JP2020130499A

JP2020130499A - Ｍｒｉを利用して血管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

Info

Publication number: JP2020130499A
Application number: JP2019026349A
Authority: JP
Inventors: 翔平藤田; Shohei Fujita; 裕次朗大塚; Yujiro Otsuka
Original assignee: Juntendo University
Current assignee: Juntendo University
Priority date: 2019-02-18
Filing date: 2019-02-18
Publication date: 2020-08-31

Abstract

【課題】簡便な手法によって精度が改善された血管画像を合成する。【解決手段】被検体に対する一連の磁気共鳴撮像（ＭＲＩ）によって取得されたマップデータ群を取得するマップデータ取得部と、合成モデルを用いてマップデータ群から血管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。ここで、合成モデルは、例えば線形結合モデルであってもよいし、あるいは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であってもよい。【選択図】図１

Description

本発明は、ＭＲＩを利用して血管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。

磁気共鳴血管造影（ＭＲＡ：Magnetic Resonance Angiography）は、磁気共鳴撮像（ＭＲＩ：MR Imaging）を用いて血管画像を描出する方法で、大きく分けてタイム・オブ・フライト（ＴＯＦ）法と位相コントラスト（ＰＣ）法がある。いずれの方法でも、解析は２次元のフーリエ変換（２Ｄ−ＦＴ）または３次元のフーリエ変換（３Ｄ−ＦＴ）で行われる。現在、非造影の３Ｄ−ＴＯＦ法が簡便で撮像時間も短く、空間分解能が高いことから脳ドックなどのスクリーニング検査を含め広く使われている。また、高速グラジエントエコー（Fast GRE）法で自動注入器による造影剤注入を併用したＭＲＡも、心・大血管描出などで使われている。

従来のＭＲＡの撮像は、上記のようにＴＯＦ法またはＰＣ法で行われるが、これらはＭＲＡに特化した撮像法であるため、他のＭＲＩ画像、例えばＴ１強調像、Ｔ２強調像、拡散強調像、または非特許文献１に記載されたSynthetic MRIのための画像群などと同時に撮像することはできない。つまり、ＭＲＡ画像を得るためには、そのためだけにＭＲＩを実施する必要があり、撮像の回数が増加することが被検者の負担になったり、他のコントラスト強調像との間で位置ずれが生じるためにスクリーニングがしづらかったりするという問題があった。

そのような状況に鑑み、近年、機械学習を用いてＭＲＡ画像に相当する血管画像を合成する研究が行われている。例えば、非特許文献２では、Ｔ１強調像とＴ２強調像からいわゆる深層学習によって構築された画像変換器を用いて血管画像を合成することが記載されている。

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 Sahin Olut, Yusuf H. Sahin, Ugur Demir, Gozde Unal，"Generative Adversarial Training for MRA Image Synthesis Using Multi-Contrast MRI"，1st Conference on Medical Imaging with Deep Learning (MIDL 2018), 2018. 6

しかしながら、ＭＲＩによって取得された複数の画像データを用いて血管画像を合成するにあたり、原理的には各画像の信号値の違いによって血流が特定されると考えられるところ、非特許文献２に記載された技術の場合は合成の元になるＴ１強調像とＴ２強調像とが個別に撮像された画像であるため、画像間に位置ずれがある。位置ずれが大きいと血流の特定が困難になる結果、画像変換器が誤った血流を描出してしまう可能性がある。つまり従来の技術によって合成された血管画像では、精度の点で依然として改善の余地がある。

そこで、本発明は、簡便な手法によって精度が改善された血管画像を合成することを可能にする、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）によって取得されたマップデータ群を取得するマップデータ取得部と、合成モデルを用いてマップデータ群から血管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。ここで、合成モデルは、例えば線形結合モデルであってもよいし、あるいは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であってもよい。

上記の構成における合成の元データになるマップデータ群は、被検体に対する一連のＭＲＩによって取得され、具体的には例えばSynthetic MRI用に所定のパルスシーケンスで撮像されたＭＲ画像群、このＭＲ画像群から抽出された緩和率Ｒ１，Ｒ２もしくは緩和時間Ｔ１，Ｔ２およびプロトン密度ＰＤの定量値マップ、または定量値マップから合成されたＴ１，Ｔ２強調像である。このようなマップデータ群ではデータ間の位置ずれが小さいため、精度が改善された血管画像を合成するための適切な合成モデルを用意することが比較的容易である。

