知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-07-10
(54)【発明の名称】磁気共鳴イメージング用の分布外テスト
(51)【国際特許分類】
A61B 5/055 20060101AFI20240703BHJP
【ＦＩ】
A61B5/055 376
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2023578746
(86)(22)【出願日】2022-06-22
(85)【翻訳文提出日】2024-01-12
(86)【国際出願番号】 EP2022066947
(87)【国際公開番号】W WO2022268850
(87)【国際公開日】2022-12-29
(31)【優先権主張番号】2021118466
(32)【優先日】2021-06-24
(33)【優先権主張国・地域又は機関】RU
(81)【指定国・地域】
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＪＡＶＡ
２．ＢＬＵＥＴＯＯＴＨ
(71)【出願人】
【識別番号】590000248
【氏名又は名称】コーニンクレッカ フィリップス エヌ ヴェ
【氏名又は名称原語表記】Ｋｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ．
【住所又は居所原語表記】Ｈｉｇｈ Ｔｅｃｈ Ｃａｍｐｕｓ ５２， ５６５６ ＡＧ Ｅｉｎｄｈｏｖｅｎ，Ｎｅｔｈｅｒｌａｎｄｓ
(74)【代理人】
【識別番号】110001690
【氏名又は名称】弁理士法人Ｍ＆Ｓパートナーズ
(72)【発明者】
【氏名】カストリューリン セルゲイ
(72)【発明者】
【氏名】トサンダ アルチョム
(72)【発明者】
【氏名】ペッツォッティ ニコラ
【テーマコード（参考）】
4C096
【Ｆターム（参考）】
4C096AB07
4C096AD12
4C096AD13
4C096DA13
4C096DB07
4C096DB10
(57)【要約】
械実行可能命令１２０を記憶するメモリ１１０を含む医用システム１００、３００が開示される。医用システムはさらに計算システム１０４を含む。機械実行可能命令の実行により、計算システムは、アンダーサンプリングされたｋ空間データから再構築されるか、または再構築されたテスト磁気共鳴画像を受け取ることと（２０２）、分布外テストニューラルネットワークにテスト磁気共鳴画像を入力することに応答してテスト信号を受け取ることと（２０４）、テスト信号を提供することと（２０６）を実行する。テストニューラルネットワークは、テスト磁気共鳴画像を受け取ることに応答してテスト信号を出力する。テスト信号は、テスト磁気共鳴画像が、訓練データのセットによって定義された訓練分布内にあるかを表す。
【特許請求の範囲】
【請求項1】
機械実行可能命令を記憶するメモリと、計算システムとを備える、 医用システムであって、前記機械実行可能命令の実行により、前記計算システムは、
アンダーサンプリングされたｋ空間データから再構築されたテスト磁気共鳴画像を受け取ることと、
分布外テストニューラルネットワークへの前記テスト磁気共鳴画像の入力を生じさせることに応答してテスト信号を受け取ることであって、前記テストニューラルネットワークは、前記テスト磁気共鳴画像を受け取ることに応答して前記テスト信号を出力し、前記テスト信号は、前記テスト磁気共鳴画像が、訓練データのセットによって定義された訓練分布内にあるかを表す、受け取ることと、
前記テスト信号を提供することとを実行する、医用システム。
【請求項2】
前記機械実行可能命令の実行により、前記計算システムはさらに、前記テスト磁気共鳴画像が前記レーニング分布内にあることを前記テスト信号が示している場合、圧縮センシング磁気共鳴イメージング再構築アルゴリズムを使用して、前記アンダーサンプリングされたｋ空間データから臨床磁気共鳴画像を再構築する、請求項１に記載の医用システム。
【請求項3】
前記圧縮センシング磁気共鳴イメージング再構築アルゴリズムは、画像処理ニューラルネットワークを使用して、反復的に前記臨床磁気共鳴画像を再構築する、請求項２に記載の医用システム。
【請求項4】
前記画像処理ニューラルネットワークは、各反復間の中間画像のノイズを除去するためのノイズ除去フィルタ、および
画像圧縮アルゴリズムのうちのいずれか１つとして構成されている、請求項３に記載の医用システム。
【請求項5】
前記圧縮センシング磁気共鳴画像再構築アルゴリズムは、前記アンダーサンプリングされたｋ空間画像からの前記臨床磁気共鳴画像の再構築を表す劣決定線形システムの解を見つける数値画像再構築アルゴリズムである、請求項２から４のいずれか一項に記載の医用システム。
【請求項6】
前記圧縮センシング磁気共鳴画像再構築アルゴリズムは、反復圧縮センシングアルゴリズムの各段階で、前記アンダーサンプリングされたｋ空間データから前記臨床磁気共鳴画像を再構築する画像再構築ニューラルネットワークを含む、請求項２から４のいずれか一項に記載の医用システム。
【請求項7】
前記分布外テストニューラルネットワークは、前記訓練データを使用して、敵対的生成ネットワーク内の識別ニューラルネットワークとして訓練されている、請求項１から６のいずれか一項に記載の医用システム。
【請求項8】
前記敵対的生成ネットワークは、ノイズ分布を受け取ることに応答して、シミュレートされた画像を生成する生成ニューラルネットワークを含む、請求項７に記載の医用システム。
【請求項9】
前記敵対的生成ネットワークは、シミュレートされたテスト画像を受け取ることに応答して、シミュレートされた画像を生成する生成ニューラルネットワークを含む、請求項７に記載の医用システム。
【請求項10】
前記テスト磁気共鳴画像は、フーリエ変換を使用して、前記アンダーサンプリングされたｋ空間データから再構築される、請求項１から９のいずれか一項に記載の医用システム。
【請求項11】
前記メモリはさらに、関心領域から前記アンダーサンプリングされたｋ空間データを取得するように磁気共鳴イメージングシステムを制御するパルスシーケンスコマンドを含み、前記機械実行可能命令の実行により、前記計算システムはさらに、前記パルスシーケンスコマンドを用いて前記磁気共鳴イメージングシステムを制御することによって前記アンダーサンプリングされたｋ空間データを取得する、請求項１から１０のいずれか一項に記載の医用システム。
【請求項12】
前記テスト磁気共鳴画像が前記訓練分布外にあることを前記テスト信号が示す場合、前記機械実行可能命令の実行により、前記計算システムはさらに、警告信号を提供することと、
前記アンダーサンプリングされたｋ空間データの再取得を要求することと、
純粋に数値的な再構築アルゴリズムを使用した前記臨床磁気共鳴画像の再構築を要求することと、
前記磁気共鳴イメージングシステムを制御して、前記アンダーサンプリングされたｋ空間データの取得を継続することと、
以下のステップ、すなわち、被検者の関心領域を表すアンダーサンプリングされたｋ空間データから前記テスト磁気共鳴画像を再構築すること、および前記分布外テストニューラルネットワークへの前記テスト磁気共鳴画像の入力に応答して前記テスト信号を受信することを反復することとのうちのいずれか１つを実行する、請求項１から１１のいずれか一項に記載の医用システム。
【請求項13】
前記分布外テストニューラルネットワークのための前記訓練データは、フルサンプリングされたｋ空間データから構築されたシミュレートされたアンダーサンプリングされたｋ空間データと、前記シミュレートされたアンダーサンプリングされたｋ空間データから再構築された、シミュレートされたテスト磁気共鳴画像とを含む、請求項１から１２のいずれか一項に記載の医用システム。
【請求項14】
医用システムの作動方法であって、前記方法は、アンダーサンプリングされたｋ空間データから再構築されたテスト磁気共鳴画像を受け取るステップと、
分布外テストニューラルネットワークに前記テスト磁気共鳴画像を入力することに応答してテスト信号を受け取るステップであって、前記テストニューラルネットワークは、前記テスト磁気共鳴画像を受け取ることに応答して前記テスト信号を出力し、前記テスト信号は、前記テスト磁気共鳴画像が、訓練データのセットによって定義された訓練分布内にあるかを表す、受け取るステップと、
前記テスト信号を提供するステップとを含む、方法。
【請求項15】
計算システムによって実行される機械実行可能命令を含むコンピュータプログラムであって、前記機械実行可能命令の実行により、前記計算システムは、前記アンダーサンプリングされたｋ空間データから再構築されたテスト磁気共鳴画像を受け取ることと、
分布外テストニューラルネットワークに前記テスト磁気共鳴画像を入力することに応答してテスト信号を受け取ることであって、前記テストニューラルネットワークは、前記テスト磁気共鳴画像を受け取ることに応答して前記テスト信号を出力し、前記テスト信号は、前記テスト磁気共鳴画像が、訓練データのセットによって定義された訓練分布内にあるかを表す、受け取ることと、
前記テスト信号を提供することとを実行する、コンピュータプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は磁気共鳴イメージングに関し、特に、磁気共鳴イメージングでの圧縮センシングに関する。
【背景技術】
【0002】
磁気共鳴イメージング（ＭＲＩ）スキャナでは、患者の体内画像を生成するための手順の一部として原子の核スピンを整列させるために、大きな静磁場が使用される。この大きな静磁場をＢ０磁場または主磁場と呼ぶ。ＭＲＩを使用して、被検者の様々な量または特性を空間的に測定および撮像することができる。
【0003】
圧縮センシング（ＣＳ）は、磁気共鳴画像のｋ空間データの取得に必要な時間を短縮する手段の１つである。医用画像は通常、圧縮されているか、またはスパース表現を有し得る。圧縮センシングの背景にある考え方は、医用画像がスパース表現を有することができるため、ナイキスト基準で必要とされるよりも少ないｋ空間データをサンプリングすることで画像を取得および再構築できるというものである（ここではアンダーサンプリングされたｋ空間データと呼ぶ）。これを行うには、アンダーサンプリングによるアーティファクトがランダムノイズとして画像空間に現れるように、ｋ空間データをサンプリングする。
【0004】
画像の再構築には通常、反復プロセスが使用される。まず、取得または測定されたｋ空間データから画像が再構築される。従来のＣＳでは、フィルタモジュールが画像をウェーブレット表現等のスパース表現に変換する。変換された画像はその後、ノイズを除去するために閾値処理され、通常は画像空間に戻されて、ノイズ除去された画像が生成される。次に、画像を改良するために、測定されたｋ空間データとの整合性を保証するデータ整合性モジュールが使用される。データ整合性モジュールはノイズ除去された画像を取得し、画像のｋ空間変換が測定されたｋ空間データとより整合するように、画像のｋ空間変換を調整する。これの効果は、アンダーサンプリングによるノイズが減少することである。その後、フィルタモジュールおよびデータ整合性モジュールにより画像を繰り返し処理することで画像を改善できる。
