JP2021518228A - 磁気共鳴フィンガープリンティングを用いた異常検出 - Google Patents
磁気共鳴フィンガープリンティングを用いた異常検出 Download PDFInfo
- Publication number
- JP2021518228A JP2021518228A JP2020550845A JP2020550845A JP2021518228A JP 2021518228 A JP2021518228 A JP 2021518228A JP 2020550845 A JP2020550845 A JP 2020550845A JP 2020550845 A JP2020550845 A JP 2020550845A JP 2021518228 A JP2021518228 A JP 2021518228A
- Authority
- JP
- Japan
- Prior art keywords
- mrf
- magnetic resonance
- vector
- voxel
- voxels
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/543—Control of the operation of the MR system, e.g. setting of acquisition parameters prior to or during MR data acquisition, dynamic shimming, use of one or more scout images for scan plane prescription
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
- G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
- G01R33/56545—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by finite or discrete sampling, e.g. Gibbs ringing, truncation artefacts, phase aliasing artefacts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/759—Region-based matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- High Energy & Nuclear Physics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Neurology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
Description
− スクリーニング用途は、通例、特定の臨床的質問に関する知識を必要とし、それによって、プロトコルを選択することができ、放射線医が特定のパターンを探索するように要求され得る。したがって、スクリーニング用途は、常に詳細であり、多くのリソースを必要とする。
− MRIにおける異常は、定性的MR画像におけるコントラスト変化にほぼ排他的に基づき、組織特性における大域的変化を検出することができない。
− 磁気共鳴フィンガープリンティング(MRF)のようなマルチパラメータイメージングは、コントラストの生成において幾らかの更なる柔軟性を提供するが、通例、依然として、何のコントラストを生成するかに関する事前情報を必要とし、MRFの場合は、事前計算された辞書を構成するために何の信号を予期するかに関する事前情報を必要とする。
− MRF信号を測定するためのセットアップ。
− MRF信号の特徴を学習し、多次元特徴空間における異常スコアを計算するアルゴリズム、
− 測定されたMRFデータから異常マップを計算する方法、
− 任意選択で他のパラメータマップと組み合わせて、異常マップを表示する方法。
第1に、MRFデータ/マルチパラメータMRデータは、数人の健常な対象者から取得される。トレーニングデータセットに含まれることになるボクセルは、信号振幅(例えば対象者の外側の低振幅信号が拒否される)によって選択され、任意選択で、組織タイプ(これは、標準的なMRF分類マップを計算し、標準的なMRFパラメータマップを計算し、パラメータ範囲、手動セグメンテーション又は自動モデルベースのセグメンテーションを選択することによって達成することができる)によって選択される。
データセットが準備されると、機械学習アルゴリズムがトレーニング又は変更される。用いることができる幾つかの例示的なアルゴリズムは、以下の通りである。
− 分離フォレストアルゴリズム:
このアルゴリズムは、多次元クラスター及び外れ値分析に適している。このアルゴリズムは、トレーニングされると、試験ベクトルごとに、トレーニングデータとの適合性を指定するスコアを計算する。
− k−NN(k最近傍)アルゴリズム:
試験ベクトルごとに、このアルゴリズムは、トレーニングデータセットからk個の最近傍への距離を返す。幾つかの例との関連で、k個の最近傍(ここで、例えばk=3である)の平均距離は、試験ベクトルの異常の尺度としての役割を果たす。
− 1クラスサポートベクトルマシンアルゴリズム:
このアルゴリズムは、トレーニング例のセットを用いてインライア(inlier)と外れ値との間の境界を定義する。次に、試験データポイントは、2つのカテゴリのうちの1つに属するものとして分類される。このアルゴリズムは、新たな例を一方のカテゴリ又は他方のカテゴリに割り当てるモデルを用いる非確率的バイナリ分類器の例である。
− 試験データセットの分析:
試験対象者(スクリーニングされる患者)から測定された信号は、トレーニング信号と同じように準備される(ボクセル選択、次元低減、正規化)。
100 医療イメージングシステム
102 コンピュータ
104 ハードウェア又はネットワークインタフェース
106 プロセッサ
108 ユーザインタフェース
110 メモリ
120 マシン実行可能命令
122 MRF磁気共鳴データ
124 複数のボクセルのためのMRFベクトル
126 複数のボクセルのための前処理済みMRFベクトル
