JP7224817B2 - 信号データ処理装置 - Google Patents
信号データ処理装置 Download PDFInfo
- Publication number
- JP7224817B2 JP7224817B2 JP2018166717A JP2018166717A JP7224817B2 JP 7224817 B2 JP7224817 B2 JP 7224817B2 JP 2018166717 A JP2018166717 A JP 2018166717A JP 2018166717 A JP2018166717 A JP 2018166717A JP 7224817 B2 JP7224817 B2 JP 7224817B2
- Authority
- JP
- Japan
- Prior art keywords
- frame
- signal data
- processing target
- image
- data
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 claims description 158
- 238000010801 machine learning Methods 0.000 claims description 38
- 239000000872 buffer Substances 0.000 claims description 30
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 description 46
- 230000002123 temporal effect Effects 0.000 description 28
- 238000003384 imaging method Methods 0.000 description 27
- 230000005540 biological transmission Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 230000015654 memory Effects 0.000 description 14
- 238000012986 modification Methods 0.000 description 13
- 230000004048 modification Effects 0.000 description 13
- 230000003068 static effect Effects 0.000 description 10
- 238000000034 method Methods 0.000 description 8
- 230000000241 respiratory effect Effects 0.000 description 6
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000002600 positron emission tomography Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 230000003187 abdominal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G06T5/77—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Description
本発明の実施形態は、信号データ処理装置に関する。
医用画像やその生データ等の医用信号データを用いた機械学習において、一部が欠損した医用信号から元の信号を復元するために、多くの学習データから学習した深層ニューラルネットワーク（ＤＮＮ：Deep Neural Network）を適用する手法がある。例えば、磁気共鳴イメージング（ＭＲＩ：Magnetic Resonance Imaging）等において、処理対象画像と参照画像とを入力とし、当該処理対象画像の欠損部分が復元された画像を出力するＤＮＮがある。しかしながら、参照画像は処理対象画像とは別の時刻に撮像された画像であるため、参照画像の撮像時と処理対象画像の撮像時とでは被検体の形態が異なる場合がある。この場合、処理対象画像に対する参照画像の相関の程度が低く、出力画像の画質が劣化してしまう。
Jo Schlemper，他４名, 「A Deep Cascade of Convolutional Neural Networks for MR Image Reconstruction」 arXiv:1703.00555v1 [cs.CV], 2017年3月1日.
Bo Zhu et al. Deep learning MR reconstruction with Automated Transform by Manifold Approximation (AUTOMAP) in real-world acquisitions with imperfect training: simulation and in-vivo experiments. In Proc. ISMRM Workshop on Machine Learning, Poster 46, March 2018.
本発明が解決しようとする課題は、機械学習の出力精度を向上することである。
実施形態に係る信号データ処理装置は、被検体に関し、時系列に従う複数フレームの第１の信号データを取得する取得部と、前記複数フレームのうちの処理対象フレームと、前記処理対象フレームに対する類似度合いに関する所定の基準を満たす参照フレームとを選択する選択部と、前記処理対象フレームの第１の信号データと前記参照フレームの第１の信号データとを機械学習モデルに入力して前記処理対象フレームの第２の信号データを出力する処理部と、を具備する。
以下、図面を参照しながら本実施形態に係る信号データ処理装置を説明する。
