JP7438230B2 - 予測モデルを用いたモデルパラメータの判定 - Google Patents

予測モデルを用いたモデルパラメータの判定 Download PDF

Info

Publication number
JP7438230B2
JP7438230B2 JP2021547808A JP2021547808A JP7438230B2 JP 7438230 B2 JP7438230 B2 JP 7438230B2 JP 2021547808 A JP2021547808 A JP 2021547808A JP 2021547808 A JP2021547808 A JP 2021547808A JP 7438230 B2 JP7438230 B2 JP 7438230B2
Authority
JP
Japan
Prior art keywords
model
excitation
sample
model parameters
response
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
Application number
JP2021547808A
Other languages
English (en)
Other versions
JP2022521499A (ja
Inventor
カディッツ，ジェフェリー，エイチ．
ビレーナ，ジョージ フェルナンデス
ポリメリディス，アタナシオス
Original Assignee
キュー バイオ インコーポレイテッド
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 キュー バイオ インコーポレイテッド filed Critical キュー バイオ インコーポレイテッド
Publication of JP2022521499A publication Critical patent/JP2022521499A/ja
Application granted granted Critical
Publication of JP7438230B2 publication Critical patent/JP7438230B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Description

関連出願の相互参照
本出願は、２０１９年２月１５日に提出された通常の米国出願第１６／２７７，９３９号に対して、３５Ｕ．Ｓ．Ｃ．§１２０に基づく優先権を主張し、その内容は参照によりその全体が本明細書に援用される。
記載された実施形態は、概して、励起に対するサンプルの応答物理をシミュレートするフォワードモデルで使用する、サンプルと関連付けられたモデルパラメータを判定することに関する。
関連技術
サンプルの１つ以上の物理パラメータを判定するために、多くの非侵襲的特性評価技術が利用可能である。例えば、磁気特性は、磁気共鳴、すなわちＭＲ（多くの場合「核磁気共鳴」、すなわちＮＭＲと称される）を使用して調べることができ、これは、磁界内の核が電磁放射を吸収して再放出する物理現象である。さらに、固体または剛性材料の密度変動および狭域または広域周期構造は、Ｘ線撮像、Ｘ線回折、コンピュータ断層撮影、中性子回折、または電子顕微鏡などの特性評価技術を使用して調べることができ、ここで、ド・ブローイ波長が短い電磁波またはエネルギー粒子は、サンプルによって吸収または散乱される。さらに、軟質材料または流体の密度変化および運動は、超音波撮像を使用して調べることができ、ここで、超音波はサンプル内を透過し、かつ、そのサンプル内で反射する。
これら、および他の非侵襲的特性評価技術のそれぞれにおいて、１つ以上の（粒子の束もしくは入射放射線、静的もしくは時間変動するスカラー場、および／または静的もしくは時間変動するベクトル場などの）外部励起がサンプルに適用され、物理現象の形で、結果として生じるサンプルの応答は、直接的または間接的に１つ以上の物理パラメータを判定するために測定される。一例として、ＭＲでは、磁性核スピンは印加された外部ＤＣ磁界において部分的に整列（または分極）され得る。これらの核スピンは、一種の核の磁気回転比と、外部磁界の大きさまたは強度との積によって与えられる角周波数（「ラーモア周波数」と称されることもある）で、その外部磁界の方向の周りで摂動または回転し得る。角周波数に対応するパルス幅を有する１つ以上の無線周波数（ＲＦ）パルス（および、より一般的には電磁パルス）などの分極された核スピンに、外部磁界の方向に直角または垂直に摂動を適用することによって、核スピンの分極は一時的に変化し得る。結果として生じる核スピンの（時間変動する全磁化など）動的応答から、サンプルと関連付けられた１つ以上の物理パラメータなどのサンプルの物理特性および材料特性に関する情報を得ることができる。
さらに、一般的には、特性評価技術のそれぞれによって、１つ以上の物理パラメータをサンプル中の少量またはボクセルで判定することが可能となり、それらをテンソルを使用して表すことができる。一例として磁気共鳴撮像（ＭＲ）を使用すると、（陽子または同位体１Ｈなどの）核スピンの摂動の角周波数の外部磁界の大きさへの依存性を使用して、異なる材料または種類の組織の３次元（３Ｄ）もしくは解剖学的構造、および／または化学組成の画像を判定できる。具体的には、サンプルに不均一または空間的に変化する磁界を印加することにより、典型的には、１Ｈスピンの摂動の角周波数で生じた変化を用いて、１Ｈスピンの測定された動的応答をボクセルに空間的に位置付け、これを患者の内部構造などの画像を生成するために使用することができる。
しかしながら、多くの場合、サンプルの物理特性の特性評価には時間がかかり、複雑で、かつ費用がかる。例えば、ＭＲＩにおいて高空間分解能（つまり、小さなボクセルサイズ）でＭＲ画像を取得するには、多くの場合、患者の様々な種類の組織内の１Ｈスピンの緩和時間よりも長い期間にわたって多数の測定（「走査」と称されることもある）を行うことが必要になる。さらに、高い空間分解能を達成するために、通常、ＭＲ中に大きな均一な外部磁界を使用する。この外部磁界は、通常、ボアが狭い環状の超伝導磁気を使用して生成され、多くの患者は閉塞感を感じ得る。さらに、フーリエ変換技術を使用して、ＲＦパルスシーケンス、したがってＭＲ走査時間の制約を犠牲にして、画像の再構成を容易にすることができる。
長いＭＲ走査時間と、（ＭＲの場合は）マグネットボアの閉塞環境との組み合わせにより、ユーザ経験が悪化する可能性がある。さらに、ＭＲ走査時間が長くなるとスループットが低下し、それにより特性評価を実行するコストが増加する。この種の問題によって、多くの特性評価技術の使用が抑制または制限される可能性がある。
これらの問題に対処するための１つのアプローチは、１つ以上の励起に対するサンプルの応答物理のシミュレーションを使用して、１つ以上の物理パラメータなどの情報を判定することである。例えば、ボクセルレベルのモデルパラメータと、物理現象を記述する１つ以上の微分方程式に基づくフォワードモデルを使用することにより、コンピュータは１つ以上の励起をフォワードモデルへの入力として規定する情報を用いて、フォワードモデルの出力としてのサンプルの応答物理をシミュレートすることができる。
ただし、このアプローチは、多くの場合、ＭＲ走査の回数が多くＭＲ走査時間が長いという問題を、ボクセルレベルでモデルパラメータを正確に判定することに関連する問題にすり替えている。例えば、モデルパラメータは通常、１つ以上の励起を反復して適用し、測定を実行し、シミュレーションされた応答物理の望ましい精度が達成されるまで、測定値を使用して対応するモデルパラメータを算出するという逆問題を解決することによって判定される（「反復アプローチ」と称されることもある）。一般に、これらの既存の技術を使用してモデルパラメータを判定することは困難で、時間と費用がかかる可能性があり、サンプルを特徴付けるための応答物理のシミュレーションの使用が抑制または制限されるおそれがある。
サンプルと関連付けられたモデルパラメータを判定するシステムについて説明する。このシステムには、励起を提供するように構成されたソースと、測定を行う測定デバイスと、プログラム命令を実行するプロセッサと、プログラム命令を記憶するメモリとを含む。システムは、動作中は、ソースを使用して励起をサンプルに適用し得、ここで、励起は少なくとも波長と強度または磁束を有し、励起は、電磁放射、高周波、粒子ビーム、音波、磁界、または電界のうちの１つを含む。次に、システムは測定デバイスを使用して、励起に対するサンプルと関連付けられた応答を測定し得る。さらに、システムは、測定された応答および励起を所定の予測モデルへの入力として規定する情報を使用して、サンプルを表す複数のボクセルを有するフォワードモデルにおいて、ボクセルごとにモデルパラメータを算出し得る。フォワードモデルは、励起、波長、および強度または磁束、ならびに少なくとも１つの異なる波長および少なくとも１つの異なる強度または異なる磁束を含む、ある範囲の測定条件から選択される、所与の波長および所与の強度または所与の磁束を伴う所与の励起に対する、サンプル内で発生する応答物理をシミュレートし得る。さらに、フォワードモデルは、励起、複数のボクセルのモデルパラメータ、および応答物理に近似する微分方程式または現象論的方程式の関数であり得る。次に、システムはプロセッサを使用して、少なくとも測定された応答と、フォワードモデル、モデルパラメータ、および励起を使用した、応答の計算された予測値とを比較することによって、モデルパラメータの精度を判定し得る。さらに、精度が事前定義された値を超えるときは、システムは、モデルパラメータを、ユーザ、別の電子デバイス、ディスプレイ、および／またはメモリへの出力として提供し得る。
例えば、励起は、Ｘ線帯域の波長の電磁ビーム、中性子ビーム、電子ビーム、光帯域の波長の電磁ビーム、赤外線帯域の波長の電磁ビーム、超音波帯域の波長の音波、陽子ビーム、インピーダンス測定デバイスに関連する電界、磁気共鳴機器に関連する高周波、および／または磁化率測定デバイスに関連する磁界のうちの少なくとも１つを含み得る。
さらに、測定デバイスは、Ｘ線検出器、中性子検出器、電子検出器、光検出器、赤外線検出器、超音波検出器、陽子検出器、磁気共鳴機器、インピーダンス測定デバイス、および／または磁化率測定デバイスのうちの少なくとも１つを含み得る。
所定の予測モデルは、機械学習モデル、および／またはニューラルネットワークを含み得ることに留意されたい。いくつかの実施形態では、所定の予測モデルは個体に対応する個人化された予測モデルを含む。
さらに、精度が事前定義された値を超えるときは、モデルパラメータをさらなる反復を伴わない単一のパスにおいて計算し得る。結果として、事前定義された値を超える精度を有するモデルパラメータは、所定の予測モデルを使用しない反復アプローチよりも、所定の予測モデルでより少ない反復を用いて算出し得る。
代替的に、精度が事前定義された値未満のときは、システムは、第２の所定の予測モデルへの入力として励起および精度を規定する情報を使用して、少なくとも訂正された波長および訂正された強度または訂正された磁束を有する訂正された励起を計算し、さらに、励起の代わりに訂正された励起を使用して、適用する動作、測定する動作、算出する動作、および判定する動作を繰り返し得る。第２の所定の予測モデルは、機械学習モデル、および／またはニューラルネットワークを含み得ることに留意されたい。
いくつかの実施形態では、精度が事前定義された値未満のときは、システムは、励起および測定された応答を訓練データセットに追加し、その訓練データセットを使用して予測モデルの訂正されたインスタンスを判定し得る。
さらに、システムは、モデルパラメータおよび第３の予測モデルを使用して、サンプル内の１つ以上の解剖学的構造を分類またはセグメント化し得る。例えば、第３の所定の予測モデルは、機械学習モデル、および／またはニューラルネットワークを含み得る。
さらに、システムは、フォワードモデル、ある範囲のモデルパラメータ、およびある範囲の励起を使用して算出されたシミュレートされたデータセットを使用して、予測モデルを訓練し得る。
さらに、測定された応答は、サンプルの時間領域応答を含み得、かつ、画像以外であり得る。
別の実施形態は、システムと共に使用するためのコンピュータ可読記憶媒体を提供する。このコンピュータ可読記憶媒体はプログラムモジュールを含み、このプログラムモジュールはシステムによって実行されるときに、そのシステムに前述の動作の少なくとも一部を実行させる。
別の実施形態は、サンプルと関連付けられたモデルパラメータを判定するための方法を提供する。この方法は、システムによって実行される前述の動作の少なくとも一部を含む。
この概要は、本明細書に記載の主題のいくつかの態様の基本的な理解を提供するために、いくつかの例示的な実施形態を説明する目的で提供される。したがって、上記の特徴は単なる例であり、本明細書に記載の主題の範囲または趣旨を決して狭めるように解釈されるべきではないことが理解されよう。本明細書に記載の主題の他の特徴、態様、および利点は、以下の詳細な説明、図、および特許請求の範囲から明らかになるであろう。
本開示の一実施形態によるシステムの一例を示すブロック図である。 本開示の一実施形態による、サンプルと関連付けられたモデルパラメータを判定するための方法の一例を示すフロー図である。 本開示の一実施形態による、図１のシステム内の構成要素間の通信の一例を示す図である。 本開示の一実施形態による機械学習モデルの一例を示す図である。 本開示の一実施形態によるニューラルモデルの一例を示す図である。 本開示の一実施形態による、サンプル内の１つ以上の解剖学的構造の分類またはセグメト化の一例を示す図である。 本開示の一実施形態による電子デバイスの一例を示すブロック図である。 本開示の一実施形態による、図７の電子デバイスが使用するデータ構造の一例を示す図である。
同様の参照番号は図面全体で対応する部分を指すことに留意されたい。さらに、同一部品の複数のインスタンスは、ダッシュでインスタンス番号と区切られた共通の接頭語で示されている。
サンプルと関連付けられたモデルパラメータを判定するシステムについて説明する。システムは、動作中にソースを使用してサンプルに励起を適用し得る。次に、システムは測定デバイスを使用して、励起に対するサンプルと関連付けられた応答を測定し得る。さらに、システムは、測定された応答および励起を所定の予測モデルへの入力として規定する情報を使用して、サンプルを表す複数のボクセルを有するフォワードモデルにおいて、ボクセルごとにモデルパラメータを算出し得る。フォワードモデルは、所与の励起に対するサンプル内で発生する応答物理をシミュレートし得る。さらに、フォワードモデルは、励起、複数のボクセルのモデルパラメータ、および応答物理に近似する微分方程式または現象論的方程式の関数であり得る。次に、システムは、プロセッサを使用して、少なくとも測定された応答と、フォワードモデル、モデルパラメータ、励起を使用した、応答の計算された予測値とを比較することによって、モデルパラメータの精度を判定し得る。さらに、精度が事前定義された値を超えるときは、システムはモデルパラメータを、ユーザ、別の電子デバイス、ディスプレイ、および／またはメモリへの出力として提供し得る。
サンプル内のボクセルのモデルパラメータを判定することにより（ボクセル内のパラメータはベクトル場の真のテンソルではなくハイブリッドテンソルで表すことができるため、「テンソル場マッピング」、すなわちＴＦＭと称されることもある）、この算出技術がモデルパラメータを判定する際の反復測定および適応の必要性を減少または排除し得る。その結果、この算出技術は、モデルパラメータを判定する際の（プロセッサ時間、メモリなどの）システムリソースの使用を著しく削減し得る。さらに、（精度が事前定義された値未満のときなど）精度が不十分な場合は、算出技術を使用して励起の修正を誘導し、モデルパラメータを所望の精度に迅速に収束するのを容易にし得る。さらに、ある範囲の励起値または強度について判定されたモデルパラメータに基づいて物理現象を予測するフォワードモデルを提供することにより、算出技術は、サンプルの迅速かつ正確な（サンプルの判定、または、サンプルの１つ以上の物理パラメータなどの）特性評価を容易に行い得る。したがって、算出技術を使用して、測定で使用される励起を動的に適合または修正することができ、かつ／または、改善されたサンプル特性評価を容易に行い得る。
これらの機能により、ＭＲ走査または測定の時間が短縮され、スループットが向上し、それゆえ測定コストが削減され、（ＭＲスキャナのマグネットボアの閉塞環境で人々が過ごす時間を削減するなどして）ユーザ体験が向上し、特性評価技術の使用が増加し得る。さらに、算出技術によって測定値の定量分析が容易になり、それにより精度が向上し、誤差が減少し、それゆえ人々の健康状態と福利が向上し得る。
一般に、算出技術は、所与の励起に対するサンプル内で発生する応答物理を定量的にシミュレートする様々な特性評価技術およびフォワードモデルと組み合わせて使用し得る。例えば、特性評価技術は、（Ｘ線撮像、Ｘ線回折、コンピュータ断層撮影などの）Ｘ線測定、中性子測定（中性子回折）、（電子顕微鏡法、電子スピン共鳴などの）電子測定、（１つ以上の波長で複素屈折率を判定する光学撮像または光学分光法などの）光学的測定、（１つ以上の波長で複素屈折率を判定する赤外線撮像または赤外線分光法などの）赤外線測定、（超音波画像法などの）超音波測定、（陽子散乱などの）陽子測定、（ＭＲ、ＭＲ分光法、１種以上の核を用いるＭＲＳ、磁気共鳴スペクトル画像法、すなわちＭＲＳＩ、ＭＲエラストグラフィー、すなわちＭＲＥ、ＭＲサーモメトリ、すなわちＭＲＴ、磁界緩和測定、拡散テンソル撮像および／または別のＭＲ技術、例えば、機能的ＭＲＩ、代謝撮像、分子撮像、血流撮像などの）ＭＲ測定もしくはＭＲ技術、（ＤＣおよび／またはＡＣ周波数での電気インピーダンスなどの）インピーダンス測定、および／または、（ＤＣおよび／またはＡＣ周波数での磁化率などの）磁化率測定に関連し得る。したがって、励起には、Ｘ線帯域の波長（０．０１～１０ｎｍなど）の電磁ビーム、中性子ビーム、電子ビーム、光学帯域の波長（３００～８００ｎｍなど）の電磁ビーム、赤外線帯域の波長（７００ｎｍ～１ｍｍなど）の電磁ビーム、超音波帯域の波長（０．２～１．９ｍｍなど）の音波、陽子ビーム、インピーダンス測定デバイスに関連する電界、ＭＲ装置またはスキャナに関連する高周波、および／または磁化率測定デバイスに関連する磁界のうちの少なくとも１つが含まれ得る。ただし、（陽電子放出分光法などの）別の非侵襲的特性評価技術、（陽子ビーム治療または陽子移植、放射線療法、磁気誘導ナノ粒子などの）統合療法、および／または、（１０～４００ｎｍの紫外線波長などの）異なる範囲の波長を使用し得る。一般に、これらの励起の応答物理を記述するフォワードモデルがある限り、空間の領域を「励起」するために使用され得る様々な励起に算出技術を使用し得る。以下の考察では、ＭＲ技術を特性評価技術の実例として使用する。
