JP2021178165A - 画像処理装置、画像処理方法、磁気共鳴イメージング装置、および医用画像処理プログラム - Google Patents

Abstract

【課題】ｋ空間におけるスパイクノイズを検出すること。【解決手段】本実施形態に係る画像処理装置は、取得部と、算出部と、分類部とを備える。取得部は、ＭＲＩスキャナによって取得され、強度値を有する複数のデータサンプルを有するオブジェクトのｋ空間データを取得する。算出部は、前記複数のデータサンプルごとに、前記オブジェクトの前記ｋ空間データの原点からの距離値を算出する。分類部は、少なくとも前記データサンプルの前記強度値と前記算出された距離値とに基づいて、前記複数のデータサンプルにおけるデータサンプルがスパイクノイズを表すかどうかの分類を実行する。【選択図】図４

Description

本明細書及び図面に開示の実施形態は、画像処理装置、画像処理方法、磁気共鳴イメージング装置、および医用画像処理プログラムに関する。

磁気共鳴イメージングは、内部に位置する患者の断面画像を生成するために磁場および高周波を活用する。これを行う際に、患者の画像データ作成に使用され得るＭＲスキャンには複数の異なる種類がある。これらのスキャンシーケンスは、ＥＰＩスキャン、ＦＥスキャン、および／または、ＦＳＥスキャンが含まれるが、これらに限定されない。スキャンシーケンスの間、ＭＲスキャナは、磁場が特定の周波数でターゲットエリアに印加されるときに生成される生のＭＲデータを撮像する。これにより、励起した陽子が、１つまたは複数の検出器によって測定されるＲＦ信号を発する。位置情報もまた、患者に印加される磁場を変動させるために、１つまたは複数の検出器によって傾斜磁場コイルを使って生成および捕獲されかもしれない。各スキャンシーケンスの最後に、生のＭＲデータが撮像される。しかし、生のＭＲデータは、当該ＭＲスキャンシーケンス中に使用された設定のとおりにターゲットの関心信号のみを含むものではないかもしれない。その代わりに、生のＭＲデータは、スキャンシーケンス中にＭＲスキャナの１つまたは複数のオペレーションから生じたノイズもまた含むかもしれない。生のＭＲデータにノイズが含まれると、当該生のＭＲデータから生成される結果としての画像（例えば、診断画像）にネガティブな影響を与える。ノイズの一般的な一種に、スパイクノイズがある。これは、ポップコーンまたはバーストノイズとも呼ばれる。ノイズ除去アルゴリズムは既知であるが、スパイクノイズの性質により、これらのアルゴリズムを首尾よく展開させることは困難である。スパイクノイズは、ＭＲスキャナを構成する各種金属コンポーネントで静電荷が確立するときに、主にリードアウト傾斜磁場の高スイッチング周波数によって生じる。静電荷が、電流を発生させ、撮像された生のＭＲデータ内にその電流が現れる結果となるかもしれない。そのようなスパイクノイズの原因が知られている一方、スパイクが現れる周波数および生のＭＲデータ内でのスパイクの位置は予測できず、ランダムに現れる。スパイクノイズのランダムな発生と位置により、結果的に、診断画像内でリップルとして顕在化する。これらは診断画像においてアーティファクトを生じ、画像を読影し患者ケアを提供する責任を負う臨床医にネガティブな影響を与える。以下で説明するシステムおよび方法は、スパイクの発生が非均一であるにもかかわらず、生のＭＲデータ内のスパイクノイズを予測可能に特定することでこれらの障害を解消する。

米国特許出願公開第２０２０／０８２５０９号明細書

本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、ｋ空間におけるスパイクノイズを検出することにある。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置づけることもできる。

実施形態に係る画像処理装置は、取得部と、算出部と、分類部とを備える。取得部は、ＭＲＩスキャナによって取得され、強度値を有する複数のデータサンプルを有するオブジェクトのｋ空間データを取得する。算出部は、前記複数のデータサンプルごとに、前記オブジェクトの前記ｋ空間データの原点からの距離値を算出する。分類部は、少なくとも前記データサンプルの前記強度値と前記算出された距離値とに基づいて、前記複数のデータサンプルにおけるデータサンプルがスパイクノイズを表すかどうかの分類を実行する。

図１はＭＲスキャナのブロック図である。 図２Ａは実施形態に従ったアルゴリズムのフロー図である。 図２Ｂは実施形態に従ったアルゴリズムのフロー図である。 図２Ｃは実施形態に従ったアルゴリズムのフロー図である。 図２Ｄは実施形態に従ったアルゴリズムのフロー図である。 図３Ａは、図１のＭＲスキャナによって取得した例示的なデータである。 図３Ｂは、図１のＭＲスキャナによって取得した例示的なデータである。 図４は実施形態に従ったアルゴリズムのフロー図である。 図５Ａは実施形態に従ったアルゴリズムの可視化グラフである。 図５Ｂは実施形態に従ったアルゴリズムの可視化グラフである。 図６Ａは実施形態に従った例示的な機械学習モデルである。 図６Ｂは実施形態に従った例示的な機械学習モデルである。 図７Ａは実施形態に従ったアルゴリズムのフロー図である。 図７Ｂは実施形態に従ったアルゴリズムのフロー図である。 図８は実施形態に従ったコンピューティングシステムのブロック図である。

図面を通して、別途記載がない限り、同一の参照番号および符号は、図示した実施形態の同様の特徴、エレメント、コンポーネント、または部分を示すために使用する。また、本開示は図面を参照して詳細を説明するが、実証となる例示的な実施形態とともに説明される。添付した請求項によって定義される本開示の精神と範囲を逸脱しない限り、記載する例示的な実施形態に変更および修正を行うことができることを意図する。

本開示によれば、ＭＲスキャナによって撮像された生データ（「ｋ空間データ」と呼ぶ）内のスパイクノイズを検出するノイズ検出システム（医用画像処理装置）、医用画像処理方法および医用画像処理プログラムが提供される。当該システム、医用画像処理方法および医用画像処理プログラムは、少なくとも１つの機械学習アルゴリズムにより生成された少なくとも１つの分類器を使用する。当該分類器は、ｋ空間データ内で、スパイクノイズにより破損した１つまたは複数のサンプルの領域を特定するために使われる。しかし、スパイクノイズは変則で一時的であり、ランダムに現れ、高い強度値をもつノイズをも含むかもしれない。ノイズは、ＭＲスキャナの１つまたは複数のコンポーネントにより、その動作中に、予測不能に引き起こされる。ｋ空間データ内の各サンプルを「ノイズ」または「非ノイズ」に識別する分類器は、ｋ空間データに関連する少なくとも２つのパラメータに基づいて生成される。ここでは、サンプルを「ノイズ」に分類することは、特定のサンプルにスパイクノイズが存在することを示す。また、サンプルを「非ノイズ」に分類することは、当該サンプルにスパイクノイズが含まれないことを示す。言い換えれば、「非ノイズ」に分類されるサンプルは、信号データをもつサンプル（例えば、関心信号の一部）かもしれないし、信号データをもたないサンプルかもしれない。代わりに、「非ノイズ」に分類されるサンプルは、スパイクノイズではないノイズを含むかもしれない。ある実施形態において、サンプルの分類は、サンプルが「ノイズ」または「非ノイズ」以外の何かであることを示す第３の分類を含んでもよい。第１パラメータはｋ空間データ内の当該サンプルのロケーションであり、第２パラメータはｋ空間データ内の当該サンプルの（正規化された、または、正規化されていない）強度値である。このように、スパイクノイズ検出は改善される。スパイクノイズは、診断画像を生成するときにｋ空間データを画像ドメインに変換する前に、有利に特定され、且つ、補正される。これにより、ｋ空間内のスパイクノイズを診断画像に処理するときに結果として生じるリップルおよびその他のアーティファクトが除去されるため、結果としての診断画像が改善される。

診断画像を生成するためにターゲット（例えば、患者）からｋ空間画像データを撮像するように構成される例示的なＭＲＩシステムを図１に示す。ＭＲＩシステムは、ガントリー１０（断面図に示す）および相互に作用する各種関連システムコンポーネント２０を備える。少なくともガントリー１０は、一般的には、シールドルームに位置する。図１に示すＭＲＩシステム配列において、静磁場Ｂ_０磁石１２と、Ｇｘ，Ｇｙ，Ｇｚ傾斜磁場コイルセット１４と、大きな全身用ＲＦコイル（ＷＢＣ）アッセンブリ１６と、を備え、略同軸な円柱状に配列される。この円柱状のエレメントアレイの水平軸に沿って、患者テーブル１１に支持される患者９の頭を実質上包むように、イメージングボリューム１８が図示される。ある目的で、人体構造の代わりにファントムオブジェクトをイメージングボリューム１８の所望のロケーションに置いてもよいことが理解されるだろう。１つまたは複数の小型アレイＲＦコイル１９がイメージングボリューム１８内の患者の頭により密接に結合してもよい。当該技術からわかるように、ＷＢＣ（全身用コイル）１６に比べて、表面コイル等の比較的小さなコイルおよび／またはアレイは、特定のボディパーツ（例えば、腕、肩、肘、手首、膝、脚、胸、脊柱等）用にしばしばカスタマイズされる。そのような小型ＲＦコイルを、ここではアレイコイル（ＡＣ）またはフェーズドアレイコイル（ＰＡＣ）と呼ぶ。これらは、ＲＦ信号をイメージングボリュームに送信するように構成される少なくとも１つのコイルと、イメージングボリューム内の、上記例における、患者の頭などのオブジェクトからのＲＦ信号を受信するように構成される複数の受信コイルとを備えてもよい。心臓信号取得装置８（患者の人体構造上に適宜置かれる）は、ＭＲＩシーケンスコントローラ３０のトリガがとなる抹消脈波および／または心臓ゲーティング信号１３を提供するために使われ得る。

ＭＲＩシステムコントローラ２２は、ディスプレイ２４と、キーボード２６と、プリンタ２８とに接続する入力／出力ポートをもつ。ディスプレイ２４は、制御入力をも提供するようなタッチスクリーン型でもよく、マウスまたはその他のＩ／Ｏ装置を備えていてもよい。ＭＲＩシステムコントローラ２２は、ＲＦ送信器３４と送受信スイッチ３６と同様に（同一のＲＦコイルが送信および受信の両方に使われる場合は）、Ｇｘ，Ｇｙ，Ｇｚ傾斜磁場コイルドライバ３２を順番に制御するＭＲＩシーケンスコントローラ３０と連動する。ＭＲＩシーケンスコントローラ３０は、パラレルイメージング法をも含み得るＭＲＩイメージング（核磁気共鳴、ＮＭＲイメージングとしても知られている）手法を実施するために好適なプログラムコードストラクチャ３８を備える。以下に記載するように、シーケンスコントローラ３０は、診断ＭＲＩ画像が得られるＮＭＲエコーデータ（「エコーデータ」）を得るために、所定のパルスシーケンスおよび／または設定パラメータに従って形成されたパルスシーケンスを適用するように構成されてもよい。ＭＲＩシーケンスコントローラ３０はまた、エコープラナーイメージング（ＥＰＩ）および／またはパラレルイメージング用に構成されてもよい。また、ＭＲＩシーケンスコントローラ３０は、メインスキャンＭＲ画像（診断画像と呼ぶことがある）を得るために、１つまたは複数の準備スキャン（プリスキャン）シーケンスおよびスキャンシーケンスを促進してもよい。ＭＲＩシステムコントローラ２２およびＭＲＩシーケンスコントローラ３０は、命令を記憶し、当該命令を実行してＭＲスキャナにここに記載するオペレーションを実行させる１つまたは複数のプロセッサと１つまたは複数のメモリを備える。

ＭＲＩシステムコンポーネント２０は、ディスプレイ２４に送信される処理済画像データを作成するために、入力をＭＲＩデータプロセッサ４２に与えるＲＦ受信器４０を備える。ＭＲＩデータプロセッサ４２はまた、前に生成したＭＲデータ、画像、および／またはマップ、および／またはシステム設定パラメータ４６、およびＭＲＩ画像再構成／減算プログラムコードストラクチャ４４および５０へのアクセスするように構成される。他の実施形態において、１つまたは複数のコンピューティング装置が後でアクセスできるように、処理済画像データをリモートサーバへ送信してもよい。これは、例えば、パソコン、ラップトップ、タブレット、スマートフォン、ディスプレイ（一体型または接続型）を含むその他の携帯型コンピューティング装置によるアクセスを含んでもよい。

