3D画像セグメンテーションとは、コンピューター断層撮影(CT)、マイクロ・コンピューター断層撮影(micro-CTまたはX線)、磁気共鳴画像(MRI)スキャナーなどの断層画像データの関心領域を分離することです。これにより、人体の一部、または産業用コンポーネントやアセンブリ内の特定の機能の分析が容易になります。
3D画像を直接測定に利用することはもちろん可能ですが、ほとんどの3D画像分析のベースとなるのはセグメント化された画像です。3D画像セグメンテーションによる関心領域の形状の抽出により、3Dモデルへの変換が可能になり、スキャンされた対象の視覚化と定量化が可能になります。たとえば3Dモデルをコンピュータシミュレーションに利用、または3Dプリンティングによる製作など、すべて3D画像でセグメンテーションを完了する必要があります。
画像セグメンテーションで重要なポイントは、ある領域と別の領域の間の境界を正確に分離することです。グレースケール情報は、これらの境界の位置を決定するために使用されます。セグメンテーションの手順は、画像の種類や品質、被写体の種類などの要因によって大きく異なります。プロセスは、高度な手動のセグメンテーションから、機械学習の要素を組み込むことができる半自動または完全に自動化されたセグメンテーションまでさまざまです。
セグメンテーションは、画像のフィルタ処理でノイズを除去、またはコントラストを強化する画像の前処理ステップなどによって、しばしば簡単になります。
Synopsys Simplewareソフトウェアでは、3D画像の効率的なセグメンテーションのために一連の画像処理ツールを利用できます。前処理ツールと優れた時間節約オプションは、次のような非常に困難なデータからでも正確なセグメンテーションを効率的に取得するのに役立ちます。
最近では、Simplewareソフトウェアは、機械学習(ML)を使用した人工知能(AI)テクノロジーによる自動セグメンテーション機能を導入しました。これらのセグメンテーションソリューションは、優れたセグメンテーションの例から、新しいケースで同様に高品質の結果を生成する方法を学習したものです。この機能は、膝や股関節などの整形外科分野で関心のある一般的な解剖学的構造にすでに適用されています。
機械学習アプローチは間違いなくセグメンテーションの未来に必要とされており、安定且つ高速にセグメンテーションプロセスが自動化されるこが多くのユーザーに求められています。セグメンテーションプロセスに取って代わり、価値の高いタスクに利用できる時間を増やすことができます。
包括的で直感的な3D画像セグメンテーションは、スキャンデータからモデルを生成するプロセスにとって非常に重要です。 高品質のセグメンテーションによって、モデルが分析に適することになり、特定の用途に合わせても調整できることが保証されます。 たとえば、人体の正確なセグメンテーションは、手術の対象となる解剖学的領域を特定したり、病状の場所を理解したりするために重要ですし、複雑な材料構造の分析にも重要です。
Synopsys Simplewareソフトウェアには、3D画像処理や3D画像の視覚化など、スキャンを操作するための包括的なオプションセットの一部として3D画像セグメンテーションが含まれています。 3D画像データへのさまざまなアプローチを組み合わせることで、ユーザーは構造を包括的に探索し、シミュレーションや3Dプリンターへの応用などの追加タスクを設定できます。
3D画像のセグメンテーションを行うことは、領域分割されたデータに基づいてモデルをエクスポートする前の重要なステップです。セグメンテーション並びに他の画像処理作業が完了すると、以下が可能となります。
Simplewareソフトウェアでの頭蓋骨と脳のセグメンテーション
3D画像セグメンテーションの良い例の1つには、スタンフォード大学での脳外科手術のシミュレーションに関する研究が挙げられます。このプロジェクトでは、研究者は、侵襲的な脳外科手術中に頭蓋骨の圧力が解放される減圧開頭術のリスクを軽減する方法を検討しました。スタンフォード大学、スティーブンス工科大学、オックスフォード大学、エクセター大学の間で実施されたモデルは、Simplewareソフトウェアを使用して構築されました