JP2020006162A - 磁気共鳴映像法のパルスシーケンスのデータベースを構築するコンピュータ実施方法およびかかるデータベースを使用して磁気共鳴映像法を行う方法 - Google Patents

Abstract

【課題】磁気共鳴映像法のパルスシーケンスのデータベースを構築するコンピュータ実施方法、及び磁気共鳴映像法とそれを実行する磁気共鳴映像法装置を提供する。【解決手段】以下のステップを含み並列伝送磁気共鳴映像法のパルスシーケンスのデータベースを構築する：ａ）複数（Ｓ０）の被験者について被験者の最適シーケンスを決定ｂ）被験者について最適シーケンスを適用することにより得られる費用またはメリット関数の値を計算ｃ）前記値またはその関数を測定基準とするクラスタ化アルゴリズムを使用して被験者を複数のクラスタに集約ｄ）各クラスタについてその平均最適シーケンスを決定ｅ）撮像被験者（ＩＳ）を特徴付ける一連の特徴を入力として受け取るｆ）コンピュータ実施分類子アルゴリズムを使用して被験者をデータベースの１つのパルスシーケンスに一連の特徴に基づいて関連付けるｇ）磁気共鳴映像法を実行。【選択図】図２

Description

本発明は、並列伝送磁気共鳴映像法のパルスシーケンスのデータベースを設計する方法およびかかるデータベースを使用して並列伝送磁気共鳴映像法を行う方法に関する。パルスシーケンスは、１つまたは複数の無線周波（ＲＦ）パルスおよび少なくとも１つの磁場傾斜波形を含んでおり、核スピンの配向に由来する静磁場に置かれたサンプルの核磁化の操作を可能とする。簡素化のため、以下においては、パルスシーケンスは時々「パルス」と称する。

強磁界磁気共鳴映像法（ＭＲＩ）は、精細な時間的および／または空間的分解能を与える高い信号対雑音比（ＳＮＲ）のおかげで臨床ルーチンにおいて効用を発揮してきた。しかし、強磁界に伴ういくつかの問題のために世界中の病院において強磁界（３Ｔ〜７Ｔ）スキャナの普及が依然として妨げられている。これらの問題の１つはＲＦ波長が撮像領域に近づくかまたはそれより小さくなった場合に生ずる「Ｂ１アーチファクト」である（［１］）。このような場合、送信無線周波数「Ｂ１＋」磁場は関心領域内において不均一となり、核磁化フリップ角の不均一分布をもたらす。これは陰影領域の出現およびコントラストの低下に通じ、ひいては病変の隠蔽により、または造影剤注入シーケンスにおける観測増感比の変化により診断に影響を及ぼし得る。３Ｔにおいて、このアーチクファクトは腹部撮影において特に重大な結果をはらむが、他方脳撮像ではそれは超強磁場（ＵＨＦ−７Ｔ以上）で関連性がある。

パッシブおよびアクティブＲＦシミングを含むいくつかのツールがこの問題を解決するために提案されている。

パッシブＲＦシミングは、Ｂ１不均一性を補償する誘電パッドの使用を含んでいる（［２］）。その効果はやや限定的である。

アクティブＲＦシミングは、並列伝送（ｐＴｘ）、すなわち、核スピンを励起する複数のＲＦコイルを利用する。２種類の主要なアクティブＲＦシミング技術が存在する。すなわち、静的および動的シミングである。

静的アクティブＲＦシミングでは、複数の無線周波ＲＦコイル素子すべてが異なる複素重みを有する同じＲＦパルスを送り出す。このパルスは、Ｂ１磁場を均一化するように最適化されている［３］。３Ｔの腹部撮像の場合、この技術は多くの患者について満足できるが、受け容れがたいことに約１０〜２０パーセントの症例において十分に均一の励起を与えない。これより高い磁場値の場合、静的アクティブＲＦシミングは通常不十分である。

動的ＲＦシミング［４］は、通常、時間的に変化する複素包絡線により規定される種々の時間的波形を有するそれぞれのＲＦパルスを同時に送出する複数のＲＦコイルを使用することからなる。この技術は静的シミングより優れた均一性の実現を可能にするが、その複雑性のために本質的に研究ツールの域にとどまっている。

参考文献［５］は、３Ｔによる腹部の非選択性励起を行う臨床ルーチンにおけるｋ_Ｔ点［６］動的ＲＦシミングの優位性を実証している。

重み付け係数（静的シミング）またはＲＦ波形（動的シミング）の最適化は、少なくとも各伝送チャネルからのＢ１＋マップの測定からなる較正を必要とする。さらに、最適動的ＲＦシミングの場合、ＲＦパルスの計算の前にオフレゾナンス周波数Δｆ０マップ（脂肪組織のような化学シフトが存在しない場合に静的磁場不均一性ΔＢ０マップに対応する）も必要である。これらの計算は長い時間を必要とする。たとえば、２チャネルの３Ｔスキャナについては、全較正プロセスはほぼ２分続く場合がある：Ｂ１＋マッピングには３０秒、Δｆ０マッピングには１５秒、パルス設計自体については５秒（静的ＲＦシミング）と６０秒（ｋＴ点）との間。これは、チャネル数の増加に応じてさらに悪化する。

［７］は、数組の複素重み（種々のカテゴリの患者にとって最適の）をあらかじめ計算する簡素化静的ＲＦシミング法について記述している。臨床作業中に、所与の各患者についてこれら数組のパラメータから最も適する組を選択する。このように磁化フリップ角分布の均一性の低下を犠牲にして、較正を回避する。

［８］および［９］において導入された「ユニバーサルパルス」は、較正不要動的ＲＦシミングを提供する：各被験者に固有のパルスを設計する代わりに、患者の母集団の較正データを使用して被験者間変動性に強いパルスを１回作成する。ユニバーサルパルスは、種々のシーケンスと重み付け、および種々の基礎パルス設計により７Ｔの脳について実現に成功した：ｋ_Ｔ点［８］、［９］、［１０］、［１１］、高速ｋ_ｚスポーク［１０］、直接信号制御［１２］。

しかし、普遍性は個々の均一性を犠牲にする。それは、被験者の大半について受け容れられる結果を与えるとしても、相当な件数の症例において十分に均一な励起を与えない。

［９］により提案される妥協的解決手段は、撮像被験者の種々のグループに合わせた種々の「セミユニバーサル」パルスを計算することからなる。より具体的には、［９］によると、一連の被験者を形態学的特徴（たとえば、脳撮像の場合には頭の寸法）に従って複数の群にグループ分けし、そして各群について「セミユニバーサル」パルスシーケンスを設計する。次に同一の形態学的特徴を使用してさらなる被験者のための最適パルスシーケンスを選択する。この方法の欠点は群が経験的根拠に基づいて形成され、撮像被験者を分類するために使用される特徴の妥当性の保証がないことである。

最適ＲＦシミングにより要求される長時間較正を回避する他の方法も提案されている。参考文献［１３］は、頭の形状的特徴および限られたＢ１＋情報を使用して静的スライス固有ＲＦシミングパルスのＲＦ係数を高い精度で推定する方法を記述している。この方法は脳撮像のために設計されており、被験者間の形状および寸法において頭より大幅な変動を示す体の部分、たとえば腹部の取り扱いにおいて効果的であるか否か分からない。文献［１４］は、動的ＲＦシミングパルスを予測するニューラルネットワーク解決法について記述しているが、作成されたパルスは実績を欠いている。両方の方法は、７Ｔにおける脳検査のためのスライス固有パルスを目標としている。

本発明は、上述した先行技術の欠点の克服を目指している。より正確には本発明は、ユニバーサルパルスの単純性および使いやすさと、たとえば、３Ｔの腹部において見出される重大な被験者間変動の折り合いを付けることを狙いとしている。本発明は、より安定しているＭＲＩシーケンス（すなわち、被験者の動き、または映像取得プロセスのその他の動揺の影響を受けにくい）の提供も目指している。

純然たる「ユニバーサルパルス」法のようにすべての被験者について１つのパルスを設計する代わりに、本発明に従って、被験者の母集団をクラスタに分割し、１つの疑似ユニバーサルパルスシーケンスを各クラスタについて設計する。次に機械学習アルゴリズムにより新しい被験者を分類し、少なくとも形態的特徴に基づいて被験者のそれぞれに望み得る最良のパルスを割り当てる。［９］の「セミユニバーサル」方法とは逆に、このクラスタは、どこか恣意的な形態的特徴に基づいて経験的に定義されるのではなく、クラスタ化アルゴリズムを使用して系統的に定義される。より具体的には、最適ＲＦパルスシーケンスをＮ人の被験者のそれぞれについて計算する。そしてＮ個の結果シーケンスを被験者のそれぞれについて適用して、Ｎ^２個の磁化フリップ角（ＦＡ）分布を得る。これらの分布と目標分布（通常、所定の値を有する一様なＦＡ）間の差により被験者空間に関する測定基準を定義し、この基準を使用してクラスタ化を行う。したがって［９］の場合とは異なり、クラスタ化は関連基準に基づくことが保証される。次に機械学習により、容易に利用できるデータ、たとえば、ローカライザ取得（すべての撮像プロコトルの準備段階としての必須ステップ）から抽出できる形態的特徴を使用して新しい被験者をクラスタに割り当てることを可能にする。

本発明の方法により得られたこのパルスシーケンスは、１人の被験者ではなく一連の被験者にとって最適化されており、「最適に誂えられた」シーケンスより遙かに安定している。

本発明の１つの目的は、したがって磁気共鳴映像法のパルスシーケンスのデータベースの構築をコンピュータで実施する方法である。その各パルスシーケンスは少なくとも磁場傾斜波形および一連の無線周波パルスを含み、前記一連のパルスのそれぞれは複数の設計パラメータにより規定され、かつ、磁気共鳴映像法装置のそれぞれの伝送チャネルに関連付けられている。この方法は以下のステップを含む：
ａ）複数の磁気共鳴映像法被験者のそれぞれについて、当該被験者の最適シーケンスと呼ばれるパルスシーケンスを決定するステップ。このシーケンスは、当該被験者に関するパルスシーケンスのシミュレーションにより得られる核磁化フリップ角の空間分布と目標分布との間の差を表す費用またはメリット関数を最適化する。
ｂ）各被験者について、すべての被験者に関する最適シーケンスのシミュレーションにより得られる前記または別の費用またはメリット関数の値を計算する。
ｃ）前記値またはその関数を測定基準として用いるクラスタ化アルゴリズムを使用して前記被験者を複数のクラスタに集約する。
ｄ）各クラスタについて、当該クラスタの最適シーケンスと呼ばれるパルスシーケンスを決定する。このシーケンスは、当該クラスタに属する被験者の核磁化フリップ角の空間分布と目標分布との間の平均差を表す費用またはメリット関数を最適化する。

本発明の別の目的は、以下のステップを含む被験者の磁気共鳴映像法を行う方法である：
− パルスシーケンスのデータベースを提供するステップ。その各パルスシーケンスは少なくとも１つの磁場傾斜波形および一連の無線周波数パルスを含み、前記一連のパルスの各パルスは複数の設計パラメータにより規定され、かつ、磁気共鳴映像法装置のそれぞれの伝送チャネルに関係付けられる。
− 当該被験者を特徴付ける一連の特徴を入力として受け取るステップ。この特徴は少なくとも当該被験者の形態的特徴を含む。
− コンピュータ実施分類子アルゴリズムを使用して、当該被験者を前記一連の特徴に基づいてデータベースの１つのパルスシーケンスに関係付けるステップ。および
− 前記パルスシーケンスを使用して磁気共鳴映像法を実行するステップ。

本発明のさらなる別の目的は、以下を含む磁気共鳴映像法装置である：
− 少なくとも１つの無線周波伝送チャネル
− 一連の傾斜コイル
− パルスシーケンスのデータベースを格納する記憶装置。その各パルスシーケンスは少なくとも１つの磁場傾斜波形および一連の無線周波パルスを含み、前記一連のパルスの各パルスは複数の設計パラメータにより規定され、かつ、磁気共鳴映像法装置のそれぞれの伝送チャネルに関係付けられる。および
− 以下のステップを行うようにプログラムされたコンピュータ：
− 磁気共鳴映像法被験者の一連の特徴（少なくとも当該被験者の形態的特徴を含む）を入力として受け取るステップ
− 分類子アルゴリズムを使用して当該被験者を前記一連の特徴に基づいて前記データベースの１つのパルスシーケンスに関係付けるステップ、および
− 前記パルスシーケンスを使用して無線周波伝送チャネルおよび傾斜コイルを駆動することにより磁気共鳴映像法を実行するステップ。

本発明の方法および装置の個々の実施形態は、従属請求項の主題事項を構成する。

本発明のさらなる特徴および長所は、添付図面を参照する以下の記述により明らかとなるであろう。

図１は、本発明を実施するために適する並列伝送磁気共鳴映像法装置を表す略図である。 図２は、本発明による方法のフローチャートである。 図３Ａおよび３Ｂは、４人の被験者のＢ１＋マップ（３Ａ：磁場振幅；３Ｂ：磁場位相）であり、腹部における伝送Ｂ１磁場の被験者間変動性を示している。 図４Ａ〜４Ｅは、クラスタの構成を示す。 図５は、被験者の分類のために使用される特徴ベクトルを示す。 図６Ａ、６Ｂおよび７はシミュレーション結果のプロットであり、本発明の技術的成果を示す。 図６Ａ、６Ｂおよび７はシミュレーション結果のプロットであり、本発明の技術的成果を示す。 図８および９は、生体内実験結果であり、さらに本発明の技術的成果を示す。 図８および９は、生体内実験結果であり、さらに本発明の技術的成果を示す。 図１０は、本発明の別の実施形態による方法のフローチャートである。

図１は、本発明の実施に適する並列伝送ＭＲＩスキャナを大幅に簡略化した表現である。参照記号Ｍは、「長手」方向ｚ（図１の場合、水平方向）に沿って方向付けられる強力な（たとえば、３Ｔまたは実に７Ｔ）静的磁場Ｂ０を発生する磁石を指す。この磁石は円筒形であり、かつ、被験者（一般的に人体）またはその一部（たとえば、頭）の挿入を可能にするために中空である。傾斜コイル（参照記号ＧＣ）と呼ばれる追加磁石は、主磁石Ｍの外側に配置され、かつ３つの直交空間次元沿いの強度傾斜を示しつつ緩やかに（すなわち、無線周波ではなく）変化する磁場を発生するように駆動されることがある。この図では、１つの空間次元沿いの傾斜を生成する１対の傾斜コイルのみ示されている。複数の無線周波コイル素子が主コイルＭの内部空間の周辺に配置されている。図１の例では、これらは次の８個である：ＲＦＣ１、ＲＦＣ２、ＲＦＣ３、ＲＦＣ４、ＲＦＣ５、ＲＦＣ６、ＲＦＣ７、ＲＦＣ８。これらのコイル素子はそれぞれの伝送チャネルの一部であり、コンピュータによりそれぞれ独立に駆動されてそれぞれのＲＦパルスを放射する増幅器など図に示されていない装置も含んでいる。これらのパルスは、一般的に同一搬送周波数（ラーモア周波数における）および種々の時間的に変化する振幅と位相（これらは複素包絡線により規定され得る）を有している。信号処理装置は、傾斜波形を生成する傾斜コイルＧＣも駆動する。（非均一の）ＲＦ磁場Ｂ１＋はＲＦコイル素子により生成される。ＲＦコイル素子により形成される集合体は（ＲＦ）コイルと呼ばれることがある。

本発明に従って、スキャナの各伝送チャネルのための１つのＲＦパルスを含み、かつ有利なことに傾斜磁場も含む一連のＲＦパルスシーケンスの複素包絡線は、信号処理装置ＳＰによりアクセスされるデータベースに格納することができる。各パルスシーケンスは、以下において説明する方法を使用して、先行技術の場合のように特定の被験者向けではなく多数の被験者に適合するように設計される。さらに、ＭＲＩ被験者を記述する特徴のベクトルを入力として受け容れ、かつ、被験者をデータベースに格納されているパルスシーケンスの１つに関係付けるために当該被験者に分類子アルゴリズムを適用するようにコンピュータＣＰをプログラムする。

図２は、本発明の実施形態に従ってＭＲＩ ＲＦパルスを設計する方法のステップを示す。

ステップａ）は、ＭＲＩ被験者の第１集合Ｓ０のそれぞれ１人のための「最適」パルスシーケンスを設計することからなる。たとえば、集合Ｓ０は、Ｎ_ｓ０＝５０人からなる。パルスシーケンスは、それがメリット関数を最大化するかまたは費用関数を最少化するときに被験者にとって最適と見なされる。この関数は、それぞれ、当該シーケンスを当該被験者に適用することにより得られる当該被験者の体内の領域内における磁化フリップ角の一様性または非一様性を表す。たとえば、全関心体積について集計した二乗平均平方根フリップ角誤差に比例するかまたはそれに等しい費用関数を使用することができる。別の方法として、費用関数は、フリップ角誤差の標準偏差に比例する項を含み得る。最適化は、通常、いくつかの制約、一般的にシーケンス継続時間、ピークおよび平均電力、比吸収率（ＳＡＲ）等を含む制約の下で行われる。

図２の実施形態の場合、ステップａ）は、３つの主要なサブステップを含む。

サブステップａ１）はＢ１＋マップ（および望ましくはΔｆ０マップ）を取得することからなる。これらのマップは各被験者について取得する（Δｆ０マップはΔＢ０からの寄与を含むが、化学シフトからの寄与も含む）。このステップを行ういくつかの方法が当該技術分野において知られている。［１５］、［１６］参照。各被験者について、数個のＢ１＋マップ、すなわち、スキャナのＮ_ｃ個の伝送チャネルのそれぞれについて１つのマップを取得しなければならないことに注意することが重要である。したがって、Δｆ０マップも取得する場合、サブステップａ１）はＮ_ｓ，０（Ｎ_ｃ＋１）回の独立測定を必要とする。これは相当な時間を要する場合があるが、この測定は「オフライン」で、すなわち、臨床検査の開始前に行われ、群の構成員は患者ではなく健常志願者でよい。

この方法のサブステップａ２）は、集合Ｓ０のＮ_Ｓ，０人の成員について核磁化フリップ角（ＦＡ）を計算することを含む。

ＲＦパルスは、有限個数の設計パラメータにより規定することができる。これらは、複素包絡線、前記包絡線のフーリエ係数、解析方程式の係数等の時間的サンプルとすることができる。さらに、磁場傾斜波形はＲＦパルスに沿って適用する。本発明の１つの実施形態では、磁場波形はあらかじめ規定され、かつ、固定される。そしてＲＦパルスの設計パラメータのみ励起均一性の最適化のために調整する。別案実施形態では、ＲＦパルスと傾斜波形の両方とも最適化する（したがってｋ空間軌跡も）。したがって、磁場波形も調整可能な設計パラメータを使用して表現する。この方法のサブステップａ２）を初めて実行する場合、これらの設計パラメータに初期値を割り当てる（たとえば無作為に）必要がある。

核スピン励起がいわゆる「ｋＴ点」技法［６］を使用して非選択的に（すなわち、関心体積全部に対して）行われる場合を考える。この技法では、離散点（「ｋＴ点」）を結ぶ（通常、一直線の）線分により形成されるｋ空間に傾斜パルスが破線軌跡を規定し、かつ、方形ＲＦサブパルスが前記点に対応して（すなわち、各傾斜パルスを追って）放射される。

関心体積をＮ_ｖ（たとえば、Ｎ_ｖ＝１２，０００）個のボクセルに分割し、各ボクセルが磁化フリップ角のそれぞれの値により特徴付けられるようにする。Ｎ_ｋＴ（たとえば、Ｎ_ｋＴ＝５）を、たとえば、ｋ空間の中心の周りに対称的な位置を占めるｋＴ点の個数とする。各無線周波パルスは固定時点において適用されるＮ_ｋＴ個の方形サブパルスから形成されるので、その波形はＮ_ｋＴ個の複素振幅値により規定することができる。Ｎ_ｃ（たとえば、Ｎ_ｃ＝８）を伝送チャネル（たとえば、図１のコイル素子ＲＦＣ１〜ＲＦＣ８）の個数とする。

この場合（［１７］参照）、フリップ角は、ローアングル近似により、次式により表し得る：
ＦＡ＝Ａ・ｘ （１）
ただし、
− ＦＡはＮ_ｖ個の要素からなる列ベクトル、これらの要素はそれぞれのボクセルのフリップ角を表す。
− ｘはｐ個の要素からなる列ベクトル、ここでｐ＝Ｎ_ｃ・Ｎ_ｋＴであり、これはＲＦパルス集合を形成するＮ_ｃ個のＲＦパルスの波形（それぞれＮ_ｋＴ個のサンプルを含む、上記参照）を連結することにより得られる。
− Ａは、スピンダイナミクスマトリクスまたはＢｌｏｃｈ演算子と呼ばれるＮ_ｖ×ｐ個の複素係数マトリクスであり、その係数は次式により与えられる：

ただし
− 「ｉ」は虚数単位であり、
− ｒ_ｍはｍ番目のボクセルの位置ベクトルであり、
− μＴ（マイクロテスラ）単位で表されているＢ１_ｎ（ｒ_ｍ）は、最大出力においてｍ番目のボクセルにおいてｍ番目のチャネルにより発生されるＢ１＋ＲＦ磁場である。これは、この方法のサブステップａ１）中に得られる。
− ｊはｋＴ点のインデックスであり、また、ｋ_ｊはｋ空間における対応点であり、これは励起中に適用される磁場傾斜の時間反転積分を計算することにより得られる。
− ＜．，．＞はスカラー積を指す。
− γは磁気回転比である。
− Ｔ（テスラ）で表されたΔＢ０（ｒ_ｍ）は、ｍ番目のボクセルにおける静的磁場Ｂ０の非均一性である。これもこの方法のサブステップａ１）中に得られる。
− Ｔは合計パルス継続時間である。
− Ｔ_ｓは各ＲＦサブパルスの継続時間である−たとえば、９°の目標フリップ角のとき０．０８ｍｓまたは１８０°の目標フリップアングルのとき０．５ｍｓである。
− 正規化定数ｓは、継続時間Ｔ_ｓのサブパルスのときに１μＴのＲＦ振幅で得られるフリップ角である。

その他の種類のパルスシーケンスの一般化は容易である。別案として、フリップアングルが大きすぎる場合、ローアングル近似分析およびＢｌｏｃｈ方程式の完全数値積分が必要である。

サブステップａ２）の最後に、Ｓ０の各被験者についてフリップ角マップ（すなわち、空間分布）が得られ、上述のメリット関数または費用関数の計算が可能になる。

サブステップａ３）において、費用関数を最少化するかまたはメリット関数を最大化するためにＲＦパルスの設計パラメータおよび望ましくは傾斜波形を繰り返し調整するが、これはＦＡ分布の再計算を含む。したがって、Ｎ_Ｓ，０個のパルスシーケンスが得られるが、その各シーケンスはＳ０集合の被験者の最適シーケンスである。

ステップｂ）は、集合Ｓ０に関する測定基準を規定すること、すなわち、この集合の被験者の各対間「距離」を規定することからなる。図２の実施形態では、これは、ステップａ）の最後において得られたＮ_Ｓ，０個のパルスシーケンスすべてを集合Ｓ０のＮ_Ｓ，０人の被験者すべてについて適用すること、およびコスト関数またはメリット関数の対応する値を計算することにより行われる。被験者「ｉ」と被験者「ｊ」間の「距離」は、被験者「ｊ」について最適化されたパルスシーケンスを被験者「ｉ」に適用したときに得られるＦＡ分布の均一性の喪失（被験者「ｉ」について最適化されたパルスシーケンスを適用した状況と比較したときの）を表す。

ステップｃ）において、クラスタ化アルゴリズムを使用して被験者を複数のクラスタに集約する。ステップｂ）において計算した距離に基づいてクラスタ化を行う。これは、クラスタのどの成員の最適シーケンスも当該クラスタの他の成員に関する適度に一様なＦＡ分布をもたらすことを意味している。完全な結合スキームを使用する階層的凝集クラスタ化アルゴリズムの使用が必須ではないが望ましい。クラスタの個数は、あらかじめ定めるかまたは被験者の集合の特徴によって決定することができる。たとえば、クラスタの個数は、任意のクラスタの任意の２つの要素間の最大距離（以上において定義した）が所与の閾未満となるように選択することができる。

ステップｄ）において、各クラスタの最適パルスシーケンスを計算する。このシーケンスは、クラスタ全体にわたるＦＡ分布の平均均一性（不均一性）を表す平均費用（メリット）関数を最小少化（最大化）する。ステップａ）の場合と同様に、最適化は好ましくは種々の制約の下で行われる。

ステップｅ）は、ステップｃ）で得たクラスタにＭＲＩ被験者を関係付ける分類子アルゴリズムを訓練することからなる。この分類は、少なくとも１つの形態的特徴を含む特徴ベクトルに基づいて行う。たとえば、形態的特徴は、「ローカライザ」映像により、すなわち、いずれかのＭＲＩ検査の前に行われるローカライザシーケンスから得られる映像により導かれ得る。被験者の識別データ（年齢、性別…）、臨床データ（身長、体重、病状）および磁気共鳴映像法装置の操作パラメータ（全体的ＳＡＲ、ＲＦコイルの基準電圧…）などのその他の特徴も使用できる。この特徴ベクトルはＦＡマップのＢ１＋により導かれる特徴またはより一般的には専用の較正ステップを要求する特徴を含まないことが望ましい。本発明の１つの目的はまさにかかる較正を回避することであるためである。

いずれかの適切な機械学習アルゴリズムを使用してステップｅ）を行うことができる。望ましくは、訓練は集合Ｓ０のＮ_Ｓ，０人の成員および第２集合Ｓ１のＮ_Ｓ，１人の追加被験者を使用して行う。Ｓ１の各被験者は、ステップｄ）において決定された「最適」シーケンスすべてを当該被験者について試験すること、および最も一様なＦＡ分布をもたらすクラスタを選択することにより、クラスタに帰属させる。

ステップｆ）は、訓練された分類子を使用して「新しい」被験者ＩＳ（すなわち、Ｓ０にもＳ１にも属さない被験者）をクラスタに関連付けることからなり、これに際し、被験者の特徴ベクトルを訓練された分類子アルゴリズムの入力として与える。

最後に、ステップｇ）において、当該被験者が関連付けられた当該クラスタの最適シーケンスを使用して被験者ＩＳの磁気共鳴撮像法を行う。

以下においては、本発明の理論的根拠についてより詳しく説明する。次に本発明の方法の典型的実施形態について記述する。その後に実験結果について検討する。

理論
目標はＢ１非不均一性に対して強い非選択的短励起パルスを設計することであるため、ｋ_Ｔ点法を採用し、かつ、その数学的形式を使用した。［６］参照。

この節では、被験者固有（特注）設計およびユニバーサルｋ_Ｔ点パルス設計（［８］、［９］）を簡潔に想起し、次に本発明特有の理論を展開する。

特注ＫＴ点パルス設計
最も効果的なｋ_Ｔ点パルス設計は、ＲＦ複素係数、ｋ空間位置および各ｋ_Ｔ点サブパルスの継続時間を同時に最適化することにより関心領域におけるフリップ角（ＦＡ）分布を均一化することからなる。Ｎ_Ｃｈ個の伝送チャネルを備えるｐＴｘシステムにおいてＮ_ｋＴ個のサブパルスを用いることとし、それぞれ、すべてのサブパルスＲＦ複素係数、３次元位置、および継続時間を表すベクトルｘ、ｋおよびｔを使用すると、最適化問題は次式により表すことができる：

ただし、α_Ｔは目標ＦＡ、ＡはＦＡをそのＢ_１ ^＋およびΔｆ_０の値に応じて各ボクセルに関連付けるＢｌｏｃｈ演算子である（式２参照）。最適化は、ハードウェアの限界および患者の安全を守るためにピーク電力、平均電力および比吸収率（ＳＡＲ）に関する全体的および局部的制約の下で行う。

ユニバーサルＫＴ点パルス設計
上述したように、ユニバーサルパルス設計は、Ｎ_ｓ人の被験者のサンプルに基づいて単一の被験者のみではなく全母集団にとっての均一励起を追求する。ここでは、異常値を避けつつ全母集団における全体的ＦＡ不均一性を低減するために、各被験者について得た目標正規化二乗平均平方根ＦＡ誤差（ＮＲＭＳＥ）の平均プラス標準偏差を最小化すべき費用関数として選択した。

が母集団中のＮ_ｓ人の被験者のそれぞれに関連付けられたＢｌｏｃｈ演算子の集合を表すならば、このパルス設計は次の問題を解くことからなる：

ただし：

は各被験者のすべての関心ボクセルに適用される二乗平均平方根ＦＡ誤差の残差ベクトルであり、
かつ：
Ｍ（ε）＝＜ε＞＋ＳＤ（ε）．＜・＞およびＳＤ（・）は、それぞれ、標本平均および標本標準偏差演算子を表す。この問題も上述の場合に述べたすべての厳重な制約の下で解かれる。

本発明の設計方法
本発明の設計方法は２つの段階に分けることができる。第１に、被験者のＮ_ｃ個のクラスタをＮ_ｓ，０人の被験者のデータベースから作成し、そして１つの疑似ユニバーサルパルスを各クラスタについて設計する。続いて最も適切なパルスを被験者に割り当てるように、一連の単純な特徴を条件として分類子をＮ_{ｔｒａｉｎ}個の例について訓練する。

クラスタ化およびパルス設計
データベースクラスタ化を行うために、Ｎ_ｓ，０人の被験者のそれぞれの特注ｋ_Ｔ点パルスを式（４）に従って設計し、次に次のマトリクスを形成した：

ただしＶ_ｓ，ｐは、ｓ番目の被験者に適用したときにｐ番目のパルスにより得られたＮＲＭＳＥ示す。

次に被験者ベクトル

を規定することにより被験者間の距離Ｄを次式のように計算した：

完全連結、すなわち次式により規定される被験者ＩおよびＪの２つのクラスタ間の距離によるＤに関する凝縮階層的クラスタ化が得られた：

これは、各個別被験者がただ１つのクラスタを形成することから始まる上昇型プロセスである。新しいクラスタＫは、最短ペア間距離ｄ（Ｉ，Ｊ）を有する２つのクラスタＩおよびＪを結合することにより作成する。次にＩおよびＪをその集合から除去する。クラスタを２個ずつ結合してより新しいより大きいクラスタを作成することを繰り返すことによりすべての被験者を含む１個のクラスタを得る。このプロセスは、クラスタが次々に連続して結合されるときにお互いに最も近い被験者および／または被験者のクラスタ間の距離に関する情報を与える。それはこの被験者集合の固有の構造を際立たせ、かつ、種々のＲＦパルスに対しＮＲＭＳＥに関して同様な反応を示す被験者を識別することを可能にする。次に所望クラスタの個数Ｎ_ｃが与えられたときに、最大限でもＮ_ｃ個のクラスタを規定し、クラスタ内で任意の２人の被験者間の距離が最大限でもｄ_{ｔｈｒｅｓｈ}となったときにクラスタの併合を中止する距離閾ｄ_{ｔｈｒｅｓｈ}を見出すことができる。別の方法として、距離閾をあらかじめ定めることもできるが、その結果のクラスタ個数は分からない。

ｊ番目のクラスタに属する被験者のインデックスの集合をＣ_ｊで表すと、クラスタ化パルス設計は、次式より表される各部分集合Ａ_ｊについて方程式（４）を解いてＮ_ｃ個のパルスｐ_ｊ＝（ｘ_ｊ，ｋ_ｊ，ｔ_ｊ）を得ることに帰着する：
Ａ_ｊ＝｛Ａ_ｉ｜ｉ∈Ｃ_ｊ｝，ｊ∈［１．．Ｎ_Ｃ］ （８）

機械学習
このプロセスの第２段階において、機械学習アルゴリズムをＮ_{ｔｒａｉｎ}人の標識付き被験者について訓練する。良好な分類子性能を得るため、多数の訓練被験者が望ましい。しかし、上述したクラスタ化ステップは非常に長い時間を要する。それは（Ｎ_ｓ，０）^２回のパルスシミュレーションを必要とするからである。したがって、前述したように、訓練集合を拡大するために、Ｎ_ｓ，１人の追加被験者を取得する（Ｎ_{ｔｒａｉｎ}＝Ｎ_ｓ，０＋Ｎ_ｓ，１）。

クラスタタ化のために使用するＮ_ｓ，０人の被験者にそれらの属するクラスタに従って１〜Ｎ_ｃの標識を付ける。最終的に使用する性能基準は被験者にパルスを適用することより得られるＮＲＭＳＥであるため、Ｎ_Ｓ，１人の新しい被験者のそれぞれは、最小ＮＲＭＳＥをもたらすクラスタパルスｐ_ｊに従って標識付ける。ｙ_ｉによりｉ番目の被験者に割り当てられたクラスを表すと、次式が得られる。

これは、訓練データベースを拡大する単純かつ迅速な方法であり、この提案方法を容易に拡張可能にする。

典型的実施形態の詳細説明
被験者およびスキャナ
クラスタ化集合Ｓ０のＮ_Ｓ，０＝５０人の連続被験者のＢ１＋マップを使用した。分類子を訓練するためにＮ_Ｓ，１＝３０人の追加被験者を使用し、また、試験のためにさらにＮ_ｔｅｓｔ＝５３人を使用して、合計１３３人の患者を取り扱った（男性６９人、女性６４人、年齢２２〜８９歳、身長１．４５〜１．９１ｍ、体重４５〜１４０ｋｇ、ＢＭＩ：１７．６〜４３．７ｋｇ・ｍ^−２）。この調査は、Ｃｅｎｔｒｅ Ｈｏｓｐｉｔａｌｉｅｒ Ｕｎｉｖｅｒｓｉｔａｉｒｅ Ｈｅｎｒｉ Ｍｏｎｄｏｒの施設内治験審査委員会により承認された。

取得は、臨床ルーチンにおいて使用される２チャネルｐＴｘシステムを備えるＭＡＧＮＥＴＯＭ Ｓｋｙｒａ（Ｓｉｅｍｅｎｓ Ｈｅａｌｔｈｃａｒｅ ＧｍｂＨ，Ｅｒｌａｎｇｅｎ，Ｇｅｒｍａｎｙ）３Ｔスキャナにより行われた。

Ｂ１＋およびオフレゾナンスマッピング
Ｂ_１ ^＋マップは、製造業者自動調整手順、約３０秒間行われる自由呼吸励起準備完了ターボＦＬＡＳＨシーケンスにより測定した。このマップは、患者固有静的ＲＦシミングのために使用されるマップと同じものである。

Δｆ_０マップはパルス設計およびＦＡシミュレーションのために使用したが、水ボクセルと脂肪ボクセルを識別するためにも使用した。実際、パルスは脂肪抑制シーケンスを意図していたので、水ボクセルのみＦＡ均一化について考慮した結果、水におけるパルス性能の向上および計算時間の短縮がもたらされた。両組織は混合しないと仮定し、これはΔＴＥ＝０．９５ｍｓの１回の呼吸停止（１０秒）で取得した２エコーＦＬＡＳＨ取得により達成された。この時間は、±５００Ｈｚ周波数範囲にわたる位相ラッピングを回避するために十分短い。

パルス設計は３Ｄメッシュの５ｍｍ等方ボクセルから行われたので、Ｂ_１ ^＋とΔｆ_０マップの両方がダウンサンプリングされて当該分解能に適合した。

特注およびユニバーサルＫＴ点パルス設計
９ｋ_Ｔ点特注パルスは、［１８］において行われたように、ＳＡＲおよびハードウェアの制約の下で各被験者について設計された：このパルスをＤＣＥーＭＲＩで使用することを目標として、６ｍｓのＴＲのときにα_Ｔ＝１１°のＦＡを目指し、かつ１８００μｓのパルス継続時間限度を設定した。局部ＳＡＲ予測については、スキャナにより提供される仮想観測点（ＶＯＰ）を使用した。

ユニバーサルパルスも被験者１〜５０について方程式４に従って設計した。この調査中に使用したパルスｐ_ＵＫＴは、５個のサブパルスをもち、その長さは７７０マイクロセカンドであった。

すべてのパルス設計は、ラップトップコンピュータ（Ｉｎｔｅｌ Ｃｏｒｅ ｉ７−４７１２ＨＱ ＣＰＵ，ＮＶＩＤＩＡ Ｑｕａｄｒｏ Ｋ１１００ｍ ＧＰＵ）上でＭＡＴＬＡＢ Ｒ２０１６ａ（Ｔｈｅ Ｍａｔｈｗｏｒｋｓ，Ｎａｔｉｃｋ，ＭＡ）のアクティブセット制約最適化アルゴリズムを使用して行った。

図３は、４人の被験者（上から下）腹部における伝送Ｂ１＋磁場の被験者間変動性を示す。視野およびウィンドウイングはすべての被験者について同じである。

クラスタ化およびパルス設計
クラスタ化およびパルス設計は、被験者１〜Ｎ_Ｓ，０＝５０に基づいて行った。

図４ａおよび４ｂは、上述の特注ｋ_Ｔ点を使用して得たＮ（ＮＲＭＳＥ）およびＤ（対間距離）のマトリクス（式５および６）の表現である。図４ｃおよび４ｄは、Ｄに対して適用された凝縮階層的クラスタ化により規定された再配列πを使用して再編成された同じマトリクスを示している。クラスタ構造は、被験者間の距離が短い場合に３つの対角線Ｂｌｏｃｈの形態で鮮明に観察される。

図４ｅは、クラスタ化プロセスを示す樹状図である。

凝縮階層的クラスタ化は、Ｐｙｔｈｏｎ ｖ２．７（Ｐｙｔｈｏｎ Ｓｏｆｔｗａｒｅ Ｆｏｕｎｄａｔｉｏｎ，ｈｔｔｐｓ：／／ｗｗｗ．ｐｙｔｈｏｎ．ｏｒｇ）およびｆａｓｔｃｌｕｓｔｅｒパッケージ［１９］を使用して行った。比較的少ない個数の訓練データを前提として、限られた個数のクラスタが望ましい：Ｎ_Ｃ＝３を選択した。被験者２４は異常値として出現し、それ自身のクラスタを形成した。したがってそれは手動でクラスタＣ_３に帰属させた。

パルスｐ_ＳＰ，１、ｐ_ＳＰ，２およびｐ_ＳＰ，３は、それぞれ、クラスタＣ_１、Ｃ_２およびＣ_３についてｐ_ＵＫＴの場合と同一の５ｋ_Ｔ点設計パラメータにより作成した。これらの最適化継続時間は、それぞれ、７００μｓ、７２０μｓおよび６９０μｓである。

被験者分類：特徴およびアルゴリズム
図５に示すように、１０の特徴を分類のために使用した。これらのすべては、ローカライザのデータから抽出した。ローカライザは、プロコトルの先頭に置かれる必須シーケンスであり、その後の取得の視野（ＦＯＶ）を設定するために使用される。肝臓撮像のために局部的に使用されるローカライザシーケンスは、すべて１回の呼吸停止中（ＴＡ＝１７ｓ）に取得される面内分解能０．８ｍｍ、厚さ７．０ｍｍの５個の軸（ＴＲＡ）スライス、７個のコロナ（ＣＯＲ）スライスおよび１１個の準矢状（ＳＡＧ）Ｔ１重み付けスライスからなる。表１は、この調査の図に示した被験者に対応する特徴および母集団の概要を示す。

登録中に患者により提供される被験者の年齢、性別、体重および身長は、このスキャナによるＭＲＩ検査の必須データであり、かつ、ＰＳ３．６：Ｄａｔａ Ｄｉｃｔｉｏｎａｒｙにおいて指定されているＤＩＣＯＭ欄として利用できる。ローカライザ取得中に機械により測定される全体的ＳＡＲもＤＩＣＯＭ欄から検索できる。被験者の肥満度指数（ＢＭＩ）は身長および体重から導かれた。製造業者追加固有メタデータも利用可能であった。その中の基準電圧は各被験者についてスキャナにより較正され、かつ、５００μｓのハードパルスが磁石アイソセンタにおいて厚さ１ｃｍの横断スライスの中に９０°励起を生成するために必要な電圧として規定された。この値は、デフォルト伝送設定においてこのスライス中の平均Ｂ_１ ^＋に関係している。被験者の腹部の幅Ｗおよび高さＨ（２つの特徴）は、最仙骨軸スライスに目盛り付き長円をあてがい、かつ、その長軸および短軸を（それぞれ）読み出すことにより推定された。長円あてがいが胸部ではなく腹部で行われることを確実にするために最下部スライスを採用した。しかし、このパイロット調査では、患者によっては、ローカライザが全く中心から外れてしまった。このような場合には、長円あてがいは、Δｆ_０マップに関連付けられたマグニチュード映像の中央スライスを対象とした。１つの最後の特徴は、これらの測定から導かれた：腹部比Ｈ／Ｗ（高さ／幅）。

分類アルゴリズムは、Ｓｃｉｋｉｔ−ｌｅａｒｎ［２０］を使用して実行した。クラスタ化およびパルス設計のために使用したＮ_Ｓ，０＝５０人の被験者に加えて、Ｎ_Ｓ，１＝３０人の被験者から較正データを取得してＮ_{ｔｒａｉｎ}＝８０人の被験者からなる訓練集合を形成した。この集合に関する繰り返し層別クロス確認により（シャッフル５０回およびスプリット５回）、２つのアルゴリズムを別々に調整した。４０００ツリーのエキトリームリーランダムツリーアルゴリズム［２１］により８４．３％のクロス確認精度を得た。サポートベクトルマシンマルチクラス分類子［２２］、［２３］を動径基底関数カーネル、γ＝０．１８カーネル係数、およびＣ＝１．５誤差ペナルティとして使用し、８４．９％の精度を得た。この調査のために選択したアルゴリズムは、両アルゴリズムの出力クラス確率を平均する投票分類子である。そのクロス確認精度は８５．４％であった。全訓練集合に関する予測スコアは１００％であった。

励起均一性評価
試験集合は、被験者８１〜１３３（Ｎ_ｔｅｓｔ＝５３）により形成した。各被験者について、６種類の技術を比較した：
− ｐ_ＴＦ：ＴｒｕｅＦｏｒｍ、スキャナデフォルト楕円分極パルス
− ｐ_ＴＳＳ：製造業者の患者特注静的ＲＦシミング（係数は、スキャナにより被験者のＢ_１ ^＋マップに基づいて自動的に計算されるが、最高電圧はＴｒｕｅＦｏｒｍの最高電圧以下に抑制される）
− ｐ_ＯＴＳＳ：最適静的ＲＦシミング（オフライン計算）
− ｐ_ＴＫＴ：患者特注ｋ_Ｔ点動的ＲＦシミング（オフライン計算）
− ｐ_ＵＫＴ：ユニバーサルｋ_Ｔ点
− ｐ_ＳＰ：本発明によるｋ_Ｔ点パルス（以下、「ＳｍａｒｔＰｕｌｓｅ」）

ハードパルスｐ_ＴＦ、ｐ_ＴＳＳおよびｐ_ＯＴＳＳの継続時間は１００μｓに設定された。ｐ_ＵＫＴおよびｐ_ＳＰは、電圧スケーリングなしですべての被験者に適用された。

各技術により得たＦＡマップについて、被験者において測定された実際のＢ_１ ^＋およびΔｆ_０マップに基づいて数値Ｂｌｏｃｈ積分によるシミュレーションを行った。関心体積における水ボクセルに関するＦＡの平均、変動係数（ＣＶ）およびＮＲＭＳＥを推定した。

ＳｍａｒｔＰｕｌｓｅの場合、予測されたｐ_ＳＰが実際に最良の選択肢であるか否か決定し、かつ、予測誤差のない場合における「理想的」プロセスの性能を評価するために３つのクラスタパルスすべてを試験した。

種々の技術のＦＡのＮＲＭＳＥ、ＣＶまたは平均が比較できる場合には常にＳｃｉＰｙ［２４］ｓｔａｔｓパッケージを使用してマッチドペアＷｉｌｃｏｘｏｎ符号付き順位検定を計算した。報告されたｐ値は、両側有意水準である。分布中央値等価の帰無仮説は０．０５未満のｐにより否定された。

生体内取得
ＤＣＥーＭＲＩ受検中に試験集合から抽出した２３人の被験者をエキスパートパルス設計者（Ｒ．Ｔ．−Ｔ．）の立ち会いの下でスキャンした。追加シーケンスを行ってｐ_ＴＦ、ｐ_ＴＳＳ、ｐ_ＴＫＴおよび予測されたｐ_ＳＰで取得された映像を比較した。診断ＤＣＥーＭＲＩプロコトルへの妨害を回避するために、これらのシーケンスは、造影剤注入前および後の段階にのみ挿入された。

使用したシーケンスは、Ｔ_１重み付け３Ｄ ＦＬＡＳＨであり、脂肪の短いＴ_１による過度の信号（それは造影剤関連増感を隠蔽し得る）を除去する「迅速脂肪抑制」［２５］を実施した。脂肪抑制は、すべてのシーケンスにおいて同一のガウス型の選択的脂肪抑制９０°パルスにより達成した。シーケンスパラメータは次のとおりである：ＦＡ＝１１°、ＴＲ／ＴＥ＝６／３ｍｓ、３２０×２２０×７２マトリクス、１．２×１．２×３．５ｍｍ^３分解能、位相エンコード方向（前後方向）においてＧＲＡＰＰＡ係数２、８０％／５０％の位相／スライス分解能、６／８の部分フーリエ係数、５０５Ｈｚ／ピクセル帯域幅、取得時間は２３秒未満。マトリクスのサイズおよび／または分解能は、大柄の患者に対処するために時々わずかに調整する一方、呼吸停止と両立できる取得時間を確保した。エイリアシングを防止するために３３％以下のオーバーサンプリングをパーティションエンコード方向に使用した。２個の３０チャネル表面コイル（前方および後方）を受信のために使用した。ＦＯＶをカバーするために必要なチャネルのみ選択した。これはスキャナにより自動的に行われ、オーバーサンプリングを最小に維持することを可能にした。受信プロファイルの映像を補正するために製造業者の「プレスキャンノーマライズ」手順をすべてのシリーズに適用した。しかし、この技術は均一な全身用コイル受信を前提としているが、それは腹部の場合には当てはまらない。対応する受信プロファイルもＢ_１アーチファクトの影響を受けるからである。したがって相当な不均一性が残ることがある。

Ｓｉｅｍｅｎｓのソフトウェアを使用して弾性登録をすべての取得に適用した。これは、種々のシリーズをより容易に比較すること、および各技術について以下のように定義されるコントラスト増感（ＣＥ）および増感比（ＥＲ）の計算を可能にした：
ＣＥ＝Ｓ_ｌａｔｅ−Ｓ_ｒｅｆ （１０）
および

ただしＳ_ｒｅｆおよびＳ_ｌａｔｅは、それぞれ、注入の前および後の信号を表す。ＥＲは、受信プロファイルを完全に除去する利益を表す。しかしそれは、ＣＥとは逆に、ＦＡオーバーシュートとともに人為的に増大する。

結果
分類性能
ローカライザシーケンスを取得した後、１人の被験者の特徴抽出およびＳｍａｒｔＰｕｌｓｅ予測の全プロセスに１〜２秒かかった。厳密に言えば、試験データに関するアルゴリズムの精度（すなわち最小ＮＲＭＳＥをもたらしたパルスを割り当てられた被験者の比率）は、７４％であった。しかし、多くの場合、２つのクラスタパルスは同様に良好に働く、したがって、２番目に良いパルスも、分類子により選択された場合、一般的に受け容れられるＮＲＭＳＥをもたらす。これは、図６ａに示されている。この図では、予測された各ＳｍａｒｔＰｕｌｓｅの性能（それぞれ、クラスタパルス１、２および３の黒い円、四角、菱形）を２つの他のクラスタパルス（それぞれ、クラスタパルス１、２および３の白い円、四角、菱形）の性能と比較している。点線は２５％のＮＲＭＳＥを示している。最小ＮＲＭＳＥに加えて１．５％のＮＲＭＳＥ許容値を設定すると、８１％の分類精度が得られる。

他のパルス設計との比較
図６ｂは、ＳｍａｒｔＰｕｌｓｅ（円）をＴｒｕｅＦｏｒｍ（四角）、デフォルト較正不要パルスと比較している。ユニバーサルパルスの性能も示されている（菱形）。分かりやすくするために、すべての選択肢ではなく、予測されたｐ_ＳＰのみ示されている。点線は、２５％のＮＲＭＳＥを示す。高いＴｒｕｅＦｏｒｍ ＮＲＭＳＥの被験者が受け容れられる値の方に移動している状況がよく分かる。

同じ１．５％の余裕を考慮すると、予測されたｐ_ＳＰはｐ_ＴＦより低いＮＲＭＳＥをもたらすか、または少なくとも被験者の８７％において利用可能な最も良いｐ_ＳＰとなった。３つの症例において、最適ＳｍａｒｔＰｕｌｓｅ（ｐ_{ＳＰ，ｂｅｓｔ}）でさえＴｒｕｅＦｏｒｍ：に比べて低い性能を示した：被験者９６（ｐ_{ＳＰ，ｂｅｓｔ}のＮＲＳＭＥは１８％、ｐ_ＴＦは１４％）、被験者１０３（１５％に対して１８％）および被験者１１４（１３％に対して１８％）。ｐ_ＳＰは、ｐ_ＴＦ、ｐ_ＴＳＳおよびｐ_ＵＫＴより一貫して優れた性能を示した。これらはｐ_ＯＴＳＳに匹敵したが、後者は最も困難な被験者の場合に限界を示した。ｐ_ＴＫＴの性能はすべてを上回った。

また、ｐ_ＳＰは、被験者の９３％による２５％未満（図７の点線）のＮＲＭＳＥの取得を可能にしたが、これはｐ_ＵＫＴ（被験者の７２％）、ｐ_ＴＳＳ（７７％）およびｐ_ＴＦ（７９％）を遙かに上回る。これはｐ_ＯＴＳＳ（９６％）に匹敵するが、しかしｐ_ＴＫＴ（１００％）には及ばない。しかし、完全な分類のときには、ｐ_ＳＰは被験者の１００％の閾値未満も可能にしたであろう。

図７は、パルスの性能を評価するために使用された種々の測定基準の分布を示す：ｐＴＦ＝ＴｒｕｅＦｏｒｍ；ｐＴＳＳ＝スキャナにより計算された患者特注静的ＲＦシミング；ｐＯＴＳＳ＝最適患者特注静的ＲＦシミング；ｐＴＫＴ＝特注ｋＴ点；ｐＵＫＴ＝ユニバーサルｋＴ点；ｐＳＰ＝予測ＳｍａｒｔＰｕｌｓｅ；ｐＳＰ，ｂｅｓｔ＝最適ＳｍａｒｔＰｕｌｓｅ。緑色の三角形＝平均値；オレンジ色の線＝中央値；ボックスのエッジ＝２５番目の（Ｑ１）および７５番目の（Ｑ３）百分位数；ホイスカ＝第５番目および第９５番目の百分位数；円＝異常値。ａ．フリップ角（ＦＡ）ＮＲＭＳＥ；点線は２５％の閾に対応する。ｂ．ＦＡの変動係数。ｃ．ＦＡ平均；点線は１１°の目標に対応する。

ＦＡのＮＲＭＳＥ、ＣＶおよび平均の標本平均およびＳＤは、表２に示されている。それらの分布のさらなる詳細は図７参照。平均ｐ_ＳＰ ＮＲＭＳＥは１６％（ＳＤ：５％）であり、ｐ_ＴＦ、ｐ_ＴＳＳおよびｐ_ＵＫＴの対応値より低い。対応値は、それぞれ、２０％（ＳＤ：９％、ｐ＝０．００２）、２１％（ＳＤ：１０％、ｐ＝０．０００５）および２０％（ＳＤ：５％、ｐ＜０．０００１）。ｐ_ＯＴＳＳは１４％（ＳＤ：４％、ｐ＝０．００１）で、ここでもややより高性能であるが、しかしこの差は、分類が完全になると消滅する（ｐ＝０．４４、非有意）。その他の測定基準は、パルスの性能のより深い理解を与える：ＦＡ ＣＶは、完全な均一性を表す。一方ＦＡ平均は、１１°目標の順守を表現する。１３％の平均ＣＶのとき、ｐ_ＳＰはｐ_ＴＫＴ以外のすべてのパルスの性能を上回る。ｐ_ＴＳＳはｐ_ＴＦ（ｐ＜０．０００１）より良い均一性をもたらすが、それはＦＡ目標平均から遠く離れる：それぞれ、９．６°（ＳＤ：１．３°）および９．３°（ＳＤ：１．３°）（ｐ＜０．０００１）。ｐ_ＳＰは、これと異なり、ＦＡ平均についても良好な性能を示す。すなわち１０．７°（ＳＤ：１．３°）、さらにｐ_{ＳＰ，ｂｅｓｔ}については１０．８°（ＳＤ：０．８°）（両方の場合においてｐ＜０．０００１）。

最後に、表２および図７は、ｐ_ＯＴＳＳおよびｐ_ＴＫＴはｐ_ＴＦおよびｐ_ＴＳＳより良いＮＲＭＳＥをもたらすが、ＳＡＲが平均で遙かに高い（すべての場合においてｐ＜０．０００１）ことも示している。これは、ｐ_ＳＰには当てはまらない。関連ＳＡＲはｐ_ＴＳＳのそれよりかなり高いが（ｐ＝０．００３）、しかし遙かに高いと言うわけではない。ｐ_ＳＰ ＳＡＲは最大許容値の２１％（ＳＤ：４％）であるが、これに対しｐ_ＵＫＴとｐ_ＴＫＴの両方は３８％（ＳＤ：１２％）またｐ_ＴＳＳは１８％（ＳＤ：５％）であった。ＳＡＲに関する予測ミスの結果が懸念される場合もあるが、ＳｍａｒｔＰｕｌｓｅの働きは極めて良好と思われる。５３の試験被験者のうち、遭遇した最高ＳＡＲは、３つのｐ_ＳＰの選択肢全部を考慮して最大許容値の３７％であった。

生体内取得
図８および９は、造影剤注入前および後期に取得した映像の例ならびに式［１０］および［１１］に従って計算されたＣＥマップおよびＥＲマップを示す。

図８は、ｐ_ＴＦ ＮＲＭＳＥが２５％を超える２人の「困難な」患者（被験者１１０および１３２）に焦点を合わせている（患者の特徴については表１、性能測定基準については表２参照）。この図は、４種類のパルス技術により得られたものであり、左から右に注入前、注入後、計算されたコントラスト増感および増感比を示している。

この図は当該被験者に帰されるものである：ｐＴＦ：ＴｒｕｅＦｏｒｍ；ｐＴＳＳ：患者特注静的ＲＦシミング；ｐＴＫＴ：患者特注ｋＴ点；ｐＳＰ：ＳｍａｒｔＰｕｌｓｅ。

両方の被験者について、増感マップおよびＥＲマップは、ｐ_ＴＦおよびｐ_ＴＳＳについては明暗度および均一性を欠いている。このアーチファクトは、ｐ_ＴＫＴおよびｐ_ＳＰにより大幅に軽減された。

被験者１１０（ａ）について、ｐＴＦによる肝臓部分５におけるＥＲの欠如（切り欠き矢じり）がＣＥ映像にも見られることに気がつく。ｐＴＳＳは、より均一なＥＲをもたらすが、しかしこれは全体的増感を犠牲にしている（黒い矢じり）。ＥＲはｐＴＫＴにより改善され、そしてｐＳＰによりさらに改善される。

被験者１３２（ｂ）について、Ｔ_１コントラストは極めて不十分であり、また、ｐ_ＴＦおよびｐ_ＴＳＳの両方による解剖、ＥＣおよびＥＲ映像には相当な陰影が見られる。２つの肝細胞癌腫（矢じり）がかすかに見える。Ｔ１コントラストはｐＴＫＴとｐＳＰの両方で回復され、ＣＥにもＥＲにも陰影は残っていない。コイル配列受信プロファイルのために、解剖およびＣＥ映像上に別の不均一性が見られる。それが完全に見られないのはＥＲ映像のみである。ＦＡ ＮＲＭＳＥに差が見られるにも関わらず、ＳｍａｒｔＰｕｌｓｅ映像と特注ｋ_Ｔ点映像または増感マップ間に差は殆ど見られない。

図９は、２つの「より容易な」場合における種々のパルスの比較を可能にする。被験者１１３（１９％のｐ_ＴＦ ＮＲＭＳＥ）および被験者１２７（１４％のｐ_ＴＦ ＮＲＭＳＥ）。ここでは、すべての技術がすべて満足できる同様な結果をもたらした。しかし、ｐ_ＴＦおよびｐ_ＴＳＳ取得について多少の局部増感過小評価が残った（矢じり）。しかしｐ_ＴＫＴとｐ_ＳＰにはなかった。

この図は、左から右に以下を示す：２人の「標準的」被験者（２５％未満のＴｒｕｅＦｏｒｍ ＮＲＭＳＥ）に適用された４種類のパルス技術により得られた注入前、注入後、計算されたコントラスト増感（ＣＥ）および増感比（ＥＲ）。患者の特徴については表１、性能測定基準については表２参照。当該被験者に帰されるｐＴＦ：ＴｒｕｅＦｏｒｍ；ｐＴＳＳ：患者特注静的ＲＦシミング；ｐＴＫＴ：患者特注ｋＴ点；ｐＳＰ：ＳｍａｒｔＰｕｌｓｅ。ａ．矢じりは、ｐＴＦおよびｐＴＳＳの両方について部分８におけるＣＥの欠如（ＥＲマップにも見られる）を指摘している。このアーチファクトは、非常によく似ているｐＴＫＴおよびｐＳＰのマップには見られない。ｂ．すべての技術は、ｐＴＦによるわずかなＣＥ異常（矢じり）を除いて、同様な性能を示した。

検討
本発明の方法は、症例の８７％において正しいパルス予測を提供した。ＮＲＭＳＥシミュレーション結果は、ｐ_ＳＰの場合にｐ_ＴＦ、ｐ_ＴＳＳおよびｐ_ＵＫＴのいずれの場合よりも概して良好であり、かつ、ｐ_ＯＴＳＳにより得られた結果に匹敵した。これは、完全な予測（ｐ_{ＳＰ，ｂｅｓｔ}）を考慮するとなおさら真である。ＳｍａｒｔＰｕｌｓｅは、最も困難な被験者における不均一性の緩和に特に確実な効果を示した。さらに、これらの結果は、ローカライザシーケンスの実施完了のほぼ直後に得られる。

実際の取得結果の比較は、特注ｋ_Ｔ点パルス設計に有利なシミュレーションにも関わらずＳｍａｒｔＰｕｌｓｅが特注ｋ_Ｔ点パルス設計より劣悪な映像を生成しないことを明らかにした。その「ユニバーサルな」性質のために、ＳｍａｒｔＰｕｌｓｅ ｋ_Ｔ点は、取得中の患者の動きに対して、および較正とＤＣＥとの間において、それに対応する特注方法よりも安定し得るが、自由呼吸状態でＢ_１ ^＋マップが取得され、したがって一般的に被験者の呼吸停止位置に対応しないことも忘れてはならない。

この作業の次の２つの主要な側面をさらに改善することによりさらによい結果を得ることができる：被験者分類およびパルス性能。

訓練と試験精度との間の相違はモデル過学習を示すが、これは訓練基礎の拡大により軽減し得る。しかし、これだけでは十分ではないであろう。

第１に、付加的（クラスタ化されない）被験者に訓練および試験のために標識付けする方法、すなわち、最良ＮＲＭＳＥをもたらすパルスを選択するために標識付けする方法は、クラスタを作成する方法とは異なる。高い機械学習性能は、これらの被験者について、選択されたパルスがＮＲＭＳＥに関して最良であることを表す。もちろん、目的は最終的に低いＮＲＭＳＥを得ることであるため、これは注目するべき測定基準であるが、しかしそれはクラスタ化方式に緩やかに結びついているのみである。それは実際には問題ではないとしても、所与の被験者について同様なＮＲＭＳＥのときにパルス間にかかる誤差が生ずるのであるため、それはやはりより低い試験スコアをもたらす。これが分類性能をさらに分析するためにＮＲＭＳＥに関する許容差を使用した理由である。

第２に、抽出のために使用した特徴中にいくつかの誤りがあった。被験者の身長および重量は患者自身により与えられ、現場で測定したものではなかった。したがって、人々はおおよその値を示したりたとえば体重について低めの値を示したりするため、これにより概数値がもたらされる。最も重要なこととして、ローカライザ配置を自動化することにより腹部測定が大幅に改善される。これは、体内における一貫したローカライザ軸スライス位置を保証し、かつ、腹部寸法推定のために複数のスライスの使用を可能にする。腹部の種々の位置における測定はほぼ円筒形の胴体との仮定を捨てる一方、データベースにさらなる一貫性を与える。別の精緻化は、冠状断像などの他のスライス方向の分析である−これはすでに取得されている（図５参照）。たとえば、おそらくこの被験者の誤分類を説明している巨大脾腫を患う被験者１０６。殆ど体軸方向の拡張のために、この異常な脾臓は軸平面において腹部寸法に大きな影響を与えなかった。それでも励起不均一性に影響を及ぼした。

完璧なクラス予測は、すべての被験者のＮＲＭＳＥを９％〜２１％の範囲にするが、これはすべての患者にとって完全に受け容れられる検査をもたらす。それらの結果をさらに改善することができる。一部の症例では（被験者９６、１０３、１１４）、ｐ_{ＳＰ，ｂｅｓｔ} ＮＲＭＳＥはｐ_ＴＦのそれよりわずかに高かった。また、不適切な平均ＦＡのために、ある被験者は、低いＣＶを有しているにも関わらず比較的高いＮＲＭＳＥを示した。

この問題には、より多くの（精細な）クラスタを規定することにより対処することができる。これは、さらに多くのカテゴリ間を識別するように分類子を訓練するためにより多くの被験者の取得を必要とする。

図１０に示した実施形態では、３つの追加ステップ（α、βおよびγ）を実行して「スマートパルス」が所望値の平均フリップ角に達することを確実にする。実際、これまで記述した方法は、容認できる一様なフリップ角を与えるパルスをもたらすが、その平均値は目標よりわずかに高いまたは低い。

ステップαは、所与の「クラスタパルス」について平均フリップ角をステップｅ）およびｆ）の分類子により使用された同じ特徴またはその部分集合の関数として予測する回帰モデルを訓練することからなる。この訓練は、被験者Ｓ２の第３集合を使用して行い、この集合についてステップｄ）において決定されたすべてのシーケンスのシミュレーションを行う。集合Ｓ２はＳ１と一致してもよい。

ステップβは、分類子により選択された「スマートパルス」について対応する平均フリップ角を予測するために回帰モデルを被験者ＩＳに適用することからなる。

ステップγは、実際の平均フリップ角が可能な限り目標値に近づくことを確実にするためにステップｆ）において分類子により選択された「スマートパルス」を変更することからなる。一般的にこれは、目標ＦＡ値と予測された値の差またはその比率に応ずる倍率をＲＦ振幅に乗ずるのみで達成される。

結論として、ユニバーサルパルス設計は、全母集団の３Ｔ腹部撮像における励起を着実に均一化するには十分ではない。提案する方法は、特注とユニバーサルパルス設計方法間の簡単かつ効率的な得失評価を与える。一般的に、それは実現可能な最良特注静的ＲＦシミングより優れた均一化を提供するものではないが、それは、最も困難な被験者について、より扱いやすい被験者を犠牲にせずに、同等またはそれ以上の性能を発揮する。

この方法は、すべての較正および最適化を排除するので極めて迅速である。それは、身体の超強磁場検査のために特に有用であることが分かるであろう。このような検査では、ＲＦシミングを行うために使用される伝送チャネル数の増加により較正およびパルス設計がさらに煩雑となる。

本発明の方法は、ＳＡＲに関して特に要求の厳しくないパルスをもたらす。エネルギー堆積はこのＤＣＥ調査における制限因子ではなかったが、これはＳＡＲ誘導シーケンスにおいてより興味のある特性である。

最後に、基礎ｋ_Ｔ点パルスによるＳｍａｒｔＰｕｌｓｅの方法は、非選択的準備および３Ｄ撮像がＴ_１、Ｔ_２ ^＊、Ｔ_２、陽子密度、または拡散による重み付けを行う撮像におけるＢ_１ ^＋不均一性に取り組むために容易に実行できる。ユニバーサルな選択的パルスとして、それは、スラブ選択作用またはスライス選択作用の実現およびプロコトルの完全な最適化に取り組むために高速ｋ_ｚスポークなどのその他の基礎パルス戦略とともに使用することもできる。

変形
本発明についていくつかの特定実施形態を参照しつつ記述したが、いくつかの代替的実施形態も本発明の範囲に属する。たとえば：
− 目標ＦＡ分布は必ずしも一様ではない。
− クラスタ化は種々の測定基準に基づき得る。
− 典型的実施形態において、距離マトリクスはユークリッド距離を使用して計算したが、他の選択、たとえば、コサイン類似度も可能である。
− 分類子は、ローカライザ映像に基づくかまたは基づかない種々の特徴ベクトルを使用することができる。
− 典型的実施形態において、横断面に対応する１つのローカライザ映像のみ腹部寸法を測定するために使用した。上述したように、種々の方向のローカライザ映像を考慮することにより、より精細な分類が可能である。
− 上述したように、本発明は、ｋ_Ｔ点シーケンスの場合に限られない。それは、任意の重み付け（Ｔ１、Ｔ２、Ｔ２^＊、拡散、陽子密度…）および任意の体部位を対象とする選択的または非選択的励起シーケンスおよび撮像シーケンスに適用できる。
− 本発明は、励起のために単一のＲＦコイルを使用する場合（静的ＲＦシミングが適用されない場合）にも適用できる。

参考文献
１．Ｂｅｒｎｓｔｅｉｎ ＭＡ，Ｈｕｓｔｏｎ Ｊ，Ｗａｒｄ ＨＡ．Ｉｍａｇｉｎｇ ａｒｔｉｆａｃｔｓ ａｔ ３．０Ｔ．Ｊ Ｍａｇｎ Ｒｅｓｏｎ Ｉｍａｇｉｎｇ．２００６；２４（４）：７３５−７４６．ｄｏｉ：１０．１００２／ｊｍｒｉ．２０６９８
２．Ｆｒａｎｋｌｉｎ Ｋｅｎｄｒａ Ｍ．，Ｄａｌｅ Ｂｒｉａｎ Ｍ．，Ｍｅｒｋｌｅ Ｅｌｍａｒ Ｍ．Ｉｍｐｒｏｖｅｍｅｎｔ ｉｎ Ｂ１−ｉｎｈｏｍｏｇｅｎｅｉｔｙ ａｒｔｉｆａｃｔｓ ｉｎ ｔｈｅ ａｂｄｏｍｅｎ ａｔ ３Ｔ ＭＲ ｉｍａｇｉｎｇ ｕｓｉｎｇ ａ ｒａｄｉｏｆｒｅｑｕｅｎｃｙ ｃｕｓｈｉｏｎ．Ｊ Ｍａｇｎ Ｒｅｓｏｎ Ｉｍａｇｉｎｇ．２００８；２７（６）：１４４３−１４４７．ｄｏｉ：１０．１００２／ｊｍｒｉ．２１１６４
３．Ｊ．Ｖ．Ｈａｊｎａｌ，Ｓ．Ｊ．Ｍａｌｉｋ，Ｄ．Ｊ．Ｌａｒｋｍａｎ，Ｄ．Ｏ’Ｒｅｇａｎ，Ｋ．Ｎｅｈｒｋｅ，Ｕ．Ｋａｔｓｃｈｅｒ，Ｉ．Ｇｒａｅｓｓｌｉｎ，ａｎｄ Ｐ．Ｂｏｅｒｎｅｒｔ，Ｉｎｉｔｉａｌ Ｅｘｐｅｒｉｅｎｃｅ ｗｉｔｈ ＲＦ ｓｈｉｍｍｉｎｇ ａｔ ３Ｔ ｕｓｉｎｇ ａ ｗｈｏｌｅ ｂｏｄｙ ８ ｃｈａｎｎｅｌ ＲＦ ｓｙｓｔｅｍ，ｉｎ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １６ｔｈ Ａｎｎｕａｌ Ｍｅｅｔｉｎｇ ｏｆ ＩＳＭＲＭ，Ｔｏｒｏｎｔｏ，Ｏｎｔａｒｉｏ，Ｃａｎａｄａ，２００８．ｐ．４９６．
４．Ｋａｔｓｃｈｅｒ Ｕ，Ｂｏｅｒｎｅｒｔ Ｐ，Ｌｅｕｓｓｌｅｒ Ｃ，ｖａｎ ｄｅｎ Ｂｒｉｎｋ ＪＳ．Ｔｒａｎｓｍｉｔ ＳＥＮＳＥ．Ｍａｇｎ Ｒｅｓｏｎ Ｍｅｄ．２００３；４９（１）：１４４−１５０．ｄｏｉ：１０．１００２／ｍｒｍ．１０３５３
５．Ｔｏｍｉ−Ｔｒｉｃｏｔ Ｒ，Ｇｒａｓ Ｖ，Ｍａｕｃｏｎｄｕｉｔ Ｆ，ｅｔ ａｌ．Ｂ１ ａｒｔｉｆａｃｔ ｒｅｄｕｃｔｉｏｎ ｉｎ ａｂｄｏｍｉｎａｌ ＤＣＥ−ＭＲＩ ｕｓｉｎｇ ｋＴ−ｐｏｉｎｔｓ： Ｆｉｒｓｔ ｃｌｉｎｉｃａｌ ａｓｓｅｓｓｍｅｎｔ ｏｆ ｄｙｎａｍｉｃ ＲＦ ｓｈｉｍｍｉｎｇ ａｔ ３Ｔ．Ｊ Ｍａｇｎ Ｒｅｓｏｎ Ｉｍａｇｉｎｇ．：ｎ／ａ−ｎ／ａ．ｄｏｉ：１０．１００２／ｊｍｒｉ．２５９０８
６．Ｃｌｏｏｓ ＭＡ，Ｂｏｕｌａｎｔ Ｎ，Ｌｕｏｎｇ Ｍ，ｅｔ ａｌ．ｋＴ−ｐｏｉｎｔｓ： Ｓｈｏｒｔ ｔｈｒｅｅ−ｄｉｍｅｎｓｉｏｎａｌ ｔａｉｌｏｒｅｄ ＲＦ ｐｕｌｓｅｓ ｆｏｒ ｆｌｉｐ−ａｎｇｌｅ ｈｏｍｏｇｅｎｉｚａｔｉｏｎ ｏｖｅｒ ａｎ ｅｘｔｅｎｄｅｄ ｖｏｌｕｍｅ．Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ ｉｎ Ｍｅｄｉｃｉｎｅ ６７：７２−８０ （２０１２）．
７．米国特許第７，８４７，５５４号明細書
８．Ｇｒａｓ Ｖ，Ｖｉｇｎａｕｄ Ａ，Ａｍａｄｏｎ Ａ，Ｂｉｈａｎ ＤＬ，Ｂｏｕｌａｎｔ Ｎ．Ｕｎｉｖｅｒｓａｌ ｐｕｌｓｅｓ： Ａ ｎｅｗ ｃｏｎｃｅｐｔ ｆｏｒ ｃａｌｉｂｒａｔｉｏｎ‐ｆｒｅｅ ｐａｒａｌｌｅｌ ｔｒａｎｓｍｉｓｓｉｏｎ．Ｍａｇｎ Ｒｅｓｏｎ Ｍｅｄ．２０１７；７７（２）：６３５−６４３．ｄｏｉ：１０．１００２／ｍｒｍ．２６１４８
９．国際公開第２０１７／０６０１４２号パンフレット
１０．Ｇｒａｓ Ｖ，Ｂｏｌａｎｄ Ｍ，Ｖｉｇｎａｕｄ Ａ，ｅｔ ａｌ．Ｈｏｍｏｇｅｎｅｏｕｓ ｎｏｎ−ｓｅｌｅｃｔｉｖｅ ａｎｄ ｓｌｉｃｅ−ｓｅｌｅｃｔｉｖｅ ｐａｒａｌｌｅｌ−ｔｒａｎｓｍｉｔ ｅｘｃｉｔａｔｉｏｎｓ ａｔ ７ Ｔｅｓｌａ ｗｉｔｈ ｕｎｉｖｅｒｓａｌ ｐｕｌｓｅｓ： Ａ ｖａｌｉｄａｔｉｏｎ ｓｔｕｄｙ ｏｎ ｔｗｏ ｃｏｍｍｅｒｃｉａｌ ＲＦ ｃｏｉｌｓ．ＰＬＯＳ ＯＮＥ．２０１７；１２（８）：ｅ０１８３５６２．ｄｏｉ：１０．１３７１／ｊｏｕｒｎａｌ．ｐｏｎｅ．０１８３５６２
１１．Ｇｒａｓ Ｖ，Ｍａｕｃｏｎｄｕｉｔ Ｆ，Ｖｉｇｎａｕｄ Ａ，ｅｔ ａｌ．Ｄｅｓｉｇｎ ｏｆ ｕｎｉｖｅｒｓａｌ ｐａｒａｌｌｅｌ−ｔｒａｎｓｍｉｔ ｒｅｆｏｃｕｓｉｎｇ ｋＴ −ｐｏｉｎｔ ｐｕｌｓｅｓ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ３Ｄ Ｔ２ −ｗｅｉｇｈｔｅｄ ｉｍａｇｉｎｇ ａｔ ７Ｔ．Ｍａｇｎ Ｒｅｓｏｎ Ｍｅｄ．２０１８；８０（１）：５３−６５．ｄｏｉ：１０．１００２／ｍｒｍ．２７００１
１２．Ｂｅｑｉｒｉ Ａｒｉａｎ，Ｈｏｏｇｄｕｉｎ Ｈａｎｓ，Ｓｂｒｉｚｚｉ Ａｌｅｓｓａｎｄｒｏ，Ｈａｊｎａｌ Ｊｏｓｅｐｈ Ｖ．，Ｍａｌｉｋ Ｓｈａｉｈａｎ Ｊ．Ｗｈｏｌｅ‐ｂｒａｉｎ ３Ｄ ＦＬＡＩＲ ａｔ ７Ｔ ｕｓｉｎｇ ｄｉｒｅｃｔ ｓｉｇｎａｌ ｃｏｎｔｒｏｌ．Ｍａｇｎ Ｒｅｓｏｎ Ｍｅｄ．２０１８；０（０）．ｄｏｉ：１０．１００２／ｍｒｍ．２７１４９
１３．Ｉａｎｎｉ Ｊｕｌｉａｎｎａ Ｄ．，Ｃａｏ Ｚｈｉｐｅｎｇ，Ｇｒｉｓｓｏｍ Ｗｉｌｌｉａｍ Ａ．Ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ＲＦ ｓｈｉｍｍｉｎｇ： Ｐｒｅｄｉｃｔｉｏｎ ｂｙ ｉｔｅｒａｔｉｖｅｌｙ ｐｒｏｊｅｃｔｅｄ ｒｉｄｇｅ ｒｅｇｒｅｓｓｉｏｎ．Ｍａｇｎ Ｒｅｓｏｎ Ｍｅｄ．０（０）．ｄｏｉ：１０．１００２／ｍｒｍ．２７１９２
１４．Ｍｉｒｆｉｎ Ｃ，Ｇｌｏｖｅｒ Ｐ，Ｂｏｗｔｅｌｌ Ｒ．Ｏｐｔｉｍｉｓａｔｉｏｎ ｏｆ ｐａｒａｌｌｅｌ ｔｒａｎｓｍｉｓｓｉｏｎ ｒａｄｉｏｆｒｅｑｕｅｎｃｙ ｐｕｌｓｅｓ ｕｓｉｎｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ．Ｉｎ： Ｐｒｏｃ．Ｉｎｔｌ．Ｓｏｃ．Ｍａｇ．Ｒｅｓｏｎ．Ｍｅｄ．Ｐａｒｉｓ，Ｆｒａｎｃｅ； ２０１８．
１５．Ｊ．Ｌｅｅ ｅｔ ａｌ．“Ｌｏｃａｌ ＳＡＲ ｉｎ Ｐａｒａｌｌｅｌ Ｔｒａｎｓｍｉｓｓｉｏｎ Ｐｕｌｓｅ Ｄｅｓｉｇｎ” Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ ｉｎ Ｍｅｄｉｃｉｎｅ ２０１２； ６７：１５６６−１５７８．
１６．Ｈ−Ｐ．Ｆａｕｔｚ ｅｔ ａｌ．“Ｂ１ ｍａｐｐｉｎｇ ｏｆ ｃｏｉｌ ａｒｒａｙｓ ｆｏｒ ｐａｒａｌｌｅｌ ｔｒａｎｓｍｉｓｓｉｏｎ” ｉｎ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １６ｔｈ Ａｎｎｕａｌ Ｍｅｅｔｉｎｇ ｏｆ ＩＳＭＲＭ，Ｔｏｒｏｎｔｏ，Ｏｎｔａｒｉｏ，Ｃａｎａｄａ，２００８．ｐ．１２４７．
１７．Ａ．Ｈｏｙｏｓ−Ｉｄｒｏｂｏ ｅｔ ａｌ．“Ｏｎ ｖａｒｉａｎｔ ｓｔｒａｔｅｇｉｅｓ ｔｏ ｓｏｌｖｅ ｔｈｅ Ｍａｇｎｉｔｕｄｅ Ｌｅａｓｔ Ｓｑｕａｒｅｓ ｏｐｔｉｍｉｚａｔｉｏｎ ｐｒｏｂｌｅｍ ｉｎ ｐａｒａｌｌｅｌ ｔｒａｎｓｍｉｓｓｉｏｎ ＲＦ ｐｕｌｓｅ ｄｅｓｉｇｎ ａｎｄ ｕｎｄｅｒ ｓｔｒｉｃｔ ＳＡＲ ａｎｄ ｐｏｗｅｒ ｃｏｎｓｔｒａｉｎｔｓ” ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｉｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ ２０１４； ３３：７３９−７４８．
１８．Ｔｏｍｉ−Ｔｒｉｃｏｔ Ｒ，Ｇｒａｓ Ｖ，Ｍａｕｃｏｎｄｕｉｔ Ｆ，ｅｔ ａｌ．Ｂ１ ａｒｔｉｆａｃｔ ｒｅｄｕｃｔｉｏｎ ｉｎ ａｂｄｏｍｉｎａｌ ＤＣＥ−ＭＲＩ ｕｓｉｎｇ ｋＴ−ｐｏｉｎｔｓ： Ｆｉｒｓｔ ｃｌｉｎｉｃａｌ ａｓｓｅｓｓｍｅｎｔ ｏｆ ｄｙｎａｍｉｃ ＲＦ ｓｈｉｍｍｉｎｇ ａｔ ３Ｔ．Ｊ Ｍａｇｎ Ｒｅｓｏｎ Ｉｍａｇｉｎｇ．：ｎ／ａ−ｎ／ａ．ｄｏｉ：１０．１００２／ｊｍｒｉ．２５９０８
１９．Ｍｕｅｌｌｎｅｒ Ｄ．Ｔｈｅ ｆａｓｔｃｌｕｓｔｅｒ ｐａｃｋａｇｅ： Ｕｓｅｒ’ｓ ｍａｎｕａｌ．２０１７．
２０．Ｐｅｄｒｅｇｏｓａ Ｆ，Ｖａｒｏｑｕａｕｘ Ｇ，Ｇｒａｍｆｏｒｔ Ａ，ｅｔ ａｌ．Ｓｃｉｋｉｔ−ｌｅａｒｎ： Ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｉｎ Ｐｙｔｈｏｎ．Ｊ Ｍａｃｈ Ｌｅａｒｎ Ｒｅｓ．２０１１；１２（Ｏｃｔ）：２８２５−２８３０．
２１．Ｇｅｕｒｔｓ Ｐ，Ｅｒｎｓｔ Ｄ，Ｗｅｈｅｎｋｅｌ Ｌ．Ｅｘｔｒｅｍｅｌｙ ｒａｎｄｏｍｉｚｅｄ ｔｒｅｅｓ．Ｍａｃｈ Ｌｅａｒｎ．２００６；６３（１）：３−４２．ｄｏｉ：１０．１００７／ｓ１０９９４−００６−６２２６−１
２２．Ｃｏｒｔｅｓ Ｃ，Ｖａｐｎｉｋ Ｖ．Ｓｕｐｐｏｒｔ−ｖｅｃｔｏｒ ｎｅｔｗｏｒｋｓ．Ｍａｃｈ Ｌｅａｒｎ．１９９５；２０（３）：２７３−２９７．ｄｏｉ：１０．１００７／ＢＦ００９９４０１８
２３．Ｗｕ Ｔ−Ｆ，Ｌｉｎ Ｃ−Ｊ，Ｗｅｎｇ ＲＣ．Ｐｒｏｂａｂｉｌｉｔｙ ｅｓｔｉｍａｔｅｓ ｆｏｒ ｍｕｌｔｉ−ｃｌａｓｓ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｂｙ ｐａｉｒｗｉｓｅ ｃｏｕｐｌｉｎｇ．Ｊ Ｍａｃｈ Ｌｅａｒｎ Ｒｅｓ．２００４；５（Ａｕｇ）：９７５−１００５．
２４．Ｊｏｎｅｓ Ｅ，Ｏｌｉｐｈａｎｔ Ｔ，Ｐｅｔｅｒｓｏｎ Ｐ，ｏｔｈｅｒｓ．ＳｃｉＰｙ： Ｏｐｅｎ Ｓｏｕｒｃｅ Ｓｃｉｅｎｔｉｆｉｃ Ｔｏｏｌｓ ｆｏｒ Ｐｙｔｈｏｎ．； ２００１．ｈｔｔｐ：／／ｗｗｗ．ｓｃｉｐｙ．ｏｒｇ／．
２５．Ｌｅ Ｙ，Ｋｒｏｅｋｅｒ Ｒ，Ｋｉｐｆｅｒ ＨＤ，Ｌｉｎ Ｃ．Ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ ｅｖａｌｕａｔｉｏｎ ｏｆ ＴＷＩＳＴ Ｄｉｘｏｎ ｆｏｒ ｄｙｎａｍｉｃ ｃｏｎｔｒａｓｔ−ｅｎｈａｎｃｅｄ （ＤＣＥ） ＭＲＩ ｗｉｔｈ ｉｍｐｒｏｖｅｄ ａｃｑｕｉｓｉｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ ａｎｄ ｆａｔ ｓｕｐｐｒｅｓｓｉｏｎ．Ｊ Ｍａｇｎ Ｒｅｓｏｎ Ｉｍａｇｉｎｇ．２０１２；３６（２）：４８３−４９１．ｄｏｉ：１０．１００２／ｊｍｒｉ．２３６６３．

１ クラスタパルス
２ クラスタパルス
ＣＥ コントラスト増感
ＣＰ コンピュータ
ＤＢ データベース
ＥＲ 増感比
ＧＣ 傾斜コイル
ＩＳ 磁気共鳴映像法被験者
ＲＦＣ１〜ＲＦＣ８ 伝送チャネル
Ｓ０ 複数の被験者の第１集合
Ｓ１ 複数の被験者の第２集合

Claims (19)

1. 磁気共鳴映像法のパルスシーケンスのデータベース（ＤＢ）を構築するコンピュータ実施方法であって、各パルスシーケンスは少なくとも１つの磁場傾斜波形および一連の無線周波パルスを含み、前記一連のパルスのそれぞれは複数の設計パラメータにより規定され、かつ、磁気共鳴映像法装置のそれぞれの伝送チャネル（ＲＦＣ１〜ＲＦＣ８）に関連付けられ、
   ａ）複数の磁気共鳴映像法被験者のそれぞれについて、前記被験者の最適シーケンスと呼ばれ、前記パルスシーケンスの前記被験者に関するシミュレーションにより得られる核磁化フリップ角の空間分布と目標分布との間の差を表す費用またはメリット関数を最適化するパルスシーケンスを決定するステップと、
   ｂ）各被験者について、前記費用またはメリット関数あるいは核磁化フリップ角の空間分布と目標分布との間の差を表す別の費用またはメリット関数の値であって、すべての前記被験者について前記最適シーケンスのシミュレーションを行うことにより得られる値を計算するステップと、
   ｃ）前記値またはその関数を測定基準として用いるクラスタ化アルゴリズムを使用して前記被験者を複数のクラスタに集約するステップと、
   ｄ）各クラスタについて、前記クラスタの最適シーケンスと呼ばれるパルスシーケンスであって、前記クラスタに属する前記被験者の核磁化フリップ角の前記空間分布と前記目標分布との間の平均差を表す費用またはメリット関数を最適化するパルスシーケンスを決定するステップと
   を含む、コンピュータ実施方法。
2. ステップａ）は
   ａ１）前記磁気共鳴映像法装置の各伝送チャネルにより前記被験者内に発生する無線周波磁場の不均一性マップを取得するサブステップと、
   ａ２）前記無線周波シーケンスのシミュレーションにより得られる前記核磁化フリップ角の空間分布を１つまたは複数の前記不均一性マップを入力として使用することにより計算するサブステップと、
   ａ３）前記費用またはメリット関数を最適化するために前記無線周波パルスおよび前記傾斜波形の前記設計パラメータを調整することにより前記被験者の前記最適パルスシーケンスを決定するサブステップと
   を含む、請求項１に記載の方法。
3. ｅ）磁気共鳴映像法被験者を少なくとも被験者の形態的特徴に基づいて前記クラスタに関連付ける分類子アルゴリズムを訓練するステップ
   をさらに含む、請求項１または２のいずれか一項に記載の方法。
4. ｆ）前記先行ステップを実行するために使用されなかった磁気共鳴映像法被験者（ＩＳ）をクラスタに関連付けるために前記分類子を使用するステップと、
   ｇ）前記クラスタの前記最適シーケンスを使用して前記被験者の磁気共鳴映像法を行うステップと
   をさらに含む、請求項３に記載の方法。
5. 少なくとも前記被験者のローカライザ映像から前記形態的特徴を導き出すステップをさらに含む、請求項３または４のいずれか一項に記載の方法。
6. 前記分類子アルゴリズムは磁気共鳴映像法被験者を前記クラスタに関連付けるために
   − 前記被験者の識別データと、
   − 前記被験者の臨床データと、
   − 前記磁気共鳴映像装置の動作パラメータと
   から選択される少なくとも１つの特徴をさらに使用する、請求項３〜５のいずれか一項に記載の方法。
7. 前記分類子アルゴリズムは磁気共鳴映像被験者を前記クラスタに関連付けるために前記伝送磁気共鳴映像装置の各伝送チャネルにより前記被験者内に発生された無線周波磁場の不均一性マップにより導き出される特徴を使用しない、請求項３〜６のいずれか一項に記載の方法。
8. ステップａ）〜ｄ）は複数の被験者の第１集合（Ｓ０）を使用して実行され、かつ、ステップｅ）は前記第１集合に加えて、複数の被験者の第２集合（Ｓ１）を使用して実行され、前記被験者の核磁化フリップ角の前記空間分布と前記目標分布との間の平均差を表す前記費用またはメリット関数も計算される、請求項３〜６のいずれか一項に記載の方法。
9. ステップｄ）において決定された各クラスタの前記最適パルスシーケンスについて前記特徴の関数として核磁化フリップ角の値の平均値を予測する回帰モデルを訓練するステップα）をさらに含む、請求項３〜８のいずれか一項に記載の方法。
10. 前記クラスタ化アルゴリズムは階層的凝集クラスタ化アルゴリズムである、請求項１〜９のいずれか一項に記載の方法。
11. 前記階層的凝集クラスタ化アルゴリズムは完全連結スキームを使用する、請求項１０に記載の方法。
12. 前記磁気共鳴映像法装置は複数の伝送チャネルを有する並列磁気共鳴映像法装置である、請求項１〜１１のいずれか一項に記載の方法。
13. 被験者（ＩＳ）の磁気共鳴映像法を行う方法であって、
    − パルスシーケンスのデータベース（ＤＢ）を提供するステップであって、各パルスシーケンスは少なくとも磁場傾斜波形および一連の無線周波パルスを含み、前記一連の各パルスは複数の設計パラメータにより規定され、かつ、磁気共鳴映像法装置のそれぞれの伝送チャネル（ＲＦＣ１〜ＲＦＣ８）に関連付けられ、前記データベースの各パルスシーケンスは前記クラスタに属する前記被験者の核磁化フリップ角の前記空間分布と目標分布との間の平均差を表す費用またはメリット関数を最適化するステップと、
    − 少なくとも前記被験者の形態的特徴を含む前記被験者を特徴付ける一連の特徴を入力として受け取るステップと、
    − コンピュータ実施分類子アルゴリズムを使用して前記被験者を前記データベースの１つのパルスシーケンスに前記一連の特徴に基づいて関連付けるステップと、
    − 前記パルスシーケンスを使用して磁気共鳴映像法を行うステップと
    を含む、方法。
14. 少なくとも前記被験者のローカライザ映像から前記形態的特徴を導き出すステップをさらに含む、請求項１３に記載の方法。
15. 前記分類子アルゴリズムは前記磁気共鳴映像法被験者を前記データベースの１つのパルスシーケンスに関連付けるために
    − 前記被験者の識別データと、
    − 前記被験者の臨床データと、
    − 前記磁気共鳴映像装置の動作パラメータと
    から選択される少なくとも１つの特徴をさらに使用する、請求項１３〜１４のいずれか一項に記載の方法。
16. 前記磁気共鳴映像法装置は複数の伝送チャネルを有する並列磁気共鳴映像法装置である、請求項１３〜１５のいずれか一項に記載の方法。
17. 前記関連パルスシーケンスにより前記被験者に誘起される平均核磁化フリップ角を前記一連の特徴の関数として予測する回帰モデルを使用するステップβ）と、予測された前記平均核磁化フリップ角およびその目標値の関数として前記関連パルスシーケンスを変更するステップγ）とをさらに含む、請求項１３〜１６のいずれか一項に記載の方法。
18. 磁気共鳴映像法装置であって、
    − 少なくとも１つの無線周波伝送チャネル（ＲＦＣ１〜ＲＦＣ８）と、
    − 一連の傾斜コイル（ＧＣ）と、
    − パルスシーケンスのデータベース（ＤＢ）を格納する記憶装置であって、各パルスシーケンスは少なくとも磁場傾斜波形および一連の無線周波パルスを含み、前記一連の各パルスは複数の設計パラメータにより規定され、かつ、前記磁気共鳴映像法装置のそれぞれの伝送チャネルに関連付けられ、前記データベースの各パルスシーケンスは前記クラスタに属する前記被験者の核磁化フリップ角の前記空間分布と目標分布との間の平均差を表す費用またはメリット関数を最適化する記憶装置と、
    − コンピュータ（ＣＰ）であって、
    − 少なくとも磁気共鳴映像法被験者（ＩＳ）の特徴を含む前記被験者を特徴付ける一連の特徴を入力として受け取り、
    − 分類子アルゴリズムを使用して前記被験者を前記データベースの１つのパルスシーケンスに前記一連の特徴に基づいて関連付け、
    − 前記パルスシーケンスを使用して磁気共鳴映像法を行うために１つまたは複数の前記無線周波伝送チャネルおよび前記傾斜コイルを駆動する
    ようにプログラムされたコンピュータと
    を含む、磁気共鳴映像法装置。
19. 複数の無線周波伝送チャネルを含み、前記コンピュータは前記パルスシーケンスを使用して並列伝送磁気共鳴映像法を行うために前記無線周波伝送チャネルおよび前記傾斜コイルを駆動するようにプログラムされる、請求項１７に記載の装置。

Images