JP5992624B2 - ナビゲータベースのモーション検知を備えるｍｒｉシステム - Google Patents

Description

本発明は、核磁気共鳴撮像法（ＭＲＩ）に関連し、特に、非類似度行列分類を用いたＭＲＩの取得の変更に関連する。

ＭＲＩデータ取得中の患者の動きは、最終的な画像診断の質を損なう画像アーティファクトを生じさせるおそれがある。これは重大な問題であり、患者の動きによる影響を減らすことを試みる多くの方法を産み出してきた。これらの過去の努力にも関わらず、患者の動きは今日も依然として重大な問題であり、これは部分的には、最近の磁気共鳴（ＭＲ）スキャナの向上されたＳＮＲ及び高速スキャン法がより高い空間分解能での撮像を可能にし、実験を動きに対してより敏感にしてしまうためであり、また部分的には、提唱されている方法が通常の臨床的使用では非実践的であるためである。後者の原因は、接続が複雑過ぎ且つ／又は時間がかかり過ぎるセンサが要求されること又はスキャン時間が長くなり過ぎることのいずれかであり得る。

他の共通の制約は、特定のアナトミー／撮像シーケンスへの制限、画像コントラストへの悪影響等である。

“The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition (Springer Series in Statistics),”Chapter 14.3、Trevor Hastie、Robert Tibshirani、Jerome Friedmanには、クラスター分析の方法が説明されている。

本発明は、独立請求項においてＭＲＩシステム及びコンピュータプログラムを提供する。実施形態は従属請求項で与えられる。

当業者によって理解されるように、本発明の側面は装置、方法、又はコンピュータプログラム製品として具現化され得る。したがって、本発明の側面は、完全なハードウェア実施形態、完全なソフトウェア実施形態（ファームウェア、常駐ソフトウェア、マイクロコード等）、又はソフトウェア側面とハードウェア側面とを組み合わせる実施形態を取り、いずれもが本明細書において概して「回路」、「モジュール」、又は「システム」と呼ばれ得る。更に、本発明の側面は、コンピュータ実行可能コードを含む１つ以上のコンピュータ読み取り可能媒体上に具現化されたコンピュータプログラム製品の形態を取り得る。

１つ以上のコンピュータ読み取り可能媒体の任意の組み合わせが使用され得る。コンピュータ読み取り可能媒体は、コンピュータ読み取り可能信号媒体又はコンピュータ読み取り可能記憶媒体であり得る。本明細書で使用される「コンピュータ読み取り可能記憶媒体」は、コンピューティングデバイスのプロセッサにより実行可能な命令を記憶可能なあらゆる有形記憶媒体を含む。コンピュータ読み取り可能記憶媒体は、コンピュータ読み取り可能非一時的記憶媒体と呼ばれ得る。また、コンピュータ読み取り可能記憶媒体は有形コンピュータ読み取り可能媒体とも呼ばれ得る。一部の実施形態では、コンピュータ読み取り可能媒体は、コンピューティングデバイスのプロセッサがアクセス可能なデータも記憶可能であってもよい。コンピュータ読み取り可能記憶媒体の例は、限定されないが、フロッピー（登録商標）ディスク、磁気ハードディスクドライブ、ソリッドステートハードディスク、フラッシュメモリ、ＵＳＢサムドライブ、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、光学ディスク、光磁気ディスク、及びプロセッサのレジスタファイルを含む。光学ディスクの例はコンパクトディスク（ＣＤ）及びデジタルバーサタイルディスク（ＤＶＤ）、例えばＣＤ−ＲＯＭ、ＣＤ−ＲＷ、ＣＤ−Ｒ、ＤＶＤ−ＲＯＭ、ＤＶＤ−ＲＷ、又はＤＶＤ−Ｒディスクを含む。コンピュータ読み取り可能記憶媒体との用語は、ネットワーク又は通信リンクを介してコンピュータデバイスによってアクセスされ得る多様な記録媒体も指す。例えば、データはモデム、インターネット、又はローカルエリアネットワークを介して引き出され得る。コンピュータ読み取り可能媒体上に組み込まれるコンピュータ実行可能コードは、限定はされないが、無線、有線、光ファイバケーブル、ＲＦ等、又はこれらの任意の適切な組み合わせを含む任意の適切な媒体を使用して送信され得る。

コンピュータ読み取り可能信号媒体は、例えばベースバンド又は搬送波の一部としてコンピュータ実行可能コードが組み込まれた伝搬データ信号を含み得る。このような伝搬信号は多様な形態を取り、限定はされないが、電磁的形態、光学的形態、又はこれらの任意の適切な組み合わせが含まれる。コンピュータ読み取り可能信号媒体は、コンピュータ読み取り可能記憶媒体ではない、命令実行システム、装置、又はデバイスによって又はこれらに接続して使用されるプログラムを伝送、伝搬、又は輸送し得る任意のコンピュータ読み取り可能媒体であり得る。

「コンピュータメモリ」又は「メモリ」は、コンピュータ読み取り可能記憶媒体の一例である。コンピュータメモリは、プロセッサに直接アクセス可能な任意のメモリである。「コンピュータストレージ」又は「ストレージ」は、コンピュータ読み取り可能記憶媒体の更なる例である。コンピュータストレージは任意の不揮発性コンピュータ読み取り可能記憶媒体である。一部の実施形態ではコンピュータストレージはコンピュータメモリであり、その逆も成り立つ。

本明細書で使用される「プロセッサ」は、プログラム、マシン実行可能命令、又はコンピュータ実行可能コードを実行可能な電子部品を含む。「プロセッサ」を含むコンピューティングデバイスへの言及は、２つ以上のプロセッサ又は処理コアを含み得ると解されるべきである。プロセッサは例えばマルチコアプロセッサであり得る。また、プロセッサは、単一のコンピュータシステム内の又は複数のコンピュータシステムに分散されたプロセッサの集合も指し得る。コンピューティングデバイスとの用語は、それぞれが１つ又は複数のプロセッサを含むコンピューティングデバイスの集合又はネットワークを指し得るとも解されるべきである。コンピュータ実行可能コードは、同じコンピューティングデバイス内の、又は場合によっては複数のコンピューティングデバイスにわたって分散される複数のプロセッサによって実行され得る。

コンピュータ実行可能コードは、プロセッサに本発明の側面を実行させるマシン実行可能命令又はプログラムであり得る。本発明の側面に関する動作を実行するためのコンピュータ実行可能コードは、Ｊａｖａ（登録商標）、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋等のオブジェクト指向プログラミング言語、及びＣプログラミング言語等の従来の手続き型プログラミング言語を含む１つ以上のプログラミング言語の任意の組み合わせで書かれ、マシン実行可能命令にコンパイルされ得る。一部の場合では、コンピュータ実行可能コードは高級言語の形態又はプリコンパイルされた形態を取り、実行中にマシン実行可能命令を生成するインタープリターと併せて使用され得る。

コンピュータ実行可能コードは、全体としてユーザコンピュータ上で、部分的にユーザコンピュータ上で、自立ソフトウェアパッケージとして、部分的にユーザコンピュータ上で及び部分的に遠隔コンピュータ上で、又は全体として遠隔コンピュータ若しくはサーバ上で実行され得る。後者のシナリオでは、遠隔コンピュータは、ローカルエリアネットワーク（ＬＡＮ）又は広域ネットワーク（ＷＡＮ）を含む任意の種類のネットワークを介してユーザコンピュータに接続されてもよく、又は、（例えば、インターネットサービスプロバイダを使用してインターネットを介して）外部コンピュータへの接続が確立されてもよい。

本発明の側面は、本発明の実施形態に係る方法のフローチャート及び／又はブロック図、装置（システム）、並びにコンピュータプログラム製品を参照して説明される。フローチャート、図面、及び／又はブロック図の各ブロック又はブロックの部分が、該当する場合は、コンピュータ実行可能コードの形態でコンピュータ実行可能命令によって実装され得ることが理解されよう。また、相容れない場合を除き、異なるフローチャート、図面、及び／又はブロック図が組み合わせられ得ることが理解される。これらのコンピュータプログラム命令は、マシンを生成するために汎用コンピュータ、特定用途向けコンピュータ、又は他のプログラム可能データ処理装置に提供されてもよく、コンピュータ又は他のプログラム可能データ処理装置のプロセッサを介して実行される命令が、フローチャート及び／又はブロック図の１つ又は複数のブロック内に指定される機能／動作を実現するための手段を作成し得る。