128 機械学習アルゴリズム
130 外れ値マップ
200 関心領域のMRF磁気共鳴イメージングプロトコルに従って取得されたMRF磁気共鳴データを受信する
202 MRF磁気共鳴イメージングプロトコルに従って、MRF磁気共鳴データを用いて関心領域を示すボクセルのセットのボクセルごとのMRFベクトルを再構成する
204 ボクセルごとにMRFベクトルへの所定の前処理ルーチンを適用することによって、ボクセルのセットの各々について、前処理済みMRFベクトルを計算する
206 機械学習アルゴリズムを用いて、前処理済みMRFベクトルに外れ値スコアを割り当てることによって、ボクセルのセットのための外れ値マップを計算する
300 医療イメージングシステム
302 磁気共鳴イメージングシステム
304 磁石
306 磁石のボア
308 イメージングゾーン
309 関心領域
310 磁場勾配コイル
312 磁場勾配コイル電源
314 無線周波数コイル
316 送受信機
318 対象者
320 対象者支持体
340 MRFパルスシーケンスコマンド
400 磁気共鳴イメージングシステムを制御してMRF磁気共鳴データを取得する
500 医療イメージングシステム
542 磁気共鳴フィンガープリンティング辞書
544 磁気共鳴画像
544’ 磁気共鳴画像
546 画像セグメンテーション
546’ 画像セグメンテーション
548 異常ボクセルの識別
548’ 異常ボクセルの識別
550 医用画像のレンダリング
550’ 医用画像のレンダリング
600 医療イメージングシステム
640 イメージングパルスシーケンスコマンド
642 イメージング磁気共鳴データ
700 開始
702 健常な対象者からMRFデータを取得する
704 A)組織セグメンテーションに従ってデータをマスキングする
706 B)任意選択でMRF信号の次元を低減する
708 C)信号を正規化する
710 選択/低減されたMRF信号を用いて外れ値検出アルゴリズムをトレーニングする
712 試験対象者からMRFデータを取得する
714 ステップA、B、Cに従ってデータを準備する
716 ボクセルごとに異常スコアを決定する
718 異常マップを視覚化する
720 更なる対象者?
722 終了
800 外れ値スコア
付録タイトル:自動化ウェーブレットバランシング
付録執筆者:Miha Fuderer、Adri Duijndam及びElwin de Weerdt
圧縮センシングMRIは、取得時間を加速する価値のある技法であるが、データ忠実性制約に関連するウェーブレット制約の影響をバランシングするための係数を必要とする。この係数は多くの場合に「手動で」設定される。例は、この係数を自動的に推定することを提案する。最適なバランシング係数は、個々のウェーブレットスケールのセットの統計に基づいて計算される。
例の背景
圧縮センシング(CS)は、MRIにおける有望な用途を有する技法である。CSは、依然として良好な結果画像を再構成しながら、k空間内のデータポイントの低減されたセットをサンプリングすることを可能にする。この可能性は、結果として得られる画像が圧縮可能であるという知識に基づく。CSアルゴリズムは、画像表現がスパースであるように仮定される領域内で非線形動作を適用する。通常、領域は画像のウェーブレット変換であり、非線形動作は、一定のしきい値未満のウェーブレット要素を0にする(それによって実際には関連信号よりも多くのノイズ及びアーチファクトを除去する)ことからなる「しきい値処理」からなる。
目的は、画像又はデータ特性から、λの有利な選択を導出することであり、これを、ユーザがこの値を設定することを必要とすることなく、広範囲の状況(圧縮係数、分解能、コントラスト、信号対雑音条件等)において行うことである。
例は、互いに独立して適用される以下の要素を含む。
・ 係数λは、ウェーブレット成分のヒストグラム統計に依拠して設定される。より詳細には、最も細かいウェーブレット成分のヒストグラム統計がより粗いスケールの統計から導出される。
・ 分解能を保持するために、係数λを、最も細かいウェーブレットスケールにおける信号エネルギーが、スパース化項の適用なしで得られる信号エネルギーの固定の割合(例えば90%まで)よりも更に低減されないことを確実にする値に限定する。
特定の例
以下の処理ステップは、スライスごと及びNesterov/Fista最適化方式の反復ごとに適用される。ウェーブレットしきい値処理ステップ内で必要とされる計算に関する詳細な説明については補遺を参照されたい。
− 各ウェーブレットスケールの値のヒストグラムの分析によって、ウェーブレットスケールごとに画像のラプラススケールを計算する。ラプラススケールは、ここでは「b」と呼ばれる。背景量のための補正係数は、このステップにおいて考慮に入れられる。
− ラプラススケールとウェーブレットスケールとの間の指数関数的関係を記述するパラメータを推定する。ここでは組み合わされた推定手順が用いられ、ここで、いわゆるHH、LH及びHLウェーブレット領域部分は、指数関数的モデルにおいて分離されるが、統合された形式で推定される。ボクセルサイズの異方性特性が考慮に入れられる。
− この指数関数的関係から最も有意味でないラプラススケールを導出する。詳細については補遺を参照されたい。これらの3つのステップを合わせて、最も低いウェーブレットスケールに関するbの精緻化された(かつ安定した)推定値を導く。
− ウェーブレットしきい値を
− しきい値に対する許容可能な上限を
− しきい値を、2つの上述した値の最大値、すなわち
− このしきい値tを用いてウェーブレットしきい値処理を適用する。
・ 係数λはウェーブレットスケールごとに異なるように設定される。
・ ウェーブレットステップ内のしきい値処理関数は、ハードしきい値処理及びソフトしきい値処理間の関数である。より詳細には、「減算値」、
詳細の検出可能性が問題である。しかしながら、システムがウェーブレットパラメータの手動の設定を必要としないことをユーザインタフェースから理解することができる。
MRI
逆問題の定式化
測定データの順方向モデルが以下によって与えられるものとする。
m=MFSp+n (0.2)
ここで、以下の定義を用いる。
− mは、測定されていないk空間位置における、ゼロ値を用いて拡張された測定データのベクトルであり、
− pは、画像のピクセルを含むベクトルであり、
