JP2022511065A - 機能的磁気共鳴イメージングアーチファクト除去 - Google Patents

Abstract

本発明は、機械実行可能命令１２０を格納するメモリ１１０と、構成された人工ニューラルネットワーク１２２とを備える医療用イメージングシステム１００，４００を提供する。医療用イメージングシステムはさらに、医療用イメージングシステムを制御するように構成されたプロセッサ１０４を備える。機械実行可能命令の実行により、プロセッサは磁気共鳴イメージングデータ１２４を受け取り２００、ここで、磁気共鳴イメージングデータは、ボクセルのセットのボクセルごとの時間依存ＢＯＬＤ信号１１００を表すＢＯＬＤ機能的磁気共鳴イメージングデータである。機械実行可能命令の実行により、プロセッサはさらに、磁気共鳴イメージングデータを使用してボクセルのセットのボクセルごとの時間依存ＢＯＬＤ信号を再構築することによって初期信号のセット１２６を構築する２０２。機械実行可能命令の実行により、プロセッサはさらに、構成された人工ニューラルネットワークへの初期信号のセットの入力に応答して、変更された信号のセット１２８を受け取る２０４。構成された人工ニューラルネットワークは、初期信号のセットから生理学的アーチファクトを除去するように構成されている。

Description

本発明は磁気共鳴イメージングに関し、特に機能的磁気共鳴イメージングに関する。

磁気共鳴イメージング（ＭＲＩ）スキャナでは、被検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することができる。パルスシーケンスを使用して磁気共鳴データの取得を制御することによって様々なイメージングプロトコルを実装することができ、イメージングプロトコルは被検者の様々な特性を測定するために使用され得る。

例えば、機能的磁気共鳴イメージング（ｆＭＲＩ）では磁気共鳴イメージングを使用して脳活動が計測される。一般的な機能的磁気共鳴イメージングの種類としてＢＯＬＤ（ｂｌｏｏｄ－ｏｘｙｇｅｎ－ｌｅｖｅｌ ｄｅｐｅｎｄｅｎｔ）法がある。ＢＯＬＤイメージングは酸素化ヘモグロビンおよび脱酸素化ヘモグロビンの特性に依拠する。酸素化ヘモグロビンは常磁性であり、脱酸素化ヘモグロビンは反磁性である。したがって、Ｔ２＊強調パルスシーケンスによって脳内の血液の酸素化の変化を検出することができる。ただし、ＢＯＬＤ効果は小さく、Ｔ２＊強調画像のコントラストはわずか数パーセントしか変化しない。呼吸または心臓の動きに起因する患者の動きも数パーセント程度のコントラストの変化を引き起こし得る。ＢＯＬＤ磁気共鳴イメージングを実行するには、この生理学的ノイズを信号から除去する必要がある。

Ａｎｄｅｒｓｏｎらによる雑誌論文、「Ｃｏｍｍｏｎ ｃｏｍｐｏｎｅｎｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ： Ｗｈａｔ ｃａｎ ｗｅ ｌｅａｒｎ ｆｒｏｍ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ？」、ＮｅｕｒｏＩｍａｇｅ、第５６巻、第２号、２０１１年５月１５日、５１７～５２４頁には、異なるグループ間で時間的な強度変動を示す脳内の箇所を分析することによってｆＭＲＩスキャンの分類に機械学習が適用され、９０％以上の分類精度が頻繁に報告されたことが開示されている。機械学習分類器を作成した後、生理学的ノイズへの感度、タスクの並べ替え、およびスキャン間（ａｃｒｏｓｓ－ｓｃａｎ）分類性能を調べるために分類器を分析した。複数の条件にわたる安定性および再現性を評価するために、各モデルはラン（ｒｕｎ）内およびラン間の両方で訓練およびテストされた。特徴抽出およびアーチファクト除去の両方で独立成分分析が使用された。

