JP2022061484A - MR signal processing device - Google Patents

MR signal processing device Download PDF

Info

Publication number
JP2022061484A
JP2022061484A JP2021156702A JP2021156702A JP2022061484A JP 2022061484 A JP2022061484 A JP 2022061484A JP 2021156702 A JP2021156702 A JP 2021156702A JP 2021156702 A JP2021156702 A JP 2021156702A JP 2022061484 A JP2022061484 A JP 2022061484A
Authority
JP
Japan
Prior art keywords
mrs
signal
spectrum
substance
signal processing
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.)
Pending
Application number
JP2021156702A
Other languages
Japanese (ja)
Inventor
秀則 竹島
Hidenori Takeshima
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Priority to US17/449,966 priority Critical patent/US11982724B2/en
Publication of JP2022061484A publication Critical patent/JP2022061484A/en
Pending legal-status Critical Current

Links

Images

Landscapes

  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

To improve accuracy of MRS signals.SOLUTION: An MR signal processing device comprises a parameter output unit. The parameter output unit applies a learned model to a plurality of MRS signals collected via MR spectroscopy with respect to the same object to output a plurality of parameters for MRS reconfiguration.SELECTED DRAWING: Figure 1

Description

本明細書及び図面に開示の実施形態は、MR信号処理装置に関する。 Embodiments disclosed herein and in the drawings relate to MR signal processing equipment.

MRスペクトロスコピー(MRS:Magnetic Resonance Spectroscopy)によるデータ収集は極めて不安定であることが知られている。そのため積算回数が50から100回程度に設定され、各回で収集されたMRS信号を加算することによりMRS信号を平均化している。しかし、複数回のデータ収集の間における被検体の体動や静磁場の乱れ等により、平均MRS信号についても歪みが生じてしまう。 Data acquisition by MR Spectroscopy (MRS: Magnetic Resonance Spectroscopy) is known to be extremely unstable. Therefore, the number of integrations is set to about 50 to 100, and the MRS signals are averaged by adding the MRS signals collected at each time. However, the average MRS signal is also distorted due to the body movement of the subject, the disturbance of the static magnetic field, and the like during a plurality of data acquisitions.

MRS信号を最小二乗フィッティングにより生成する技術が知られている。20程度の代謝物等の人工スペクトルを物理モデルにより生成し、各人工スペクトルに信号強度値等のスペクトルパラメータを付与してフィッティングすることにより、計測対象のMRSスペクトルが生成される。単一のMRSスペクトルから、各人工スペクトルに関するスペクトルパラメータを得る回帰過程を深層ニューラルネットワークで表現する技術も知られている。 A technique for generating an MRS signal by least squares fitting is known. An artificial spectrum of about 20 metabolites or the like is generated by a physical model, and a spectrum parameter such as a signal intensity value is added to each artificial spectrum and fitted to generate an MRS spectrum to be measured. A technique is also known in which a deep neural network expresses a regression process for obtaining spectral parameters for each artificial spectrum from a single MRS spectrum.

Nima Hatami, Michael Sdika, Helene Ratiney, “Magnetic Resonance Spectoroscopy Quantification using Deep Learning”, arXiv:1806.07237v1 [cs.CV] 19 Jun 2018.Nima Hatami, Michael Sdika, Helene Ratiney, “Magnetic Resonance Spectoroscopy Quantification using Deep Learning”, arXiv: 1806.07237v1 [cs.CV] 19 Jun 2018.

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、MRS信号の精度を向上することである。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。 One of the problems to be solved by the embodiments disclosed in the present specification and the drawings is to improve the accuracy of the MRS signal. However, the problems to be solved by the embodiments disclosed in the present specification and the drawings are not limited to the above problems. The problem corresponding to each effect by each configuration shown in the embodiment described later can be positioned as another problem.

実施形態に係るMR信号処理装置は、パラメータ出力部を有する。パラメータ出力部は、同一の対象に関し、MRスペクトロスコピーにより収集された複数のMRS信号に学習済みモデルを適用し、MRS再構成のための複数のパラメータを出力する。 The MR signal processing apparatus according to the embodiment has a parameter output unit. The parameter output unit applies the trained model to a plurality of MRS signals collected by MR spectroscopy for the same object, and outputs a plurality of parameters for MRS reconstruction.

図1は、第1実施形態に係る磁気共鳴イメージング装置の構成例を示す図である。FIG. 1 is a diagram showing a configuration example of the magnetic resonance imaging apparatus according to the first embodiment. 図2は、第1実施形態に係る学習済みモデル(物質量推定NN)の入出力関係を模式的に示す図である。FIG. 2 is a diagram schematically showing the input / output relationship of the trained model (material amount estimation NN) according to the first embodiment. 図3は、MRSスペクトルの一例を模式的に示す図である。FIG. 3 is a diagram schematically showing an example of an MRS spectrum. 図4は、第1実施形態に係るMR信号処理装置による信号処理の流れの一例を示す図である。FIG. 4 is a diagram showing an example of a signal processing flow by the MR signal processing apparatus according to the first embodiment. 図5は、第1実施形態に係る物質量推定NNの入出力関係の具体例を模式的に示す図である。FIG. 5 is a diagram schematically showing a specific example of the input / output relationship of the substance amount estimation NN according to the first embodiment. 図6は、図4のステップSA3における合成MRSスペクトルの生成処理を模式的に示す図である。FIG. 6 is a diagram schematically showing the generation process of the synthetic MRS spectrum in step SA3 of FIG. 図7は、第1実施形態の変形例1に係る物質量推定NNの入出力関係の具体例を模式的に示す図である。FIG. 7 is a diagram schematically showing a specific example of the input / output relationship of the substance amount estimation NN according to the modification 1 of the first embodiment. 図8は、第1実施形態の変形例2に係る物質量推定NNの入出力関係の具体例を模式的に示す図である。FIG. 8 is a diagram schematically showing a specific example of the input / output relationship of the substance amount estimation NN according to the second embodiment of the first embodiment. 図9は、第1実施形態の変形例3に係る物質量推定NNの入出力関係の具体例を模式的に示す図である。FIG. 9 is a diagram schematically showing a specific example of the input / output relationship of the substance amount estimation NN according to the modification 3 of the first embodiment. 図10は、第1実施形態の変形例4に係る物質量推定NNの入出力関係の具体例を模式的に示す図である。FIG. 10 is a diagram schematically showing a specific example of the input / output relationship of the substance amount estimation NN according to the modified example 4 of the first embodiment. 図11は、第1実施形態の変形例5に係る第1の統合モデルのネットワーク構成例を示す図である。FIG. 11 is a diagram showing a network configuration example of the first integrated model according to the modified example 5 of the first embodiment. 図12は、第1実施形態の変形例5に係る他の第1の統合モデルのネットワーク構成例を示す図である。FIG. 12 is a diagram showing a network configuration example of another first integrated model according to the modified example 5 of the first embodiment. 図13は、第2実施形態に係る磁気共鳴イメージング装置の構成例を示す図である。FIG. 13 is a diagram showing a configuration example of the magnetic resonance imaging apparatus according to the second embodiment. 図14は、第2実施形態に係る学習済みモデル(基底成分量推定NN)の入出力関係を模式的に示す図である。FIG. 14 is a diagram schematically showing the input / output relationship of the trained model (basal component amount estimation NN) according to the second embodiment. 図15は、第2実施形態に係るMR信号処理装置による信号処理の流れの一例を示す図である。FIG. 15 is a diagram showing an example of a flow of signal processing by the MR signal processing apparatus according to the second embodiment. 図16は、第2実施形態に係る基底成分量推定NNの入出力関係を模式的に示す図である。FIG. 16 is a diagram schematically showing the input / output relationship of the basal component amount estimation NN according to the second embodiment. 図17は、図15のステップSB4において行われる、基底成分量情報に基づく正常又は異常の判定処理(判定結果=正常)を模式的に示す図である。FIG. 17 is a diagram schematically showing a normal or abnormal determination process (determination result = normal) performed in step SB4 of FIG. 15 based on the basal component amount information. 図18は、図15のステップSB4において行われる、基底成分量情報に基づく正常又は異常の判定処理(判定結果=異常)を模式的に示す図である。FIG. 18 is a diagram schematically showing a normal or abnormal determination process (determination result = abnormality) performed in step SB4 of FIG. 15 based on the basal component amount information. 図19は、図15のステップSB5において表示される、合成MRSスペクトルと判定結果との表示画面の一例を示す図である。FIG. 19 is a diagram showing an example of a display screen of the synthesized MRS spectrum and the determination result displayed in step SB5 of FIG. 図20は、第3実施形態に係る磁気共鳴イメージング装置の構成例を示す図である。FIG. 20 is a diagram showing a configuration example of the magnetic resonance imaging apparatus according to the third embodiment. 図21は、第3実施形態に係る学習済みモデル(変調量推定NN)の入出力関係を模式的に示す図である。FIG. 21 is a diagram schematically showing the input / output relationship of the trained model (modulation amount estimation NN) according to the third embodiment. 図22は、第3実施形態に係るMR信号処理装置による信号処理の流れの一例を示す図である。FIG. 22 is a diagram showing an example of a flow of signal processing by the MR signal processing apparatus according to the third embodiment. 図23は、第3実施形態に係る変調量推定NNの入出力関係の具体例を模式的に示す図である。FIG. 23 is a diagram schematically showing a specific example of the input / output relationship of the modulation amount estimation NN according to the third embodiment. 図24は、図22のステップSC3及びステップSC4における補正処理及びスペクトル生成処理を模式的に示す図である。FIG. 24 is a diagram schematically showing the correction process and the spectrum generation process in step SC3 and step SC4 of FIG. 22. 図25は、第4実施形態に係る磁気共鳴イメージング装置の構成例を示す図である。FIG. 25 is a diagram showing a configuration example of the magnetic resonance imaging apparatus according to the fourth embodiment. 図26は、第4実施形態に係る第2の統合モデルのネットワーク構成例を示す図である。FIG. 26 is a diagram showing a network configuration example of the second integrated model according to the fourth embodiment. 図27は、第4実施形態に係る他の第2の統合モデルのネットワーク構成例を示す図である。FIG. 27 is a diagram showing a network configuration example of another second integrated model according to the fourth embodiment. 図28は、第5実施形態に係る学習済みモデル(変調量推定NN)の入出力関係を模式的に示す図である。FIG. 28 is a diagram schematically showing the input / output relationship of the trained model (modulation amount estimation NN) according to the fifth embodiment. 図29は、第5実施形態に係る変調量推定NNの入出力関係の具体例を模式的に示す図である。FIG. 29 is a diagram schematically showing a specific example of the input / output relationship of the modulation amount estimation NN according to the fifth embodiment. 図30は、図29に示す変調量推定NNの入出力関係の更なる具体例を模式的に示す図である。FIG. 30 is a diagram schematically showing a further specific example of the input / output relationship of the modulation amount estimation NN shown in FIG. 29. 図31は、第6実施形態の学習済みモデルNNの入出力関係を模式的に示す図である。FIG. 31 is a diagram schematically showing the input / output relationship of the trained model NN of the sixth embodiment. 図32は、第7実施形態に係る処理例を模式的に示す図である。FIG. 32 is a diagram schematically showing a processing example according to the seventh embodiment. 図33は、第8実施形態に係る処理例を模式的に示す図である。FIG. 33 is a diagram schematically showing a processing example according to the eighth embodiment. 図34は、第9実施形態に係る処理例を模式的に示す図である。FIG. 34 is a diagram schematically showing a processing example according to the ninth embodiment. 図35は、第10実施形態に係るMR信号処理装置を含む磁気共鳴イメージングシステムの構成例を示す図である。FIG. 35 is a diagram showing a configuration example of a magnetic resonance imaging system including the MR signal processing device according to the tenth embodiment.

以下、図面を参照しながら、MR信号処理装置の実施形態について詳細に説明する。 Hereinafter, embodiments of the MR signal processing apparatus will be described in detail with reference to the drawings.

本実施形態に係るMR信号処理装置は、磁気共鳴イメージング装置により収集されたMR信号を処理するコンピュータである。MR信号処理装置は、磁気共鳴イメージング装置に組み込まれたコンピュータでもよいし、磁気共鳴イメージング装置とは別体のコンピュータでもよい。以下、幾つかの実施形態に分けてMR信号処理装置について説明する。 The MR signal processing device according to the present embodiment is a computer that processes the MR signal collected by the magnetic resonance imaging device. The MR signal processing device may be a computer incorporated in the magnetic resonance imaging device, or may be a computer separate from the magnetic resonance imaging device. Hereinafter, the MR signal processing apparatus will be described separately in several embodiments.

(第1実施形態)
図1は、第1実施形態に係る磁気共鳴イメージング装置1の構成例を示す図である。図1に示すように、磁気共鳴イメージング装置1は、架台11、寝台13、傾斜磁場電源21、送信回路23、受信回路25、寝台駆動装置27、シーケンス制御回路29及びMR信号処理装置(ホストコンピュータ)50を有する。
(First Embodiment)
FIG. 1 is a diagram showing a configuration example of the magnetic resonance imaging device 1 according to the first embodiment. As shown in FIG. 1, the magnetic resonance imaging device 1 includes a gantry 11, a sleeper 13, a gradient magnetic field power supply 21, a transmission circuit 23, a reception circuit 25, a sleeper drive device 27, a sequence control circuit 29, and an MR signal processing device (host computer). ) Has 50.

架台11は、静磁場磁石41と傾斜磁場コイル43とを有する。静磁場磁石41と傾斜磁場コイル43とは架台11の筐体に収容されている。架台11の筐体には中空形状を有するボアが形成されている。架台11のボア内には送信コイル45と受信コイル47とが配置される。 The gantry 11 has a static magnetic field magnet 41 and a gradient magnetic field coil 43. The static magnetic field magnet 41 and the gradient magnetic field coil 43 are housed in the housing of the gantry 11. A hollow bore is formed in the housing of the gantry 11. A transmission coil 45 and a reception coil 47 are arranged in the bore of the gantry 11.

静磁場磁石41は、中空の略円筒形状を有し、略円筒内部に静磁場を発生する。静磁場磁石41としては、例えば、永久磁石、超伝導磁石または常伝導磁石等が使用される。ここで、静磁場磁石41の中心軸をZ軸に規定し、Z軸に対して鉛直に直交する軸をY軸に規定し、Z軸に水平に直交する軸をX軸に規定する。X軸、Y軸及びZ軸は、直交3次元座標系を構成する。 The static magnetic field magnet 41 has a hollow substantially cylindrical shape, and generates a static magnetic field inside the substantially cylindrical shape. As the static magnetic field magnet 41, for example, a permanent magnet, a superconducting magnet, a normal conducting magnet, or the like is used. Here, the central axis of the static magnetic field magnet 41 is defined as the Z axis, the axis perpendicular to the Z axis is defined as the Y axis, and the axis horizontally orthogonal to the Z axis is defined as the X axis. The X-axis, Y-axis, and Z-axis form an orthogonal three-dimensional coordinate system.

傾斜磁場コイル43は、静磁場磁石41の内側に取り付けられ、中空の略円筒形状に形成されたコイルユニットである。傾斜磁場コイル43は、傾斜磁場電源21からの電流の供給を受けて傾斜磁場を発生する。より詳細には、傾斜磁場コイル43は、互いに直交するX軸、Y軸、Z軸に対応する3つのコイルを有する。当該3つのコイルは、X軸、Y軸、Z軸の各軸に沿って磁場強度が変化する傾斜磁場を形成する。X軸、Y軸、Z軸の各軸に沿う傾斜磁場は合成されて互いに直交するスライス選択傾斜磁場Gs、位相エンコード傾斜磁場Gp及び周波数エンコード傾斜磁場Grが所望の方向に形成される。スライス選択傾斜磁場Gsは、任意に撮像断面(スライス)を決めるために利用される。位相エンコード傾斜磁場Gpは、空間的位置に応じて磁気共鳴信号(以下、MR信号と呼ぶ)の位相を変化させるために利用される。周波数エンコード傾斜磁場Grは、空間的位置に応じてMR信号の周波数を変化させるために利用される。なお、以下の説明においてスライス選択傾斜磁場Gsの傾斜方向はZ軸、位相エンコード傾斜磁場Gpの傾斜方向はY軸、周波数エンコード傾斜磁場Grの傾斜方向はX軸であるとする。 The gradient magnetic field coil 43 is a coil unit attached to the inside of the static magnetic field magnet 41 and formed in a hollow substantially cylindrical shape. The gradient magnetic field coil 43 generates a gradient magnetic field by receiving a current supplied from the gradient magnetic field power supply 21. More specifically, the gradient magnetic field coil 43 has three coils corresponding to X-axis, Y-axis, and Z-axis orthogonal to each other. The three coils form a gradient magnetic field in which the magnetic field strength changes along each of the X-axis, Y-axis, and Z-axis. The gradient magnetic fields along the X-axis, Y-axis, and Z-axis are combined to form slice-selective gradient magnetic fields Gs, phase-encoded gradient magnetic fields Gp, and frequency-encoded gradient magnetic fields Gr that are orthogonal to each other in desired directions. The slice selection gradient magnetic field Gs is arbitrarily used to determine the imaging cross section (slice). The phase-encoded gradient magnetic field Gp is used to change the phase of a magnetic resonance signal (hereinafter referred to as MR signal) according to a spatial position. The frequency-encoded gradient magnetic field Gr is used to change the frequency of the MR signal depending on the spatial position. In the following description, it is assumed that the inclination direction of the slice selection gradient magnetic field Gs is the Z axis, the inclination direction of the phase-encoded gradient magnetic field Gp is the Y-axis, and the inclination direction of the frequency-encoded gradient magnetic field Gr is the X-axis.

傾斜磁場電源21は、シーケンス制御回路29からのシーケンス制御信号に従い傾斜磁場コイル43に電流を供給する。傾斜磁場電源21は、傾斜磁場コイル43に電流を供給することにより、X軸、Y軸及びZ軸の各軸に沿う傾斜磁場を傾斜磁場コイル43により発生させる。当該傾斜磁場は、静磁場磁石41により形成された静磁場に重畳されて被検体Pに印加される。 The gradient magnetic field power supply 21 supplies a current to the gradient magnetic field coil 43 according to the sequence control signal from the sequence control circuit 29. The gradient magnetic field power supply 21 supplies a current to the gradient magnetic field coil 43 to generate a gradient magnetic field along each of the X-axis, Y-axis, and Z-axis by the gradient magnetic field coil 43. The gradient magnetic field is superimposed on the static magnetic field formed by the static magnetic field magnet 41 and applied to the subject P.

送信コイル45は、例えば、傾斜磁場コイル43の内側に配置され、送信回路23から電流の供給を受けて高周波パルス(以下、RFパルスと呼ぶ)を発生する。 The transmission coil 45 is arranged inside the gradient magnetic field coil 43, for example, and receives a current supply from the transmission circuit 23 to generate a high frequency pulse (hereinafter referred to as an RF pulse).

送信回路23は、被検体P内に存在する対象プロトンを励起するためのRFパルスを、送信コイル45を介して被検体Pに印加するために、送信コイル45に電流を供給する。RFパルスは、対象プロトンに固有の共鳴周波数で振動し、対象プロトンを励起させる。励起された対象プロトンからMR信号が発生され、受信コイル47により検出される。送信コイル45は、例えば、全身用コイル(WBコイル)である。全身用コイルは、送受信コイルとして使用されても良い。 The transmission circuit 23 supplies a current to the transmission coil 45 in order to apply an RF pulse for exciting the target proton existing in the subject P to the subject P via the transmission coil 45. The RF pulse vibrates at a resonance frequency inherent in the target proton, exciting the target proton. An MR signal is generated from the excited target proton and detected by the receiving coil 47. The transmission coil 45 is, for example, a whole body coil (WB coil). The whole body coil may be used as a transmission / reception coil.

受信コイル47は、RFパルスの作用を受けて被検体P内に存在する対象プロトンから発せられるMR信号を受信する。受信コイル47は、MR信号を受信可能な複数の受信コイルエレメントを有する。受信されたMR信号は、有線又は無線を介して受信回路25に供給される。図1に図示しないが、受信コイル47は、並列的に実装された複数の受信チャネルを有している。受信チャネルは、MR信号を受信する受信コイルエレメント及びMR信号を増幅する増幅器等を有している。MR信号は、受信チャネル毎に出力される。受信チャネルの総数と受信コイルエレメントの総数とは同一であっても良いし、受信チャネルの総数が受信コイルエレメントの総数に比して多くてもよいし、少なくてもよい。 The receiving coil 47 receives the MR signal emitted from the target proton existing in the subject P under the action of the RF pulse. The receiving coil 47 has a plurality of receiving coil elements capable of receiving MR signals. The received MR signal is supplied to the receiving circuit 25 via wired or wireless. Although not shown in FIG. 1, the receiving coil 47 has a plurality of receiving channels mounted in parallel. The receiving channel includes a receiving coil element that receives the MR signal, an amplifier that amplifies the MR signal, and the like. The MR signal is output for each reception channel. The total number of receive channels and the total number of receive coil elements may be the same, and the total number of receive channels may be larger or smaller than the total number of receive coil elements.

受信回路25は、励起された対象プロトンから発生されるMR信号を受信コイル47を介して受信する。受信回路25は、受信されたMR信号を信号処理してデジタルのMR信号を発生する。デジタルのMR信号は、空間周波数により規定されるk空間にて表現することができる。よって、以下、デジタルのMR信号をk空間データと呼ぶことにする。k空間データは、MR収集信号の一例である。k空間データは、有線又は無線を介してホストコンピュータ50に供給される。 The receiving circuit 25 receives the MR signal generated from the excited target proton via the receiving coil 47. The receiving circuit 25 processes the received MR signal to generate a digital MR signal. The digital MR signal can be expressed in k-space defined by the spatial frequency. Therefore, hereinafter, the digital MR signal will be referred to as k-space data. The k-space data is an example of an MR collected signal. The k-space data is supplied to the host computer 50 via wired or wireless.

なお、上記の送信コイル45と受信コイル47とは一例に過ぎない。送信コイル45と受信コイル47との代わりに、送信機能と受信機能とを備えた送受信コイルが用いられても良い。また、送信コイル45、受信コイル47及び送受信コイルが組み合わされても良い。 The transmission coil 45 and the reception coil 47 are merely examples. Instead of the transmitting coil 45 and the receiving coil 47, a transmitting / receiving coil having a transmitting function and a receiving function may be used. Further, the transmission coil 45, the reception coil 47, and the transmission / reception coil may be combined.

架台11に隣接して寝台13が設置される。寝台13は、天板131と基台133とを有する。天板131には被検体Pが載置される。基台133は、天板131をX軸、Y軸、Z軸各々に沿ってスライド可能に支持する。基台133には寝台駆動装置27が収容される。寝台駆動装置27は、シーケンス制御回路29からの制御を受けて天板131を移動する。寝台駆動装置27は、例えば、サーボモータやステッピングモータ等の如何なるモータ等を含んでも良い。 A sleeper 13 is installed adjacent to the gantry 11. The sleeper 13 has a top plate 131 and a base 133. The subject P is placed on the top plate 131. The base 133 slidably supports the top plate 131 along each of the X-axis, Y-axis, and Z-axis. The sleeper drive device 27 is housed in the base 133. The sleeper drive device 27 moves the top plate 131 under the control of the sequence control circuit 29. The sleeper drive device 27 may include, for example, any motor such as a servo motor or a stepping motor.

シーケンス制御回路29は、ハードウェア資源として、CPU(Central Processing Unit)あるいはMPU(Micro Processing Unit)のプロセッサとROM(Read Only Memory)やRAM(Random Access Memory)等のメモリとを有する。シーケンス制御回路29は、処理回路51Aの条件設定機能512により設定されたデータ収集条件に基づいて傾斜磁場電源21、送信回路23及び受信回路25を同期的に制御し、当該データ収集条件に応じたデータ収集を被検体Pに施して、被検体Pに関するk空間データを収集する。シーケンス制御回路29は、シーケンス制御部の一例である。 The sequence control circuit 29 has a processor of a CPU (Central Processing Unit) or an MPU (Micro Processing Unit) and a memory such as a ROM (Read Only Memory) or a RAM (Random Access Memory) as hardware resources. The sequence control circuit 29 synchronously controls the gradient magnetic field power supply 21, the transmission circuit 23, and the reception circuit 25 based on the data collection conditions set by the condition setting function 512 of the processing circuit 51A, and corresponds to the data collection conditions. Data collection is applied to the subject P, and k-space data related to the subject P is collected. The sequence control circuit 29 is an example of a sequence control unit.

本実施形態に係るシーケンス制御回路29は、ケミカルシフト計測の一種であるMRスペクトロスコピーのためのデータ収集を実行する。ケミカルシフト計測は、化学的環境の違いに応じて生じる、水素原子核等の対象プロトンの共鳴周波数の微小な差異であるケミカルシフトを計測する技術である。MRスペクトロスコピーは、単一ボクセルについてデータ収集を行うシングルボクセル法や複数ボクセルについてデータ収集を行うマルチボクセル法があり、本実施形態は何れの方法にも適用可能である。マルチボクセル法は、ケミカルシフトイメージング(CSI:Chemical Shift Imaging)やMRSイメージング(MRSI:MRS Imaging)等とも呼ばれる。計測対象のボクセルを関心ボクセルと呼ぶ。 The sequence control circuit 29 according to the present embodiment executes data acquisition for MR spectroscopy, which is a kind of chemical shift measurement. Chemical shift measurement is a technique for measuring chemical shift, which is a minute difference in the resonance frequency of a target proton such as a hydrogen nucleus, which occurs in response to a difference in the chemical environment. MR spectroscopy includes a single voxel method for collecting data for a single voxel and a multi-voxel method for collecting data for a plurality of voxels, and this embodiment can be applied to any method. The multi-voxel method is also called chemical shift imaging (CSI: Chemical Shift Imaging) or MRS imaging (MRSI: MRS Imaging). The voxel to be measured is called a voxel of interest.

シーケンス制御回路29は、被検体Pに対し、MRスペクトロスコピーのためのデータ収集を実行する。MRスペクトロスコピーのためのデータ収集を実行することにより、被検体Pの関心ボクセルから自由誘導減衰(FID:Free Induction Decay)信号又はスピンエコー信号が発生される。受信回路25は、受信コイル47を介してFID信号又はスピンエコー信号を受信し、受信されたFID信号又はスピンエコー信号を信号処理して、関心ボクセルに関するk空間データを収集する。収集されるk空間データは、関心ボクセルから発せられた信号強度値を時間関数で表すデジタルデータであるとする。MRスペクトロスコピーのためのパルスシーケンスは積算回数(NEX:number of excitation)分だけ繰り返され、積算回数分のk空間データが収集される。以下、MRスペクトロスコピーにより収集されたk空間データをMRSkデータと呼ぶことにする。MRSkデータは、MRS信号の一例である。 The sequence control circuit 29 executes data acquisition for MR spectroscopy for the subject P. By performing data acquisition for MR spectroscopy, a free induction decay (FID) signal or spin echo signal is generated from the voxel of interest of subject P. The receiving circuit 25 receives the FID signal or the spin echo signal via the receiving coil 47, processes the received FID signal or the spin echo signal, and collects k-space data regarding the boxel of interest. It is assumed that the collected k-space data is digital data representing the signal strength value emitted from the voxel of interest as a time function. The pulse sequence for MR spectroscopy is repeated for the number of integrations (NEX: number of excitation), and k-space data for the number of integrations is collected. Hereinafter, the k-space data collected by MR spectroscopy will be referred to as MRSk data. The MRSk data is an example of an MRS signal.