【0005】
米国特許出願ＵＳ２０１７０３７２１５５Ａは、医用スキャナからの画像の画質スコアリングを開示しており、深層機械学習を使用して、期待される高品質の画像の生成モデルを作成することができる。入力画像の生成モデルからのずれが、識別モデル用の入力特徴ベクトルとして使用される。識別モデルは、入力画像から導出された別の入力特徴ベクトルに対しても動作する可能性がある。これらの入力特徴ベクトルに基づいて、識別モデルは画質スコアを出力する。
【発明の概要】
【0006】
本発明は、独立請求項に記載の医用システム、コンピュータプログラム、および方法を提供する。従属請求項には実施形態が記載されている。
【0007】
ＣＳアルゴリズムを実装するには様々な方法が存在する。様々な要素、または場合によっては上記の数値ＣＳスキーム全体が、訓練されたニューラルネットワークによって置き換えられ得る。ニューラルネットワークを使用する場合の問題は、訓練分布内のデータ（ニューラルネットワークの訓練に使用されたデータと類似したデータ）が与えられた場合に非常に良好な結果を提供することである。訓練分布外のデータがニューラルネットワークに与えられた場合、ニューラルネットワークによって生成される結果は不正確である可能性がある。これにより、例えば、不正確な磁気共鳴画像が再構築されたり、再構築アルゴリズムが失敗したりする可能性がある。
【0008】
最新のコンピュータを使用した場合でも、大量のｋ空間データの場合はＣＳアルゴリズムに時間を要する可能性がある。実施形態は、再構築画像が再構築される前に再構築画像がどの程度正確であるかを評価する手段、またはＣＳ再構築が実行される前にＣＳ再構築がどの程度良好に機能するかの推定を提供する手段を提供する可能性がある。これは、例えば、結果として得られる画像の信頼性を高めることにつながる可能性があり、また、アルゴリズムが失敗するまたはパフォーマンスが低下する可能性が高い場合に、再構築ＣＳ画像を回避するために使用され得る。
【0009】
これを達成するために、アンダーサンプリングされたｋ空間データはまず、例えばアンダーサンプリングされたｋ空間データをフーリエ変換することによって、テスト磁気共鳴画像に再構築される。結果として、ノイズおよびアーティファクトを有する画像が生成される。しかし、本明細書で開示される洞察は、アンダーサンプリングされたｋ空間データが訓練分布に属するか否かを識別するために、テスト画像内のノイズおよびアーティファクトを使用できるということである。テスト磁気共鳴画像が訓練データのセットによって定義された訓練分布内にあるかを表すテスト信号を提供するために分布外テストニューラルネットワーク（画像分類ニューラルネットワーク）によって使用可能なノイズおよび画像アーティファクトが、特定の訓練分布によって得られる。
【0010】
これの一実施形態では、分布外テストニューラルネットワークは、生成適応ニューラルネットワーク内の識別器として訓練される。このようにして訓練された分布外テストニューラルネットワークは、分布外（ＯＯＤ）テストの実行に特に有効である。
【0011】
一側面では、本発明は、機械実行可能命令を記憶するメモリを含む医用システムを提供する。メモリは分布外テストニューラルネットワークも記憶してもよく、または、分布外テストニューラルネットワークは遠隔もしくは仮想（クラウドベースの計算システム）上にあってもよい。分布外テストニューラルネットワークはニューラルネットワークである。分布外テストニューラルネットワークは、画像を受信し、この画像の分類を提供するように構成された分類ネットワークであってもよい。テストニューラルネットワークは、テスト磁気共鳴画像を受け取ることに応答してテスト信号を出力する。テスト信号は、テスト磁気共鳴画像が、訓練データのセットによって定義された訓練分布内にあるかを表す。訓練データのセットは、ニューラルネットワークまたはニューラルネットワークの集合の深層学習等の訓練を提供するために使用されるデータであってもよい。
【0012】
テスト信号は、例ごとに異なる形態を取り得る。一例では、テスト信号はバイナリ分類であるか、または特定の分類の表示である。例えば、１はテスト磁気共鳴画像が訓練分布内にあることを示し得る。同じ例において、０はテスト磁気共鳴画像が訓練分布外にあることを示し得る。他の例では、テスト信号は、テスト磁気共鳴画像が訓練分布内にあることを示す確率であってもよい。どちらの例も、例えば、テスト磁気共鳴画像が訓練分布内にあることの信頼度の指標またはレベルとして使用され得る。
【0013】
医用システムはさらに計算システムを含む。本明細書において「計算システム」とは、１つ以上の場所に配置された１つ以上の計算デバイスを表すことを意図している。例えば、計算システムのいくつかの部分が異なる場所にあってもよく、かつ／または遠隔計算システムまたはクラウドベースの計算システムとして利用可能であってもよい。計算システムのいくつかの部分が、仮想マシンによって提供されるオンデマンドでオンライン利用可能であってもよい。
【0014】
機械実行可能命令の実行により、計算システムは任意選択で、被検者の関心領域を表すアンダーサンプリングされたｋ空間データを受け取る。「アンダーサンプリングされたｋ空間データ」というラベルは、特定のｋ空間データを示す名称である。ｋ空間データは、被検者の関心領域をイメージングするときに磁気共鳴イメージングシステムによってサンプリングされるデータである。アンダーサンプリングされたｋ空間データとは、ナイキスト基準を満たさないｋ空間データを指す。しかし、圧縮センシング等の画像再構築技術を使用して画像を再構築することは可能である。
【0015】
機械実行可能命令の実行により、計算システムはさらに、アンダーサンプリングされたｋ空間データからテスト磁気共鳴画像を再構築することを要求するか、または再構築することを生じさせる。この再構築は計算システムによって実行されてもよく、または遠隔もしくはクラウドベースの計算システム上で実行される再構築であってもよい。この再構築は、例えば、ｋ空間データに対してフーリエ変換を実行する分析アルゴリズムを使用することであってもよい。アンダーサンプリングされたｋ空間データがフーリエ変換を使用して再構築される場合、特にアンダーサンプリングされている場合にはノイズが含まれている可能性がある。機械実行可能命令の実行により、計算システムはさらに、入力としてテスト磁気共鳴画像を分布外テストニューラルネットワークに入力することに応答して、テスト信号を受け取る。機械実行可能命令の実行により、計算システムはさらにテスト信号を提供する。
【0016】
この実施形態は、分布外テストニューラルネットワークが、アンダーサンプリングされたｋ空間データから再構築された画像をテストするため、有益である可能性がある。アンダーサンプリングされたｋ空間データはアンダーサンプリングされているため、テスト磁気共鳴画像には画像アーティファクトが存在する。分布外テストニューラルネットワークは、テスト磁気共鳴画像内のアーティファクトを認識し、画像内のアーティファクトから、アンダーサンプリングされたｋ空間データが訓練分布内にあるか、または訓練分布によってカバーされているかを判断するように構成され得る。テスト信号は、例えば、プログラム内の他の制御要素のために使用されてもよく、または、例えば圧縮センシング再構築を使用して、アンダーサンプリングされたｋ空間データのさらなる再構築を提供されてもよい。テスト信号はまた、アンダーサンプリングされたｋ空間データの数値的に激しい再構築を実行する前に、それを実行する価値があるかどうかを判断するために使用することもできる。テスト磁気共鳴画像は、ｋ空間内の特定の場所を見た分布外テストニューラルネットワークの訓練が行われていない画像空間内にあるため、テスト磁気共鳴画像のテストは非常に有効である。例えば、ニューラルネットワークは、アンダーサンプリングされたｋ空間データを直接評価するように訓練することができるが、特定のｋ空間サンプリングパターンについて訓練する必要がある。この例では、アンダーサンプリングされたｋ空間データが画像に変換され、既に画像空間内にあることから、分布外テストニューラルネットワークは本質的に、正しいサイズまたはフォーマットの画像を取得できる。これは、分布外テストニューラルネットワークが、アンダーサンプリングされたｋ空間データを取得するために使用された特定のサンプリングパターンから高度に独立していることを意味する。これにより、ｋ空間サンプリングパターンの柔軟な変更または調整が可能になり得る。
【0017】
別の実施形態では、機械実行可能命令の実行により、計算システムはさらに、テスト磁気共鳴画像がレーニング分布内にあることをテスト信号が示している場合、圧縮センシング磁気共鳴イメージング再構築アルゴリズムに従い、アンダーサンプリングされたｋ空間データから再構築された臨床磁気共鳴画像を受け取る。臨床磁気共鳴画像のこの再構築は、計算システムによって実行されてもよく、または計算システムがアンダーサンプリングされたｋ空間データを遠隔もしくはクラウドベースの計算システムに送信して再構築を実行してもよい。
【0018】
この実施形態では、アンダーサンプリングされたｋ空間データからの臨床磁気共鳴画像の再構築は、テスト信号次第である。これは、データに問題がある場合に、臨床磁気共鳴画像の長々しい再構築を回避するために利用され得る。
【0019】
また、これにより、磁気共鳴画像システム等の医用画像システムのオペレータは、長時間にわたる画像再構築が行われる前に、アンダーサンプリングされたｋ空間データが高品質の臨床磁気共鳴画像をもたらす可能性が高いかどうかを検出することも可能になり得る。これにより、例えば、被検者がまだ診療所にいる間により多くのデータを得たり、またはデータを再取得したりすることが可能になり得る。
【0020】
別の実施形態では、圧縮センシング磁気共鳴イメージング再構築アルゴリズムは、画像処理ニューラルネットワークを使用して、反復的に臨床磁気共鳴画像の再構築を生じさせる。これは計算システムによって実行されてもよく、または遠隔もしくはクラウドベースの計算システムに再構築を要求し得る。画像処理ニューラルネットワークは、例ごとに異なる形態を取り得る。例えば、磁気共鳴画像の再構築に通常使用される圧縮センシングアルゴリズムは、データを処理し、データ整合性を反復的に実行する分析アルゴリズムとして定式化される。各反復で中間画像が再構築されてもよい。多くの場合、データ整合性ステップの前に、ノイズ除去フィルタ等のフィルタを使用してこの画像が処理される。画像処理ニューラルネットワークは、例えばノイズ除去フィルタであってもよい。
