JP2023069890A - 磁気共鳴イメージング装置、画像処理装置、及び、画像処理方法 - Google Patents

磁気共鳴イメージング装置、画像処理装置、及び、画像処理方法 Download PDF

Info

Publication number
JP2023069890A
JP2023069890A JP2021182079A JP2021182079A JP2023069890A JP 2023069890 A JP2023069890 A JP 2023069890A JP 2021182079 A JP2021182079 A JP 2021182079A JP 2021182079 A JP2021182079 A JP 2021182079A JP 2023069890 A JP2023069890 A JP 2023069890A
Authority
JP
Japan
Prior art keywords
image
data
magnetic resonance
resonance imaging
unit
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
JP2021182079A
Other languages
English (en)
Inventor
知樹 雨宮
Tomoki Amamiya
亨 白猪
Toru Shirai
敦郎 鈴木
Atsuro Suzuki
幸生 金子
Yukio Kaneko
博樹 庄司
Hiroki Shoji
慧祐 西尾
Keisuke Nishio
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.)
Fujifilm Healthcare Corp
Original Assignee
Fujifilm Healthcare 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 Fujifilm Healthcare Corp filed Critical Fujifilm Healthcare Corp
Priority to JP2021182079A priority Critical patent/JP2023069890A/ja
Priority to CN202211029081.9A priority patent/CN116098604A/zh
Priority to US17/969,884 priority patent/US20230142011A1/en
Priority to EP22206010.5A priority patent/EP4177625A1/en
Publication of JP2023069890A publication Critical patent/JP2023069890A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Signal Processing (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

【課題】等間隔間引きを含む様々な間引きパターンに対して、精度の高い再構成とノイズ除去を行う手法を提供する。【解決手段】ＭＲＩ装置で取得した計測データを処理する画像処理部は、所定の間引きパターンで計測された各チャンネルの計測データと、各受信コイルの感度分布とを用いて画像再構成する。その際、再構成画像のデノイズと、デノイズ後の画像から作成した各チャンネルの計測データともとの計測データとの一貫性を保持するための演算とを逐次処理する。これにより、間引きパターンに依存することなく、精度の良い画像復元とデノイズが可能となる。【選択図】図３