本発明は、医療用イメージングシステム、コンピュータプログラム製品、および方法を提供する。

上記のように、機能的磁気共鳴イメージング信号は生理学的アーチファクトによって容易に不明瞭になるおそれがある。機能的磁気共鳴イメージングデータからこのノイズを除去する典型的な方法は、呼吸や心臓の動きなどの被検者の生理学的プロセスをモニタリングすることである。これによって生理学的アーチファクトの除去が可能になる。実施形態は、構成された人工ニューラルネットワークを使用して生理学的アーチファクトを自動的に除去することによってこのプロセスを単純化し得る。生理学的ニューラルネットワークは、センサによって呼吸や心臓の動きをモニタリングすることを要さずに生理学的アーチファクトを除去するように訓練され得る。

一側面では、本発明は、機械実行可能命令を格納するメモリを含む医療用イメージングシステムを提供する。医療用イメージングシステムはさらに、機械実行可能命令を実行することによって医療用イメージングシステムを制御するように構成されたプロセッサを備える。機械実行可能命令の実行により、プロセッサは時期共鳴イメージングデータを受け取る。磁気共鳴イメージングデータは、ボクセルのセットのボクセルごとの時間依存信号を表す機能的磁気共鳴イメージングデータである。例えば、磁気共鳴イメージングデータは各ボクセルを個別に表すデータを含み、このデータは時間依存信号を含む。機械実行可能命令の実行により、プロセッサはさらに、磁気共鳴イメージングデータを使用してボクセルのセットのボクセルごとの時間依存信号を再構築することによって初期信号のセットを構築する。

初期信号のセットはボクセルごとの時間依存信号を有する。機械実行可能命令の実行により、プロセッサはさらに、構成された人工ニューラルネットワークへの初期信号のセットの入力に応答して、変更された信号のセットを受け取る。構成された人工ニューラルネットワークは、初期信号のセットから生理学的アーチファクトを除去するように構成されている。機能的磁気共鳴イメージングは生理学的アーチファクト（被検者の生理学的な変化または動きによって引き起こされるアーチファクト）の影響を特に受けやすいので、この実施形態は有益であり得る。

なお、変更された信号のセットは初期信号のセットからの純粋なノイズ信号であってもよいし、ノイズが除去された信号であってもよい。両者は本質的には等価である。

別の実施形態では、医療用イメージングシステムはさらに、時間依存性機能的磁気共鳴イメージングプロトコルに従って磁気共鳴イメージングデータを取得するように構成された磁気共鳴イメージングシステムを備える。機械実行可能命令の実行により、プロセッサはさらに、磁気共鳴イメージングシステムを制御することで磁気共鳴イメージングデータを取得する。

別の実施形態では、構成された人工ニューラルネットワークはボクセルごとのリカレントニューラルネットワークを含む。各ボクセルの信号は時間に依存するため、ボクセルごとにリカレントニューラルネットワークを使用することは有益であり得る。リカレントニューラルネットワークを使用することにより、この信号を時間領域で処理することができる。

各ボクセルのリカレントニューラルネットワークは多数のまたは複数の層を備え得る。複数の層には異なる種類の層が含まれ、例えば部分結合層や畳み込み層などが含まれ得る。

別の実施形態では、構成された人工ニューラルネットワークは入力計算層を含む。各ボクセルのリカレントニューラルネットワークは、入力計算層に接続された入力を含む。この実施形態では、データが個々のリカレントニューラルネットワークに直接入力される代わりに、入力はまず入力計算層に入力され、そして個々のリカレントニューラルネットワークの入力がこれに接続される。入力計算層を使用することで、血流や他のボクセルの動き、および他のそのような協働的な挙動などの影響をより適切にモデル化できる可能性があるため、これは有益であり得る。