【0021】
別の実施形態では、画像処理ニューラルネットワークは訓練データのセットを使用して訓練される。この実施形態は、圧縮センシング磁気共鳴イメージング再構築アルゴリズム内で使用される画像処理ニューラルネットワークがどの程度効果的であるかを評価するためにテスト信号を使用できるため、特に有益である。これは、例えば、信頼度スコアのために使用するか、または、圧縮センシング磁気共鳴イメージング再構築アルゴリズムが実際に使用されるべきか、もしくは追加データもしくは追加アルゴリズムが使用されるべきかを制御するために使用できる。
【0022】
別の実施形態では、画像処理ニューラルネットワークは、各反復間の中間画像のノイズを除去するためのノイズ除去フィルタとして構成される。これは、圧縮センシング磁気共鳴イメージング再構築アルゴリズムの各反復である。
【0023】
別の実施形態では、画像処理ニューラルネットワークは画像圧縮アルゴリズムとして機能する。上記したように、圧縮センシングでは、スパース化変換が、閾値処理および逆スパース化と組み合わせて使用される場合がある。これらの動作を組み合わせると、形式的には圧縮アルゴリズムとして機能し、圧縮センシング理論の理論的基礎となる。画像処理ニューラルネットワークが画像圧縮アルゴリズムとして機能するとの記載は、画像処理ニューラルネットワークがスパース化変換、閾値処理、および逆スパース化のうちの１つ以上に使用されることを意味する。例えば、これら全てタスクを同時に実行するようにニューラルネットワークが訓練されてもよい。別の実施形態では、画像処理アルゴリズムも訓練データのセットを使用して訓練される。画像処理ニューラルネットワークを訓練するために、フルサンプリングされたｋ空間データが取得されてもよい。その後、フルサンプリングされたｋ空間データを使用して訓練画像を再構築できる。これは、訓練時のニューラルネットワークの出力に対する基準を提供する。アンダーサンプリングされたｋ空間データは、完全にシミュレートされたｋ空間データを取得し、その一部を削除してアンダーサンプリングされるようにすることでシミュレートできる。アンダーサンプリングされたｋ空間データは、フルサンプリングされたｋ空間データから再構築された画像と組み合わされ得、様々な種類のニューラルネットワークの様々な状況での訓練データとして使用され得る。
【0024】
別の実施形態では、圧縮センシング磁気共鳴イメージング再構築アルゴリズムは、アンダーサンプリングされたｋ空間画像からの臨床磁気共鳴画像の再構築を表す決定できない線形システムの解を見つける数値画像再構築アルゴリズムである。この実施形態では、圧縮センシング磁気共鳴イメージング再構築アルゴリズムはニューラルネットワークを使用せず、従来の圧縮センシング再構築アルゴリズムである。圧縮センシング再構築アルゴリズムの一部を訓練するために訓練データが使用されなかったが、不十分なアンダーサンプリングされたｋ空間データを検出するために分布外テストニューラルネットワークを使用することが依然として可能であるため、この実施形態は有益である可能性がある。例えば、訓練出力画像を生成するために、およびアンダーサンプリングされた合成ｋ空間データを作成するために使用されるフルサンプリングされたｋ空間データから訓練データのセットを構築することが依然として可能である。これはその後、分布外テストニューラルネットワークの訓練に使用できる。測定後のアンダーサンプリングされたｋ空間データに問題があった場合、例えば、被検者が動いた、またはアンダーサンプリングされたｋ空間データの品質を損なう他の事象が生じた等の場合であっても、分布外テストニューラルネットワークはそれを検出する。
【0025】
別の実施形態では、圧縮センシング磁気共鳴画像再構築アルゴリズムは、反復圧縮センシングアルゴリズムの各段階で、アンダーサンプリングされたｋ空間データから臨床磁気共鳴画像を再構築する画像再構築ニューラルネットワークを含む。この例では、フーリエ変換またはアルゴリズムスパース変換等の従来の再構築を使用する代わりに、このタスクを実行する画像再構築ニューラルネットワークが存在する。上記と同様に、画像再構築ニューラルネットワークは、フルサンプリングされたｋ空間データから訓練データを構築することによって訓練され得る。画像再構築ニューラルネットワークの訓練に使用される画像は、分析アルゴリズムを使用してフルサンプリングされたｋ空間データの再構築から取得された画像であり、その後、フルサンプリングされたｋ空間データを取得し、サンプルの一部を削除することによって、合成のアンダーサンプリングされたｋ空間データを取得できる。
【0026】
この例の画像再構築ニューラルネットワークは反復的であってもよく、またはシングルパス再構築アルゴリズムであってもよい。
【0027】
別の実施形態では、分布外テストニューラルネットワークは、訓練データを使用して、敵対的生成ネットワーク内の識別ニューラルネットワークとして訓練される。敵対的生成ネットワークの中には、生成ニューラルネットワークおよび識別ニューラルネットワークが存在する。生成器および識別器は一緒に訓練される。識別ニューラルネットワークは、敵対的生成ネットワークへの人工入力を生成するように訓練される。敵対的生成ネットワークは、生成器からの偽のデータと、正しいまたは現実のデータとの組み合わせを使用して訓練される。敵対的生成ネットワークで分布外テストニューラルネットワークを訓練する利点は、テスト磁気共鳴画像が訓練分布用の画像を表しているか否かの検出が非常に優れたものになることである。
【0028】
別の実施形態では、敵対的生成ネットワークは、ノイズ分布を受け取ることに応答して、シミュレートされた画像を生成する生成ニューラルネットワークを含む。この例では、シミュレートされた画像の生成に使用される生成ニューラルネットワークにベクトルまたはその他のノイズが入力される。次に、シミュレートされた画像および訓練データを使用して、分布外テストニューラルネットワークが訓練される。
【0029】
別の実施形態では、敵対的生成ネットワークは、シミュレートされたテスト画像を受け取ることに応答して、シミュレートされた画像を生成する生成ニューラルネットワークを含む。例えば、生成されたシミュレート画像にノイズベクトルを加える代わりに、アンダーサンプリングされたｋ空間データが生成ニューラルネットワークに入力されてもよい。これには、分布外テストニューラルネットワーク機能をよりロバストかつ正確にするという利点がある可能性がある。
【0030】
別の実施形態では、テスト磁気共鳴画像は、単一のフーリエ変換を使用して、アンダーサンプリングされたｋ空間データから再構築される。この実施形態は、アンダーサンプリングされたｋ空間データが単一のフーリエ変換を使用して再構築されるとき、画像アーティファクトを含むという利点を有する。これらの画像アーティファクトはその後、分布外テストニューラルネットワークよって、および／またはアンダーサンプリングされたｋ空間データが訓練分布内にあるか否かを評価するために使用されるものによって、検出可能である。
【0031】
別の実施形態では、アンダーサンプリングされたｋ空間データは、基準コイルのセットについて収集されたパラレルイメージングｋ空間データである。計算システムは、単一のフーリエ変換を使用して、受信コイル画像のセットのそれぞれについてコイル画像を再構築するように構成されている。テスト磁気共鳴画像は、コイル感度マップのセットを使用して、受信コイルごとのコイル画像を組み合わせることによって再構築される。この実施形態も、各コイルの個々の画像にもアーティファクトが含まれるため、有益である。この場合、各分布外テストニューラルネットワークは、テスト磁気共鳴画像をテストすることによって、全ての受信コイルのセットからのｋ空間データを同時にテストできる。
【0032】
別の実施形態では、メモリはさらに、関心領域からアンダーサンプリングされたｋ空間データを取得するように磁気共鳴イメージングシステムを制御するように構成されたパルスシーケンスコマンドを含む。機械実行可能命令の実行により、計算システムはさらに、磁気共鳴イメージングシステムをパルスシーケンスコマンドを用いて制御することによって、アンダーサンプリングされたｋ空間データを取得する。
【0033】
別の実施形態では、医用システムはさらに磁気共鳴イメージングシステムを含む。
【0034】
別の実施形態では、テスト磁気共鳴イメージングが訓練分布外にあることをテスト信号が示す場合、機械実行可能命令の実行により、計算システムはさらに、警告を提供する。これは、コンピュータのユーザインターフェースを使用して提供される警告であってもよく、または他の音声、視覚、または触覚手段を使用して提供されてもよい。
【0035】
別の実施形態では、機械実行可能命令の実行により、計算システムはさらに、テスト磁気共鳴画像がレーニング分布外にあることをテスト信号が示している場合、アンダーサンプリングされたｋ空間データの再取得を要求する。この部分は、例えば、磁気共鳴イメージングシステムの制御に実装されてもよく、これにより、オペレータは、これが検出された場合に、アンダーサンプリングされたｋ空間データを即座に再取得できるようになる可能性がある。
【0036】
別の実施形態では、テスト磁気共鳴画像が訓練分布外にあることをテスト信号が示す場合、機械実行可能命令の実行により、純粋に数値的な再構築アルゴリズムを使用した臨床磁気共鳴画像の再構築がさらに実行される。この再構築は計算システムによって実行されてもよく、または遠隔もしくはクラウドベースの計算システムによって実行されてもよい。例えば、圧縮センシング再構築にニューラルネットワークが使用されている場合、テスト信号によって示される失敗により、ニューラルネットワークを使用するアルゴリズムの使用を回避できる。したがって本質的に、この実施形態では、テスト信号を使用して、臨床磁気共鳴画像の代替再構築が選択される。
【0037】
別の実施形態では、機械実行可能命令の実行により、コンピュータシステムはさらに、磁気共鳴イメージングシステムを制御して、アンダーサンプリングされたｋ空間データの取得を継続し、以下のステップ、すなわち、被検者の関心領域を表すアンダーサンプリングされたｋ空間データを受け取ること、アンダーサンプリングされたｋ空間データからテスト磁気共鳴画像を再構築すること、および、テスト磁気共鳴画像が訓練分布外である場合、分布外テストニューラルネットワークへのテスト磁気共鳴画像の入力に応答してテスト信号を受け取ることを反復する。この例では、分布外テストニューラルネットワークを使用して、十分なｋ空間データが取得されたかが確認される。例えば、テスト磁気共鳴画像の品質にアーティファクトが多すぎる場合、より多くのｋ空間データを取得するようにシステムが制御され得る。これは繰り返し行われてもよく、磁気共鳴イメージングが訓練分布内にあることをテスト信号が示したとき、プロセスが停止され得る。