Description

本発明は、磁気共鳴イメージング（ＭＲＩ）装置に係り、特に、間引き計測して得た計測データの再構成とノイズ除去の技術に係る。
ＭＲＩ検査における撮像時間短縮の手法として、空間周波数領域（k空間）の信号を間引いて取得し、未計測部分を信号処理で復元する方法（k空間アンダーサンプリング再構成法）がある。中でも、複数の受信コイル（チャンネル）で同時に受信し、感度分布の違いを利用して復元するパラレルイメージング（PI）法は広く用いられている。
PI法のデータ復元手法として、等間隔間引きを復元するSENSE法の他、繰り返し再構成により任意の間引きパターンに対応したPOCSENSE法、SPIRiT法などが知られている（例えば非特許文献１、非特許文献２）。POCSENSE法やSPIRiT法では、繰り返し演算によって計測データ、感度マップ、および再構成画像間の関係を表す逆問題を解くことで間引かれていない画像を復元している。しかし、一般にPI法では間引く割合を増やすと撮像時間は減るがノイズが増加するという問題がある。
一方、間引きによるノイズ増加を低減するため、畳み込みニューラルネットワーク（ＣＮＮ）を利用する方法も種々提案されており、例えば、特許文献１には、ノイズ除去を行うＣＮＮと、デノイズ後のデータと取得したデータとの一貫性を保持する処理を行う層（DC層）とを組み合わせた学習済深層NNによる再構成手法が提案されている。
米国特許１０７１２４１６号
"POCSENSE: POCS-based reconstruction for sensitivity encoded magnetic resonance imaging", Magnetic Resonance in Medicine, 2004 December, 52(6) PP. 1397-1406 "SPIRiT: Iterative Self-consistent Parallel Imaging Reconstruction from Arbitrary k-Space", Magnetic Resonance in Medicine, 2010 August, 64(2) PP. 451-471
一般に機械学習を用いた再構成は，間引いた画像と間引かれていない画像の組で、繰り返し処理を含めた全体のネットワークを学習する。
しかしながら、間引きパターンは等間隔、ランダムなど様々なものがある。学習データに含まれない間引きパターンでは再構成の精度が低下しアーチファクトやノイズが残存する。学習データを増やすことも考えられるが、無数のパターンに対応するのは困難で、さらに対応するＣＮＮの構造が複雑になり計算時間も増加する。
本発明は上記事情に鑑みてなされたもので、等間隔間引きを含む様々な間引きパターンに対して、精度の高い再構成とノイズ除去を行う手法を提供することを課題とする。
上記課題を解決するため、本発明は計測データとの一貫性保持のための繰り返し演算内に、ノイズ除去処理を加える。ノイズ除去処理は、画像及びノイズの統計的性質に基づく。
即ち、本発明の第一の観点は、ＭＲＩ装置であり、例えば、複数の受信コイルを備え、受信コイル毎に被検体の核磁気共鳴信号を収集する計測部と、前記核磁気共鳴信号の収集パターンを制御する制御部と、受信コイル毎に収集した核磁気共鳴信号からなる計測データを用いて被検体の画像を作成する画像処理部とを備える。画像処理部は、受信コイル毎の計測データを用いた繰り返し演算により画像を再構成する逐次再構成部を含む。
逐次再構成部は、受信コイル毎の計測データに基づき、繰り返し演算の初期値を設定する初期値設定部と、受信コイル毎の画像を合成する合成部と、合成前又は合成後の画像及び当該画像に含まれるノイズの、それぞれの統計的性質に基づき、画像のノイズを除去するノイズ除去部と、デノイズ後の画像を用いて受信コイル毎のデノイズｋ空間データを作成し、当該デノイズｋ空間データと計測データとを統合して推定計測データを作成するデータ一貫性保持部と、を備え、推定計測データに基づき前記初期値を更新して逐次処理を行う。
典型的には、計測データが、所定の間引きパターンでアンダーサンプリングされた計測データであり、逐次再構成部は、計測データとともに各受信コイルの感度マップを受け付け、合成部は、計測データと感度マップを用いて画像を再構成する。
また本発明の第二の観点は、ＭＲＩ画像を処理する画像処理装置であり、ＭＲＩ装置の受信コイル毎に取得した計測データを用いて繰り返し演算を行って画像を再構成する逐次再構成部を備える。逐次再構成部は、上述したＭＲＩ装置の逐次再構成部と同様の構成・機能を備える。
さらに本発明の第三の観点は、ＭＲＩ画像の複数の受信コイルが収集した計測データを処理し、デノイズされた再構成画像を作成する画像処理方法であって、デノイズ後のｋ空間データと計測データとの一貫性を保持するため逐次再構成処理を含み、逐次再構成処理は、受信コイル毎の計測データに基づき、処理の初期値を設定するステップと、受信コイル毎の画像を合成するステップと、合成前又は合成後の画像及び当該画像データに含まれるノイズの、それぞれの統計的性質に基づき、画像のノイズを除去するステップと、デノイズ後の画像を用いて受信コイル毎のデノイズｋ空間データを作成し、当該デノイズｋ空間データと計測データとを統合して推定計測データを作成するステップと、を含み、推定計測データに基づき初期値を更新して、処理を繰り返す。
本発明によれば、一貫性保持の繰り返し演算内で得られる画像データに対し、デノイズ処理を行うことにより、デノイズ処理が間引きパターンに依存した折り返しに影響を受けないため、間引きパターンによらず精度良くノイズ除去できる。また、コイル感度分布を用いた合成処理を含む逐次処理により折り返しが除去されるため、等間隔間引きにも対応できる。
さらに、デノイズ処理とデータ一貫性保持処理を組み合わせたことにより、デノイズ処理によって過度に平滑化されてしまうことを防ぎ精度よくノイズを除去することができる。結果として、等間隔間引きを含む様々な間引きパターンに対して、精度の高い再構成とノイズ除去を行うことができる。
またＣＮＮ等の深層学習モデルを、繰り返し演算の一部の処理に限定できるので、多大な学習モデルを不要としながら、処理対象の普遍性を広げることができる。
本発明が適用されるＭＲＩ装置の一実施形態を示す全体構成図 第一実施形態の計算機のブロック図 第一実施形態の処理の流れを示す図 第一実施形態の処理を模式的に示す図 ＭＲＩ装置の計測部で取得する計測データの間引きパターンの例を示す図で、（a）は等間隔間引きパターン、（b）は非等間隔間引きパターン、（c）、（ｄ）は一部のデータが欠落或いは除去された計測による間引きパターン、を示す。 合成部の処理の一例を示す図 ＣＮＮを利用したデノイズの例を示す図 ＣＮＮの構成例を示す図 第一実施形態の処理の変形例を示す図 第一実施形態の処理の別の変形例を示す図 第二実施形態の計算機のブロック図 第二実施形態の処理の流れを示す図 ノイズ推定処理の一例を説明する図 第二実施形態の処理の変形例の流れを示す図
以下、図面を参照して、本発明のＭＲＩ装置及び画像処理装置の実施の形態を説明する。最初に本発明が適用されるＭＲＩ装置の一実施形態を説明する。
本実施形態のＭＲＩ装置１０は、図１に示すように、大きく分けて、被検体１０１から発生する核磁気共鳴信号の計測を行う計測部１００と、計測部１００を制御するとともに計測部１００が計測した核磁気共鳴信号を用いて画像再構成、補正その他の演算を行う計算機（演算部）２００とを備える。