図1に示すように、MR信号処理装置50は、処理回路51A、メモリ53、ディスプレイ55、入力インタフェース57及び通信インタフェース59を有するコンピュータである。処理回路51Aは処理部の一例であり、メモリ53は記憶部の一例であり、ディスプレイ55は表示部の一例であり、入力インタフェース57は入力部の一例であり、通信インタフェース59は通信部の一例である。 As shown in FIG. 1, the MR signal processing device 50 is a computer having a processing circuit 51A, a memory 53, a display 55, an input interface 57, and a communication interface 59. The processing circuit 51A is an example of a processing unit, the memory 53 is an example of a storage unit, the display 55 is an example of a display unit, the input interface 57 is an example of an input unit, and the communication interface 59 is an example of a communication unit. Is.

処理回路51Aは、ハードウェア資源としてCPU等のプロセッサを有する。処理回路51Aは、磁気共鳴イメージング装置1の中枢として機能する。例えば、処理回路51Aは、各種プログラムの実行により取得機能511、条件設定機能512、信号処理機能513、物質量出力機能514、合成機能515、学習機能516及び表示制御機能517を実現する。取得機能511は取得部の一例であり、条件設定機能512は設定部の一例であり、信号処理機能513はスペクトル生成部の一例であり、物質量出力機能514はパラメータ出力部の一例であり、合成機能515は合成部の一例であり、学習機能516は学習部の一例であり、表示制御機能517は表示部の一例である。 The processing circuit 51A has a processor such as a CPU as a hardware resource. The processing circuit 51A functions as the center of the magnetic resonance imaging device 1. For example, the processing circuit 51A realizes an acquisition function 511, a condition setting function 512, a signal processing function 513, a substance amount output function 514, a synthesis function 515, a learning function 516, and a display control function 517 by executing various programs. The acquisition function 511 is an example of an acquisition unit, the condition setting function 512 is an example of a setting unit, the signal processing function 513 is an example of a spectrum generation unit, and the substance amount output function 514 is an example of a parameter output unit. The synthesis function 515 is an example of the synthesis unit, the learning function 516 is an example of the learning unit, and the display control function 517 is an example of the display unit.

取得機能511において処理回路51Aは、種々のMRS信号を取得する。例えば、処理回路51Aは、シーケンス制御回路29により収集されたMRSkデータを取得する。処理回路51Aは、シーケンス制御回路29又は受信回路25からMRSkデータを直接的に取得してもよいし、一旦メモリ53に記憶されたMRSkデータを、当該メモリ53から取得してもよい。 In the acquisition function 511, the processing circuit 51A acquires various MRS signals. For example, the processing circuit 51A acquires MRSk data collected by the sequence control circuit 29. The processing circuit 51A may directly acquire MRSk data from the sequence control circuit 29 or the reception circuit 25, or may acquire MRSk data once stored in the memory 53 from the memory 53.

条件設定機能512において処理回路51Aは、自動的又は手動的にデータ収集条件を設定する。具体的には、本実施形態においては、MRスペクトロスコピーに関するデータ収集条件を設定する。MRスペクトロスコピーに関するデータ収集条件としては、例えば、パルスシーケンス、繰り返し時間(TR)、エコー時間(TE)、積算回数、スペクトル幅、サンプリング数、データ収集法、領域選択パルス等の条件項目がある。パルスシーケンスとしては、例えば、PRESS(point resolved spectroscopy)やSTEAM(stimulated echo acquisition mode)等が知られている。TRは、ロングTRであれば、例えば、5000ms以上に設定され、ショートTRであれば、例えば、1000から3000ms程度に設定されるとよい。TRが長いほど、得られるMR信号強度値が真値に近づくが、データ収集時間が長くなる。TEは、ロングTEであれば、100から300ms程度に設定され、ショートTEであれば、20から100ms程度に設定されるとよい。TEが短いほどピーク数が増えMRSスペクトルの精度が向上し、TEが長いほどピーク数が減りMRSスペクトルの可視性が向上する。 In the condition setting function 512, the processing circuit 51A automatically or manually sets the data acquisition condition. Specifically, in the present embodiment, data collection conditions related to MR spectroscopy are set. Data acquisition conditions related to MR spectroscopy include, for example, condition items such as pulse sequence, repetition time (TR), echo time (TE), number of integrations, spectrum width, number of samples, data acquisition method, and region selection pulse. As the pulse sequence, for example, PRESS (point resolved spectroscopy), STEAM (stimulated echo acquisition mode) and the like are known. If the TR is a long TR, it may be set to, for example, 5000 ms or more, and if it is a short TR, it may be set to, for example, about 1000 to 3000 ms. The longer the TR, the closer the obtained MR signal strength value is to the true value, but the longer the data acquisition time. The TE may be set to about 100 to 300 ms for a long TE and about 20 to 100 ms for a short TE. The shorter the TE, the larger the number of peaks and the higher the accuracy of the MRS spectrum, and the longer the TE, the smaller the number of peaks and the better the visibility of the MRS spectrum.

積算回数は、特に制限がなく、1以上に設定されればよい。スペクトル幅数とサンプリング数とは、スペクトル分解能に関する条件項目である。スペクトル幅数とサンプリング数とは、任意の値に設定されればよい。データ収集法としては、上記の通り、1回のデータ収集で1ボクセルのMRSスペクトルを得るシングルボクセル法と1回のデータ収集で複数ボクセル各々のMRSスペクトルを得るマルチボクセル法とがある。領域選択パルスとしては、設定された領域に限定して水素原子核を励起するためのパルスと、設定された領域に限定して水素原子核を励起しないパルスとがある。データ収集条件としては、領域選択パルスの印可の有無、選択領域の周波数情報等が設定される。 The number of integrations is not particularly limited and may be set to 1 or more. The number of spectral widths and the number of samplings are conditional items related to spectral resolution. The number of spectrum widths and the number of samplings may be set to arbitrary values. As described above, as the data collection method, there are a single voxel method in which an MRS spectrum of one voxel is obtained by one data collection and a multi-voxel method in which an MRS spectrum of each of a plurality of voxels is obtained by one data collection. The region selection pulse includes a pulse for exciting a hydrogen nucleus only in a set region and a pulse for not exciting a hydrogen nucleus limited to a set region. As the data collection conditions, the presence / absence of application of the region selection pulse, the frequency information of the selected region, and the like are set.

信号処理機能513において処理回路51Aは、取得機能511により取得されたMRS信号に種々の信号処理を施す。例えば、処理回路51Aは、MRSkデータに基づいて、ケミカルシフト毎の信号強度を示すスペクトル(以下、MRSスペクトルと呼ぶ)を生成する。MRSスペクトルは、MRS信号の一例である。 In the signal processing function 513, the processing circuit 51A performs various signal processing on the MRS signal acquired by the acquisition function 511. For example, the processing circuit 51A generates a spectrum (hereinafter, referred to as an MRS spectrum) showing the signal intensity for each chemical shift based on the MRSk data. The MRS spectrum is an example of an MRS signal.

物質量出力機能514において処理回路51Aは、被検体Pの同一計測対象部位に関し、MRスペクトロスコピーにより得られた複数のMRS信号に学習済みモデルを適用し、MRS再構成のための複数のパラメータを出力する。第1実施形態に係る複数のパラメータは、当該複数のパラメータにそれぞれ対応する複数のスペクトルモデルに基づくフィッティングのためのスペクトルパラメータである。複数のスペクトルモデルは、被検体Pの計測対象部位に含まれる複数の物質にそれぞれ対応する複数の人工スペクトルである。複数のスペクトルパラメータは、被検体Pの計測対象部位に関する複数の物質の物質量情報を含む。物質量情報は、当該物質の物質量に関する情報を意味する。以下、第1実施形態に係るパラメータを物質量情報と呼ぶことにする。学習済みモデルは、複数のMRS信号を入力として、物質量情報を出力するように学習された機械学習モデルである。機械学習モデルは、ニューラルネットワークや深層ニューラルネットワークが用いられる。以下、第1実施形態に係る学習済みモデルを物質量推定NNと呼ぶことにする。 In the material amount output function 514, the processing circuit 51A applies a trained model to a plurality of MRS signals obtained by MR spectroscopy with respect to the same measurement target site of the subject P, and sets a plurality of parameters for MRS reconstruction. Output. The plurality of parameters according to the first embodiment are spectral parameters for fitting based on a plurality of spectral models corresponding to the plurality of parameters. The plurality of spectrum models are a plurality of artificial spectra corresponding to the plurality of substances contained in the measurement target site of the subject P. The plurality of spectral parameters include the amount of substance information of the plurality of substances regarding the measurement target site of the subject P. Amount of substance information means information about the amount of substance of the substance. Hereinafter, the parameter according to the first embodiment will be referred to as substance amount information. The trained model is a machine learning model trained to output substance amount information by inputting a plurality of MRS signals. Neural networks and deep neural networks are used as machine learning models. Hereinafter, the trained model according to the first embodiment will be referred to as a substance amount estimation NN.

合成機能515において処理回路51Aは、物質量出力機能514において出力された複数のスペクトルパラメータと前記複数のスペクトルモデルとに基づくフィッティングにより、被検体Pに関するMRSスペクトルを生成する。合成機能515により生成されるMRSスペクトルを合成MRSスペクトルと呼ぶことにする。 The processing circuit 51A in the synthesis function 515 generates an MRS spectrum for the subject P by fitting based on the plurality of spectral parameters output in the substance amount output function 514 and the plurality of spectral models. The MRS spectrum generated by the synthesis function 515 will be referred to as a synthetic MRS spectrum.

学習機能516において処理回路51Aは、物質量出力機能514において使用される物質量推定NNを、学習データに基づく機械学習により生成する。 In the learning function 516, the processing circuit 51A generates the substance amount estimation NN used in the substance amount output function 514 by machine learning based on the learning data.

表示制御機能517において処理回路51Aは、種々の情報をディスプレイ55に表示する。例えば、処理回路51Aは、MRSスペクトルや物質量情報、合成MRSスペクトル、データ収集条件の設定画面等をディスプレイ55に表示する。 In the display control function 517, the processing circuit 51A displays various information on the display 55. For example, the processing circuit 51A displays the MRS spectrum, the substance amount information, the synthetic MRS spectrum, the data acquisition condition setting screen, and the like on the display 55.

メモリ53は、種々の情報を記憶するHDD(Hard Disk Drive)やSSD(Solid State Drive)、集積回路記憶装置等の記憶装置である。また、メモリ53は、CD-ROMドライブやDVDドライブ、フラッシュメモリ等の可搬型記憶媒体との間で種々の情報を読み書きする駆動装置等であっても良い。例えば、メモリ53は、物質量推定NN、データ収集条件、MRS信号、制御プログラム等を記憶する。 The memory 53 is a storage device such as an HDD (Hard Disk Drive), an SSD (Solid State Drive), or an integrated circuit storage device that stores various information. Further, the memory 53 may be a drive device or the like that reads and writes various information to and from a portable storage medium such as a CD-ROM drive, a DVD drive, and a flash memory. For example, the memory 53 stores a substance amount estimation NN, data acquisition conditions, an MRS signal, a control program, and the like.

ディスプレイ55は、表示制御機能517により種々の情報を表示する。ディスプレイ55としては、例えば、CRTディスプレイや液晶ディスプレイ、有機ELディスプレイ、LEDディスプレイ、プラズマディスプレイ、又は当技術分野で知られている他の任意のディスプレイが適宜利用可能である。 The display 55 displays various information by the display control function 517. As the display 55, for example, a CRT display, a liquid crystal display, an organic EL display, an LED display, a plasma display, or any other display known in the art can be appropriately used.

入力インタフェース57は、ユーザからの各種指令を受け付ける入力機器を含む。入力機器としては、キーボードやマウス、各種スイッチ、タッチスクリーン、タッチパッド等が利用可能である。なお、入力機器は、マウス、キーボードなどの物理的な操作部品を備えるものだけに限らない。例えば、磁気共鳴イメージング装置1とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、受け取った電気信号を種々の回路へ出力するような電気信号の処理回路も入力インタフェース57の例に含まれる。また、入力インタフェース57は、マイクロフォンにより収集された音声信号を指示信号に変換する音声認識装置でもよい。 The input interface 57 includes an input device that receives various commands from the user. As input devices, keyboards, mice, various switches, touch screens, touch pads, etc. can be used. The input device is not limited to a device equipped with physical operation parts such as a mouse and a keyboard. For example, an electric signal processing circuit that receives an electric signal corresponding to an input operation from an external input device provided separately from the magnetic resonance imaging device 1 and outputs the received electric signal to various circuits is also input. Included in the example of interface 57. Further, the input interface 57 may be a voice recognition device that converts a voice signal collected by the microphone into an instruction signal.

通信インタフェース59は、LAN(Local Area Network)等を介して磁気共鳴イメージング装置1と、ワークステーションやPACS(Picture Archiving and Communication System)、HIS(Hospital Information System)、RIS(Radiology Information System)等とを接続するインタフェースである。ネットワークIFは、各種情報を接続先のワークステーション、PACS、HIS及びRISとの間で送受信する。 The communication interface 59 connects the magnetic resonance imaging device 1 with a workstation, a PACS (Picture Archiving and Communication System), a HIS (Hospital Information System), a RIS (Radiology Information System), etc. via a LAN (Local Area Network) or the like. It is an interface to connect. The network IF sends and receives various information to and from the connected workstation, PACS, HIS, and RIS.

なお、上記の構成は一例であって、これに限定されない。例えば、シーケンス制御回路29は、MR信号処理装置50に組み込まれても良い。また、シーケンス制御回路29と処理回路51Aとが同一の基板に実装されても良い。また、条件設定機能512は、必ずしも磁気共鳴イメージング装置1の処理回路51Aに実装されている必要性はない。例えば、磁気共鳴イメージング装置1とは別体の、データ収集条件を設定するためのコンピュータに条件設定機能512が実装されればよい。この場合、当該コンピュータにより生成されたデータ収集条件が、ネットワーク又は可搬型記録媒体等を介して磁気共鳴イメージング装置1に供給される。また、メモリ53のうちのデータ収集条件の記憶領域は、磁気共鳴イメージング装置1に実装されている必要はなく、例えば、磁気共鳴イメージング装置1にネットワークを介して接続された記憶装置に実装されてもよい。 The above configuration is an example and is not limited to this. For example, the sequence control circuit 29 may be incorporated in the MR signal processing device 50. Further, the sequence control circuit 29 and the processing circuit 51A may be mounted on the same board. Further, the condition setting function 512 does not necessarily have to be mounted on the processing circuit 51A of the magnetic resonance imaging device 1. For example, the condition setting function 512 may be mounted on a computer for setting data acquisition conditions, which is separate from the magnetic resonance imaging device 1. In this case, the data acquisition conditions generated by the computer are supplied to the magnetic resonance imaging apparatus 1 via a network, a portable recording medium, or the like. Further, the storage area of the data acquisition condition in the memory 53 does not need to be mounted on the magnetic resonance imaging device 1, and is mounted on, for example, a storage device connected to the magnetic resonance imaging device 1 via a network. May be good.

以下、第1実施形態に係るMR信号処理装置50の動作例について詳細に説明する。 Hereinafter, an operation example of the MR signal processing apparatus 50 according to the first embodiment will be described in detail.

上記の通り、物質量出力機能514により、処理回路51Aは、複数のMRS信号に物質量推定NNを適用し、複数のMRS信号の計測対象部位に含まれる各物質の物質量情報を出力する。 As described above, the processing circuit 51A applies the substance amount estimation NN to the plurality of MRS signals by the substance amount output function 514, and outputs the substance amount information of each substance contained in the measurement target portion of the plurality of MRS signals.

図2は、第1実施形態に係る学習済みモデル(物質量推定NN)の入出力関係を模式的に示す図である。図2に示すように、物質量推定NNは、第1のMRS信号と第2のMRS信号とを入力として、第1のMRS信号と第2のMRS信号との計測対象部位に含まれる各物質に関する物質量情報を出力するようにパラメータが学習された機械学習モデルである。第1のMRS信号と第2のMRS信号とは、同一の被検体Pを対象とするMRS信号である。第1のMRS信号と第2のMRS信号とのデータ収集条件は同一でもよいし、異なっていてもよい。物質量推定NNに入力されるMRS信号としては、MRSkデータ又はMRSスペクトルが可能である。図2に示す物質量推定NNに入力されるMRS信号の数は2個であるとしたが、これは一例であり、2個以上であれば幾つでもよい。 FIG. 2 is a diagram schematically showing the input / output relationship of the trained model (material amount estimation NN) according to the first embodiment. As shown in FIG. 2, the substance amount estimation NN takes the first MRS signal and the second MRS signal as inputs, and each substance included in the measurement target portion of the first MRS signal and the second MRS signal. It is a machine learning model in which the parameters are trained to output the substance amount information about. The first MRS signal and the second MRS signal are MRS signals targeting the same subject P. The data acquisition conditions of the first MRS signal and the second MRS signal may be the same or different. As the MRS signal input to the material amount estimation NN, MRSk data or MRS spectrum can be used. The number of MRS signals input to the substance amount estimation NN shown in FIG. 2 is assumed to be two, but this is an example, and any number may be used as long as it is two or more.

物質量情報は、MRスペクトロスコピーにより弁別される物質の物質量に関する情報である。弁別対象の物質は、特に限定されず、計測対象部位に含まれ得るあらゆる物質を弁別対象とすることができる。弁別対象の物質は、計測対象部位に応じて異なるが、例えば、プロピレングリコール、エタノール、アセテート、アセトン等の種々の分子が知られている。物質量は、信号強度を示す数値でもよいし、信号強度に応じたクラスでもよいし、信号強度に基づき算出される任意の解析値でもよい。物質量は、0を含む離散値又は連続値を取る。物質量は、当該物質に対応するスペクトルモデルである人工スペクトルのフィッティングのために、人工スペクトルに付与されるスペクトルパラメータに対応する。 Amount of substance information is information on the amount of substance of a substance discriminated by MR spectroscopy. The substance to be discriminated is not particularly limited, and any substance that can be contained in the measurement target site can be discriminated. The substance to be discriminated varies depending on the measurement target site, but various molecules such as propylene glycol, ethanol, acetate, and acetone are known. The amount of substance may be a numerical value indicating the signal strength, a class according to the signal strength, or an arbitrary analysis value calculated based on the signal strength. The amount of substance takes a discrete value including 0 or a continuous value. The amount of substance corresponds to the spectral parameters given to the artificial spectrum for the fitting of the artificial spectrum, which is the spectral model corresponding to the substance.

図3は、MRSスペクトルの一例を模式的に示す図である。図3に示すMRSスペクトルは、頭部のMRSスペクトルの一例である。図3に示すように、MRSスペクトルは、縦軸がMR信号強度値[AU(Arbitrary Unit)]に規定され、横軸が基準周波数からの差異、すなわちケミカルシフト[ppm(parts per million)]に規定される。基準周波数は、任意に選択された基準物質の周波数に設定される。基準物質は、特に限定されないが、例えば、テトラメチルシラン(TMS:tetramethylsilane)に設定される。MRSスペクトルによれば、関心ボクセルに存在するプロピレングリコール、エタノール、アセテート及びアセトン等の種々の物質の物質量を可視化することができる。 FIG. 3 is a diagram schematically showing an example of an MRS spectrum. The MRS spectrum shown in FIG. 3 is an example of the MRS spectrum of the head. As shown in FIG. 3, in the MRS spectrum, the vertical axis is defined by the MR signal intensity value [AU (Arbitrary Unit)], and the horizontal axis is the difference from the reference frequency, that is, the chemical shift [ppm (parts per million)]. It is stipulated. The reference frequency is set to the frequency of an arbitrarily selected reference material. The reference substance is not particularly limited, but is set to, for example, tetramethylsilane (TMS). According to the MRS spectrum, it is possible to visualize the amount of substance of various substances such as propylene glycol, ethanol, acetate and acetone present in the voxel of interest.

なお、本実施形態に係るMRSスペクトルは、MRSスペクトルの波形データであってもよいし、ピークに対応する物質の識別子(物質の名称や記号)と物質量との組合せの数値データでもよいし、ピークに対応する周波数差と物質量との組合せの数値データでもよい。また、物質量情報は、物質量の他、当該物質量に関する信頼度情報を含んでもよい。信頼度情報は、MRSスペクトルに含まれるピークの半値幅に対応する。半値幅としては、例えば、半値全幅や半値半幅等が用いられるとよい。 The MRS spectrum according to the present embodiment may be waveform data of the MRS spectrum, or may be numerical data of a combination of a substance identifier (name or symbol of the substance) corresponding to the peak and the amount of substance. Numerical data of the combination of the frequency difference corresponding to the peak and the amount of substance may be used. Further, the substance amount information may include reliability information regarding the substance amount in addition to the substance amount. The confidence information corresponds to the full width at half maximum of the peak contained in the MRS spectrum. As the half-value width, for example, a half-value full width, a half-value half-width, or the like may be used.

物質量推定NNは、処理回路51Aの学習機能516により生成される。処理回路51Aは、複数の学習サンプルに基づいて機械学習モデルを訓練してモデルを訓練して物質量推定NNを生成する。学習サンプルは、入力データである第1のMRS信号及び第2のMRS信号と、正解データである物質量情報(以下、正解物質量情報と呼ぶ)との組合せである。入力データである第1のMRS信号及び第2のMRS信号は、磁気共鳴イメージング装置1又は他の磁気共鳴イメージング装置により生成される。正解物質量情報は、当該入力データに基づいて信号解析することにより得られた物質量情報が用いられる。処理回路51Aは、第1のMRS信号及び第2のMRS信号に機械学習モデルを適用して順伝播処理を行い、物質量情報(以下、推定物質量情報と呼ぶ)を出力する。次に処理回路51Aは、推定物質量情報と正解物質量情報との差分(誤差)を当該機械学習モデルに適用して逆伝播処理を行い、パラメータの関数である誤差関数の微分係数である勾配ベクトルを計算する。次に処理回路51Aは、勾配ベクトルに基づいて機械学習モデルのパラメータを更新する。これら順伝播処理、逆伝播処理及びパラメータ更新処理を学習サンプルを変更しながら繰り返し、誤差関数を最小化するパラメータを所定の最適化法に従い決定する。これにより物質量推定NNが生成される。 The substance amount estimation NN is generated by the learning function 516 of the processing circuit 51A. The processing circuit 51A trains a machine learning model based on a plurality of training samples and trains the model to generate an amount of substance estimation NN. The training sample is a combination of the first MRS signal and the second MRS signal, which are input data, and the substance amount information (hereinafter, referred to as correct substance amount information), which is the correct answer data. The first MRS signal and the second MRS signal, which are input data, are generated by the magnetic resonance imaging device 1 or another magnetic resonance imaging device. As the correct substance amount information, the substance amount information obtained by signal analysis based on the input data is used. The processing circuit 51A applies a machine learning model to the first MRS signal and the second MRS signal to perform forward propagation processing, and outputs substance amount information (hereinafter referred to as estimated substance amount information). Next, the processing circuit 51A applies the difference (error) between the estimated substance amount information and the correct substance amount information to the machine learning model to perform back propagation processing, and performs back propagation processing, and the gradient which is the differential coefficient of the error function which is a function of the parameter. Calculate the vector. Next, the processing circuit 51A updates the parameters of the machine learning model based on the gradient vector. These forward propagation processing, back propagation processing, and parameter update processing are repeated while changing the training sample, and the parameters that minimize the error function are determined according to a predetermined optimization method. As a result, the amount of substance estimation NN is generated.

次に、第1実施形態に係るMR信号処理装置50による信号処理について、図4を参照しながら説明する。以下の説明において、物質量推定NNに入力されるMRS信号は、MRSスペクトルであるとする。 Next, the signal processing by the MR signal processing apparatus 50 according to the first embodiment will be described with reference to FIG. In the following description, it is assumed that the MRS signal input to the substance amount estimation NN is an MRS spectrum.

図4は、第1実施形態に係るMR信号処理装置50による信号処理の流れの一例を示す図である。 FIG. 4 is a diagram showing an example of the flow of signal processing by the MR signal processing device 50 according to the first embodiment.

図4に示すように、処理回路51Aは、取得機能511の実現により、第1のMRSスペクトルと第2のMRSスペクトルとを取得する(ステップSA1)。第1のMRSスペクトルと第2のMRSスペクトルとは、例えば、シングルボクセル法により同一データ収集条件の下で収集された、同一計測対象部位に関するMRSスペクトルであるとする。MRスペクトロスコピーにおいては、データ収集条件として、例えば、50~150回程度の積算回数が設定され、積算回数分のMRSスペクトルが処理回路51Aにより生成される。処理回路51Aは、積算回数分のMRSスペクトルに、加算又は加算平均等の加算処理をして1個のMRSスペクトルを生成する。ステップSA1において処理回路51Aは、加算処理前の積算回数分のMRSスペクトルから任意の2個のMRSスペクトルを、第1のMRSスペクトル及び第2のMRSスペクトルとして選択して取得する。2個のMRSスペクトルは、特に限定されない。データ収集時刻が連続する2個のMRSスペクトルでもよいし、時間的に離れた2個のMRSスペクトルでもよい。2個のMRSスペクトルは、ユーザにより入力インタフェース57を介した指示に従い手動的に又は所定のアルゴリズムに従い自動的に選択されればよい。 As shown in FIG. 4, the processing circuit 51A acquires the first MRS spectrum and the second MRS spectrum by realizing the acquisition function 511 (step SA1). It is assumed that the first MRS spectrum and the second MRS spectrum are, for example, MRS spectra related to the same measurement target site collected under the same data acquisition conditions by the single voxel method. In MR spectroscopy, for example, an integration number of about 50 to 150 times is set as a data acquisition condition, and an MRS spectrum corresponding to the integration number is generated by the processing circuit 51A. The processing circuit 51A generates one MRS spectrum by performing addition processing such as addition or addition averaging on the MRS spectrum for the number of integrations. In step SA1, the processing circuit 51A selects and acquires two arbitrary MRS spectra as the first MRS spectrum and the second MRS spectrum from the MRS spectra corresponding to the number of integrations before the addition processing. The two MRS spectra are not particularly limited. It may be two MRS spectra having consecutive data acquisition times, or two MRS spectra separated in time. The two MRS spectra may be selected manually by the user according to instructions via the input interface 57 or automatically according to a predetermined algorithm.

なお、加算処理は、積算回数分のMRSkデータに施される場合もある。この場合、処理回路51Aは、加算処理前の積算回数分のMRSkデータから2個のMRSkデータを選択し、選択された2個のMRSkデータから2個のMRSスペクトルを生成し、生成された2個のMRSスペクトルを、第1のMRSスペクトル及び第2のMRSスペクトルとして取得すればよい。 The addition process may be applied to the MRSk data for the number of integrations. In this case, the processing circuit 51A selects two MRSk data from the MRSk data for the number of integrations before the addition process, generates two MRS spectra from the two selected MRSk data, and generates 2 The MRS spectra may be acquired as a first MRS spectrum and a second MRS spectrum.

ステップSA1が行われると処理回路51Aは、物質量出力機能514の実現により、ステップSA1において取得された第1のMRSスペクトルと第2のMRSスペクトルとに物質量推定NNを適用して物質量情報を出力する(ステップSA2)。 When step SA1 is performed, the processing circuit 51A applies the substance amount estimation NN to the first MRS spectrum and the second MRS spectrum acquired in step SA1 by realizing the substance amount output function 514, and the substance amount information. Is output (step SA2).