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）によって取得されたマップデータ群を取得するマップデータ取得部と、被検体に対する磁気共鳴血管造影（ＭＲＡ）撮像によって取得されたＭＲＡ画像を取得するＭＲＡ画像取得部と、ＭＲＡ画像を用いた学習によって、マップデータ群から血管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。

マップデータ群から血管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画像処理装置が提供される。この画像処理装置は、血管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、被検体に対する一連の磁気共鳴撮像（ＭＲＩ）によって取得されたマップデータ群を取得するステップと、線形結合モデルを用いてマップデータ群から血管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。

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）によって取得された第１のマップデータ群を取得するステップと、第１の被検体に対する磁気共鳴血管造影（ＭＲＡ）撮像によって取得されたＭＲＡ画像を取得するステップと、ＭＲＡ画像を用いた学習によって、第１のマップデータ群から血管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によって取得された第２のマップデータ群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のマップデータ群から血管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。

マップデータ群から血管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、簡便な手法によって精度が改善された血管画像を合成することができる。

本発明の第１の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。本発明の第１の実施形態に係る画像処理方法の概略的なフローチャートである。本発明の第２の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。本発明の第２の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。本発明の第２の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。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。

既に述べたように、従来の磁気共鳴血管造影（ＭＲＡ）の撮像手法の１つとしてＴＯＦ法がある。ＴＯＦ法は、主に流入効果（ｉｎｆｌｏｗ効果：スライス内に流れ込む血液はＲＦパルスを受けないため、静止組織よりも高信号になる）に基づいて流動スピンと静止スピンとを識別することによって血管画像を作成する方法である。ここで、ＭＲＡに特化していない通常の磁気共鳴撮像（ＭＲＩ）でも上記のｉｎｆｌｏｗ効果はわずかながら発生する。つまり、通常の撮像法で取得されたＭＲ画像にも、血管を識別するための情報は存在する。本発明者らは、この点に着目して、通常の撮像法によって取得されたマップデータ群から血管画像を合成する方法について検討した。

（第１の実施形態）
図１は、本発明の第１の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。上述したような血管画像の合成は、画像処理装置２００によって実行される。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および画像合成部２２０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画像群２１１を取得する。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ＭＲ画像群２１１は、被検体に対する一連のＭＲＩによって取得されたマップデータ群の一例である。

なお、マップデータ群の他の例として、ＭＲ画像群２１１から抽出される緩和率Ｒ１，Ｒ２もしくは緩和時間Ｔ１，Ｔ２およびプロトン密度ＰＤの定量値マップ、または定量値マップから合成されたＴ１，Ｔ２強調像を用いてもよい。この場合、画像処理装置２００は、定量値マップの抽出、または強調像の合成のための構成要素をさらに含む。これらのマップデータ群は、いずれも短時間のうちに連続して実行される一連のＭＲ撮像で得られた画像群から抽出または合成されるため、元の画像群（つまりＭＲ画像群２１１）と同様にデータ間の位置ずれが小さい。

画像合成部２２０は、ＭＲ画像取得部２１０が取得したＭＲ画像群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。画像合成部２２０は、線形結合モデル２２１を用いて、ＭＲ画像群２１１から血管画像２２２を合成する。例えば、ＭＲ画像群２１１がｎ枚の画像を含み、これらの画像の各画素の信号値がＩ_１，Ｉ_２，…，Ｉ_ｎである場合、線形結合モデル２２１は、血管画像２２２の各画素の信号値Ｉ_ＡをＩ_Ａ＝α_１Ｉ_１＋α_２Ｉ_２＋…＋α_ｎＩ_ｎ＋βで与えるモデルとして説明される。線形結合モデル２２１の係数α_１，α_２，…α_ｎ及びβは、例えば合成された血管画像を別途撮像されたＭＲＡ画像と比較することによって決定することができる。線形結合モデル２２１は、例えば記憶装置３００に格納された係数α_１，α_２，…α_ｎ及びβなどのデータに従って、画像合成部２２０において構築される。合成された血管画像２２２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。