計測部１００は、被検体１０１が置かれる空間に静磁場を生成する静磁場コイル１０２と、静磁場内に配置された被検体１０１に高周波磁場パルスを送信する送信部（１０５、１０７）と、被検体が発生する核磁気共鳴信号を受信する受信部（１０６、１０８）と、核磁気共鳴信号に位置情報を付与するために静磁場コイル１０２が発生する静磁場に磁場勾配を与える傾斜磁場コイル１０３とを備える。
静磁場コイル１０２は、常電導式或いは超電導式の静磁場コイル、静磁場生成磁石などで構成され、発生する静磁場の方向によって、垂直磁場方式、水平磁場方式などがあり、方式によってコイルの形状及び装置全体の外観が異なる。本実施形態はいずれの方式のＭＲＩ装置のいずれにも適用可能である。
送信部は、被検体１０１の計測領域に対し高周波磁場を送信する送信用高周波コイル１０５（以下、単に送信コイルという）と、高周波発振器や増幅器などを備えた送信機１０７とを備える。受信部は、被検体１０１から生じる核磁気共鳴信号を受信する受信用高周波コイル１０６（以下、単に受信コイルという）と、直交検波回路やＡ／Ｄ変換器などを含む受信機１０８とを備える。本実施形態において、受信コイルは複数のチャンネル（小型受信コイル）からなり、それぞれに受信機１０８を構成する直交検波回路やＡ／Ｄ変換器が接続されている。受信機１０８が受信したチャンネル毎（即ち受信コイル毎）の核磁気共鳴信号は、複素ディジタル信号として計算機２００に渡される。
傾斜磁場コイル１０３は、ｘ方向、ｙ方向、ｚ方向それぞれに傾斜磁場を印加する３組の傾斜磁場コイルを有し、それぞれ傾斜磁場用電源部１１２に接続されている。さらにＭＲＩ装置は、静磁場分布を調整するシムコイル１０４とそれを駆動するシム用電源部１１３を備えていてもよい。
さらに計測部１００は、計測部１００の動作を制御するシーケンス制御装置１１４を備える。シーケンス制御装置１１４は、傾斜磁場用電源部１１２、送信機１０７及び受信機１０８の動作を制御し、傾斜磁場、高周波磁場の印加および核磁気共鳴信号の受信のタイミングを制御する。傾斜磁場によって核磁気共鳴信号をエンコードすることができ、エンコード数（エンコードステップの数）や各エンコード量によって、核磁気共鳴信号がディジタル信号として配置されるｋ空間における位置やパターンが決まる。
シーケンス制御装置による制御のタイムチャートはパルスシーケンスと呼ばれ、計測に応じて予め設定され、計算機２００が備える記憶装置等に格納される。
計算機２００は、ＭＲＩ装置１００全体の動作を制御するとともに、受信した核磁気共鳴信号に対して様々な演算処理を行う。このため、計算機２００は、図１に示したように、計測制御部２１０、画像処理部２３０、表示制御部２５０などの機能部を備える。本実施形態では、画像処理部（計算機）２３０は、受信コイルの感度分布を用いた画像の合成、ノイズ除去処理、計測データと復元後の画像とのデータ一貫性保持処理などを行う。
計算機２００は、ＣＰＵ、メモリ、記憶装置などを備える情報処理装置であり、計算機２００にはディスプレイ２０１、外部記憶装置２０３、入力装置２０５などが接続される。
ディスプレイ２０１は、演算処理で得られた結果等をオペレータに表示するインタフェースである。入力装置２０５は、本実施形態で実施する計測や演算処理に必要な条件、パラメータ等をオペレータが入力するためのインタフェースである。ユーザーは、入力装置２０５を介して、例えば、ＰＩ法における倍速数（間引き率ともいう）などの計測パラメータを入力できる。外部記憶装置２０３は、計算機２００内部の記憶装置とともに、計算機２００が実行する各種の演算処理に用いられるデータ、演算処理により得られるデータ、入力された条件、パラメータ等を保持する。
計算機２００の各部の機能は、計算機２００に組み込まれたソフトウェアとして実現可能であり、記憶装置が保持するプログラム（ソフトウェア）を、ＣＰＵがメモリにロードして実行することにより実現される。各機能の処理に用いる各種のデータ、処理中に生成される各種のデータは、記憶装置あるいは外部記憶装置２０３に格納される。また、計算機２００が実現する各種の機能のうち、一部の機能は、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（ｆｉｅｌｄ－ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）などのハードウェアによって実現してもよい。
計算機２００が実現する機能の一部、例えば画像処理部２３０の機能は、ＭＲＩ装置１０とデータの送受信が可能な、独立した計算機や他の画像処理装置により実現することも可能であり、そのような画像処理装置も本発明に包含される。
本実施形態の画像処理部２３０は、ＭＲＩ装置１０の計測部１００が所定の間引きパターン及び間引き率で計測を行うことにより得た受信コイル毎の計測データに対し、受信コイルの感度分布を用いた画像の合成や、ノイズ除去とデータ一貫性保持処理とを含む逐次再構成を行う。またこれら処理において、ｋ空間データから実空間データへの変換（逆フーリエ変換）や実空間データからｋ空間データへの変換（フーリエ変換）、スパース空間への変換などを行う。
上記構成のＭＲＩ装置１０の動作は、公知のＭＲＩ装置の動作と同様であり、計測部１００は、撮像方法や撮像対象に応じて選択された或いは予め検査プロトコルによって設定された撮像条件及びパルスシーケンスを撮像制御部２１０が受け付け、その撮像条件及びパルスシーケンスをシーケンス制御装置１１４に送り、シーケンス制御装置１１４が送信機１０７、傾斜磁場用電源部１１２、受信機１０８等を制御し、核磁気共鳴信号からなる計測データを収集する。
この際、撮像条件として、間引きパターン及び間引き率が設定されている場合には、設定された間引きパターン及び間引き率となるように、核磁気共鳴信号に付与されるエンコード数やエンコード量を制御する。
計測データは、複数の小型受信コイルの各々について収集され、小型受信コイルに対応するチャンネル毎の計測データは、それぞれ、所定のマトリクスサイズのｋ空間に配置され、画像再構成に供される。即ち計算機２００の画像処理部２３０において、計測データを用いた画像再構成が行われる。この際、画像処理部２３０は、計測データから実空間データ（画像データ）への変換や、チャンネル毎の画像の合成、画像に含まれるノイズの除去、一貫性保持処理など種々の演算を繰り返し行う。このような逐次再構成に含まれる各処理は、それぞれ所定のアルゴリズムを用いて実施される。
以下、画像処理部２３０の構成及び処理の具体的な実施形態を説明する。
＜第一実施形態＞
本実施形態は、所定の間引きパターンで計測された各チャンネルの計測データと、各受信コイルの感度分布とを用いて画像再構成する。その際、再構成画像のデノイズと、デノイズ後の画像から作成した各チャンネルの計測データともとの計測データとの一貫性を保持するための演算とを逐次処理する。これにより、間引きパターンに依存することなく、精度の良い画像復元とデノイズが可能となる。また種々の間引きパターンに対応する学習モデルを不要とし、学習用データを用意する負担を軽減することができる。
本実施形態の画像処理部２３０の構成を、図２を参照して説明する。図示するように、画像処理部２３０は、データ受付部２３１、及び逐次再構成部２３３を備える。逐次再構成部２３３は、初期値設定部２３５、合成部２３６、ノイズ除去部２３７、及びデータ一貫性保持部２３８を備える。
データ受付部２３１は、各チャンネルの計測データ（ｋ空間データ）を受け付ける。初期値設定部２３５は、データ受付部２３１が受け付けた計測データに基づいて、逐次再構成部２３３による繰り返し演算の初期値を設定する。繰り返し演算の初期値は、繰り返し演算の各ステップのいずれかにおいて処理対象となるデータであり、ステップによっていくつかの態様があるが、以下では、合成部２３６に入力される画像データを初期値とする場合を説明する。
