JP2023075792A - 医用データ処理装置、医用データ処理方法、医用データ処理プログラム及び磁気共鳴イメージング装置 - Google Patents

Abstract

【課題】高速かつ信頼性の高い推定を行うこと。【解決手段】本実施形態に係る医用データ処理装置は、取得部と、生成部と、再構成部とを含む。取得部は、スポイルドグラディエントエコー撮像とコヒーレントグラディエントエコー撮像とを複数のフリップアングルで実行することにより得られる撮像データを取得する。生成部は、前記撮像データから低ランク近似した画像のセットである低ランク近似画像セットを生成する。再構成部は、生体組織の水交換に関する複数の自由水と前記自由水と水交換する結合水とを含むマルチプールモデルと前記低ランク近似画像セットとを用いて、１以上のパラメータマップを再構成する。【選択図】 図１

Description

本発明の実施形態は、医用データ処理装置、医用データ処理方法、医用データ処理プログラム及び磁気共鳴イメージング装置に関する。

例えば脳には、生体組織の構造によって、細胞内液、細胞間液のような比較的自由に運動できる自由水と、ミエリン鞘に閉じ込められたミエリン水のように、運動が制限されている自由水が存在する。なお、以下では特徴の異なる自由水をまとめて複数の自由水とも記載する。複数の自由水は交互に水を交換し合っており、それぞれの自由水の存在比率も生体組織構造を反映している。
このような生体組織構造に係るパラメータを考慮した、マルチコンパートメント・マイクロストラクチャ撮像技術がある。例えば、２つの自由水を考慮した２プールモデルがあるが、磁化移動効果（ＭＴ効果）やＢ_１分布が考慮されていないため、また定常状態での撮像データを用いているため、精度が低く、信頼性も悪いという問題がある。
そこで、ＭＴ効果を考慮したマルチコンパートメント・マイクロストラクチャモデルである４プールモデルも存在する。しかし、４プールモデルはパラメータ数が多く、解析に時間がかかることが想定され、各パラメータマップの定量値を取得できるか不明であり、パラメータ値を画像化するための撮像方法および解析方法が不明であるという問題がある。

特開２０２１－１０４０８号公報

JESSE I. HAMILTON, "MEASURING CARDIAC RELAXATION TIMES AND MULTI-COMPARTMENT WATER EXCHANGE WITH MAGNETIC RESONANCE FINGERPRINTING", May 2018. T.A. Bjarnason et al, "Characterization of the NMR Behavior of White Matter in Bovine Brain", Magnetic Resonance in Medicine 54, 1072-1081, 2005.

本発明が解決しようとする課題は、高速かつ信頼性の高い推定を行うことである。

本実施形態に係る医用データ処理装置は、取得部と、生成部と、再構成部とを含む。取得部は、スポイルドグラディエントエコー撮像とコヒーレントグラディエントエコー撮像とを複数のフリップアングルで実行することにより得られる撮像データを取得する。生成部は、前記撮像データから低ランク近似した画像のセットである低ランク近似画像セットを生成する。再構成部は、生体組織の水交換に関する複数の自由水と前記自由水と水交換する結合水とを含むマルチプールモデルと前記低ランク近似画像セットとを用いて、１以上のパラメータマップを再構成する。

図１は、第１の実施形態に係る医用データ処理装置の構成を示すブロック図である。 図２は、第１の実施形態で想定するマルチプールモデルの概念図である。 図３は、第１の実施形態に係る医用データ処理装置の動作を示すフローチャートである。 図４は、第１の実施形態に係る撮像シーケンスの一例を示す図である。 図５は、第１の実施形態に係る撮像シーケンスの別例を示す図である。 図６は、本実施形態で想定するラジアルスキャンの一例を示す図である。 図７は、スパースサンプリング低ランク近似画像の概念および生成例を示す図である。 図８は、フルサンプリング低ランク近似画像の概念および生成例を示す図である。 図９は、第１ニューラルネットワークの学習時の一例を示す図である。 図１０は、第１ニューラルネットワークの推論時（利用時）の一例を示す図である。 図１１は、トランジェント信号から低ランク近似値セットを生成する概念図である。 図１２は、第２ニューラルネットワークの学習時の一例を示す図である。 図１３は、第２ニューラルネットワークの推論時（利用時）の一例を示す図である。 図１４は、各パラメータ値の推定値に関する検量線の一例を示す図である。 図１５は、推定されたパラメータ値から生成されるパラメータマップを示す図である。 図１６は、低ランク近似値に基づく他の画像の一例である。 図１７は、第２の実施形態に係る磁気共鳴イメージング装置の全体構成を示す図である。

２つの自由水を考慮したモデルとして、２プールモデルがある。
２つの自由水をｓｌｏｗプール、ｆａｓｔプールと呼ぶ。ｓｌｏｗプールの縦緩和時間をＴ１ｓ［ｓ］，横緩和時間をＴ２ｓ［ｓ］と定義する。ｆａｓｔプールの縦緩和時間をＴ１ｆ［ｓ］，横緩和時間をＴ２ｆ［ｓ］と定義する。また全体を１としたときのfastプールの比率を「ｆ」と定義する。よって、Slowプールの比率は「１－ｆ」と定義できる。また、ｓｌｏｗプールとｆａｓｔプールは水交換を行っており、その交換速度として、ｓｌｏｗプールからｆａｓｔプールへの交換速度をｋｓｆ［Ｈｚ］と定義し、ｓｌｏｗプールからのｆａｓｔプールへの交換速度をｋｆｓ［Ｈｚ］と定義できる。ただし、ｋｓｆとｋｆｓとは、詳細つり合い条件から次のような関係を有する。
ｋｆｓ・ｆ＝ｋｓｆ・（１－ｆ）

したがって、２プールモデルでは独立なパラメータ数は６となる。これらのパラメータを分離して定量化を行うことは、生体組織のマイクロ構造を知るために有用であり、マルチコンパートメント・マイクロストラクチャ撮像技術として知られている。しかしながらその技術的困難性から、現状のＭＲＩ（Magnetic Resonance Imaging）においては、定量値を求める場合にも、一般には、複数の水を分離しないでプールが１つと仮定した、シングルコンパートメントモデルで求める事が多い（Ｔ１マップ、Ｔ２マップなど）。

しかし、現実とは異なるシングルコンパートメントモデルで解析しているため、“見かけ上の定量値”となり、撮像・解析方法に依存するため、汎用性が低くなってしまうという問題がある。場合によっては、現実の生体モデルとの誤差が大きく、ほかの方法で求めた値と一致せず、他の方法との比較や、組み合わせた解析が出来ないなどの問題が生ずる場合もある。
このため、汎用的な定量パラメータを得るためには、現実とより一致しているマルチコンパートメント・マイクロストラクチャ定量撮像を行うおこなうことが望ましい。
例えば、従来技術として、２プールモデルの高速撮像方法として、ｍｃＤＥＳＰＯＴ（multi-component driven equilibrium single pulse observation of T1 and T2）が知られている。これは、フリップアングルを変えた、ＳＰ－ＧＲＥとｂＳＳＦＰとの撮像を行い、その定常信号値から、２プールモデルのパラメータを求める方法である。

しかしながら、ｍｃＤＥＳＰＯＴでは、Ｂ１分布や磁化移動効果（ＭＴ（Magnetization Transfer）効果）を考慮していない為、Ｂ１分布による誤差と、励起ＲＦによって発生するオンレゾナンスＭＴ効果に起因する誤差が無視できない事が知られている。ｂＳＳＦＰで、Ｔ２の情報を得る場合には、できるだけフリップアングルは大きくしたほうがＳＮＲが良くなり、精度を上げることができるが、その反面ＭＴ効果が大きくなるため、ＭＴ効果を無視することができなくなるという問題がある。

最近の他の技術としては、ＭＲ Ｆｉｎｇｅｒｐｒｉｎｔｉｎｇ撮像方法をもちいて、2 プールモデル解析を行う方法も提案されている。ＭＲ Ｆｉｎｇｅｒｐｒｉｎｔｉｎｇとして、ＦＩＳＰ撮像を行い、２プールモデルの辞書とのマッチングを行う方法が提案されている。しかしながら、パラメータ数が６と多いため、辞書が巨大化する、辞書マッチングに時間がかかる、また、撮像時のスパース・アーティファクトにより必要な精度が得られない為、フルサンプリング撮像を行う必要があるなどの問題から、撮像時間・解析時間・得られる精度が実用的レベルではないという問題がある。また上述のｍｃＤＥＳＰＯＴと同様に、ＭＴ効果を無視しているという問題がある。