図２は、本発明の第１の実施形態に係る画像処理方法の概略的なフローチャートである。図２に示されるように、画像処理方法では、まず、画像処理装置２００のＭＲ画像取得部２１０がＭＲ画像群２１１を取得する（ステップＳ１１）。既に述べたように、ＭＲ画像群２１１は、被検体に対する一連のＭＲＩによって取得されたマップデータ群の一例である。次に、画像合成部２２０が、線形結合モデル２２１を用いてＭＲ画像群２１１から血管画像２２２を合成する（ステップＳ１２）。画像合成部５３０は、合成された血管画像２２２のデータを記憶装置３００に格納する（ステップＳ１３）か、または合成された血管画像２２２を表示装置４００に表示する（ステップＳ１４）。

以上で説明したような本発明の第１の実施形態によれば、ＭＲＡ撮像を別途実施しなくても、例えばSynthetic MRI用の一連の撮像によって取得されたマップデータ群を用いてＭＲＡ画像に相当する血管画像を合成することができるため、撮像による被検者の負担を軽減することができる。また上述の通り一連のＭＲＩによって取得されたマップデータ群ではデータ間の位置ずれが小さいため、精度が改善された血管画像を合成するための適切な係数が設定された線形結合モデルを用意することが比較的容易である。

（第２の実施形態）
次に、本発明の第２の実施形態について説明する。第２の実施形態では、一連のＭＲＩによって取得されたマップデータ群から血管画像を合成するための合成モデルとして、線形結合モデルではなく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使用する。

図３は、本発明の第２の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３に示されたシステム２０は、ＭＲＩ装置１００と、画像処理装置５００と、記憶装置３００と、表示装置４００とを含む。上述したような血管画像の合成は、画像処理装置５００によって実行される。なお、第１の実施形態と同一の符号が付された構成要素については、第１の実施形態と同様の構成を有するため重複した説明は省略する。

画像処理装置５００は、ＭＲ画像取得部２１０、ＭＲＡ画像取得部５１０、モデル構築部５２０、および画像合成部５３０を含む。画像処理装置５００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ＭＲＡ画像取得部５１０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。ＭＲ画像取得部２１０は、第１の実施形態と同様にＭＲ画像群２１１を取得する。一方、ＭＲＡ画像取得部５１０は、ＭＲ画像群２１１と同一の被検体に対するＭＲＡ撮像によって取得されたＭＲＡ画像５１１を取得する。ＭＲＡ撮像は、ＭＲＩ装置１００において、ＭＲ画像群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、ＭＲＡ撮像と、ＭＲ画像群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。

モデル構築部５２０は、ＭＲ画像群２１１およびＭＲＡ画像５１１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５２０は、ＭＲＡ画像５１１を用いた学習によって、ＭＲ画像群２１１からＭＲＡ画像５１１に相当する血管画像を合成するためのニューラルネットワークモデル５２１を構築する。ここで、ニューラルネットワークモデル５２１は、ＭＲ画像群２１１を入力データ、ＭＲＡ画像５１１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５２１の階層が深い場合、モデル構築部５２０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５２１が畳み込み演算を含む場合、モデル構築部５２０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５２０は、例えば、ＭＲ画像群２１１およびＭＲＡ画像５１１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５２１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５２０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５２１を再構築し、多数のＭＲ画像群２１１およびＭＲＡ画像５１１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５３０は、ＭＲ画像取得部２１０が取得した新たなＭＲ画像群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。新たなＭＲ画像群２１１とは、例えば、モデル構築部５２０によるニューラルネットワークモデル５２１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画像群２１１を意味する。画像合成部５３０は、ニューラルネットワークモデル５２１を用いて、新たなＭＲ画像群２１１から血管画像２２２を合成する。このとき、画像合成部５３０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５２０が構築したニューラルネットワークモデル５２１を再構築することができる。合成された血管画像２２２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２０では、上記のような手順によって血管画像２２２が合成される。なお、上記の例では単一の画像処理装置５００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、ＭＲＡ画像取得部５１０、およびモデル構築部５２０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および画像合成部５３０を備える）とが別個の装置として実装されてもよい。

次に、本発明の第２の実施形態に係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４に示すような学習段階の処理と、図５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４は、本発明の第２の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４に示されるように、学習段階では、画像処理装置５００のＭＲ画像取得部２１０がＭＲ画像群２１１を取得する（ステップＳ２１）とともに、ＭＲＡ画像取得部５１０がＭＲＡ画像５１１を取得する（ステップＳ２２）。上述のように、ＭＲ画像群２１１とＭＲＡ画像５１１とは、同一の被検体（第１の被検体）に対する撮像によって取得されるが、ＭＲ画像群２１１を取得するための撮像とＭＲＡ撮像とは別に実施される。

