医療画像コンピューティング

医用画像コンピューティング (MIC)は、コンピュータサイエンス、情報工学、電気工学、物理学、数学、医学が交わる学際的な分野です。この分野では、医用画像に関する問題を解決し、生物医学研究や臨床ケアで医用画像を使用するための計算および数学的手法を開発します。

MICの主な目的は、医療画像から臨床的に関連する情報や知識を抽出することです。医療画像処理の分野と密接に関連しているものの、MICは画像の取得ではなく、画像の計算分析に重点を置いています。その方法は、画像セグメンテーション、画像登録、画像ベースの生理学的モデリングなど、いくつかの大きなカテゴリに分類できます。 ^[1]

医療用画像のコンピューティングは、通常、規則的な xyz 空間間隔で均一にサンプリングされたデータ (2D の画像と 3D のボリューム、一般的に画像と呼ばれる) に対して実行されます。各サンプル ポイントでは、データはsigned および unsigned short (16 ビット) などの整数形式で表されますが、unsigned char (8 ビット) から 32 ビット float までの形式も珍しくありません。サンプル ポイントでのデータの特定の意味は、モダリティによって異なります。たとえば、CT 取得では放射線密度値が収集されますが、MRI 取得ではT1またはT2強調画像が収集される場合があります。縦方向の時間変動取得では、規則的な時間ステップで画像が取得される場合とされない場合があります。曲面アレイ超音波などのモダリティによる扇状の画像もよく見られ、処理には異なる表現およびアルゴリズム手法が必要です。その他のデータ形式には、取得中のガントリの傾斜によるせん断画像があります。六面体や四面体などの非構造メッシュは、高度な生体力学的解析（組織の変形、血管輸送、骨インプラントなど）に使用されます。

セグメンテーションは、画像を意味のある異なるセグメントに分割するプロセスです。医療用画像では、これらのセグメントは多くの場合、異なる組織クラス、臓器、病状、またはその他の生物学的に関連する構造に対応しています。^[2]医療用画像のセグメンテーションは、低コントラスト、ノイズ、その他の画像の曖昧さによって困難になります。画像セグメンテーションには多くのコンピュータービジョン技術がありますが、その中には医療用画像コンピューティングに特化して適応されたものもあります。以下は、この分野の技術のサンプルです。実装は、臨床医が提供できる専門知識に依存します。

• アトラスベースのセグメンテーション: 多くのアプリケーションでは、臨床専門家が複数の画像を手動でラベル付けできます。未知の画像をセグメント化するには、手動でラベル付けされたトレーニング画像から外挿する必要があります。このスタイルの方法は、通常、アトラスベースのセグメンテーション方法と呼ばれます。パラメトリックアトラス方法では通常、これらのトレーニング画像を1つのアトラス画像に結合しますが、^[3]非パラメトリックアトラス方法では通常、すべてのトレーニング画像を個別に使用します。^[4]アトラスベースの方法では通常、アトラス画像を新しい未知の画像に合わせるために画像登録を使用する必要があります。
• 形状ベースのセグメンテーション: 多くの方法は、与えられた構造のテンプレート形状をパラメータ化しますが、多くの場合、境界に沿った制御点に依存します。その後、形状全体が新しい画像に合わせて変形されます。最も一般的な形状ベースの技術の2つは、アクティブ形状モデル^[5]とアクティブ外観モデルです。^[6]これらの方法は非常に影響力があり、同様のモデルを生み出しました。^[7]
• 画像ベースのセグメンテーション：アクティブ輪郭モデルとそのバリエーションのように、テンプレートを作成し、画像データに応じてその形状を調整しながら積分誤差の測定値を最小限に抑える方法もあります。^[8]
• インタラクティブなセグメンテーション: インタラクティブな方法は、臨床医がシード領域やセグメンテーションする領域の大まかなアウトラインなどの情報を提供できる場合に便利です。その後、アルゴリズムは臨床医の指示の有無にかかわらず、そのようなセグメンテーションを繰り返し改良することができます。ペイントブラシなどのツールを使用して各ピクセルの組織クラスを明示的に定義する手動セグメンテーションは、多くの画像アプリケーションで依然としてゴールドスタンダードです。最近、フィードバック制御理論の原理がセグメンテーションに組み込まれ、ユーザーに大きな柔軟性を提供し、エラーの自動修正を可能にしました。^[9]
• 主観的表面セグメンテーション：この方法は、移流拡散モデルによって制御されるセグメンテーション関数の進化の考え方に基づいています。^[10]オブジェクトをセグメント化するには、セグメンテーションシード（画像内のオブジェクトのおおよその位置を決定する開始点）が必要です。その結果、初期のセグメンテーション関数が構築されます。主観的表面法^{[11] [12] [13]}の背後にある考え方は、シードの位置がこのセグメンテーション関数の形状を決定する主な要因であるというものです。
• 畳み込みニューラルネットワーク（CNN）：機械学習モデルの進歩により、コンピュータ支援による完全自動セグメンテーションのパフォーマンスが向上しました。SegNet、^[14] UNet、^[15] ResNet、^[16] AATSN、^[17] Transformers ^[18]、GAN ^[19]などのCNNベースのモデルは、セグメンテーションプロセスを高速化しました。将来的には、このようなモデルは、その優れたパフォーマンスと速度により、手動セグメンテーションに取って代わる可能性があります。