しかし実際には、ＭＴ効果自体も生体のマイクロストラクチャを反映している為、ＭＴ効果自身も同時にマップ化する事が出来ると、生体組織のより詳細な情報を得る事ができるため、望ましい。また、ＭＴ効果を考慮する事により、現実とモデルの一致が良くなり、他のパラメータについての精度、信頼性、汎用性も向上する事が期待されるため望ましい。さらに検討の結果、ＭＴ効果が異なった撮像が加わった場合、ＭＴ効果を通して自由水にも影響を与えられるため、結果として生体組織全体の情報をより詳細に収集する事が可能となり、ＭＴ効果を考慮した解析を行う事により、他のパラメータも含めて、全体をより精度よく解析出来る事が出来ることが分かった。よって以下に示す本実施形態では、ＭＴ効果を考慮した４プールモデルを例に説明する。

以下、図面を参照しながら本実施形態に係る医用データ処理装置、医用データ処理方法、医用データ処理プログラム及び磁気共鳴イメージング装置について説明する。以下の実施形態では、同一の参照符号を付した部分は同様の動作を行なうものとして、重複する説明を適宜省略する。

（第１の実施形態）
第１の実施形態に係る医用データ処理装置について、図１のブロック図を参照して説明する。
医用データ処理装置１は、処理回路２、入力インタフェース４、通信インタフェース６およびメモリ８を含む。

処理回路２は、取得機能２１と、生成機能２２と、再構成機能２３と、最適化機能２４とを含む。処理回路２は、ハードウェア資源として図示していないプロセッサを有する。

取得機能２１は、フリップアングルを変えてスポイルドグラディエントエコー撮像とコヒーレントグラディエントエコー撮像とを実行することにより得られる、撮像データを取得する。
生成機能２２は、撮像データから、低ランク近似した画像のセットである低ランク近似画像セットを生成する。
再構成機能２３は、生体組織の水交換に関する複数の自由水と自由水と水交換する結合水とを含むマルチプールモデルと低ランク近似画像セットとを用いて、１以上のパラメータマップを再構成する。
最適化機能２４は、データ整合性に関する最適化処理を実行する。
学習機能２５は、後述する第１ニューラルネットワークおよび第２ニューラルネットワークを学習し、第１学習済みモデルおよび第２学習済みモデルを生成する。

入力インタフェース４は、ユーザからの各種指示や情報入力を受け付ける回路を有する。入力インタフェース４は、例えば、マウス等のポインティングデバイス、あるいはキーボード等の入力デバイスに関する回路を有する。なお、入力インタフェース４が有する回路は、マウス、キーボードなどの物理的な操作部品に関する回路に限定されない。例えば、入力インタフェース４は、医用データ処理装置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を有していてもよい。
通信インタフェース６は、有線または無線により外部装置とデータのやり取りを実行する。

メモリ８は、医用データ処理装置１で利用または生成される、撮像データ、低ランク近似画像セット、ニューラルネットワークに関する重み係数、学習済みモデル、パラメータマップなどを格納する。メモリ８は、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、ハードディスクドライブ（ＨＤＤ：Hard Disk Drive）、ソリッドステートドライブ（ＳＳＤ:Solid State Drive）、光ディスク等である。また、メモリ８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性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よい。

なお、処理回路２における各種機能は、コンピュータによって実行可能なプログラムの形態でメモリ８へ記憶されている。処理回路２は、これら各種機能に対応するプログラムをメモリ８から読み出し、実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読みだした状態の処理回路２は、図１の処理回路２内に示された複数の機能等を有することになる。

なお、図１においては単一の処理回路２にてこれら各種機能が実現されるものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路２を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。換言すると、上述のそれぞれの機能がプログラムとして構成され、１つの処理回路が各プログラムを実行する場合であってもよいし、特定の機能が専用の独立したプログラム実行回路に実装される場合であってもよい。

つぎに、第１の実施形態で想定する、複数の自由水とそれと水交換する結合水を含んでいる事を特徴とするマルチプールモデルの概念について図２を参照して説明する。ここで結合水とは、タンパク質や脂質などの生体分子などと結合した水であり、Ｔ２緩和時間が数１０μｓ程度以下と非常に速く、自由水と水交換をする事により、ＭＴ効果を引き起こす水の事である。
図２は、生体組織内を比較的自由に運動できる自由水と運動が制限される自由水とに加え、結合水を含むマルチプールモデル、ここでは４プールモデルの概念図である。以下、複数の自由水とそれと水交換する結合水を含んでいる事を特徴とするマルチプールモデルとして、４プールモデルを想定する。具体的には２つの自由水と、それと水交換する２つの結合水を想定する。説明の便宜上、２つの自由水をＳｌｏｗプール、Ｆａｓｔプール、Slowプールと水交換する結合水をＭＴ－Ｓｌｏｗプール、Fastプールと水交換する結合水をＭＴ－Ｆａｓｔプールと、それぞれ呼ぶ。

ＭＴ－ＳｌｏｗプールはＳｌｏｗプールと、ＳｌｏｗプールはＭＴ－ＳｌｏｗプールおよびＦａｓｔプールと、ＦａｓｔプールはＳｌｏｗプールおよびＭＴ－Ｆａｓｔプールと、ＭＴ－ＦａｓｔプールはＦａｓｔプールと、それぞれ水交換をおこなうことを想定する。当該４プールモデルによれば、ＭＴ効果を考慮し、結合水に関するＭＴプール（ＭＴ－ＳｌｏｗプールおよびＭＴ－Ｆａｓｔプール）の存在量、水の交換速度などのパラメータが設定される。

ここで、Ｓｌｏｗプールの緩和時間Ｔ１およびＴ２を、「Ｔ１ｓ」および「Ｔ２ｓ」と定義する。Ｆａｓｔプールの緩和時間Ｔ１およびＴ２を、「Ｔ１ｆ」および「Ｔ２ｆ」と定義する。ＭＴ－Ｓｌｏｗプールの緩和時間Ｔ１およびＴ２を、「Ｔ１ＭＴｓ」および「Ｔ２ＭＴｓ」と定義する。ＭＴ－Ｆａｓｔプールの緩和時間Ｔ１およびＴ２を、「Ｔ１ＭＴｆ」および「Ｔ２ＭＴｆ」と定義する。

また、全体を１とした場合の、ＭＴ－Ｓｌｏｗプールのプロトン比率を「ｆＭＴｓ」と定義し、ＭＴ－Ｆａｓｔプールのプロトン比率を「ｆＭＴｆ」と定義する。したがって、Ｓｌｏｗプールのプロトン比率は「１－ｆ－ｆＭＴｓ－ｆＭＴｆ」で表せる。

さらに、ＳｌｏｗプールからＦａｓｔプールへの交換速度を「ｋｓｆ」と定義する。ＦａｓｔプールからＳｌｏｗプールへの交換速度を「ｋｆｓ」と定義する。ＳｌｏｗプールからＭＴ－Ｓｌｏｗプールへの交換速度を「ｋＭＴｓ」と定義し、ＦａｓｔプールからＭＴ－Ｆａｓｔプールへの交換速度を「ｋＭＴｆ」と定義する。ＭＴ－ＳｌｏｗプールからＳｌｏｗプールへの交換速度、およびＭＴ－ＦａｓｔプールからＦａｓｔプールへの交換速度は、詳細釣り合いから、それぞれ「ｋＭＴｓ×（１－ｆ－ｆＭＴｓ－ｆＭＴｆ）／ｆＭＴｓ」および「ｋＭＴｆ・ｆ／ｆＭＴｆ」と表せる。