サンプルには、有機材料または無機材料が含まれている場合があることに留意されたい。例えば、サンプルには、無生物（すなわち、非生物学的）サンプル、生物学的生命体（人もしくは動物など、すなわち、生体サンプル）、または、動物もしくは人からの組織サンプル（すなわち、動物もしくは人の一部）が含まれ得る。いくつかの実施形態では、組織サンプルを、動物または人から事前に採取した。したがって、（生検サンプルなどの）組織サンプルは病理学サンプルである場合があり、これは、ホルマリン固定パラフィンに埋め込まれている場合がある。以下の考察では、サンプルは人または個体であり、実例として使用される。
ここで、システムの実施形態について説明する。図１は、システム１００の例を示すブロック図を提示する。システム１００では、ソース１１０がサンプル１１２に選択的に励起を提供し、測定デバイス１１４がサンプル１１２に対して選択的に測定を実行して、励起に対するサンプル１１２の応答を測定する。さらに、システム１００はコンピュータ１１６を含む。図７を参照して以下でさらに説明するように、コンピュータ１１６は、処理サブシステム、メモリサブシステム、およびネットワーキングサブシステムなどのサブシステムを含み得る。例えば、処理サブシステムは、プログラム命令を実行するプロセッサを含んでく、メモリサブシステムは、プログラム命令を記憶するメモリを含み得、ネットワーキングサブシステムは、ソース１１０および測定デバイス１１４（１つ以上のセンサ）に命令またはコマンドを通信し、測定デバイス１１４から測定値を受信し、判定されたモデルパラメータを選択的に提供するインターフェースを含み得る。
コンピュータ１１６内の通信エンジン（またはモジュール）１２０は、動作中に（１つ以上の有線および／もしくは無線リンクまたは相互接続などの）ネットワーク１１８を介してソース１１０に命令またはコマンドを提供し得、これによってソース１１０からサンプル１１２に励起を適用し得る。この励起は、少なくとも波長および強度または磁束を有し得る。例えば、励起は、電磁放射、高周波、粒子ビーム、音波、磁界、および／または電界を含み得る。
いくつかの実施形態では、励起は、サンプル１１２内の１つ種以上の核を分極する外部磁界、磁界の任意の勾配、および／または無線周波数（ＲＦ）パルスシーケンスを含み得る（これらは「測定条件」または「走査命令」と称されることもある）。したがって、ソース１１０は、外部磁界を適用する磁石、任意の勾配を適用するオプションの勾配コイル、および／またはＲＦパルスシーケンスを適用するＲＦコイルを含み得る。
次に、通信エンジン１２０は、ネットワーク１１８を介して、測定デバイス１１４に命令またはコマンドを提供し得、これにより、測定デバイス１１４は励起に対するサンプル１１２の少なくとも一部の応答の測定を実行し得る。さらに、測定デバイス１１４は、ネットワーク１１８を介して測定結果を通信エンジン１２０に提供し得る。測定デバイス１１４は、Ｘ線検出器、中性子検出器、電子検出器、光検出器、赤外線検出器、超音波検出器、陽子検出器、ＭＲ装置もしくはスキャナ、（ＭＲ装置またはスキャナのゲルで覆われたテーブルなどの）インピーダンス測定デバイス、および／または磁化率測定デバイスを含み得ることに留意されたい。
いくつかの実施形態では、測定デバイス１１４は、１つ以上のＲＦピックアップコイルまたは（磁力計、超伝導量子干渉デバイス、オプトエレクトロニクスなどの）別の磁気センサを含み得、これらは、１種以上の核における核スピンの動的挙動に対応する時間変動または時間領域電気信号を測定するか、または、少なくともサンプル１１２の部分の核スピン（「磁気応答」と称されることもある）の総動的挙動に対応する磁化の少なくとも平均成分を測定する。例えば、測定デバイス１１４は、サンプル１１２がｘｙ平面で摂動するときに、サンプル１１２の少なくとも一部の横方向磁化を測定し得る。
測定デバイス１１４によって提供される測定値は、画像以外であり得るか、または、画像と異なり得ることに留意されたい。例えば、測定値はＭＲ結果以外であり得る。例えば、測定値は、サンプル１１２内の核スピンの自由誘導減衰（の１つ以上の成分など）を含み得、または、それに対応し得る。その結果、いくつかの実施形態では、測定値は、測定された電気信号に対してフーリエ変換の実行を伴わなくてもよい（したがって、ｋ空間で実行しなくてよく、ＭＲフィンガープリントなどのｋ空間でのパターンマッチングを伴わなくてよい）。ただし、一般に、測定値は時間領域および／または周波数領域で規定され得る。したがって、いくつかの実施形態では、（フィルタリング、画像処理などの）様々な信号処理、（離散フーリエ変換、Ｚ変換、離散コサイン変換、データ圧縮などの）ノイズキャンセル、および変換技術が測定値に対して行われ得る。
測定値を受信した後、コンピュータ１１６の分析エンジン（またはモジュール）１２２は、その測定値を分析し得る。この分析は、測定デバイス１１４に対するサンプル１１２の（おそらく時間変動する）３Ｄ位置を判定すること（「３Ｄ登録情報」と称されることもある）を伴い得る。例えば、位置合わせは、既知の空間位置に参照マーカーを使用するなどして、点集合登録を実行することを伴い得る。登録は、グローバルまたはローカル位置決めシステムを使用して、測定デバイス１１４に対するサンプル１１２の位置の変化を判定し得る。代替的に、または、さらに、登録は、ラーモア周波数の変動および所定の空間磁界の不均一性、またはソース１１０および／もしくは（ＭＲ装置またはスキャナなどの）測定デバイス１１２の磁界の変動に少なくとも部分的に基づき得る。いくつかの実施形態では、分析は、登録情報に少なくとも部分的に基づいてボクセルを所望のボクセル位置に位置合わせすること、ならびに／または、測定された信号を異なるボクセル位置にリサンプリングおよび／もしくは補間することを伴い、これによって、以前の測定値または結果とのその後の比較を容易にし得る。
さらに、分析エンジン１２２は、測定値を使用して、サンプル１１２を表し、かつ、可能な励起の範囲内の所与の励起に対するサンプル１１２で発生する応答物理をシミュレートする複数のボクセルを有するフォワードモデルのモデルパラメータを判定し得る（すなわち、フォワードモデルは特別な、または、特定の励起に対する予測応答を判定するフォワードモデルよりもより一般的であり得る）。特に、サンプル１１２内のボクセルの適切なモデルパラメータによって、分析エンジン１２２はフォワードモデルを使用して、励起に対するサンプル１１２の（磁化の予測成分など）予測応答を正確かつ定量的にシミュレートまたは計算し得る。フォワードモデルは、ボクセルごとにサンプル１１２の応答物理に近似する１つ以上の微分方程式または１つ以上の現象論的方程式に少なくとも部分的に基づき得るか、またはそれらを使用し得ることに留意されたい。例えば、フォワードモデルは、ブロッホ方程式、ブロッホ－トーリー方程式（したがって、フォワードモデルには、呼吸、心拍、血流、機械的運動などに関連する運動などのダイナミクスのシミュレーションが含まれ得る）、（２つ以上の要素間の相互作用のＬｉｏｕｖｉｌｌｅスーパーマトリックスなどの）完全なＬｉｏｕｖｉｌｌｉａｎ算出、完全なハミルトニアン、マクスウェル方程式（例えば、フォワードモデルはサンプル１１２の磁気的および電気的特性を計算し得る）、熱拡散方程式、ペンヌ方程式、および／または、ある種類の励起に対するサンプル１１２の応答の物理学を表す別のシミュレーション技術に少なくとも部分的に基づき得るか、またはそれらを使用し得る。いくつかの実施形態では、（磁化の平行成分と逆平行成分が結合されている場合、例えば、磁化の状態がＲＦパルスシーケンスの前にリセットされないときなど）ブロッホ方程式の基礎となる仮定が無効であるため、追加の誤差項をブロッホ方程式に追加し得る。したがって、フォワードモデルは、可能な励起または励起値の範囲内の任意の励起に応答するサンプル１１２の動的（例えば、時間変動）状態を算出することが可能であり得る。
いくつかの分析アプローチでは、コンピュータ１１６は、予測応答と測定された動的磁気応答との間の差が（０．１、１、５、１０％などの）事前定義された値未満になるまで、フォワードモデルのボクセルと関連付けられたモデルパラメータを反復して修正することによって逆問題を解決することでモデルパラメータを判定し得る。（「逆問題」は、１つ以上の結果または出力で始まり、入力または原因を計算することに留意されたい。これは、入力から始まり、１つ以上の結果または出力を計算する「順方向問題」の逆である。）ただし、この「反復アプローチ」では、ソース１１０は異なる励起を繰り返し適用し得、測定デバイス１１４は対応する測定を繰り返し実行し得る。その結果、反復アプローチは時間および費用がかかり、複雑になる場合がある。したがって、反復アプローチは、適切なモデルパラメータが判定されるまで、システム１００においてかなりのリソースを消費する場合がある。
図２～図５を参照して以下でさらに説明するように、これらの問題に対処するために、算出技術では、分析エンジン１２２は、１つ以上の所定のまたは事前に訓練された予測モデル（特定のサンプルまたは個体に固有であり得る機械学習モデルまたはニューラルネットワークなど、例えば、予測モデルは、個人化された予測モデルであり得る）を使用して、少なくとも部分的にボクセルごとにモデルパラメータを算出し得る。例えば、分析エンジン１２２は、測定値および励起を規定する情報を予測モデルへの入力として使用し得、それによりボクセルと関連付けられたモデルパラメータを出力として提供する。したがって、予測モデルは、測定値または測定結果に少なくとも部分的に基づいて訓練され得、またはモデルパラメータ情報を組み込み得る。いくつかの実施形態では、予測モデルは、特定のソース１１０および／もしくは測定デバイス１１４（ＲＦノイズまたは空間磁界の不均一性など）、ならびに／または特定の励起もしくは測定条件の外因性特性またはシグネチャの測定値を修正し得、それにより、判定されたモデルパラメータは、測定が実行されたときには特定の時間にサンプル１１２に固有となる。
モデルパラメータは、（ある種の核の核スピン磁化ベクトルの成分が外部磁界の方向と平行になるように緩和しているときの信号強度の損失に関連した時定数である）スピン－格子緩和時間Ｔ１、（外部磁界の方向に垂直なある種の核の核－スピン磁化ベクトルの成分の緩和中の信号の広がりに関連する時定数である）スピン－スピン緩和時間Ｔ２、調整されたスピン－スピン緩和時間Ｔ２ ＊、陽子または核密度（および、より一般的には、１種以上の核密度）、（拡散テンソルの成分などの）拡散、速度／流速、温度、非共振周波数、電気伝導率または誘電率、および／または、磁化率もしくは磁気誘電率を含み得ることに留意されたい。
予測モデルによって提供されるこれらのモデルパラメータ、フォワードモデル、およびサンプル１１２の（シミュレートまたは予測されたＭＲ信号などの）１つ以上の予測応答の１つ以上の励起を用いた後続のシミュレーションが対応する測定値と一致した場合（予測された応答と測定値との間の差が事前定義された値、例えば、０．１、１、５、または１０％未満であるか、または代替的に、精度が事前定義された値を超えるとき）には、コンピュータ１１６の結果エンジン（またはモジュール）１２４は、ユーザ、別の電子デバイス、ディスプレイ、および／またはメモリに出力を提供するなどして、判定されたモデルパラメータを提供し得る。いくつかの実施形態では、結果エンジン１２４は、３空間×１時間×最大Ｎ個の測定次元のモデルパラメータを有するサンプル１１２のテンソル場マップを出力し得、各測定値はベクトルまたはスカラー量であり得る。
したがって、精度が（９０、９５、９９、または９９．９％などの）事前定義された値を超えるときは、モデルパラメータをさらなる反復を伴わない単一のパスにおいて算出し得る。結果として、事前定義された値を超える精度を有するモデルパラメータは、所定の予測モデルを使用しない反復アプローチよりも、所定の予測モデルを使用して、より少ない反復で（または反復を行わずに）（したがって、より迅速に）算出することができる。
代替的に、精度が事前定義された値未満のときは、コンピュータ１１６は、（異なるＲＦパルスシーケンスなどの）１つ以上の異なる、修正された、または、訂正された励起がソース１１４によってサンプル１１２に適用される１つ以上の反復を実行し得、１つ以上の対応する追加の測定が、測定デバイス１１４によって実行される。これらの１つ以上の追加の測定値を、コンピュータ１１６で使用して、事前定義された値未満の精度でモデルパラメータを判定し得る。
例えば、分析エンジン１２２は、（第２の機械学習モデルまたは第２のニューラルネットワークなどの）第２の所定の予測モデルを使用して訂正された励起を判定することができる。特に、入力として励起と精度を規定する情報を使用して、第２の予測モデルは、訂正された励起を出力し得る。次に、システム１００は、励起の代わりに訂正された励起を用いて、適用する動作、測定する動作、算出する動作、および判定する動作を繰り返し得る。したがって、第２の予測モデルは、システム１００によって実行される動作の１つ以上の後続の反復における残りの差異を低減または排除するために、予測応答と測定値との残りの差異に少なくとも部分的に基づいて訓練され得るか、または励起情報を組み込み得る。いくつかの実施形態では、第２の予測モデルは、サンプリング頻度および特性評価技術などを訂正して、第１の予測モデルを使用したモデルパラメータの判定を収束させる（すなわち、事前定義された値未満の精度にする）ことを可能にする追加情報を判定し得る。別の言い方をすれば、次の摂動または擾乱を、超次元空間全体の誤差または差を最小化するように選択し得る。
いくつかの実施形態では、精度が事前定義された値未満のときは、コンピュータ１１６の訓練エンジン（またはモジュール）１２６は、励起および測定された応答を訓練データセットに追加し、その訓練データセットを用いて、モデルパラメータの判定に後で使用するための予測モデルの訂正されたインスタンスを判定し得る。したがって、システム１００によって実行される測定は適応学習技術で選択的に使用され、予測モデル、したがって、（波長および強度または磁束の異なる値など）ある範囲の励起に対して判定されたモデルパラメータを改善し得る。
モデルパラメータおよびフォワードモデルを使用して、分析エンジン１２２は、任意の外部磁界強度または方向（０Ｔ、６．５ｍＴ、１．５Ｔ、３Ｔ、４．７Ｔ、９．４Ｔ、および／もしくは１５Ｔ、または時間変動する方向、例えば、ゆっくりと回転する外部磁界など）などの任意の励起に対するサンプル１１２の応答と、任意のオプションの勾配と、任意のパルスシーケンスと、任意の磁気状態または条件（例えば、サンプル１１２の磁化または分極が測定前の初期状態に戻らない、リセットされる、または再磁化される）などをシミュレートまたは予測し得る。したがって、モデルパラメータおよびフォワードモデルを使用して、軟組織測定、形態学的研究、化学シフト測定、磁化移動測定、ＭＲＳ、１種以上の核の測定、オーバーハウザ測定、および／または機能撮像などの高速かつより正確な測定を容易にすることができる。例えば、コンピュータ１１６が、ソース１１０および測定デバイス１１４によってサンプル１１２に対して実行される測定と同時に（すなわち、リアルタイムで）モデルパラメータを判定する実施形態では、システム１００は、組織の任意の種類Ｔ１またはＴ２よりも小さい時間スケール上で（ボクセルレベルまたは平均で）サンプル１１２の１つ以上の物理パラメータを迅速に特性評価し得る。この機能により、システム１００は、初期測定を実行してモデルパラメータを判定し、次に、判定されたモデルパラメータを使用してＭＲ信号をシミュレートまたは予測して、システム１００によって実行されている進行中の測定を完了または記入し得、その結果、より迅速に（したがって、より短いＭＲ走査時間で）結果を得ることができる。いくつかの実施形態では、システム１００は、サンプル１１２の以前のＭＲ走査（複数可）中に判定されたサンプル１１２のボクセルの記憶されたモデルパラメータなどの、サンプル１１２で得られた以前の結果の定量的比較に少なくとも部分的に基づいて、（サンプル１１２の異常または変化の検出などの）結果を判定し得ることに留意されたい。そのような比較は、異なる時間におけるサンプル１１２内のボクセル位置を整列させることを可能にする３Ｄ登録情報によって容易になされ得る。いくつかの実施形態では、結果は、少なくとも部分的に、医師の指示、医療検査結果（例えば、血液検査、尿サンプル検査、生検、遺伝子検査、またはゲノム検査など）、個体の病歴、個体の家族歴、サンプル１１２または他のサンプルのボクセル依存多次元データを含む定量的テンソル場マップ、サンプル１１２のインピーダンス、サンプル１１２の水和レベルおよび／または他の入力に基づく。
さらに、図６を参照して以下でさらに説明するように、いくつかの実施形態では、分析エンジン１２２は、判定されたモデルパラメータおよび（第３の機械学習モデルおよび／または３番目のニューラルネットワークなどの）第３の所定の予測モデルを使用して、サンプル１１２内の１つ以上の解剖学的構造を分類またはセグメント化し得る。例えば、ボクセルレベルでのサンプル１１２のシミュレート応答もしくは予測応答、またはボクセルレベルで判定されたモデルパラメータを使用して、第３の予測モデルは、異なる解剖学的構造の位置を出力し得、かつ／または（臓器の種類、特定の病状に関連しているかどうか、例えば、がんの種類、がんの病期など）異なるボクセルの分類を出力し得る。したがって、いくつかの実施形態では、異なるボクセル間の境界に及ぶモデルパラメータの変動（不連続な変化など）に少なくとも部分的に基づいて、第３の予測モデルが訓練され得、または、セグメント化情報の分類を組み込み得る。この機能により、分析エンジン１２２は、（モデルパラメータの判定を支援し得る）異なる解剖学的構造を識別し、かつ／または、症状もしくは病状を診断するか、あるいはそれらに関する診断推奨を行うことが可能となる。いくつかの実施形態では、分類またはセグメンント化は、モデルパラメータの判定の前に、同時に、または後に実行される。