しかし、画像セグメンテーション方法には、上記のカテゴリに似た分類がいくつかあります。さらに、複数の方法を組み合わせた「ハイブリッド」というグループに分類することもできます。^[20]

画像レジストレーションは、画像の正しい位置合わせを探すプロセスです。^{[21] [22] [23] [24]}最も単純なケースでは、2 つの画像を位置合わせします。通常、1 つの画像はターゲット画像として扱われ、もう 1 つはソース画像として扱われます。ソース画像はターゲット画像と一致するように変換されます。最適化手順では、位置合わせの現在の品質を評価する類似度値に基づいて、ソース画像の変換を更新します。この反復手順は、（局所的な）最適値が見つかるまで繰り返されます。一例として、CT 画像とPET画像をレジストレーションして構造情報と代謝情報を組み合わせることが挙げられます（図を参照）。

画像登録はさまざまな医療アプリケーションで使用されます。

• 時間的変化の研究。縦断的研究では、病気の進行などの長期的なプロセスを研究するために、数か月または数年にわたって画像を取得します。時系列は、同じセッション (数秒または数分) 内で取得された画像に対応します。認知プロセス、心臓の変形、呼吸の研究に使用できます。
• 異なる画像診断法からの補完的な情報を組み合わせる。一例としては、解剖学的情報と機能的情報の融合が挙げられる。構造の大きさや形は診断法によって異なるため、アライメントの質を評価することはより困難である。このため、相互情報量などの類似性尺度が使用されるようになった。^[25]
• 被験者集団の特徴付け。被験者内登録とは対照的に、対象臓器の構造的変動性によっては、被験者間で1対1のマッピングが存在しない場合があります。被験者間登録は、計算解剖学におけるアトラス構築に必要です。^[26]ここでの目的は、被験者間の臓器の解剖学を統計的にモデル化することです。
• コンピュータ支援手術。コンピュータ支援手術では、CT や MRI などの術前画像が術中画像または追跡システムに登録され、画像誘導やナビゲーションが容易になります。