別の実施形態では、変更された信号のセットはノイズ信号のセットまたはクリーンな信号のセットである。初期信号のセットは、ボクセルごとの測定された時間依存ＢＯＬＤ信号である。ボクセルごとに時間依存ＢＯＬＤ信号が存在する。初期信号のセットはさらに、生理学的アーチファクトに起因するノイズを有する。ノイズ信号のセットは初期信号のセットのノイズ成分であり、クリーニングされた信号のセットはノイズ成分のない時間依存信号のセットである。ニューラルネットワークは生理学的アーチファクトまたはノイズを除去するように構成されている。クリーンな信号のセットを生成する構成されたニューラルネットワークを有することは、ノイズ信号のセットを生成する構成されたニューラルネットワークと等価である。

他の実施形態では、ニューラルネットワークは複数のリカレントニューラルネットワークを含み、ボクセルのセットの各ボクセルのリカレントニューラルネットワークが複数のリカレントニューラルネットワークを形成する。ボクセルごとに個別または別個のリカレントニューラルネットワークが存在する。

別の実施形態では、特定のボクセルから特定の距離または半径内にあるボクセルの効果を指定するために部分結合層が使用され得る。これは局所的な影響を表すのに有用であり得る。

別の実施形態では、構成された人工ニューラルネットワークは出力計算層を含む。各ボクセルのリカレントニューラルネットワークは、出力計算層に接続された出力を含む。出力を提供する際に隣接するボクセルの出力を考慮できるので、この実施形態も有益であり得る。これにより、ノイズ信号のより効率的な、またはより良い除去が提供され得る。

別の実施形態では出力計算層は全結合されている。

別の実施形態では出力層は畳み込み結合されている。

別の実施形態では出力計算層は部分結合されている。

別の実施形態では、各ボクセルのリカレントニューラルネットワークは直結フィードバックまたは直結フィードバックループを含む。直結フィードバックは、次の反復のためのフィードバックとして、またはリカレントニューラルネットワーク内の隠れ層を介して提供されるフィードバックとしてリカレントニューラルネットワークにフィードバックされる個別の信号であり得る。構成された人工ニューラルネットワークは隠れフィードバック層を含む。各ボクセルのリカレントニューラルネットワークの直結フィードバックは隠れフィードバック層を介して提供される。

この実施形態では、リカレントニューラルネットワークの直結フィードバックがリカレントニューラルネットワーク自信に直接供給される代わりに、リカレントニューラルネットワークの直結フィードバックは、複数のリカレントニューラルネットワークからのフィードバックを結合および／または分配することができる中間層を通過する。これは２つ以上のボクセルに影響を与える影響のモデル化に役立ち得る。

別の実施形態では、隠れフィードバック層は少なくとも１つ全結合層を含む。

隠れフィードバック層は少なくとも１つの畳み込み層を含む。

別の実施形態では、機械実行可能命令の実行により、プロセッサはさらに、ボクセルごとの訓練信号のセットを受け取る。機械実行可能命令の実行により、プロセッサはさらに、ボクセルごとのクリーンな信号のセットを受け取る。訓練信号のセットは、クリーンな信号のセットに加えて生理学的アーチファクトを含む。機械実行可能命令の実行により、プロセッサはさらに、被検者の動きを表す生理学的アーチファクトデータを受け取る。生理学的アーチファクトデータは動きのデータである。動きのデータはクリーンな信号のセットと時間的に相関している。

機械実行可能命令の実行により、プロセッサはさらに、訓練信号のセット、クリーンな信号、および生理学的アーチファクトデータを使用して、構成された人工ニューラルネットワークを訓練する。これらの訓練ステップは、生理学的アーチファクトデータが存在せずとも生理学的アーチファクトデータを除去するように、構成された人工ニューラルネットワークを訓練できる可能性があるため、これらの訓練ステップは有益であり得る。例えば、呼吸または心拍数センサが生理学的アーチファクトデータを提供する場合、結果として得られる構成された人工ニューラルネットワークは、生理学的アーチファクトデータまたはセンサデータが存在せずとも初期信号のセットから当該ノイズを除去できる可能性がある。