合成部２３６は、初期値設定部２３５が設定した初期値である各チャンネルの画像データを合成し、１つの画像データとする。
ノイズ除去部２３７は、合成後の画像データについて、ノイズ除去（デノイズ）を行う。デノイズの手法には、種々の手法があるが、本実施形態では、画像の統計的性質及び画像に含まれるノイズの統計的性質に基づいて、デノイズ処理を行う。手法の詳細は後述する。
データ一貫性保持部２３８は、デノイズ処理後の画像をチャンネル毎のｋ空間データに変換し、当該ｋ空間データともとの計測データとを統合した後、実空間データに逆変換して、初期値を更新する。これにより計測データとの一貫性が保持される。
以下、図３及び図４を参照して、本実施形態の画像処理部２３０の処理の詳細を説明する。図３は、画像処理部２３０の処理のフローを示す図、図４は処理を模式的に示す図である。
[データ受付]
計測部１００において、所定の間引きパターン、間引き率の撮像を行って計測データが収集されると、データ受付部２３１はチャンネル毎の計測データを受け付ける。
間引き率（倍速数）は、ｋ空間の各格子点のデータ数に対する計測データ数の割合の逆数（割合が1/2であれば倍速数は2）である。
間引きパターンは、図５に示すような、ｋ空間データを等間隔に間引いた等間隔間引きパターン（a）、一様または非一様な確率密度でランダムにサンプリングした非等間隔間引きパターン（ｂ）、途中で計測の中断があり一部の領域のデータが除去された等間隔或いは非等間隔で間引かれたパターン（ｃ）、等間隔或いは非等間隔パターンを基本として、所定の条件のラインを除去したパターン（ｄ）などがある。（ｄ）のパターンの所定の条件には、例えば、体動などの影響がある。この場合、計測点或いは計測ラインに対応したナビエコーを取得し、基準となるナビエコーとの誤差が一定以上である計測点或いは計測ラインを除去する方法がある。その他、各種の体動検出の手法を用いることができる。
また、図５には示していないが、各コイルの感度マップを計測データから取得するために中心領域のみをフルスキャンし、その周辺のみを等間隔間引きするパターンもある。さらにｋ空間を放射状やらせん状にスキャンする非カーテシアンスキャンの場合もある。
間引き率や間引きパターンは、予め設定されている場合には、画像処理部２３０は設定された情報を用いて処理を行う。また計測点を示すマスクなどの計測点及び非計測点を示す情報を、計測データとともにデータ受付部２３１で受け付けてもよい。
[ステップS301]
初期値設定部２３５は、逐次再構成部２３３の繰り返し演算の初期値Ｉ０を、入力した計測データに基づいて設定する。本実施形態では、実空間データをもとに繰り返し演算を行うので、初期値設定部２３５は、各受信コイルの計測データ（以下、各チャンネルの計測データともいう）を実空間データに変換して初期値とする。計測データは、ｋ空間の一部が間引かれたデータであるので、未計測データを推定して実空間データに変換する。
例えば、ｋ空間のうち未計測点をゼロフィルし、逆フーリエ変換して実空間データとする。また、公知のＳＥＮＳＥ法などのパラレルイメージング演算（パラレル再構成という）により１枚の画像データを作成した後、その画像データに各受信コイルの感度マップを掛けて、各チャンネルの画像データを作成し、これを各チャンネル画像の初期値としてもよい。非等間隔間引きの場合、等間隔部分のみでパラレル再構成する。
なお、本発明者らの検討から、初期値としてゼロフィルで作成した画像を用いた場合には、折り返しを除去するために、繰り返し演算の回数を多くする必要があり、一方、パラレル再構成画像を初期値とした場合には、折り返しが除去されているため繰り返し演算の収束が早いという結果が得られている。
初期値設定部２３５は、さらに上述の画像にガウシアンフィルタ、バイラテラルフィルタなどのフィルタ処理をかけてもよい。この際、パラレルイメージングのノイズ増幅率を表すG-factorマップによってフィルタ強度を変えてもよい。初期値設定部２３５が行う、このデノイズ処理は、後述するノイズ除去部２３７で行う処理とは異なるデノイズ処理である。初期値設定の際に、パラレル再構成とフィルタ処理を行うことで、折り返しとノイズを事前に低減してから繰り返し処理を開始することになるので、繰り返し回数を低減できる。
[ステップS302～S305]
逐次再構成部２３３は、初期値設定部２３５が設定した初期値Ｉ０を、各チャンネルの画像データの初期値として、以下の繰り返し演算を行う。
[ステップS302]合成
まず合成部２３６が、受信コイルの画像データを、受信コイルの感度マップを用いて合成する。合成の手法は、図６に示すように、各チャンネルの画像データIｎに感度マップに対応する係数をかけて、チャンネル間で加算し、１枚の画像データＭｎとする、いわゆるＭＡＣ（Multi Array Coil）合成を行う。なおIｎ及びＭｎの下付きｎは、繰り返し演算のｎ回目であることを示す符号で（以下同じ）、初回のIｎは初期値Ｉ０を用いる。画像データの合成は、ＭＡＣ合成のほか、感度マップに対応したカーネルを各チャンネルのｋ空間データに畳み込み演算し、チャンネル間で加算するｋ空間上の加算処理でもよい。
[ステップS303]デノイズ
その後、ノイズ処理部２３７が、合成後の画像データＭｎに対し、実空間においてデノイズ処理を行う。デノイズ処理は、統計的性質に基づく。画像及びノイズの統計的性質は、典型的には画素値の分布やノイズの分布に反映される性質であり、ここでは、再構成画像の画素値の全部または一部からなるベクトルまたはそれを変換したベクトルの分布と、ノイズ分布との差異を利用した所定のアルゴリズムを用いてデノイズ処理を行う。或いは、統計的性質は過去データに内在しているので、過去データに基づいて、再構成画像からノイズを分離する所定のアルゴリズムのパラメータを調整してもよい。
具体的には、ウェーブレット変換とソフト閾値処理とを組み合わせたもの（手法１）、スパースモデリングやスパースコーティングのような局所構造を表す辞書を用いた再構成（手法２）、ガウスノイズを除去するように学習されたＣＮＮ（Convolutional Neural Network）等の深層学習モデル（手法３）などが挙げられる。
手法１では、再構成画像はスパースである、即ちウェーブレット変換のゼロ要素が多いのに対し、ノイズはスパースではないが、再構成画像の要素に比べ値が小さい、という両者の統計的性質の違いを利用する。このため、次式（１）に示すように、まず画像データ（ノイズを含む）Ｍをウェーブレット変換（Ψ）し、複数の要素に分離する。これに対し要素毎にソフト閾値処理（Sλ）を行い、値の小さい要素を除去する。それをウェーブレット逆変換し（Ψ-1）、画像データＭ’とする。
Figure 2023069890000002
 なお式（１）中、Ｍは、画像データをすべての画素を並べたベクトルで表したものであり、Sλはベクトルの要素ごとに閾値λを用いたソフト閾値処理を行う関数である。ソフト閾値処理の閾値λは、デノイズ強度によって任意に調整することができ、デフォルトで或いはユーザーが設定してもよいし、後述の実施形態において説明する手法で推定したノイズ量に応じて調整するようにしてもよい。本手法１や手法２は、深層学習モデルを用いる場合と比べて少ない演算負荷でノイズ除去を行うことができる。
