特開 2024-67862 データ生成装置、データ生成方法、データ生成プログラムおよび医用画像診断装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024067862

(43)【公開日】2024-05-17

(54)【発明の名称】データ生成装置、データ生成方法、データ生成プログラムおよび医用画像診断装置

(51)【国際特許分類】

   A61B 5/055 20060101AFI20240510BHJP

【ＦＩ】

A61B5/055 380

【審査請求】未請求

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2022178240

(22)【出願日】2022-11-07

(71)【出願人】

【識別番号】304024865

【氏名又は名称】学校法人杏林学園

(71)【出願人】

【識別番号】594164542

【氏名又は名称】キヤノンメディカルシステムズ株式会社

(74)【代理人】

【識別番号】110003708

【氏名又は名称】弁理士法人鈴榮特許綜合事務所

(72)【発明者】

【氏名】久原 重英

(72)【発明者】

【氏名】竹島 秀則

【テーマコード（参考）】

4C096

【Ｆターム（参考）】

4C096AA03

4C096AA04

4C096AA05

4C096AB41

4C096AB44

4C096AC01

4C096AD06

4C096AD14

4C096AD24

4C096BA06

4C096BA41

4C096DB06

4C096DC19

4C096DC22

(57)【要約】

【課題】高精度のシミュレーションデータを生成できること。
【解決手段】本実施形態に係るデータ生成装置は、取得部と、セグメンテーション部と、推定部と、実行部とを含む。取得部は、磁気共鳴画像を取得する。セグメンテーション部は、前記磁気共鳴画像に対してセグメンテーション処理を実行し、組織領域を抽出する。推定部は、前記組織領域における物理パラメータを推定する。実行部は、前記物理パラメータを用いてシミュレーションを実行し、シミュレーションデータを生成する。
【選択図】図１

【特許請求の範囲】

【請求項1】

磁気共鳴画像を取得する取得部と、
前記磁気共鳴画像に対してセグメンテーション処理を実行し、組織領域を抽出するセグメンテーション部と、
前記組織領域における物理パラメータを推定する推定部と、
前記物理パラメータを用いてシミュレーションを実行し、シミュレーションデータを生成する実行部と、
を具備するデータ生成装置。

【請求項2】

前記推定部は、前記組織領域で想定される分子情報の物理拘束の範囲内で、前記物理パラメータの値を設定する、請求項１に記載のデータ生成装置。

【請求項3】

前記推定部は、所定範囲内の値、確率分布に基づく値、および、基準となる文献値を用いて算出される値の少なくともいずれか１つに基づき、前記物理パラメータの値を設定する、請求項２に記載のデータ生成装置。

【請求項4】

前記推定部は、前記組織領域の一部に病変領域を想定した物理パラメータをさらに設定する、請求項２に記載のデータ生成装置。

【請求項5】

前記取得部は、ＭＰ－ＲＡＧＥ（Magnetization prepared rapid gradient echo）で撮像された前記磁気共鳴画像を取得する、請求項１に記載のデータ生成装置。

【請求項6】

前記実行部は、前記物理パラメータと、高周波磁場および静磁場の不均一性に対応させた複数の設定値とを用いて前記シミュレーションを実行し、複数のシミュレーションデータを生成する、請求項１に記載のデータ生成装置。

【請求項7】

前記実行部は、前記物理パラメータと、パルスシーケンスに関する複数のシーケンスパラメータの設定値とを用いてシミュレーションを実行し、複数のシミュレーションデータを生成する、請求項１に記載のデータ生成装置。

【請求項8】

前記推定部は、静磁場強度の換算式を用いて第１静磁場強度を想定した前記物理パラメータを、第２静磁場強度を想定した物理パラメータに変換する、請求項１に記載のデータ生成装置。

【請求項9】

前記セグメンテーション部は、３次元磁気共鳴画像の動画像に対してセグメンテーション処理を実行して前記組織領域を特定し、
前記推定部は、前記動画像に対して前記物理パラメータを推定する、請求項１に記載のデータ生成装置。

【請求項10】

磁気共鳴画像を取得し、
前記磁気共鳴画像に対してセグメンテーション処理を実行し、組織領域を抽出し、
前記組織領域における物理パラメータを推定し、
前記物理パラメータを用いてシミュレーションを実行し、シミュレーションデータを生成する、データ生成方法。

【請求項11】

コンピュータに、
磁気共鳴画像を取得する取得機能と、
前記磁気共鳴画像に対してセグメンテーション処理を実行し、組織領域を抽出するセグメンテーション機能と、
前記組織領域における物理パラメータを推定する推定機能と、
前記物理パラメータを用いてシミュレーションを実行し、シミュレーションデータを生成する実行機能と、
を実現させるデータ生成プログラム。

【請求項12】

シミュレータを搭載する医用画像診断装置であって、
磁気共鳴画像を取得する取得部と、
前記磁気共鳴画像に対してセグメンテーション処理を実行し、組織領域を抽出するセグメンテーション部と、
前記組織領域における物理パラメータを推定する推定部と、
前記物理パラメータを用いて前記シミュレータによりシミュレーションを実行し、シミュレーションデータを生成する実行部と、
を具備する医用画像診断装置。

【発明の詳細な説明】

【技術分野】

【0001】

本明細書及び図面に開示の実施形態は、データ生成装置、データ生成方法、データ生成プログラムおよび医用画像診断装置に関する。

【背景技術】

【0002】

医用画像診断装置で収集されるデータを模擬するシミュレータがある。例えば、磁気共鳴現象をブロッホ（Ｂｌｏｃｈ）方程式を用いて数値的に解析することで、磁気共鳴イメージング装置（ＭＲＩ装置）の動作をシミュレーションするＭＲＩシミュレータがある。
ＭＲＩシミュレータでの撮像対象であるデジタルファントムとして、人体と異なる円柱ファントムなどを用いることが多い。このような円柱ファントムなどでは、例えば機械学習などでＭＲＩシミュレータでの処理結果を人体撮像に適用した場合に精度が低くなり、十分な性能が見込めないという問題がある。
そのため、人体デジタルファントムを構築することが望ましいが、人体デジタルファントムを構築するために必要な３次元のＴ１ｍａｐ、Ｔ２ｍａｐ、ＰＤｍａｐなどの物理データを取得するためには通常数時間を要する。よって、人体撮像において多数の物理データを収集することは現実的ではない。一方、３次元のＴ１強調画像、Ｔ２強調画像およびプロトン密度強調画像などの各種強調画像から近似計算により３次元のＴ１ｍａｐ、Ｔ２ｍａｐ、ＰＤｍａｐなどの物理データを算出する手法もあるが、やはり撮像時間の制限から、精度が低いという問題がある。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】Soraya Gavazzi, et al., ”Deep learning‐based reconstruction of in vivo pelvis conductivity with a 3D patch-based convolutional neural network trained on simulated MR data”, Magnetic Resonance in Medicine, 2020;84:2772-2787.

【非特許文献2】Hidenori Takeshima, ”Deep Learning and Its Application to Function Approximation for MR in Medicine: An Overview”、［Online］、２０２１年９月１７日、Magnetic Resonance in Medical Sciences、［２０２２年１０月３日検索］、インターネット＜URL:https://doi.org/10.2463/mrms.rev.2021-0040＞

【発明の概要】

【発明が解決しようとする課題】

【0004】

本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、高精度のシミュレーションデータを生成できることである。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置づけることもできる。

【課題を解決するための手段】

【0005】

本実施形態に係るデータ生成装置は、取得部と、セグメンテーション部と、推定部と、実行部とを含む。取得部は、磁気共鳴画像を取得する。セグメンテーション部は、前記磁気共鳴画像に対してセグメンテーション処理を実行し、組織領域を抽出する。推定部は、前記組織領域における物理パラメータを推定する。実行部は、前記物理パラメータを用いてシミュレーションを実行し、シミュレーションデータを生成する。

【図面の簡単な説明】

【0006】

【図1】図１は、本実施形態に係るデータ生成装置を示すブロック図である。

【図2】図２は、本実施形態に係るデータ生成装置の動作を示すフローチャート。

【図3】図３は、本実施形態に係るセグメンテーション処理結果の具体例を示す図である。

【図4】図４は、ＭＲＩシミュレータによるＭＲシミュレーションの概念を示す図である。

【図5】図５は、シミュレーションデータの利用例を示す図である。

【図6】図６は、データ生成装置およびシミュレータを搭載したＭＲＩ装置の詳細を示す図である。

【発明を実施するための形態】

【0007】

以下、図面を参照しながら本実施形態に係るデータ生成装置、データ生成方法、データ生成プログラムおよび画像診断装置について説明する。以下の実施形態では、同一の参照符号を付した部分は同様の動作をおこなうものとして、重複する説明を適宜省略する。以下、一実施形態について図面を用いて説明する。

【0008】

本実施形態に係るデータ生成装置について図１のブロック図を参照して説明する。
データ生成装置１は、処理回路１０、メモリ１１、入力インタフェース１２、通信インタフェース１３およびディスプレイ１４を有するコンピュータである。

【0009】

処理回路１０は、ハードウェア資源としてＣＰＵ（Central processing unit）などのプロセッサを有する。例えば、処理回路１０は、各種プログラムの実行により取得機能１０１と、セグメンテーション機能１０２と、推定機能１０３と、実行機能１０４と、訓練機能１０５と、表示制御機能１０６とを実現する。

【0010】

取得機能１０１は、医用画像を取得する。
セグメンテーション機能１０２は、医用画像に対してセグメンテーション処理を実行し、組織領域を抽出する。
推定機能１０３は、組織領域における物理パラメータを推定する。物理パラメータは、例えば、組織の分子情報である。
実行機能１０４は、物理パラメータを用いて、シミュレータによりシミュレーションを実行し、シミュレーションデータを生成する。
訓練機能１０５は、生成されたシミュレーションデータを学習データとして機械学習モデルを訓練することで、学習済みモデルを生成する。
表示制御機能１０６は、医用画像、シミュレーションデータなどの各種データおよびＧＵＩ（Graphical User Interface）をディスプレイ１４に表示するように制御する。

【0011】

メモリ１１は、医用画像、シミュレーションデータ、学習データ、学習済みモデルなど、種々の情報を記憶するＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）、集積回路記憶装置などの記憶装置である。また、メモリ１１は、ＣＤ－ＲＯＭドライブやＤＶＤドライブ、フラッシュメモリなどの可搬型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１１は、過去に収集された医用データ、制御プログラムなどを記憶する。

【0012】

入力インタフェース１２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、タッチパッドなどが利用可能である。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２０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１２の例に含まれる。また、入力インタフェース１２は、マイクロフォンにより収集された音声信号を指示信号に変換する音声認識装置でもよい。

【0013】

通信インタフェース１３は、ＬＡＮ（Local Area Network）等を介して磁気共鳴イメージング装置２０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）などとを接続するインタフェースである。通信インタフェース１３は、各種情報を接続先のワークステーション、ＰＡＣＳ、ＨＩＳおよびＲＩＳとの間で送受信する。

【0014】

ディスプレイ１４は、種々の情報を表示する。ディスプレイ１４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、また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。

【0015】

次に、本実施形態に係るデータ生成装置１の動作例について図２のフローチャートを参照して説明する。
以下では、シミュレータは、物理現象を数値シミュレーションによって模擬する物理シミュレータである。以下では、特に断らない限り、医用画像は、ＭＲ画像であり、画像診断装置は磁気共鳴イメージング装置（ＭＲＩ装置）であり、シミュレータは、ブロッホ（Bloch）方程式に基づくＭＲＩシミュレータである場合を想定する。
なお、画像診断装置は、ＭＲＩ装置に限らず、他の医用画像診断装置、例えばＸ線ＣＴ（Computed Tomography）装置、超音波診断装置、ＰＥＴ（Positron Emission Tomography）装置など、どのような画像診断装置でもよい。画像診断装置シミュレータは、画像診断装置に対応する物理シミュレータであればよい。

【0016】

ステップＳＡ１では、取得機能１０１により処理回路１０が、ＭＲ画像を取得する。
ステップＳＡ２では、セグメンテーション機能１０２により処理回路１０が、ＭＲ画像に対してセグメンテーション処理を実行し、組織領域を抽出する。セグメンテーション処理は、例えば、脳のＭＲ画像であれば、白質、灰白質、脳脊髄液といった各組織の領域を抽出する処理である。セグメンテーション処理は、機械学習による手法を用いてもよいし、一般的な画像処理による手法を用いてもよい。機械学習による処理であれば、一般的にセマンティックセグメンテーションで用いられるＵ－ｎｅｔをベースとした畳み込みニューラルネットワークを用いればよい。ＭＲ画像をセマンティックセグメンテーションを実行する学習済みモデルに入力し、組織領域が抽出されたＭＲ画像を得ればよい。一般的な画像処理であれば、エッジ検出、モルフォロジー処理などを組み合わせて、ＭＲ画像から各組織領域が抽出されてもよい。

【0017】

ステップＳＡ３では、推定機能１０３により処理回路１０が、各組織領域における物理パラメータが満たすべき物理拘束条件を設定する。物理拘束条件は、各組織領域における、Ｔ１値、Ｔ２値、プロトン密度（ＰＤ）値といった物理パラメータについて、例えば正常な組織（あるいは腫瘍組織）が有する正常範囲内での値に基づいて設定したものである。この場合、正常な組織（あるいは腫瘍組織）の値は、既存の文献値などを用いて設定されればよい。物理拘束条件は、例えばその組織が満たすべき平均値と標準偏差として表現できる。物理拘束条件は、組織領域を形成する画素ごとに設定してもよいし、組織領域全体で１つの値に設定してもよい。

【0018】

ステップＳＡ４では、推定機能１０３により処理回路１０が、少なくともＭＲ画像および物理拘束条件のうち１以上を用いて、物理値の集合である修正物理パラメータを設定する。
修正物理パラメータの設定方法の第１の例として、まず物理拘束条件だけを利用して物理拘束を満たすようにＴ１値およびＴ２値を設定し、次に、各画素について、ＭＲ画像とＴ１値とＴ２値を利用してＰＤ値を設定することがあげられる。この場合、推定すべき物理値は各画素で１つとなるため、ＭＲ画像は、例えばＴ２強調画像（Ｔ２ＷＩ）やプロトン密度強調画像（ＰＤＷＩ）のうち１つ以上の画像を用いることができる。
修正物理パラメータの設定方法の第２の例として、まず仮物理パラメータを算出し、次に仮物理パラメータに物理拘束条件が定める物理拘束を適用することがあげられる。この場合、仮物理パラメータは、例えば予めすべてのＭＲ画像が同一解像度となるようにリサンプリングしておき、各画素についてリサンプリング後のＭＲ画像からＴ１値、Ｔ２値、ＰＤ値を設定することで得られる。仮物理パラメータに対する物理拘束の適用方法は複数考えられるが例を２つあげる。第１の適用方法は上限と下限に基づく拘束であり、例えば物理値の範囲を（物理拘束条件の平均値）±（物理拘束条件の標準偏差の２倍）と定め、各画素について上限および下限を超えた値を上限および下限の値に修正するというものである。第２の適用方法は、各組織について仮物理パラメータのサンプル平均およびサンプル標準偏差を求め、サンプル平均とサンプル標準偏差がそれぞれ物理拘束条件の平均値と物理拘束条件の標準偏差になるように、値を変換する方法である。
なお、修正物理パラメータの設定方法はこれら２つの方法には限定されない。

【0019】

ステップＳＡ５では、実行機能１０４により処理回路１０が、修正物理パラメータをデジタルファントムとして、ＭＲＩシミュレータを用いてシミュレーションを実行し、シミュレーションデータを生成する。
ステップＳＡ６では、表示制御機能１０６により処理回路１０が、シミュレーションデータを出力する。

【0020】

なお、ステップＳＡ３およびステップＳＡ４の処理の代わりに、推定機能１０３により処理回路１０が、物理拘束条件を設定せずに、直接、組織領域に対して修正物理パラメータの値を推定してもよい。
また、被検体の体温の変動を想定し、修正物理パラメータの推定に用いる確率分布を可変してもよい。例えば、体温が３６度の場合の確率分布と、体温が３９度の場合の確率分布とを異ならせて、体温をデジタルファントムの新たなパラメータとして追加してもよい。

【0021】

次に、セグメンテーション処理結果の具体例について図３を参照して説明する。
図３左図は、セグメンテーション処理前の脳のＭＲ画像３１であり、図３右図は、ＭＲ画像３１に対してセグメンテーション処理後の抽出された組織領域を強調したＭＲ画像３３である。ＭＲ画像３３は、脳脊髄液の領域が強調された画像である。なお、組織領域のセグメンテーション処理は、組織領域ごと、例えば脳脊髄液、白質といった領域ごとに別々に実行されてもよいし、１度のセグメンテーション処理で、脳脊髄液、白質といったセマンティックセグメンテーションにおけるラベリングで、一括して各組織領域が抽出されてもよい。
ＭＲ画像３３の脳脊髄液の領域において、修正物理パラメータ３５が推定される。例えばＴ１＝９６０、Ｔ２＝１００、ＰＤ＝８０といったように推定される。

【0022】

なお、正常な組織に対する修正物理パラメータだけではなく、組織領域の一部に腫瘍などの病変領域を想定した修正物理パラメータが推定されてもよい。例えば、取得されたＭＲ画像に病変が含まれる場合であって、セグメンテーションされる領域として病変領域が抽出される場合は、推定機能１０３により処理回路１０が、例えば腫瘍部分に関する物理パラメータを文献値を参照して設定すればよい。また、病変組織が存在しないＭＲ画像に対しても、正常値からの差分または病変部分の分子情報の換算式に基づき、抽出された組織領域の一部を病変領域に対応する修正物理パラメータに設定してもよい。このように、病変組織を含むデジタルファントムを生成することもできる。

【0023】

セグメンテーション処理前のＭＲ画像３１は、実機で撮像されたＴ１ＷＩ、Ｔ２ＷＩ、ＰＤＷＩなどを利用することを想定するが、撮像時間の制限から、通常マルチスライスによる３次元データ収集となりうる。例えば、３次元の３Ｄ ＭＰ－ＲＡＧＥ（Magnetization prepared rapid gradient echo）法は３Ｄ ＦＴ法を用いて画像再構成するため、１ｍｍ^３の等方空間分解能を持つ画像が取得できるが、Ｔ２ＷやＰＤＷなどの撮像はマルチスライス法であるため、例えばスライス方向は８ｍｍ厚になる。これらの画像を用いて物理値を求めるための画像間演算を行うと、結果として得られる画像は実質的な空間分解能の低下を来し、スライス方向に関しては、面内よりも低い分解能となる。しかし、本実施形態によるセグメンテーション処理と物理拘束の範囲内での修正物理パラメータの推定処理を用いることにより、各組織領域を３次元で抽出でき、空間分解能を向上させたデジタルファントムを生成できる。

【0024】

次に、ＭＲＩシミュレータによるＭＲシミュレーションの概念について図４を参照して説明する。
ＭＲＩシミュレータ４５には、撮像対象となるデジタルファントムとして、修正物理パラメータ３５が入力される。具体的には、修正物理パラメータ３５として、Ｔ１マップ、Ｔ２マップ、ＰＤマップ（Ｍ０マップ）、ケミカルシフトなどの値が入力される。なお、ＰＤマップに関しては、磁化移動効果（Magnetization Transfer effect:ＭＴ効果）を考慮して値が補正されてもよい。さらに、ＭＲＩシミュレータ４５には、パルスシーケンス４１と、装置の不完全性を再現するための不完全性パラメータ４２と、生体パラメータの変動要因を再現するための変動要因パラメータ４３とが入力される。

【0025】

パルスシーケンス４１は、シーケンス種別、ＴＲ（Repetition Time）、ＴＥ（Echo Time）、ＦＡ（Flip Angle）などの情報が含まれる。
不完全性パラメータ４２は、静磁場によるＢ０強度分布、ＲＦによるＢ１強度分布、位相変化などの情報が含まれる。
変動要因パラメータ４３は、被検体の体動、呼吸動、心拍動などの生理学的パラメータに関する情報が含まれる。なお、生体の変動要因パラメータ４３については、想定する撮像シーケンスに応じて入力されればよいため、必須ではない。例えば、膝を撮像対象とする場合は、胸部を撮像する場合と比較して呼吸による体動の影響は少ないため、MRIシミュレータへ入力されなくともよい。

【0026】

ＭＲＩシミュレータ４５は、パルスシーケンス４１、不完全性パラメータ４２および変動要因パラメータ４３に基づき、修正物理パラメータ３５のデジタルファントムにおいて複数の水素原子をまとめた仮想的な仮想水素原子の磁化に対して、磁気共鳴を現象論的に記述したブロッホ方程式を数値的に解く。これにより、ＭＲＩシミュレータ４５からシミュレーションデータ４４が出力される。
シミュレーションデータ４４は、ｋ空間データに対応するＭＲデータでもよいし、ＭＲデータが逆フーリエ変換されたＭＲ画像の形式であってもよい。

【0027】

ここで、実行機能１０４により処理回路１０が、修正物理パラメータ３５を物理拘束の範囲内で値を振ることで、複数の修正物理パラメータ３５を生成できる。複数の修正物理パラメータ３５それぞれについてＭＲＩシミュレータ４５によりシミュレーションを実行する。結果として、元となる１つの修正物理パラメータ３５から複数のシミュレーションデータを生成でき、データ増強を行うことができる。

【0028】

なお、修正物理パラメータ３５を複数生成することに限らず、実行機能１０４により処理回路１０が、ＴＲ，ＴＥ，ＦＡ，マトリクスサイズなどのパルスシーケンスに関する複数のシーケンスパラメータのうちの少なくとも１つを変更してもよい。これにより、パルスシーケンス４１によってデータ増強してもよい。

【0029】

さらに、実行機能１０４により処理回路１０が、例えばＢ０強度分布において、静磁場不均一性を球面調和関数によって展開または級数展開してられる１次、２次の係数の値を変更することにより、不完全性パラメータ４２によってデータ増強してもよい。また、実行機能１０４により処理回路１０は、別の静磁場強度のデータを換算式によってデータ増強してもよい。例えば、各組織領域の物理パラメータの文献値を基準に、１．５［Ｔ］から３．０［Ｔ］への換算式を算出しておく。具体的には、白質のＴ１値については、１．５［Ｔ］では、６７８［ｍｓ］であり、３．０［Ｔ］では、９１１［ｍｓ］であったとする。この場合、１．５［Ｔ］から３．０［Ｔ］への換算式は、約１．３４倍となる。実行機能１０４により処理回路１０は、当該換算式を用いて、静磁場強度が１．５［Ｔ］の場合を想定して推定された修正物理パラメータを１．３４倍し、静磁場強度が３．０［Ｔ］を想定した修正物理パラメータに変換すればよい。なお、換算式により得られた修正物理パラメータが物理拘束の範囲を超えるまたは下回る場合は、物理拘束の範囲内となるように修正されればよい。換算式は、１．５［Ｔ］，３．０［Ｔ］、７．０［Ｔ］との間の段階に限らず、１．５～７の間で自由に変換可能な関数が算出され、当該関数を用いて修正物理パラメータを変換してもよい。

【0030】

また、心拍動におけるＲ-Ｒ間隔を変更して、心拍動の揺らぎをシミュレーションに含めるように値を変更することにより、変動要因パラメータ４３によってデータ増強してもよい。変動要因パラメータ４３として被検体の動きを想定する場合は、セグメンテーション機能１０２により処理回路１０は、３次元ＭＲ画像の動画像に対してセグメンテーション処理を実行して組織領域を抽出し、推定機能１０３により処理回路１０は、当該動画像の各組織領域に対して修正物理パラメータを推定すればよい。
なお、心拍動の揺らぎに関するＲ－Ｒ間隔の変更においては、例えば実機においても不整脈などで明らかに一般的にＲ－Ｒ間隔とは異なる状態のデータは除外されるため、変動要因パラメータ４３によるデータ増強においても、一般的に実機で除外されるＲ－Ｒ間隔の値は使用しないことが望ましい。

【0031】

次に、シミュレーションデータの利用例について図５を参照して説明する。
図５は、機械学習における評価プロセスにＭＲＩシミュレータ４５を用いた機械学習モデルの訓練例を示す。
例えば、新しい脂肪抑制法などの効果を評価するためには、通常、最終的には実機で水脂肪ファントムもしくは人体を撮像し、効果を評価する方法が利用される。または、撮像の一連の手順を繰り返し、撮像シーケンスなどのパラメータを変更させて最適化を図る手法が考えられる。しかし、実機を利用することから、マシンタイムの確保やボランティアの確保などが制約となりうる。よって、図５に示すように、実機での評価の一部をＭＲＩシミュレータにより実行することで、効率的かつ最適な機械学習の訓練方法を提供できる。

【0032】

まず、図２のステップＳＡ２に示したセグメンテーション処理により、修正物理パラメータ３５によるデジタルファントムを作成する（ブロック５１）。その後、図４で示すような修正物理パラメータ（Ｔ１、Ｔ２、ＰＤ）、パルスシーケンス、不完全性パラメータ（Ｂ１，Ｂ０）および変動要因パラメータをＭＲＩシミュレータに入力し、シミュレーションデータ４４が、データ増強された複数のＭＲ画像を出力する（ブロック５２）。なお、不完全性データとして、実機で計測した静磁場不均一データ、高周波磁場不均一データを用い、ＭＲＩシミュレータのシミュレーション結果と実機での撮像結果とが同等となるように整合性を取っておくことが望ましい。
データ増強された複数のＭＲ画像を入力画像５３として、学習対象の機械学習モデル５５に入力する。機械学習モデルについては、図５の例では、畳み込みニューラルネットワーク（ＣＮＮ）を想定しているが、機械学習で一般的に用いられているモデルを利用すればよい。

【0033】

ここで、ＭＳＥ（Mean square error）、ＲＭＳＥ（Root mean square error）などのロス関数を用いたＣＮＮの収束判定において、ＭＲＩシミュレータによる評価を適用する（ブロック５６）。例えば、脂肪抑制法としてＤｉｘｏｎ法を評価する場合に問題となる位相画像では、ＣＮＮから出力される第１位相画像と、教師データ５４に含まれる正解データとなる第２位相画像との平均二乗誤差などの計算で得られる画像ベースの評価指標に加えて、第１位相画像をMRIシミュレータに入力し、出力として得られる脂肪抑制効果も定量値の評価指標を追加して、バックプロパゲーションによりＣＮＮのパラメータを更新すればよい。なお、脂肪抑制法の場合、デジタルファントムに対してＭＲＩシミュレータによりシミュレーションを実行する際に、静磁場不均一性の程度を変化させるなど、実機よりも厳しい条件を加えて機械学習モデルのパラメータ更新を行ってもよい。これにより、よりロバストなパラメータ設定が可能となる。

【0034】

もちろん、機械学習のタスクは脂肪抑制に限らず、デノイズ処理など、例えば非特許文献２に開示されるようなタスクを想定した機械学習を実施できる。本実施形態に係るシミュレーションデータを学習データに用いることで、シミュレーションデータの再現性が高いため、効率的かつ高精度な学習データのデータ増強を実施できる。

【0035】

なお、上述の例では、ＭＲＩ装置およびＭＲデータに関するシミュレーションデータを想定したが、他の医用画像診断装置、例えばＸ線ＣＴ装置およびＸ線の投影データについても同様に、シミュレータの出力を実機の出力に近づける精度を向上させることができる。

【0036】

例えば、Ｘ線ＣＴ装置に関するシミュレータであれば、管電圧、管電流、ＦＯＶ（Field of View）およびビュー数などの撮像パラメータと、所望のノイズ量または所望のＳＤ値とをシミュレータに入力する。シミュレータでは、デジタルファントムに対する当該撮像パラメータに基づくＸ線の模擬照射のシミュレーションを実行する。これにより、デジタルファントムについての線減弱係数の投影である投影データのシミュレーションデータが生成される。ＭＲＩ装置と同様に、高精度のデジタルファントムを用いてシミュレータによりシミュレーションを実行することで、投影データのシミュレーションデータを実際のＸ線ＣＴ装置で得られる投影データに近づけることができ、シミュレーションデータの再現性を向上させることができる。

【0037】

なお、上述の例に係るデータ生成装置１は、ワークステーションなど医用画像診断装置とは別体であることを想定するが、ＭＲＩ装置またはＸ線ＣＴ装置などの画像診断装置に本実施形態に係るデータ生成装置１が搭載されてもよい。

【0038】

具体的に、データ生成装置および物理シミュレータを搭載したＭＲＩ装置の詳細について図６のブロック図を参照して説明する。
ＭＲＩ装置２０は、静磁場磁石２０１と、傾斜磁場コイル２０３と、傾斜磁場電源２０５と、寝台２０７と、寝台制御回路２０９と、送信回路２１３と、送信コイル２１５と、受信コイル２１７と、受信回路２１９と、シーケンス制御回路２２１と、バス２２３と、インタフェース２２５と、ディスプレイ２２７と、記憶装置２２９と、処理回路２３１と、シミュレータ３２とを備える。なお、ＭＲＩ装置２０は、静磁場磁石２０１と傾斜磁場コイル２０３との間に中空の円筒形状のシムコイルを有していてもよい。

【0039】

静磁場磁石２０１は、中空の略円筒形状に形成された磁石である。なお、静磁場磁石２０１は、略円筒形状に限らず、開放型の形状で構成されてもよい。静磁場磁石２０１は、内部の空間に一様な静磁場を発生する。静磁場磁石２０１としては、本実施形態では、超電導コイルを用いた超電導磁石を想定する。

【0040】

傾斜磁場コイル２０３は、中空の円筒形状に形成されたコイルである。傾斜磁場コイル２０３は、静磁場磁石２０１の内側に配置される。傾斜磁場コイル２０３は、互いに直交するＸ、Ｙ、Ｚの各軸に対応する３つのコイルが組み合わされて形成される。Ｚ軸方向は、静磁場の方向と同方向であるとする。また、Ｙ軸方向は、鉛直方向とし、Ｘ軸方向は、Ｚ軸およびＹ軸に垂直な方向とする。傾斜磁場コイル２０３における３つのコイルは、傾斜磁場電源２０５から個別に電流供給を受けて、Ｘ、Ｙ、Ｚの各軸に沿って磁場強度が変化する傾斜磁場を発生させる。

【0041】

傾斜磁場コイル２０３によって発生するＸ、Ｙ、Ｚ各軸の傾斜磁場は、例えば、周波数エンコード用傾斜磁場（リードアウト傾斜磁場ともいう）位相エンコード用傾斜磁場およびスライス選択用傾斜磁場を形成する。周波数エンコード用傾斜磁場は、空間的位置に応じてＭＲ信号の周波数を変化させるために利用される。位相エンコード用傾斜磁場は、空間的位置に応じてＭＲ信号の位相を変化させるために利用される。スライス選択用傾斜磁場は、撮像断面を決めるために利用される。

【0042】

傾斜磁場電源２０５は、シーケンス制御回路２２１の制御により、傾斜磁場コイル２０３に電流を供給する電源装置である。

【0043】

寝台２０７は、被検体Ｐが載置される天板２０７１を備えた装置である。寝台２０７は、寝台制御回路２０９による制御のもと、被検体Ｐが載置された天板２０７１を、ボア２１１内へ挿入する。寝台２０７は、例えば、長手方向が静磁場磁石２０１の中心軸と平行になるように、ＭＲＩ装置２０が設置された検査室内に設置される。

【0044】

寝台制御回路２０９は、寝台２０７を制御する回路であり、インタフェース２２５を介したユーザの指示により寝台２０７を駆動することで、天板２０７１を長手方向および上下方向へ移動させる。

【0045】

送信コイル２１５は、傾斜磁場コイル２０３の内側に配置されたＲＦコイルである。送信コイル２１５は、送信回路２１３からＲＦ（Radio Frequency）パルスの供給を受けて、高周波磁場に相当する送信ＲＦ波を発生する。送信コイル２１５は、例えば、全身コイルである。全身コイルは、送受信コイルとして使用されてもよい。全身コイルと傾斜磁場コイル２０３との間には、これらのコイルを磁気的に分離するための円筒状のＲＦシールドが設置される。

【0046】

送信回路２１３は、シーケンス制御回路２２１の制御により、ラーモア周波数等に対応するＲＦパルス）を送信コイル２１５に供給する。

【0047】

受信コイル２１７は、傾斜磁場コイル２０３の内側に配置されたＲＦコイルである。受信コイル２１７は、高周波磁場によって被検体Ｐから放射されるＭＲ信号を受信する。受信コイル２１７は、受信されたＭＲ信号を受信回路２１９へ出力する。受信コイル２１７は、例えば、１つ以上、典型的には複数のコイルエレメントを有するコイルアレイである。受信コイル２１７は、例えば、フェーズドアレイコイルである。

【0048】

受信回路２１９は、シーケンス制御回路２２１の制御により、受信コイル２１７から出力されたＭＲ信号に基づいて、デジタル化された複素数データであるデジタルのＭＲ信号を生成する。具体的には、受信回路２１９は、受信コイル２１７から出力されたＭＲ信号に対して各種信号処理を施した後、各種信号処理が施されたデータに対してアナログ／デジタル（Ａ／Ｄ）変換を実行する。受信回路２１９は、Ａ／Ｄ変換されたデータを標本化（サンプリング）する。これにより、受信回路２１９は、デジタルのＭＲ信号（以下、ＭＲデータと呼ぶ）を生成する。受信回路２１９は、生成されたＭＲデータを、シーケンス制御回路２２１に出力する。

【0049】

シーケンス制御回路２２１は、処理回路２３１から出力された検査プロトコルに従って、傾斜磁場電源２０５、送信回路２１３および受信回路２１９等を制御し、被検体Ｐに対する撮像を行う。検査プロトコルは、検査に応じた各種パルスシーケンス、すなわち撮像シーケンスを有する。

【0050】

バス２２３は、インタフェース２２５と、ディスプレイ２２７と、記憶装置２２９と、処理回路２３１との間でデータを伝送させる伝送路である。バス２２３には、ネットワーク等を介して、各種生体信号計測器、外部記憶装置、各種モダリティなどが適宜接続されてもよい。例えば、生体信号計測器として、不図示の心電計がバスに接続される。

【0051】

インタフェース２２５は、ユーザからの各種指示や情報入力を受け付ける回路を有する。インタフェース２２５は、例えば、マウス等のポインティングデバイス、あるいはキーボード等の入力デバイスに関する回路を有する。なお、インタフェース２２５が有する回路は、マウス、キーボードなどの物理的な操作部品に関する回路に限定されない。例えば、インタフェース２２５は、ＭＲＩ装置２０とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、受け取った電気信号を種々の回路へ出力するような電気信号の処理回路を有していてもよい。

【0052】

ディスプレイ２２７は、処理回路２３１におけるシステム制御機能２３１１による制御のもとで、画像生成機能２３１３により生成された各種磁気共鳴画像（ＭＲ画像）、撮像および画像処理に関する各種情報などを表示する。ディスプレイ２２７は、例えば、ＣＲＴディスプレイや液晶ディスプレイ、有機ＥＬディスプレイ、ＬＥＤディスプレイ、プラズマディスプレイ、又は当技術分野で知られている他の任意のディスプレイ、モニタ等の表示デバイスである。

【0053】

記憶装置２２９は、画像生成機能２３１３を介してｋ空間に充填されたＭＲデータ、画像生成機能２３１３により生成された画像データ等を記憶する。記憶装置２２９は、各種検査プロトコル、検査プロトコルを規定する複数の撮像パラメータを含む撮像条件等を記憶する。記憶装置２２９は、処理回路２３１で実行される各種機能に対応するプログラムを記憶する。記憶装置２２９は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、ハードディスクドライブ（hard disk drive）、ソリッドステートドライブ（solid state drive）、光ディスクなどである。また、記憶装置２２９は、ＣＤ－ＲＯＭドライブやＤＶＤドライブ、フラッシュメモリなど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などであってもよい。

【0054】

処理回路２３１は、ハードウェア資源として図示していないプロセッサ、ＲＯＭ（Read-Only Memory）やＲＡＭ等のメモリ等を有し、ＭＲＩ装置２０を統括的に制御する。処理回路２３１は、システム制御機能２３１１と、画像生成機能２３１３と、取得機能１０１と、セグメンテーション機能１０２と、推定機能１０３と、実行機能１０４と、訓練機能１０５と、表示制御機能１０６とを含む。

【0055】

処理回路２３１は、システム制御機能２３１１により、励起パルスシーケンスに従って励起パルスを印加し、傾斜磁場を印加するように制御する。処理回路２３１は、システム制御機能２３１１により、励起パルスシーケンスを実行後、各種データ収集用のパルスシーケンスであるデータ収集シーケンスに従って、被検体ＰからのＭＲ信号を収集し、ＭＲデータを生成する。

【0056】

処理回路２３１は、画像生成機能２３１３により、リードアウト傾斜磁場の強度に従って、ｋ空間のリードアウト方向に沿ってＭＲデータを充填する。処理回路２３１は、ｋ空間に充填されたＭＲデータに対してフーリエ変換を行うことにより、ＭＲ画像を生成する。例えば、処理回路２３１は、複素のＭＲデータから絶対値（Magnitude）画像を生成することが可能である。また、処理回路２３１は、複素のＭＲデータにおける実部データと虚部データとを用いて位相画像を生成することが可能である。

【0057】

一方、取得機能１０１と、セグメンテーション機能１０２と、推定機能１０３と、実行機能１０４と、訓練機能１０５と、表示制御機能１０６との各機能は、データ生成装置１の動作と同様である。

【0058】

処理回路２３１の各種機能は、コンピュータによって実行可能なプログラムの形態で記憶装置２２９へ記憶されている。処理回路２３１は、これら各種機能に対応するプログラムを記憶装置２２９から読み出し、実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読みだした状態の処理回路２３１は、図１の処理回路２３１内に示された複数の機能等を有することになる。

【0059】

なお、図６においては単一の処理回路２３１にてこれら各種機能が実現されるものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路２３１を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。換言すると、上述のそれぞれの機能がプログラムとして構成され、１つの処理回路が各プログラムを実行する場合であってもよいし、特定の機能が専用の独立したプログラム実行回路に実装される場合であってもよい。

【0060】

以上に示した本実施形態によれば、ＭＲ画像からセグメンテーション処理により組織領域を抽出し、当該組織領域における物理拘束条件に基づく修正物理パラメータを用いたデジタルファントムにより、シミュレータションを実行し、シミュレーションデータを生成する。これにより、複雑な人体構造を高精度に抽出したデジタルファントムにより正確な物理パラメータが推定でき、単なる回転、縮小および変換といった画像処理と比較して、リアリティがあり、かつバラエティに富んだデータを生成できる。結果として、高精度のシミュレーションデータを生成でき、当該高精度のシミュレーションデータに基づいてデータ増強することで、高精度のデータ増強を実現できる。

【0061】

なお、上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、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））などの回路を意味する。プロセッサが例えばＣＰＵである場合、プロセッサは記憶回路に保存されたプログラムを読み出し実行することで機能を実現する。一方、プロセッサが例えばＡＳＩＣである場合、プログラムが記憶回路に保存される代わりに、当該機能がプロセッサの回路内に論理回路として直接組み込まれる。なお、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。

【0062】

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

【0063】

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、実施形態同士の組み合わせを行なうことができる。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。

【符号の説明】

【0064】

１ データ生成装置
１０，２３１ 処理回路
１１ メモリ
１２ 入力インタフェース
１３ 通信インタフェース
１４，２２７ ディスプレイ
２０ 磁気共鳴イメージング装置（ＭＲＩ装置）
３１，３３ ＭＲ画像
３５ 修正物理パラメータ
４１ パルスシーケンス
４２ 不完全性パラメータ
４３ 変動要因パラメータ
４４ シミュレーションデータ
４５ ＭＲＩシミュレータ
５１，５２，５６ ブロック
５３ 入力画像
５４ 教師データ
５５ 機械学習モデル
１０１ 取得機能
１０２ セグメンテーション機能
１０３ 推定機能
１０４ 実行機能
１０５ 訓練機能
１０６ 表示制御機能
２０１ 静磁場磁石
２０３ 傾斜磁場コイル
２０５ 傾斜磁場電源
２０７ 寝台
２０９ 寝台制御回路
２１１ ボア
２１３ 送信回路
２１５ 送信コイル
２１７ 受信コイル
２１９ 受信回路
２２１ シーケンス制御回路
２２３ バス
２２５ インタフェース
２２９ 記憶装置
２０７１ 天板
２３１１ システム制御機能
２３１３ 画像生成機能

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】