画像登録を実行する際には、いくつかの重要な考慮事項があります。

• 変換モデル。一般的な選択肢は、リジッド、アフィン、および変形可能な変換モデルです。Bスプライン モデルと薄板スプラインモデルは、パラメーター化された変換フィールドによく使用されます。非パラメトリックまたは高密度の変形フィールドは、すべてのグリッド位置で変位ベクトルを持ちます。このため、追加の正規化制約が必要になります。変形フィールドの特定のクラスは微分同相写像で、これは滑らかな逆変換を持つ可逆変換です。
• 類似度メトリック。距離または類似度関数は、登録品質を定量化するために使用されます。この類似度は、元の画像または画像から抽出された特徴に基づいて計算できます。一般的な類似度の尺度は、距離の二乗和 (SSD)、相関係数、相互情報量です。類似度尺度の選択は、画像が同じモダリティからのものであるかどうかによって異なります。取得ノイズもこの決定に影響を与える可能性があります。たとえば、SSD は、ガウスノイズのある同じモダリティの画像に最適な類似度尺度です。^[27]ただし、超音波の画像統計はガウスノイズとは大きく異なるため、超音波固有の類似度尺度が導入されています。^{[28]マルチモーダル登録には、より洗練された類似度尺度が必要です。代わりに、構造表現[29]}や隣接する解剖学的構造の登録など、異なる画像表現を使用できます。^{[30] [31]}最近の研究^[32]では、コントラスト符号化を用いて、共有された高密度の画像表現を学習しました。これはCoMIR（コントラストマルチモーダル画像表現）と呼ばれ、既存の登録方法では十分に類似した画像構造がないため失敗することが多いマルチモーダル画像の登録を可能にしました。これにより、マルチモーダル登録の問題がモノモーダルの問題にまで軽減され、一般的な強度ベースおよび特徴ベースの登録アルゴリズムを適用できるようになりました。
• 最適化手順。連続最適化または離散最適化のいずれかが実行されます。連続最適化の場合、収束速度を向上させるために勾配ベースの最適化手法が適用されます。

視覚化は、医用画像コンピューティングにおいていくつかの重要な役割を果たします。科学的視覚化の方法は、本質的に時空間的な医用画像を理解し、それについて伝えるために使用されます。データの視覚化とデータ分析は、たとえばアルゴリズム処理中に得られた統計的尺度を評価する場合など、非構造化データ形式で使用されます。視覚化プロセスの重要な機能であるデータとの直接的な対話は、データに関する視覚的なクエリの実行、画像の注釈付け、セグメンテーションと登録プロセスのガイド、およびデータの視覚的表現の制御 (照明レンダリング プロパティと表示パラメータの制御による) に使用されます。視覚化は、初期調査と、分析の中間結果と最終結果の伝達の両方に使用されます。

図「医療画像の視覚化」は、視覚化のいくつかの形式を示しています。1. 断面をグレースケール画像として表示します。2. グレースケール画像の再フォーマットされたビュー (この例の矢状ビューは、画像取得の元の方向とは異なる方向になっています)。3.同じデータの3D ボリューム レンダリング。結節性病変は、さまざまなプレゼンテーションで明確に見え、白い線で注釈が付けられています。

医療画像は、人によって臓器の形や大きさが異なるため、個人によって大きく異なる場合があります。したがって、このばらつきを考慮して医療画像を表現することが重要です。医療画像を表現する一般的な方法は、1つまたは複数のアトラスを使用することです。ここで、アトラスとは、トレーニングデータセットから学習されたパラメータを持つ画像集団の特定のモデルを指します。^{[33] [34]}

アトラスの最も単純な例は、一般的にテンプレートと呼ばれる平均強度画像です。ただし、アトラスには、ローカル画像統計や特定の空間位置に特定のラベルがある確率など、より豊富な情報を含めることもできます。トレーニング中に使用されない新しい医療画像は、セグメンテーションやグループ分析などの特定のアプリケーションに合わせて調整されたアトラスにマッピングできます。画像をアトラスにマッピングするには、通常、画像とアトラスを登録する必要があります。この変形を使用して、医療画像の変動に対処することができます。

最も単純なアプローチは、医療画像を単一のテンプレート画像の変形バージョンとしてモデル化することです。たとえば、解剖学的MRI脳スキャンは、すべての脳スキャンを共通の座標で表すために、MNIテンプレート^[35]にマッピングされることがよくあります。単一テンプレートアプローチの主な欠点は、テンプレートと特定のテスト画像の間に大きな違いがある場合、一方を他方にマッピングする適切な方法がない可能性があることです。たとえば、重度の脳異常（腫瘍や外科手術など）のある患者の解剖学的MRI脳スキャンは、MNIテンプレートに簡単にマッピングできない可能性があります。