手法３の一例は、ＣＮＮを用いる例であり、過去に撮像された画像のうち、同一位置のノイズが少ない画像（正解画像）とノイズが多い画像との組み合わせを用いて、ノイズを除去するように学習したＣＮＮを用いる。より具体的には、ノイズが多い画像の例として、正解画像と同一位置で間引き率を大きくして撮像した画像や、正解画像に人工的に複素ガウスノイズを加えて作成した画像（複素画像或いは絶対値画像）を用いることができる。図７にＣＮＮを用いた絶対値画像のノイズ処理の一例を示す。この例では、画像Ｍから絶対値画像と位相画像とを算出し（S701、S702）、絶対値画像の各画素値を最大値で除算し、ＣＮＮの入力とする（S703、S704）。ＣＮＮの出力即ちデノイズされた画像に最大値を乗じ（S705）、さらにS702で算出した位相画像を乗じ（S706）、デノイズされた画像（複素画像）を得る。
図７に示す例では、ＣＮＮを利用したデノイズを絶対値画像のみに施した例であるが、複素画像に対するデノイズを行うことも可能である。複素画像に対する処理の場合には、入出力チャンネルを実部と虚部の２チャンネルとしてＣＮＮを構成してもよいし、複素を扱う公知のネットワークを利用してもよい。複素画像として処理することにより位相を含めたデノイズを行うことができノイズ除去の精度が向上する。
ＣＮＮの構造や層数は、特に限定されず、例えば、畳み込み層と活性層とを順次つなげた一般的な構造のＣＮＮを用いてもよいが、好適には、図８に示すように、入力を加算して出力する残差学習の形にすることで、ネットワークが正解画像との差分を学習するようになりノイズ除去精度が向上する。
またＣＮＮの層数を多くしたり、複数の分解能の層をつなげたU-Netなどの複雑なネットワークを用いたりすることで、高精度化が期待できるが、本実施形態では、後述のデータ一貫性保持部２３８においてノイズ除去における誤差も低減されるので、ＣＮＮの層数は少なくてもよく、例えば３層～５層のＣＮＮを用いることができる。本実施形態のノイズ処理は、逐次再構成処理の一部として繰り返されるので、層数が少ないことにより、ノイズ処理のみならず逐次再構成全体としての処理を軽量化できる。
手法３（ＣＮＮ利用）では主としてガウスノイズを除去することができるが、さらに、画像に含まれる折り返しアーチファクト、リンギングアーチファクト、体動アーチファクトなどもノイズとみなして除去するように学習させることもでき、これによりノイズとともにアーチファクト等を低減できる。
[ステップS304]FT
次にデータ一貫性保持部２３８が、デノイズ後の画像データＭ’を、各チャンネルのｋ空間データに戻す処理を行う。具体的には、画像データＭ’に対し各受信コイルの感度マップを乗じた後（S3041）、フーリエ変換し、各チャンネルのｋ空間データＫ’を得る（S3042）。
データ一貫性保持部２３８は、このｋ空間データＫ’と、データ受付部２３１が受け付けた計測データＫ０との一貫性を保持するために、両データを統合する(S3043)。例えば、図４に示すように、ｋ空間データＫ’のうち未計測点のデータ（推定されたデータ）と、計測データＫ０（未計測点をゼロフィルしてｋ空間のマトリクスサイズにしたもの）のうち実際に計測された計測点のデータとを統合する。つまり、各チャンネルのk空間データＫ’内の計測点を同一位置の計測データで置換する（方法１）。
或いは、各チャンネルのk空間データ内の計測点のデータと、計測データＫ０内の同一位置のデータを重み付き加算してもよい（方法２）。即ち、次式（２）に従って統合を行う。方法１は、式（２）においてλDC＝０、方法２は、λDC＞０である。
Figure 2023069890000003
 式（２）中、Ｕはｋ空間の計測点に１、未計測点に０をかける操作を表す。Ｅは単位行列であり、（Ｅ―Ｕ）はｋ空間の計測点に０、未計測点に１をかける操作を表す行列となる。実際には行列の計算を行うのではなく、k空間の要素ごとの計算で式（２）の結果が高速に得られる。
方法１は処理が高速であるが，ノイズが除去されるのは未計測部分を補完したデータだけであるのに対し、方法２は計測データ自体のノイズも除去されるという利点がある。
データ一貫性保持部２３８は、統合後の各チャンネルのｋ空間データＫｎを逆フーリエ変換して、実空間データとする。
[ステップS305,S306]
逐次再構成部２３３は、データ一貫性保持部２３８が統合して作成した各チャンネルの実空間データで初期値を更新し（S306）、上記ステップS302～S304を繰り返す。この際、更新前後の初期値の差分を取り、差分が予め設定された誤差よりも少ない場合には、繰り返し演算を終了する（S305）。演算の終了により更新前の実空間データＩｎで合成した再構成画像Ｍｎが逐次再構成部２３３の出力となる。
以上、説明したように本実施形態のＭＲＩ装置（画像処理部）は、デノイズ処理とデータ一貫性保持処理の繰り返し演算によって行うことにより、計測時の間引きパターンにかかわらず、計測データとの一貫性が保持された逐次再構成を行うことができ、また過剰なデノイズを防止することができる。また、コイル感度分布を用いた合成処理とデータ一貫性保持処理を含む逐次再構成処理により等間隔間引きの折り返しが除去されるため、等間隔間引きにも対応できる。
＜第一実施形態の変形例１＞
第一実施形態では、初期値として、合成部２３６がＭＡＣ合成に用いる各チャンネルの画像データを設定したが、初期値は、図４に示す繰り返し演算の各ステップで用いる実空間データ或いはｋ空間データのいずれかであってもよい。
図９に初期値を設定可能なステップを示す。図９は、図４の処理に対応しており、図４の（a）初期値設定に代わる初期値設定のステップを（a1）、（a2）、（a3）で示している。初期値設定部２３２は、これらステップのいずれかに用いる初期値を設定する。
（a1）の場合には、データ受付部２３１が受け付けた計測データを用いて再構成した画像を初期値として、デノイズ処理S303から開始する。計測データからの再構成は、ＭＡＣ合成でもよいし、パラレルイメージング演算を用いた再構成でもよい。（a2）、（a3）は、ｋ空間データを初期値とするもので、統合前後のいずれかの初期値とする。（a2）の場合は、再構成画像Ｍｎのデノイズ処理を行った後或いはデノイズ処理を行わずに、各チャンネルのｋ空間データ（未計測点が推定されている推定ｋ空間データ）に変換し、これを統合前のｋ空間データＫ’の初期値Ｋ’０とする。（a3）の場合は、（a2）の各チャンネルのｋ空間データＫ’０と計測データＫ０との統合後に、推定ｋ空間データＫ’の初期値Ｋ’０とする。
いずれの場合も、繰り返し演算の開始点が異なるだけで、処理は同様であり、第一実施形態と同様の効果が得られる。第一実施形態や(a1)の場合は実空間データを初期値とするため、実空間で歪み補正などの各種公知の補正をした後のデータを受け付けるように構成することや、ノイズ除去のフィルタ処理をかけてから初期値にする処理を追加することが容易にできる。(a2)や(a3)の場合は装置から計測されたk空間データをそのまま初期値とするためシステムが簡略化できる。
＜第一実施形態の変形例２＞
第一実施形態では、各チャンネルの画像を合成し、合成後の画像に対しデノイズ処理を行ったが、本実施形態では、デノイズをチャンネル毎の画像に対し行う。
本実施形態の処理を図１０に示す。図１０において、図４と同じ処理は同じ符号で示し、その詳細な説明は省略する。本実施形態でも、初期値として、計測データに基づいて作成した各チャンネルの画像データを設定する場合を示すが、上記変形例１と同様の変更が可能である。
本実施形態では、合成部２３６は、チャンネル毎に再構成画像（折り返しが展開されている画像）を作成する（チャンネル毎再構成）。第一実施形態の合成部２３６の処理がチャンネル毎のデータからひとつの画像を生成するのに対し、本実施形態における処理は、感度マップの情報を用いてチャンネル毎に再構成画像を作成する点が異なる。チャンネル毎に再構成画像を作成する方法としては、例えばＳＰＩＲｉＴ法のように、感度マップから算出されたカーネルをk空間データに畳み込むなどの手法を用いる。