このように、４プールモデルでは独立なパラメータは１４個となるが、一般には「Ｔ１ＭＴｓ＝Ｔ１ｓ」「Ｔ１ＭＴｆ＝Ｔ１ｆ」と近似できることが知られている。また脳の場合には、ＭＴプールはそれぞれ巨大分子に強く結合した水分子であり、その運動が強く制限されていることからそのＴ２値すなわち、Ｔ２ＭＴｓおよびＴ２ＭＴｆの値を固定値と置くことで独立パラメータから除外することもできる。その場合にはパラメータ数をトータル４つ減らすことが可能なため、独立パラメータは１０個となる。
なお、本実施形態において、複数の自由水とは、比較的自由に運動できる自由水と、運動が制限されている自由水の２つに限定されず、他の種類の自由水が含まれていても良い。例えば、頭部における、自由水としては、細胞間液、細胞内液、ミエリン水の３種類に大別でき、複数の自由水としてこれら３つを含めることができる。
また、本実施形態では、マルチプールモデルとして４プールモデルを想定するが、これに限らず、プールの数は、生体組織内に形状的に大きく異なった組織が、何種類あるかによって増減可能であることは言うまでもない。

次に、第１の実施形態に係る医用データ処理装置の動作について図３のフローチャートを参照して説明する。
ステップＳ３０１では、取得機能２１により処理回路２が、撮像データを取得する。撮像データは、フリップアングルを変えながら、複数のスポイルドグラディエントエコー撮像とコヒーレントグラディエントエコー撮像とを、連続的に実行されることにより収集される。
ここで撮像データを、被検体をＲＦショット毎にスパースサンプリングすることにより生成されたＮ個の撮像データとみなす。Ｎは２以上の整数である。スパースサンプリングは、本実施形態では、通常行うべきサンプリング間隔よりも間引いた間隔となるサンプリング、または通常取得すべきサンプリング数よりも少ないサンプリング数となるサンプリングを示す。

ステップＳ３０２では、生成機能２２により処理回路２が、撮像データからスパースサンプリング低ランク近似画像セットを生成する。生成機能２２は、あらかじめ設定されたＭ組の、Ｎ個からなる重み係数を用いて、それぞれの組について、Ｎ個の第１データに、対応する重み係数を乗算して加算することで、Ｎ個の第１データを低ランク近似し、Ｍ個のスパースサンプリング低ランク近似画像セットを生成する。ＭはＮ未満の整数である。

ステップＳ３０３では、生成機能２２により処理回路２が、第１学習済みモデルを用いて、スパースサンプリング低ランク近似画像からフルサンプリング低ランク近似画像を推定する。第１学習済みモデルは、Ｍ個のスパースサンプリング低ランク近似画像セットが入力され、被検体をフルサンプリングすることにより生成されたＮ個のフルサンプリングデータを、撮像データと同様に低ランク近似することにより得られるＭ個のフルサンプリング低ランク近似画像セットを出力するように、第１ニューラルネットワークを学習させたモデルである。なお以下ではフルサンプリングであるかスパースサンプリングであるかを区別しない場合には、単に低ランク近似画像セットとも呼ぶこともある。フルサンプリングは、本実施形態では、通常行うべきサンプリング間隔によるサンプリング、または通常取得すべきサンプリング数となるサンプリングを示す。

ステップＳ３０４では、最適化機能２４により処理回路２が、フルサンプリング低ランク近似画像に対してデータ整合性に関する最適化処理を実行する。データ整合性とは、推定されたフルサンプリング低ランク近似画像を撮像したときに得られるｋ空間データと、実測されたｋ空間データとの一致性を示す。具体的には、第１学習済みモデルを用いたフルサンプリング低ランク近似画像の推定と、ＣＧ(conjugate gradient)法を用いたバックプロジェクション法による撮像データからのフルサンプリング低ランク近似画像の推定とを、交互に繰り返すことで最適化処理を実行すればよい。
より具体的には、得られたフルサンプリング低ランク近似画像を逆変換し、整合性チェック用のスパースサンプリングされたｋ空間データであるチェック用ｋ空間データを生成し、当該チェック用ｋ空間データとステップＳ３０１で取得した撮像データのｋ空間データとの差分の評価を含んだ誤差関数の値が閾値以下となるかを判定すればよい。誤差関数の値が閾値以下であれば、収束条件を満たすとして、ステップＳ３０５に進み、誤差関数の値が閾値よりも大きければ、収束条件を満たすまで、フルサンプリング低ランク近似画像を補正して同様の処理を繰り返せばよい。

また、例えば、上記畳み込みニューラルネットワークによるフルサンプリング低ランク近似画像セットの推定と、ＣＧ法を用いたバックプロジェクション法による撮像データからのフルサンプリング低ランク近似画像セットの推定をＡＤＭＭ（Alternating Direction Method of Multipliers）法を用いて繰り返すことにより収束させることもできる。
この方法ではデータ整合性も最適化されるため、より信頼性の高いフルサンプリング低ランク近似画像の推定を行うことができる。なお、最適化機能２４で実行されるＡＤＭＭ法またはＡＤＭＭ法に類似した近似ＡＤＭＭ法を用いた詳細な方法については、例えば、特開２０２１－１０４０８号公報の記載された手法を用いればよい。

ステップＳ３０５では、生成機能２２により処理回路２が、フルサンプリング低ランク近似画像セットの画素値（ボクセル値）を低ランク近似値セットとして設定し、低ランク近似値セットに基づき、第２学習済みモデルを用いてパラメータ値を推定する。第２学習済みモデルの詳細については、図１２および図１３などを参照して後述する。
ステップＳ３０６では、例えば再構成機能２３により処理回路２が、ステップＳ３０５の処理が全てのボクセルについて完了したか否かを判定する。全てのボクセルについて完了した場合は、ステップＳ３０７に進み、未処理のボクセルが存在する場合は、ステップＳ３０５に戻り同様の処理を繰り返す。
ステップＳ３０７では、再構成機能２３により処理回路２が、全てボクセルに対してパラメータの推定が実行されることにより、パラメータマップを生成する。

なお、ステップＳ３０３において、入力であるスパースサンプリング低ランク近似画像セットの数Ｍ（ランクＭ）に対して、出力となるフルサンプリング低ランク近似画像セットの数は同じくＭ（ランクＭ）とすることが望ましいが、出力のランク数に対して、入力のランク数を多くすることにより、出力精度をよりよくすることもできる。また、出力のランク数に対して、入力のランク数を減らすことによって、出力の精度はやや落ちるものの、メモリ量、計算速度の点では高速化が可能となる。このように入力のランク数と出力のランク数は使用目的に応じて、適宜調節することができる。すなわち、Ｍ個全てを出力するものに限定されない。なお、以下の実施例では入力のランク数と出力のランク数が同じ場合について説明する。
また、ステップＳ３０４の最適化処理については、必須ではなく、ステップＳ３０３の後にステップＳ３０５が実行されてもよい。

次に、第１の実施形態に係る撮像シーケンスの一例について図４を参照して説明する。
図４上段はフリップアングルに関するショット数に応じた時系列変化を示す。図４下段は、ＭＲ信号値に関するショット数に応じた時系列変化を示す。

ここでは、撮像シーケンスとしてスポイルドグラディエントエコー（以下、スポイルドＧＲＥともいう）と、コヒーレントグラディエントエコー（以下、コヒーレントＧＲＥともいう）を実施する。
スポイルドＧＲＥでは、１回ＲＦ励起を行うごとに（１ショットごとに）横磁化をスポイルするが、ＲＦスポイルを組み合わせてもよい。ＲＦスポイルは、ＲＦの位相を変調する事により横磁化をスポイルする手法である。

スポイルドＧＲＥ撮像では、ショット毎に横磁化をスポイルするため、ＭＲ信号には、横磁化緩和の情報はほとんど含まれておらず、縦磁化緩和とＢ１分布の情報とが主に含まれる。一方で、コヒーレントＧＲＥ撮像は、縦磁化緩和、横磁化緩和、Ｂ_１分布、場合によってはＢ_０分布のすべての情報を含んでいるため、この２つを組合せることにより、縦磁化緩和、横磁化緩和、Ｂ_１分布、場合によってはＢ_０分布を精度良く分離することができるからである。

コヒーレントＧＲＥの一例としては、ＦＩＳＰ（Fast Imaging with Steady-state free Precession）を想定する。
コヒーレントＧＲＥは、ＦＩＳＰに限らず、ｂＳＳＦＰ（Balanced Steady-State Free Precession）のようなフルリワインドを行う撮像シーケンスでもいいが、この場合は静磁場分布（Ｂ_０分布）の影響があるため、Ｂ_０分布自体もマッピングする必要が出てくる。Ｂ_０分布の影響を除去するためには、ＦＩＳＰのように１方向にはグラディエントスポイルが適用されている方法を用いてもよい。このような理由から、以下ではコヒーレントＧＲＥ撮像として、ＦＩＳＰを用いた場合について説明する。

なお、図４に示す撮像シーケンスでは、前半をスポイルドＧＲＥで撮像し、後半はＦＩＳＰで撮像するが、一番初めにＩＲパルス（断熱１８０度パルス）を印加し、縦磁化を１８０度反転させる。またスポイルドＧＲＥの最後には、大きなフリップアングルで短時間撮像を行い、縦磁化を飽和させてゼロに近づけている。これにより、ＦＩＳＰ撮像の開始時に磁化の振動を抑制することができ、解析精度を上げることが可能となる。ＴＲ／ＴＥは、シーケンス全体を通して固定されうる。一例として、ＴＲ＝７．０ｍｓ、ＴＥ＝３．５ｍｓと設定されればよい。なお、各撮像においてＴＲ／ＴＥを変えてもよい。

比較として、スポイルドＧＲＥ撮像のみの場合には、横磁化緩和の情報が得られないため、解析を行う事は出来ない。またコヒーレントＧＲＥ撮像のみの場合は、情報を分離する事が困難となるため、解析を行う事は困難となる。

なお、ＭＴ効果に関する情報は、ＲＦパルスによるオンレゾナンスＭＴ効果から得ることができる。つまり、スポイルドＧＲＥとコヒーレントＧＲＥとにおいて、フリップアングルを変えた撮像を行なっているが、フリップアングルを変えるためにはＢ_１強度を変える必要があり、自然とオンレゾナンスＭＴ効果の強度を変えた撮像を実行することになるからである。また、より詳細なＭＴ効果に関する情報を得るためには、積極的にＭＴ効果を変えるような撮像を組み合わせて実行してもよい。どちらの場合も、ＭＴ効果を介して、水交換を行なっている自由水の磁化状態にも変化を加えることができるため、マルチコンパートメント・マイクロストラクチャモデル全体のパラメータ推定をより精度よく行うことができる。よって、ＭＴ効果を考慮しない場合には得ることができない精度を実現できる。さらに積極的にＭＴ効果を変えた場合には、得られるデータ量が増えるため、より高い精度を得る事が可能となる。

次に、第１の実施形態に係る撮像シーケンスの別例について図５を参照して説明する。
図５上段はフリップアングルに関するショット数に応じた時系列変化を示す。図５中段は、ＲＦパルス幅に関するショット数に応じた時系列変化を示す。図５下段は、ＭＲ信号値に関するショット数に応じた時系列変化を示す。撮像シーケンスに関しては、図４と同様である。

ＭＴ効果の影響を変える撮像を行うためには、ＲＦパルス幅を変更して撮像を実行してもよい。フリップアングルはＲＦ磁場強度の積分値に比例するが、オンレゾナンスＭＴ効果はＲＦパワーの積分値に比例する。一方でＲＦパワーはＲＦ磁場強度の２乗に比例するため、ＲＦパルス幅を半分にすると、フリップアングルが同じでも、ＭＴ効果は倍になる。このように、同じフリップアングルの撮像においても、ＲＦパルス幅を変えた撮像を実行することにより、異なるＭＴ効果を得ることができる。これにより、さらに感度良くＭＴ効果に関する情報を抽出できる。なお、さらに詳細なＭＴ情報を得るため、オフレゾナンスのＭＴパルスを励起用のオンレゾナンスＲＦパルスの前に挿入してもよい。さらには、加えたオフレゾナンスＭＴパルスのオフレゾナンス周波数を変えた撮像を組合せることにより、ＭＴ効果についてのさらに詳細な情報を得ることもできる。このため、特にＭＴプール、すなわち結合水のＴ１、Ｔ２もパラメータマップとして独立に求めることが必要な場合には、オフレゾナンスＭＴパルスを用いる事が望ましい。

次に、本実施形態で想定するラジアルスキャンの一例について図６を参照して説明する。
図６は、横軸をｋｘ、縦軸をｋｙとした場合のｋ空間におけるラジアルスキャンのトラジェクトリを示す。１ショットごとに、ラジアルスキャンのスポークの角度をゴールデンアングル（２π／（１＋√５））増加（回転）させるものとする。ただしこれは一例にすぎず、スポーク角度の振り方はゴールデンアングルに限定したものではない。スポークの角度は他の方法で変えてもよい。

ｋ空間トラジェクトリとしては、ショット毎にスポークがｋ空間中心を通るようにすることが望ましい。これは、得られた撮像データから、低ランク近似画像セットを得るためには、ショット毎の信号の質ができるだけ揃っていることが望ましいためである。そのため、ラジアル軌跡や、スパイラル軌跡、バリアブル・デンシティ・スパイラル（ＶＤＳ）軌跡などを用いることが望ましいが、これらに限定されず、他のスキャン方法であってもよい。なお、ショット毎にスポークがｋ空間の中心を通らないスキャン方法およびｋ空間トラジェクトリを用いてもよい。

次に、スパースサンプリング低ランク近似画像の概念および生成例について図７を参照して説明する。ここでは、データとして画像を想定する。
各ショット（１，２，３，４，・・・）において、ラジアルスキャンにおける１スポーク分のトラジェクトリに沿ってＭＲ信号が収集され、ｋ空間が充填されることでｋ空間データが取得される。具体的には、１番目のショットでは、右下がりのスポークにそってＭＲ信号を収集し、２番目のショットでは、右上がりのスポークに沿ってＭＲ信号を収集する。このように、ショットごとにスパースサンプリングしたスパースサンプリングｋ空間データ６０１が取得される。

ショットごとのスパースサンプリングｋ空間データ７０１に対して、ｋ空間データに重み係数７０２であるＷ_ｉｊを乗算し、それぞれ足し合わせることによって、ｉ個のｋ空間データ７０３が生成される。ｉおよびｊは、１以上の整数である。重み係数７０２であるＷ_ｉｊは、ランク数に対応して複数準備しておけばよく、ランクｉの低ランク近似画像を作成するときに、ｊ番目のショットのｋ空間データに乗算する重み係数を表す。

ｉ個のｋ空間データ７０３に対してそれぞれ、ＩＦＦＴ（Inverse Fast Fourier Transfrom）などにより逆フーリエ変換を実行することにより、ｉ個のスパースサンプリング低ランク近似画像７０４が生成される。

なお、重み係数７０２を求めるためには、まずは、４プールモデルに基づき、色々なパラメータ値の場合について、前述のシーケンスで撮像した場合に得られるトランジェント信号のセットをシミュレーションにより作成する。作成されたトランジェント信号のセットを主成分解析することにより、必要なランクの重み係数を算出することができる。ランクは、主成分分析（ＰＣＡ：Principal component analysis）の特異値が大きい方から小さいほうに１，２，３，．．．と番号が振られる。なお、主成分分析に限らず、特異値分解（ＳＶＤ：Singular Value Decomposition）などの多変量解析、および非負値行列因子分解（ＮＭＦ：Nonnegative Matric Factorization）などといった次元圧縮処理を適用してもよい。これにより、低ランク近似を行なうためのｉ組の重み係数を求めることができる。

図７では、ラジアルスキャンの例を示すが、他のスキャン方法によるトラジェクトリであっても、同様の方法により、ショットごとに得られる全てのｋ空間データに対して、重み係数を乗算して足し合わせることでｉ個のｋ空間データが得られる。

ただし、上記の方法で作成した低ランク近似画像は、基本的には各ショット１つのトラジェクトリ信号（スポーク）しかないため、スパースサンプリング低ランク近似画像となっている。そのため、画像には非常に多くのアーティファクトが発生してしまい、スパースサンプリング低ランク近似画像から直接パラメータマップを得ようとしても、必要な精度が得られない可能性がある。よって、パラメータマップを求めるためには、フルサンプリング低ランク近似画像を用いることが望ましい。

次に、フルサンプリング低ランク近似画像の概念および生成例について図８を参照して詳細に説明する。
図８は、フルサンプリング低ランク近似画像の作成方法の概念図を示す。ラジアル撮像において、例えば各ショット（１，２，３，４，・・・）の画像が４００スポークでフルサンプリングできる場合には、上述のシーケンスに基づいた撮像を、４００回、初期スポークの角度を変えながら実行する。それを組合せて、各ショット４００本のトラジェクトリ信号（スポーク）を収集すれば、各ショットのフルサンプリングｋ空間データ８０１を取得できる。