本実施形態に係る信号データ処理装置は、時系列に従う複数フレームの信号データを処理する処理回路を実装する装置である。信号データ処理装置は、例えば、医用画像診断装置に搭載されたコンピュータにより実現される。信号データを収集する医用画像診断装置としては、磁気共鳴イメージング装置（ＭＲＩ装置）、Ｘ線コンピュータ断層撮影装置（ＣＴ装置）、Ｘ線診断装置、ＰＥＴ（Positron Emission Tomography）装置、ＳＰＥＣＴ装置（Single Photon Emission CT）装置及び超音波診断装置等の単一モダリティ装置であっても良いし、ＰＥＴ／ＣＴ装置、ＳＰＥＣＴ／ＣＴ装置、ＰＥＴ／ＭＲＩ装置、ＳＰＥＣＴ／ＭＲＩ装置等の複合モダリティ装置であっても良い。他の例として、信号データ処理装置は、医用画像診断装置にケーブルやネットワーク等を介して通信可能に接続されたコンピュータであっても良いし、当該医用画像診断装置とは独立のコンピュータであっても良い。以下、信号データ処理装置は、磁気共鳴イメージング装置に実装されるものとする。
図１は、本実施形態に係る信号データ処理装置５０を実装する磁気共鳴イメージング装置１の構成を示す図である。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及び信号データ処理装置５０を有する。
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。
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。
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。
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。
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磁場パルス（以下、ＲＦ磁場パルスと呼ぶ）を発生する。
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磁場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磁場パルスは、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磁気共鳴信号（以下、ＭＲ信号と呼ぶ）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。
受信コイル４７は、ＲＦ磁場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良いし、少なくても良い。
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、画像再構成に供される生データの一種である。ｋ空間データは、有線又は無線を介して信号データ処理装置５０に供給される。
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。
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。
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５１の撮像プロトコル設定機能５１１により決定された撮像プロトコル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、当該撮像プロトコルに応じたパルスシーケンスを実行して被検体ＰをＭＲ撮像し、被検体Ｐに関するｋ空間データを収集する。ｋ空間データは、本実施形態に係る信号データの一種である。
図１に示すように、信号データ処理装置５０は、処理回路５１、メモリ５２、ディスプレイ５３、入力インタフェース５４及び通信インタフェース５５を有するコンピュータである。
処理回路５１は、ハードウェア資源として、ＣＰＵやＧＰＵ（Graphics Processing Unit）、ＭＰＵ等のプロセッサとＲＯＭやＲＡＭ等のメモリとを有する。処理回路５１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５１は、各種プログラムの実行により撮像プロトコル設定機能５１１、データ取得機能５１２、フレーム選択機能５１３、画像生成機能５１４、画像処理機能５１５及び表示制御機能５１６を実現する。
撮像プロトコル設定機能５１１において処理回路５１は、対象のＭＲ撮像に関する撮像プロトコルを、入力インタフェース５４を介したユーザ指示に従い又は自動的に設定する。撮像プロトコルは、一のＭＲ撮像に関する各種の撮像パラメータの集合である。撮像パラメータとしては、例えば、撮像時間やｋ空間充填方式の種類、パルスシーケンスの種類、ＴＲ、ＴＥ等のＭＲ撮像を行うために直接又は間接に設定される種々の撮像パラメータがある。
データ取得機能５１２において処理回路５１は、被検体Ｐに関し、時系列に従う複数フレームの信号データを取得する。本実施形態に係る信号データは、磁気共鳴イメージング装置により収集又は生成可能な如何なるデータでもよい。例えば、信号データは、ｋ空間データやｋ空間データに基づくハイブリッドデータ、ｋ空間データに基づくＭＲ画像のデータの総称である。なお、ハイブリッドデータは、ｋ空間データに対して任意方向に関してフーリエ変換を施すことにより生成されるデータである。信号データの取得は、処理回路５１の制御のもとに行われるＭＲ撮像における受信回路２５を介した信号データの収集、複数フレームの信号データの中から任意のフレームの信号データの選択、他装置からの信号データの受信、転送又は伝送等の処理を含むものとする。また、処理回路５１は、心電計や呼吸動計測器（呼吸センサ）等の外部計測器からの出力データ（以下、外部計測器データと呼ぶ）も取得する。外部計測器データは、信号データにフレーム毎に関連付けて管理される。
フレーム選択機能５１３において処理回路５１は、複数フレームの中から処理対象フレームを選択する。また、処理回路５１は、複数フレームの中から、処理対象フレームに対する信号データの類似度合いに関する所定の基準を満たす参照フレームを選択する。信号データの類似度合いは、処理対象フレームと参照フレームとの信号データの一致度合により直接的に決定又は計算されてもよいし、処理対象フレームと参照フレームとの体動位相の一致度合いにより間接的に推定されてもよい。なお、体動位相は、心位相や呼吸位相等の人体の略周期的な動きに関する位相を意味する。
画像生成機能５１４において処理回路５１は、処理対象フレームの信号データと参照フレームの信号データとを機械学習モデル５２１に入力して処理対象フレームの信号データを出力する。機械学習モデル５２１は、予め信号データ処理装置５０や他のコンピュータ等により生成され、メモリ５２に記憶されている。