− Sは、コイル感度を含む行列であり、
− Fは、(完全)フーリエ変換を表す行列であり、
− Mは、測定されたk空間位置の対角線上に1の値を含み、他の場所でゼロの値を含む(これらの重みは一般化することができる)ブロック対角行列であり、
− nは、ノイズを有するベクトルである。
0=Ip+nr (0.3)
を有し、(複素数値の)画像ピクセルの予測値がゼロであることを指定する。不確実性がガウスと見なされ、その特性が対角共分散行列Rにおいて指定される。この行列は、背景におけるボクセルの対角線上で低値を有し、これにより、逆問題が効果的に安定化し、より高いSNRにつながる。
p(p)∝exp(−||B−1Wp||1) (0.4)
ここで、不確実性は、ウェーブレット係数がスパースに分布するという仮定を表すラプラス分布を有すると見なされる。不確実性は対角行列「B」を通じて与えられる。
現実世界の画像のウェーブレット変換の第1の幾つかの基本特性が紹介される。次に、関連特性のうちの幾つかの推定が論考される。ウェーブレットしきい値処理への適用の扱いは以下の通りである。
原理的に、例は、用いられる任意のタイプのウェーブレット変換に適用可能である。ドブシーウェーブレットファミリー、特にD4ウェーブレットがよく知られた人気のある選択である。https://en.wikipedia.org/wiki/Discrete_wavelet_transformも参照されたい。
このトピックを紹介するために、図9(左上及び中央)に示す画像及びその対応するウェーブレット変換について検討する。2つのことを観測することができる。すなわち、(1)ウェーブレットスケールごとに、多くの係数が低い絶対値を有し、(2)係数の振幅は、より粗いスケールの場合に増大する。
上記の第1の観測に関して、1つの特定のウェーブレットスケールについて係数からヒストグラムを生成する場合(図9の左下の図を参照されたい)、これが概ねラプラス分布に従うことがわかる。単一の変数xについて、この分布は以下によって与えられる。
図9(右上)におけるようなウェーブレットスケールを定義する。これは、最も細かいスケールにおいてゼロであり、スケールが粗くなるごとに1増大すると定義される。中間スケール0.5、1.5等は、ウェーブレット変換の水平コンポーネント又は垂直コンポーネントである。ラプラススケールは、より粗いウェーブレットスケールについてより大きくなることを見て取ることができる。ウェーブレットスケールに対する依存性は、以下を通じて定式化することができる。
bs=b0qs, s=0,0.5,1,… (0.12)
この関係(ここで、q≒3)は、最も細かいスケールを除いて、データを著しく良好に記述することがわかっている。この例示については図9の例も参照されたい。
(0.12)のための有理数を提供するために、ウェーブレットスケールと、k空間における位置との間の関係を理解することが重要である。この関係を示す良好な方式は、1つのみのウェーブレット係数から構築された画像のフーリエ変換を研究することである。
ラプラススケールは、オブジェクト依存であるため、CS−SENSE走査の再構成の前に知られていない。これらの特性は、CS−SENSEアルゴリズムの不可欠な部分として推定されなくてはならないため、これらの値を前もって導出するのに利用可能な事前走査又は全体情報は存在しない。そして、これらは(部分的に)再構成された画像から推定されなくてはならない。これらの特性の推定を阻害する2つの問題が存在する。
− 反復的方式の始まりにおいて、又は早期の反復中に、不完全な再構成のみを有する。ノイズは別として、画像は依然としてエイリアシングアーチファクトを含む。
− 後のかつ最後の反復であっても、画像は依然としてノイズで汚染されており、アーチファクトが残っている(おそらくは不完全な展開であるが、不完全なコイル感度、動き及び他の一般的なアーチファクトの原因に起因したアーチファクトもある)。これらは、より細かいウェーブレットスケールに特に影響を及ぼすため、これらを確実に推定することができない。
ラプラススケールの推定値を、画像空間において行われるゼロパディング量と独立させることが望ましい。結局、画像コンテンツの特性は、単にゼロ値を有するエッジを周りに加えることでは変化しない。そのようなゼロパディングアクションは、画像を、ウェーブレット変換に適した行列サイズに拡張するために行われる。
CS−SENSE方式について、q及びb0は、まず、背景マスク補正を含む、全てのウェーブレットスケール(及び3つの部分HH、LH及びHL)について式(0.14)を使用してラプラススケールを推定することによって推定される。これらのラプラススケール及び関係(0.12)から、q及びb0が推定される。固有のオブジェクト特性のみに依拠し、取得又は処理に依存する詳細から独立している、ウェーブレットスケール依存のラプラススケールの「ピクチャ」に達するために考慮に入れる必要がある幾つかの態様が存在する。これらの後者の態様は、以下をカバーする。
− k空間におけるゼロパディング(補間)
− 異方性分解能
一例として、特定の方向に沿った係数2を用いたゼロパディングを検討する。これは、係数2を用いた補間に対応するため、ウェーブレット領域内の画像のコンテンツは、補間のない状況と比較して、1スケール上にシフトすることが明らかである。これは、ウェーブレットスケールの定義に組み込まれる必要がある。
sx,y=0,1,2,… (0.15)
ここで、異方性分解能及びウェーブレット変換に対する結果のトピックに移る。より具体的には、いずれのウェーブレットスケール(ウェーブレット領域におけるいずれの「ボックス」)にしきい値を基づかせることを望むかである。ディスクの等方性分解能と比較した異方性分解能の合成例を検討する。図13は、対応する推定ラプラススケールを示す。異方性分解能に起因して、ラプラススケールは、スケールの3つの異なるタイプ(HH、LH及びHL)について大きく異なることが明らかである。
推定手順の幾つかの実際の態様がカバーされる必要がある。
− ウェーブレットレベルの数、
− レベルの重み付け、
− 最小二乗に対する代替。