また、これらのコンピュータプログラム命令は、コンピュータ、他のプログラム可能データ処理装置、又は他のデバイスに特定の態様で機能するよう命令し得るコンピュータ読み取り可能媒体内に記憶されてもよく、コンピュータ読み取り可能媒体内に記憶された命令が、フローチャート及び／又はブロック図の１つ又は複数のブロック内に指定される機能／動作を実現する命令を含む製品を生成してもよい。

また、コンピュータプログラム命令はコンピュータ、他のプログラム可能データ処理装置、又は他のデバイス上にロードされてコンピュータ実行プロセスを生成し、コンピュータ又は他のプログラム可能装置上で実行される命令がフローチャート及び／又はブロック図の１つ又は複数のブロック内に記載される機能／動作を実現するためのプロセスを提供してもよい。

本明細書で使用される「ユーザインターフェイス」は、ユーザ又はオペレータがコンピュータ又はコンピュータシステムとインタラクトすることを可能にするインターフェイスである。「ユーザインターフェイス」は、「ヒューマンインターフェイスデバイス」とも呼ばれ得る。ユーザインターフェイスは、オペレータに情報若しくはデータを供給しかつ／又はオペレータから情報若しくはデータを受信し得る。ユーザインターフェイスは、オペレータからの入力がコンピュータによって受信されることを可能にし、コンピュータからユーザへの出力を提供し得る。言い換えれば、ユーザインターフェイスは、オペレータがコンピュータを制御又は操作することを可能にし、また、コンピュータがオペレータの制御又は操作の結果を示すことを可能にし得る。ディスプレイ又はグラフィカルユーザインターフェイス上のデータ又は情報の表示は、オペレータへの情報提供の一例である。キーボード、マウス、トラックボール、タッチパット、ポインティングスティック、グラフィックスタブレット、ジョイスティック、ゲームパッド、ウェブカム、ヘッドセット、ギアスティック、ステアリングホイール、ペダル、データグローブ、ダンスパッド、リモコン、及び加速度計を介するデータの受信は、いずれも、オペレータからの情報又はデータの受信を可能にするユーザインターフェイス要素の例である。

本明細書で使用される「ハードウェアインターフェイス」は、コンピュータシステムのプロセッサが外部コンピューティングデバイス及び／又は装置とインタラクト又はこれらを制御することを可能にするインターフェイスを含む。ハードウェアインターフェイスは、プロセッサが外部コンピューティングデバイス及び／又は装置に制御信号又は命令を送信することを可能にし得る。また、ハードウェアインターフェイスは、プロセッサが外部コンピューティングデバイス及び／又は装置とデータを交換することを可能にし得る。ハードウェアインターフェイスの例は、限定はされないが、ユニバーサルシリアルバス、ＩＥＥＥ−１３９４ポート、パラレルポート、ＩＥＥＥ−１２８４ポート、シリアルポート、ＲＳ−２３２ポート、ＩＥＥＥ−４８８ポート、Ｂｌｕｅｔｏｏｔｈ（登録商標）接続、無線ローカルエリアネットワーク接続、ＴＣＰ／ＩＰ接続、イーサネット（登録商標）接続、制御電圧インターフェイス、ＭＩＤＩインターフェイス、アナログ入力インターフェイス、及びデジタル入力インターフェイスを含む。

本明細書で使用される「ディスプレイ」又は「ディスプレイデバイス」は、画像又はデータを表示するよう適合された出力デバイス又はユーザインターフェイスを含む。ディスプレイは視覚的、聴覚的、及び／又は触覚的データを出力し得る。ディスプレイの例は、限定はされないが、コンピュータモニタ、テレビ画面、タッチスクリーン、触覚電子ディスプレイ、点字スクリーン、ブラウン管（ＣＲＴ）、蓄積管、バイステーブルディスプレイ、電子ペーパー、ベクターディスプレイ、フラットパネルディスプレイ、蛍光表示管（ＶＦ）、発光ダイオード（ＬＥＤ）ディスプレイ、ＥＬディスプレイ（ＥＬＤ）、プラズマディスプレイパネル（ＰＤＰ）、液晶ディスプレイ（ＬＣＤ）、有機発光ダイオードディスプレイ（ＯＬＥＤ）、プロジェクタ、及びヘッドマウントディスプレイを含む。

本明細書にて、磁気共鳴（ＭＲ）データは、ＭＲＩスキャン中の磁気共鳴装置のアンテナによる原子スピンによって放射されたＲＦ信号の記録測定として定義される。磁気共鳴データは医療用画像データの一例である。本明細書において、ＭＲＩ画像は、ＭＲＩデータ内に含まれる解剖学的データの再構築された二次元又は三次元の視覚化として定義される。この視覚化はコンピュータを使用して実行され得る。磁気共鳴データの一部分は「ショット」とも呼ばれ得る。ナビゲータデータは磁気共鳴データの一例であり、典型的には、被検者の位置又は動きの状態を表す。

本発明は一側面において、撮像領域から磁気共鳴データを取得するためのＭＲＩシステムを提供する。ＭＲＩシステムは、ＭＲＩシステムを制御するためのプロセッサを含む。ＭＲＩシステムは、更に、プロセッサによって実行されるマシン実行可能命令を記憶するためのメモリを含む。マシン実行可能命令の実行は、プロセッサに、それぞれがナビゲータデータを含む、磁気共鳴データの一部分を取得するようＭＲＩシステムを制御することを繰り返させる。一部のＭＲＩプロトコルにおいては、データは数分間にわたり取得され得る。磁気共鳴データの部分は、完全なプロトコル中に取得された磁気共鳴データの一部分を指す。

本明細書で使用されるナビゲータデータは、被検者又は対象の動きを示す磁気共鳴データを含む。例えば、被検者が内的にも外的にも完全に静止している場合、ナビゲータデータは変化しないはずである。一方、被検者が動いている又は内的に動いている場合、ナビゲータデータはこの動きを表す又は定量化するために有用であり得る。一部の実施形態では、ナビゲータデータは、磁気共鳴データの一部分又は複数の部分と共にインターリーブされた態様で取得される、分離して取得されるナビゲータデータであり得る。また、ナビゲータデータは磁気共鳴データの部分から抽出される画像データ及び／又はｋ空間データであり得る。異なる種類のナビゲータを使用することもできる。例えば、ナビゲータデータはｋ空間中心ライン等の一次元信号又はプロジェクションでもよい。他の例はＦナビゲータ（ｋ空間中心ラインに平行なｋ空間ライン）、Ｏナビゲータ（ｋ空間原点を中心とする円）である。小さい画像又はそれらのサブセット等のより高い次元のデータ測定結果をナビゲータとして使用することもできる。

マシン実行可能命令の実行は、更に、プロセッサに、磁気共鳴データの各部分からナビゲータデータを抽出することによってナビゲータベクトルのセットを繰り返し作成させる。ナビゲータデータを取得するたびにナビゲータベクトルが構築され、ナビゲータベクトルのセットに加えられる。

マシン実行可能命令の実行は更に、プロセッサに、ナビゲータベクトルのセットのそれぞれの間のメトリックを計算することによって非類似行列又はＤ行列を繰り返し構築させる。本明細書で使用されるメトリックは、２つのナビゲータベクトル間の近接度（closeness）又は類似度を評価する値を生成するために使用される数学的関数である。本明細書で使用される非類似度行列は、２つ以上の数学的被検者、例えばナビゲータベクトル間のメトリックによって測定される相対的非類似度を保存するために使用される行列を含む。