図２は、機械学習モデル５２１の入出力関係を示す図である。図２に示すように、機械学習モデル５２１は、処理対象フレームの信号データ（処理対象入力フレーム）と参照フレームの信号データ（参照入力フレーム）との入力を受け付け、処理対象フレームの信号データ（処理対象出力フレーム）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。機械学習モデル５２１は、複数の調整可能な関数及びパラメータ（重み付け行列又はバイアス）の組合せにより定義されるパラメータ付き合成関数である。機械学習モデル５２１は、例えば、入力層、中間層及び出力層を有する多層のネットワークモデル（ＤＮＮ：Deep Neural Network）により実現される。以下、機械学習モデル５２１を利用した再構成処理をＤＮＮ再構成と呼ぶことにする。
画像生成機能５１４において処理回路５１は、処理対象フレームの信号データと参照フレームの信号データとに、機械学習モデル５２１を利用したＤＮＮ再構成を施してＭＲ画像（以下、ＤＮＮ再構成画像と呼ぶ）を生成する。ＤＮＮ再構成画像は、処理対象フレームのｋ空間データにフーリエ変換を施すことにより生成されたＭＲ画像に比して信号欠損が低減されている、換言すれば、画質が良好な傾向にある。本実施形態に係る信号欠損は、被検体に関する所望の信号データに対する実際の信号データの如何なる差異を含む概念である。例えば、信号欠損としては、種々の原因により生ずるノイズに起因する信号劣化、ｋ空間データの間引収集等による信号データのサンプリング点数の低下に起因する信号欠落、Ａ／Ｄ変換の過程で生じる連続値から離散値への変換に起因する情報欠落等を含む。
入力データの種類と出力データの種類とは機械学習モデル５２１に依存する。例えば、ある機械学習モデル５２１は、入力データとしてｋ空間データを入力し、出力データとして、入力ｋ空間データに比して信号欠損が低減されたｋ空間データを出力してもよい。この場合、処理回路５１は、出力ｋ空間データにフーリエ変換を施してＤＮＮ再構成画像を生成する。他の機械学習モデル５２１は、入力データとしてＭＲ画像を入力し、出力データとして、入力ＭＲ画像に比して信号欠損が低減されたＤＮＮ再構成画像を出力してもよい。この場合、処理回路５１は、データ取得機能５１２により取得されたｋ空間データにフーリエ変換を施してＭＲ画像を生成し、生成されたＭＲ画像を機械学習モデル５２１に入力する。他の機械学習モデル５２１は、入力データとしてｋ空間データを入力し、出力データとして、入力ｋ空間データにフーリエ変換を施すことにより生成されるＭＲ画像に比して信号欠損が低減されたＤＮＮ再構成画像を生成してもよい。以下、機械学習モデル５２１は、入力データとしてｋ空間データを入力し、出力データとしてＤＮＮ再構成画像を生成するものとする。
画像処理機能５１５において処理回路５１は、ＤＮＮ再構成画像に種々の画像処理を施す。例えば、処理回路５１は、ボリュームレンダリングや、サーフェスレンダリング、画素値投影処理、ＭＰＲ（Multi-Planer Reconstruction）処理、ＣＰＲ（Curved MPR）処理等の画像処理を施す。
表示制御機能５１６において処理回路５１は、種々の情報をディスプレイ５３に表示する。例えば、処理回路５１は、ＤＮＮ再構成画像や撮像プロトコルの設定画面等をディスプレイ５３に表示する。
メモリ５２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５２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良い。例えば、メモリ５２は、信号データや制御プログラム、機械学習モデル５２１等を記憶する。
ディスプレイ５３は、種々の情報を表示する。例えば、ディスプレイ５３は、画像生成機能５１４により生成されたＤＮＮ再構成画像や撮像プロトコルの設定画面等を表示する。ディスプレイ５３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。
入力インタフェース５４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５４の例に含まれる。
通信インタフェース５５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。
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、信号データ処理装置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５１とが同一の基板に実装されても良い。シーケンス制御回路２９、傾斜磁場電源２１、送信回路２３及び受信回路２５は、信号データ処理装置５０とは異なる単一の制御装置に実装されても良いし、複数の装置に分散して実装されても良い。
以下、本実施形態に係る磁気共鳴イメージング装置１及び信号データ処理装置５０の動作例を説明する。
図３は、処理回路５１によるＭＲ撮像の典型的な流れを示す図である。図４は、図３の処理を模式的に示す図である。図３の処理は、シーケンス制御回路２９により被検体Ｐに対するＭＲ撮像が行われた後に開始されるものとする。図３において行われるＭＲ撮像は、被検体Ｐの心臓や胸部、腹部等を対象とする、複数フレームのｋ空間データを収集する動画撮像（ダイナミックＭＲＩ）が好適である。
図３に示すように、処理回路５１は、データ取得機能５１２により、ステップＳ１において処理回路５１は、受信回路２５を介して時系列に従う複数フレームのｋ空間データを取得する（ステップＳ１）。ステップＳ１は、ＭＲ撮像時においてリアルタイムで行われるものとする。すなわち、一のフレームのｋ空間データが取得される毎に後段のステップＳ２からステップＳ６が行われるものとする。
ステップＳ２が行われると処理回路５１は、フレーム選択機能５１３により、ステップＳ１において取得した複数フレームの中から処理対象フレームＦ０を選択する（ステップＳ３）。処理対象フレームＦ０の選択基準は任意に設定可能である。例えば、複数フレームのうち、ＤＮＮ再構成画像が生成されていない最古のフレームが選択されてもよいし、最新のフレームが選択されてもよい。また、入力インタフェース５４を介してユーザにより選択されてもよい。