解かれることになる逆問題におけるスパース性項の厳密な形式を決定する際に、2つの態様が検討される必要がある。第1の態様は、しきい値がウェーブレットタイプ及びスケールごとに変動するべきか否か、又は一定のレベルが必要とされるか否かである。第2の態様は、「ウェーブレットバランシング」、すなわち、(データ当てはめ及び正則化に対する)しきい値処理のレベルの項目である。これらのトピックは、次のセクションにおいて記載される。
上記の題材及び逆問題の一般的定式化を所与として、最良の再構成は、ウェーブレットスケールを増大させる(bの増大を示す)ために減少することになるしきい値1∝1/bを可能にする再構成であることが予期される。これは、純粋な定量的観点から真であるが、レベル依存のしきい値処理の効果は、ノイズが着色され、画像が人工的に見えるようになることである。これらは目に心地良くない。この場合、解剖学的構造、コイル感度及びサンプリングパターンが、神経走査から取得される。正常なデータは、純粋なランダム白色ノイズと置き換えられた。3つの異なるしきい値処理方式が適用され、結果として得られる画像及び対応するウェーブレット変換が示される(右)。色は位相を示し、無視することができる。3つの方法は以下の通りである。
− 定数しきい値(右上)
− 「ラプラス」、すなわち、レベル依存のしきい値。正常なオブジェクトからのしきい値。
− 「ラプラス、エネルギー保存」。これは、「ラプラス」と同様であるが、ウェーブレットスケールごとに、固定のパーセンテージの信号のみが除去されるようにレベルが制限されている。
まず、幾つかの例の主要要素のうちの2つを列挙する。
− 「CS−SENSEにおけるスパース性制約の適用は、ユーザインタラクションを必要としない」。又はより厳密には、ユーザはしきい値処理のレベルを指定しなくてよい。
− スパース性制約の適用は、視認可能な分解能の損失をもたらさない。
Claims (16)
- マシン実行可能命令を記憶するためのメモリと、
医療器具を制御するためのプロセッサであって、前記マシン実行可能命令の実行は、前記プロセッサに、
関心領域のMRF磁気共鳴イメージングプロトコルに従って取得されたMRF磁気共鳴データを受信させ、
前記MRF磁気共鳴イメージングプロトコルに従って、前記MRF磁気共鳴データを用いて前記関心領域を記述するボクセルのセットのボクセルごとにMRFベクトルを再構成させ、
ボクセルごとに前記MRFベクトルに所定の前処理ルーチンを適用することによって、前記ボクセルのセットの各々について、前処理済みMRFベクトルを計算させ、前記所定の前処理ルーチンは、ボクセルごとに前記前処理済みMRFベクトルを正規化することを含み、
機械学習アルゴリズムを用いて、前記前処理済みMRFベクトルに外れ値スコアを割り当てることによって、前記ボクセルのセットのための外れ値マップを計算させる、
プロセッサと、
を備える、医療イメージングシステム。 - 前記医療イメージングシステムは、磁気共鳴イメージングシステムを更に備え、前記メモリは、前記関心領域から前記MRF磁気共鳴データを取得するように前記磁気共鳴イメージングシステムを制御するMRFパルスシーケンスコマンドを更に含み、前記マシン実行可能命令の実行は、前記プロセッサに、前記MRF磁気共鳴データを取得するように前記磁気共鳴イメージングシステムを制御させる、請求項1に記載の医療イメージングシステム。
- 前記マシン実行可能命令の実行は更に、前記プロセッサに、前記ボクセルのセットのセグメンテーションを受信させ、前記セグメンテーションは、前記ボクセルのセットの各々についてボクセルタイプを識別し、前記外れ値スコアは、前記ボクセルタイプを前記機械学習アルゴリズムへの入力として用いることによって少なくとも部分的に割り当てられる、請求項1又は2に記載の医療イメージングシステム。
- 前記ボクセルタイプは、注釈付き解剖学的アトラスから導出された解剖学的ロケーション、組織タイプ、臓器タイプ、大域ボクセル、及びこれらの組み合わせのうちの任意のものである、請求項3に記載の医療イメージングシステム。
- 前記マシン実行可能命令の実行は更に、前記プロセッサに、
磁気共鳴フィンガープリンティング辞書を用いてボクセルごとに前記MRFベクトルから磁気共鳴画像を再構成すること、及び、
前記関心領域を記述するイメージング磁気共鳴データから前記磁気共鳴画像を再構成すること
のうちの任意のものに従って前記磁気共鳴画像を再構成させる、
請求項1から4のいずれか一項に記載の医療イメージングシステム。 - 前記マシン実行可能命令の実行は更に、前記プロセッサに、
前記外れ値マップのしきい値処理によって異常ボクセルを識別させ、
前記磁気共鳴画像を含む医用画像をレンダリングさせ、前記異常ボクセルが前記医用画像においてマーキングされる、
請求項5に記載の医療イメージングシステム。 - 前記マシン実行可能命令の実行は更に、前記プロセッサに、
トレーニング関心領域のMRF磁気共鳴イメージングプロトコルに従って取得されたトレーニングMRF磁気共鳴データを受信することと、
前記MRF磁気共鳴イメージングプロトコルに従って前記トレーニングMRF磁気共鳴データを用いて、前記トレーニング関心領域を記述するトレーニングボクセルのセットのボクセルごとにトレーニングMRFベクトルを再構成することと、
ボクセルごとに前記所定の前処理ルーチンを前記MRFベクトルに適用することによって、前記ボクセルのトレーニングセットごとにトレーニング前処理済みMRFベクトルを計算することと、
前記トレーニング前処理済みMRFベクトルを用いて前記機械学習アルゴリズムをトレーニングすることと、
によって前記機械学習アルゴリズムをトレーニングさせる、請求項6に記載の医療イメージングシステム。 - 前記所定の前処理ルーチンは、ボクセルごとに前記MRFベクトルの次元を低減することを含む、請求項1から7のいずれか一項に記載の医療イメージングシステム。
- ボクセルごとに前記MRFベクトルの次元を低減することは、
前記MRFベクトルにフーリエ変換を適用し、所定の周波数値を上回るフーリエ変換されたMRFベクトルを切り捨てることと、
前記MRFベクトルを、主成分分析アルゴリズムを用いて縮約することと、
MRF辞書を用いて複数の緩和時間を計算することと、
のうちの任意のものを含む、請求項8に記載の医療イメージングシステム。 - 前記所定の前処理ルーチンは、
前記ボクセルのセットから選択されたボクセルを除去するためのマスクを適用することと、
前記MRFベクトルが所定の振幅又は所定の尺度未満である場合、前記ボクセルのセットから前記選択されたボクセルを削除することと、