図5は、物質量推定NNの入出力関係の具体例を模式的に示す図である。図5に示すように、物質量推定NNは、第1のMRSスペクトルと第2のMRSスペクトルとを入力として、第1のMRSスペクトルと第2のMRSスペクトルとの計測対象部位に含まれる物質に関する物質量情報を出力するようにパラメータが学習された機械学習モデルである。物質量情報としては、具体的には、プロピレングリコールの物質量M1及び半値幅W1、エタノールの物質量M2及び半値幅W2、アセテートの物質量M3及び半値幅W3、アセトンの物質量M4及び半値幅W4が例示されている。なお、1物質について複数のピークが存在する場合、ピーク毎に物質量及び半値幅が出力される。ピークは周波数差により識別されればよい。 FIG. 5 is a diagram schematically showing a specific example of the input / output relationship of the substance amount estimation NN. As shown in FIG. 5, the substance amount estimation NN relates to a substance contained in the measurement target portion of the first MRS spectrum and the second MRS spectrum by inputting the first MRS spectrum and the second MRS spectrum. It is a machine learning model in which parameters are trained to output substance amount information. As for the amount of substance information, specifically, the amount of substance M1 and half price width W1 of propylene glycol, the amount of substance M2 and half price width W2 of ethanol, the amount of substance M3 and half price width W3 of acetate, the amount of substance M4 and half price width of acetone. W4 is exemplified. If there are multiple peaks for one substance, the amount of substance and half width are output for each peak. The peak may be identified by the frequency difference.

処理回路51Aは、ステップSA1において取得された第1のMRSスペクトルと第2のMRSスペクトルとに物質量推定NNを適用して、プロピレングリコールの物質量M1及び半値幅W1、エタノールの物質量M2及び半値幅W2、アセテートの物質量M3及び半値幅W3、アセトンの物質量M4及び半値幅W4を出力する。第1実施形態によれば、同一計測対象部位に関する複数のMRSスペクトルから物質量情報を推定することができるので、当該計測対象部位に含まれる物質の物質量情報を精度よく推定することができる。 In the processing circuit 51A, the substance amount estimation NN is applied to the first MRS spectrum and the second MRS spectrum acquired in step SA1, and the substance amount M1 and half price width W1 of propylene glycol, the substance amount M2 of ethanol, and the substance amount M2 of ethanol are applied. The half price width W2, the amount of substance M3 of acetate and the half price width W3, the amount of substance M4 of acetone and the half price width W4 are output. According to the first embodiment, since the substance amount information can be estimated from a plurality of MRS spectra related to the same measurement target site, the substance amount information of the substance contained in the measurement target site can be estimated accurately.

ステップSA2が行われると処理回路51Aは、合成機能515の実現により、ステップSA2において出力された物質量情報に基づいて合成MRSスペクトルを生成する(ステップSA3)。 When step SA2 is performed, the processing circuit 51A generates a synthetic MRS spectrum based on the substance amount information output in step SA2 by realizing the synthesis function 515 (step SA3).

図6は、ステップSA3における合成MRSスペクトルの生成処理を模式的に示す図である。図6に示すように、ステップSA2において、プロピレングリコールの物質量情報IM1、エタノールの物質量情報IM2、アセテートの物質量情報IM3、アセトンの物質量情報IM4が出力されているとする。一方、物質量推定NNによる弁別対象の各物質に対応する人工スペクトルが予め生成されメモリ53等に記憶されている。人工スペクトルは、当該物質に関する理論的なMRSスペクトルであり、物理モデル等を用いた予測計算等により生成される。人工スペクトルは、MRスペクトロスコピーのデータ収集の不安定や被検体Pの体動、静磁場の乱れ等に起因するノイズのない理想的なMRSスペクトルであるといえる。図6の例においては、プロピレングリコールの人工スペクトルES1、エタノールの人工スペクトルES2、アセテートの人工スペクトルES3、アセトンの人工スペクトルES4が予め生成されている。 FIG. 6 is a diagram schematically showing the generation process of the synthetic MRS spectrum in step SA3. As shown in FIG. 6, it is assumed that the substance amount information IM1 of propylene glycol, the substance amount information IM2 of ethanol, the substance amount information IM3 of acetate, and the substance amount information IM4 of acetone are output in step SA2. On the other hand, an artificial spectrum corresponding to each substance to be discriminated by the substance amount estimation NN is generated in advance and stored in the memory 53 or the like. The artificial spectrum is a theoretical MRS spectrum related to the substance, and is generated by a prediction calculation or the like using a physical model or the like. It can be said that the artificial spectrum is an ideal MRS spectrum without noise caused by unstable data acquisition of MR spectroscopy, body movement of subject P, disturbance of static magnetic field, and the like. In the example of FIG. 6, the artificial spectrum ES1 of propylene glycol, the artificial spectrum ES2 of ethanol, the artificial spectrum ES3 of acetate, and the artificial spectrum ES4 of acetone are generated in advance.

ステップSA3において処理回路51Aは、複数の物質各々の物質量及び半値幅と複数の物質にそれぞれ対応する複数の人工スペクトルとに基づいて合成MRSスペクトルを生成する。より詳細には、処理回路51Aは、複数の物質各々の物質量及び半値幅を当該物質の人工スペクトルに付与して複数の補正人工スペクトルを生成し、生成された複数の補正人工スペクトルに基づくフィッティングにより合成MRSスペクトルを生成する。 In step SA3, the processing circuit 51A generates a synthetic MRS spectrum based on the amount of substance and half width of each of the plurality of substances and the plurality of artificial spectra corresponding to the plurality of substances. More specifically, the processing circuit 51A applies the amount of substance and the full width at half maximum of each of the plurality of substances to the artificial spectrum of the substance to generate a plurality of corrected artificial spectra, and fitting based on the generated plurality of corrected artificial spectra. Generates a synthetic MRS spectrum.

具体的には、処理回路51Aは、プロピレングリコールの物質量M1及び半値幅W1を人工スペクトルES1に適用してプロピレングリコールの補正人工スペクトルを生成する(ステップSA31)。同様に、エタノール、アセテート及びアセトンについても補正人工スペクトルが生成される(ステップSA31)。次に処理回路51Aは、プロピレングリコールの補正人工スペクトル、エタノールの補正人工スペクトル、アセテートの補正人工スペクトル及びアセトンについても補正人工スペクトルをフィッティングし、合成MRSスペクトルFS1を生成する(ステップSA32)。フィッティング法としては、最小二乗フィッティング等の任意のフィッティング法が用いられればよい。合成MRSスペクトルFS1は、理想的な人工スペクトルES1~ES4に基づき生成されるので、入力である第1のMRSスペクトル及び第2のMRSスペクトルに比して、MRスペクトロスコピーのデータ収集の不安定や被検体Pの体動、静磁場の乱れ等に起因するノイズが低減されている。換言すれば、物質量推定NNによる物質量推定(ステップSA2)と物質量情報に基づく合成MRSスペクトルの生成(ステップSA3)とは、第1のMRSスペクトル及び第2のMRSスペクトルのデノイズ処理と同視することができる。 Specifically, the processing circuit 51A applies the amount of substance M1 of propylene glycol and the half width W1 to the artificial spectrum ES1 to generate a corrected artificial spectrum of propylene glycol (step SA31). Similarly, a corrected artificial spectrum is generated for ethanol, acetate and acetone (step SA31). Next, the processing circuit 51A fits the corrected artificial spectrum of propylene glycol, the corrected artificial spectrum of ethanol, the corrected artificial spectrum of acetate, and the corrected artificial spectrum of acetone to generate a synthetic MRS spectrum FS1 (step SA32). As the fitting method, any fitting method such as least squares fitting may be used. Since the synthetic MRS spectrum FS1 is generated based on the ideal artificial spectra ES1 to ES4, the data collection of MR spectroscopy is unstable compared to the input first MRS spectrum and the second MRS spectrum. Noise caused by the body movement of the subject P, disturbance of the static magnetic field, and the like is reduced. In other words, the substance amount estimation by the substance amount estimation NN (step SA2) and the generation of the synthetic MRS spectrum based on the substance amount information (step SA3) are equated with the denoise processing of the first MRS spectrum and the second MRS spectrum. can do.

ステップSA3が行われると処理回路51Aは、表示制御機能517の実現により、ステップSA3において生成された合成MRSスペクトルを表示する(ステップSA4)。合成MRSスペクトルは、ディスプレイ55に表示される。これによりユーザは、デノイズされたMRSスペクトルである合成MRSスペクトルを観察することができる。 When step SA3 is performed, the processing circuit 51A displays the synthetic MRS spectrum generated in step SA3 by realizing the display control function 517 (step SA4). The synthetic MRS spectrum is displayed on the display 55. This allows the user to observe the synthetic MRS spectrum, which is the denoised MRS spectrum.

以上により、第1実施形態に係るMR信号処理装置50による信号処理が終了する。 As a result, the signal processing by the MR signal processing device 50 according to the first embodiment is completed.

第1実施形態は種々の変形が可能である。 The first embodiment can be modified in various ways.

(変形例1)
図7は、第1実施形態の変形例1に係る物質量推定NNの入出力関係の具体例を模式的に示す図である。変形例1に係る物質量推定NNは、第1のMRSスペクトルと第2のMRSスペクトルとを入力として、第1のMRSスペクトルと第2のMRSスペクトルとの計測対象部位に含まれる物質に関する物質量情報を出力するようにパラメータが学習された機械学習モデルである。第1のMRSスペクトルは、領域選択パルスの印可のないパルスシーケンスによるMRスペクトロスコピーにより収集されたMRSスペクトルである。第2のMRSスペクトルは、領域選択パルスの印可のあるパルスシーケンスによるMRスペクトロスコピーにより収集されたMRSスペクトルである。
(Modification 1)
FIG. 7 is a diagram schematically showing a specific example of the input / output relationship of the substance amount estimation NN according to the modification 1 of the first embodiment. The substance amount estimation NN according to the first modification takes the first MRS spectrum and the second MRS spectrum as inputs, and the substance amount related to the substance contained in the measurement target portion of the first MRS spectrum and the second MRS spectrum. It is a machine learning model whose parameters are trained to output information. The first MRS spectrum is an MRS spectrum collected by MR spectroscopy by an unapplied pulse sequence of region selection pulses. The second MRS spectrum is an MRS spectrum collected by MR spectroscopy by a pulse sequence with a region selection pulse applied.

領域選択パルスの印可により、特定周波数帯に属する物質の水素原子核を励起し、励起水素原子核からの信号強度のケミカルシフト分布を示す第2のMRSスペクトルが生成される。あるいは、領域選択パルスの印可により、特定周波数帯に属する物質の水素原子核を励起せず、他の周波数帯に属する物質の水素原子核からの信号強度のケミカルシフト分布を示す第2のMRSスペクトルが生成される。一方、領域選択パルスの印可がない場合、全周波数帯に属する物質の水素原子核が励起され、全周波数帯に属する物質の水素原子核からの信号強度のケミカルシフト分布を示す第1のMRSスペクトルが生成される。領域選択パルスは、異なる物質に起因するがケミカルシフト(周波数差)の重なり合う複数ピークをMRSスペクトル上にて分離するため、これら複数物質のうちの上記特定周波数帯に属する物質を選択励起又は選択非励起するために用いられる。 The application of the region selection pulse excites the hydrogen nuclei of the substance belonging to the specific frequency band, and a second MRS spectrum showing the chemical shift distribution of the signal intensity from the excited hydrogen nuclei is generated. Alternatively, the application of the region selection pulse does not excite the hydrogen nuclei of the substance belonging to a specific frequency band, and a second MRS spectrum showing the chemical shift distribution of the signal intensity from the hydrogen nuclei of the substance belonging to another frequency band is generated. Will be done. On the other hand, when the region selection pulse is not applied, the hydrogen nuclei of the substances belonging to all frequency bands are excited, and the first MRS spectrum showing the chemical shift distribution of the signal intensity from the hydrogen nuclei of the substances belonging to all frequency bands is generated. Will be done. Since the region selection pulse separates multiple peaks of overlapping chemical shifts (frequency differences) on the MRS spectrum due to different substances, the substance belonging to the above specific frequency band among these multiple substances is selectively excited or not selected. Used to excite.

第1のMRSスペクトルと第2のMRSスペクトルとを物質量推定NNに入力することにより、物質量推定NNが、特定周波数帯に属する特定物質を他物質から分離して認識することができるので、特定物質の物質量情報の推定精度を向上することができる。 By inputting the first MRS spectrum and the second MRS spectrum into the substance amount estimation NN, the substance amount estimation NN can recognize the specific substance belonging to the specific frequency band separately from other substances. It is possible to improve the estimation accuracy of the substance amount information of a specific substance.

(変形例2)
図8は、第1実施形態の変形例2に係る物質量推定NNの入出力関係の具体例を模式的に示す図である。変形例2に係る物質量推定NNは、第1のMRSスペクトルと第2のMRSスペクトルと選択情報とを入力として、第1のMRSスペクトルと第2のMRSスペクトルとの計測対象部位に含まれる物質に関する物質量情報を出力するようにパラメータが学習された機械学習モデルである。第1のMRSスペクトルは、領域選択パルスの印可のないパルスシーケンスによるMRスペクトロスコピーにより収集されたMRSスペクトルである。第2のMRSスペクトルは、領域選択パルスの印可のあるパルスシーケンスによるMRスペクトロスコピーにより収集されたMRSスペクトルである。選択情報は、領域選択パルスにより選択された領域を識別するための情報であり、例えば、選択的に励起又は非励起する周波数帯の周波数情報を含む。
(Modification 2)
FIG. 8 is a diagram schematically showing a specific example of the input / output relationship of the substance amount estimation NN according to the second embodiment of the first embodiment. The substance amount estimation NN according to the second modification is a substance included in the measurement target portion of the first MRS spectrum and the second MRS spectrum by inputting the first MRS spectrum, the second MRS spectrum, and the selection information. It is a machine learning model whose parameters are trained to output the amount of substance information about. The first MRS spectrum is an MRS spectrum collected by MR spectroscopy by an unapplied pulse sequence of region selection pulses. The second MRS spectrum is an MRS spectrum collected by MR spectroscopy by a pulse sequence with a region selection pulse applied. The selection information is information for identifying the region selected by the region selection pulse, and includes, for example, frequency information of a frequency band that is selectively excited or de-excited.

第1のMRSスペクトルと第2のMRSスペクトルと選択情報とを物質量推定NNに入力することにより、物質量推定NNによる特定周波数帯に属する特定物質の分離を容易にし、特定物質の物質量情報の推定精度の更なる向上が期待される。 By inputting the first MRS spectrum, the second MRS spectrum, and the selection information into the substance amount estimation NN, it is possible to facilitate the separation of the specific substance belonging to the specific frequency band by the substance amount estimation NN, and the substance amount information of the specific substance. It is expected that the estimation accuracy of will be further improved.

(変形例3)
図9は、第1実施形態の変形例3に係る物質量推定NNの入出力関係の具体例を模式的に示す図である。変形例3に係る物質量推定NNは、第1のMRSスペクトルと第2のMRSスペクトルとを入力として、第1のMRSスペクトルと第2のMRSスペクトルとの計測対象部位に含まれる物質に関する物質量情報を出力するようにパラメータが学習された機械学習モデルである。第1のMRSスペクトルと第2のMRSスペクトルとは、データ収集条件であるTRとTEとの組合せが互いに異なるMRSスペクトルである。TR及びTEは、MRスペクトロスコピーのSNR(Signal to Noise Ratio)に大きく関与する。TRが長いほど、得られる信号強度値が真値に近づくが、データ収集時間が長くなる。TEが短いほど観測されるピーク数が増えMRSスペクトルの精度が向上し、TEが長いほど観測されるピーク数が減りMRSスペクトルの可視性が向上する。
(Modification 3)
FIG. 9 is a diagram schematically showing a specific example of the input / output relationship of the substance amount estimation NN according to the modification 3 of the first embodiment. The substance amount estimation NN according to the third modification takes the first MRS spectrum and the second MRS spectrum as inputs, and the substance amount related to the substance contained in the measurement target portion of the first MRS spectrum and the second MRS spectrum. It is a machine learning model whose parameters are trained to output information. The first MRS spectrum and the second MRS spectrum are MRS spectra in which the combinations of TR and TE, which are data acquisition conditions, are different from each other. TR and TE are largely involved in the SNR (Signal to Noise Ratio) of MR spectroscopy. The longer the TR, the closer the obtained signal strength value is to the true value, but the longer the data acquisition time. The shorter the TE, the larger the number of observed peaks and the higher the accuracy of the MRS spectrum, and the longer the TE, the smaller the number of observed peaks and the better the visibility of the MRS spectrum.

第1のMRSスペクトルは第1のTR及びTEの組合せのもとにより収集され、第2のMRSスペクトルは第2のTR及びTEの組合せのもとにより収集される。第1のMRSスペクトルと第2のMRSスペクトルとでは、TRが同一でTEが異なってもよいし、TR異なりTEが同一でもよいし、TR及びTEの双方が異なってもよい。なお、2種類のMRSスペクトルを入力する例を示したが、例えば、毎回TE又はTRを変更しながら3~1000回程度MRSスペクトルを収集し、得られたMRSスペクトルの一部または全部を物質量推定NNの入力としてもよい。 The first MRS spectrum is collected under the combination of the first TR and TE, and the second MRS spectrum is collected under the combination of the second TR and TE. In the first MRS spectrum and the second MRS spectrum, TR may be the same and TE may be different, TR may be different and TE may be the same, or both TR and TE may be different. An example of inputting two types of MRS spectra has been shown. For example, the MRS spectra are collected about 3 to 1000 times while changing the TE or TR each time, and a part or all of the obtained MRS spectra is a substance amount. It may be used as an input of an estimated NN.

TRとTEとの組合せが異なる第1のMRSスペクトルと第2のMRSスペクトルとを物質量推定NNに入力することにより、物質量推定NNによるピークの認識性能が高まるので、物質量情報の推定精度の向上が期待される。 By inputting the first MRS spectrum and the second MRS spectrum having different combinations of TR and TE into the substance amount estimation NN, the peak recognition performance by the substance amount estimation NN is improved, so that the estimation accuracy of the substance amount information is improved. Is expected to improve.

(変形例4)
図10は、第1実施形態の変形例4に係る物質量推定NNの入出力関係の具体例を模式的に示す図である。変形例4に係る物質量推定NNは、MRSスペクトルと合成MRSスペクトルとを入力として、MRSスペクトルと合成MRSスペクトルとの計測対象部位に含まれる物質に関する物質量情報を出力するようにパラメータが学習された機械学習モデルである。MRSスペクトルは、信号処理機能513により、MRSkデータに基づき生成されたMRSスペクトルである。合成MRSスペクトルは、合成機能515により生成されたMRSスペクトルである。合成MRSスペクトルは、他方の入力であるMRSスペクトルに基づいて生成されたものでも、生成されていないものでもよい。
(Modification example 4)
FIG. 10 is a diagram schematically showing a specific example of the input / output relationship of the substance amount estimation NN according to the modified example 4 of the first embodiment. In the substance amount estimation NN according to the modified example 4, parameters are learned so as to output the substance amount information regarding the substance contained in the measurement target site of the MRS spectrum and the synthetic MRS spectrum by inputting the MRS spectrum and the synthetic MRS spectrum. It is a machine learning model. The MRS spectrum is an MRS spectrum generated based on the MRSk data by the signal processing function 513. The synthetic MRS spectrum is an MRS spectrum generated by the synthesis function 515. The synthetic MRS spectrum may or may not be generated based on the other input, the MRS spectrum.

MRSスペクトルと合成MRSスペクトルとを物質量推定NNに入力することにより、物質量推定NNによるMRSスペクトルのピークとノイズとの弁別能を高めることができ、物質量情報の推定精度の向上が期待される。 By inputting the MRS spectrum and the synthetic MRS spectrum into the substance amount estimation NN, it is possible to improve the discrimination ability between the peak and noise of the MRS spectrum by the substance amount estimation NN, and it is expected that the estimation accuracy of the substance amount information will be improved. To.

(変形例5)
上記実施例においては、物質量出力機能514による物質量推定NNのみが機械学習モデルにより作り込まれるものとした。しかしながら、物質量出力機能514と合成機能515とが単一の機械学習モデル(以下、第1の統合モデルと呼ぶ)により作り込まれてもよい。
(Modification 5)
In the above embodiment, it is assumed that only the substance amount estimation NN by the substance amount output function 514 is created by the machine learning model. However, the substance amount output function 514 and the synthesis function 515 may be created by a single machine learning model (hereinafter referred to as a first integrated model).

図11は、第1実施形態の変形例5に係る第1の統合モデルNN10のネットワーク構成例を示す図である。図11に示すように、第1の統合モデルNN10は、物質量情報出力層NN11、合成層NN12、物質量情報出力層NN13及び合成層NN14を有する深層ニューラルネットワークである。物質量情報出力層NN11と物質量情報出力層NN13とは、上記の幾つかの実施例において説明した物質量推定NNに対応するニューラルネットワーク層である。物質量情報出力層NN11と物質量情報出力層NN13とは、パラメータ出力部の一例である。合成層NN12と合成層NN14とは、合成機能515による、物質量情報に基づき合成MRSスペクトルを生成する処理を行うニューラルネットワーク層である。合成層NN12と合成層NN14とは、合成部の一例である。 FIG. 11 is a diagram showing a network configuration example of the first integrated model NN10 according to the modified example 5 of the first embodiment. As shown in FIG. 11, the first integrated model NN10 is a deep neural network having a substance amount information output layer NN11, a synthetic layer NN12, a substance amount information output layer NN13, and a synthetic layer NN14. The substance amount information output layer NN11 and the substance amount information output layer NN13 are neural network layers corresponding to the substance amount estimation NN described in some of the above embodiments. The substance amount information output layer NN11 and the substance amount information output layer NN13 are examples of the parameter output unit. The synthetic layer NN12 and the synthetic layer NN14 are neural network layers that are processed by the synthetic function 515 to generate a synthetic MRS spectrum based on the amount of substance information. The synthetic layer NN12 and the synthetic layer NN14 are examples of the synthetic unit.

具体的には、図11に示すように、物質量情報出力層NN11は、第1のMRSスペクトルと第2のMRSスペクトルとを入力とし、プロピレングリコール、エタノール、アセテート及びアセトンの物質量情報を出力する。合成層NN12は、物質量情報出力層NN11から出力されたプロピレングリコール、エタノール、アセテート及びアセトンの物質量情報を入力として、合成MRSスペクトルを出力する。物質量情報出力層NN13は、第1のMRSスペクトルと合成層NN12から出力された合成MRSスペクトルとを入力とし、プロピレングリコール、エタノール、アセテート及びアセトンの物質量情報を出力する。合成層NN14は、物質量情報出力層NN13から出力されたプロピレングリコール、エタノール、アセテート及びアセトンの物質量情報を入力として、合成MRSスペクトルを出力する。 Specifically, as shown in FIG. 11, the substance amount information output layer NN11 inputs the first MRS spectrum and the second MRS spectrum, and outputs the substance amount information of propylene glycol, ethanol, acetate, and acetone. do. The synthetic layer NN12 outputs a synthetic MRS spectrum by inputting the substance amount information of propylene glycol, ethanol, acetate and acetone output from the substance amount information output layer NN11. The substance amount information output layer NN13 inputs the first MRS spectrum and the synthetic MRS spectrum output from the synthetic layer NN12, and outputs the substance amount information of propylene glycol, ethanol, acetate and acetone. The synthetic layer NN14 outputs a synthetic MRS spectrum by inputting the substance amount information of propylene glycol, ethanol, acetate and acetone output from the substance amount information output layer NN13.

図11に示す第1の統合モデルNN10は、物質量情報出力層と合成層とを直列接続した単位層を2層有するものとした。しかしながら、これに限定されず、統合モデルNN10は、1個の単位層しか有さなくてもよいし、3個以上の単位層を有していてもよい。また、物質量情報出力層の入力チャネルは2個であるとしたが、これに限定されず、1個でもよいし、3個でもよい。 The first integrated model NN10 shown in FIG. 11 has two unit layers in which a substance amount information output layer and a synthetic layer are connected in series. However, the integrated model NN10 may have only one unit layer or may have three or more unit layers. Further, although the number of input channels of the substance amount information output layer is two, the number is not limited to this, and one or three may be used.

図12は、第1実施形態の変形例5に係る他の第1の統合モデルNN20のネットワーク構成例を示す図である。図12に示すように、第1の統合モデルNN20は、物質量情報出力層NN21、合成層NN22、物質量情報出力層NN23及び合成層NN24を有する深層ニューラルネットワークである。物質量情報出力層NN21と物質量情報出力層NN23とは、パラメータ出力部の一例である。合成層NN22と合成層NN24は、合成部の一例である。 FIG. 12 is a diagram showing a network configuration example of another first integrated model NN20 according to the modified example 5 of the first embodiment. As shown in FIG. 12, the first integrated model NN20 is a deep neural network having a substance amount information output layer NN21, a synthetic layer NN22, a substance amount information output layer NN23, and a synthetic layer NN24. The substance amount information output layer NN21 and the substance amount information output layer NN23 are examples of the parameter output unit. The synthetic layer NN22 and the synthetic layer NN24 are examples of the synthetic unit.

物質量情報出力層NN21は、第1のMRSスペクトルと第2のMRSスペクトルとを入力とし、プロピレングリコール、エタノール、アセテート及びアセトンの物質量情報を出力する。合成層NN22は、物質量情報出力層NN21から出力されたプロピレングリコール、エタノール、アセテート及びアセトンの物質量情報を入力として、合成MRSスペクトルを出力する。物質量情報出力層NN23は、第1のMRSスペクトルと第2のMRSスペクトルと合成層NN12から出力された合成MRSスペクトルとを入力とし、プロピレングリコール、エタノール、アセテート及びアセトンの物質量情報を出力する。合成層NN24は、物質量情報出力層NN23から出力されたプロピレングリコール、エタノール、アセテート及びアセトンの物質量情報を入力として、合成MRSスペクトルを出力する。 The substance amount information output layer NN21 inputs the first MRS spectrum and the second MRS spectrum, and outputs the substance amount information of propylene glycol, ethanol, acetate and acetone. The synthetic layer NN22 outputs a synthetic MRS spectrum by inputting the substance amount information of propylene glycol, ethanol, acetate and acetone output from the substance amount information output layer NN21. The substance amount information output layer NN23 inputs the first MRS spectrum, the second MRS spectrum, and the synthetic MRS spectrum output from the synthetic layer NN12, and outputs the substance amount information of propylene glycol, ethanol, acetate, and acetone. .. The synthetic layer NN24 outputs the synthetic MRS spectrum by inputting the substance amount information of propylene glycol, ethanol, acetate and acetone output from the substance amount information output layer NN23.

上記の通り、変形例5によれば、物質量出力機能514と合成機能515とを、第1の統合モデル10及び20のように、複数個の単位層(物質量情報出力層と合成層との組合せ)を直列接続した深層ニューラルネットワークにより作り込むことが可能である。このように、複数のMRSスペクトルから合成MRSスペクトルを生成する過程を深層ニューラルネットワークにより作り込むことできるので、合成MRSスペクトルを高速且つ高精度で生成することが可能になる。 As described above, according to the modification 5, the substance amount output function 514 and the synthesis function 515 are combined with a plurality of unit layers (material amount information output layer and synthetic layer) as in the first integrated models 10 and 20. It is possible to create a deep neural network in which (combinations of) are connected in series. In this way, since the process of generating the synthetic MRS spectrum from a plurality of MRS spectra can be created by the deep neural network, the synthetic MRS spectrum can be generated at high speed and with high accuracy.

上記実施形態の通り、第1実施形態に係るMR信号処理装置50は、処理回路51Aを有する。処理回路51Aは、同一の対象に関し、MRスペクトロスコピーにより収集された複数のMRS信号に学習済みモデルを適用し、MRS再構成のための複数の物質の物理量情報を出力する。処理回路51Aは、複数の物質の物理量情報と複数の人工スペクトルとに基づくフィッティングにより、計測対象部位に関するMRSスペクトルを生成する。 As described above, the MR signal processing device 50 according to the first embodiment has a processing circuit 51A. The processing circuit 51A applies a trained model to a plurality of MRS signals collected by MR spectroscopy for the same object, and outputs physical quantity information of a plurality of substances for MRS reconstruction. The processing circuit 51A generates an MRS spectrum for a measurement target site by fitting based on physical quantity information of a plurality of substances and a plurality of artificial spectra.

上記の構成によれば、複数のMRS信号に基づいて物理量情報を得るので、物理量情報の精度を向上することができる。また、このような物理量情報に基づいてMRSスペクトルを生成するので、MRSスペクトルの精度を向上することができる。 According to the above configuration, since the physical quantity information is obtained based on a plurality of MRS signals, the accuracy of the physical quantity information can be improved. Further, since the MRS spectrum is generated based on such physical quantity information, the accuracy of the MRS spectrum can be improved.

(第2実施形態)
次に、第2実施形態に係るMR信号処理装置について説明する。なお以下の説明において、第1実施形態と略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。
(Second Embodiment)
Next, the MR signal processing apparatus according to the second embodiment will be described. In the following description, components having substantially the same functions as those of the first embodiment are designated by the same reference numerals and will be duplicated and described only when necessary.

図13は、第2実施形態に係る磁気共鳴イメージング装置1の構成例を示す図である。図13に示すように、磁気共鳴イメージング装置1は、架台11、寝台13、傾斜磁場電源21、送信回路23、受信回路25、寝台駆動装置27、シーケンス制御回路29及びMR信号処理装置(ホストコンピュータ)50を有する。MR信号処理装置50は、処理回路51B、メモリ53、ディスプレイ55、入力インタフェース57及び通信インタフェース59を有するコンピュータである。 FIG. 13 is a diagram showing a configuration example of the magnetic resonance imaging device 1 according to the second embodiment. As shown in FIG. 13, the magnetic resonance imaging device 1 includes a gantry 11, a sleeper 13, a gradient magnetic field power supply 21, a transmission circuit 23, a reception circuit 25, a sleeper drive device 27, a sequence control circuit 29, and an MR signal processing device (host computer). ) Has 50. The MR signal processing device 50 is a computer having a processing circuit 51B, a memory 53, a display 55, an input interface 57, and a communication interface 59.

処理回路51Bは、ハードウェア資源としてCPU等のプロセッサを有する。処理回路51Bは、磁気共鳴イメージング装置1の中枢として機能する。例えば、処理回路51Bは、各種プログラムの実行により取得機能521、条件設定機能522、信号処理機能523、成分量出力機能524、合成機能525、判定機能526、学習機能527及び表示制御機能528を実現する。取得機能521は取得部の一例であり、条件設定機能522は設定部の一例であり、信号処理機能523はスペクトル生成部の一例であり、物質量出力機能524はパラメータ出力部の一例であり、合成機能525は合成部の一例であり、判定機能526は判定部の一例であり、学習機能527は学習部の一例であり、表示制御機能528は表示部の一例である。 The processing circuit 51B has a processor such as a CPU as a hardware resource. The processing circuit 51B functions as the center of the magnetic resonance imaging device 1. For example, the processing circuit 51B realizes an acquisition function 521, a condition setting function 522, a signal processing function 523, a component amount output function 524, a synthesis function 525, a determination function 526, a learning function 527, and a display control function 528 by executing various programs. do. The acquisition function 521 is an example of an acquisition unit, the condition setting function 522 is an example of a setting unit, the signal processing function 523 is an example of a spectrum generation unit, and the substance amount output function 524 is an example of a parameter output unit. The synthesis function 525 is an example of the synthesis unit, the determination function 526 is an example of the determination unit, the learning function 527 is an example of the learning unit, and the display control function 528 is an example of the display unit.

取得機能521、条件設定機能522及び信号処理機能523は、それぞれ第1実施形態に係る取得機能511、条件設定機能512及び信号処理機能513に略一致する機能である。 The acquisition function 521, the condition setting function 522, and the signal processing function 523 are functions that substantially match the acquisition function 511, the condition setting function 512, and the signal processing function 513 according to the first embodiment, respectively.

成分量出力機能524において処理回路51Bは、同一の対象Pに関し、MRスペクトロスコピーにより収集された複数のMRS信号に学習済みモデルを適用し、MRS再構成に関する複数のパラメータを出力する。第2実施形態に係る複数のパラメータは、当該複数のパラメータにそれぞれ対応する複数のスペクトルモデルに基づくフィッティングのためのスペクトルパラメータである。複数のスペクトルモデルは、計測対象部位に関する複数の基底にそれぞれ対応する複数の基底スペクトルである。複数の基底は、計測対象部位に関するMRSスペクトルに対してデータ変換を施すことにより得られる。複数のスペクトルパラメータは、複数の基底の成分量情報を含む。成分量情報は、基底の成分量に関する情報を意味する。以下、第2実施形態に係るパラメータを基底成分量情報と呼ぶことにする。なお、基底は、一例として、健常者に関するMRSスペクトルに基づく第1の基底(以下、健常者基底と呼ぶ)と、非健常者に関するMRSスペクトルに基づく第2の基底(以下、非健常者基底と呼ぶ)とを含む、学習済みモデルは、複数のMRS信号を入力として、成分量情報を出力するように学習された機械学習モデルである。機械学習モデルは、ニューラルネットワークや深層ニューラルネットワークが用いられる。以下、第2実施形態に係る学習済みモデルを基底成分量推定NNと呼ぶことにする。 In the component amount output function 524, the processing circuit 51B applies the trained model to a plurality of MRS signals collected by MR spectroscopy for the same target P, and outputs a plurality of parameters related to MRS reconstruction. The plurality of parameters according to the second embodiment are spectral parameters for fitting based on a plurality of spectral models corresponding to the plurality of parameters. The plurality of spectrum models are a plurality of basis spectra corresponding to a plurality of basis for the measurement target site. The plurality of bases are obtained by performing data conversion on the MRS spectrum with respect to the measurement target site. The plurality of spectral parameters include a plurality of basis component amount information. The component amount information means information regarding the base component amount. Hereinafter, the parameter according to the second embodiment will be referred to as basal component amount information. As an example, the basis is a first basis based on the MRS spectrum for a healthy person (hereinafter referred to as a healthy person basis) and a second basis based on the MRS spectrum for an unhealthy person (hereinafter referred to as an unhealthy person basis). The trained model including (called) is a machine learning model trained to output component amount information by inputting a plurality of MRS signals. Neural networks and deep neural networks are used as machine learning models. Hereinafter, the trained model according to the second embodiment will be referred to as a basal component amount estimation NN.

合成機能525において処理回路51Bは、成分量出力機能524において出力された基底成分量情報に基づいて、複数のMRS信号に比してノイズが低減された、対象Pに関する合成MRS信号を生成する。 In the synthesis function 525, the processing circuit 51B generates a synthetic MRS signal relating to the target P, which has noise reduced as compared with a plurality of MRS signals, based on the base component amount information output in the component amount output function 524.

判定機能526において処理回路51Bは、健常者基底に関する基底成分量情報と非健常者基底に関する基底成分量情報とに基づいて被検体Pが正常か異常かを判定する。 In the determination function 526, the processing circuit 51B determines whether the subject P is normal or abnormal based on the basal component amount information regarding the healthy subject base and the basal component amount information regarding the unhealthy subject base.

学習機能527において処理回路51Bは、成分量出力機能524において使用される基底成分量推定NNを、学習データに基づく機械学習により生成する。 In the learning function 527, the processing circuit 51B generates the basal component amount estimation NN used in the component amount output function 524 by machine learning based on the learning data.

表示制御機能528において処理回路51Bは、種々の情報をディスプレイ55に表示する。例えば、処理回路51Bは、MRS信号や基底成分量情報、合成MRS信号、正常/異常の判定結果、データ収集条件の設定画面等をディスプレイ55に表示する。 In the display control function 528, the processing circuit 51B displays various information on the display 55. For example, the processing circuit 51B displays an MRS signal, basal component amount information, a synthetic MRS signal, a normal / abnormal determination result, a data acquisition condition setting screen, and the like on the display 55.

以下、第2実施形態に係るMR信号処理装置50の動作例について詳細に説明する。 Hereinafter, an operation example of the MR signal processing apparatus 50 according to the second embodiment will be described in detail.

上記の通り、成分量出力機能524により、処理回路51Bは、複数のMRS信号に基底成分量推定NNを適用し、基底の基底成分量情報を出力する。 As described above, the processing circuit 51B applies the basal component amount estimation NN to the plurality of MRS signals by the component amount output function 524, and outputs the basal component amount information of the basal.

図14は、第2実施形態に係る学習済みモデル(基底成分量推定NN)の入出力関係を模式的に示す図である。図14に示すように、基底成分量推定NNは、第1のMRS信号と第2のMRS信号とを入力として、基底の基底成分量情報を出力するようにパラメータが学習された機械学習モデルである。第1のMRS信号と第2のMRS信号とは、被検体Pの同一計測対象部位に関するMRS信号である。第1のMRS信号と第2のMRS信号とのデータ収集条件は同一でもよいし、異なっていてもよい。基底成分量推定NNに入力されるMRS信号としては、MRSkデータ又はMRSスペクトルが可能である。図14に示す基底成分量推定NNに入力されるMRS信号の数は2個であるとしたが、これは一例であり、2個以上であれば幾つでもよい。 FIG. 14 is a diagram schematically showing the input / output relationship of the trained model (basal component amount estimation NN) according to the second embodiment. As shown in FIG. 14, the basal component amount estimation NN is a machine learning model in which parameters are trained so as to output basal component amount information by inputting a first MRS signal and a second MRS signal. be. The first MRS signal and the second MRS signal are MRS signals relating to the same measurement target site of the subject P. The data acquisition conditions of the first MRS signal and the second MRS signal may be the same or different. As the MRS signal input to the basal component amount estimation NN, MRSk data or MRS spectrum can be used. Although the number of MRS signals input to the basal component amount estimation NN shown in FIG. 14 is two, this is an example, and any number may be used as long as it is two or more.

基底成分量情報は、第1のMRS信号と第2のMRS信号との計測対象部位を代表するMRSスペクトルを数学的に複数の基底に変換したときの、各基底の成分量に関する情報である。基底は、計測対象部位を代表するMRSスペクトルにデータ圧縮を施すことにより得ることができる。データ圧縮法としては、例えば、低ランク近似、主成分分析、特異値分解及び自己符号化器等を用いることができる。計測対象部位を代表するMRSスペクトルは、事前に計測された、被検体Pの計測対象部位に関するMRSスペクトルでもよいし、被検体Pとは異なる人物の同一計測対象部位に関するMRSスペクトルでもよい。得られた複数の基底は基底成分量推定NNに用いられる。また、同一計測対象部位に関する多数のMRSスペクトルにデータ圧縮を施して多数の基底に変換し、これら多数の基底から、基底成分量推定NNに用いられる基底が選択されてもよい。例えば、多数の基底をクラスタリング等により複数のクラスタに分けし、各クラスタから、基底成分量推定NNに用いられる基底が選択されてもよい。 The basal component amount information is information on the component amount of each basal when the MRS spectrum representing the measurement target portion of the first MRS signal and the second MRS signal is mathematically converted into a plurality of basals. The basis can be obtained by applying data compression to the MRS spectrum representing the measurement target site. As the data compression method, for example, low-rank approximation, principal component analysis, singular value decomposition, self-encoder and the like can be used. The MRS spectrum representing the measurement target site may be an MRS spectrum measured in advance for the measurement target site of the subject P, or may be an MRS spectrum for the same measurement target site of a person different from the subject P. The obtained plurality of bases are used for the basal component amount estimation NN. Further, a large number of MRS spectra related to the same measurement target site may be data-compressed and converted into a large number of bases, and the base used for the basal component amount estimation NN may be selected from these many bases. For example, a large number of bases may be divided into a plurality of clusters by clustering or the like, and the base used for the base component amount estimation NN may be selected from each cluster.

基底成分量推定NNは、処理回路51Bの学習機能527により生成される。処理回路51Bは、複数の学習サンプルに基づいて機械学習モデルを訓練して基底成分量推定NNを生成する。学習サンプルは、入力データである第1のMRS信号及び第2のMRS信号と、正解データである基底成分量情報(以下、正解基底成分量情報と呼ぶ)との組合せである。入力データである第1のMRS信号及び第2のMRS信号は、磁気共鳴イメージング装置1又は他の磁気共鳴イメージング装置により生成される。正解基底成分量情報は、当該入力データに対応するMRSスペクトルを、事前に得られた複数の基底に変換したときの、複数の基底の成分量として得ることができる。処理回路51Bは、第1のMRS信号及び第2のMRS信号に機械学習モデルを適用して順伝播処理を行い、基底成分量情報(以下、推定基底成分量情報と呼ぶ)を出力する。次に処理回路51Bは、推定基底成分量情報と正解基底成分量情報との差分(誤差)を当該機械学習モデルに適用して逆伝播処理を行い、パラメータの関数である誤差関数の微分係数である勾配ベクトルを計算する。次に処理回路51Bは、勾配ベクトルに基づいて機械学習モデルのパラメータを更新する。順伝播処理、逆伝播処理及びパラメータ更新処理を学習サンプルを変更しながら繰り返し、誤差関数を最小化するパラメータを所定の最適化法に従い決定する。これにより基底成分量推定NNが生成される。 The basal component amount estimation NN is generated by the learning function 527 of the processing circuit 51B. The processing circuit 51B trains a machine learning model based on a plurality of training samples to generate a basal component amount estimation NN. The training sample is a combination of the first MRS signal and the second MRS signal, which are input data, and the basal component amount information (hereinafter, referred to as correct basal component amount information), which is the correct answer data. The first MRS signal and the second MRS signal, which are input data, are generated by the magnetic resonance imaging device 1 or another magnetic resonance imaging device. The correct basis component amount information can be obtained as the component amounts of a plurality of bases when the MRS spectrum corresponding to the input data is converted into a plurality of previously obtained bases. The processing circuit 51B applies a machine learning model to the first MRS signal and the second MRS signal to perform forward propagation processing, and outputs basal component amount information (hereinafter referred to as estimated basal component amount information). Next, the processing circuit 51B applies the difference (error) between the estimated basal component amount information and the correct basal component amount information to the machine learning model to perform back propagation processing, and uses the differential coefficient of the error function, which is a function of the parameters. Compute a gradient vector. Next, the processing circuit 51B updates the parameters of the machine learning model based on the gradient vector. The forward propagation process, the back propagation process, and the parameter update process are repeated while changing the training sample, and the parameters that minimize the error function are determined according to a predetermined optimization method. As a result, the basal component amount estimation NN is generated.

次に、第2実施形態に係るMR信号処理装置50による信号処理について、図15を参照しながら説明する。以下の説明において、基底成分量推定NNに入力されるMRS信号は、MRSスペクトルであるとする。 Next, the signal processing by the MR signal processing apparatus 50 according to the second embodiment will be described with reference to FIG. In the following description, it is assumed that the MRS signal input to the basal component amount estimation NN is an MRS spectrum.

図15は、第2実施形態に係るMR信号処理装置50による信号処理の流れの一例を示す図である。 FIG. 15 is a diagram showing an example of a flow of signal processing by the MR signal processing device 50 according to the second embodiment.

図15に示すように、処理回路51Bは、取得機能521の実現により、第1のMRSスペクトルと第2のMRSスペクトルとを取得する(ステップSB1)。ステップSB1はステップSA1と同様に行われる。 As shown in FIG. 15, the processing circuit 51B acquires the first MRS spectrum and the second MRS spectrum by realizing the acquisition function 521 (step SB1). Step SB1 is performed in the same manner as step SA1.

ステップSB1が行われると処理回路51Bは、成分量出力機能524の実現により、ステップSB1において取得された第1のMRSスペクトルと第2のMRSスペクトルとに基底成分量推定NNを適用して基底成分量情報を出力する(ステップSB2)。 When step SB1 is performed, the processing circuit 51B applies the basal component amount estimation NN to the first MRS spectrum and the second MRS spectrum acquired in step SB1 by realizing the component amount output function 524, and the basal component. Output the quantity information (step SB2).

図16は、基底成分量推定NNの入出力関係を模式的に示す図である。図16に示すように、基底成分量推定NNは、第1のMRSスペクトルと第2のMRSスペクトルとを入力として、基底成分量情報を出力するようにパラメータが学習された機械学習モデルである。第1のMRSスペクトルと第2のMRSスペクトルとを基底成分量情報に変換することにより、第1のMRSスペクトル及び第2のMRSスペクトルの劣化過程を基底に織り込むことができる。 FIG. 16 is a diagram schematically showing the input / output relationship of the basal component amount estimation NN. As shown in FIG. 16, the basal component amount estimation NN is a machine learning model in which parameters are learned so as to output basal component amount information by inputting a first MRS spectrum and a second MRS spectrum. By converting the first MRS spectrum and the second MRS spectrum into the basis component amount information, the deterioration process of the first MRS spectrum and the second MRS spectrum can be woven into the basis.

基底成分量情報としては、各基底の成分量情報と信頼度情報とを含む。図16においては、具体例として、健常者基底#1の成分量C1及び半値幅W1、健常者基底#2の成分量C2及び半値幅W2、非健常者基底#3の成分量C3及び半値幅W3、非健常者基底#4の成分量C4及び半値幅W4が例示されている。健常者基底#1及び#2は、健常者のMRSスペクトルにデータ圧縮を施すことにより得られた基底である。健常者とは、第1のMRSスペクトル及び第2のMRSスペクトルの計測対象部位に関して「異常なし」と評価された人物である。非健常者基底#3及び#4は、非健常者のMRSスペクトルにデータ圧縮を施すことにより得られた基底である。非健常者とは、第1のMRSスペクトル及び第2のMRSスペクトルの計測対象部位に関して「異常あり」と評価された人物である。なお、1個の基底について複数のピークが存在する場合、ピーク毎に成分量及び半値幅が出力される。ピークは周波数差により識別されればよい。 The basal component amount information includes the component amount information of each basal and the reliability information. In FIG. 16, as specific examples, the component amount C1 and the half-value width W1 of the healthy person base # 1, the component amount C2 and the half-value width W2 of the healthy person base # 2, and the component amount C3 and the half-value width of the unhealthy person base # 3 are shown. W3, the component amount C4 of the unhealthy person basis # 4, and the half width W4 are exemplified. Healthy person bases # 1 and # 2 are bases obtained by applying data compression to the MRS spectrum of a healthy person. A healthy person is a person who is evaluated as "no abnormality" with respect to the measurement target sites of the first MRS spectrum and the second MRS spectrum. The unhealthy person bases # 3 and # 4 are the bases obtained by applying data compression to the MRS spectrum of the unhealthy person. An unhealthy person is a person who is evaluated as "abnormal" with respect to the measurement target sites of the first MRS spectrum and the second MRS spectrum. When a plurality of peaks exist for one basis, the component amount and the half width are output for each peak. The peak may be identified by the frequency difference.

処理回路51Bは、ステップSB1において取得された第1のMRSスペクトルと第2のMRSスペクトルとに基底成分量推定NNを適用して、健常者基底#1の成分量C1及び半値幅W1、健常者基底#2の成分量C2及び半値幅W2、非健常者基底#3の成分量C3及び半値幅W3、非健常者基底#4の成分量C4及び半値幅W4を出力する。第2実施形態によれば、同一計測対象部位に関する複数のMRSスペクトルから基底成分量情報を推定することができるので、当該計測対象部位に含まれる基底の基底成分量情報を精度よく推定することができる。 The processing circuit 51B applies the basis component amount estimation NN to the first MRS spectrum and the second MRS spectrum acquired in step SB1, and the component amount C1 and the half width at half maximum W1 of the healthy person base # 1 and the healthy person. The component amount C2 and half width W2 of the basis # 2, the component amount C3 and the half width W3 of the unhealthy person base # 3, and the component amount C4 and the half width W4 of the unhealthy person base # 4 are output. According to the second embodiment, since the basal component amount information can be estimated from a plurality of MRS spectra related to the same measurement target part, it is possible to accurately estimate the basal component amount information included in the measurement target part. can.

ステップSB2が行われると処理回路51Bは、合成機能515の実現により、ステップSB2において出力された基底成分量情報に基づいて合成MRSスペクトルを生成する(ステップSB3)。ステップSB3はステップSA3と同様に行われる。すなわち、予め複数の基底にそれぞれ対応する複数の基底スペクトルが記憶されている。ステップSB3において処理回路51Bは、複数の基底各々の成分量及び半値幅を当該基底スペクトルに適用して複数の補正基底スペクトルを生成し、生成された複数の補正基底スペクトルをフィッティングして合成MRSスペクトルを生成する。合成MRSスペクトルは、基底スペクトルに基づくフィッティングにより生成されるので、入力である第1のMRSスペクトル及び第2のMRSスペクトルに比して、MRスペクトロスコピーのデータ収集の不安定や被検体Pの体動、静磁場の乱れ等に起因するノイズが低減されている。換言すれば、基底成分量推定NNによる基底成分量推定(ステップSB2)と基底成分量情報に基づく合成MRSスペクトルの生成(ステップSB3)とは、第1のMRSスペクトル及び第2のMRSスペクトルのデノイズ処理と同視することができる。 When step SB2 is performed, the processing circuit 51B generates a synthetic MRS spectrum based on the basal component amount information output in step SB2 by realizing the synthesis function 515 (step SB3). Step SB3 is performed in the same manner as in step SA3. That is, a plurality of basis spectra corresponding to each of the plurality of bases are stored in advance. In step SB3, the processing circuit 51B applies the component amount and full width at half maximum of each of the plurality of bases to the base spectrum to generate a plurality of corrected base spectra, and fits the generated multiple corrected base spectra to synthesize a synthesized MRS spectrum. To generate. Since the synthetic MRS spectrum is generated by fitting based on the basal spectrum, the data collection of the MR spectroscopy is unstable and the body of the subject P is compared with the input first MRS spectrum and the second MRS spectrum. Noise caused by turbulence of dynamic and static magnetic fields is reduced. In other words, the basal component amount estimation by the basal component amount estimation NN (step SB2) and the generation of the synthetic MRS spectrum based on the basal component amount information (step SB3) are the denoises of the first MRS spectrum and the second MRS spectrum. It can be equated with processing.

ステップSB3が行われると処理回路51Bは、判定機能526の実現により、ステップSB2において出力された基底成分量情報に基づいて正常又は異常を判定する(ステップSB4)。 When step SB3 is performed, the processing circuit 51B determines normality or abnormality based on the basal component amount information output in step SB2 by realizing the determination function 526 (step SB4).

図17及び図18は、基底成分量情報に基づく正常又は異常の判定処理を模式的に示す図であり、図17は正常判定に関し、図18は異常判定に関する。図17及び図18に示すように、ステップSB2において、基底成分量情報として、健常者基底#1の成分量C11,C12、健常者基底#2の成分量C21,C22、非健常者基底#3の成分量C31,C32及び非健常者基底#4の成分量C41,C42が出力されているものとする。処理回路51Bは、健常者基底#1及び#2の成分量C11,C12及び成分量C21,C22と、非健常者基底#3及び#4の成分量C31,C32及び成分量C41,C42との割合に応じて正常か異常かを判定する。処理回路51Bは、図17に示すように、健常者基底#1及び#2の成分量C11及び成分量C21が、非健常者基底#3及び#4の成分量C31及び成分量C41よりも多い場合、正常であると判定する。一方、処理回路51Bは、図18に示すように、非健常者基底#3及び#4の成分量C32及び成分量C42が、健常者基底#1及び#2の成分量C12及び成分量C22よりも多い場合、異常であると判定する。 17 and 18 are diagrams schematically showing normality or abnormality determination processing based on basal component amount information, FIG. 17 is related to normality determination, and FIG. 18 is related to abnormality determination. As shown in FIGS. 17 and 18, in step SB2, as the basal component amount information, the component amounts C11 and C12 of the healthy person base # 1, the component amounts C21 and C22 of the healthy person base # 2, and the unhealthy person base # 3 It is assumed that the component amounts C31 and C32 of the above and the component amounts C41 and C42 of the unhealthy person base # 4 are output. The processing circuit 51B comprises the component amounts C11, C12 and the component amounts C21, C22 of the healthy person bases # 1 and # 2, and the component amounts C31, C32 and the component amounts C41, C42 of the unhealthy person bases # 3 and # 4. Judge whether it is normal or abnormal according to the ratio. In the processing circuit 51B, as shown in FIG. 17, the component amounts C11 and the component amounts C21 of the healthy person bases # 1 and # 2 are larger than the component amounts C31 and the component amounts C41 of the unhealthy person bases # 3 and # 4. If so, it is determined to be normal. On the other hand, in the processing circuit 51B, as shown in FIG. 18, the component amounts C32 and the component amounts C42 of the unhealthy person bases # 3 and # 4 are based on the component amounts C12 and the component amounts C22 of the healthy person bases # 1 and # 2. If there are many, it is judged to be abnormal.

ステップSB4が行われると処理回路51Bは、表示制御機能528の実現により、ステップSB3において生成された合成MRSスペクトルとステップSB4において得られた判定結果とを表示する(ステップSB5)。合成MRSスペクトルと判定結果とは、ディスプレイ55に所定のレイアウトで表示される。 When step SB4 is performed, the processing circuit 51B displays the synthetic MRS spectrum generated in step SB3 and the determination result obtained in step SB4 by realizing the display control function 528 (step SB5). The synthesized MRS spectrum and the determination result are displayed on the display 55 in a predetermined layout.

図19は、合成MRSスペクトルI12と判定結果I13との表示画面I1の一例を示す図である。図19に示すように、表示画面I1には、関心ボクセル設定画像I11が表示される。関心ボクセル設定画像I11は、第1のMRSスペクトルと第2のMRSスペクトルとの関心ボクセルV1が設定されたMR画像である。関心ボクセル設定画像I11には、例えば、脳腫瘍領域R1が描画され、脳腫瘍領域R1に関心ボクセルV1が描画される。第1のMRSスペクトルと第2のMRSスペクトルとの関心ボクセルが異なる位置に設定される場合、第1のMRSスペクトルの関心ボクセルと第2のMRSスペクトルの関心ボクセルとが異なる位置に描画されることとなる。関心ボクセル設定画像I11は、如何なるイメージング法により収集されたMR画像でもよい。 FIG. 19 is a diagram showing an example of a display screen I1 of a synthetic MRS spectrum I12 and a determination result I13. As shown in FIG. 19, the interest voxel setting image I11 is displayed on the display screen I1. The interest voxel setting image I11 is an MR image in which the interest voxel V1 of the first MRS spectrum and the second MRS spectrum is set. For example, the brain tumor region R1 is drawn on the interest voxel setting image I11, and the interest voxel V1 is drawn on the brain tumor region R1. When the voxels of interest in the first MRS spectrum and the second MRS spectrum are set at different positions, the voxels of interest in the first MRS spectrum and the voxels of interest in the second MRS spectrum are drawn at different positions. Will be. The voxel setting image I11 of interest may be an MR image collected by any imaging method.

図19に示すように、表示画面I1には、ステップSB3において生成された合成MRSスペクトルI12が表示される。これによりユーザは、デノイズされたMRSスペクトルである合成MRSスペクトルを観察することができる。 As shown in FIG. 19, the synthetic MRS spectrum I12 generated in step SB3 is displayed on the display screen I1. This allows the user to observe the synthetic MRS spectrum, which is the denoised MRS spectrum.

図19に示すように、表示画面I1には、ステップSB4において得られた正常又は異常の判定結果I13が表示される。例えば、ステップSB4において異常であると判定された場合、「異常の疑いあり」のように判定結果が表示される。また、「要精密検査」のように判定結果に付随した情報が表示されてもよい。 As shown in FIG. 19, the normal or abnormal determination result I13 obtained in step SB4 is displayed on the display screen I1. For example, when it is determined to be abnormal in step SB4, the determination result is displayed as "suspicious of abnormality". In addition, information accompanying the determination result may be displayed, such as "detailed inspection required".

以上により、第2実施形態に係るMR信号処理装置50による信号処理が終了する。 As a result, the signal processing by the MR signal processing device 50 according to the second embodiment is completed.

第2実施形態は種々の変形が可能である。例えば、図15において、合成MRSスペクトルの生成処理が行われた後に、正常又は異常の判定処理が行われるものとした。しかしながら、正常又は異常の判定処理が行われと後に、合成MRSスペクトルの生成処理が行われてもよい。 The second embodiment can be modified in various ways. For example, in FIG. 15, it is assumed that the normal or abnormal determination process is performed after the synthetic MRS spectrum generation process is performed. However, the synthetic MRS spectrum generation process may be performed after the normal or abnormal determination process is performed.

上記の実施例においては、正常又は異常の判定が行われるものとした。しかしながら、脳腫瘍や白質脳症、脳卒中、痴呆、外傷等の個別の疾患の罹患の有無が判定されてもよい。この場合、非健常者基底として、疾患各々について当該病変に固有の基底ベクトル(以下、疾患基底ベクトルと呼ぶ)が用意される。疾患基底ベクトルは、当該疾患に罹患していると診断された非健常者のMRSスペクトルにデータ圧縮技術を施すことにより得ることが可能である。処理回路51Bは、疾患基底ベクトルの基底成分量を閾値に対して比較し、基底成分量が閾値を超えた場合、当該疾患に罹患していると判定し、基底成分量が閾値を超えていない場合、当該疾患に罹患していないと判定すればよい。 In the above embodiment, it is assumed that normality or abnormality is determined. However, the presence or absence of individual diseases such as brain tumors, toxic leukoencephalopathy, stroke, dementia, and trauma may be determined. In this case, as an unhealthy person's basis, a basis vector unique to the lesion (hereinafter referred to as a disease basis vector) is prepared for each disease. The disease basis vector can be obtained by applying a data compression technique to the MRS spectrum of an unhealthy person diagnosed with the disease. The processing circuit 51B compares the amount of the basal component of the disease basal vector with respect to the threshold value, and if the amount of the basal component exceeds the threshold value, determines that the patient is suffering from the disease, and the amount of the basal component does not exceed the threshold value. In that case, it may be determined that the patient does not have the disease.

上記実施形態の通り、第2実施形態に係るMR信号処理装置50は、処理回路51Bを有する。処理回路51Bは、同一の対象に関し、MRスペクトロスコピーにより収集された複数のMRS信号に学習済みモデルを適用し、MRS再構成のための複数の基底の基底成分量情報を出力する。処理回路51Bは、複数の基底の基底成分量情報と複数の基底スペクトルとに基づくフィッティングにより、計測対象部位に関するMRSスペクトルを生成する。 As described above, the MR signal processing device 50 according to the second embodiment has a processing circuit 51B. The processing circuit 51B applies a trained model to a plurality of MRS signals collected by MR spectroscopy for the same object, and outputs information on the amount of basis components of a plurality of bases for MRS reconstruction. The processing circuit 51B generates an MRS spectrum for a measurement target site by fitting based on information on the amount of basal components of a plurality of basals and a plurality of basal spectra.

上記の構成によれば、複数のMRS信号に基づいて基底成分量情報を得るので、基底成分量情報の精度を向上することができる。また、このような基底成分量情報に基づいてMRSスペクトルを生成するので、MRSスペクトルの精度を向上することができる。 According to the above configuration, since the basal component amount information is obtained based on a plurality of MRS signals, the accuracy of the basal component amount information can be improved. Further, since the MRS spectrum is generated based on such information on the amount of basal components, the accuracy of the MRS spectrum can be improved.

(第3実施形態)
次に、第3実施形態に係るMR信号処理装置について説明する。なお以下の説明において、第1実施形態及び第2実施形態と略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。
(Third Embodiment)
Next, the MR signal processing apparatus according to the third embodiment will be described. In the following description, components having substantially the same functions as those of the first embodiment and the second embodiment are designated by the same reference numerals and will be duplicated and described only when necessary.

図20は、第3実施形態に係る磁気共鳴イメージング装置1の構成例を示す図である。図20に示すように、第3実施形態に係る磁気共鳴イメージング装置1は、架台11、寝台13、傾斜磁場電源21、送信回路23、受信回路25、寝台駆動装置27、シーケンス制御回路29及びMR信号処理装置(ホストコンピュータ)50を有する。MR信号処理装置50は、処理回路51C、メモリ53、ディスプレイ55、入力インタフェース57及び通信インタフェース59を有するコンピュータである。 FIG. 20 is a diagram showing a configuration example of the magnetic resonance imaging device 1 according to the third embodiment. As shown in FIG. 20, the magnetic resonance imaging apparatus 1 according to the third embodiment includes a gantry 11, a sleeper 13, a gradient magnetic field power supply 21, a transmission circuit 23, a reception circuit 25, a sleeper drive device 27, a sequence control circuit 29, and an MR. It has a signal processing device (host computer) 50. The MR signal processing device 50 is a computer having a processing circuit 51C, a memory 53, a display 55, an input interface 57, and a communication interface 59.

処理回路51Cは、ハードウェア資源としてCPU等のプロセッサを有する。処理回路51Cは、磁気共鳴イメージング装置1の中枢として機能する。例えば、処理回路51Cは、各種プログラムの実行により取得機能531、条件設定機能532、信号処理機能533、変調量出力機能534、補正機能535、学習機能536及び表示制御機能537を実現する。取得機能531は取得部の一例であり、条件設定機能532は設定部の一例であり、信号処理機能533はスペクトル生成部の一例であり、変調量出力機能534はパラメータ出力部の一例であり、補正機能535は補正部の一例であり、学習機能536は学習部の一例であり、表示制御機能537は表示部の一例である。 The processing circuit 51C has a processor such as a CPU as a hardware resource. The processing circuit 51C functions as the center of the magnetic resonance imaging device 1. For example, the processing circuit 51C realizes an acquisition function 531, a condition setting function 532, a signal processing function 533, a modulation amount output function 534, a correction function 535, a learning function 536, and a display control function 537 by executing various programs. The acquisition function 531 is an example of an acquisition unit, the condition setting function 532 is an example of a setting unit, the signal processing function 533 is an example of a spectrum generation unit, and the modulation amount output function 534 is an example of a parameter output unit. The correction function 535 is an example of the correction unit, the learning function 536 is an example of the learning unit, and the display control function 537 is an example of the display unit.

取得機能531、条件設定機能532及び信号処理機能533は、それぞれ第1実施形態に係る取得機能511、条件設定機能512及び信号処理機能513に略一致する機能である。 The acquisition function 531 and the condition setting function 532 and the signal processing function 533 are functions that substantially match the acquisition function 511, the condition setting function 512, and the signal processing function 513 according to the first embodiment, respectively.

変調量出力機能534において処理回路51Cは、被検体Pに関し、MRスペクトロスコピーにより収集された複数のMRS信号に学習済みモデルを適用し、MRS再構成のための複数のパラメータを出力する。第3実施形態に係る複数のパラメータは、複数のMRS信号間における磁場変調に起因するk空間変調に関する情報を含む。以下、第3実施形態に係るパラメータをk空間変調量情報と呼ぶことにする。学習済みモデルは、複数のMRS信号を入力として、k空間変調量情報を出力するように学習された機械学習モデルである。機械学習モデルは、ニューラルネットワークや深層ニューラルネットワークが用いられる。以下、第3実施形態に係る学習済みモデルを変調量推定NNと呼ぶことにする。 In the modulation amount output function 534, the processing circuit 51C applies the trained model to a plurality of MRS signals collected by MR spectroscopy with respect to the subject P, and outputs a plurality of parameters for MRS reconstruction. The plurality of parameters according to the third embodiment include information regarding k-space modulation resulting from magnetic field modulation between the plurality of MRS signals. Hereinafter, the parameter according to the third embodiment will be referred to as k-space modulation amount information. The trained model is a machine learning model trained to output k-space modulation amount information by inputting a plurality of MRS signals. Neural networks and deep neural networks are used as machine learning models. Hereinafter, the trained model according to the third embodiment will be referred to as a modulation amount estimation NN.

補正機能535において処理回路51Cは、変調量出力機能534において出力されたk空間変調量情報に基づいてMRS信号を補正する。以下、補正後のMRS信号を補正MRS信号と呼ぶことにする。 In the correction function 535, the processing circuit 51C corrects the MRS signal based on the k-space modulation amount information output by the modulation amount output function 534. Hereinafter, the corrected MRS signal will be referred to as a corrected MRS signal.

学習機能536において処理回路51Cは、変調量出力機能534において使用される変調量推定NNを、学習データに基づく機械学習により生成する。 In the learning function 536, the processing circuit 51C generates the modulation amount estimation NN used in the modulation amount output function 534 by machine learning based on the learning data.

表示制御機能537において処理回路51Cは、種々の情報をディスプレイ55に表示する。例えば、処理回路51Cは、MRS信号や変調量情報、補正MRS信号、データ収集条件の設定画面等をディスプレイ55に表示する。 In the display control function 537, the processing circuit 51C displays various information on the display 55. For example, the processing circuit 51C displays an MRS signal, modulation amount information, a corrected MRS signal, a data acquisition condition setting screen, and the like on the display 55.

以下、第3実施形態に係るMR信号処理装置50の動作例について詳細に説明する。 Hereinafter, an operation example of the MR signal processing apparatus 50 according to the third embodiment will be described in detail.

上記の通り、変調量出力機能534により、処理回路51Cは、複数のMRS信号に変調量推定NNを適用し、複数のMRS信号についてのデータ収集間における磁場変調に起因するk空間変調に関するk空間変調量情報を出力する。 As described above, by the modulation amount output function 534, the processing circuit 51C applies the modulation amount estimation NN to a plurality of MRS signals, and k-space related to the k-space modulation caused by the magnetic field modulation between the data acquisitions of the plurality of MRS signals. Output the modulation amount information.

図21は、第3実施形態に係る学習済みモデル(変調量推定NN)の入出力関係を模式的に示す図である。図21に示すように、変調量推定NNは、第1のMRS信号と第2のMRS信号とを入力として、第1のMRS信号及び第2のMRS信号についてのデータ収集間における磁場変調に起因するk空間変調に関するk空間変調量情報を出力するようにパラメータが学習された機械学習モデルである。第1のMRS信号と第2のMRS信号とは、同一の被検体Pを対象とするMRS信号である。第1のMRS信号と第2のMRS信号とのデータ収集条件は同一でもよいし、異なっていてもよい。変調量推定NNに入力されるMRS信号としては、MRSkデータ又はMRSスペクトルが可能である。図21に示す変調量推定NNに入力されるMRS信号の数は2個であるとしたが、これは一例であり、2個以上であれば幾つでもよい。 FIG. 21 is a diagram schematically showing the input / output relationship of the trained model (modulation amount estimation NN) according to the third embodiment. As shown in FIG. 21, the modulation amount estimation NN is caused by the magnetic field modulation between the data acquisition of the first MRS signal and the second MRS signal with the first MRS signal and the second MRS signal as inputs. This is a machine learning model in which parameters are learned so as to output k-spatial modulation amount information regarding k-spatial modulation. The first MRS signal and the second MRS signal are MRS signals targeting the same subject P. The data acquisition conditions of the first MRS signal and the second MRS signal may be the same or different. As the MRS signal input to the modulation amount estimation NN, MRSk data or MRS spectrum can be used. Although the number of MRS signals input to the modulation amount estimation NN shown in FIG. 21 is two, this is an example, and any number may be used as long as it is two or more.

k空間変調量情報は、第1のMRS信号及び第2のMRS信号についてのデータ収集間における磁場変調に起因するk空間変調の変調量に関する情報である。磁場変調の要因としては、静磁場の変調や傾斜磁場の変調、ノイズ等の種々の要因がある。静磁場の変調の要因としては、静磁場の不均一や静磁場のオフセット(f0シフト)がある。傾斜磁場の変調の要因としては、傾斜磁場の過渡応答(位相シフト)がある。磁場変調は、k空間における、磁場変調なしの理想のMRSkデータに対する実際のMRSkデータのずれとして現れる。第1のMRS信号及び第2のMRS信号についてのデータ収集間において磁場変調が生じた場合、k空間において第1のMRSkデータと第2のMRSkデータとの間にずれが生じることとなる。 The k-space modulation amount information is information regarding the modulation amount of the k-space modulation due to the magnetic field modulation between the data acquisitions of the first MRS signal and the second MRS signal. As factors of magnetic field modulation, there are various factors such as static magnetic field modulation, gradient magnetic field modulation, and noise. Factors of static magnetic field modulation include static magnetic field non-uniformity and static magnetic field offset (f0 shift). The factor of the modulation of the gradient magnetic field is the transient response (phase shift) of the gradient magnetic field. The magnetic field modulation appears as a deviation of the actual MRSk data from the ideal MRSk data without magnetic field modulation in k-space. When magnetic field modulation occurs between data acquisition for the first MRS signal and the second MRS signal, there will be a discrepancy between the first MRSk data and the second MRSk data in k-space.

変調量推定NNは、処理回路51Cの学習機能536により生成される。処理回路51Cは、複数の学習サンプルに基づいて機械学習モデルを訓練して変調量推定NNを生成する。学習サンプルは、入力データである第1のMRS信号及び第2のMRS信号と、正解データであるk空間変調量情報(以下、正解k空間変調量情報と呼ぶ)との組合せである。入力データである第1のMRS信号及び第2のMRS信号は、磁気共鳴イメージング装置1又は他の磁気共鳴イメージング装置により生成される。正解k空間変調量情報は、当該第1のMRSkデータに対する第2のMRSkデータのk空間におけるズレを計測することにより得られる。処理回路51Cは、第1のMRS信号及び第2のMRS信号に機械学習モデルを適用して順伝播処理を行い、k空間変調量情報(以下、推定k空間変調量情報と呼ぶ)を出力する。次に処理回路51Cは、推定k空間変調量情報と正解k空間変調量情報との差分(誤差)を当該機械学習モデルに適用して逆伝播処理を行い、パラメータの関数である誤差関数の微分係数である勾配ベクトルを計算する。次に処理回路51Cは、勾配ベクトルに基づいて機械学習モデルのパラメータを更新する。順伝播処理、逆伝播処理及びパラメータ更新処理を学習サンプルを変更しながら繰り返し、誤差関数を最小化するパラメータを所定の最適化法に従い決定する。これにより変調量推定NNが生成される。 The modulation amount estimation NN is generated by the learning function 536 of the processing circuit 51C. The processing circuit 51C trains a machine learning model based on a plurality of training samples to generate a modulation amount estimation NN. The training sample is a combination of the first MRS signal and the second MRS signal, which are input data, and k-space modulation amount information (hereinafter, referred to as correct k-space modulation amount information), which is correct data. The first MRS signal and the second MRS signal, which are input data, are generated by the magnetic resonance imaging device 1 or another magnetic resonance imaging device. The correct k-space modulation amount information is obtained by measuring the deviation of the second MRSk data in the k-space with respect to the first MRSk data. The processing circuit 51C applies a machine learning model to the first MRS signal and the second MRS signal to perform forward propagation processing, and outputs k-space modulation amount information (hereinafter referred to as estimated k-space modulation amount information). .. Next, the processing circuit 51C applies the difference (error) between the estimated k space modulation amount information and the correct answer k space modulation amount information to the machine learning model to perform back propagation processing, and differentiates the error function which is a function of the parameter. Calculate the gradient vector, which is a coefficient. Next, the processing circuit 51C updates the parameters of the machine learning model based on the gradient vector. The forward propagation process, the back propagation process, and the parameter update process are repeated while changing the training sample, and the parameters that minimize the error function are determined according to a predetermined optimization method. As a result, the modulation amount estimation NN is generated.

次に、第3実施形態に係るMR信号処理装置50による信号処理について、図22を参照しながら説明する。以下の説明において、変調量推定NNに入力されるMRS信号は、MRSkデータであるとする。 Next, the signal processing by the MR signal processing apparatus 50 according to the third embodiment will be described with reference to FIG. 22. In the following description, it is assumed that the MRS signal input to the modulation amount estimation NN is MRSk data.

図22は、第3実施形態に係るMR信号処理装置50による信号処理の流れの一例を示す図である。 FIG. 22 is a diagram showing an example of the flow of signal processing by the MR signal processing device 50 according to the third embodiment.

図22に示すように、処理回路51Cは、取得機能531の実現により、第1のMRSkデータと第2のMRSkデータとを取得する(ステップSC1)。第1のMRSkデータと第2のMRSkデータとは、例えば、シングルボクセル法により同一データ収集条件の下で収集された、同一計測対象部位に関するMRSkデータであるとする。処理回路51Cは、加算処理前の積算回数分のMRSkデータから任意の2個のMRSkデータを、第1のMRSkデータ及び第2のMRSkデータとして選択して取得する。2個のMRSkデータは、ユーザにより入力インタフェース57を介した指示に従い手動的に又は所定のアルゴリズムに従い自動的に選択されればよい。 As shown in FIG. 22, the processing circuit 51C acquires the first MRSk data and the second MRSk data by realizing the acquisition function 531 (step SC1). It is assumed that the first MRSk data and the second MRSk data are, for example, MRSk data related to the same measurement target site collected under the same data collection conditions by the single voxel method. The processing circuit 51C selects and acquires two arbitrary MRSk data as the first MRSk data and the second MRSk data from the MRSk data for the number of integrations before the addition processing. The two MRSk data may be manually selected by the user according to instructions via the input interface 57 or automatically according to a predetermined algorithm.

ステップSC1が行われると処理回路51Cは、変調量出力機能534の実現により、ステップSC1において取得された第1のMRSkデータと第2のMRSkデータとに変調量推定NNを適用してk空間変調量情報を出力する(ステップSC2)。 When step SC1 is performed, the processing circuit 51C applies the modulation amount estimation NN to the first MRSk data and the second MRSk data acquired in step SC1 by realizing the modulation amount output function 534, and k-space modulation. Output the quantity information (step SC2).

図23は、変調量推定NNの入出力関係の具体例を模式的に示す図である。図23に示すように、変調量推定NNは、第1のMRSkデータと第2のMRSkデータとを入力として、第1のMRSkデータ及び第2のMRSkデータについてのデータ収集間におけるk空間変調量情報を出力するようにパラメータが学習された機械学習モデルである。k空間変調量情報としては、具体的には、f0シフト及び位相シフトが例示されている。f0シフトに関するk空間変調量情報は、静磁場変調に起因するk空間におけるMRSkデータのズレ量であり、位相シフトは、傾斜磁場変調に起因するk空間におけるMRSkデータのズレ量である。k空間変調量情報は、k空間変調のズレ量を示す数値でもよいし、k空間変調を表すインパルス応答の、時定数やゲイン、時間原点等のパラメータでもよい。 FIG. 23 is a diagram schematically showing a specific example of the input / output relationship of the modulation amount estimation NN. As shown in FIG. 23, the modulation amount estimation NN takes the first MRSk data and the second MRSk data as inputs, and the k space modulation amount between the data acquisition of the first MRSk data and the second MRSk data. It is a machine learning model in which parameters are trained to output information. Specifically, f0 shift and phase shift are exemplified as the k-space modulation amount information. The k-space modulation amount information regarding the f0 shift is the amount of deviation of the MRSk data in the k-space due to the static magnetic field modulation, and the phase shift is the amount of deviation of the MRSk data in the k-space due to the gradient magnetic field modulation. The k-space modulation amount information may be a numerical value indicating the deviation amount of the k-space modulation, or may be a parameter such as a time constant, a gain, or a time origin of the impulse response representing the k-space modulation.

処理回路51Cは、ステップSC1において取得された第1のMRSkデータと第2のMRSkデータとに変調量推定NNを適用して、第1のMRSkデータ及び第2のMRSkデータについてのデータ収集間におけるk空間変調量情報を出力する。第3実施形態によれば、MRSkデータのデータ収集時におけるk空間変調量情報を推定することができる。また、複数のMRSkデータからk空間変調量情報を推定することができるので、k空間変調量情報を精度よく推定することができる。 The processing circuit 51C applies the modulation amount estimation NN to the first MRSk data and the second MRSk data acquired in step SC1 during the data acquisition of the first MRSk data and the second MRSk data. k Space modulation amount information is output. According to the third embodiment, the k-space modulation amount information at the time of data acquisition of MRSk data can be estimated. Further, since the k-space modulation amount information can be estimated from a plurality of MRSk data, the k-space modulation amount information can be estimated accurately.

ステップSC2が行われると処理回路51Cは、補正機能535の実現により、ステップSC2において出力されたk空間変調量情報に基づいてMRSkデータを補正する(ステップSC3)。補正されたMRSkデータを補正MRSkデータと呼ぶ。 When step SC2 is performed, the processing circuit 51C corrects the MRSk data based on the k-space modulation amount information output in step SC2 by realizing the correction function 535 (step SC3). The corrected MRSk data is referred to as corrected MRSk data.

ステップSC3が行われると処理回路51Cは、信号処理機能533の実現により、ステップSC3において生成された補正MRSkデータに基づいてMRSスペクトルを生成する(ステップSC4)。 When step SC3 is performed, the processing circuit 51C generates an MRS spectrum based on the corrected MRSk data generated in step SC3 by realizing the signal processing function 533 (step SC4).

図24は、ステップSC3及びステップSC4における補正処理及びスペクトル生成処理を模式的に示す図である。図24に示すように、補正対象のMRSkデータOK1が取得されている。MRSkデータOK1としては、ステップSC1において取得された第1のMRSkデータ及び/又は第2のMRSkデータが選択されてもよいし、他のMRSkデータが選択されてもよい。他のMRSkデータとしては、例えば、積算回数分のMRSkデータのうちの、ステップSC1において取得された第1のMRSkデータ及び第2のMRSkデータ以外のMRSkデータが選択されてもよい。また、MRSkデータOK1として、積算回数分のMRSkデータに加算処理を施して生成された平均MRSkデータが選択されてもよい。以下、MRSkデータOK1は、平均MRSkデータであるとする。 FIG. 24 is a diagram schematically showing the correction process and the spectrum generation process in step SC3 and step SC4. As shown in FIG. 24, the MRSk data OK1 to be corrected has been acquired. As the MRSk data OK1, the first MRSk data and / or the second MRSk data acquired in step SC1 may be selected, or other MRSk data may be selected. As the other MRSk data, for example, MRSk data other than the first MRSk data and the second MRSk data acquired in step SC1 may be selected from the MRSk data for the number of integrations. Further, as the MRSk data OK1, the average MRSk data generated by subjecting the MRSk data for the number of integrations to the addition processing may be selected. Hereinafter, it is assumed that the MRSk data OK1 is the average MRSk data.

図24に示すように、ステップSC2においてf0シフト及び位相シフトに関するk空間変調量情報が出力されている。処理回路51Cは、f0シフト及び位相シフトに関するk空間変調量情報に基づいて平均MRSkデータOK1を補正し、補正MRSkデータCK1を生成する(ステップSC3)。補正MRSkデータCK1は、f0シフト及び位相シフトが低減されている。 As shown in FIG. 24, k-space modulation amount information regarding f0 shift and phase shift is output in step SC2. The processing circuit 51C corrects the average MRSk data OK1 based on the k-space modulation amount information regarding the f0 shift and the phase shift, and generates the corrected MRSk data CK1 (step SC3). In the corrected MRSk data CK1, the f0 shift and the phase shift are reduced.

次に処理回路51Cは、図24に示すように、補正MRSkデータCK1にフーリエ変換を施し、信号強度値を周波数関数で表すデジタルデータに変換し、変換後のデジタルデータに位相補正やベースライン補正等の後処理を施してMRSスペクトルCS1を生成する(ステップSC4)。MRSスペクトルCS1は、平均MRSkデータOK1から補正処理(ステップSC3)なしで生成されたMRSスペクトルに比して、k空間変調に起因するノイズが低減されている。すなわち、第3実施形態によれば、従来に比して少ない積算回数のもとで得られた平均MRSkデータを用いた場合であっても、k空間変調量情報に基づく補正により、MRSスペクトルの精度を高めることができる。よって、第3実施形態によれば、補正処理(ステップSC3)を行わない場合に比して、積算回数を減らすことができる。 Next, as shown in FIG. 24, the processing circuit 51C performs a Fourier transform on the corrected MRSk data CK1, converts the signal intensity value into digital data represented by a frequency function, and performs phase correction or baseline correction on the converted digital data. The MRS spectrum CS1 is generated by performing post-processing such as (step SC4). In the MRS spectrum CS1, the noise caused by k-space modulation is reduced as compared with the MRS spectrum generated from the average MRSk data OK1 without the correction process (step SC3). That is, according to the third embodiment, even when the average MRSk data obtained under a smaller number of integrations than in the conventional case is used, the MRS spectrum can be corrected by the correction based on the k-space modulation amount information. The accuracy can be improved. Therefore, according to the third embodiment, the number of integrations can be reduced as compared with the case where the correction process (step SC3) is not performed.

ステップSC4が行われると処理回路51Cは、表示制御機能549の実現により、ステップSC4において生成されたMRSスペクトルを表示する(ステップSC5)。これによりユーザは、デノイズされたMRSスペクトルを観察することができる。 When step SC4 is performed, the processing circuit 51C displays the MRS spectrum generated in step SC4 by realizing the display control function 549 (step SC5). This allows the user to observe the denoised MRS spectrum.

以上により、第3実施形態に係るMR信号処理装置50による信号処理が終了する。 As a result, the signal processing by the MR signal processing device 50 according to the third embodiment is completed.

上記実施形態の通り、第3実施形態に係るMR信号処理装置50は、処理回路51Cを有する。処理回路51Cは、同一の対象に関し、MRスペクトロスコピーにより収集された複数のMRSkデータに学習済みモデルを適用し、MRS再構成のためのk空間変調量情報を出力する。処理回路51Cは、k空間変調量情報に基づいてMRSkデータを補正する。更に処理回路51Cは、補正されたMRSkデータに基づいてMRSスペクトルを生成する。 As described above, the MR signal processing device 50 according to the third embodiment has a processing circuit 51C. The processing circuit 51C applies the trained model to a plurality of MRSk data collected by MR spectroscopy for the same object, and outputs k-space modulation amount information for MRS reconstruction. The processing circuit 51C corrects the MRSk data based on the k-space modulation amount information. Further, the processing circuit 51C generates an MRS spectrum based on the corrected MRSk data.

上記の構成によれば、複数のMRSkデータに基づいてk空間変調量情報を得るので、k空間変調量情報の精度を向上することができる。また、このようなk空間変調量情報に基づいてMRSkデータやMRSスペクトルを生成することができるので、MRSkデータやMRSスペクトルの精度を向上することができる。 According to the above configuration, since the k-space modulation amount information is obtained based on a plurality of MRSk data, the accuracy of the k-space modulation amount information can be improved. Further, since the MRSk data and the MRS spectrum can be generated based on such k-space modulation amount information, the accuracy of the MRSk data and the MRS spectrum can be improved.

(第4実施形態)
次に、第4実施形態に係るMR信号処理装置について説明する。なお以下の説明において、第1実施形態と略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。
(Fourth Embodiment)
Next, the MR signal processing apparatus according to the fourth embodiment will be described. In the following description, components having substantially the same functions as those of the first embodiment are designated by the same reference numerals and will be duplicated and described only when necessary.

図25は、第4実施形態に係る磁気共鳴イメージング装置1の構成例を示す図である。図25に示すように、磁気共鳴イメージング装置1は、架台11、寝台13、傾斜磁場電源21、送信回路23、受信回路25、寝台駆動装置27、シーケンス制御回路29及びMR信号処理装置(ホストコンピュータ)50を有する。MR信号処理装置50は、処理回路51D、メモリ53、ディスプレイ55、入力インタフェース57及び通信インタフェース59を有するコンピュータである。 FIG. 25 is a diagram showing a configuration example of the magnetic resonance imaging device 1 according to the fourth embodiment. As shown in FIG. 25, the magnetic resonance imaging device 1 includes a gantry 11, a sleeper 13, a gradient magnetic field power supply 21, a transmission circuit 23, a reception circuit 25, a sleeper drive device 27, a sequence control circuit 29, and an MR signal processing device (host computer). ) Has 50. The MR signal processing device 50 is a computer having a processing circuit 51D, a memory 53, a display 55, an input interface 57, and a communication interface 59.

処理回路51Dは、ハードウェア資源としてCPU等のプロセッサを有する。処理回路51Dは、磁気共鳴イメージング装置1の中枢として機能する。例えば、処理回路51Dは、各種プログラムの実行により取得機能541、条件設定機能542、信号処理機能543、物質量出力機能544、合成機能545、変調量出力機能546、補正機能547、学習機能548及び表示制御機能549を実現する。取得機能541は取得部の一例であり、条件設定機能542は設定部の一例であり、信号処理機能543はスペクトル生成部の一例であり、物質量出力機能544はパラメータ出力部の一例であり、合成機能545は合成部の一例であり、変調量出力機能546はパラメータ出力部の一例であり、補正機能547は補正部の一例であり、学習機能548は学習部の一例であり、表示制御機能549は表示部の一例である。 The processing circuit 51D has a processor such as a CPU as a hardware resource. The processing circuit 51D functions as the center of the magnetic resonance imaging device 1. For example, the processing circuit 51D has an acquisition function 541, a condition setting function 542, a signal processing function 543, a substance amount output function 544, a synthesis function 545, a modulation amount output function 546, a correction function 547, a learning function 548, and the processing circuit 51D. The display control function 549 is realized. The acquisition function 541 is an example of an acquisition unit, the condition setting function 542 is an example of a setting unit, the signal processing function 543 is an example of a spectrum generation unit, and the substance amount output function 544 is an example of a parameter output unit. The synthesis function 545 is an example of the synthesis unit, the modulation amount output function 546 is an example of the parameter output unit, the correction function 547 is an example of the correction unit, the learning function 548 is an example of the learning unit, and the display control function. 549 is an example of a display unit.

取得機能541、条件設定機能542、信号処理機能543、物質量出力機能544及び合成機能545は、それぞれ第1実施形態に係る取得機能511、条件設定機能512、信号処理機能513、物質量出力機能514及び合成機能515に略一致する機能である。変調量出力機能546及び補正機能547は、それぞれ第3実施形態に係る変調量出力機能534及び補正機能535に略一致する機能である。学習機能548は、第1実施形態に係る学習機能516及び第3実施形態に係る学習機能536に略一致する機能である。表示制御機能549は、第1実施形態に係る表示制御機能517及び第3実施形態に係る表示制御機能537に略一致する機能である。 The acquisition function 541, the condition setting function 542, the signal processing function 543, the substance amount output function 544, and the synthesis function 545 have the acquisition function 511, the condition setting function 512, the signal processing function 513, and the substance amount output function, respectively, according to the first embodiment. It is a function that substantially matches the 514 and the synthesis function 515. The modulation amount output function 546 and the correction function 547 are functions that substantially match the modulation amount output function 534 and the correction function 535 according to the third embodiment, respectively. The learning function 548 is a function that substantially matches the learning function 516 according to the first embodiment and the learning function 536 according to the third embodiment. The display control function 549 is a function that substantially matches the display control function 517 according to the first embodiment and the display control function 537 according to the third embodiment.

以下、第4実施形態に係るMR信号処理装置50の動作例について詳細に説明する。 Hereinafter, an operation example of the MR signal processing apparatus 50 according to the fourth embodiment will be described in detail.

第4実施形態は、第1実施形態と第3実施形態との組合せである。すなわち、物質量出力機能544により出力された物質量情報に基づいて合成機能545により生成された合成MRSスペクトルに基づいて、変調量出力機能546によるk空間変調量情報を出力する。この一手段として、物質量出力機能544、合成機能545及び変調量出力機能546が単一の機械学習モデル(以下、第2の統合モデルと呼ぶ)により作り込まれてもよい。 The fourth embodiment is a combination of the first embodiment and the third embodiment. That is, based on the synthetic MRS spectrum generated by the synthesis function 545 based on the substance amount information output by the substance amount output function 544, the k-space modulation amount information by the modulation amount output function 546 is output. As one means of this, the substance amount output function 544, the synthesis function 545 and the modulation amount output function 546 may be built by a single machine learning model (hereinafter referred to as a second integrated model).

図26は、第4実施形態に係る第2の統合モデルNN30のネットワーク構成例を示す図である。図26に示すように、第2の統合モデルNN30は、物質量情報出力層NN31、合成層NN32、逆変換層NN33、物質量情報出力層NN34、合成層NN35、逆変換層NN36及びk空間変調量情報出力層NN37を有する深層ニューラルネットワークである。物質量情報出力層NN31と物質量情報出力層NN34とは、物質量出力機能544による、MRS信号から物質量情報を出力するニューラルネットワーク層の一種である。合成層NN32と合成層NN35とは、合成機能545による、物質量情報に基づき合成MRSスペクトルを生成する処理を行うニューラルネットワーク層である。逆変換層NN33と逆変換層NN36とは、信号処理機能543による、合成MRSスペクトルをMRSkデータに変換する処理を行うニューラルネットワーク層である。k空間変調量情報出力層NN37は、変調量出力機能546による、2個のMRSkデータからk空間変調量情報を出力する処理を行うニューラルネットワーク層である。 FIG. 26 is a diagram showing a network configuration example of the second integrated model NN30 according to the fourth embodiment. As shown in FIG. 26, the second integrated model NN30 includes a substance amount information output layer NN31, a synthetic layer NN32, an inverse conversion layer NN33, a substance amount information output layer NN34, a synthetic layer NN35, an inverse conversion layer NN36, and k spatial modulation. It is a deep neural network having a quantity information output layer NN37. The substance amount information output layer NN31 and the substance amount information output layer NN34 are a kind of neural network layer that outputs the substance amount information from the MRS signal by the substance amount output function 544. The synthetic layer NN32 and the synthetic layer NN35 are neural network layers that are processed by the synthetic function 545 to generate a synthetic MRS spectrum based on the amount of substance information. The inverse conversion layer NN33 and the inverse conversion layer NN36 are neural network layers that are processed by the signal processing function 543 to convert the synthesized MRS spectrum into MRSk data. The k-space modulation amount information output layer NN37 is a neural network layer that performs processing for outputting k-space modulation amount information from two MRSk data by the modulation amount output function 546.

具体的には、図26に示すように、物質量情報出力層NN31は、第1のMRSスペクトルを入力とし、当該第1のMRSスペクトルに対応する、プロピレングリコール、エタノール、アセテート及びアセトンの第1の物質量情報を出力する。合成層NN32は、物質量情報出力層NN31から出力されたプロピレングリコール、エタノール、アセテート及びアセトンの第1の物質量情報を入力とし、第1の合成MRSスペクトルを出力する。逆変換層NN33は、合成層NN32から出力された第1の合成MRSスペクトルを入力とし、当該第1の合成MRSスペクトルに対応するk空間データである第1のMRSkデータを生成する。 Specifically, as shown in FIG. 26, the substance amount information output layer NN31 receives the first MRS spectrum as an input, and the first of propylene glycol, ethanol, acetate and acetone corresponding to the first MRS spectrum. Outputs the substance amount information of. The synthetic layer NN32 receives the first substance amount information of propylene glycol, ethanol, acetate and acetone output from the substance amount information output layer NN31 as input, and outputs the first synthetic MRS spectrum. The inverse transformation layer NN33 takes the first synthetic MRS spectrum output from the synthetic layer NN32 as an input, and generates the first MRSk data which is k-space data corresponding to the first synthetic MRS spectrum.

同様に、物質量情報出力層NN34は、第2のMRSスペクトルを入力とし、当該第2のMRSスペクトルに対応する、プロピレングリコール、エタノール、アセテート及びアセトンの第2の物質量情報を出力する。合成層NN35は、物質量情報出力層NN34から出力されたプロピレングリコール、エタノール、アセテート及びアセトンの第2の物質量情報を入力とし、第2の合成MRSスペクトルを出力する。逆変換層NN36は、合成層NN35から出力された第2の合成MRSスペクトルを入力とし、当該第2の合成MRSスペクトルに対応するk空間データである第2のMRSkデータを生成する。 Similarly, the substance amount information output layer NN34 takes the second MRS spectrum as an input and outputs the second substance amount information of propylene glycol, ethanol, acetate and acetone corresponding to the second MRS spectrum. The synthetic layer NN35 receives the second substance amount information of propylene glycol, ethanol, acetate and acetone output from the substance amount information output layer NN34 as input, and outputs the second synthetic MRS spectrum. The inverse transformation layer NN36 takes a second synthetic MRS spectrum output from the synthetic layer NN35 as an input, and generates a second MRSk data which is k-space data corresponding to the second synthetic MRS spectrum.

k空間変調量情報出力層NN37は、逆変換層NN33から出力された第1のMRSkデータと逆変換層NN36から出力された第2のMRSkデータとを入力とし、第1のMRSスペクトル及び第2のMRSスペクトルのデータ収集間におけるf0シフト及び位相シフトに関するk空間変調量情報を出力する。前述の通り、物質量情報出力層NN31と合成層NN32との組合せと、物質量情報出力層NN34と合成層NN35との組合せは、MRSスペクトルのデノイズ処理と同視することができる。k空間変調量情報出力層NN37は、デノイズされたMRSスペクトルである合成MRSスペクトルに基づくMRSkデータからk空間変調量情報を出力するので、k空間変調量情報の精度の向上が期待される。 The k-space modulation amount information output layer NN37 receives the first MRSk data output from the inverse conversion layer NN33 and the second MRSk data output from the inverse conversion layer NN36 as inputs, and inputs the first MRS spectrum and the second MRS spectrum. Outputs k-space modulation amount information regarding f0 shift and phase shift during data acquisition of the MRS spectrum of. As described above, the combination of the substance amount information output layer NN31 and the synthetic layer NN32 and the combination of the substance amount information output layer NN34 and the synthetic layer NN35 can be equated with the denoise processing of the MRS spectrum. Since the k-space modulation amount information output layer NN37 outputs k-space modulation amount information from MRSk data based on the synthetic MRS spectrum which is a denoised MRS spectrum, improvement in the accuracy of k-space modulation amount information is expected.

第2の統合モデルNN30は、学習機能548の実現により、処理回路51Dにより学習される。第2の統合モデルNN30は、例えば、事前学習(pre-train)型やエンドツーエンド(end-to-end)型の学習により生成することが可能である。事前学習型は、例えば、以下の手順に従い行うことが可能である。まず、処理回路51Dは、物質量情報出力層NN31、合成層NN32、逆変換層NN33、物質量情報出力層NN34、合成層NN35、逆変換層NN36及びk空間変調量情報出力層37各々を個別に学習する。次に、処理回路51Dは、物質量情報出力層NN31、合成層NN32、逆変換層NN33、物質量情報出力層NN34、合成層NN35、逆変換層NN36及びk空間変調量情報出力層37を、図26に示すように接続し、1個の深層ニューラルネットワークとして学習を行う。これにより第2の統合モデルNN30を生成することが可能である。エンドツーエンド型の場合、処理回路51Dは、1個の深層ニューラルネットワークを、2個のMRSスペクトルを入力とし、f0シフト及び位相シフトのk空間変調量情報を出力するように学習する。 The second integrated model NN30 is learned by the processing circuit 51D by realizing the learning function 548. The second integrated model NN30 can be generated, for example, by pre-train type learning or end-to-end type learning. The pre-learning type can be performed according to the following procedure, for example. First, the processing circuit 51D individually comprises the material amount information output layer NN31, the synthetic layer NN32, the inverse conversion layer NN33, the material amount information output layer NN34, the synthetic layer NN35, the inverse conversion layer NN36, and the k-space modulation amount information output layer 37. To learn. Next, the processing circuit 51D comprises a substance amount information output layer NN31, a synthetic layer NN32, an inverse conversion layer NN33, a substance amount information output layer NN34, a synthetic layer NN35, an inverse conversion layer NN36, and a k space modulation amount information output layer 37. As shown in FIG. 26, they are connected and learned as one deep neural network. This makes it possible to generate a second integrated model NN30. In the case of the end-to-end type, the processing circuit 51D learns one deep neural network to input two MRS spectra and output k-space modulation amount information of f0 shift and phase shift.

図26に示す第2の統合モデルNN30は、種々の変形が可能である。例えば、物質量情報出力層NN31と合成層NN32との単位層が2個以上直列的に接続されてもよい。同様に、物質量情報出力層NN34と合成層NN35との単位層が2個以上直列的に接続されてもよい。 The second integrated model NN30 shown in FIG. 26 can be modified in various ways. For example, two or more unit layers of the substance amount information output layer NN31 and the synthetic layer NN32 may be connected in series. Similarly, two or more unit layers of the substance amount information output layer NN34 and the synthetic layer NN35 may be connected in series.

図27は、第4実施形態に係る他の第2の統合モデルNN40のネットワーク構成例を示す図である。図27に示すように、第2の統合モデルNN40は、物質量情報出力層NN41、合成層NN42、逆変換層NN43、物質量情報出力層NN44、合成層NN45、逆変換層NN46及びk空間変調量情報出力層NN47を有する深層ニューラルネットワークである。物質量情報出力層NN41は、物質量出力機能544による、MRS信号から物質量情報を出力するニューラルネットワーク層の一種である。物質量情報出力層NN44は、物質量出力機能544による、2個のMRS信号から物質量情報を出力するニューラルネットワーク層の一種である。合成層NN42と合成層NN45とは、合成機能545による、物質量情報に基づき合成MRSスペクトルを生成する処理を行うニューラルネットワーク層である。逆変換層NN43と逆変換層NN46とは、信号処理機能543による、合成MRSスペクトルをMRSkデータに変換する処理を行うニューラルネットワーク層である。k空間変調量情報出力層NN47は、変調量出力機能546による、2個のMRSkデータからk空間変調量情報を出力する処理を行うニューラルネットワーク層である。 FIG. 27 is a diagram showing a network configuration example of another second integrated model NN40 according to the fourth embodiment. As shown in FIG. 27, the second integrated model NN40 includes a substance amount information output layer NN41, a synthetic layer NN42, an inverse conversion layer NN43, a substance amount information output layer NN44, a synthetic layer NN45, an inverse conversion layer NN46, and k spatial modulation. It is a deep neural network having a quantity information output layer NN47. The substance amount information output layer NN41 is a kind of neural network layer that outputs the substance amount information from the MRS signal by the substance amount output function 544. The substance amount information output layer NN44 is a kind of neural network layer that outputs substance amount information from two MRS signals by the substance amount output function 544. The synthetic layer NN42 and the synthetic layer NN45 are neural network layers that are processed by the synthetic function 545 to generate a synthetic MRS spectrum based on the amount of substance information. The inverse conversion layer NN43 and the inverse conversion layer NN46 are neural network layers that are processed by the signal processing function 543 to convert the synthesized MRS spectrum into MRSk data. The k-space modulation amount information output layer NN47 is a neural network layer that performs processing for outputting k-space modulation amount information from two MRsk data by the modulation amount output function 546.

具体的には、図27に示すように、物質量情報出力層NN41は、第1のMRSスペクトルを入力とし、当該第1のMRSスペクトルに対応する、プロピレングリコール、エタノール、アセテート及びアセトンの第1の物質量情報を出力する。合成層NN42は、物質量情報出力層NN41から出力されたプロピレングリコール、エタノール、アセテート及びアセトンの第1の物質量情報を入力とし、第1の合成MRSスペクトルを出力する。逆変換層NN43は、合成層NN42から出力された第1の合成MRSスペクトルを入力とし、当該第1の合成MRSスペクトルに対応するk空間データである第1のMRSkデータを生成する。 Specifically, as shown in FIG. 27, the substance amount information output layer NN41 takes the first MRS spectrum as an input, and the first of propylene glycol, ethanol, acetate and acetone corresponding to the first MRS spectrum. Outputs the substance amount information of. The synthetic layer NN42 receives the first substance amount information of propylene glycol, ethanol, acetate and acetone output from the substance amount information output layer NN41 as input, and outputs the first synthetic MRS spectrum. The inverse transformation layer NN43 takes the first synthetic MRS spectrum output from the synthetic layer NN42 as an input, and generates the first MRSk data which is k-space data corresponding to the first synthetic MRS spectrum.

同様に、物質量情報出力層NN44は、第1のMRSスペクトルと第2のMRSスペクトルとを入力とし、当該第1のMRSスペクトルと第2のMRSスペクトルとに対応する、プロピレングリコール、エタノール、アセテート及びアセトンの第2の物質量情報を出力する。合成層NN45は、物質量情報出力層NN44から出力されたプロピレングリコール、エタノール、アセテート及びアセトンの第2の物質量情報を入力とし、第2の合成MRSスペクトルを出力する。逆変換層NN46は、合成層NN45から出力された第2の合成MRSスペクトルを入力とし、当該第2の合成MRSスペクトルに対応するk空間データである第2のMRSkデータを生成する。 Similarly, the substance amount information output layer NN44 has a first MRS spectrum and a second MRS spectrum as inputs, and propylene glycol, ethanol, and acetate corresponding to the first MRS spectrum and the second MRS spectrum. And the second substance amount information of acetone is output. The synthetic layer NN45 receives the second substance amount information of propylene glycol, ethanol, acetate and acetone output from the substance amount information output layer NN44 as input, and outputs the second synthetic MRS spectrum. The inverse transformation layer NN46 takes a second synthetic MRS spectrum output from the synthetic layer NN45 as an input, and generates a second MRSk data which is k-space data corresponding to the second synthetic MRS spectrum.

k空間変調量情報出力層NN47は、逆変換層NN43から出力された第1のMRSkデータと逆変換層NN46から出力された第2のMRSkデータとを入力とし、第1のMRSスペクトル及び第2のMRSスペクトルのデータ収集間におけるf0シフト及び位相シフトに関するk空間変調量情報を出力する。前述の通り、物質量情報出力層NN41と合成層NN42との組合せと、物質量情報出力層NN44と合成層NN45との組合せは、MRSスペクトルのデノイズ処理と同視することができる。k空間変調量情報出力層NN47は、デノイズされたMRSスペクトルである合成MRSスペクトルに基づくMRSkデータからk空間変調量情報を出力するので、k空間変調量情報の精度の向上が期待される。また、物質量情報出力層NN44と合成層NN45との組合せからの出力である合成MRSスペクトルは、計測対象部位に関する理想のMRSスペクトルとして機能する。k空間変調量情報出力層NN47は、デノイズされた第1のMRSスペクトルに基づくMRSkデータと理想のMRSスペクトルに基づくMRSkデータとからk空間変調量情報を出力しているといえる。このk空間変調量情報は、理想磁場に対する、第1MRSスペクトルについてのデータ収集時の実際の磁場の変調に起因するk空間変調の変調量を表しているといえる。このようなk空間変調量情報に基づいてMRSkデータを補正することにより、より高精度のMRSkデータ及び当該MRSkデータに基づくMRSスペクトルを生成することができる。 The k-space modulation amount information output layer NN47 receives the first MRSk data output from the inverse conversion layer NN43 and the second MRSk data output from the inverse conversion layer NN46 as inputs, and inputs the first MRS spectrum and the second MRS spectrum. Outputs k-space modulation amount information regarding f0 shift and phase shift during data acquisition of the MRS spectrum of. As described above, the combination of the substance amount information output layer NN41 and the synthetic layer NN42 and the combination of the substance amount information output layer NN44 and the synthetic layer NN45 can be equated with the denoise processing of the MRS spectrum. Since the k-space modulation amount information output layer NN47 outputs k-space modulation amount information from MRSk data based on the synthetic MRS spectrum which is a denoised MRS spectrum, improvement in the accuracy of k-space modulation amount information is expected. Further, the synthetic MRS spectrum, which is the output from the combination of the substance amount information output layer NN44 and the synthetic layer NN45, functions as an ideal MRS spectrum for the measurement target site. It can be said that the k-space modulation amount information output layer NN47 outputs k-space modulation amount information from the MRSk data based on the denoised first MRS spectrum and the MRSk data based on the ideal MRS spectrum. It can be said that this k-space modulation amount information represents the modulation amount of k-space modulation due to the modulation of the actual magnetic field at the time of data acquisition for the first MRS spectrum with respect to the ideal magnetic field. By correcting the MRSk data based on such k-space modulation amount information, it is possible to generate more accurate MRSk data and an MRS spectrum based on the MRSk data.

第2の統合モデルNN40は、学習機能548の実現により、処理回路51Dにより学習される。第2の統合モデルNN40は、例えば、事前学習(pre-train)型やエンドツーエンド(end-to-end)型の学習により生成することが可能である。事前学習型の場合、処理回路51Dは、まず、物質量情報出力層NN41、合成層NN42、逆変換層NN43、物質量情報出力層NN44、合成層NN45、逆変換層NN46及びk空間変調量情報出力層NN47各々を個別に学習する。次に、処理回路51Dは、物質量情報出力層NN41、合成層NN42、逆変換層NN43、物質量情報出力層NN44、合成層NN45、逆変換層NN46及びk空間変調量情報出力層NN47を、図27に示すように接続し、1個の深層ニューラルネットワークとして学習を行う。これにより第2の統合モデルNN40を生成することが可能である。エンドツーエンド型の場合、処理回路51Dは、1個の深層ニューラルネットワークを、3個のMRSスペクトルを入力とし、f0シフト及び位相シフトのk空間変調量情報を出力するように学習する。 The second integrated model NN40 is learned by the processing circuit 51D by realizing the learning function 548. The second integrated model NN40 can be generated, for example, by pre-train type learning or end-to-end type learning. In the case of the pre-learning type, first, the processing circuit 51D has a substance amount information output layer NN41, a synthetic layer NN42, an inverse conversion layer NN43, a substance amount information output layer NN44, a synthetic layer NN45, an inverse conversion layer NN46, and k spatial modulation amount information. Each of the output layers NN47 is learned individually. Next, the processing circuit 51D includes a substance amount information output layer NN41, a synthetic layer NN42, an inverse conversion layer NN43, a substance amount information output layer NN44, a synthetic layer NN45, an inverse conversion layer NN46, and a k space modulation amount information output layer NN47. As shown in FIG. 27, they are connected and learned as one deep neural network. This makes it possible to generate a second integrated model NN40. In the case of the end-to-end type, the processing circuit 51D learns one deep neural network to input three MRS spectra and output k-space modulation amount information of f0 shift and phase shift.

図27に示す第2の統合モデルNN40は、種々の変形が可能である。例えば、物質量情報出力層NN44には、第2のMRSスペクトルと共に、物質量情報出力層NN41への入力と同一の第1のMRSスペクトルが入力されるものとした。しかしながら、物質量情報出力層NN44には、第2のMRSスペクトルと共に、物質量情報出力層NN41への入力とは異なる第3のMRSスペクトルが入力されてもよい。また、1チャネル入力の物質量情報出力層NN44の代わりに、2チャネル入力の物質量情報出力層が設けられてもよい。物質量情報出力層NN41と合成層NN42との単位層が2個以上直列的に接続されてもよい。同様に、物質量情報出力層NN44と合成層NN45との単位層が2個以上直列的に接続されてもよい。 The second integrated model NN40 shown in FIG. 27 can be modified in various ways. For example, it is assumed that the first MRS spectrum, which is the same as the input to the substance amount information output layer NN41, is input to the substance amount information output layer NN44 together with the second MRS spectrum. However, a third MRS spectrum different from the input to the substance amount information output layer NN41 may be input to the substance amount information output layer NN44 together with the second MRS spectrum. Further, instead of the 1-channel input substance amount information output layer NN44, a 2-channel input substance amount information output layer may be provided. Two or more unit layers of the material amount information output layer NN41 and the synthetic layer NN42 may be connected in series. Similarly, two or more unit layers of the substance amount information output layer NN44 and the synthetic layer NN45 may be connected in series.

(第5実施形態)
第5実施形態は第3実施形態の応用例である。第5実施形態に係る磁気共鳴イメージング装置1及びMR信号処理装置50は、第3実施形態に係る磁気共鳴イメージング装置及びMR信号処理装置50と同一構成であるとする。
(Fifth Embodiment)
The fifth embodiment is an application example of the third embodiment. It is assumed that the magnetic resonance imaging device 1 and the MR signal processing device 50 according to the fifth embodiment have the same configuration as the magnetic resonance imaging device and the MR signal processing device 50 according to the third embodiment.

図28は、第5実施形態に係る学習済みモデル(変調量推定NN)の入出力関係を模式的に示す図である。図28に示すように、変調量推定NNは、第1のMR収集信号と第2のMR収集信号とを入力として、第1のMR収集信号及び第2のMR収集信号についてのデータ収集間に生じた磁場変調に起因するk空間変調に関するk空間変調量情報を出力するようにパラメータが学習された機械学習モデルである。処理回路51Cは、同一撮像対象に関する、処理対象の第1のMR収集信号及び第2のMR収集信号に変調量推定NNを適用して、処理対象の第1のMR収集信号及び第2のMR収集信号についてのデータ収集間に生じた磁場変調に起因するk空間変調に関するk空間変調量情報を出力する。 FIG. 28 is a diagram schematically showing the input / output relationship of the trained model (modulation amount estimation NN) according to the fifth embodiment. As shown in FIG. 28, the modulation amount estimation NN takes the first MR collection signal and the second MR collection signal as inputs, and during data collection for the first MR collection signal and the second MR collection signal. This is a machine learning model in which parameters are trained so as to output k-spatial modulation amount information regarding k-spatial modulation caused by the generated magnetic field modulation. The processing circuit 51C applies the modulation amount estimation NN to the first MR collection signal and the second MR collection signal of the processing target for the same imaging target, and applies the modulation amount estimation NN to the first MR collection signal and the second MR of the processing target. The k-spatial modulation amount information regarding the k-spatial modulation caused by the magnetic field modulation generated during the data collection for the collected signal is output.

MR収集信号は、シーケンス制御回路29によるMRイメージング又はケミカルシフト計測により得られた信号の総称である。第5実施形態に係るMRイメージングとしては、具体的には、T1強調イメージング、T2強調イメージング、T2*強調イメージング、拡散強調イメージング、MRアンギオグラフィ、その他のあらゆるMRイメーシングが適用可能である。MRイメージングのパルスシーケンスについても特に限定されず、スピンエコーシーケンスやグラディエントエコーシーケンス、反転回復法、エコープラナイメージング、パラレルイメージング、圧縮センシング、その他のあらゆるパルスシーケンスが適用可能である。k空間充填方式についても特に限定されず、カーテシアンスキャン方式、ラディアルスキャン方式、スパイラル方式、スタックオブスターズ方式、クッシュボール方式、その他の次元数を問わずあらゆる方式が適用可能である。ケミカルシフト計測は、上記実施形態に適用されたMRスペクトロスコピーやケミカルシフトイメージングの他、CEST(Chemical Exchange Spectroscopy)又はZAPPED(Z-Spectrum Analysis Provides Proton Environment Data)にも適用可能である。 The MR collected signal is a general term for signals obtained by MR imaging or chemical shift measurement by the sequence control circuit 29. Specifically, as the MR imaging according to the fifth embodiment, T1 weighted imaging, T2 weighted imaging, T2 * weighted imaging, diffusion weighted imaging, MR angiography, and all other MR imaging can be applied. The pulse sequence of MR imaging is not particularly limited, and spin echo sequences, gradient echo sequences, inversion recovery methods, echoplana imaging, parallel imaging, compressed sensing, and all other pulse sequences can be applied. The k-space filling method is not particularly limited, and any method can be applied regardless of the Cartesian scan method, the radial scan method, the spiral method, the stack of stars method, the cush ball method, and any other number of dimensions. The chemical shift measurement can be applied to CEST (Chemical Exchange Spectroscopy) or ZAPPED (Z-Spectrum Analysis Provides Proton Environment Data) in addition to MR spectroscopy and chemical shift imaging applied to the above embodiments.

MR収集信号は、例えば、k空間データや当該k空間データに基づくMR画像を含む概念である。第1のMR収集信号と第2のMR収集信号とは、同一の被検体Pを対象とするMR収集信号である。第1のMR収集信号と第2のMR収集信号とのデータ収集条件は同一でもよいし、異なっていてもよい。変調量推定NNに入力されるMR収集信号としては、k空間データ又はMR画像が可能である。図28に示す変調量推定NNに入力されるMR収集信号の数は2個であるとしたが、これは一例であり、2個以上であれば幾つでもよい。なお、MR収集信号は、第1-第4実施形態に係るMRS信号を包含する。 The MR collected signal is a concept including, for example, k-space data and an MR image based on the k-space data. The first MR collection signal and the second MR collection signal are MR collection signals targeting the same subject P. The data collection conditions of the first MR collection signal and the second MR collection signal may be the same or different. As the MR collected signal input to the modulation amount estimation NN, k-space data or an MR image can be used. Although the number of MR collected signals input to the modulation amount estimation NN shown in FIG. 28 is two, this is an example, and any number may be used as long as it is two or more. The MR collected signal includes the MRS signal according to the first to fourth embodiments.

図29は、第5実施形態に係る変調量推定NNの入出力関係の具体例を模式的に示す図である。図29に示すように、変調量推定NNは、第1の非MRSk空間データと第2の非MRSk空間データとを入力として、第1の非MRSk空間データ及び第2の非MRSk空間データについてのデータ収集間におけるk空間変調量情報を出力するようにパラメータが学習された機械学習モデルである。k空間変調量情報としては、具体的には、f0シフト及び位相シフトが例示されている。非MRSk空間データは、MRスペクトロスコピー以外のケミカルシフト計測又はMRイメージングにより収集されたk空間データである。 FIG. 29 is a diagram schematically showing a specific example of the input / output relationship of the modulation amount estimation NN according to the fifth embodiment. As shown in FIG. 29, the modulation amount estimation NN takes the first non-MRSk space data and the second non-MRSk space data as inputs, and describes the first non-MRSk space data and the second non-MRSk space data. This is a machine learning model in which parameters are trained to output k-spatial modulation amount information between data acquisitions. Specifically, f0 shift and phase shift are exemplified as the k-space modulation amount information. Non-MR Sk spatial data is k-space data collected by chemical shift measurement or MR imaging other than MR spectroscopy.

前述の通り、非MRSk空間データは、如何なるMRイメージング法、パルスシーケンス、k空間充填方式により収集されたものでもよい。第1の非MRSk空間データ及び第2の非MRSk空間データとして、k空間軌跡毎のk空間データが用いられてもよい。k空間軌跡は、例えば、カーテシアンスキャンのk空間ライン、ラディアルスキャンのスポーク、スパイラルスキャンのスパイラルに対応する。以下、非MRSk空間データとして、ラディアルスキャンのスポークを用いる場合について説明する。 As described above, the non-MRSk spatial data may be collected by any MR imaging method, pulse sequence, or k-space filling method. As the first non-MRSk space data and the second non-MRSk space data, k-space data for each k-space locus may be used. The k-space locus corresponds to, for example, the k-space line of the Cartesian scan, the spokes of the radial scan, and the spiral of the spiral scan. Hereinafter, a case where the spokes of the radial scan are used as the non-MRSk spatial data will be described.

図30は、図29に示す変調量推定NNの入出力関係の更なる具体例を模式的に示す図である。図30に示すように、変調量推定NNは、ラディアルスキャンの複数のスポークSK1-SK4を入力として、f0シフト及び位相シフトに関するk空間変調量情報を出力するようにパラメータが学習された機械学習モデルである。複数のスポークSK1-SK4は、ラディアルスキャンにより収集された複数のスポークの集合SK0から選択された任意のスポークである。図30においては、集合SK0に含まれる全てのスポークが、複数のスポークSK1-SK4として変調量推定NNに入力されている例が示されている。しかし、集合SK0に含まれる全てのスポークが変調量推定NNに入力されなくてもよく、集合SK0から任意の2本のスポークが変調量推定NNに入力されればよい。 FIG. 30 is a diagram schematically showing a further specific example of the input / output relationship of the modulation amount estimation NN shown in FIG. 29. As shown in FIG. 30, the modulation amount estimation NN is a machine learning model in which parameters are trained so as to output k-space modulation amount information regarding f0 shift and phase shift by inputting a plurality of spokes SK1-SK4 of the radial scan. Is. The plurality of spokes SK1-SK4 is any spoke selected from the set SK0 of the plurality of spokes collected by the radial scan. FIG. 30 shows an example in which all the spokes included in the set SK0 are input to the modulation amount estimation NN as a plurality of spokes SK1-SK4. However, not all the spokes included in the set SK0 need to be input to the modulation amount estimation NN, and any two spokes from the set SK0 may be input to the modulation amount estimation NN.

処理回路51Cは、集合SK0から処理対象の複数のスポークSK1-SK4を選択し、選択された複数のスポークSK1-SK4に変調量推定NNを適用して、f0シフト及び位相シフトに関するk空間変調量情報を出力する。処理回路51Cは、出力されたk空間変調量情報に基づいて集合SK0を補正し、補正集合を生成し、生成された補正集合に基づいてMR画像を再構成する。MR画像は、f0シフト及び位相シフトが低減されている。 The processing circuit 51C selects a plurality of spokes SK1-SK4 to be processed from the set SK0, applies a modulation amount estimation NN to the selected spokes SK1-SK4, and applies a modulation amount estimation NN to the k-space modulation amount related to f0 shift and phase shift. Output information. The processing circuit 51C corrects the set SK0 based on the output k-space modulation amount information, generates a correction set, and reconstructs the MR image based on the generated correction set. In the MR image, the f0 shift and the phase shift are reduced.

第5実施形態によれば、MRS信号以外のMR収集信号を用いてk空間変調量情報を得ることができる。これにより、多様なMR収集信号について高精度のk空間変調に関する補正を行うことができる。 According to the fifth embodiment, k-space modulation amount information can be obtained by using an MR collected signal other than the MRS signal. As a result, it is possible to make corrections related to k-space modulation with high accuracy for various MR collected signals.

(第6実施形態)
第6実施形態は、上記実施形態の何れにも適用可能な変形例である。以下、第6実施形態に係るMR信号処理装置について説明する。なお以下の説明において、上記実施形態と略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。
(Sixth Embodiment)
The sixth embodiment is a modification applicable to any of the above embodiments. Hereinafter, the MR signal processing apparatus according to the sixth embodiment will be described. In the following description, components having substantially the same functions as those in the above embodiment are designated by the same reference numerals and will be described in duplicate only when necessary.

図31は、第6実施形態の学習済みモデルNNの入出力関係を模式的に示す図である。第6実施形態の学習済みモデルNNは、複数のMRS信号を入力してMRS再構成パラメータを出力するように学習された機械学習モデルである。第6実施形態の学習済みモデルNNは、上記実施形態1~5の何れの機械学習モデルでもよい。具体的には、学習済みモデルNNは、第1実施形態の図2等に示すような、物質量情報を出力する物質量推定NNでもよいし、第2実施形態の図14等に示すような、基底成分量情報を出力する基底成分量推定NNでもよいし、第3実施形態の図21等に示すような、k空間変調量情報を出力する変調量推定NNでもよい。なお、物質量情報、基底成分量情報及びk空間変調量情報は、MRS再構成パラメータの一種である。なお、MRS再構成パラメータは、MRS再構成で得られるパラメータである。MRS再構成はMRSスペクトルを生成するための処理一般を指す。例えば、MRS再構成は、第1及び第2実施形態のように、スペクトルモデルからフィッティングによりMRSスペクトルを生成する処理や、第3実施形態のように、MRSkデータからフーリエ変換によりMRSスペクトルを生成する処理を含む。 FIG. 31 is a diagram schematically showing the input / output relationship of the trained model NN of the sixth embodiment. The trained model NN of the sixth embodiment is a machine learning model trained to input a plurality of MRS signals and output MRS reconstruction parameters. The trained model NN of the sixth embodiment may be any machine learning model of the above-described first to fifth embodiments. Specifically, the trained model NN may be a substance amount estimation NN that outputs substance amount information as shown in FIG. 2 or the like of the first embodiment, or may be a substance amount estimation NN as shown in FIG. 14 or the like of the second embodiment. , The base component amount estimation NN that outputs the base component amount information, or the modulation amount estimation NN that outputs the k-spatial modulation amount information as shown in FIG. 21 or the like of the third embodiment may be used. The substance amount information, the base component amount information, and the k-space modulation amount information are one of the MRS reconstruction parameters. The MRS reconstruction parameter is a parameter obtained by MRS reconstruction. MRS reconstruction refers to the general processing for producing an MRS spectrum. For example, the MRS reconstruction is a process of generating an MRS spectrum by fitting from a spectrum model as in the first and second embodiments, and an MRS spectrum is generated by a Fourier transform from MRSk data as in the third embodiment. Including processing.

図31に示すように、学習済みモデルNNは、加算回数の異なる複数のMRS信号を入力する。MRS信号の個数は2個以上であれば、如何なる個数でもよいが、図31では96個のMRS信号を例示している。加算回数は、加算するMRS信号の個数を意味する。解像度とも表現可能である。 As shown in FIG. 31, the trained model NN inputs a plurality of MRS signals having different addition times. The number of MRS signals may be any number as long as it is two or more, but FIG. 31 illustrates 96 MRS signals. The number of additions means the number of MRS signals to be added. It can also be expressed as resolution.

第6実施形態において処理回路51は、NEXに対応する個数(例えば、128個)のMRS信号を収集する。次に処理回路51は、NEXに対応する個数のMRS信号から96個のMRS信号を生成する。具体的には、処理回路51は、加算するMRS信号の個数(加算回数)と加算するMRS信号の番号との組合せの異なる96個のパターンを設定する。96個のパターンは、任意のアルゴリズムにより設定されてもよいし、人為的に設定されてもよい。そして処理回路51は、96個のパターン各々についてMRS信号を抽出及び加算することにより、96個のMRS信号を生成する。 In the sixth embodiment, the processing circuit 51 collects the number of MRS signals corresponding to NEX (for example, 128). Next, the processing circuit 51 generates 96 MRS signals from the number of MRS signals corresponding to NEX. Specifically, the processing circuit 51 sets 96 patterns having different combinations of the number of MRS signals to be added (number of additions) and the number of MRS signals to be added. The 96 patterns may be set by any algorithm or may be artificially set. Then, the processing circuit 51 generates 96 MRS signals by extracting and adding MRS signals for each of the 96 patterns.

上記の通り、加算回数の異なる複数のMRS信号に基づいて、学習済みモデルNNによりMRS再構成パラメータを推論することにより、MRS再構成パラメータの推定精度の向上が期待される。 As described above, it is expected that the estimation accuracy of the MRS reconstruction parameter will be improved by inferring the MRS reconstruction parameter by the trained model NN based on a plurality of MRS signals having different addition times.

なお、上記の実施例において学習済みモデルNNには、加算回数の異なる複数のMRS信号が入力されるものとしたが、品質の異なる複数のMRS信号が入力されてもよい。品質は、MRS信号の収集時における被検体Pの体動の程度に依存する。体動の程度が小さければ品質は高く、体動の程度が大きければ品質が低いものとする。体動の程度は、一例として、MRS信号の収集に並行して外部計測器により計測された計測データに基づいて決定するが可能である。外部計測器としては、例えば、被検体Pの心電波形を計測する心電計や呼吸波形を計測する呼吸計を使用可能である。心電波形や呼吸波形の波高値又は当該波高値の時間的変動が大きい期間は、被検体Pの体動が激しいため、当該期間に収集されたMRS信号の品質が比較的低いといえる。そのため、処理回路51は、心電波形や呼吸波形の波高値又は当該波高値の時間的変動を監視し、波高値又は時間的変動が大きいほど当該期間に収集されたMRS信号の品質を高い値に設定し、波高値又は時間的変動が小さいほど当該期間に収集されたMRS信号の品質を低い値に設定する。なお、体動の程度は、MRS信号の収集に並行して光学カメラにより撮影された画像から決定してもよいし、その他の被検体Pの体動を計測可能な任意の計測器の出力から決定してもよい。 In the above embodiment, a plurality of MRS signals having different addition times are input to the trained model NN, but a plurality of MRS signals having different qualities may be input. The quality depends on the degree of body movement of the subject P at the time of collecting the MRS signal. If the degree of body movement is small, the quality is high, and if the degree of body movement is large, the quality is low. As an example, the degree of body movement can be determined based on the measurement data measured by an external measuring instrument in parallel with the acquisition of the MRS signal. As the external measuring instrument, for example, an electrocardiograph for measuring the electrocardiographic waveform of the subject P or a respiratory meter for measuring the respiratory waveform can be used. It can be said that the quality of the MRS signal collected during the period is relatively low because the body movement of the subject P is intense during the period when the peak value of the electrocardiographic waveform or the respiratory waveform or the temporal fluctuation of the peak value is large. Therefore, the processing circuit 51 monitors the peak value of the electrocardiographic waveform or the respiratory waveform or the temporal fluctuation of the peak value, and the larger the peak value or the temporal fluctuation, the higher the quality of the MRS signal collected during the period. The smaller the peak value or temporal fluctuation, the lower the quality of the MRS signal collected during the period. The degree of body movement may be determined from an image taken by an optical camera in parallel with the collection of the MRS signal, or from the output of any other measuring instrument capable of measuring the body movement of the subject P. You may decide.

MRS信号の品質は、上記外部計測器からの出力により計測するのみならず、当該MRS信号に基づいて算出してもよい。この場合、MRS信号の品質は、当該MRS信号と任意の基準との誤差を意味する。基準としては、予め収集されたMRS信号や人工的に生成されたMRS信号等の任意のMRS信号が用いられるとよい。誤差は、MRS信号がMRSスペクトルである場合、基準のMRSスペクトルに対する他のMRSスペクトルの周波数方向のズレ度合いにより規定される。処理回路51は、対象MRSスペクトルと基準MRSスペクトルとの同一物質由来の信号ピークの周波数値の差分を誤差として算出する。被検体Pが動くと水のケミカルシフト値が変化することから、誤差を、品質を計る指標に使用することができる。処理回路51は、誤差が小さいほど当該期間に収集されたMRS信号の品質を高い値に設定し、誤差が大きいほど当該期間に収集されたMRS信号の品質を低い値に設定する。 The quality of the MRS signal may be calculated based on the MRS signal as well as measured by the output from the external measuring instrument. In this case, the quality of the MRS signal means the error between the MRS signal and any reference. As a reference, any MRS signal such as a pre-collected MRS signal or an artificially generated MRS signal may be used. The error is defined by the degree of frequency deviation of other MRS spectra with respect to the reference MRS spectrum when the MRS signal is an MRS spectrum. The processing circuit 51 calculates the difference between the frequency values of the signal peaks derived from the same substance between the target MRS spectrum and the reference MRS spectrum as an error. Since the chemical shift value of water changes when the subject P moves, the error can be used as an index for measuring quality. The processing circuit 51 sets the quality of the MRS signal collected during the period to a higher value as the error is smaller, and sets the quality of the MRS signal collected during the period to a lower value as the error is larger.

(第7実施形態)
第7実施形態は、上記実施形態の何れにも適用可能な変形例である。以下、第7実施形態に係るMR信号処理装置について説明する。なお以下の説明において、上記実施形態と略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。
(7th Embodiment)
The seventh embodiment is a modification applicable to any of the above embodiments. Hereinafter, the MR signal processing apparatus according to the seventh embodiment will be described. In the following description, components having substantially the same functions as those in the above embodiment are designated by the same reference numerals and will be described in duplicate only when necessary.

図32は、第7実施形態に係る処理例を模式的に示す図である。図32に示すように、処理回路51は、品質の異なる複数のMRS信号を収集し、収集された複数のMRS信号を品質に応じて並び替え(ステップSD1)、並び替え後の複数のMRS信号を学習済みモデルNNに適用してMRS再構成パラメータを推定する。第7実施形態に係る学習済みモデルNN及びMRS再構成パラメータは、第6実施形態と同様である。学習済みモデルNNに入力するMRS信号の個数は2個以上であれば、如何なる個数でもよいが、図32では96個のMRS信号を例示している。第7実施形態に係る品質は、第6実施形態と同様である。図32の#n(1<n≦N=96)はMRS信号の収集順位を表すものとする。収集順位は品質順位No.n(1<n≦N=96)とは何らの相関関係がないものとする。 FIG. 32 is a diagram schematically showing a processing example according to the seventh embodiment. As shown in FIG. 32, the processing circuit 51 collects a plurality of MRS signals having different qualities, sorts the collected plurality of MRS signals according to the quality (step SD1), and rearranges the plurality of MRS signals. Is applied to the trained model NN to estimate the MRS reconstruction parameters. The trained model NN and MRS reconstruction parameters according to the seventh embodiment are the same as those of the sixth embodiment. The number of MRS signals input to the trained model NN may be any number as long as it is two or more, but FIG. 32 illustrates 96 MRS signals. The quality according to the seventh embodiment is the same as that of the sixth embodiment. # N (1 <n ≦ N = 96) in FIG. 32 represents the collection order of the MRS signal. The collection order is the quality order No. It is assumed that there is no correlation with n (1 <n ≦ N = 96).

並べ替え処理(ステップSD1)において処理回路51は、複数のMRS信号を、所定の順序に従い並べ替える。所定の順序は、一例として、図32に示すように、品質の高い順(降順)である。処理回路51は、並べ替えられた順番で複数のMRS信号を学習済みモデルNNに入力する。具体的には、学習済みモデルNNの入力層の各チャネルが品質順位に対応付けられており、処理回路51は、入力するMRS信号の品質順位に対応するチャネルに当該MRS信号を入力する。品質順で並べ替えた後にMRS信号を学習済みモデルNNに入力されるので、常に一定の品質順で入力が行われることとなる。これにより、同一チャネルに入力されるMRS信号の品質が相対的に一定になるので、MRS再構成パラメータの推定精度の向上が期待される。なお、上記の所定の順序は、これに限定されず、品質の低い順(昇順)など一定の順序であれば如何なる順序でもよい。また、MRS信号を品質に応じて並び替えるとしたが、加算回数に応じて並び替えてもよい。 In the rearrangement process (step SD1), the processing circuit 51 rearranges a plurality of MRS signals in a predetermined order. As an example, the predetermined order is the order of high quality (descending order) as shown in FIG. 32. The processing circuit 51 inputs a plurality of MRS signals to the trained model NN in the sorted order. Specifically, each channel of the input layer of the trained model NN is associated with the quality order, and the processing circuit 51 inputs the MRS signal to the channel corresponding to the quality order of the input MRS signal. Since the MRS signal is input to the trained model NN after sorting in the order of quality, the input is always performed in the order of constant quality. As a result, the quality of the MRS signal input to the same channel becomes relatively constant, and it is expected that the estimation accuracy of the MRS reconstruction parameter will be improved. The predetermined order is not limited to this, and may be any order as long as it is a fixed order such as a low quality order (ascending order). Further, although the MRS signals are rearranged according to the quality, they may be rearranged according to the number of additions.

第7実施形態に係る学習済みモデルNNは下記の通り学習される。まず、上記の方法により、学習サンプルのうちの入力データに対して加算回数又は品質が設定される。一方、機械学習モデルの入力層の各チャネルに加算回数又は品質順位を対応づけられる。そして、処理回路51は、第1~第5実施形態において説明した通り、複数の学習サンプルに基づいて機械学習モデルを訓練する。この際、各学習サンプルのうちの入力データはその加算回数又は品質に対応するチャネルに入力されることとなる。これにより、第7実施形態に係る学習済みモデルNNが学習される。 The trained model NN according to the seventh embodiment is trained as follows. First, by the above method, the number of additions or the quality is set for the input data in the training sample. On the other hand, the number of additions or the quality ranking can be associated with each channel of the input layer of the machine learning model. Then, the processing circuit 51 trains the machine learning model based on a plurality of learning samples as described in the first to fifth embodiments. At this time, the input data of each learning sample is input to the channel corresponding to the number of additions or the quality. As a result, the trained model NN according to the seventh embodiment is trained.

(第8実施形態)
第8実施形態は、上記実施形態の何れにも適用可能な変形例である。以下、第8実施形態に係るMR信号処理装置について説明する。なお以下の説明において、上記実施形態と略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。
(8th Embodiment)
Eighth embodiment is a modification applicable to any of the above embodiments. Hereinafter, the MR signal processing apparatus according to the eighth embodiment will be described. In the following description, components having substantially the same functions as those in the above embodiment are designated by the same reference numerals and will be described in duplicate only when necessary.

図33は、第8実施形態に係る処理例を模式的に示す図である。図33に示すように、処理回路51は、品質の異なる複数のMRS信号を収集し、収集された複数のMRS信号を、品質に基づいて使用グループと棄却グループとに振り分け(ステップSE1)、使用グループに振り分けられたMRS信号を学習済みモデルNNに適用してMRS再構成パラメータを推定し、棄却グループに振り分けられたMRS信号を棄却する(ステップSE2)。換言すれば、処理回路51は、品質に応じてMRS信号を棄却し、棄却されたMRS信号以外のMRS信号を学習済みモデルNNに適用する。第8実施形態に係る学習済みモデルNN及びMRS再構成パラメータは、第5実施形態と同様である。第8実施形態に係る品質は、第6実施形態と同様である。#n(1<n≦N)はMRS信号の収集順位を表すものとする。なお、振り分けに供されるMRS信号の個数Nは2個以上であれば如何なる個数でもよいしが、図33ではN=96であるとする。 FIG. 33 is a diagram schematically showing a processing example according to the eighth embodiment. As shown in FIG. 33, the processing circuit 51 collects a plurality of MRS signals having different qualities, distributes the collected plurality of MRS signals into a use group and a rejection group based on the quality (step SE1), and uses them. The MRS signals distributed to the groups are applied to the trained model NN to estimate the MRS reconstruction parameters, and the MRS signals distributed to the rejection groups are rejected (step SE2). In other words, the processing circuit 51 rejects the MRS signal according to the quality, and applies the MRS signal other than the rejected MRS signal to the trained model NN. The trained model NN and MRS reconstruction parameters according to the eighth embodiment are the same as those of the fifth embodiment. The quality according to the eighth embodiment is the same as that of the sixth embodiment. It is assumed that # n (1 <n ≦ N) represents the collection order of the MRS signal. The number N of MRS signals used for distribution may be any number as long as it is two or more, but in FIG. 33, N = 96.

振り分け処理(ステップSE1)において処理回路51は、品質に応じて各MRS信号を使用グループと棄却グループとに区分する。使用グループは、閾値を上回る品質を有するMRS信号が属するグループである。棄却グループは、閾値を下回る品質を有するMRS信号が属するグループである。処理回路51は、MRS信号毎に当該MRS信号の品質を閾値に対して比較し、品質が閾値を上回るか下回るかを判定する。品質が閾値を上回る場合、処理回路51は、当該MRS信号を使用グループに振り分け、品質が閾値を下回る場合、当該MRS信号を棄却グループに振り分ける。そして、処理回路51は、使用グループに振り分けられたMRS信号を学習済みモデルNNに適用してMRS再構成パラメータを推定する。このようにMRS再構成パラメータの推定に使用するMRS信号を、品質が閾値を上回るMRS信号に限定することにより、MRS再構成パラメータの推定精度の向上が期待される。また、MRS信号を品質に応じて使用又は棄却するとしたが、加算回数に応じて使用又は棄却してもよい。 In the distribution process (step SE1), the processing circuit 51 divides each MRS signal into a use group and a rejection group according to the quality. The use group is a group to which the MRS signal having a quality exceeding the threshold value belongs. The rejection group is a group to which the MRS signal having a quality below the threshold value belongs. The processing circuit 51 compares the quality of the MRS signal with respect to the threshold value for each MRS signal, and determines whether the quality exceeds or falls below the threshold value. When the quality exceeds the threshold value, the processing circuit 51 distributes the MRS signal to the use group, and when the quality falls below the threshold value, the processing circuit 51 distributes the MRS signal to the rejection group. Then, the processing circuit 51 applies the MRS signal distributed to the use group to the trained model NN to estimate the MRS reconstruction parameter. By limiting the MRS signal used for estimating the MRS reconstruction parameter to the MRS signal whose quality exceeds the threshold value in this way, it is expected that the estimation accuracy of the MRS reconstruction parameter will be improved. Further, although the MRS signal is used or rejected according to the quality, it may be used or rejected according to the number of additions.

第8実施形態に係る学習済みモデルNNは下記の通り学習される。まず、上記の方法により、学習サンプルのうちの入力データに対して加算回数又は品質が設定される。処理回路51は、第1~第5実施形態において説明した通り、複数の学習サンプルに基づいて機械学習モデルを訓練する。この際、各学習サンプルは、閾値以上の加算回数又は品質を有するものに限定されることとなる。これにより、第8実施形態に係る学習済みモデルNNが学習される。 The trained model NN according to the eighth embodiment is trained as follows. First, by the above method, the number of additions or the quality is set for the input data in the training sample. The processing circuit 51 trains a machine learning model based on a plurality of training samples as described in the first to fifth embodiments. At this time, each learning sample is limited to those having the number of additions or quality equal to or higher than the threshold value. As a result, the trained model NN according to the eighth embodiment is learned.

(第9実施形態)
第9実施形態は、上記実施形態の何れにも適用可能な変形例である。以下、第9実施形態に係るMR信号処理装置について説明する。なお以下の説明において、上記実施形態と略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。
(9th Embodiment)
The ninth embodiment is a modification applicable to any of the above embodiments. Hereinafter, the MR signal processing apparatus according to the ninth embodiment will be described. In the following description, components having substantially the same functions as those in the above embodiment are designated by the same reference numerals and will be described in duplicate only when necessary.

図34は、第9実施形態に係る処理例を模式的に示す図である。図34に示すように、処理回路51は、品質の異なる複数のMRS信号を収集し、収集された複数のMRS信号を品質に応じてビニング(binning)し(ステップSF1)、品質レベル(ビン)単位でMRS信号を学習済みモデルNNに適用してMRS再構成パラメータを推定する。第9実施形態に係る学習済みモデルNN及びMRS再構成パラメータは、第6実施形態と同様である。第9実施形態に係る品質は、第6実施形態と同様である。#n(1<n≦N)はMRS信号の収集順位を表すものとする。なお、ビニングに供されるMRS信号の個数Nは2個以上であれば如何なる個数でもよいしが、図34ではN=96であるとする。品質レベルは2段以上であれば如何なる段数でもよいが、図34では、例示的に3段であるとする。品質レベル「1」「2」「3」の順に品質が低下するものとする。 FIG. 34 is a diagram schematically showing a processing example according to the ninth embodiment. As shown in FIG. 34, the processing circuit 51 collects a plurality of MRS signals having different qualities, binning the collected plurality of MRS signals according to the quality (step SF1), and quality level (bin). The MRS signal is applied to the trained model NN in units to estimate the MRS reconstruction parameters. The trained model NN and MRS reconstruction parameters according to the ninth embodiment are the same as those of the sixth embodiment. The quality according to the ninth embodiment is the same as that of the sixth embodiment. It is assumed that # n (1 <n ≦ N) represents the collection order of the MRS signal. The number N of MRS signals used for binning may be any number as long as it is two or more, but in FIG. 34, N = 96. The quality level may be any number of stages as long as it is 2 or more stages, but in FIG. 34, it is assumed that the quality level is 3 stages as an example. It is assumed that the quality deteriorates in the order of quality levels "1", "2" and "3".

図34に示すように、品質レベル毎に学習済みモデルNNが用意されている。各学習済みモデルNNは、当該品質レベルのMRS信号を入力してMRS再構成パラメータを出力するように学習された機械学習モデルである。処理回路51は、各品質レベルのMRS信号を、当該品質レベルに対応する学習済みモデルNNに適用して、MRS再構成パラメータを推定する。処理回路51は、複数の品質レベルにそれぞれ対応する複数のMRS再構成パラメータに基づいて最終的なMRS再構成パラメータを算出する。例えば、処理回路51は、複数のMRS再構成パラメータの平均値を最終的なMRS再構成パラメータとして算出してもよいし、品質レベルに応じて重み付けされたMRS再構成パラメータの加算平均値を最終的なMRS再構成パラメータとして算出してもよい。あるいは、処理回路51は、ユーザ指定の品質レベルに対応するMRS再構成パラメータを最終的なMRS再構成パラメータとして使用し、他の品質レベルに対応するMRS再構成パラメータを棄却してもよい。また、MRS信号を品質に応じてビニングするとしたが、加算回数に応じてビニングしてもよい。 As shown in FIG. 34, a trained model NN is prepared for each quality level. Each trained model NN is a machine learning model trained to input an MRS signal of the quality level and output an MRS reconstruction parameter. The processing circuit 51 applies the MRS signal of each quality level to the trained model NN corresponding to the quality level to estimate the MRS reconstruction parameter. The processing circuit 51 calculates the final MRS reconstruction parameters based on the plurality of MRS reconstruction parameters corresponding to the plurality of quality levels. For example, the processing circuit 51 may calculate the average value of a plurality of MRS reconstruction parameters as the final MRS reconstruction parameter, or the final addition average value of the MRS reconstruction parameters weighted according to the quality level. It may be calculated as a typical MRS reconstruction parameter. Alternatively, the processing circuit 51 may use the MRS reconstruction parameter corresponding to the user-specified quality level as the final MRS reconstruction parameter and reject the MRS reconstruction parameter corresponding to another quality level. Further, although the MRS signal is binned according to the quality, it may be binned according to the number of additions.

第9実施形態に係る学習済みモデルNNは下記の通り学習される。まず、上記の方法により、学習サンプルのうちの入力データに対して加算回数又は品質が設定される。また、複数の加算回数レベル又は品質レベルにそれぞれ対応する複数の機械学習モデルが用意される。処理回路51は、第1~第5実施形態において説明した通り、複数の学習サンプルに基づいて各機械学習モデルを訓練する。この際、各加算回数レベル又は品質レベルに対応する機械学習モデルは、当該レベルに属する学習サンプルに基づいて訓練される。これにより、第9実施形態に係る学習済みモデルNNが生成される。 The trained model NN according to the ninth embodiment is trained as follows. First, by the above method, the number of additions or the quality is set for the input data in the training sample. In addition, a plurality of machine learning models corresponding to a plurality of addition count levels or quality levels are prepared. The processing circuit 51 trains each machine learning model based on a plurality of training samples as described in the first to fifth embodiments. At this time, the machine learning model corresponding to each addition count level or quality level is trained based on the learning sample belonging to the level. As a result, the trained model NN according to the ninth embodiment is generated.

(第10実施形態)
上記実施形態においてMR信号処理装置50は、磁気共鳴イメージング装置1に組み込まれているものとした。しかしながら、MR信号処理装置50は、磁気共鳴イメージング装置1に組み込まれていなくてもよい。以下、第10実施形態に係るMR信号処理装置50について説明する。なお以下の説明において、第1~第9実施形態と略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。
(10th Embodiment)
In the above embodiment, the MR signal processing device 50 is incorporated in the magnetic resonance imaging device 1. However, the MR signal processing device 50 may not be incorporated in the magnetic resonance imaging device 1. Hereinafter, the MR signal processing device 50 according to the tenth embodiment will be described. In the following description, components having substantially the same functions as those of the first to ninth embodiments are designated by the same reference numerals and will be duplicated and described only when necessary.

図35は、第10実施形態に係るMR信号処理装置を含む磁気共鳴イメージングシステム100の構成例を示す図である。図35に示すように、磁気共鳴イメージングシステム100は、互いにネットワークを介して通信可能に接続された磁気共鳴イメージング装置1、MR信号処理装置50及びPACSサーバ90を有する。MR信号処理装置50は、上記第1~第9実施形態の何れのMR信号処理装置にも適用可能である。 FIG. 35 is a diagram showing a configuration example of the magnetic resonance imaging system 100 including the MR signal processing device according to the tenth embodiment. As shown in FIG. 35, the magnetic resonance imaging system 100 includes a magnetic resonance imaging device 1, an MR signal processing device 50, and a PACS server 90 that are communicably connected to each other via a network. The MR signal processing device 50 can be applied to any of the MR signal processing devices of the first to ninth embodiments.

磁気共鳴イメージング装置1は、MRS信号等のMR収集信号を収集し、MR収集信号をPACSサーバ90に送信する。PACSサーバ90は、MR収集信号を保管する。PACSサーバ90は、MR収集信号や、X線コンピュータ断層撮影装置等の他の医用画像診断装置により収集された医用信号を検索可能に保管している。MR信号処理装置50は、PACSサーバ90に保管されたMR収集信号から処理対象のMR収集信号を取得し、上記第1~第9実施形態に記載した各種処理を実行する。 The magnetic resonance imaging device 1 collects MR collection signals such as MRS signals and transmits the MR collection signals to the PACS server 90. The PACS server 90 stores the MR collection signal. The PACS server 90 stores the MR collected signal and the medical signal collected by another medical diagnostic imaging apparatus such as an X-ray computer tomography apparatus so as to be searchable. The MR signal processing device 50 acquires the MR collection signal to be processed from the MR collection signal stored in the PACS server 90, and executes various processes described in the first to ninth embodiments.

第10実施形態によれば、MRスペクトロスコピーやMRイメージング等の撮像機構を有しない場合であっても、上記第1~第9実施形態に記載した各種処理を実行することにより、MRS信号等のMR収集信号の精度を向上することができる。 According to the tenth embodiment, even when an imaging mechanism such as MR spectroscopy or MR imaging is not provided, the MRS signal or the like can be obtained by executing the various processes described in the first to ninth embodiments. The accuracy of MR collected signals can be improved.

(付言)
以上説明した少なくとも1つの実施形態によれば、MR信号処理装置50は、処理回路51を有する。処理回路51は、同一の対象に関し、MRスペクトロスコピーにより収集された複数のMRS信号に学習済みモデルを適用し、MRS再構成のためのパラメータを出力する。MRS再構成は、MRSスペクトルを生成するための処理一般を指す。例えば、MRS再構成は、第1及び第2実施形態のように、スペクトルモデルからフィッティングによりMRSスペクトルを生成する処理や、第3実施形態のように、MRSkデータからフーリエ変換によりMRSスペクトルを生成する処理を含む。MRS再構成のためのパラメータは、第1及び第2実施形態の場合、スペクトルパラメータであり、第3実施形態の場合、f0シフトや位相シフト等のk空間変調量である。
(Addition)
According to at least one embodiment described above, the MR signal processing device 50 includes a processing circuit 51. The processing circuit 51 applies the trained model to a plurality of MRS signals collected by MR spectroscopy for the same object, and outputs parameters for MRS reconstruction. MRS reconstruction refers to the general processing for producing an MRS spectrum. For example, the MRS reconstruction is a process of generating an MRS spectrum by fitting from a spectrum model as in the first and second embodiments, and an MRS spectrum is generated by a Fourier transform from MRSk data as in the third embodiment. Including processing. The parameter for MRS reconstruction is a spectral parameter in the case of the first and second embodiments, and is a k-space modulation amount such as f0 shift and phase shift in the case of the third embodiment.

上記の構成によれば、精度のよいパラメータを得ることができ、結果的に、精度のよいMRS信号を得ることが可能になる。 According to the above configuration, it is possible to obtain an accurate parameter, and as a result, it is possible to obtain an accurate MRS signal.

以上説明した少なくとも1つの実施形態によれば、MRS信号の精度を向上することができる。 According to at least one embodiment described above, the accuracy of the MRS signal can be improved.

上記説明において用いた「プロセッサ」という文言は、例えば、CPU、GPU、或いは、特定用途向け集積回路(Application Specific Integrated Circuit:ASIC))、プログラマブル論理デバイス(例えば、単純プログラマブル論理デバイス(Simple Programmable Logic Device:SPLD)、複合プログラマブル論理デバイス(Complex Programmable Logic Device:CPLD)、及びフィールドプログラマブルゲートアレイ(Field Programmable Gate Array:FPGA))等の回路を意味する。プロセッサは記憶回路に保存されたプログラムを読み出し実行することで機能を実現する。なお、記憶回路にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。また、プログラムを実行するのではなく、論理回路の組合せにより当該プログラムに対応する機能を実現しても良い。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて1つのプロセッサとして構成し、その機能を実現するようにしてもよい。さらに、図1、図13、図20、図25及び図35における複数の構成要素を1つのプロセッサへ統合してその機能を実現するようにしてもよい。 The term "processor" used in the above description refers to, for example, a CPU, a GPU, or an application specific integrated circuit (ASIC), a programmable logic device (for example, a simple programmable logic device (Simple Programmable Logic Device)). : SPLD), a complex programmable logic device (CPLD), and a field programmable gate array (FPGA)). The processor realizes the function by reading and executing the program stored in the storage circuit. Instead of storing the program in the storage circuit, the program may be directly embedded in the circuit of the processor. In this case, the processor realizes the function by reading and executing the program embedded in the circuit. Further, instead of executing the program, a function corresponding to the program may be realized by a combination of logic circuits. It should be noted that each processor of the present embodiment is not limited to the case where each processor is configured as a single circuit, and a plurality of independent circuits may be combined to form one processor to realize its function. good. Further, a plurality of components in FIGS. 1, 13, 20, 25 and 35 may be integrated into one processor to realize the function.

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。 Although some embodiments have been described, these embodiments are presented as examples and are not intended to limit the scope of the invention. These embodiments can be implemented in various other embodiments, and various omissions, replacements, changes, and combinations of embodiments can be made without departing from the gist of the invention. These embodiments and variations thereof are included in the scope of the invention described in the claims and the equivalent scope thereof, as are included in the scope and gist of the invention.

1 磁気共鳴イメージング装置
11 架台
13 寝台
21 傾斜磁場電源
23 送信回路
25 受信回路
27 寝台駆動装置
29 シーケンス制御回路
41 静磁場磁石
43 傾斜磁場コイル
45 送信コイル
47 受信コイル
50 MR信号処理装置
51A、51B、51C、51D 処理回路
53 メモリ
55 ディスプレイ
57 入力インタフェース
58 通信インタフェース
131 天板
133 基台

1 Magnetic resonance imaging device 11 Stand 13 Sleeper 21 Tilt magnetic field power supply 23 Transmission circuit 25 Reception circuit 27 Sleep drive device 29 Sequence control circuit 41 Static magnetic field magnet 43 Tilt magnetic field coil 45 Transmission coil 47 Reception coil 50 MR signal processing device 51A, 51B, 51C, 51D Processing circuit 53 Memory 55 Display 57 Input interface 58 Communication interface 131 Top plate 133 base

Claims (20)

同一の対象に関し、MRスペクトロスコピーにより収集された複数のMRS信号に学習済みモデルを適用し、MRS再構成のためのパラメータを出力するパラメータ出力部、
を具備するMR信号処理装置。
A parameter output unit that applies a trained model to multiple MRS signals collected by MR spectroscopy for the same object and outputs parameters for MRS reconstruction.
MR signal processing device comprising.
合成部を更に備え、
前記パラメータは、複数のパラメータを含み、
前記複数のパラメータは、前記複数のパラメータにそれぞれ対応する複数のスペクトルモデルに基づくフィッティングのためのスペクトルパラメータであり、
前記合成部は、前記複数のスペクトルパラメータと前記複数のスペクトルモデルとに基づくフィッティングにより、前記対象に関するMRSスペクトルを生成する、
請求項1記載のMR信号処理装置。
With more synthesis
The parameters include a plurality of parameters.
The plurality of parameters are spectral parameters for fitting based on a plurality of spectral models corresponding to the plurality of parameters, respectively.
The synthesizer generates an MRS spectrum for the object by fitting based on the plurality of spectral parameters and the plurality of spectral models.
The MR signal processing apparatus according to claim 1.
前記複数のスペクトルモデルは、前記対象に含まれる複数の物質にそれぞれ対応する複数のスペクトルであり、
前記複数のスペクトルパラメータは、前記対象に関する前記複数の物質の物質量情報を含む、
請求項2記載のMR信号処理装置。
The plurality of spectrum models are a plurality of spectra corresponding to the plurality of substances contained in the object.
The plurality of spectral parameters include the amount of substance information of the plurality of substances with respect to the subject.
The MR signal processing apparatus according to claim 2.
前記複数のMRS信号のうちの第1のMRS信号は、領域選択パルスの印加を含むデータ収集の実行により収集され、
前記複数のMRS信号のうちの第2のMRS信号は、領域選択パルスの印加を含まないデータ収集の実行により収集される、
請求項2記載のMR信号処理装置。
The first MRS signal among the plurality of MRS signals is collected by performing data acquisition including application of a region selection pulse.
The second MRS signal out of the plurality of MRS signals is collected by performing a data acquisition that does not include the application of a region selection pulse.
The MR signal processing apparatus according to claim 2.
前記パラメータ出力部は、前記複数のMRS信号と、前記領域選択パルスの印加により選択された周波数帯の周波数情報とを前記学習済みモデルに適用する、請求項4記載のMR信号処理装置。 The MR signal processing device according to claim 4, wherein the parameter output unit applies the plurality of MRS signals and frequency information of a frequency band selected by applying the region selection pulse to the trained model. 前記複数のMRS信号のうちの第1のMRS信号は、第1のTR及びTEの組合せのもとでのデータ収集の実行により収集され、
前記複数のMRS信号のうちの第2のMRS信号は、前記第1のTR及びTEの組合せとは異なる第2のTR及びTEの組合せのもとでのデータ収集の実行により収集される、
請求項2記載のMR信号処理装置。
The first MRS signal among the plurality of MRS signals is collected by performing data acquisition under the combination of the first TR and TE.
The second MRS signal among the plurality of MRS signals is collected by performing data acquisition under a second TR and TE combination different from the first TR and TE combination.
The MR signal processing apparatus according to claim 2.
前記複数のスペクトルモデルは、特定のMRSスペクトルにデータ圧縮を施すことにより得られる複数の基底にそれぞれ対応する複数の基底スペクトルであり、
前記複数のパラメータは、前記対象に関する前記複数の基底の成分量情報を含む、
請求項2記載のMR信号処理装置。
The plurality of spectrum models are a plurality of basis spectra corresponding to a plurality of bases obtained by applying data compression to a specific MRS spectrum.
The plurality of parameters include the plurality of basis component amount information regarding the object.
The MR signal processing apparatus according to claim 2.
前記複数の基底は、健常者に関するMRSスペクトルに基づく第1の基底と、非健常者に関するMRSスペクトルに基づく第2の基底とを含む、請求項6記載のMR信号処理装置。 The MR signal processing apparatus according to claim 6, wherein the plurality of bases include a first base based on an MRS spectrum for a healthy person and a second base based on an MRS spectrum for an unhealthy person. 判定部を更に備え、
前記パラメータ出力部は、前記複数のMRS信号に前記学習済みモデルを適用して前記第1の基底に関する第1の物質量又は成分量情報と前記第2の基底に関する第2の物質量又は成分量情報とを出力し、
前記判定部は、前記第1の物質量又は成分量情報と前記第2の物質量又は成分量情報とに基づいて前記対象が正常か異常かを判定する、
請求項8記載のMR信号処理装置。
Further equipped with a judgment unit,
The parameter output unit applies the trained model to the plurality of MRS signals to provide information on the first substance amount or component amount regarding the first basis and the second substance amount or component amount regarding the second basis. Output information and
The determination unit determines whether the target is normal or abnormal based on the first substance amount or component amount information and the second substance amount or component amount information.
The MR signal processing apparatus according to claim 8.
前記判定部による判定結果を表示する表示部を更に備える、請求項9記載のMR信号処理装置。 The MR signal processing apparatus according to claim 9, further comprising a display unit for displaying a determination result by the determination unit. 前記複数のMRS信号のうちの1以上のMRS信号は、前記合成部により生成されたMRS信号である、請求項2記載のMR信号処理装置。 The MR signal processing device according to claim 2, wherein one or more MRS signals among the plurality of MRS signals are MRS signals generated by the synthesizer. 前記パラメータは、更に信頼度情報を含む、請求項1記載のMR信号処理装置。 The MR signal processing apparatus according to claim 1, wherein the parameter further includes reliability information. 前記パラメータは、前記複数のMRS信号についてのデータ収集間に生じた磁場変調に起因するk空間変調の変調量情報である、請求項1記載のMR信号処理装置。 The MR signal processing apparatus according to claim 1, wherein the parameter is modulation amount information of k-spatial modulation caused by magnetic field modulation generated during data acquisition for the plurality of MRS signals. 前記複数のMRS信号は、MRスペクトロスコピーにより収集された複数のk空間データであり、
前記変調量情報に基づいて前記複数のk空間データのうちの少なくとも1個のk空間データに基づく平均k空間データを補正する補正部を更に備える、
請求項13記載のMR信号処理装置。
The plurality of MRS signals are a plurality of k-space data collected by MR spectroscopy.
Further, a correction unit for correcting the average k-space data based on at least one k-space data among the plurality of k-space data based on the modulation amount information is provided.
13. The MR signal processing apparatus according to claim 13.
補正された前記平均k空間データに基づいてMRSスペクトルを生成する生成部を更に備える、請求項14記載のMR信号処理装置。 The MR signal processing apparatus according to claim 14, further comprising a generation unit that generates an MRS spectrum based on the corrected average k-space data. 複数の合成部を更に備え、
前記パラメータ出力部は、複数の第1のパラメータ出力部と第2のパラメータ出力部とを有し、
前記複数の第1のパラメータ出力部は、それぞれ前記複数のMRS信号に第1の学習済みモデルを適用して物質又は基底に関する複数の量情報を出力し、
前記複数の合成部は、それぞれ前記量情報に基づいて前記対象に関する複数の合成MRS信号を生成し、
前記第2のパラメータ出力部は、前記複数の合成MRS信号に第2の学習済みモデルを適用して、前記複数のMRS信号についてのデータ収集間に生じた磁場変調に起因するk空間変調の変調量情報を出力する、
請求項1記載のMR信号処理装置。
With multiple compositing units
The parameter output unit has a plurality of first parameter output units and a second parameter output unit.
The plurality of first parameter output units each apply the first trained model to the plurality of MRS signals to output a plurality of quantity information regarding a substance or a basis.
The plurality of synthesis units generate a plurality of synthetic MRS signals for the target based on the quantity information, respectively.
The second parameter output unit applies the second trained model to the plurality of synthetic MRS signals, and modulates k-space modulation due to magnetic field modulation that occurs during data acquisition for the plurality of MRS signals. Output quantity information,
The MR signal processing apparatus according to claim 1.
第1の合成部と第2の合成部とを更に備え、
前記パラメータ出力部は、第1のパラメータ出力部と第2のパラメータ出力部と第3のパラメータ出力部とを有し、
前記第1のパラメータ出力部は、前記複数のMRS信号のうちの1個のMRS信号に第1の学習済みモデルを適用して物質又は基底に関する第1の量情報を出力し、
前記第2のパラメータ出力部は、前記複数のMRS信号に第1の学習済みモデルを適用して物質又は基底に関する第2の量情報を出力し、
前記第1の合成部は、前記第1の量情報に基づいて前記対象に関する第1の合成MRS信号を生成し、
前記第2の合成部は、前記第2の量情報に基づいて前記対象に関する第2の合成MRS信号を生成し、
前記第3のパラメータ出力部は、前記第1の合成MRS信号と前記第2の合成MRS信号とに第2の学習済みモデルを適用して、前記複数のMRS信号についてのデータ収集間に生じた磁場変調に起因するk空間変調の変調量情報を出力する、
請求項1記載のMR信号処理装置。
Further equipped with a first synthesis part and a second synthesis part,
The parameter output unit has a first parameter output unit, a second parameter output unit, and a third parameter output unit.
The first parameter output unit applies the first trained model to one of the plurality of MRS signals and outputs the first quantity information regarding the substance or the basis.
The second parameter output unit applies the first trained model to the plurality of MRS signals and outputs a second quantity information regarding a substance or a basis.
The first synthesis unit generates a first synthetic MRS signal for the subject based on the first quantity information.
The second synthesis unit generates a second synthetic MRS signal for the object based on the second quantity information.
The third parameter output unit is generated during data acquisition for the plurality of MRS signals by applying a second trained model to the first synthetic MRS signal and the second synthetic MRS signal. Outputs modulation amount information of k-space modulation caused by magnetic field modulation,
The MR signal processing apparatus according to claim 1.
前記パラメータ出力部は、
加算回数又は品質に応じて並べ替えられた前記複数のMRS信号を前記学習済みモデルに適用する、又は、
前記複数のMRS信号のうちの前記加算回数又は前記品質に応じて棄却されたMRS信号以外のMRS信号を前記学習済みモデルに適用する、
請求項1記載のMR信号処理装置。
The parameter output unit is
The plurality of MRS signals sorted according to the number of additions or quality are applied to the trained model, or
An MRS signal other than the MRS signal rejected according to the number of additions or the quality of the plurality of MRS signals is applied to the trained model.
The MR signal processing apparatus according to claim 1.
前記学習済みモデルは、複数の品質レベルにそれぞれ対応する複数のモデルを有し、
前記パラメータ出力部は、前記複数のMRS信号各々を品質に応じてビニングし、品質レベル単位でMRS信号をモデルに適用する、
請求項1記載のMR信号処理装置。
The trained model has a plurality of models corresponding to a plurality of quality levels, respectively.
The parameter output unit binning each of the plurality of MRS signals according to the quality, and applies the MRS signal to the model in units of quality level.
The MR signal processing apparatus according to claim 1.
同一の対象に関する複数のMR収集信号に学習済みモデルを適用して、前記複数のMR収集信号についてのデータ収集間に生じた磁場変調に起因するk空間変調に関する変調量を出力するパラメータ出力部、
を具備するMR信号処理装置。

A parameter output unit that applies a trained model to a plurality of MR collection signals for the same object and outputs a modulation amount related to k-space modulation caused by magnetic field modulation generated during data collection for the plurality of MR collection signals.
MR signal processing device comprising.

JP2021156702A 2020-10-06 2021-09-27 MR signal processing device Pending JP2022061484A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/449,966 US11982724B2 (en) 2020-10-06 2021-10-05 MR signal processing apparatus

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020168961 2020-10-06
JP2020168961 2020-10-06

Publications (1)

Publication Number Publication Date
JP2022061484A true JP2022061484A (en) 2022-04-18

Family

ID=81206581

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021156702A Pending JP2022061484A (en) 2020-10-06 2021-09-27 MR signal processing device

Country Status (1)

Country Link
JP (1) JP2022061484A (en)

Similar Documents

Publication Publication Date Title
JP2022041978A (en) Magnetic resonance imaging device and medical data processing device
US10281549B2 (en) Magnetic resonance imaging apparatus and image processing apparatus
US20180231626A1 (en) Systems and methods for magnetic resonance fingerprinting for quantitative breast imaging
CN108885246A (en) For generating the diffusion MRI method of the synthesis diffusion image at high b value
CN104379057A (en) Magnetic resonance imaging device
CN104765011A (en) Magnetic resonance apparatus for reconstructing magnetic resonance raw data
JP7272818B2 (en) Data processing device, method and program
CN101023867A (en) Data correction apparatus, data correction method, magnetic resonance imaging apparatus and X-ray CT apparatus
US11125847B2 (en) System and method for out-of-view artifact suppression for magnetic resonance fingerprinting
Hsieh et al. Magnetic resonance fingerprinting: from evolution to clinical applications
EP2554114A1 (en) Magnetic resonance imaging apparatus, magnetic resonance imaging method and image display device
CN107209238A (en) Parallel many section MR imagings with the suppression to sideband artefact
US20190353730A1 (en) System and method for generating a magnetic resonance fingerprinting dictionary using semi-supervised learning
JP2019005289A (en) Magnetic resonance imaging device
EP3422034A2 (en) Magnetic resonance imaging apparatus and medical image processing apparatus for quantitative conductivity mapping by using quantitative susceptibility mapping
US11619694B2 (en) Magnetic resonance imaging apparatus and medical data processing apparatus
US11313931B2 (en) System and method for quantifying T1, T2 and resonance frequency using rosette trajectory acquisition and read segmented reconstruction
US7956611B2 (en) Magnetic resonance imaging apparatus and method
Andria et al. Acquisition times in magnetic resonance imaging: optimization in clinical use
KR102170977B1 (en) Brain metabolite network generation method using time varying function based on MRS
US9851424B2 (en) Magnetic resonance imaging apparatus
US9167988B2 (en) Magnetic resonance imaging apparatus and method for color-coding tissue based on T1 values
JP2022061484A (en) MR signal processing device
US11982724B2 (en) MR signal processing apparatus
US10877121B2 (en) System and method for magnetic resonance fingerprinting with reduced acoustic noise

Legal Events

Date Code Title Description
RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7421

Effective date: 20230106