ノイズ除去部２３７は、合成部２３６が作成したチャンネル毎の再構成画像に対しそれぞれデノイズ処理を行う（S303）。デノイズ処理は、第一実施形態と同様であり、画像及びノイズの統計的性質に基づき、所定のアルゴリズム（ＣＮＮを含む）を用いて行う。デノイズ後の画像データをｋ空間データに戻し、チャンネル毎のｋ空間データＫ’を得る（S3042）。その後のデータ一貫性保持部２３８における統合（S3043）、逆フーリエ変換（S3044）及び初期値の更新（S305）は、第一実施形態と同様である。
逐次再構成部２３３は、更新前後の初期値の差分を取り、差分が予め設定された誤差よりも少ない場合には、繰り返し演算を終了する。その後、合成部２３６が、直前の各チャンネルの再構成画像ＭｎをＭＡＣ合成し、処理を終了する。
本変形例は、SPIRiT法などの折り返しアーチファクトが出にくい再構成法を用いることで画質が向上する。
＜第二実施形態＞
本実施形態は、第一実施形態の構成に、画像のノイズ量を推定する機能を追加し、推定したノイズ量に基づいて、繰り返し演算に用いる種々の係数や重み（総括してパラメータという）を調整可能にしたことが特徴である。
本実施形態の画像処理部２３０の構成を、図１１に示す。図１１において、図２と同じ機能を有する要素は同じ符号で示し重複する説明は省略する。図１１に示すように、本実施形態の画像処理部２３０は、ノイズ量推定部２３４を備える。
本実施形態における処理の流れは、図１２に示すように、ノイズ量の推定及びノイズ量に基づく調整（S310）が追加される以外は、第一実施形態やその変形例と同様であるので、以下、異なる処理を中心に説明する。
ノイズ量推定部２３４は、パラレル再構成した画像を用いてノイズ量を推定する。パラレル再構成した画像は、1回目の繰り返し演算で合成部２３６が生成した再構成画像、或いは、初期値設定部２３５が、パラレル再構成後に各チャンネルの画像データを初期値として設定する場合には、チャンネル画像データ作成に用いた再構成画像を用いることができる。
画像からノイズ量を推定する方法としては、画像の信号強度の分布（ヒストグラム）からノイズの標準偏差や最頻値をノイズ量σとして算出する手法が採りえる。ノイズは、図１３のヒストグラムで示すように、信号強度の小さい領域に画像信号よりも高い頻度で現れるので、この分布から信号と峻別してノイズ量を算出することができる。
また信号強度の分布を用いるのではなく、上記と同様に再構成した画像から被検体部分を除いた情報を取り出し、ノイズ量を算出してもよい。例えば画像の背景部分を抽出し、背景部分の信号強度の標準偏差や最頻値をノイズ量としてもよい。また、再構成画像の空間微分画像を作成することで、ノイズに比べ信号変化の緩やかな被検体由来の信号成分を除去した画像が得られるので、その信号値からノイズ量を算出してもよい。
再構成画像からノイズ量を算出する際に、画像をパラレル再構成のG-factorやR-factor（間引き率）で補正しておいてもよい。G-factorはパラレル再構成処理におけるノイズ増幅率の空間分布を表すマップの情報であるので、画像の各画素値を対応する位置のG-factor値で除算することで、G-factorに依存しないノイズ量を算出することができる。間引き率は一つの値であるが、一般に間引き率の平方根に比例してノイズ量は増加するので、間引き率の平方根で除算することで、それに依存しないノイズ量を算出することができる。これらの補正により再構成処理への依存性を低減し計測データ自体のノイズ量に応じてパラメータを調整できるので、デノイズ精度が安定する。
ノイズ量の推定方法として、上述した手法の他に、再構成画像、計測データ、またはそれらから計算される画像に基づきノイズ量を算出する様々な手法を用いることができる。
ノイズ量推定部２３４が算出したノイズ量は、逐次再構成部２３３（主としてノイズ除去部２３７）における繰り返し演算の各ステップで用いられる関数やアルゴリズム、ＣＮＮなどの係数や閾値、またＣＮＮの切り替えなど調整に用いられる。
例えば、ノイズ除去部２３７がウェーブレット変換とソフト閾値処理を行う場合、ソフト閾値処理の閾値λをλ＝W・σ等として調節する。Wは定数であり、デフォルトで設定されていてもよいし、ユーザーが調節しても良い。またλをノイズ量σの多項式などによって決めてもよい。
ノイズ除去部２３６がＣＮＮである場合、例えばＣＮＮとして、ノイズ量が多い教師データで学習したＣＮＮやノイズ量が少ない教師データで学習したＣＮＮなど複数のＣＮＮを用意し、ノイズ量σによってＣＮＮを切り替えてもよい。具体的には、ＣＮＮの総数などネットワーク自体の構成や、各ニューロンの重みなどを切り替える。
また第一実施形態において、データ一貫性保持部２３８の処理として、２つの手法を説明したが、これら手法の共通の式（２）の「λDC」の値をノイズ量σによって異ならせて、手法を切り替えたり、統合する際のデータの重み付けを調整してもよい。一例として、ノイズ量が多いときは、デノイズされたｋ空間データの重みが大きくなるように調整して統合を行う。
逐次再構成部２３３は、ノイズ量推定部２３４が推定したノイズ量をもとに調整された条件で繰り返し演算を行う。逐次再構成部２３３の処理は第一実施形態及びその変形例と同様であり、説明を省略する。
本実施形態によれば、画像に含まれるノイズ量に応じて、デノイズの強度などを調整することができ、デノイズの精度を向上することができ、しかも、デノイズ処理がデータ一貫性保持処理と共に繰り返しされることで過度なデノイズを防止することができる。
＜第二実施形態の変形例＞
図１２に示す第二実施形態の処理では、ノイズ量推定処理S310を繰り返し演算に先立って行うものとしたが、図１４に示すように、ノイズ量推定と調整とを繰り返し演算内部の処理としてもよい。この場合、図１１の構成図において、ノイズ量推定部２３４は、逐次再構成部２３３に含まれるよう変更される。
本変形例では、データ一貫性保持部２３８による処理の後に初期値が更新された後、更新後の画像データについて再度ノイズ量推定とパラメータ等の調整を行い、その後の処理（デノイズ、統合など）を行う。なお図１４では、ステップS310を合成処理S302の前段の処理としたが、合成処理S302の後段の処理としてもよい。
本変形例によれば、繰り返し演算の演算量は多くなるが、デノイズをより適切に行うことができる。
以上、本発明のＭＲＩ装置とその画像処理部で行われる処理方法の実施形態を説明したが、これら実施形態で説明した各ステップで採用可能な処理（手法）は適宜組み合わせることが可能であり、それにより繰り返し演算の効率化を図ることも可能である。
また本発明の画像処理装置は、上述したＭＲＩ装置の画像処理部２３０が備える機能（例えば図２に示す要素）を備えるものであり、汎用の計算機やワークステーション上に構築することができる。処理内容は同様であり、重複する説明は省略する。このような画像処理装置は、上述した機能に加えて、一般的な画像処理機能を備えていてもよいし、また図１に示す計算機２００の付属装置（入出力装置や記憶装置）を備えていてもよいことはいうまでもない。
１０：ＭＲＩ装置、１００：計測部、２００：画僧処理部（計算機）、２１０：計測制御部、２３０：画像処理部、２３１：データ受付部、２３３：逐次再構成部、２３４：ノイズ量推定部、２３５：初期値設定部、２３６：合成部、２３７：ノイズ除去部、２３８：データ一貫性保持部。