これらの組み合わせと、
のうちの任意のものを含む、請求項1から9のいずれか一項に記載の医療イメージングシステム。 - トレーニングされた機械学習アルゴリズムは外れ値検出アルゴリズムである、請求項1から10のいずれか一項に記載の医療イメージングシステム。
- 前記機械学習アルゴリズムは、分離フォレストアルゴリズムと、k最近傍アルゴリズムと、1クラスサポートベクトルマシンアルゴリズムとのうちの任意のものである、請求項1から11のいずれか一項に記載の医療イメージングシステム。
- 前記所定の前処理ルーチンは、
前記ボクセルのセットの各々を取り囲む所定の領域について空間的に平均化されたMRFベクトルを計算することと、
前記外れ値マップを計算する前に、前記空間的に平均化されたMRFベクトルを前記前処理済みMRFベクトルに付加することと、
を含む、
請求項1から12のいずれか一項に記載の医療イメージングシステム。 - 所定の前処理ルーチンは、
前記ボクセルのセットの各々について空間勾配MRFベクトルを計算することと、
前記外れ値マップを計算する前に前記空間勾配MRFベクトルを前記前処理済みMRFベクトルに付加することと、
を含む、請求項1から13のいずれか一項に記載の医療イメージングシステム。 - プロセッサによって実行するためのマシン実行可能命令を含むコンピュータプログラムであって、前記マシン実行可能命令の実行は、前記プロセッサに、
関心領域のMRF磁気共鳴イメージングプロトコルに従って取得されたMRF磁気共鳴データを受信させ、
前記MRF磁気共鳴イメージングプロトコルに従って、前記MRF磁気共鳴データを用いて前記関心領域を記述するボクセルのセットのボクセルごとにMRFベクトルを再構成させ、
ボクセルごとに前記MRFベクトルに所定の前処理ルーチンを適用することによって、前記ボクセルのセットの各々について、前処理済みMRFベクトルを計算させ、前記所定の前処理ルーチンは、ボクセルごとに前記前処理済みMRFベクトルを正規化することを含み、
機械学習アルゴリズムを用いて、前記前処理済みMRFベクトルに外れ値スコアを割り当てることによって、前記ボクセルのセットのための外れ値マップを計算させる、
コンピュータプログラム。 - 医療イメージングシステムを動作させる方法であって、前記方法は、
関心領域のMRF磁気共鳴イメージングプロトコルに従って取得されたMRF磁気共鳴データを受信するステップと、
前記MRF磁気共鳴イメージングプロトコルに従って、前記MRF磁気共鳴データを用いて前記関心領域を記述するボクセルのセットのボクセルごとにMRFベクトルを再構成するステップと、
ボクセルごとに前記MRFベクトルに所定の前処理ルーチンを適用することによって、前記ボクセルのセットの各々について、前処理済みMRFベクトルを計算するステップであって、前記所定の前処理ルーチンは、ボクセルごとに前記前処理済みMRFベクトルを正規化することを含む、ステップと、
機械学習アルゴリズムを用いて、前記前処理済みMRFベクトルに外れ値スコアを割り当てることによって、前記ボクセルのセットのための外れ値マップを計算するステップと、
を有する、方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18163288.6 | 2018-03-22 | ||
EP18163288.6A EP3543911A1 (en) | 2018-03-22 | 2018-03-22 | Anomaly detection using magnetic resonance fingerprinting |
PCT/EP2019/056227 WO2019179838A1 (en) | 2018-03-22 | 2019-03-13 | Anomaly detection using magnetic resonance fingerprinting |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021518228A true JP2021518228A (ja) | 2021-08-02 |
JP7304879B2 JP7304879B2 (ja) | 2023-07-07 |
Family
ID=61750018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020550845A Active JP7304879B2 (ja) | 2018-03-22 | 2019-03-13 | 磁気共鳴フィンガープリンティングを用いた異常検出 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11435422B2 (ja) |
EP (2) | EP3543911A1 (ja) |
JP (1) | JP7304879B2 (ja) |
CN (1) | CN112166332A (ja) |
WO (1) | WO2019179838A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7407062B2 (ja) | 2020-04-28 | 2023-12-28 | 富士フイルムヘルスケア株式会社 | 磁気共鳴イメージング装置および画像処理方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114111835B (zh) * | 2020-09-01 | 2023-09-19 | 北京原子机器人科技有限公司 | 实时磁场标定系统和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100134491A1 (en) * | 2007-03-20 | 2010-06-03 | David Borland | Methods, systems, and computer readable media for flexible occlusion rendering |
US20130034278A1 (en) * | 2011-08-06 | 2013-02-07 | Gindele Edward B | Reporting organ volume for a medical digital image |