ステップＳ３が行われると処理回路５１は、フレーム選択機能５１３により、処理対象フレーム以外のフレームについて、処理対象フレームＦ０との間の類似度を算出する（ステップＳ４）。類似度は、処理対象フレームＦ０と他フレームＦｎ（ｎは整数）との信号データの類似度合いを示す指標である。類似度は、例えば、処理対象フレームＦ０の時相特徴量Ｐ０と他フレームＦｎの時相特徴量Ｐｎ（ｎは整数）との誤差により規定される。時相特徴量は、当該フレームのＭＲ画像に描出される被写体（被検体Ｐ）の形態に依存する指標である。時相特徴量として、例えば、当該フレームのＭＲ画像が用いられる。この場合、処理回路５１は、処理対象フレームＦ０のｋ空間データにフーリエ変換を施してＭＲ画像を生成し、生成されたＭＲ画像を時相特徴量Ｐ０に設定する。同様に、処理回路５１は、他のフレームＦｎのｋ空間データにフーリエ変換を施してＭＲ画像を生成し、生成されたＭＲ画像を時相特徴量Ｐｎに設定する。そして処理回路５１は、処理対象フレームＦ０のＭＲ画像Ｐ０と他のフレーム各々のＭＲ画像Ｐｎとのデータ照合に基づく誤差を類似度として算出する。例えば、ＭＲ画像Ｐ０とＭＲ画像Ｐｎとの画素毎の差分値を算出し、全ての画素の差分値の合計値を類似度として算出する。
なお、時相特徴量として当該フレームのＭＲ画像を用いる場合、ｋ空間データの全域をフーリエ変換することにより生成されたＭＲ画像が用いられてもよいし、ｋ空間データの一部（例えば、低域）に限定してフーリエ変換することにより生成されたＭＲ画像が用いられてもよい。また、例えばＡＣＳ（オートキャリブレーション信号）を用いるパルスシーケンス、ＰＲＯＰＥＬＬＥＲ法、Ｓｔａｃｋ－ｏｆ－Ｓｔａｒｓスキャン法のように、各フレームでｋ空間データの一部を収集する手法の場合は、そのｋ空間データそのもの、あるいは、そのｋ空間データに対してフーリエ変換を適用することにより生成されたスペクトルデータ（またはＭＲ画像）を用いてもよい。
時相特徴量として、心電計や呼吸動計測器等の外部計測器からの出力データ（以下、計測器データと呼ぶ）が用いられてもよい。呼吸動計測器としては、例えば、呼吸腹帯（呼吸ベルト）や機械式の計測器、光学式の計測器、光学カメラ等が用いられる。処理回路５１は、処理対象フレームＦ０の計測器データを時相特徴量Ｐ０に設定し、他のフレームＦｎの計測器データを時相特徴量Ｐｎに設定する。そして処理回路５１は、処理対象フレームＦ０の計測器データＰ０と他のフレーム各々の計測器データＰｎとのデータ照合に基づく誤差を類似度として算出する。例えば、処理対象フレームＦ０の計測器データと他のフレームＦｎの計測器データとの差分値を算出し、当該差分値を類似度として算出する。また、時相特徴量として、ｋ空間データやハイブリッドデータが用いられてもよい。
時相特徴量として、当該フレームのデータ収集において印加されたナビゲーションエコーにより得られた信号値が用いられてもよい。具体的には、当該フレームのデータ収集において印加されたナビゲーションエコーにより得られた信号値のうちの何れの時刻の信号値が用いられてもよい。１時刻の信号値が用いられてもよいし、複数時刻にそれぞれ対応する複数の信号値が用いられてもよい。複数の信号値としては、一定の時間範囲に含まれる複数の時刻にそれぞれ対応する複数の信号値そのものが用いられてもよいし、複数の信号値の波形が用いられてもよい。また、複数の信号値の平均値や中間値等の統計値が時相特徴量として用いられてもよい。
ステップＳ３が行われると処理回路５１は、フレーム選択機能５１３により、処理対象フレーム以外のフレームの中から参照フレームを選択する（ステップＳ４）。より詳細には、処理回路５１は、他のフレームＦｎ各々について算出された処理対象フレームに対する類似度に応じて参照フレームを選択する。類似度が時相特徴量の差分値である場合、例えば、他のフレームＦｎ各々の差分値を閾値に対して比較し、閾値を下回るフレームが参照フレームとして選択される。閾値を下回るフレームが複数ある場合、差分値が最も小さいフレームが参照フレームとして選択されてもよいし、時相が一番近いフレームが参照フレームとして選択されてもよし、他の基準により参照フレームが選択されてもよい。例えば、図４の場合、処理対象フレームＦ０の時相特徴量Ｐ０との類似度が最も高いフレームＦ２が参照フレームに選択される。
ステップＳ４が行われると処理回路５１は、画像生成機能５１４により、処理対象フレームと参照フレームとに基づくＤＮＮ再構成を実行し、処理対象フレームに関するＤＮＮ再構成画像を生成する（ステップＳ５）。ステップＳ５において処理回路５１は、処理対象フレームＦ０のｋ空間データと参照フレームＦ２のｋ空間データとを機械学習モデル５２１に適用し、処理対象フレームＦ０に関するＤＮＮ再構成画像Ｉ１を生成する。
なお、機械学習モデル５２１の入力は、処理対象フレームの信号データと参照フレームの信号データとに限定されない。例えば、機械学習モデル５２１は、処理対象フレームの信号データと、参照フレームの信号データと、処理対象フレームに対する参照フレームの類似度とを入力とし、処理対象フレームのデノイズされた信号データを出力するようにパラメータが学習されたＤＮＮでもよい。類似度の入力形式は、特に限定されないが、例えば、信号データと同一サイズの行列を用意し、当該行列の全ての要素に類似度の値が割り当てられたデータが用いられるとよい。このように、類似度も入力に用いることにより、出力信号データの精度の更なる向上が期待される。
また、機械学習モデル５２１は、処理対象フレームの信号データと、参照フレームの信号データと、処理対象フレームと参照フレームとの間の収集時間差とを入力とし、処理対象フレームのデノイズされた信号データを出力するようにパラメータが学習されたＤＮＮでもよい。収集時間差は、処理対象フレームのｋ空間データの収集時刻と参照フレームのｋ空間データの収集時刻との差に規定される。収集時間差の入力形式は、特に限定されないが、例えば、信号データと同一サイズの行列を用意し、当該行列の全ての要素に収集時間差の値が割り当てられたデータが用いられるとよい。このように、収集時間差も入力に用いることにより、出力信号データの精度の更なる向上が期待される。
ステップＳ５が行われると処理回路５１は、表示制御機能５１６により、ＤＮＮ再構成画像をディスプレイ５３に表示する（ステップＳ６）。