単一のテンプレートに頼るのではなく、複数のテンプレートを使用することができます。その考え方は、画像をテンプレートの 1 つを変形したバージョンとして表現することです。たとえば、健康な集団に 1 つのテンプレート、病気の集団に 1 つのテンプレートがある場合があります。ただし、多くのアプリケーションでは、必要なテンプレートの数が明確ではありません。これに対処するための単純ではありますが計算コストの高い方法は、トレーニング データセット内のすべての画像をテンプレート画像にして、遭遇するすべての新しい画像をトレーニング データセット内のすべての画像と比較することです。最近のアプローチでは、必要なテンプレートの数を自動的に見つけます。^[36]

統計的手法は、医用画像処理分野と最新のコンピュータービジョン、機械学習、パターン認識を組み合わせたものです。過去 10 年間で、さまざまな研究所や研究センターの協力もあって、いくつかの大規模なデータセットが公開されました (ADNI、1000 機能コネクトーム プロジェクトなどを参照)。データ サイズが増大したことにより、臨床上の疑問に対処するために、画像内の微妙な変化を抽出して検出できる新しいアルゴリズムが必要になりました。このような臨床上の疑問は非常に多様で、グループ分析、画像バイオマーカー、疾患表現型解析、縦断的研究などが含まれます。

グループ解析の目的は、2 つ以上のコホートの画像を比較して、疾患によって引き起こされる異常を検出し、定量化することです。通常、これらのコホートの 1 つは正常 (コントロール) 被験者で構成され、もう 1 つは異常な患者で構成されます。疾患によって引き起こされる変化は、解剖学的構造の異常な変形として現れることがあります (ボクセルベースの形態計測を参照)。たとえば、脳の海馬などの皮質下組織の収縮は、アルツハイマー病に関連している可能性があります。さらに、陽電子放出断層撮影などの画像診断法を使用して、生化学的 (機能的) 活動の変化を観察できます。

グループ間の比較は通常、ボクセルレベルで行われます。したがって、特に神経画像処理では、データセット内のすべての画像を医療画像レジストレーションを介して共通の座標フレームに変換し、ボクセル間の対応関係を維持します。このボクセル単位の対応関係を考えると、最も一般的な頻度主義的方法は、各ボクセルの統計量（たとえば、各グループの平均ボクセル強度）を抽出し、統計的仮説検定を実行して帰無仮説が支持されるかどうかを評価することです。帰無仮説では通常、2 つのコホートが同じ分布から抽出され、したがって同じ統計特性を持つはずであると仮定します（たとえば、2 つのグループの平均値は特定のボクセルに対して等しい）。医療画像には多数のボクセルが含まれているため、多重比較の問題に対処する必要があります。^{[37] [38]}グループ分析の問題に対処するためのベイズ的アプローチもあります。 ^[39]

グループ解析は病理が解剖学的構造や機能に及ぼす一般的な影響を定量化できるが、被験者レベルの尺度は提供しないため、診断のためのバイオマーカーとして使用できない（画像バイオマーカーを参照）。その一方で、臨床医は病理の早期診断（すなわち分類^{[40] [41]}）や病気の進行の学習（すなわち回帰^[42]）に関心を持つことが多い。方法論的観点から見ると、現在の技術は、標準的な機械学習アルゴリズムを医療画像データセットに適用すること（例：サポートベクターマシン^[43]）から、分野のニーズに合わせて新しいアプローチを開発することまで多岐にわたる。^[44]主な困難さは以下のとおりである。

• サンプルサイズが小さい（次元の呪い）：大規模な医療画像データセットには数百から数千枚の画像が含まれますが、典型的な体積画像のボクセルの数は簡単に数百万を超えます。この問題の解決策は、情報的な意味で特徴の数を減らすことです（次元削減を参照）。この問題に対処するために、いくつかの教師なしおよび半/教師ありの^{[44] [45] [46] [47]}アプローチが提案されています。
• 解釈可能性: 臨床医は解剖学上のどの部分が病気の影響を受けるかを理解したいため、一般化の精度が常に最優先されるわけではありません。したがって、結果の解釈可能性は非常に重要であり、画像構造を無視する方法は好まれません。特徴選択に基づく代替方法が提案されています。^{[45] [46] [47] [48]}

画像ベースのパターン分類法では通常、疾患の神経学的影響は明確で明確に定義されていると想定されます。これは常に当てはまるとは限りません。多くの病状では、患者集団が非常に不均一であり、サブ条件へのさらなる分類は確立されていません。さらに、一部の疾患（自閉スペクトラム障害（ASD）、統合失調症、軽度認知障害（MCI）など）は、軽度認知障害から非常に顕著な病理学的変化までの連続的またはほぼ連続的なスペクトルによって特徴付けられます。不均一な疾患の画像ベースの分析を容易にするために、パターン分類に代わる方法論が開発されました。これらの手法は、高次元クラスタリング^[49]と高次元パターン回帰からアイデアを借用して、特定の集団を均質なサブ集団にクラスタリングします。目標は、各サブ集団内の疾患をより定量的に理解することです。

形状分析は、さまざまな画像モダリティから取得された構造の幾何学的特性を研究する医療画像コンピューティングの分野です。形状分析は、健康体と病的体、女性と男性、若者と高齢者など、さまざまな構造の集団間の形態学的変化を正確に特定できる可能性があるため、最近医療界で関心が高まっています。形状分析には、形状対応と統計分析という 2 つの主なステップが含まれます。

• 形状対応とは、三角形メッシュ、輪郭、点集合、または体積画像によって表される幾何学的形状間の対応位置を計算する方法です。当然、対応の定義は分析に直接影響します。対応フレームワークのさまざまなオプションには、解剖学的対応、手動ランドマーク、機能的対応 (つまり、同じニューロン機能に関与する脳形態計測部位)、形状対応、(画像体積の場合) 強度類似性などがあります。スペクトル形状分析などの一部のアプローチでは、対応は必要なく、形状記述子を直接比較します。
• 統計分析により、対応する場所での構造変化の測定値が提供されます。

縦断的研究では、同じ人物が繰り返し撮影されます。この情報は、画像分析と統計モデルの両方に組み込むことができます。

• 縦断的画像処理では、個々の時点のセグメンテーションと分析方法は、通常、被験者内テンプレートからの共通情報に基づいて通知され、正規化されます。この正規化は、測定ノイズを削減するように設計されており、感度と統計的検出力の向上に役立ちます。同時に、効果サイズが安定するように、過剰な正規化は避ける必要があります。たとえば、強力な正規化は、優れた再テスト信頼性につながりますが、グループ間の真の変化と違いを検出する能力が制限されます。多くの場合、効果サイズの損失を限定してノイズ削減を最適化するトレードオフを目指す必要があります。縦断的画像処理におけるもう 1 つの一般的な課題は、多くの場合意図せずに処理バイアスが導入されることです。たとえば、フォローアップ画像が登録され、ベースライン画像に再サンプリングされると、補間アーティファクトはフォローアップ画像にのみ導入され、ベースラインには導入されません。これらのアーティファクトは、誤った効果 (通常は、縦断的変化を過大評価し、必要なサンプル サイズを過小評価するバイアス) を引き起こす可能性があります。したがって、処理バイアスを回避するには、すべての時点をまったく同じように処理することが不可欠です。
• 縦断的データの後処理と統計分析には通常、反復測定 ANOVA やより強力な線形混合効果モデルなどの専用の統計ツールが必要です。さらに、信号の空間分布を考慮することも有利です。たとえば、皮質の厚さの測定では、被験者内での時間経過と皮質表面の近傍内での相関が示されます。この事実は、統計的検出力を高めるために使用できます。さらに、縦断的データを分析し、重要な予測因子を決定するために、イベントまでの時間 (別名、生存) 分析が頻繁に使用されます。

従来、医療用画像コンピューティングは、画像取得時点で利用可能な構造的または機能的情報の定量化と融合に取り組んできました。この点では、根本的な解剖学的、物理的、または生理学的プロセスの定量的センシングと見ることができます。しかし、ここ数年、病気や治療経過の予測評価への関心が高まっています。したがって、生体力学的または生理学的性質の画像ベースのモデリングは、画像コンピューティングの可能性を記述的角度から予測的角度まで拡張できます。

STEP 研究ロードマップによると、^{[50] [51]}仮想生理学的人間(VPH) は方法論的かつ技術的な枠組みであり、これが確立されると、人体を単一の複雑なシステムとして研究できるようになります。VPH の概念に基づいて、国際生理科学連合 (IUPS) は10 年以上にわたってIUPS Physiome プロジェクトを後援してきました。 ^{[52] [53]}これは、人間の生理機能を理解するための計算フレームワークを提供するための世界的なパブリック ドメインの取り組みです。遺伝子から生物全体まで、遺伝子制御ネットワーク、タンパク質経路、統合細胞機能、組織と臓器全体の構造/機能の関係を介して、生物学的組織のすべてのレベルで統合モデルを開発することを目指しています。このようなアプローチは、現在の医療慣行を変革し、計算医療の新しい時代を支えることを目的としています。^[54]

このような状況において、医用画像処理と画像コンピューティングは、生体内の人間の構造的・機能的情報を画像化し、定量化し、融合するシステムと方法を提供するため、ますます重要な役割を果たしている。これら2つの広範な研究分野には、特定の対象を表現するための汎用計算モデルの変換が含まれており、これによりパーソナライズされた計算モデルへの道が開かれている。^[55] 画像処理による汎用計算モデルの個別化は、3つの補完的な方向で実現できる。

• 主題固有の計算領域（解剖学）および関連するサブドメイン（組織の種類）の定義。
• （動的および/または機能的）画像からの境界条件と初期条件の定義。
• 組織の構造的および機能的特性の特性評価。

さらに、イメージングは​​、人間と動物モデルの両方におけるそのようなモデルの評価と検証、および診断と治療の両方の用途でのモデルの臨床現場への変換においても重要な役割を果たします。この特定の状況では、分子、生物学的、および前臨床イメージングにより、分子、細胞、組織、および動物モデルの基本構造と機能に関する追加データと理解が得られ、必要に応じて人間の生理学に転用できます。

画像ベースの VPH/Physiome モデルは、基礎および臨床領域で幅広く応用されています。大まかに言えば、新しい仮想イメージング技術となることが期待されています。観察可能ではあるものの、時にはまばらで一貫性のないマルチモーダル画像と生理学的測定を統合することで、実質的により多くの、多くの場合は観察不可能なパラメータがコンピューター内でイメージングされます。計算モデルは、調査中の生理学的または病態生理学的プロセスの根底にある生物物理学的、生化学的、または生物学的法則に準拠した方法で、測定の解釈を生み出すのに役立ちます。最終的には、このような調査ツールとシステムは、疾患プロセス、疾患の進化の自然史、および薬理学的および/または介入的治療手順が疾患の経過に与える影響についての理解に役立ちます。

画像化とモデリングの相互作用は、生理学と一致する方法での測定値の解釈を超えています。画像ベースの患者固有のモデリングは、医療機器や薬理学的療法のモデルと組み合わせることで、予測画像化への道を開き、それによって、そのような介入をコンピューター内で理解、計画、最適化できるようになります。

数多くの洗練された数学的手法が医療画像処理に導入され、すでにさまざまなソフトウェア パッケージに実装されています。これには、偏微分方程式(PDE) に基づくアプローチや、強調、セグメンテーション、レジストレーションのための曲率駆動フローが含まれます。PDE を使用するため、これらの手法は並列化や GPGPU への実装に適しています。これらの手法の多くは、最適制御のアイデアからヒントを得ています。したがって、ごく最近では、制御のアイデアが対話型手法、特にセグメンテーションに取り入れられています。さらに、ノイズや、より動的に変化する画像に対する統計的推定手法の必要性から、カルマン フィルター^[56]や粒子フィルターが使用されるようになりました。これらの手法の調査と広範な参考文献の一覧は、 ^[57]にあります。

一部の画像診断法は非常に特殊な情報を提供します。その結果得られる画像は、通常のスカラー画像として扱うことができず、医療画像コンピューティングの新しいサブ領域を生み出します。例としては、拡散 MRI、機能的 MRI などがあります。

拡散 MRI は、分子の拡散過程を測定できる構造的磁気共鳴画像法です。拡散は、特定の方向に沿って磁場に勾配パルスを適用することで測定されます。一般的な取得では、均一に分布した勾配方向のセットを使用して、拡散強調ボリュームのセットが作成されます。さらに、勾配パルスを適用せずに同じ磁場の下で非強調ボリュームが取得されます。各取得は複数のボリュームに関連付けられているため、拡散 MRI は医療用画像コンピューティングにおいてさまざまな独自の課題を生み出しています。

医学において、拡散 MRIには 2 つの主要な計算目標があります。

• 拡散率などの局所組織特性の推定。
• 拡散の局所的な方向と全体的な経路の推定。

拡散テンソル[ ^58]は、3×3対称正定値行列であり、これら2つの目標に対する直接的な解決策を提供します。これは、正規分布する局所拡散プロファイルの共分散行列に比例するため、この行列の支配的な固有ベクトルは、局所拡散の主方向です。このモデルは単純なので、各位置で線形方程式系を個別に解くだけで、拡散テンソルの最大尤度推定値を得ることができます。ただし、体積には連続した組織繊維が含まれていると想定されるため、基礎となるテンソル場に正則性条件を課すことで、拡散テンソルの体積全体を推定することが望ましい場合があります。^{[59]拡散テンソルからは、}分数異方性、平均、軸方向、および放射状の拡散率などのスカラー値を抽出できます。これらは、軸索繊維の髄鞘形成不全^[60]や浮腫の存在などの組織特性を間接的に測定します。^[61]レジストレーションやセグメンテーションなどの標準的なスカラー画像計算方法は、このようなスカラー値のボリュームに直接適用できます。しかし、拡散テンソルの情報を最大限に活用するために、これらの方法はレジストレーション^{[62] [63]}とセグメンテーション[64]を実行する際にテンソル値のボリュームを考慮するように適応されています。^{[65 ]}

ボリューム内の各位置における拡散の主方向がわかれば、トラクトグラフィーと呼ばれるプロセスを通じて、拡散の全体的な経路を推定することが可能です。^{[66]しかし、}拡散 MRIの解像度が比較的低いため、これらの経路の多くは、1 つの場所で交差したり、接吻したり、扇状に広がったりすることがあります。このような状況では、拡散テンソルの単一の主方向は、局所拡散分布の適切なモデルではありません。この問題に対する最も一般的な解決策は、より複雑なモデルを使用して、局所拡散の複数の方向を推定することです。これには、拡散テンソルの混合^[67] 、 Q ボール イメージング^[68] 、拡散スペクトル イメージング^[69]、および繊維配向分布関数^{[70] [71]}が含まれ、通常は多数の勾配方向によるHARDI取得が必要です。拡散テンソルと同様に、これらの複雑なモデルで評価されたボリュームには、レジストレーション^{[72] [73] [74 ] やセグメンテーション[75]}などの画像計算方法を適用するときに特別な処理が必要です。

機能的磁気共鳴画像法 (fMRI) は、局所的な血行動態、つまり血中酸素レベル依存信号 (BOLD)を観察することで神経活動を間接的に測定する医療用画像診断法です。fMRI データはさまざまな洞察を提供し、おおまかに 2 つのカテゴリに分けることができます。

• タスク関連fMRIは、被験者が一連の時間制限された実験条件を実行しているときに取得されます。ブロック設計実験では、条件は短時間（例：10秒）存在し、休憩期間と交互に行われます。イベント関連実験は、刺激のランダムシーケンスに依存し、各条件を示すために単一の時点を使用します。タスク関連fMRIを分析するための標準的なアプローチは、一般線形モデル（GLM）です^[76]
• 安静時fMRIは、実験課題を何も行わずに取得されます。通常、目的は脳の固有のネットワーク構造を研究することです。安静時に行われた観察は、符号化や反射などの特定の認知プロセスにも関連しています。安静時fMRIの研究のほとんどは、fMRI信号の低周波変動（LF-BOLD）に焦点を当てています。重要な発見には、デフォルトネットワーク、 ^[77]、包括的な皮質分割、 ^[78]、およびネットワーク特性と行動パラメータの関連付けなどがあります。

機能的神経画像データの解析にはさまざまな方法論が用いられており、最良の方法についてのコンセンサスが得られていないことが多い。代わりに、研究者はそれぞれの問題に独立して取り組み、適切なモデル/アルゴリズムを選択する。この文脈では、神経科学、計算生物学、統計学、機械学習のコミュニティ間で比較的活発な交流が行われている。著名なアプローチには以下のものがある。

• 画像データ内の個々のボクセルを検査して実験条件との関係を調べる大規模な単変量アプローチ。主なアプローチは一般線形モデル（GLM）^{[76]です。}
• 多変量および分類器ベースのアプローチは、マルチボクセルパターン分析または多変量パターン分析とも呼ばれ、実験条件に対するグローバルおよび潜在的に分散した応答をデータから調査します。初期のアプローチでは、視覚刺激に対する応答を研究するためにサポートベクターマシン（SVM）が使用されました。^{[79]最近では、}ランダムフォレストベースのジニコントラスト^[80]やスパース回帰と辞書学習^[81]などの代替パターン認識アルゴリズムが検討されています。
• 機能的結合解析は、領域間の相互作用を含む脳の固有のネットワーク構造を研究する。そのような研究の大部分は、脳を区画化するために安静時のデータに焦点を当てているか^[78]、行動測定との相関関係を見つけようとしています[82 ^] 。タスク固有のデータは、脳領域間の因果関係を研究するために使用できます（例：動的因果マッピング（DCM）^[83]）。

大規模な被験者コホートを扱う場合、個々の被験者を共通の参照フレームに正規化（登録）することが重要です。解剖学に基づいて正規化を行うための一連の研究とツールが存在します（FSL、FreeSurfer、SPM）。被験者間の空間的変動性を考慮したアライメントは、より最近の研究です。例としては、fMRI信号の相関に基づく皮質のアライメント、^[84]タスクデータと安静時データの両方におけるグローバルな機能的接続構造に基づくアライメント、^[85]および個々のボクセルの刺激固有の活性化プロファイルに基づくアライメントがあります。^[86]

医療画像コンピューティング用のソフトウェアは、IO、視覚化とインタラクション、ユーザー インターフェイス、データ管理と計算を提供するシステムの複雑な組み合わせです。通常、システム アーキテクチャは、アルゴリズム開発者、アプリケーション開発者、およびユーザーに対応するために階層化されています。最下層は、基本的な計算機能を提供するライブラリやツールキットであることが多く、最上層は、特定の医療問題、病気、または身体システムに対処する特殊なアプリケーションです。

医用画像コンピューティングはコンピュータビジョンの分野にも関連しています。国際学会であるMICCAI Societyは、この分野を代表し、毎年会議や関連ワークショップを開催しています。この会議の議事録は、SpringerのLecture Notes in Computer Scienceシリーズで出版されています。^[87] 2000年に、N. AyacheとJ. Duncanがこの分野の現状をレビューしました。^[88]

• 脳の連結性推定器
• 機能接続ソフトウェアのリスト
• 安静時fMRI
• 画像情報科学
• 神経画像ソフトウェア

• 医療画像解析（MedIA）は、医療画像コンピューティングのプレミアカンファレンスであるMICCAIカンファレンスを毎年開催するMICCAI協会 の公式ジャーナルでもあります。
• IEEE 医療画像トランザクション (IEEE TMI)
• 医学物理学
• デジタルイメージングジャーナル（JDI）；画像情報学会の公式ジャーナル
• コンピュータ化された医療画像とグラフィックス
• コンピュータ支援放射線学および外科ジャーナル
• BMCメディカルイメージング

さらに、以下のジャーナルでは、医療画像コンピューティングの方法や特定の臨床応用、またはモダリティ固有の医療画像コンピューティングについて説明した記事を時折掲載しています。

• 放射線学 北米放射線学会の公式ジャーナル
• ニューロイメージ
• 磁気共鳴画像ジャーナル (JMRI)
• 医療における磁気共鳴（MRM）
• コンピュータ支援トモグラフィージャーナル (JCAT)
• 人間の脳のマッピング