いくつかの実施形態では、訓練エンジン１２６は、シミュレートされたデータセットを使用して、少なくとも部分的に予測モデル、第２の予測モデル、および／または第３の予測モデルを訓練し得る。例えば、訓練エンジン１２６は、フォワードモデルと、ある範囲のモデルパラメータと、ある範囲の励起とを使用して、シミュレートされたデータセットを生成し得る。このように、シミュレートされたデータを使用して、１つ以上の予測モデルの訓練を高速化し得る。
特に、算出技術は（ＭＲ走査などの）測定中にすべての関連情報を取り込む場合があるため、フォワードモデルをオフラインモードで使用して、（異なる測定条件などの）多数の可能なシナリオを含む広範なラベル付きデータセットをキュレートできる。次いで、このデータベースは、予測モデルの訓練に使用できる。この機能は、正確にラベル付けされ、再現性があり、かつ、画像の乱れがないＭＲデータを取得する際の困難を克服し得る。
生成したデータセットと組み合わせて１つ以上の予測モデルを使用することで、初期データの取得および／またはノイズ除去を高速化する正則化を選択することができる。さらに、１つ以上の予測モデルを使用して、フォワードモデルを使用したシミュレーションまたは再構成を高速化することもできる。例えば、予測モデルは、フォワードモデルで使用する初期モデルパラメータを提供でき、これにより、事前定義された値を超える精度を有する解に収束するために、測定とシミュレーションに必要な反復回数が低減され得る。したがって、初期モデルパラメータの結果として生じる予測応答が測定値と大きく異なる場合には、これを後続の測定およびシミュレーションにフィードバックして、モデルパラメータ、したがって、予測応答を改善することができる。
さらに、予測モデル（複数可）でカバーされていないモデルパラメータ空間の部分が存在する場合には、新しいデータ点を正確に生成してラベルを付けて予測モデル（複数可）を訓練できる。さらに、予測モデル（複数可）は、異なるアプリケーションに対応する様々なメトリックに基づいて訓練し得る。例えば、予測モデル（複数可）は、様々なシナリオ（無症候性の母集団の高速走査、特定の組織特性の高精度、信号対雑音比の変動に対する堅牢性、様々なハードウェアの欠陥など）で使用される励起を最適化するための訓練であり得る。
いくつかの実施形態では、分析エンジン１２２は、測定またはシミュレートされたデータの少なくとも一部に基づいて第１のモデルパラメータを判定するニューラルネットワークを実行し得、測定またはシミュレートされたデータを使用して逆問題を解決するためにブルートフォース非線形数値計算を実行して、第２のモデルパラメータを判定し得る。これらの２つの「逆問題」からの第１と第２のモデルパラメータの違いは、ニューラルネットワークベースのアプローチの誤差として使用し得る。このアプローチによって、数値アプローチがニューラルネットワークにリアルタイムでフィードバックを提供し、ニューラルネットワークの重みを逆伝播／更新することができるため、ニューラルネットワークが学習することを可能にし得る。このハイブリッドアプローチは、依然として事前の訓練を要求または必要としないが、逆問題を解決するシミュレーション／数値技術の決定論および精度を備えた大規模ニューラルネットワークのパターンマッチングの利点を活用できる。ハイブリッドアプローチは、ニューラルネットワークの訓練に使用されるいずれの例とも異なり、入力があるときは、ニューラルネットワークを支援し得る。同様に、ハイブリッドアプローチを使用して、時間領域の測定からモデルパラメータ化された出力（つまり、逆問題の出力）に直接移動し得る。いくつかの実施形態では、ハイブリッドアプローチは、敵対的生成ネットワーク（ＧＡＮ）を使用して実装される。
いくつかの実施形態では、フォワードモデルは、特定のＭＲ機器またはスキャナから独立し得ることに留意されたい。代わりに、フォワードモデルは、例えば、個体に固有のものであり得る。フォワードモデルを使用して算出された予測応答は、磁界の不均一性または磁界の空間的変動、ＲＦノイズ、特定のＲＦピックアップコイルまたは別の磁気センサ、外部磁界強度または（ボクセルサイズなど）測定条件による特性またはシグネチャ、地理的位置、（例えば、磁気ストームによる）時間などの特定のＭＲ機器またはスキャナの特性またはシグネチャを含むように調整し得る。したがって、予測応答はマシン固有のものであり得る。
上記の考察ではサンプル１１２の単一の予測モデルを使用する算出技術を示したが、他の実施形態ではサンプル１１２の予測モデルが複数存在し得る。例えば、異なる予測モデルを使用して、サンプル１１２の（異なる臓器または異なる種類の組織などの）異なる部分、したがって異なるボクセルのモデルパラメータを判定し得る。したがって、いくつかの実施形態では、異なる予測モデルを用いて、表１に要約した値のような異なる種類の組織におけるＴ１値およびＴ２値を提供し得る。
さらに、システム１００は特定の構成要素を有するものとして示されているが、他の実施形態では、システム１００は、より少ないまたはより多い構成要素を有し得、単一の構成要素に２つ以上の構成要素を組み合わされ得、および／または、１つ以上の構成要素の位置を変更され得る。
ここで、方法の実施形態を示す。図２は、サンプルと関連付けられたモデルパラメータを判定するための方法２００の例を示すフロー図を提示する。この方法は、（図１のシステム１００などの）システム、またはシステム内の１つ以上の構成要素（ソース１１０、測定デバイス１１４、および／または、コンピュータ１１６など）によって実行され得る。
動作中、システム内のソースは、励起をサンプルに適用し得（動作２１０）、ここで励起は少なくとも波長および強度または磁束を有する。例えば、励起は、電磁放射、高周波、粒子ビーム、音波、磁界、および／または電界のうちの１つを含み得る。したがって、励起は、Ｘ線帯域の波長の電磁ビーム、中性子ビーム、電子ビーム、光帯域の波長の電磁ビーム、赤外線帯域の波長の電磁ビーム、超音波帯域の波長の音波、陽子ビーム、インピーダンス測定デバイスに関連する電界、磁気共鳴機器に関連する高周波、および／または磁化率測定デバイスに関連する磁界のうちの少なくとも１つを含み得る。
次に、システム内の測定デバイスは、励起に対するサンプルと関連付けられた応答（動作２１２）を測定し得る。例えば、測定デバイスは、Ｘ線検出器、中性子検出器、電子検出器、光検出器、赤外線検出器、超音波検出器、陽子検出器、磁気共鳴機器、インピーダンス測定デバイス、および／または磁化率測定デバイスのうちの少なくとも１つを含み得る。測定された応答は、サンプルの時間領域応答を含み得、かつ、画像以外または画像と異なり得ることに留意されたい。
さらに、システムは、測定された応答および励起を所定の予測モデルへの入力として規定する情報を使用して、サンプルを表す複数のボクセルを有するフォワードモデルにおいて、ボクセルごとにモデルパラメータを算出し得る（動作２１４）。フォワードモデルは、励起、波長および強度または磁束、ならびに少なくとも１つの異なる波長および少なくとも１つの異なる強度または異なる磁束を含む、ある範囲の測定条件から選択される、所与の波長および所与の強度または所与の磁束を伴う所与の励起に対する、前記サンプル内で発生する応答物理をシミュレートし得る。さらに、フォワードモデルは、励起、複数のボクセルのモデルパラメータ、および応答物理に近似する微分方程式または現象論的方程式の関数であり得る。
所定の予測モデルは、機械学習モデルおよび／またはニューラルネットワークを含み得ることに留意されたい。いくつかの実施形態では、所定の予測モデルは、個体に対応する個人化された予測モデルを含む。
次に、システムは少なくとも測定された応答と、フォワードモデル、モデルパラメータ、および励起を使用して計算された応答の予測値とを比較することによって、モデルパラメータの精度を判定し得る（動作２１６）。
さらに、精度が事前定義された値を超えるときは（動作２１８）、システムは、モデルパラメータを、例えば、ユーザ、別の電子デバイス、ディスプレイ、および／またはメモリへの出力として提供し得る（動作２２０）。
したがって、精度が事前定義された値を超えるときは（動作２１８）、モデルパラメータは、さらなる反復を伴わない単一のパスにおいて算出され得る。結果として、事前定義された値を超える精度を有するモデルパラメータは、所定の予測モデルを使用しない反復アプローチよりも、所定の予測モデルでより少ない反復を用いて算出され得る。
代替的に、精度が事前定義された値未満のときは（動作２１８）、システムは、第２の所定の予測モデルへの入力として励起および精度を規定する情報を使用して、少なくとも訂正された波長、訂正された強度または訂正された磁束を有する訂正された励起を計算し（動作２２２）、さらに、励起の代わりに訂正された励起を使用して、適用する動作、測定する動作、算出する動作、および判定する動作を繰り返し得る（動作２２４）。第２の所定の予測モデルは、機械学習モデルおよび／またはニューラルネットワークを含み得ることに留意されたい。
いくつかの実施形態では、システムは、オプションで１つ以上の任意の追加動作または代替動作を実行する。例えば、精度が事前定義された値未満のときは（動作２１８）、システムは、励起および測定された応答をトレーニングデータセットに追加し、そのトレーニングデータセットを使用して、予測モデルの訂正されたインスタンスを判定し得る。
さらに、システムは、モデルパラメータおよび第３の予測モデルを使用して、サンプル内の１つ以上の解剖学的構造を分類またはセグメント化し得る。例えば、第３の所定の予測モデルは、機械学習モデルおよび／またはニューラルネットワークを含み得る。
さらに、システムは、フォワードモデルと、ある範囲のモデルパラメータと、ある範囲の励起とを使用して算出されたシミュレートされたデータセットを使用して、予測モデルを訓練し得る。
方法２００のいくつかの実施形態では、追加の動作、またはより少ない動作が存在し得る。さらに、動作の順序は、変更され得、かつ／または、２つ以上の動作は、単一の動作に組み合わされ得る。
図３は、システム１００（図１）内の構成要素間の通信の例を示す図面を提示する。特に、コンピュータ１１６のプロセッサ３１０は、メモリ３１４に記憶されたプログラム命令（ＰＩ）３１２を実行し得る。プロセッサ３１０がプログラム命令３１２を実行するとき、プロセッサ３１０は、算出技術における動作の少なくとも一部を実行し得る。
算出技術の間、プロセッサ３１０は、インターフェース回路（ＩＣ）３１６に命令３１８を提供し得る。それに応答して、インターフェース回路３１６は、例えば、１つ以上のパケットまたはフレームで、ソース１１０に命令３１８を提供し得る。さらに、ソース１１０は、命令３１８を受信した後にサンプルに励起３２０を適用し得る。
次に、プロセッサ３１０は、インターフェース回路３１６に命令３２２を提供し得る。これに応答して、インターフェース回路３１６は、例えば、１つ以上のパケットまたはフレームで命令３２２を測定デバイス１１４に提供し得る。さらに、測定デバイス１１４は、命令３２２を受信した後に、励起３２０に対するサンプルと関連付けられた応答３２４を測定し得る。次に、測定デバイス１１４は、例えば、１つ以上のパケットまたはフレームで、測定された応答３２４をコンピュータ１１６に提供し得る。
インターフェース回路３１６は、測定された応答３２４を受信した後に、この測定された応答３２４をプロセッサ３１０に提供し得る。次に、測定された応答３２４および所定の予測モデルへの入力として励起３２０を規定する情報を使用して、プロセッサ３１０は、サンプルを表す複数のボクセルを有するフォワードモデルのボクセルごとに、モデルパラメータ（ＭＰ）３２６を算出し得る。
さらに、プロセッサ３１０は少なくとも測定された応答３２４と、フォワードモデル、モデルパラメータ３２６、および励起３２０を用いて計算された応答の予測値とを比較することによって、モデルパラメータの精度３２８を判定し得る。精度３２８が事前定義された値を超えるときは、プロセッサ３１０は、モデルパラメータ３２６を、例えば、ユーザ、（インターフェース回路３１６を介した）別の電子デバイス、ディスプレイ３３０、および／またはメモリ３１４への出力として提供し得る。
そうでなく、精度が事前定義された値未満のときは、プロセッサ３１０は、是正措置３３２を実行し得る。例えば、プロセッサ３１０は、第２の所定の予測モデルへの入力として励起３２０および精度３２８を規定する情報を使用して、訂正された励起を計算し得、さらに、励起３２０の代わりに訂正された励起を用いて、適用する動作、測定する動作、算出する動作、および判定する動作を繰り返し得る。代替的に、または、さらに、プロセッサ３１０は、励起３２０および測定された応答３２４を訓練データセットに追加し得、さらに、訓練データセットを使用して、予測モデルの訂正されたインスタンスを判定し得る。
ここで、予測モデルの実施形態について説明する。例えば、予測モデルには、教師あり学習モデルまたは（クラスタリングなどの）教師なし学習技術などの機械学習モデルが含まれ得る。いくつかの実施形態では、機械学習モデルは、サポートベクトルマシン、分類および回帰ツリー、ロジスティック回帰、ＬＡＳＯＳＯ、線形回帰、非線形回帰、パターン認識、ベイジアン技術、および／または別の（線形または非線形）教師あり学習技術を含み得る。
図４は、機械学習モデル４００の例を示す図面を提示する。この機械学習モデルでは、測定値４１０と、１つ以上の対応する励起４１２と、１つ以上の測定値４１０とフォワードモデルを用いて判定された１つ以上の予測応答との間の１つ以上の誤差４１４と、フォワードモデル内のボクセルのモデルパラメータの現在のインスタンスと、１つ以上の励起４１２と、の重み付き（重み４０８を使用）線形または非線形の組み合わせ４１６を用いて、モデルパラメータ４１８の訂正されたインスタンスを算出する。したがって、いくつかの実施形態では、予測モデル４００をフォワードモデルと組み合わせて使用して、予測応答の精度が事前定義された値未満になる（すなわち、収束基準が達成される）までモデルパラメータのインスタンスを反復して修正する。しかしながら、いくつかの実施形態では、機械学習モデルを使用して、モデルパラメータを単一のパスで、すなわち、開ループ方式で判定し得る。
代替的に、または、さらに、予測モデルはニューラルネットワークを含み得る。ニューラルネットワークは、一般化された関数近似器である。例えば、深層学習などの技術では、典型的には以前の例を入力として使用する。一般に、これらの機械学習モデルでは、予測の誤差を推定するために使用する参照点がないため、近似しようとしている実際の関数を判定することはできない。特に、訓練された例とは非常に異なる入力に基づいて予測を行うことは、ニューラルネットワークには困難な場合がある。この点で、ニューラルネットワークは不可逆算出圧縮エンジンと考えることができる。
しかしながら、様々な励起、測定された応答、および対応するモデルパラメータを使用してニューラルネットワークを訓練することにより、ニューラルネットワークは、励起に対するサンプルの応答の物理をシミュレートするフォワードモデルにモデルパラメータ（またはモデルパラメータの初期推定）を提供することができる。ニューラルネットワークは効果的な近似／圧縮であるため、同じ入力をそれほど算出能力を必要とせず、より高速に実行できる。さらに、関数はフォワードモデルで既知であるため、（近似を使用するのとは違って）応答を算出することができ、予測の精度を評価できる。したがって、算出技術を使用して、予測が信頼できない場合を判断できる。特に、図４について前述したように、ニューラルネットワークをフォワードモデルと組み合わせて使用して、予測応答の精度が事前定義された値未満になる（すなわち、収束基準が達成される）までモデルパラメータのインスタンスを反復して修正し得る。しかしながら、いくつかの実施形態では、ニューラルネットワークを使用して、モデルパラメータを単一のパスで、すなわち開ループ方式で判定することができる。
図５は、ニューラルネットワーク５００の例を示す図面を提示する。このニューラルネットワークは、畳み込みニューラルネットワークまたはリカレントニューラルネットワークを使用して実装できる。例えば、ニューラルネットワーク５００はネットワークアーキテクチャ５１２を含み得、これは、入力５１０のフィルタリングを提供する初期畳み込み層５１４（１つ以上の測定値、１つ以上の測定値とフォワードモデルを使用して判定された１つ以上の応答との間の差または誤差、モデルパラメータの現在のインスタンス、および励起など）と、重みを適用する追加の畳み込み層（複数可）５１６と、選択（例えば、モデルパラメータの訂正されたインスタンスの選択）を実行する出力層５１８（修正された線形層など）と、を含み得る。ニューラルネットワーク５００の異なる層およびそれらの相互接続の詳細は、ネットワークアーキテクチャ５１２（有向非巡回グラフなど）を定義し得ることに留意されたい。これらの詳細は、ニューラルネットワーク５００の指示によって規定され得る。いくつかの実施形態では、ニューラルネットワーク５００は、一連の行列乗算演算として再定式化される。ニューラルネットワーク５００は、１００万以上の入力における実世界の差異を処理することが可能であり得る。ニューラルネットワーク５００は、深層学習技術、すなわちＧＡＮを使用して訓練され得ることに留意されたい。機械学習モデル４００（図４）および／またはニューラルネットワーク５００のいくつかの実施形態では、モデルパラメータの現在のインスタンスが入力として使用される。
いくつかの実施形態では、大規模な畳み込みニューラルネットワークは、６０Ｍのパラメータおよび６５０，０００個のニューロンを含み得る。畳み込みニューラルネットワークは、重み付きの８つの学習層を含み得、この学習層は５つの畳み込み層と、様々な可能なモデルパラメータの１０００クラスラベルにわたる分布を生成する最終的な１０００通りのソフトマックス関数または正規化指数関数を有する３つの完全に接続された層と、を含む。一部の畳み込み層には、最大プーリング層が続き得る。訓練を高速化するために、畳み込みニューラルネットワークは、（ローカル応答の正規化などの）非飽和ニューロンと、畳み込み演算の効率的なデュアル並列ＧＰＵ実装と、を使用し得る。さらに、完全に接続された層の過剰適合を減らすために、正則化技術（「ドロップアウト」と称されることもある）を使用し得る。ドロップアウトでは、様々なモデルの予測を効率的に組み合わせて、テスト誤差を減少させる。特に、各隠れニューロンの出力は、確率０．５でゼロに設定される。このように「ドロップアウト」されたニューロンは、フォワードパスに寄与せず、逆伝播に関与しない。畳み込みニューラルネットワークは、多項ロジスティック回帰の目的を最大化する場合があり、これは予測分布の下での正しいラベルの対数確率の訓練ケース全体の平均を最大化することと同等であり得ることに留意されたい。
いくつかの実施形態では、第２、第４、および第５の畳み込み層のカーネルは、同一のＧＰＵ上に存在する前の層のそれらのカーネルマップに結合される。第３の畳み込み層のカーネルは、第２の層のすべてのカーネルマップに結合され得る。さらに、完全に接続された層のニューロンは、前の層のすべてのニューロンに結合することができる。さらに、応答正規化層は第１および第２の畳み込み層の後に続き得、最大プーリング層は応答正規化層と第５の畳み込み層の両方の後に続き得る。修正された線形ユニットなどのニューロンの非線形モデルは、すべての畳み込み、かつ、完全に接続された層の出力に適用し得る。
いくつかの実施形態では、第１の畳み込み層は、４ピクセルのストライドを有するサイズ１１×１１×３の９６個のカーネルを有する２２４×２２４×３入力画像をフィルタリングする（これは、カーネルマップにおける隣接するニューロンの受容野の中心間の距離である）。第２の畳み込み層は、第１の畳み込み層の（応答正規化およびプールされた）出力を入力として受け取り得、サイズ５×５×４８の２５６個のカーネルでフィルター処理し得ることに留意されたい。さらに、第３、第４、および第５の畳み込み層は、介在するプーリングまたは正規化層なしに互いに結合され得る。第３の畳み込み層は、第２の畳み込み層の（正規化され、プールされた）出力に結合されたサイズ３×３×２５６の３８４個のカーネルを有し得る。さらに、第４の畳み込み層はサイズ３×３×１９２の３８４個のカーネルを有しよく、第５の畳み込み層はサイズ３×３×１９２の２５６個のカーネルを有し得る。完全に接続された層は、それぞれ４０９６個のニューロンを有し得る。上述のおよび以降の残りの考察の数値は単に例示を目的としており、他の実施形態においては異なる値を使用し得ることに留意されたい。
いくつかの実施形態では、畳み込みニューラルネットワークは、少なくとも２つのＧＰＵを使用して実装される。一方のＧＰＵは層部分の一部を実行し得、他方のＧＰＵは残りの層部分を実行し、さらに、これらのＧＰＵは特定の層で通信する場合がある。畳み込みニューラルネットワークの入力は１５０，５２８次元であり、畳み込みニューラルネットワークの残りの層のニューロンの数は２５３、４４０～１８６、６２４～６４、８９６～６４、８９６～４３、および２６４～４０９６～４０９６～１０００で与えられ得る。
ここで、フォワードモデルの実施形態について説明する。このフォワードモデルは、（個体などの）サンプルの一部のボクセルの３Ｄモデルであり得、各ボクセルのブロッホ方程式にモデルパラメータを含み得る。特に、ｚ軸に沿った準静的磁界Ｂ０の場合、ブロッホ方程式は次のようになる。
式中、γは磁気回転比であり、
はベクトル外積を示し、
は、サンプル内のある種の核が受ける磁界である。ブロッホ方程式のモデルパラメータには、Ｔ１、Ｔ２、ある種類の核の密度、拡散、速度／流速、温度、磁化率などを含み得る。各ボクセルの異なる種類の核によって異なるモデルパラメータが存在し得ることに留意されたい。さらに、ブロッホ方程式は、時間変動する磁界に対するサンプル内の核の種類の磁気モーメントの動的応答への半古典的で巨視的な近似であることに留意されたい。例えば、１ｍｍ３のボクセル内に６７Ｍの細胞が存在し得る。
原則として、サンプルのブロッホ方程式のモデルパラメータの解空間は、劣決定であり得、すなわち、モデルパラメータを規定または制約する観測値よりも、判定されるモデルパラメータが大幅に多く存在し得る。したがって、予測モデルを訓練するときは、または、（機械学習モデルまたはニューラルネットワークの層内での算出を用いて）予測モデルを使用してモデルパラメータを判定するときは、算出技術は、追加情報を活用して問題の次元を制約または削減する場合がある。例えば、サンプルの解剖学的構造の態様は、コンピュータ断層撮影、Ｘ線、超音波などの他の撮像技術を使用して判定され得る。さらに、（心臓組織など）ターゲットの種類の組織に似ていない（すなわち、非常に異なる測定値、例えば、異なる測定されたＭＲ信号を有する）領域は（これらの領域でモデルパラメータをゼロに設定するなどして）フォワードモデルから除外され得る。このようにして、例えば、空気からなる領域を除外し得る。フォワードモデルの他の制約には、灌流または代謝を定量化するためのＭＲＴの熱流（高温から低温へ）に対する熱力学的制約を含み得る。さらに、異なるパルスシーケンス、および／または異なるＭＲ技術を使用して、（疑似ランダムパルスシーケンスに同様の情報を提供し得る）異なる磁界強度Ｂ０での測定値を使用して予測モデルを訓練し得、これにより、モデルパラメータと観察値との比を削減し、予測モデルの訓練を簡素化し得る。
代替的に、または、さらに、以前のＭＲ測定値または走査値（例えば、異常値または変化値）に基づいて予測またはシミュレートされた（予測されたＭＲ信号などの）応答から大幅に逸脱する組織は、輪郭マップ（例えば、三次スプライン）を使用して、著しく差異がある領域に境界を形成する（または、その領域の境界を指定する）などによりフォワードモデルの焦点になり得る。いくつかの実施形態では、予測モデルを訓練するときは、または、（機械学習モデルまたはニューラルネットワーク層で算出を使用するなどして）予測モデルを使用してモデルパラメータを判定するときは、測定値とシミュレートまたは予測された応答との間の差異または誤差を１つ以上のレベルセット関数を使用して表し得、閾値を超える誤差を有する領域の境界は、閾値に対応する平面と１つ以上のレベルセット関数との交点に基づいて判定し得る。
いくつかの実施形態では、ニューラルネットワーク内の層は、サンプル内のモデルパラメータ解の表面（複数可）に沿って一次および二次導関数を算出し得る。（導関数の計算を容易にするために、モデルパラメータは１つ以上のレベルセット関数を使用して表し得る。）一次導関数がゼロである線に沿った一式のボクセルを識別し得る。この一式のボクセルは、ボクセル位置と３次スプラインとの間の誤差が最小となる３次スプラインを使用して適合させることができる。この適合動作は、モデル－パラメータ解空間のすべての境界で繰り返すことができる。さらに、３次スプラインによって定義された境界内の最大の連続面を判定し得、モデルパラメータ解の計算を繰り返して、前の連続面内にある新しい連続面を判定し得る。この一般化されたフレームワークは、ボクセル内体積全体の誤差を最小限に抑え、それによって、測定値と、フォワードモデルに基づいてシミュレートまたは予測された応答との間の整合性を改善することができる。
例えば、ニューラルネットワークは、フォワードモデルのボクセルのモデルパラメータのヤコビ行列とニュートン法を使用して逆問題を解決し、モデルパラメータの摂動が測定値と予測応答との差または誤差にどのように影響を与えるかに基づいて、連続する層内のボクセルのモデルパラメータを修正し得る。
いくつかの実施形態では、サンプルの一部が１つのボクセルを含む場合、特定の種類の組織について判定する必要がある（フォワードモデルを規定する）モデルパラメータが４～１０個存在し得る。ボクセルがＭ種類の組織を含む場合、特定の種類の組織について判定する必要があるモデルパラメータが４Ｍ～１０Ｍ個存在し得る。ボクセルの数が増えると、これは困難な問題のように思われ得る。
しかしながら、核の種類が異なればラーモア周波数も異なるため、核の種類の空間分布とそれらの局所濃度は測定値から判定できる。次に、人体（または人体の一部）の事前定義された解剖学的テンプレートを、フォワードモデルの関連する初期モデルパラメータと共に、核の種類の空間分布、およびそれらの局所濃度に一致するようにスケーリングし得る。例えば、異なる種類の組織におけるモデルパラメータの所定の、または事前定義された範囲を使用して、初期モデルパラメータを判定し得る。いくつかの実施形態では、初期モデルパラメータは、以前の測定またはＭＲ走査と関連付けられたモデルパラメータに基づく。
次に、関連するモデルパラメータおよび励起の関数として（１つ以上のフォワードモデルを使用して生成された）シミュレートまたは予測された応答を含むルックアップテーブルを使用して、初期モデルパラメータを修正するか、または、サンプル内のボクセルのモデルパラメータを算出し得る。例えば、測定値に類似したシミュレートまたは予測された応答を識別し得、これらのシミュレートまたは予測された応答と測定値との間の差異または誤差を使用して、ルックアップテーブルのモデルパラメータ間の補間を誘導し得る。
いくつかの実施形態では、（特定の臓器などの）ある種類の組織に対して、ニューラルネットワークの異なる層を使用して判定されたモデルパラメータは、異なる層でボクセルのサイズが徐々に減少するにつれて（したがって、ボクセルの数が増加するにつれて）、反復して改善され得る。この分析は、フォワードモデルを使用した測定値と、シミュレートまたは予測された応答との間の誤差によって引き起こされる場合がある。ニューラルネットワークの連続する層を進むと、収束または精度の基準よりも大きい誤差のある残りの領域に焦点が当てられる場合がある。例えば、ニューラルネットワークの層内のフォワードモデルのモデルパラメータは、ある磁界強度での測定値に基づく場合があり、次いで、誤差は別の磁界強度でのフォワードモデルの予測応答に基づいて判定される場合がある。さらに、最初に予測モデルまたはフォワードモデルは、異なるボクセル間に寄与または相互作用がないと想定している場合があることに留意されたい。ただし、誤差とボクセルサイズが減少するにつれて、そのような寄与および／または相互作用は、ニューラルネットワークの後続の層に含まれる場合がある。いくつかの実施形態では、ニューラルネットワーク内の層の逆問題に対して（同様の誤差を有する）複数の候補モデルパラメータ解があるときは、これらの候補の少なくとも一部は、後続の層で使用するために保持され得る（すなわち、この時点では一意のモデルパラメータ解が特定されていない場合がある）。代替的に、（５０、２５、１０、５、または、１％未満などの）所望の誤差範囲内に一意のパラメータ解が存在しない場合は、最良の（最小誤差の）モデルパラメータ解を維持し得る。さらに、所望の誤差範囲内にモデルパラメータ解が存在しないときは、第２の予測モデルを使用して励起を修正し得、追加の測定（複数可）を実行し得る。
したがって、測定値に基づいてモデルパラメータを判定するという逆問題は、測定値と、フォワードモデル、モデルパラメータ、および励起に基づいて生成されたシミュレートまたは予測された応答との間の誤差または差異を最小化するモデルパラメータを提供する予測モデルを使用して「解決」し得る。いくつかの実施形態では、逆問題は１つ以上の分析技術を使用して解決され、分析技術は、最小二乗法、凸二次最小化法、最急降下法、準ニュートン法、シンプレックス法、レーベンバーグ・マルカート法を含む、シミュレートされたアニーリング、遺伝的技術、グラフベースの技術、別の最適化技術、および／またはカルマンフィルタリング（または線形二次推定）を含む。
予測モデルの訓練では、動的プログラミングを使用し得ることに留意されたい。特に、訓練の問題は、例えば、クラウドベースのコンピューティングシステムでは、複数のコンピュータによって分割され、並行して実行され得る。例えば、特定のスレッドで特定の測定条件の逆問題を解決しようとし得る。コンピュータ（またはプロセッサ）によって生成された複数の潜在的なモデルパラメータ解を（例えば、線形重ね合わせを使用して）組み合わせて、１つ以上の分析技術を使用して最小化される誤差メトリックを判定し得る。
さらに、前述のように、逆問題は、最初に粗いボクセルサイズを使用したフォワードモデルに対して適切なモデルパラメータ（例えば、測定値とシミュレートまたは予測された応答との間の誤差を最小化するモデルパラメータ）を見つけようと試みて、次いで、計算の後続の層または段階でボクセルサイズが小さい適切なパラメータを段階的に見つけることで、（機械学習モデルまたはニューラルネットワークなど）予測モデルによって反復して解決され得る。この反復手順で使用される最終的なボクセルサイズ（またはボクセルサイズがいくつかの実施形態では固定されない場合があるため、ボクセルサイズの適切な範囲）は、走査される核の種類の磁気回転比に基づいて判定し得ることに留意されたい。さらに、ボクセルのサイズまたは位置はまた、ボクセルがサブボクセルのセットに均等に分割されるように、または、プレビューボクセルサイズと一定量の重複があり、重複領域を効果的に「オーバーサンプリング」し、潜在的にＭＲ信号が発生する箇所をさらに突き止めるように選択され得る。この最後の技術は、（ボクセルの長さ、幅、または高さなどの）ボクセルの特性長未満の距離ｄｘだけ、勾配システム全体を１つ以上の次元でシフトさせることによって類似し得る。いくつかの実施形態では、予測モデルまたはフォワードモデルでのボクセルサイズは、測定で使用されるものよりも小さい（すなわち、予測モデルまたはフォワードモデルは、超解像技術を使用し得る）。例えば、３Ｔの磁界強度で５１２×５１２ボクセル、または、１０２４×１０２４ボクセルが存在し得る。ボクセルサイズは０．２５３ｍｍ３未満であり得ることに留意されたい。
ここで、異なる種類の組織をセグメント化するための技術の実施形態について説明し、これは、（ニューラルネットワークなどの）３番目の予測モデルで使用し得る。異なる種類の組織ｄｊ（ｊ＝１～Ｎの場合）に対して多次元パラメータ空間で測定された時間サンプリングＭＲ軌道（またはベクトル）の辞書Ｄｍｒを定義し、その結果、ボクセルについて測定されたＭＲ信号ｙｏｂｖを以下のように表すことができる。
式中、αｊは正規化された重みであり（つまり、
）、εは誤差（つまり、ε＝（ｙｊ，αｊ）、ｊ＝１～ｎ）である。これは、ボクセル内線形方程式の問題を定義する場合がある。一般化されたボクセル間の問題は、（２７個のボクセルを有する立方体などの）一式のボクセルをグラフＧとしてモデル化し得る。一式内の各ボクセルには、８個の隣接するボクセルに対し２６個のエッジを有し得ることに留意されたい。逆問題のパラメータ解は、誤差を最小化するものとして定義され得る。
２つの隣接するボクセルｕとｖの場合を考える。ボクセル内線形方程式ＵｙおよびＶＹは、ｕとｖの両方で解決される必要がある。いくつかの可能な結果がある。まず、ＵｙとＶｙは、一意のモデルパラメータ解を持っている場合があり（ここで、「一意のモデルパラメータ解」は、既存のフォワードモデル、つまり、収束または精度基準未満の誤差または差分ベクトルを有するものに最適合し得る）、そして、分析が終了する場合がある。代替的に、Ｕｙが一意のモデルパラメータ解を有し、Ｖｙが有さない場合がある。Ｕｙに対するモデルパラメータ解が、Ｖｙが単一のモデルパラメータ解を有するようにＶｙに制約を課すことが可能であり得、その場合には、分析を終了し得る。ただし、ＵｙとＶｙのいずれも一意のモデルパラメータ解を有さない場合があり、この場合、式のシステムを組み合わせる（すなわち、効果的にボクセルサイズを増加させる）ことにより一意のモデルパラメータ解を生成し得る。また、ＵｙとＶｙのいずれも、いかなるモデルパラメータ解も有しない場合があり、その場合は、さらなる制約を伴わずにボクセル内問題を解決することはできない。
最後の場合には、隣接するボクセルｗを調べることが可能であり得、すなわち、対応するボクセル内線形方程式Ｕｙ、Ｖｙ、Ｗｙを有する一連のボクセルｕ、ｖ、ｗはｕ、ｖ、ｗで解決する必要がある。ボクセル内線形方程式ＶｙとＷｙは、以前の場合まで減少することに留意されたい。ボクセル内線形方程式が以前の場合まで減少しないときは、このペアリング動作を減少するまで再帰的に適用でき、その後、ボクセル内線形方程式を前述のように解くことができる。
一般に、この分析技術は、誤差を最小限に抑えるために３Ｄ表面（または体積）を適合させる問題と同形であり得る。この点に関する１つの課題は、隣接するすべての体積が、誤差を最小化するモデルパラメータ解αｊに等しく影響を与えていると想定していることである。
誤差の最小化は、最初はボクセル間の寄与がない（つまり、ボクセルが独立している）と想定し得る。その後、ボクセル間の寄与が含まれる場合がある。特に、隣接するボクセル体積を考慮すると、２つの異なるクラスが存在する。表面を共有する体積と、１Ｄエッジのみを共有する体積。最小化関数は、相対座標系の中心にあるボクセルｕでの誤差の寄与に重みを付けることで改善できる。誤差への影響がｒ－２（ｒはボクセルの中心点間の距離）に比例し、重み付けに１ｍｍの等方性ボクセルを想定すると、ボクセル間の寄与に関する最小化または適合の問題は次のように表すことができる。
式中、ｋの合計は、共通の表面を共有する隣接するボクセル（つまり、（－１，０，０）、（１，０，０）、（０、－１，０）、（０，１，０）、（０，０、－１）、（０，０，１））の合計であり、ｌの合計は、共通のエッジを共有する隣接するボクセルの残りの部分の合計である。分析の前提は、モデルパラメータ解を適合させる、または判定するのが最も難しい場所は、異なる組織間の不連続性または境界面に存在するということである。その結果、算出技術の間、分析エンジン１２２（図１）は、最初にこれらの位置を解決し、次に残りの位置を解決し得る。
代替的に、隣接するボクセルからの磁気的寄与はｒ２に比例するため、最小化問題で一次ボクセルまたは中央ボクセルの中心から半径Ｒの球が与えられると、球が隣接するボクセルの体積内でどれだけ膨張するかに基づいて（したがって、それらのボクセル間の寄与がどれほど強いと推定されるかに基づいて）周囲のボクセルは重み付けされ得る。例えば、２Ｄ表面を共有するボクセルの重み、１Ｄ線を共有するボクセルの重み、０Ｄ点を共有するボクセルの重みを含む、割り当てる必要のある３つの異なる重みが存在する場合がある。各ボクセル内に均一な組織分布がない場合があるため、誤差を最小化する分布を見つけるために、重みを動的に調整して各ボクセル内の様々な種類の分布をモデル化し得る。これにより、様々な種類の組織に対して、単一のボクセル内で複数のＭＲシグネチャを識別する機能が提供され得る。算出能力が向上すると、第３の予測モデルの精度が向上し得、最小化問題（したがって逆問題）を解決するために使用される分析技術が修正され得ることに留意されたい。
したがって、実施形態ではボクセルのフォワードモデルが、周囲の、または隣接するボクセルのフォワードモデルに依存する場合、ボクセルのフォワードモデルは２次またはＮ次効果を使用して算出され得る。例えば、Ｎ個の１次フォワードモデルが存在する場合（Ｎは整数）、（すべてのボクセルが相互に作用する場合には）Ｎ！／（Ｎ－２７）！ほど多くの２次フォワードモデルが存在し得る。いくつかの実施形態では、局所性を使用して逆問題を単純化する。このように、フォワードモデルは、隣接するボクセルのフォワードモデルが主要な（中央の）、すなわち、一次ボクセルのフォワードモデルにどのように影響するかを取り入れることによって生成し得る。
いくつかの実施形態では、ディザリング技術を使用して、体内の組織の種類の分布に対するボクセルの任意の位置を克服する。特に、任意のボクセル配置または現在のボクセルサイズのために、ボクセル内に２つ以上の種類の組織が存在する場合がある。これにより、このボクセルのフォワードモデルパラメータが大幅に変更される場合がある。これは、ボクセルに必要なフォワードモデルが２つ以上存在することを示唆している場合がある。これを確認するために、ボクセルを（ボクセルの長さ、幅、または高さの一部である）距離ｄｘだけ変位させ得、（例えば、予測モデルを使用して）フォワードモデルパラメータを再度判定し得る。その過程で、組織分布を判定し得る。その結果、このアプローチは、ボクセルサイズを変更することなく、分析の空間分解能を効果的に高めることができる。
図６は、１つ以上の解剖学的構造６００の分類またはセグメント化の例を示す図面を提示する。特に、図６は、ボクセル境界でのＴ１およびＴ２の不連続な変化に少なくとも部分的に基づいて、臓器６１０を識別またはセグメント化することを示している。
前述の考察ではＭＲ技術を使用した算出技術を例示したが、このアプローチは、様々な特性評価技術を使用してリアルタイムでサンプルを物理的にモデル化および測定できる測定システムに一般化できる。一般に、算出技術は、機械的波および／または電磁波の組み合わせを使用して、体積が摂動にどのように応答するかに関しての予測の正確さを評価するために、走査される体積を「摂動」または「励起」することができる。これには、システムが自身、および、システムが走査または測定される体積を記述するために生成しようとしているフォワードモデルの正確さまたは精度に影響を与える可能性のある、システムが配置された環境の任意の部分をシミュレートする機能も含まれる。
様々な特性評価技術により、テンソル場マッピングとテンソル場の異常を検出する機能が提供され得ることに留意されたい。これらのマップは、画像または定量的テンソル場マップの可能性があり、各特性評価技術は、様々な種類の測定で取り込まれた様々な種類のテンソル場マップの視覚化を提供し得る。これらのマップの２つ以上を確認または考慮することにより、システムは直交情報にアクセスし得る。
したがって、システムはリアルタイム、または、ほぼリアルタイムで、３Ｄ空間内の各ボクセルで高次または超次元の疑似またはハイブリッドテンソルまたは行列を取り込む方法を提供し得る。電磁的および／または機械的摂動または励起を使用することにより、システムは様々な特性評価技術を使用して、外乱および応答を測定し、次いで、応答をシミュレートし得る。
この特性評価の結果は、走査される体積の（４＋Ｎ）Ｄ（３つの空間次元、１つの時間次元、および空間内の各点で最大Ｎの測定次元）の定量的モデルであり得る。（４＋Ｎ）Ｄ定量的モデルは、２Ｄまたは３Ｄ画像を含む完全な（４＋Ｎ）Ｄ空間の任意のサブセットに投影できることに留意されたい。
いくつかの実施形態では、多次元データおよびモデルを使用することにより、より大きなボクセルサイズが使用される場合であっても、従来のＭＲＩアプローチと比較して高い診断精度（すなわち、より低い偽陽性率）が得られる。したがって、算出技術は、従来のＭＲＩで必要とされるよりも大きなボクセルサイズ（またはより弱い外部磁界）で改善された診断精度を可能にし得る。ただし、前述のように、算出技術は、ＭＲＩとは別に、または、ＭＲＩに加えて様々な測定技術と共に使用し得る。
ここで、算出技術の動作の少なくとも一部を実行する電子デバイスについてさらに説明する。図７は、コンピュータ１１６（図１）などのシステム１００（図１）内の電子デバイス７００、または、ソース１１０もしくは測定デバイス１１４（図１）などのシステム１００内の別のコンピュータ制御構成要素を示すブロック図を提示する。この電子デバイスは、処理サブシステム７１０と、メモリサブシステム７１２と、ネットワーキングサブシステム７１４とを含む。処理サブシステム７１０は、算出動作を実行し、かつ、システム１００（図１）の構成要素を制御するように構成された１つ以上のデバイスを含み得る。例えば、処理サブシステム７１０は、１つ以上のマイクロプロセッサまたは中央処理装置（ＣＰＵ）、１つ以上のグラフィックス処理装置（ＧＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、マイクロコントローラ、（フィールドプログラマブルロジックアレイ、すなわちＦＰＧＡなどの）プログラマブルロジックデバイス、および／または１つ以上のデジタルシグナルプロセッサ（ＤＳＰ）を含み得る。
メモリサブシステム７１２は、処理サブシステム７１０およびネットワーキングサブシステム７１４のためのデータおよび／または命令を記憶するための１つ以上のデバイスを含み得る。例えば、メモリサブシステム７１２は、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、および／または他の種類のメモリを含み得る。いくつかの実施形態では、メモリサブシステム７１２内の処理サブシステム７１０の命令は、処理サブシステム７１０よって（オペレーティングシステム７２２などの）動作環境で実行され得る１つ以上のプログラムモジュール、または（プログラム命令７２４などの）命令セットを含む。１つ以上のコンピュータプログラムは、コンピュータプログラム機構またはプログラムモジュール（すなわち、ソフトウェア）を構成し得ることに留意されたい。さらに、メモリサブシステム７１２内の様々なモジュール内の命令は、高水準手続言語、オブジェクト指向プログラミング言語、および／またはアセンブリもしくは機械語で実装され得る。さらに、プログラミング言語は、処理サブシステム７１０によって実行されるように、コンパイルまたは解釈される、例えば、構成可能であるか、または、構成され得る（これは、この考察において交換可能に使用され得る）。
さらに、メモリサブシステム７１２は、メモリへのアクセスを制御するための機構を含み得る。いくつかの実施形態では、メモリサブシステム７１２は、電子デバイス７００のメモリに結合された１つ以上のキャッシュを含むメモリ階層を含む。これらの実施形態のいくつかでは、１つ以上のキャッシュは、処理サブシステム７１０に位置している。
いくつかの実施形態では、メモリサブシステム７１２は、１つ以上の大容量記憶デバイス（図示せず）に結合されている。例えば、メモリサブシステム７１２は、磁気または光学ドライブ、ソリッドステートドライブ、または別の種類の大容量記憶デバイスに結合され得る。これらの実施形態では、メモリサブシステム７１２は、頻繁に使用されるデータのための高速アクセス記憶装置として電子デバイス７００によって使用され得、一方では、大容量記憶デバイスは、あまり使用されないデータを記憶するために使用される。
いくつかの実施形態では、メモリサブシステム７１２は、リモートに位置するアーカイブデバイスを含む。このアーカイブデバイスは、ネットワーク接続ストレージ（ＮＡＳ）、外部ハードドライブ、ストレージサーバ、一群のサーバ、クラウドストレージプロバイダ、クラウドコンピューティングプロバイダ、磁気テープバックアップシステム、医療記録アーカイブサービス、および／または別の種類のアーカイブデバイスなどの高容量ネットワーク接続大容量記憶デバイスであり得る。さらに、処理サブシステム７１０は、アプリケーションプログラミングインターフェースを介してアーカイブデバイスと相互作用して、アーカイブデバイスからの情報を記憶および／またはアクセスし得る。メモリサブシステム７１２および／または電子デバイス７００は、医療保険の相互運用性および説明責任に関する法律に準拠し得ることに留意されたい。
メモリサブシステム７１２に（ローカルおよび／またはリモートに）記憶されたデータの例が図８に示されおり、図８は電子デバイス７００（図７）によって使用されるデータ構造８００の例を示す図面を提示する。このデータ構造は、（個体などの）サンプル８０８－１の識別子８１０－１、（年齢、性別、生検結果、すでに作成されている場合は診断、他のサンプル情報、人口統計情報、家族歴などの）メタデータ８１２、データが取得されたときのタイムスタンプ８１４、（ＭＲ信号、および、より一般的には生データなどの）受信した測定値８１６、（外部磁界、任意の勾配、ＲＦパルスシーケンス、ＭＲ機器、位置、磁界の不均一性、ＲＦノイズ、および他の１つ以上のシステムの欠陥などのマシン固有の特性、信号処理技術、登録情報、測定値と個体の心拍または呼吸パターンとの間などの同期情報などの）励起および測定条件８１８、および／または（ボクセルサイズ、速度、共振周波数、または核の種類、Ｔ１およびＴ２緩和時間、セグメント化情報、分類情報などを含む）判定されたモデルパラメータ８２０、（サンプル８０８－１が測定された部屋またはチャンバー内の温度、湿度、および／または気圧などの）環境条件８２２、フォワードモデル８２４、サンプル８０８－１の（重量、寸法、画像などの）物理的な特性の１つ以上の追加測定値８２６、（１つ以上の検出された異常８２８に関連する特定のボクセル（複数可）を含み得る）オプションの検出された異常８２８、および／または、１つ以上の検出された異常の８２８のオプションの分類８３０を含み得る。データ構造８００は、異なる測定に複数のエントリを含み得ることに留意されたい。
一実施形態では、データ構造８００内のデータは、ブロックチェーンまたは同様の暗号化ハッシュ技術を使用して暗号化され、記録の不正な修正、または破損を検出する。さらに、データは保存前に匿名化できるため、サンプルに関連付けられた個体の識別情報は、その個体が、自身の識別情報にアクセスまたは解放する許可を与えない限り、または、承認を与えない限り匿名となる。
図７に戻って参照すると、ネットワーキングサブシステム７１４は、有線、光、および／または無線ネットワークに結合して通信するように（すなわち、ネットワーク動作、より一般的には通信を実行するように）構成された１つ以上のデバイスを含み得、制御論理７１６、インターフェース回路７１８、１つ以上のアンテナ７２０、および／または、入力／出力（Ｉ／Ｏ）ポート７２８を含む。（図７は１つ以上のアンテナ７２０を含むが、いくつかの実施形態では、電子デバイス７００は、１つ以上のアンテナ７２０に結合することができる１つ以上のノード７０８、例えば、パッドまたはコネクタを含む。したがって、電子デバイス７００は、１つ以上のアンテナ７２０を含んでもよく、または含まなくてもよい。）例えば、ネットワーキングサブシステム７１４は、（ブルートゥース低エネルギー、ＢＬＥ、またはブルートゥースＬＥを含むことができる）ブルートゥースネットワーキングシステム、セルラーネットワーキングシステム（例えば、ＵＭＴＳ、ＬＴＥなどの３Ｇ／４Ｇネットワーク）、ユニバーサルシリアルバス（ＵＳＢ）ネットワーキングシステム、ＩＥＥＥ８０２．１１に記載された規格に基づくネットワーキングシステム（例えば、Ｗｉ－Ｆｉネットワーキングシステム）、イーサネットネットワーキングシステム、および／または別のネットワーキングシステムを含むことができる。
さらに、ネットワーキングサブシステム７１４は、サポートされている各ネットワーキングシステムのデータおよびイベントへの結合、通信、および処理に使用されるプロセッサ、コントローラ、無線／アンテナ、ソケット／プラグ、および／または他のデバイスを含み得る。各ネットワークシステムのネットワーク上のデータおよびイベントへの結合、通信、および処理に使用される機構は、ネットワークサブシステム７１４のための「ネットワークインターフェース」とも総称されることに留意されたい。さらに、いくつかの実施形態では、システム１００（図１）の構成要素間の「ネットワーク」はまだ存在していない。したがって、電子デバイス７００は、例えば、広告またはビーコンフレームを送信する、かつ／または、他の構成要素によって送信される広告フレームを走査する、などの構成要素間の単純な無線通信を実行するためにネットワーキングサブシステム７１４の機構を使用し得る。
電子デバイス７００内で、処理サブシステム７１０、メモリサブシステム７１２、ネットワーキングサブシステム７１４は、バス７２６などの１つ以上の相互接続を使用して結合され得る。これらの相互接続には、サブシステムがコマンドとデータを相互に通信するために使用できる電気的、光学的、および／または電気光学的接続が含まれ得る。明確化のために１つのバス７２６のみが示されているが、異なる実施形態は、サブシステム間の異なる数または構成の電気的、光学的、および／または、電気光学的接続を含むことができる。
電子デバイス７００は、多種多様な電子デバイスに含まれ得る（または含めることができる）。例えば、電子デバイス７００は、タブレットコンピュータ、スマートフォン、スマートウォッチ、ポータブルコンピューティングデバイス、ウェアラブルデバイス、テスト機器、デジタル信号プロセッサ、コンピューティングデバイスのクラスタ、ラップトップコンピュータ、デスクトップコンピュータ、サーバ、サブノートブック／ネットブック、および／または別のコンピューティングデバイスに含まれ得る。
特定の構成要素が電子デバイス７００を説明するために使用されているが、代替の実施形態では、異なる構成要素および／またはサブシステムが電子デバイス７００に存在し得る。例えば、電子デバイス７００は、１つ以上の追加の処理サブシステム、メモリサブシステム、および／またはネットワーキングサブシステムを含み得る。さらに、１つ以上のサブシステムは、電子デバイス７００に存在しなくてもよい。さらに、いくつかの実施形態では、電子デバイス７００は、図７に示されていない１つ以上の追加のサブシステムを含み得る。
別個のサブシステムが図７に示されているが、いくつかの実施形態では、所与のサブシステムまたは構成要素の一部またはすべてを、電子デバイス７００内の他のサブシステムまたは構成要素のうちの１つ以上に統合することができる。例えば、いくつかの実施形態では、プログラム命令７２４がオペレーティングシステム７２２に含まれる。いくつかの実施形態では、所与のサブシステム内の構成要素が異なるサブシステムに含まれる。さらに、いくつかの実施形態では、電子デバイス７００は、単一の地理的位置に位置するか、または複数の異なる地理的位置に分散されている。
さらに、電子デバイス７００の回路および構成要素は、バイポーラ、ＰＭＯＳおよび／もしくはＮＭＯＳゲート、またはトランジスタを含むアナログおよび／またはデジタル回路の任意の組み合わせを使用して実装され得る。さらに、これらの実施形態における信号は、ほぼ離散的な値を有するデジタル信号および／または連続的な値を有するアナログ信号を含み得る。さらに、構成要素と回路はシングルエンドまたは差動であり得、電源はユニポーラまたはバイポーラであり得る。
集積回路は、ネットワーキングサブシステム７１４の（無線など）機能の一部またはすべて、および、より一般的には、電子デバイス７００の機能の一部またはすべてを実装し得る。さらに、集積回路は、電子デバイス７００から無線信号を送信し、システム１００内の他の構成要素（図１）、および／または、システム１００（図１）の外部の電子デバイスから電子デバイス７００で信号を受信するために使用されるハードウェアおよび／またはソフトウェア機構を含み得る。本明細書に記載の機構とは異なり、無線機は一般に当該技術分野で既知であり、したがって詳細には説明していない。一般に、ネットワーキングサブシステム７１４および／または集積回路は、任意の数の無線機を含み得る。複数の無線機の実施形態における無線機は、単一の無線機の実施形態で説明された無線機と同様に機能することに留意されたい。
前述の実施形態の動作の一部はハードウェアまたはソフトウェアで実装されたが、一般に、前述の実施形態の動作は、多種多様な構成およびアーキテクチャで実装することができる。したがって、前述の実施形態における動作の一部、またはすべては、ハードウェア、ソフトウェア、またはその両方で実行され得る。
さらに、前述の実施形態のいくつかでは、より少ない構成要素が存在し、より多くの構成要素が存在し、構成要素の位置が変更され、かつ／または、２つ以上の構成要素が組み合わされる。
前述の考察は、ベクトル波動方程式を解くための算出技術を例示しているが、他の実施形態では算出技術を使用して、スカラー方程式を解き得る。例えば、音波方程式は、フォワードモデルを使用した超音波測定に基づいて任意の不均一な媒体で解き得る。（したがって、いくつかの実施形態では、励起は、機械的であり得る。）超音波測定における音響結合は、操作者に依存し得る（すなわち、超音波測定は圧力に依存し得る）ことに留意されたい。それにもかかわらず、同様のアプローチを使用して、超音波撮像の改善、３Ｄ構造の判定、プレゼンテーションの改善の促進などを行うことができる。
前述の説明では、「いくつかの実施形態」を参照している。「いくつかの実施形態」では、可能なすべての実施形態のサブセットが記載されているが、実施形態の同じサブセットが常に規定されるとは限らないことに留意されたい。さらに、前述の実施形態の数値は、いくつかの実施形態の実例であることに留意されたい。算出技術の他の実施形態では、異なる数値を使用し得る。
前述の説明は、当業者が開示を作成および使用できるようにすることを意図しており、特定の用途およびその要件の文脈内で提供される。さらに、本開示の実施形態の前述の説明は、例示および説明のみを目的として提示されている。それらは、包括的であること、または本開示を開示された形式に限定することを意図するものではない。したがって、多くの修正および変形は当業者には明らかであり、本明細書で定義される一般原理は、本開示の趣旨および範囲から逸脱することなく、他の実施形態および用途に適用し得る。さらに、前述の実施形態の考察は、本開示を限定することを意図するものではない。したがって、本開示は、示された実施形態に限定されることを意図するものではなく、本明細書に開示される原理および特徴と一致する最も広い範囲が与えられるべきである。

Claims (20)

  1. サンプルと関連付けられたモデルパラメータを判定するための方法であって、
    前記サンプルにソースを使用して励起を適用する動作であって、前記励起は、少なくとも波長および強度または磁束を有し、前記励起は、電磁放射、高周波、粒子ビーム、音波、磁界、または電界のうちの１つを含む、適用する動作と、
    測定デバイスを使用して、前記励起に対する前記サンプルと関連付けられた応答を測定する動作と、
    前記測定された応答と、前記励起を所定の予測モデルへの入力として規定する情報とを使用して、前記サンプルを表す複数のボクセルを有するフォワードモデルにおいて、ボクセルごとに前記モデルパラメータを算出する動作であって、前記フォワードモデルは、前記励起、前記波長および前記強度または前記磁束、ならびに少なくとも１つの異なる波長および少なくとも１つの異なる強度または異なる磁束を含む、ある範囲の測定条件から選択される、所与の波長および所与の強度または所与の磁束を伴う所与の励起に対する、前記サンプル内で発生する応答物理をシミュレートし、
    前記予測モデルは、前記測定された応答と前記情報の関数であり、前記フォワードモデルで使用するための前記ボクセルの前記モデルパラメータを提供し、
    前記フォワードモデルは、前記励起、前記複数のボクセルの前記モデルパラメータ、および前記応答物理に近似する微分方程式または現象論方程式の関数であり、推定された応答を提供する、算出する動作と、
    コンピュータを使用して、少なくとも前記測定された応答と、前記フォワードモデル、前記モデルパラメータ、および前記励起を使用して計算された前記応答の予測値とを比較することによって、前記モデルパラメータの精度を判定する動作と、
    前記精度が事前定義された値を超えたときに、前記モデルパラメータを、ユーザ、別の電子デバイス、ディスプレイ、またはメモリへの出力として提供する動作と、を含み、
    前記予測モデルは、フォワードモデル、ある範囲のモデルパラメータ、およびある範囲の励起を使用して算出されたシミュレートされたデータセットを使用して少なくとも部分的に訓練され、
    前記事前定義された値を超える精度を有する前記モデルパラメータは、前記フォワードモデルの予測値と前記サンプルの測定された応答との比較に少なくとも部分的に基づいて、前記モデルパラメータが、前記所定の予測モデルなしで反復的に計算される反復測定および分析技術よりも、前記所定の予測モデルを用いたより少ない反復を使用して計算される、方法。
  2. 前記所定の予測モデルは、機械学習モデル、またはニューラルネットワークのうちの１つを含む、請求項１に記載の方法。
  3. 前記所定の予測モデルは、個体に対応する個人化された予測モデルを含む、請求項１に記載の方法。
  4. 前記精度が前記事前定義された値を超えたときに、前記モデルパラメータは、さらなる反復を伴わない単一のパスにおいて算出される、請求項１に記載の方法。
  5. 前記精度が前記事前定義された値未満であるときに、前記方法は、
    第２の所定の予測モデルへの入力として前記励起および前記精度を規定する情報を使用して、少なくとも訂正された波長、訂正された強度、または訂正された磁束を有する、訂正された励起を計算することと、
    前記励起の代わりに前記訂正された励起を用いて、前記適用する動作、測定する動作、算出する動作、および判定する動作を繰り返すことと、を含む、請求項１に記載の方法。
  6. 前記第２の所定の予測モデルは、機械学習モデル、またはニューラルネットワークのうちの１つを含む、請求項５に記載の方法。
  7. 前記精度が前記事前定義された値未満であるときに、前記方法は、
    前記励起および前記測定された応答を訓練データセットに追加することと、
    前記訓練データセットを使用して、前記予測モデルの訂正されたインスタンスを判定することと、を含む、請求項１に記載の方法。
  8. 前記方法は、前記モデルパラメータおよび第２の予測モデルを使用して、前記サンプル内の１つ以上の解剖学的構造を分類またはセグメント化することを含む、請求項１に記載の方法。
  9. 前記第２の所定の予測モデルは、機械学習モデル、またはニューラルネットワークのうちの１つを含む、請求項８に記載の方法。
  10. 前記励起は、Ｘ線帯域の波長の電磁ビーム、中性子ビーム、電子ビーム、光帯域の波長の電磁ビーム、赤外線帯域の波長の電磁ビーム、超音波帯域の波長の音波、陽子ビーム、インピーダンス測定デバイスに関連する前記電界、磁気共鳴機器に関連する前記高周波、または磁化率測定デバイスに関連する前記磁界のうちの１つである、請求項１に記載の方法。
  11. 前記測定された応答は、前記サンプルの時間領域応答を含み、かつ、画像以外である、請求項１に記載の方法。
  12. コンピュータと組み合わせて使用するための非一時的なコンピュータ可読記憶媒体であって、前記非一時的なコンピュータ可読記憶媒体は、プログラム命令を記憶するように構成され、前記プログラム命令は、前記コンピュータによって実行されるときに、前記コンピュータに、
    サンプルに、ソースを使用して励起を適用することであって、前記励起は、少なくとも波長および強度または磁束を有し、前記励起は、電磁放射、高周波、粒子ビーム、音波、磁界、または電界のうちの１つを含む、適用することと、
    測定デバイスを使用して、前記励起に対する前記サンプルと関連付けられた応答を測定することと、
    前記測定された応答と、前記励起を所定の予測モデルへの入力として規定する情報とを使用して、前記サンプルを表す複数のボクセルを有するフォワードモデルにおいて、ボクセルごとにモデルパラメータを算出することであって、前記フォワードモデルは、前記励起、前記波長および前記強度または前記磁束、ならびに少なくとも１つの異なる波長および少なくとも１つの異なる強度または異なる磁束を含む、ある範囲の測定条件から選択される、所与の波長および所与の強度または所与の磁束を伴う所与の励起に対する、前記サンプル内で発生する応答物理をシミュレートし、
    前記予測モデルは、前記測定された応答と前記情報の関数であり、前記フォワードモデルで使用するための前記ボクセルの前記モデルパラメータを提供し、
    前記フォワードモデルは、前記励起、前記複数のボクセルの前記モデルパラメータ、および前記応答物理に近似する微分方程式または現象論方程式の関数であり、推定された応答を提供する、算出することと、
    前記コンピュータを使用して、少なくとも前記測定された応答と、前記フォワードモデル、前記モデルパラメータ、および前記励起を使用して計算された前記応答の予測値とを比較することによって、前記モデルパラメータの精度を判定することと、
    前記精度が事前定義された値を超えたときに、前記モデルパラメータを、ユーザ、別の電子デバイス、ディスプレイ、またはメモリへの出力として提供することと、を含む動作を行わせ、前記予測モデルは、フォワードモデル、ある範囲のモデルパラメータ、およびある範囲の励起を使用して算出されたシミュレートされたデータセットを使用して少なくとも部分的に訓練され、
    前記事前定義された値を超える精度を有する前記モデルパラメータは、前記フォワードモデルの予測値と前記サンプルの測定された応答との比較に少なくとも部分的に基づいて、前記モデルパラメータが、前記所定の予測モデルなしで反復的に計算される反復測定および分析技術よりも、前記所定の予測モデルを用いたより少ない反復を使用して計算される、非一時的なコンピュータ可読記憶媒体。
  13. 前記所定の予測モデルは、機械学習モデル、またはニューラルネットワークのうちの１つを含む、請求項１２に記載の非一時的なコンピュータ可読記憶媒体。
  14. 前記精度が前記事前定義された値を超えたときに、前記モデルパラメータは、さらなる反復を伴わない単一のパスにおいて算出される、請求項１２に記載の非一時的なコンピュータ可読記憶媒体。
  15. 前記精度が前記事前定義された値未満であるときに、前記動作は、
    第２の所定の予測モデルへの入力として前記励起および前記精度を規定する情報を使用して、少なくとも訂正された波長、訂正された強度、または訂正された磁束を有する、訂正された励起を計算することと、
    前記励起の代わりに前記訂正された励起を用いて、前記適用する動作、測定する動作、算出する動作、および判定する動作を繰り返すことと、を含む、請求項１２に記載の非一時的なコンピュータ可読記憶媒体。
  16. 前記第２の所定の予測モデルは、機械学習モデル、またはニューラルネットワークのうちの１つを含む、請求項１５に記載の非一時的なコンピュータ可読記憶媒体。
  17. モデルパラメータを判定するように構成されたシステムであって、
    励起を提供するように構成されたソースであって、前記励起は、Ｘ線帯域の波長の電磁ビーム、中性子ビーム、電子ビーム、光帯域の波長の電磁ビーム、赤外線帯域の波長の電磁ビーム、超音波帯域の波長の音波、陽子ビーム、インピーダンス測定デバイスに関連する電界、磁気共鳴機器に関連する高周波、または磁化率測定デバイスに関連する磁界のうちの少なくとも１つを含む、ソースと、
    測定を実行するように構成された測定デバイスであって、前記測定デバイスは、Ｘ線検出器、中性子検出器、電子検出器、光検出器、赤外線検出器、超音波検出器、陽子検出器、前記磁気共鳴機器、前記インピーダンス測定デバイス、または前記磁化率測定デバイスのうちの少なくとも１つを含む、測定デバイスと、
    プログラム命令を実行するように構成されたプロセッサであって、前記プロセッサは前記ソース、前記測定デバイス、およびメモリに結合されている、プロセッサと、
    前記プロセッサに結合され、かつ、プログラム命令を記憶するように構成された前記メモリと、を備え、前記プログラム命令は前記プロセッサによって実行されるときに、前記システムに、
    サンプルに、前記ソースを使用して前記励起を適用することであって、前記励起は、少なくとも波長および強度または磁束を有し、前記励起は、電磁放射、高周波、粒子ビーム、音波、磁界、または電界のうちの１つを含む、適用することと、
    測定デバイスを使用して前記励起に対する前記サンプルに関連する応答を測定することと、
    前記測定された応答と、前記励起を所定の予測モデルへの入力として規定する情報とを使用して、前記サンプルを表す複数のボクセルを有するフォワードモデルにおいて、ボクセルごとに前記モデルパラメータを算出することであって、前記フォワードモデルは、前記励起、前記波長および前記強度または前記磁束、ならびに少なくとも１つの異なる波長および少なくとも１つの異なる強度または異なる磁束を含む、ある範囲の測定条件から選択される、所与の波長および所与の強度または所与の磁束を伴う所与の励起に対する、前記サンプル内で発生する応答物理をシミュレートし、
    前記予測モデルは、前記測定された応答と前記情報の関数であり、前記フォワードモデルで使用するための前記ボクセルの前記モデルパラメータを提供し、
    前記フォワードモデルは、前記励起、前記複数のボクセルの前記モデルパラメータ、および前記応答物理に近似する微分方程式または現象論方程式の関数であり、推定された応答を提供する、算出することと、
    前記プロセッサを使用して、少なくとも前記測定された応答と、前記フォワードモデル、前記モデルパラメータ、および前記励起を使用して計算された前記応答の予測値とを比較することによって、前記モデルパラメータの精度を判定することと、
    前記精度が事前定義された値を超えたときに、前記モデルパラメータをユーザ、別の電子デバイス、ディスプレイ、または前記メモリへの出力として提供することと、を含む動作を行わせ、
    前記予測モデルは、フォワードモデル、ある範囲のモデルパラメータ、およびある範囲の励起を使用して算出されたシミュレートされたデータセットを使用して少なくとも部分的に訓練され、
    前記事前定義された値を超える精度を有する前記モデルパラメータは、前記フォワードモデルの予測値と前記サンプルの測定された応答との比較に少なくとも部分的に基づいて、前記モデルパラメータが、前記所定の予測モデルなしで反復的に計算される反復測定および分析技術よりも、前記所定の予測モデルを用いたより少ない反復を使用して計算される、システム。
  18. 前記所定の予測モデルは、機械学習モデル、またはニューラルネットワークのうちの１つを含む、請求項１７に記載のシステム。
  19. 前記所定の予測モデルは、個体に対応する個人化された予測モデルを含む、請求項１７に記載のシステム。
  20. 前記精度が前記事前定義された値を超えるときは、前記モデルパラメータをさらなる反復を伴わない単一のパスにおいて計算される、請求項１７に記載のシステム。
JP2021547808A 2019-02-15 2020-02-13 予測モデルを用いたモデルパラメータの判定 Active JP7438230B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/277,939 2019-02-15
US16/277,939 US11354586B2 (en) 2019-02-15 2019-02-15 Model parameter determination using a predictive model
PCT/US2020/018039 WO2020168035A1 (en) 2019-02-15 2020-02-13 Model parameter determination using a predictive model

Publications (2)

Publication Number Publication Date
JP2022521499A JP2022521499A (ja) 2022-04-08
JP7438230B2 true JP7438230B2 (ja) 2024-02-26

Family

ID=72042595

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021547808A Active JP7438230B2 (ja) 2019-02-15 2020-02-13 予測モデルを用いたモデルパラメータの判定

Country Status (9)

Country Link
US (2) US11354586B2 (ja)
EP (1) EP3923798A4 (ja)
JP (1) JP7438230B2 (ja)
KR (1) KR20210129050A (ja)
CN (1) CN113423336A (ja)
BR (1) BR112021015798A2 (ja)
MX (1) MX2021009608A (ja)
SG (1) SG11202108495XA (ja)
WO (1) WO2020168035A1 (ja)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6896349B2 (ja) * 2017-12-21 2021-06-30 住友重機械工業株式会社 シミュレーション方法、シミュレーション装置、及びプログラム
US11397895B2 (en) * 2019-04-24 2022-07-26 X Development Llc Neural network inference within physical domain via inverse design tool
US11003814B1 (en) * 2019-05-22 2021-05-11 X Development Llc Optimization of physical devices via adaptive filter techniques
US11769180B2 (en) * 2019-10-15 2023-09-26 Orchard Technologies, Inc. Machine learning systems and methods for determining home value
US20210196207A1 (en) * 2019-12-31 2021-07-01 Novocure Gmbh Methods, systems, and apparatuses for associating dielectric properties with a patient model
EP4105890A1 (en) 2019-12-31 2022-12-21 Novocure GmbH Methods, systems, and apparatuses for image segmentation
US11147467B1 (en) * 2020-04-02 2021-10-19 Anapole Technologies Inc. Real time electronic/diagnostic device for COVID-19 and other diseases
CN114491913A (zh) * 2020-11-13 2022-05-13 华为技术有限公司 一种模型的处理方法以及相关设备
JP2023043642A (ja) * 2021-09-16 2023-03-29 キオクシア株式会社 テスト制御装置、テストシステム、および制御方法
WO2023055938A2 (en) * 2021-10-01 2023-04-06 The Regents Of The University Of California Machine-learning based stabilization controller that can learn on an unstable system
US11570058B1 (en) * 2021-10-05 2023-01-31 Bank Of America Corporation Auto simulation of connectivity checks from the client side
CN113850801B (zh) * 2021-10-18 2024-09-13 深圳晶泰科技有限公司 晶型预测方法、装置及电子设备
CN113674509B (zh) * 2021-10-21 2022-06-21 北京博华信智科技股份有限公司 基于区块链的边缘节点灾害监测预警系统及方法
CN114647274B (zh) * 2022-01-27 2024-04-16 无锡中德伯尔生物技术有限公司 一种驱动电路的电流控制方法、装置及驱动电路
CN114814684B (zh) * 2022-06-23 2022-09-16 中科微影(浙江)医疗科技有限公司 小型核磁共振设备优化成像方法、装置、设备及介质
KR20240098499A (ko) 2022-12-21 2024-06-28 연세대학교 산학협력단 외삽 및 보간 기반 신경 제어 미분 방정식을 이용한 시계열 분석 장치 및 방법
CN116374230B (zh) * 2023-06-06 2023-08-25 四川高速公路建设开发集团有限公司 一种基于无人机的高速路面检测系统及方法
CN118433085A (zh) * 2024-07-05 2024-08-02 成都玖锦科技有限公司 一种激励下发数据处理方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170285122A1 (en) 2016-04-03 2017-10-05 Q Bio, Inc Rapid determination of a relaxation time

Family Cites Families (111)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4729892A (en) 1986-03-21 1988-03-08 Ciba-Geigy Corporation Use of cross-linked hydrogel materials as image contrast agents in proton nuclear magnetic resonance tomography and tissue phantom kits containing such materials
US5486762A (en) 1992-11-02 1996-01-23 Schlumberger Technology Corp. Apparatus including multi-wait time pulsed NMR logging method for determining accurate T2-distributions and accurate T1/T2 ratios and generating a more accurate output record using the updated T2-distributions and T1/T2 ratios
JPH07136146A (ja) 1993-06-24 1995-05-30 Toshiba Corp Ｍｒｉ装置
US6392409B1 (en) 2000-01-14 2002-05-21 Baker Hughes Incorporated Determination of T1 relaxation time from multiple wait time NMR logs acquired in the same or different logging passes
US5619138A (en) 1995-08-21 1997-04-08 National Research Council Of Canada Method of providing an RF pulse for use in NMR
US6678669B2 (en) 1996-02-09 2004-01-13 Adeza Biomedical Corporation Method for selecting medical and biochemical diagnostic tests using neural network-related applications
US5793210A (en) 1996-08-13 1998-08-11 General Electric Company Low noise MRI scanner
US6084408A (en) 1998-02-13 2000-07-04 Western Atlas International, Inc. Methods for acquisition and processing of nuclear magnetic resonance signals for determining fluid properties in petroleum reservoirs having more than one fluid phase
WO1999049336A1 (en) 1998-03-20 1999-09-30 Princeton University Method and apparatus for improvement of magnetic resonance imaging contrast
US6148272A (en) 1998-11-12 2000-11-14 The Regents Of The University Of California System and method for radiation dose calculation within sub-volumes of a monte carlo based particle transport grid
US8781557B2 (en) 1999-08-11 2014-07-15 Osteoplastics, Llc Producing a three dimensional model of an implant
AU1811201A (en) 1999-12-03 2001-06-12 Johns Hopkins University, The Apparatus and methods for spatial encoded mri
US6528998B1 (en) 2000-03-31 2003-03-04 Ge Medical Systems Global Technology Co., Llc Method and apparatus to reduce the effects of maxwell terms and other perturbation magnetic fields in MR images
AU2001290043A1 (en) 2000-09-18 2002-03-26 Vincent Lauer Confocal optical scanning device
US8068893B2 (en) 2001-02-16 2011-11-29 The United States Of America, As Represented By The Secretary, Department Of Health And Human Services Real-time, interactive volumetric magnetic resonance imaging
US20020155587A1 (en) 2001-04-20 2002-10-24 Sequenom, Inc. System and method for testing a biological sample
US20040266442A1 (en) 2001-10-25 2004-12-30 Adrian Flanagan Method and system for optimising the performance of a network
US6838875B2 (en) 2002-05-10 2005-01-04 Schlumberger Technology Corporation Processing NMR data in the presence of coherent ringing
US7253619B2 (en) 2003-04-04 2007-08-07 Siemens Aktiengesellschaft Method for evaluating magnetic resonance spectroscopy data using a baseline model
US7596402B2 (en) 2003-05-05 2009-09-29 Case Western Reserve University MRI probe designs for minimally invasive intravascular tracking and imaging applications
US20050096534A1 (en) 2003-10-31 2005-05-05 Yudong Zhu Systems and methods for calibrating coil sensitivity profiles
CA2585876A1 (en) 2003-11-06 2005-05-26 Grace Laboratories, Inc. Immunosorbent tests for assessing paroxysmal cerebral discharges
DE102004021772B4 (de) 2004-04-30 2007-05-24 Siemens Ag Verfahren und Gerät zur verbesserten PPA-Magnet-Resonanz-Bildgebung mit radialer Datenakquisition sowie Computersoftwareprodukt
WO2006106508A2 (en) 2005-04-04 2006-10-12 Technion Research & Development Foundation Ltd. System and method for designing of dictionaries for sparse representation
JP4825199B2 (ja) 2005-04-27 2011-11-30 パナソニック株式会社 情報セキュリティ装置及び楕円曲線演算装置
WO2006114003A1 (en) 2005-04-27 2006-11-02 The Governors Of The University Of Alberta A method and system for automatic detection and segmentation of tumors and associated edema (swelling) in magnetic resonance (mri) images
US7800368B2 (en) 2006-02-17 2010-09-21 Regents Of The University Of Minnesota High field magnetic resonance
US7576538B2 (en) 2006-03-14 2009-08-18 Thomas Meersmann Nuclear electric quadrupolar properties of hyperpolarized gases to probe surfaces and interfaces
US8070682B2 (en) 2006-07-19 2011-12-06 The University Of Connecticut Method and apparatus for medical imaging using combined near-infrared optical tomography, fluorescent tomography and ultrasound
US7974942B2 (en) 2006-09-08 2011-07-05 Camouflage Software Inc. Data masking system and method
US20080082837A1 (en) 2006-09-29 2008-04-03 Protegrity Corporation Apparatus and method for continuous data protection in a distributed computing network
WO2008060774A2 (en) 2006-10-03 2008-05-22 Oklahoma Medical Research Foundation Metabolite detection using magnetic resonance
US7777487B2 (en) 2007-02-15 2010-08-17 Uwm Research Foundation, Inc. Methods and apparatus for joint image reconstruction and coil sensitivity estimation in parallel MRI
US20100142823A1 (en) 2007-03-07 2010-06-10 Ze Wang 2d partially parallel imaging with k-space surrounding neighbors based data reconstruction
US7423430B1 (en) 2007-04-06 2008-09-09 The Board Of Trustees Of The University Of Illinois Adaptive parallel acquisition and reconstruction of dynamic MR images
JP2010527729A (ja) 2007-05-31 2010-08-19 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 磁気共鳴画像データを自動的に取得する方法
US20110093243A1 (en) * 2007-11-14 2011-04-21 Tawhai Merryn H Method for multi-scale meshing of branching biological structures
US8548215B2 (en) 2007-11-23 2013-10-01 Pme Ip Australia Pty Ltd Automatic image segmentation of a volume by comparing and correlating slice histograms with an anatomic atlas of average histograms
US7924002B2 (en) 2008-01-09 2011-04-12 The Board Of Trustees Of The Leland Stanford Junior University Magnetic resonance field map estimation for species separation
US20090240138A1 (en) 2008-03-18 2009-09-24 Steven Yi Diffuse Optical Tomography System and Method of Use
WO2009129265A1 (en) 2008-04-14 2009-10-22 Huntington Medical Research Institutes Methods and apparatus for pasadena hyperpolarization
CN102077108B (zh) 2008-04-28 2015-02-25 康奈尔大学 分子mri中的磁敏度精确量化
DE102008029897B4 (de) 2008-06-24 2017-12-28 Siemens Healthcare Gmbh Verfahren zur Erfassung von MR-Daten eines Messobjektes bei einer MR-Untersuchung in einer Magnetresonanzanlage und entsprechend ausgestaltete Magnetresonanzanlage
US8078554B2 (en) 2008-09-03 2011-12-13 Siemens Medical Solutions Usa, Inc. Knowledge-based interpretable predictive model for survival analysis
GB2476433B (en) 2008-09-17 2013-01-09 Koninkl Philips Electronics Nv B1 Mapping and B1L-Shimming for MRI
EP2165737A1 (en) 2008-09-18 2010-03-24 Koninklijke Philips Electronics N.V. Ultrasonic treatment apparatus with a protective cover
EP2189925A3 (en) 2008-11-25 2015-10-14 SafeNet, Inc. Database obfuscation system and method
DE102008061455B4 (de) 2008-12-10 2011-03-17 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Bestimmung einer vorbestimmten Signalamplitude bei MR-Messungen
JP5212122B2 (ja) 2009-01-09 2013-06-19 ソニー株式会社 生体サンプル像取得装置、生体サンプル像取得方法及びプログラム
DE102009014924B3 (de) 2009-03-25 2010-09-16 Bruker Biospin Mri Gmbh Rekonstruktion von Spektral- oder Bilddateien bei simultaner Anregung und Detektion in der Magnetischen Resonanz
US8108311B2 (en) 2009-04-09 2012-01-31 General Electric Company Systems and methods for constructing a local electronic medical record data store using a remote personal health record server
US8645164B2 (en) 2009-05-28 2014-02-04 Indiana University Research And Technology Corporation Medical information visualization assistant system and method
US10102398B2 (en) 2009-06-01 2018-10-16 Ab Initio Technology Llc Generating obfuscated data
US8400152B2 (en) 2010-04-19 2013-03-19 Fa-Hsuan Lin Method for k-space reconstruction in magnetic resonance inverse imaging
EP2402780A1 (en) 2010-06-23 2012-01-04 Koninklijke Philips Electronics N.V. Method of reconstructing a magnetic resonance image of an object considering higher-order dynamic fields
WO2012001583A1 (en) 2010-07-02 2012-01-05 Koninklijke Philips Electronics N.V. Parallel magnetic resonance imaging using undersampled coil data for coil sensitivity estimation
US8686727B2 (en) 2010-07-20 2014-04-01 The Trustees Of The University Of Pennsylvania CEST MRI methods for imaging of metabolites and the use of same as biomarkers
US10148623B2 (en) 2010-11-12 2018-12-04 Time Warner Cable Enterprises Llc Apparatus and methods ensuring data privacy in a content distribution network
NO20101638A1 (no) 2010-11-22 2012-05-23 Sunnmore Mr Klinikk As Fremgangsmate ved ex vivo distingvering mellom maligne og benigne tumorer ved anvendelse av kontrastmiddelbasert MR-skanning
US9523750B2 (en) 2011-03-01 2016-12-20 Koninklijke Philips N.V. Determination of a magnetic resonance imaging pulse sequence protocol classification
CN102654568A (zh) * 2011-03-01 2012-09-05 西门子公司 用来确定对于磁共振成像的激励参数的方法和装置
US8723518B2 (en) 2011-03-18 2014-05-13 Nicole SEIBERLICH Nuclear magnetic resonance (NMR) fingerprinting
US9192322B2 (en) 2011-04-22 2015-11-24 The Regents Of The University Of California Mapping vascular perfusion territories using magnetic resonance imaging
TW201319296A (zh) 2011-06-21 2013-05-16 Sumitomo Chemical Co 層合薄膜之檢查方法及層合薄膜之製造方法
US8861815B2 (en) 2011-08-03 2014-10-14 International Business Machines Corporation Systems and methods for modeling and processing functional magnetic resonance image data using full-brain vector auto-regressive model
CN103189837B (zh) 2011-10-18 2016-12-28 松下知识产权经营株式会社 混洗模式生成电路、处理器、混洗模式生成方法、命令
GB201121307D0 (en) 2011-12-12 2012-01-25 Univ Stavanger Probability mapping for visualisation of biomedical images
EP2615470A1 (en) 2012-01-12 2013-07-17 Koninklijke Philips Electronics N.V. MR imaging with B1 mapping
US10564241B2 (en) 2012-01-17 2020-02-18 Regents Of The University Of Minnesota Steering resonance along a trajectory
US9146293B2 (en) 2012-02-27 2015-09-29 Ohio State Innovation Foundation Methods and apparatus for accurate characterization of signal coil receiver sensitivity in magnetic resonance imaging (MRI)
US20130294669A1 (en) 2012-05-02 2013-11-07 University Of Louisville Research Foundation, Inc. Spatial-spectral analysis by augmented modeling of 3d image appearance characteristics with application to radio frequency tagged cardiovascular magnetic resonance
US9513359B2 (en) 2012-09-04 2016-12-06 General Electric Company Systems and methods for shim current calculation
CN104780839B (zh) 2012-09-19 2018-05-15 卡斯西部储备大学 核磁共振(nmr)指纹识别
US10132899B2 (en) 2012-10-10 2018-11-20 Hitachi, Ltd. Magnetic resonance imaging apparatus with voxel size control based on imaging parameters and magnetic susceptibility
US11074660B1 (en) 2012-12-06 2021-07-27 The Pnc Financial Services Group, Inc. Systems and methods for financial planning based upon cash positions
WO2014128593A1 (en) 2013-02-25 2014-08-28 Koninklijke Philips N.V. Determination of the concentration distribution of sonically dispersive elements
US20160131724A1 (en) 2013-06-19 2016-05-12 Office Of Technology Transfer, National Institutes Of Health Mri scanner bore coverings
US8752178B2 (en) 2013-07-31 2014-06-10 Splunk Inc. Blacklisting and whitelisting of security-related events
DE102013218224B3 (de) 2013-09-11 2015-01-29 Siemens Aktiengesellschaft Ermittlung von B1-Karten
US9514169B2 (en) 2013-09-23 2016-12-06 Protegrity Corporation Columnar table data protection
US20170003365A1 (en) 2014-03-14 2017-01-05 The General Hospital Corporation System and method for magnetic resonance fingerprinting
JP6553087B2 (ja) 2014-04-25 2019-07-31 メイヨ フォンデーシヨン フォー メディカル エジュケーション アンド リサーチ 磁気共鳴撮像のための統合された画像再構成および勾配非線形性補正
WO2015183792A1 (en) 2014-05-27 2015-12-03 Case Western Reserve University Electrochemical sensor for analyte detection
US20150370462A1 (en) 2014-06-20 2015-12-24 Microsoft Corporation Creating calendar event from timeline
US10132699B1 (en) 2014-10-06 2018-11-20 National Technology & Engineering Solutions Of Sandia, Llc Electrodeposition processes for magnetostrictive resonators
US9485088B2 (en) 2014-10-31 2016-11-01 Combined Conditional Access Development And Support, Llc Systems and methods for dynamic data masking
US10716485B2 (en) 2014-11-07 2020-07-21 The General Hospital Corporation Deep brain source imaging with M/EEG and anatomical MRI
US10595790B2 (en) 2014-12-16 2020-03-24 Siemens Healthcare Gmbh Method and system for personalized non-invasive hemodynamic assessment of renal artery stenosis from medical images
EP3295194B1 (en) 2015-05-13 2018-09-19 Koninklijke Philips N.V. Parallel mr imaging with rf coil sensitivity mapping
EP3093677A1 (en) 2015-05-15 2016-11-16 UMC Utrecht Holding B.V. Time-domain mri
US9958521B2 (en) 2015-07-07 2018-05-01 Q Bio, Inc. Field-invariant quantitative magnetic-resonance signatures
US10194829B2 (en) 2015-07-07 2019-02-05 Q Bio, Inc. Fast scanning based on magnetic resonance history
WO2017007663A1 (en) 2015-07-07 2017-01-12 Tesla Health, Inc Field-invariant quantitative magnetic-resonance signatures
US10613174B2 (en) 2015-10-29 2020-04-07 Siemens Healthcare Gmbh Method and magnetic resonance apparatus for maxwell compensation in simultaneous multislice data acquisitions
US10222441B2 (en) 2016-04-03 2019-03-05 Q Bio, Inc. Tensor field mapping
JP7152956B2 (ja) 2016-05-31 2022-10-13 キュー バイオ インコーポレーション テンソル場マッピング
WO2018136705A1 (en) 2017-01-19 2018-07-26 Ohio State Innovation Foundation Estimating absolute phase of radio frequency fields of transmit and receive coils in a magnetic resonance
US10488352B2 (en) 2017-01-27 2019-11-26 Saudi Arabian Oil Company High spatial resolution nuclear magnetic resonance logging
US10488481B2 (en) 2017-02-22 2019-11-26 The General Hospital Corporation Systems and methods for multislice magetic resonance fingerprinting
US10890641B2 (en) 2017-04-07 2021-01-12 Cornell University System and method of robust quantitative susceptibility mapping
EP3629898A4 (en) * 2017-05-30 2021-01-20 Arterys Inc. AUTOMATED LESION DETECTION, SEGMENTATION AND LONGITUDINAL IDENTIFICATION
EP3457160A1 (en) 2017-09-14 2019-03-20 Koninklijke Philips N.V. Parallel magnetic resonance imaging with archived coil sensitivity maps
US20190294992A1 (en) * 2017-11-28 2019-09-26 Yudong Zhu Hybrid learning for intelligent instruments
US11023785B2 (en) 2018-07-23 2021-06-01 International Business Machines Corporation Sparse MRI data collection and classification using machine learning
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
US11360166B2 (en) 2019-02-15 2022-06-14 Q Bio, Inc Tensor field mapping with magnetostatic constraint
KR20210141550A (ko) 2019-03-14 2021-11-23 하이퍼파인, 인크. 공간 주파수 데이터로부터 자기 공명 이미지를 생성하기 위한 딥 러닝 기법
US11143730B2 (en) 2019-04-05 2021-10-12 University Of Cincinnati System and method for parallel magnetic resonance imaging
US12085631B2 (en) 2019-04-26 2024-09-10 May Foundation For Medical Education And Research Model-based iterative reconstruction for magnetic resonance imaging with echo planar readout
KR102622283B1 (ko) 2019-09-27 2024-01-08 큐 바이오, 인코퍼레이티드 맥스웰 병렬 이미징
EP4071494A1 (en) 2021-04-09 2022-10-12 Siemens Healthcare GmbH Method for acquiring a three-dimensional magnetic resonance image dataset and for generating a motion-corrected image dataset

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170285122A1 (en) 2016-04-03 2017-10-05 Q Bio, Inc Rapid determination of a relaxation time

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Ananya Panda et al.，Magnetic Resonance Fingerprinting-An Overview，Curr Opin Biomed Eng.，2017年，3，56-66
Gopal Nataraj et al.，Dictionary-Free MRI PERK: Parameter Estimation via Regression with Kernels，IEEE TRANSACTIONS ON MEDICAL IMAGING，2018年，VOL.37, NO.9，2103-2114

Also Published As

Publication number Publication date
CN113423336A (zh) 2021-09-21
US20200265328A1 (en) 2020-08-20
EP3923798A1 (en) 2021-12-22
MX2021009608A (es) 2021-09-08
JP2022521499A (ja) 2022-04-08
SG11202108495XA (en) 2021-09-29
US11748642B2 (en) 2023-09-05
WO2020168035A1 (en) 2020-08-20
EP3923798A4 (en) 2022-11-23
KR20210129050A (ko) 2021-10-27
US20220172084A1 (en) 2022-06-02
BR112021015798A2 (pt) 2021-10-13
US11354586B2 (en) 2022-06-07

Similar Documents

Publication Publication Date Title
JP7438230B2 (ja) 予測モデルを用いたモデルパラメータの判定
US12007455B2 (en) Tensor field mapping with magnetostatic constraint
US20210311150A1 (en) Tensor field mapping
KR102622283B1 (ko) 맥스웰 병렬 이미징
US10359486B2 (en) Rapid determination of a relaxation time
KR102506092B1 (ko) 텐서장 맵핑
US20230204700A1 (en) Sparse representation of measurements
US11614509B2 (en) Maxwell parallel imaging
US20240168118A1 (en) ACQUISITION TECHNIQUE WITH DYNAMIC k-SPACE SAMPLING PATTERN
WO2022271286A1 (en) Maxwell parallel imaging
US20240284006A1 (en) Dynamic recommendation engine
WO2024006892A2 (en) Dynamic segmentation of anatomical structures

Legal Events

Date Code Title Description
RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20221116

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20221118

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230104

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230707

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230807

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231106

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240111

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240213

R150 Certificate of patent or registration of utility model

Ref document number: 7438230

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150