以上により、処理回路５１によるＭＲ撮像の典型的な流れの説明を終了する。
なお、上記と同様に、動画撮像においてｋ空間データが収集された全てのフレームについてステップＳ２－Ｓ６が行われる。これにより、複数フレームのＤＮＮ再構成画像を動画表示することが可能になる。
上記の通り、信号データ処理装置５０は、少なくとも処理回路５１を有する。処理回路５１は、データ取得機能５１２、フレーム選択機能５１３及び画像生成機能５１４を実現する。データ取得機能５１２により処理回路５１は、被検体に関し、時系列に従う複数フレームの第１の信号データを取得する。フレーム選択機能５１３により処理回路５１は、複数フレームのうちの処理対象フレームと、処理対象フレームに対する類似度合いに関する所定の基準を満たす参照フレームとを選択する。画像生成機能５１４により処理回路５１は、処理対象フレームの第１の信号データと参照フレームの第１の信号データとを機械学習モデル５２１に入力して処理対象フレームの第２の信号データを出力する。
本実施形態によれば、処理対象フレームに最も信号データが類似する他フレームを参照フレームとして選択することができるので、処理対象フレームのＤＮＮ再構成画像の画質を向上させることが可能になる。
なお、上記の説明において、機械学習モデル５２１に入力される参照フレームは１フレームであるとした。しかしながら、本実施形態はこれに限定されない。機械学習モデル５２１に入力される参照フレームは２フレーム以上であってもよい。例えば、参照フレームが３フレームである場合、類似度が上位３位にある３つのフレームが参照フレームとして選択されればよい。
（変形例１）
上記の説明において参照フレームは、動画撮像によりデータ収集が行われた全てのフレームの中から選択されるものとした。しかしながら、本実施形態はこれに限定されない。
上記の説明において参照フレームは、動画撮像によりデータ収集が行われた全てのフレームの中から選択されるものとした。しかしながら、本実施形態はこれに限定されない。
図５は、変形例１に係る処理対象フレームと参照フレームとの選択を模式的に示す図である。図５に示すように、動画撮像時において複数フレームについてｋ空間データが収集されている。変形例１において収集された複数フレームのｋ空間データは先入れ先出しバッファ（ＦＩＦＯバッファ）Ｂ０にリアルタイムで蓄積される。ＦＩＦＯバッファＢ０には最大Ｎフレーム（Ｎは整数）のｋ空間データを蓄積可能であるとする。この場合、最新のＮフレームのｋ空間データがＦＩＦＯバッファＢ０に蓄積される。例えば、処理回路５１は、ＦＩＦＯバッファＢ０から取り出された（先入れ先出しされた）フレームを処理対象フレームに選択し、ＦＩＦＯバッファＢ０に蓄積された最新のＮフレームの中から参照フレームを選択する。参照フレームの選択候補をＦＩＦＯバッファＢ０に蓄積された最新のＮフレームに限定することにより、処理対象フレームに時間的に近いフレームの中から参照フレームを選択することができる。なお、ＦＩＦＯバッファＢ０はメモリ５２に設けられてもよいし、処理回路５１に設けられてもよい。
なお、処理対象フレームもＦＩＦＯバッファＢ０に蓄積された最新のＮフレームの中から選択されてもよい。
（変形例２）
上記実施形態においてＤＮＮ再構成は、動画撮像が終了した後に行われるものとした。しかしながら、ＤＮＮ再構成は、動画撮像時に行われてもよい。
上記実施形態においてＤＮＮ再構成は、動画撮像が終了した後に行われるものとした。しかしながら、ＤＮＮ再構成は、動画撮像時に行われてもよい。
図６は、変形例２に係る処理対象フレームと参照フレームとの選択を模式的に示す図である。図６に示すように、予め、時相特徴量は、値に応じて複数のクラスに分類される。例えば、動画撮像の開始から所定秒の間、ｋ空間データはバッファに蓄積され続ける。所定秒は、時相特徴量が取り得る値を推定可能な程度のデータを収集し得る時間に規定される。例えば、腹部撮像であれば２呼吸程度、例えば、１０秒程度に設定される。なお、図６に示す時相特徴量は、呼吸センサの出力データ（外部計測器データ）であるとする。
所定秒が経過すると処理回路５１は、各フレームの時相特徴量を特定又は算出し、時相特徴量の取り得る範囲を推定する。例えば、特定又は算出された時相特徴量のうちの最小値ｍｉｎと最大値ｍａｘとを特定し、最小値ｍｉｎと最大値ｍａｘとに所定のマージンαを加えたｍｉｎ－αからｍａｘ＋αまでの範囲が取り得る範囲に設定される。そして処理回路５１は、取り得る範囲を均等に所定数分割することにより、時相特徴量を所定数のクラスに分類する。所定数は任意に設定可能である。図６の場合、１０のクラスに分類される。
各クラスについてキュー（待ち行列、ＦＩＦＯバッファ）が設けられる。各キューには、対応するクラスのｋ空間データがフレーム単位で蓄積される。例えば、図６の場合、１０クラスあるので、１０のＦＩＦＯバッファＢｎ（ｎは１から１０までの整数）が設けられる。処理回路５１は、各フレームのｋ空間データを、対応するＦＩＦＯバッファＢｎに記憶する。処理回路５１は、最初のフレームから順番に、ＦＩＦＯバッファＢｎに記憶されたフレームの中から参照フレームを選択し、ＤＮＮ再構成を実行する。なお、ＦＩＦＯバッファＢｎはメモリ５２に設けられてもよいし、処理回路５１に設けられてもよい。
例えば、図６の場合、現在のフレームの時相特徴量がクラス「８」に分類されるので、現在のフレームのｋ空間データは、ＦＩＦＯバッファＢ８に記憶される。処理回路５１は、現在のフレームを処理対象フレームとして選択し、ＦＩＦＯバッファＢ８に記憶された他のフレームの中から参照フレームを選択する。例えば、参照フレームとして、ＦＩＦＯバッファＢ８に記憶されたフレームのうちの、現在のフレームの１枚前に記憶されたフレームが選択されてもよいし、最古のフレームが選択されてもよい。あるいは、ＦＩＦＯバッファＢ８に記憶されたフレームのうちの、最も類似度が高いフレームが参照フレームとして選択されてもよい。
なお、ＦＩＦＯバッファＢｎに十分なフレーム数のｋ空間データが蓄積されていない場合、処理回路５１は、近いクラスのＦＩＦＯバッファＢｎに記憶されたフレームから参照フレームを選択してもよい。
このように変形例２によれば、時相特徴量のクラス毎にＦＩＦＯバッファＢｎが設けられる。処理対象フレームと同一のクラスのＦＩＦＯバッファＢｎに記憶されたフレームは、処理対象フレームとの間で高い類似度を有することとなる。従って類似度を算出することなく、処理対象フレームとの間で高い類似度を有する参照フレームを選択することが可能になる。