US20160139227A1 (en) * | 2014-11-17 | 2016-05-19 | Siemens Aktiengesellschaft | Magnetic resonance method and apparatus for accelerating magnetic resonance fingerprinting |
WO2017007696A1 (en) * | 2015-07-07 | 2017-01-12 | Tesla Health, Inc | Fast scanning based on magnetic-resonance history |
US20170103287A1 (en) * | 2015-10-13 | 2017-04-13 | Impac Medical Systems, Inc. | Pseudo-ct generation from mr data using tissue parameter estimation |
US20170285122A1 (en) * | 2016-04-03 | 2017-10-05 | Q Bio, Inc | Rapid determination of a relaxation time |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7430323B2 (en) * | 2003-08-08 | 2008-09-30 | Trustees Of The University Of Pennsylvania | Method and apparatus for 4-dimensional image warping |
US7881878B2 (en) * | 2005-04-11 | 2011-02-01 | Siemens Medical Solutions Usa Inc. | Systems, devices, and methods for diffusion tractography |
DE102006001681B4 (de) * | 2006-01-12 | 2008-07-10 | Wismüller, Axel, Dipl.-Phys. Dr.med. | Verfahren und Vorrichtung zur Darstellung mehrkanaliger Bilddaten |
US8706188B2 (en) * | 2008-06-04 | 2014-04-22 | The Board Of Trustees Of The Leland Stanford Junior University | Automatic segmentation of articular cartilage from MRI |
KR101805619B1 (ko) * | 2011-01-25 | 2017-12-07 | 삼성전자주식회사 | 3차원 의료 영상으로부터 최적의 2차원 의료 영상을 자동으로 생성하는 방법 및 장치 |
US20130131490A1 (en) * | 2011-04-22 | 2013-05-23 | John Huston, III | System and Method for Determining The Presence of a Neurodegenerative Disease Using Magnetic Resonance Elastography |
US9510756B2 (en) * | 2012-03-05 | 2016-12-06 | Siemens Healthcare Gmbh | Method and system for diagnosis of attention deficit hyperactivity disorder from magnetic resonance images |
JP5850381B2 (ja) * | 2012-07-23 | 2016-02-03 | 富士通株式会社 | 形状データ生成プログラム、形状データ生成方法及び形状データ生成装置 |
WO2015160400A2 (en) * | 2014-02-11 | 2015-10-22 | The General Hospital Corporation | System and method for adaptive dictionary matching in magnetic resonance fingerprinting |
US10261154B2 (en) | 2014-04-21 | 2019-04-16 | Case Western Reserve University | Nuclear magnetic resonance (NMR) fingerprinting tissue classification and image segmentation |
US9964616B2 (en) | 2014-05-30 | 2018-05-08 | Case Western Reserve University | Fast group matching for magnetic resonance fingerprinting reconstruction |
WO2016063235A2 (en) * | 2014-10-22 | 2016-04-28 | Koninklijke Philips N.V. | Visualization of imaging uncertainty |
WO2016074946A1 (en) * | 2014-11-14 | 2016-05-19 | Koninklijke Philips N.V. | Magnetic resonance fingerprinting in slices along a one-dimensional extension |
US10794976B2 (en) | 2014-11-27 | 2020-10-06 | Koninklijke Philips N.V. | Magnetic resonance fingerprinting data collection and analysis system |
WO2016120086A1 (en) * | 2015-01-30 | 2016-08-04 | Koninklijke Philips N.V. | Automated scan planning for follow-up magnetic resonance imaging |
WO2016134125A1 (en) * | 2015-02-18 | 2016-08-25 | Vanderbilt University | Image segmentation via multi-atlas fusion with context learning |
US10037603B2 (en) * | 2015-05-04 | 2018-07-31 | Siemens Healthcare Gmbh | Method and system for whole body bone removal and vascular visualization in medical image data |
US9958521B2 (en) * | 2015-07-07 | 2018-05-01 | Q Bio, Inc. | Field-invariant quantitative magnetic-resonance signatures |
US10307108B2 (en) * | 2015-10-13 | 2019-06-04 | Elekta, Inc. | Pseudo-CT generation from MR data using a feature regression model |
CN108351395B (zh) | 2015-10-27 | 2021-02-26 | 皇家飞利浦有限公司 | 来自磁共振图像的虚拟ct图像 |
US10180476B2 (en) | 2015-11-25 | 2019-01-15 | The General Hospital Corporation | Systems and methods for segmented magnetic resonance fingerprinting dictionary matching |
WO2017092615A1 (zh) * | 2015-11-30 | 2017-06-08 | 上海联影医疗科技有限公司 | 一种计算机辅助诊断系统及方法 |
US10627470B2 (en) | 2015-12-08 | 2020-04-21 | Siemens Healthcare Gmbh | System and method for learning based magnetic resonance fingerprinting |
US9633455B1 (en) | 2015-12-10 | 2017-04-25 | Siemens Healthcare Gmbh | Dictionary-free MR parameter inference for fingerprinting reconstruction |
US10241176B2 (en) | 2016-01-20 | 2019-03-26 | The General Hospital Corporation | Systems and methods for statistical reconstruction of magnetic resonance fingerprinting data |
US10222441B2 (en) * | 2016-04-03 | 2019-03-05 | Q Bio, Inc. | Tensor field mapping |
KR20180054020A (ko) * | 2016-11-14 | 2018-05-24 | 삼성전자주식회사 | 의료 영상 장치 및 의료 영상 처리 방법 |
US10482604B2 (en) * | 2017-05-05 | 2019-11-19 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image processing |
-
2018
- 2018-03-22 EP EP18163288.6A patent/EP3543911A1/en not_active Withdrawn
-
2019
- 2019-03-13 EP EP19709505.2A patent/EP3769102A1/en active Pending
- 2019-03-13 JP JP2020550845A patent/JP7304879B2/ja active Active
- 2019-03-13 CN CN201980034360.4A patent/CN112166332A/zh active Pending
- 2019-03-13 WO PCT/EP2019/056227 patent/WO2019179838A1/en active Application Filing
-
2020
- 2020-09-22 US US17/027,743 patent/US11435422B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100134491A1 (en) * | 2007-03-20 | 2010-06-03 | David Borland | Methods, systems, and computer readable media for flexible occlusion rendering |
US20130034278A1 (en) * | 2011-08-06 | 2013-02-07 | Gindele Edward B | Reporting organ volume for a medical digital image |
US20160139227A1 (en) * | 2014-11-17 | 2016-05-19 | Siemens Aktiengesellschaft | Magnetic resonance method and apparatus for accelerating magnetic resonance fingerprinting |
WO2017007696A1 (en) * | 2015-07-07 | 2017-01-12 | Tesla Health, Inc | Fast scanning based on magnetic-resonance history |