他の実施形態では、機械実行可能命令の実行により、プロセッサはさらに、ノイズリダクション値を受け取る。機械実行可能命令の実行により、プロセッサはさらに、初期信号のセット、変更された信号、およびノイズリダクション値を使用して、制御可能にクリーンな信号のセットを構築する。上述したように、変更された信号のセットはクリーンな信号またはノイズを有する信号を含み得る。いずれにせよ、変更された信号セットを初期信号のセットと組み合わせて使用して、除去されるノイズの量を動的にまたは制御可能に調整することができる。例えば、変更された信号のセットがノイズ信号のみを含む場合、制御可能にクリーンな信号のセットは、ノイズリダクション値を変更された信号のセットと掛けた積を初期信号のセットから差し引くことによって構築され得る。逆に、変更された信号のセットがノイズが除去された信号である場合、同様の動作を実行して同等の結果を得ることができる。

別の実施形態では、変更された信号のセットがノイズ信号のセットである場合、制御可能にクリーニングされた信号のセットを構築することは、ノイズリダクション値を変更された信号のセットと掛けた積を初期信号のセットから差し引くことを含む。

別の実施形態では、変更されたノイズ信号のセットがクリーニングされた信号のセットである場合、制御可能にクリーニングされた信号のセットを構築することは、初期信号のセットから変更された信号のセットを差し引くことによってノイズ信号のセットを計算することと、ノイズリダクション値をノイズ信号のセットと掛けた積を初期信号のセットから差し引くことによって、制御可能にクリーニングされた信号のセットを構築することとを含む。

別の実施形態では、機械実行可能命令の実行により、プロセッサはさらに、変更された信号のセットからＢＯＬＤ磁気共鳴画像を再構築する。変更された信号のセットがクリーンな信号のセットである場合、これは変更された信号のセットを使用して直接的に実行され得る。変更された信号のセットがノイズ信号のセットである場合、変更された信号のセットから変更された信号のセットを差し引くことによってクリーニングされた信号のセットが計算され得る。

別の実施形態では、機械実行可能命令の実行により、プロセッサはさらに、制御可能にクリーニングされた信号のセットから機能的磁気共鳴画像を再構築する。これにより、オペレータは、得られる機能的磁気共鳴画像において最適な信号のための調整を行うことができる可能性があるため、これは有益であり得る。

別の実施形態では、機械実行可能命令の実行により、プロセッサはさらに、変更された信号のセットから機能的磁気共鳴画像を再構築する。例えば、変更された信号のセットが、構成された人工ニューラルネットワークによってノイズが全て除去された信号を含む場合である。

別の実施形態では、各ボクセルのリカレントニューラルネットワークはＬＳＴＭニューラルネットワークである。ＬＳＴＭニューラルネットワークの使用は、時間的に相関するアーチファクトのより除去を改善し得るため、有益であり得る。

別の実施形態では、磁気共鳴イメージングデータは、ボクセルのセットのボクセルごとの時間依存ＢＯＬＤ信号を表すＢＯＬＤ機能的磁気共鳴イメージングデータである。ＢＯＬＤ機能的磁気共鳴イメージングは生理学的アーチファクトの影響を特に受けやすいため、これは特に有益であり得る。例えば、呼吸や心臓に起因する被検者の動きは、ＢＯＬＤ信号と同じオーダーの歪みを引き起こす可能性がある。ＢＯＬＤ信号は通常、当該信号の数パーセントである。これも、生理学的な動きやアーチファクトによって引き起こされるノイズと同じオーダーである。

