組織および／または器官を含む解剖学的領域の一貫した効率的かつ正確な検出を提供する。特定の実施形態では、１つまたは複数のそのような体積の正確な識別を使用して、特定の器官および／または組織領域における放射性医薬品の取込みを表す定量的尺度を自動的に判定する。これらの取込みの尺度を使用して、対象の疾患の状態の評定、対象に対する予後の判定、および／または処置法の有効性の判定を行うことができる。

３Ｄ画像を取り扱うための本明細書に記載する手法の能力は、２Ｄ画像内の２Ｄ領域のみを識別する特定の他の画像分析に比べて重要な利点である。たとえば、がん検出に関係する１つの手法であるＥＸＩＮＩ Ｄｉａｇｎｏｓｔｉｃｓ ＡＢのＢｏｎｅ Ｓｃａｎ Ｉｎｄｅｘ（ＢＳＩ）ソフトウェアは、疑わしい骨肉腫の領域を検出する（２０１４年１０月７日発行の米国特許出願第８，８５５，３８７号も参照されたい）。しかしＢＳＩ分析は、３次元画像とは対照的に、２次元のシンチグラフィ画像上で実施される。

さらに、医師ががんを検出するために利用可能な撮像剤の選択肢が増大するにつれて、複数の検出法（ＳＰＥＣＴ／ＣＴ、ＰＥＴ／ＣＴなど）を使用して様々な撮像剤から画像を分析するユーティリティを有するソフトウェアが依然として必要とされている。ＳＰＥＣＴおよびＰＥＴなどの機能的画像は、体内の生物学的プロセスに関する詳細かつ特異な情報を提供するが、その潜在性は、その機能を個別の器官および構造に局所化することができるように詳細な解剖学的マップと組み合わせたときにのみ実現される。ＣＴおよびＭＲＩは詳細な解剖学的情報を提供するが、器官および構造の従来の（たとえば、手動の）識別は困難かつ主観的で時間がかかり、コンピュータ支援がなければ特定の評定は実行不可能である。したがって、様々な撮像法に適用可能な正確かつ強固な画像セグメント化を可能にするプラットホーム非依存の画像分析手法を提供することによって、本明細書に記載するシステムおよび方法は、がんの検出、診断、病期分類などに特に関連する画像分析を容易にする。

たとえば、本明細書に記載するフルボディセグメント化手法は、対象内のがん病変の正確な識別および等級分けを行うために、解剖学的画像と機能的画像とを組み合わせた自動分析を可能にする。特に、ＰｙＬ（商標）のようなＰＳＭＡ結合剤などの放射性医薬品の投与後、対象に対するＰＥＴ／ＣＴ複合画像を獲得することができる。本明細書に記載する自動化された機械学習に基づくセグメント化手法は、ＰＥＴ／ＣＴ複合ＣＴ画像内で、がん病変が発見され得る標的組織領域を表す標的関心体積（ＶＯＩ）を識別するために使用される。たとえば、対象の１つまたは複数の骨の図形表現に対応する骨格ＶＯＩを識別することができる。解剖学的ＣＴ画像で骨格ＶＯＩが識別された場合、この骨格ＶＯＩをＰＥＴ画像にマッピングして、ＰＥＴ画像内で対応する骨格体積を識別することができる。次いで、ＰＥＴ画像内の対応する骨格体積を分析して、ホットスポットと呼ばれる比較的高い強度の１つまたは複数の局所化領域を検出する。これらのホットスポットは、放射性医薬品の蓄積が増大した局所領域、したがって将来のがん病変に物理的に対応する。

特定の実施形態では、本明細書に記載する手法を介してフルボディセグメント化を正確かつ迅速に実行する能力を活用して、検出されたホットスポットに対応する物理的病変内の放射性医薬品取込みレベルを評価および／または測定する（たとえば、それによってＰＳＭＡなどの特定の生体分子の発現レベルの等級分けを行う）ための有用な均一のスケールを提供する。特に、がん病変が生じ得る特有の標的組織領域に対応する標的ＶＯＩを検出することに加えて、基準組織領域に対応する追加の標的ＶＯＩも検出される。これらの基準ＶＯＩもＰＥＴ画像にマッピングして、ＰＥＴ画像内で対応する基準体積を識別する。次いで、これらの基準体積内の平均値、ピーク、最大値などの強度の測度が算出され、検出された個別のホットスポットの強度を評価し、スケール上のインデックス値に変換するための基準点として使用される。

たとえば、特定の実施形態では、大動脈および肝臓の一部分の表現にそれぞれ対応する大動脈および肝臓ＶＯＩを解剖学的画像内で識別し、機能的画像にマッピングして、機能的画像内で対応する基準体積を識別する。これらの基準体積の各々の強度レベルが判定され（たとえば、各基準体積内のボクセルの強度の平均値、中央値、ピークなど）、スケール上の対応するインデックスレベルが割り当てられる。次いで、各々の特定の個別のホットスポットに対して、ホットスポット強度レベルが判定される（たとえば同様に、検出されたホットスポット内のボクセル強度の平均値、中央値、ピークなどとして）。次いで、個別のホットスポット強度レベル、大動脈基準強度レベル、および肝臓基準強度レベルに基づいて、対応する個別のホットスポットインデックス値が判定される。この手法は、異なる画像にわたってホットスポットに関連付けられた取込みを評価および測定するための標準化されたスケールを提供する。これにより、たとえば、単一の対象に対して異なる時点で取得された複数の画像の比較、ならびに異なる対象の画像間の比較が可能になる。

特定の実施形態では、個別のホットスポットインデックスを使用して、がん病変の存在に関して分析された対象および／または特定の標的組織領域の総合インデックスを算出する。総合インデックスは、病変内の放射性医薬品の取込みを補償するために、検出された個別のホットスポットに対するホットスポットインデックス値に基づいた加重を用いて、たとえば特定の標的組織領域内の総病変体積を反映することによって、疾患の重症度および／またはリスクの指標として働くことができる。たとえば、骨格体積内のＰＳＭＡ加重総病変体積は、対応するインデックス値によって加重される検出された個別のホットスポット体積の加重和として算出することができる。そのようなインデックスは、骨の中への転移のレベルおよび／または攻撃性を反映することができる。

他の組織領域に対応する体積も同様に識別し、これを使用して、総合インデックス値を判定することができる。たとえば、リンパ節の体積を使用して、転移の重症度を評定することもできる。局所化された疾患が最初に発見された組織領域に対応する体積を識別および分析して、病変を検出することもできる。たとえば、前立腺体積を使用して、初期の病期における前立腺がんの重症度を評定することができる。同様に、乳房組織領域を表す乳房体積および肺組織領域を表す肺体積をそれぞれ使用して、局所化された乳がんおよび肺がんの評定を行うことができる。

それに応じて、対象の体全体の様々な関連標的組織領域にわたってフルボディセグメント化およびがん病変の画像に基づく自動分析を提供することによって、本明細書に記載するＡＩベースのシステムおよび方法により、様々な病期における様々ながんの分析が可能になる。これらの技法を使用して、前立腺などの関連組織領域内の局所化された疾患の識別および病期分類、たとえば早期スクリーニングおよび監視を行い、ならびに疾患が進行するにつれて転移に関して骨およびリンパ節などの領域を監視することができる。したがって、本明細書に記載する手法は、がんの画像に基づく自動検出、ならびに疾患の進化、進行、および処置に対する応答の追跡のための一式のツールを提供する。

一態様では、本発明は、３Ｄ画像を自動的に処理して、特定の標的組織領域に対応する３Ｄ画像内の３Ｄ体積を識別する方法を対象とし、この方法は、（ａ）コンピューティングデバイスのプロセッサによって、解剖学的撮像法［たとえばＸ線コンピュータ断層撮影法（ＣＴ）、たとえば磁気共鳴撮像（ＭＲＩ）、たとえば超音波］を使用して取得された対象の３Ｄ解剖学的画像を受け取ることであり、３Ｄ解剖学的画像が、対象内の組織（たとえば、軟組織および／または骨）の図形表現を含む、受け取ることと、（ｂ）プロセッサによって、１つまたは複数の機械学習モジュール（たとえば、１つまたは複数の機械学習モジュールのうちの少なくとも１つは、畳み込みニューラルネットワーク（ＣＮＮ）モジュールである）を使用して、複数の標的組織領域の各々に対して、３Ｄ解剖学的画像内の対応する標的関心体積（ＶＯＩ）を自動的に識別することと、（ｃ）プロセッサによって、複数の３Ｄセグメント化マスクを表す３Ｄセグメント化マップを判定することであり、各３Ｄセグメント化マスクが、特定の識別された標的ＶＯＩを表す（たとえば、複数の３Ｄセグメント化マスクをともに自動的にデジタルで綴じて３Ｄセグメント化マップを形成する）、判定することと、（ｄ）表示および／またはさらなる処理のために３Ｄセグメント化マップを記憶および／または提供することとを含む。

特定の実施形態では、３Ｄ解剖学的画像はフルボディ画像である。

特定の実施形態では、ステップ（ｃ）は、複数の３Ｄセグメント化マスクをともにデジタルで綴じて３Ｄセグメント化マップを形成することを含む｛たとえば、最初に空の画像体積を作成し（たとえば、すべてのボクセル値をゼロに初期化する）、次いで各セグメント化マスクからの標識を画像体積に挿入することによる［たとえば、１つまたは複数の機械学習モジュールに対する入力画像の標識された（たとえば、機械学習モジュールによって判定された特定の標的組織領域を表す）ボクセルを、画像体積のボクセルにマッピングすることによる（たとえば、画像体積のボクセルを、同じ物理的な場所を表す入力画像のボクセルに整合させ、それによって画像体積のボクセルに正確に標識を付ける）］｝。

特定の実施形態では、ステップ（ｂ）は、少なくとも１つの特有の標的組織領域に対して、第１のモジュール（たとえば、局所化モジュール）（たとえば、第１の機械学習モジュール）を使用して、３Ｄ解剖学的画像内の初期ＶＯＩを判定することであって、初期ＶＯＩが、特有の標的組織領域を含む解剖学的領域（たとえば、骨盤領域、胸部領域、頭部および／または頸部領域などの１群の関連組織）に対応する（たとえば、初期ＶＯＩは、初期ＶＯＩが含むもの以外の３Ｄ解剖学的画像のさらなるボクセルを除外し、たとえば、初期ＶＯＩは、３Ｄ解剖学的画像のボクセルの２５％未満を含み、たとえば、初期ＶＯＩ内のボクセルの大部分は、解剖学的領域内の物理的体積を表す）、判定することと、第２のモジュール（たとえば、セグメント化モジュール）（たとえば、第２の機械学習モジュール）を使用して、初期ＶＯＩ内の特有の標的組織領域に対応する標的ＶＯＩを識別することとを含む。

特定の実施形態では、第２のモジュールは、ＣＮＮを実装するＣＮＮモジュールである。

特定の実施形態では、第１のモジュールは、ＣＮＮを実装して粗いセグメント化を実行し、特有の標的組織領域を含む解剖学的領域に対応する初期ＶＯＩを自動的に識別するＣＮＮモジュールである［たとえば、解剖学的画像内の１群の関連組織の図形表現を自動的に識別する（たとえば、その後、１群の関連組織の識別された図形表現を完全に囲む方形領域（たとえば、直方柱または角箱）として初期ＶＯＩを判定する）ことによる］［たとえば、解剖学的領域内に位置することが予想される１つまたは複数の特定の組織領域の各々に対して、解剖学的画像内の対応するＶＯＩを自動的に識別し（たとえば、粗いセグメント化による）、たとえば特定の組織領域に対応する識別されたＶＯＩのすべてを完全に囲む方形領域として初期ＶＯＩを判定することによる］。

特定の実施形態では、第１のモジュールは、解剖学的画像のサブサンプリングバージョン［たとえば、１つまたは複数の次元に沿って２倍またはそれより大きい（たとえば、４倍）］を入力として受け取り、解剖学的画像のサブサンプリングバージョンを使用して初期ＶＯＩを識別する［たとえば、第２のモジュールは、初期ＶＯＩにクロッピングされた解剖学的画像のフル分解能版を受け取る（たとえば、第１のモジュールは、第２のモジュールより大きい物理的体積を表すより低い分解能の画像上で動作し、第２のモジュールは、より小さい物理的体積を表すより高い分解能の画像上で動作する）］。

特定の実施形態では、第１のモジュールは第１のＣＮＮモジュールであり、第２のモジュールは第２のＣＮＮモジュールであり、第１のＣＮＮモジュールは、第２のＣＮＮモジュールに対する画像サイズの変動性の増大を補償するために、追加のフィルタを含む。

特定の実施形態では、３Ｄ解剖学的画像はフルボディ画像であり、ステップ（ｂ）は、機械学習技法（単数または複数）を実装する１つまたは複数の局所化モジュールを使用して（たとえば、各局所化モジュールは、ＣＮＮを実装するＣＮＮモジュールである）、３Ｄ解剖学的画像内の複数の初期ＶＯＩを自動的に判定することであり、各初期ＶＯＩが、特定の解剖学的領域（たとえば、骨盤領域、胸部領域、頭部および／または頸部領域、脊柱領域、上半身領域、下半身領域などの１群の関連組織）に対応し、特定の解剖学的領域内に標的ＶＯＩの関連付けられた部分集合が位置する、判定することと、各初期ＶＯＩに対して、機械学習技法（単数または複数）を実装する１つまたは複数のセグメント化モジュールを使用して（たとえば、各セグメント化モジュールは、ＣＮＮを実装するＣＮＮモジュールである）、標的ＶＯＩの関連付けられた部分集合を自動的に識別することとを含む。

特定の実施形態では、複数の初期ＶＯＩは、対象の骨盤領域に対応する骨盤領域初期ＶＯＩ（たとえば、骨盤領域初期ＶＯＩ内に位置する標的ＶＯＩの部分集合は、左腸骨および／または右腸骨、仙骨、ならびに尾骨からなる群から選択された標的組織領域に対応する１つまたは複数の標的ＶＯＩを含む）、対象の脊柱に対応する脊柱領域初期ＶＯＩ（たとえば、骨盤領域初期ＶＯＩ内に位置する標的ＶＯＩの部分集合は、胸椎、腰椎、および胸骨からなる群から選択された標的組織領域に対応する１つまたは複数の標的ＶＯＩを含む）、対象の上半身の左側に対応する左上半身領域初期ＶＯＩ（たとえば、骨盤領域初期ＶＯＩ内に位置する標的ＶＯＩの部分集合は、１つまたは複数の左肋骨、左肩甲骨、および左鎖骨からなる群から選択された標的組織領域に対応する１つまたは複数の標的ＶＯＩを含む）、および対象の上半身の右側に対応する右上半身領域初期ＶＯＩ（たとえば、骨盤領域初期ＶＯＩ内に位置する標的ＶＯＩの部分集合は、１つまたは複数の右肋骨、右肩甲骨、および右鎖骨からなる群から選択された標的組織領域に対応する１つまたは複数の標的ＶＯＩを含む）からなる群から選択された１つまたは複数のメンバーを含む。

特定の実施形態では、この方法は、（ｅ）プロセッサによって、機能的撮像法［たとえば単一光子放射コンピュータ断層撮影法（ＳＰＥＣＴ）、たとえばポジトロン放出断層撮影法（ＰＥＴ）］を使用して取得された対象の３Ｄ機能的画像を受け取ること［たとえば、３Ｄ機能的画像は複数のボクセルを含み、各ボクセルは、対象内の特定の物理的体積を表し、特定の物理的体積から放出される検出された放射を表す強度値を有し、３Ｄ機能的画像の複数のボクセルの少なくとも一部分は、対象の標的組織領域のうちの１つまたは複数内の物理的体積を表す］と、（ｆ）プロセッサによって、３Ｄ機能的画像内で、３Ｄセグメント化マップを使用して（たとえば、３Ｄセグメント化マップの３Ｄセグメント化マスクを３Ｄ機能的画像にマッピングすることによる）、識別された標的ＶＯＩに各々対応する１つまたは複数の３Ｄ体積を識別することとを含む。

特定の実施形態では、この方法は、（ｇ）プロセッサによって、対象に対するがんの状態［（たとえば、前立腺がんの状態、たとえば転移性がんの状態（たとえば、たとえば転移性前立腺がん、乳がん、肺がん、結腸がん、皮膚がんなどを含む転移性がん）］（たとえば、機能的画像および１つまたは複数の識別された３Ｄ体積内のボクセルの強度を使用する）（たとえば、検出された病変に基づく）［たとえば、対象が前立腺がんおよび／または特定の病期の前立腺がん（たとえば、転移性前立腺がん）を罹患および／または発症している尤度］［たとえば、対象が転移性がん（たとえば、転移性前立腺がん、乳がん、肺がん、結腸がん、皮膚がんなどを含む）を罹患および／または発症している］を判定することを含む。

特定の実施形態では、この方法は、異なる時点で収集された複数の解剖学的画像および対応する機能的画像に対してステップ（ａ）～（ｇ）を繰返し実行して、各時点で対象のがんの状態を判定し、それによってがんの状態を経時的に追跡する（たとえば、疾患の進行および／または処置の有効性を評価する）ことを含む。

特定の実施形態では、この方法は、（ｈ）プロセッサによって、３Ｄ機能的画像のボクセルの強度を自動的に調整して、１つまたは複数の背景組織領域における背景の取込み（たとえば、放射性医薬品）を補正する（たとえば、通常の状況下で１つまたは複数の背景組織領域内で生じるが、必ずしもがん病変の存在を示さない放射性医薬品の取込みを補正する）ことを含む（たとえば、ステップ（ｇ）の前）。

特定の実施形態では、標的組織領域は、１つまたは複数の背景組織領域を含み、ステップ（ｈ）は、３Ｄセグメント化マップを使用して、３Ｄ機能的画像内で、特定の背景組織領域に各々対応する１つまたは複数の３Ｄ背景組織体積を識別する（たとえば、３Ｄセグメント化マップの３Ｄセグメント化マスクを３Ｄ機能的画像にマッピングすることによる）ことと、３Ｄ背景組織体積内のボクセルの強度に基づいて、３Ｄ機能的画像のボクセルの強度を調整する（たとえば、３Ｄ背景組織体積内のボクセルの強度を使用して、３Ｄ背景組織体積の外側の強度への寄与を推定することによる）こととを含む。

特定の実施形態では、１つまたは複数の背景組織領域は、嚢（たとえば、膀胱）、腎臓、十二指腸、小腸、脾臓、肝臓、膵臓、胃、副腎、直腸、および精巣からなる群から選択された１つまたは複数のメンバーを含む。

特定の実施形態では、この方法は、（ｉ）プロセッサによって、３Ｄ機能的画像内のボクセルの強度に基づいて［たとえば、３Ｄ機能的画像内の強度と閾値との比較に基づいて（たとえば、３Ｄ機能的画像は３ＤＰＥＴ画像であり、閾値は特定の標準取込み値（ＳＵＶ）レベルである）］（たとえばまた、３Ｄ機能的画像内で識別された１つまたは複数の３Ｄ体積に基づいて）、病変を表すと判定された３Ｄ機能的画像内の１つまたは複数のホットスポットを自動的に検出することを含む。

特定の実施形態では、ステップ（ｉ）は、１つまたは複数の閾値を使用する［たとえば、３Ｄ機能的画像内のボクセルの強度と１つまたは複数の閾値とを比較する（たとえば、１つまたは複数の閾値は、３Ｄ機能的画像内で識別された１つまたは複数の３Ｄ体積の特有の部分集合に対して各々使用される複数の領域特有閾値を含む）］ことを含む。

特定の実施形態では、ステップ（ｉ）は、１つまたは複数のフィルタを３Ｄ機能的画像に適用することを含む［たとえば、ブロブ検出技法と同様であり、たとえば、１つまたは複数のフィルタは、１つまたは複数のガウスフィルタ（たとえば、ガウス差分手法と同様に、高域ガウスフィルタおよび低域ガウスフィルタ）を含み、たとえば、１つまたは複数のフィルタは、ラプラシアンフィルタ（たとえば、ガウスのラプラシアン技法と同様）を含み、たとえば、３Ｄ機能的画像内で識別された１つまたは複数の３Ｄ体積の異なる部分集合に対して、異なるフィルタカーネルが使用される］。

特定の実施形態では、ステップ（ｉ）は、３Ｄ機能的画像内で識別された１つまたは複数の３Ｄ体積の異なる部分集合におけるホットスポットの識別のために、２つまたはそれより多い技法の組合せを使用する［たとえば、１つまたは複数の３Ｄ体積の第１の部分集合に対して第１のフィルタリング手法（たとえば、段落［００３８］と同様）を使用し、第２の部分集合に対して第２のフィルタリング手法を使用し、たとえば、１つまたは複数の３Ｄ体積の第１の部分集合に対して閾値手法（たとえば、段落［００３７］と同様）を使用し、１つまたは複数の３Ｄ体積の第２の部分集合に対してフィルタリング手法（たとえば、段落［００３８］と同様）を使用する］ことを含む。

特定の実施形態では、ステップ（ｉ）は、最初の１組のホットスポットを検出し、最初の１組のホットスポットの少なくとも一部分に対して、検出されたホットスポットの少なくとも一部分の各ホットスポットを、がん病変として、またはがん病変でないもの（たとえば、ノイズ）として分類する［たとえば、機械学習モジュールを使用し、たとえばホットスポットの形状および／または場所に基づいて（たとえば、解剖学的知識と組み合わせて、たとえば、場所は、ホットスポットが位置する３Ｄ体積に対応する特定の標的組織領域の識別情報、および／または特定の標的組織領域内のホットスポットの相対位置を含む）、たとえばがん病変でないものとして分類されたホットスポットを最初の１組から除去し、それによって病変を表すと判定された最終的な１組のホットスポットを取得する］ことを含む。

特定の実施形態では、標的組織領域は、１つまたは複数の背景組織領域を含み、この方法は、３Ｄセグメント化マップを使用して、３Ｄ機能的画像内で、特定の背景組織領域（たとえば、通常の状況下で著しい放射性医薬品の取込みが生じるが、必ずしもがん病変の存在を示さない背景組織領域）に各々対応する１つまたは複数の３Ｄ背景組織体積を識別する（たとえば、３Ｄセグメント化マップの３Ｄセグメント化マスクを３Ｄ機能的画像にマッピングすることによる）ことと、ステップ（ｉ）で１つまたは複数のホットスポットを自動的に検出するために使用されたボクセルから、３Ｄ背景組織内の３Ｄのボクセルを除外することとを含む。

特定の実施形態では、この方法は、１つまたは複数の検出されたホットスポット（たとえば、１つまたは複数の検出されたホットスポットの強度）を使用して、対象に対するがんの状態を判定することを含む。

特定の実施形態では、標的組織領域は、１つまたは複数の基準組織領域を含み、この方法は、３Ｄセグメント化マップを使用して、プロセッサによって、３Ｄ機能的画像内で、特定の基準組織領域に各々対応する１つまたは複数の３Ｄ基準体積を識別することと、プロセッサによって、１つまたは複数の３Ｄ基準体積の特定の３Ｄ基準体積に各々関連付けられ、特定の３Ｄ基準体積内の（たとえば、平均／平均、中央、最大など）強度の測度に対応する１つまたは複数の基準強度値を判定することと、プロセッサによって、検出された１つまたは複数のホットスポットの少なくとも一部分の特定のホットスポットに各々関連付けられ、特定のホットスポットの（たとえば、平均／平均、中央、最大など）強度の測度に対応する１つまたは複数の個別のホットスポット強度値を判定することと、プロセッサによって、１つまたは複数の個別のホットスポット強度値および１つまたは複数の基準強度値を使用して、１つまたは複数の個別のホットスポットインデックス値を判定することとを含む［たとえば、個別の各ホットスポットインデックス値は、検出された１つまたは複数のホットスポットの少なくとも一部分の特定のホットスポットに関連付けられ、（ｉ）特定のホットスポットに関連付けられた個別のホットスポット強度値、および（ｉｉ）１つまたは複数の基準強度値を使用して（たとえば、これらの比較に基づいて）判定される］。

特定の実施形態では、１つまたは複数の個別のホットスポットインデックス値を判定することは、１つまたは複数の基準強度値の各々をスケール上の対応する基準インデックス値にマッピングし、個別の各ホットスポット強度値に対して、基準強度値および対応する基準インデックス値を使用して、対応する個別のホットスポットインデックス値を補間することを含む。

特定の実施形態では、基準組織領域は、肝臓、大動脈（たとえば胸大動脈部分、たとえば腹大動脈部分）、および耳下腺からなる群から選択された１つまたは複数のメンバーを含む。

特定の実施形態では、第１の基準強度値は、（ｉ）大動脈部分に対応する３Ｄ基準体積に関連付けられた血液基準強度値であり、（ｉｉ）第１の基準インデックス値マッピングし、第２の基準強度値は、（ｉ）肝臓に対応する３Ｄ基準体積に関連付けられた肝臓基準強度値であり、（ｉｉ）第２の基準インデックス値にマッピングし、第２の基準強度値は第１の基準強度値より大きく、第２の基準インデックス値は第１の基準インデックス値より大きい。

特定の実施形態では、基準強度値は、最大基準インデックス値にマッピングする最大基準強度値を含み、最大基準強度値より大きい関連付けられたホットスポット強度値を有するホットスポットに、最大基準インデックス値に等しいホットスポットインデックス値が割り当てられる。

特定の実施形態では、この方法は、プロセッサによって、１つまたは複数のホットスポットインデックス値の少なくとも一部分を使用して、対象のがんの状態を示す総合インデックス値を判定することを含む。

特定の実施形態では、総合インデックス値は、個別のホットスポットインデックス値の少なくとも一部分［たとえば、対象の骨格領域に対応する機能的画像の３Ｄ体積内に位置し、たとえば、対象のリンパ領域に対応する機能的画像の３Ｄ体積内に位置する］の加重和として判定される［たとえば、この和の各ホットスポットインデックス値は、関連付けられたホットスポットのサイズ（たとえば３Ｄ体積、たとえば平均直径）の測度によって加重される］。

特定の実施形態では、総合インデックス値は、解剖学的画像内で識別された特定の標的ＶＯＩに対応する特定の標的組織領域に関連付けられ、総合インデックス値は、特定の識別された標的ＶＯＩに対応する３Ｄ機能的画像内の特定の３Ｄ体積内に位置するホットスポットの部分集合のホットスポットインデックス値を使用して判定される［たとえば、総合インデックス値は、ホットスポットの部分集合のホットスポットインデックス値の加重和として算出される（たとえば、加重和は、特定の標的組織領域の推定される体積（たとえば、機能画像内の特定の３Ｄ体積の体積、および／または特定の標的ＶＯＩの体積として算出される）によって正規化される）］。

特定の実施形態では、特定の標的組織領域は、対象の１つまたは複数の骨を含む骨格領域、リンパ領域、および前立腺領域からなる群から選択される。

特定の実施形態では、３Ｄ解剖学的画像は、Ｘ線コンピュータ断層撮影（ＣＴ）画像であり、３Ｄ機能的画像は、３Ｄ単一光子放射コンピュータ断層撮影（ＳＰＥＣＴ）画像である。

特定の実施形態では、３Ｄ解剖学的画像は、Ｘ線コンピュータ断層撮影（ＣＴ）画像であり、３Ｄ機能的画像は、３Ｄポジトロン放出断層撮影（ＰＥＴ）画像である。

特定の実施形態では、対象の３ＤＰＥＴ画像は、前立腺特異的膜抗原（ＰＳＭＡ）結合剤を含む放射性医薬品の対象への投与後に取得される。

特定の実施形態では、放射性医薬品は、［１８Ｆ］ＤＣＦＰｙＬを含む。

特定の実施形態では、ステップ（ｂ）は、プロセッサによって、３Ｄ解剖学的画像をクロッピングして、空気を表すボクセルを除去する［たとえば、クロッピングされた解剖学的画像を作成し、クロッピングされた解剖学的画像を使用して、１つまたは複数の標的ＶＯＩを識別する（たとえば、クロッピングされた解剖学的画像を使用することは、元のサイズの３Ｄ解剖学的画像とは対照的に、１つまたは複数の機械学習モジュールへの入力として使用される）］ことを含む。

特定の実施形態では、標的組織領域は、左寛骨、右寛骨、仙骨および尾骨領域、左鎖骨、右鎖骨、左肋骨、右肋骨、左肩甲骨、右肩甲骨、胸骨、腰椎、胸椎、頭蓋骨、頸椎、左大腿部、右大腿部、左上腕骨、右上腕骨、前立腺、膀胱、直腸、左大臀筋、右大臀筋、大動脈（たとえば胸大動脈部分、たとえば腹大動脈部分）、左腎臓、右腎臓、肝臓、左肺、右肺、脾臓、心室、左副腎、右副腎、胆嚢、脳、膵臓、心臓、下顎骨、左気管支、右気管支、気管、左総腸骨動脈、右総腸骨動脈、ならびに耳下腺からなる群から選択された１つまたは複数のメンバーを含む。

特定の実施形態では、標的組織領域のうちの１つまたは複数は、左鎖骨、右鎖骨、左大腿部、右大腿部、左腓骨、右腓骨、左寛骨、右寛骨、左上腕骨、右上腕骨、下顎骨、左膝蓋骨、右膝蓋骨、左橈骨、右橈骨、左脛骨、右脛骨、左尺骨、右尺骨、左肋骨（たとえば、左第１肋骨、左第２肋骨、左第３肋骨、左第４肋骨、左第５肋骨、左第６肋骨、左第７肋骨、左第８肋骨、左第９肋骨、左第１０肋骨、左第１１肋骨、左第１２肋骨）、右肋骨（たとえば、右第１肋骨、右第２肋骨、右第３肋骨、右第４肋骨、右第５肋骨、右第６肋骨、右第７肋骨、右第８肋骨、右第９肋骨、右第１０肋骨、右第１１肋骨、右第１２肋骨）、仙骨および尾骨（たとえば、組み合わせた仙骨および尾骨領域、たとえば、両者を区別して個別に仙骨および尾骨）、左肩甲骨、右肩甲骨、頭蓋骨、胸骨、椎骨領域［たとえば、１つまたは複数の（たとえば、最大ですべての）頸椎を含む頸椎領域、たとえば、１つまたは複数の（たとえば、最大ですべての）腰椎を含む腰椎領域、たとえば、１つまたは複数の（たとえば、最大ですべての）胸椎を含む胸椎領域］、ならびに個別の椎骨［たとえば、個別の頸椎（たとえば、第１頸椎、第２頸椎、第３頸椎、第４頸椎、第５頸椎、第６頸椎、第７頸椎）、たとえば、個別の腰椎（たとえば、第１腰椎、第２腰椎、第３腰椎、第４腰椎、第５腰椎、第６腰椎）、たとえば、個別の胸椎（たとえば、第１胸椎、第２胸椎、第３胸椎、第４胸椎、第５胸椎、第６胸椎、第７胸椎、第８胸椎、第９胸椎、第１０胸椎、第１１胸椎、第１２胸椎）］からなる群から選択された１つまたは複数の特有の骨を含む。

特定の実施形態では、標的組織領域のうちの１つまたは複数は、左鎖骨、右鎖骨、左寛骨、右寛骨、左肋骨（たとえば、左第１肋骨、左第２肋骨、左第３肋骨、左第４肋骨、左第５肋骨、左第６肋骨、左第７肋骨、左第８肋骨、左第９肋骨、左第１０肋骨、左第１１肋骨、左第１２肋骨）、右肋骨（たとえば、右第１肋骨、右第２肋骨、右第３肋骨、右第４肋骨、右第５肋骨、右第６肋骨、右第７肋骨、右第８肋骨、右第９肋骨、右第１０肋骨、右第１１肋骨、右第１２肋骨）、仙骨および尾骨（たとえば、組み合わせた仙骨および尾骨領域、たとえば、両者を区別して個別に仙骨および尾骨）、左肩甲骨、右肩甲骨、胸骨、椎骨領域［たとえば、１つまたは複数の（たとえば、最大ですべての）頸椎を含む頸椎領域、たとえば、１つまたは複数の（たとえば、最大ですべての）腰椎を含む腰椎領域、たとえば、１つまたは複数の（たとえば、最大ですべての）胸椎を含む胸椎領域］、ならびに個別の椎骨［たとえば、個別の腰椎（たとえば、第１腰椎、第２腰椎、第３腰椎、第４腰椎、第５腰椎）、たとえば、個別の胸椎（たとえば、第１胸椎、第２胸椎、第３胸椎、第４胸椎、第５胸椎、第６胸椎、第７胸椎、第８胸椎、第９胸椎、第１０胸椎、第１１胸椎、第１２胸椎）］からなる群から選択された１つまたは複数の特有の骨を含む。

特定の実施形態では、標的組織領域のうちの１つまたは複数は、左副腎、右副腎、大動脈（たとえば胸大動脈部分、たとえば腹大動脈部分）、脳、左気管支、右気管支、胆嚢、左大臀筋、右大臀筋、心臓、左総腸骨動脈、右総腸骨動脈、左腎臓、右腎臓、肝臓、左肺、右肺、膵臓、前立腺、直腸、脾臓、気管、膀胱、心室、および耳下腺からなる群から選択された１つまたは複数の軟組織領域（たとえば、器官）を含む。

特定の実施形態では、１つまたは複数の標的組織領域は、胆嚢、左腎臓、右腎臓、肝臓、左肺、右肺、前立腺、および膀胱からなる群から選択された１つまたは複数の軟組織領域（たとえば、器官）を含む。

特定の実施形態では、標的組織領域は、特有の骨に各々対応する１つまたは複数の骨領域［たとえば、標的組織領域は、段落［００５８］または［００５９］に挙げた骨の少なくとも一部分（たとえば、最大ですべて）を含む］、および特有の軟組織領域に各々対応する１つまたは複数の軟組織領域［たとえば、標的組織領域は、段落［００６０］または［００６１］に挙げた軟組織領域の少なくとも一部分（たとえば、最大ですべて）を含む］を含む。

別の態様では、本発明は、３Ｄ画像を自動的に処理して、対象内のがん病変を自動的に識別する方法を対象とし、この方法は、（ａ）コンピューティングデバイスのプロセッサによって、解剖学的撮像法［たとえばＸ線コンピュータ断層撮影法（ＣＴ）、たとえば磁気共鳴撮像（ＭＲＩ）、たとえば超音波］を使用して取得された対象の３Ｄ解剖学的画像を受け取ることであり、３Ｄ解剖学的画像が、対象内の組織（たとえば、軟組織および／または骨）の図形表現を含む、受け取ることと、（ｂ）プロセッサによって、１つまたは複数の機械学習モジュール（たとえば、１つまたは複数の機械学習モジュールのうちの少なくとも１つは、畳み込みニューラルネットワーク（ＣＮＮ）モジュールである）を使用して、複数の標的組織領域の各々に対して、３Ｄ解剖学的画像内の対応する標的関心体積（ＶＯＩ）を自動的に識別することと、（ｃ）プロセッサによって、複数の３Ｄセグメント化マスクを表す３Ｄセグメント化マップを判定することであり、各３Ｄセグメント化マスクが、特定の識別された標的ＶＯＩを表す（たとえば、複数の３Ｄセグメント化マスクをともに自動的にデジタルで綴じて３Ｄセグメント化マップを形成する）、判定することと、（ｄ）プロセッサによって、機能的撮像法［たとえば単一光子放射コンピュータ断層撮影法（ＳＰＥＣＴ）、たとえばポジトロン放出断層撮影法（ＰＥＴ）］を使用して取得された対象の３Ｄ機能的画像を受け取ること［たとえば、３Ｄ機能的画像は、複数のボクセルを含み、各ボクセルは、対象内の特定の物理的体積を表し、特定の物理的体積から放出される検出された放射を表す強度値を有し、３Ｄ機能的画像の複数のボクセルの少なくとも一部分は、対象の標的組織領域のうちの１つまたは複数内の物理的体積を表す］と、（ｅ）３Ｄ機能的画像内で、３Ｄセグメント化マップを使用して（たとえば、３Ｄセグメント化マップの３Ｄセグメント化マスクを３Ｄ機能的画像にマッピングすることによる）、識別された標的ＶＯＩに各々対応する１つまたは複数の３Ｄ体積を識別することと、（ｆ）プロセッサによって、３Ｄ機能的画像内で識別された１つまたは複数の３Ｄ体積の少なくとも一部分内で、３Ｄ機能的画像内のボクセルの強度に基づいて［たとえば、３Ｄ機能的画像内の強度と閾値との比較に基づいて（たとえば、３Ｄ機能的画像は３ＤＰＥＴ画像であり、閾値は特定の標準取込み値（ＳＵＶ）レベルである）］、病変を表すと判定された１つまたは複数のホットスポットを自動的に検出することとを含む。

特定の実施形態では、この方法は、プロセッサによって、１つまたは複数の検出されたホットスポット（たとえば、１つまたは複数の検出されたホットスポットの強度）を使用して、対象に対するがんの状態を判定することを含む。

特定の実施形態では、標的組織領域は、１つまたは複数の基準組織領域を含み、この方法は、３Ｄセグメント化マップを使用して、プロセッサによって、３Ｄ機能的画像内で、特定の基準組織領域に各々対応する１つまたは複数の３Ｄ基準体積を識別することと、１つまたは複数の３Ｄ基準体積の特定の３Ｄ基準体積に各々関連付けられ、特定の３Ｄ基準体積内の（たとえば、平均／平均、中央、最大など）強度の測度に対応する１つまたは複数の基準強度値を判定することと、プロセッサによって、検出された１つまたは複数のホットスポットの少なくとも一部分の特定のホットスポットに各々関連付けられ、特定のホットスポットの（たとえば、平均／平均、中央、最大など）強度の測度に対応する１つまたは複数の個別のホットスポット強度値を判定することと、プロセッサによって、１つまたは複数の個別のホットスポット強度値および１つまたは複数の基準強度値を使用して、１つまたは複数の個別のホットスポットインデックス値を判定することとを含む［たとえば、個別の各ホットスポットインデックス値は、検出された１つまたは複数のホットスポットの少なくとも一部分の特定のホットスポットに関連付けられ、（ｉ）特定のホットスポットに関連付けられた個別のホットスポット強度値、および（ｉｉ）１つまたは複数の基準強度値を使用して（たとえば、これらの比較に基づいて）判定される］。

特定の実施形態では、基準組織領域は、肝臓、大動脈（たとえば胸大動脈部分、たとえば腹大動脈部分）、および耳下腺からなる群から選択された１つまたは複数のメンバーを含む。

特定の実施形態では、この方法は、プロセッサによって、１つまたは複数のホットスポットインデックス値の少なくとも一部分を使用して、対象のがんの状態を示す総合インデックス値を判定することを含む。

特定の実施形態では、総合インデックス値は、個別のホットスポットインデックス値の少なくとも一部分［たとえば、対象の骨格領域に対応する機能的画像の３Ｄ体積内に位置し、たとえば、対象のリンパ領域に対応する機能的画像の３Ｄ体積内に位置する］の加重和として判定される［たとえば、この和の各ホットスポットインデックス値は、関連付けられたホットスポットのサイズ（たとえば３Ｄ体積、たとえば平均直径）の測度によって加重される］。

特定の実施形態では、３Ｄ解剖学的画像は、Ｘ線コンピュータ断層撮影（ＣＴ）画像であり、３Ｄ機能的画像は、３Ｄポジトロン放出断層撮影（ＰＥＴ）画像である。

特定の実施形態では、対象の３ＤＰＥＴ画像は、前立腺特異的膜抗原（ＰＳＭＡ）結合剤を含む放射性医薬品の対象への投与後に取得される。

特定の実施形態では、放射性医薬品は、［１８Ｆ］ＤＣＦＰｙＬを含む。

別の態様では、本発明は、３Ｄ画像を自動的に処理して、がん（たとえば、前立腺がん、乳がん、肺がん、たとえば、転移性前立腺がん、転移性乳がん、転移性肺がんなどの転移性がん）を患っている、またはそのリスクがある、対象内のがん病変（たとえば、転移）における放射性医薬品の取込みを識別および測定する方法を対象とし、この方法は、（ａ）コンピューティングデバイスのプロセッサによって、解剖学的撮像法［たとえばＸ線コンピュータ断層撮影法（ＣＴ）、たとえば磁気共鳴撮像（ＭＲＩ）、たとえば超音波］を使用して取得された対象の３Ｄ解剖学的画像を受け取ることであり、３Ｄ解剖学的画像が、対象内の組織（たとえば、軟組織および／または骨）の図形表現を含む、受け取ることと、（ｂ）プロセッサによって、１つまたは複数の機械学習モジュール（たとえば、機械学習モジュールのうちの少なくとも１つは、畳み込みニューラルネットワーク（ＣＮＮ）モジュールである）を使用して、３Ｄ解剖学的画像内で、対象の１つまたは複数の骨の図形表現を含む第１の骨格体積、対象の大動脈の少なくとも一部分の図形表現を含む第１の大動脈体積、および対象の肝臓の図形表現を含む第１の肝臓体積を自動的に識別することと、（ｃ）プロセッサによって、識別された第１の骨格体積を表す骨格マスク、識別された第１の大動脈体積を表す大動脈マスク、および識別された第１の肝臓体積を表す肝臓マスクを含む複数の３Ｄセグメント化マスクを表す３Ｄセグメント化マップを判定することと、（ｄ）プロセッサによって、機能的撮像法［たとえば単一光子放射コンピュータ断層撮影法（ＳＰＥＣＴ）、たとえばポジトロン放出断層撮影法（ＰＥＴ）］を使用して取得された対象の３Ｄ機能的画像を受け取ること［たとえば、３Ｄ機能的画像は複数のボクセルを含み、各ボクセルが、対象内の特定の物理的体積を表し、特定の物理的体積から放出される検出された放射を表す強度値を有し、３Ｄ機能的画像の複数のボクセルの少なくとも一部分は、対象の１つもしくは複数の骨、大動脈部分、および／または肝臓内の物理的体積を表す］と、（ｅ）３Ｄ機能的画像内で、３Ｄセグメント化マップを使用して（たとえば、３Ｄセグメント化マップの３Ｄセグメント化マスクを３Ｄ機能的画像にマッピングすることによる）、３Ｄ解剖学的画像内の第１の識別された骨格体積に対応する第２の骨格体積、３Ｄ解剖学的画像内で識別された第１の大動脈体積に対応する第２の大動脈体積、および３Ｄ解剖学的画像内で識別された第１の肝臓体積に対応する第２の肝臓体積を自動的に識別することと、（ｆ）プロセッサによって、第２の骨格体積内で、第２の骨格体積内のボクセルの強度に基づいて病変を表すと判定された１つまたは複数のホットスポット（たとえば、たとえば第２の骨格体積内に位置するボクセルの強度と閾値との比較に基づいて識別された、比較的高い強度の局所化領域に対応する１つまたは複数のホットスポット）を自動的に検出することと、（ｇ）第２の大動脈体積内のボクセルの強度の測度（たとえば、平均値、最大値、中央値など）に基づいて大動脈基準強度レベルを判定し、第２の肝臓体積内のボクセルの強度の測度（たとえば、平均値、最大値、中央値など）に基づいて肝臓基準強度レベルを判定し、検出された個別の各ホットスポットに対して、検出されたホットスポットのボクセルの強度の測度（たとえば、平均値、最大値、中央値など）に基づいて、対応する個別のホットスポット強度レベルを判定し、個別のホットスポット強度レベル、大動脈基準強度レベル、および肝臓基準強度レベルから対応する個別のホットスポットインデックスレベルを判定することによって、プロセッサによって、１つまたは複数の検出されたホットスポットの各々に対して、個別のホットスポットインデックス（たとえば、検出されたホットスポットによって表される病変における放射性医薬品の取込みの測度を示す）値を判定することとを含む。

特定の実施形態では、この方法は、プロセッサによって、１つまたは複数の検出されたホットスポットの少なくとも一部分の個別のホットスポットインデックス値に基づいて、対象のがんの状態を示す総合インデックス値を判定することを含む。

特定の実施形態では、対象は、前立腺がんを患っており、またはそのリスクがある。

特定の実施形態では、ステップ（ｂ）は、３Ｄ解剖学的画像内で、対象の前立腺の図形表現を含む第１の前立腺体積を自動的に識別することを含み、ステップ（ｃ）で判定される３Ｄセグメント化マップは、識別された第１の前立腺体積を表す前立腺マスクをさらに含み、ステップ（ｅ）は、３Ｄ機能的画像内で、３Ｄ解剖学的画像内の第１の識別された前立腺体積に対応する第２の前立腺体積を自動的に識別することを含み、ステップ（ｆ）は、第２の前立腺体積内で１つまたは複数のホットスポットを自動的に検出することを含み、この方法は、プロセッサによって、（ｉ）第２の骨格体積内に位置する１つまたは複数の検出されたホットスポットの少なくとも一部分の個別のホットスポットインデックス値に基づいて、対象の１つまたは複数の骨における病変の内容（たとえば、重症度）を示す総合骨インデックス値を判定し、（ｉｉ）第２の前立腺体積内に位置する１つまたは複数の検出されたホットスポットの少なくとも一部分の個別のホットスポットインデックス値に基づいて、対象の前立腺における病変の内容（たとえば、重症度）を示す総合前立腺インデックス値を判定することをさらに含む。

特定の実施形態では、対象は、転移性がん（たとえば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨肉腫）を患っており、またはそのリスクがある。

別の態様では、本発明は、可変サイズの１組のフルボディ３Ｄ解剖学的画像を自動的に処理して、各３Ｄ解剖学的画像内で、特定の標的組織領域に対応する複数の３Ｄ体積を自動的に識別する方法を対象とし、この方法は、（ａ）コンピューティングデバイスのプロセッサによって、解剖学的撮像法［たとえばＸ線コンピュータ断層撮影法（ＣＴ）、たとえば磁気共鳴撮像（ＭＲＩ）、たとえば超音波］を使用して取得された１つまたは複数の対象の１組の３Ｄ解剖学的画像を受け取ることであり、３Ｄ解剖学的画像が、１つまたは複数の対象の各々における組織（たとえば、軟組織および／または骨）の図形表現を含み、１組の３Ｄ解剖学的画像が、平均ｘ次元、平均ｙ次元、および平均ｚ次元を有し、平均ｘ次元、平均ｙ次元、および平均ｚ次元のうちの少なくとも１つ（平均ｘ、平均ｙ、または平均ｚ次元）が、対応する平均値の少なくとも３％の標準偏差を有する［たとえば、平均ｘ次元、平均ｙ次元、および平均ｚ次元のうちの少なくとも１つ（平均ｘ、平均ｙ、または平均ｚ次元）は、少なくとも３％、少なくとも５％、少なくとも１０％、少なくとも１５％、または少なくとも２０％の相対標準偏差を有する］、受け取ることと、（ｂ）プロセッサによって、ＣＮＮを実装する局所化モジュールを使用して、１組の３Ｄ解剖学的画像のうちの各画像内で、１つまたは複数の特定の関連付けられた標的組織領域（たとえば、１つまたは複数の特有の骨、たとえば、１つまたは複数の特有の器官）を含む特定の解剖学的領域（たとえば、骨盤領域および脊柱領域などの１群の関連組織）に対応する少なくとも１つの初期ＶＯＩを自動的に判定し、それによって対応する３Ｄ解剖学的画像に対する少なくとも１つの初期ＶＯＩを識別することと、（ｃ）各初期ＶＯＩに対して、プロセッサによって、ＣＮＮを各々実装する１つまたは複数のセグメント化モジュールを使用して、初期ＶＯＩが対応する特定の解剖学的領域に関連付けられた１つまたは複数の特定の標的組織領域の各々に対して、対応する標的ＶＯＩ（たとえば、特定の標的組織領域の図形表現）を自動的に識別することとを含む。

別の態様では、本発明は、３Ｄ画像を自動的に処理して、特定の標的組織領域に対応する３Ｄ画像内の３Ｄ体積を識別するシステムを対象とし、このシステムは、コンピューティングデバイスのプロセッサと、命令が記憶されたメモリとを含み、命令がプロセッサによって実行されたとき、プロセッサは、（ａ）解剖学的撮像法［たとえばＸ線コンピュータ断層撮影法（ＣＴ）、たとえば磁気共鳴撮像（ＭＲＩ）、たとえば超音波］を使用して取得された対象の３Ｄ解剖学的画像を受け取ることであり、３Ｄ解剖学的画像が、対象内の組織（たとえば、軟組織および／または骨）の図形表現を含む、受け取ることと、（ｂ）１つまたは複数の機械学習モジュール（たとえば、１つまたは複数の機械学習モジュールのうちの少なくとも１つは、畳み込みニューラルネットワーク（ＣＮＮ）モジュールである）を使用して、複数の標的組織領域の各々に対して、３Ｄ解剖学的画像内の対応する標的関心体積（ＶＯＩ）を自動的に識別することと、（ｃ）複数の３Ｄセグメント化マスクを表す３Ｄセグメント化マップを判定することであり、各３Ｄセグメント化マスクが、特定の識別された標的ＶＯＩを表す（たとえば、複数の３Ｄセグメント化マスクをともに自動的にデジタルで綴じて３Ｄセグメント化マップを形成する）、判定することと、（ｄ）表示および／またはさらなる処理のために３Ｄセグメント化マップを記憶および／または提供することとを行う。

特定の実施形態では、３Ｄ解剖学的画像はフルボディ画像である。

特定の実施形態では、ステップ（ｃ）で、命令によりプロセッサは、複数の３Ｄセグメント化マスクをともにデジタルで綴じて３Ｄセグメント化マップを形成する｛たとえば、最初に空の画像体積を作成し（たとえば、すべてのボクセル値をゼロに初期化する）、次いで各セグメント化マスクからの標識を画像体積に挿入することによる［たとえば、１つまたは複数の機械学習モジュールに対する入力画像の標識された（たとえば、機械学習モジュールによって判定された特定の標的組織領域を表す）ボクセルを、画像体積のボクセルにマッピングすることによる（たとえば、画像体積のボクセルを、同じ物理的な場所を表す入力画像のボクセルに整合させ、それによって画像体積のボクセルに正確に標識する）］｝。

特定の実施形態では、ステップ（ｂ）で、命令によりプロセッサは、少なくとも１つの特有の標的組織領域に対して、第１のモジュール（たとえば、局所化モジュール）（たとえば、第１の機械学習モジュール）を使用して、３Ｄ解剖学的画像内の初期ＶＯＩを判定することであって、初期ＶＯＩが、特有の標的組織領域を含む解剖学的領域（たとえば、骨盤領域、胸部領域、頭部および／または頸部領域などの１群の関連組織）に対応する（たとえば、初期ＶＯＩは、初期ＶＯＩが含むもの以外の３Ｄ解剖学的画像のさらなるボクセルを除外し、たとえば、初期ＶＯＩは、３Ｄ解剖学的画像のボクセルの２５％未満を含み、たとえば、初期ＶＯＩ内のボクセルの大部分は、解剖学的領域内の物理的体積を表す）、判定することと、第２のモジュール（たとえば、セグメント化モジュール）（たとえば、第２の機械学習モジュール）を使用して、初期ＶＯＩ内の特有の標的組織領域に対応する標的ＶＯＩを識別することとを行う。

特定の実施形態では、第２のモジュールは、ＣＮＮを実装するＣＮＮモジュールである。

特定の実施形態では、第１のモジュールは、ＣＮＮを実装して粗いセグメント化を実行し、特有の標的組織領域を含む解剖学的領域に対応する初期ＶＯＩを自動的に識別するＣＮＮモジュールである［たとえば、解剖学的画像内の１群の関連組織の図形表現を自動的に識別する（たとえば、その後、１群の関連組織の識別された図形表現を完全に囲む方形領域（たとえば、直方柱または角箱）として初期ＶＯＩを判定する）ことによる］［たとえば、解剖学的領域内に位置することが予想される１つまたは複数の特定の組織領域の各々に対して、解剖学的画像内の対応するＶＯＩを自動的に識別し（たとえば、粗いセグメント化による）、たとえば特定の組織領域に対応する識別されたＶＯＩのすべてを完全に囲む方形領域として初期ＶＯＩを判定することによる］。

特定の実施形態では、第１のモジュールは、解剖学的画像のサブサンプリングバージョン［たとえば、１つまたは複数の次元に沿って２倍またはそれより大きい（たとえば、４倍）］を入力として受け取り、解剖学的画像のサブサンプリングバージョンを使用して初期ＶＯＩを識別する［たとえば、第２のモジュールは、初期ＶＯＩにクロッピングされた解剖学的画像のフル分解能版を受け取る（たとえば、第１のモジュールは、第２のモジュールより大きい物理的体積を表すより低い分解能の画像上で動作し、第２のモジュールは、より小さい物理的体積を表すより高い分解能の画像上で動作する）］。

特定の実施形態では、第１のモジュールは第１のＣＮＮモジュールであり、第２のモジュールは第２のＣＮＮモジュールであり、第１のＣＮＮモジュールは、第２のＣＮＮモジュールに対する画像サイズの変動性の増大を補償するために、追加のフィルタを含む。

特定の実施形態では、３Ｄ解剖学的画像はフルボディ画像であり、ステップ（ｂ）で、命令によりプロセッサは、機械学習技法（単数または複数）を実装する１つまたは複数の局所化モジュールを使用して（たとえば、各局所化モジュールは、ＣＮＮを実装するＣＮＮモジュールである）、３Ｄ解剖学的画像内の複数の初期ＶＯＩを自動的に判定することであり、各初期ＶＯＩが、特定の解剖学的領域（たとえば、骨盤領域、胸部領域、頭部および／または頸部領域、脊柱領域、上半身領域、下半身領域などの１群の関連組織）に対応し、特定の解剖学的領域内に標的ＶＯＩの関連付けられた部分集合が位置する、判定することと、各初期ＶＯＩに対して、機械学習技法（単数または複数）を実装する１つまたは複数のセグメント化モジュールを使用して（たとえば、各セグメント化モジュールは、ＣＮＮを実装するＣＮＮモジュールである）、標的ＶＯＩの関連付けられた部分集合を自動的に識別することとを行う。

特定の実施形態では、複数の初期ＶＯＩは、対象の骨盤領域に対応する骨盤領域初期ＶＯＩ（たとえば、骨盤領域初期ＶＯＩ内に位置する標的ＶＯＩの部分集合は、左腸骨および／または右腸骨、仙骨、ならびに尾骨からなる群から選択された標的組織領域に対応する１つまたは複数の標的ＶＯＩを含む）、対象の脊柱に対応する脊柱領域初期ＶＯＩ（たとえば、骨盤領域初期ＶＯＩ内に位置する標的ＶＯＩの部分集合は、胸椎、腰椎、および胸骨からなる群から選択された標的組織領域に対応する１つまたは複数の標的ＶＯＩを含む）、対象の上半身の左側に対応する左上半身領域初期ＶＯＩ（たとえば、骨盤領域初期ＶＯＩ内に位置する標的ＶＯＩの部分集合は、１つまたは複数の左肋骨、左肩甲骨、および左鎖骨からなる群から選択された標的組織領域に対応する１つまたは複数の標的ＶＯＩを含む）、および対象の上半身の右側に対応する右上半身領域初期ＶＯＩ（たとえば、骨盤領域初期ＶＯＩ内に位置する標的ＶＯＩの部分集合は、１つまたは複数の右肋骨、右肩甲骨、および右鎖骨からなる群から選択された標的組織領域に対応する１つまたは複数の標的ＶＯＩを含む）からなる群から選択された１つまたは複数のメンバーを含む。

特定の実施形態では、命令によりプロセッサは、（ｅ）機能的撮像法［たとえば単一光子放射コンピュータ断層撮影法（ＳＰＥＣＴ）、たとえばポジトロン放出断層撮影法（ＰＥＴ）］を使用して取得された対象の３Ｄ機能的画像を受け取ること［たとえば、３Ｄ機能的画像は複数のボクセルを含み、各ボクセルは、対象内の特定の物理的体積を表し、特定の物理的体積から放出される検出された放射を表す強度値を有し、３Ｄ機能的画像の複数のボクセルの少なくとも一部分は、対象の標的組織領域のうちの１つまたは複数内の物理的体積を表す］と、（ｆ）３Ｄ機能的画像内で、３Ｄセグメント化マップを使用して（たとえば、３Ｄセグメント化マップの３Ｄセグメント化マスクを３Ｄ機能的画像にマッピングすることによる）、識別された標的ＶＯＩに各々対応する１つまたは複数の３Ｄ体積を識別することとを行う。

特定の実施形態では、命令によりプロセッサは、（ｇ）対象に対するがんの状態［（たとえば、前立腺がんの状態、たとえば、転移性がんの状態（たとえば、たとえば転移性前立腺がん、乳がん、肺がん、結腸がん、皮膚がんなどを含む転移性がん）］（たとえば、機能的画像および１つまたは複数の識別された３Ｄ体積内のボクセルの強度を使用する）（たとえば、検出された病変に基づく）［たとえば、対象が前立腺がんおよび／または特定の病期の前立腺がん（たとえば、転移性前立腺がん）を罹患および／または発症している尤度］［たとえば、対象が転移性がん（たとえば、転移性前立腺がん、乳がん、肺がん、結腸がん、皮膚がんなどを含む）を罹患および／または発症している尤度］を判定する。

特定の実施形態では、命令によりプロセッサは、異なる時点で収集された複数の解剖学的画像および対応する機能的画像に対してステップ（ａ）～（ｇ）を繰返し実行して、各時点で対象のがんの状態を判定し、それによってがんの状態を経時的に追跡する（たとえば、疾患の進行および／または処置の有効性を評価する）。

特定の実施形態では、命令によりプロセッサは、（ｈ）３Ｄ機能的画像のボクセルの強度を自動的に調整して、１つまたは複数の背景組織領域における背景の取込み（たとえば、放射性医薬品）を補正する（たとえば、通常の状況下で１つまたは複数の背景組織領域内で生じるが、必ずしもがん病変の存在を示さない放射性医薬品の取込みを補正する）（たとえば、ステップ（ｇ）の前）。

特定の実施形態では、標的組織領域は、１つまたは複数の背景組織領域を含み、ステップ（ｈ）で、命令によりプロセッサは、３Ｄセグメント化マップを使用して、３Ｄ機能的画像内で、特定の背景組織領域に各々対応する１つまたは複数の３Ｄ背景組織体積を識別する（たとえば、３Ｄセグメント化マップの３Ｄセグメント化マスクを３Ｄ機能的画像にマッピングすることによる）ことと、３Ｄ背景組織体積内のボクセルの強度に基づいて、３Ｄ機能的画像のボクセルの強度を調整する（たとえば、３Ｄ背景組織体積内のボクセルの強度を使用して、３Ｄ背景組織体積の外側の強度への寄与を推定することによる）こととを行う。

特定の実施形態では、１つまたは複数の背景組織領域は、嚢（たとえば、膀胱）、腎臓、十二指腸、小腸、脾臓、肝臓、膵臓、胃、副腎、直腸、および精巣からなる群から選択された１つまたは複数のメンバーを含む。

特定の実施形態では、命令によりプロセッサは、（ｉ）３Ｄ機能的画像内のボクセルの強度に基づいて［たとえば、３Ｄ機能的画像内の強度と閾値との比較に基づいて（たとえば、３Ｄ機能的画像は３ＤＰＥＴ画像であり、閾値は特定の標準取込み値（ＳＵＶ）レベルである）］（たとえばまた、３Ｄ機能的画像内で識別された１つまたは複数の３Ｄ体積に基づいて）、病変を表すと判定された３Ｄ機能的画像内の１つまたは複数のホットスポットを自動的に検出する。

特定の実施形態では、ステップ（ｉ）で、命令によりプロセッサは、１つまたは複数の閾値を使用する［たとえば、３Ｄ機能的画像内のボクセルの強度と１つまたは複数の閾値とを比較する（たとえば、１つまたは複数の閾値は、３Ｄ機能的画像内で識別された１つまたは複数の３Ｄ体積の特有の部分集合に対して各々使用される複数の領域特有閾値を含む）］。

特定の実施形態では、ステップ（ｉ）で、命令によりプロセッサは、１つまたは複数のフィルタを３Ｄ機能的画像に適用する［たとえば、ブロブ検出技法と同様であり、たとえば、１つまたは複数のフィルタは、１つまたは複数のガウスフィルタ（たとえば、ガウス差分手法と同様に、高域ガウスフィルタおよび低域ガウスフィルタ）を含み、たとえば、１つまたは複数のフィルタは、ラプラシアンフィルタ（たとえば、ガウスのラプラシアン技法と同様）を含み、たとえば、３Ｄ機能的画像内で識別された１つまたは複数の３Ｄ体積の異なる部分集合に対して、異なるフィルタカーネルが使用される］。

特定の実施形態では、ステップ（ｉ）で、命令によりプロセッサは、３Ｄ機能的画像内で識別された１つまたは複数の３Ｄ体積の異なる部分集合におけるホットスポットの識別のために、２つまたはそれより多い技法の組合せを使用する［たとえば、１つまたは複数の３Ｄ体積の第１の部分集合に対して第１のフィルタリング手法（たとえば、段落［００９６］と同様）を使用し、第２の部分集合に対して第２のフィルタリング手法を使用し、たとえば、１つまたは複数の３Ｄ体積の第１の部分集合に対して閾値手法（たとえば、段落［００９５］と同様）を使用し、１つまたは複数の３Ｄ体積の第２の部分集合に対してフィルタリング手法（たとえば、段落［００９６］と同様）を使用する］。

特定の実施形態では、ステップ（ｉ）で、命令によりプロセッサは、最初の１組のホットスポットを検出し、最初の１組のホットスポットの少なくとも一部分に対して、検出されたホットスポットの少なくとも一部分の各ホットスポットを、がん病変として、またはがん病変でないもの（たとえば、ノイズ）として分類する［たとえば、機械学習モジュールを使用し、たとえば、ホットスポットの形状および／または場所に基づいて（たとえば、解剖学的知識と組み合わせて、たとえば、場所は、ホットスポットが位置する３Ｄ体積に対応する特定の標的組織領域の識別情報、および／または特定の標的組織領域内のホットスポットの相対位置を含む）、たとえばがん病変でないものとして分類されたホットスポットを最初の１組から除去し、それによって病変を表すと判定された最終的な１組のホットスポットを取得する］。

特定の実施形態では、標的組織領域は、１つまたは複数の背景組織領域を含み、命令によりプロセッサは、３Ｄセグメント化マップを使用して、３Ｄ機能的画像内で、特定の背景組織領域（たとえば、通常の状況下で著しい放射性医薬品の取込みが生じるが、必ずしもがん病変の存在を示さない背景組織領域）に各々対応する１つまたは複数の３Ｄ背景組織体積を識別する（たとえば、３Ｄセグメント化マップの３Ｄセグメント化マスクを３Ｄ機能的画像にマッピングすることによる）ことと、ステップ（ｉ）で１つまたは複数のホットスポットを自動的に検出するために使用されたボクセルから、３Ｄ背景組織内の３Ｄのボクセルを除外することとを行う。

特定の実施形態では、命令によりプロセッサは、１つまたは複数の検出されたホットスポット（たとえば、１つまたは複数の検出されたホットスポットの強度）を使用して、対象に対するがんの状態を判定する。

特定の実施形態では、標的組織領域は、１つまたは複数の基準組織領域を含み、命令によりプロセッサは、３Ｄセグメント化マップを使用して、３Ｄ機能的画像内で、特定の基準組織領域に各々対応する１つまたは複数の３Ｄ基準体積を識別することと、１つまたは複数の３Ｄ基準体積の特定の３Ｄ基準体積に各々関連付けられ、特定の３Ｄ基準体積内の（たとえば、平均／平均、中央、最大など）強度の測度に対応する１つまたは複数の基準強度値を判定することと、検出された１つまたは複数のホットスポットの少なくとも一部分の特定のホットスポットに各々関連付けられ、特定のホットスポットの（たとえば、平均／平均、中央、最大など）強度の測度に対応する１つまたは複数の個別のホットスポット強度値を判定することと、１つまたは複数の個別のホットスポット強度値および１つまたは複数の基準強度値を使用して、１つまたは複数の個別のホットスポットインデックス値を判定することとを行う［たとえば、個別の各ホットスポットインデックス値は、検出された１つまたは複数のホットスポットの少なくとも一部分の特定のホットスポットに関連付けられ、（ｉ）特定のホットスポットに関連付けられた個別のホットスポット強度値、および（ｉｉ）１つまたは複数の基準強度値を使用して（たとえば、これらの比較に基づいて）判定される］。

特定の実施形態では、命令によりプロセッサは、１つまたは複数の基準強度値の各々をスケール上の対応する基準インデックス値にマッピングし、個別の各ホットスポット強度値に対して、基準強度値および対応する基準インデックス値を使用して、対応する個別のホットスポットインデックス値を補間することによって、１つまたは複数の個別のホットスポットインデックス値を判定する。

特定の実施形態では、基準組織領域は、肝臓、大動脈（たとえば胸大動脈部分、たとえば腹大動脈部分）、および耳下腺からなる群から選択された１つまたは複数のメンバーを含む。

特定の実施形態では、第１の基準強度値は、（ｉ）大動脈部分に対応する３Ｄ基準体積に関連付けられた血液基準強度値であり、（ｉｉ）第１の基準インデックス値にマッピングし、第２の基準強度値は、（ｉ）肝臓に対応する３Ｄ基準体積に関連付けられた肝臓基準強度値であり、（ｉｉ）第２の基準インデックス値にマッピングし、第２の基準強度値は第１の基準強度値より大きく、第２の基準インデックス値は第１の基準インデックス値より大きい。

特定の実施形態では、基準強度値は、最大基準インデックス値にマッピングする最大基準強度値を含み、最大基準強度値より大きい関連付けられたホットスポット強度値を有するホットスポットに、最大基準インデックス値に等しいホットスポットインデックス値が割り当てられる。

特定の実施形態では、命令によりプロセッサは、１つまたは複数のホットスポットインデックス値の少なくとも一部分を使用して、対象のがんの状態を示す総合インデックス値を判定する。

特定の実施形態では、総合インデックス値は、個別のホットスポットインデックス値の少なくとも一部分［たとえば、対象の骨格領域に対応する機能的画像の３Ｄ体積内に位置し、たとえば、対象のリンパ領域に対応する機能的画像の３Ｄ体積内に位置する］の加重和として判定される［たとえば、この和の各ホットスポットインデックス値は、関連付けられたホットスポットのサイズ（たとえば３Ｄ体積、たとえば平均直径）の測度によって加重される］。

特定の実施形態では、総合インデックス値は、解剖学的画像内で識別された特定の標的ＶＯＩに対応する特定の標的組織領域に関連付けられ、総合インデックス値は、特定の識別された標的ＶＯＩに対応する３Ｄ機能的画像内の特定の３Ｄ体積内に位置するホットスポットの部分集合のホットスポットインデックス値を使用して判定される［たとえば、総合インデックス値は、ホットスポットの部分集合のホットスポットインデックス値の加重和として算出される（たとえば、加重和は、特定の標的組織領域の推定される体積（たとえば、機能画像内の特定の３Ｄ体積の体積、および／または特定の標的ＶＯＩの体積として算出される）によって正規化される）］。

特定の実施形態では、特定の標的組織領域は、対象の１つまたは複数の骨を含む骨格領域、リンパ領域、および前立腺領域からなる群から選択される。

特定の実施形態では、３Ｄ解剖学的画像は、Ｘ線コンピュータ断層撮影（ＣＴ）画像であり、３Ｄ機能的画像は、３Ｄ単一光子放射コンピュータ断層撮影（ＳＰＥＣＴ）画像である。

特定の実施形態では、３Ｄ解剖学的画像は、Ｘ線コンピュータ断層撮影（ＣＴ）画像であり、３Ｄ機能的画像は、３Ｄポジトロン放出断層撮影（ＰＥＴ）画像である。

特定の実施形態では、対象の３ＤＰＥＴ画像は、前立腺特異的膜抗原（ＰＳＭＡ）結合剤を含む放射性医薬品の対象への投与後に取得される。

特定の実施形態では、放射性医薬品は、［１８Ｆ］ＤＣＦＰｙＬを含む。

特定の実施形態では、ステップ（ｂ）で、命令によりプロセッサは、３Ｄ解剖学的画像をクロッピングして、空気を表すボクセルを除去する［たとえば、クロッピングされた解剖学的画像を作成し、クロッピングされた解剖学的画像を使用して、１つまたは複数の標的ＶＯＩを識別する（たとえば、クロッピングされた解剖学的画像を使用することは、元のサイズの３Ｄ解剖学的画像とは対照的に、１つまたは複数の機械学習モジュールへの入力として使用される）］。

特定の実施形態では、標的組織領域は、左寛骨、右寛骨、仙骨および尾骨領域、左鎖骨、右鎖骨、左肋骨、右肋骨、左肩甲骨、右肩甲骨、胸骨、腰椎、胸椎、頭蓋骨、頸椎、左大腿部、右大腿部、左上腕骨、右上腕骨、前立腺、膀胱、直腸、左大臀筋、右大臀筋、大動脈（たとえば胸大動脈部分、たとえば腹大動脈部分）、左腎臓、右腎臓、肝臓、左肺、右肺、脾臓、心室、左副腎、右副腎、胆嚢、脳、膵臓、心臓、下顎骨、左気管支、右気管支、気管、左総腸骨動脈、右総腸骨動脈、ならびに耳下腺からなる群から選択された１つまたは複数のメンバーを含む。

特定の実施形態では、標的組織領域のうちの１つまたは複数は、左鎖骨、右鎖骨、左大腿部、右大腿部、左腓骨、右腓骨、左寛骨、右寛骨、左上腕骨、右上腕骨、下顎骨、左膝蓋骨、右膝蓋骨、左橈骨、右橈骨、左脛骨、右脛骨、左尺骨、右尺骨、左肋骨（たとえば、左第１肋骨、左第２肋骨、左第３肋骨、左第４肋骨、左第５肋骨、左第６肋骨、左第７肋骨、左第８肋骨、左第９肋骨、左第１０肋骨、左第１１肋骨、左第１２肋骨）、右肋骨（たとえば、右第１肋骨、右第２肋骨、右第３肋骨、右第４肋骨、右第５肋骨、右第６肋骨、右第７肋骨、右第８肋骨、右第９肋骨、右第１０肋骨、右第１１肋骨、右第１２肋骨）、仙骨および尾骨（たとえば、組み合わせた仙骨および尾骨領域、たとえば、両者を区別して個別に仙骨および尾骨）、左肩甲骨、右肩甲骨、頭蓋骨、胸骨、椎骨領域［たとえば、１つまたは複数の（たとえば、最大ですべての）頸椎を含む頸椎領域、たとえば、１つまたは複数の（たとえば、最大ですべての）腰椎を含む腰椎領域、たとえば、１つまたは複数の（たとえば、最大ですべての）胸椎を含む胸椎領域］、ならびに個別の椎骨［たとえば、個別の頸椎（たとえば、第１頸椎、第２頸椎、第３頸椎、第４頸椎、第５頸椎、第６頸椎、第７頸椎）、たとえば、個別の腰椎（たとえば、第１腰椎、第２腰椎、第３腰椎、第４腰椎、第５腰椎、第６腰椎）、たとえば、個別の胸椎（たとえば、第１胸椎、第２胸椎、第３胸椎、第４胸椎、第５胸椎、第６胸椎、第７胸椎、第８胸椎、第９胸椎、第１０胸椎、第１１胸椎、第１２胸椎）］からなる群から選択された１つまたは複数の特有の骨を含む。

特定の実施形態では、標的組織領域のうちの１つまたは複数は、左鎖骨、右鎖骨、左寛骨、右寛骨、左肋骨（たとえば、左第１肋骨、左第２肋骨、左第３肋骨、左第４肋骨、左第５肋骨、左第６肋骨、左第７肋骨、左第８肋骨、左第９肋骨、左第１０肋骨、左第１１肋骨、左第１２肋骨）、右肋骨（たとえば、右第１肋骨、右第２肋骨、右第３肋骨、右第４肋骨、右第５肋骨、右第６肋骨、右第７肋骨、右第８肋骨、右第９肋骨、右第１０肋骨、右第１１肋骨、右第１２肋骨）、仙骨および尾骨（たとえば、組み合わせた仙骨および尾骨領域、たとえば、両者を区別して個別に仙骨および尾骨）、左肩甲骨、右肩甲骨、胸骨、椎骨領域［たとえば、１つまたは複数の（たとえば、最大ですべての）頸椎を含む頸椎領域、たとえば、１つまたは複数の（たとえば、最大ですべての）腰椎を含む腰椎領域、たとえば、１つまたは複数の（たとえば、最大ですべての）胸椎を含む胸椎領域］、ならびに個別の椎骨［たとえば、個別の腰椎（たとえば、第１腰椎、第２腰椎、第３腰椎、第４腰椎、第５腰椎）、たとえば、個別の胸椎（たとえば、第１胸椎、第２胸椎、第３胸椎、第４胸椎、第５胸椎、第６胸椎、第７胸椎、第８胸椎、第９胸椎、第１０胸椎、第１１胸椎、第１２胸椎）］からなる群から選択された１つまたは複数の特有の骨を含む。

特定の実施形態では、標的組織領域のうちの１つまたは複数は、左副腎、右副腎、大動脈（たとえば胸大動脈部分、たとえば腹大動脈部分）、脳、左気管支、右気管支、胆嚢、左大臀筋、右大臀筋、心臓、左総腸骨動脈、右総腸骨動脈、左腎臓、右腎臓、肝臓、左肺、右肺、膵臓、前立腺、直腸、脾臓、気管、膀胱、心室、および耳下腺からなる群から選択された１つまたは複数の軟組織領域（たとえば、器官）を含む。

特定の実施形態では、１つまたは複数の標的組織領域は、胆嚢、左腎臓、右腎臓、肝臓、左肺、右肺、前立腺、および膀胱からなる群から選択された１つまたは複数の軟組織領域（たとえば、器官）を含む。

特定の実施形態では、標的組織領域は、特有の骨に各々対応する１つまたは複数の骨領域［たとえば、標的組織領域は、段落［０１１６］または［０１１７］に挙げた骨の少なくとも一部分（たとえば、最大ですべて）を含む］、および特有の軟組織領域に各々対応する１つまたは複数の軟組織領域［たとえば、標的組織領域は、段落［０１１８］または［０１１９］に挙げた軟組織領域の少なくとも一部分（たとえば、最大ですべて）を含む］を含む。

別の態様では、本発明は、３Ｄ画像を自動的に処理して、対象内のがん病変を自動的に識別するシステムを対象とし、このシステムは、コンピューティングデバイスのプロセッサと、命令が記憶されたメモリとを含み、命令がプロセッサによって実行されたとき、プロセッサは、（ａ）解剖学的撮像法［たとえばＸ線コンピュータ断層撮影法（ＣＴ）、たとえば磁気共鳴撮像（ＭＲＩ）、たとえば超音波］を使用して取得された対象の３Ｄ解剖学的画像を受け取ることであり、３Ｄ解剖学的画像が、対象内の組織（たとえば、軟組織および／または骨）の図形表現を含む、受け取ることと、（ｂ）１つまたは複数の機械学習モジュール（たとえば、１つまたは複数の機械学習モジュールのうちの少なくとも１つは、畳み込みニューラルネットワーク（ＣＮＮ）モジュールである）を使用して、複数の標的組織領域の各々に対して、３Ｄ解剖学的画像内の対応する標的関心体積（ＶＯＩ）を自動的に識別することと、（ｃ）複数の３Ｄセグメント化マスクを表す３Ｄセグメント化マップを判定することであり、各３Ｄセグメント化マスクが、特定の識別された標的ＶＯＩを表す（たとえば、複数の３Ｄセグメント化マスクをともに自動的にデジタルで綴じて３Ｄセグメント化マップを形成する）、判定することと、（ｄ）機能的撮像法［たとえば単一光子放射コンピュータ断層撮影法（ＳＰＥＣＴ）、たとえばポジトロン放出断層撮影法（ＰＥＴ）］を使用して取得された対象の３Ｄ機能的画像を受け取ること［たとえば、３Ｄ機能的画像は、複数のボクセルを含み、各ボクセルは、対象内の特定の物理的体積を表し、特定の物理的体積から放出される検出された放射を表す強度値を有し、３Ｄ機能的画像の複数のボクセルの少なくとも一部分は、対象の標的組織領域のうちの１つまたは複数内の物理的体積を表す］と、（ｅ）３Ｄ機能的画像内で、３Ｄセグメント化マップを使用して（たとえば、３Ｄセグメント化マップの３Ｄセグメント化マスクを３Ｄ機能的画像にマッピングすることによる）、識別された標的ＶＯＩに各々対応する１つまたは複数の３Ｄ体積を識別することと、（ｆ）３Ｄ機能的画像内で識別された１つまたは複数の３Ｄ体積の少なくとも一部分内で、３Ｄ機能的画像内のボクセルの強度に基づいて［たとえば、３Ｄ機能的画像内の強度と閾値との比較に基づいて（たとえば、３Ｄ機能的画像は３ＤＰＥＴ画像であり、閾値は特定の標準取込み値（ＳＵＶ）レベルである）］、病変を表すと判定された１つまたは複数のホットスポットを自動的に検出することとを行う。

特定の実施形態では、命令によりプロセッサは、１つまたは複数の検出されたホットスポット（たとえば、１つまたは複数の検出されたホットスポットの強度）を使用して、対象に対するがんの状態を判定する。

特定の実施形態では、標的組織領域は、１つまたは複数の基準組織領域を含み、命令によりプロセッサは、３Ｄセグメント化マップを使用して、３Ｄ機能的画像内で、特定の基準組織領域に各々対応する１つまたは複数の３Ｄ基準体積を識別することと、１つまたは複数の３Ｄ基準体積の特定の３Ｄ基準体積に各々関連付けられ、特定の３Ｄ基準体積内の（たとえば、平均／平均、中央、最大など）強度の測度に対応する１つまたは複数の基準強度値を判定することと、検出された１つまたは複数のホットスポットの少なくとも一部分の特定のホットスポットに各々関連付けられ、特定のホットスポットの（たとえば、平均／平均、中央、最大など）強度の測度に対応する１つまたは複数の個別のホットスポット強度値を判定することと、１つまたは複数の個別のホットスポット強度値および１つまたは複数の基準強度値を使用して、１つまたは複数の個別のホットスポットインデックス値を判定することとを行う［たとえば、個別の各ホットスポットインデックス値は、検出された１つまたは複数のホットスポットの少なくとも一部分の特定のホットスポットに関連付けられ、（ｉ）特定のホットスポットに関連付けられた個別のホットスポット強度値、および（ｉｉ）１つまたは複数の基準強度値を使用して（たとえば、これらの比較に基づいて）判定される］。

特定の実施形態では、基準組織領域は、肝臓、大動脈（たとえば胸大動脈部分、たとえば腹大動脈部分）、および耳下腺からなる群から選択された１つまたは複数のメンバーを含む。

特定の実施形態では、命令によりプロセッサは、１つまたは複数のホットスポットインデックス値の少なくとも一部分を使用して、対象のがんの状態を示す総合インデックス値を判定する。

特定の実施形態では、総合インデックス値は、個別のホットスポットインデックス値の少なくとも一部分［たとえば、対象の骨格領域に対応する機能的画像の３Ｄ体積内に位置し、たとえば、対象のリンパ領域に対応する機能的画像の３Ｄ体積内に位置する］の加重和として判定される［たとえば、この和の各ホットスポットインデックス値は、関連付けられたホットスポットのサイズ（たとえば３Ｄ体積、たとえば平均直径）の測度によって加重される］。

特定の実施形態では、３Ｄ解剖学的画像は、Ｘ線コンピュータ断層撮影（ＣＴ）画像であり、３Ｄ機能的画像は、３Ｄポジトロン放出断層撮影（ＰＥＴ）画像である。

特定の実施形態では、対象の３ＤＰＥＴ画像は、前立腺特異的膜抗原（ＰＳＭＡ）結合剤を含む放射性医薬品の対象への投与後に取得される。

特定の実施形態では、放射性医薬品は、［１８Ｆ］ＤＣＦＰｙＬを含む。

別の態様では、本発明は、３Ｄ画像を自動的に処理して、がん（たとえば、前立腺がん、乳がん、肺がん、たとえば、転移性前立腺がん、転移性乳がん、転移性肺がんなどの転移性がん）を患っている、またはそのリスクがある、対象内のがん病変（たとえば、転移）における放射性医薬品の取込みを識別および測定するシステムを対象とし、このシステムは、コンピューティングデバイスのプロセッサと、命令が記憶されたメモリとを含み、命令がプロセッサによって実行されたとき、プロセッサは、（ａ）解剖学的撮像法［たとえばＸ線コンピュータ断層撮影法（ＣＴ）、たとえば磁気共鳴撮像（ＭＲＩ）、たとえば超音波］を使用して取得された対象の３Ｄ解剖学的画像を受け取ることであり、３Ｄ解剖学的画像が、対象内の組織（たとえば、軟組織および／または骨）の図形表現を含む、受け取ることと、（ｂ）１つまたは複数の機械学習モジュール（たとえば、機械学習モジュールのうちの少なくとも１つは、畳み込みニューラルネットワーク（ＣＮＮ）モジュールである）を使用して、３Ｄ解剖学的画像内で、対象の１つまたは複数の骨の図形表現を含む第１の骨格体積、対象の大動脈の少なくとも一部分の図形表現を含む第１の大動脈体積、および対象の肝臓の図形表現を含む第１の肝臓体積を自動的に識別することと、（ｃ）識別された第１の骨格体積を表す骨格マスク、識別された第１の大動脈体積を表す大動脈マスク、および識別された第１の肝臓体積を表す肝臓マスクを含む複数の３Ｄセグメント化マスクを表す３Ｄセグメント化マップを判定することと、（ｄ）機能的撮像法［たとえば単一光子放射コンピュータ断層撮影法（ＳＰＥＣＴ）、たとえばポジトロン放出断層撮影法（ＰＥＴ）］を使用して取得された対象の３Ｄ機能的画像を受け取ること［たとえば、３Ｄ機能的画像は複数のボクセルを含み、各ボクセルが、対象内の特定の物理的体積を表し、特定の物理的体積から放出される検出された放射を表す強度値を有し、３Ｄ機能的画像の複数のボクセルの少なくとも一部分は、対象の１つもしくは複数の骨、大動脈部分、および／または肝臓内の物理的体積を表す］と、（ｅ）３Ｄ機能的画像内で、３Ｄセグメント化マップを使用して（たとえば、３Ｄセグメント化マップの３Ｄセグメント化マスクを３Ｄ機能的画像にマッピングすることによる）、３Ｄ解剖学的画像内の第１の識別された骨格体積に対応する第２の骨格体積、３Ｄ解剖学的画像内で識別された第１の大動脈体積に対応する第２の大動脈体積、および３Ｄ解剖学的画像内で識別された第１の肝臓体積に対応する第２の肝臓体積を自動的に識別することと、（ｆ）第２の骨格体積内で、第２の骨格体積内のボクセルの強度に基づいて病変を表すと判定された１つまたは複数のホットスポット（たとえば、たとえば第２の骨格体積内に位置するボクセルの強度と閾値との比較に基づいて識別された、比較的高い強度の局所化領域に対応する１つまたは複数のホットスポット）を自動的に検出することと、（ｇ）第２の大動脈体積内のボクセルの強度の測度（たとえば、平均値、最大値、中央値など）に基づいて大動脈基準強度レベルを判定し、第２の肝臓体積内のボクセルの強度の測度（たとえば、平均値、最大値、中央値など）に基づいて肝臓基準強度レベルを判定し、検出された個別の各ホットスポットに対して、検出されたホットスポットのボクセルの強度の測度（たとえば、平均値、最大値、中央値など）に基づいて、対応する個別のホットスポット強度レベルを判定し、個別のホットスポット強度レベル、大動脈基準強度レベル、および肝臓基準強度レベルから対応する個別のホットスポットインデックスレベルを判定することによって、１つまたは複数の検出されたホットスポットの各々に対して、個別のホットスポットインデックス（たとえば、検出されたホットスポットによって表される病変における放射性医薬品の取込みの測度を示す）値を判定することとを行う。

特定の実施形態では、命令によりプロセッサは、１つまたは複数の検出されたホットスポットの少なくとも一部分の個別のホットスポットインデックス値に基づいて、対象のがんの状態を示す総合インデックス値を判定する。

特定の実施形態では、対象は、前立腺がんを患っており、またはそのリスクがある。

特定の実施形態では、命令によりプロセッサは、ステップ（ｂ）で、３Ｄ解剖学的画像内で、対象の前立腺の図形表現を含む第１の前立腺体積を自動的に識別し、ステップ（ｃ）で、判定された３Ｄセグメント化マップ内の識別された第１の前立腺体積を表す前立腺マスクを含み、ステップ（ｅ）で、３Ｄ機能的画像内で、３Ｄ解剖学的画像内の第１の識別された前立腺体積に対応する第２の前立腺体積を自動的に識別し、ステップ（ｆ）で、第２の前立腺体積内で１つまたは複数のホットスポットを自動的に検出し、（ｉ）第２の骨格体積内に位置する１つまたは複数の検出されたホットスポットの少なくとも一部分の個別のホットスポットインデックス値に基づいて、対象の１つまたは複数の骨における病変の内容（たとえば、重症度）を示す総合骨インデックス値を判定し、（ｉｉ）第２の前立腺体積内に位置する１つまたは複数の検出されたホットスポットの少なくとも一部分の個別のホットスポットインデックス値に基づいて、対象の前立腺における病変の内容（たとえば、重症度）を示す総合前立腺インデックス値を判定する。

特定の実施形態では、対象は、転移性がん（たとえば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨肉腫）を患っており、またはそのリスクがある。

別の態様では、本発明は、可変サイズの１組のフルボディ３Ｄ解剖学的画像を自動的に処理して、各３Ｄ解剖学的画像内で、特定の標的組織領域に対応する複数の３Ｄ体積を自動的に識別するシステムを対象とし、このシステムは、コンピューティングデバイスのプロセッサと、命令が記憶されたメモリとを含み、命令がプロセッサによって実行されたとき、プロセッサは、（ａ）解剖学的撮像法［たとえばＸ線コンピュータ断層撮影法（ＣＴ）、たとえば磁気共鳴撮像（ＭＲＩ）、たとえば超音波］を使用して取得された１つまたは複数の対象の１組の３Ｄ解剖学的画像を受け取ることであり、３Ｄ解剖学的画像が、１つまたは複数の対象の各々における組織（たとえば、軟組織および／または骨）の図形表現を含み、１組の３Ｄ解剖学的画像が、平均ｘ次元、平均ｙ次元、および平均ｚ次元を有し、平均ｘ次元、平均ｙ次元、および平均ｚ次元のうちの少なくとも１つ（平均ｘ、平均ｙ、または平均ｚ次元）が、対応する平均値の少なくとも３％の標準偏差を有する［たとえば、平均ｘ次元、平均ｙ次元、および平均ｚ次元のうちの少なくとも１つ（平均ｘ、平均ｙ、または平均ｚ次元）は、少なくとも３％、少なくとも５％、少なくとも１０％、少なくとも１５％、または少なくとも２０％の相対標準偏差を有する］、受け取ることと、（ｂ）ＣＮＮを実装する局所化モジュールを使用して、１組の３Ｄ解剖学的画像のうちの各画像内で、１つまたは複数の特定の関連付けられた標的組織領域（たとえば、１つまたは複数の特有の骨、たとえば、１つまたは複数の特有の器官）を含む特定の解剖学的領域（たとえば、骨盤領域および脊柱領域などの１群の関連組織）に対応する少なくとも１つの初期ＶＯＩを自動的に判定し、それによって対応する３Ｄ解剖学的画像に対する少なくとも１つの初期ＶＯＩを識別することと、（ｃ）各初期ＶＯＩに対して、ＣＮＮを各々実装する１つまたは複数のセグメント化モジュールを使用して、初期ＶＯＩが対応する特定の解剖学的領域に関連付けられた１つまたは複数の特定の標的組織領域の各々に対して、対応する標的ＶＯＩ（たとえば、特定の標的組織領域の図形表現）を自動的に識別することとを行う。

本発明の一態様に関して説明する実施形態の特徴は、本発明の別の態様に関しても適用することができる。

本開示の上記その他の目的、態様、特徴、および利点は、添付の図面と併せて以下の説明を参照することによってより明らかになり、よりよく理解することができる。

図１は、例示的な実施形態による人工知能（ＡＩ）プラットホームによる様々な撮像法の統合を示す図である。

図２は、例示的な実施形態による様々な特有の骨が識別された対象の骨格を示す画像である。

図３は、例示的な実施形態による様々な用途に対する様々な機能的撮像法におけるフルボディセグメント化の使用を示すブロック図である。

図４は、例示的な実施形態によるがん病変を分類、特定、および定量化するためのＡＩモジュールによる異なる情報データセットの処理フローを示す図である。

図５Ａは、例示的な実施形態による３Ｄ画像を自動的に処理して特定の標的組織領域に対応する３Ｄ画像内の３Ｄ体積を識別するプロセスのブロックフロー図である。

図５Ｂは、例示的な実施形態による３Ｄ画像を自動的に処理して３Ｄ体積を識別し、３Ｄ体積を使用してがん病変を表すホットスポットを検出するプロセスのブロックフロー図である。

図６Ａは、例示的な実施形態による全身セグメント化のためのＣＴ画像を自動的に処理するプロセスのブロックフロー図である。

図６Ｂは、図６Ａに示すプロセスの様々なステップの処理結果を示す１組のＣＴ画像である。

図７は、例示的な実施形態によるＣＴ画像をセグメント化するために使用される機械学習モジュールに対する訓練データとして使用される１組の３つの画像である。

図８は、識別された関心体積が重ね合わされた１組の２つの画像である。

図９Ａは、ＰｙＬ（商標）の投与後に対象から取得された３ＤＰＥＴ／ＣＴ画像の１組の２Ｄビューである。

図９Ｂは、背景補正後の図９Ａに示した同じ１組の２Ｄビューである。

図９Ｃは、ＰｙＬ（商標）の投与後に対象から取得された３ＤＰＥＴ／ＣＴ画像の１組の２Ｄビューである。

図９Ｄは、背景補正後の図９Ｃに示す同じ１組の２Ｄビューである。

図１０Ａは、例示的な実施形態によるＰｙＬ（商標）－ＰＥＴ画像を分析するための例示的なプロセスを示すブロックフロー図である。

図１０Ｂは、対象へのＰｙＬ（商標）の投与後に取得されたＰＥＴ／ＣＴ画像である。

図１０Ｃは、本明細書に記載する機械学習手法を介して識別された関心体積を示す１組の２つのＣＴ画像である。

図１０Ｄは、例示的な実施形態によるＰＥＴ画像内の背景補正を示す１組の３つの画像である。

図１１Ａは、例示的な実施形態による色で標識された特有の骨に対応する関心体積を有する３ＤＣＴ画像の図である。

図１１Ｂは、図１１Ａに示す標識された関心体積を有する３ＤＣＴ画像の別の図である。

図１２は、識別された背景組織領域を示す重ね合わせたＰＥＴ画像を有するＣＴ画像である。

図１３Ａは、検出された病変を示す重ね合わせたＰＥＴ画像を有するＣＴ画像の図である。

図１３Ｂは、検出された病変を示す図１３Ａの重ね合わせたＰＥＴ画像を有するＣＴ画像の別の図である。

図１３Ｃは、検出された病変を示す図１３Ａの重ね合わせたＰＥＴ画像を有するＣＴ画像の別の図である。

図１３Ｄは、検出された病変を示す図１３Ａの重ね合わせたＰＥＴ画像を有するＣＴ画像の別の図である。

図１４Ａは、ＰｙＬ（商標）の投与後に対象に対して取得された重ね合わせたＰＥＴ画像を有するＣＴ画像の１組の２つの図である。

図１４Ｂは、背景補正および病変の検出を提供するために本明細書に記載する機械学習手法を介して処理した後の図１４Ａと同じ図である。

図１５Ａは、ＰｙＬ（商標）の投与後に対象に対して取得された重ね合わせたＰＥＴ画像を有するＣＴ画像の１組の２つの図である。

図１５Ｂは、背景補正および病変の検出を提供するために本明細書に記載する機械学習手法を介して処理した後の図１５Ａと同じ図である。

図１６Ａは、識別された関心体積が重ね合わされた３ＤＣＴ画像の図である。

図１６Ｂは、図１６Ａに示す識別された関心体積が重ね合わされた３ＤＣＴ画像の別の図である。

図１７は、特定の実施形態で使用される例示的なクラウドコンピューティング環境のブロック図である。

図１８は、特定の実施形態で使用される例示的なコンピューティングデバイスおよび例示的な移動コンピューティングデバイスのブロック図である。

図１９は、例示的な実施形態による６つの異なるがん指標に対するＰＥＴ／ＣＴ画像分析に基づいて特定の組織領域内で識別された病変におけるＰｙＬ（商標）－ＰＳＭＡ取込みを定量化する総合インデックス値を各々示す１組の３つのグラフである。

図２０は、例示的な実施形態によるＰＥＴ／ＣＴ画像分析を介して３つの異なる組織領域（骨、リンパ、および前立腺）内で検出された病変に対して判定された個別の病変ＰＳＭＡインデックス（ＬＰＩ）値を示すグラフである。

図２１は、例示的な実施形態による血液プール基準値および肝臓基準値に対して手動および自動画像分析を介して判定された基準値を比較する１組の２つのグラフである。

本開示の特徴および利点は、図面と併せたとき、後述する詳細な説明からより明らかになり、図面全体にわたって、同様の参照記号が対応する要素を識別する。概して図面では、同様の参照番号が、同一の要素、機能的に類似の要素、および／または構造的に類似の要素を示す。

詳細な説明
本発明のシステム、アーキテクチャ、デバイス、方法、およびプロセスは、本明細書に記載する実施形態からの情報を使用して展開される変形例および適用例を包含することが企図される。本明細書に記載するシステム、アーキテクチャ、デバイス、方法、およびプロセスの適用例および／または修正例は、本説明によって企図されるように実行することができる。

説明全体にわたって、物品、デバイス、システム、およびアーキテクチャが特有の構成要素を有する、含む、もしくは備えると説明する場合、またはプロセスおよび方法が特有のステップを有する、含む、もしくは備えると説明する場合、加えて、記載の構成要素から本質的になる、または記載の構成要素からなる、本発明の物品、デバイス、システム、およびアーキテクチャも存在すること、ならびに記載の処理ステップから本質的になる、または記載の処理ステップからなる、本発明によるプロセスおよび方法も存在することが企図される。

本発明が動作可能なままである限り、ステップの順序または特定の動作を実行する順序は本質的でないことを理解されたい。さらに、２つまたはそれより多いステップまたは動作を同時に実施することができる。

たとえば背景部における何らかの刊行物についての本明細書での言及は、その刊行物が本明細書に提示する請求項のいずれかに対して従来技術として働くことを認めたものではない。背景部は、分かりやすくする目的で提示されており、いずれかの請求項に対する従来技術の説明であることを意味しない。

文献は、記載のように参照により本明細書に組み込まれる。特定の用語の意味において何らかの矛盾が存在する場合、上記の定義部に提供される意味が優先する。

項目名は、読み手の利便性のために提供されており、項目名の存在および／または配置は、本明細書に記載する主題の範囲を限定することを意図したものではない。
ｉ．定義

本明細書では、「放射性核種」は、少なくとも１つの元素の放射性同位体を含む半分を指す。例示的な好適な放射性核種は、それだけに限定されるものではないが、本明細書に記載するものを含む。いくつかの実施形態では、放射性核種とは、ポジトロン放出断層撮影法（ＰＥＴ）で使用されるものである。いくつかの実施形態では、放射性核種とは、単一光子放射コンピュータ断層撮影法（ＳＰＥＣＴ）で使用されるものである。いくつかの実施形態では、放射性核種の非限定的なリストには、^９９ｍＴｃ、^１１１Ｉｎ、^６４Ｃｕ、^６７Ｇａ、^６８Ｇａ、^１８６Ｒｅ、^１８８Ｒｅ、^１５３Ｓｍ、^１７７Ｌｕ、^６７Ｃｕ、^１２３Ｉ、^１２４Ｉ、^１２５Ｉ、^１２６Ｉ、^１３１Ｉ、^１１Ｃ、^１３Ｎ、^１５Ｏ、^１８Ｆ、^１５３Ｓｍ、^１６６Ｈｏ、^１７７Ｌｕ、^１４９Ｐｍ、^９０Ｙ、^２１３Ｂｉ、^１０３Ｐｄ、^１０９Ｐｄ、^１５９Ｇｄ、^１４０Ｌａ、^１９８Ａｕ、^１９９Ａｕ、^１６９Ｙｂ、^１７５Ｙｂ、^１６５Ｄｙ、^１６６Ｄｙ、^１０５Ｒｈ、^１１１Ａｇ、^８９Ｚｒ、^２２５Ａｃ、^８２Ｒｂ、^７５Ｂｒ、^７６Ｂｒ、^７７Ｂｒ、^８０Ｂｒ、^８０ｍＢｒ、^８２Ｂｒ、^８３Ｂｒ、^２１１Ａｔ、および^１９２Ｉｒが含まれる。

本明細書では、「放射性医薬品」という用語は、放射性核種を含む化合物を指す。特定の実施形態では、放射性医薬品は、診断および／または治療の目的で使用される。特定の実施形態では、放射性医薬品は、１つまたは複数の放射性核種によって標識された小分子、１つまたは複数の放射性核種によって標識された抗体、および１つまたは複数の放射性核種によって標識された抗体の抗原結合部分を含む。

本明細書では、「画像」に関連する「３Ｄ」または「３次元」は、３つの次元に関する情報を伝達することを意味する。３Ｄ画像は、３次元のデータセットとして描画することができ、かつ／または１組の２次元表現、もしくは３次元表現として表示することができる。

本明細書では、「画像」、たとえば対象の３Ｄ画像は、写真、ビデオフレーム、ストリーミングビデオ、ならびに写真、ビデオフレーム、もしくはストリーミングビデオの任意の電子的、デジタル的、または数学的な類似物などの任意の視覚表現を含む。特定の実施形態では、本明細書に記載する任意の装置は、プロセッサによってもたらされた画像または任意の他の結果を表示するためのディスプレイを含む。特定の実施形態では、本明細書に記載する任意の方法は、その方法を介してもたらされた画像または任意の他の結果を表示するステップを含む。

本明細書では、「対象」とは、人間または他の哺乳動物（たとえば、齧歯類動物（マウス、ラット、ハムスター）、ブタ、ネコ、イヌ、ウマ、霊長類動物、ウサギなど）を意味する。

本明細書では、薬剤を「投与」することは、物質（たとえば、撮像剤）を対象に導入することを意味する。概して、たとえば、腸管外（たとえば、静脈内）、経口、局所、皮下、経腹膜、動脈内、吸入、経膣、経直腸、経鼻、脳脊髄液への導入、または体内区画への点滴を含む、任意の投与ルートを利用することができる。

本明細書では、「フィルタリング機能」または「フィルタ」における「フィルタ」および「フィルタリング」という用語は、本明細書で「サブパッチ」と呼ばれるデータ（たとえば、画像データ、たとえば、ＣＮＮの層によって算出された値）の入力アレイ（たとえば、多次元アレイ）の局所化部分上で、所与のサブパッチに対する応答値を算出するように動作する機能を指す。概して、フィルタは、アレイに対する複数の応答値を算出するように、スライディングウィンドウの形でアレイに適用される。特に、所与の多次元アレイに対して、アレイのサブパッチは、特有のサイズ（たとえば、アレイと同じ数の次元）を有するアレイの方形領域とすることができる。たとえば、６×３×３アレイの場合、所与の３×３×３サブパッチとは、アレイの所与の３×３×３の１組の隣接値（たとえば、近傍）を指し、したがって６×３×３アレイ内に５つの個別の３×３×３サブパッチが存在する（各パッチは、第１の次元に沿って１つの位置だけシフトされる）。

たとえば、フィルタリング機能は、サブパッチの値を使用して、アレイの所与のサブパッチに対して応答値を算出することができる。フィルタリング機能をスライディングウィンドウの形でアレイに適用して、アレイの複数のサブパッチの各々に対して応答値を算出することができる。算出された応答値は、応答値と入力アレイのサブパッチとの間の位置対応が維持されるように、出力アレイ内に記憶することができる。

たとえば、第１のステップで、フィルタは、入力アレイの隅部のサブパッチから、第１の応答値を算出し、この第１の応答値を出力アレイの対応する隅部に記憶することができる。特定の実施形態では、第２のステップで、フィルタは次いで、入力アレイの特有の次元に沿って１つの位置だけシフトした第２のサブパッチに対する第２の応答値を算出する。第２の応答値は、出力アレイの対応する位置、すなわち出力アレイの同じ次元に沿って１つの位置だけシフトした位置に記憶することができる。サブパッチの位置をシフトさせ、応答値を算出し、応答値を出力アレイの対応する位置に記憶するステップは、入力アレイの各次元に沿って全入力アレイに対して繰り返すことができる。特定の実施形態（たとえば、ストライドフィルタリング手法）では、フィルタが応答値を算出するサブパッチは、所与の次元に沿って一度に１つの位置より大きくシフトされ、したがって応答値は、入力アレイのすべての可能なサブパッチに対して算出されるわけではない。

本明細書では、「畳み込みニューラルネットワーク（ＣＮＮ）」という用語は、少なくとも１つの層が１つまたは複数のフィルタリング機能を実行する人工ニューラルネットワークのタイプを指す。本明細書では、「畳み込み層」という用語は、入力アレイを入力として受け取り、出力アレイを算出するＣＮＮの層を指し、出力アレイの値は、１つまたは複数のフィルタを入力アレイに適用することによって算出される。特に、特定の実施形態では、畳み込み層は、ｎ＋１の次元を有する入力アレイを入力として受け取り、同じくｎ＋１の次元を有する出力アレイをもたらす。本明細書では、ＣＮＮの層をフィルタリングすることによって動作される入力および出力アレイの第１のｎの次元を「空間次元」と呼ぶ。本明細書では、入力の第（ｎ＋１）の次元を「入力チャネル」次元と呼ぶ。本明細書では、入力チャネル次元のサイズを「入力チャネルの数」と呼ぶ。本明細書では、出力の第（ｎ＋１）の次元を「出力チャネル」次元と呼ぶ。本明細書では、入力チャネル次元のサイズを「出力チャネルの数」と呼ぶ。

特定の実施形態では、畳み込み層は、空間次元に沿って入力アレイより小さいサブパッチ上で動作するが、全出力チャネル次元にわたって延びるフィルタを適用することによって、応答値を算出する。たとえば、Ｎ×Ｍ×Ｌ×Ｋ_０サイズの入力アレイは、３つの空間次元およびＫ_０の出力チャネルを有する。畳み込み層のフィルタは、Ｎ_ｆ×Ｍ_ｆ×Ｌ_ｆ×Ｋ_０のサイズを有するサブパッチ上で動作することができ、ここでＮ_ｆ≦Ｎ、Ｍ_ｆ≦Ｍ、およびＬ_ｆ≦Ｌである。多くの場合、畳み込み層のフィルタは、Ｎ_ｆ＜Ｎ、Ｍ_ｆ＜Ｍ、および／またはＬ_ｆ＜Ｌのサイズを有するサブパッチ上で動作する。たとえば、特定の実施形態では、Ｎ_ｆ＜＜Ｎ、Ｍ_ｆ＜＜Ｍ、および／またはＬ_ｆ＜＜Ｌである。

したがって、畳み込み層によって適用される１つまたは複数のフィルタの各々に対して、所与のフィルタによって算出された応答値は、対応する出力チャネル内に記憶される。したがって、ｎ＋１の次元を有する入力アレイを受け取る畳み込み層は、同じくｎ＋１の次元を有する出力アレイを算出し、第（ｎ＋１）の次元は、畳み込み層によって適用された１つまたは複数のフィルタに対応する出力チャネルを表す。このようにして、所与の畳み込み層によって算出された出力アレイは、後続の畳み込み層によって入力として受け取ることができる。

本明細書では、畳み込み層のフィルタに関連する「サイズ」という用語は、フィルタが動作するサブパッチの空間次元に沿ったサイズを指す（たとえば、出力チャネル次元に沿ったサブパッチサイズは、出力チャネルの総数と見なされる）。本明細書では、「畳み込み層のサイズ」と同様に、畳み込み層に関連する「サイズ」という用語は、畳み込み層のフィルタ（たとえば、同じサイズを有する畳み込み層の各フィルタ）のサイズを指す。特定の実施形態では、畳み込み層のフィルタは、機械学習訓練プロセスを介して判定される複数の可変パラメータを有する。特定の実施形態では、所与のフィルタのパラメータの数は、所与のフィルタが動作するサブパッチ内の値の数に等しい。たとえば、Ｋ_０の出力チャネルを有する入力アレイ上で動作するサイズＮ_ｆ×Ｍ_ｆ×Ｌ_ｆのフィルタは、Ｎ_ｆ×Ｍ_ｆ×Ｌ_ｆ×Ｋ_０のパラメータを有する。特定の実施形態では、フィルタはアレイとして実装され、所与のサブパッチに対してフィルタによって判定される応答値は、フィルタと所与のサブパッチとの間のドット積として算出される。

本明細書では、「完全畳み込みニューラルネットワーク（ＦＣＮＮ）」という用語は、ＣＮＮの各層が畳み込み層であるＣＮＮを指す。

本明細書では、ＣＮＮの層の入力または出力に関連して使用される「体積」という用語は、ＣＮＮ層によって受け取られる入力アレイまたは算出される出力アレイを指す。

本明細書では、「ＣＮＮモジュール」という用語は、特有のＣＮＮを実装して、画像（たとえば２Ｄ画像、たとえば３Ｄ画像）などの所与の入力に対して１つまたは複数の出力値を判定するコンピュータ実装プロセスを指す。たとえば、ＣＮＮモジュールは、対象の３Ｄ画像（たとえばＣＴ画像、たとえばＭＲＩ）を入力として受け取り、画像の各ボクセルに対して、そのボクセルが３Ｄ画像のうち対象の特定の器官または組織の表現に対応する領域内に位置する尤度を表す値を判定することができる。ＣＮＮモジュールは、ソフトウェアおよび／またはハードウェアとすることができる。たとえば、ＣＮＮモジュールは、完全にソフトウェアとして実装することができ、またはＣＮＮモジュールの特定の機能は、特殊なハードウェア（たとえば、特定用途向け集積回路（ＡＳＩＣ））を介して実施することができる。

本明細書では、「組織」という用語は、骨（骨組織）ならびに軟組織を指す。

特定の実施形態では、本明細書に記載する手法を使用して、対象のフルボディ画像内の標的組織領域をセグメント化および識別することができる。本明細書では、セグメント化の文脈で（区別なく）使用される「フルボディ」および「全身」という用語は、３Ｄ解剖学的画像において対象の体の図形表現の大部分（たとえば、５０％より大きい）を評価して、標的関心組織領域を識別する手法を指す。特定の実施形態では、フルボディおよび全身セグメント化は、対象の少なくとも胴全体における標的組織領域の識別を指す。特定の実施形態では、対象の頭部とともに、手足のいくつかの部分も含まれる。
Ａ．核医学撮像および自動画像セグメント化を介したがんの状態の検出および評定

対象のがんの状態について検出、評価、および予測するための基本を提供する人工知能（ＡＩ）ベースのセグメント化技術を提供するシステムおよび方法が、本明細書に記載される。特に、本明細書に記載するＡＩベースのセグメント化技法は、医用画像内の様々な組織領域の３Ｄ表現を正確かつ迅速に識別することを可能にする。本明細書に記載するＡＩベースのセグメント化技術は、畳み込みニューラルネットワーク（ＣＮＮ）などの機械学習技法を利用して、１つまたは複数の器官、器官の部分、特定の骨（単数または複数）、骨格領域などの特有の標的組織領域に各々対応する複数の標的３Ｄ関心体積（ＶＯＩ）を自動的に識別する。識別された各３ＤＶＯＩは、セグメント化マスクを介して表すことができる。患者の体中の複数の標的組織領域を識別する複数のセグメント化マスクをともに綴じて、セグメント化マップを形成することができる。セグメント化マップ、および／またはセグメント化マップが含む様々なセグメント化マスクを使用して、がんの状態、進行、および処置への応答の測度および／または予測として働く有用なインデックスなどの様々な数量を医用画像から算出することができる。また、セグメント化マップおよびマスクを、たとえば医用画像上に重ね合わせた図形表現として表示して、医師および他の開業医を案内することができる。

特定の実施形態では、ＡＩベースのセグメント化は、対象の体内の組織の場所および範囲に関する詳細な構造上の情報を提供する解剖学的画像を使用して実行される。解剖学的画像の例には、それだけに限定されるものではないが、Ｘ線コンピュータ断層撮影（ＣＴ）画像、磁気共鳴画像（ＭＲＩ）、および超音波が含まれる。解剖学的画像内の画像コントラストは、密度、含水量、および脂肪含量などの下にある組織の物理的特性に応じる。本明細書にさらに詳細に説明するように、本開示のＡＩベースのセグメント化技法は、解剖学的画像内のコントラストの変動およびパターンを分析して、異なる特有の標的組織領域に対応する標的３ＤＶＯＩを識別する。

特定の実施形態では、解剖学的画像からの構造上の情報および識別された標的ＶＯＩは、機能的撮像法を介して取得された画像と組み合わせられ、かつ／または機能的撮像法を介して取得された画像を分析するために使用される。機能的画像は、対象内の生理学的特性および活性を反映する。機能的画像は、多くの場合、プローブを使用して獲得され、対象の撮像された部分内のプローブの空間分布を反映する強度の変動を有する。たとえば、核医学画像（たとえばＰＥＴ走査、たとえばＳＰＥＣＴ走査、たとえば全身走査、たとえば複合ＰＥＴ－ＣＴ画像、たとえば複合ＳＰＥＣＴ－ＣＴ画像）は、放射性医薬品の放射性核種から放出された放射を検出して、画像を形成する。患者内の特定の放射性医薬品の分布は、血液の流れまたは灌流などの生物学的機構によって、ならびに特有の酵素または受容体を結合する相互作用によって判定することができる。異なる放射性医薬品は、異なる生物学的機構および／または特定の特有の酵素もしくは受容体を結合する相互作用を利用し、したがって、患者に投与されたとき、患者内の特定のタイプの組織および／または領域内に選択的に集中するように設計することができる。他の領域より高い濃度の放射性医薬品を有する患者内の領域からは、より大きい量の放射が放出され、したがってこれらの領域は、核医学画像内でより明るく見える。したがって、核医学画像内の強度の変動を使用して、患者内の放射性医薬品の分布をマッピングすることができる。患者内の放射性医薬品のこのマッピングされた分布を使用して、たとえば患者の体の様々な領域内のがん組織の存在を推測することができる。

セグメント化マップを機能的画像（たとえば、ＰＥＴ画像またはＳＰＥＣＴ画像などの核医学画像）に転写することで、機能的画像内の強度の増減から意味を評価および導出するための価値のあるコンテキストが提供される。特に、機能的画像の領域を、対象の特定の組織領域に対応するものとして識別することが可能になる。したがって、このようにして、特定の領域内のボクセルにおける強度値および増減は、対象の特有の組織領域（たとえば、器官または骨）内の放射性医薬品の下にある蓄積に由来するものとして理解することができる。

本明細書にさらに詳細に説明するように、この解剖学的コンテキストは、様々な用途を担う。たとえば、前立腺、リンパ節、および骨などの様々な特有の標的器官および組織領域における放射性医薬品の取込みの測度を評定し、その中のがん組織の存在の指標として使用することが可能になる。また、機能的画像の特定の領域強度が何に関連付けられているかを識別することで、これらの領域強度を適切なコンテキストで評価することが可能になる。たとえば、特定の値の強度は、前立腺領域に関連付けられている場合、膀胱または腎臓などの別の器官内で見られるときの同じ値の強度より、がんを示す可能性が高くなり得る。特定の実施形態では、基準領域が識別され、これを使用して、スケール上の正規化値およびレベルを算出し、これと他の領域内の強度を比較して、がんの状態を評価する。また、画像から除外される、またはアーティファクトを補正するために使用される背景領域を識別することもできる。

したがって、本明細書に記載するＡＩベースのセグメント化手法は、患者に対するがんの状態を検出、評価、および予測するための様々なツールおよび技法を構築することができるプラットホームとして働くことができる。さらに、本明細書に記載するＡＩベースのセグメント化ツールは、患者の全身にわたって様々な重要な組織領域を識別し、次いで解剖学的画像からのそれらの識別情報（たとえば、セグメント化マップ）を様々な機能的画像へ転写することができるため、様々な異なる放射性医薬品を介してコントラストを取得する様々な異なる撮像方法に基づいて、分析技法のための構築ブロックとして使用することができる。

図１～図３は、この概念を示す。特に、図１は、プラットホーム非依存のＡＩベースのセグメント化技術の文脈において、様々な解剖学的および機能的撮像法をどのように統合することができるかを示す概略図である。図１に示すように、本明細書に記載するＡＩセグメント化プラットホームは、解剖学的ＣＴ画像自体、１８ＮａＦ画像、Ｃ－１１画像、Ｇａ－６８画像、ＦＤＧ画像、およびＰｙＬ（商標）画像などの様々な画像の分析のための基本として使用することができる。図２は、対象の骨格上で実行された例示的なセグメント化の結果を示し、異なる特有の骨が、異なる色によって識別されている。ＣＴ画像を使用して実行される図２に示すセグメント化を機能的画像転写して、ＣＴ画像内で識別された標的ＶＯＩに対応する機能的画像内の３Ｄ体積を識別することができる。軟組織などの他のＶＯＩを識別し、これを使用して、機能的画像内の対応する３Ｄ体積を識別することもできる。たとえば、図３は、様々なプローブ（たとえば、^９９ｍＴｃ－ＭＩＰ－１４０４、^１８Ｆ－ＰｙＬ、^６８Ｇａ－ＰＳＭＡ－１１、^１８Ｆ－ＮａＦ、^１１Ｃ－Ｃｈｏｌｉｎｅ、［１８Ｆ］ＦＤＧ、［１８Ｆ］ＦＡＣＢＣなど）を使用して、解剖学的画像（たとえば、ＣＴ画像）に基づく様々な軟組織および骨領域のセグメント化をどのように使用し、様々な機能的撮像法を介して取得された画像にマッピングして、疾患の進行、状態などの画像ベースの診断および評定を実行することができるかを示すブロックフロー図である。図３に示すように、本明細書に記載するフルボディセグメント化技法は、異なる機能的撮像法およびプローブを利用する様々な特定用途向け画像分析技法を活用および構築することができるプラットホームとして働くことができる。

図４は、たとえば対象内のがんの状態を評定するために、人工知能ベースの画像分析４００をどのように実行して、病変を分類および特定し、ならびに陽の病変を定量化することができるかを示す図である。図４に示すように、畳み込みニューラルネットワーク（ＣＮＮ）などの機械学習モジュール４０２が、文脈上の解剖学的情報（たとえば、ＣＴ画像または他の解剖学的撮像法）４０４を、機能的情報（たとえば、特定の撮像プローブを使用して取得されたＳＰＥＣＴ、ＰＥＴ、または他の機能的画像などの機能的画像）４０６とともに受け取る。機械学習モジュール４０２は次いで、機能的情報４０６および解剖学的情報４０４を使用して、対象４１０内のがん病変を識別、分類、および／または定量化する。機械学習モジュール４０２はまた、対象の人口学的データ（たとえば、年齢、体重など）、および他の診断試験結果（たとえば、バイオプシ、グリソンスコア、遺伝子試験結果、前立腺特異的抗原（ＰＳＡ）試験結果）、臨床処置（単数または複数）（たとえば、体外ビーム照射、小線源治療、前立腺切除術、抗アンドロゲン物質、免疫療法（たとえば、Ｐｒｏｖｅｎｇｅ）、化学療法など）などの追加の情報４０８を入力として活用し、この追加の情報に基づいて、同様にがん病変の分類、識別、および／または定量化を行うことができる。

図５は、セグメント化を実行して複数の標的組織領域を識別するための例示的なプロセス５００を示すブロックフロー図である。図５に示すように、機械学習モジュールが、３Ｄ解剖学的画像（たとえば、フルボディ画像）を入力として受け取り（５０２）、複数の標的組織領域の各々に対して、３Ｄ解剖学的画像内の標的組織領域の図形表現を含む標的体積を識別する（５０４）。標的体積をともに綴じて（５０６）、セグメント化マップ５１０を形成する。セグメント化マップ５１０は、複数のセグメント化マスク５１２を含み、各セグメント化マスクは、識別された標的体積を表す。セグメント化マップ５１０は、表示および／またはさらなる処理のために記憶および／または提供することができる（５０８）。
ｉ．畳み込みニューラルネットワーク（ＣＮＮ）を使用した画像セグメント化

特定の実施形態では、本明細書に記載するＡＩベースの画像セグメント化手法は、ＣＮＮなどの機械学習技法を利用して、セグメント化を実行する。本明細書に記載するように、１つまたは複数の機械学習モジュールを使用して、画像の中間分析および処理を実行し、最終的に標的ＶＯＩを識別することができる。

特定の実施形態では、本明細書に記載するＡＩベースの画像セグメント化は、２ステップ手法を利用して、解剖学的画像内の標的関心組織領域を表す３Ｄ標的ＶＯＩのうちの１つまたは複数を識別する。この２ステップ手法では、標的ＶＯＩのうちの１つまたは複数を含む初期関心体積（ＶＯＩ）が第１に識別される。初期ＶＯＩは、局所化モジュールと呼ばれる第１のモジュールを使用して識別することができる。局所化モジュールは、第１の畳み込みニューラルネットワーク（ＣＮＮ）モジュールなどの第１の機械学習モジュールとすることができる。初期ＶＯＩが識別された後、セグメント化モジュールと呼ばれる第２のモジュール［たとえば、第２の機械学習ネットワーク（たとえば、第２のＣＮＮ）を実装して精細なセグメント化を実行する］を使用して、初期ＶＯＩ内の１つまたは複数の標的ＶＯＩを識別する。この手法は、受け取った元の解剖学的画像の次元および境界の変動にかかわらず、セグメント化モジュールが管理可能なサイズの標準化された入力上で動作することを可能にするという点で有利である。この２ステップ手法は、フルボディ走査などの大きい画像内の組織領域の精細に分解された正確なセグメント化を実行するのに特に有用である。局所化モジュールは、粗いセグメント化を実行するなどによって粗い分析を実行して、初期ＶＯＩを識別することができる。セグメント化モジュールは、可変の画像サイズに対応して画像全体を分析する必要なく、精細なセグメント化を実行して初期ＶＯＩ内の標的ＶＯＩを正確に識別することに資源を充てることができる。

さらに、たとえば実施例１で、本明細書にさらに詳細に説明するように、対象の全身に広がった１組の標的ＶＯＩを識別するために、複数の初期ＶＯＩを識別して、全身画像を複数の管理可能な初期ＶＯＩに区画化することができ、各初期ＶＯＩは、識別すべき所望の標的ＶＯＩの部分集合を含む。複数の初期ＶＯＩへの全身画像の区画化は、粗いセグメント化を実行して上半身、下半身、脊柱、および骨盤領域などの概略的な解剖学的領域を識別する機械学習モジュールなどの単一の局所化モジュールを使用して実行することができる。特定の実施形態では、複数の局所化モジュール（たとえば、各々１つまたは複数の初期ＶＯＩを識別するタスクを担う）を使用することができる。次いで、識別された各初期ＶＯＩに対して、１つまたは複数のセグメント化モジュールを使用して、精細なセグメント化を実行し、初期ＶＯＩ内の１つまたは複数の所望の標的ＶＯＩを識別することができる。

様々な局所化およびセグメント化モジュールを組み合わせて、単一のモジュールおよび／もしくは単一のソフトウェアアプリケーションとして実装することができ、またはたとえば別個のソフトウェアアプリケーションとして別個に実装することができる。

局所化モジュールによって、複数の異なる手法を使用して、特定の初期ＶＯＩを識別することができる。たとえば、１つの手法では、局所化モジュールは、グレースケールＣＴ画像（たとえば、単一の入力チャネル）を入力として受け取り、方形ＶＯＩ（たとえば、境界ボックス）の両隅部の座標を出力するＣＮＮを実装することができる。別の手法では、局所化モジュールは、２つの入力チャネル、すなわち（ｉ）グレースケールＣＴ画像、および（ｉｉ）前処理済みのＣＴ画像を受け取るＣＮＮを実装することができる。前処理済みのＣＴ画像は、閾値処理済みのＣＴ画像とすることができ、閾値処理は、識別すべき初期ＶＯＩの粗い識別を提供する。ＣＮＮは、これらの入力チャネルの両方を分析して、方形の初期ＶＯＩ（たとえば、境界ボックス）の両隅部を表す座標を出力するように訓練される。

第３の手法では、１つまたは複数の特有の標的ＶＯＩを含む特定の初期ＶＯＩを識別するために、局所化モジュールは、粗いセグメント化を実行して、特有の標的ＶＯＩを粗く識別する。このようにして、局所化モジュールは本質的に、特定の初期ＶＯＩ内の特有の標的ＶＯＩを識別するために使用される粗いバージョンのセグメント化モジュールである。次いで、粗く識別された特有の標的ＶＯＩを使用して（たとえば、これらの標的ＶＯＩに適合する最も小さいボックスを描くこと、またはおそらくいくらかのバッファ距離を追加することによる）、方形の初期ＶＯＩが生成される。ここで違いは、この場合の局所化モジュールの出力が、立方体の頂点の単なる座標ではないことである。この手法では、ボクセルがどのように分類されるか、たとえばボクセルがたとえば特定の初期ＶＯＩであるか、それとも背景であるかに関する尤度を与える尤度値が、画像の各ボクセルに対して自動的に判定される。

特定の実施形態では、機械学習モジュールによって実行されるボクセル分類は、分類プロセスのノイズを軽減するために、反復プロセスを介して洗練することができる。特に、特定の実施形態では、ＣＮＮモジュールなどの機械学習モジュールが、画像全体またはその一部を入力として受け取り、特定の各ボクセルに対して、（ｉ）解剖学的領域もしくは標的組織領域に対応する１組の事前定義されたクラスのうちの１つ、または（ｉｉ）背景として特定のボクセルを分類する標識を出力する。たとえば、脊柱、骨盤領域、ならびに左および右の上半身に対応する初期ＶＯＩを識別するように訓練された局所化モジュールは、各ボクセルを、それぞれ脊柱、骨盤領域、左上半身、および右上半身の場合は１、２、３、または４として、または背景の場合は０として標識することができる。

特定の初期ＶＯＩ内の１つまたは複数の標的組織領域を識別するセグメント化モジュールは、特定の初期ＶＯＩを入力として受け取り、各ボクセルに対して整数の標識を出力することができ、整数の標識は、そのボクセルを特定の標的組織領域または背景のうちの１つに対応するものとして識別する。たとえば、異なる椎骨を識別するセグメント化モジュールは、脊柱に対応する初期ＶＯＩを入力として受け取り、特定の椎骨に対応する整数（たとえば、第１腰椎の場合は１、第２腰椎の場合は２、第３腰椎の場合は３など、他の骨の場合は他の整数の標識）によって、初期ＶＯＩ内の各ボクセルを標識することができる。

上述したように機械学習モジュールによって実行される分類は、ノイズの多い結果をもたらすことがあり、特定の分離されたボクセルが、周辺とは異なる標識を有することがある。たとえば、ＣＮＮモジュールは、大きい体積内のボクセルの大部分に第１の標識が割り当てられ、分離されたボクセルおよび／または小さい群のボクセルには異なる標識、たとえば第２または第３の標識が割り当てられ、これらのボクセルを近傍とは異なる解剖学的領域に対応するものとして識別する出力をもたらすことがある。多くの場合、そのような分離されたボクセルおよび／またはアイランドは、均一に標識された大きい領域の縁部に見られる。

これらのわずかな不均一性が、分類プロセスのノイズに対応しており、次のような反復手順を介して除去することができる。第１に、（ｉ）特定の解剖学的領域もしくは標的組織領域、または（ｉｉ）背景を表す各標識に対して、標識されたボクセルの関連付けられた最大の接続構成要素が識別される。第２に、特定の各標識に対して、特定の標識に関連付けられた最大の接続構成要素のボクセルにすぐ隣接する異なる標識の分離されたボクセルおよび／またはボクセルアイランドが識別され、特定の標識が再び割り当てられる。特定の実施形態では、次いで第３のステップで、あらゆる残りの分離された異なる標識のボクセルアイランドを除去することができる。第４のステップで、セグメント化領域内の孔、すなわち背景として標識されたが背景でない標識されたボクセルによって完全にカプセル化されたボクセルが充填される（たとえば、これらの孔のボクセルに、これらの孔をカプセル化する背景でない領域の標識を割り当てることによる）。分離されたボクセルおよび／またはボクセルアイランドが周辺に基づいて再標識される第２～第４のステップは、収束まで、すなわち反復ごとに変化がなくなるまで繰り返される。この手法は、異なる標識の分離されたボクセルを周辺から低減および／または除去し、それによって分類プロセスのノイズを軽減する。

初期ＶＯＩを識別するためのこれらの様々な手法は、対象の解剖学的画像内の複数の初期ＶＯＩを識別するために、単独でまたは組み合わせて使用することができる。１つまたは複数の初期ＶＯＩが識別された後、各初期ＶＯＩ内の１つまたは複数の標的ＶＯＩを識別することができる。たとえば、内容が全体として参照により本明細書に組み込まれているＰＣＴ公開ＷＯ２０１９／１３６３４９は、骨盤領域に対応する単一の初期ＶＯＩをＣＴ画像内でどのように識別することができるか、ならびに精細なセグメント化をどのように実行して、前立腺、嚢、臀筋などの器官、ならびに仙骨、尾骨、左寛骨、および右寛骨などの様々な骨盤の骨に対応する標的ＶＯＩを識別することができるかに関するさらなる詳細を提供する。本明細書、特に実施例１～４に記載する手法は、複数の初期ＶＯＩをどのように識別し、これを使用して対象の体における複数の標的ＶＯＩを識別することができるかを示し、それによって様々な器官および組織領域内の局所的病期、ならびに患者の体内の複数の領域内に存在する転移病期におけるがんの状態、進行、および処置への応答の検出および評定のための基本として働くことができる正確な全身画像セグメント化を提供する。
ｉｉ．３Ｄ機能的画像への解剖学的コンテキストの提供

解剖学的画像の自動化されたＡＩベースの分析によって生成されるセグメント化マップを３Ｄ機能的画像に転写し、３Ｄ機能的画像内で、解剖学的画像内で識別された標的ＶＯＩに対応する３Ｄ体積を識別することができる。特に、特定の実施形態では、（セグメント化マップの）個別のセグメント化マスクが、３Ｄ解剖学的画像から３Ｄ機能的画像にマッピングされる。３Ｄ機能的画像内で識別された３Ｄ体積は、がんの状態の評定のために画像を分析する際に様々な目的で使用することができる。

特定の識別された３Ｄ体積および対応する標的ＶＯＩは、がんが疑わしいかつ／またはがんが生じている可能性のある組織領域に対応する。そのような領域は、たとえば、前立腺、乳房組織、肺、脳、リンパ節、および骨を含むことができる。他の領域を評価することもできる。前立腺、乳房、および肺などの特定の領域は、がんをより早い局所的病期に検出することに関係し、リンパ節および骨などの他の領域は、転移性がんを評定することに関係する。ＰＥＴおよびＳＰＥＣＴ画像などの機能的画像の強度は、特有の組織領域に対応する機能的画像内の特有の３Ｄ体積を正確に識別することによって、患者の体内の放射性医薬品の蓄積の空間分布をマッピングするため、それらの３Ｄ体積内のボクセルの強度を使用して、それらが対応する特有の組織領域内の放射性医薬品プローブの取込みの測度を判定することができる。放射性医薬品プローブは、がん組織内に選択的に蓄積するように設計することができる（たとえば、前立腺特異的膜抗原（ＰＳＭＡ）など、がん組織内で過剰発現された生体分子に対する強化された親和性による）ため、特定の標的関心組織領域および器官内の特定のプローブの取込みを検出および定量化することは、対象に対するがんの状態を示し、かつ／またはこれを使用して、対象に対するがんの状態を判定することができる。たとえば、内容が全体として参照により本明細書に組み込まれているＰＣＴ公開ＷＯ２０１９／１３６３４９に記載されているように、前立腺体積内の１４０４の取込みを評定することを使用して、対象に対する前立腺がんの状態を判定することができる。他のプローブを使用して、骨を含む多種多様な他の組織領域内に存在する転移性がんを評定することもできる。たとえば、実施例２～６は、患者の体全他にわたってがん病変内のＰｙＬ（商標）の蓄積を識別するために使用されるセグメント化について説明する。

したがって、特定の実施形態では、ＣＴ画像などの解剖学的画像上で実行されるセグメント化は、ＰＥＴまたはＳＰＥＣＴ画像などの相互に見当合わせされた機能的画像に転写（たとえば、マッピング）され、特定の関心組織領域に対応する機能的画像内の特有の関心組織体積を識別することが可能になる。次いで、それらの特定の組織領域内の放射性医薬品の蓄積は、特有の関心組織体積内に位置する機能的画像ボクセルの強度に基づいて定量化することができる。

様々な手法を使用して、機能的画像内のボクセル強度を分析することができる。たとえば、特有の体積内の平均、中央、合計、最大などの強度を、定量化のために算出および使用することができる。次いで、この算出された値と、たとえば他の組織領域に対して（たとえば、正規化のために）算出された他の値とを比較し、これを使用して、患者にがんの状態を割り当てることができる（たとえば、１つまたは複数の所定の閾値との比較に基づく）。特定の実施形態では、特定の３Ｄ体積内で、ホットスポットと呼ばれる高い強度の局所化領域が識別される。以下の節Ｂでさらに詳細に説明するように、これらの局所化されたホットスポットは、がん病変を表すものとして識別することができ、これを使用して、対象のがんの状態を判定することができる。特定の実施形態では、機械学習手法を使用することができる。たとえば、１つまたは複数の特有の関心組織体積内に位置する機能的画像ボクセルの強度は、リスクインデックスを算出する機械学習モジュールへの入力として使用することができ、リスクインデックス自体は、がんのリスク、転移、もしくはがんの再発などを定量化し、かつ／または閾値などの基準値と比較して、特定のがんの状態を割り当てるために使用することができる。

特定の実施形態では、がん組織が存在し得る特有の組織領域を識別することに加えて、たとえばその領域内のがんの存在および／または状態を判定するために、他の追加の組織領域を識別することができる。そのような追加の組織領域は、通常の状況下で特定の放射性医薬品プローブが蓄積するが、必ずしも病変が存在するとは限らない背景領域に対応することができる。

特定の実施形態では、識別された背景領域を使用して、ボクセル強度を正規化し、画像ごとの強度値を標準化する。たとえば、内容が全体として参照により本明細書に組み込まれているＰＣＴ公開ＷＯ２０１９／１３６３４９に記載されているように、臀筋を識別することができ、臀筋内の取込みを使用して、１４０４の投与後に取得されたＳＰＥＣＴ画像内の強度を正規化することができる。

また、特定の背景領域の識別を使用して、これらの領域内の高いプローブ蓄積レベルを補償することができる。特定の実施形態では、特定の背景領域が識別され、分析から除外される。たとえば、実施例３に説明するように、ＰｙＬ（商標）などの特定のプローブは、通常の状況下で特定の背景領域内に蓄積することがあるが、それらの領域内にいかなるがん病変または組織も存在しないことがある。したがって、これらの領域を識別し、たとえばホットスポット検出分析から除外することができる。そのような領域の例には、腎臓、十二指腸、小腸、脾臓、肝臓、膵臓、胃、副腎、直腸、および精巣が含まれる。

特定の実施形態では、背景領域に対応する機能的画像内の３Ｄ体積を識別することを使用して、特定の領域内の放射性医薬品の大量の蓄積が、機能的画像において特定の領域に対応する３Ｄ体積内だけでなくその近傍でも高い強度をもたらし得る強度ブリード作用を補正することができる。機能的画像の他の領域へのそのような強度ブリードは、有用なシグナルを覆い隠す可能性がある。たとえば、放射性医薬品は典型的に、患者の膀胱内に大量に蓄積する。機能的撮像法を介して撮像したとき、膀胱内のこの大量の蓄積は、散乱作用を介して、前立腺などの膀胱外の組織領域に対応する３Ｄ体積内の強度に寄与することがある。したがって、この強度ブリードまたは「クロストーク」を補償することで、３Ｄ機能的画像内の強度を使用して下にある放射性医薬品の取込みを測定する精度を改善することができる。

特定の実施形態では、強度ブリードをもたらす特定の背景領域に対応する３Ｄ体積が拡張される。拡張された背景領域は、背景領域に直接隣接する領域の強度を使用してホットスポットの取込みの尺度または識別情報を判定することを回避するために、分析から除外することができる。

特定の実施形態では、機能的強度のプロファイルをモデル化する抑制方法を使用して、隣接する領域内の強度レベルを調整し、強度ブリードを補正することもできる。この手法では、強度ブリードをもたらす特定の背景領域に対して、機能的画像の特定のボクセルから除去するための抑制量、すなわち強度ブリードは、特定の背景領域に対応する特定の３Ｄ背景体積におけるそのボクセルから高強度コア領域までの距離に依存する。高強度コア領域は、所定の値を上回る強度、または機能的画像の特有の領域内の最大強度の特有の留分範囲内の強度を有するボクセルを含む領域として判定することができる。

特定の実施形態では、この抑制は、特定の背景領域に対応するものとして識別された３Ｄ体積内の最大の機能的画像強度が、判定された背景強度値に特有の乗数値を掛けた値より大きい場合に利用される。背景強度値は、臀筋などの特有の組織領域に対応する特有の基準体積に対応する３Ｄ機能的画像のボクセルの強度に基づいて判定することができる。抑制手法は、強度ブリードをもたらす特定の背景領域の近傍の３Ｄ機能的画像の小領域に適用することができる。たとえば、特定の領域を囲む方形の小領域に所定の縁辺を足した領域に適用することができる。

特定の実施形態では、１つまたは複数の強度ブリード関数を判定して抑制を実行し、それによってブリード（たとえば、クロストーク）に対して３Ｄ機能的画像のボクセルの強度を補正する。たとえば、３Ｄ機能的画像は、特定の領域を囲む前述の方形の小領域に所定の縁辺を足した領域にクロッピングすることができる。クロッピングされた画像領域内のボクセルの強度から、判定された背景強度値を差し引くことができる。次いで、試料強度を収集して、特定の背景領域に対応する特定の背景３Ｄ体積から離れる方へ動くにつれて、特定の背景領域内の放射性医薬品の取込みに起因する強度がどのように減少するかを判定することができる。上端、右端、左端、および下端から始まり、次いでそれぞれ上、右、左、および下へ外方へ動く試料を使用することができる。他の方向も可能である。採取された強度は、高強度コアからの強度の減少を示す曲線（たとえば、採取された強度データ点のセット）を提供する。これらの採取曲線にｎ次の多項式などのテンプレート関数を適合し、これを使用して、特定の３Ｄ背景体積の近傍の補正係数として使用される強度値を算出することができる。

たとえば、内容が全体として参照により本明細書に組み込まれているＰＣＴ公開ＷＯ２０１９／１３６３４９は、膀胱領域の識別をどのように使用して、１４０４ＳＰＥＣＴ画像において膀胱内の大量の蓄積による強度ブリードに対する前立腺ボクセル強度を調整することができるかを記載している。特定の実施形態では、類似の手法は、膀胱および／または他の領域（たとえば、肝臓、腎臓など）内に蓄積することができる他のプローブによって取得された他の画像にも使用することができる。

特定の実施形態では、本明細書に記載するセグメント化手法は、３Ｄ解剖学的画像が特定の解剖学的領域を含むと想定する。たとえば、本明細書に記載するシステムおよび方法の一実施形態は、その入力された解剖学的画像が常に骨盤領域を含み、骨盤領域を自動的にセグメント化しようとすると想定することができる。本明細書に記載するシステムおよび方法はまた、他の解剖学的領域に対して、それらの解剖学的領域が入力された解剖学的画像内に含まれる場合にのみ、そのような領域をセグメント化することができ、たとえば第１に、それらの解剖学的領域が存在するかどうかに関する判定を実行する。

全身セグメント化を実行して骨および／または軟組織（たとえば、器官）に対応する標的組織領域を識別するための手法については、以下の実施例１、２、３、および４でさらに詳細に説明する。また、患者内の疾患の状態、特にがんの評定にそのような全身セグメント化を使用するための手法についても説明する。
Ｂ．ホットスポットおよび病変の検出

特定の実施形態では、機能的画像内の特定の体積における全体的な取込みを定量化する代わりに、またはそれに加えて、局所化されたホットスポット（比較的高い強度の局所化領域）が検出される。特定の実施形態では、ホットスポットは、閾値手法を介して、機能的画像内のボクセルの強度と１つまたは複数の閾値とを比較することによって検出される。閾値を上回る強度を有するボクセルのグループ分けを、ホットスポットとして検出することができる。単一のグローバル閾値を使用することができ、または特定の実施形態では、複数の領域特有の閾値を使用することもできる。たとえば、相互に見当合わせされた解剖学的画像のセグメント化を使用して、ホットスポット検出に使用される異なる組織領域に対する異なる閾値を設定することができる。また、本明細書に記載するように、相互に見当合わせされた画像のセグメント化を使用して、背景シグナルの作用を除去し、それによってホットスポット検出を容易にすることができる（たとえば、グローバル閾値および／または複数の領域閾値が使用される場合）。

特定の実施形態では、ブロブ検出技法を使用して、ホットスポットをさらに検出することができる。１つの手法は、ガウス差分手法を使用することであり、ガウスカーネルによって近似された高域および低域フィルタの組合せによって、ＰＥＴ画像がフィルタリングされる。これらのフィルタは、背景ノイズを低減させ、画像の異なる領域内の背景レベルの変化に対して変動しない（たとえば、胸部は、肝臓および腎臓内の著しい取込みのため、骨盤領域と比較すると著しく高い背景レベルを有することがある）。このカスケード式高域／低域フィルタ手法は、固定の閾値を利用しなくても、ホットスポット抽出を可能にするはずであるが、代わりにＰＥＴ強度の局所変化を識別し得る。別の手法は、ガウスのラプラシアンのブロブ検出方法を用いることである。ガウスのラプラシアン手法は、ラプラシアンおよびガウスフィルタカーネルを使用して画像内の縁部を検出するための方法である。異なるサイズのカーネルを使用することによって、異なるサイズの構造の縁部が検出される。適当なカーネルサイズを選択することで、この方法により、病変に共通の特性を有する構造を検出することが可能になる。記載の手法は、単独で使用することができ、その場合、これらの技法のうちの１つのみがすべての関心領域に対して使用され、または同時に使用することができ、その場合、単一のグローバル閾値もしくは複数のローカル閾値に関連して、相互に見当合わせされた解剖学的画像の意味論的セグメント化によって識別された異なる組織領域に対して、異なる方法を用いることができる。

図５Ｂは、本明細書に記載するセグメント化手法を使用してがん病変を表すホットスポットを検出するための例示的なプロセス５２０を示す。第１のステップで、３Ｄ解剖学的画像が受け取られる（５２２）。特定の標的組織領域に対応する１つまたは複数の標的ＶＯＩが、３Ｄ解剖学的画像内で識別され（５２４）、標的ＶＯＩの識別情報をともに綴じて（５２６）、複数のセグメント化マスク５３６を含むセグメント化マップ５３４を作成する。セグメント化マップの各セグメント化マスクは、特定の標的ＶＯＩを表す。次に、３Ｄ機能的画像（たとえば、ＰＥＴ画像）が受け取られ（５２８）、セグメント化マップを３Ｄ機能的画像に転写して、各標的ＶＯＩに対して、３Ｄ機能的画像内の対応する３Ｄ体積を識別する（５３０）。次いで、識別された３Ｄ体積を使用して、３Ｄ機能的画像内で、周辺に対して高い強度の局所化領域に対応する１つまたは複数のホットスポットを検出する（５３２）。特に、１つまたは複数の特有の３Ｄ体積は、がん病変が形成し得る特有の組織領域に対応することができ、これを分析して、それらの組織領域内のホットスポットを検出することができる。他の３Ｄ体積を使用して、背景補正を実行することもでき、または他の３Ｄ体積をホットスポット検出プロセスから意図的に除外することもできる。本明細書にさらに詳細に説明するように、ホットスポットをスコア記録するため、たとえばホットスポットが表す下にある病変のリスク／重症度を示すために、ホットスポットに割り当てることができる有用なインデックスを算出するための基準体積として使用されることから、さらに他の体積が関係することもある。

ホットスポットはまた、初期検出後に、たとえばがんである、もしくはがんでないものとして分類することができ、かつ／または転移である尤度を表す尤度値を割り当てることができる。ホットスポット分類は、ホットスポット特徴（たとえば、特定のホットスポットの特徴を記述する尺度）を抽出し、たとえば機械学習モジュールを介して、抽出されたホットスポット特徴を分類に対する基本として使用することによって実行することができる。

特定の実施形態では、ホットスポット分類はまた、機械学習を使用しないで実行することができる。そのような実施形態では、解剖学的知識と、検出されたホットスポットの形状および場所に関する情報とを組み合わせて、ホットスポットをがん病変またはノイズとして分類することができる。たとえば、検出されたホットスポットが、肝臓に面した肋骨の縁部上に位置し、検出されたピークが、ホットスポットを取り囲む面積のグローバル最大でない場合、所与の解剖学的情報および空間情報に基づいて、ホットスポットが腫瘍であるか否かを推定することが可能である。加えて、相互に見当合わせされた解剖学的画像のセグメント化を使用して、がん細胞を含有しないことが分かっているが極めて高い機能的画像ボクセル強度が共通している背景組織領域の強度モデルを作成することができる。そのような背景領域は、背景領域自体の境界の範囲外で強度ブリードを引き起こし、がん病変が存在し得る隣接する領域に影響することがある。強度レベルのプロファイルを推定し、これを使用して、がん病変を有する隣接する組織領域内に存在する推定された追加の強度レベルを差し引いて、より強固なホットスポット検出を可能にすることができる。

病変を表すホットスポットを使用して、患者に対する疾患の存在および／または状態（たとえば、グリソンスコアと同様に、がんの状態）の指標を提供するリスクインデックスを判定することができる。たとえば、ホットスポットの数、識別されたホットスポットの総合計強度、ホットスポットによって占有された特定の体部分または領域（たとえば、骨格）の面積留分などの尺度は、それ自体をそのようなリスクインデックスとして使用することができ、かつ／またはそのようなリスクインデックスの計算に使用することができる。特定の実施形態では、本明細書に記載するセグメント化手法を介して識別された領域は、リスクインデックスの算出に、たとえば面積留分などの尺度を算出する際に使用することができる。識別されたホットスポットを使用してリスクインデックスを算出するための手法の例は、本明細書で実施例５および７に提供する。
Ｃ．例示的なＣＮＮベースの全身セグメント化および病変検出手法

以下の実施例は、全身セグメント化、がん病変の検出、および対象のがんの状態を評価するための有用な尺度の判定のための本明細書に記載するＡＩベースのセグメント化およびホットスポット検出手法の使用を実証する。

ｉ．（実施例１）
ＣＮＮベースの全身セグメント化
実施例１は、全身セグメント化のための例示的な手法について説明する。この例における実装では、５つのニューラルネットワークを使用して、胴全体の骨をセグメント化する。第１のニューラルネットワークを使用して、体の異なる領域を粗く局所化する。その結果を使用して、体を４つの領域に分割する。次いで、これらの領域の各々において、対応するニューラルネットワークを使用して、個別の骨へのセグメント化を実行する。次いで、４つすべての領域からの結果を組み合わせて、完成した結果（たとえば、最終セグメント化マップ）を得る。

この手法は、本明細書に記載する２ステップの「境界ボックス」手法に関係し、第１の機械学習モジュール（たとえば、局所化モジュール）を使用して、１つまたは複数の特定の標的組織領域（たとえば、前立腺）を含む解剖学的領域に対応する初期関心体積（ＶＯＩ）を粗く局所化する。次いで、第２の機械学習モジュール（たとえば、セグメント化モジュール）が、初期ＶＯＩ内で精細なセグメント化を実行して、初期ＶＯＩ内の標的組織領域（単数または複数）に対応する標的体積（単数または複数）を識別する。この場合、全身セグメント化のために、第１の機械学習モジュール（局所化モジュール）は、異なる解剖学的領域に各々対応する複数の初期ＶＯＩを識別する。次いで、各解剖学的領域に対して、対応する２次機械学習モジュール（セグメント化モジュール）が、特定の標的組織領域を各々表す１つまたは複数の標的体積を識別する。機械学習モジュール（たとえば、ニューラルネットワーク）は、別個のモジュールとして実装することができ、またはいくつかの機械学習ネットワークを組み合わせることができる。たとえば、各２次セグメント化ネットワークを別個のモジュールとして、または単一のモジュール内で実装することができる。

したがって、この例では、第１のモジュール（局所化）は、ＣＴ内の解剖学的領域を識別するために、すなわち第２のモジュールのネットワークを適用して、さらなる分析に使用されるセグメント化マップを生成することができる関心体積を発見するために使用される。第２のモジュール内のネットワークは、フル分解能のＣＴ画像とともに機能し、局所化ネットワークは、ＣＴ画像のサブサンプリングバージョンを使用して低分解能で機能する。

ＣＮＮネットワークの３つの例示的なバージョンが、これらの手法による全身セグメント化を実装するソフトウェアで使用される。バージョン１および２は、４９個の骨をセグメント化し、バージョン２は、４９個の骨および８つの軟組織領域をセグメント化する。
ＣＮＮベースのセグメント化プラットホームの例示的なバージョン１

全身セグメント化に使用されるＣＮＮネットワークの第１の例示的なバージョンでは、第１の機械学習モジュール（局所化モジュール）は、この例で「ｃｏａｒｓｅ－ｓｅｇ」と呼ばれており、サブサンプリングされたＣＴ画像内で４９個の骨を識別するように訓練された（各次元に沿ってサブサンプリング係数４）。局所化モジュールを使用して、体の領域を骨盤領域、脊柱、左上半身、および右上半身に区別した。４つの精細なセグメント化ネットワークは、次のとおりであった。
●「ｆｉｎｅ－ｓｅｇ－ｐｅｌｖｉｃ」：左および右の腸骨ならびに仙骨および尾骨を識別するように訓練された。
●「ｆｉｎｅ－ｓｅｇ－ｓｐｉｎｅ」：１２個の胸椎、５つの腰椎、および胸骨を識別するように訓練された。
●「ｆｉｎｅ－ｓｅｇ－ｌｅｆｔ－ｕｐｐｅｒ－ｂｏｄｙ」：体の左側の１２個の肋骨、左肩甲骨、および左鎖骨を識別するように訓練された。
●「ｆｉｎｅ－ｓｅｇ－ｒｉｇｈｔ－ｕｐｐｅｒ－ｂｏｄｙ」：体の右側の１２個の肋骨、右肩甲骨、および右鎖骨を識別するように訓練された。

各ネットワークに対する入力画像サイズは、次のとおりであった。

局所化モジュールのｃｏａｒｓｅ－ｓｅｇネットワークが、入力画像として、大きい物理的体積を表し、対象の体の大部分を含む３Ｄ解剖学的画像を受け取ったのに対して、その入力画像内のボクセルの実際の数は、サブサンプリングの係数４のため、他のネットワークより小さかった。ボクセルの数および局所化モジュールへの入力画像のサイズはまた、組織の図形表現を含まず、代わりに空気を表す画像の領域をクロッピング（除去）することによって低減された。前処理ステップとしてこれらのボクセルを除去することで、局所化モジュールに入力された画像のサイズをさらに低減させた（たとえば、以下の表４の最初の２列参照）。サブサンプリングを介して局所化モジュールに入力される画像のサイズを低減させることで、ｃｏａｒｓｅ－ｓｅｇネットワークは、追加のフィルタのために動作する画像の分解能を交換することが可能になり、それによってたとえば、受け取った画像の変動性を補償し、より正確かつ強固な粗いセグメント化を実行して、異なる初期関心体積を識別することが可能になる。

各ニューラルネットワークで使用されるフィルタおよびパラメータの数を、以下の表２～表４に挙げる。

以下の表４はまた、生データおよびこの例で使用される５つのニューラルネットワークに対する入力画像サイズの変動性を示す。この表に示すように、４つの２次の精細なセグメント化ネットワークに対する入力画像サイズの変動性は、初期ＶＯＩの識別が２次機械学習モジュールに対してより標準化された入力をもたらすため、第１の局所化ネットワークに対するものより小さい。

ＣＮＮベースのセグメント化プラットホームの例示的なバージョン２

この例で上述したＣＮＮ全身セグメント化システムの更新された第２の例示的なバージョンは、入力画像サイズ、畳み込みフィルタの数、およびセグメント化を実行するために使用されるニューラルネットワークで使用されるパラメータの調整を含んだ。以下に見られる表５、表６、および表７は、５つのニューラルネットワークで使用される様々なパラメータに対する更新された値を示す。表５は、表１に示す入力画像サイズに対する更新された値を示し、表６は、表２に示すニューラルネットワークに対する畳み込みフィルタの数に対する更新された値を示し、表７は、表３に示すニューラルネットワークによって使用されるパラメータの数に対する更新された値を示す。

ＣＮＮベースのセグメント化プラットホームの例示的なバージョン３

ＣＮＮ全身セグメント化手法の別の第３の例示的なバージョンを使用して、軟組織領域ならびに骨をセグメント化した。本明細書に記載するように、この第３のバージョンは、本明細書で「ｃｏａｒｓｅ－ｓｅｇ－０２」および「ｃｏａｒｓｅ－ｓｅｇ－０３」と呼ばれる２つの粗いセグメント化モジュールを含み、これらは並行して使用された。

「ｃｏａｒｓｅ－ｓｅｇ－０２」モジュールは、サブサンプリングされたＣＴ画像内で４９個の骨を識別するように訓練された。「ｃｏａｒｓｅ－ｓｅｇ－０３」モジュールは、サブサンプリングされたＣＴ画像内で４９個の骨および肝臓を識別するように訓練された。「ｃｏａｒｓｅ－ｓｅｇ－０２」モジュールは、骨の局所化に関して「ｃｏａｒｓｅ－ｓｅｇ－０３」モジュールより性能が優れており、各モジュールの利益を利用するために、両方を並行して使用して、異なる精細なセグメント化ネットワークに対して初期関心体積（たとえば、「境界ボックス」）を識別した。特に、第３のバージョンでは、７つの精細なセグメント化ネットワークが使用された。７つの精細なセグメント化ネットワークのうちの６つは、初期関心体積の識別に「ｃｏａｒｓｅ－ｓｅｇ－０２」を使用し、第７の「ｆｉｎｅ－ｓｅｇ－ａｂｄｏｍｅｎ」は、初期関心体積の識別に「ｃｏａｒｓｅ－ｓｅｇ－０３」を使用した。

ＣＮＮ全身セグメント化システムのこの第３の例示的なバージョンに対する７つの精細なセグメント化ネットワークは、次のとおりである。
●「ｆｉｎｅ－ｓｅｇ－ａｂｄｏｍｅｎ」：肝臓、左および右の腎臓、ならびに胆嚢を識別するように訓練された。
●「ｆｉｎｅ－ｓｅｇ－ｌｅｆｔ－ｌｕｎｇ」：左肺を識別するように訓練された。
●「ｆｉｎｅ－ｓｅｇ－ｒｉｇｈｔ－ｌｕｎｇ」：右肺を識別するように訓練された。
●「ｆｉｎｅ－ｓｅｇ－ｐｅｌｖｉｃ－ｒｅｇｉｏｎ－ｍｉｘｅｄ」：左および右の腸骨、前立腺、膀胱、ならびに仙骨および尾骨を識別するように訓練された。
●「ｆｉｎｅ－ｓｅｇ－ｓｐｉｎｅ－ｂｏｎｅ」：１２個の胸椎、５個の腰椎、および胸骨を識別するように訓練された。
●「ｆｉｎｅ－ｓｅｇ－ｌｅｆｔ－ｕｐｐｅｒ－ｂｏｄｙ－ｂｏｎｅ」：体の左側の１２個の肋骨、左肩甲骨、および左鎖骨を識別するように訓練された。
●「ｆｉｎｅ－ｓｅｇ－ｒｉｇｈｔ－ｕｐｐｅｒ－ｂｏｄｙ－ｂｏｎｅ」：体の右側の１２個の肋骨、右肩甲骨、および右鎖骨を識別するように訓練された。
以下の表８、表９、および表１０は、ＣＮＮベースのセグメント化システムの第３のバージョンにおける７つのニューラルネットワークで使用される様々なパラメータに対する値を示す。

したがって、この例は、本明細書に記載するセグメント化手法をどのように使用して、効率的な全身セグメント化を実行することができるかを実証する。
ｉｉ．（実施例２）
低線量ＣＴにおける骨格の自動化されたセグメント化、および［^１８Ｆ］ＤＣＦＰｙＬによるＰＥＴにおける転移性前立腺がんの定量化

ＰＳＭＡ－ＰＥＴ／ＣＴ複合撮像は、前立腺がんの患者にとって期待がもてる診断プラットホームである。正確な診断および処置計画には、３次元ＣＴ画像における器官の手動描写が必要とされることが多いが、そのような手動描写は時間のかかるプロセスである。この難題に対処するために、この実施例では、本明細書に記載する全身セグメント化技術によるディープラーニング手法を使用して、全身ＣＴ画像における正確な骨セグメント化のプロセスの自動化を実証する。この実施例で説明するように、そのような骨格セグメント化を介して獲得された解剖学的情報を使用して、［^１８Ｆ］ＤＣＦＰｙＬ（ＰｙＬ（商標）－ＰＳＭＡ）によるＰＥＴ／ＣＴ画像において、完全に自動化された病変検出アルゴリズムを作成することができる。

１２個の骨格領域の意味論的セグメント化のためのカスケード式ディープラーニング畳み込みニューラルネットワークに基づくディープラーニングアルゴリズムが開発された。特に、１２個の骨格領域は、胸椎および腰椎、左側（左）／右側（右）の肋骨、胸骨、左側（左）／右側（右）の鎖骨、左側（左）／右側（右）の肩甲骨、左側（左）／右側（右）の腸骨、ならびに仙骨であった。低線量ＣＴ画像および手動で策定されたセグメント化マップのペアの訓練セット（Ｎ＝９０）および検証セット（Ｎ＝２２）を使用して、ディープラーニングアルゴリズムを開発した。アルゴリズムの性能は、ＰｙＬ（商標）－ＰＳＭＡ研究から取得された低線量ＣＴ画像の試験セット（Ｎ＝１０）で評定された。画像の試験セットでは、５つの代表的な体部分：左側（左）の腸骨、腰椎、左側（左）の肋骨、右側（右）の肩甲骨、および胸骨が手動でセグメント化された。これらの手動セグメント化は、自動化されたセグメント化手順の評価のためのグラウンドトゥルースとして使用された。

自動化されたセグメント化は、自動化された病変検出のために使用することができる。たとえば、ＰＥＴ画像ボクセル強度に基づく標準取込み値（ＳＵＶ）のハード閾値を使用する自動化された病変検出手法を実行することができる。

ソーレンセン－ダイススコアを使用して、自動化されたセグメント化の精度を評価した。セグメント化手法は、訓練セットでそれぞれ０．９５および０．０２４のソーレンセン－ダイススコアの平均値および標準偏差を実現し、検証セットでそれぞれ０．９３および０．０３６の平均値および標準偏差を実現した。試験セットの場合、５つの領域の各々に対する平均値（括弧内に標準偏差値を示す）は、右側（右）の鎖骨に対して０．９４（０．０１６）、左側（左）の肋骨に対して０．９０（０．０２３）、胸骨に対して０．９２（０．０１９）、腰椎に対して０．９４（０．０３３）、および左側（左）の腸骨に対して０．９７（０．００３３）である。全体的な平均値（すべての体部分に対する）は０．９３であり、標準偏差は０．０３０であった。

したがって、この実施例では、全身低線量ＣＴ画像における１２個の骨格領域に対する完全に自動化されたセグメント化手法の精度、およびＰｙＬ（商標）－ＰＳＭＡ／ＣＴ複合撮像のための自動化された病変検出手法の使用を実証する。
ｉｉｉ．（実施例３）
ＰｙＬ（商標）－ＰＥＴ画像分析および病変検出のための自動化された全身セグメント化

この実施例では、本明細書に記載する全身セグメント化技術によるディープラーニング手法を使用した全身ＣＴ画像における４９個の骨および２７個の軟組織領域の自動化されたセグメント化を実証する。またこの実施例では、そのようなセグメント化を介して獲得された解剖学的情報をどのように使用して、［^１８Ｆ］ＤＣＦＰｙＬ（ＰｙＬ（商標）－ＰＳＭＡ）によるＰＥＴ／ＣＴ画像において、完全に自動化された病変検出アルゴリズムを作成することができるかを実証する。この実施例はまた、セグメント化をどのように使用して、背景シグナルをＰＥＴ画像から除去し、ＰｙＬ（商標）が蓄積した病変の観察および検出を容易にすることができるかを示す。

図６Ａは、この実施例で説明するＰｙＬ（商標）－ＰＥＴ／ＣＴ画像分析で使用される本明細書に記載するセグメント化プロセスの一実施形態を示すブロックフロー図を示す。図５に示すプロセス５００と同様に、プロセス６００では、解剖学的画像が受け取られる。特に、プロセス６００では、ＣＴ画像が受け取られる（６１０ａ）。この実施例では、プロセス６００を使用して、ＣＴ画像を識別し、４９個の特有の骨および８この軟組織領域に対応する標的関心体積にセグメント化する（この実施例では、実施例１で説明したＣＮＮベースのセグメント化手法の例示的なバージョン３が使用される）。標的体積を識別するために、粗いセグメント化を実行して（６２０ａ）、たとえば実施例１に説明したように、１組の初期関心体積または小領域を局所化する。次いで、精細なセグメント化を小領域の各々で実行して、標的の４９個の骨および８この軟組織領域に対応する特有の標的関心体積を識別する（６３０ａ）。識別された標的体積を表すセグメント化マスクを作成およびマージして（６４０ａ）、たとえば３Ｄ全身セグメント化マップを作成することができる。

実施例１（ＣＮＮネットワークバージョン３）に記載したように、セグメント化された特有の領域は次のとおりである。
４９個の骨：
ｃｌａｖｉｃｌｅ＿ｌｅｆｔ
ｃｌａｖｉｃｌｅ＿ｒｉｇｈｔ
ｈｉｐ＿ｂｏｎｅ＿ｌｅｆｔ
ｈｉｐ＿ｂｏｎｅ＿ｒｉｇｈｔ
ｒｉｂ＿ｌｅｆｔ＿１
ｒｉｂ＿ｌｅｆｔ＿１０
ｒｉｂ＿ｌｅｆｔ＿１１
ｒｉｂ＿ｌｅｆｔ＿１２
ｒｉｂ＿ｌｅｆｔ＿２
ｒｉｂ＿ｌｅｆｔ＿３
ｒｉｂ＿ｌｅｆｔ＿４
ｒｉｂ＿ｌｅｆｔ＿５
ｒｉｂ＿ｌｅｆｔ＿６
ｒｉｂ＿ｌｅｆｔ＿７
ｒｉｂ＿ｌｅｆｔ＿８
ｒｉｂ＿ｌｅｆｔ＿９
ｒｉｂ＿ｒｉｇｈｔ＿１
ｒｉｂ＿ｒｉｇｈｔ＿１０
ｒｉｂ＿ｒｉｇｈｔ＿１１
ｒｉｂ＿ｒｉｇｈｔ＿１２
ｒｉｂ＿ｒｉｇｈｔ＿２
ｒｉｂ＿ｒｉｇｈｔ＿３
ｒｉｂ＿ｒｉｇｈｔ＿４
ｒｉｂ＿ｒｉｇｈｔ＿５
ｒｉｂ＿ｒｉｇｈｔ＿６
ｒｉｂ＿ｒｉｇｈｔ＿７
ｒｉｂ＿ｒｉｇｈｔ＿８
ｒｉｂ＿ｒｉｇｈｔ＿９
ｓａｃｒｕｍ＿ａｎｄ＿ｃｏｃｃｙｘ
ｓｃａｐｕｌａ＿ｌｅｆｔ
ｓｃａｐｕｌａ＿ｒｉｇｈｔ
ｓｔｅｒｎｕｍ
ｖｅｒｔｅｂｒａ＿ｌｕｍｂａｒ＿１
ｖｅｒｔｅｂｒａ＿ｌｕｍｂａｒ＿２
ｖｅｒｔｅｂｒａ＿ｌｕｍｂａｒ＿３
ｖｅｒｔｅｂｒａ＿ｌｕｍｂａｒ＿４
ｖｅｒｔｅｂｒａ＿ｌｕｍｂａｒ＿５
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿１
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿１０
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿１１
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿１２
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿２
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿３
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿４
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿５
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿６
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿７
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿８
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿９
８個の軟組織領域：
ｇａｌｌｂｌａｄｄｅｒ
ｋｉｄｎｅｙ＿ｌｅｆｔ
ｋｉｄｎｅｙ＿ｒｉｇｈｔ
ｌｉｖｅｒ
ｌｕｎｇ＿ｌｅｆｔ
ｌｕｎｇ＿ｒｉｇｈｔ
ｐｒｏｓｔａｔｅ
ｕｒｉｎａｒｙ＿ｂｌａｄｄｅｒ

図６Ｂは、この実施例で説明する全身セグメント化プロセス６００におけるステップを示す注釈を重ね合わせた一連のＣＴ画像を示す。ステップ６１０ａで受け取った例示的な生ＣＴ画像を、６１０ｂに示す。画像６２０ｂは、ＣＴ画像内の初期関心体積を識別するために使用された粗いセグメント化の結果を示す（識別された異なる領域を、色付きの領域として示す）。画像６３０ｂは、４９個の骨および８つの軟組織領域に対応する標的関心体積を識別するために、精細なセグメント化が実行された初期関心体積を識別する「境界ボックス」を示す。画像６４０は、最終のマージされた全身セグメント化を示す。

図７を参照すると、セグメント化を実行するために使用される機械学習モジュールを訓練するために、図７に示す３つの画像（７１０、７２０、７３０）などの多数の事前に標識された試料画像を訓練データセットとして使用した。機械学習モジュールは、セグメント化プラットホームの多くの構成要素に対する最適の構成が発見されるまでに、数千時間にわたって数十のＧＰＵで訓練された数百のモデルとともに、手動で注釈を付けた数千の標識を使用して微調整された。しかし、訓練された後、セグメント化を迅速に実行することができ、図８（８１０および８２０は２つの例示的な画像である）ならびに図１６Ａおよび図１６Ｂに示すような結果が、数秒で、典型的には１８０秒未満で取得された。

たとえば、ＣＴおよびＰＥＴ画像が対象に対して立て続けに取得される典型的なＰＥＴ／ＣＴ撮像法と同様に、ＣＴ画像をセグメント化することによって取得された解剖学的コンテキストを使用して、ＣＴ画像と相互に見当合わせされたＰＥＴ画像内の病変を検出することができ、対象は、これらの画像が記録されたときに実質上同じ位置に残っている。特に、この実施例で実証するように、ＣＴ画像のセグメント化をＰＥＴ画像に転写して、前立腺または骨格などの関心領域を識別することができる、その場合、原発性または続発性の前立腺がん腫瘍を有することが予期される領域を除く機能的画像全体を、病変検出アルゴリズムから除外することができる。いかなる特定の理論にも拘束されるものではないが、病変検出アルゴリズムからの領域の除外は、背景組織領域内およびその周囲のＰＥＴ画像ボクセルにおいて蓄積が高い強度を招く背景領域にとって特に重要となり得る。背景組織領域の高い強度は、前立腺病変検出プロセスから除外されない場合、背景ノイズをがん病変とする誤った分類を招くことがある。背景除外プロセス後に残る領域では、病変分類アルゴリズムとともに簡単な閾値（たとえば、３のＳＵＶ）を用いて、関連組織領域内でホットスポットを見出すことができる。分類アルゴリズムを簡単なチェックとして使用して、ホットスポットの位置を確認し、ホットスポットの近傍の強度を比較することができる。ホットスポットが、より大きいホットスポットの一部であり、体部分の縁部（たとえば、肝臓に近接する肋骨）に位置する場合、その病変をノイズとして分類し、除外することができる。図９Ａ～図９Ｄは、この背景減算手法および病変検出アルゴリズムの必要、ならびにそれによって取得される利益を示し、検出手順には関心領域のみが含まれ、画像の部分は高強度の背景ボクセルを含む。図９Ａおよび図９Ｃは、ＣＴ画像上に重ね合わせた白色－赤色－青色の疑似色としてＰＥＴ画像を示す。青色は、低いＰＥＴ画像強度を示し、強度が増大するにつれて赤色から白色へ遷移する。図９Ｂおよび図９Ｄは、図９Ａおよび図９Ｃと同じＰＥＴ画像を示すが、すべての背景の取込みがＰＥＴ画像から除去されている。図９Ｂおよび図９Ｄで、がん病変に対応するいくつかの局所化されたホットスポットを見ることができる。背景除去のないＰＥＴ画像では、これらのホットスポットは、大きい背景シグナルによって圧倒され、覆い隠された。

図１０Ａは、全身ＣＴセグメント化によって提供された解剖学的コンテキストを使用して、病変を検出し、放射性医薬品としてのＰｙＬ（商標）の投与後に取得されたＰＥＴ／ＣＴ画像を使用して対象のがんの状態（たとえば、前立腺がんの状態）を定量化する有用なリスクインデックスを判定するための例示的なプロセス１０００を示す。図１０Ａに示すように、ＰＥＴ／ＣＴ画像を取得し（１０１０）、骨および軟組織のセグメント化を介して解剖学的コンテキストを判定し（１０１２）、これを使用して、ＰＥＴ画像から測定（たとえば、病変および／またはリスクインデックス）を取得する（１０１４）。図１０Ｂは、例示的なＰＥＴ／ＣＴ画像１０１６を示し、図１０Ｃは、骨１０１８ａおよび軟組織１０１８ｂの例示的なセグメント化を示す。図１０Ｄに示すように、骨および軟組織のセグメント化（たとえば、画像１０２０ａに示す）を使用して、背景シグナルを（たとえば、画像１０２０ｂに示すものなどの背景組織領域から）除去し、がん病変を示すホットスポットからの所望のシグナル１０２０ｃのみを残すことができる。

図１１～図１３は、このプロセスを示し、ＣＴ画像のセグメント化をどのようにＰＥＴ画像に転写し、これを使用して、背景除去および病変検出のための解剖学的コンテキストを提供することができるかを示す。特に、図１１Ａおよび図１１Ｂは、骨のセグメント化が実行されたＣＴ画像の異なる図を示す。図１１Ａおよび図１１Ｂに示す図では、様々なセグメント化された骨が異なる色によって標識されている。とりわけ、本明細書に記載する「境界ボックス」手法によって、そのような複雑で大規模なセグメント化でも、極めて迅速に実行することができる。図１１Ａおよび図１１Ｂに示すセグメント化は、１８０秒未満で実行した。

図１２に示すように、骨および軟組織のセグメント化を使用して、通常の状況下で生じ、がん病変の存在を示す有用なホットスポットシグナルを覆い隠すことのある特定の背景組織領域における通常の取込みを補償することができる。ＰｙＬ（商標）によって実行されるＰＥＴ／ＣＴ撮像では、通常の取込みは、腎臓、十二指腸、小腸、脾臓、肝臓、膵臓、胃、副腎、直腸、および精巣で生じる可能性がある。図１２は、赤色で識別された上述した領域を示す。図１３Ａに示すように、これらの領域における通常のＰｙＬ（商標）の蓄積による背景強度を差し引いた後、病変は容易に観察可能になり、検出することができる。１つのそのような病変１３０２を、図１３Ａ～図１３Ｄに見ることができる。病変１３０２などの病変は、たとえば閾値手法を介して検出することができ、上述したように、たとえばＰｙＬ（商標）陽性（すなわち、がんを示す）として分類することができる。セグメント化と同様に、病変検出も迅速である。病変１３０２は、５秒未満で検出された。

図１４Ａおよび図１４Ｂは、転移性の去勢抵抗性前立腺がんを患っている６５歳の男性から取得されたＰＥＴ／ＣＴ画像上で実行された上述したＰＥＴ画像処理および病変検出手法の結果を示す。患者の前立腺特異的抗原（ＰＳＡ）スコアは、６．８ｎｇ／ｍｌであった。ＰＥＴ画像は、放射性医薬品としてのＰｙＬ（商標）の投与後に取得された。図１４Ａは、初期の生ＰＥＴ／ＣＴ画像を示す。図１４Ｂは、本明細書に記載する処理後の画像を示す。背景強度は除去され、いくつかの小さい病変が容易に観察可能である。４９個の骨および８つの軟組織領域（たとえば、器官）のセグメント化が、１８０秒未満で実行された。

図１５Ａおよび図１５Ｂは、転移性の去勢抵抗性前立腺がんを患っている５４歳の男性から取得されたＰＥＴ／ＣＴ画像上で実行されたＰＥＴ画像処理および病変検出手法の結果を示す。患者のＰＳＡスコアは、３３．５５ｎｇ／ｍｌであった。ＰＥＴ画像は、放射性医薬品としてのＰｙＬ（商標）の投与後に取得された。図１５Ａは、初期の生ＰＥＴ／ＣＴ画像を示す。図１５Ｂは、本明細書に記載する処理後の画像を示す。背景強度は除去され、いくつかの小さい病変が容易に観察可能である。この場合も、４９個の骨および８つの軟組織領域（たとえば、器官）のセグメント化が、１８０秒未満または約１８０秒で実行された。

したがって、この実施例では、ＰｙＬ（商標）を検出、定量化、および追跡するための２７個の軟組織器官および４９個の骨の自動化されたセグメント化による、ＰｙＬ（商標）画像を文脈化する本明細書に記載する全身セグメント化手法が、病変をどのように回避するかを実証する。この手法により、臨床医／医師は、前立腺がん患者のより良好な管理のために臨床的に関連する質問をすることが可能になるはずである。人工知能支援式の１４０４－ＳＰＥＣＴ画像分析（たとえば、内容が全体として参照により本明細書に組み込まれているＰＣＴ公開ＷＯ２０１９／１３６３４９を参照されたい）のコンテキストにおいて（統計的に）実証された診断の精度、精密さ、速度、および再現性の増大などの利点は、ＰｙＬ（商標）－ＰＥＴ画像でも取得することができる。
ｉｖ．（実施例４）
例示的な骨および軟組織セグメント化領域

この実施例は、本明細書に記載する手法および実施形態を使用して開発されたシステムがＣＴ画像のセグメント化を介して識別することができる１組の例示的な骨および軟組織領域の一覧を提供する。特に、１組のＣＴ画像内の手動で標識された（たとえば、１つまたは複数の専門家によって識別された）６７個の骨および２２個の軟組織領域を以下に挙げる。これらの手動で標識されたＣＴ画像は、本明細書に記載する機械学習手法のための訓練データとして使用することができる。たとえば、実施例１～３は、４９個の骨および８つの軟組織領域をセグメント化する全身セグメント化手法を実装するソフトウェアの現在のバージョンについて説明するが、これらの機能を容易に更新して、この実施例で挙げる６７個の骨および２２個の軟組織領域のうちの任意の数をセグメント化することができる。したがって、この実施例は、本明細書に記載するシステムおよび方法の実施形態を発展させて、必ずしもそれだけに限定されるものではないが、この実施例で説明する特有の領域を含む類似の領域を識別することができることを示す。特定のシステムおよび方法は、必ずしもこの実施例で挙げられていない組織領域も識別することができる。特定の実施形態では、骨および軟組織領域の両方が識別される。特定の実施形態では、いくつかのシステムおよび方法は、骨のみまたは軟組織のみを識別することができる。

以下の一覧に示すように、特定の左側および右側の骨が、別個の組織領域（たとえば、左鎖骨および右鎖骨）として識別され、いくつかの場合、大きい群の骨の個別のメンバーが別個に識別される。たとえば、以下の例示的な一覧は、個別の肋骨および椎骨が、この実施例のセグメント化手法を介して識別されることを示す（この一覧では、特有の肋骨および椎骨に番号を付与する）。この実施例はまた、本明細書に記載する手法を使用して、必ずしもそれだけに限定されるものではないが、本明細書に挙げた領域を含む体中の様々な領域をセグメント化することができることを明らかにするべきである。
セグメント化領域：
骨（６７）
ｃｌａｖｉｃｌｅ＿ｌｅｆｔ
ｃｌａｖｉｃｌｅ＿ｒｉｇｈｔ
ｆｅｍｕｒ＿ｌｅｆｔ
ｆｅｍｕｒ＿ｒｉｇｈｔ
ｆｉｂｕｌａ＿ｌｅｆｔ
ｆｉｂｕｌａ＿ｒｉｇｈｔ
ｈｉｐ＿ｂｏｎｅ＿ｌｅｆｔ
ｈｉｐ＿ｂｏｎｅ＿ｒｉｇｈｔ
ｈｕｍｅｒｕｓ＿ｌｅｆｔ
ｈｕｍｅｒｕｓ＿ｒｉｇｈｔ
ｍａｎｄｉｂｌｅ
ｐａｔｅｌｌａ＿ｌｅｆｔ
ｐａｔｅｌｌａ＿ｒｉｇｈｔ
ｒａｄｉｕｓ＿ｌｅｆｔ
ｒａｄｉｕｓ＿ｒｉｇｈｔ
ｒｉｂ＿ｌｅｆｔ＿１
ｒｉｂ＿ｌｅｆｔ＿２
ｒｉｂ＿ｌｅｆｔ＿３
ｒｉｂ＿ｌｅｆｔ＿４
ｒｉｂ＿ｌｅｆｔ＿５
ｒｉｂ＿ｌｅｆｔ＿６
ｒｉｂ＿ｌｅｆｔ＿７
ｒｉｂ＿ｌｅｆｔ＿８
ｒｉｂ＿ｌｅｆｔ＿９
ｒｉｂ＿ｌｅｆｔ＿１０
ｒｉｂ＿ｌｅｆｔ＿１１
ｒｉｂ＿ｌｅｆｔ＿１２
ｒｉｂ＿ｒｉｇｈｔ＿１
ｒｉｂ＿ｒｉｇｈｔ＿２
ｒｉｂ＿ｒｉｇｈｔ＿３
ｒｉｂ＿ｒｉｇｈｔ＿４
ｒｉｂ＿ｒｉｇｈｔ＿５
ｒｉｂ＿ｒｉｇｈｔ＿６
ｒｉｂ＿ｒｉｇｈｔ＿７
ｒｉｂ＿ｒｉｇｈｔ＿８
ｒｉｂ＿ｒｉｇｈｔ＿９
ｒｉｂ＿ｒｉｇｈｔ＿１０
ｒｉｂ＿ｒｉｇｈｔ＿１１
ｒｉｂ＿ｒｉｇｈｔ＿１２
ｓａｃｒｕｍ＿ａｎｄ＿ｃｏｃｃｙｘ
ｓｃａｐｕｌａ＿ｌｅｆｔ
ｓｃａｐｕｌａ＿ｒｉｇｈｔ
ｓｋｕｌｌ
ｓｔｅｒｎｕｍ
ｔｉｂｉａ＿ｌｅｆｔ
ｔｉｂｉａ＿ｒｉｇｈｔ
ｕｌｎａ＿ｌｅｆｔ
ｕｌｎａ＿ｒｉｇｈｔ
ｖｅｒｔｅｂｒａ＿ｃｅｒｖｉｃａｌ＿ａｌｌ
ｖｅｒｔｅｂｒａ＿ｌｕｍｂａｒ＿１
ｖｅｒｔｅｂｒａ＿ｌｕｍｂａｒ＿２
ｖｅｒｔｅｂｒａ＿ｌｕｍｂａｒ＿３
ｖｅｒｔｅｂｒａ＿ｌｕｍｂａｒ＿４
ｖｅｒｔｅｂｒａ＿ｌｕｍｂａｒ＿５
ｖｅｒｔｅｂｒａ＿ｌｕｍｂａｒ＿６
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿１
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿２
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿３
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿４
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿５
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿６
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿７
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿８
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿９
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿１０
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿１１
ｖｅｒｔｅｂｒａ＿ｔｈｏｒａｃｉｃ＿１２
軟組織（２２）：
ａｄｒｅｎａｌ＿ｇｌａｎｄ＿ｌｅｆｔ
ａｄｒｅｎａｌ＿ｇｌａｎｄ＿ｒｉｇｈｔ
ａｏｒｔａ＿ａｂｄｏｍｉｎａｌ＿ｐａｒｔ
ａｏｒｔａ＿ｔｈｏｒａｃｉｃ＿ｐａｒｔ
ｂｒａｉｎ
ｂｒｏｎｃｈｉ＿ｌｅｆｔ
ｂｒｏｎｃｈｉ＿ｒｉｇｈｔ
ｇａｌｌｂｌａｄｄｅｒ
ｇｌｕｔｅｕｓ＿ｍａｘｉｍｕｓ＿ｌｅｆｔ
ｇｌｕｔｅｕｓ＿ｍａｘｉｍｕｓ＿ｒｉｇｈｔ
ｈｅａｒｔ
ｋｉｄｎｅｙ＿ｌｅｆｔ
ｋｉｄｎｅｙ＿ｒｉｇｈｔ
ｌｉｖｅｒ
ｌｕｎｇ＿ｌｅｆｔ
ｌｕｎｇ＿ｒｉｇｈｔ
ｐａｎｃｒｅａｓ
ｐｒｏｓｔａｔｅ
ｒｅｃｔｕｍ
ｓｐｌｅｅｎ
ｕｒｉｎａｒｙ＿ｂｌａｄｄｅｒ
ｖｅｎｔｒｉｃｌｅ
ｖ．（実施例５）
放射性医薬品の取込みの定量化および臨床エンドポイント評定のためのホットスポットインデックスの算出

実施例５は、本明細書に記載するセグメント化およびホットスポット検出方法を使用して、特定の検出されたホットスポットに対して、検出されたホットスポットが表す病変内の放射性医薬品の取込みを推測および／または定量化するために使用することができるホットスポットインデックス値を算出する例示的な手法である。算出されたホットスポットインデックスは、患者の生存率を含む臨床エンドポイントに関係することができ、処置方策を判定するためのものである。異なる時点で収集される複数の画像に対して算出されたとき、算出されたインデックス値は、特定の患者に関して互いに比較することができ、インデックスの変化を使用して、処置の有効性を評価し、近い将来にインデックスがどのように変化するかに関する予後を作成することができる。特定の実施形態では、算出されたインデックスは、撮像リガンドを標的とする処置に対する感度を予測することができる。特定の実施形態では、算出されたインデックスはまた、効果的な患者の階層化のためのノモグラムに含むことができる。

この実施例の手法は、ＰＳＭＡ結合剤、たとえばＰｙＬ（商標）を含む放射性医薬品の投与後に特定の患者に対して取得されたＣＴ－ＰＥＴ画像セットを使用する。しかし、本明細書に記載する手法は、撮像に使用される特定の放射性医薬品に非依存であり、様々な異なる放射性医薬品、たとえば^９９ｍＴｃ－ＭＩＰ－１４０４、^１８Ｆ－ＰｙＬ、^６８Ｇａ－ＰＳＭＡ－１１、^１８Ｆ－ＮａＦ、^１１Ｃ－Ｃｈｏｌｉｎｅ、［１８Ｆ］ＦＤＧ、［１８Ｆ］ＦＡＣＢＣなどを利用することができる。

本明細書に記載するシステムおよび方法による機械学習ベースの手法は、ＣＴ画像内の様々な標的ＶＯＩを識別するために使用される。本明細書に記載するように、標的ＶＯＩは、セグメント化手法によって特定の標的組織領域に対応すると自動的に識別されるＣＴ画像内の体積である。この例示的な手法では、肝臓、大動脈部分、および耳下腺に対応する標的ＶＯＩが識別される。本明細書に記載するように、これらの特定の組織領域、すなわち肝臓、大動脈部分、および耳下腺は、ホットスポットインデックスの算出のための基準領域として働く。基準領域に加えて、他の標的組織領域に対応する他の標的ＶＯＩを識別することもできる。識別された標的ＶＯＩを表すセグメント化マスクをＰＥＴ画像にマッピングして、ＰＥＴ画像内の対応する３Ｄ体積を識別する。このようにして、肝臓、大動脈部分、および耳下腺に対応する３Ｄ基準体積が、ＰＥＴ画像内で識別される。識別された後、特定の各３Ｄ基準体積を使用して、特定の３Ｄ基準体積内のボクセルの強度の測度を提供する対応する基準強度値を算出する。この実施例では、各体積内の平均強度が使用されるが、他の測度（たとえば、中央値、最大値、最頻値など）も可能である。

特定の識別されたホットスポットに対するインデックス値を算出するために、その特定のホットスポットに対してホットスポット強度値が算出され、基準強度値と比較される。基準値と同様に、ホットスポット強度値も、ホットスポットのボクセルの強度の測度を提供する。この実施例では、最大値が算出されるが、基準値と同様に、他の測度を使用することもできる。この実施例が示すように、ホットスポット強度値を算出するために使用される特定の測度は、基準強度値を算出するために使用されるものと同じである必要はない。ホットスポットインデックス値を算出するために、基準強度値をスケール上の基準インデックス値にマッピングすることができ、次いで、ホットスポット強度値が基準値を上回るか、基準値を下回るか、それとも基準値間であるかに基づいて、ホットスポットインデックス値を算出することができる。

たとえば、典型的に、大動脈部分（この大動脈領域は、血液プール内の取込みの測度を提供するために使用され、血液または血液プール基準値と呼ぶこともできる）に対応する基準体積から算出される基準強度値が最も低い値であり、それに肝臓、次いで耳下腺領域が続く。したがって、ホットスポット強度値が血液基準値に等しいホットスポットに、１００に等しいホットスポットインデックス値が割り当てられ、ホットスポット強度値が肝臓基準値に等しいホットスポットに、２００に等しいホットスポットインデックス値が割り当てられ、ホットスポット強度値が耳下腺基準値に等しいホットスポットに、３００に等しいホットスポットインデックス値が割り当てられる。２つの基準強度値間に位置するホットスポット強度値に対するホットスポットインデックス値は、補間（たとえば、線形補間）を介して判定することができる。

このようにして、検出されたホットスポットには、ホットスポットが表す特定の病変における放射性医薬品の取込みのレベルを標準化された形で（たとえば、異なる画像間で同等になるように）定量化するインデックス値を割り当てることができる。本明細書に記載するように、これらのインデックスは、生存に関係することができ、したがって処置管理にとって有用である。たとえば、患者の予期される結果に応じて、より積極的な処置またはより消極的な処置を考慮することができる。処置の価格も係数として含むことができる。インデックスは、経時的に測定されるときに特に有用である。患者に対する複数の撮像検査にわたって経時的にインデックスを比較するとき、インデックスの変化を使用して、処置の有効性を評価する、近い将来にインデックスがどのように変化するかに関する予後を作成することができる。

とりわけ、以前の手法に対するこの実施例で説明する手法の顕著な利点は、本明細書に記載する人工知能ベースのセグメント化手法によって提供される自動的に識別された３Ｄ体積から、基準強度値（ならびに、ホットスポット強度値）を算出する能力である。病変を表す画像の領域を定量化しようとした以前の手法は、基準組織領域内に位置する２Ｄ関心領域を識別するために、２Ｄスライス内の領域の手による、たとえば円形マーカの配置によるマーク付けに依拠した。そのような小さい２Ｄ領域とは対照的に、本明細書で使用される手法を介して識別される３Ｄ体積は、器官全体にわたって強度を捕捉し、それによって精度および反復性の増大を提供する。さらに、正確な自動化されたセグメント化を使用することによって、精度および反復性のさらなる増大が提供される。

加えて、少数の値のうちの１つを使用して検出された病変を分類するのではなく、この実施例の手法は、補間を介して算出された連続する可変のインデックスを使用する。この手法は、処置方策を管理し、疾患の進行および／または処置の有効性をきめ細かい正確な形で経時的に追跡するために利用することができるより詳細な情報を提供する。
ｖｉ．（実施例６）
骨および局所リンパにおける自動化されたホットスポット検出および取込みの定量化

ＰｙＬ（商標）－ＰＳＭＡによるＰＥＴ／ＣＴ複合撮像（たとえば、ＰｙＬ（商標）を患者に投与した後に患者に対して獲得されるＰＥＴ／ＣＴ画像）は、転移性前立腺がんの検出にとって期待がもてるツールである。本開示の画像セグメント化、ホットスポット検出、および定量化技術は、骨および局所リンパ（すなわち、患者の骨盤領域内および／または実質的にその近傍に局所化されたリンパ節）における異常なＰｙＬ（商標）－ＰＳＭＡ取込みの自動化された定量的評定を提供するための基本として使用することができる。特に、この実施例に示すように、本明細書に記載するシステムおよび方法による画像セグメント化およびホットスポット検出技法を使用して、ＰＥＴ画像を自動的に分析し、医師が悪性の病変として識別し得るホットスポットを検出することができる。

この実施例では、ＰＥＴ／ＣＴ走査を評価して、走査のＰＥＴ画像内で、潜在的な骨および局所リンパ節の病変に対応するホットスポットを自動的に識別する。各走査に対して、本明細書に記載するディープラーニング手法を使用してＣＴ画像の意味論的セグメント化を実行し、１組の特有の骨および軟組織領域（たとえば、器官）を識別した。取得した後、ＣＴ画像セグメント化をＰＥＴ／ＣＴ走査のＰＥＴ画像に転写（たとえば、マッピング）して、ＰＥＴ画像内の対応する３Ｄ体積を識別した。各ＰＥＴ画像において、膀胱、肝臓、および腎臓に対応する識別された体積内の強度を抑制することによって、背景の取込みに対応する強度を除去した。また、セグメント化を使用して、ホットスポットを検出する関連体積を画定した。次いで、ブロブ検出アルゴリズムを適用して、潜在的な骨病変または潜在的悪性局所リンパ節を表す異常なホットスポットを識別した。肝臓および大動脈の胸部に対応する基準体積を使用して、基準ＳＵＶ値を算出した。

この実施例では、本明細書に記載する自動化された手法を使用したＰＥＴ画像内のホットスポットの検出と、医師団からの骨病変およびリンパ節病変を識別する手動の注釈とを比較することによって、ホットスポット検出手法の精度を検証した。骨病変に関して注釈が付けられた１組の１５７個のＰＥＴ／ＣＴ走査（画像のうちの１１４個がいかなる病変も有しておらず、画像のうちの１１個が３つより多い病変を有した）を使用して、骨病変に対応するホットスポットを検出する精度を評価し、局所リンパ節病変に関して注釈が付けられた１組の６６個の走査（４０個の画像が病変を有しておらず、６つの画像が３つより大きい病変を有した）を使用した。骨検出アルゴリズムは、すべての注釈付き骨病変の９７％を識別し、１つの画像につき平均１０９個のホットスポットを有した。局所リンパ検出アルゴリズムは、すべての注釈付き悪性局所リンパ節の９６％を見出し、１回の走査につき平均３２個のホットスポットを有した。

この実施例では、ディープラーニングセグメント化の精度も評価された。セグメント化アルゴリズムは、ホットスポット検索領域を画定するために、または基準領域として使用される１組の５２個の骨および７つの軟組織領域（たとえば、器官）をセグメント化するように訓練された。訓練および検証は、特定の各領域（骨または軟組織領域）に対して、ＣＴ画像におけるその領域の手動の識別を使用して実行および評価した。たとえば、１４０回手動で識別された肝臓を使用して、肝臓のセグメント化に対してアルゴリズムを訓練し、３７回の手動で識別された肝臓を検証に使用した。同様に、６１回および１４回の手動で識別された大動脈を、それぞれ大動脈領域セグメント化の訓練および検証に使用した。肝臓のセグメント化の場合、訓練および検証セットに対して、それぞれ０．９９および０．９６のダイススコアを取得した。大動脈のセグメント化の場合、訓練および検証に対して、それぞれ０．９６および０．８９のダイススコアを取得した。最後に、アルゴリズムの展開に使用されなかった１組の１０個の追加の画像を使用して、一般化を評定した。これらの１０個の画像に対して、肝臓および大動脈のセグメント化精度を特徴付けるダイススコアは、それぞれ０．９７±０．０１および０．９１±０．５であった。

この特定の実施例で使用される特有の５２個の骨（仙骨および尾骨は、「ｓａｃｒｕｍ＿ａｎｄ＿ｃｏｃｃｙｘ」として一行に挙げるが、２つのセグメント化された領域に対応する）および７つの軟組織領域の完全な一覧を、以下に示す。

したがって、この実施例では、［１８^Ｆ］ＤＣＦＰｙＬ（ＰｙＬ（商標）－ＰＳＭＡ）ＰＥＴ／ＣＴ画像におけるホットスポットの自動識別およびＳＵＶ基準値の算出のためのディープラーニングベースの意味論的セグメント化の使用を実証する。
ｖｉｉ．（実施例７）
病変ＰＳＭＡスコアおよびＰＳＭＡ加重病変の関与

この実施例は、個別のホットスポット強度と基準レベルとの比較に基づいて、検出されたホットスポットにホットスポットインデックスを割り当て、次いで割り当てられた個別のホットスポットインデックスを使用して、病変サイズの測度の加重和を表す総合インデックスを判定するための手法を提供する。この実施例で使用されるインデックスは、ＰＳＭＡ結合剤およびＰＥＴ－ＣＴ撮像を使用して撮像された患者に対するがんの状態を評定するために使用される。

特に、個別のホットスポットインデックスは、実施例５に説明した手法と同様に、基準レベルからの補間を介して判定される。この実施例では、大動脈部分および肝臓部分に対応する基準ＶＯＩがセグメント化され、ＰＥＴ画像内の対応する３Ｄ体積にマッピングされる。大動脈部分体積を使用して、血液基準強度を判定し、肝臓体積を使用して、肝臓基準強度を判定する。この実施例では、対応する体積内の平均強度（ＳＵＶ）を得ることによって、各基準強度がその対応する体積から判定されるが、最大値、ピーク値、または中央値などの他の測度を使用することもできる。病変ＰＳＭＡスコア（ＬＰＳ）と呼ばれるスケール上の基準レベルが、次のように、血液および肝臓基準強度（ＳＵＶ）に基づいて、強度値に割り当てられ、ＬＰＳ０は、０ＳＵＶレベルに割り当てられ、ＬＰＳ１は、血液基準強度に割り当てられ、ＬＰＳ２は、肝臓基準強度に割り当てられ、最大ＬＰＳ３は、肝臓基準強度の２倍として計算された基準強度に割り当てられる。

個別のホットスポットが、個別の強度に基づいて、ＬＰＳスコアに割り当てられる。０から最大基準強度（肝臓基準強度の２倍）の範囲の強度を有する個別のホットスポットに対して、個別のホットスポット強度に対応するＬＰＳスコアが、基準スケールから補間される。最大基準強度より大きい強度を有するホットスポットには、最大ＬＰＳ３が割り当てられる。

検出されたホットスポットおよび個別のホットスポットインデックス（ＬＰＳスコア）を使用して算出することができる２つの例示的な総合リスクインデックスが、がん病変が生じ得る組織領域に対応するホットスポットサイズ、特に体積の加重和として計算される。第１の例示的なインデックスは、ＰＳＭＡ加重の骨／リンパ／前立腺の総病変体積または比（ＰＴＬＶまたはＰＴＬＲ）である。このインデックスは、病変体積の加重和であり、重みは、病変ＰＳＭＡスコアである。和は、骨（たとえば、骨格領域）、リンパ節、および前立腺に対応する３Ｄ体積に対して、特定の各領域内に見られるホットスポットに対するホットスポット体積の加重和として別個に算出される。特に、加重和は、次のとおり算出される。
Σ（病変体積×病変ＰＳＭＡスコア）

特定の場合、比が好ましく、この加重和を特定の領域（たとえば、ＰＥＴ画像内）の総３Ｄ体積で分割することによって算出することができる。たとえばＳＵＶまたは正規化ＳＵＶとは対照的に、ＬＰＳによる加重合計ホットスポット体積は、（正規化）ＳＵＶ値の形のＰＳＭＡ表現が疾患の攻撃性に線形に関係しないことから有利である。すなわち、たとえば、１００の強度を有するホットスポットが、２０の強度を有するホットスポットによって表されるものより５倍悪い病変を表すことは、所与ではない。ＬＰＳスコアを計算し、ＬＰＳスコアによってホットスポットを加重することで、異なるホットスポットを比較するためのスケールが提供される。

別の例示的なインデックスは、ＰＳＭＡ加重の骨／リンパ集合直径（ＰＬＡＤ）である。このインデックスがまた、ＬＰＳスコアによって加重された病変サイズの測度の和であるが、体積の代わりにこのインデックスは、各ホットスポットの平均直径（たとえば、ｘ、ｙ、およびｚ直径の平均）を使用する。体積は３次元の数量であるため、大きい病変に対する体積のわずかな変化が、より小さい病変のサイズの変化を支配する（たとえば、和の大幅な増減を引き起こす）可能性がある。代わりに平均直径を使用することで、この作用が軽減される。このインデックスは、次のとおり計算される。
Σ（病変平均直径×病変ＰＳＭＡスコア）

骨およびリンパに対して、加重集合直径を計算することができる。
ｖｉｉ．（実施例８）
低または中リスクの前立腺がんを患う患者に対するＡＩ支援式画像分析の改善された性能

９９ｍＴｃＭＩＰ－１４０４（１４０４）は、臨床的に顕著な前立腺がんの検出および病期分類のためのＰＳＭＡ標的撮像剤である。ＳＰＥＣＴ／ＣＴ画像におけるトレーサの取込みの手動評定には、リーダ間およびリーダ内の標準化において本質的な制限がある。この実施例は、ＰＳＭＡ－ＡＩ支援式の読取りの性能を評価した研究について説明しており、本明細書に記載する実施形態によって、前立腺体積および他の標的組織領域の自動化されたセグメント化が、手動評定および公知の臨床予測因子によって実行される。

この研究は、超低、低、または中リスクの前立腺がんを患っている４６４人の評価可能な患者を分析し、患者の診断バイオプシは、≦３＋４のグリソングレードを示し、かつ／またはそれらの患者は、積極監視（１４０４－３３０１）の候補であった。すべての対象が、１４０４のＩＶ注射を受け、投与後３～６時間で、ＳＰＥＣＴ／ＣＴ撮像が実行された。３つの非依存リーダが、画像を評価した。すべての対象は、投与後に自発的ＲＰ（低および中リスク）または前立腺バイオプシ（超低リスク）を受けた。７またはそれより高いグリソングレードを有する対象において、臨床的に顕著な疾患が判断された。ＰＳＭＡ－ＡＩは、分析前に発達してロックされた。３つの異なる非依存リーダが、ＰＳＭＡ－ＡＩを使用して、背景（ＰＳＭＡ－インデックス）に対して前立腺における１４０４の定量的表現を取得した。すべてのリーダおよび対象に対するＰＳＭＡ－インデックスを組織病理学基準と比較し、６つの受信者操作特性（ＲＯＣ）曲線（３つの手動読取り＋３つのＰＳＭＡ－ＡＩ支援式の読取り）を得た。また、ＰＳＭＡ－インデックス有りおよびなしの多変量モデル（ＰＳＡ、臨床病期分類、および診断グリソンスコア）のＲＯＣ曲線下面積（ＡＵＣ）を比較することによって、１４０４ＰＳＭＡ－ＡＩ支援式の読取りの臨床性能が評価された。

手動の読取りは、０．６２、０．６２、および０．６３のＡＵＣを実証した。ＰＳＭＡ－ＡＩ有りの読取りは、０．６５、０．６６、および０．６６のＡＵＣを実証した。ＡＵＣに関するＰＳＭＡ－ＡＩ性能は、２つのリーダ群間の３＊３＝９の対ごとのすべての比較において手動より高く、複数の比較を補償することなく、５つの事例において統計的に顕著な改善が観察された（公称ｐ＜０．０５）。ＰＳＭＡ－インデックスなしのベースライン多変量モデルの予測可能性は、ＡＵＣ０．７４であった。ＰＳＭＡ－インデックスを追加すると、モデル予測可能性がＡＵＣ０．７７まで増大した。ロジスティック回帰モデルは、ＰＳＭＡ－インデックス（ｐ＝０．００４）、術前ＰＳＡ（０．０１８）、および％陽性コア（ｐ＝＜０．００１）が、臨床的に顕著な疾患に顕著に関連付けられることを示した。再現性を測定するとき、ＰＳＭＡＡＩリーダのペアに対するｌｏｇ（ＰＳＭＡ－インデックス）の相関係数は、０．９４、０．９７、および０．９８であった。

したがって、この実施例で説明する研究は、ＰＳＭＡ－ＡＩが、１４０４の再現可能な定量的評定を生成するための標準化されたプラットホームを提供することを実証した。ＰＳＭＡ－ＡＩ支援式の読取りは、臨床的に顕著な疾患を患っている男性の識別に関して、公知の予測因子に対する付加的改善を実証した。
ｉｘ．（実施例９）
前立腺がん病期分類に対するＰＥＴ／ＣＴ画像からの１８Ｆ－ＤＣＦＰｙＬ取込みの定量化のためのＰＳＭＡインデックスの自動化された計算

この実施例では、本明細書に記載する手法の実施形態を介した、自動化された画像セグメント化、病変検出、および検出された病変に割り当てられたホットスポットインデックスに基づく標準化されたインデックススコアの計算を実証する。自動化された画像分析手順は、放射性医薬品１８Ｆ－ＤＣＦＰｙＬ（ＰｙＬ（商標））が投与された後に、ＰＥＴ／ＣＴ走査を介して撮像された患者のがんの状態を評価するために使用される。

この実施例では、カスケード式ディープラーニングパイプラインを使用して、ＣＴ画像内の関連器官をセグメント化し、セグメント化をＰＥＴ画像空間に投影する。特に、対象の骨に対応する骨体積、リンパ領域に対応するリンパ体積、および前立腺に対応する前立腺体積に対応する標的領域をＣＴ画像内でセグメント化し、これらをマッピングして、ＰＥＴ画像内の対応する３Ｄ体積を識別した。同様に、大動脈部分および肝臓に対応する大動脈および肝臓体積もセグメント化し、本明細書に記載するように基準領域として使用するために、これらをＰＥＴ画像にマッピングした。

ＰＥＴ画像内でホットスポットを検出した。病変を表すと考えられたホットスポット、ならびにアルゴリズムによって検出されなかった追加の病変を、手動でセグメント化する。病変ｍｉＰＳＭＡインデックス（ＬＰＩ）と呼ばれる個別のホットスポットインデックスを計算することによって、検出された個別の各ホットスポットを定量化した。上記の実施例６および７で説明したように、この実施例で使用されるＬＰＩは、自動的にセグメント化された（手動で識別されるのではない）体積を使用して算出された連続インデックスである。したがって、このＬＰＩは、画像内の様々な器官の手動識別を利用し、小さい有限数の列挙値を使用して病変を分類するだけの以前の手法に対して利点を提供する。したがって、この手法は、処置方策を管理し、疾患の進行および／または処置の有効性をきめ細かい正確な形で経時的に追跡するために利用することができるより詳細な情報を提供する。

たとえば上記の実施例７で説明したものと同様に、血液プール（識別された大動脈体積から測定される）および肝臓基準領域から判定される基準値に基づいて、検出された各ホットスポットに対するＬＰＩを算出した。特に、血液プール基準強度（ＳＵＶ値）は、ＰＥＴ画像内の大動脈体積を使用して測定し、肝臓基準強度は、ＰＥＴ画像内で識別された肝臓体積から測定した。血液プール基準強度レベルおよび肝臓基準強度レベルはどちらも、ＰＥＴ画像における対応する体積内で平均ＳＵＶ（ＳＵＶ_ｍｅａｎ）として測定した。基準ＬＰＩインデックス値１および２を、それぞれ血液プールおよび肝臓基準強度に割り当てた。極大基準インデックスレベル３を、肝臓基準強度値の２倍に対応する基準強度に割り当てた。

検出された個別の各ホットスポットには、（ｉ）そのホットスポットに対する測定されたホットスポット強度値、ならびに（ｉｉ）血液プールおよび肝臓基準強度値と、上述した基準インデックスレベルとの比較に基づいて、ＬＰＩスコアを割り当てた。特に、各ホットスポットに対して、平均病変取込みに対応する個別のホットスポット強度値を、そのホットスポットのボクセルにおける平均ＳＵＶとして計算した。個別のホットスポットに対して、平均病変標準取込み値（ＳＵＶ_ｍｅａｎ）が血液プール基準値に等しい場合、１に等しいＬＰＩを割り当て、ホットスポットの平均病変取込み値が肝臓基準取込み値等しい場合、２に等しいＬＰＩを割り当て、ホットスポットの平均病変取込み値が肝臓基準取込みの２倍に等しいまたはそれを上回る場合、３に等しいＬＰＩを割り当てた。ホットスポットの強度が基準強度値間である場合、ホットスポット強度値および基準強度インデックス値のペアに基づいて、個別のホットスポットＬＰＩを補間した。

骨領域内の集合病変体積を、ＰＥＴ画像における骨体積内で検出された個別のホットスポットの体積の加重和として算出し、各ホットスポットの体積を、その対応するＬＰＩによって加重された。このようにして、骨領域に対して、ＰＴＬＶ_ｂｏｎｅと呼ばれるＰＳＭＡ加重総病変体積（ＰＬＴＶ）インデックスを算出した。リンパ（ＰＴＬＶ_{ｌｙｍｐｈ}）および前立腺（ＰＴＬＶ_{ｐｒｏｓｔａｔｅ}）領域に対しても同様に、ＰＬＴＶインデックス値を算出した。３つの領域の各々に対して、様々な異なる指標を有する対象に対するＰＥＴ／ＣＴ画像データセットを使用して、ＰＬＴＶインデックス値を自動的に判定した。

手動器官セグメント化との比較および画像の注釈に基づいて、ＡＩベースの自動化された技法の性能を評価して、ホットスポットを識別し、異なる指標に対して算出されたＰＬＴＶインデックス値を領域にわたって比較した。

専門家による手動の解釈を比較のためのゴールドスタンダードとして使用して、自動化されたホットスポット検出アルゴリズムは、骨病変に対して９２．１％の感度（５２個の自動的にセグメント化された骨に対して９７．２％）およびリンパ病変に対して９６．２％を有すると判定した。平均で、１回の走査につき１７個の骨ホットスポットを検出し、１回の走査につき２３個のリンパホットスポットを検出した。

骨領域に対して１９７個のＰＥＴ／ＣＴ画像、リンパ領域に対して９９個のＰＥＴ／ＣＴ画像、および前立腺領域に対して４３個のＰＥＴ／ＣＴ画像の試料データセットを使用して、ＰＬＴＶインデックス値を算出した。これらのデータセットでは、判定された個別のホットスポットＬＰＩの９４％が１～３であり、骨、リンパ、および前立腺領域に対して判定された最小ＬＰＩは、それぞれ０．８２、１．１、および１．３であった。骨、リンパ、および前立腺領域に対する中央ＬＰＩ値は、それぞれ１．５、２．０、および２．３であった。

各領域に対して、処置応答（ＴＲ）、スクリーニング（Ｓ）、新規診断（ＮＤ）、転移性（Ｍ）、再発疑い（ＳＲ）、再発（Ｒ）の様々な異なる指標を有する対象に対するＰＬＴＶインデックスを算出した。四分位数範囲（ＩＱＲ_ｍｅａｎ）の値の平均値を計算し、したがって孤立値を除外することによって、指標におけるＰＬＴＶインデックス値を比較した。ＰＬＴＶ値のＩＱＲ_ｍｅａｎによる順序付け指標により、骨領域に対してＴＲ＜Ｓ＜ＮＤ＜Ｒ＜ＳＲ＜Ｍ、リンパ領域に対してＳ＝Ｍ＜Ｒ＜ＮＤ＜ＳＲ、および前立腺領域に対してＭ＜ＳＲ＜Ｒ＜Ｓ＜ＮＤが得られ、疾患状態の臨床予期と適当に整合する。

図１９は、各領域に対する様々な指標に対して判定されたＰＬＴＶインデックス値を示す。図２０は、３つの領域の各々で検出されたホットスポットに対する個別のホットスポットＬＰＩ値の散布図を示す。

Eiber et al., 2017などの病変の等級分けのための基準値を判定する手動手法と比較して、自動化された血液および肝臓基準値は、手動基準方法と比較するとより大きい画像体積に基づいており、したがってより強固であることが予期される。図２１は、血液プール（左のグラフ）および肝臓（右のグラフ）領域に対して本明細書に記載する自動化されたセグメント化手法を介して算出された基準値と、器官境界の手動識別を使用して算出された基準値とを比較する。図２１に示すように、２０回のＰＥＴ／ＣＴ走査の試料において、自動化された基準と手動基準との間の相関（ピアソンのｒ）は、血液に対して０．９２、肝臓に対して０．８７であった。

したがって、この実施例では、がんを検出し、がんの進行および／または処置への応答を経時的に追跡するための自動化されたセグメント化、ホットスポット検出、およびインデックス値計算の使用を実証する。
Ｄ．撮像剤

特定の実施形態では、３Ｄ機能的画像は、放射性医薬品を含む撮像剤を使用する核医学画像である。核医学画像は、患者への放射性医薬品の投与後に取得され、患者内の放射性医薬品の分布に関する情報を提供する。放射性医薬品は、放射性核種を含む化合物である。

核医学画像（たとえばＰＥＴ走査、たとえばＳＰＥＣＴ走査、たとえば全身走査、たとえば複合ＰＥＴ－ＣＴ画像、たとえば複合ＳＰＥＣＴ－ＣＴ画像）は、放射性医薬品の放射性核種から放出された放射を検出して、画像を形成する。患者内の特定の放射性医薬品の分布は、血液の流れまたは灌流などの生物学的機構によって、ならびに特有の酵素または受容体を結合する相互作用によって判定することができる。異なる放射性医薬品は、異なる生物学的機構および／または特定の特有の酵素もしくは受容体を結合する相互作用を利用し、したがって、患者に投与されたとき、患者内の特定のタイプの組織および／または領域に選択的に集中するように設計することができる。他の領域より高い濃度の放射性医薬品を有する患者内の領域からは、より大きい量の放射が放出され、したがってこれらの領域は、核医学画像内でより明るく見える。したがって、核医学画像内の強度の変動を使用して、患者内の放射性医薬品の分布をマッピングすることができる。患者内の放射性医薬品のこのマッピングされた分布を使用して、たとえば患者の体の様々な領域内のがん組織の存在を推測することができる。

たとえば、患者への投与後、テクネチウム９９ｍメチレンジフォスフォネート（^９９ｍＴｃＭＤＰ）が、患者の骨格領域内、特に悪性の骨病変に関連する異常な骨形成のある部位に選択的に蓄積する。これらの部位における放射性医薬品の選択的集中は、特定可能なホットスポット、すなわち核医学画像内の高い強度の局所化領域をもたらす。したがって、患者の全身走査においてそのようなホットスポットを識別することによって、転移性前立腺がんに関連する悪性の骨病変の存在を推測することができる。^９９ｍＴｃＭＤＰの患者への投与後に取得された全身走査における強度変動の自動分析に基づいて、疾患の状態、進行、処置の有効性などを示す患者の総合的な生存および他の予後の尺度と相関するリスクインデックスを算出することができる。特定の実施形態では、他の放射性医薬品を^９９ｍＴｃＭＤＰと同様に使用することもできる。

特定の実施形態では、使用される特定の放射性医薬品は、使用される特定の核医学撮像法に依存する。たとえば、^１８Ｆフッ化ナトリウム（ＮａＦ）もまた、^９９ｍＴｃＭＤＰと同様に骨病変内に蓄積するが、ＰＥＴ撮像によって使用することもできる。特定の実施形態では、ＰＥＴ撮像はまた、前立腺がん細胞によって容易に吸収される放射性のビタミンコリンを利用することができる。

特定の実施形態では、特定の目的のタンパク質または受容体に選択的に結合する放射性医薬品、特にがん組織内で出現が増大するものを使用することができる。そのような目的のタンパク質または受容体には、それだけに限定されるものではないが、結腸直腸癌で出現するＣＥＡなどの腫瘍抗原、複数のがんで出現するＨｅｒ２／ｎｅｕ、乳がんおよび卵巣がんで出現するＢＲＣＡ１およびＢＲＣＡ２、ならびに悪性黒色腫で出現するＴＲＰ－１および－２が含まれる。

たとえば、ヒト前立腺特異的膜抗原（ＰＳＭＡ）は、転移性疾患を含む前立腺がんでアップレギュレートされる。ＰＳＭＡは、事実上すべての前立腺がんによって出現され、その出現は、分化の乏しい転移性のホルモン抵抗性癌でさらに増大する。したがって、１つまたは複数の放射性核種によって標識されたＰＳＭＡ結合剤に対応する放射性医薬品（たとえば、ＰＳＭＡに対して高い親和性を有する化合物）を使用して、患者の核医学画像を取得することができ、それらの核医学画像から、患者の様々な領域（たとえば、それだけに限定されるものではないが、骨格領域を含む）の前立腺がんの存在および／または状態を評定することができる。特定の実施形態では、疾患が局所化された状態にあるとき、ＰＳＭＡ結合剤を使用して取得された核医学画像を使用して、前立腺内のがん組織の存在を識別する。特定の実施形態では、ＰＳＭＡ結合剤を含む放射性医薬品を使用して取得された核医学画像を使用して、前立腺だけではなく、疾患が転移性であるときに関係する肺、リンパ節、および骨などの他の器官および組織領域も含む様々な領域内のがん組織の存在を識別する。

特に、患者への投与後、放射性核種で標識されたＰＳＭＡ結合剤は、ＰＳＭＡへのその親和性に基づいて、がん組織内に選択的に蓄積する。^９９ｍＴｃＭＤＰに関連して上述したものと同様に、患者内の特定の部位における放射性核種で標識されたＰＳＭＡ結合剤の選択的集中は、核医学画像内に検出可能なホットスポットをもたらす。ＰＳＭＡ結合剤は、ＰＳＭＡを出現する体の様々ながん組織および領域内で集中するため、患者の前立腺内の局所化されたがん、および／または患者の体の様々な領域内の転移性がんを検出し、評価することができる。以下に記載するように、患者へのＰＳＭＡ結合剤放射性医薬品の投与後に取得された核医学画像における強度変動の自動分析に基づいて、疾患の状態、進行、処置の有効性などを示す患者の総合的な生存および他の予後の尺度と相関するリスクインデックスを算出することができる。

様々な放射性核種で標識されたＰＳＭＡ結合剤を、核医学撮像のための放射性医薬品撮像剤として使用して、前立腺がんを検出および評価することができる。特定の実施形態では、使用される特定の放射性核種で標識されたＰＳＭＡ結合剤は、特定の撮像法（たとえばＰＥＴ、たとえばＳＰＥＣＴ）および撮像すべき患者の特定の領域（たとえば、器官）などの要因に依存する。たとえば、特定の放射性核種で標識されたＰＳＭＡ結合剤はＰＥＴ撮像に好適であり、他の結合剤がＳＰＥＣＴ撮像に好適である。たとえば、特定の放射性核種で標識されたＰＳＭＡ結合剤は、患者の前立腺の撮像を容易にし、主に疾患が局所化されているときに使用され、他の結合剤は、患者の体中の器官および領域の撮像を容易にし、転移性前立腺がんを評価するのに有用である。

様々なＰＳＭＡ結合剤およびその放射性核種で標識されたバージョンが、各々全体として参照により本明細書に組み込まれている米国特許第８，７７８，３０５号、第８，２１１，４０１号、および第８，９６２，７９９号に記載されている。
ｉ．ＰＥＴ撮像用の放射性核種で標識されたＰＳＭＡ結合剤

特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、ＰＥＴ撮像に適当な放射性核種で標識されたＰＳＭＡ結合剤である。

特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、［１８Ｆ］ＤＣＦＰｙＬ（ＰｙＬ（商標）、ＤＣＦＰｙＬ－１８Ｆとも呼ばれる）、

またはその薬学的に許容される塩を含む。

特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、［１８Ｆ］ＤＣＦＢＣ、

またはその薬学的に許容される塩を含む。

特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、^６８Ｇａ－ＰＳＭＡ－ＨＢＥＤ－ＣＣ（^６８Ｇａ－ＰＳＭＡ－１１とも呼ばれる）、

またはその薬学的に許容される塩を含む。

特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、ＰＳＭＡ－６１７、

またはその薬学的に許容される塩を含む。特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、^６８Ｇａによって標識されたＰＳＭＡ－６１７である^６８Ｇａ－ＰＳＭＡ－６１７、またはその薬学的に許容される塩を含む。特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、^１７７Ｌｕによって標識されたＰＳＭＡ－６１７である^１７７Ｌｕ－ＰＳＭＡ－６１７、またはその薬学的に許容される塩を含む。

特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、ＰＳＭＡ－Ｉ＆Ｔ、

またはその薬学的に許容される塩を含む。特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、^６８Ｇａによって標識されたＰＳＭＡ－Ｉ＆Ｔである^６８Ｇａ－ＰＳＭＡ－Ｉ＆Ｔ、またはその薬学的に許容される塩を含む。

特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、ＰＳＭＡ－１００７、

またはその薬学的に許容される塩を含む。特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、^１８Ｆによって標識されたＰＳＭＡ－１００７である^１８Ｆ－ＰＳＭＡ－１００７、またはその薬学的に許容される塩を含む。
ｉｉ．ＳＰＥＣＴ撮像用の放射性核種で標識されたＰＳＭＡ結合剤

特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、ＳＰＥＣＴ撮像に適当な放射性核種で標識されたＰＳＭＡ結合剤である。

特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、１４０４（ＭＩＰ－１４０４とも呼ばれる）、

またはその薬学的に許容される塩を含む。

特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、１４０５（ＭＩＰ－１４０５とも呼ばれる）、

またはその薬学的に許容される塩を含む。

特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、１４２７（ＭＩＰ－１４２７とも呼ばれる）、

またはその薬学的に許容される塩を含む。

特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、１４２８（ＭＩＰ－１４２８とも呼ばれる）、

またはその薬学的に許容される塩を含む。

特定の実施形態では、ＰＳＭＡ結合剤は、それを金属の放射性同位元素［たとえば、テクネチウム（Ｔｃ）の放射性同位元素（たとえば、テクネチウム９９ｍ（^９９ｍＴｃ））、たとえば、レニウム（Ｒｅ）の放射性同位元素（たとえば、レニウム－１８８（^１８８Ｒｅ）、たとえば、レニウム－１８６（^１８６Ｒｅ））、たとえば、イットリウム（Ｙ）の放射性同位元素（たとえば、^９０Ｙ）、たとえば、ルテチウム（Ｌｕ）の放射性同位元素（たとえば、^１７７Ｌｕ）、たとえば、ガリウム（Ｇａ）の放射性同位元素（たとえば、^６８Ｇａ、たとえば、^６７Ｇａ）、たとえば、インジウムの放射性同位元素（たとえば、^１１１Ｉｎ）、たとえば、銅（Ｃｕ）の放射性同位元素（たとえば、^６７Ｃｕ）］にキレートすることによって、放射性核種で標識される。

特定の実施形態では、１４０４は、放射性核種によって標識される（たとえば、金属の放射性同位元素にキレートされる）。特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、^９９ｍＴｃによって標識（たとえば、キレート）された１４０４である^９９ｍＴｃ－ＭＩＰ－１４０４、

またはその薬学的に許容される塩を含む。特定の実施形態では、１４０４を他の金属の放射性同位元素［たとえば、レニウム（Ｒｅ）の放射性同位元素（たとえば、レニウム－１８８（^１８８Ｒｅ）、たとえば、レニウム－１８６（^１８６Ｒｅ））、たとえば、イットリウム（Ｙ）の放射性同位元素（たとえば、^９０Ｙ）、たとえば、ルテチウム（Ｌｕ）の放射性同位元素（たとえば、^１７７Ｌｕ）、たとえば、ガリウム（Ｇａ）の放射性同位元素（たとえば、^６８Ｇａ、たとえば、^６７Ｇａ）、たとえば、インジウムの放射性同位元素（たとえば、^１１１Ｉｎ）、たとえば、銅（Ｃｕ）の放射性同位元素（たとえば、^６７Ｃｕ）］にキレートして、^９９ｍＴｃが他の金属の放射性同位元素で置換された、^９９ｍＴｃ－ＭＩＰ－１４０４に関して上記に示した構造に類似の構造を有する化合物を形成することができる。

特定の実施形態では、１４０５は、放射性核種によって標識される（たとえば、金属の放射性同位元素にキレートされる）。特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、^９９ｍＴｃによって標識（たとえば、キレート）された１４０５である^９９ｍＴｃ－ＭＩＰ－１４０５、

またはその薬学的に許容される塩を含む。特定の実施形態では、１４０５を他の金属の放射性同位元素［たとえば、レニウム（Ｒｅ）の放射性同位元素（たとえば、レニウム－１８８（^１８８Ｒｅ）、たとえば、レニウム－１８６（^１８６Ｒｅ））、たとえば、イットリウム（Ｙ）の放射性同位元素（たとえば、^９０Ｙ）、たとえば、ルテチウム（Ｌｕ）の放射性同位元素（たとえば、^１７７Ｌｕ）、たとえば、ガリウム（Ｇａ）の放射性同位元素（たとえば、^６８Ｇａ、たとえば、^６７Ｇａ）、たとえば、インジウムの放射性同位元素（たとえば、^１１１Ｉｎ）、たとえば、銅（Ｃｕ）の放射性同位元素（たとえば、^６７Ｃｕ）］にキレートして、^９９ｍＴｃが他の金属の放射性同位元素で置換された、^９９ｍＴｃ－ＭＩＰ－１４０５に関して上記に示した構造に類似の構造を有する化合物を形成することができる。

特定の実施形態では、１４２７を金属の放射性同位元素によって標識（たとえば、キレート）して、次式による化合物

またはその薬学的に許容される塩を形成し、ここでＭは、１４２７が標識された金属の放射性同位元素［たとえば、テクネチウム（Ｔｃ）の放射性同位元素（たとえば、テクネチウム９９ｍ（^９９ｍＴｃ））、たとえば、レニウム（Ｒｅ）の放射性同位元素（たとえば、レニウム－１８８（^１８８Ｒｅ）、たとえば、レニウム－１８６（^１８６Ｒｅ））、たとえば、イットリウム（Ｙ）の放射性同位元素（たとえば、^９０Ｙ）、たとえば、ルテチウム（Ｌｕ）の放射性同位元素（たとえば、^１７７Ｌｕ）、たとえば、ガリウム（Ｇａ）の放射性同位元素（たとえば、^６８Ｇａ、たとえば、^６７Ｇａ）、たとえば、インジウムの放射性同位元素（たとえば、^１１１Ｉｎ）、たとえば、銅（Ｃｕ）の放射性同位元素（たとえば、^６７Ｃｕ）］である。

特定の実施形態では、１４２８を金属の放射性同位元素によって標識（たとえば、キレート）して、次式による化合物、

またはその薬学的に許容される塩を形成し、ここでＭは、１４２８が標識された金属の放射性同位元素［たとえば、テクネチウム（Ｔｃ）の放射性同位元素（たとえば、テクネチウム９９ｍ（^９９ｍＴｃ））、たとえば、レニウム（Ｒｅ）の放射性同位元素（たとえば、レニウム－１８８（^１８８Ｒｅ）、たとえば、レニウム－１８６（^１８６Ｒｅ））、たとえば、イットリウム（Ｙ）の放射性同位元素（たとえば、^９０Ｙ）、たとえば、ルテチウム（Ｌｕ）の放射性同位元素（たとえば、^１７７Ｌｕ）、たとえば、ガリウム（Ｇａ）の放射性同位元素（たとえば、^６８Ｇａ、たとえば、^６７Ｇａ）、たとえば、インジウムの放射性同位元素（たとえば、^１１１Ｉｎ）、たとえば、銅（Ｃｕ）の放射性同位元素（たとえば、^６７Ｃｕ）］である。

特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、ＰＳＭＡ Ｉ＆Ｓ、

またはその薬学的に許容される塩を含む。特定の実施形態では、放射性核種で標識されたＰＳＭＡ結合剤は、^９９ｍＴｃによって標識されたＰＳＭＡ Ｉ＆Ｓである^９９ｍＴｃ－ＰＳＭＡ Ｉ＆Ｓ、またはその薬学的に許容される塩を含む。
Ｅ．コンピュータシステムおよびネットワークアーキテクチャ

図１７に示すように、本明細書に記載するシステム、方法、およびアーキテクチャを提供する際に使用するためのネットワーク環境１７００の実装について図示および説明する。概要として、図１７を次に参照して、例示的なクラウドコンピューティング環境１７００のブロック図について図示および説明する。クラウドコンピューティング環境１７００は、１つまたは複数のリソースプロバイダ１７０２ａ、１７０２ｂ、１７０２ｃ（集合的に、１７０２）を含むことができる。各リソースプロバイダ１７０２が、コンピューティングリソースを含むことができる。いくつかの実装では、コンピューティングリソースは、データを処理するために使用される任意のハードウェアおよび／またはソフトウェアを含むことができる。たとえば、コンピューティングリソースは、アルゴリズム、コンピュータプログラム、および／またはコンピュータアプリケーションを実行することが可能なハードウェアおよび／またはソフトウェアを含むことができる。いくつかの実装では、例示的なコンピューティングリソースは、記憶および検索能力を有するアプリケーションサーバおよび／またはデータベースを含むことができる。各リソースプロバイダ１７０２は、クラウドコンピューティング環境１７００内の任意の他のリソースプロバイダ１７０２に接続することができる。いくつかの実装では、リソースプロバイダ１７０２は、コンピュータネットワーク１７０８を介して接続することができる。各リソースプロバイダ１７０２は、コンピュータネットワーク１７０８を介して、１つまたは複数のコンピューティングデバイス１７０４ａ、１７０４ｂ、１７０４ｃ（集合的に、１７０４）に接続することができる。

クラウドコンピューティング環境１７００は、リソースマネージャ１７０６を含むことができる。リソースマネージャ１７０６は、コンピュータネットワーク１７０８を介して、リソースプロバイダ１７０２およびコンピューティングデバイス１７０４に接続することができる。いくつかの実装では、リソースマネージャ１７０６は、１つまたは複数のリソースプロバイダ１７０２による１つまたは複数のコンピューティングデバイス１７０４へのコンピューティングリソースの提供を容易にすることができる。リソースマネージャ１７０６は、特定のコンピューティングデバイス１７０４からのコンピューティングリソースに対する要求を受け取ることができる。リソースマネージャ１７０６は、コンピューティングデバイス１７０４によって要求されるコンピューティングリソースを提供することが可能な１つまたは複数のリソースプロバイダ１７０２を識別することができる。リソースマネージャ１７０６は、コンピューティングリソースを提供するためのリソースプロバイダ１７０２を選択することができる。リソースマネージャ１７０６は、リソースプロバイダ１７０２と特定のコンピューティングデバイス１７０４との間の接続を容易にすることができる。いくつかの実装では、リソースマネージャ１７０６は、特定のリソースプロバイダ１７０２と特定のコンピューティングデバイス１７０４との間の接続を確立することができる。いくつかの実装では、リソースマネージャ１７０６は、要求されたコンピューティングリソースを有する特定のリソースプロバイダ１７０２へ、特定のコンピューティングデバイス１７０４を転送することができる。

図１８は、本開示に記載する技法を実装するために使用することができるコンピューティングデバイス１８００および移動コンピューティングデバイス１８５０の一例を示す。コンピューティングデバイス１８００は、ラップトップ、デスクトップ、ワークステーション、パーソナルデジタルアシスタント、サーバ、ブレードサーバ、メインフレーム、および他の適当なコンピュータなどの様々な形のデジタルコンピュータを表すことが意図される。移動コンピューティングデバイス１８５０は、パーソナルデジタルアシスタント、セルラー電話、スマートフォン、および他の類似のコンピューティングデバイスなどの様々な形の移動デバイスを表すことが意図される。ここに示す構成要素、それらの接続および関係、ならびにそれらの機能は、単なる例であることを意味し、限定的であることを意味したものではない。

コンピューティングデバイス１８００は、プロセッサ１８０２と、メモリ１８０４と、記憶デバイス１８０６と、メモリ１８０４および複数の高速拡張ポート１８１０に接続する高速インターフェース１８０８と、低速拡張ポート１８１４および記憶デバイス１８０６に接続する低速インターフェース１８１２とを含む。プロセッサ１８０２、メモリ１８０４、記憶デバイス１８０６、高速インターフェース１８０８、高速拡張ポート１８１０、および低速インターフェース１８１２の各々は、様々なバスを使用して相互接続されており、共通のマザーボード上に、または適宜他の方法で取り付けることができる。プロセッサ１８０２は、高速インターフェース１８０８に連結されたディスプレイ１８１６などの外部入出力デバイス上のＧＵＩのためのグラフィカル情報を表示するためにメモリ１８０４内または記憶デバイス１８０６上に記憶された命令を含めて、コンピューティングデバイス１８００内の実行のための命令を処理することができる。他の実装では、複数のプロセッサおよび／または複数のバスを、複数のメモリおよび複数のタイプのメモリとともに、適宜使用することができる。また、複数のコンピューティングデバイスを接続することができ、各デバイスが、必要な動作のいくつかの部分を提供する（たとえば、サーババンク、１群のブレードサーバ、またはマルチプロセッサシステムとして）。したがって、この用語が本明細書で使用されるとき、複数の機能が「プロセッサ」によって実行されると記載した場合、これは、複数の機能が任意の数（１つまたは複数）のコンピューティングデバイスの任意の数（１つまたは複数）のプロセッサによって実行される実施形態を包含する。さらに、ある機能が「プロセッサ」によって実行されると記載した場合、これは、その機能が任意の数（１つまたは複数）のコンピューティングデバイスの任意の数（１つまたは複数）のプロセッサ（たとえば、分散コンピューティングシステム内）によって実行される実施形態を包含する。

メモリ１８０４は、コンピューティングデバイス１８００内の情報を記憶する。いくつかの実装では、メモリ１８０４は、１つまたは複数の揮発性メモリユニットである。いくつかの実装では、メモリ１８０４は、１つまたは複数の不揮発性メモリユニットである。メモリ１８０４はまた、磁気または光ディスクなどの別の形のコンピュータ可読媒体とすることができる。

記憶デバイス１８０６は、コンピューティングデバイス１８００に対する大容量記憶を提供することが可能である。いくつかの実装では、記憶デバイス１８０６は、フロッピー（登録商標）ディスクデバイス、ハードディスクデバイス、光ディスクデバイスもしくはテープデバイス、フラッシュメモリもしくは他の類似の固体メモリデバイス、またはストレージエリアネットワークもしくは他の構成のデバイスを含むデバイスのアレイなどのコンピュータ可読媒体とすることができ、またはこれを含むことができる。命令は、情報キャリア内に記憶することができる。これらの命令は、１つまたは複数の処理デバイス（たとえば、プロセッサ１８０２）によって実行されたとき、上述したものなどの１つまたは複数の方法を実行する。これらの命令はまた、コンピュータまたは機械可読媒体（たとえば、メモリ１８０４、記憶デバイス１８０６、またはプロセッサ１８０２上のメモリ）などの１つまたは複数の記憶デバイスによって記憶することができる。

高速インターフェース１８０８は、コンピューティングデバイス１８００に対する帯域幅集約的動作を管理し、低速インターフェース１８１２は、より低い帯域幅集約的動作を管理する。機能のそのような割当ては、単なる一例である。いくつかの実装では、高速インターフェース１８０８は、メモリ１８０４、ディスプレイ１８１６（たとえば、グラフィックスプロセッサまたはアクセラレータを介する）、および高速拡張ポート１８１０に連結され、高速拡張ポート１８１０は、様々な拡張カード（図示せず）を受け入れることができる。この実装では、低速インターフェース１８１２は、記憶デバイス１８０６および低速拡張ポート１８１４に連結される。低速拡張ポート１８１４は、様々な通信ポート（たとえば、ＵＳＢ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、イーサネット（登録商標）、無線イーサネット）を含むことができ、キーボード、ポインティングデバイス、スキャナ、またはスイッチもしくはルータなどのネットワーキングデバイスなどの１つまたは複数の入出力デバイスに、たとえばネットワークアダプタを介して連結することができる。

コンピューティングデバイス１８００は、図に示すように、複数の異なる形で実装することができる。たとえば、コンピューティングデバイス１８００は、標準的なサーバ１８２０として実装することができ、または１群のそのようなサーバ内で複数回実装することができる。加えて、コンピューティングデバイス１８００は、ラップトップコンピュータ１８２２などのパーソナルコンピュータ内で実装することができる。コンピューティングデバイス１８００はまた、ラックサーバシステム１８２４の一部として実装することができる。別法として、コンピューティングデバイス１８００からの構成要素は、移動コンピューティングデバイス１８５０などの移動デバイス（図示せず）内の他の構成要素と組み合わせることができる。そのようなデバイスの各々は、コンピューティングデバイス１８００および移動コンピューティングデバイス１８５０のうちの１つまたは複数を含むことができ、システム全体を、互いに通信する複数のコンピューティングデバイスから構成することができる。

移動コンピューティングデバイス１８５０は、他の構成要素の中でも、プロセッサ１８５２、メモリ１８６４、ディスプレイ１８５４などの入出力デバイス、通信インターフェース１８６６、トランシーバ１８６８を含む。移動コンピューティングデバイス１８５０はまた、追加の記憶を提供するために、マイクロドライブまたは他のデバイスなどの記憶デバイスを備えることができる。プロセッサ１８５２、メモリ１８６４、ディスプレイ１８５４、通信インターフェース１８６６、およびトランシーバ１８６８の各々は、様々なバスを使用して相互接続されており、これらの構成要素のうちのいくつかは、共通のマザーボード上に、または適宜他の方法で取り付けることができる。

プロセッサ１８５２は、メモリ１８６４内に記憶されている命令を含めて、移動コンピューティングデバイス１８５０内の命令を実行することができる。プロセッサ１８５２は、別個の複数のアナログおよびデジタルプロセッサを含むチップのチップセットとして実装することができる。プロセッサ１８５２は、たとえば、ユーザインターフェースの制御などの移動コンピューティングデバイス１８５０の他の構成要素の協働のために、移動コンピューティングデバイス１８５０によって実行されるアプリケーション、および移動コンピューティングデバイス１８５０による無線通信を提供することができる。

プロセッサ１８５２は、制御インターフェース１８５８およびディスプレイインターフェース１８５６を介してユーザと通信することができ、ディスプレイインターフェース１８５６は、ディスプレイ１８５４に連結される。ディスプレイ１８５４は、たとえば、ＴＦＴ（薄膜トランジスタ液晶ディスプレイ）ディスプレイもしくはＯＬＥＤ（有機発光ダイオード）ディスプレイ、または他の適当なディスプレイ技術とすることができる。ディスプレイインターフェース１８５６は、ディスプレイ１８５４を駆動してグラフィカルおよび他の情報をユーザに提示するための適当な回路を含むことができる。制御インターフェース１８５８は、ユーザからのコマンドを受け取り、それらのコマンドをプロセッサ１８５２への送信のために変換することができる。加えて、外部インターフェース１８６２が、移動コンピューティングデバイス１８５０と他のデバイスとの近距離通信を可能にするように、プロセッサ１８５２との通信を提供することができる。外部インターフェース１８６２は、たとえば、いくつかの実装では有線通信のために、または他の実装では無線通信のために提供することができ、複数のインターフェースを使用することもできる。

メモリ１８６４は、移動コンピューティングデバイス１８５０内に情報を記憶する。メモリ１８６４は、コンピュータ可読媒体、１つもしくは複数の揮発性メモリユニット、または１つもしくは複数の不揮発性メモリユニットの１つまたは複数として実装することができる。拡張メモリ１８７４を提供することもでき、拡張メモリ１８７４は、拡張インターフェース１８７２を介して移動コンピューティングデバイス１８５０に接続することができ、拡張インターフェース１８７２は、たとえば、ＳＩＭＭ（シングルインラインメモリモジュール）カードインターフェースを含むことができる。拡張メモリ１８７４は、移動コンピューティングデバイス１８５０に対する余分の記憶空間を提供することができ、または移動コンピューティングデバイス１８５０に対するアプリケーションもしくは他の情報を記憶することもできる。具体的には、拡張メモリ１８７４は、上述したプロセスを実施または補足するための命令を含むことができ、セキュア情報も含むことができる。したがって、たとえば拡張メモリ１８７４は、移動コンピューティングデバイス１８５０に対するセキュリティモジュールを提供することができ、移動コンピューティングデバイス１８５０の安全な使用を可能にする命令によってプログラムすることができる。加えて、ＳＩＭＭカードを介して、ＳＩＭＭカード上の配置識別情報などの追加の情報とともに、セキュアアプリケーションをハッキング不能に提供することができる。

メモリは、以下に論じるように、たとえばフラッシュメモリおよび／またはＮＶＲＡＭメモリ（不揮発性ランダムアクセスメモリ）を含むことができる。いくつかの実装では、命令は、情報キャリア内に記憶される。これらの命令は、１つまたは複数の処理デバイス（たとえば、プロセッサ１８５２）によって実行されたとき、上述したものなどの１つまたは複数の方法を実行する。これらの命令はまた、１つまたは複数のコンピュータまたは機械可読媒体（たとえば、メモリ１８６４、拡張メモリ１８７４、またはプロセッサ１８５２上のメモリ）などの１つまたは複数の記憶デバイスによって記憶することができる。いくつかの実装では、これらの命令は、伝播シグナルとして、たとえばトランシーバ１８６８または外部インターフェース１８６２を介して受け取ることができる。

移動コンピューティングデバイス１８５０は、通信インターフェース１８６６を介して無線で通信することができ、通信インターフェース１８６６は、必要に応じてデジタルシグナル処理回路を含むことができる。通信インターフェース１８６６は、とりわけ、ＧＳＭ（登録商標）ボイスコール（移動通信のためのグローバルシステム）、ＳＭＳ（ショートメッセージサービス）、ＥＭＳ（拡張メッセージングサービス）、もしくはＭＭＳメッセージング（マルチメディアメッセージングサービス）、ＣＤＭＡ（符号分割多重アクセス）、ＴＤＭＡ（時分割多重アクセス）、ＰＤＣ（パーソナルデジタルセルラー）、ＷＣＤＭＡ（登録商標）（広帯域符号分割多重アクセス）、ＣＤＭＡ２０００、またはＧＰＲＳ（汎用パケット無線サービス）などの様々なモードまたはプロトコール下の通信を提供することができる。そのような通信は、たとえば無線周波数を使用するトランシーバ１８６８を介して行うことができる。加えて、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ－Ｆｉ（商標）、または他のそのようなトランシーバ（図示せず）などを使用して、短距離通信を行うことができる。加えて、ＧＰＳ（グローバルポジショニングシステム）レシーバモジュール１８７０が、追加のナビゲーションおよび位置関連無線データを移動コンピューティングデバイス１８５０に提供することができ、そのようなデータは、移動コンピューティングデバイス１８５０上で実行するアプリケーションによって適宜使用することができる。

移動コンピューティングデバイス１８５０はまた、音声コーデック１８６０を使用して可聴に通信することができ、音声コーデック１８６０は、ユーザから口頭情報を受け取り、それを使用可能なデジタル情報に変換することができる。音声コーデック１８６０は、たとえば移動コンピューティングデバイス１８５０のハンドセット内のスピーカなどを介して、ユーザに対する可聴音も同様に生成することができる。そのような音は、音声電話の呼び出しからの音を含むことができ、記録された音（たとえば、ボイスメッセージ、ミュージックファイルなど）を含むことができ、移動コンピューティングデバイス１８５０上で動作するアプリケーションによって生成された音を含むこともできる。

移動コンピューティングデバイス１８５０は、図に示すように、複数の異なる形で実装することができる。たとえば、移動コンピューティングデバイス１８５０は、セルラー電話１８８０として実装することができる。移動コンピューティングデバイス１８５０はまた、スマートフォン１８８２、パーソナルデジタルアシスタント、または他の類似の移動デバイスの一部として実装することができる。

本明細書に記載するシステムおよび技法の様々な実装は、デジタル電子回路、集積回路、特別設計ＡＳＩＣ（特定用途向け集積回路）、コンピュータハードウェア、ファームウェア、ソフトウェア、および／またはそれらの組合せにおいて実現することができる。これらの様々な実装は、少なくとも１つのプログラマブルプロセッサを含むプログラマブルシステム上で実行可能および／または解釈可能な１つまたは複数のコンピュータプログラムにおける実装を含むことができ、そのようなプログラマブルシステムは、特殊または汎用とすることができ、記憶システム、少なくとも１つの入力デバイス、および少なくとも１つの出力デバイスからデータおよび命令を受け取り、記憶システム、少なくとも１つの入力デバイス、および少なくとも１つの出力デバイスへデータおよび命令を伝送するように連結することができる。

これらのコンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、またはコードとしても公知）は、プログラマブルプロセッサに対する機械命令を含み、高レベルの手続き型および／もしくはオブジェクト指向プログラミング言語、ならびに／またはアセンブリ／機械言語で実装することができる。本明細書では、機械可読媒体およびコンピュータ可読媒体という用語は、機械命令を機械可読シグナルとして受け取る機械可読媒体を含むプログラマブルプロセッサへ機械命令および／またはデータを提供するために使用される任意のコンピュータプログラム製品、装置、および／またはデバイス（たとえば、磁気ディスク、光ディスク、メモリ、プログラマブル論理デバイス（ＰＬＤ））を指す。機械可読シグナルという用語は、プログラマブルプロセッサへ機械命令および／またはデータを提供するために使用される任意のシグナルを指す。

ユーザとの相互作用を提供するために、本明細書に記載するシステムおよび技法は、ユーザに情報を表示するためのディスプレイデバイス（たとえば、ＣＲＴ（陰極線管）またはＬＣＤ（液晶ディスプレイ）モニタ）と、ユーザがコンピュータに入力を提供することができるキーボードおよびポインティングデバイス（たとえば、マウスまたはトラックボール）とを有するコンピュータ上で実装することができる。他の種類のデバイスを使用して、ユーザとの相互作用を同様に提供することもでき、たとえば、ユーザへ提供されるフィードバックは、任意の形の感覚フィードバック（たとえば、視覚フィードバック、聴覚フィードバック、または触覚フィードバック）とすることができ、音響、音声、または触覚入力を含む任意の形のユーザからの入力を受け取ることができる。

本明細書に記載するシステムおよび技法は、バックエンド構成要素（たとえば、データサーバ）、ミドルウェア構成要素（たとえば、アプリケーションサーバ）、フロントエンド構成要素（たとえば、ユーザが本明細書に記載するシステムおよび技法の実装と対話することができるグラフィカルユーザインターフェースもしくはウェブブラウザを有するクライアントコンピュータ）、またはそのようなバックエンド、ミドルウェア、もしくはフロントエンド構成要素の任意の組合せを含むコンピューティングシステムで実装することができる。システムの構成要素は、任意の形または媒体のデジタルデータ通信（たとえば、通信ネットワーク）によって相互接続することができる。通信ネットワークの例には、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、およびインターネットが含まれる。

コンピューティングシステムは、クライアントおよびサーバを含むことができる。クライアントおよびサーバは、互いから概して遠隔にあり、典型的には通信ネットワークを介して相互作用する。クライアントおよびサーバの関係は、それぞれのコンピュータ上で実行されて互いにクライアント－サーバ関係を有するコンピュータプログラムによって生じる。

いくつかの実装では、本明細書に記載する様々なモジュールは、単一のまたは組み合わせたモジュールに、分離、組合せ、または統合することができる。これらの図に描写されるモジュールは、本明細書に記載するシステムを図示のソフトウェアアーキテクチャに限定することを意図したものではない。

本明細書に記載する異なる実装の要素を組み合わせて、上記で具体的に記載していない他の実装を形成することもできる。それらの動作に悪影響を及ぼすことなく、本明細書に記載するプロセス、コンピュータプログラム、データベースなどから、要素を省略することができる。加えて、これらの図に描写される論理フローは、所望の結果を実現するために、図示の特定の順序または順番を必要とするものではない。本明細書に記載する機能を実行するために、様々な別個の要素を組み合わせて１つまたは複数の個別の要素にすることができる。

本説明全体にわたって、装置およびシステムが特有の構成要素を有する、含む、もしくは備えると説明する場合、またはプロセスおよび方法が特有のステップを有する、含む、もしくは備えると説明する場合、加えて、記載の構成要素から本質的になる、または記載の構成要素からなる、本発明の装置およびシステムも存在すること、ならびに記載の処理ステップから本質的になる、または記載の処理ステップからなる、本発明によるプロセスおよび方法も存在することが企図される。

本発明が動作可能なままである限り、ステップの順序または特定の動作を実行する順序は本質的でないことを理解されたい。さらに、２つまたはそれより多いステップまたは動作を同時に実施することができる。

本発明について特有の好ましい実施形態を参照して特に図示および説明したが、添付の特許請求の範囲によって定義される本発明の精神および範囲から逸脱することなく、形態および詳細の様々な変更を本発明に加えることができることを、当業者には理解されたい。

本発明の様々な記載の実施形態は、技術的に不適合でない限り、１つまたは複数の他の実施形態とともに使用することができる。

本発明について特有の好ましい実施形態を参照して特に図示および説明したが、添付の特許請求の範囲によって定義される本発明の精神および範囲から逸脱することなく、形態および詳細の様々な変更を本発明に加えることができることを、当業者には理解されたい。

Claims (116)

1. ３Ｄ画像を自動的に処理して、特定の標的組織領域に対応する前記３Ｄ画像内の３Ｄ体積を識別する方法であって、
   （ａ）コンピューティングデバイスのプロセッサによって、解剖学的撮像法を使用して取得された対象の３Ｄ解剖学的画像を受け取ることであり、前記３Ｄ解剖学的画像が、前記対象内の組織の図形表現を含む、受け取ることと、
   （ｂ）前記プロセッサによって、１つまたは複数の機械学習モジュールを使用して、複数の標的組織領域の各々に対して、前記３Ｄ解剖学的画像内の対応する標的関心体積（ＶＯＩ）を自動的に識別することと、
   （ｃ）前記プロセッサによって、複数の３Ｄセグメント化マスクを表す３Ｄセグメント化マップを判定することであり、各３Ｄセグメント化マスクが、特定の識別された標的ＶＯＩを表す、判定することと、
   （ｄ）表示および／またはさらなる処理のために前記３Ｄセグメント化マップを記憶および／または提供することとを含む方法。
2. 前記３Ｄ解剖学的画像がフルボディ画像である、請求項１に記載の方法。
3. ステップ（ｃ）が、前記複数の３Ｄセグメント化マスクをともにデジタルで綴じて前記３Ｄセグメント化マップを形成することを含む、請求項１または２に記載の方法。
4. ステップ（ｂ）が、少なくとも１つの特有の標的組織領域に対して、
   第１のモジュールを使用して、前記３Ｄ解剖学的画像内の初期ＶＯＩを判定することであって、前記初期ＶＯＩが、前記特有の標的組織領域を含む解剖学的領域に対応する、判定することと、
   第２のモジュールを使用して、前記初期ＶＯＩ内の前記特有の標的組織領域に対応する前記標的ＶＯＩを識別することとを含む、前記請求項のいずれか一項に記載の方法。
5. 前記第２のモジュールが、ＣＮＮを実装するＣＮＮモジュールである、請求項４に記載の方法。
6. 前記第１のモジュールが、ＣＮＮを実装して粗いセグメント化を実行し、前記特有の標的組織領域を含む前記解剖学的領域に対応する前記初期ＶＯＩを自動的に識別するＣＮＮモジュールである、請求項４または５に記載の方法。
7. 前記第１のモジュールが、前記解剖学的画像のサブサンプリングバージョンを入力として受け取り、前記解剖学的画像の前記サブサンプリングバージョンを使用して前記初期ＶＯＩを識別する、請求項４から６のいずれか一項に記載の方法。
8. 前記第１のモジュールが第１のＣＮＮモジュールであり、前記第２のモジュールが第２のＣＮＮモジュールであり、前記第１のＣＮＮモジュールが、前記第２のＣＮＮモジュールに対する画像サイズの変動性の増大を補償するために、追加のフィルタを含む、請求項４から７のいずれか一項に記載の方法。
9. 前記３Ｄ解剖学的画像がフルボディ画像であり、ステップ（ｂ）が、
   機械学習技法（単数または複数）を実装する１つまたは複数の局所化モジュールを使用して、前記３Ｄ解剖学的画像内の複数の初期ＶＯＩを自動的に判定することであり、各初期ＶＯＩが、特定の解剖学的領域に対応し、前記特定の解剖学的領域内に前記標的ＶＯＩの関連付けられた部分集合が位置する、判定することと、
   各初期ＶＯＩに対して、機械学習技法（単数または複数）を実装する１つまたは複数のセグメント化モジュールを使用して、標的ＶＯＩの前記関連付けられた部分集合を自動的に識別することとを含む、請求項４から８のいずれか一項に記載の方法。
10. 前記複数の初期ＶＯＩが、
    前記対象の骨盤領域に対応する骨盤領域初期ＶＯＩ、
    前記対象の脊柱に対応する脊柱領域初期ＶＯＩ、
    前記対象の上半身の左側に対応する左上半身領域初期ＶＯＩ、および
    前記対象の上半身の右側に対応する右上半身領域初期ＶＯＩからなる群から選択された１つまたは複数のメンバーを含む、請求項９に記載の方法。
11. （ｅ）前記プロセッサによって、機能的撮像法を使用して取得された前記対象の３Ｄ機能的画像を受け取ることと、
    （ｆ）前記プロセッサによって、前記３Ｄ機能的画像内で、前記３Ｄセグメント化マップを使用して、識別された標的ＶＯＩに各々対応する１つまたは複数の３Ｄ体積を識別することと
    をさらに含む、前記請求項のいずれか一項に記載の方法。
12. （ｇ）前記プロセッサによって、前記対象に対するがんの状態を判定すること
    を含む、請求項１１に記載の方法。
13. 異なる時点で収集された複数の解剖学的画像および対応する機能的画像に対してステップ（ａ）～（ｇ）を繰返し実行して、各時点で前記対象のがんの状態を判定し、それによってがんの状態を経時的に追跡することを含む、請求項１２に記載の方法。
14. （ｈ）前記プロセッサによって、前記３Ｄ機能的画像のボクセルの強度を自動的に調整して、１つまたは複数の背景組織領域における背景の取込みを補正すること
    を含む、請求項１１から１３のいずれか一項に記載の方法。
15. 前記標的組織領域が、前記１つまたは複数の背景組織領域を含み、ステップ（ｈ）が、
    前記３Ｄセグメント化マップを使用して、前記３Ｄ機能的画像内で、特定の背景組織領域に各々対応する１つまたは複数の３Ｄ背景組織体積を識別することと、
    前記３Ｄ背景組織体積内のボクセルの強度に基づいて、前記３Ｄ機能的画像のボクセルの強度を調整することとを含む、請求項１４に記載の方法。
16. 前記１つまたは複数の背景組織領域が、嚢、腎臓、十二指腸、小腸、脾臓、肝臓、膵臓、胃、副腎、直腸、および精巣からなる群から選択された１つまたは複数のメンバーを含む、請求項１４または１５に記載の方法。
17. （ｉ）前記プロセッサによって、前記３Ｄ機能的画像内のボクセルの強度に基づいて病変を表すと判定された前記３Ｄ機能的画像内の１つまたは複数のホットスポットを自動的に検出すること
    を含む、請求項１１から１６のいずれか一項に記載の方法。
18. ステップ（ｉ）が、１つまたは複数の閾値を使用することを含む、請求項１７に記載の方法。
19. ステップ（ｉ）が、１つまたは複数のフィルタを前記３Ｄ機能的画像に適用することを含む、請求項１７または１８に記載の方法。
20. ステップ（ｉ）が、前記３Ｄ機能的画像内で識別された前記１つまたは複数の３Ｄ体積の異なる部分集合におけるホットスポットの識別のために、２つまたはそれより多い技法の組合せを使用することを含む、請求項１７から１９のいずれか一項に記載の方法。
21. ステップ（ｉ）が、最初の１組のホットスポットを検出し、前記最初の１組の前記ホットスポットの少なくとも一部分に対して、前記検出されたホットスポットの少なくとも一部分の各ホットスポットを、がん病変として、またはがん病変でないものとして分類することを含む、請求項１７から２０のいずれか一項に記載の方法。
22. 前記標的組織領域が、１つまたは複数の背景組織領域を含み、前記方法が、
    前記３Ｄセグメント化マップを使用して、前記３Ｄ機能的画像内で、特定の背景組織領域に各々対応する１つまたは複数の３Ｄ背景組織体積を識別することと、
    ステップ（ｉ）で前記１つまたは複数のホットスポットを自動的に検出するために使用された前記ボクセルから、前記３Ｄ背景組織内の前記３Ｄのボクセルを除外することとを含む、請求項１７から２１のいずれか一項に記載の方法。
23. 前記１つまたは複数の検出されたホットスポットを使用して、前記対象に対するがんの状態を判定することを含む、請求項１７から２２のいずれか一項に記載の方法。
24. 前記標的組織領域が、１つまたは複数の基準組織領域を含み、前記方法が、
    前記３Ｄセグメント化マップを使用して、前記プロセッサによって、前記３Ｄ機能的画像内で、特定の基準組織領域に各々対応する１つまたは複数の３Ｄ基準体積を識別することと、
    前記プロセッサによって、前記１つまたは複数の３Ｄ基準体積の特定の３Ｄ基準体積に各々関連付けられ、前記特定の３Ｄ基準体積内の強度の測度に対応する１つまたは複数の基準強度値を判定することと、
    前記プロセッサによって、前記検出された１つまたは複数のホットスポットの少なくとも一部分の特定のホットスポットに各々関連付けられ、前記特定のホットスポットの強度の測度に対応する１つまたは複数の個別のホットスポット強度値を判定することと、
    前記プロセッサによって、前記１つまたは複数の個別のホットスポット強度値および前記１つまたは複数の基準強度値を使用して、１つまたは複数の個別のホットスポットインデックス値を判定することとを含む、請求項１７から２３のいずれか一項に記載の方法。
25. 前記１つまたは複数の個別のホットスポットインデックス値を判定することが、前記１つまたは複数の基準強度値の各々をスケール上の対応する基準インデックス値にマッピングし、個別の各ホットスポット強度値に対して、前記基準強度値および対応する基準インデックス値を使用して、対応する個別のホットスポットインデックス値を補間することを含む、請求項２４に記載の方法。
26. 前記基準組織領域が、肝臓、大動脈、および耳下腺からなる群から選択された１つまたは複数のメンバーを含む、請求項２４または２５に記載の方法。
27. 第１の基準強度値が、（ｉ）大動脈部分に対応する３Ｄ基準体積に関連付けられた血液基準強度値であり、（ｉｉ）第１の基準インデックス値にマッピングし、
    第２の基準強度値が、（ｉ）肝臓に対応する３Ｄ基準体積に関連付けられた肝臓基準強度値であり、（ｉｉ）第２の基準インデックス値にマッピングし、
    前記第２の基準強度値が前記第１の基準強度値より大きく、前記第２の基準インデックス値が前記第１の基準インデックス値より大きい、請求項２４から２６のいずれか一項に記載の方法。
28. 前記基準強度値が、最大基準インデックス値にマッピングする最大基準強度値を含み、前記最大基準強度値より大きい関連付けられたホットスポット強度値を有するホットスポットに、前記最大基準インデックス値に等しいホットスポットインデックス値が割り当てられる、請求項２４から２７のいずれか一項に記載の方法。
29. 前記プロセッサによって、前記１つまたは複数のホットスポットインデックス値の少なくとも一部分を使用して、前記対象のがんの状態を示す総合インデックス値を判定することを含む、請求項２４から２８のいずれか一項に記載の方法。
30. 前記総合インデックス値が、前記個別のホットスポットインデックス値の少なくとも一部分の加重和として判定される、請求項２９に記載の方法。
31. 前記総合インデックス値が、前記解剖学的画像内で識別された特定の標的ＶＯＩに対応する特定の標的組織領域に関連付けられ、
    前記総合インデックス値が、前記特定の識別された標的ＶＯＩに対応する前記３Ｄ機能的画像内の特定の３Ｄ体積内に位置するホットスポットの部分集合のホットスポットインデックス値を使用して判定される、請求項２９または３０に記載の方法。
32. 前記特定の標的組織領域は、前記対象の１つまたは複数の骨を含む骨格領域、リンパ領域、および前立腺領域からなる群から選択される、請求項３１に記載の方法。
33. 前記３Ｄ解剖学的画像が、Ｘ線コンピュータ断層撮影（ＣＴ）画像であり、
    前記３Ｄ機能的画像が、３Ｄ単一光子放射コンピュータ断層撮影（ＳＰＥＣＴ）画像である、請求項１１から３２のいずれか一項に記載の方法。
34. 前記３Ｄ解剖学的画像が、Ｘ線コンピュータ断層撮影（ＣＴ）画像であり、
    前記３Ｄ機能的画像が、３Ｄポジトロン放出断層撮影（ＰＥＴ）画像である、請求項１１から３２のいずれか一項に記載の方法。
35. 前記対象の前記３ＤＰＥＴ画像が、前立腺特異的膜抗原（ＰＳＭＡ）結合剤を含む放射性医薬品の前記対象への投与後に取得される、請求項３４に記載の方法。
36. 前記放射性医薬品が、［^１８Ｆ］ＤＣＦＰｙＬを含む、請求項３５に記載の方法。
37. ステップ（ｂ）が、前記プロセッサによって、前記３Ｄ解剖学的画像をクロッピングして、空気を表すボクセルを除去することを含む、前記請求項のいずれか一項に記載の方法。
38. 前記標的組織領域が、左寛骨、右寛骨、仙骨および尾骨領域、左鎖骨、右鎖骨、左肋骨、右肋骨、左肩甲骨、右肩甲骨、胸骨、腰椎、胸椎、頭蓋骨、頸椎、左大腿部、右大腿部、左上腕骨、右上腕骨、前立腺、膀胱、直腸、左大臀筋、右大臀筋、大動脈（たとえば胸大動脈部分、たとえば腹大動脈部分）、左腎臓、右腎臓、肝臓、左肺、右肺、脾臓、心室、左副腎、右副腎、胆嚢、脳、膵臓、心臓、下顎骨、左気管支、右気管支、気管、左総腸骨動脈、右総腸骨動脈、ならびに耳下腺からなる群から選択された１つまたは複数のメンバーを含む、前記請求項のいずれか一項に記載の方法。
39. 前記標的組織領域のうちの１つまたは複数が、左鎖骨、右鎖骨、左大腿部、右大腿部、左腓骨、右腓骨、左寛骨、右寛骨、左上腕骨、右上腕骨、下顎骨、左膝蓋骨、右膝蓋骨、左橈骨、右橈骨、左脛骨、右脛骨、左尺骨、右尺骨、左肋骨、右肋骨、仙骨および尾骨、左肩甲骨、右肩甲骨、頭蓋骨、胸骨、椎骨領域、ならびに個別の椎骨からなる群から選択された１つまたは複数の特有の骨を含む、前記請求項のいずれか一項に記載の方法。
40. 前記標的組織領域のうちの１つまたは複数が、左鎖骨、右鎖骨、左寛骨、右寛骨、左肋骨、右肋骨、仙骨および尾骨、左肩甲骨、右肩甲骨、胸骨、椎骨領域、ならびに個別の椎骨からなる群から選択された１つまたは複数の特有の骨を含む、請求項３９に記載の方法。
41. 前記標的組織領域のうちの１つまたは複数が、左副腎、右副腎、大動脈、脳、左気管支、右気管支、胆嚢、左大臀筋、右大臀筋、心臓、左総腸骨動脈、右総腸骨動脈、左腎臓、右腎臓、肝臓、左肺、右肺、膵臓、前立腺、直腸、脾臓、気管、膀胱、心室、および耳下腺からなる群から選択された１つまたは複数の軟組織領域を含む、前記請求項のいずれか一項に記載の方法。
42. 前記１つまたは複数の標的組織領域が、胆嚢、左腎臓、右腎臓、肝臓、左肺、右肺、前立腺、および膀胱からなる群から選択された１つまたは複数の軟組織領域を含む、請求項４１に記載の方法。
43. 前記標的組織領域が、特有の骨に各々対応する１つまたは複数の骨領域、および特有の軟組織領域に各々対応する１つまたは複数の軟組織領域を含む、前記請求項のいずれか一項に記載の方法。
44. ３Ｄ画像を自動的に処理して、対象内のがん病変を自動的に識別する方法であって、
    （ａ）コンピューティングデバイスのプロセッサによって、解剖学的撮像法を使用して取得された対象の３Ｄ解剖学的画像を受け取ることであり、前記３Ｄ解剖学的画像が、前記対象内の組織の図形表現を含む、受け取ることと、
    （ｂ）前記プロセッサによって、１つまたは複数の機械学習モジュールを使用して、複数の標的組織領域の各々に対して、前記３Ｄ解剖学的画像内の対応する標的関心体積（ＶＯＩ）を自動的に識別することと、
    （ｃ）前記プロセッサによって、複数の３Ｄセグメント化マスクを表す３Ｄセグメント化マップを判定することであり、各３Ｄセグメント化マスクが、特定の識別された標的ＶＯＩを表す、判定することと、
    （ｄ）前記プロセッサによって、機能的撮像法を使用して取得された前記対象の３Ｄ機能的画像を受け取ることと、
    （ｅ）前記３Ｄ機能的画像内で、前記３Ｄセグメント化マップを使用して、識別された標的ＶＯＩに各々対応する１つまたは複数の３Ｄ体積を識別することと、
    （ｆ）前記プロセッサによって、前記３Ｄ機能的画像内で識別された前記１つまたは複数の３Ｄ体積の少なくとも一部分内で、前記３Ｄ機能的画像内のボクセルの強度に基づいて、病変を表すと判定された１つまたは複数のホットスポットを自動的に検出することとを含む方法。
45. 前記プロセッサによって、前記１つまたは複数の検出されたホットスポットを使用して、前記対象に対するがんの状態を判定することを含む、請求項４４に記載の方法。
46. 前記標的組織領域が、１つまたは複数の基準組織領域を含み、前記方法が、
    前記３Ｄセグメント化マップを使用して、前記プロセッサによって、前記３Ｄ機能的画像内で、特定の基準組織領域に各々対応する１つまたは複数の３Ｄ基準体積を識別することと、
    前記プロセッサによって、前記１つまたは複数の３Ｄ基準体積の特定の３Ｄ基準体積に各々関連付けられ、前記特定の３Ｄ基準体積内の強度の測度に対応する１つまたは複数の基準強度値を判定することと、
    前記プロセッサによって、前記検出された１つまたは複数のホットスポットの少なくとも一部分の特定のホットスポットに各々関連付けられ、前記特定のホットスポットの強度の測度に対応する１つまたは複数の個別のホットスポット強度値を判定することと、
    前記プロセッサによって、前記１つまたは複数の個別のホットスポット強度値および前記１つまたは複数の基準強度値を使用して、１つまたは複数の個別のホットスポットインデックス値を判定することとを含む、請求項４４または４５に記載の方法。
47. 前記基準組織領域が、肝臓、大動脈、および耳下腺からなる群から選択された１つまたは複数のメンバーを含む、請求項４６に記載の方法。
48. 前記プロセッサによって、前記１つまたは複数のホットスポットインデックス値の少なくとも一部分を使用して、前記対象のがんの状態を示す総合インデックス値を判定することを含む、請求項４５から４７のいずれか一項に記載の方法。
49. 前記総合インデックス値が、前記個別のホットスポットインデックス値の少なくとも一部分の加重和として判定される、請求項４８に記載の方法。
50. 前記３Ｄ解剖学的画像が、Ｘ線コンピュータ断層撮影（ＣＴ）画像であり、
    前記３Ｄ機能的画像が、３Ｄポジトロン放出断層撮影（ＰＥＴ）画像である、請求項４４から４９のいずれか一項に記載の方法。
51. 前記対象の前記３ＤＰＥＴ画像が、前立腺特異的膜抗原（ＰＳＭＡ）結合剤を含む放射性医薬品の前記対象への投与後に取得される、請求項５０に記載の方法。
52. 前記放射性医薬品が、［^１８Ｆ］ＤＣＦＰｙＬを含む、請求項５１に記載の方法。
53. ３Ｄ画像を自動的に処理して、がんを患っている、またはそのリスクがある、対象内のがん病変における放射性医薬品の取込みを識別および測定する方法であって、
    （ａ）コンピューティングデバイスのプロセッサによって、解剖学的撮像法を使用して取得された対象の３Ｄ解剖学的画像を受け取ることであり、前記３Ｄ解剖学的画像が、前記対象内の組織の図形表現を含む、受け取ることと、
    （ｂ）前記プロセッサによって、１つまたは複数の機械学習モジュールを使用して、前記３Ｄ解剖学的画像内で、
    前記対象の１つまたは複数の骨の図形表現を含む第１の骨格体積、
    前記対象の大動脈の少なくとも一部分の図形表現を含む第１の大動脈体積、および
    前記対象の肝臓の図形表現を含む第１の肝臓体積を自動的に識別することと、
    （ｃ）前記プロセッサによって、前記識別された第１の骨格体積を表す骨格マスク、前記識別された第１の大動脈体積を表す大動脈マスク、および前記識別された第１の肝臓体積を表す肝臓マスクを含む複数の３Ｄセグメント化マスクを表す３Ｄセグメント化マップを判定することと、
    （ｄ）前記プロセッサによって、機能的撮像法を使用して取得された前記対象の３Ｄ機能的画像を受け取ることと、
    （ｅ）前記３Ｄ機能的画像内で、前記３Ｄセグメント化マップを使用して、
    前記３Ｄ解剖学的画像内の前記第１の識別された骨格体積に対応する第２の骨格体積、
    前記３Ｄ解剖学的画像内で識別された前記第１の大動脈体積に対応する第２の大動脈体積、および
    前記３Ｄ解剖学的画像内で識別された前記第１の肝臓体積に対応する第２の肝臓体積を自動的に識別することと、
    （ｆ）前記プロセッサによって、前記第２の骨格体積内で、前記第２の骨格体積内のボクセルの強度に基づいて、病変を表すと判定された１つまたは複数のホットスポットを自動的に検出することと、
    （ｇ）前記第２の大動脈体積内のボクセルの強度の測度に基づいて大動脈基準強度レベルを判定し、
    前記第２の肝臓体積内のボクセルの強度の測度に基づいて肝臓基準強度レベルを判定し、
    検出された個別の各ホットスポットに対して、
    前記検出されたホットスポットのボクセルの強度の測度に基づいて、対応する個別のホットスポット強度レベルを判定し、
    前記個別のホットスポット強度レベル、前記大動脈基準強度レベル、および前記肝臓基準強度レベルから対応する個別のホットスポットインデックスレベルを判定することによって、
    前記プロセッサによって、前記１つまたは複数の検出されたホットスポットの各々に対して、個別のホットスポットインデックス値を判定することとを含む方法。
54. 前記プロセッサによって、前記１つまたは複数の検出されたホットスポットの少なくとも一部分の前記個別のホットスポットインデックス値に基づいて、前記対象のがんの状態を示す総合インデックス値を判定することを含む、請求項５３に記載の方法。
55. 前記対象が、前立腺がんを患っており、またはそのリスクがある、請求項５３または５４に記載の方法。
56. ステップ（ｂ）が、前記３Ｄ解剖学的画像内で、前記対象の前立腺の図形表現を含む第１の前立腺体積を自動的に識別することを含み、
    ステップ（ｃ）で判定された前記３Ｄセグメント化マップが、前記識別された第１の前立腺体積を表す前立腺マスクをさらに含み、
    ステップ（ｅ）が、前記３Ｄ機能的画像内で、前記３Ｄ解剖学的画像内の前記第１の識別された前立腺体積に対応する第２の前立腺体積を自動的に識別することを含み、
    ステップ（ｆ）が、前記第２の前立腺体積内で１つまたは複数のホットスポットを自動的に検出することを含み、前記方法が、
    前記プロセッサによって、（ｉ）前記第２の骨格体積内に位置する前記１つまたは複数の検出されたホットスポットの少なくとも一部分の前記個別のホットスポットインデックス値に基づいて、前記対象の前記１つまたは複数の骨における病変の内容を示す総合骨インデックス値を判定し、（ｉｉ）前記第２の前立腺体積内に位置する前記１つまたは複数の検出されたホットスポットの少なくとも一部分の前記個別のホットスポットインデックス値に基づいて、前記対象の前記前立腺における病変の内容を示す総合前立腺インデックス値を判定することをさらに含む、請求項５３から５５のいずれか一項に記載の方法。
57. 前記対象が、転移性がんを患っており、またはそのリスクがある、請求項５３から５６のいずれか一項に記載の方法。
58. 可変サイズの１組のフルボディ３Ｄ解剖学的画像を自動的に処理して、各３Ｄ解剖学的画像内で、特定の標的組織領域に対応する複数の３Ｄ体積を自動的に識別する方法であって、
    （ａ）コンピューティングデバイスのプロセッサによって、解剖学的撮像法を使用して取得された１つまたは複数の対象の前記１組の３Ｄ解剖学的画像を受け取ることであり、前記３Ｄ解剖学的画像が、前記１つまたは複数の対象の各々における組織の図形表現を含み、前記１組の３Ｄ解剖学的画像が、平均ｘ次元、平均ｙ次元、および平均ｚ次元を有し、前記平均ｘ次元、前記平均ｙ次元、および前記平均ｚ次元の少なくとも１つが、対応する平均値の少なくとも３％の標準偏差を有する、受け取ることと、
    （ｂ）前記プロセッサによって、ＣＮＮを実装する局所化モジュールを使用して、前記１組の３Ｄ解剖学的画像の各画像内で、１つまたは複数の特定の関連付けられた標的組織領域を含む特定の解剖学的領域に対応する少なくとも１つの初期ＶＯＩを自動的に判定し、それによって前記対応する３Ｄ解剖学的画像に対する少なくとも１つの初期ＶＯＩを識別することと、
    （ｃ）各初期ＶＯＩに対して、前記プロセッサによって、ＣＮＮを各々実装する１つまたは複数のセグメント化モジュールを使用して、前記初期ＶＯＩが対応する前記特定の解剖学的領域に関連付けられた前記１つまたは複数の特定の標的組織領域の各々に対して、対応する標的ＶＯＩを自動的に識別することとを含む方法。
59. ３Ｄ画像を自動的に処理して、特定の標的組織領域に対応する前記３Ｄ画像内の３Ｄ体積を識別するシステムであって、
    コンピューティングデバイスのプロセッサと、
    命令が記憶されたメモリとを含み、前記命令が前記プロセッサによって実行されたとき、前記命令により前記プロセッサは、
    （ａ）解剖学的撮像法を使用して取得された対象の３Ｄ解剖学的画像を受け取ることであり、前記３Ｄ解剖学的画像が、前記対象内の組織の図形表現を含む、受け取ることと、
    （ｂ）１つまたは複数の機械学習モジュールを使用して、複数の標的組織領域の各々に対して、前記３Ｄ解剖学的画像内の対応する標的関心体積（ＶＯＩ）を自動的に識別することと、
    （ｃ）複数の３Ｄセグメント化マスクを表す３Ｄセグメント化マップを判定することであり、各３Ｄセグメント化マスクが、特定の識別された標的ＶＯＩを表す、判定することと、
    （ｄ）表示および／またはさらなる処理のために前記３Ｄセグメント化マップを記憶および／または提供することとを行う、システム。
60. 前記３Ｄ解剖学的画像がフルボディ画像である、請求項５９に記載のシステム。
61. ステップ（ｃ）で、前記命令により前記プロセッサが、前記複数の３Ｄセグメント化マスクをともにデジタルで綴じて前記３Ｄセグメント化マップを形成する、請求項５９または６０に記載のシステム。
62. ステップ（ｂ）で、前記命令により前記プロセッサが、少なくとも１つの特有の標的組織領域に対して、
    第１のモジュールを使用して、前記３Ｄ解剖学的画像内の初期ＶＯＩを判定することであって、前記初期ＶＯＩが、前記特有の標的組織領域を含む解剖学的領域に対応する、判定することと、
    第２のモジュールを使用して、前記初期ＶＯＩ内の前記特有の標的組織領域に対応する前記標的ＶＯＩを識別することとを行う、請求項５９から６１のいずれか一項に記載のシステム。
63. 前記第２のモジュールが、ＣＮＮを実装するＣＮＮモジュールである、請求項６２に記載のシステム。
64. 前記第１のモジュールが、ＣＮＮを実装して粗いセグメント化を実行し、前記特有の標的組織領域を含む前記解剖学的領域に対応する前記初期ＶＯＩを自動的に識別するＣＮＮモジュールである、請求項６２または６３に記載のシステム。
65. 前記第１のモジュールが、前記解剖学的画像のサブサンプリングバージョンを入力として受け取り、前記解剖学的画像の前記サブサンプリングバージョンを使用して前記初期ＶＯＩを識別する、請求項６２から６４のいずれか一項に記載のシステム。
66. 前記第１のモジュールが第１のＣＮＮモジュールであり、前記第２のモジュールが第２のＣＮＮモジュールであり、前記第１のＣＮＮモジュールが、前記第２のＣＮＮモジュールに対する画像サイズの変動性の増大を補償するために、追加のフィルタを含む、請求項６２から６５のいずれか一項に記載のシステム。
67. 前記３Ｄ解剖学的画像がフルボディ画像であり、ステップ（ｂ）で、前記命令により前記プロセッサが、
    機械学習技法（単数または複数）を実装する１つまたは複数の局所化モジュールを使用して、前記３Ｄ解剖学的画像内の複数の初期ＶＯＩを自動的に判定することであり、各初期ＶＯＩが、特定の解剖学的領域に対応し、前記特定の解剖学的領域内に前記標的ＶＯＩの関連付けられた部分集合が位置する、判定することと、
    各初期ＶＯＩに対して、機械学習技法（単数または複数）を実装する１つまたは複数のセグメント化モジュールを使用して、標的ＶＯＩの前記関連付けられた部分集合を自動的に識別することとを行う、請求項６２から６６のいずれか一項に記載のシステム。
68. 前記複数の初期ＶＯＩが、
    前記対象の骨盤領域に対応する骨盤領域初期ＶＯＩ、
    前記対象の脊柱に対応する脊柱領域初期ＶＯＩ、
    前記対象の上半身の左側に対応する左上半身領域初期ＶＯＩ、および
    前記対象の上半身の右側に対応する右上半身領域初期ＶＯＩからなる群から選択された１つまたは複数のメンバーを含む、請求項６７に記載のシステム。
69. 前記命令により前記プロセッサが、
    （ｅ）機能的撮像法を使用して取得された前記対象の３Ｄ機能的画像を受け取ることと、
    （ｆ）前記３Ｄ機能的画像内で、前記３Ｄセグメント化マップを使用して、識別された標的ＶＯＩに各々対応する１つまたは複数の３Ｄ体積を識別することとを行う、請求項５９から６８のいずれか一項に記載のシステム。
70. 前記命令により前記プロセッサが、
    （ｇ）前記対象に対するがんの状態を判定する、請求項６９に記載のシステム。
71. 前記命令により前記プロセッサが、異なる時点で収集された複数の解剖学的画像および対応する機能的画像に対してステップ（ａ）～（ｇ）を繰返し実行して、前記対象のがんの状態を各時点で判定し、それによってがんの状態を経時的に追跡する、請求項７０に記載のシステム。
72. 前記命令により前記プロセッサが、
    （ｈ）前記３Ｄ機能的画像のボクセルの強度を自動的に調整して、１つまたは複数の背景組織領域における背景の取込みを補正する、請求項６９から７１のいずれか一項に記載のシステム。
73. 前記標的組織領域が、前記１つまたは複数の背景組織領域を含み、ステップ（ｈ）で、前記命令により前記プロセッサが、
    前記３Ｄセグメント化マップを使用して、前記３Ｄ機能的画像内で、特定の背景組織領域に各々対応する１つまたは複数の３Ｄ背景組織体積を識別することと、
    前記３Ｄ背景組織体積内のボクセルの強度に基づいて、前記３Ｄ機能的画像のボクセルの強度を調整することとを行う、請求項７２に記載のシステム。
74. 前記１つまたは複数の背景組織領域が、嚢、腎臓、十二指腸、小腸、脾臓、肝臓、膵臓、胃、副腎、直腸、および精巣からなる群から選択された１つまたは複数のメンバーを含む、請求項７２または７３に記載のシステム。
75. 前記命令により前記プロセッサが、
    （ｉ）前記３Ｄ機能的画像内のボクセルの強度に基づいて、病変を表すと判定された前記３Ｄ機能的画像内の１つまたは複数のホットスポットを自動的に検出する、請求項６９から７４のいずれか一項に記載のシステム。
76. ステップ（ｉ）で、前記命令により前記プロセッサが、１つまたは複数の閾値を使用する、請求項７５に記載のシステム。
77. ステップ（ｉ）で、前記命令により前記プロセッサが、１つまたは複数のフィルタを前記３Ｄ機能的画像に適用する、請求項７５または７６に記載のシステム。
78. ステップ（ｉ）で、前記命令により前記プロセッサが、前記３Ｄ機能的画像内で識別された前記１つまたは複数の３Ｄ体積の異なる部分集合におけるホットスポットの識別のために、２つまたはそれより多い技法の組合せを使用する、請求項７５から７７のいずれか一項に記載のシステム。
79. ステップ（ｉ）で、前記命令により前記プロセッサが、最初の１組のホットスポットを検出し、前記最初の１組の前記ホットスポットの少なくとも一部分に対して、前記検出されたホットスポットの少なくとも一部分の各ホットスポットを、がん病変として、またはがん病変でないものとして分類する、請求項７５から７８のいずれか一項に記載のシステム。
80. 前記標的組織領域が、１つまたは複数の背景組織領域を含み、前記命令により前記プロセッサが、
    前記３Ｄセグメント化マップを使用して、前記３Ｄ機能的画像内で、特定の背景組織領域に各々対応する１つまたは複数の３Ｄ背景組織体積を識別することと、
    ステップ（ｉ）で前記１つまたは複数のホットスポットを自動的に検出するために使用された前記ボクセルから、前記３Ｄ背景組織内の前記３Ｄのボクセルを除外することとを行う、請求項７５から７９のいずれか一項に記載のシステム。
81. 前記命令により前記プロセッサが、前記１つまたは複数の検出されたホットスポットを使用して、前記対象に対するがんの状態を判定する、請求項７５から８０のいずれか一項に記載のシステム。
82. 前記標的組織領域が、１つまたは複数の基準組織領域を含み、前記命令により前記プロセッサが、
    前記３Ｄセグメント化マップを使用して、前記３Ｄ機能的画像内で、特定の基準組織領域に各々対応する１つまたは複数の３Ｄ基準体積を識別することと、
    前記１つまたは複数の３Ｄ基準体積の特定の３Ｄ基準体積に各々関連付けられ、前記特定の３Ｄ基準体積内の強度の測度に対応する１つまたは複数の基準強度値を判定することと、
    前記検出された１つまたは複数のホットスポットの少なくとも一部分の特定のホットスポットに各々関連付けられ、前記特定のホットスポットの強度の測度に対応する１つまたは複数の個別のホットスポット強度値を判定することと、
    前記１つまたは複数の個別のホットスポット強度値および前記１つまたは複数の基準強度値を使用して、１つまたは複数の個別のホットスポットインデックス値を判定することとを行う、請求項７５から８１のいずれか一項に記載のシステム。
83. 前記命令により前記プロセッサが、前記１つまたは複数の基準強度値の各々をスケール上の対応する基準インデックス値にマッピングし、個別の各ホットスポット強度値に対して、前記基準強度値および対応する基準インデックス値を使用して、対応する個別のホットスポットインデックス値を補間することによって、前記１つまたは複数の個別のホットスポットインデックス値を判定する、請求項８２に記載のシステム。
84. 前記基準組織領域が、肝臓、大動脈、および耳下腺からなる群から選択された１つまたは複数のメンバーを含む、請求項８２または８３に記載のシステム。
85. 第１の基準強度値が、（ｉ）大動脈部分に対応する３Ｄ基準体積に関連付けられた血液基準強度値であり、（ｉｉ）第１の基準インデックス値にマッピングし、
    第２の基準強度値が、（ｉ）肝臓に対応する３Ｄ基準体積に関連付けられた肝臓基準強度値であり、（ｉｉ）第２の基準インデックス値にマッピングし、
    前記第２の基準強度値が前記第１の基準強度値より大きく、前記第２の基準インデックス値が前記第１の基準インデックス値より大きい、請求項８２から８４のいずれか一項に記載のシステム。
86. 前記基準強度値が、最大基準インデックス値にマッピングする最大基準強度値を含み、前記最大基準強度値より大きい関連付けられたホットスポット強度値を有するホットスポットに、前記最大基準インデックス値に等しいホットスポットインデックス値が割り当てられる、請求項８２から８５のいずれか一項に記載のシステム。
87. 前記命令により前記プロセッサが、前記１つまたは複数のホットスポットインデックス値の少なくとも一部分を使用して、前記対象のがんの状態を示す総合インデックス値を判定する、請求項８２から８６のいずれか一項に記載のシステム。
88. 前記総合インデックス値が、前記個別のホットスポットインデックス値の少なくとも一部分の加重和として判定される、請求項８７に記載のシステム。
89. 前記総合インデックス値が、前記解剖学的画像内で識別された特定の標的ＶＯＩに対応する特定の標的組織領域に関連付けられ、
    前記総合インデックス値が、前記特定の識別された標的ＶＯＩに対応する前記３Ｄ機能的画像内の特定の３Ｄ体積内に位置するホットスポットの部分集合のホットスポットインデックス値を使用して判定される、請求項８７または８８に記載のシステム。
90. 前記特定の標的組織領域が、前記対象の１つまたは複数の骨を含む骨格領域、リンパ領域、および前立腺領域からなる群から選択される、請求項８９に記載のシステム。
91. 前記３Ｄ解剖学的画像が、Ｘ線コンピュータ断層撮影（ＣＴ）画像であり、
    前記３Ｄ機能的画像が、３Ｄ単一光子放射コンピュータ断層撮影（ＳＰＥＣＴ）画像である、請求項６９から９０のいずれか一項に記載のシステム。
92. 前記３Ｄ解剖学的画像が、Ｘ線コンピュータ断層撮影（ＣＴ）画像であり、
    前記３Ｄ機能的画像が、３Ｄポジトロン放出断層撮影（ＰＥＴ）画像である、請求項６９から９０のいずれか一項に記載のシステム。
93. 前記対象の前記３ＤＰＥＴ画像が、前立腺特異的膜抗原（ＰＳＭＡ）結合剤を含む放射性医薬品の前記対象への投与後に取得される、請求項９２に記載のシステム。
94. 前記放射性医薬品が、［^１８Ｆ］ＤＣＦＰｙＬを含む、請求項９３に記載のシステム。
95. ステップ（ｂ）で、前記命令により前記プロセッサが、前記３Ｄ解剖学的画像をクロッピングして、空気を表すボクセルを除去する、請求項５９から９４のいずれか一項に記載のシステム。
96. 前記標的組織領域が、左寛骨、右寛骨、仙骨および尾骨領域、左鎖骨、右鎖骨、左肋骨、右肋骨、左肩甲骨、右肩甲骨、胸骨、腰椎、胸椎、頭蓋骨、頸椎、左大腿部、右大腿部、左上腕骨、右上腕骨、前立腺、膀胱、直腸、左大臀筋、右大臀筋、大動脈、左腎臓、右腎臓、肝臓、左肺、右肺、脾臓、心室、左副腎、右副腎、胆嚢、脳、膵臓、心臓、下顎骨、左気管支、右気管支、気管、左総腸骨動脈、右総腸骨動脈、ならびに耳下腺からなる群から選択された１つまたは複数のメンバーを含む、請求項５９から９５のいずれか一項に記載のシステム。
97. 前記標的組織領域のうちの１つまたは複数が、左鎖骨、右鎖骨、左大腿部、右大腿部、左腓骨、右腓骨、左寛骨、右寛骨、左上腕骨、右上腕骨、下顎骨、左膝蓋骨、右膝蓋骨、左橈骨、右橈骨、左脛骨、右脛骨、左尺骨、右尺骨、左肋骨、右肋骨、仙骨および尾骨、左肩甲骨、右肩甲骨、頭蓋骨、胸骨、椎骨領域、ならびに個別の椎骨からなる群から選択された１つまたは複数の特有の骨を含む、請求項５９から９６のいずれか一項に記載のシステム。
98. 前記標的組織領域のうちの１つまたは複数が、左鎖骨、右鎖骨、左寛骨、右寛骨、左肋骨、右肋骨、仙骨および尾骨、左肩甲骨、右肩甲骨、胸骨、椎骨領域、ならびに個別の椎骨からなる群から選択された１つまたは複数の特有の骨を含む、請求項９７に記載のシステム。
99. 前記標的組織領域のうちの１つまたは複数が、左副腎、右副腎、大動脈、脳、左気管支、右気管支、胆嚢、左大臀筋、右大臀筋、心臓、左総腸骨動脈、右総腸骨動脈、左腎臓、右腎臓、肝臓、左肺、右肺、膵臓、前立腺、直腸、脾臓、気管、膀胱、心室、および耳下腺からなる群から選択された１つまたは複数の軟組織領域を含む、請求項５９から９８のいずれか一項に記載のシステム。
100. 前記１つまたは複数の標的組織領域が、胆嚢、左腎臓、右腎臓、肝臓、左肺、右肺、前立腺、および膀胱からなる群から選択された１つまたは複数の軟組織領域を含む、請求項９９に記載のシステム。
101. 前記標的組織領域が、特有の骨に各々対応する１つまたは複数の骨領域を含む、請求項５９から１００のいずれか一項に記載のシステム。
102. ３Ｄ画像を自動的に処理して、対象内のがん病変を自動的に識別するシステムであって、
     コンピューティングデバイスのプロセッサと、
     命令が記憶されたメモリとを含み、前記命令が前記プロセッサによって実行されたとき、前記命令により前記プロセッサが、
     （ａ）解剖学的撮像法を使用して取得された対象の３Ｄ解剖学的画像を受け取ることであり、前記３Ｄ解剖学的画像が、前記対象内の組織の図形表現を含む、受け取ることと、
     （ｂ）１つまたは複数の機械学習モジュールを使用して、複数の標的組織領域の各々に対して、前記３Ｄ解剖学的画像内の対応する標的関心体積（ＶＯＩ）を自動的に識別することと、
     （ｃ）複数の３Ｄセグメント化マスクを表す３Ｄセグメント化マップを判定することであり、各３Ｄセグメント化マスクが、特定の識別された標的ＶＯＩを表す、判定することと、
     （ｄ）機能的撮像法を使用して取得された前記対象の３Ｄ機能的画像を受け取ることと、
     （ｅ）前記３Ｄ機能的画像内で、前記３Ｄセグメント化マップを使用して、識別された標的ＶＯＩに各々対応する１つまたは複数の３Ｄ体積を識別することと、
     （ｆ）前記３Ｄ機能的画像内で識別された前記１つまたは複数の３Ｄ体積の少なくとも一部分内で、前記３Ｄ機能的画像内のボクセルの強度に基づいて、病変を表すと判定された１つまたは複数のホットスポットを自動的に検出することとを行う、システム。
103. 前記命令により前記プロセッサが、前記１つまたは複数の検出されたホットスポットを使用して、前記対象に対するがんの状態を判定する、請求項１０２に記載のシステム。
104. 前記標的組織領域が、１つまたは複数の基準組織領域を含み、前記命令により前記プロセッサが、
     前記３Ｄセグメント化マップを使用して、前記３Ｄ機能的画像内で、特定の基準組織領域に各々対応する１つまたは複数の３Ｄ基準体積を識別することと、
     前記１つまたは複数の３Ｄ基準体積の特定の３Ｄ基準体積に各々関連付けられ、前記特定の３Ｄ基準体積内の強度の測度に対応する１つまたは複数の基準強度値を判定することと、
     前記検出された１つまたは複数のホットスポットの少なくとも一部分の特定のホットスポットに各々関連付けられ、前記特定のホットスポットの強度の測度に対応する１つまたは複数の個別のホットスポット強度値を判定することと、
     前記１つまたは複数の個別のホットスポット強度値および前記１つまたは複数の基準強度値を使用して、１つまたは複数の個別のホットスポットインデックス値を判定することとを行う、請求項１０２または１０３に記載のシステム。
105. 前記基準組織領域が、肝臓、大動脈、および耳下腺からなる群から選択された１つまたは複数のメンバーを含む、請求項１０４に記載のシステム。
106. 前記命令により前記プロセッサが、前記１つまたは複数のホットスポットインデックス値の少なくとも一部分を使用して、前記対象のがんの状態を示す総合インデックス値を判定する、請求項１０３から１０５のいずれか一項に記載のシステム。
107. 前記総合インデックス値が、前記個別のホットスポットインデックス値の少なくとも一部分の加重和として判定される、請求項１０６に記載のシステム。
108. 前記３Ｄ解剖学的画像が、Ｘ線コンピュータ断層撮影（ＣＴ）画像であり、
     前記３Ｄ機能的画像が、３Ｄポジトロン放出断層撮影（ＰＥＴ）画像である、請求項１０２から１０７のいずれか一項に記載のシステム。
109. 前記対象の前記３ＤＰＥＴ画像が、前立腺特異的膜抗原（ＰＳＭＡ）結合剤を含む放射性医薬品の前記対象への投与後に取得される、請求項１０８に記載のシステム。
110. 前記放射性医薬品が、［^１８Ｆ］ＤＣＦＰｙＬを含む、請求項１０９に記載のシステム。
111. ３Ｄ画像を自動的に処理して、がんを患っている、またはそのリスクがある、対象内のがん病変における放射性医薬品の取込みを識別および測定するシステムであって、
     コンピューティングデバイスのプロセッサと、
     命令が記憶されたメモリとを含み、前記命令が前記プロセッサによって実行されたとき、前記命令により前記プロセッサが、
     （ａ）解剖学的撮像法を使用して取得された対象の３Ｄ解剖学的画像を受け取ることであり、前記３Ｄ解剖学的画像が、前記対象内の組織の図形表現を含む、受け取ることと、
     （ｂ）１つまたは複数の機械学習モジュールを使用して、前記３Ｄ解剖学的画像内で、
     前記対象の１つまたは複数の骨の図形表現を含む第１の骨格体積、
     前記対象の大動脈の少なくとも一部分の図形表現を含む第１の大動脈体積、および
     前記対象の肝臓の図形表現を含む第１の肝臓体積を自動的に識別することと、
     （ｃ）前記識別された第１の骨格体積を表す骨格マスク、前記識別された第１の大動脈体積を表す大動脈マスク、および前記識別された第１の肝臓体積を表す肝臓マスクを含む複数の３Ｄセグメント化マスクを表す３Ｄセグメント化マップを判定することと、
     （ｄ）機能的撮像法を使用して取得された前記対象の３Ｄ機能的画像を受け取ることと、
     （ｅ）前記３Ｄ機能的画像内で、前記３Ｄセグメント化マップを使用して、
     前記３Ｄ解剖学的画像内の前記第１の識別された骨格体積に対応する第２の骨格体積、
     前記３Ｄ解剖学的画像内で識別された前記第１の大動脈体積に対応する第２の大動脈体積、および
     前記３Ｄ解剖学的画像内で識別された前記第１の肝臓体積に対応する第２の肝臓体積を自動的に識別することと、
     （ｆ）前記第２の骨格体積内で、前記第２の骨格体積内のボクセルの強度に基づいて、病変を表すと判定された１つまたは複数のホットスポットを自動的に検出することと、
     （ｇ）前記第２の大動脈体積内のボクセルの強度の測度に基づいて大動脈基準強度レベルを判定し、
     前記第２の肝臓体積内のボクセルの強度の測度に基づいて肝臓基準強度レベルを判定し、
     検出された個別の各ホットスポットに対して、
     前記検出されたホットスポットのボクセルの強度の測度に基づいて、対応する個別のホットスポット強度レベルを判定し、
     前記個別のホットスポット強度レベル、前記大動脈基準強度レベル、および前記肝臓基準強度レベルから対応する個別のホットスポットインデックスレベルを判定することによって、前記１つまたは複数の検出されたホットスポットの各々に対して、個別のホットスポットインデックス値を判定することとを行う、システム。
112. 前記命令により前記プロセッサが、前記１つまたは複数の検出されたホットスポットの少なくとも一部分の前記個別のホットスポットインデックス値に基づいて、前記対象のがんの状態を示す総合インデックス値を判定する、請求項１１１に記載のシステム。
113. 前記対象が、前立腺がんを患っており、またはそのリスクがある、請求項１１１または１１２に記載のシステム。
114. 前記命令により前記プロセッサが、
     ステップ（ｂ）で、前記３Ｄ解剖学的画像内で、前記対象の前立腺の図形表現を含む第１の前立腺体積を自動的に識別し、
     ステップ（ｃ）で、前記判定された３Ｄセグメント化マップ内の前記識別された第１の前立腺体積を表す前立腺マスクを含み、
     ステップ（ｅ）で、前記３Ｄ機能的画像内で、前記３Ｄ解剖学的画像内の前記第１の識別された前立腺体積に対応する第２の前立腺体積を自動的に識別し、
     ステップ（ｆ）で、前記第２の前立腺体積内で１つまたは複数のホットスポットを自動的に検出し、
     （ｉ）前記第２の骨格体積内に位置する前記１つまたは複数の検出されたホットスポットの少なくとも一部分の前記個別のホットスポットインデックス値に基づいて、前記対象の前記１つまたは複数の骨における病変の内容を示す総合骨インデックス値を判定し、（ｉｉ）前記第２の前立腺体積内に位置する前記１つまたは複数の検出されたホットスポットの少なくとも一部分の前記個別のホットスポットインデックス値に基づいて、前記対象の前記前立腺における病変の内容を示す総合前立腺インデックス値を判定する、請求項１１１から１１３のいずれか一項に記載のシステム。
115. 前記対象が、転移性がんを患っており、またはそのリスクがある、請求項１１１から１１４のいずれか一項に記載のシステム。
116. 可変サイズの１組のフルボディ３Ｄ解剖学的画像を自動的に処理して、各３Ｄ解剖学的画像内で、特定の標的組織領域に対応する複数の３Ｄ体積を自動的に識別するシステムであって、
     コンピューティングデバイスのプロセッサと、
     命令が記憶されたメモリとを含み、前記命令が前記プロセッサによって実されたとき、前記命令により前記プロセッサが、
     （ａ）解剖学的撮像法を使用して取得された１つまたは複数の対象の前記１組の３Ｄ解剖学的画像を受け取ることであり、前記３Ｄ解剖学的画像が、前記１つまたは複数の対象の各々における組織の図形表現を含み、前記１組の３Ｄ解剖学的画像が、平均ｘ次元、平均ｙ次元、および平均ｚ次元を有し、前記平均ｘ次元、前記平均ｙ次元、および前記平均ｚ次元の少なくとも１つが、対応する平均値の少なくとも３％の標準偏差を有する、受け取ることと、
     （ｂ）ＣＮＮを実装する局所化モジュールを使用して、前記１組の３Ｄ解剖学的画像の各画像内で、１つまたは複数の特定の関連付けられた標的組織領域を含む特定の解剖学的領域に対応する少なくとも１つの初期ＶＯＩを自動的に判定し、それによって前記対応する３Ｄ解剖学的画像に対する少なくとも１つの初期ＶＯＩを識別することと、
     （ｃ）各初期ＶＯＩに対して、ＣＮＮを各々実装する１つまたは複数のセグメント化モジュールを使用して、前記初期ＶＯＩが対応する前記特定の解剖学的領域に関連付けられた前記１つまたは複数の特定の標的組織領域の各々に対して、対応する標的ＶＯＩを自動的に識別することとを行う、システム。

Images