各ナビゲータベクトル間の非類似度はメトリックを使用して測定され、その後、非類似度行列を構築するために使用される。より多くのナビゲータデータが取得されるほど、毎回、非類似度行列を完全に再構築しなくてもよい可能性が高くなる。例えば、１つのナビゲータベクトルが加えられるとき、追加データは単純に既存の非類似度行列に加えられ、それをより大きくし得る。命令の実行は、プロセッサに更に、分類アルゴリズムを使用して非類似度行列の行列分類を繰り返し作成させる。分類アルゴリズムは非類似度行列を入力として取り、行列分類を出力する。したがって、分類アルゴリズムは、非類似度行列内の値の構造を表す分類を返し、又は、ナビゲータセットの値における遷移を特定／識別し得る。命令の実行は、プロセッサに更に、行列分類を使用して磁気共鳴データ取得を変更するようＭＲＩシステムを制御させる。例えば、行列分類は、前回のデータ取得後に被検者が内的に又は外的に動いたことを示し得る。これは例えば、磁気共鳴プロトコルが継続されるべきか否かを決定するために使用され得る。この実施形態は被検者の内的又は外的な様々な動きの種類を決定することを可能にするので、有益であり得る。これは磁気共鳴画像をより素早く生成することを援助し得る。

他の実施形態では、分類アルゴリズムは行列分類を選択するよう機能し得るパターン認識アルゴリズムである。パターン認識アルゴリズムは、例えば、プロセスがナビゲータベクトルの値における遷移を識別することを可能にするようプログラミングされ若しくはこのような命令を含んでもよく、又は、ナビゲータベクトルのセットにおけるパターンを識別可能であり得る。例えば、行列分類のためにニューラルネットワークがプログラミングされ得る。

他の実施形態では、メモリは、手本行列を含む行列ライブラリを更に含む。パターン認識モジュールは手本行列のうちの１つを選択するよう機能し得る。この実施形態は特定のライブラリ行列を選択することを可能にするので、有益であり得る。これは行列分類をより素早く生成することを援助し得る。

他の実施形態では、手本行列はそれぞれ変更命令と関連付けられる。ＭＲＩシステムによる磁気共鳴データの取得が、変更命令を実行することによって変更される。この実施形態は取得の実行中にオンザフライで磁気共鳴データの取得を変更する手段を提供するので、有益であり得る。このコンテキストにおける行列ライブラリの使用は、行列ライブラリ内の手本行列が良く練られ、データの質を改良するための変更が知られ得るので、有益であり得る。

他の実施形態では、パターン認識アルゴリズムはクラスター分析アルゴリズムである。クラスター分析アルゴリズムは、ナビゲータベクトルのセットの時間的相関付けを実行し得る。様々なナビゲータベクトル間の時間的相関は、その後、非類似度行列を生成するために使用され得る。本明細書で使用されるクラスター分析アルゴリズムは、データセグメンテーションとも知られるクラスター分析のために使用され得るアルゴリズムを含む。クラスター分析はナビゲータベクトルを異なるグループにグループ分けするのに有用であり得るので、これは特に有益であり得る。例えば、被検者が動いた場合、クラスター分析アルゴリズムは、２つ以上の異なるナビゲータベクトルグループが存在することを特定し得る。ナビゲータベクトルをこのようなグループに分けることにより、患者の動きを特定するのが容易になり得る。一方、一部の場合では、クラスター分析はナビゲータベクトルが特定の周期で高度な類似性を有することを示し得る。これは例えば、被検者の周期的な動きを示し得る。

他の実施形態では、クラスタリングアルゴリズムは、平均連結法を使用する凝集型階層的クラスタリングアルゴリズムである。これは要素を１つだけ含む（＝１つのナビゲータショット）クラスターから開始する反復プロセスである。これは、始めはクラスターの数がナビゲータショットの数に等しいことを意味する。各反復において、互いに最も近い２つのクラスターがマージされることによってクラスターの数が１つずつ減っていく。

この方法を使用するには、２つのクラスター間の距離を計算するメトリックを定めなければならない。やはり異なるオプションが存在するが、いずれもクラスターに属する要素の非類似度行列値に基づく。例えば、含まれる全要素の非類似度値の最小値、最大値、又は平均値を取ることができる。

これは、クラスターの減少列を与え、一方、２つのクラスターの融合が起こるクラスター間非類似度は増加する。融合非類似度をクラスター数に対してプロットすると、ナビゲータショットが明確に異なるグループに分けられる場合、このグラフにおいて顕著なジャンプが認識される。最大許容可能クラスター間距離に対して閾値を設定することにより、階層的クラスターチェーンから１つの特定のクラスタリングが選択される。

他の実施形態では、分類アルゴリズムは統計的分析アルゴリズムである。データの変化を識別するために使用され得る様々な周知の統計的技術が存在するので、これは有益であり得る。

他の実施形態では、統計的分析アルゴリズムは、ベイズ分析の実行、非類似度行列の閾値処理、非類似度行列の標準偏差の計算、所定の範囲外の非類似度行列の要素の特定、及び確率ベース選択の実行のうちのいずれか１つを実行することによって行列分類を決定し得る。

他の実施形態では、磁気共鳴データは複数のスライスを含む。命令の実行は更に、プロセッサに、複数のスライスのそれぞれの非類似度行列を使用して非類似度行列のセットを計算させる。命令の実行は更に、プロセッサに、非類似度行列のセットごとに非類似度行列を生成するよう、分類アルゴリズムを使用することによって行列分類のセットを生成させる。命令の実行は更に、プロセッサに、行列分類のセットを使用して磁気共鳴データの取得を変更するようＭＲＩシステムを制御させる。磁気共鳴データが取得されるとき、２つ以上の取得面又はスライスから取得してもよい。本明細書で使用されるスライスは、磁気共鳴データが取得される二次元領域を含む。二次元への言及は、実際には、所望の位置への言及である。磁気共鳴データはフーリエ空間で取得されるので、磁気共鳴データの取得が３次元立体から取得されることは不可欠である。各特定のスライスから、独自の非類似度行列が使用され得る。本実施形態は各特定のスライスにおいて磁気共鳴プロトコルが最適化されることを可能にするので、特に有益であり得る。

他の実施形態では、ＭＲＩシステムの制御は、行列分類のセットに対して規則ベースのアルゴリズムを適用することによって実行される。

他の実施形態では、磁気共鳴データはｋ空間内のサンプル点のセットを含む。磁気共鳴データの各部分がサンプル点のセットのサブセットである。

他の実施形態では、ＭＲＩシステムは、２つ以上のチャネルから同時にＭＲＩデータを受信可能なマルチチャネルＲＦシステムを更に含む。命令の実行は、プロセッサに更に、２つ以上のチャネルからのナビゲータデータを組み合わせることによってナビゲータベクトルのセットを作成させる。例えば、各個別のデータ上でナビゲータデータが取得され得る。各チャネルからのナビゲータデータは多様な技術を用いて組み合わせられ得る。例えば、特にマルチチャネルＲＦシステムでは、異なる地理的位置ごとに、各チャネルからのデータに対して異なる重み付けがされる。ナビゲータベクトルのセットを組み合わせるために、このチャネル間の重み付けファクタが使用されてもよい。他の実施形態では、ナビゲータベクトルが単純に平均されてもよい。他の実施形態では、異なる無線チャネルから集められたナビゲータデータのサブセットが選択されてもよい。

他の実施形態では、ナビゲータデータは、所定の重みを使用する２つ以上のチャネルからのナビゲータデータの平均化、及び２つ以上のチャネルからのナビゲータデータの連結のうちのいずれか１つを使用することによって組み合わせられる。他の実施形態では、所定の重み付けファクタはレーマーセンシティビティ（Roemer sensitivities）、空間位置、又は受信信号強度のうちのいずれか１つである。

連結は、多数の測定結果を単一の非類似度値にリダクションすることを可能にする。これを実行するための１つの方法は、測定値（「ｘ_ｉｊ」）ごとにメトリック（「ｄ」）を定め、各測定値に適用された全てのメトリックの値を足し合わせることである。この場合、インデックスｉは異なるナビゲータショットを指し、インデックスｊは異なる測定値を指し得る。これらは同じ受信チャネル、異なる受信チャネル、又は場合によっては異なるデバイス（呼吸ベルト等）の異なるｋ空間サンプルであり得る。

他の実施形態では、マルチチャネル磁気共鳴取得の場合、ナビゲータ信号は適切なチャネル通信を使用して組み合わせられ、このアプローチは、評価中の数値的労力を低減するための特定の重み付け係数を示唆する。これらの重み付け係数は、潜在的に利用可能なコイル感度情報、及びアプリオリ知識から導出され、ナビゲータデータの各信号の影響のバランスを更に取り得る。これは空間的及び信頼的であり得る。他の実施形態では、これは、行列要素の計算中に磁気共鳴ナビゲータ信号の潜在的なマルチチャネル特性を考慮する適切なメトリックを指定することによって信号組み合わせ処理を省略することを含み得る。