各ショットのフルサンプリングｋ空間データ８０１に対して重み係数８０２であるＷ_ｉｊを乗算して足し合わせることにより、ｉ個のｋ空間データ８０３が生成される。重み係数８０２は、図６の重み係数７０２と同一である。ｉ個のｋ空間データ８０３に対してそれぞれ、ＩＦＦＴなどの逆フーリエ変換が実行されることで、ｉ個のフルサンプリング低ランク近似画像８０４が生成される。

しかし、この場合は図７のスパースサンプリングの場合と比較して、撮像時間が４００倍かかってしまう。よって、本実施形態では、ニューラルネットワークなどの学習済みモデルを用いて、スパースサンプリング低ランク近似画像から、フルサンプリング低ランク近似画像を推定する。

次に、第１ニューラルネットワークの学習時について図９を参照して説明する。
第１ニューラルネットワークとして、畳み込みニューラルネットワークを想定する。畳み込みニューラルネットワークの学習時は、例えば、４プールモデルで構成した多数の数値ファントムを、上述したシーケンスにより撮像するシミュレーションを実行する。当該シミュレーションにより、同一のランク数を有する、フルサンプリング低ランク近似画像セットとスパースサンプリング低ランク近似画像セットとのペアを学習データとして多数準備する。なお、スパースサンプリング低ランク近似画像セットは、１ショットで１スポークを撮像することを想定したシミュレーションにより生成する事が出来る。

学習機能２５により処理回路２は、学習データのうち、スパースサンプリング低ランク近似画像セットを入力データとし、フルサンプリング低ランク近似画像セットを正解データとして、畳み込みニューラルネットワークを学習させる。以下本実施形態においては、スポイルドＧＲＥ撮像データとＦＩＳＰ撮像データとを個別に主成分分析し、それぞれランク１から１３までの重み係数を用い、合計２６個の低ランク近似画像セットを作成した例で示すが、一括して主成分分析を行ってもかまわない。図９の例では、スポイルドＧＲＥ撮像による１３個のスパースサンプリング低ランク近似画像と、ＦＩＳＰ撮像による１３個のスパースサンプリング低ランク近似画像とのセットを入力データとする。スポイルドＧＲＥ撮像による１３個のフルサンプリング低ランク近似画像と、ＦＩＳＰ撮像による１３個のフルサンプリング低ランク近似画像とのセットを正解データとする。なお、図９の例では、ランク数が増えるに従い、画素値が急激に小さくなるため、各ランクで画素値の分散が１となるように正規化したデータを用いる。また、スパースサンプリング低ランク近似画像セットでは、空間ノイズも含めた状態で正規化しているため、適宜倍率をかけて表示する。学習時には適宜正規化を行う事が望ましい。

学習においては、例えば、正解データと第１ニューラルネットワークとの平均二乗誤差、またはクロスエントロピーなどで設計される損失関数が最小化されるように、畳み込みニューラルネットワークのパラメータが更新されネットワークが最適化されればよい。なお、ニューラルネットワークの学習手法は、一般的な機械学習の学習手法を用いればよいため、ここでの詳細な説明は省略する。学習が完了することにより、第１ニューラルネットワークの第１学習済みモデルが生成される。
また、畳み込みニューラルネットワークの例としては、Ｕ－Ｎｅｔ、ＤｅｎｓｅＮｅｔなどを想定するが、機械学習分野で用いられるニューラルネットワークであれば、どのようなネットワーク構造を用いてもよい。

次に、第１ニューラルネットワークの推論時（利用時）について図１０を参照して説明する。
推論時は、図１０に示すように、学習済みモデルに対して、スパースサンプリング低ランク近似画像セットが入力され、フルサンプリング低ランク近似画像セットが出力される。スパースサンプリング低ランク近似画像セットの各画像はノイズが大きいが、学習済みモデルを用いることより、ノイズが低減されたフルサンプリング低ランク近似画像セットを得ることができる。

次に、フルサンプリング低ランク近似画像セットからパラメータマップを生成する処理について図１１から図１３を参照して説明する。
再構成機能２３により、フルサンプリング低ランク近似画像の画素値ごと、つまりボクセルごとに、第２学習済みモデルを適用することによりパラメータ値を生成する。全ボクセルのパラメータ値に基づいてパラメータマップを生成できる。

まずは、第２学習済みモデルを得るための第２ニューラルネットワークの学習処理について説明する。
図１１は、トランジェント信号から低ランク近似値セットを生成する概念図である。
図１１では、４プールモデルを用いて図４または図５に示す撮像シーケンスによるシングルボクセルのシミュレーションを実行する。シミュレーションにより得られた多数のパラメータ値セットのトランジェント信号を生成する。

シミュレーションで得られたトランジェント信号は、フルサンプリング低ランク近似画像セットを作成するときに用いた重み係数８０２であるＷ_ｉｊを用いて、各ショットのＭＲ信号値に重み係数Ｗ_ｉｊを乗算して足し合わせることで、必要なランク数の低ランク近似値を求める。ここでは、ランクｉの重み係数としてＷ_ｉｊ（ｊ＝１，２・・・）を、対応するショットｊに乗算して足し合わせることで、低ランク近似処理を実行し、低ランク近似値を得る。すなわち、１３個（ランク１～１３）のフルサンプリング低ランク近似画像のボクセル値のセットが、１３個（ランク１～１３）の低ランク近似値のセットと一致する。図１１には、一例として低ランク近似値セットのグラフを示す。グラフは、縦軸が低ランク近似値の値を示し、横軸がランク数を示す。スポイルドＧＲＥ（ＳＰ－ＧＲＥ）に関するランク１～１３の低ランク近似値のセットのグラフと、ＦＩＳＰに関するランク１～１３の低ランク近似値のセットのグラフを示す。合わせて単に低ランク近似値セットと呼ぶ。
このように生成した、低ランク近似値セットとパラメータ値セットとを多数用意する。

次に、第２ニューラルネットワークの学習時について図１２に示す。
学習機能２５により処理回路２が、低ランク近似値セットを入力データとして、パラメータ値セットを正解データとして、第２ニューラルネットワークを学習する。入力・出力は適宜正規化して学習する事が望ましい。

第２ニューラルネットワークとしては、例えば密結合ニューラルネットワークを想定するが、これに限らず機械学習分野におけるどのようなネットワークを用いてもよい。また、畳み込みニューラルネットワークの学習手法は、一般的な機械学習の学習手法を用いればよい。学習が完了することにより、第２ニューラルネットワークの第２学習済みモデルが生成される。

次に、第２ニューラルネットワークの推論時（利用時）について図１３に示す。
推論時は、図１３に示すように、第２学習済みモデルに対して、撮像データに基づくフルサンプリング低ランク近似画像の画素値セット（すなわち、低ランク近似値セット）が入力され、推定されたパラメータ値セットが出力される。これにより４プールモデルのパラメータ値が１対１に対応づけられ、パラメータ値を推定できる。

次に、各パラメータ値の推定値に関する検量線の一例を図１４に示す。
図１４は、図２に示す４プールモデルにおける上述した１０個のパラメータにＢ_１値を加えた、１１個のパラメータ値（Ｔ１ｓ、Ｔ１ｆ、Ｔ２ｓ、Ｔ２ｆ、ｋｓｆ、ｆ、ｋＭＴｓ、ｆＭＴｓ、ｋＭＴｆ、ｆＭＴｆ、Ｂ_１）の検量線を示す。ここで、Ｂ_１はＲＦ磁場分布である。各検量線のグラフは、縦軸が推定値を示し、横軸が正解値を示す。図１４に示すように、全体に良好な推定ができていることが分かる。

次に、生成されるパラメータマップの一例について図１５を参照して説明する。
図１５は、図１４に示すパラメータ値に関するパラメータマップに加えて、プロトン密度マップ、Ｓｌｏｗプールのプロトン比率（１－ｆ－ｆＭＴｓ－ｆＭＴｆ）に関するパラメータマップ、およびＳｌｏｗプール以外のプロトン比率（ｆ＋ｆＭＴｓ＋ｆＭＴｆ）に関するパラメータマップを示す。
図４に示す撮像シーケンスによってえられた、フルサンプリング低ランク近似画像のボクセル毎の画素値セット（すなわち、低ランク近似値セット）を第２学習済みモデルに入力することでパラメータ値セットを生成する。全ボクセルのパラメータ値セットを用いて１１個のパラメータに対応するパラメータマップを生成する。これにより、図１５に示すパラメータマップが生成される。図１５の例では、約１分で撮像し、２５６×２５６画素の２次元画像を約１０秒で解析した例であり、高速な処理を実現できる。

なお、２次元画像を例に説明したが、３次元撮像についても同様にパラメータマップを生成することができる。

また、フルサンプリング低ランク近似画像から、他の画像を生成することもできる。フルサンプリング低ランク近似画像に基づく他の画像の作成例について図１６に示す。
図１６は、ＩＲ－ＧＲＥ撮像で求まるＴ１マップとＣＰＭＧ（Carr Purcell Meiboom Gill）撮像で求まるＴ２マップを生成した例である。
ＩＲ－ＧＲＥでは、ＩＲ時間を変えた撮像を何度も行う事により、ボクセル毎に縦磁化の緩和曲線を得る事ができ、それを単一指数関数フィッティングする事により、シングルコンパートメントのＴ１を得る事が出来る。またＣＰＭＧ撮像では、ＴＥを変えた撮像を何度も行う事により、ボクセル毎に横磁化の緩和曲線を得る事ができ、それを単一指数関数フィッティングする事により、シングルコンパートメントのＴ２を得る事が出来る。

これらはシングルコンパートメント解析により得られる見かけ上の（apparent）緩和時間、Ｔ１ａおよびＴ２ａとなるが、現状では、ＭＲＩ撮像によるＴ１、Ｔ２の定量化はシングルコンパートメント解析が主流であるため、従来技術との比較のためには、Ｔ１ａ，Ｔ２ａを求める事が望まれる場合がある。

その場合、４プールモデルのパラメータマップが求まっていれば、その４プールモデルとパラメータマップを用いて、ＩＲ－ＧＲＥでＩＲ時間を変えた撮像を何度も行うシミュレーションすることにより、ボクセル毎の緩和曲線を求める事が可能であり、それを単一指数関数フィッティングする事により、Ｔ１ａを求める事が出来る。また同様にして、ＣＰＭＧでＴＥを変えた撮像を何度も行うシミュレーションをする事により、ボクセル毎の緩和曲線を求める事が可能であり、それを単一指数関数フィッティングする事により、Ｔ２ａを求める事が出来る。
つまり、４プールモデルのパラメータ値が決まれば、ＩＲ－ＧＲＥで求めたＴ１およびＣＰＭＧで求めたＴ２のような、特定のシーケンスで求まるＴ１ａ，Ｔ２ａを求める事が出来る。一方で、すでに述べたように４プールモデルのパラメータ値はフルサンプリング低ランク近似画像から、画素毎に求める事が出来る。
そこで、フルサンプリング低ランク近似画像の画素値セット（低ランク近似値セット）を入力として、Ｔ１ａ、Ｔ２ａを出力とするように、ニューラルネットワークを学習させることが出来る。

すなわち低ランク近似値セットとＴ１ａ、Ｔ２ａのデータセットを多数作成して、第２ニューラルネットワークにその対応関係を学習させればよい。これにより、第２学習済みモデルを用いれば、第１の実施形態に係る撮像シーケンスの撮像データから、ＭＰ２ＲＥＧＥや、ＩＲ－ＧＲＥで撮像した場合のＴ１マップや、ＣＰＭＧで撮像した場合のT2マップなどを直接作成することができる。

同じようにすることにより、第１の実施形態に係る医用データ処理装置によれば、特定の撮像方法、撮像パラメータで撮像した場合の各種ウエイト画像を作成することもできる。

以上に示した第１の実施形態によれば、フリップアングルを変えながら複数のスポイルドＧＲＥ撮像とコヒーレントＧＲＥ撮像とを連続的に行い、撮像データを得る。第１学習済みモデルを用いてスパースサンプリング低ランク近似画像からフルサンプリング低ランク近似画像を生成する。第２学習済みモデルを用いて、フルサンプリング低ランク近似画像のボクセルごとの画素値セットに対応する低ランク近似値セットからパラメータ値を推定する。全ボクセルに対してパラメータ値を推定することにより、パラメータマップを再構成する。
これにより、ＭＴ効果およびＢ１分布を考慮した、正確な定量値マップを求めることができるとともに、ＭＴ効果自体の定量値マップを同時にえることができる。さらに、実用的な解像度で、高速かつ信頼性の高い推定を実行できる。

（第１の実施形態の変形例）
第１の実施形態では、図４または図５に示すような撮像シーケンスに基づき、低ランク近似画像セットを求めることにより、複数の自由水とそれと水交換する結合水を含んでいる事を特徴とするマルチプールモデルのパラメータマップを生成する。

一方、第１の実施形態の変形例では、撮像シーケンスとして、フリップアングルをショットごとに連続的に変えながら、スポイルドＧＲＥ撮像とコヒーレントＧＲＥ撮像とを実行する。このように、ショットごとにフリップアングルを変える手法で撮像を実行しても、第１の実施形態と同様に、複数の自由水とそれと水交換する結合水を含んでいる事を特徴とするマルチプールモデルを用いてパラメータマップを生成できる。

（第２の実施形態）
第２の実施形態では、上述の実施形態に係る医用データ処理装置を含む磁気共鳴イメージング装置の全体構成について、図１７を参照して説明する。図１７は、本実施形態における磁気共鳴イメージング装置１００の構成を示す図である。

図１７に示すように、磁気共鳴イメージング装置１００は、静磁場磁石１０１と、傾斜磁場コイル１０３と、傾斜磁場電源１０５と、寝台１０７と、寝台制御回路１０９と、送信コイル１１３と、送信回路１１５と、受信コイル１１７と、受信回路１１９と、シーケンス制御回路１２１と、バス１２３と、インタフェース１２５と、ディスプレイ１２７と、記憶装置１２９と、処理回路１３１とを備える。なお、磁気共鳴イメージング装置１００は、静磁場磁石１０１と傾斜磁場コイル１０３との間に中空の円筒形状のシムコイルを有していてもよい。なお、送信回路１１５、受信回路１１９およびシーケンス制御回路１２１に代表される、撮像シーケンスに基づいて被検体を撮像し、撮像データを収集するユニット群を収集部とも呼ぶ。

静磁場磁石１０１は、中空の略円筒形状に形成された磁石である。なお、静磁場磁石１０１は、略円筒形状に限らず、開放型の形状で構成されてもよい。静磁場磁石１０１は、内部の空間に一様な静磁場を発生する。静磁場磁石１０１としては、例えば、超伝導磁石等が使用される。

傾斜磁場コイル１０３は、中空の円筒形状に形成されたコイルである。傾斜磁場コイル１０３は、静磁場磁石１０１の内側に配置される。傾斜磁場コイル１０３は、互いに直交するＸ、Ｙ、Ｚの各軸に対応する３つのコイルが組み合わされて形成される。Ｚ軸方向は、静磁場の方向と同方向であるとする。また、Ｙ軸方向は、鉛直方向とし、Ｘ軸方向は、Ｚ軸およびＹ軸に垂直な方向とする。傾斜磁場コイル１０３における３つのコイルは、傾斜磁場電源１０５から個別に電流供給を受けて、Ｘ、Ｙ、Ｚの各軸に沿って磁場強度が変化する傾斜磁場を発生させる。

傾斜磁場コイル１０３によって発生するＸ、Ｙ、Ｚ各軸の傾斜磁場は、例えば、周波数エンコード用傾斜磁場（リードアウト傾斜磁場ともいう）位相エンコード用傾斜磁場およびスライス選択用傾斜磁場を形成する。スライス選択用傾斜磁場は、撮像断面を決めるために利用される。位相エンコード用傾斜磁場は、空間的位置に応じてＭＲ信号の位相を変化させるために利用される。周波数エンコード用傾斜磁場は、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。

傾斜磁場電源１０５は、シーケンス制御回路１２１の制御により、傾斜磁場コイル１０３に電流を供給する電源装置である。

寝台１０７は、被検体Ｐが載置される天板１０７１を備えた装置である。寝台１０７は、寝台制御回路１０９による制御のもと、被検体Ｐが載置された天板１０７１を、ボア１１１内へ挿入する。寝台１０７は、例えば、長手方向が静磁場磁石１０１の中心軸と平行になるように、磁気共鳴イメージング装置１００が設置された検査室内に設置される。

寝台制御回路１０９は、寝台１０７を制御する回路であり、インタフェース１２５を介した操作者の指示により寝台１０７を駆動することで、天板１０７１を長手方向および上下方向へ移動させる。

送信コイル１１３は、傾斜磁場コイル１０３の内側に配置されたＲＦコイルである。送信コイル１１３は、送信回路１１５からＲＦ（Radio Frequency）パルスの供給を受けて、高周波磁場に相当する送信ＲＦ波を発生する。送信コイル１１３は、例えば、全身コイル（以下、ＷＢＣ（whole body coil）という）である。ＷＢＣは、送受信コイルとして使用されてもよい。ＷＢコイルと傾斜磁場コイル１０３との間には、これらのコイルを磁気的に分離するための円筒状のＲＦシールドが設置される。

送信回路１１５は、シーケンス制御回路１２１の制御により、ラーモア周波数等に対応するＲＦパルス）を送信コイル１１３に供給する。

受信コイル１１７は、傾斜磁場コイル１０３の内側に配置されたＲＦコイルである。受信コイル１１７は、高周波磁場によって被検体Ｐから放射されるＭＲ信号を受信する。受信コイル１１７は、受信されたＭＲ信号を受信回路１１９へ出力する。受信コイル１１７は、例えば、１以上、典型的には複数のコイルエレメントを有するコイルアレイである。受信コイル１１７は、例えば、フェーズドアレイコイルである。

受信回路１１９は、シーケンス制御回路１２１の制御により、受信コイル１１７から出力されたＭＲ信号に基づいて、デジタル化された複素数データであるデジタルのＭＲ信号を生成する。具体的には、受信回路１１９は、受信コイル１１７から出力されたＭＲ信号に対して各種信号処理を施した後、各種信号処理が施されたデータに対してアナログ／デジタル（Ａ／Ｄ（Analog to Digital））変換を実行する。受信回路１１９は、Ａ／Ｄ変換されたデータを標本化（サンプリング）する。これにより、受信回路１１９は、デジタルのＭＲ信号（以下、ＭＲデータと呼ぶ）を生成する。受信回路１１９は、生成されたＭＲデータを、シーケンス制御回路１２１に出力する。

シーケンス制御回路１２１は、処理回路１３１から出力された検査プロトコルに従って、傾斜磁場電源１０５、送信回路１１５および受信回路１１９等を制御し、被検体Ｐに対する撮像を行う。例えば、図４または図５に示すスポイルドＧＲＥ撮像およびＦＩＳＰ撮像を、交互に繰り返し実行する。また、ショットごとにフリップアングルを変更したスポイルドＧＲＥ撮像およびＦＩＳＰ撮像を、交互に繰り返し実行する。

検査プロトコルは、検査に応じた各種パルスシーケンスを有する。検査プロトコルには、傾斜磁場電源１０５により傾斜磁場コイル１０３に供給される電流の大きさ、傾斜磁場電源１０５により電流が傾斜磁場コイル１０３に供給されるタイミング、送信回路１１５により送信コイル１１３に供給されるＲＦパルスの大きさ、送信回路１１５により送信コイル１１３にＲＦパルスが供給されるタイミング、受信コイル１１７によりＭＲ信号が受信されるタイミング等が定義されている。

バス１２３は、インタフェース１２５と、ディスプレイ１２７と、記憶装置１２９と、処理回路１３１との間でデータを伝送させる伝送路である。バス１２３には、ネットワーク等を介して、各種生体信号計測器、外部記憶装置、各種モダリティなどが適宜接続されてもよい。例えば、生体信号計測器として、不図示の心電計がバスに接続される。

インタフェース１２５は、操作者からの各種指示や情報入力を受け付ける回路を有する。インタフェース１２５は、例えば、マウス等のポインティングデバイス、あるいはキーボード等の入力デバイスに関する回路を有する。なお、インタフェース１２５が有する回路は、マウス、キーボードなどの物理的な操作部品に関する回路に限定されない。例えば、インタフェース１２５は、磁気共鳴イメージング装置１００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を有していてもよい。

ディスプレイ１２７は、処理回路１３１におけるシステム制御機能１３１１による制御のもとで、画像生成機能により生成された各種磁気共鳴画像（ＭＲ画像）、撮像および画像処理に関する各種情報などを表示する。ディスプレイ１２７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、モニタ等の表示デバイスである。

記憶装置１２９は、画像生成機能１３１３を介してｋ空間に充填されたＭＲデータ、画像生成機能１３１３により生成された画像データ等を記憶する。記憶装置１２９は、各種検査プロトコル、検査プロトコルを規定する複数の撮像パラメータを含む撮像条件等を記憶する。記憶装置１２９は、処理回路１３１で実行される各種機能に対応するプログラムを記憶する。記憶装置１２９は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、ハードディスクドライブ（hard disk drive）、ソリッドステートドライブ（solid state drive）、光ディスク等である。また、記憶装置１２９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性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よい。

処理回路１３１は、ハードウェア資源として図示していないプロセッサ、ＲＯＭ（Read-Only Memory）やＲＡＭ等のメモリ等を有し、磁気共鳴イメージング装置１００を統括的に制御する。処理回路１３１は、システム制御機能１３１１と、画像生成機能１３１３と、取得機能２１と、生成機能２２と、再構成機能２３、最適化機能２４とを有する。取得機能２１と、生成機能２２と、再構成機能２３と、最適化機能２４は、上述の実施形態に係る医用データ処理装置１の処理回路２に含まれる機能と同様のため、ここでの説明を省略する。

処理回路１３１の各種機能は、コンピュータによって実行可能なプログラムの形態で記憶装置１２９へ記憶されている。処理回路１３１は、これら各種機能に対応するプログラムを記憶装置１２９から読み出し、実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読みだした状態の処理回路１３１は、図１の処理回路１３１内に示された複数の機能等を有することになる。

なお、図１においては単一の処理回路１３１にてこれら各種機能が実現されるものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路１３１を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。換言すると、上述のそれぞれの機能がプログラムとして構成され、１つの処理回路が各プログラムを実行する場合であってもよいし、特定の機能が専用の独立したプログラム実行回路に実装される場合であってもよい。

なお、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（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）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）、およ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、プロセッサが例えばＣＰＵである場合、 プロセッサは記憶回路に保存されたプログラムを 読み出して実行することで機能を実現する。一方、プロセッサが例えばＡＳＩＣである場合、プログラムが記憶回路に保存される代わりに、当該機能がプロセッサの回路内に論理回路として直接組み込まれる。なお、寝台制御回路１０９、送信回路１１５、受信回路１１９、シーケンス制御回路１２１等も同様に、上記プロセッサなどの電子回路により構成される。

処理回路１３１は、システム制御機能１３１１により、磁気共鳴イメージング装置１００を制御する。具体的には、処理回路１３１は、記憶装置１２９に記憶されているシステム制御プログラムを読み出してメモリ上に展開し、展開されたシステム制御プログラムに従って磁気共鳴イメージング装置１００の各回路を制御する。例えば、処理回路１３１は、システム制御機能１３１１により、インタフェース１２５を介して操作者から入力される撮像条件に基づいて、検査プロトコルを記憶装置１２９から読み出す。なお、処理回路１３１は、撮像条件に基づいて、検査プロトコルを生成してもよい。処理回路１３１は、検査プロトコルをシーケンス制御回路１２１に送信し、被検体Ｐに対する撮像を制御する。

処理回路１３１は、システム制御機能１３１１により、励起パルスシーケンスに従って励起パルスを印加し、傾斜磁場を印加するように制御する。処理回路１３１は、システム制御機能１３１１により、励起パルスシーケンスを実行後、各種データ収集用のパルスシーケンスであるデータ収集シーケンスに従って、被検体ＰからのＭＲ信号を収集し、ＭＲデータを生成する。

処理回路１３１は、画像生成機能１３１３により、リードアウト傾斜磁場の強度に従って、ｋ空間のリードアウト方向に沿ってＭＲデータを充填する。処理回路１３１は、ｋ空間に充填されたＭＲデータに対してフーリエ変換を行うことにより、ＭＲ画像を生成する。例えば、処理回路１３１は、複素のＭＲデータから絶対値（Magnitude）画像を生成することが可能である。また、処理回路１３１は、複素のＭＲデータにおける実部データと虚部データとを用いて位相画像を生成することが可能である。処理回路１３１は、絶対値画像および位相画像などのＭＲ画像を、ディスプレイ１２７や記憶装置１２９に出力する。

以上に示した第２の実施形態によれば、スポイルドＧＲＥ撮像とコヒーレントＧＲＥ撮像を実行することにより収集した撮像データから、フルサンプリング相当の低ランク近似値を生成できる。よって、第１の実施形態と同様に、高速かつ信頼性の高い各種パラメータの定量値およびパラメータマップを提供できる。

以上説明した少なくとも１つの実施形態によれば、高速かつ信頼性の高い推定を行うことができる。

加えて、実施形態に係る各機能は、当該処理を実行するプログラムをワークステーション等のコンピュータにインストールし、これらをメモリ上で展開することによっても実現することができる。このとき、コンピュータに当該手法を実行させることのできるプログラムは、磁気ディスク（ハードディスクなど）、光ディスク（ＣＤ－ＲＯＭ、ＤＶＤ、Ｂｌｕ－ｒａｙ（登録商標）ディスクなど）、半導体メモリなどの記憶媒体に格納して頒布することも可能である。

本発明の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。

１ 医用データ処理装置
２，１３１ 処理回路
４ 入力インタフェース
６ 通信インタフェース
８ メモリ
２１ 取得機能
２２ 生成機能
２３ 再構成機能
２４ 最適化機能
２５ 学習機能
１００ 磁気共鳴イメージング装置
１０１ 静磁場磁石
１０３ 傾斜磁場コイル
１０５ 傾斜磁場電源
１０７ 寝台
１０９ 寝台制御回路
１１１ ボア
１１３ 送信回路
１１５ 送信コイル
１１７ 受信コイル
１１９ 受信回路
１２１ シーケンス制御回路
１２３ バス
１２５ インタフェース
１２７ ディスプレイ
１２９ 記憶装置
７０１ スパースサンプリングｋ空間データ
７０２，８０２ 重み係数
７０３，８０３ ｋ空間データ
７０４ スパースサンプリング低ランク近似画像
８０１ フルサンプリングｋ空間データ
８０４ フルサンプリング低ランク近似画像
１０７１ 天板
１３１１ システム制御機能
１３１３ 画像生成機能

Claims (15)

1. スポイルドグラディエントエコー撮像とコヒーレントグラディエントエコー撮像を複数のフリップアングルで実行することにより得られる撮像データを取得する取得部と、
   前記撮像データから、低ランク近似した画像のセットである低ランク近似画像セットを生成する生成部と、
   生体組織の水交換に関する複数の自由水と前記自由水と水交換する結合水とを含むマルチプールモデルと前記低ランク近似画像セットとを用いて、１以上のパラメータマップを再構成する再構成部と、
   を具備する医用データ処理装置。
2. 前記生成部は、
   前記撮像データに対して低ランク近似処理を実行し、第１スパースサンプリング低ランク近似画像セットを生成し、
   学習用の第２スパースサンプリング低ランク近似画像セットが入力され、フルサンプリングされた撮像データを低ランク近似処理することで生成されるフルサンプリング低ランク近似画像セットを出力するように学習された第１学習済みモデルを用いて、前記第１スパースサンプリング低ランク近似画像セットから推定されるフルサンプリング低ランク近似画像セットを前記低ランク近似画像セットとする、請求項１に記載の医用データ処理装置。
3. 前記第１学習済みモデルを用いたフルサンプリング低ランク近似画像の推定と、前記撮像データからのフルサンプリング低ランク近似画像の推定とを、交互に繰り返すことで最適化処理を実行する最適化部をさらに具備する、請求項２に記載の医用データ処理装置。
4. 前記最適化部は、ＡＤＭＭ（Alternating Direction Method of Multipliers）法を用いて前記最適化処理を実行する、請求項３に記載の医用データ処理装置。
5. 前記生成部は、学習用のフルサンプリング低ランク近似画像が入力され、１以上のパラメータに関する定量値を出力するように学習された第２学習済みモデルを用いて、前記生成部で推定された前記フルサンプリング低ランク近似画像から、１以上のパラメータに関する定量値を推定し、
   前記再構成部は、前記１以上のパラメータに関する定量値に基づき前記１以上のパラメータマップを生成する、請求項２から請求項４のいずれか１項に記載の医用データ処理装置。
6. 前記生成部は、前記複数のデータの数よりも少ない組ごとの重み係数を用いて、当該組ごとに、前記複数のデータそれぞれに前記重み係数を乗算して加算することで、前記複数のデータよりも少ない数のスパースサンプリング低ランク近似画像を生成する、請求項１から請求項５のいずれか１項に記載の医用データ処理装置。
7. 前記再構成部は、フルサンプリング低ランク近似画像から、前記スポイルドグラディエントエコー撮像と前記コヒーレントグラディエントエコー撮像とに関する撮像シーケンスとは別のシーケンスによるシングルコンパートメント解析に基づくＴ１値およびＴ２値を算出する、請求項２から請求項５のいずれか１項に記載の医用データ処理装置。
8. 前記撮像データは、前記スポイルドグラディエントエコー撮像および前記コヒーレントグラディエントエコー撮像に、磁化移動効果を変更する手法を組み込んで実行されることにより得られるデータである、請求項１から請求項７のいずれか１項に記載の医用データ処理装置。
9. 前記手法は、ＲＦパルスのパルス幅を変更することである、請求項８に記載の医用データ処理装置。
10. 前記手法は、オフレゾナンスＭＴパルスを印加することである、請求項８に記載の医用データ処理装置。
11. 前記手法は、前記オフレゾナンスＭＴパルスのオフレゾナンス周波数を変更することである、請求項１０に記載の医用データ処理装置。
12. ショットごとにフリップアングルを変えながら、スポイルドグラディエントエコー撮像とコヒーレントグラディエントエコー撮像とを実行することにより得られる撮像データを取得する取得部と、
    前記撮像データから低ランク近似した画像のセットである低ランク近似画像セットを生成する生成部と、
    生体組織の水交換に関する複数の自由水と前記自由水と水交換する結合水とを含むマルチプールモデルと前記低ランク近似画像セットとを用いて、１以上のパラメータマップを再構成する再構成部と、
    を具備する医用データ処理装置。
13. スポイルドグラディエントエコー撮像とコヒーレントグラディエントエコー撮像とを複数のフリップアングルで実行することにより得られる撮像データを取得し、
    前記撮像データから低ランク近似した画像のセットである低ランク近似画像セットを生成し、
    生体組織の水交換に関する複数の自由水と前記自由水と水交換する結合水とを含むマルチプールモデルと前記低ランク近似画像セットとを用いて、１以上のパラメータマップを再構成する、
    医用データ処理方法。
14. コンピュータを、
    スポイルドグラディエントエコー撮像とコヒーレントグラディエントエコー撮像とを複数のフリップアングルで実行することにより得られる撮像データを取得する取得機能と
    前記撮像データから低ランク近似した画像のセットである低ランク近似画像セットを生成する生成機能と、
    生体組織の水交換に関する複数の自由水と前記自由水と水交換する結合水とを含むマルチプールモデルと前記低ランク近似画像セットとを用いて、１以上のパラメータマップを再構成する再構成機能として実現させるための、
    医用データ処理プログラム。
15. 被検体に対して、スポイルドグラディエントエコー撮像とコヒーレントグラディエントエコー撮像とを複数のフリップアングルで実行し、撮像データを収集する収集部と、
    前記撮像データから低ランク近似した画像のセットである低ランク近似画像セットを生成する生成部と、
    生体組織の水交換に関する複数の自由水と前記自由水と水交換する結合水とを含むマルチプールモデルと前記低ランク近似画像セットとを用いて、１以上のパラメータマップを再構成する再構成部と、
    を具備する磁気共鳴イメージング装置。
    

Images