（変形例３）
変形例３に係る処理回路５１は、フレーム選択機能５１３において、機械学習モデルを利用して類似度を計算する。
変形例３に係る処理回路５１は、フレーム選択機能５１３において、機械学習モデルを利用して類似度を計算する。
図７は、類似度計算のための機械学習モデルの入出力関係を示す図である。図７に示すように、機械学習モデルは、処理対象フレームの時相特徴量と比較フレームの時相特徴量とを入力とし、処理対象フレームの信号データに対する比較フレームの信号データの類似度を出力するようにパラメータが学習される。なお、比較フレームは、類似度の算出対象のフレームを示す。例えば、時相特徴量がｋ空間データである場合、処理回路５１は、処理対象フレームのｋ空間データと比較フレームのｋ空間データとを機械学習モデルに適用することにより、当該比較フレームの処理対象フレームに対する類似度を計算することができる。
以上説明した少なくとも１つの実施形態によれば、機械学習の出力精度を向上することができる。
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。
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 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 信号データ処理装置
５１ 処理回路
５２ メモリ
５３ ディスプレイ
５４ 入力インタフェース
５５ 通信インタフェース
１３１ 天板
１３３ 基台
５１１ 撮像プロトコル設定機能
５１２ データ取得機能
５１３ フレーム選択機能
５１４ 画像生成機能
５１５ 画像処理機能
５１６ 表示制御機能
５２１ 機械学習モデル
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 信号データ処理装置
５１ 処理回路
５２ メモリ
５３ ディスプレイ
５４ 入力インタフェース
５５ 通信インタフェース
１３１ 天板
１３３ 基台
５１１ 撮像プロトコル設定機能
５１２ データ取得機能
５１３ フレーム選択機能
５１４ 画像生成機能
５１５ 画像処理機能
５１６ 表示制御機能
５２１ 機械学習モデル
Claims (10)
- 被検体に関し、時系列に従う複数フレームに対応する複数の第１の信号データを取得する取得部と、
前記複数フレームのうちの、処理対象フレームと、前記処理対象フレームに対する類似度合いに関する所定の基準を満たす参照フレームとを選択する選択部と、
前記処理対象フレームに対応する第１の信号データと前記参照フレームに対応する第１の信号データとを機械学習モデルに入力して前記処理対象フレームの第２の信号データを出力する処理部と、
を具備する信号データ処理装置。 - 前記選択部は、前記処理対象フレームとは異なる他フレーム各々について前記処理対象フレームとの間で第１の信号データの特徴量の差分値を算出し、前記差分値が閾値を下回るフレームを前記参照フレームとして選択する、請求項１記載の信号データ処理装置。
- 前記取得部は、前記複数フレーム各々について前記被検体の体動を計測する計測器の出力値データを取得し、
前記選択部は、前記処理対象フレームとは異なる他フレーム各々について前記処理対象フレームとの間で前記計測器の出力値データの特徴量の差分値を算出し、前記差分値が閾値を下回るフレームを前記参照フレームとして選択する、
請求項１記載の信号データ処理装置。 - 前記取得された複数の第１の信号データをフレーム毎に順番に記憶するバッファと、
前記選択部は、前記バッファに記憶された複数の第１の信号データの中から前記参照フレームに対応する第１の信号データを選択する、
請求項１記載の信号データ処理装置。 - 前記複数フレームの特徴量の値に応じて分類された複数のバッファを更に備え、
前記選択部は、
前記複数フレーム各々に対応する第１の信号データを、前記複数のバッファのうちの当該フレームの特徴量が対応するバッファに記憶し、
前記処理対象フレームが記憶されたバッファに一致するバッファに記憶されたフレームの中から前記参照フレームを選択する、
請求項１記載の信号データ処理装置。 - 前記第１の信号データは、医用画像診断装置により収集された前記被検体に関する医用信号データである、請求項１記載の信号データ処理装置。
- 前記第１の信号データは、磁気共鳴イメージング装置により収集された前記被検体に関する第１のｋ空間データと、前記第１のｋ空間データに基づく第１の画像とを含み、
前記選択部は、前記処理対象フレームに対する第１の画像の類似度合いが前記所定の基準を満たす他のフレームを前記参照フレームとして選択する、
請求項１記載の信号データ処理装置。 - 前記処理部は、
前記処理対象フレームの第１のｋ空間データ又は第１の画像と前記参照フレームの第１のｋ空間データ又は第１の画像とを前記機械学習モデルに入力して前記処理対象フレームの第２のｋ空間データ又は第２の画像を出力する、又は、
前記処理対象フレームの第１のｋ空間データと前記参照フレームの第１のｋ空間データとを前記機械学習モデルに入力して前記処理対象フレームの第２の画像を出力する、
請求項７記載の信号データ処理装置。 - 前記処理部は、前記処理対象フレームに対応する第１の信号データと、前記参照フレームに対応する第１の信号データと、前記処理対象フレームに対する前記参照フレームの類似度合いとを機械学習モデルに入力して前記処理対象フレームの第２の信号データを出力する、請求項１記載の信号データ処理装置。
- 前記処理部は、前記処理対象フレームに対応する第１の信号データと、前記参照フレームに対応する第１の信号データと、前記処理対象フレームと前記参照フレームとの間の収集時間差とを機械学習モデルに入力して前記処理対象フレームの第２の信号データを出力する、請求項１記載の信号データ処理装置。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018166717A JP7224817B2 (ja) | 2018-09-06 | 2018-09-06 | 信号データ処理装置 |
| US16/554,770 US11195059B2 (en) | 2018-09-06 | 2019-08-29 | Signal data processing apparatus |
| JP2023017786A JP2023054041A (ja) | 2018-09-06 | 2023-02-08 | 信号データ処理装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018166717A JP7224817B2 (ja) | 2018-09-06 | 2018-09-06 | 信号データ処理装置 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023017786A Division JP2023054041A (ja) | 2018-09-06 | 2023-02-08 | 信号データ処理装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020039380A JP2020039380A (ja) | 2020-03-19 |
| JP7224817B2 true JP7224817B2 (ja) | 2023-02-20 |
Family
ID=69719834
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018166717A Active JP7224817B2 (ja) | 2018-09-06 | 2018-09-06 | 信号データ処理装置 |
| JP2023017786A Pending JP2023054041A (ja) | 2018-09-06 | 2023-02-08 | 信号データ処理装置 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023017786A Pending JP2023054041A (ja) | 2018-09-06 | 2023-02-08 | 信号データ処理装置 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11195059B2 (ja) |
| JP (2) | JP7224817B2 (ja) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008259142A (ja) | 2007-04-09 | 2008-10-23 | Canon Inc | 撮像装置、画像処理装置及びそれの制御方法、並びに画像処理システム |
| JP2011055133A (ja) | 2009-08-31 | 2011-03-17 | Fujifilm Corp | 画像処理システム、画像処理方法およびプログラム |
| JP2014182480A (ja) | 2013-03-18 | 2014-09-29 | Toshiba Corp | 人物認識装置、及び方法 |
| US20160148376A1 (en) | 2014-11-26 | 2016-05-26 | Samsung Electronics Co., Ltd. | Computer aided diagnosis (cad) apparatus and method |
| JP2017033168A (ja) | 2015-07-30 | 2017-02-09 | 日本電信電話株式会社 | 特徴抽出装置、画像検索装置、方法、及びプログラム |
| JP2017169884A (ja) | 2016-03-24 | 2017-09-28 | トヨタ自動車株式会社 | 睡眠状態推定装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1040363A (ja) | 1996-07-24 | 1998-02-13 | Hitachi Medical Corp | 画像処理装置 |
| JPH1131214A (ja) | 1997-07-10 | 1999-02-02 | Hitachi Medical Corp | 画像処理装置 |
| JP6015195B2 (ja) * | 2012-07-25 | 2016-10-26 | 富士通株式会社 | 通信装置及び送信電力制御方法 |
| WO2015146380A1 (ja) * | 2014-03-28 | 2015-10-01 | 富士フイルム株式会社 | 画像処理装置、撮像装置、画像処理方法及び画像処理プログラム |
| JP2018014059A (ja) | 2016-07-22 | 2018-01-25 | 株式会社トプコン | 医療情報処理システム及び医療情報処理方法 |
| CN110121293B (zh) | 2017-11-24 | 2023-07-04 | 佳能医疗系统株式会社 | 医用数据处理装置、成像装置及学习完毕模型生成方法 |
-
2018
- 2018-09-06 JP JP2018166717A patent/JP7224817B2/ja active Active
-
2019
- 2019-08-29 US US16/554,770 patent/US11195059B2/en active Active
-
2023
- 2023-02-08 JP JP2023017786A patent/JP2023054041A/ja active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008259142A (ja) | 2007-04-09 | 2008-10-23 | Canon Inc | 撮像装置、画像処理装置及びそれの制御方法、並びに画像処理システム |
| JP2011055133A (ja) | 2009-08-31 | 2011-03-17 | Fujifilm Corp | 画像処理システム、画像処理方法およびプログラム |
| JP2014182480A (ja) | 2013-03-18 | 2014-09-29 | Toshiba Corp | 人物認識装置、及び方法 |
| US20160148376A1 (en) | 2014-11-26 | 2016-05-26 | Samsung Electronics Co., Ltd. | Computer aided diagnosis (cad) apparatus and method |