他の実施形態では、磁気共鳴データの取得は、磁気共鳴データの取得の停止、スキャンジオメトリーを変更して磁気共鳴データ取得を再開すること、磁気共鳴データの１つ以上のポイントを無視すること、磁気共鳴データの部分を再取得すること、オペレータアラートを生成すること、及びこれらの組み合わせのうちのいずれか１つによって変更される。行列分類によって何が決定されるかに応じて、磁気共鳴データの取得を補正するために様々なアクションが必要であり得る。

他の実施形態では、メトリックは、ナビゲータベクトル間の平方複素数差の和の計算、ナビゲータベクトルの大きさの差の計算、ナビゲータベクトル間の差の絶対値の計算、及びナビゲータ信号間の相関の計算のいずれか１つである。また、メトリックはナビゲータベクトルのノーマライズを含んでもよい。例えば、ナビゲータベクトルはメトリック計算の一部として、Ｄ行列の最小値を用いてノーマライズされてもよい。

２つのナビゲータベクトルに対してメトリック計算を実行するとき、一部の実施形態では、前処理ステップとして、ナビゲータデータに対してフーリエ変換が実行されてもよい。

ナビゲータデータはｋ空間中心ラインのような一次元信号又はプロジェクションであり得る。Ｆナビゲータ（ｋ空間中心ラインに平行なｋ空間ライン）、Ｏナビゲータ（ｋ空間原点を中心とする円）が例である。小さい画像又はそれらのサブセット等のより高い次元のデータ測定結果をナビゲータとして使用してもよい。

他の実施形態では、磁気共鳴データは画像データを含み、命令の実行は、ＭＲＩシステムに、第１の関心領域から画像データを取得させ、第２の関心領域からナビゲータデータを取得させる。他の実施形態では、ナビゲータデータは画像データから取得される。一部の実施形態では、ナビゲータは実際の撮像及び／又は空間に由来する磁気共鳴信号であり、又は、撮像空間とは異なるサブ空間から発生し得る。

他の実施形態では、ＭＲＩシステムは動きデータ／ナビゲータタイプデータを生成するためのモーション検知システムを含む。命令の実行は、プロセッサに、磁気共鳴データの取得中に動きデータを取得させる。命令の実行は、プロセッサに更に、動きデータを非類似度行列に組み込ませる。非類似度データに追加データが組み合わせられ、より正確なものとなるので、この実施形態は有益であり得る。例えば、信号は患者の外部に配置された枕、ベルト、又はカメラ等の外部モーション感知デバイスから生じ得る。一部の実施形態では、（複数の）ナビゲータソースは同じ動き状態を指し、これをサポートする適切な非類似度行列を使用して同時に考慮され得る。

異なる種類のデータを単一の非類似度行列に統合するために、スケーリングファクタ又は他の関数が使用され得る。

複数のソースからのナビゲータデータを組み合わせること又は呼吸ベルトデータ等のモーション感知システムを使用することは根本的な問題ではない。実際では、当然ながら、異なる測定の互いに対する影響のバランスを取る（すなわち、メトリックを調節する）ために、いくらかの実験が要求され得る。

異なる要素からのナビゲータデータを組み合わせる動機づけは連結とは少し異なる。非類似行列の計算に要する労力は、ナビゲータショットの数と共に平方的に変化する。Ｄ行列値を素早く計算するには、ナビゲータベクトルを短く保つことが好適である。非類似度を計算する前にナビゲータベクトルを１つのベクトルに結合することが有用であり得るのはこのためである。更なる圧縮が適用され、例えば、隣接するサンプルが平均され、又はｎ個おきのサンプルのみが考慮されてもよい。

他の側面において、本発明は、撮像領域から磁気共鳴データを取得するようＭＲＩシステムを制御するプロセッサによって実行させるマシン読み取り可能命令を含むコンピュータプログラムを提供する。マシン実行可能命令の実行は、プロセッサに、それぞれがナビゲータデータを含む磁気共鳴データの一部分を取得するようＭＲＩシステムを制御することを繰り返させる。

マシン実行可能命令の実行は、プロセッサに更に、磁気共鳴データの各部分からナビゲータデータを抽出することによってナビゲータベクトルのセットを作成することを繰り返させる。マシン実行可能命令の実行は、プロセッサに更に、分類アルゴリズムを使用して非類似度行列の行列分類を生成することを繰り返させる。マシン実行可能命令の実行は、プロセッサに更に、行列分類を使用して磁気共鳴データの取得を変更するようＭＲＩシステムを制御することを繰り返させる。

本発明は他の側面において、ＭＲＩシステムを制御する方法を更に提供する。方法は、磁気共鳴データの一部分を取得するようＭＲＩシステムを繰り返し制御するステップを含む。磁気共鳴データの各部分はナビゲータデータを含む。方法は更に、磁気共鳴データの各部分からナビゲータデータを抽出することによってナビゲータベクトルのセットを作成するステップを含む。方法は更に、ナビゲータベクトルのセットのそれぞれの間のメトリックを計算することによって非類似度行列を構築するステップを更に含む。方法は更に、分類アルゴリズムを使用して非類似度行列の行列分類を生成するステップを更に含む。方法は更に、行列分類を使用して磁気共鳴データの取得を変更するようＭＲＩシステムを制御するステップを含む。

本発明の上記実施形態は、組み合わせられる実施形態が相容れない場合を除き、１つ以上を組み合わせることができる。

以下、図面を参照しながらあくまで例として本発明の好適な実施形態を説明する。

図１は、本発明の一実施形態に係る方法を図示するフローチャートを示す。 図２は、本発明の一実施形態に係るＭＲＩシステムの一例を示す。 図３は、本発明の他の実施形態に係るＭＲＩシステムを示す。 図４は、Ｔ２強調頭部撮像による例からの非類似度行列の視覚化を示す。 図５は、同じくＴ２強調頭部撮像からの非類似度行列の他の視覚化を示す。 図６は、Ｔ１強調肩撮像中に構築された非類似度行列の他の視覚化及び周期的な動きを示す。 図７は、Ｔ１強調肩撮像中に取得された非類似度行列の他の例を示す。 図８は、Ｔ１強調肩撮像中の突然の不可逆的な動きを示す非類似度行列の他の視覚化を示す。 図９は、非類似度行列を解析することによって画像がどのように改良され得るかを示す非類似度行列の他の視覚化を示す。 図１０は、非類似度行列の他の視覚化を示す。 図１１は、並べ替え後の図１０の行列の視覚化を示す。 図１２は、図１０及び図１１に示される例のクラスター数対融合閾値のプロットを示す。 図１３は、図１０及び図１１に示される例の非類似度レベルに依存するクラスターサイズ分布を示す。 図１４は、非類似度行列の他の視覚化を示す。 図１５は、非類似度行列の他の視覚化を示す。 図１６は、図１４に示される非類似度行列の異なるＴＳＥショットのクラスターインデックスを示す。 図１７は、図１５に示される非類似度行列の異なるＴＳＥショットのクラスターインデックスを示す。 図１８は、図１４及び図１５に示される例に係る実験中の遷移確率分布（ＰＤＦ）の進展を示す。 図１９は、図１８に示される２つの例における２つの観測された動き状態の間の遷移確率に関する知識の進展を示す。

図中、類似する番号が付された要素は同等な要素であるか又は同じ機能を実行する。機能が同等な場合、先に説明された要素は後の図面では必ずしも説明されない。

図１は、本発明の一実施形態に係る方法を図示するフローチャートを示す。まず、ステップ１００において磁気共鳴データが取得される。磁気共鳴システムは磁気共鳴データの一部分を取得する。磁気共鳴データの各部分はナビゲータデータを含む。次に、ステップ１０２において、磁気共鳴データの各部分からナビゲータデータを抽出することによりナビゲータベクトルのセットが作成される。次に、ステップ１０４において、ナビゲータベクトルのセットのそれぞれの間でメトリックを用いて非類似度行列が計算される。これは反復プロセスなので、非類似度行列は、新たに取得されたナビゲータベクトルを追加し、既存のベクトルとの非類似度を計算することによって前のバージョンから簡単に更新されてもよい。次に、ステップ１０６において、分類アルゴリズムを使用して非類似度行列の行列分類が生成される。その後、ステップ１０８において、行列分類を使用して磁気共鳴データの取得が変更される。例えば、行列分類は、磁気共鳴データがどのように取得されるかを変更するために使用されるコマンドのセットに関連付けられ得る。方法はその後ステップ１００に進み、全ての磁気共鳴データが取得されるまで各ステップが繰り返される。

