JP2020130498A - Ｍｒｉを利用してｃｓｆ抑制画像を合成するための画像処理装置、プログラムおよび画像処理方法 - Google Patents

Abstract

【課題】合成によって得られるＣＳＦ抑制画像の精度を改善する。【解決手段】被検体に対する一連の磁気共鳴撮像（ＭＲＩ）によるＭＲ画像から抽出された緩和率または緩和時間、およびプロトン密度の定量値マップデータを取得する定量値データ取得部と、線形変換および非線形変換を含むニューラルネットワークモデルを用いて定量値マップデータからＣＳＦ抑制画像を合成する画像合成部とを備える画像処理装置が提供される。ニューラルネットワークモデルは、例えば定量値マップデータを入力データとしＦＬＡＩＲ画像を出力データとする学習によって構築される。【選択図】図１

Description

本発明は、ＭＲＩを利用してＣＳＦ抑制画像を合成するための画像処理装置、プログラムおよび画像処理方法に関する。

磁気共鳴撮像（ＭＲＩ：Magnetic Resonance Imaging）は、核磁気共鳴現象を利用してプロトン（Ｈ^＋）のさまざまな物理状態を画像化する手法である。ＭＲＩによって得られる画像として、例えば、磁気ベクトルに対して平行な方向の緩和時間を画像化したＴ１強調像や、磁気ベクトルに対して垂直な方向の緩和時間を画像化したＴ２強調像などが知られている。ＭＲＩに関する技術は、例えば特許文献１などに記載されている。

従来、ＭＲＩでは、描出したいプロトンの物理状態に応じて撮像条件を設定していた。この場合、上記のＴ１強調像やＴ２強調像は、それぞれ別に実施されるＭＲ撮像によって取得される。これに対して、非特許文献１では、数分程度の撮像で得られる数枚の画像を合成することによってＴ１強調像やＴ２強調像など、任意のコントラスト強調像を得る、Synthetic MRIと呼ばれる技術が提案されている。これによって、複数のコントラスト強調像を別々に撮像する必要がなくなり、撮像による被検者の負担が軽減されるとともに、合成によって得られるコントラスト強調像の間には位置ずれがないためスクリーニングも容易になる。

特開２０１８−１１４１６３号公報

Warntjes JB，Leinhard OD，West J，Lundberg P，"Rapid magnetic resonance quantification on the brain: Optimization for clinical usage"，Magnetic Resonance in Medicine，Vol. 60，pp. 320-329，2008

上述したSynthetic MRIでは、ＦＬＡＩＲ（Fluid Attenuated IR）法を用いたＭＲＩによって取得されるＦＬＡＩＲ画像に相当するＣＳＦ（cerebrospinal fluid）抑制画像を合成することも可能である。しかしながら、Synthetic MRIで合成されるＣＳＦ抑制画像は、従来のＦＬＡＩＲ画像に比べて精度が低く、臨床応用が難しいという問題があった。Synthetic MRIでは、複数の元画像にBloch方程式をあてはめ、数値最適化によって緩和率または緩和時間、およびプロトン密度に関するパラメータを求め、これらのパラメータを用いた内挿（または外挿）によって任意のコントラスト強調像を合成する。この点に関し、ＣＳＦ抑制画像の合成では、Bloch方程式が現実には誤差の影響で成り立たなかったり、数値最適化において誤差が発生したりすることによる影響が顕著になっていると考えられる。

そこで、本発明は、合成によって得られるＣＳＦ抑制画像の精度を改善することが可能な、新規かつ改良された画像処理装置、プログラムおよび画像処理方法を提供することを目的とする。

本発明のある観点によれば、被検体に対する一連の磁気共鳴撮像（ＭＲＩ）によるＭＲ画像から抽出された緩和率または緩和時間、およびプロトン密度の定量値マップデータを取得する定量値データ取得部と、線形変換および非線形変換を含むニューラルネットワークモデルを用いて定量値マップデータからＣＳＦ抑制画像を合成する画像合成部とを備える画像処理装置が提供される。

本発明の別の観点によれば、被検体に対する一連の磁気共鳴撮像（ＭＲＩ）によるＭＲ画像から抽出された緩和率または緩和時間、およびプロトン密度の定量値マップデータを取得する定量値データ取得部と、被検体に対するＦＬＡＩＲ法を用いたＭＲＩによって取得されたＦＬＡＩＲ画像を取得するＦＬＡＩＲ画像取得部と、ＦＬＡＩＲ画像を用いた学習によって、定量値マップデータからＣＳＦ抑制画像を合成するための線形変換および非線形変換を含むニューラルネットワークモデルを構築するモデル構築部とを備える画像処理装置が提供される。

上記の構成によれば、ニューラルネットワークモデルの入力データとしてＭＲ画像から抽出された定量値マップデータを用いることによって、ＭＲＩ装置の機種や撮像条件による入力データのばらつきが小さくなり、例えば十分な数の入力データを確保することで合成されるＣＳＦ抑制画像の精度を効果的に改善することができる。なお、ニューラルネットワークモデルを構築する画像処理装置は、ＣＳＦ抑制画像の合成を行う画像処理装置と同じ装置であってもよいし、異なる装置であってもよい。また、上記のような画像処理装置としてコンピュータを機能させるように構成されたプログラムが提供されてもよい。

本発明のさらに別の観点によれば、第１の被検体に対する一連の磁気共鳴撮像（ＭＲＩ）によるＭＲ画像から抽出された緩和率または緩和時間、およびプロトン密度の第１の定量値マップデータを取得するステップと、第１の被検体に対するＦＬＡＩＲ法を用いたＭＲＩによって取得されたＦＬＡＩＲ画像を取得するステップと、ＦＬＡＩＲ画像を用いた学習によって、第１の定量値マップデータからＣＳＦ抑制画像を合成するための線形変換および非線形変換を含むニューラルネットワークモデルを構築するステップと、第２の被検体に対する一連のＭＲＩによるＭＲ画像から抽出された緩和率または緩和時間、およびプロトン密度の第２の定量値マップデータを取得するステップと、ニューラルネットワークモデルを用いて第２の定量値マップデータからＣＳＦ抑制画像を合成するステップとを含む画像処理方法が提供される。

定量値マップデータからＣＳＦ抑制画像を合成するためにニューラルネットワークモデルを利用する場合、上記のように合成モデルを構築するための学習段階と、構築されたモデルを利用した合成段階とを含む一連の画像処理方法が実行されることになる。学習段階と合成段階とは、同じ装置で実行されてもよいし、それぞれ異なる装置で実行されてもよい。

上記のように、本発明によれば、合成によって得られるＣＳＦ抑制画像の精度を改善することができる。

本発明の一実施形態に係る画像処理装置を含むシステムの概略的な構成を示すブロック図である。 本発明の一実施形態における学習段階の処理の例を示すフローチャートである。 本発明の一実施形態における合成段階の処理の例を示すフローチャートである。 コンピュータのハードウェア構成例を示すブロック図である。

以下に添付図面を参照しながら、本発明の好適な実施形態について詳細に説明する。なお、本明細書および図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。

（システム構成）
図１は、本発明の一実施形態に係る画像処理装置を含むシステムの概略的な構成を示すブロック図である。図１に示されたシステム１０は、ＭＲＩ装置１００と、画像処理装置２００と、記憶装置３００と、表示装置４００とを含む。なお、ＭＲＩ装置１００、記憶装置３００、および表示装置４００については、一般的なものを利用することが可能であるため、詳細な説明は省略する。システム１０に含まれる２つ以上の装置は、一体的に実装されてもよい。具体的には、例えば、画像処理装置２００がＭＲＩ装置１００に組み込まれていてもよい。また、例えば、画像処理装置２００、記憶装置３００および表示装置４００が単一の装置によって実装されてもよい。

画像処理装置２００は、ＭＲ画像取得部２１０、定量値データ抽出部２２０、ＦＬＡＩＲ画像取得部２３０、モデル構築部２４０、および画像合成部２５０を含む。画像処理装置２００の各部は、例えば後述するようなコンピュータのハードウェア構成を用いて実装される。以下、各部の構成について説明する。

ＭＲ画像取得部２１０およびＦＬＡＩＲ画像取得部２３０は、例えばＭＲＩ装置１００からデータを受信する通信装置、またはリムーバブルメディアに格納されたデータを読み出すドライバによって実装される。本実施形態において、ＭＲ画像取得部２１０は、上述したSynthetic MRI用に撮像されたＭＲ画像２１１を取得する。ＭＲ画像２１１は、所定のパルスシーケンス（例として、QRAPMASTER (quantification of relaxation times and proton density by multiecho acquisition of a saturation-recovery using turbo spin-echo readout)および3D-QALAS（3D-quantification using an interleaved Look-Locker acquisition sequence with T2 preparation pulse））で撮像された複数の画像データを含む。一方、ＦＬＡＩＲ画像取得部２３０は、ＭＲ画像２１１と同一の被検体に対するＦＬＡＩＲ法を用いたＭＲＩによって取得されたＦＬＡＩＲ画像２３１を取得する。ＦＬＡＩＲ法を用いたＭＲＩは、ＭＲＩ装置１００において、ＭＲ画像２１１を取得するSynthetic MRI用の撮像とは別に実施される。あるいは、ＦＬＡＩＲ法を用いたＭＲＩと、ＭＲ画像２１１を取得するSynthetic MRI用の撮像とは、それぞれ異なるＭＲＩ装置を用いて実施されてもよい。

定量値データ抽出部２２０は、ＭＲ画像取得部２１０が取得したＭＲ画像２１１をプログラムに従って処理するプロセッサによって実装される。定量値データ抽出部２２０は、ＭＲ画像２１１から定量値マップデータ２２１を抽出する。定量値マップデータ２２１は、一般的なSynthetic MRIにおいて抽出される緩和率Ｒ１，Ｒ２およびプロトン密度ＰＤの定量値のマップである。あるいは、定量値マップデータ２２１は、緩和時間Ｔ１，Ｔ２およびプロトン密度ＰＤの定量値のマップであってもよい。

モデル構築部２４０は、定量値マップデータ２２１およびＦＬＡＩＲ画像２３１をプログラムに従って処理するプロセッサによって実装される。具体的には、モデル構築部２４０は、ＦＬＡＩＲ画像２３１を用いた学習によって、定量値マップデータ２２１からＦＬＡＩＲ画像２３１に相当するＣＳＦ抑制画像を合成するためのニューラルネットワークモデル２４１を構築する。ここで、ニューラルネットワークモデル２４１は、定量値マップデータ２２１を入力データ、ＣＳＦ抑制画像２３１を出力データとし、少なくとも１階層の線形変換および非線形変換を含む。ニューラルネットワークモデル２４１の階層が深い場合、モデル構築部２４０はいわゆる深層学習を実行することになる。また、ニューラルネットワークモデル２４１が畳み込み演算を含む場合、モデル構築部２４０はいわゆるＣＮＮ（convolutional neural network）を実行することになる。モデル構築部２４０は、例えば、定量値マップデータ２２１およびＦＬＡＩＲ画像２３１の組を用いた学習によって構築されたニューラルネットワークモデル２４１の重み係数などのパラメータを記憶装置３００に格納する。モデル構築部２４０は、記憶装置３００に格納されているパラメータを読み出すことによって、ニューラルネットワークモデル２４１を再構築し、多数の定量値マップデータ２２１およびＦＬＡＩＲ画像２３１の組について継続的および段階的に学習を実行することができる。

画像合成部２５０は、定量値データ抽出部２２０によって新たに抽出された定量値マップデータ２２１をプログラムに従って処理するプロセッサによって実装される。新たに抽出された定量値マップデータ２２１とは、例えば、モデル構築部２４０によるニューラルネットワークモデル２４１の構築に用いられたものとは異なる被検体について撮像された、または同じ被検体でも異なる時期に撮像されたＭＲ画像２１１から抽出された定量値マップデータ２２１を意味する。画像合成部２５０は、ニューラルネットワークモデル２４１を用いて、新たに抽出された定量値マップデータ２２１からＣＳＦ抑制画像２５１を合成する。このとき、画像合成部２５０は、例えば記憶装置３００に格納されたパラメータを読み出すことによって、モデル構築部２４０が構築したニューラルネットワークモデル２４１を再構築することができる。合成されたＣＳＦ抑制画像２５１は、記憶装置３００に格納されてもよく、また表示装置４００に表示されてもよい。

本実施形態に係るシステム１０では、上記のような手順によってＣＳＦ抑制画像２５１が合成される。なお、上記の例では単一の画像処理装置２００において学習段階と合成段階とが実行されるが、各段階は別個の画像処理装置で実行されてもよい。この場合、学習段階を実行する第１の画像処理装置（ＭＲ画像取得部２１０、定量値データ抽出部２２０、ＦＬＡＩＲ画像取得部２３０、およびモデル構築部２４０を備える）と、合成段階を実行する第２の画像処理装置（ＭＲ画像取得部２１０、定量値データ抽出部２２０、および画像合成部２５０を備える）とが別個の装置として実装されてもよい。

本実施形態において、合成されたＣＳＦ抑制画像２５１は、例えば従来手法によるＦＬＡＩＲ画像２３１の代わりに利用することができるため、合成されたＣＳＦ抑制画像２５１が利用可能である場合は、必ずしもＦＬＡＩＲ法によるＭＲＩを実施しなくてもよい。これによって、ＭＲＩ装置１００における撮像の時間を短縮し、被検者の負担を軽減することができる。なお、必要に応じて、合成されたＣＳＦ抑制画像２５１が利用可能である場合にもＦＬＡＩＲ画像２３１を併せて取得し、合成されたＣＳＦ抑制画像２５１の妥当性を検証することも可能である。

また、図示された例のように、画像処理装置２００は強調像合成部２６０をさらに含み、強調像合成部２６０が定量値マップデータ２２１に基づいてＴ１，Ｔ２強調像２６１を合成してもよい。この場合、同じ定量値マップデータ２２１に基づいて合成されるＴ１，Ｔ２強調像２６１とＣＳＦ抑制画像２５１との間では位置ずれがないため、これらの画像を重ね合わせて比較することによるスクリーニングが容易になる。

ここで、従来のSynthetic MRIによるＣＳＦ抑制画像の合成では、上述したような本実施形態の構成とは異なり、ＭＲ画像２１１に含まれる複数の画像データの信号値にBloch方程式をあてはめ、数値最適化によって緩和率または緩和時間、およびプロトン密度に関するパラメータを求め、これらのパラメータを用いた内挿（または外挿）によって任意のコントラスト強調像を合成している。この場合、上述したように誤差の影響でBloch方程式が成り立たなかったり、数値最適化において誤差が発生したりすることによって、合成されたＣＳＦ抑制画像の精度は低くなる。また、ＭＲ画像２１１に含まれる画像データの信号値には撮像に用いられたＭＲＩ装置１００の機種や撮像条件によるばらつきがあるため、複数の異なるＭＲＩ装置１００で取得されたＭＲ画像２１１、または同じＭＲＩ装置１００で異なる撮像条件で取得されたＭＲ画像２１１を統合して入力データとして用いるニューラルネットワークモデルを構築することはＭＲＩ装置毎に、さらに撮像条件毎に学習を行う必要があるため、実用的ではないという問題があった。

これに対して、本実施形態では、上述した定量値マップデータ２２１を入力データとして学習を実行する。定量値マップデータ２２１を入力データとすることによって、上述したような複数の異なるＭＲＩ装置１００で取得されたＭＲ画像２１１、または同じＭＲＩ装置１００で異なる撮像条件で取得されたＭＲ画像２１１を統合して入力データとして用いることの実用上の問題を回避できる。定量値はBloch方程式における物理定数でありＭＲＩ装置１００の機種や撮像条件によらないため、ＭＲＩ装置１００の機種や撮像条件によるばらつきが相対的に小さく、従って複数の異なるＭＲＩ装置１００で取得されたＭＲ画像２１１、または同じＭＲＩ装置１００で異なる撮像条件で取得されたＭＲ画像２１１からそれぞれ抽出された定量値マップデータ２２１を統合して入力データとして用いることができる。これによって、十分な数の入力データを確保でき、ニューラルネットワークモデル２４１を用いて合成されるＣＳＦ抑制画像２５１の精度を効果的に改善することができる。

（処理フロー）
次に、図１に示したシステム１０で実行される画像処理方法の処理フローについて説明する。画像処理方法は、図２に示すような学習段階の処理と、図３に示すような合成段階の処理とを含む。既に述べたように、それぞれの処理は必ずしも同じ装置で実行されるとは限らないが、いずれかの装置で学習段階の処理が実行されることによって、その装置、または他の装置で合成段階の処理を実行することが可能になる。従って、以下で説明する学習段階の処理と合成段階の処理とは一連の画像処理方法を構成しうる。

図２は、本発明の一実施形態に係る画像処理方法の学習段階の例を示すフローチャートである。図２に示されるように、学習段階では、画像処理装置２００のＭＲ画像取得部２１０がＭＲ画像２１１を取得する（ステップＳ１１）とともに、ＦＬＡＩＲ画像取得部２３０がＦＬＡＩＲ画像２３１を取得する（ステップＳ１２）。上述のように、ＭＲ画像２１１とＦＬＡＩＲ画像２３１とは、同一の被検体（第１の被検体）に対するＭＲＩによって取得されるが、ＭＲ画像２１１を取得するための撮像とＦＬＡＩＲ法によるＭＲＩとは別に実施される。定量値データ抽出部２２０は、ステップＳ１１で取得されたＭＲ画像２１１から定量値マップデータ２２１を抽出する（ステップＳ１３）。

次に、モデル構築部２４０が、ステップＳ１３で抽出された定量値マップデータ２２１（第１の定量値マップデータ）を入力データとし、ステップＳ１２で取得されたＦＬＡＩＲ画像を出力データとするニューラルネットワークモデル２４１を構築する（ステップＳ１４）。モデル構築部２４０は、構築されたニューラルネットワークモデル２４１の重み係数などのパラメータを記憶装置３００に格納する（ステップＳ１５）。所定の数のＭＲ画像２１１およびＦＬＡＩＲ画像２３１の組について上記のステップＳ１１〜Ｓ２５を実行してニューラルネットワークモデル２４１を構築および訓練することによって、次に説明する新たに抽出された定量値マップデータ２２１を用いたＣＳＦ抑制画像の合成段階の処理が実行可能になる。

図３は、本発明の一実施形態に係る画像処理方法の合成段階の例を示すフローチャートである。図３に示されるように、合成段階において、画像処理装置２００ではＭＲ画像取得部２１０がＭＲ画像２１１のみを取得する（ステップＳ２１）。なお、合成の妥当性の検証などの目的でＦＬＡＩＲ画像を別途取得したり、他の目的で利用されるＭＲ画像を別途取得したりすることは妨げられない。定量値データ抽出部２２０は、ステップＳ２１で取得されたＭＲ画像２１１から定量値マップデータ２２１を抽出する（ステップＳ２２）。ここで抽出される定量値マップデータ２２１（第２の定量値マップデータ）は、上記で新たに抽出された定量値マップデータ２２１として説明されたものである。なお、合成段階で取得されるＭＲ画像２１１の被検体（第２の被検体）は、学習段階におけるＭＲ画像２１１の被検体（第１の被検体）とは異なっていてもよい。あるいは、これらの被検体は同一であって、学習段階と合成段階とで異なる時期に撮像されたＭＲ画像２１１が取得されてもよい。

次に、画像合成部２５０が、記憶装置３００に格納されたパラメータを読み出す（ステップＳ２３）ことによって学習段階で構築されたニューラルネットワークモデル２４１を再構築し、ニューラルネットワークモデル２４１を用いて、ステップＳ２２で抽出された定量値マップデータ２２１からＣＳＦ抑制画像２５１を合成する（ステップＳ２４）。画像合成部２５０は、合成されたＣＳＦ抑制画像２５１のデータを記憶装置３００に格納する（ステップＳ２５）か、またはＣＳＦ抑制画像２５１を表示装置４００に表示する（ステップＳ２６）。

以上で説明したような本発明の一実施形態によれば、ＦＬＡＩＲ法によるＭＲＩを別途実施しなくてもよいことによって被検者の負担を軽減することができる。本実施形態では、ニューラルネットワークモデルを利用することによって、より精度の高い合成モデルを得ることができる。また、ニューラルネットワークモデルの入力データとしてＭＲ画像から抽出された定量値マップデータを用いることによって、ＭＲＩ装置の機種や撮像条件による入力データのばらつきが小さくなり、例えば十分な数の入力データを確保することで合成されるＣＳＦ抑制画像の精度を効果的に改善することができる。

なお、上記の例では画像処理装置２００のＭＲ画像取得部２１０がＭＲＩ装置１００からＭＲ画像２１１を取得した上で、定量値データ抽出部２２０がＭＲ画像２１１から定量値マップデータ２２１を抽出したが、他の例では、画像処理装置２００が別の装置で抽出された定量値マップデータ２２１を受信してもよい。つまり、本発明の実施形態において、画像処理装置の定量値データ取得部は、上記の例のような定量値データ抽出部２２０であってもよいし、既に抽出された定量値マップデータを受信する定量値データ受信部であってもよい。

（コンピュータのハードウェア構成）
図４は、コンピュータのハードウェア構成例を示すブロック図である。本発明は、例えば、このようなコンピュータによって実装される画像処理装置（上記で説明した画像処理装置２００）として実施可能である。また、本発明は、コンピュータに読み込まれることによって、コンピュータを上記の画像処理装置として機能させるように構成されたプログラムとして実施されてもよい。コンピュータ９００は、例えばパーソナルコンピュータや、タブレット、スマートフォンのような端末装置であってもよく、データセンタなどに設置されるサーバコンピュータであってもよい。また、コンピュータ９００の機能は、必ずしも物理的に単一の装置において実現されなくてもよく、例えばネットワークを介して接続された複数の装置のリソースを統合的に利用することによって実現されてもよい。

コンピュータ９００は、プロセッサ９０１、メモリ９０３、入力装置９０５、出力装置９０７、およびバスインターフェース９０９を含む。さらに、コンピュータ９００は、ストレージ９１１、ドライバ９１３、接続ポート９１５、および通信装置９１７を含んでもよい。プロセッサ９０１は、例えば、ＣＰＵ（Central Processing unit）、ＧＰＵ（Graphics Processing unit）、ＤＳＰ（Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、および／またはＦＰＧＡ（Field-Programmable Gate Array）などの処理回路によって構成される。プロセッサ９０１は、メモリ９０３、ストレージ９１１、またはリムーバブルメディア９１９に記録されたプログラムに従ってコンピュータ９００の動作を制御する。メモリ９０３は、例えば、ＲＯＭ（Read Only Memory）およびＲＡＭ（Random Access Memory）を含む。ＲＯＭは、例えばプロセッサ９０１のためのプログラム、および演算パラメータなどを記憶する。ＲＡＭは、例えばプロセッサ９０１の実行時に展開されたプログラム、およびプログラムの実行時のパラメータなどを一次記憶する。

入力装置９０５は、例えば、マウス、キーボード、タッチパネル、ボタン、または各種のスイッチなど、ユーザによって操作される装置である。入力装置９０５は、必ずしもコンピュータ９００と一体化していなくてもよく、例えば、無線通信によって制御信号を送信するリモートコントローラであってもよい。入力装置９０５は、ユーザが入力した情報に基づいて入力信号を生成してプロセッサ９０１に出力する入力制御回路を含む。出力装置９０７は、例えば、ＬＣＤ（Liquid Crystal Display）または有機ＥＬ（Electro-Luminescence）ディスプレイなどの表示装置を含みうる。出力装置９０７は、コンピュータ９００の処理により得られた結果をテキストもしくは画像などとして出力する。

ストレージ９１１は、例えば、ＨＤＤ（Hard Disk Drive）などの磁気記憶デバイス、半導体記憶デバイス、光記憶デバイス、または光磁気記憶デバイスなどにより構成される。ストレージ９１１は、例えばプロセッサ９０１のためのプログラム、プログラムの実行時に読み出される、またはプログラムの実行によって生成された各種のデータ、および外部から取得した各種のデータなどを格納する。ドライバ９１３は、磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリなどのリムーバブルメディア９１９のためのリーダ／ライタである。ドライバ９１３は、装着されているリムーバブルメディア９１９に記録されている情報を読み出して、メモリ９０３に出力してもよい。また、ドライバ９１３は、装着されているリムーバブルメディア９１９に各種のデータを書き込んでもよい。接続ポート９１５は、外部接続機器９２１をコンピュータ９００に接続するためのポートである。接続ポート９１５は、例えば、ＵＳＢ（Universal Serial Bus）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Small Computer System Interface）ポートなどを含みうる。また、接続ポート９１５は、ＲＳ−２３２Ｃポート、光オーディオ端子、ＨＤＭＩ（登録商標）（High-Definition Multimedia Interface）ポートなどを含んでもよい。接続ポート９１５に外部接続機器９２１を接続することで、コンピュータ９００と外部接続機器９２１との間で各種のデータを交換することができる。

通信装置９１７は、ネットワーク９２３に接続される。なお、ネットワーク９２３は、例えばインターネットのような不特定多数の装置が接続される開かれた通信ネットワークであってもよく、例えばＢｌｕｅｔｏｏｔｈ（登録商標）のような限られた装置、例えば２つの装置が接続される閉じられた通信ネットワークであってもよい。通信装置９１７は、例えば、ＬＡＮ（Local Area Network）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ−Ｆｉ、またはＷＵＳＢ（Wireless USB）用の通信カードを含みうる。通信装置９１７は、ネットワーク９２３に応じた所定のプロトコルを用いて、他の装置との間で信号またはデータなどを送受信する。

なお、上記で例示的に説明されたコンピュータ９００の各構成要素は、汎用的な部材を用いて構成されていてもよいし、各構成要素の機能に特化したハードウェアにより構成されていてもよい。また、当業者は、上述したようなコンピュータ９００の構成を、実施する時々の技術レベルに応じて適宜変更することができる。

以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はこれらの例に限定されない。本発明の属する技術の分野の当業者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

１０…システム、１００…ＭＲＩ装置、２００…画像処理装置、２１０…ＭＲ画像取得部、２２０…定量値データ抽出部、２３０…ＦＬＡＩＲ画像取得部、２４０…モデル構築部、２５０…画像合成部、２６０…強調像合成部、３００…記憶装置、４００…表示装置。

Claims (4)

1. 被検体に対する一連の磁気共鳴撮像（ＭＲＩ）によるＭＲ画像から抽出された緩和率または緩和時間、およびプロトン密度の定量値マップデータを取得する定量値データ取得部と、
   線形変換および非線形変換を含むニューラルネットワークモデルを用いて前記定量値マップデータからＣＳＦ抑制画像を合成する画像合成部と
   を備える画像処理装置。
2. 被検体に対する一連の磁気共鳴撮像（ＭＲＩ）によるＭＲ画像から抽出された緩和率または緩和時間、およびプロトン密度の定量値マップデータを取得する定量値データ取得部と、
   前記被検体に対するＦＬＡＩＲ法を用いたＭＲＩによって取得されたＦＬＡＩＲ画像を取得するＦＬＡＩＲ画像取得部と、
   前記ＦＬＡＩＲ画像を用いた学習によって、前記定量値マップデータからＣＳＦ抑制画像を合成するための線形変換および非線形変換を含むニューラルネットワークモデルを構築するモデル構築部と
   を備える画像処理装置。
3. 請求項１または請求項２に記載の画像処理装置としてコンピュータを機能させるように構成されたプログラム。
4. 第１の被検体に対する一連の磁気共鳴撮像（ＭＲＩ）によるＭＲ画像から抽出された緩和率または緩和時間、およびプロトン密度の第１の定量値マップデータを取得するステップと、
   前記第１の被検体に対するＦＬＡＩＲ法を用いたＭＲＩによって取得されたＦＬＡＩＲ画像を取得するステップと、
   前記ＦＬＡＩＲ画像を用いた学習によって、前記第１の定量値マップデータからＣＳＦ抑制画像を合成するための線形変換および非線形変換を含むニューラルネットワークモデルを構築するステップと、
   第２の被検体に対する一連のＭＲＩによるＭＲ画像から抽出された緩和率または緩和時間、およびプロトン密度の第２の定量値マップデータを取得するステップと、
   前記ニューラルネットワークモデルを用いて前記第２の定量値マップデータからＣＳＦ抑制画像を合成するステップと
   を含む画像処理方法。

Images