US20170103287A1 (en) * | 2015-10-13 | 2017-04-13 | Impac Medical Systems, Inc. | Pseudo-ct generation from mr data using tissue parameter estimation |
US20170285122A1 (en) * | 2016-04-03 | 2017-10-05 | Q Bio, Inc | Rapid determination of a relaxation time |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7407062B2 (ja) | 2020-04-28 | 2023-12-28 | 富士フイルムヘルスケア株式会社 | 磁気共鳴イメージング装置および画像処理方法 |
Also Published As
Publication number | Publication date |
---|---|
US11435422B2 (en) | 2022-09-06 |
WO2019179838A1 (en) | 2019-09-26 |
JP7304879B2 (ja) | 2023-07-07 |
EP3543911A1 (en) | 2019-09-25 |
EP3769102A1 (en) | 2021-01-27 |
US20210003650A1 (en) | 2021-01-07 |
CN112166332A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110785674B (zh) | 医学成像系统、操作医学成像系统的方法及计算机可读介质 | |
CN107464231B (zh) | 用于确定医学成像的最佳操作参数的系统和方法 | |
US11341616B2 (en) | Methods and system for selective removal of streak artifacts and noise from images using deep neural networks | |
EP1946701B1 (en) | Brain function analysis method and brain function analysis program | |
CN110476075B (zh) | 针对解剖区域的磁共振指纹识别词典的选择 | |
EP3127083B1 (en) | A method estimating a pseudo hounsfield unit value | |
Vasilic et al. | A novel local thresholding algorithm for trabecular bone volume fraction mapping in the limited spatial resolution regime of in vivo MRI | |
US8417005B1 (en) | Method for automatic three-dimensional segmentation of magnetic resonance images | |
US10736538B2 (en) | Method and computer differentiating correlation patterns in functional magnetic resonance imaging | |
CN108324277B (zh) | 用于分类借助磁共振指纹法采集的磁共振测量数据的方法 | |
JP7304879B2 (ja) | 磁気共鳴フィンガープリンティングを用いた異常検出 | |
US20220301687A1 (en) | Uncertainty maps for deep learning eletrical properties tomography | |
US20220248973A1 (en) | Deep learning of eletrical properties tomography | |
WO2017134830A1 (ja) | 医用画像診断支援装置、および、磁気共鳴イメージング装置 | |
US20230316716A1 (en) | Systems and methods for automated lesion detection using magnetic resonance fingerprinting data | |
EP4266074A1 (en) | Segmentation of medical images reconstructed from a set of magnetic resonance images | |
WO2024033111A1 (en) | Reconstruction parameter determination for the reconstruction of synthesized magnetic resonance images | |
CN116934610A (zh) | 磁共振图像中噪声降低的系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220310 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221107 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230203 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230427 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230530 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230627 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7304879 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |