特許 7559135 データ処理装置及び方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-09-20

(45)【発行日】2024-10-01

(54)【発明の名称】データ処理装置及び方法

(51)【国際特許分類】

   A61B 5/055 20060101AFI20240924BHJP

【ＦＩ】

A61B5/055 376

A61B5/055 311

【請求項の数】 22

(21)【出願番号】P 2023073203

(22)【出願日】2023-04-27

(62)【分割の表示】P 2019032901の分割

【原出願日】2019-02-26

(65)【公開番号】P2023086893

(43)【公開日】2023-06-22

【審査請求日】2023-04-27

(73)【特許権者】

【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】竹島 秀則

(72)【発明者】

【氏名】油井 正生

(72)【発明者】

【氏名】山下 裕市

【審査官】永田 浩司

(56)【参考文献】

【文献】特表２０１６－５３９７２２（ＪＰ，Ａ）

【文献】Tran Minh, et al.，Compressed Sensing MRI Reconstruction Using a Generative Adversarial Network With a Cycle Loss，IEEE TRANSACTIONS ON MEDICAL IMAGING，2018年，VOL. 37, NO.6，1488-1497

【文献】J.B.M. Warntjes, et al.，Rapid Magnetic Resonance Quantification on the Brain: Optimization for Clinical Usage，Magnetic Resonance in Medicine，2008年，60，320-329

【文献】A. Hagiwara, et al.，Improving the Quality of Synthetic FLAIR Images with Deep Learning Using a Conditional Generative Adversarial Network for Pixel-by-Pixel Image Translation，AJNR Am J Neuroradiol，2019年，40，224-230

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ５／０５５

(57)【特許請求の範囲】

【請求項1】

第１のパルスシーケンスに関する複数の撮像コントラストにそれぞれ対応する複数のデータセグメントに基づき生成された単一のｋ空間データからなる、処理対象に関する入力データを取得する取得部と、
前記第１のパルスシーケンスに関する複数の撮像コントラストにそれぞれ対応する複数のデータセグメントに基づき生成された単一のｋ空間データを入力とし、第２のパルスシーケンスに関する単一の撮像コントラストに対応するデータを出力とするように機械学習された学習済モデルに、前記処理対象に関する入力データを入力して、前記処理対象に関する出力データを生成する生成部と、を具備し、
前記撮像コントラストは、エコー時間に対応する、
データ処理装置。

【請求項2】

前記第１のパルスシーケンスは、高速スピンエコー法であり、
前記第２のパルスシーケンスは、スピンエコー法であり、
前記入力データは、前記高速スピンエコー法に関し、複数のエコー時間にそれぞれ対応する前記複数のデータセグメントを含み、
前記出力データは、前記スピンエコー法に関し、前記複数のエコー時間のうちの単一のエコー時間に対応するデータセットである、
請求項１記載のデータ処理装置。

【請求項3】

前記単一のエコー時間は、前記複数のエコー時間のうちのｋ空間中心に位置するデータセグメントに対応するエコー時間に設定される、請求項２記載のデータ処理装置。

【請求項4】

前記単一のエコー時間は、前記複数のエコー時間のうちのｋ空間中心以外のｋ空間領域に位置するデータセグメントに対応するエコー時間に設定される、請求項２記載のデータ処理装置。

【請求項5】

前記出力データは、一回の励起パルスの印加に続き２以上のＭＲ信号を同一のエンコード且つ異なるエコー時間で収集するマルチエコー法に関する、請求項２記載のデータ処理装置。

【請求項6】

前記出力データは、高速スピンエコー法により収集される前記複数のデータセグメントに基づいて生成された、Ｔ２値の空間分布を表すＴ２マップ又はＴ２値の逆数の空間分布を表すＲ２マップである、請求項１記載のデータ処理装置。

【請求項7】

前記入力データは、高速スピンエコー法により収集される第１のデータセットと、他のパルスシーケンス法により収集される第２のデータセットとを含む、請求項１記載のデータ処理装置。

【請求項8】

前記出力データは、前記複数の撮像コントラストのうちの２以上の撮像コントラストにそれぞれ対応する２以上のデータセットである、請求項１記載のデータ処理装置。

【請求項9】

前記学習済モデルとして、前記複数の撮像コントラストのうちの２以上の撮像コントラストにそれぞれ対応する２以上の学習済モデルを記憶する記憶部と、
前記２以上の撮像コントラストのうちの画像化対象の撮像コントラストを設定する設定部と、を更に備え、
前記生成部は、前記２以上の学習済モデルの中から、前記画像化対象の撮像コントラストに対応する学習済モデルを選択し、前記選択された学習済モデルを前記処理対象に関する前記入力データに適用して前記処理対象に関する前記出力データを生成する、
請求項１記載のデータ処理装置。

【請求項10】

前記取得部は、前記処理対象に対して磁気共鳴イメージングを実行して前記処理対象に関する前記入力データを取得する、請求項１記載のデータ処理装置。

【請求項11】

第１のパルスシーケンスに関する複数の撮像コントラストにそれぞれ対応する複数のデータセグメントに基づき生成された単一のｋ空間データからなる、処理対象に関する入力データを取得し、
前記第１のパルスシーケンスに関する複数の撮像コントラストにそれぞれ対応する複数のデータセグメントに基づき生成された単一のｋ空間データを入力とし、第２のパルスシーケンスに関する単一の撮像コントラストに対応するデータを出力とするように機械学習された学習済モデルに、前記処理対象に関する入力データを入力して、前記処理対象に関する出力データを生成する、ことを具備し、
前記撮像コントラストは、エコー時間に対応する、
データ処理方法。

【請求項12】

第１のパルスシーケンスに関する複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含む、処理対象に関する入力データを取得する取得部と、
前記第１のパルスシーケンスに関する複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含むデータを入力とし、第２のパルスシーケンスに関する単一の撮像コントラストに対応するデータを出力とするように機械学習された学習済モデルに、前記処理対象に関する入力データを入力して、前記処理対象に関する出力データを生成する生成部と、を具備し、
前記学習済モデルは、前記複数のデータセグメントをそれぞれ処理する複数の第１のニューラルネットワーク層と、前記複数の第１のニューラルネットワーク層からの複数の出力を結合する結合層と、前記結合層からの出力を処理する第２のニューラルネットワーク層とを有し、
前記生成部は、前記処理対象に関する前記入力データに前記複数の第１のニューラルネットワーク層、前記結合層及び前記第２のニューラルネットワーク層を適用することにより前記処理対象に関する前記出力データを生成し、
ここで、前記生成部は、前記処理対象に関するｋ空間データを前記複数のデータセグメントに分割し、前記複数のデータセグメントを、前記入力データとして、それぞれ前記複数の第１のニューラルネットワーク層に入力し、
前記撮像コントラストは、エコー時間に対応する、
データ処理装置。

【請求項13】

第１のパルスシーケンスに関する複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含む、処理対象に関する入力データを取得する取得部と、
前記第１のパルスシーケンスに関する複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含むデータを入力とし、第２のパルスシーケンスに関する単一の撮像コントラストに対応するデータを出力とするように機械学習された学習済モデルに、前記処理対象に関する入力データを入力して、前記処理対象に関する出力データを生成する生成部と、を具備し、
前記生成部は、前記処理対象に関するｋ空間データを前記複数のデータセグメントに分割し、前記複数のデータセグメントに基づいて複数のＭＲ画像を生成し、前記複数のＭＲ画像を、前記入力データとして、前記学習済モデルに入力し、
前記撮像コントラストは、エコー時間に対応する、
データ処理装置。

【請求項14】

第１のパルスシーケンスに関する複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含む、処理対象に関する入力データを取得し、
前記第１のパルスシーケンスに関する複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含むデータを入力とし、第２のパルスシーケンスに関する単一の撮像コントラストに対応するデータを出力とするように機械学習された学習済モデルに、前記処理対象に関する入力データを入力して、前記処理対象に関する出力データを生成する、ことを具備し、
前記学習済モデルは、前記複数のデータセグメントをそれぞれ処理する複数の第１のニューラルネットワーク層と、前記複数の第１のニューラルネットワーク層からの複数の出力を結合する結合層と、前記結合層からの出力を処理する第２のニューラルネットワーク層とを有し、
前記生成することは、前記処理対象に関する前記入力データに前記複数の第１のニューラルネットワーク層、前記結合層及び前記第２のニューラルネットワーク層を適用することにより前記処理対象に関する前記出力データを生成し、
ここで、前記生成することは、前記処理対象に関するｋ空間データを前記複数のデータセグメントに分割し、前記複数のデータセグメントを、前記入力データとして、それぞれ前記複数の第１のニューラルネットワーク層に入力し、
前記撮像コントラストは、エコー時間に対応する、
データ処理方法。

【請求項15】

第１のパルスシーケンスに関する複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含む、処理対象に関する入力データを取得し、
前記第１のパルスシーケンスに関する複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含むデータを入力とし、第２のパルスシーケンスに関する単一の撮像コントラストに対応するデータを出力とするように機械学習された学習済モデルに、前記処理対象に関する入力データを入力して、前記処理対象に関する出力データを生成する、ことを具備し、
前記生成することは、前記処理対象に関するｋ空間データを前記複数のデータセグメントに分割し、前記複数のデータセグメントに基づいて複数のＭＲ画像を生成し、前記複数のＭＲ画像を、前記入力データとして、前記学習済モデルに入力し、
前記撮像コントラストは、エコー時間に対応する、
データ処理方法。

【請求項16】

高速スピンエコー法で収集されたデータを入力データとして取得する取得部と、
高速スピンエコー法に対応するデータを入力とし、スピンエコー法に対応するデータを出力とするように学習された学習済モデルに、前記入力データを入力して、出力データを生成する生成部と、を具備し、
前記スピンエコー法のエコー時間は、前記高速スピンエコー法の複数のエコー時間のうちのｋ空間中心の位置を収集する際のエコー時間に設定される、
データ処理装置。

【請求項17】

高速スピンエコー法で収集されたデータを入力データとして取得する取得部と、
高速スピンエコー法に対応するデータを入力とし、スピンエコー法に対応するデータを出力とするように学習された学習済モデルに、前記入力データを入力して、出力データを生成する生成部と、を具備し、
前記スピンエコー法のエコー時間は、前記高速スピンエコー法の複数のエコー時間のうちのｋ空間中心以外の位置を収集する際のエコー時間に設定される、
データ処理装置。

【請求項18】

高速スピンエコー法で収集されたデータを入力データとして取得する取得部と、
高速スピンエコー法に対応するデータを入力とし、スピンエコー法に対応するデータを出力とするように学習された学習済モデルに、前記入力データを入力して、出力データを生成する生成部と、を具備し、
前記出力データは、前記高速スピンエコー法の複数のエコー時間のうちの２以上のエコー時間にそれぞれ対応する２以上のデータセットである、
データ処理装置。

【請求項19】

前記入力データは、ｋ空間データを再構成したＭＲ画像である、請求項１６乃至１８の何れか一項記載のデータ処理装置。

【請求項20】

高速スピンエコー法で収集されたデータを入力データとして取得し、
高速スピンエコー法に対応するデータを入力とし、スピンエコー法に対応するデータを出力とするように学習された学習済モデルに、前記入力データを入力して、出力データを生成する、ことを具備し、
前記スピンエコー法のエコー時間は、前記高速スピンエコー法の複数のエコー時間のうちのｋ空間中心の位置を収集する際のエコー時間に設定される、
データ処理方法。

【請求項21】

高速スピンエコー法で収集されたデータを入力データとして取得し、
高速スピンエコー法に対応するデータを入力とし、スピンエコー法に対応するデータを出力とするように学習された学習済モデルに、前記入力データを入力して、出力データを生成する、ことを具備し、
前記スピンエコー法のエコー時間は、前記高速スピンエコー法の複数のエコー時間のうちのｋ空間中心以外の位置を収集する際のエコー時間に設定される、
データ処理方法。

【請求項22】

高速スピンエコー法で収集されたデータを入力データとして取得し、
高速スピンエコー法に対応するデータを入力とし、スピンエコー法に対応するデータを出力とするように学習された学習済モデルに、前記入力データを入力して、出力データを生成する、ことを具備し、
前記出力データは、前記高速スピンエコー法の複数のエコー時間のうちの２以上のエコー時間にそれぞれ対応する２以上のデータセットである、
データ処理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、データ処理装置及び方法に関する。

【背景技術】

【0002】

磁気共鳴イメージングのデータ収集シーケンスに、従来スピンエコー法（ＣＳＥ：Conventional Spin Echo）と高速スピンエコー法とがある。従来スピンエコー法は、１回の励起パルスに続き１個のＭＲ信号が収集されるため、撮像時間が比較的長いが、ｋ空間が単一のエコー時間のデータで充填されるため、画質が比較的高い。高速スピンエコー法は、１回の励起パルスに続き複数個のＭＲ信号が異なるエコー時間で収集されるため、撮像時間が比較的短いが、ｋ空間が複数のエコー時間のデータで充填されるため、画質が比較的低い。

【先行技術文献】

【非特許文献】

【0003】

【文献】Garyun B. Blackmon, Nancy M. Major, Clyde A. Helms, “Comparison of Fast Spin-Echo Versus Conventional Spin-Echo MRI for Evaluating Meniscal Tears”, AJR: 184, June 2005.

【発明の概要】

【発明が解決しようとする課題】

【0004】

本発明が解決しようとする課題は、短い撮像時間で収集されたデータから高画質のデータを得ることである。

【課題を解決するための手段】

【0005】

実施形態に係るデータ処理装置は、複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含む、処理対象に関する入力データを取得する取得部と、複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含む入力データと単一の撮像コントラストに対応する出力データとに基づき機械学習された学習済モデルを、前記処理対象に関する入力データに適用して前記処理対象に関する出力データを生成する生成部と、前記処理対象に関する出力データを出力する出力部と、を具備する。

【図面の簡単な説明】

【0006】

【図1】図１は、本実施形態に係る磁気共鳴イメージング装置の構成を示す図である。

【図2】図２は、従来スピンエコー法及び高速スピンエコー法のパルスシーケンスを示す図である。

【図3】図３は、図２の場合における、従来スピンエコー法及び高速スピンエコー法のｋ空間データのデータセグメントを示す図である。

【図4】図４は、図１の画像生成機能において利用される学習済モデルの入出力の一例を示す図である。

【図5】図５は、本実施形態に係る磁気共鳴イメージング装置によるＭＲ検査の典型的な流れを示す図である

【図6】図６は、サブＤＮＮ層を含む学習済モデルの構造及び入出力を模式的に示す図である。

【図7】図７は、学習済モデルを利用した、ＳＥ画像データの生成処理を模式的に示す図である。

【図8】図８は、ＳＥ画像データの表示画面の一例を示す図である。

【図9】図９は、変形例１に係る学習済モデルの入出力の関係を示す図である。

【図10】図１０は、変形例２に係る学習済モデルの入出力の関係を示す図である。

【図11】図１１は、変形例３に係る学習済モデルの入出力の関係を示す図である。

【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処理装置、方法及びプログラムを説明する。

【0008】

本実施形態に係るデータ処理装置は、医用画像診断装置により生成された医用データを処理する装置である。医用画像診断装置は、磁気共鳴イメージング（ＭＲＩ：Magnetic Resonance Imaging）装置、Ｘ線コンピュータ断層撮影（ＣＴ：Computed Tomography）装置、Ｘ線診断装置、ＰＥＴ（Positron Emission Tomography）装置、ＳＰＥＣＴ（Single Photon Emission CT）装置及び超音波診断装置等の単一モダリティ装置であってもよいし、ＰＥＴ／ＣＴ装置、ＳＰＥＣＴ／ＣＴ装置、ＰＥＴ／ＭＲＩ装置、ＳＰＥＣＴ／ＭＲＩ装置等の複合モダリティ装置であってもよい。データ処理装置は、医用画像診断装置とは別体のコンピュータでもよいし、医用画像診断装置に組み込まれたコンピュータでもよい。また、データ処理装置は、演算処理を行うプロセッサでもよい。

【0009】

以下、本実施形態に係るデータ処理装置は、説明を具体的に行うため、磁気共鳴イメージング装置に組み込まれたコンピュータであるとする。

【0010】

図１は、本実施形態に係る磁気共鳴イメージング装置１の構成を示す図である。図１に示すように、磁気共鳴イメージング装置１は、架台１１、寝台１３、傾斜磁場電源２１、送信回路２３、受信回路２５、寝台駆動装置２７、シーケンス制御回路２９及びホストコンピュータ（Host Computer）５０を有する。ホストコンピュータは、データ処理装置の一例である。

【0011】

架台１１は、静磁場磁石４１と傾斜磁場コイル４３とを有する。静磁場磁石４１と傾斜磁場コイル４３とは架台１１の筐体に収容されている。架台１１の筐体には中空形状を有するボアが形成されている。架台１１のボア内には送信コイル４５と受信コイル４７とが配置される。

【0012】

静磁場磁石４１は、中空の略円筒形状を有し、略円筒内部に静磁場を発生する。静磁場磁石４１としては、例えば、永久磁石、超伝導磁石または常伝導磁石等が使用される。ここで、静磁場磁石４１の中心軸をＺ軸に規定し、Ｚ軸に対して鉛直に直交する軸をＹ軸に規定し、Ｚ軸に水平に直交する軸をＸ軸に規定する。Ｘ軸、Ｙ軸及びＺ軸は、直交３次元座標系を構成する。

【0013】

傾斜磁場コイル４３は、静磁場磁石４１の内側に取り付けられ、中空の略円筒形状に形成されたコイルユニットである。傾斜磁場コイル４３は、傾斜磁場電源２１からの電流の供給を受けて傾斜磁場を発生する。より詳細には、傾斜磁場コイル４３は、互いに直交するＸ軸、Ｙ軸、Ｚ軸に対応する３つのコイルを有する。当該３つのコイルは、Ｘ軸、Ｙ軸、Ｚ軸の各軸に沿って磁場強度が変化する傾斜磁場を形成する。Ｘ軸、Ｙ軸、Ｚ軸の各軸に沿う傾斜磁場は合成されて互いに直交するスライス選択傾斜磁場Ｇｓ、位相エンコード傾斜磁場Ｇｐ及び周波数エンコード傾斜磁場Ｇｒが所望の方向に形成される。スライス選択傾斜磁場Ｇｓは、任意に撮像断面（スライス）を決めるために利用される。位相エンコード傾斜磁場Ｇｐは、空間的位置に応じて磁気共鳴信号（以下、ＭＲ信号と呼ぶ）の位相を変化させるために利用される。周波数エンコード傾斜磁場Ｇｒは、空間的位置に応じてＭＲ信号の周波数を変化させるために利用される。なお、以下の説明においてスライス選択傾斜磁場Ｇｓの傾斜方向はＺ軸、位相エンコード傾斜磁場Ｇｐの傾斜方向はＹ軸、周波数エンコード傾斜磁場Ｇｒの傾斜方向はＸ軸であるとする。

【0014】

傾斜磁場電源２１は、シーケンス制御回路２９からのシーケンス制御信号に従い傾斜磁場コイル４３に電流を供給する。傾斜磁場電源２１は、傾斜磁場コイル４３に電流を供給することにより、Ｘ軸、Ｙ軸及びＺ軸の各軸に沿う傾斜磁場を傾斜磁場コイル４３により発生させる。当該傾斜磁場は、静磁場磁石４１により形成された静磁場に重畳されて被検体Ｐに印加される。

【0015】

送信コイル４５は、例えば、傾斜磁場コイル４３の内側に配置され、送信回路２３から電流の供給を受けて高周波磁場パルス（以下、ＲＦ磁場パルスと呼ぶ）を発生する。

【0016】

送信回路２３は、被検体Ｐ内に存在する対象プロトンを励起するためのＲＦ磁場パルスを、送信コイル４５を介して被検体Ｐに印加するために、送信コイル４５に電流を供給する。ＲＦ磁場パルスは、対象プロトンに固有の共鳴周波数で振動し、対象プロトンを励起させる。励起された対象プロトンからＭＲ信号が発生され、受信コイル４７により検出される。送信コイル４５は、例えば、全身用コイル（ＷＢコイル）である。全身用コイルは、送受信コイルとして使用されても良い。

【0017】

受信コイル４７は、ＲＦ磁場パルスの作用を受けて被検体Ｐ内に存在する対象プロトンから発せられるＭＲ信号を受信する。受信コイル４７は、ＭＲ信号を受信可能な複数の受信コイルエレメントを有する。受信されたＭＲ信号は、有線又は無線を介して受信回路２５に供給される。図１に図示しないが、受信コイル４７は、並列的に実装された複数の受信チャネルを有している。受信チャネルは、ＭＲ信号を受信する受信コイルエレメント及びＭＲ信号を増幅する増幅器等を有している。ＭＲ信号は、受信チャネル毎に出力される。受信チャネルの総数と受信コイルエレメントの総数とは同一であっても良いし、受信チャネルの総数が受信コイルエレメントの総数に比して多くても良いし、少なくても良い。

【0018】

受信回路２５は、励起された対象プロトンから発生されるＭＲ信号を受信コイル４７を介して受信する。受信回路２５は、受信されたＭＲ信号を信号処理してデジタルのＭＲ信号を発生する。デジタルのＭＲ信号は、空間周波数により規定されるｋ空間にて表現することができる。よって、以下、デジタルのＭＲ信号をｋ空間データと呼ぶことにする。ｋ空間データは、画像再構成に供される生データの一種である。ｋ空間データは、有線又は無線を介してホストコンピュータ５０に供給される。

【0019】

なお、上記の送信コイル４５と受信コイル４７とは一例に過ぎない。送信コイル４５と受信コイル４７との代わりに、送信機能と受信機能とを備えた送受信コイルが用いられても良い。また、送信コイル４５、受信コイル４７及び送受信コイルが組み合わされても良い。

【0020】

架台１１に隣接して寝台１３が設置される。寝台１３は、天板１３１と基台１３３とを有する。天板１３１には被検体Ｐが載置される。基台１３３は、天板１３１をＸ軸、Ｙ軸、Ｚ軸各々に沿ってスライド可能に支持する。基台１３３には寝台駆動装置２７が収容される。寝台駆動装置２７は、シーケンス制御回路２９からの制御を受けて天板１３１を移動する。寝台駆動装置２７は、例えば、サーボモータやステッピングモータ等の如何なるモータ等を含んでも良い。

【0021】

シーケンス制御回路２９は、ハードウェア資源として、ＣＰＵ（Central Processing Unit）あるいはＭＰＵ（Micro Processing Unit）のプロセッサとＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）等のメモリとを有する。シーケンス制御回路２９は、処理回路５１の撮像プロトコル設定機能５１１により決定された撮像プロトコルに基づいて傾斜磁場電源２１、送信回路２３及び受信回路２５を同期的に制御し、当該撮像プロトコルに応じたパルスシーケンスに従い被検体Ｐに磁気共鳴イメージングを実行し、被検体Ｐに関するｋ空間データを収集する。

【0022】

図１に示すように、ホストコンピュータ５０は、処理回路５１、メモリ５２、ディスプレイ５３、入力インタフェース５４及び通信インタフェース５５を有するコンピュータである。

【0023】

処理回路５１は、ハードウェア資源としてＣＰＵ等のプロセッサを有する。処理回路５１は、磁気共鳴イメージング装置１の中枢として機能する。例えば、処理回路５１は、各種プログラムの実行により撮像プロトコル設定機能５１１、データ取得機能５１２、撮像コントラスト設定機能５１３、画像生成機能５１４、画像処理機能５１５、表示制御機能５１６及び学習機能５１７を有する。

【0024】

撮像プロトコル設定機能５１１において処理回路５１は、磁気共鳴イメージングに関する撮像プロトコルを、入力インタフェース５４を介したユーザ指示又は自動的に設定する。撮像プロトコルは、一の磁気共鳴イメージングに関する各種の撮像パラメータの集合である。撮像パラメータとしては、パルスシーケンスの種別、ｋ空間充填方式の種別、撮像時間、繰り返し時間（ＴＲ）、エコー時間（ＴＥ）等の磁気共鳴イメージングを行うために直接又は間接に設定される種々のパラメータが適用可能である。

【0025】

データ取得機能５１２において処理回路５１は、被検体Ｐ等の処理対象に関する、複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含むＭＲデータを取得する。ＭＲデータは、ｋ空間データ、ＭＲ画像データ及びハイブリッドデータの総称である。ｋ空間データは、オリジナルのｋ空間データでもよいし、オリジナルのｋ空間データに対してデータ圧縮処理や解像度分解処理、データ補間処理、解像度合成処理等の任意のデータ処理がなされたデータであってもよい。ハイブリッドデータは、ｋ空間データの少なくとも１軸に沿ってフーリエ変換又は逆フーリエ変換等が実行されたデータである。データセグメントは、各撮像コントラストに対応するデータの集合である。より詳細には、一の撮像コントラストに対応するデータは、対応するデータセグメントのみに含まれ、他のデータセグメントには含まれないものとする。ＭＲ画像は、Ｔ１値やＴ２値等の複合的な要因によりコントラストが決定される。撮像コントラストは、ＭＲ画像のコントラストを決定づける因子である、一例として、磁気共鳴イメージングの種々の撮像パラメータのうちの特定の撮像パラメータにより決定づけられる。

【0026】

撮像コントラスト設定機能５１３において処理回路５１は、後述する画像生成機能５１４による出力対象のＭＲデータの撮像コントラストを設定する。

【0027】

画像生成機能５１４において処理回路５１は、学習済モデルを、処理対象に関する入力データに適用して、当該処理対象に関する出力データを生成する。学習済モデルは、複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含む入力データと単一の撮像コントラストに対応する出力データとに基づき学習された機械学習モデルである。本実施形態に係る機械学習モデルは、典型的には、生物の脳の神経回路を模した多層のネットワークモデルである深層ニューラルネットワーク（ＤＮＮ：Deep Neural Network）であるとする。ＤＮＮは、複数の調整可能な関数及びパラメータの組合せにより定義されるパラメータ付きの合成関数を含む。入力ＭＲデータと出力ＭＲデータとの関係は種々の態様が可能である。例えば、入力と出力との双方にｋ空間データが設定されてもよいし、入力と出力との双方にＭＲ画像データが設定されてもよいし、入力にｋ空間データが設定され出力にＭＲ画像データが設定されてもよい。画像生成機能５１４において処理回路５１は、ｋ空間データにフーリエ変換又は逆フーリエ変換を施してＭＲ画像データを生成することも可能である。

【0028】

一例として、複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含む入力ＭＲデータを取得するためのパルスシーケンスとして高速スピンエコー法、単一の撮像コントラストに対応する出力ＭＲデータを取得するためのパルスシーケンスとして従来スピンエコー法（ＣＳＥ）が採用される。高速スピンエコー法は、ファスト・スピンエコー（ＦＳＥ：Fast Spin Echo）法やターボ・スピンエコー（ＴＳＥ：Turbo Spin Echo）と呼ばれている。なお、従来スピンエコー法は、単にＳＥと表記し、高速スピンエコー法はＦＳＥと表記することにする。高速スピンエコー法と従来スピンエコー法とは、シーケンス制御回路２９により実行可能である。

【0029】

図２は、従来スピンエコー法及び高速スピンエコー法のパルスシーケンスを示す図である。図２に示すように、従来スピンエコー法は９０°励起パルスの印加とそれに後続する１８０°再収束パルスの印加とにより１個のＭＲ信号（スピンエコー信号）を収集するパルスシーケンスである。９０°励起パルスの印加から次の９０°励起パルスの印加までの時間は繰り返し時間（ＴＲ）と呼ばれる。９０°励起パルスの印加からＭＲ信号の発生までの時間はエコー時間（ＴＥ）と呼ばれる。エコー時間（ＴＥ）は、撮像コントラストを決定づける要因の一つである。従来スピンエコー法では、１回の繰り返し時間において単一のＭＲ信号が収集される。すなわち、ｋ空間が単一のエコー時間（ＴＥ）のｋ空間データで充填されるため、従来スピンエコー法では、画質が比較的高いが、撮像時間が比較的長いといえる。

【0030】

高速スピンエコー法は９０°励起パルスの印加とそれに後続する複数の１８０°再収束パルスの印加とにより複数個のＭＲ信号（スピンエコー信号）を収集するパルスシーケンスである。高速スピンエコー法では、１回の繰り返し時間においてエコー時間が異なる複数のＭＲ信号が収集される。すなわち、ｋ空間が複数のエコー時間のｋ空間データで充填されるため、高速スピンエコー法では、画質が比較的低いが、撮像時間が比較的短いといえる。

【0031】

ここで、図２に示すように、高速スピンエコー法における、９０°励起パルスの印加から初回のＭＲ信号に関するエコー時間を基準ＴＥ又は基準ＴＥ＊１と表記し、ｎ回目（ｎは整数）のＭＲ信号に関するエコー時間を基準ＴＥ＊ｎと表記する。高速スピンエコー法においてｋ空間中心に相当するＭＲ信号に関するエコー時間は実効エコー時間と称される。図２において実効エコー時間は、一例として、基準ＴＥ＊３に等しいものとしている。従来スピンエコー法におけるエコー時間を、本実施形態において、ターゲットＴＥと称することにする。図２において従来スピンエコー法におけるターゲットＴＥは、高速スピンエコー法における実効エコー時間に等しい基準ＴＥ＊３としているが、実効エコー時間以外の任意のエコー時間に設定可能である。

【0032】

図３は、図２の場合における、スピンエコー法及び高速スピンエコー法のｋ空間データのデータセグメントを示す図である。なお、図３では、ｋ空間充填方式の種別は、一例として、２次元のカーテシアンスキャンを想定している。ｋ空間は位相エンコードＰＥと周波数エンコードＲＥとにより規定される。また、高速スピンエコー法における、１回の９０°励起パルスの印加により発生されるＭＲ信号の個数、すなわち、ＥＴＬ（Echo Train Length）は５であるとする。

【0033】

図３に示すように、従来スピンエコー法では全てのＭＲ信号についてエコー時間が同一であるので、ｋ空間にはターゲットＴＥである基準ＴＥ＊３のｋ空間データのみが充填される。一方、高速スピンエコー法ではｋ空間には基準ＴＥ＊１のデータセグメント、基準ＴＥ＊２のデータセグメント、基準ＴＥ＊３のデータセグメント、基準ＴＥ＊４のデータセグメント及び基準ＴＥ＊５のデータセグメントが充填される。このように、高速スピンエコー法により収集されるｋ空間データは、複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含むデータセットである。

【0034】

本実施形態に係る高速スピンエコー法としては、励起パルスの印加とそれに後続する複数の再収束パルスの印加とにより複数個のＭＲ信号（スピンエコー信号）を収集するパルスシーケンスであれば、如何なるパルスシーケンスでもよい。例えば、高速スピンエコー法として、ＱＲＡＰ－ＭＡＳＴＥＲ（Quantification of Relaxation Times and Proton Density by Multi-echo Acquisition of Saturation-recovery Using Turbo Spin-echo Readout）等のSynthetic MRIが用いられてもよい。また、ｋ空間充填方式の種別は、２次元のカーテシアンスキャンに限定されず、３次元のカーテシアンスキャンでもよい。更にｋ空間充填方式の種別としては、２次元又は３次元のラディアルスキャンやスパイラルスキャンでもよいし、ＰＲＯＰＥＬＬＥＲやスタック・オブ・スターズ等でもよい。また、高速スピンエコー法は、１セットのｋ空間データを全て収集するために、複数回の励起パルスを要するマルチショットでもよいし、１回の励起パルスで済むシングルショットでもよい。

【0035】

図４は、画像生成機能５１４において利用される学習済モデル６０の入出力の一例を示す図である。図４に示すように、学習済モデル６０は、複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含む入力ＭＲデータとして、複数のＴＥにそれぞれ対応する複数のデータセグメントを含む、高速スピンエコー法により収集されたｋ空間データ又は当該ｋ空間データに基づくＭＲ画像データを入力とする。なお、入力としては、ｋ空間データ及びＭＲ画像データに限定されず、ハイブリッドデータでもよい。以下、高速スピンエコー法により収集されたｋ空間データ、ハイブリッドデータ又はＭＲ画像データを総称してＦＳＥデータと呼ぶことにする。また、学習済モデル６０は、当該複数の撮像コントラストのうちの単一の撮像コントラストに対応する出力ＭＲデータとして、当該複数のＴＥのうちの単一のＴＥ（ターゲットＴＥ）に対応する、従来スピンエコー法により収集されたｋ空間データ又は当該ｋ空間データに基づくＭＲ画像データを出力とする。出力としては、ｋ空間データ及びＭＲ画像データに限定されず、ハイブリッドデータでもよい。以下、従来スピンエコー法により収集されたｋ空間データ、ハイブリッドデータ又はＭＲ画像データを総称してＳＥデータと呼ぶことにする。

【0036】

例えば、図３に示すＦＳＥ及びＳＥの場合、ＦＳＥデータに関する複数のＴＥとしては、基準ＴＥ＊１、基準ＴＥ＊２、基準ＴＥ＊３、基準ＴＥ＊４及び基準ＴＥ＊５の５種に設定される。この場合、基準ＴＥ＊１、基準ＴＥ＊２、基準ＴＥ＊３、基準ＴＥ＊４及び基準ＴＥ＊５のデータセグメントが混入されたＦＳＥデータが、入力ＭＲデータとして学習済モデル６０に入力される。ＳＥデータに関する単一のＴＥとしては、ＦＳＥデータに関する基準ＴＥ＊１、基準ＴＥ＊２、基準ＴＥ＊３、基準ＴＥ＊４及び基準ＴＥ＊５のうちの何れか一つに設定される。例えば、５種のＴＥのうちの実効ＴＥである基準ＴＥ＊３がターゲットＴＥ（TarTE）に設定されてもよいし、実効ＴＥ以外の任意のＴＥがターゲットＴＥに設定されてもよい。このように、学習済モデル６０の出力データであるＳＥデータには、入力データであるＦＳＥデータの複数のエコー時間のうちの一部のエコー時間のデータが含まれているので、入力データであるＦＳＥデータと出力データであるＳＥデータとには相関があるといえる。学習済モデル６０は、ターゲットＴＥ毎に生成され、メモリ５２に記憶される。

【0037】

本実施形態に係るＤＮＮは、如何なる構造でもよい。例えば、本実施形態に係るＤＮＮは、入力層、出力層及び中間層を含む。中間層としては、少なくとも一以上のＣＮＮ（Convolutional Neural Network）層や全結合層、プーリング層等を含む。ＤＮＮは、ResNet（Residual Network）やDenseNet（Dense Convolutional Network）、U-Net等のネットワーク構造でもよい。

【0038】

画像処理機能５１５において処理回路５１は、ＭＲ画像に種々の画像処理を施す。例えば、処理回路５１は、ボリュームレンダリングや、サーフェスレンダリング、画素値投影処理、ＭＰＲ（Multi-Planer Reconstruction）処理、ＣＰＲ（Curved MPR）処理等の画像処理を施す。

【0039】

表示制御機能５１６において処理回路５１は、種々の情報をディスプレイ５３に表示する。例えば、処理回路５１は、画像生成機能５１４により生成されたＭＲ画像、画像処理機能５１５により生成されたＭＲ画像、撮像プロトコルの設定画面等をディスプレイ５３に表示する。

【0040】

学習機能５１７において処理回路５１は、複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含む入力データと当該複数の撮像コントラストのうちの単一の撮像コントラストに対応する出力データとに基づき機械学習された学習済モデルを生成する。例えば、処理回路５１は、複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含む入力データと当該複数の撮像コントラストのうちの単一の撮像コントラストに対応する出力データとを教師データとして用いる教師付き機械学習により学習済モデルを生成する。教師データは、種々の磁気共鳴イメージング装置により種々の処理対象について多数のセットが収集される。なお、同一の教師データに属する入力データと出力データとの組合せについて処理対象は同一である。例えば、図４の場合、同一被検体に関するＦＳＥデータとＳＥデータとの組合せが教師データとして用いられる。

【0041】

メモリ５２は、種々の情報を記憶するＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）、集積回路記憶装置等の記憶装置である。また、メモリ５２は、ＣＤ－ＲＯＭドライブやＤＶＤドライブ、フラッシュメモリ等の可搬性記憶媒体との間で種々の情報を読み書きする駆動装置等であっても良い。例えば、メモリ５２は、学習済モデルやｋ空間データ、ＭＲ画像データ、制御プログラム等を記憶する。

【0042】

ディスプレイ５３は、表示制御機能５１６により種々の情報を表示する。例えば、ディスプレイ５３は、画像生成機能５１４により生成されたＭＲ画像、画像処理機能５１５により生成されたＭＲ画像、撮像プロトコルの設定画面等を表示する。ディスプレイ５３としては、例えば、ＣＲＴディスプレイや液晶ディスプレイ、有機ＥＬディスプレイ、ＬＥＤディスプレイ、プラズマディスプレイ、又は当技術分野で知られている他の任意のディスプレイが適宜利用可能である。

【0043】

入力インタフェース５４は、ユーザからの各種指令を受け付ける入力機器を含む。入力機器としては、キーボードやマウス、各種スイッチ、タッチスクリーン、タッチパッド等が利用可能である。なお、入力機器は、マウス、キーボードなどの物理的な操作部品を備えるものだけに限らない。例えば、磁気共鳴イメージング装置１とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、受け取った電気信号を種々の回路へ出力するような電気信号の処理回路も入力インタフェース５４の例に含まれる。

【0044】

通信インタフェース５５は、ＬＡＮ（Local Area Network）等を介して磁気共鳴イメージング装置１と、ワークステーションやＰＡＣＳ（Picture Archiving and Communication System）、ＨＩＳ（Hospital Information System）、ＲＩＳ（Radiology Information System）等とを接続するインタフェースである。ネットワークＩＦは、各種情報を接続先のワークステーション、ＰＡＣＳ、ＨＩＳ及びＲＩＳとの間で送受信する。

【0045】

なお、上記の構成は一例であって、これに限定されない。例えば、シーケンス制御回路２９は、ホストコンピュータ５０に組み込まれても良い。また、シーケンス制御回路２９と処理回路５１とが同一の基板に実装されても良い。また、学習機能５１７は、必ずしも磁気共鳴イメージング装置１の処理回路５１に実装されている必要性はない。例えば、磁気共鳴イメージング装置１とは別体の、学習済モデルを生成するためのコンピュータに学習機能５１７が実装されればよい。この場合、当該コンピュータにより生成された学習済モデル６０が、ネットワーク又は可搬型記録媒体等を介して磁気共鳴イメージング装置１に供給される。また、メモリ５２のうちの学習済モデル６０の記憶領域は、磁気共鳴イメージング装置１に実装されている必要はなく、例えば、磁気共鳴イメージング装置１にネットワークを介して接続された記憶装置に実装されてもよい。

【0046】

以下、本実施形態に係る磁気共鳴イメージング装置１の動作例を説明する。

【0047】

図５は、本実施形態に係る磁気共鳴イメージング装置１によるＭＲ検査の典型的な流れを示す図である。

【0048】

図５に示すように、処理回路５１は、撮像コントラスト設定機能５１３の実現により、画像化対象の撮像コントラストを設定する（ステップＳ１）。具体的には、処理回路５１は、画像化対象の撮像コントラストとして、画像化対象のエコー時間（ターゲットＴＥ）を設定する。画像化対象のエコー時間は、入力インタフェース５４を介してユーザにより任意のエコー時間が指定されればよい。

【0049】

ステップＳ１が行われると処理回路５１は、撮像プロトコル設定機能５１１の実現により、ＦＳＥ法の撮像パラメータを設定する（ステップＳ２）。ステップＳ２において処理回路５１は、ＦＳＥ法の撮像パラメータである、撮像時間、繰り返し時間、エコー時間及びＥＴＬ等を、入力インタフェース５４を介して又は自動的に設定する。エコー時間は、ＥＴＬを構成する各ＭＲ信号についてエコー時間が設定される。例えば、処理回路５１は、ユーザによる入力インタフェース５４を介した指示に従い実効エコー時間を直接的に設定してもよいし、基準エコー時間と実効エコー時間に対応する位相エンコードの順位（初回のＭＲ信号から実効エコー時間に対応するＭＲ信号までのエンコード数）とに基づいて実効エコー時間を自動的に設定してもよい。他のエコー時間については、実効エコー時間とＥＴＬとに基づいて自動的に設定されればよい。設定された撮像パラメータは、シーケンス制御回路２９に供給される。

【0050】

ステップＳ２が行われるとシーケンス制御回路２９は、ステップＳ２において設定された撮像パラメータに従い、ＦＳＥ法に基づく磁気共鳴イメージングを実行する（ステップＳ３）。ステップＳ３においてシーケンス制御回路２９は、被検体ＰにＦＳＥ法に基づく磁気共鳴イメージングを実行する。受信回路２５は、複数のエコー時間にそれぞれ対応する複数のＭＲ信号を受信し、複数のＭＲ信号にそれぞれ対応する複数のデータセグメントが、ｋ空間データとしてメモリ５２に記憶される。ＦＳＥ法により取得されたｋ空間データは、ＦＳＥデータの一種である。例えば、ＥＴＬが５である場合、基準ＴＥ＊１、基準ＴＥ＊２、基準ＴＥ＊３、基準ＴＥ＊４及び基準ＴＥ＊５のデータセグメントを含む少なくとも１セットのｋ空間データが取得される。

【0051】

ステップＳ３が行われると処理回路５１は、画像生成機能５１４の実現により、画像化対象の撮像コントラスト（ターゲットＴＥ）に対応する学習済モデル６０を選択する（ステップＳ４）。予め複数のターゲットＴＥに関する複数の学習済モデル６０がメモリ５２に記憶されている。例えば、複数の学習済モデル各々にはターゲットＴＥに関する識別子が関連付けられている。処理回路５１は、メモリ５２に記憶された複数の学習済モデルのうちの、ステップＳ１において設定されたターゲットＴＥに関する識別子に関連付けられた学習済モデル６０を選択する。

【0052】

ステップＳ４が行われると処理回路５１は、画像生成機能５１４の実現により、ステップＳ５において取得されたＦＳＥデータに、ステップＳ４において選択された学習済モデル６０を適用して、ステップＳ１において設定されたターゲットＴＥに関するＳＥデータを生成する（ステップＳ５）。まず、ＦＳＥデータ及びＳＥデータが共にｋ空間データである場合について説明する。ＦＳＥ法に関するｋ空間データをＦＳＥｋ空間データと呼び、ＳＥ法に関するｋ空間データをＳＥｋ空間データと呼ぶことにする。

【0053】

ステップＳ５において処理回路５１は、ＦＳＥｋ空間データに学習済モデル６０を適用して、ターゲットＴＥに関するＳＥｋ空間データを生成する。例えば、基準ＴＥ＊１、基準ＴＥ＊２、基準ＴＥ＊３、基準ＴＥ＊４及び基準ＴＥ＊５のデータセグメントが混入された１セットのＦＳＥｋ空間データから、基準ＴＥ＊３等のターゲットＴＥに関する１セットのＳＥｋ空間データが生成される。生成されるＳＥｋ空間データを構成する全てのデータセグメントは、基準ＴＥ＊３に相当するｋ空間データを含むこととなる。その後、処理回路５１は、生成されたターゲットＴＥに関するＳＥｋ空間データにフーリエ変換を施して、ターゲットＴＥに関するＭＲ画像データ（以下、ＳＥ画像データと呼ぶ）を生成する。生成されたＳＥ画像データは、学習済モデル６０により生成されているのでＳＥ法と略同等の画質を有する。

【0054】

学習済モデル６０の構造として種々の変形が可能である。例えば、学習済モデル６０は、全てのデータセグメントに対する処理を担当する単一のＤＮＮ層を含んでもよい。また、学習済モデル６０は、複数のデータセグメントにそれぞれ対応する処理を担当する複数のＤＮＮ層を含んでもよい。以下、各データセグメントに対応する処理を担当する個別のＤＮＮ層をサブＤＮＮ層と呼ぶことにする。

【0055】

図６は、サブＤＮＮ層６１を含む学習済モデル６０の構造及び入出力を模式的に示す図である。学習済モデル６０は、基準ＴＥ＊１、基準ＴＥ＊２、基準ＴＥ＊３、基準ＴＥ＊４及び基準ＴＥ＊５のデータセグメントが混入された１セットのＦＳＥｋ空間データを入力とし、基準ＴＥ＊３等のターゲットＴＥに関する１セットのＳＥｋ空間データを出力する。図６に示すように、学習済モデル６０は、サブＤＮＮ層６１、結合層６２及び共通ＤＮＮ層６３を含む。サブＤＮＮ層６１は、ｎ個のｋ空間データセグメントにそれぞれ対応するｎ個のサブＤＮＮ層６１ｎ（ｎは整数）を含む。サブＤＮＮ層６１ｎは、対応するｋ空間データセグメントに対する処理を実行する。結合層６２はｎ個のサブＤＮＮ層６１ｎに接続されている。結合層６２は、ｎ個のサブＤＮＮ層６１ｎからのｎセットの出力データを結合して１セットの出力データを生成する。結合層６２は、例えば、Concat型等により実現されればよい。共通ＤＮＮ層６３は、結合層６２からの１セットの出力データに対する処理を実行する。

【0056】

図６に示すように、処理回路５１は、ＦＳＥｋ空間データセットを、基準ＴＥ＊１、基準ＴＥ＊２、基準ＴＥ＊３、基準ＴＥ＊４及び基準ＴＥ＊５のｋ空間データセグメントに分割する。処理回路５１は、基準ＴＥ＊ｎのｋ空間データセグメントを、サブＤＮＮ層６１ｎ、結合層６２及び共通ＤＮＮ層６３に順伝播し、基準ＴＥ＊３等のターゲットＴＥに関する１セットのＳＥｋ空間データを生成する。このように、学習済モデル６０によるＦＳＥｋ空間デーセットからＳＥｋ空間データセットへの変換処理をサブＤＮＮ層６１と共通ＤＮＮ層６３とに分担することにより、ＳＥｋ空間データセットの精度向上や学習効率の向上が期待できる。

【0057】

次に、ＦＳＥデータ及びＳＥデータが共にＭＲ画像データである場合について説明する。ＦＳＥ法に関するＭＲ画像データをＦＳＥ画像データと呼ぶことにする。

【0058】

図７は、学習済モデル６５を利用した、ＳＥ画像データの生成処理を模式的に示す図である。学習済モデル６５は、複数のエコー時間にそれぞれ対応する複数のＭＲ画像データセグメントを含む入力データと当該複数のエコー時間のうちの単一のエコー時間（ターゲットＴＥ）に対応するＭＲ画像データセグメントとに基づき機械学習された機械学習モデルである。

【0059】

図７に示すように、まず処理回路５１は、処理回路５１は、ＦＳＥｋ空間データセットＤＦＳＥをＥＴＬの数だけ複製し、複数のエコー時間にそれぞれ対応する複数のｋ空間データセグメントを生成する。次に処理回路５１は、各ｋ空間データセグメントにマスク処理を施し、各エコー時間に対応するｋ空間データセグメントＤｋｎ（ｎはエコー時間を識別する整数）以外のエコー時間に対応するｋ空間データセグメントにマスクＭｎ（ｎはエコー時間を識別する整数）を施す。マスクＭｎは、マスク対象のｋ空間データセグメントの各サンプル点にゼロ等の所定値を割り当てることにより行われる。次に処理回路５１は、各ｋ空間データセグメントＤｋｎにＦＦＴ等の再構成処理を施して各エコー時間に対応するＦＳＥ画像データＩＳｎ（ｎはエコー時間を識別する整数）を生成する。次に処理回路５１は、複数のエコー時間にそれぞれ対応する複数のＦＳＥ画像データＩＳｎに学習済モデル６５を適用して、当該複数のエコー時間のうちのターゲットＴＥに対応するＳＥ画像データＩＳＥを生成する。

【0060】

ステップＳ５が行われると処理回路５１は、ステップＳ５において生成されたＳＥデータを出力する（ステップＳ６）。例えば、処理回路５１は、表示制御機能５１６の実現により、ＳＥデータとして、ＳＥ画像データをディスプレイ５３に表示する。

【0061】

図８は、ＳＥ画像データの表示画面Ｉ１の一例を示す図である。図８に示すように、表示画面Ｉ１には、ＦＳＥ画像データＩ２とＳＥ画像データＩ３とが並べて表示される。ＦＳＥ画像データＩ２には実効エコー時間が、ＳＥ画像データＩ３にはターゲットＴＥが並べて表示されるとよい。なお、ＦＳＥ法として３次元撮像が行われた場合、ＦＳＥ画像データとＳＥ画像データとは３次元画像データとなる。この場合、処理回路５１は、３次元のＦＳＥ画像データにレンダリング処理を施して２次元のＦＳＥ画像データを生成してディスプレイ５３に表示し、３次元のＳＥ画像データにレンダリング処理を施して２次元のＳＥ画像データを生成してディスプレイ５３に表示する。

【0062】

ステップＳ６における他の出力態様として、処理回路５１は、ＳＥデータを、磁気共鳴イメージング装置１に接続された他のコンピュータに通信インタフェース５５を介して転送してもよいし、メモリ５２に保存してもよい。

【0063】

以上により、磁気共鳴イメージング装置１によるＭＲ検査が終了する。

【0064】

なお、図５に示す処理の流れは適宜変更可能である。例えば、学習済モデルの選択処理（ステップＳ４）は、撮像パラメータの設定処理（ステップＳ２）や磁気共鳴イメージング（ステップＳ３）の前に行われてもよい。

【0065】

また、ステップＳ２において処理回路５１は、ターゲットＴＥに応じて自動的に実効エコー時間を設定してもよい。例えば、ターゲットＴＥが基準ＴＥ＊８である場合、基準ＴＥ＊８がＦＳＥ法の実効エコー時間に設定されてもよい。

【0066】

上記の説明の通り、磁気共鳴イメージング装置１は、磁気共鳴イメージング段階においては、高速スピンエコー法のような複数の撮像コントラストが混入したデータを収集可能な高速撮像を行い、画像生成段階においては、当該混入データに基づいて単一の撮像コントラストに関する高画質のデータを生成する。すなわち、本動作例によれば、高速スピンエコー法の高速撮像と従来スピンエコー法の高画質との双方の利益を享受することができる。

【0067】

次に、処理回路５１の学習機能５１７について説明する。処理回路５１は、複数の撮像コントラストにそれぞれ対応する複数のデータセグメントを含む入力データと単一の撮像コントラストに対応する出力データとを教師データとして用いる教師付き機械学習により学習済モデル等を生成する。例えば、処理回路５１は、複数のエコー時間にそれぞれ対応する複数のデータセグメントを含むＦＳＥデータとターゲットＴＥに対応する正解ＳＥデータとを教師データとして用いる教師付き機械学習により学習済モデル６０を生成する。教師データとして用いるＦＳＥデータとＳＥデータとは、磁気共鳴イメージング装置１により収集されてもよいし、他の磁気共鳴イメージング装置により収集されてもよい。なお、同一の教師データに属する入力データと出力データとの組合せについて処理対象は同一である。例えば、同一被検体に関するＦＳＥデータと正解ＳＥデータとの組合せが教師データとして用いられる。

【0068】

学習機能５１７において処理回路５１は、ＦＳＥデータに機械学習モデルを適用して順伝播処理を行い、推定ＳＥデータを出力する。次に処理回路５１は、推定ＳＥデータと正解ＳＥデータとの差分（誤差）に当該機械学習モデルを適用して逆伝播処理を行い、勾配ベクトルを計算する。次に処理回路５１は、勾配ベクトルに基づいて当該機械学習モデルの重み付き行列やバイアス等のパラメータを更新する。多数の教師データについて順伝播処理及び逆伝播処理を繰り返してパラメータを更新することにより学習済モデルが完成する。

【0069】

ＳＥデータは、図３に示すようなシングルエコー法により収集されてもよいし、マルチエコー法により収集されてもよい。なお、シングルエコー法は、一回の励起パルスの印加に続き一回の再収束パルスの印加をして一のＭＲ信号を収集する方法である。シングルエコー法では、エンコードを変えながら同一のエコー時間で複数回ＭＲ信号が収集される。マルチエコー法は、一回の励起パルスの印加に続き複数回の再収束パルスの印加をしてエコー時間の異なる複数のＭＲ信号を同一エンコードで収集する方法である。マルチエコー法を使用することにより、異なるエコー時間のＳＥデータを短時間で収集することが可能になる。ＦＳＥデータは、図３に示すようなＦＳＥ法により収集されればよい。

【0070】

なお、敵対的生成ネットワーク（ＧＡＮ：Generative Adversarial Nets）やpix2pix等の手法を利用して学習済モデルが生成されてもよい。

【0071】

本実施形態は、高速撮像と高画質との双方の利益を享受するという観点から逸脱しない限り、種々の変形が可能である。以下、種々の変形例について説明する。

【0072】

（変形例１）
図９は、変形例１に係る学習済モデル７１の入出力の関係を示す図である。図９に示すように、学習済モデル７１は、複数のエコー時間にそれぞれ対応する複数のデータセグメントを含むＦＳＥデータを入力データとし、複数のエコー時間にそれぞれ対応する複数のデータセグメントに基づくＴ２マップを出力データとして機械学習された機械学習モデルである。Ｔ２マップは、Ｔ２値の空間分布を表す画像である。

【0073】

学習済モデル７１の生成段階において、Ｔ２マップは、如何なる手法により計算されてもよい。例えば、処理回路５１は、高速スピンエコー法により収集された入力データである、複数のエコー時間にそれぞれ対応する複数のデータセグメントに基づいてＴ２マップを生成すればよい。Ｔ２値は、データセグメント（又はＭＲ画像）のエコー時間に対する信号値（又は画素値）の傾きにより算出される。正確なＴ２値を算出するため、多数のエコー時間にそれぞれ対応する複数のデータセグメントを使用するとよい。学習済モデル７１の出力データであるＴ２マップは入力データであるＦＳＥデータの複数のエコー時間のデータに基づいて算出されているので、入力データであるＦＳＥデータと出力データであるＴ２マップとには相関があるといえる。

【0074】

なお、学習済モデル７１は、複数のエコー時間にそれぞれ対応する複数のデータセグメントを含むＦＳＥデータを入力データとし、Ｒ２マップを出力データとして機械学習された機械学習モデルである。Ｒ２マップは、Ｔ２値の逆数であるＲ２値の空間分布を表す画像である。この場合も同様に、学習済モデル７１の出力データであるＲ２マップは入力データであるＦＳＥデータの複数のエコー時間のデータに基づいて算出されているので、入力データであるＦＳＥデータと出力データであるＲ２マップとには相関があるといえる。

【0075】

なお、機械学習によりＴ２値を学習してその逆数を得る場合と、Ｒ２値を学習した場合とでは結果が一致しないのが一般的である。Ｔ２及びＲ２の評価が行われてもよい。具体的には、Ｔ２のロス関数とＲ２のロス関数とに基づいてＴ２マップとＲ２マップとが生成されてもよい。ロス関数は、Ｌ１正則化関数やＬ２正則化関数、ＧＡＮロス関数等の如何なるものでもよい。例えば、｜ｙ－ｙ’｜^２と｜１／ｙ－１／ｙ’｜^２とにより規定される。ｙは算出又は計測されたＴ２値であり、ｙ’は機械学習モデルにより得られたＴ２値のベクトル又は行列である。ベクトル又は行列の要素がゼロ又はゼロに近い値であると学習に支障があるため、これらの値の逆数は微小な正の数値ε等の所定値に置換されてもよい。

【0076】

変形例１によれば、磁気共鳴イメージング段階においては、ＦＳＥ法のような複数の撮像コントラストが混入したデータを収集可能な高速撮像を行い、画像生成段階においては、当該混入データに基づいて高画質のＴ２マップ又はＲ２マップを短時間に生成することができる。

【0077】

（変形例２）
図１０は、変形例２に係る学習済モデル７２の入出力の関係を示す図である。図１０に示すように、学習済モデル７２は、複数のエコー時間にそれぞれ対応する複数のデータセグメントを含む第１のＦＳＥデータと複数のエコー時間にそれぞれ対応する複数のデータセグメントを含む第２のＦＳＥデータとを含む入力データとし、当該複数のエコー時間のうちの単一のエコー時間（ターゲットＴＥ）に対応するＳＥデータとを出力データとして機械学習された機械学習モデルである。

【0078】

第１のＦＳＥデータと第２のＦＳＥデータとは実効エコー時間が異なる。ＳＥデータのターゲットＴＥは、第１のＦＳＥデータ又は第２のＦＳＥデータの実効エコー時間に設定されるとよい。例えば、第１のＦＳＥデータの実効エコー時間は基準ＴＥ＊３に設定され、第２のＦＳＥデータの実効エコー時間は基準ＴＥ＊４に設定され、ＳＥデータのターゲットＴＥは基準ＴＥ＊３に設定される。なお、ＳＥデータのターゲットＴＥは、第１のＦＳＥデータ及び第２のＦＳＥデータの実効エコー時間とは異なるエコー時間に設定されてもよい。なお、出力データのＳＥデータは、変形例１のようにＴ２マップ又はＲ２マップでもよい。

【0079】

第２のＦＳＥデータは、グラジェントエコー（ＧＲＥ：Gradient Echo）法又はフィールドエコー（ＦＥ：Field Echo）法等の、高速スピンエコー法以外の高速撮像法により収集されたデータでもよい。ＧＲＥ法又はＦＥ法は、一回の励起パルスとそれに続く傾斜磁場の極性の反転とによりＭＲ信号（グラジェントエコー信号）を収集する手法である。また、第２のＦＳＥデータとして、ＧＲＡＳＳ（Gradient Recalled Acquisition in the Steady State）、ＦＩＳＰ（Fast Imaging with Steady State Precession）、ＳＰＧＲ（Spoiled GRASS）、ＦＬＡＳＨ（Fast Low-angle Shot）等の、ＧＲＥ法又はＦＥ法の発展型により収集されたデータでもよい。

【0080】

また、入力データは、２回の高速撮像により収集された２セットのデータに限定されず、３回以上の高速撮像により収集された３セット以上のデータが用いられてもよい。

【0081】

変形例２によれば、２以上の高速撮像により収集された２以上のデータに基づいて、単一の撮像コントラストに関するＳＥデータ、Ｔ２マップ又はＲ２マップを生成することができる。これにより、出力データの精度の向上が期待される。

【0082】

（変形例３）
図１１は、変形例３に係る学習済モデル７３の入出力の関係を示す図である。図１１に示すように、学習済モデル７３は、複数のエコー時間にそれぞれ対応する複数のデータセグメントを含むＦＳＥデータを入力データとし、当該複数のエコー時間のうちの単一の第１のエコー時間（ターゲットＴＥ）に対応する第１のＳＥデータと当該複数のエコー時間のうちの単一の第２のエコー時間（ターゲットＴＥ）に対応する第２のＳＥデータとを出力データとして機械学習された機械学習モデルである。

【0083】

教師データの収集段階において第１のターゲットＴＥに関する第１のＳＥデータと第２のターゲットＴＥに関する第２のＳＥデータとは、シングルエコー法により別々に収集されてもよいし、マルチエコー法により並列して収集されてもよい。マルチエコー法を使用することにより、第１のＳＥデータと第２のＳＥデータとを短時間で収集することが可能になる。

【0084】

なお、第１のＳＥデータ又は第２のＳＥデータがＴ２マップ又はＲ２マップでもよい。第１のＳＥデータ及び第２のＳＥデータがＴ２マップ及びＲ２マップでもよい。入力データは、変形例２のように、２以上の高速撮像により収集された２以上のデータでもよい。また、出力データは、２セットのデータに限定されず、３セット以上のデータでもよい。

【0085】

（その他の例）
上記の種々の実施形態において一の撮像コントラストに対応するデータは、対応するデータセグメントのみに含まれ、他のデータセグメントには含まれないようにデータセグメントが切り分けられるものとした。しかしながら、本実施形態はこれに限定されない。一の撮像コントラストのデータは、２以上のデータセグメントに亘るようにデータセグメントが切り分けられてもよい。

【0086】

以上説明した少なくとも１つの実施形態によれば、短い撮像時間で収集されたデータから高画質のデータを得ることができる。

【0087】

上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ、ＧＰＵ、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ））、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサは記憶回路に保存されたプログラムを読み出し実行することで機能を実現する。なお、記憶回路にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。また、プログラムを実行するのではなく、論理回路の組合せにより当該プログラムに対応する機能を実現しても良い。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。さらに、図１における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。

【0088】

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

【符号の説明】

【0089】

１ 磁気共鳴イメージング装置
１１ 架台
１３ 寝台
２１ 傾斜磁場電源
２３ 送信回路
２５ 受信回路
２７ 寝台駆動装置
２９ シーケンス制御回路
４１ 静磁場磁石
４３ 傾斜磁場コイル
４５ 送信コイル
４７ 受信コイル
５０ 信号データ処理装置
５１ 処理回路
５２ メモリ
５３ ディスプレイ
５４ 入力インタフェース
５５ 通信インタフェース
１３１ 天板
１３３ 基台
５１１ 撮像プロトコル設定機能
５１２ データ取得機能
５１３ 撮像コントラスト設定機能
５１４ 画像生成機能
５１５ 画像処理機能
５１６ 表示制御機能
５１７ 学習機能

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】