図２は、本発明の一実施形態に係るＭＲＩシステム２００の一例を示す。ＭＲＩシステム２００は磁石２０４を含む。磁石２０４は、ボア２０６が貫通する円筒型の超伝導磁石２０４である。異なる種類の磁石を使用することも可能であり、例えば、スプリット円筒型磁石及びいわゆるオープンマグネットを使用することも可能である。スプリット円筒型磁石は、磁石のイソプレーン（iso-plane）へのアクセスを可能にするようクライオスタットが二分されている点を除いてスタンダードな円筒型磁石と同様であり、このような磁石は例えば荷電粒子線療法と併せて使用され得る。オープンマグネットは２つの磁石部分を有し、被検者を受容するのに十分大きな空間を間に挟み、一方が他方の上方に位置する。２つのセクションの配置は、ヘルムホルツコイルのそれと似ている。被検者の閉塞性がより低いため、オープンマグネットは人気がある。円筒型磁石のクライオスタット内には超伝導コイルの集合が存在する。円筒型磁石２０４のボア２０６内には、磁場が磁気共鳴撮像を実行するのに十分強くかつ均等な撮像領域２０８が存在する。

また、磁石のボア２０６内には、磁石２０４の撮像領域２０８内の磁気スピンを空間的に符号化するために磁気共鳴データ取得に用いられる勾配磁場コイル２１０のセットが存在する。勾配磁場コイル２１０は勾配磁場コイル電源２１２に接続される。勾配磁場コイル２１０は表現的なものとして意図される。典型的には、勾配磁場コイル２１０は、３つの直交する空間方向における空間的符号化のための３つの異なるコイルのセットを含む。勾配磁場電源は勾配磁場コイルに電流を供給する。勾配磁場コイル２１０に供給される電流は時間の関数として制御され、ランプ又はパルスにされ得る。

撮像領域２０８の隣には、撮像領域２０８内の磁気スピンの配向を操作し及び撮像領域２０８内のスピンからの無線送信を受信するためのＲＦコイル２１４が存在する。ＲＦアンテナは複数のコイル素子を含み得る。ＲＦアンテナはチャネル又はアンテナとも呼ばれ得る。ＲＦコイル２１４はＲＦトランシーバ２１６に接続される。ＲＦコイル２１４及びＲＦトランシーバ２１６は、別個の送信コイル及び受信コイル並びに別個の送信機及び受信機によって置換されてもよい。ＲＦコイル２１４及びＲＦトランシーバ２１６は表現的であると理解される。また、ＲＦコイル２１４は専用送信アンテナ及び専用受信アンテナも表すことを意図する。同様に、トランシーバ２１６も別個の送信機及び受信機を表し得る。また、ＲＦコイル２１４は複数の受信／送信素子を有してもよく、ＲＦトランシーバ２１６は複数の送信／受信チャネルを有してもよい。

勾配磁場コイル電源２１２及びトランシーバ２１６はコンピュータシステム２２６のハードウェアインターフェイス２２８に接続される。コンピュータシステム２２６は更にプロセッサ２３０を含む。プロセッサ２３０はハードウェア２２８、ユーザインターフェイス２３２、コンピュータストレージ２３４、及びコンピュータメモリ２３６に接続される。

コンピュータメモリ２３６は制御モジュール２５０を含むよう示されている。制御モジュール２５０は、プロセッサ２３０がＭＲＩシステム２００の動作及び機能を制御することを可能にするコンピュータ実行可能コードを含む。例えば、制御モジュール２５０は磁気共鳴データ２４２を取得するためにパルスシーケンス２４０を使用し得る。コンピュータメモリ２３６は、更に、ナビゲータデータ抽出モジュール２５２を含むよう示されている。ナビゲータデータ抽出モジュール２５２は、プロセッサが磁気共鳴データ２４２からナビゲータデータ２４４を抽出することを可能にするコンピュータ実行可能コードを含む。モジュール２５２の厳密な実装はナビゲータデータ２４４の性質に依存し得る。例えば、モジュール２５２は磁気共鳴データ２４２からｋ空間データの一部分を抽出し得る。コンピュータメモリ２３６は非類似度行列生成モジュール２５４を更に含むよう示されている。モジュール２５４は、プロセッサ２３０がナビゲータデータ２４４を使用して非類似度行列２４６を生成することを可能にするコンピュータ実行可能コードを含む。コンピュータメモリ２３６は、更に、行列分類モジュール２５６を含むよう示されている。行列分類モジュール２５６は、プロセッサ２３０が非類似度行列２４６を使用して行列分類２４８を生成することを可能にするコンピュータ実行可能コードを含む。コンピュータメモリ２３６は、更に、パルスシーケンス変更モジュール２５８を含むよう示されている。パルスシーケンス変更モジュール２５８は、プロセッサ２３０がパルスシーケンス２４０を変更することを可能にするコンピュータ実行可能コードを含む。パルスシーケンスの変更は、パルスシーケンス２４０によって規定されるように実行される個別のコマンドを変更することを意味してもよいし、そうでなくてもよい。例えば、パルスシーケンス変更モジュール２５８は、単純にデータの一部分を再取得してもよい。

図３は、図２に示されるシステムと同様なＭＲＩシステム３００を示す。この実施形態では、追加のモーション検知システム３０２が存在する。モーション検知システム３０２は、被検者２１８の動きを検知可能なあらゆるシステムを表現すると意図される。モーション検知システム３０２は、例えばカメラ、センサ、加速度計、又は他の種類のモーション検知システムであり得る。撮像領域２０８内には、磁気共鳴データ２４２が取得された第１の関心領域３０４が示されている。また、撮像領域２０８内には第２の関心領域３０６が示されている。ナビゲータデータ２４４は第２の関心領域３０６から取得される。一部の実施形態では、第２の関心領域は少なくとも部分的に第１の関心領域３０４に含まれる。磁気共鳴データ及びナビゲータデータはフーリエ空間内で取得されることに留意されたい。したがって、磁気共鳴データ及びフーリエデータは少なくとも部分的に第１の関心領域３０４及び第２の関心領域３０６の外部で取得される。

コンピュータストレージ２３４は、更に、行列ライブラリ３１０を含むよう示されている。行列ライブラリは、行列分類モジュール２５６が非類似度行列２４６を比較し得る手本行列のセレクションを含む。非類似度行列２４６に最もマッチするものとして、ライブラリ３１０から行列が選択される。本実施形態では、行列分類２４８に関連付けられた変更命令３１２が存在する。その後、制御モジュール２５０は変更命令３１２を使用してパルスシーケンス２４０を変更する。コンピュータストレージ２３４は、更に、モーション検知システム３０２を用いて取得された動きデータ３１４を有するよう示されている。本実施形態の非類似度行列生成モジュール２５４は、非類似度行列２４６に動きデータ３１４を組み込むようプロセッサを動作させることができる。