Claims (19)

  1. 複数の受信コイルを備え、受信コイル毎に被検体の核磁気共鳴信号を収集する計測部と、前記核磁気共鳴信号の収集パターンを制御する制御部と、前記受信コイル毎に収集した核磁気共鳴信号からなる計測データを用いて前記被検体の画像を作成する画像処理部とを備え、
    前記画像処理部は、前記受信コイル毎の計測データを用いた繰り返し演算により画像を再構成する逐次再構成部を有し、
    前記逐次再構成部は、前記受信コイル毎の計測データに基づき、繰り返し演算の初期値を設定する初期値設定部と、前記受信コイル毎の画像を合成する合成部と、合成前又は合成後の画像及び当該画像に含まれるノイズの、それぞれの統計的性質に基づき、画像のノイズを除去するノイズ除去部と、デノイズ後の画像を用いて前記受信コイル毎のデノイズｋ空間データを作成し、当該デノイズｋ空間データと前記計測データとを統合して推定計測データを作成するデータ一貫性保持部と、を備え、前記推定計測データに基づき前記初期値を更新して逐次処理を行うことを特徴とする磁気共鳴イメージング装置。
  2. 請求項１に記載の磁気共鳴イメージング装置であって、
    前記計測データは、所定の間引きパターンでアンダーサンプリングされた計測データであり、
    前記逐次再構成部は、前記計測データとともに各受信コイルの感度マップを受け付け、前記合成部は、前記計測データと前記感度マップを用いて画像を再構成することを特徴とする磁気共鳴イメージング装置。
  3. 請求項１に記載の磁気共鳴イメージング装置であって、
    前記初期値設定部は、前記受信コイル毎の計測データをそれぞれ逆フーリエ変換により実空間データに変換した各受信コイルの推定画像を、前記合成部が用いる前記受信コイル毎の画像の初期値として設定することを特徴とする磁気共鳴イメージング装置。
  4. 請求項２に記載の磁気共鳴イメージング装置であって、
    前記初期値設定部は、前記受信コイル毎の計測データから再構成した画像と、前記受信コイルの感度マップとを用いて作成した各受信コイルの推定画像を、前記合成部が用いる前記受信コイル毎の画像の初期値として設定することを特徴とする磁気共鳴イメージング装置。
  5. 請求項１に記載の磁気共鳴イメージング装置であって、
    前記初期値設定部は、前記受信コイル毎の計測データから再構成した画像を、前記ノイズ除去部が用いる合成後の画像の初期値として設定することを特徴とする磁気共鳴イメージング装置。
  6. 請求項１に記載の磁気共鳴イメージング装置であって、
    前記初期値設定部は、前記受信コイル毎のデノイズｋ空間データ、または、当該デノイズｋ空間データと計測データとを統合した推定ｋ空間データを、初期値として設定することを特徴とする磁気共鳴イメージング装置。
  7. 請求項１に記載の磁気共鳴イメージング装置であって、
    前記ノイズ除去部は、処理対象である画像の画素値の少なくとも一部からなるベクトル又は当該ベクトルの分布と、ノイズ分布との差異を利用してデノイズを行うことを特徴とする磁気共鳴イメージング装置。
  8. 請求項７に記載の磁気共鳴イメージング装置であって、
    前記ノイズ除去部は、前記処理対象である画像をスパース空間に変換するスパース変換を行い、スパース変換後のデータをソフト閾値処理することによりデノイズを行うことを特徴とする磁気共鳴イメージング装置。
  9. 請求項１に記載の磁気共鳴イメージング装置であって、
    前記ノイズ除去部は、過去データを学習データとして学習したニューラルネットワークを含み、過去データに基づきデノイズを行うことを特徴とする磁気共鳴イメージング装置。
  10. 請求項９に記載の磁気共鳴イメージング装置であって、
    前記ニューラルネットワークは、ガウスノイズを除去するように学習されていることを特徴とする磁気共鳴イメージング装置。
  11. 請求項９に記載の磁気共鳴イメージング装置であって、
    前記ニューラルネットワークは、さらに、折り返しアーチファクト、リンギングアーチファクト及び体動アーチファクトのうち少なくとも一つを除去するように学習されていることを特徴とする磁気共鳴イメージング装置。
  12. 請求項１に記載の磁気共鳴イメージング装置であって、
    前記データ一貫性保持部は、前記デノイズｋ空間データのうち、計測された位置（計測点）のデータを、前記計測データにおける同位置のデータと置換して、前記推定計測データを作成することを特徴とする磁気共鳴イメージング装置。
  13. 請求項１に記載の磁気共鳴イメージング装置であって、
    前記データ一貫性保持部は、前記デノイズｋ空間データのうち、計測された計測点のデータと、前記計測データにおける同位置の計測点のデータとを重み付け加算して、前記推定計測データを作成することを特徴とする磁気共鳴イメージング装置。
  14. 請求項１に記載の磁気共鳴イメージング装置であって、
    前記ノイズ除去部によるデノイズ処理前の画像またはk空間データのノイズ量を推定するノイズ量推定部を、さらに備えることを特徴とする磁気共鳴イメージング装置。
  15. 請求項１４に記載の磁気共鳴イメージング装置であって、
    前記ノイズ量推定部は、前記デノイズ処理前の画像の信号強度分布または当該画像から被検体を除去した後の画像を用いて、ノイズ量を推定することを特徴とする磁気共鳴イメージング装置。
  16. 請求項１４に記載の磁気共鳴イメージング装置であって、
    前記ノイズ量推定部は、推定したノイズ量に基づき、前記ノイズ除去部が用いるデノイズのための閾値、前記データ一貫性保持部が前記推定計測データを算出する算出式の係数、及び、前記ノイズ除去部がニューラルネットワークを含む場合の当該ニューラルネットワークの構成または重みの少なくとも一つを調整することを特徴とする磁気共鳴イメージング装置。
  17. 請求項１４に記載の磁気共鳴イメージング装置であって、
    前記ノイズ量推定部は、前記逐次再構成部に含まれ、前記初期値が更新されるたびにノイズ量推定を繰り返すことを特徴とする磁気共鳴イメージング装置。
  18. 磁気共鳴イメージング装置の複数の受信コイルが収集した計測データを処理し、デノイズされた画像を再構成する画像処理装置であって、前記受信コイル毎の計測データを用いた繰り返し演算により画像を再構成する逐次再構成部を備え、
    前記逐次再構成部は、前記受信コイル毎の計測データに基づき、繰り返し演算の初期値を設定する初期値設定部と、前記受信コイル毎の画像を合成する合成部と、合成前又は合成後の画像及び当該画像に含まれるノイズの、それぞれの統計的性質に基づき、画像のノイズを除去するノイズ除去部と、デノイズ後の画像を用いて前記受信コイル毎のデノイズｋ空間データを作成し、当該デノイズｋ空間データと前記計測データとを統合して推定計測データを作成するデータ一貫性保持部と、を備え、前記推定計測データに基づき前記初期値を更新して逐次処理を行うことを特徴とする画像処理装置。
  19. 磁気共鳴イメージング装置の複数の受信コイルが収集した計測データを処理し、デノイズされた再構成画像を作成する画像処理方法であって、
    デノイズ後のｋ空間データと前記計測データとの一貫性を保持するため逐次処理を含み、
    前記逐次処理は、
    前記受信コイル毎の計測データに基づき、処理の初期値を設定するステップと、
    前記受信コイル毎の画像を合成するステップと、
    合成前又は合成後の画像及び当該画像に含まれるノイズの、それぞれの統計的性質に基づき、画像のノイズを除去するステップと、
    デノイズ後の画像を用いて前記受信コイル毎のデノイズｋ空間データを作成し、当該デノイズｋ空間データと前記計測データとを統合して推定計測データを作成するステップと、を含み、
    前記推定計測データに基づき前記初期値を更新して、処理を繰り返すことを特徴とする画像処理方法。
JP2021182079A 2021-11-08 2021-11-08 磁気共鳴イメージング装置、画像処理装置、及び、画像処理方法 Pending JP2023069890A (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2021182079A JP2023069890A (ja) 2021-11-08 2021-11-08 磁気共鳴イメージング装置、画像処理装置、及び、画像処理方法
CN202211029081.9A CN116098604A (zh) 2021-11-08 2022-08-25 磁共振成像装置、图像处理装置以及图像处理方法
US17/969,884 US20230142011A1 (en) 2021-11-08 2022-10-20 Magnetic resonance imaging apparatus, image processing apparatus, and image processing method
EP22206010.5A EP4177625A1 (en) 2021-11-08 2022-11-08 Magnetic resonance imaging apparatus, image processing apparatus, and image processing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021182079A JP2023069890A (ja) 2021-11-08 2021-11-08 磁気共鳴イメージング装置、画像処理装置、及び、画像処理方法

Publications (1)

Publication Number Publication Date
JP2023069890A true JP2023069890A (ja) 2023-05-18

Family

ID=84330298

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021182079A Pending JP2023069890A (ja) 2021-11-08 2021-11-08 磁気共鳴イメージング装置、画像処理装置、及び、画像処理方法

Country Status (4)

Country Link
US (1) US20230142011A1 (ja)
EP (1) EP4177625A1 (ja)
JP (1) JP2023069890A (ja)
CN (1) CN116098604A (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117890844B (zh) * 2024-03-15 2024-05-24 山东大学 基于优化掩码模型的磁共振影像重建方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110573896B (zh) * 2017-06-29 2022-05-24 上海联影医疗科技股份有限公司 用于磁共振成像加速的系统和方法
US10393842B1 (en) * 2018-02-20 2019-08-27 The Board Of Trustees Of The Leland Stanford Junior University Highly-scalable image reconstruction using deep convolutional neural networks with bandpass filtering
US10712416B1 (en) 2019-02-05 2020-07-14 GE Precision Healthcare, LLC Methods and systems for magnetic resonance image reconstruction using an extended sensitivity model and a deep neural network
US12086908B2 (en) * 2020-12-07 2024-09-10 Siemens Healthineers Ag Reconstruction with magnetic resonance compressed sensing

Also Published As

Publication number Publication date
CN116098604A (zh) 2023-05-12
US20230142011A1 (en) 2023-05-11
EP4177625A1 (en) 2023-05-10

Similar Documents

Publication Publication Date Title
Tezcan et al. MR image reconstruction using deep density priors
Lee et al. Deep residual learning for accelerated MRI using magnitude and phase networks
US9482732B2 (en) MRI reconstruction with motion-dependent regularization
CN113344799A (zh) 用于使用深度神经网络减少医学图像中的有色噪声的系统和方法
EP2904971B1 (en) Magnetic resonance imaging device and image processing device
CN111353947A (zh) 磁共振并行成像方法及相关设备
WO2020114329A1 (zh) 磁共振快速参数成像方法及装置
CN110133556B (zh) 一种磁共振图像处理方法、装置、设备及存储介质
EP2773985A1 (en) Method for calibration-free locally low-rank encouraging reconstruction of magnetic resonance images
CN102217934A (zh) 磁共振成像方法及系统
Liu et al. High-performance rapid MR parameter mapping using model-based deep adversarial learning
JP2020146449A (ja) 磁気共鳴画像高速再構成法及び磁気共鳴イメージング装置
CN115294229A (zh) 用于重建磁共振成像（mri）图像的方法及设备
EP4012432A1 (en) B0 field inhomogeneity estimation using internal phase maps from long single echo time mri acquisition
Ouchi et al. Reconstruction of compressed-sensing MR imaging using deep residual learning in the image domain
EP4177625A1 (en) Magnetic resonance imaging apparatus, image processing apparatus, and image processing method
CN104504657A (zh) 磁共振弥散张量去噪方法和装置
CN114663537A (zh) 去除磁共振图像中的截断伪影的深度学习系统和方法
CN116626570A (zh) 多对比度mri采样和图像重建
Ryu et al. K-space refinement in deep learning mr reconstruction via regularizing scan specific spirit-based self consistency
CN113050009B (zh) 三维磁共振快速参数成像方法和装置
JP6710127B2 (ja) 磁気共鳴イメージング装置および画像再構成方法
JP7557744B2 (ja) 磁気共鳴イメージング装置、ノイズ除去方法、及び画像処理装置
Inam et al. De-noising multi-coil magnetic resonance imaging using patch-based adaptive filtering in wavelet domain
KR102352004B1 (ko) 자기 공명 파라미터 맵 재구성 장치 및 방법

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20240401

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A712

Effective date: 20240821