【0038】
別の実施形態では、訓練データは、フルサンプリングされたｋ空間データから再構築されたアーティファクトのない磁気共鳴画像と、フルサンプリングされたｋ空間データから再構築されたシミュレートされたアンダーサンプリングされたｋ空間データとを含む。このデータは、例えば、医用画像の再構築において使用されるか、または圧縮センシングアルゴリズム内で使用されるニューラルネットワークの訓練に利用されてもよい。
【0039】
別の実施形態では、分布外テストニューラルネットワークのための訓練データはシミュレートされたアンダーサンプリングされたｋ空間データを含み、シミュレートされたアンダーサンプリングされたｋ空間データは、フルサンプリングされたｋ空間データと、シミュレートされたアンダーサンプリングされたｋ空間データから再構築された、シミュレートされたテスト磁気共鳴画像とから構築される。シミュレートされたアンダーサンプリングされたｋ空間データおよびシミュレートされたアンダーサンプリングされたｋ空間データは、例えば、深層学習を使用して分布外テストニューラルネットワークを直接訓練するために、または上記したように生成適応ネットワークの一部として分布外テストニューラルネットワークを訓練するために使用できる。この場合、フルサンプリングされたｋ空間データから再構築された画像も追加で訓練に使用される。
【0040】
別の側面では、本発明は医用システムの作動方法を提供する。
【0041】
方法は任意選択で、被検者の関連領域を表すアンダーサンプリングされたｋ空間データを受け取るステップを含む。方法はさらに、アンダーサンプリングされたｋ空間データから再構築されたテスト磁気共鳴画像を受け取るステップを含む。方法はさらに、分布外テストニューラルネットワークにテスト磁気共鳴画像を入力することに応じてテスト信号を受け取るステップを含む。テストニューラルネットワークは、テスト磁気共鳴画像を受け取ることに応答してテスト信号を出力する。テスト信号は、テスト磁気共鳴画像が、訓練データのセットによって定義された訓練分布内にあるかを表す。方法はさらに、テスト信号を提供するステップを含む。
【0042】
別の実施形態では、分布外訓練ニューラルネットワークは、訓練データを使用して、敵対的生成ネットワーク内の識別ニューラルネットワークとして訓練される。
【0043】
別の側面では、本発明は、計算システムによって実行される機械実行可能命令を含むコンピュータプログラムを提供する。
【0044】
機械実行可能命令の実行により、計算システムは任意選択でさらに、被検者の関心領域を表すアンダーサンプリングされたｋ空間データを受け取る。機械実行可能命令の実行により、計算システムはさらに、アンダーサンプリングされたｋ空間データからテスト磁気共鳴画像を再構築するか、または受け取る。機械実行可能命令の実行により、計算システムはさらに、テスト磁気共鳴画像を分布外テストニューラルネットワークに入力することに応答して、テスト信号を受け取る。分布外テストニューラルネットワークは、テスト磁気共鳴画像を受け取ることに応答してテスト信号を出力する。テスト信号は、テスト磁気共鳴画像が、訓練データのセットによって定義された訓練分布内にあるかを表す。機械実行可能命令の実行により、計算システムはさらにテスト信号を提供する。
【0045】
組み合わせられる実施形態が相反するものでない限り、本発明の上記実施形態の１つ以上を組み合わせることができる。
【0046】
当業者によって理解されるように、本発明の側面は、装置、方法、またはコンピュータプログラム製品として具現化され得る。したがって、本発明の側面は、完全にハードウェアの実施形態、完全にソフトウェアの実施形態（ファームウェア、常駐ソフトウェア、マイクロコード等を含む）、またはソフトウェア側面およびハードウェア側面を組み合わせた実施形態の形態をとることができる（本明細書では、全てが一般的に「回路」、「モジュール」、または「システム」と称され得る）。さらに、本発明の側面は、コンピュータ実行可能コードが実装された１つ以上のコンピュータ可読媒体によって具現化されるコンピュータプログラム製品の形態をとってもよい。
【0047】
１つまたは複数のコンピュータ可読媒体の任意の組み合わせを利用することができる。コンピュータ可読媒体は、コンピュータ可読信号媒体またはコンピュータ可読記憶媒体であってもよい。本明細書で使用される「コンピュータ可読記憶媒体」とは、計算装置のプロセッサまたは計算システムによって実行可能な命令を格納することができる任意の有形記憶媒体を包含し得る。コンピュータ可読記憶媒体は、コンピュータ可読非一時的記憶媒体とも呼ばれ得る。また、コンピュータ可読記憶媒体は、有形コンピュータ可読媒体とも呼ばれ得る。一部の実施形態では、コンピュータ可読記憶媒体は、計算装置の計算システムによってアクセス可能なデータを格納可能であってもよい。コンピュータ可読記憶媒体の例は、限定はされないが、フロッピーディスク、磁気ハードディスクドライブ、ソリッドステートハードディスク、フラッシュメモリ、ＵＳＢサムドライブ、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、光ディスク、光磁気ディスク、および計算システムのレジスタファイルを含む。光ディスクの例は、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｋｓ）およびＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋｓ）、例えばＣＤ－ＲＯＭ、ＣＤ－ＲＷ、ＣＤ－Ｒ、ＤＶＤ－ＲＯＭ、ＤＶＤ－ＲＷ、またはＤＶＤ－Ｒディスク等を含む。コンピュータ可読記憶媒体という用語は、計算装置がネットワークまたは通信リンクを介してアクセスすることができる様々な種類の記録媒体も指す。例えば、モデム、インターネット、またはローカルエリアネットワークを介してデータが取り出されてもよい。コンピュータ可読媒体に組み込まれるコンピュータ実行可能コードは、限定はされないが、無線、有線、光ファイバケーブル、ＲＦ等、またはこれらの任意の適切な組み合わせを含む任意の適切な媒体を使用して送信することができる。
【0048】
コンピュータ可読信号媒体は、コンピュータ実行可能コードを含む（例えばベースバンド内、または搬送波の一部として）伝播データ信号を含み得る。このような伝播信号は、限定はされないが、電磁気、光学、またはこれらの任意の適切な組み合わせを含む様々な形態のいずれかをとることができる。コンピュータ可読信号媒体は、コンピュータ可読記憶媒体ではなく、命令実行システム、装置、またはデバイスによってまたは関連して使用されるプログラムを通信、伝播、または伝送可能な任意のコンピュータ可読媒体であり得る。
【0049】
「コンピュータメモリ」または「メモリ」は、コンピュータ可読記憶媒体の一例である。コンピュータメモリは、計算システムが直接アクセス可能な任意のメモリである。「コンピュータストレージ」または「ストレージ」は、コンピュータ可読記憶媒体の他の例である。コンピュータストレージは、任意の不揮発性のコンピュータ可読記憶媒体である。一部の実施形態では、コンピュータストレージはコンピュータメモリでもあり得、その逆も可能である。
【0050】
本明細書で使用される「計算システム」とは、プログラム、機械実行可能命令、またはコンピュータ実行可能コードを実行することができる電子コンポーネントを包含する。「計算システム」の例を含む計算システムへの言及は、複数の計算システムまたは処理コアを含む可能性があると解釈されるべきである。計算システムは、例えば、マルチコアプロセッサであってもよい。計算システムは、単一の計算システムに集約された、または複数の計算システム間で分散された複数のプロセッサの集合を指す可能性もある。計算システムという用語は、それぞれが１つ以上のプロセッサまたは計算システムを含む複数の計算装置の集合またはネットワークを意味するとも解釈されるべきである。機械実行可能コードまたは命令は、同じ計算装置に集約された、または複数の計算装置にわたって分散された複数の計算システムまたはプロセッサによって実行され得る。
【0051】
機械実行可能命令またはコンピュータ実行可能コードは、プロセッサまたは他の計算システムに本発明の態様を実行させる命令またはプログラムを含むことができる。本発明の側面の動作を実施するためのコンピュータ実行可能コードは、Ｊａｖａ、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋等のオブジェクト指向プログラミング言語、およびＣ言語のような従来の手続き型プログラミング言語、または同様なプログラミング言語のうちの１つもしくは複数の任意の組み合わせで記述され、機械実行可能命令にコンパイルされ得る。場合によっては、コンピュータ実行可能コードは、高水準言語の形態またはプリコンパイルされた形態であってもよく、オンザフライで機械実行可能命令を生成するインタプリタとともに使用されてもよい。他の例では、機械実行可能命令またはコンピュータ実行可能コードは、プログラム可能な論理ゲートアレイのためのプログラミングの形態であってもよい。
【0052】
コンピュータ実行可能コードは、完全にユーザコンピュータ上で、部分的にユーザコンピュータ上で、スタンドアローンソフトウェアパッケージとして、部分的にユーザコンピュータ上および部分的にリモートコンピュータ上で、または完全にリモートコンピュータまたはサーバ上で実行され得る。後者の場合、リモートコンピュータは、ローカルエリアネットワーク（ＬＡＮ）または広域ネットワーク（ＷＡＮ）を含む任意の種類のネットワークを介してユーザコンピュータに接続され得、または、外部コンピュータに接続が確立されてもよい（例えば、インターネットサービスプロバイダを使用してインターネットを介して）。
【0053】
本発明の側面は、本発明の実施形態に係る方法、装置（システム）、およびコンピュータプログラム製品のフローチャート図および／またはブロック図を参照して説明される。フローチャート、イラスト、および／またはブロック図の各ブロックまたは一群のブロックは、妥当な場合には、コンピュータ実行可能コードの形態でコンピュータプログラム命令によって実施され得ることが理解されよう。相互に矛盾しない場合、異なるフローチャート、イラスト、および／またはブロック図におけるブロックを組み合わせることができることも理解されよう。これらのコンピュータプログラム命令は、汎用コンピュータ、専用コンピュータ、または他のプログラム可能データ処理装置の計算システムに提供されて、機械を形成し得る。コンピュータの計算システムまたは他のプログラム可能データ処理装置を介して実行される命令は、フローチャートおよび／またはブロック図の１つ以上のブロックにおいて特定される機能／動作を実装するための手段を作成する。