次に、モデル構築部５２０が、ステップＳ２１で取得されたＭＲ画像群２１１（第１のマップデータ群）を入力データとし、ステップＳ２２で取得されたＭＲＡ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５２１を構築する（ステップＳ２３）。モデル構築部５２０は、構築されたニューラルネットワークモデル５２１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Ｓ２４）。所定の数のＭＲ画像群２１１およびＭＲＡ画像５１１の組について上記のステップＳ２１〜Ｓ２４を実行してニューラルネットワークモデル５２１を構築および訓練することによって、次に説明する新たなＭＲ画像群２１１を用いた血管画像の合成段階の処理が実行可能になる。

図５は、本発明の第２の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５に示されるように、合成段階において、画像処理装置５００ではＭＲ画像取得部２１０がＭＲ画像群２１１のみを取得する（ステップＳ３１）。なお、合成の妥当性の検証などの目的でＭＲＡ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。ここで取得されるＭＲ画像群２１１（第２のマップデータ群）は、上記で新たなＭＲ画像群２１１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画像群２１１の被検体（第２の被検体）は、学習段階におけるＭＲ画像群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画像群２１１が取得されてもよい。

次に、画像合成部５３０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Ｓ３２）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５２１を再構築し、ニューラルネットワークモデル５２１を用いて、ステップＳ３１で取得されたＭＲ画像群２１１から血管画像２２２を合成する（ステップＳ３３）。画像合成部５３０は、合成された血管画像２２２のデータを記憶装置３００に格納する（ステップＳ３４）か、または血管画像２２２を表示装置４００に表示する（ステップＳ３５）。

以上で説明したような本発明の第２の実施形態によれば、第１の実施形態と同様に、ＭＲＡ撮像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。また、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。上述の通り一連のＭＲＩによって取得されたマップデータ群ではデータ間の位置ずれが小さいため、学習によって構築される合成モデル（画像変換器）の誤りを防ぎ、結果として精度の高い血管画像を合成することができる。

（コンピュータのハードウェア構成）
図６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、または画像処理装置５００）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。

１０，２０…システム、１００…ＭＲＩ装置、２００…画像処理装置、２１０…ＭＲ画像取得部、２２０…画像合成部、２２２…血管画像、３００…記憶装置、４００…表示装置、５００…画像処理装置、５１０…ＭＲＡ画像取得部、５２０…モデル構築部、５３０…画像合成部。

Claims

被検体に対する一連の磁気共鳴撮像（ＭＲＩ）によって取得されたマップデータ群を取得するマップデータ取得部と、
合成モデルを用いて前記マップデータ群から血管画像を合成する画像合成部と
を備える画像処理装置。
前記合成モデルは、線形結合モデルである、請求項１に記載の画像処理装置。
前記合成モデルは、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である、請求項１に記載の画像処理装置。
被検体に対する一連の磁気共鳴撮像（ＭＲＩ）によって取得されたマップデータ群を取得するマップデータ取得部と、
前記被検体に対する磁気共鳴血管造影（ＭＲＡ）撮像によって取得されたＭＲＡ画像を取得するＭＲＡ画像取得部と、
前記ＭＲＡ画像を用いた学習によって、前記マップデータ群から血管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。
請求項１から請求項４のいずれか１項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。
被検体に対する一連の磁気共鳴撮像（ＭＲＩ）によって取得されたマップデータ群を取得するステップと、
線形結合モデルを用いて前記マップデータ群から血管画像を合成するステップと
を含む画像処理方法。
第１の被検体に対する一連の磁気共鳴撮像（ＭＲＩ）によって取得された第１のマップデータ群を取得するステップと、
前記第１の被検体に対する磁気共鳴血管造影（ＭＲＡ）撮像によって取得されたＭＲＡ画像を取得するステップと、
前記ＭＲＡ画像を用いた学習によって、前記第１のマップデータ群から血管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によって取得された第２のマップデータ群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のマップデータ群から血管画像を合成するステップと
を含む画像処理方法。