本発明の実施形態は、ナビゲータ信号に基づいてリアルタイムで患者の動きを特徴付けるための一般的な方法を提供し得る。特に、これは以下の問題を解決し得る。
１．当該方法は複数の異なる動きの種類を区別することを可能にする。例えば、規則的な呼吸運動のような周期的な動き、せきのような突然の偶発的な患者の動き、及び患者の位置／姿勢を実質的に変化させる不可逆的な動きが区別され得る。この区別は、連続するデータ取得の成功又は失敗を予想するために使用でき、またスキャンをどのように進めるべき（続行すべき）かの適切な判断をトリガーするのに役立ち得るため、この区別を実行できることは重要である。
２．当該方法は実際のデータ取得期間中に動きを解析し、較正を要さない。特に、他の動き補正技術において使用される以下のような仮定に依拠しない。
−スキャン中の動きは、スキャン前のナビゲータ「トレーニングフェーズ」中の動きと同じである。
−動き解析において基準として使用できる「平均状態」が存在する。
−所定の閾値未満の動きが許容可能である一方、閾値以上の動きはそうではない。
経験により、これらの仮定のいずれかに依拠することには制約が伴うことが明らかにされている。
３．当該方法は、動きアーティファクトを低減／回避するために適切なデータ再取得がどの程度有用であるかを予想するために使用され得る。
４．当該方法は高速である。当該方法は測定中に実行可能であり、リアルタイムでデータ取得を制御するために使用され、データの整合性及び画質を更に改善するためにデータのどの部分が再取得されるべきかを決定することを助ける。
５．ナビゲータのプラニングを要さず、多数のモーション検知アプローチと共に機能し得る。

本発明の実施形態は以下の特徴を有し得る。
１．通常の撮像データに加えて取得されるナビゲータデータから「非類似度行列」（略して、Ｄ行列）を計算すること。
２．Ｄ行列の定量的分析によって動きを特徴付けること。これは、異なる種類の動きがＤ行列内に特徴的なパターンをもたらすために可能である。また、パターンの強さは動きの強さを反映し、よって行列の評価から量的な結論を引き出すことができる。

実施形態を実現するために、通常の撮像データに加えてナビゲータデータが取得され得る。ナビゲータとして適格であるために信号が備えなければならない基礎的な特徴は、動きがないときに再現可能であることである。これを達成するためには多数のオプションが存在し、例えば以下のオプションが存在する。
− ＴＳＥ又はＴＦＥ取得に１つのエコーを追加して、クラシックなナビゲータ、フローティングナビゲータ、又はオービタルナビゲータを取得する。
− ＦＩＤをナビゲータとして使用する。
− ナビゲータをＦＦＥシーケンス内にインターリーブしてもよい。
− データ取得シーケンス前又は後の適切な磁化準備スキームの要素としてナビゲータを形成する。

次に、非類似度行列の計算について論じる。ナビゲータデータｉをナビゲータデータｊと比較することにより、例えば全ナビゲータサンプルの平方複素数差の和を計算することにより、ナビゲータデータから非類似度行列Ｄ_ｉｊの１つの要素が計算される。この例はあくまで例示であり、Ｄ_ｉｊを計算する他の方法も存在する。データ取得期間中にＮ個のナビゲータが取得された場合、これはＮ×Ｎ行列をもたらす。

非類似度行列が計算されると、異なる動きの種類はＤ行列上に異なるパターンを生じさせる。これはボランティア実験からのいくつかの例によって後に示される。これらのパターンを解析することにより、特定のデータを再取得することで動きに起因する画像アーティファクトを防ぎ得るか否かの決定ができる。

図４乃至図１１、図１４、及び図１５は、類似度行列の視覚化を示す。これらの例において、正方形の色褪せが非類似度を表すために使用される。正方形が完全に白色の場合、非類似度は低い。正方形がより暗い場合、非類似度は高い。全ての例が、エコートレインにオービタルナビゲータが追加されたマルチスライス、マルチショットＴＳＥシーケンスからのものである。Ｄ行列はグレイスケールで表示され、暗い値は大きな非類似度を表し、白色は低い非類似度を表す。

まず、可逆的な偶発的な動きの検知が示される。図４は、Ｔ２強調頭部撮像による例からの非類似度行列４００の視覚化を示す。ｘ軸には４０２が付され、ｙ軸には４０４が付されている。ｘ軸及びｙ軸は共にショット番号を示す。ここで使用されるショットとは、磁気共鳴データの一部分と同等であると理解される。Ｄ行列のほとんどは、低い非類似度を表す白色である。ナビゲータの大部分及びほとんどのＴＳＥショットが互いに良く一致する。例外はショット番号５（４０６）であり、他の全てのショットと異なる。この実験において、データ取得中にボランティアが額を一時的にかき、ショット番号５（４０６）を妨害した。画像アーティファクトはこの妨害に由来する。ショット番号５（４０６）が再取得データによって置換されれば、アーティファクトはなくなる。この種の動きの他の例はせき及び飲み込みである。

次に、周期的な動きの検知が示される。図５は、非類似度行列５００の他の視覚化を示す。この例もＴ２強調頭部撮像からのものである。ここでは、Ｄ行列を２つのグループに分けることができ、１つのグループ内のショットは互いに良く一致するが、他方のグループのショットとは一致しない（グループ１＝１，５，９，１４，１８，１９、グループ２＝２，３，４，６，７，８，１０，１１，１２，１３，１５，１６，１７）。これは、チェッカーボードのようなパターンをもたらす。このケースでは、動きは血管の脈動であった。規則的なパターンは、心拍及びナビゲータ周波数（シーケンスＴＲによって固定）に起因する。グループ１のショットを再取得することにより、画像内の脈動アーティファクトが低減され得る。同様なパターンが、呼吸及び心臓運動等の部分的に異なる周期的な動きのソースの適切な重畳から得られ得る。

図６は、Ｔ１強調肩撮像中に作成され、同様に周期的な動きを表す非類似度行列６００の他の視覚化を示す。これは、呼吸運動によって生じる相当に規則的なチェックボードパターンを示す。Ｄ行列の右上及び左下の角部に向かって増加（＝ナビゲータ間の時間増加）する非類似度がチェックボード上に重ねられている。これはドリフトに起因する。

また、これはＤ行列が異なる動きの種類、このケースではドリフトと周期的な動きとを区別し得ることの第１の例でもある。これらのＤ行列データに基づき、データ整合性及び画質を潜在的に改善するために再取得が理にかなうか否かの決定が可能である。

次に、突然の非可逆的な変化の検知が示される。図７は、Ｔ１強調肩撮像中に取得された非類似度行列の他の例を示す。非類似度行列において、突然の非可逆的な変化が起こるショット番号９５（７０２）のあたりで急激な変化が示されている。スキャンの開始からこのイベントまでの全てのデータが互いに良く一致するが、このイベント以降のデータとはいずれも合致しない。ショット番号９５以降に測定されたデータは全て互いに良く一致し、スキャンの最初の部分とは合致しない。この場合、いくつかのショットを再取得してもアーティファクトは回避されない。代わりに、ショット番号１から９５の全てを繰り返すことが好ましい。

このＤ行列は弱いチェッカーボード状の呼吸運動パターンも含むことに留意されたい。しかし、その強度は突然の非可逆的動きと比較すると非常に弱い。

次に、可逆的な動きと非可逆的な動きとの組み合わせの検知が示される。図８は、非類似度行列８００の他の視覚化を示す。この例（Ｔ１ｗ肩撮像）は、ショット番号１３０（８０２）において突然の非可逆的な動きを示し、番号１７０〜１８０のあたり（８０４）で短時間の可逆的な動きを示す。加えて、スキャン全体にわたって存在する呼吸による弱い規則的なチェッカーボードパターンが存在する。

図９は、非類似度行列９００を解析することによって画質が如何に改善され得るかを図示する非類似度行列９００の他の視覚化を示す。図９は、Ｄ行列が有用であり得る理由の更なる例であり、後続の図面はスキャン中にボランティアがわずかにせきをした頭部撮像の結果を示す。左側の画像は、妨害されたデータ（この場合、ショット番号１〜４（９０２））を再取得するためにリアルタイムで解析されたＤ行列を示す。中央の画像及び右側の画像は、再取得データを使用しない及び使用する再構築画像をそれぞれ示す。再取得はゴーストアーティファクトを低減することにより画質を大きく改善する。

後続の図面は本発明の実施形態へのクラスター分析の適用を示す。図１０及び図１１は、Ｄ行列１０００、１１００の視覚化を示す。

図１０は、１９のＴＳＥショットからなる実験のＤ行列１０００の一例を示す。非類似度値の変動はランダムではなく、チェックボード状のパターンが存在するように見える。これは、ＴＳＥショットをクラスターにグループ化し、Ｄ行列の行及び列をクラスタリングプロセスによって作成された順番に従って並び替えることによって明らかになる。

図１１は並び替えられたＤ行列１１００を示す。並び替えられた行列から、データセットを２つの明確に異なるグループに分けられることは明らかである。

この例では、「平均連結法を用いる凝集型階層的クラスタリングアルゴリズム」が使用された。これは、ｎ個の要素の有限集合から階層的クラスターシーケンスを作成するアルゴリズムである。このアルゴリズムは、それぞれが１つの要素しか含まないｎ個のクラスターを作成することによってイニシャライズされる。その後、各ステップにおいて、最小の非類似度を有する２つのクラスターがマージされる。２つのクラスターがマージされる非類似度の値はアルゴリズムによって記憶される（以下、融合閾値と呼ぶ）。非類似度が最も低いクラスターが常にマージされるので、融合閾値はクラスターの数と共に単調減少する。ｎ段のステップの後、全てのクラスターがマージされて集合全体を含む１つのクラスターになるので、アルゴリズムは終了する。

データセットを特徴付けるために、クラスタリングプロセスのより詳細な分析を使用してもよい。これはいくつかの例を用いて後述する。融合閾値は、依然として許容可能であると考えられるクラスター内の全要素の平均非類似度の指標である。どの閾値を許容可能として評価するかは、特別な専門知識、すなわち過去の実験から観測されたＤ行列値の分布、又は潜在するプロセスのモデル（ＭＲ信号強度、ノイズ・・・）によって決定され得る。また、絶対閾値に依存しない他の代替案は、クラスターの数に応じて融合閾値を見ることである。最適なクラスターの数は、グラフ内の「キンク」によって示されると予期される。

図１２は、図１０及び図１１に示される例のクラスター数１２００対融合閾値１２０２のプロット図を示す。この図から、１つのクラスターから２つのクラスターに移行する際に融合閾値が急落（４１０−＞２８０）することが明らかである。２つから３つに移行する際、閾値は２８０−＞２２０に下がる。その後、閾値は緩やかに低下する。最適なクラスター数が２又は３のどちらであるかに関しては議論が可能である。この問題を解決する方法への更なる洞察は、より多くの情報を含むクラスタリングプロセスの異なる視覚化によって得られ得る。

図１３は、非類似度レベル１３００に応じたクラスターサイズ１３０２分布を描く。図１３は、クラスター間非類似度の異なるレベルにおいて、どのクラスターサイズ分布が存在するかを示す。水平軸１３００には非類似度の値が示される。垂直軸１３０２上の１単位は集合の１つの要素に対応する。１つのクラスターに属する要素は同じグレイスケールで示される。対応するレベルにおいて垂直線を引くことにより、特定の非類似度レベルにおけるクラスターサイズ分布を求めることができる。存在するクラスターの数は、線上に存在する異なるグレイスケールの数によって与えられる。各クラスターのサイズは、その線とグレイスケールとの重なりの長さである。

例えば、非類似度レベル４００では２つのクラスターしか存在しない。第１のクラスター１３０４は９個の要素を含み、第２のクラスター１３０６は１０個の要素を含む。

非類似度閾値が下げられると、レベル２８０において最初の変化が起こる。このレベルにおいて、第２のクラスターは２つのサブグループに分裂し、一方は２つの要素を含み、他方は８つの要素を含む。

このコンテキストにおいて、クラスター分析の目的は、動きによって妨害されたデータを再取得することによりＭＲデータセットの質を改善することである。すなわち、追加撮像時間と潜在的な質の改善との間でトレードオフをしなければならない。

図１３から、第１のクラスターの全要素を再取得すれば（そして再取得データが第２のクラスターに属すれば）、データセット全体の非類似度を４００から２８０に下げられることがわかる。第２のクラスターの小さい方のサブグループの２つの要素を再取得することにより、非類似度を更に下げることができる。これは、クラスター階層を用いて、どれだけの追加スキャン時間でどれだけの改善が期待されるかを予想できることを意味する。すなわち、実際の問題はクラスタリングの閾値をどこに設定するかではなく、特定の質の向上のためにどれたけの余分な時間を費やすことができるかである。これは、ＭＲシステムのオペレータがスキャナのユーザインターフェイスを介して選択する、スピードと質との間のトレードオフに関する決定である。

この視覚化には重要な情報、すなわち要素の時間順序が欠けているため、図１３のみからは潜在的な改善の予測を行うことができない。

図１４及び図１５は、Ｄ行列１４００、１５００の他の視覚化を示す。これらの図は観測されたＤ行列１４００及び並び替え後の結果１５００を示す（この実験ではより多くのＴＳＥショットに分割された異なるシーケンスが使用されたため、先のものと比較すると、この例ではより多くの行及び列が存在する）。

この例では、データセットを略同じサイズの２つのグループに分けることができる。しかし、最初の例とは異なり、このケースでは２つのクラスターに属する要素は時間的に連続している。図１６は、図１４に示されるＤ行列の異なるＴＳＥショットのクラスターインデックスを示し、インデックスは２つのクラスターの間で振動する。このパターンは、２つの状態の間の周期的な動きの特徴である。

図１７は、図１５に示されるＤ行列の異なるＴＳＥショットのクラスターインデックスを示す。図１７のパターンは図１６のパターンとは大きく異なる。スキャンの第１の部分は１つのクラスターに属し、第２の部分は他のクラスターに属する。これはスキャン中の不可逆的な変化の特徴である。このケースでは患者が第１の動きの状態に戻る可能性は非常に低いので、クラスター２の要素を再取得によって排除することが決定される場合、成功する見込みはない。

動きの状態がある状態から他の状態に変化する確率を計算することにより、この質的な議論をより量的にすることができる。

図１８は、実験中の遷移確率分布（ＰＤＦ）の進展又は発展を示す。左側の画像１８００は、状態１から状態２への遷移の確率を示し、右側の画像１８０２は、状態２から状態１への遷移の確率を示す。画像内の各水平ラインは、グレイスケールコーディングでの状態遷移の確率密度関数を示す（白色は０を表す）。これらの確率分布が発展するのは、患者が特定の動き状態にある特定の時点ｉごとに、時点ｉ＋１において患者が同じ動き状態にあるか否かの観測を使用して確率分布関数を更新できるからである。すなわち、各画像内の線の数は、患者が各動き状態（左：１、右：２）にあることが観測された回数によって与えられる。これは、各画像の最後のラインが、実験の終わりにおける状態遷移の確率に関する知識の状態を表すことを意味する。

図１９の左側は、実験中に繰り返しの状態遷移が起こる第１の例の状況を示す。結果として、今後の状態遷移の確率は約５０％であると推定される。すなわち、このケースでは、再取得を用いて、クラスター１のデータをクラスター２のデータによって置換しようとする試みは成功する可能性がある。

対照的に、図１９の右側は、測定時間の〜６０％において状態変化が一度しか起こらなかった第２の例の状況を示す。ここで、実験の終わりにおけるＰＤＦは共に状態遷移の可能性が非常に低いことを示す。すなわち、再取得によってクラスター２のデータを置換しようとすることは成功しない。この場合、異なる戦略が要求され、例えば、スキャンジオメトリーを再調整して状態１の患者の位置／姿勢を復元すること、スキャンを中止すること、又はユーザに通知することである。これは、クラスタリングがどのようにして動きに関連する質の問題を解決するための決定を支援し得るかの一例に過ぎない。

図１９は、図１８に示される２つの例において観測された２つの動き状態の間の遷移確率に関する知識の進展を示す。各画像内のボトムラインは、実験の終わりにおける知識の状態を表す。
左側の図１９００：第１の例のデータ。実験の終わりにおいてＰＤＦはかなり幅広く、中心は約５０％であり、これは、今後患者の動きの状態が変化する可能性が十分にあることを示す。
右側の図１９０２：第２の例のデータ。実験全体を通して一回の状態遷移しか観測されなかったため、ＰＤＦは共に素早く低確率値の狭い分布に進展する。

図面及び上記において本発明を詳細に図示及び記述してきたが、かかる図面及び記載は制限的ではなく図解的及び説明的であると考えられるべきであり、本発明は開示の実施形態に限定されない。

図面、開示、及び添付の特許請求の範囲を分析することにより、当業者は、開示の実施形態の他の変形例を理解し実施できるであろう。請求項において、「含む（又は有する若しくは備える）」等の用語は他の要素又はステップを除外せず、要素は複数を除外しない。単一のプロセッサが複数の請求項に記載される複数のアイテムの機能を果たし得る。単にいくつかの手段が互いに異なる従属請求項内に記載されているからといって、これらの手段の組み合わせを好適に使用できないとは限らない。コンピュータプログラムは、他のハードウェアと共に又はその一部として供給される光学記憶媒体又はソリッドステート媒体等の適切な媒体上で記憶／供給されてもよいし、また、インターネット又は他の有線若しくは無線電気通信システム等を介して等他の態様で供給されてもよい。請求項内の如何なる参照符号も特許請求の範囲を限定するものと解されるべきではない。

２００ ＭＲＩシステム
２０４ 磁石
２０６ 磁石のボア
２０８ 撮像領域
２１０ 勾配磁場コイル
２１２ 勾配磁場コイル電源
２１４ ＲＦコイル
２１６ トランシーバ
２１８ 被検者
２２０ 被検者支持台
２２６ コンピュータシステム
２２８ ハードウェアインターフェイス
２３０ プロセッサ
２３２ ユーザインターフェイス
２３６ コンピュータストレージ
２３８ コンピュータメモリ
２４０ パルスシーケンス
２４２ 磁気共鳴データ
２４４ ナビゲータデータ
２４６ 非類似度行列
２４８ 行列分類
２５０ 制御モジュール
２５２ ナビゲータデータ抽出モジュール
２５４ 非類似度行列生成モジュール
２５６ 行列分類モジュール
３００ ＭＲＩシステム
３０２ モーション検知システム
３０４ 第１の関心領域
３０６ 第２の関心領域
３１０ 行列ライブラリ
３１２ 変更命令
３１４ 動きデータ
４００ 非類似度行列
４０２ ショット番号
４０４ ショット番号
４０６ ショット５
７００ 非類似度行列
７０２ ショット９５
８００ 非類似度行列
８０２ ショット１３０
８０４ ショット１７０〜１８０
９００ 非類似度行列
９０２ ショット１〜４
１０００ 非類似度行列
１１００ 非類似度行列
１２００ クラスター数
１２０２ 融合閾値
１３００ 非類似度
１３０２ 融合閾値
１４００ 非類似度行列
１５００ 非類似度行列
１８００ 左画像
１８０２ 右画像
１９００ 左画像
１９０２ 右画像

Claims (13)

1. 撮像領域から磁気共鳴データを取得するためのＭＲＩシステムであって、
   前記ＭＲＩシステムを制御するためのプロセッサと、
   前記プロセッサによって実行されるマシン実行可能命令を記憶するためのメモリと
   を含み、
   前記マシン実行可能命令の実行は、前記プロセッサに、
   前記磁気共鳴データの各部分がナビゲータデータを含む、前記磁気共鳴データの部分を取得するよう前記ＭＲＩシステムを制御することと、
   前記磁気共鳴データの部分を前記ナビゲータデータとして取得し、前記ナビゲータデータを結合することによってナビゲータベクトルのセットを作成することと、
   前記ナビゲータベクトルのセットのそれぞれの間のメトリックを計算することによって非類似度行列を構築することと、
   行列分類を選択可能なパターン認識アルゴリズムである分類アルゴリズムを使用して前記非類似度行列の行列分類を決定することと、
   前記行列分類を使用して前記磁気共鳴データの取得ステップを変更するよう前記ＭＲＩシステムを制御することと
   を繰り返し実行させる、ＭＲＩシステム。
2. 前記メモリは、手本行列を含む行列ライブラリを更に含み、前記パターン認識モジュールは、前記手本行列のうちの１つを選択できる、請求項１に記載のＭＲＩシステム。
3. 前記手本行列はそれぞれ変更命令と関連付けられ、前記ＭＲＩシステムによる前記磁気共鳴データの取得が前記変更命令を実行することによって変更される、請求項２に記載のＭＲＩシステム。
4. 前記分類アルゴリズムは、前記ナビゲータベクトルのセットの値における遷移を統計的に識別するために使用可能な統計的分析アルゴリズムである、請求項１に記載のＭＲＩシステム。
5. 前記統計的分析アルゴリズムは、ベイズ分析の実行、非類似度行列の閾値処理、非類似度行列の標準偏差の計算、所定の範囲外の非類似度行列の要素の特定、及び確率ベース選択の実行のうちのいずれか１つを実行することによって前記行列分類を決定する、請求項４に記載のＭＲＩシステム。
6. 前記磁気共鳴データは複数のスライスを含み、前記命令の実行は、前記プロセッサに、
   前記複数のスライスのそれぞれの前記非類似度行列を使用して非類似度行列のセットを計算することと、
   前記非類似度行列のセットごとに前記非類似度行列を生成するよう、前記分類アルゴリズムを使用して行列分類のセットを生成することと、
   前記行列分類のセットを使用して前記磁気共鳴データの取得を変更するよう前記ＭＲＩシステムを制御することと
   を更に実行させる、請求項１乃至５のいずれか一項に記載のＭＲＩシステム。
7. 前記ＭＲＩシステムは、２つ以上のチャネルから同時にＭＲＩデータを受信可能なマルチチャネルＲＦシステムを更に含み、前記命令の実行は、前記プロセッサに更に、前記２つ以上のチャネルからの前記ナビゲータデータを組み合わせることによって前記ナビゲータベクトルのセットを作成させる、請求項１に記載のＭＲＩシステム。
8. 前記ナビゲータデータは、所定の重み付けを使用する前記２つ以上のチャネルからの前記ナビゲータデータの平均化、及び前記２つ以上のチャネルからの前記ナビゲータデータの連結のうちのいずれか１つを使用することによって組み合わせられる、請求項７に記載のＭＲＩシステム。
9. 前記磁気共鳴データの取得は、前記磁気共鳴データの取得の停止、スキャンジオメトリーを変更して前記磁気共鳴データ取得を再開すること、前記磁気共鳴データの１つ以上の部分を無視すること、前記磁気共鳴データの部分を再取得すること、オペレータアラートを生成すること、及びこれらの組み合わせのうちのいずれか１つによって変更される、請求項１乃至８のいずれか一項に記載のＭＲＩシステム。
10. 前記メトリックは、ナビゲータベクトル間の平方複素数差の和の計算、ナビゲータベクトルの大きさの差の計算、ナビゲータベクトル間の差の絶対値の計算、及びナビゲータ信号間の相関の計算のうちのいずれか１つである、請求項１乃至９のいずれか一項に記載のＭＲＩシステム。
11. 前記磁気共鳴データは画像データを含み、前記命令の実行は、前記ＭＲＩシステムに、第１の関心領域から前記画像データを取得させ、第２の関心領域から前記ナビゲータデータを取得させる、請求項１乃至１０のいずれか一項に記載のＭＲＩシステム。
12. 前記ＭＲＩシステムは動きデータを取得するためのモーション検知システムを含み、前記命令の実行は、前記プロセッサに、前記磁気共鳴データの取得中に前記動きデータを取得させ、前記命令の実行は、前記プロセッサに更に、スケーリングファクタを使用して前記動きデータを前記非類似度行列に組み込ませる、請求項１乃至１１のいずれか一項に記載のＭＲＩシステム。
13. 撮像領域から磁気共鳴データを取得するようＭＲＩシステムを制御するプロセッサによって実行されるマシン読み取り可能命令を含むコンピュータプログラムであって、前記マシン実行可能命令の実行は、前記プロセッサに、
    前記磁気共鳴データの各部分がナビゲータデータを含む、前記磁気共鳴データの部分を取得するよう前記ＭＲＩシステムを制御することと、
    前記磁気共鳴データの部分を前記ナビゲータデータとして取得し、前記ナビゲータデータを結合することによってナビゲータベクトルのセットを作成することと、
    前記ナビゲータベクトルのセットのそれぞれの間のメトリックを計算することによって非類似度行列を構築することと、
    行列分類を選択可能なパターン認識アルゴリズムである分類アルゴリズムを使用して前記非類似度行列の行列分類を決定することと、
    前記行列分類を使用して前記磁気共鳴データの取得ステップを変更するよう前記ＭＲＩシステムを制御することと
    を繰り返し実行させる、コンピュータプログラム。