また図１に、記憶プログラムコードストラクチャ（例えば、スパイクノイズ検出、画像再構成用、後処理ＭＲＩ用など）が非一時的なコンピュータ読取可能な記憶媒体でありＭＲＩシステムの各種データ処理コンポーネントにアクセス可能な記憶媒体に記憶された、ＭＲＩシステムプログラム記憶部５０の一般的描写を示す。プログラム記憶部５０は、１つまたは複数の処理部によって実行可能な命令セットを具体化するプログラムコードストラクチャを記憶する１つまたは複数のメモリ装置を備えてもよい。当該処理部は、ＭＲＩシステムコントローラ２２、ＭＲＩシーケンスコントローラ３０、および／またはＭＲＩデータプロセッサ４２を含むが、これらに限定されない。プログラムコードはまた、例えば、パルスシーケンス設定などを含むオペレータ入力を得るために記憶されてもよい。当該パルスシーケンス設定は、ＦＡＳＥ（ｆａｓｔ ａｃｑｕｉｓｉｔｉｏｎ ｓｐｉｎ ｅｃｈｏ）やＴＲインターバルセッティング（ＴＲ ｉｎｔｅｒｖａｌ ｓｅｔｔｉｎｇｓ）などの、パルスシーケンスのパルスをリフォーカスするためのリフォーカスフリップ角設定を含む。当該技術からわかるように、プログラム記憶部５０は分割され、記憶されたプログラムコードストラクチャを通常のオペレーションにおいて最も差し迫って必要としているコンピュータを処理する、ＭＲＩシステムコンポーネント２０の異なるコンポーネントに、少なくとも部分的に、直接的に接続されてもよい（すなわち、共有的に記憶され、ＭＲＩシステムコントローラ２２に直接的に接続されるのではなく）。また、記憶されたプログラムコードは、１つまたは複数の処理装置（例えば、ＣＰＵ，ＧＰＵなど）によって実行可能である命令セットであり、実行されると当該１つまたは複数の処理装置に当該命令セットで具現化されるオペレーションを実行させる命令セットを含み得ることがわかる。

実際のところ、当該技術からわかるように、図１は、下記に説明する例示的な実施形態を実行するために、いくつかの変形をもつ典型的なＭＲＩシステムの非常に高いレベルで簡素化された図を示す。当該システムコンポーネントは異なる論理コレクションの「ボックス」に分割可能であり、典型的には、多くのデジタル信号プロセッサ（ＤＳＰ）、マイクロプロセッサ、および、特殊用途の処理回路（例えば、高速Ａ／Ｄ変換用、高速フーリエ変換用、アレイ処理用等）を備えてもよい。これらのプロセッサはそれぞれ、典型的にはクロック化された「ステートマシン」であり、物理データ処理回路は各クロックサイクル（または所定数のクロックサイクル）の発生時にある物理ステートから別のステートへと進む。処理回路（例えば、ＣＰＵ、レジスタ、バッファ、演算ユニット等）の物理ステートが、あるクロックサイクルから別のサイクルに、オペレーションの間に漸次変化するだけでなく、関連データ記憶媒体（例えば、磁気記憶媒体のビット記憶サイトなど）の物理ステートもこのようなシステムのオペレーション中にあるステートから別のステートに変換される。例えば、画像再構成処理の最後に、および／または、時には、後に説明する制御およびタグ付け画像からの差分画像の生成時に、物理的記憶媒体のコンピュータ読取可能アクセス可能データ値記憶サイトのアレイが、いくつかの前ステート（例えば、全てが均一な「ゼロ」値または「１」値）から、現実世界の物理的イベントおよび条件（例えば、イメージングボリューム空間にわたる患者の内部物理構造）を反映して、このようなアレイの物理サイトにおける物理ステートが最小値と最大値の間で変動する新しいステートへ変換するだろう。当該技術からわかるように、コンピュータ制御プログラムコードの特定のストラクチャが、命令レジスタに連続してロードされ、ＭＲＩシステムコンポーネント２０の１つまたは複数のＣＰＵによって実行されるときに、オペレーションステートの特定のシーケンスが発生し、ＭＲＩシステム内で遷移するように、記憶されたデータ値のそのようなアレイは、物理的構造を反映および構成する。このように、以下において、図１に関して上述した任意の処理コンポーネントを、１つまたは複数のメモリ装置に記憶された命令を実行する１つまたは複数のプロセッサとして説明する。

図２Ａは、図１に記載するＭＲＩシステムによって実行されるオペレーションアルゴリズムを示す。具体的には、ここに記載するアルゴリズムは、図１のＭＲＩデータプロセッサ４２によって実行してもよい。ＭＲＩデータプロセッサ４２は、メモリに記憶された命令をもち、実行された際に記載されたアルゴリズムを行ってもよい。ＭＲＩデータプロセッサ４２は、取得部と、算出部と、分類部と、変更部と、マップ生成部と、補正部と、表示制御部とを備える。取得部は、ＭＲＩスキャナによって取得され、強度値を有する複数のデータサンプルを有するオブジェクトのｋ空間データを取得する。算出部は、複数のデータサンプルごとに、オブジェクトのｋ空間データの原点からの距離値を算出する。分類部は、少なくともデータサンプルの強度値と算出された距離値とに基づいて、複数のデータサンプルにおけるデータサンプルがスパイクノイズを表すかどうかの分類を実行する。分類部は、機械学習アルゴリズムによってトレーニングされ、当該分類を実行する分類器を有する。変更部は、特定のデータサンプルがスパイクノイズであるという決定に応答して、特定のデータサンプルが後述の領域から第２の所定距離内に存在することを示す距離値に基づいて、特定のデータサンプルの指定をスパイクノイズから非スパイクノイズに変更する。マップ生成部は、取得されたデータサンプルについて、分類に基づいて他のデータサンプルがスパイクノイズか非スパイクノイズかどうかと、空間の原点にあるデータサンプルとを特定するマップを生成する。補正部は、データサンプルを生成するために、ノイズとして特定されたデータサンプルにおいてサンプル補正処理を行う。表示制御部は、非スパイクノイズだと示された前記データサンプルと補正したサンプルデータを、表示装置上に表示するための処理済画像データに変換する。なお、取得部と算出部と分類部とは、ＭＲＩシステムコントローラ２２により実現されてもよい。取得部と、算出部と、分類部と、変更部と、マップ生成部と、補正部と、表示制御部とをそれぞれ実現するプログラムは、プログラム記憶部５０に記憶される。なお、取得部と、算出部と、分類部と、変更部と、マップ生成部と、補正部と、表示制御部とは、医用画像処理装置に搭載されてもよい。このとき、医用画像処理装置は、取得部と、算出部と、分類部と、変更部と、マップ生成部と、補正部と、表示制御部とより実現される各種処理を実行する。他の実施形態において、ＭＲＩデータプロセッサ４２は、ローカルエリアネットワークまたはクラウドでサーバなどのリモートコンピューティング装置と通信してもよい。当該リモートサーバは、当該サーバが図２Ａに示すアルゴリズムを実行できるようにする、１つまたは複数のメモリ装置に記憶された１つまたは複数の命令セットを実行する処理回路として機能する１つまたは複数のプロセッサを備えてもよい。

以下では図２Ａに示すアルゴリズムを説明し、図２Ｂおよび２Ｃを折に触れて参照する。これは、図２Ａのアルゴリズムの実行中に動作する各種データオブジェクトを示す。このように、図２Ｂおよび２Ｃはここに記載するアルゴリズム処理の理解をさらに促進する意図がある。このアルゴリズムが実行されると、ＭＲＩシステムは少なくとも患者のセクションを表すデータを撮像する。撮像されたデータは、患者ケアを改善するために使われる診断画像を生成するために、分析および処理される。ステップＳ２００において、ＭＲＩスキャンシーケンスが開始し、患者のターゲット部分が上の図１で検討したような例示的方法によりスキャンされる。このスキャンの結果は、データ取得ステップであり、これにより、フーリエドメインのＭＲデータが取得部により取得される。取得部により取得されたデータは、特定のシーケンスのためのｋ空間の複数のサンプルが含まれる。ｋ空間データは当該画像の空間周波数を含み、時間でサンプリングされた電気信号に基づいているため、時間ドメインデータであると言える。これはまた、ｋ空間ドメインまたは空間周波数ドメインとしても参照される。ｋ空間データは、その後、フーリエ変換を介して、画像ドメイン（空間ドメインとしても知られる）に変換され得る。例示的なｋ空間データを、参照番号２６０を付して、図２Ｂに示す。ある実施形態において、スキャンシーケンスはエコープラナーイメージング（ＥＰＩ）スキャンであり、ｋ空間データの全ラインを含む平面全体が同時に（例えば、１回のバースト中に）取得される。一例において、ＥＰＩスキャンのバーストはｋ空間の完全な集合をカバーする８０またはそれより多いラインを取得することができる。バーストスキャンに含まれるラインを含む撮像方法は、複数のラインを同時に取得することを示すためだけを例証目的としている。加えて、ＥＰＩスキャンシーケンスの検討は例に過ぎず、その他のスキャンシーケンスが同様に使用できる。ここでのデータ取得は、患者のＭＲデータの複数のスライスの中の単一スライスを表す２Ｄ平面スライスデータであり得る。また、このデータの記載では２ＤのＭＲデータを参照するが、３Ｄの体積データを取得してもよい。このように、ここに記載するスパイク検出アルゴリズムのオペレーションは、ステップＳ２００でＭＲスキャナが取得した、２Ｄの平面データまたは３Ｄの体積データのいずれにも適用できる。図２Ｂのｋ空間データ２６０は、２Ｄ平面ｋ空間データの一例である。

図２Ｂに示す例示的な２Ｄのｋ空間データ２６０は、複数の個々のｋ空間サンプルから構成される。ｋ空間データ２６０は、図２Ｂに示すようにｘ軸とｙ軸に沿ったグリッドとして考えら得る。ｋ空間データ２６０が３Ｄのｋ空間データである実施形態において、個々のサンプルはまたｚ軸に沿って位置し得る。例えば、例示的な２Ｄのｋ空間データ２６０は、６４×６４サンプル、１２８×１２８サンプル、または、２５６×２５６サンプルのアレイであってもよい。このアレイのサイズは、データ取得フェーズ中に設定されたパラメータに依存する。個々のｋ空間サンプルのそれぞれは、各ｋ空間サンプルが（ｋ_ｘ，ｋ_ｙ）で特定できるような、関連する位置情報をもつ。ここでｘは当該サンプルのｘ軸に沿った位置であり、ｙは当該サンプルのｙ軸に沿った位置である。これはｋロケーション情報として知られている。ｋロケーション情報は、ｋ空間内の原点を表す特定の指定位置に比べて理解される。特定の指定位置は、図２Ｂにおいてｋ＝０とラベル付けされ、ステップ２００のＭＲスキャン取得フェーズ中に設定される。あるインスタンスにおいて、ｋ＝０をｋ空間の中心と称することがある。位置ｋ＝０は、関心信号がその周囲に位置する略中心点を示す。関心信号は、参照番号２６２のラベルを付した円の中に示される。関心信号２６２は、指定位置ｋ＝０にある、および、その周囲にある１つまたは複数のｋ空間サンプルを備え、ｋ空間データ２６０内の領域を表す。このように、特定のサンプルのｋロケーション値は、ｋ＝０に対するｘ軸およびｙ軸上の特定のサンプル位置を示す。一般的に、関心信号を表すサンプルは、その他の全てのｋ空間サンプルに比べて、最高の信号強度値を有し、ｋ＝０からの所定のｋ空間サンプル距離内に存在する。また、ｋ空間サンプルは、画像再構成アルゴリズムがｋ空間データを画像ドメインデータに変換するために使われる。この変換により、結果として、被検体の画像が生成され、医用診断目的に使用され得る。図２Ｂに示すその他の特徴は、アルゴリズム処理の必要に応じて、以下で説明されるだろう。

図２のエレメントにおけるステップＳ２１０および以降において、図１のＭＲＩシステムは、ステップＳ２００で取得したｋ空間データを分析するために、スパイク検出アルゴリズムを実行する。ステップＳ２１０では、スパイクノイズが存在するかを判断し、関心信号２６２に関するスパイクノイズのロケーションを判断する。アルゴリズムは、特定のサンプルがスパイクノイズにより破損されているかを判断するために、取得したｋ空間データ２６０に含まれる各サンプルを分析する。言い換えると、ステップＳ２００で取得したｋ空間データ２６０の全体、および、複数のｋ空間サンプルのそれぞれが、特定のサンプルが、「スパイクノイズ」または「非スパイクノイズ」のいずれに特定すべきか特定するために、アルゴリズムによって分析される。スパイク検出アルゴリズムを以下に詳しく説明する。スパイク検出アルゴリズムは、図１のエレメント４２などの１つまたは複数のプロセッサが実行する命令の離散集合として具現化されてもよい。または、スパイク検出アルゴリズムは、ＭＲＩシステムが実行する、より大きなデータ取得および診断画像生成アルゴリズムのサブルーティンであってもよい。別のアルゴリズムにおいて、スパイク検出アルゴリズムは、取得したｋ空間データを外部コンピューティング装置に提供するように、サーバ等（図８参照）の外部コンピューティング装置のメモリに記憶される命令セットであってもよい。当該外部コンピューティング装置は、当該外部コンピューティング装置のメモリに記憶された命令を実行してここに記載するスパイク検出処理を実行する。

スパイク検出アルゴリズムは、１つまたは複数のｋ空間データサンプルをノイズまたは非ノイズの少なくとも１つに分類するために、受け取ったｋ空間データサンプルで分類を行う、機械学習アルゴリズムによってトレーニングされたモデルを活用する。ある実施形態では、実行する分類は二値である。他の実施形態では、実行する分類は二値ではなく、単一の分類または２種類より多い分類出力（以下、多種分類出力と呼ぶ）を含んでもよい。このとき、多種分類出力の大きさに応じて、後述のスパイク補正アルゴリズムで説明するように、ｋ空間ＭＲデータの補正が実行される。ここで記載するように、実行する分類は二値分類であるが、上述のように他の種類の分類も可能である。二値分類では、サンプルがスパイクノイズを表すか否かを判断する。スパイク検出アルゴリズムは、二値分類を行うために、受け取ったｋ空間データをトレーニング済モデルに提供する。二値分類は、ｋ空間の各サンプルに、少なくとも２つのパラメータまたは特徴を使用する分類器を用いて、スパイクノイズの有無を判断するために行われる。トレーニング済モデルを使った分類の方法は、図３Ａ、３Ｂ、図４に関してさらに詳しく検討する。二値分類の結果は各サンプルに起因する値であり、「０」は当該サンプルがスパイクノイズではないことを示し、「１」は当該特定のサンプルがスパイクノイズであることを示す。ある実施形態において、トレーニング済モデルは、各ｋ空間サンプルの入力として、当該少なくとも２つのパラメータのそれぞれの値を受け付ける。当該入力値は、トレーニング済機械学習アルゴリズムが特定のｋ空間サンプルの分類を判断するために使用される。別の実施形態では、トレーニング済モデルは、ベクトルとして、取得したｋ空間データ内の各ｋ空間サンプルに関連する情報を含むｋ空間データ全体を受け付ける。当該ベクトル内の各ｋ空間サンプルに関連する情報は、ｋ空間サンプルまたはｋ空間データのベクトルのいずれかを説明する１つまたは複数の特徴を判断、または、別の方法で抽出するために使用されるかもしれない任意の情報であり得る。これはｋ空間サンプルがスパイクノイズか又はスパイクノイズではないかの判断に役に立つかもしれない。本実施形態において、モデルは、ｋ空間ベクトルを備えるトレーニングデータセットを分析する機械学習アルゴリズムを介してトレーニングされるだろう。本実施形態は、少なくとも２つのパラメータを特定するために、ｋ空間ベクトルに含まれる任意の情報を使用してもよい。特定された少なくとも２つのパラメータは、個々のｋ空間サンプルの分類を判断するために使用することができる。ある実施形態において、分類が行われる１つのパラメータは、ｋ空間の指定位置（ｋ＝０）に対するｋ空間内のサンプルのロケーションを表す値である。さらに、指定位置ｋ＝０は、データ取得処理の一部として設定されるため、既知の位置である。このように関心信号２６２はｋ空間データ２６０でｋ＝０の周囲にローカライズされ、該位置から外側に伸長する。更なるパラメータは、特定サンプルの（正規化された、または、正規化されていない）信号強度値である。上述のように、トレーニング済モデルの種類に依存して、各サンプルの少なくともこれらのパラメータ値が入力、または、取得したｋ空間データの完全な集合を表す入力ベクトルに基づいて導出され得る。別の実施形態では、トレーニング済モデルの一部とみなされ使用され得る更なるパラメータは、オペレータがデータ取得フェーズ中に設定するＭＲスキャンパラメータである。

ステップＳ２１０で実行する二値分類を用いた例示的なスパイク検出は、図２Ｂを見れば可視化できる。前に述べたように、ｋ空間データ２６０は指定位置ｋ＝０と、ｋ＝０を取り囲む関心信号２６２を含む領域と、を備える。また、ｋ空間データ内に、サンプル２６４ａおよび２６４ｂが図示される。これらのサンプルはそれぞれ、ｋ＝０に対する各自のｋロケーション値をもつ。また、これらのサンプルはそれぞれ、直接隣接するサンプルの強度値よりも高い関連する強度値をもつ。サンプル２６４ａおよび２６４ｂのそれぞれのｋロケーション値は、関心信号領域２６２の外側にあることを示す。このように、ｋ空間データ２６０がトレーニング済モデルに入力されると、モデル内の分類器が、これら２つのパラメータ値（強度値とｋ＝０に対するｋロケーション値）にサンプル分類を基礎づける。ここに示すように、分類器はサンプル２６４ａおよび２６４ｂがスパイクノイズにより破損されたサンプルを表すだろうと判断した。図２Ｂは例示目的で表示されており、検討されていないその他全てのサンプルが「非スパイクノイズ」と分類されたとみなされ得る。

上述の例示的な実施形態において、ステップＳ２００のＭＲＩスキャンおよびステップＳ２１０のスパイク検出は連続して実行される。別の例示的な実施形態において、ＭＲＩスキャンの少なくとも一部と、スパイク検出の少なくとも一部とが、並行して行われる。ｋ空間データ取得がラジアルスキャンモードで行われると、例えば、ｋ空間中心から所与の角度方向で伸長するスポークのスキャン直後に、スパイク検出が行われる。近隣スポークの次の１つまたは複数のスキャンを実行しながら、これが起こる。上記のようなＭＲＩスキャンと並行するスパイク検出の実行は、ＭＲＩスキャンから再構成画像表示までの合計処理時間を短縮する。システムはまた、生のｋ空間データ取得の後、且つ、スパイク検出の前に、スポークの取得した生のｋ空間データに対して所与の前処理を行うことができる。

その後、スパイク検出アルゴリズムは、ｋ空間データ２６０のマップを動的に生成させる。当該マップは、取得したｋ空間データ内の各サンプルを表す。当該マップはさらに、各サンプルに行われた分類の結果を示す。図２Ｃにマップの例を示す。図２Ｃは、図２Ｂの点線円内に位置するｋ空間データ２６０の拡大部分を示す。生成したマップはグリッドを表し、グリッドの各セルは取得および分類されたｋ空間データの１つのサンプルを表す。この動的に生成されたマップから、各セルの分類値は、スパイクノイズの有（または無）を示すｋ空間データのロケーションを提供する。この例では、分類器により、サンプル２６４ａと２６４ｂは十分な強度値を有し、ｋ＝０からのｋロケーション距離が関心信号２６２を含む領域の十分に外側にあると判断された。アルゴリズムはマップを生成し、「非スパイクノイズ」と分類された関心領域の外側のサンプルに「０」をラベル付ける。さらにアルゴリズムは、「スパイクノイズ」と分類されたサンプル２６４ａと２６４ｂに「１」をラベル付ける。ここで生成されたマップは、グリッドまたは行列として記憶されてもよい。記憶されたマップは、指定位置（ｋ＝０）を表す原点を含み、個々のサンプルは、指定位置から、１，２，または３軸に沿って正または負の位置で位置づけすることができる。ここに記載する例示的ケースでは、ｋ空間データはｋ空間の２Ｄ平面である。このように、各サンプルに関連する位置情報は、ｘ軸およびｙ軸に沿って、（ｋ_ｘ，ｋ_ｙ）として表すことができる。また、動的マップ生成の一部として、どの１つまたは複数のサンプル（例えば、サンプルセット）が関心信号２６２を備える領域を構成するかを判断する。この判断は、ＭＲデータ取得ステップの一部として設定された既存の位置に基づく。関心信号２６２を含む領域内において、ｋ＝０は、ｋ空間内の最高の信号強度値をもつサンプルを表す。ｋ＝０に隣接するおよび／またはその周辺にあるその他のサンプルもまた、診断画像を再構成するために使用する関心情報を含む可能性がある。しかし、アルゴリズムによってｋ＝０と指定されるｋ空間内の点は１つだけである。この１つの点がｋ空間の原点だと理解される。マップは、行列またはその他の好適なデータストラクチャとして、メモリまたはＲＡＭに記憶されてもよい。マップはその後、後にステップＳ２３０で検討するスパイク補正アルゴリズムへの入力として使われてもよい。生成したマップに基づき、ステップＳ２１５で、アルゴリズムはｋ空間内の各サンプルがスパイクノイズを含むかを判断する。Ｓ２１５の判断が否定、つまり、当該サンプルは「非スパイクノイズ」である場合、アルゴリズムは、下で説明するステップＳ２３０のスパイク補正において当該サンプルに補正を行わないように、当該サンプルをラベル付けする。代わりに、当該サンプルをステップＳ２４０にて、下で説明する画像再構成に使用する。ステップＳ２１５の判断が肯定、つまり、当該サンプルは「スパイクノイズ」に分類される場合、アルゴリズムはスパイクノイズに分類された当該サンプルのｋ空間内のロケーションを特定し、マークする。マークされたサンプルは、その後、ステップＳ２３０に関して下で検討するように、スパイク補正処理のために入力される。

しかし、スパイク補正の実行に先立って、ある実施形態において、ステップＳ２２０を実行する。ステップＳ２２０において、生成したマップとｋ空間内のスパイクノイズのロケーションに基づいて、生成したマップの１つまたは複数のサンプルが補正可能であること、または、補正するべきであることを保証するために、判断が行われる。アルゴリズムのこの態様は、ステップＳ２１５で指定位置ｋ＝０に対するｋ空間内のスパイクノイズであると示されたサンプルのロケーションを検討する。他の実施形態において、関心信号２６２を含む領域の端に対するサンプルの位置を考慮してもよい。あるインスタンスでは、分類器は、トレーニング済モデルによるスパイク検出中に適用した重みに照らして、サンプルの強度とｋ＝０からの距離の組み合わせにより、当該サンプルを「スパイクノイズ」に分類する判断を行うかもしれない。しかし、アルゴリズムは、スパイクノイズと分類されたがｋ空間のｋ＝０からの所定距離内にあるサンプルが間違えて補正されないように保証する更なるチェックを提供する。言い換えると、アルゴリズムは関心信号に関するデータが間違えて補正されないことを保証する。以下のオペレーションを、図２Ｂ〜２Ｄを参照して再び説明する。ｋ空間データが２Ｄデータである実施形態において、図２Ｂで２６８をラベル付けされたｋ＝０を超える距離によって示される所定のサンプル高さと、図２Ｂで２７０をラベル付けされたｋ＝０を超える距離によって示されるサンプル幅と、をもつ境界（図２Ｂの２６６）が作成される。これは、ｋ空間において、関心信号を含む領域２６２の端を示すサンプルを超えて、所定のサンプル距離分広がっている。例えば、アルゴリズムは、境界の端がｋ＝０から所定数のサンプルである所定の境界をもつ。ｋ＝０からのサンプル数を各方向８サンプルであれば、境界は高さ×幅が実質上１６×１６サンプルの「ボックス」であり、ｋ＝０が当該ボックスの中心となる。ｋ＝０を中心とした１６×１６サンプルの境界エリアの記述は単なる例であり、ＭＲＩデータ取得の経験に基づいて導出されたものでもよい。しかし、ここで実行するアルゴリズムのパラメータとして、任意の数のｋ＝０からのサンプル距離を採用および設定してもよい。ｋ空間データが３Ｄのｋ空間データを表す複数のスライスである実施形態において、境界は、ｋ＝０からの所定の動径距離をもつ球体として表されてもよい。球状境界は、関心信号を含む領域２６２の端を示すサンプルを超えて、所定のサンプル距離分伸長する。本実施形態において、図２Ｃに示す上記生成されたマップ上のサンプルが、境界領域内の位置を示す場合は、当該サンプルは補正されないだろう。このように、図２Ｃのサンプル２６４ｂは補正されないだろう。代わりにマップは、サンプル２６４ｂの値を「１」から「０」に変更するように、図２Ｄに示すように更新されるだろう。サンプル２６４ａのようにサンプルが境界２６６の外側のｋ空間に位置する場合は、当該サンプルの値は「１」のままであり、スパイクノイズに分類されたこと示し、ステップＳ２３０の補正のためにマークされる。

ステップＳ２２０の判断が肯定である場合は、アルゴリズムはステップＳ２３０に進み、上記生成したマップデータを使ってスパイク補正を行う。ステップＳ２２０の判断が否定である場合は、アルゴリズムは、ステップＳ２２５において、ＭＲデータの再取得が必要かどうかについて更に判断する。ＭＲデータの再取得が必要な場合は、Ｓ２００に戻り、患者からデータを再取得する。一例において、Ｓ２２５の肯定的結果は、分類器が境界内のサンプルをスパイクであると特定した場合に発生し得る。別の例では、「スパイクノイズ」であると検出および特定されたサンプルの全体数が所定の受付可能な閾値を超える場合に、データの再取得が要求されることがある。ステップＳ２２５の判断が否定である場合は、境界２６６内にあるが、必ずしも関心信号の一部ではないと判断されたサンプルがマップ上で「非スパイクノイズ」としてマークされるだろう。このサンプルは、ｋ空間データがスパイク補正アルゴリズムを用いてＳ２３０で処理されるときに補正されないだろう。この修正は再び図２Ｃ、２Ｄを見れば可視化できる。ステップＳ２２０は、Ｓ２１０から生成したサンプルのマップが、サンプルがｋ＝０の所定距離内（および領域２６２の関心サンプルの端を示すサンプル）にあり、補正が不適切であり関心信号に影響するケースにおいて有益であり得る。

ステップＳ２３０に続き、スパイクノイズであると特定されたサンプルの位置を示す生成されたマップを使って、１つまたは複数のスパイクノイズ補正アルゴリズムを適用され得る。例示的なスパイク補正手法に、スパイクを持つロケーションにあるサンプルの値をゼロに修正するゼロフィリング法がある。これは、スパイクが画像ドメインにリップルを画像再構成中に引き起こすことを防ぐ。ゼロフィリング補正は、信号対雑音（ＳＮＲ）の一部が失われるという欠点をもつが、サンプルの信号値が低いまたはゼロであるｋ空間の端に近接してスパイクが存在するケースによくみられる。別のスパイク補正手法に、近傍法があり、スパイクノイズとしてマッピングされたサンプルに隣接する１つまたは複数のサンプルから値を修正する（またはダイレクトコピーする）ために、隣接サンプルのデータ値を使う。

上記のようにｋ空間データが補正されると、アルゴリズムはステップＳ２４０に進み、ｋ空間データの画像再構成が行われる。ある実施形態において、画像再構成ステップは、ＭＲＩシステムが取得した生のｋ空間データを再構成するために、離散フーリエ変換を行う。画像は、診断画像が生成されて患者ケアの提供に使われるように、画像ドメインに変換される。画像再構成のこの方法は一例に過ぎない。ｋ空間データを画像ドメインに再構成する任意の既知の画像再構成アルゴリズムを使用してもよい。画像が再構成されると、画像はステップＳ２５０で出力され得る。当該出力は、ＭＲＩシステムのディスプレイスクリーン／モニタへの表示を含んでもよい。別の実施形態において、再構成画像は、メモリに記憶され、患者データベースの患者に関連付けられてもよい。他の実施形態において、再構成画像はリモートコンピューティング装置に通信され得る。

本開示は、改良されたスパイク検出メカニズムが結果として生成される診断画像に実質的な改良をもたらすため、ステップＳ２１０のスパイク検出アルゴリズムに集中している。上記のように、スパイクノイズの発端は静電荷にある。この電荷は、電流アークを引き起こすＭＲＩシステムの多くの金属コンポーネントに起因する。結果としてのアークは、取得したｋ空間データのスパイクノイズとして表れる。例えば、スパイクノイズは、高速で振動するリードアウト傾斜磁場波形を使うＥＰＩエコープラナーイメージング）スキャンにおいて規則正しく見られる。スパイクノイズは、傾斜磁場波形の「振動周波数」に依存する。高速で振動する傾斜磁場は、より高いスパイクノイズを引き起こし、低速で振動する傾斜磁場は、より低いスパイクノイズを引き起こす。オペレータ制御パラメータＥＴＳ（ｅｃｈｏ ｔｉｍｅ ｓｐａｃｉｎｇ：エコー時間間隔）は、振動する傾斜磁場の平坦部で名目上取得される２つの連続するエコー間の時間を制御し、そして振動周波数を制御する。高いＥＴＳは低いスパイクノイズを引き起こし、逆もまた同様である。もっとも、高いＥＴＳは増大する歪みなどのその他の画像アーティファクトを引き起こし得る。このように、ＭＲスキャナで取得したｋ空間データ内のスパイクノイズを検出する能力は、機械制御パラメータがスパイクノイズの最小化を期待して修正されたときに生じる追加的なアーティファクトを最小化しつつ、それから再構成される結果としての診断画像を改善する。このように、ここに記載するスパイク検出アルゴリズムは、ＭＲデータを撮像する装置に完全に組み入れられる。これは実際的な応用を表し、肉眼では無益な生のＭＲデータが、ｋ空間ＭＲから再構成される診断画像データに変換される。ある実施形態において、オペレータ制御パラメータに関する情報は、サンプルを分類するときに当該情報をサンプルの強度値とｋロケーションと共に検討できる分類器に入力してもよい。

更なる例により、図３Ａおよび３Ｂは、図１のＭＲＩシステムを用いてデータ取得ステップＳ２００により取得する追加的なｋ空間データを示す。図３Ａに示すように、取得したｋ空間データは、図３Ａの円の中に含まれる関心信号を備える。ここで示すように、関心信号は、データ取得処理の間に設定するように、取得したｋ空間データ内の複数の個々のサンプルから形成される。関心信号は、ｋ空間内のその他全てのサンプルに対して、最高の強度をもつサンプルセットを表す。または、関心信号は、データ取得処理の間に設定するｋ＝０の位置に基づいてもよい。これは、アルゴリズムにより関心信号として示される。実質上の中心点はサンプルマップ上でｋ＝０としてマークされる。ｋ空間内にｋ＝０を置くことで、ｋ空間のその他のサンプルのそれぞれに対して距離測定を行うことができる。この距離測定は、その他のｋ空間サンプルそれぞれに対して、当該サンプルのｋ＝０からの距離を特定する。ｋ＝０からのｋ空間内のサンプルの距離が半径方向に増大するに従って、サンプルが関心信号を含む尤度が低下し、高い強度値をもつサンプルがスパイクノイズである尤度が上昇する。これは、図３Ａと同じｋ空間データを示す図３Ｂにおいて図示されている。関心信号（ｋ＝０）を丸で囲む代わりに、ｋ空間画像は、ｋ空間のサンプルがスパイクノイズサンプルである可能性が高いと、分類器のオペレーションにより判断された、強度レベルとｋ＝０からのｋロケーション距離をもつｋ空間内の複数の位置を特定する。分類器のオペレーションは、機械学習アルゴリズムでトレーニングされたモデルを利用する。トレーニング済モデルは、それぞれ少なくとも１つのノードを含む複数の層を備え、当該ノードは少なくとも２つのパラメータ（強度およびｋロケーション）を入力する関数で構成される。トレーニング処理は、モデルが各ノードで関数に適用される係数（または重み）のセットを学習するように、既知の成果をもつトレーニングデータセットに基づく。ｋ空間サンプルデータがトレーニング済モデルに入力されると、各関数で決定した係数を使った一連の関数が実行される。トレーニング済モデルの各層を介した、各ノードでの、重み付けされた関数の実行は、閾値処理と類似するオペレーションを実行するように機能する。トレーニング済モデルは、情報に比較される閾値として、静的な１つだけの閾値を備えていない。しかし、モデル内での重み付けされた関数の実行により、類似する処理が発生できる。モデルによる結果出力は、ｋ空間データの各サンプルに関連する「スパイクノイズ」（例えば「１」）または「非スパイクノイズ」（例えば「０」）の二値分類である。トレーニング済モデル内で各関数に適用される係数は、少なくとも強度レベルおよびｋ＝０からの距離の特徴に基づき、且つ、トレーニング処理中に発見的に決定される。モデルがトレーニングされスパイク検出アルゴリズムに組み入れられた後、トレーニング済モデルはサンプルの強度レベルと当該サンプルのｋ距離の双方の機能である閾値処理を活用する。言い換えると、トレーニング済モデルは、少なくともサンプル強度を表す第１パラメータとｋ＝０からのｋ空間内のサンプルのロケーションを表す第２パラメータを組み合わせたものを活用する。第２パラメータは、サンプルのｋロケーションとして知られている。これは、トレーニング済モデルにおいて分類器として使用され得るシグネチャを発見的に作成する。トレーニング済モデルは、このシグネチャに対応するサンプル、ここでは、発見的に決定した距離よりも大きいｋ＝０を超えるｋロケーション距離に存在し、発見的に決定した強度よりも大きい強度値をもつサンプルの位置を自動的に分析および検出する。なお、図３Ｂの円は単なる例であり、これらの円に囲まれたサンプルだけがスパイクノイズを表すと理解すべきではない。スパイクノイズ検出アルゴリズムは、ｋ空間内の特定のサンプルがスパイクノイズを示すかを判断するために、分類器シグネチャを用いて各サンプルを有利に分析する。その後、関心信号を表す１つまたは複数のサンプルのそれぞれと、スパイクノイズを表す各サンプル（またはサンプルセット）の位置をマッピングする、ｋ空間データのマップを表すデータオブジェクトを動的に生成する。図４は、図１のＭＲＩデータプロセッサ４２によって実行される、実施形態に従った例示的なスパイク検出アルゴリズムの詳細を示すフロー図である。アルゴリズムはステップＳ４００で開始し、磁気共鳴イメージングスキャンシーケンスにより取得したｋ空間データを入力として受け取る。ｋ空間データは、ＭＲＩシステムによって取得した生のＭＲデータの１つまたは複数のサンプルを含む。ある実施形態において、取得され、スパイク検出アルゴリズムに入力されるＭＲデータは、スパイク検出アルゴリズムに入力される前に、データ前処理を受けてもよい。ステップＳ４００で受け取った入力は、ｋ空間データ内の各サンプルに関する情報を表してもよい、または、ｋ空間データの入力ベクトルであってもよい。ステップＳ４１０において、ｋ空間データはｋ空間データの第１特性と、検出した第１特性に対応するｋ空間内の位置を検出するために分析される。ある実施形態において、第１特性は、診断目的で再構成画像に変換される関心信号に対応する。ある実施形態において、ステップＳ４１０は、ＭＲスキャンの実施に先立って、ｋ＝０のロケーションを設定したＭＲスキャン制御データを得ることで、実行されてもよい。別の実施形態において、ステップＳ４１０は、関心信号を表す、ｋ空間データ内の最高の強度値をもつ１つまたは複数のサンプルを特定するために、ｋ空間データの全体にわたって個々のサンプル値を評価することで、実施される。ステップＳ４２０において、Ｓ４１０で判断した位置（基準位置）は、別名ｋ＝０（ｋセンター）として知られている、主ロケーションに設定される。ステップＳ４３０において、主ロケーションを除くロケーションにあるｋ空間データが、分類器でトレーニング済モデルを用いて分析される。分類器は、ｋ空間データ内の主ロケーションを除くすべて位置にあるその他全てのサンプルをスパイクノイズまたは非スパイクノイズに分類するために、第１特徴および第２特徴に関連して発見的に決定した値を備える。ある実施形態において、第１特徴は、距離を表すサンプルのｋロケーションであり、ｋ空間内において、特定のサンプルが主ロケーションから離れているかを分析する。第２特徴は、評価される特定のサンプルの強度値である。ステップＳ４４０において、主ロケーションを除く位置にある各サンプルに関連する第１および第２特徴は、特定のサンプルがスパイクノイズまたは非スパイクノイズであるかを判断するために、分類器によって評価される。Ｓ４４０の評価は閾値処理に類似する。トレーニング済モデルは、それぞれ少なくとも１つのノードを含む複数の層を備え、当該ノードは少なくとも２つのパラメータ（強度およびｋロケーション）の関数である。係数（または重み）のセットが各ノードで関数に適用され、ｋ空間データがトレーニング済モデルに入力されると、決定した係数を用いる一連の関数が実行される。この各ノードでの重み付けられた関数の実行は、トレーニング済モデルの各層を通じて集約され、上記のように閾値処理と類似するオペレーションを実行するように機能する。トレーニング済モデル内の各関数に適用される係数は、少なくとも強度レベルおよびｋ＝０からの距離の特徴に基づく。これらの特徴は、ｋ空間データの実際の分類に先立つトレーニング処理中に発見的に決定される。トレーニング済モデルは、モデルの各ノードおよび／または各層での一連の小さな関数を表す。これらは、第１および第２特徴の大きな関数に集約される。この集約された関数により、トレーニング済モデルの分類器は、評価対象の特定のｋ空間サンプルがスパイクノイズまたは非スパイクノイズかに関する二値判断を行うことができる。この分類は、評価対象のｋサンプルの第１および第２特徴値に基づく。各サンプルにおける判断は、ステップＳ４１０で入力されるｋ空間のマップを表すデータオブジェクトに出力され、ステップＳ４５０において分類器によればスパイクノイズである全サンプルの位置を特定する。別の実施形態において、ステップＳ４５０において、より詳細なマップを生成してもよい。これもまた、関心信号を示す第１位置と、分類器によってスパイクノイズではないと判断されたサンプルの位置をマッピングするものである。

上記の例示的な実施形態は、データサンプルがスパイクノイズか否かに関する二値分類を行う分類器を生成するために、ニューラルネットワークモデル（またはＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）モデル）を利用する。しかし、分類器を生成するためにトレーニングされる追加的な機械学習アルゴリズムがある。別の例示的な実施形態では、分類器は、データサンプルがスパイクノイズである確率を出力する。これは、ニューラルネットワークの出力層でソフトマックス関数を採用することにより実現できる。本実施形態において、分類器の出力（ステップＳ４５０の出力）はデータサンプルがスパイクノイズである確率である。ステップＳ４５０の後、データサンプルがスパイクノイズであるか否かを判断する更なる処理が行われる。これは、所定の閾値を採用することで実行できる。確率が閾値より低ければ、当該データサンプルは「非スパイクノイズ」であると判断される。確率が閾値以上であれば、当該データサンプルは「スパイクノイズ」であると判断される。ｋ空間データから抽出された特徴に基づく適応閾値もまた、この閾値処理で採用することができる。組み合わせて、分類器と閾値処理は、各ｋ空間データサンプルがスパイクノイズであるか否かを判定する二値分類を行う。言い換えれば、図４のアルゴリズムは、ＭＲＩスキャナから受け取ったＭＲデータに対して次の処理を行うと理解すべきである。処理では、ＭＲＩスキャナが取得した、複数のデータサンプルを含み、当該複数のデータサンプルの各データサンプルが強度値を含む、オブジェクトのｋ空間データを得る。複数のデータサンプルそれぞれに対して、強度値に基づく正規化された強度と、オブジェクトのｋ空間データの原点からの距離値が算出部により算出され、複数のデータサンプルの中のデータサンプルがノイズまたは非ノイズを表すこと関する二値分類が、データサンプルの強度値と算出された距離値に基づいて分類部にて行われる。これを行うにあたって、算出した正規化強度値と算出した距離値に基づいてスパイクノイズを検出するために、分類器を用いる検出処理がある。例えば、分類部は、機械学習アルゴリズムによってトレーニングされ、当該分類を実行する分類器を有する。上記のように、二値分類は、機械学習アルゴリズムによってトレーニングされた分類器を使って行われ、機械学習アルゴリズムにおいて、ｋ空間データから生成したトレーニングデータサンプルを入力してモデルがトレーニングされる。すなわち、分類器は、機械学習アルゴリズムにおいて、ｋ空間データから生成されたトレーニングデータサンプルを入力することによりトレーニングされる。各トレーニングデータサンプルは強度値とｋ空間データの原点からの距離値を含む。

取得されるｋ空間データの複数のデータサンプルは、原点を囲み、関心信号を含む領域を形成するデータサンプルセットを備え、複数のデータサンプルの全てが、正規化強度値と原点からの個別のサンプルの距離に基づく機能である閾値処理を行う分類器を使って、分類される。分類器が実行する閾値処理において、分類される該データサンプルが、少なくとも、関心信号を含む領域内のデータサンプルのうちの１つまたは複数の正規化強度である正規化強度値をもち、原点から少なくとも第１の所定距離以上に位置すると決定する場合は、分類器は当該サンプルをノイズに分類する。閾値処理において、サンプルが、少なくとも、関心信号を含む領域内の１つまたは複数のサンプルの正規化強度値である正規化強度値をもち、原点から第１の所定距離内に位置すると決定する場合は、分類器は当該サンプルを非ノイズに分類する。閾値処理において、サンプルが、関心信号を含む領域内の１つまたは複数サンプルよりも低い正規化強度をもち、原点から少なくとも第１の所定距離内に位置すると決定する場合は、分類器は当該サンプルをサンプルの第２タイプに分類する。第２タイプは、例えば、非ノイズである。

ある実施形態において、アルゴリズムは、データサンプルが補正すべきスパイクノイズであるという特定が、妥当な判断であることを保証する。具体的には、変更部は、特定のデータサンプルがノイズであるという分類器に基づく決定に応答して、当該特定のデータサンプルが関心信号を含む領域から第２の所定距離内に存在することを示す距離値に基づいて、当該特定のデータサンプルの指定をノイズから非ノイズに変更する。第２の所定距離は第１の所定距離よりも短い。

マップ生成部は、取得したｋ空間データに対するスパイク検出処理が完了すると、取得したデータのデータサンプルのマップが生成される。生成したマップは、原点にあるデータサンプルと、分類に基づいて、その他のデータサンプルがノイズまたは非ノイズであるかを特定する。ある実施形態において、補正部は、生成したマップを、補正データサンプルを生成するために、ノイズであると特定されたデータサンプルに対してサンプル補正処理を行う際に使用してもよい。表示制御部は、非ノイズであると示されたデータサンプルと補正したサンプルデータは、表示装置に表示するための処理済画像データに変換される。

図４のアルゴリズムの例示的な視覚化および説明を、図５Ａおよび５Ｂに関して記載する。図５Ａにおいて、ｋ空間データは「未補正の生のｋ空間」とラベル付けられている。これはＭＲイメージングシーケンスから取得したデータであり、ｋ空間データの各サンプルはｋ空間ロケーションおよび信号強度に基づいて分類される。サンプルがスパイクノイズであるか分類するために、サンプル強度値が正規化され、ｋ＝０からの距離に対して描かれる。図５Ａでわかるように、ｋ空間データに隣接するプロット上で、ｋ＝０は参照番号５０２をラベル付けされている。高い強度値をもち、且つ、ｋ＝０からの所定のｋ距離にあるサンプル値は、スパイクノイズである可能性がある。これは、５０４ａ〜５０４ｃのラベルを付けた点を示す。さらに、高い強度値をもたず、且つ、ｋ＝０からの所定のｋ距離内にあるサンプルは「非スパイクノイズ」であり、５０６ａおよび５０６ｂのラベルを付けた点である。サンプルの部分集合のみが図５Ａに図示されていると理解すべきである。しかし、オペレーションにおいて、「未補正の生のｋ空間」に示す各サンプルの分類は、同様のプロットに現れるだろう。また、図５Ａに示すプロットおよび位置は、スケーリングすべきではなく、図５Ａのプロット上の相対位置がもたらす情報に照らして検討すべきである。これらの特徴は、ニューラルネットワーク（ＮＮ：Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）または畳み込みニューラルネットワーク（ＣＮＮ）などの機械学習アルゴリズムをトレーニングする、後述のトレーニング手順に従って使用され得る。機械学習アルゴリズムは、スパイク検出アルゴリズムに入力された未知のｋ空間データサンプルのスパイクデータの位置に関する情報を自動的に出力する分類器を生成するようにトレーニングされるだろう。機械学習アルゴリズムをトレーニングすることで生成される分類器を、５０８をラベル付けしたラインを介して、図５Ｂのプロットにおいて可視化する。分類器境界５０８は、「スパイクノイズ」としてマークすべきサンプルと、「非スパイクノイズ」であるサンプルとを区別できる。図５Ｂでラインとして示される一方、分類器は、特定のｋ空間サンプルについて二値分類を行う閾値処理として機能するトレーニング済モデル内のノードおよび層で実行される一連の重み付けされた関数である。

図５Ｂに示す分類器５０８を得るために、機械学習アルゴリズムは、ＥＰＩスキャンなどのＭＲスキャンシーケンスにかかわる二値スパイク分類の問題を解決するようにトレーニングされるだろう。図６にトレーニングされる例示的なニューラルネットワークを示す。トレーニング画像または例のセットが定義され、ニューラルネットワークに入力される。例えば、サイズ［Ｍ，Ｎ］をもつｋ空間信号行列は、Ｍ×Ｎ個のトレーニング例をもたらす。ｋ空間行列が、１０被検体における２０スライスからの、２５６サンプル×２５６サンプルの行列である場合、実質上１．３億のトレーニングペアのセットが生成できると見込まれる。これらのトレーニングセットのそれぞれにおいて、当該データのスパイクのロケーションは明示的に知られており、トレーニングラベルを生成するために使われる。オペレーションにおいて、所与のトレーニングペアはｉでインデックス化され、

で表される。ここで、ネットワーク入力は

であり、ｋ_ｉは動径距離であり、ｓ_ｉは正規化信号強度であり、ネットワーク出力ｙ_ｉ：｛０，１｝において、値０と１は「非スパイク」と「スパイク」をそれぞれ表す。このようにニューラルネットワークをトレーニングすることにより、スパイク検出の他のメカニズムに関連する欠点を解決する。具体的には、スパイクノイズの発端は既知だが、ＭＲＩシステムが撮像するｋ空間内のどのロケーションにスパイクノイズが現れるかは未知である、むしろランダムであるため、直接的な線形回帰の使用は、一般的に線形回帰分析に用いられる多項式次数が未知であるため、可能ではない。これは、スパイクノイズの出現が本質的にランダムであり、複数のｋ空間サンプルのサンプル値を処理するために法外な時間が必要であるため、手動または思考によって行うことができない。スパイク検出アルゴリズムは、ｋ空間のサンプルの少なくとも２つの特徴に基づく分類器の正しい境界を判断するためにトレーニングされたニューラルネットワークを有利に活用する。

図６Ｂに示す別の実施形態において、スパイク検出アルゴリズムで採用された機械学習アルゴリズムはＣＮＮである。本実施形態において、ｋ空間データの全体が機械学習アルゴリズムに入力される。このデータは、完全な複素数値ｋ空間データであり、特定のサンプルがスパイクデータによって破損されているかを特定する二値分類ベクトルを生成するために使用される。ＣＮＮは、複素ｋ空間データに関連する１つまたは複数の特徴を抽出する特徴抽出層である複数の畳み込み層を備える。全結合層は、サンプルごとに、当該サンプルがスパイクデータであるかを特定する分類を実行する。

上述の例示的な実施形態において、ｋ空間データのデータサンプルのｋ距離は、当該データサンプルと、空間周波数情報が存在しない位置として定義され得るｋ空間データの原点と、の間の距離である。

上記の例示的な実施形態の所与のものでは、原点（ｋ＝０）を除くｋ空間データサンプルの全てがステップＳ４３０で分類器に入力される。別の例示的な実施形態においては、ｋ＝０の位置を含むｋ空間データサンプルの全てがステップＳ４３０で分類器に入力される。

上記の例示的な実施形態において、原点（ｋ＝０）を除くｋ空間データサンプルの全てがステップＳ４３０で分類器に入力される。しかし、別の例示的な実施形態においては、関心信号２６２内のｋ空間データサンプルは、関心信号がＭＲＩデータプロセッサ４２によりｋ空間データからだと判定されると、分類器に入力されない。これは、分析対象のｋ空間データサンプルを減らして、図２ＡのステップＳ２１０のスパイク検出処理にかかる時間を削減する。さらに別の例示的な実施形態において、境界２６６内のｋ空間データサンプルは、ステップＳ４３０で分類器に入力されない。これもまた、分析対象のｋ空間データサンプルを減らして、図２Ａのスパイク検出にかかる処理時間を削減できる。

上記の例示的な実施形態のいくつかにおいて、スパイクノイズ検出用のトレーニング済分類器は、ｋ空間データサンプルの（正規化）強度とｋ空間の原点からの距離である、２つの入力パラメータをもつ。別の例示的な実施形態において、分類器は別の入力パラメータを備える。別の入力パラメータの一例には、ＭＲＩスキャンパラメータの情報がある。本例示的実施形態において、ＭＲＩスキャンがラジアルスキャンモード、カルテシアンスキャンモード、またはスパイラルスキャンモードで行われる場合、スキャンモードを示すこれらの情報もまた、分類器の入力である。スキャンモードに関するその他の各種パラメータもまた、分類器の入力であり得る。当該別の入力パラメータの別の例は、シーケンス制御傾斜磁場とパルス磁場である。上述のスキャン情報とシーケンス情報は、１回のＭＲＩスキャンで取得するｋ空間データサンプルを通して同一であるだろう。スキャンおよび／またはシーケンス情報が分類器の入力として使用される場合、この情報はトレーニング／学習フェーズで使用されるトレーニングデータセットと、図２Ａと図４に示す推論フェーズでトレーニング済の分類器により分析されるデータとの両方に含まれるだろう。推論フェーズにおいて、スキャン情報とシーケンス情報は、ステップＳ２００の前に、ＭＲＩシステムから得ることができる。一般的には、スキャンモードとシーケンス情報はｋ空間データと画像に影響を及ぼすため、分類器の入力としてスキャン情報および／またはシーケンス情報を含ませることは、検出感度と特異度に貢献する。

機械学習アルゴリズムの代表的なトレーニングおよびテストアルゴリズムを図７Ａおよび７Ｂにそれぞれ示す。トレーニング処理の目的は、ｋ空間データサンプルをスパイク／非スパイクに正確に分類するＮＮ／ＣＮＮモデルの係数（重み及びバイアス）を学習することである。ネットワークの究極のストラクチャは、どのパラメータ及び重みが異なる層を通して分類器として後に使用する上で最も予測的成果を挙げるかが特定するために、結果を比較できるように、異なる静的パラメータをトレーニング処理の最初に変化させることで経験的に決定することができる。ＮＮ／ＣＮＮは、大きなトレーニングペア

でトレーニングされる。このように、スパイクノイズ検出に関連する学習データセットがＳ７０２に示すように取得される。取得したトレーニングデータは、トレーニングデータと検証データにＳ７０４で分割される。トレーニングデータは、機械学習アルゴリズムが、実際のトレーニングデータ（例えば、実際のｋ空間ＭＲデータ）が生成されたものとは異なるスパイクノイズの特性を学習できるように、Ｓ７０６で水増しする。一例では、トレーニングデータの水増しに使われたデータは、ランダムな振幅をもち、ｋ空間データにわたってランダムに位置するスパイクをデジタルで挿入するために修正されたクリーンなｋ空間データであってもよい。この種の水増しは、本質的に人為的であり、非ＮＭＲソースから由来するスパイクノイズにより特定されることが求められるスパイクデータの本質によることが好ましい。Ｓ７０８において、確率的勾配降下アルゴリズムなどのトレーニングアルゴリズムが、使用するアルゴリズムとして選択される。その後、Ｓ７１０において、モデルのストラクチャおよびパラメータが定義され、ノードの初期重み及びバイアスのセットが割り当てられる。Ｓ７１０で定義したストラクチャおよびパラメータは、隠れ層の数、ノード数、フィルターサイズ、学習速度、エポック数、および損失関数を表す設定値を備えてもよい。なお、上記のうちの任意のものを個別に、または、その他のパラメータおよびストラクチャと共に設定してもよいと理解すべきである。その後、Ｓ７１２において、重みとバイアスを更新し、損失曲線分析により結果としての分類を検証するために、トレーニング処理を実行する。Ｓ７１４で、損失曲線および検証結果が受け入れ可能かに関する評価を行う。否定の場合は、Ｓ７１５で、損失曲線評価が誤差マージン内になるようにストラクチャおよび／またはパラメータ値を修正し、処理はＳ７１０へ戻り、トレーニングデータセットが再定義／修正されたストラクチャおよびパラメータ値で再実行するように、ストラクチャおよびパラメータ値を再定義および／またはその他の方法で修正する。トレーニング処理はＳ７１０〜Ｓ７１４において具体化され、下記のアルゴリズムオペレーションを用いて実行してもよい。このように、

は入力変数（ＮＮの「ｋロケーションおよび強度」およびＣＮＮの完全なｋ空間データ）であり、ｙ_ｉはグラウンドトゥルース出力値（ロケーションがスパイクを有するか否か）である。トレーニングおよびテスト処理の間、ｋ空間データは固定の範囲［ｎｅｗＭｉｎ，ｎｅｗＭａｘ］内で正規化されなければならないだろう、さもなければＮＮ／ＣＮＮは不安定になり得る。これは、線形正規化を、例えば下記のようなオリジナルのｋ空間データＳに適用することで達成できる。

ここで、ＭｉｎとＭａｘはオリジナルｋ空間データの最小強度値および最大強度値であり、ｎｅｗＭｉｎとｎｅｗＭａｘは正規化信号範囲の最小値および最大値である。なお、上式のＳをオリジナルのｋ空間データの絶対値と考える場合、上式においてＭｉｎ＝０としてＭｉｎを削除したスケーリングにより、上式は、以下の式として表されてもよい。

トレーニングでは、損失関数を使って定義することができるトレーニング誤差の最小化を求める。損失関数は、グラウンドトゥルース（スパイク／非スパイク）と予測（スパイク／非スパイクの確率）との差の定量的尺度を与える。例えば、交差エントロピー損失関数は、二値分類誤差を定量化するために使用でき、次の式で与えられる。

ここで、ｙは二値分類インジケータであり、ｙ＝０は「非スパイク」およびｙ＝１は「スパイク」であり、ｐはＮＮ／ＣＮＮによって予測された分類確率である。ｐ＝ｆ（ｘ、θ）において、ｐは入力変数およびθによって表される学習された重みおよびバイアスの関数である。トレーニング処理の間、確率的勾配降下法などのアルゴリズムが、損失関数を最小化するために利用される。さらに、トレーニングでは、隠し層が非線形関係を学習するために、ＲｅＬＵをＮＮ／ＣＮＮノードで使用する活性化関数として採用する。また、ソフトマックスを出力層に使い、確率が上述した交差エントロピー損失を演算するために使用できるように、重みを確率に変換する。
ＲｅＬＵは、

によって与えられる。ここでｘは所与の隠しノードへの入力である。
ソフトマックスは、

によって与えられる。ここでｘは、ｊ＝１，２，…Ｋでインデックス化した出力層ノードへの入力のベクトルである。上記を使って、トレーニングがニューラルネットワーク上である実施形態において、Ｋ＝２である。ここで、トレーニングは二値分類ＮＮのために発生する。トレーニングがＣＮＮ上である実施形態において、Ｋ＝トレーニングが完全なｋ空間データであるときのｋ空間ベクトルの長さである。トレーニングの最後に、トレーニングおよび検証データセットで最も低い損失値を示した最適パラメータセット（重み及びバイアス）が得られる。これらのネットワークパラメータが分類器であり、Ｓ７１６でラベル付けされていないデータをテストするときに、データファイルに出力され、メモリにロードされ得る。

上記検討したトレーニング処理の結果は、スパイク検出アルゴリズムにおいて新しい非トレーニングｋ空間ＭＲデータで実施される際にアルゴリズムがスパイクノイズにより破損したｋ空間内のサンプルのロケーションを特定できるように十分に汎化された分類器を生成する。この特定処理は、診断画像を生成する前に破損したｋ空間を補正するために、取得したｋ空間ＭＲデータと共にスパイク補正アルゴリズムに提供され得るスパイクデータマップを生成するために使用される。これは、図７Ｂで経験的にテストされ、Ｓ７２４の検査で図７ＡのＳ７１６からの分類器出力を使うトレーニング済の機械学習アルゴリズムに、未分類のｋ空間データを表す検証セットからの画像がＳ７２２で入力されるように、トレーニングセットデータと検証データとに分割された取得した学習データセットがＳ７２０で取得できる。

トレーニング済の分類器は、さらに多くのトレーニングセットを加えてモデルのトレーニングをオリジナルトレーニングセットに加えて追加したトレーニングセットで行うことにより、更新できる。追加的トレーニングセットとしては、オリジナルの分類器でスパイク検出を受けたｋ空間データが使用できる。ｋ空間データをトレーニングデータセットとして使用するために、スパイクノイズか否かを示すラベル情報を、ｋ空間データのサンプルごとに加え、専門家によって認証／確認するべきである。新しくトレーニングした分類器がより良い感度と特異度をもつ場合は、オリジナルの分類器を更新した分類器に交換する。オリジナルの分類器がＭＲＩシステム内のメモリにローカルで記憶されている場合は、サービススタッフが取り外し可能な媒体（ＵＳＢスティックメモリまたはＳＤカード）をＭＲＩシステムに接続し、当該取り外し可能な媒体に記憶されている新しくトレーニングした分類器をＭＲＩシステムのメモリに移してもよい。オリジナルの分類器がＭＲＩスキャナの外部サーバに記憶されている場合は、サービススタッフが新しくトレーニングした分類器を当該サーバにアップロードし、サーバがアップロードした新しくトレーニングされた分類器を使ったスパイク検出を行えるようになる。

上記の例示的な実施形態は、ニューラルネットワークと畳み込みニューラルネットワークをトレーニング対象のモデルとして利用する。別の例示的な実施形態では、再帰型ニューラルネットワークや確率的ニューラルネットワークを含む他のタイプのニューラルネットワークを、スパイクノイズ検出用の検出器を生成するためのトレーニング対象のモデルとして利用し得る。また、さらに他の実施形態では、分類器を生成するために、サポートベクターマシンを含む他のタイプのモデルを使うことができる。サポートベクターマシン（ＳＶＭ）では、（正規化）強度値とｋ距離を含む２つのパラメータもまた、その他のタイプの特徴値とともに、ＳＶＭの入力特徴値として使うことができる。

別の例示的な実施形態では、複数のトレーニング済の分類器を、図７Ａおよび７Ｂを参照して説明した機械学習アルゴリズムによって準備できる。スキャン情報がスパイクノイズ検出のために使用される場合、分類器をスキャンモードごとに準備してもよい。例えば、第１分類器はラジアルスキャンモードで取得したｋ空間データからスパイクノイズを検出するためのものであり、第２分類器はカルテシアンスキャンモードで取得したｋ空間データからスパイクノイズを検出するためのものであり、第３分類器はスパイラルスキャンモードで取得したｋ空間データからスパイクノイズを検出するためのものである。トレーニング／学習フェーズにおいて、第１、第２、第３分類器はそれぞれ図７Ａと７Ｂを参照して説明するようにトレーニングされ得るが、各分類器が使用するトレーニングデータセットは、特定の対応するスキャンモードで取得したトレーニングデータセットである。図２Ａと図４を参照して説明する推論フェーズにおいて、ステップＳ２１０の前に、ＭＲＩデータプロセッサ４２はＭＲＩシステムからステップＳ２００でｋ空間データを取得する際に使用するスキャンモードを得て、第１、第２、第３分類器から分類器を選択する。使用するスキャンモードがラジアルスキャンモードである場合は第１分類器が選択され、使用するスキャンモードがカルテシアンスキャンモードである場合は第２分類器が選択され、使用するスキャンモードがスパイラルスキャンモードである場合は第３分類器が選択される。選択された分類器が、スパイク検出のためステップＳ２１０で使用されるだろう。

複数の分類器を準備するさらに別の実施形態では、ＭＲＩシステムは、（正規化）強度とｋ距離に加えてスキャン情報とシーケンス情報の両方を受け取る第４分類器と、（正規化）強度とｋ距離に加えてスキャン情報を受け取るが、シーケンス情報を受け取らない第５分類器と、（正規化）強度とｋ距離に加えてシーケンス情報を受け取るが、スキャン情報を受け取らない第６分類器とを記憶する。ＭＲＩシステムのサービススタッフまたはオペレータは、第４、第５、第６分類器のいずれか１つをスパイク検出のために選択できる。また、ＭＲＩシステムは、サービススタッフまたはオペレータが、第４分類器、第５分類器、第６分類器、または、第１、第２、第３分類器のセットのいずれかを選択できるようにする。

図７Ａおよび７Ｂに記載するトレーニングアルゴリズムは、例えば、図８に示すようなコンピューティング装置で実行する。コンピューティング装置８００は、上述したアルゴリズムのうちの１つまたは複数を実行できる装置の例を示す。ある実施形態において、コンピューティング装置は上述の図７Ａおよび７Ｂに示す分類器を生み出すモデルのトレーニングを実行できる。別の実施形態において、コンピューティング装置は図２および／または４で記載したスパイク検出アルゴリズムを実行できる。さらなる実施形態において、コンピューティング装置８００は上述のトレーニングアルゴリズムとスパイク検出アルゴリズムの両方を実行できるかもしれない。コンピューティング装置８００は処理部８０１と、ランダムアクセスメモリ（ＲＡＭ）８０２とリードオンリーメモリ（ＲＯＭ） ８０３を備えるシステムメモリと、各種プログラムおよびデータを記憶する記憶装置８０４と、通信インターフェイス８０６と、入力／出力（Ｉ／Ｏ）インターフェイス８０７と、ディスプレイ８０８とを備え、全てバス８１０に接続されている。ここに示すようにコンピューティング装置８００は、ネットワーク５０を介して、１つまたは複数の外部装置８５および／または１つまたは複数のデータ記憶部２５をもつサーバ２０と接続されていてもよい。データ記憶部２５は、（ａ）機械学習アルゴリズムを使ってモデルをトレーニングするために使われ得る、（ｂ）トレーニング済モデルの成功を変動し得る、（ｃ）記憶したデータがスパイク検出を含むかを開示した実施形態によるスパイク検出アルゴリズムを使って判断するために記憶したデータを使い得る、画像データを記憶する。このリストは、任意の（ａ）、（ｂ）、（ｃ）が個別に、一緒に、または、別の１つとの任意の組み合わせとして解釈されることを意図する。

コンピューティング装置８００はコンピューティングシステムの例である。ここでは、コンピューティングシステムという用語は、電子データ上でオペレーションを実行するために協働する、１つまたは複数のソフトウェアモジュール、１つまたは複数のハードウェアモジュール、１つまたは複数のファームウェアモジュール、または、これらの組み合わせを含むが、これに限定されない。モジュールの物理的レイアウトは変化してもよい。コンピューティングシステムは、ネットワークを介して結合する複数のコンピューティング装置を備えてもよい。コンピューティングシステムは、単一のコンピューティング装置を備え、内部モジュール（メモリやプロセッサなど）が電子データ上でオペレーションを実行するために協働してもよい。また、ここで使用するリソースという用語は、コンピューティングシステムで処理され得るオブジェクトを含むが、これに限定されない。リソースは実行可能な命令またはデータの部分であってもよい。

処理部８０１は、１つの中央演算処理装置（ＣＰＵ）または複数の処理部を備えてもよい。処理部８０１は各種処理を実行し、メモリに記憶された各種プログラムに従って、コンピューティング装置８００を制御する。処理部８０１は、メモリへの又はメモリからのデータ読み込みおよび制御信号を制御する。処理部８０１はＲＡＭ８０２を作業領域として使用し、ＲＯＭ８０３と記憶装置８０４に記憶されるプログラムを実行する。いくつかの実施形態において、プロセッサ８０１は、ＣＰＵに加えて１つまたは複数のプロセッサを備える。例として、プロセッサ８０１は１つまたは複数の汎用マイクロプロセッサ、特定用途向けマイクロプロセッサ、および／または、特殊用途向けマイクロプロセッサを備えてもよい。加えて、いくつかの実施形態において、プロセッサ８０１は、データまたは命令のための１つまたは複数の内部キャッシュを備えてもよい。

プロセッサ８０１は、オペレーティングシステム、アプリケーションプログラム、コンピューティング装置８００上に供給されるその他の各種機能を実行するために必要な処理能力を与える。プロセッサ８０１は、作業領域メモリＲＡＭ８０２の能力を使いながら、１つまたは複数のメモリ装置８０３および８０４に記憶された命令に従って、ここに記載する各種オペレーションおよび処理を実行する、または、コンピューティング装置８００のコンポーネントに実行させる。

ＲＡＭ８０２は、ＲＯＭ８０３および／または記憶装置８０４に記憶された各種プログラムの実行時を含む、各種処理を実行する間の作業領域として使用される。ＲＡＭ８０２は各種データの一時記憶領域として使用される。いくつかの実施形態において、ＲＡＭ８０２はキャッシュメモリとして使用される。

ＲＯＭ８０３は、データと、処理部８０１による実行のためにコンピュータで実行可能な命令をもつプログラムと、を記憶する。ＲＯＭ８０３は、コンピューティング装置８００に各種オペレーションと処理を実行させるように構成されたプログラムと、処理と、を記憶する。ある実施形態において、ＲＯＭ８０３は、コンピューティング装置８００のハードウェアおよびソフトウェアコンポーネントを管理する１つまたは複数のプログラムとデータを備えたオペレーティングシステムを記憶する。ＲＯＭ８０３および記憶装置８０４は、各種オペレーションを実行する際にオペレーションシステムを利用する、または、オペレーションシステムと協働する１つまたは複数のアプリケーションを更に記憶してもよい。

記憶装置８０４は、アプリケーションデータ、プログラムモジュール、および、その他の情報を記憶する。記憶装置８０４に記憶された、いくつかのプログラムおよび／またはプログラムモジュールは、ここに記載する各種オペレーションおよび処理が実行されるように構成される。記憶装置８０４は、例えば、ハードディスクまたはその他の非一時的なコンピュータ読取可能な記憶媒体であってもよい。記憶装置８０４は、例えば、オペレーティングシステムを記憶してもよい。ここに示すように、スパイク検出アルゴリズムで使用されるトレーニング済モデルと分類器を生成するために使われるモデルトレーニングおよび／または検証を実行するために選択的に実行され得るアプリケーション８０５を、記憶装置８０４は記憶する。他の実施形態において、アプリケーションは、図２および４に記載したスパイク検出アルゴリズムを備えてもよい。なお、アプリケーションという用語は、所望の処理結果を得るために、１つまたは複数の処理部によって実行される１つまたは複数の命令および／アルゴリズムのセットを備える１つまたは複数のプログラムを含んでもよい。

通信インターフェイス８０６は、コンピューティング装置８００と１つまたは複数の外部装置８５とサーバ２０との間で、一方向および／または双方向通信を確立および促進するハードウェアおよびソフトウェアを備えてもよい。通信インターフェイス８０６は、コンピューティング装置８００と、ネットワーク５０上の１つまたは複数の外部装置および／またはサーバ２０との間で通信（例えば、パケットベースの通信など）のための１つまたは複数のインターフェイスを提供する、ハードウェア、ソフトウェア、または双方を含むネットワークインターフェイスを備えてもよい。限定ではなく一例として、ネットワークインターフェイスは、Ｅｔｈｅｒｎｅｔ（登録商標）と通信するネットワークインターフェイスカード（ＮＩＣ）またはネットワークコントローラ、またはその他のワイヤベースネットワーク、または、ワイヤレスＮＩＣ（ＷＮＩＣ）、または、ＷＩ−ＦＩネットワークなどのワイヤレスネットワークと通信するワイヤレスアダプタ、を備えてもよい。本開示は、任意の好適なネットワーク５０およびそのための任意の好適なインターフェイスを熟考する。限定ではなく一例として、コンピューティング装置８００はアドホックネットワーク、パーソナルエリアネットワーク（ＰＡＮ）、ローカルエリアネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、都市規模ネットワーク（ＭＡＮ）、または、インターネットの１つまたは複数の部分、またはこれらのうち２つまたはそれより以上の組み合わせと通信してもよい。これらのネットワーク８１０のうちの１つまたは複数のネットワークの１つまたは複数の部分は、有線であっても無線であってもよい。

通信インターフェイス８０６はまた、１つまたは複数の短距離通信プロトコルを使って、外部装置とコンピューティング装置８００ との間のダイレクトコネクションを確立する１つまたは複数のメカニズムを備えてもよい。短距離通信プロトコルの１つの例示的なタイプに、ＮＦＣ機能をもつモバイルコンピューティング装置との双方向通信を可能にする近距離無線通信（ＮＦＣ）が含まれ得る。これは、ＮＦＣ（Ｎｅａｒ Ｆｉｅｌｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ；ＩＳＯ／ＩＥＣ ＩＳ１８０９２）などの近距離無線通信技術を用いる非接触型装置とのコマンドおよびデータの送信（書込み）および受信（読出し）を可能にする回路およびソフトウェアを備えたＮＦＣ部によって提供されるかもしれない。他の実施形態において、通信インターフェイスはまた、２．４ＧＨｚと２．４８５ＧＨｚとの間の周波数にわたる短波長電波を介してデータを送信および受信可能なトランシーバを備えることにより、ＢＬＵＥＴＯＯＴＨ（登録商標）通信規格に従って通信を行ってもよい。その他のインスタンスにおいて、通信インターフェイス８０６は、データがエンコーディングされた所定の周波数の電磁波波長を出射およびセンスできる赤外線（ＩＲ）部を備えてもよい。さらに、特に図示していないが、短距離通信インターフェイスはまた、スマートカードリーダ、無線自動識別（ＲＦＩＤ）リーダ、バイオメトリック情報を検出する装置、キーボード、キーパッド、センサ、これらの２つまたはそれ以上の組み合わせ、または、その他の好適な装置を備えてもよい。

コンピューティング装置８００は、コンピューティング装置８００の１つまたは複数のオペレーションを制御する入力としての情報および／または命令の入力に使われる外部装置と接続するための１つまたは複数のポートを備える入力／出力（Ｉ／Ｏ）インターフェイス８０７を備える。Ｉ／Ｏインターフェイス８０７は、例えば、ユニバーサルシリアルバス（ＵＳＢ）ポート、ＦｉｒｅＷｉｒｅポート（ＩＥＥＥ‐１３９４）、シリアルポート、パラレルポート、ＨＤＭＩ（登録商標）ポート、Ｔｈｕｎｄｅｒｂｏｌｔポート、ディスプレイポート、および／または、ＡＣ／ＤＣ電源接続ポートを含むが、それに限定されない、１つまたは複数の入力／出力（Ｉ／Ｏ）ポートを備えてもよい。Ｉ／Ｏインターフェイス８０７の個別のポートに接続すると、１つまたは複数の外部装置８０８はコンピューティング装置８００と通信して、コンピューティング装置８００に入力を与え、または、コンピューティング装置８００から出力を受け取る。限定ではなく一例として、Ｉ／Ｏ装置はキーボード、キーパッド、マイク、モニタ、マウス、スピーカ、静止カメラ、スタイラス、タブレット、タッチスクリーン、トラックボール、ビデオカメラ、他の好適なＩ／Ｏ装置、または、これらの２つまたはそれ以上の組み合わせを備えてもよい。Ｉ／Ｏ装置は、１つまたは複数のセンサを備えてもよい。いくつかの実施形態において、Ｉ／Ｏインターフェイス８０７は、プロセッサ８０７が、これらのＩ／Ｏ装置のうちの１つまたは複数を駆動できるようにする１つまたは複数の装置またはソフトウェアドライバを備える。

コンピューティング装置８００はまた、コンピューティング装置８００上で実行する１つまたは複数のアプリケーションによって生成される１つまたは複数のディスプレイスクリーンを出力するように構成されるディスプレイ８０８を備えてもよい。ディスプレイ８０８は、液晶ディスプレイ（ＬＣＤ），発光ダイオード（ＬＥＤ）ディスプレイ、有機発光ダイオード（ＯＬＥＤ）ディスプレイ、等を含むがそれに限定されない、任意のタイプのディスプレイ装置であってもよい。さらに、ディスプレイ８０８はコンピューティング装置８００の一部として示されているが、これは必須ではなく、代わりに、ディスプレイ８０８は、ディスプレイ８０８がコンピューティング装置８００から外部であるように、Ｉ／Ｏインターフェイス８０７を介してコンピューティング装置８００に選択的に接続されてもよい。また、コンピューティング装置８００によって生成された出力が表示されるディスプレイ８０８は、ネットワーク５０またはＷＩＦＩダイレクト等のダイレクトワイヤレス通信を介してコンピューティング装置８００に接続する１つまたは複数の外部装置／サーバ内に存在してもよい。

システムバス８１０は、コンピューティング装置８００の各種コンポーネントと相互接続し、それによりデータの送信と各種処理の実行を可能にする。システムバス８１０は、多様なバスアーキテクチャの任意のものを使って、メモリバスまたはメモリコントローラ、周辺バス、およびローカルバスを含む１つまたは複数のタイプのバスストラクチャを備えてもよい。

上述のように、本開示のアルゴリズムおよび当該アルゴリズムを実行するように構成されるハードウェアは、ある実施形態において、画像処理装置が、命令を記憶する１つまたは複数のメモリと、当該命令を実行し、撮像装置によって撮像された、それぞれが関連する個別の強度値をもつ複数のデータサンプルを含むデータを得るように構成される１つまたは複数のプロセッサと、を備えまたは含み、指定位置にある第１データサンプルを囲むデータサンプルのセットは関心信号を含む領域を形成する、ことを記載する。当該装置は、強度値と取得したデータ内のサンプルの位置に基づく機能である閾値処理を行う分類器を使って、データサンプルを分類する。閾値処理がサンプルの強度とサンプルが指定位置から少なくとも所定の距離に位置することに基づいて決定する場合、分類器は当該サンプルをサンプルの第１タイプに分類する。閾値処理がサンプルの強度とサンプルが指定位置から所定の距離内に位置することに基づいて決定する場合、分類器は当該サンプルをサンプルの第２タイプに分類する。例えば、第１タイプはノイズであって、第２タイプは非ノイズである。

別の実施形態において、本開示は画像処理装置を提供する。当該画像処理装置は、命令を記憶する１つまたは複数のメモリと、当該命令を実行して撮像装置から複数のデータサンプルを含むデータを得るように構成される１つまたは複数のプロセッサを備えまたは含み、第１データサンプルは指定位置にあり、複数のデータサンプルのその他全ての第１パラメータ値よりも高い第１パラメータに関連する値をもち、当該第１データサンプルを囲むデータサンプルのセットは関心信号を含む領域を形成し、当該データサンプルのセットのそれぞれのデータサンプルは当該第１データサンプルよりも小さいが当該領域の内側に存在しないその他のデータサンプルよりは大きい第１パラメータ値をもつ。当該装置は、当該関心信号を含む領域内のデータサンプルを除くデータサンプルを、第１パラメータ値と、取得データ内のサンプルの位置を特定する第２パラメータとの機能である閾値処理を行う分類器を使って、分類する。閾値処理において、当該サンプルは、少なくとも、当該関心信号を含む領域内のサンプルの第１パラメータ値である第１パラメータ値をもち、指定位置から少なくとも第１の所定距離に位置すると決定する場合、分類において当該サンプルをサンプルの第１タイプとする。閾値処理において、当該サンプルは、少なくとも、当該関心領域内のサンプルの第１パラメータ値である第１パラメータ値をもち、指定位置から第１の所定距離内に位置すると決定する場合、分類において当該サンプルをサンプルの第２タイプとする。

別の実施形態において、本開示は画像処理装置を提供する。当該画像処理装置は、命令を記憶する１つまたは複数のメモリと、当該命令を実行して撮像装置から複数のデータサンプルを含むデータを得るように構成される１つまたは複数のプロセッサを備えまたは含み、第１データサンプルは指定位置にあり、複数のデータサンプルのその他全ての強度値よりも高い強度値をもち、当該第１データサンプルを囲むデータサンプルのセットは関心信号を含む領域を形成し、当該データサンプルのセットのそれぞれのデータサンプルは当該第１データサンプルよりも小さいが当該領域の内側に存在しないその他のデータサンプルよりは大きい強度値をもつ。当該装置は、当該関心信号を含む領域内のデータサンプルを除くデータサンプルを、サンプルの強度値と、取得データ内のサンプルの位置との機能である閾値処理を行う分類器を使って、分類するように更に構成される。分類器によって行われる閾値処理において、当該サンプルは、当該関心領域内の強度値に実質上類似する強度値をもち、少なくとも、指定位置から第１の所定距離に位置することを示す場合、当該サンプルはサンプルの第１タイプに分類される。分類器によって行われる閾値処理において、当該サンプルは、当該関心領域内の強度値に実質上類似する強度値をもち、指定位置から第１の所定距離内に位置することを示す場合、当該サンプルはサンプルの第２タイプに分類される。

別の実施形態において、本開示はスパイクノイズを検出する画像処理装置を提供する。当該画像処理装置は、命令を記憶する１つまたは複数のメモリと、撮像装置によって取得される複数のデータサンプルを含むオブジェクトのｋ空間データを取得するために、記憶された命令を実行するように構成される１つまたは複数のプロセッサを備えまたは含み、複数のデータサンプルの各データサンプルは強度値をもつ。当該装置は、データサンプルごとに、オブジェクトのｋ空間データの原点からの距離値を算出し、強度値と算出した距離値に基づいてスパイクノイズを検出する分類器を使って、複数のデータサンプルの中のデータサンプルがスパイクノイズであるかを決定する。分類器は、機械学習アルゴリズムによってトレーニングされ、当該機械学習アルゴリズムにおいて、モデルは、ｋ空間データから、強度値とｋ空間データの原点からの距離値とを含むように生成されたトレーニングデータサンプルを入力して、トレーニングされる。トレーニングデータサンプルのうちの少なくとも１つは、トレーニングデータサンプルのうちの当該少なくとも１つのトレーニングサンプルがスパイクノイズであることを示すラベル情報をさらに含む。

本開示が提供する更なる実施形態は、スパイクノイズを検出する画像処理装置を備える。当該画像処理装置は、命令を記憶する１つまたは複数のメモリと、ＭＲＩスキャナによって取得され、複数のデータサンプルを含み、当該複数のデータサンプルの各データサンプルが強度値をもつ、オブジェクトのｋ空間データを得るために、記憶された命令を実行するように構成される１つまたは複数のプロセッサを含む。当該装置は、複数のデータサンプルごとに、強度値とオブジェクトのｋ空間データの原点からの距離値に基づいて正規化強度を算出し、複数のデータサンプルのうちのデータサンプルがスパイクノイズか否かの二値分類を、当該データサンプルの強度と算出した距離値に基づいて行う。

本実施形態の変形例として、分類部は、分類の対象となるデータサンプルに隣接する隣接データサンプルの強度値（以下、周辺信号強度と呼ぶ）と、当該データサンプルの強度値と、算出された距離値とに基づいて、分類を実行してもよい。なお、隣接データサンプルは、分類の対象となるデータサンプルの周辺に位置するデータサンプルを有していてもよい。分類部は、機械学習アルゴリズムによってトレーニングされ、当該分類を実行する分類器を有する。例えば、深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）による学習済みモデル（例えば、ディープニューラルネットワークモデル）として分類器が実現される場合、分類器は、ｋ空間において、スパイクノイズとして判定されたサンプルを教師データとしてトレーニングすることにより、生成される。このとき、分類器は、ｋ空間データが入力されることで、上記分類を実行する。これにより、スパイクノイズの判定の大事な要因となる周辺信号強度も、当該分類に寄与させることができる。例えば、位相エンコード方向に隣接する隣接データサンプルの強度値が高い場合は、時間的に異なる隣接データサンプルの強度値が高いということであり、分類の対象となるデータサンプルがスパイクノイズではないという可能性が高くなる。このため、ｋ空間において、より精度よくスパイクノイズの有無を分類することができる。

他に記載しない限り、上述した各種実施形態は互いに両立可能であり、各種実施形態の１つまたは複数の様態は、ここに記載する特徴を実施および実行するために、各種実施形態の他のものと組み合わせることができる。

また、コンピューティングシステムは、不揮発性フラッシュメモリ、コンパクトディスク（ＣＤ）、デジタル多用途ディスク（ＤＶＤ）、ＣＤ−ＲＯＭ，メモリカード、光磁気ディスクなどのリムーバブルメモリ、などのその他の記憶媒体、または、これらの任意の組み合わせを備えてもよい。コンピューティング装置のコンピュータ読取可能な記憶媒体の全てまたは一部は、１つまたは複数のリムーバブルブロック、モジュール、またはチップの形式であってもよい。コンピュータ読取可能な記憶媒体は、１つの物理的メモリ装置である必要はなく、１つまたは複数の別々のメモリ装置を備え得る。

明細書を参照して、開示例の深い理解を得るために、具体的詳細を前述した。他のインスタンスにおいて、公知の方法、手順、コンポーネント、および回路は、本開示を不必要に長くしないように、詳細に説明されていない。

明細書において、エレメントまたはパートが、他のエレメントまたはパートに「上に」、「対して」、「接続して」、または「結合して」と言及する場合、当該他のエレメントまたはパートに直接的に上に、対して、接続、または結合してもよく、または、介在するエレメントまたはパートが存在してもよい、と理解すべきである。対照的に、エレメントまたはパートが、他のエレメントまたはパートに「直接上に」、「直接接続して」、「直接結合して」と言及する場合、介在するエレメントまたはパートは存在しない。「および／または」という用語を使用するときは、そのように記載する場合は、関連してリストされたアイテムの１つまたは複数の任意および全ての組み合わせを含む。

「下に」、「より下に」、「低く」、「上に」、「より上に」、「近い」、「遠い」等の空間相対的な用語は、各種図面に示すように、１つのエレメントまたは特徴と別のエレメントまたは特徴との関係を記載するために、説明を簡単にするために明細書で使われることがある。しかし、空間相対的な用語は、図面に記載した向きに加えて、使用時またはオペレーション時の装置の異なる向きを包括する意図がある。例えば、図面の装置をひっくり返した場合、他のエレメントまたは特徴の「下に」または「より下に」と記載したエレメントは、当該他のエレメントまたは特徴の「上に」向くことになる。このように、「下に」などの相対的空間用語は、上と下の向きを両方含有し得る。装置は別の方向に向くことがあり（９０°または他の向きに回転）、ここで使用する空間相対的な記述子はそれに応じて解釈されるべきである。同様に、空間相対的な用語である「近い」および「遠い」は、適用可能な場合には、互いに置き換えできるかもしれない。

ここで使用する「約」という用語は、例えば、１０％内、５％内、または、それ以下を意味する。いくつかの実施形態において、「約」という用語は測定誤差内を意味してもよい。

第１、第２、第３等の用語は、ここでは各種エレメント、コンポーネント、領域、パーツ、および／またはセクションを記述するために使われることがある。これらのエレメント、コンポーネント、領域、パーツ、および／またはセクションが、これらの用語によって限定されないと理解すべきである。これらの用語は、あるエレメント、コンポーネント、領域、パーツ、またはセクションを他の領域、パーツ、またはセクションと区別ためだけに使われる。このように、下記で検討する第１エレメント、コンポーネント、領域、パーツ、またはセクションは、ここでの教示から逸脱しない限りにおいて、第２エレメント、コンポーネント、領域、パーツ、またはセクションと称することができる。

ここで使う専門用語は、特定の実施形態を記述することのみを目的としており、限定する意図はない。ここで使用されるように、単数形の「ａ」、「ａｎ」、および「ｔｈｅ」は、文脈から明らかに異なる場合を除いて、複数形をも含有すると意図される。用語「含む」および／または「含んでいる」は、本明細書で使用された場合は、記載する特徴、整数、ステップ、オペレーション、エレメント、および／または、コンポーネントが存在することを記述するが、明示的に記載していない１つまたは複数のその他の特徴、整数、ステップ、オペレーション、エレメント、コンポーネント、および／または、そのグループの存在、または、追加を除外しない。

前述の記載は、開示の本質を単に説明している。ここでの教示に照らして、記載した例示的な実施形態への様々な変形および変更が当業者にとって自明であるだろう。

図面に示した例示的な実施形態を記載するにあたって、明瞭化のために特定の専門用語を採用した。しかし、本特許明細書の開示は、このように選択された特定の専門用語に限定する意図がなく、特定のエレメントのそれぞれが同様に機能する技術的同等物の全てを含むと理解すべきである。

本開示は例示的な実施形態を参照して説明したが、本開示は開示した例示的実施形態に限定されないと理解すべきである。下記の特許請求の範囲は、そのような変形および同等のストラクチャおよび機能の全てを包括する最も広い解釈を認めるべきである。

実施形態における技術的思想を医用画像処理プログラムで実現する場合、医用画像処理プログラムは、コンピュータに、ＭＲＩスキャナによって取得され、強度値を有する複数のデータサンプルを有するオブジェクトのｋ空間データを取得し、複数のデータサンプルごとに、オブジェクトの前記ｋ空間データの原点からの距離値を算出し、少なくともデータサンプルの強度値と算出された距離値とに基づいて、複数のデータサンプルのデータサンプルがノイズを表すかの分類を実行すること、を実現させる。このとき、医用画像処理プログラムは、磁気ディスク（ハードディスクなど）、光ディスク（ＣＤ−ＲＯＭ、ＤＶＤなど）、半導体メモリなどの記憶媒体に格納して頒布することも可能である。医用画像処理プログラムにおける処理手順および効果は、実施形態と同様なため、説明は省略する。

以上説明した少なくとも１つの実施形態等によれば、ｋ空間におけるスパイクノイズを検出することができる。

いくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、実施形態同士の組み合わせを行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

８ 心臓信号取得装置
９ 患者
１０ ガントリー
１１ 患者テーブル
１２ 静磁場Ｂ_０磁石
１３ 心臓ゲーティング信号
１４ Ｇｘ，Ｇｙ，Ｇｚ傾斜磁場コイルセット
１６ 全身用ＲＦコイル（ＷＢＣ）アッセンブリ
１８ イメージングボリューム
１９ ＲＦコイル
２０ ＭＲＩシステムコンポーネント
２２ ＭＲＩシステムコントローラ
２４ ディスプレイ
２６ キーボード
２８ プリンタ
３０ ＭＲＩシーケンスコントローラ
３２ Ｇｘ，Ｇｙ，Ｇｚ傾斜磁場コイルドライバ
３４ ＲＦ送信器
３６ 送受信スイッチ
３８ プログラムコードストラクチャ
４０ ＲＦ受信器
４２ ＭＲＩデータプロセッサ
４４ ＭＲＩ画像再構成／減算プログラムコードストラクチャ
５０ プログラム記憶部

Claims (13)

1. ＭＲＩスキャナによって取得され、強度値を有する複数のデータサンプルを有するオブジェクトのｋ空間データを取得する取得部と、
   前記複数のデータサンプルごとに、前記オブジェクトの前記ｋ空間データの原点からの距離値を算出する算出部と、
   少なくとも前記データサンプルの前記強度値と前記算出された距離値とに基づいて、前記複数のデータサンプルにおけるデータサンプルがスパイクノイズを表すかどうかの分類を実行する分類部と、
   を備える画像処理装置。
2. 前記分類部は、前記分類の対象となる前記データサンプルに隣接する隣接データサンプルの前記強度値と、前記データサンプルの前記強度値と、前記算出された距離値とに基づいて、前記分類を実行する、
   請求項１に記載の画像処理装置。
3. 前記分類部は、
   機械学習アルゴリズムによってトレーニングされ、前記分類を実行する分類器を有し、
   前記分類器は、
   前記機械学習アルゴリズムにおいて、ｋ空間データから生成されたトレーニングデータサンプルを入力することによりトレーニングされ、
   各トレーニングデータサンプルは、各トレーニングデータサンプルの強度値と前記ｋ空間データの前記原点からの距離値とを有する、
   請求項１または２に記載の画像処理装置。
4. 前記複数のデータサンプルは、前記原点を囲む領域を形成する複数のデータサンプルのセットを有し、
   前記分類は、正規化強度値と前記原点からの個別の前記データサンプルの前記距離値とに基づく機能である閾値処理を実行する分類器を用いて、前記複数のデータサンプルの全てを分類することにより実行される、
   請求項１乃至３のうちいずれか一項に記載の画像処理装置。
5. 前記データサンプルの正規化強度が前記領域内の１つまたは複数のデータサンプルについての正規化強度値より大きいということと、前記データサンプルが第１の所定距離以上である前記原点からの距離に位置するということとを、前記閾値処理が決定する場合、前記分類器は前記データサンプルをスパイクノイズに分類し、
   前記データサンプルの正規化強度が前記領域内の１つまたは複数のデータサンプルについての正規化強度値より大きいということと、前記データサンプルが前記第１の所定距離より短い前記原点からの距離に位置するということとを、前記閾値処理が決定する場合、前記分類器は前記データサンプルを非スパイクノイズに分類し、
   前記データサンプルの正規化強度が前記領域内の１つまたは複数のデータサンプルよりも小さいということと、前記データサンプルが前記第１の所定距離以上である前記原点からの距離に位置するということとを、前記閾値処理が決定する場合、前記分類器は前記データサンプルを非スパイクノイズに分類する、
   請求項４に記載の画像処理装置。
6. 特定のデータサンプルがスパイクノイズであるという決定に応答して、前記特定のデータサンプルが前記領域から第２の所定距離内に存在することを示す前記距離値に基づいて、前記特定のデータサンプルの指定をスパイクノイズから非スパイクノイズに変更する変更部を更に備え、
   前記第２の所定距離は前記第１の所定距離よりも短い、
   請求項５に記載の画像処理装置。
7. 前記取得されたデータサンプルについて、前記分類に基づいて他のデータサンプルがスパイクノイズか非スパイクノイズかどうかと、前記原点にあるデータサンプルとを特定するマップを生成するマップ生成部をさらに備える、
   請求項１乃至６のうちいずれか一項に記載の画像処理装置。
8. 補正データサンプルを生成するために、ノイズとして特定されたデータサンプルにおいてサンプル補正処理を行う補正部と、
   非スパイクノイズだと示された前記データサンプルと補正したサンプルデータを、表示装置上に表示するための処理済画像データに変換する表示制御部と、をさらに備える、
   請求項１乃至７のうちいずれか一項に記載の画像処理装置。
9. 前記分類器は、スパイクノイズとしてラベル付けされた多くのデータサンプルを有し前記ＭＲＩスキャナにより生成された信号データセットと、修正されてスパイクノイズとしてラベル付けられたデータサンプルを有しＭＲＩスキャナにより生成された信号データセットと、を用いて、機械学習アルゴリズムによってトレーニングされたモデルである、
   請求項３乃至６のうちいずれか一項に記載の画像処理装置。
10. ＭＲＩスキャナによって取得され、強度値を有する複数のデータサンプルを有するオブジェクトのｋ空間データを取得し、
    前記複数のデータサンプルごとに、前記オブジェクトの前記ｋ空間データの原点からの距離値を算出し、
    少なくとも前記データサンプルの前記強度値と前記算出された距離値とに基づいて、前記複数のデータサンプルのデータサンプルがノイズを表すかの分類を実行する、
    ことを備えた画像処理方法。
11. ＭＲＩスキャナによって取得され、複数のデータサンプルに関連付けられた各データサンプルが強度値をもつ複数のデータサンプルを有するｋ空間データを取得する取得部と、
    少なくとも前記ｋ空間データ内の前記データサンプルの位置と前記強度値とに基づいて閾値処理を実行する分類器を用いて、前記データサンプルを分類する分類部と、を備え、
    前記閾値処理が、ｋ空間において指定位置からの所定の距離以上に位置する前記データサンプルの前記強度値に基づいて決定する場合、前記分類器は前記データサンプルを第１タイプに分類し、
    前記閾値処理が、ｋ空間において前記指定位置からの所定の距離内に位置する前記データサンプルの前記強度値に基づいて決定する場合、前記分類器は前記データサンプルを第２タイプに分類する、
    画像処理装置。
12. 強度値を有する複数のデータサンプルを有するオブジェクトのｋ空間データを取得する取得部と、
    前記複数のデータサンプルごとに、前記オブジェクトの前記ｋ空間データの原点からの距離値を算出する算出部と、
    少なくとも前記強度値と前記距離値とに基づいて、前記複数のデータサンプルにおけるデータサンプルがスパイクノイズを表すかどうかの分類を実行する分類部と、
    を備える磁気共鳴イメージング装置。
13. コンピュータに、
    ＭＲＩスキャナによって取得され、強度値を有する複数のデータサンプルを有するオブジェクトのｋ空間データを取得し、
    前記複数のデータサンプルごとに、前記オブジェクトの前記ｋ空間データの原点からの距離値を算出し、
    少なくとも前記データサンプルの前記強度値と前記算出された距離値とに基づいて、前記複数のデータサンプルのデータサンプルがノイズを表すかの分類を実行すること、
    を実現させる医用画像処理プログラム。

Images