【0054】
これらの機械実行可能命令またはコンピュータプログラム命令は、コンピュータ、他のプログラム可能データ処理装置、または他のデバイスを特定の形で機能させることが可能なコンピュータ可読媒体に保存されてもよい。コンピュータ可読媒体に保存された命令は、フローチャートおよび／またはブロック図の１つ以上のブロックにおいて特定される機能／動作を実施する命令を含む製品を生成する。
【0055】
機械実行可能命令またはコンピュータプログラム命令は、コンピュータ、他のプログラム可能データ処理装置、または他のデバイス上にロードされてもよく、コンピュータ、他のプログラム可能装置、または他のデバイス上で一連の動作ステップを実行させることによって、コンピュータ実装プロセスが生成され得る。コンピュータまたは他のプログラム可能装置上で実行される命令は、フローチャートおよび／またはブロック図の１つ以上のブロックにおいて特定される機能／動作を実施するためのプロセスを提供する。
【0056】
本明細書で使用される「ユーザインターフェース」とは、ユーザまたはオペレータがコンピュータまたはコンピュータシステムとインタラクトすることを可能にするインターフェースである。「ユーザインターフェース」は、「ヒューマンインターフェースデバイス」とも称され得る。ユーザインターフェースは、情報またはデータをオペレータに提供し、かつ／または、オペレータから情報またはデータを受け取り得る。ユーザインターフェースは、オペレータからの入力をコンピュータが受け取ることを可能にし得、また、コンピュータからユーザに出力を提供し得る。言い換えれば、ユーザインターフェースは、オペレータがコンピュータを制御または操作することを可能にし得、またインターフェースは、オペレータの制御または操作の効果をコンピュータが表示することを可能にし得る。ディスプレイまたはグラフィカルユーザインターフェース上のデータまたは情報の表示は、情報をオペレータに提供することの一例である。キーボード、マウス、トラックボール、タッチパッド、ポインティングスティック、グラフィックタブレット、ジョイスティック、ゲームパッド、ウェブカム、ヘッドセット、ペダル、ワイヤードグローブ、リモコン、および加速度計を介するデータの受け取りはいずれも、オペレータからの情報またはデータの受け取りを可能にするユーザインターフェース要素の例である。
【0057】
本明細書で使用される「ハードウェアインターフェース」とは、コンピュータシステムの計算システムが外部の計算デバイスおよび／または装置とインタラクトしおよび／または該デバイス／装置を制御することを可能にするインターフェースを包含する。ハードウェアインターフェースは、計算システムが制御信号または命令を外部計算デバイスおよび／または装置に送信することを可能にし得る。ハードウェアインターフェースはまた、計算システムが外部計算デバイスおよび／または装置とデータを交換することを可能にし得る。ハードウェアインターフェースの例としては、限定はされないが、ユニバーサルシリアルバス、ＩＥＥＥ１３９４ポート、パラレルポート、ＩＥＥＥ１２８４ポート、シリアルポート、ＲＳ－２３２ポート、ＩＥＥＥ－４８８ポート、Ｂｌｕｅｔｏｏｔｈ接続、無線ローカルエリアネットワーク接続、ＴＣＰ／ＩＰ接続、イーサネット接続、制御電圧インターフェース、ＭＩＤＩインターフェース、アナログ入力インターフェース、およびデジタル入力インターフェース等がある。
【0058】
本明細書で使用される「ディスプレイ」または「ディスプレイデバイス」とは、画像またはデータを表示するように適合された出力デバイスまたはユーザインターフェースを包含する。ディスプレイは、視覚的、聴覚的、または触覚的なデータを出力し得る。ディスプレイの例としては、限定はされないが、コンピュータモニタ、テレビ画面、タッチスクリーン、触覚電子ディスプレイ、点字スクリーン、
【0059】
ブラウン管（ＣＲＴ）、蓄積管、双安定ディスプレイ、電子ペーパー、ベクトルディスプレイ、フラットパネルディスプレイ、蛍光表示管ディスプレイ（ＶＦ）、発光ダイオード（ＬＥＤ）ディスプレイ、エレクトロルミネセンスディスプレイ（ＥＬＤ）、プラズマディスプレイパネル（ＰＤＰ）、液晶ディスプレイ（ＬＣＤ）、有機発光ダイオードディスプレイ（ＯＬＥＤ）、プロジェクタ、およびヘッドマウントディスプレイ等がある。
【0060】
本明細書では、医用イメージングデータは、被検者を表す断層撮影医用イメージングシステムによって行われた測定の記録として定義される。医用イメージングデータは医用画像に再構築されてもよい。本明細書において、医用画像は、医用イメージングデータ内に含まれる解剖学的データの再構築された２次元または３次元の視覚化として定義される。この視覚化は、コンピュータを用いて実行され得る。
【0061】
本明細書において、ｋ空間データは、磁気共鳴イメージングスキャン中に磁気共鳴装置のアンテナを使用して原子スピンによって放たれる無線周波数信号の測定記録として定義される。磁気共鳴データは、医用断層撮影画像データの一例である。
【0062】
アンダーサンプリングされたｋ空間データは、ナイキスト基準を満たすために必要な量よりも少ないｋ空間データを含むｋ空間データとして定義される。
【0063】
本明細書において、磁気共鳴イメージング（ＭＲＩ）画像またはＭＲ画像は、磁気共鳴イメージングデータ内に含まれる解剖学的データの再構築された２次元または３次元の視覚化として定義される。この視覚化は、コンピュータを用いて実行され得る。
【図面の簡単な説明】
【0064】
以下、本発明の単なる例に過ぎない好ましい実施形態について、以下の図面を参照しながら説明する。
【0065】
【発明を実施するための形態】
【0066】
図面における同様の番号を有する要素は、等価な要素であるか、または同じ機能を果たす。前に説明された要素は、機能が同等であれば、後の図面では必ずしも説明されない。
【0067】
図１は医用システム１００の例を示す。医用システムは、コンピュータ１０２を含むものとして示されている。コンピュータ１０２は、１つ以上の計算デバイスを表すことを意図している。コンピュータ１０２は、例えば、磁気共鳴イメージングシステムの制御システムの一部として磁気共鳴イメージングシステムに統合され得る。他の例では、コンピュータ１０２は、画像を遠隔で再構築するために使用される遠隔コンピュータシステムであってもよい。例えば、コンピュータ１０２は、放射線科のサーバであってもよいし、またはクラウド計算システム内の仮想コンピュータシステムであってもよい。
【0068】
コンピュータ１０２はさらに、コンピュータシステム１０４を含むものとして示されている。計算システム１０４は、１つ以上の場所に配置された１つ以上のプロセッサもしくは処理コア、または他の計算システムを表すことを意図している。計算システム１０４は、任意選択のインターフェース１０６に接続されているものとして示されている。任意選択のハードウェアインターフェース１０６は、例えば、計算システム１０４が磁気共鳴イメージングシステム等の他の構成要素を制御することを可能にし得る。
【0069】
計算システム１０４はさらに、例えば、オペレータが医用システム１００を制御および操作することを可能にし得る任意選択のユーザインターフェース１０８に接続されているものとして示されている。計算システム１０４はさらに、メモリ１１０に接続されているものとして示されている。メモリ１１０は、計算システム１０４に接続され得る様々な種類のメモリを表すことを意図している。
【0070】
メモリは、機械実行可能命令１２０を含むものとして示されている。機械実行可能命令１２０は、計算システム１０４が、他の構成要素を制御すること、および様々なデータおよび画像処理タスクを実行する等のタスクを実行することを可能にする。メモリ１１０はさらに、分布外テストニューラルネットワーク１２２を含むものとして示されている。分布外テストニューラルネットワーク１２２は、テスト磁気共鳴画像１２６を受信し、それに応答してテスト信号を提供するように構成されている。あるいは、分布外テストニューラルネットワークは、遠隔またはクラウドベースの計算システム上に配置されてもよい。
【0071】
メモリ１１０はさらに、ｋ空間データ１２４を含むものとして示されている。これは、磁気共鳴イメージングシステムを使用して取得されたｋ空間データ１２４である。メモリ１１０はさらに、ｋ空間データ１２４から再構築されたテスト磁気共鳴画像１２６を含むものとして示されている。これは、例えば、磁気共鳴イメージングプロトコルに従ってフーリエ変換を使用して行うことができる。ｋ空間データ１２４は、アンダーサンプリングされたｋ空間データ１２４である。アンダーサンプリングされるということは、ｋ空間データがナイキスト基準を満たしていないことを意味する。アンダーサンプリングされたｋ空間データ１２４がテスト磁気共鳴画像１２６に再構築された場合、テスト磁気共鳴画像１２６は、アンダーサンプリングに起因する歪みやノイズ等の画像アーティファクトを含む。分布外テストニューラルネットワーク１２２は、例えば、画像分類ニューラルネットワークであってもよい。分布外テストニューラルネットワーク１２２は、アンダーサンプリングされたｋ空間データ１２４が、訓練データのセットによって定義される訓練分布内にあるかを認識するように訓練され得る。本明細書で使用される訓練データは、ニューラルネットワークを訓練するために使用され得るデータを含む。したがって、訓練データは、ニューラルネットワークへの入力と、分布外テストニューラルネットワーク１２２の出力と比較可能な訓練出力または訓練テスト信号とを提供する。
【0072】
メモリ１２８はさらに、分布外テストニューラルネットワーク１２２への入力としてテスト磁気共鳴画像１２６を入力することに応じて受信されたテスト信号１２８を含むものとして示されている。テスト信号１２８は、テスト磁気共鳴画像１２６が訓練分布に含まれるか否かを示す確率を示すまたは提供するために使用され得る。
【0073】
メモリ１１０は、任意選択の圧縮センシング磁気共鳴イメージング再構築アルゴリズム１３０を含むものとして示されている。これは、圧縮センシングアルゴリズムに従って、アンダーサンプリングされたｋ空間データ１２４から臨床磁気共鳴画像１３２を再構築するために使用されるアルゴリズムである。圧縮センシング磁気共鳴イメージング再構築アルゴリズム１３０は、ニューラルネットワークを使用しない従来のものであってもよいし、または、圧縮センシング磁気共鳴イメージング再構築アルゴリズムに組み込まれた様々な種類のニューラルネットワークであってもよい。一部の例では、圧縮センシング磁気共鳴イメージング再構築アルゴリズム１３０のニューラルネットワーク構成要素を訓練するために使用されるデータは、分布外テストニューラルネットワーク１２２を訓練するために使用されたのと同じ訓練データのセットによって定義される訓練分布を使用して訓練される。
【0074】
一部の例では、分布外テストニューラルネットワーク１２２は、ＧＡＮネットワークで訓練された。分布外テストニューラルネットワーク１２２は、ＧＡＮネットワーク内の識別器（ｄｉｓｃｒｉｍｉｎａｔｏｒ）だった。ＧＡＮネットワークの識別器を分布外テストニューラルネットワーク１２２として使用することは、アンダーサンプリングされたｋ空間データ１２４が訓練分布に含まれるかの検出においてはるかにロバストかつ効果的であるという技術的利点を有し得る。
【0075】
図２は、図１の医用システム１００の作動方法を示すフローチャートを示す。方法およびシステムは、計算システム１０４によって実行されるステップを示す。あるいは、画像再構築、および／または分布外テストニューラルネットワークの使用は、遠隔またはクラウドベースの計算システム上で実行されてもよい。まず、ステップ２００において、任意選択で、アンダーサンプリングされたｋ空間データ１２４が受信される。アンダーサンプリングされたｋ空間データ１２４は、磁気共鳴イメージング検査中の被検者の関心領域を表す。次に、ステップ２０２において、アンダーサンプリングされたｋ空間データ１２４からテスト磁気共鳴画像１２６が再構築されるか、または事前に再構築されたテスト磁気共鳴画像１２６が受け取られる。再構築はフーリエ変換を使用して実行されてもよい。次に、ステップ２０４において、布外テストニューラルネットワーク１２２への入力としてテスト磁気共鳴画像１２６を入力することに応じてテスト信号１２８が受信される。まず、ステップ２０６において、テスト信号１２８が提供される。これは様々な目的に使用され得る。例えば、一部の例では、テスト信号１２８は確率であり得る。この場合、テスト信号は信頼度に類似したものとして使用できる。したがって、テスト信号は、後の臨床磁気共鳴画像１３２を表すデータまたはメタデータに付加されてもよい。他の例では、テスト信号１２８を使用して、再構築および／または磁気共鳴イメージングの挙動を制御することができる。例えば、テスト信号１２８が、アンダーサンプリングされたｋ空間データ１２４が訓練分布内にないことを示す場合、異なる再構築アルゴリズムを使用すること、またはより多くのアンダーサンプリングされたｋ空間データ１２４を再取得もしくは取得することが有益であり得る。
【0076】
図３は、医用システム３００のさらなる例を示す。図３に示される医用システム３００は、計算システム１０４によって制御される磁気共鳴イメージングシステム３０２を追加で含むことを除いて、図１の医用システム１００と同様である。
【0077】
磁気共鳴イメージングシステム３０２は磁石３０４を有する。磁石３０４は、自身を貫通するボア３０６を有する超伝導円筒形磁石である。異なる種類の磁石の使用も可能である。例えば、分割円筒形磁石といわゆるオープン磁石の両方を使用することも可能である。分割円筒形磁石は、標準的な円筒形磁石に類似しているが、磁石のアイソ面（ｉｓｏ－ｐｌａｎｅ）へのアクセスを可能にするために、クライオスタットが２つの部分に分割されている点で異なり、このような磁石は、例えば荷電粒子ビーム療法と併用され得る。オープン磁石は２つの磁石部分を有し、一方が、その間に被検者を収容するのに十分なスペースを与えるよう、他方の上方に位置し、２つの部分の配置はヘルムホルツコイルの配置と似ている。被検者がより閉塞されないため、オープン磁石は人気がある。円筒形磁石のクライオスタットの内部には、超伝導コイルの集合体がある。
【0078】
円筒形磁石３０４のボア３０６内には、磁気共鳴イメージングを行うのに十分に強く均一な磁場が存在するイメージングゾーン３０８が存在する。イメージングゾーン３０８内には関心領域３０９が示されている。磁気共鳴データは、典型的には、関心領域について取得される。被検者３１８は、被検者３１８の少なくとも一部がイメージングゾーン３０８および関心領域３０９内にあるように被検者支持体３２０によって支持されているように示されている。
【0079】
また、磁石のボア３０６内には、磁石３０４のイメージングゾーン３０８内の磁気スピンを空間的に符号化するために予備磁気共鳴データ取得に使用される磁場勾配コイル３１０のセットが存在する。磁場勾配コイル３１０は、磁場勾配コイル電源３１２に接続されている。磁場勾配コイル３１０は代表的なものであることを理解されたい。典型的には、磁場勾配コイル３１０は、３つの直交する空間方向において空間符号化するための別個のコイルセットを３つ含む。磁場勾配電源は、磁場勾配コイルに電流を供給する。磁場勾配コイル３１０に供給される電流は、時間の関数として制御され、傾斜をつけられたり、またはパルス化され得る。
【0080】
イメージングゾーン３０８の隣には、イメージングゾーン３０８内の磁気スピンの向きを操作するための、およびイメージングゾーン３０８内のスピンから無線信号を受信するための無線周波数コイル３１４が存在する。無線周波数アンテナは、複数のコイル要素を含み得る。また、無線周波数アンテナは、チャネルまたはアンテナと呼ばれ得る。無線周波数コイル３１４は、無線周波数送受信機３１６に接続される。無線周波コイル３１４および無線周波数送受信機３１６は、別個の送信コイルおよび受信コイルと、別個の送信機および受信機とによって置き換えられてもよい。無線周波数コイル３１４および無線周波数送受信機３１６は代表的なものであることを理解されたい。また、無線周波数コイル３１４は、専用送信アンテナおよび専用受信アンテナも表すことが意図されている。同様に、送受信機３１６は、別個の送信機および受信機も表し得る。無線周波数コイル３１４はまた、複数の受信／送信要素を有してもよく、無線周波数送受信器３１６は、複数の受信／送信チャネルを有してもよい。例えば、ＳＥＮＳＥ等のパラレルイメージング技術が実行される場合、無線周波数コイル３１４は複数のコイル要素を有する。
【0081】
送受信機３１６および勾配コントローラ３１２は、コンピュータシステム１０２のハードウェアインターフェース１０６に接続されているものとして示されている。
【0082】
メモリ１１０は、さらに、複数のパルスシーケンスコマンド３３０を含むものとして示されている。パルスシーケンスコマンド３３０は、関心領域３０９からアンダーサンプリングされたｋ空間データ１２４を取得するように磁気共鳴イメージングシステム３０２を制御するように構成されたコマンド、またはそのようなコマンドに変換可能なデータであり得る。
【0083】
図４は、図３の医用システム３００の動作方法を示すフローチャートを示す。まず、ステップ４００、において、パルスシーケンスコマンド３３０を用いて磁気共鳴イメージングシステム３０２が制御され、アンダーサンプリングされたｋ空間データ１２４が取得される。次に、図２に示すように、方法はステップ２００、２０２、２０４、２０６、および２０８に進む。
【0084】
圧縮センシング磁気共鳴イメージング（ＣＳ－ＭＲＩ）では、画像をより速く取得するためにｋ空間のアンダーサンプリングが実行され、これにより、４つの目標（ｑｕａｄｒｕｐｌｅ ａｉｍ）の全てのＫＰＩが向上する。しかし、加速率が高すぎると、このようなアンダーサンプリングされたデータの再構築の結果、品質が低下し、アーティファクトが大量に発生する可能性がある。深層学習ベースのアルゴリズムは、再構築エラーを低減するのに効果的であることが証明されており、より高いアンダーサンプリングレートを可能にする。
【0085】
しかし、これまで見たことのないデータに対する制御の欠如およびほとんど予測不能な挙動は、従来のアルゴリズムと比較したＡＩの主な欠点の１つである。処理されるデータが訓練に使用されるデータとあまりにもかけ離れている場合（分布外ＯＯＤ）、医用画像アプリケーション向けの深層学習ソリューションが現実的なアーティファクトを生成する可能性があることがしばしば確認されている。したがって、ＡＩを利用したシステムのユーザは、間違いを見つけて修正することができなかったり、難しいまたは曖昧な症状ではシステムの使用を回避したりする可能性がある。この問題により、ニューラルネットワークを用いた実験と、それらを現実世界のタスクに実際に適用したものとの間には大きなギャップが生じる。
【0086】
実施形態は、敵対的に訓練された可能性がある識別モデル（分布外テストニューラルネットワーク１２２）を使用して、深層学習システムへの新しい入力が訓練データに十分に類似しているかどうかを推定する手段を提供することができる。敵対的生成ネットワーク（ＧＡＮ）のよく知られた識別器の特性を利用して、訓練データの分布を学習し、それがＯＯＤ推定に適用される。使用時、モデルはテスト信号１２８を提供し、テスト信号１２８は、オブジェクトが訓練分布に属する確率を提供するか、または二分決定を直接提供し得る。さらに、これを知ることにより、再構築プロセスに余分な時間および計算能力を費やすことなく、アンダーサンプリングされたデータの再構築の実現可能性を判断することが可能になる。したがって、本発明は、実際の環境における深層学習ソリューションの適用を可能および容易にする。
【0087】
例では、ゼロ埋め画像（ｚｅｒｏ ｆｉｌｌｅｄ ｉｍａｇｅ）が分布内にあるか分布外にあるかを区別するための識別モデルが提供され得る。そのために、発明者らは、敵対的生成ネットワーク（ＧＡＮ）のよく知られた識別器の特性を利用して、訓練データの分布を学習し、それをＯＯＤ推定に適用することを提案する。
【0088】
このような手法により、いくつかの問題が解決される。第１に、再構築、または再構築ネットワークの特徴が、アンダーサンプリングされたオブジェクトの分布と何らかの関係を有すると仮定されているが、実際にはこれはほとんど当てはまらない。第２に、両方の方法が、Ａｄａｐｔｉｖｅ ＣＳ－Ｎｅｔ等の再構築ネットワークのための１つ以上のフォワードパスを必要とし、これは、高い計算コストを要求する可能性がある。ゼロ埋め画像を直接処理すると、これらの要件が解放され、ＯＯＤ推定が計算的に実行可能になり、かつより解釈しやすくなる。
【0089】
最も簡単に言えば、ＧＡＮは、現実的なゼロ埋め画像（偽のテスト磁気共鳴画像５０８）を生成するために使用される。ＯＯＤスコアリングメカニズムとして、ＧＡＮの識別器（分布外テストニューラルネットワーク１２２）を採用する。次の段落では、一般的な概念を伝えるための簡略化された手法が示される。後の段落において、より高度かつ強力な生成メカニズムを示す。
【0090】
初期設定では、ＧＡＮは正規分布または一様分布を使用してノイズベクトルｚをサンプリングし、深層ニューラルネットワーク生成器Ｇを利用して画像Ｇｏｕｔを作成する。識別器Ｄは、識別器入力が本物であるか生成されたものであるかを区別するために追加される。この場合では、Ｇｏｕｔは再構築されたものではなく、ゼロ埋め画像であることに留意されたい。したがって、識別器の出力である値ｐＤは、入力が、訓練分布内に存在するゼロ埋め画像の現実的な表現である確率を推定する。訓練時間中、Ｄは訓練データのみを本物として認識するため、訓練分布からのオブジェクト、すなわち再構築モデルの訓練に使用されるゼロ埋め画像と、他の分布からのオブジェクトとを区別することを暗黙的に学習する。したがって、発明者らは、入力のＯＯＤスコアを計算するための方法として識別器Ｄおよびその出力ｐＤを使用することを提案する。
【0091】
よって、基本システムは次の要素のうちの１つ以上を含み得る。
ｚ－正規分布または一様分布からサンプリングされたノイズベクトル
Ｇ－ｚから現実的なゼロ埋め画像を作成する生成器モデル
Ｇｏｕｔ－再構築モデルＧの出力、すなわち現実的なゼロ埋め画像
ｐＤ－識別器ネットワークＤの入力が現実の（生成されていない）オブジェクトである確率
Ｌｄ－識別モデルＤの損失。生成モデルＧの損失項としても使用される
アンダーサンプリングされた画像（ＵＩ）－フルサンプリングされたｋ空間と初期バイナリアンダーサンプリングマスクとの要素ごとの乗算結果の逆高速フーリエ変換（ｉＦＦＴ）
ｚ－正規分布または一様分布からサンプリングされたノイズベクトル
Ｇ－ｚから現実的なゼロ埋め画像を作成する生成器モデル
Ｇｏｕｔ－再構築モデルＧの出力、すなわち現実的なゼロ埋め画像
ｐＤ－識別器ネットワークＤの入力が現実の（生成されていない）オブジェクトである確率
Ｌｄ－識別モデルＤの損失。生成モデルＧの損失項としても使用される
アンダーサンプリングされた画像（ＵＩ）－フルサンプリングされたｋ空間と初期バイナリアンダーサンプリングマスクとの要素ごとの乗算結果の逆高速フーリエ変換（ｉＦＦＴ）
【0092】
図５は、分布外テストニューラルネットワーク１２２を訓練する１つの方法を示す。図５は、生成ニューラルネットワーク５０２および識別ニューラルネットワーク５０４を備えた敵対的生成ニューラルネットワーク５００を示す。この場合では、識別ニューラルネットワーク５０４は分布外テストニューラルネットワーク１２２である。生成ニューラルネットワーク５０２は、ノイズベクトル５０６を受信し、偽のテスト磁気共鳴画像５０８を出力するように構成されている。偽のテスト磁気共鳴画像５０８は識別器５０４に入力される。訓練中は、画像５０８が本物であるか否かが分かる。識別器５０４が誤って推測した場合、識別器が訓練される。生成ニューラルネットワーク５０２が識別器１２２を騙すことができなかった場合、生成ニューラルネットワークが訓練される。訓練中、生成器５０２と識別器５０４の両方が共に改善される。識別器５０４の訓練には現実のデータも使用される。この場合、訓練テスト磁気共鳴画像５１０は、フルサンプリングされたｋ空間データ５１２から構築される。マスク５１３は、フルサンプリングされたｋ空間データ５１２の一部を除去することによって、シミュレートされたアンダーサンプリングされたｋ空間データ５１４を構築するために使用される。次いで、これはフーリエ変換され、訓練テスト磁気共鳴画像５１０が生成される。訓練中、識別器５０４は、訓練テスト磁気共鳴画像５１０および偽のテスト磁気共鳴画像５０８の両方を使用してテストされ得る。フルサンプリングされたｋ空間データ５１２は、シミュレートされたアンダーサンプリングされたｋ空間データ５１４を構築するために使用される。結果として得られる画像５１０によって表される空間、およびシミュレートされたアンダーサンプリングされたｋ空間データ５１４は、訓練データのセットによって定義される訓練分布を表す。この場合の訓練データは、シミュレートされたアンダーサンプリングされたｋ空間データ５１４と、それらから展開された訓練テスト磁気共鳴画像５１０のペアである。フルサンプリングされたｋ空間データ５１２は、臨床磁気共鳴画像を生成するための圧縮センシング再構築アルゴリズムに組み込まれ得るニューラルネットワーク等の他のニューラルネットワークの訓練データを構築するために使用され得る。
【0093】
まず、生成畳み込みニューラルネットワークＧは、正規分布または一様分布からノイズベクトルｚを受け取る。Ｇの目標は、現実的なゼロ埋め画像を生成し、識別畳み込みニューラルネットワークＤ１２２を騙すことである。ＧはＧｏｕｔ５０８を生成し、Ｇｏｕｔ５０８はＵＩとともにＤ１２２に送られる。Ｄ１２２の目標は、現実のＵＩ５１０をＧからの偽物５０８から正確に区別することである。ＤはｐＤを出力し、これは、Ｇｏｕｔが本物である確率として解釈できる。その後、ｐＤはバイナリ出力に変換されてもよい。Ｄ１２２は、ＬＤを最小化することによって正しい出力を予測することを学習する。ＬＤは、バイナリクロスエントロピー等、任意の分類損失であり得る。ＧもＬＤから情報を収集するが、Ｄ１２２とは対照的に、その目標はＬＤを最大化することである。したがって、Ｇ５０２とＤ１２２は、敵対的ミニマックス問題を解決するために交互に最適化される。
【数1】
【0094】
図６は、分布外テストニューラルネットワーク１２２の使用を示す。この図では、部分的ｋ空間はアンダーサンプリングされたｋ空間データ１２４である。次いで、これはフーリエ変換され、テスト磁気共鳴画像１２６が生成される。これは、図５のＧＡＮ５００内の識別器として訓練される分布外テストニューラルネットワーク１２２に入力される。これにより、テスト信号１２８が出力される。この例では、テスト信号１２８は離散した０または１である。他の場合には、生成される確率であり得る。図６は、これまでに見たことのないデータのＯＯＤ推定のために識別モデルをどのように使用できるかを示している。
【0095】
部分的にサンプリングされたｋ空間がｉＦＦＴを使用して画像に変換され、Ｄに送られる。一実施形態では、ｐＤは、入力データが分布内である確率の推定として使用することができる。別の実施形態では、閾値関数を使用してｐＤをバイナリ出力に変換して、データが訓練分布に属するか否かの答えを直接得ることができる。さらに、これらの値は、ＡＩベースのソリューションを拒否して従来のソリューションに戻るために使用されたり、または、再構築が不正確である可能性があることをユーザに通知してデータの再取得を提案したりするために使用され得る。
【0096】
提案されるシステムは問題を解決するが、実際には、ＧＡＮの訓練を特徴付ける問題、すなわちモード崩壊および非収束に悩まされる可能性がある。１つ目のケースでは、監視が全くないこのシステムは、Ｇが限られた種類のサンプルを生成する局所的な最小値に容易に到達する可能性がある。このため、識別器が良好に一般化することができない。２つ目のケースでは、モデルパラメータが振動し、不安定になり、決して収束しない。これらの潜在的な問題を排除するために、訓練中の自己監視の１つの形式を以下に述べる。提案される基本アプローチに次の構成要素が追加される。
欠落情報（ｍｉｓｓｉｎｇ ｉｎｆｏｒｍａｔｉｏｎ）画像（ＭＩＩ）－フルサンプリングされたｋ空間と、逆初期バイナリアンダーサンプリングマスクとの要素ごとの乗算結果のｉＦＦＴ
Ｌｇ－再構築モデルＧの損失関数。ＧｏｕｔとＵＩとの間の距離として計算される。
欠落情報（ｍｉｓｓｉｎｇ ｉｎｆｏｒｍａｔｉｏｎ）画像（ＭＩＩ）－フルサンプリングされたｋ空間と、逆初期バイナリアンダーサンプリングマスクとの要素ごとの乗算結果のｉＦＦＴ
Ｌｇ－再構築モデルＧの損失関数。ＧｏｕｔとＵＩとの間の距離として計算される。
【0097】
図７は、分布外テストニューラルネットワーク１２２を訓練するために使用できる代替の敵対的生成ニューラルネットワーク７００を示す。この例は、生成器５０２にランダムベクトルまたはノイズベクトルが入力されず、代わりに欠落情報画像７０２が使用される点で異なる。これは、サンプリングを異なるアンダーサンプリングパターンに変更するか、またはデータが不完全になるように一部のデータを欠落させることができる代替のマスク７０３を使用して、フルサンプリングされたｋ空間データ５１２から構築された画像である。次に、この欠落情報画像７０２は生成ニューラルネットワークに入力され、偽のテスト磁気共鳴画像５０８を生成するために使用される。そして、偽のテスト磁気共鳴画像５０８およびアンダーサンプリングされた画像７０６から、損失関数７０４が構築される。アンダーサンプリングされた画像７０６は、アンダーサンプリングされたｋ空間データ５１２と、テスト磁気共鳴画像５１０を構築するために使用されたのと同じマスク５１３とから作成される。フルサンプリングされたｋ空間データ５１２およびマスク５１３を使用して、シミュレートされたアンダーサンプリングされたｋ空間データ５１４が提供される。これはその後フーリエ変換され、アンダーサンプリングされた画像７０６が生成される。
【0098】
この例は、訓練中に現実的な偽のテスト磁気共鳴画像５０８を非常に迅速に生成し、分布外テストニューラルネットワーク１２２が非常に効果的に訓練されるため、有益である可能性がある。
【0099】
図７は、変更された訓練手順の概要を示す。まず、生成畳み込みニューラルネットワークＧ５０２が入力としてＭＩＩ７０２を受け取る。その目標はやはり、現実的なゼロ埋め画像５０８を生成し、Ｄ１２２を騙すことである。しかしここでは、Ｌｄを最大化することによってだけではなく、ＵＩとモデルＧｏｕｔの出力との間のＬｇの最小化も行うことによってそれを行うことを学習する。実際には、Ｌｇは、Ｌ１、ＳＳＩＭ、ＭＳ－ＳＳＩＭ、またはこれらの組み合わせ等のｉｍａｇｅ－ｔｏ－ｉｍａｇｅタスクの任意の損失であり得る。次に、ＧｏｕｔがＵＩとともにＤ１２２に送られる。Ｄ１２２の目標は、現実のＵＩをＧ５０２からの偽物から正確に区別することである。なお、これは、モデルがノイズベクトルｚからサンプリングする上記の基本アプローチと非常に似ている。この場合、生成器がより強力なプリコンディショナによって置き換えられる。
【0100】
なお、これは強力で実行可能なソリューションであるが、他の生成器が採用されてもよい。
【0101】
ネットワークＧ５０２およびＤ１２２は、敵対的システムとして（２）を使用して訓練されるが、ＯＯＤスコアを推定するための評価時間中はＤのみが使用される。このシステムはＡｄａｐｔｉｖｅ ＣＳ－Ｎｅｔと同じ問題を解決し、識別ネットワークＤ１２２が追加されているだけであるように見える可能性がある。実際にはその逆を実行する。標準的な画像再構築モデルは、アンダーサンプリングされた画像ＵＩの復元を試みる。発明者らによるネットワークＧは、十分な識別モデルを訓練するために不可欠である、欠落情報画像を復元する。
【数2】
【0102】
例は、以下の利点のうちの１つ以上を提供し得る。
【0103】
方法は、入力データが再構築チェーンを通過する前に、入力データに対して直接使用されてもよい。これにより、応答時間が短縮され、計算負荷が軽減される可能性がある。
【0104】
提案されるシステムの品質は、加速率の増加とともに高くなる。アンダーサンプリングの程度を大きくすることにより、ＭＩＩに含まれる情報量が増加し、これにより、敵対的システムの訓練が容易になり、評価中の安定性が高まる。
【0105】
ＧＡＮの識別モデルが訓練データの分布を学習することを形式的に示すことができる。したがって、その作業の結果は、訓練分布に属するテストサンプルの直接的な推定である。
【0106】
例は、敵対的に訓練された識別モデルを使用して、深層学習システムへの新しい入力が訓練データに十分に類似しているかどうかを推定するために使用される可能性がある。敵対的生成ネットワーク（ＧＡＮ）のよく知られた識別器の特性を利用して、訓練データの分布を学習し、それがＯＯＤ推定に適用される。この特性を使用することにより、再構築プロセスに余分な時間および計算能力を費やすことなく、アンダーサンプリングされたデータの再構築の実現可能性を判断することができる。
【0107】
それぞれ、ｉｍａｇｅ－ｔｏ－ｉｍａｇｅタスクおよびバイナリ分類タスクを解決できる畳み込みニューラルネットワークであることを除いて、Ｇ５０２のアーキテクチャおよびＤ１２２のアーキテクチャは制限されない。ただし、Ａｄａｐｔｉｖｅ－ＣＳ－Ｎｅｔ等、アンダーサンプリングされたＭＲデータの再構築のための最先端モデルをＧ５０２に使用すると、システムの全体的な品質および信頼性が大幅に向上する可能性がある。
【0108】
例では、分布外テストニューラルネットワーク（Ｇ５０２）は、様々な種類のニューラルネットワークを使用して実装され得る。例えば、ＲｅｓＮｅｔ、ＤｅｎｓｅＮｅｔ、または画像分類用に構成された基本的なＣＮＮが効果的に使用され得る。
【0109】
生成ニューラルネットワーク（Ｄ１２２）は、様々な種類のニューラルネットワークを使用して実装され得る。一般に、画像処理用に構成されたニューラルネットワークが効果的に使用され得る。例えば、Ｕ‐ｎｅｔ等の画像処理ニューラルネットワークが使用されてもよい。
【0110】
Ｄ１２２からの出力は、ビジネスニーズや、再構築システムの全体的設計に応じて、様々な方法で使用できる。一実施形態では、入力データが分布内に存在する確率の直接推定としてｐＤ∈［０，１］を使用することができる。これは、ＡＩベースのソリューションを拒否して従来のソリューションに戻るか、またはデフォルトの深層学習モデルを続行するかを判断するために、「そのまま」ユーザに提供されてもよい。別の実施形態では、判断を実行する別のスマートシステムによってｐｄの値が使用され得る。別の実施形態では、Ｄのバイナリ出力をすぐに使用することができる。この場合、モデルが訓練中に学習した閾値が適用される。
【0111】
一部の例は、加速されたＭＲスキャンの再構築用のＡＩ／深層学習ベースのモデルを検証するために適用されてもよい。この場合、手法は以下のようになる。
【0112】
訓練時間：
訓練データ（フルサンプリングされた生のＭＲデータセット（フルサンプリングされたｋ空間データ））を収集する。
ｉＦＦＴとともに逆アンダーサンプリングマスクを初期データに適用して入力データ（ＭＩＩ）を生成する。
ｉＦＦＴとともにアンダーサンプリングマスクを初期データ（ＵＩ）に適用する
ＭＩＩおよびＵＩを使用して（１）を解くようにネットワークＧおよびＤを訓練する。
Ｄを本番環境にデプロイする。
システム使用時間：
所望のレベルのアンダーサンプリングで患者をスキャンして入力データを取得する。
ｐｄと、Ｄのバイナリ出力とを計算する。
ｐｄとＤのバイナリ出力とを利用して、ＡＩの出力（ＯＯＤまたは非ＯＯＤ）を検証する。
入力データ（テスト磁気共鳴画像１２６）が（テスト信号１２８によって）ＯＯＤではないと分類された場合は、何もしない。そうでない場合は、以下から１つ以上のステップを選択する。
ＯＯＤ問題の影響を受けない他のアルゴリズムに戻る（圧縮ＳＥＮＳＥ）。
ユーザまたはメーカーに問題を通知する。
ＭＲ取得のための再スキャン等の修正措置を講じる。
訓練データ（フルサンプリングされた生のＭＲデータセット（フルサンプリングされたｋ空間データ））を収集する。
ｉＦＦＴとともに逆アンダーサンプリングマスクを初期データに適用して入力データ（ＭＩＩ）を生成する。
ｉＦＦＴとともにアンダーサンプリングマスクを初期データ（ＵＩ）に適用する
ＭＩＩおよびＵＩを使用して（１）を解くようにネットワークＧおよびＤを訓練する。
Ｄを本番環境にデプロイする。
システム使用時間：
所望のレベルのアンダーサンプリングで患者をスキャンして入力データを取得する。
ｐｄと、Ｄのバイナリ出力とを計算する。
ｐｄとＤのバイナリ出力とを利用して、ＡＩの出力（ＯＯＤまたは非ＯＯＤ）を検証する。
入力データ（テスト磁気共鳴画像１２６）が（テスト信号１２８によって）ＯＯＤではないと分類された場合は、何もしない。そうでない場合は、以下から１つ以上のステップを選択する。
ＯＯＤ問題の影響を受けない他のアルゴリズムに戻る（圧縮ＳＥＮＳＥ）。
ユーザまたはメーカーに問題を通知する。
ＭＲ取得のための再スキャン等の修正措置を講じる。
【0113】
本発明は、図面および上記において詳細に図示および記載されているが、かかる図示および記載は説明的または例示的であり、非限定的であると考えられるべきである。本発明は、開示の実施形態に限定されない。
【0114】
図面、開示、および添付の特許請求の範囲から、開示の実施形態の他の変形例が、クレームされる発明を実施する当業者によって理解および実現され得る。特許請求の範囲において、「備える」や「含む」という用語は他の要素またはステップを排除するものではなく、単数形の要素は複数を除外しない。単一のプロセッサまたは他のユニットが、請求項に記載される複数のアイテムの機能を果たし得る。複数の手段が互いに異なる従属請求項に記載されているからといって、これらの手段の組み合わせが好適に使用することができないとは限らない。コンピュータプログラムは、他のハードウェアと共にまたは他のハードウェアの一部として供給される光学記憶媒体またはソリッドステート媒体等の適切な媒体上で記憶および／または分配されてもよいし、インターネットまたは他の有線もしくは無線テレコミュニケーションシステムを介して等の他の形態で分配されてもよい。特許請求の範囲内のいかなる参照符号も、その範囲を限定するものと解釈されるべきではない。
【符号の説明】
【0115】
１００ 医用システム
１０２ コンピュータ
１０４ 計算システム
１０６ 任意選択のハードウェアインターフェース
１０８ 任意選択のユーザインターフェース
１１０ メモリ
１２０ 機械実行可能命令
１２２ 分布外テストニューラルネットワーク
１２４ アンダーサンプリングされたｋ空間データ
１２６ テスト磁気共鳴画像
１２８ テスト信号
１３０ 圧縮センシング磁気共鳴イメージング再構築アルゴリズム
１３２ 臨床磁気共鳴画像
２００ 被検者の関連領域を表すアンダーサンプリングされたｋ空間データを受け取る
２０２ アンダーサンプリングされたｋ空間データからテスト磁気共鳴画像を再構築する
２０４ 分布外テストニューラルネットワークにテスト磁気共鳴画像を入力することに応じてテスト信号を受け取る
２０６ テスト信号を提供する
２０８ テスト磁気共鳴画像が訓練分布内にあることをテスト信号が示している場合、圧縮センシング磁気共鳴イメージング再構築アルゴリズムを使用して、アンダーサンプリングされたｋ空間データから臨床磁気共鳴画像を再構築する
３００ 医用システム
３０２ 磁気共鳴イメージングシステム
３０４ 磁石
３０６ 磁石のボア
３０８ イメージングゾーン
３０９ 関心領域
３１０ 磁場勾配コイル
３１２ 磁場勾配コイル電源
３１４ 無線周波数コイル
送受信機
３１８ 被検者
３２０ 被検者支持台
３３０ パルスシーケンスコマンド
４００ 磁気共鳴イメージングシステムを、パルスシーケンスコマンドを用いて制御することによって、アンダーサンプリングされたｋ空間データを取得する
５００ 敵対的生成ニューラルネットワーク
５０２ 生成ニューラルネットワーク
５０４ 識別ニューラルネットワーク
５０６ ノイズベクトル
５０８ 偽のテスト磁気共鳴画像
５１０ 訓練テスト磁気共鳴画像
５１２ フルサンプリングされたｋ空間データ
５１３ マスク
５１４ 模擬的なアンダーサンプリングされたｋ空間データ
７００ 敵対的生成ニューラルネットワーク
７０２ 欠落情報画像
７０３ 代替マスク
７０４ 損失関数
７０６ アンダーサンプリングされた画像
１０２ コンピュータ
１０４ 計算システム
１０６ 任意選択のハードウェアインターフェース
１０８ 任意選択のユーザインターフェース
１１０ メモリ
１２０ 機械実行可能命令
１２２ 分布外テストニューラルネットワーク
１２４ アンダーサンプリングされたｋ空間データ
１２６ テスト磁気共鳴画像
１２８ テスト信号
１３０ 圧縮センシング磁気共鳴イメージング再構築アルゴリズム
１３２ 臨床磁気共鳴画像
２００ 被検者の関連領域を表すアンダーサンプリングされたｋ空間データを受け取る
２０２ アンダーサンプリングされたｋ空間データからテスト磁気共鳴画像を再構築する
２０４ 分布外テストニューラルネットワークにテスト磁気共鳴画像を入力することに応じてテスト信号を受け取る
２０６ テスト信号を提供する
２０８ テスト磁気共鳴画像が訓練分布内にあることをテスト信号が示している場合、圧縮センシング磁気共鳴イメージング再構築アルゴリズムを使用して、アンダーサンプリングされたｋ空間データから臨床磁気共鳴画像を再構築する
３００ 医用システム
３０２ 磁気共鳴イメージングシステム
３０４ 磁石
３０６ 磁石のボア
３０８ イメージングゾーン
３０９ 関心領域
３１０ 磁場勾配コイル
３１２ 磁場勾配コイル電源
３１４ 無線周波数コイル
送受信機
３１８ 被検者
３２０ 被検者支持台
３３０ パルスシーケンスコマンド
４００ 磁気共鳴イメージングシステムを、パルスシーケンスコマンドを用いて制御することによって、アンダーサンプリングされたｋ空間データを取得する
５００ 敵対的生成ニューラルネットワーク
５０２ 生成ニューラルネットワーク
５０４ 識別ニューラルネットワーク
５０６ ノイズベクトル
５０８ 偽のテスト磁気共鳴画像
５１０ 訓練テスト磁気共鳴画像
５１２ フルサンプリングされたｋ空間データ
５１３ マスク
５１４ 模擬的なアンダーサンプリングされたｋ空間データ
７００ 敵対的生成ニューラルネットワーク
７０２ 欠落情報画像
７０３ 代替マスク
７０４ 損失関数
７０６ アンダーサンプリングされた画像
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【国際調査報告】