| JP2017033168A (ja) | 2015-07-30 | 2017-02-09 | 日本電信電話株式会社 | 特徴抽出装置、画像検索装置、方法、及びプログラム |
| JP2017169884A (ja) | 2016-03-24 | 2017-09-28 | トヨタ自動車株式会社 | 睡眠状態推定装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020039380A (ja) | 2020-03-19 |
| US11195059B2 (en) | 2021-12-07 |
| US20200082205A1 (en) | 2020-03-12 |
| JP2023054041A (ja) | 2023-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10198799B2 (en) | Method and apparatus for processing magnetic resonance image | |
| KR101663229B1 (ko) | 자기 공명 영상 장치 및 그에 따른 자기 공명 영상의 이미징 방법 | |
| EP3082593B1 (en) | Magnetic resonance imaging apparatus and method of operating the same | |
| JP2019005557A (ja) | 画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム | |
| US10444314B2 (en) | Magnetic resonance imaging apparatus and method for acquiring under-sampled MR signal | |
| JP7272818B2 (ja) | データ処理装置、方法及びプログラム | |
| US20160170002A1 (en) | Magnetic resonance imaging apparatus and image processing method thereof | |
| KR101811720B1 (ko) | 자기 공명 영상 장치 및 그에 따른 자기 공명 영상 생성 방법 | |
| KR20150016032A (ko) | 영상 복원 모드 선택이 가능한 영상 복원 방법 및 그 장치 | |
| US10466323B2 (en) | Magnetic resonance imaging apparatus and method | |
| US9779485B2 (en) | Magnetic resonance imaging apparatus and method | |
| US20200202999A1 (en) | Data processing apparatus, magnetic resonance imaging apparatus and machine learning apparatus | |
| EP2863238A1 (en) | Parallel magnetic resonance imaging apparatus and method | |
| US9804236B2 (en) | Magnetic resonance imaging apparatus and method of generating magnetic resonance image | |
| KR101665032B1 (ko) | 자기 공명 영상 장치 및 자기 공명 영상의 처리 방법 | |
| KR101797674B1 (ko) | 자기 공명 영상 촬영 장치 및 그에 따른 자기 공명 영상 촬영 방법 | |
| JP7224817B2 (ja) | 信号データ処理装置 | |
| KR20150054647A (ko) | 자기 공명 영상 장치 및 그 동작방법 | |
| KR102008498B1 (ko) | 자기 공명 영상 장치 및 그 동작방법 | |
| KR101537536B1 (ko) | 의료 영상 장치의 영상 처리 방법 및 그 의료 영상 장치 | |
| KR101601011B1 (ko) | 의료 영상 장치에서의 혈류 속도 산출 방법 및 그 의료 영상 장치 | |
| KR102257963B1 (ko) | 호흡 연동 신호의 히스토그램 누적 분포를 이용한 호흡 구간 검출 장치 | |
| JP2024037537A (ja) | 磁気共鳴イメージング装置、ｍｒ画像再構成装置及びｍｒ画像再構成方法 | |
| KR20150054648A (ko) | 자기 공명 영상 장치 및 그 동작방법 | |
| US20180321348A1 (en) | Magnetic resonance imaging apparatus and method therefor |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210726 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220615 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220712 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220906 |
|
| TRDD | Decision of grant or rejection written | ||
| RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20230106 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230110 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230208 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7224817 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |