r>[0140]在步骤260中，处理电路45使用来自步骤230的钙区域以及晕斑区域的分类、来自步骤250的管腔区域、管壁区域、晕斑区域、以及位置偏移区域的分类，对血管进行分段。
[0141]步骤230至260具备与美国专利申请第14/099092号所记载的过程相同或同样的分类处理和分段处理。
[0142]图12是表示本实施方式所涉及的图像处理装置的处理的步骤的、更详细的流程图。
[0143]在步骤310中，接收电路44接收非造影图像和造影图像，在步骤320中，作为对位功能48，处理电路45将非造影图像和造影图像对位。处理电路45使用对位生成被对位的非造影图像103。
[0144]在步骤322中，处理电路45使用有效的活性轮廓算法，对造影图像101内的血管概略地分段。概略的分段用于除去表示不是对象的材料的像素，例如，用于除去表示空气或骨的像素。通过概略的分段，能够将血管壁与其他的软组织进行区别。
[0145]另外，为了实施概略的分段，也可以使用任意的分段方法。概略的分段技术包含作为血管追踪的任意的合适的方法，S卩，血管追踪方法。另外，也可以不实施概略的分段。
[0146]通过概略的分段，推定出造影图像内的哪一像素是血管的一部分。该推定有时不准确，包含血管的周围的某些软组织。处理电路45输出包含血管的概略的分段的一部分的造影图像内的像素。
[0147]在步骤323中，处理电路45识别与通过概略的分段确定的造影图像101内的像素对应的、被对位的非造影图像13内的像素。
[0148]处理电路45对概略的分段应用形态学扩张(在本实施方式中，2倍的扩张)。处理电路45识别被对位的非造影图像103的像素。在扩张后，非造影图像100内的像素是用于实施钙区域和晕斑区域的分类的像素。
[0149]另外，也可以使用不同的形态学扩张，也可以不使用形态学扩张。
[0150]在步骤330中，处理电路45实施非造影图像100内的钙区域与晕斑区域的分类。步骤330的分类包含图12的步骤332至336。在本实施方式中，分类方法是无监督分类方法，但并不限定于此。也可以不管有无监督，而使用任意的合适的分类方法。
[0151]在步骤332中，处理电路45使用由步骤323的形态学扩张而确定的像素。处理电路45根据不表示钙区域也不表示晕斑区域的像素，来确定用于分割钙区域与晕斑区域的像素的像素阈值。在本实施方式中，通过使用贝叶斯信息标准(BIC)技术，确定为不同的候补的阈值的任一个来找出阈值。另外，也可以使用不同的方式的信息标准，也可以使用确定阈值的任意的其他的合适的方法。
[0152]首先，处理电路45确定候补的阈值。例如，识别通过步骤323的形态学扩张而确定的像素的像素值的像素最大值和最小值，确定不同的多个候补的阈值。各候补的阈值被设定为比最小像素值大，比最大像素值小的值。
[0153]接着，处理电路45规定模型的有限的集合。各模型使用候补的阈值中的不同的阈值，划分来自步骤323的像素。合适的分布、例如高斯分布适合两个划分的各个中的数据。处理电路45按照每个模型，作为阈值的函数，对两个划分或子组计算BIC。由此，处理电路45针对模型的有限的集合的各个，取得BIC测量值。处理电路45生成BIC测量值相对于阈值的曲线图。阈值作为从其他的像素中将钙区域和晕斑区域的像素最优地分割出的模型，处理电路45选择与BIC测量值曲线图的最大值对应的模型。作为在钙区域与晕斑区域的分类的进一步的步骤中使用的阈值，处理电路45设定与BIC测量值曲线图的最大值对应的候补的阈值。
[0154]在步骤333中，处理电路45将来自步骤332的阈值应用于非造影图像，识别阈值之上的来自步骤323的像素内的像素。处理电路45能够将识别出的像素标记为钙区域或晕斑区域的像素，或者通过根据情况进行标记。在本实施方式中，处理电路45规定被识别为钙区域或晕斑区域的像素的集合。
[0155]在步骤334中，处理电路45使用连结成分分析，识别造影图像内的各个区域，各个区域是各个钙沉积以及晕斑中的至少一个区域。各区域具备多个连结像素。连结成分分析处理被应用于识别为代表钙区域或代表晕斑区域的像素。连结成分分析将连结像素间的聚类的各个识别为不同的区域。为了识别连结像素的区域，有时使用任意的合适的连结成分分析处理。
[0156]通过连结成分分析，在来自由步骤223识别出的非造影图像的像素内，实现识别出独立的钙区域或晕斑区域的集合。
[0157]在步骤335中，处理电路45将每个钙区域的像素分布使用k平均以及期望值最大化(EM)中的至少一个与高斯型进行拟合。k平均算法在“Some methods for classificat1nand analysis of multivariate observat1ns，，(Proceedings of the Fifth Symposiumon Math，Statistics，and Probability,pages 281-297?University of CaliforniaPress，1967)中的 JB McQueen、和 “Some extens1n of the k-means algorithm forimage segmentat1n and pattern recognit1n”(AlMemo 1390,MassachusettsInstitute of Technology ,Cambridge，MA，1993)中由 J Marroquin以及F Girosi进行叙述。期望值最大化(EM)算法在“The expectat1n-maximizat1n algorithm” (SignalProcessing Magazine,IEEE,vol.13,pages 47-60,November I"6)中由TK Moon进行了叙述。
[0158]另外，使用任意的合适的函数，并不限定于此。各像素分布不与高斯型拟合，而与代替的分布拟合。
[0159]在步骤336中，处理电路45对非造影图像内的每个像素，根据合适的分布，规定像素表示钙区域或晕斑区域的似然性。由此，结束步骤330(被对位的非造影图像103内的钙区域与晕斑区域的分类)。
[0160]步骤337在步骤330前后执行，或与其同时执行。在步骤337中，处理电路45使用由图12的步骤323的形态学扩张而确定的像素。处理电路45采用作为步骤322的概略的分段的扩张的、由步骤323的形态学扩张而确定的像素。处理电路45将由像素表示的血管分割为沿着血管的长度的多个段。图13表示通过具备血管壁142和血管腔144的被摄像的血管140的一部分的概略剖面。血管被分割为由虚线表示的多个相邻段146。
[0161]在图12的步骤338中，处理电路45将血管区域分类为相互相邻的多个段。例如，在图13中，五个段的各个稍微重复。在步骤339中，处理电路45将高斯核150应用于各血管区域，生成加权后的像素的集合。
[0162]在步骤340中，处理电路45以各血管区域为对象，根据非造影图像和造影图像来生成像素联合直方图。联合直方图与图6的联合直方图相同，因此省略联合直方图生成的说明。
[0163]在步骤350中，处理电路45确定作为四个分布区域的、S卩，管腔区域、管壁区域、晕斑区域、以及位置偏移区域的各个的平均、方差、以及加权。管腔区域、管壁区域、晕斑区域、以及位置偏移区域的分布如参照图6叙述的那样被描绘出。假定各组织类型(或晕斑或位置偏移)具有联合直方图内的二维高斯分布。在本实施方式中，k平均算法为了确定四个高斯分布的所有的平均、方差、以及加权，与期望值最大化算法协作来使用。由此，确定针对联合直方图内的点的各个对应的聚类的位置和范围。另外，为了确定针对各分布的平均、方差、以及加权，也可以使用任意的合适的方法。有时分布不是高斯型。确定多于或少于四个的分布，分布表示各种组织类型以及伪影中的至少一个。
[0164]在本实施方式中，处理电路45使用该血管区域用的联合直方图，针对规定的血管区域内的血管腔以及血管壁的高斯分布，确定平均、方差、以及加权。管腔区域和管壁区域的分类在各血管区域内独立地实施。然而，当是位置偏移区域以及晕斑区域时，有时在特定的血管区域内，统计数据不足以使高斯分布拟合。因此，针对位置偏移区域以及晕斑区域的分布与具备血管树整体用的像素的联合直方图拟合。另外，当是血管核区域时，统计数据足够与血管腔以及血管壁拟合，但有时在血管核区域内不足以与位置偏移或晕斑拟合。从而，在这样的情况下，在本实施方式中，晕斑以及位置偏移能够使用血管树整体来广泛地拟合。
[0165]另外，晕斑区域或位置偏移区域使用作为来自被分类的管腔区域以及管壁区域中的至少一个分布的偏移的、直方图的固定区域来识别。例如，针对规定的血管核区域的联合直方图内的晕斑区域的分布由于通过将固定尺寸的分布定位在距离管腔分布的中心规定的距离来确定，管腔分布通过与血管核区域用的联合直方图拟合来确定。
[0166]在步骤352中，处理电路45根据计算出的血管区域的各个的似然性(或概率)，对各像素分配针对管腔区域、管壁区域、晕斑区域、以及位置偏移区域的各个的似然性(或概率)。
[0167]在本实施方式中，处理电路45按照步骤250的似然性，对每个像素，规定像素表示管腔区域的似然性、像素表示管壁区域的似然性、像素表示晕斑区域的似然性、以及像素表示位置偏移区域的似然性。从而，作为分段功能52，构筑具有非造影图像内的像素I和造影图像内的像素J的规定的像素是规定的组织类型(或晕斑或位置偏移)的像素的似然性。
[0168]在步骤360中，处理电路45使用针对在步骤336中取得的钙区域或晕斑区域的似然性或概率和针对在步骤352中取得的管腔区域、管壁区域、晕斑区域、以及位置偏移区域的分类。
[0169]如果对管腔区域、钙区域、以及晕斑区域之间进行区别，则能够对晕斑类进行特别的处置(例如，加权或模型化)。有时由晕斑进行几个追加的诊断。例如，晕斑数据有时在物理模型中、或在使用机械学习技术从数据习得的模型中使用。这样的模型有时有助于将钙化沉积和管腔分离，有时能够进行更准确的分段、或准确的计算的推定，有时能够更准确地推定狭窄的程度。
[0170]图10表示存在钙区域和晕斑区域的非造影图像。如果使用联合直方图将管腔区域和晕斑区域分离，则能够将血管外部的晕斑(例如，图1O的区域90)与朝向管腔内的晕斑区域(例如，图1O的区域92)进行区别。
[0171]如果像素被分配了似然性或概率，则这些似然性或概率用于根据具备像素数据的数据集合对各特定的类型的像素进行分段。在本实施方式中，各类型的像素被分段的数据集合是根据被对位的非造影图像103和造影图像101的双方，编入