他の側面では、本発明は、医療用イメージングシステムの動作方法を提供する。方法は磁気共鳴イメージングデータを受け取るステップを含む。磁気共鳴イメージングデータは、ボクセルのセットのボクセルごとの時間依存信号を表す機能的磁気共鳴イメージングデータである。方法はさらに、磁気共鳴イメージングデータを使用してボクセルごとの時間依存信号を再構築することによって初期信号のセットを構築するステップを含む。方法はさらに、構成された人工ニューラルネットワークへの初期信号のセットの入力に応答して、変更された信号のセットを受け取るステップを含む。構成された人工ニューラルネットワークは、初期信号のセットから生理学的アーチファクトを除去するように構成されている。

他の側面では、本発明は、構成された人工ニューラルネットワークを訓練する方法を提供する。方法はまず、ボクセルごとの訓練信号のセットを受け取るステップを含む。方法はさらに、ボクセルごとのクリーンな信号のセットを受け取るステップを含む。訓練信号のセットは、クリーンな信号のセットに加えて生理学的アーチファクトを含む。方法はさらに、被検者の動きを表す生理学的アーチファクトデータを受け取るステップを含む。生理学的アーチファクトデータは動きのデータである。動きのデータはクリーンな信号のセットと時間的に相関している。方法はさらに、訓練信号のセット、クリーンな信号、および生理学的アーチファクトデータを使用して、構成された人工ニューラルネットワークを訓練するステップを含む。

別の実施形態では、訓練信号のセットはシーケンシャルなデータポイントを含む。機械実行可能命令の実行により、プロセッサは、クリーンな信号のセットが所定の反復回数だけ順次オフセットされるよう、構成された人工ニューラルネットワークを訓練する。この訓練により、リカレントニューラルネットワークは変更された信号のセットの出力を所定の反復回数だけ遅らせる。これは、リカレントニューラルネットワークが初期信号のセットのうちの複数のサンプルを使用して、変更された信号のセットを生成するという利点を有し得る。

別の側面では、本発明は、プロセッサ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製品を提供する。機械実行可能命令の実行により、プロセッサは時期共鳴イメージングデータを受け取る。磁気共鳴イメージングデータは、ボクセルのセットのボクセルごとの時間依存信号を表す機能的磁気共鳴イメージングデータである。機械実行可能命令の実行により、プロセッサはさらに、磁気共鳴イメージングデータを使用してボクセルのセットのボクセルごとの時間依存信号を再構築することによって初期信号のセットを再構築する。方法はさらに、構成された人工ニューラルネットワークへの初期信号のセットの入力に応答して、変更された信号のセットを受け取るステップを含む。構成された人工ニューラルネットワークは、初期信号のセットから生理学的アーチファクトを除去するように構成されている。

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。

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、マイクロコードなどを含む）、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つまたは複数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。

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、計算装置のプロセッサ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（登録商標）、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、およびプロセッサ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ディスクなどを含む。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タイプの記録媒体も指す。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など、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。

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、伝搬、または転送可能な任意のコンピュータ可読媒体であり得る。

「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、プロセッサ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、その逆で可能である。

本明細書で使用される「プロセッサ」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。「プロセッサ」を含む計算装置への言及は、複数のプロセッサ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。プロセッサは、例えば、マルチコアプロセッサであってもよい。プロセッサは、単一のコンピュータシステムに集約された、または複数のコンピュータ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。計算装置という用語は、それぞれが１つまたは複数のプロセッサ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。コンピュータ実行可能コードは、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プロセッサによって実行され得る。

コンピュータ実行可能コードは、プロセッサに本発明の側面を実行させる機械実行可能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＋＋など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つまた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。

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）を含む任意のタイプ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、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）。

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プロセッサに提供されて、マシンを生成し得る。コンピュータのプロセッサ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つまたは複数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。

これらの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態様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つまたは複数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。

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つまたは複数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。

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、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、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。

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プロセッサ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、プロセッサ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、プロセッサ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などがある。

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、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などがある。

本明細書において、磁気共鳴イメージングデータは、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。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成された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。

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。

図１は、医療用イメージングシステムの例を示す。 図２は、図１の医療用イメージングシステムの動作方法を示すフローチャートを示す。 図３は、構成された人工ニューラルネットワークを訓練する方法を示すフローチャートを示す。 図４は、医療用イメージングシステムのさらなる例を示す。 図５は、図４の医療用イメージングシステムの動作方法を示すフローチャートを示す。 図６は、構成された人工ニューラルネットワークの例を示す。 図７は、構成された人工ニューラルネットワークのさらなる例を示す。 図８は、構成された人工ニューラルネットワークのさらなる例を示す。 図９は、構成された人工ニューラルネットワークのさらなる例を示す。 図１０は、ノイズを有する時間依存の機能的磁気共鳴イメージング信号の例を示す。 図１１は、ノイズのない時間依存の機能的磁気共鳴イメージング信号の理想化を示す。 図１２は、展開されたリカレントニューラルネットワークの例を示す。 図１３は、展開されたＬＳＴＭニューラルネットワークの例を示す。 図１４は、構成された人工ニューラルネットワークのさらなる例を示す。

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。

図１は、医療用イメージングシステム１００の例を示す。医療用イメージングシステム１００はコンピュータ１０２を含む。コンピュータはプロセッサ１０４を備える。プロセッサ１０４は、１つまたは複数のプロセッサまたは処理コアを表すことを意図しており、複数のコンピュータに分散させられてもよい。プロセッサは、任意選択的なハードウェアインターフェース１０６、任意選択的なユーザインターフェース１０８、およびメモリ１１０に接続されているものとして示されている。ハードウェアインターフェース１０６は、プロセッサ１０４が、医療用イメージングシステム１００の他の構成要素と信号または情報の送受信を行い、それらの構成要素を制御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１０６はネットワークインターフェースであってもよく、プロセッサ１０４が他のコンピュータシステムとデータおよび／または命令を交換することを可能にし得る。ユーザインターフェース１０８はデータの表示および／または画像のレンダリングを可能にし得る。ユーザインターフェース１０８はまた、医療用イメージングシステムの動作および機能を制御するためにオペレータによって使用されてもよい。メモリ１１０は、プロセッサ１０４にアクセス可能な任意のメモリである。メモリ１１０は揮発性および不揮発性メモリを含み得る。メモリ１１０内のエントリーは複数のメモリモダリティ内にコピーまたは複製されてもよく、例えば、メインメモリ内にあるだけでなく、ハードドライブまたは他のコンピュータ記憶媒体に保存されていてもよい。

メモリ１１０は、機械実行可能命令１２０を含むものとして示されている。プロセッサ１０４が機械実行可能命令１２０を実行することにより、プロセッサ１０４は医療用イメージングシステムの様々な構成要素を制御することができる。機械実行可能命令の実行はまた、プロセッサ１０４が様々なデータ計算および数値計算、並びにデータ処理を実行することを可能にし得る。

メモリ１１０はさらに、構成された人工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。構成された人工ニューラルネットワークは、時間依存の機能的磁気共鳴イメージング信号から生理学的アーチファクトを除去するように構成されている。一例として、いわゆるＢＯＬＤ磁気共鳴イメージング信号からのノイズの除去があげられる。メモリ１１０はさらに、磁気共鳴イメージングデータ１２４を含むものとして示されている。磁気共鳴イメージングデータ１２４は、ボクセルのセット（集合）のそれぞれについての時間依存信号を表す機能的磁気共鳴イメージングデータである。メモリ１１０はさらに、磁気共鳴イメージングデータ１２４から再構成された初期信号のセット１２６を含むものとして示されている。信号のセット１２６の各信号は時間依存信号であり、ボクセルごとに信号が存在する。メモリ１１０はさらに、構成された人工ニューラルネットワーク１２２への初期信号のセット１２６の入力に応答して受信された、変更された信号のセット１２８を含む。

他の例では、変更された信号のセット１２８は異なる形態をとり得る。一例では、変更された信号のセットは、ノイズが除去された時間依存の機能的磁気共鳴イメージング信号である。別の例では、変更された信号のセット１２８はノイズ成分である。メモリ１１０はさらに、変更された信号のセット１２８のうちの少なくとも１つを使用して再構成された機能的磁気共鳴画像１３０を含むものとして示されている。一部の例では、変更された信号のセット１２８および初期信号のセット１２６の両方を使用して機能的磁気共鳴画像１３０が構築される。

図３は、図１の医療用イメージングシステム１００の動作方法を示すフローチャートを示す。まず、ステップ２００において磁気共鳴イメージングデータ１２４が受け取られる。磁気共鳴イメージングデータは、ボクセルのセットの各ボクセルについての時間依存信号を表す機能的磁気共鳴イメージングデータである。次に、ステップ２０２において、磁気共鳴イメージングデータ１２４を使用してボクセルごとの時間依存信号を再構築することによって初期信号のセットが構築される。次に、ステップ２０４において、初期信号のセット１２６が構成された人工ニューラルネットワーク１２２に入力される。構成された人工ニューラルネットワーク１２２は変更された信号のセット１２８を出力する。方法はその後、任意選択的なステップ２０６を実行してもよい。ステップ２０６では、少なくとも変更された信号のセット１２８を使用して機能的磁気共鳴画像１３０が構築される。

図３は、図１の構成された人工ニューラルネットワーク１２２を訓練または構成する方法を示すフローチャートを示す。まず、ステップ３００において、ボクセルごとの訓練信号のセットが受信される。次に、ステップ３０２において、ボクセルごとのクリーンな信号のセットが受信される。訓練信号のセットは、クリーンな信号のセットに加えて生理学的なアーチファクトまたはノイズを含む。次に、ステップ３０４において、被検者の動きを表す生理学的アーチファクトデータが受信される。動きのデータはクリーンな信号のセットと時間的に相関している。最後に、ステップ２０６において、構成された人工ニューラルネットワークが訓練信号のセット、クリーンな信号、および生理学的アーチファクトデータを使用して訓練される。図３に示される訓練方法は、構成された人工ニューラルネットワーク１２２が医療用イメージングシステム１００に配備される前に実行され得る。他の例では、図３に示される訓練方法は医療用イメージングシステム１００を使用して実行される。これは、構成された人工ニューラルネットワーク１２２の最初の使用前であってもよく、かつ／または、より多くのデータおよびトレーニング信号が利用可能になるのに伴う継続的訓練であってもよい。

図４は、医療用イメージングシステム４００のさらなる例を示す。図４に示される医療用イメージングシステム４００は、磁気共鳴イメージングシステム４０２を追加で含むことを除いて、図１に示されるものと同様である。磁気共鳴イメージングシステム４０２は磁石４０４を有する。磁石４０４は、自身を貫通するボア４０６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。円筒形磁石４０４のボア４０６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４０８が存在する。撮像ゾーン４０８内には関心領域４０９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４１８は、被検者４１８の少なくとも一部が撮像ゾーン４０８および関心領域４０９内にあるように被検者支持体４２０によって支持されているように示されている。

また、磁石のボア４０６内には、磁石４０４の撮像ゾーン４０８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４１０のセットが存在する。磁場勾配コイル４１０は、磁場勾配コイル電源４１２に接続されている。磁場勾配コイル４１０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４１０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４１０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（ｒａｍｐｅｄ）、またはパルス化され得る。

撮像ゾーン４０８の隣には、イメージングゾーン４０８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４０８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４１４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４１４は、無線周波数送受信機４１６に接続される。無線周波コイル４１４および無線周波数送受信機４１６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４１４および無線周波数送受信機４１６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４１４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４１６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４１４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４１６は、複数の受信／送信チャネルを有してもよい。例えば、ＳＥＮＳＥなどの並列イメージング技術が実行される場合、無線周波数コイル４１４は複数のコイル要素を有する。

この例では、被検者４１８は、機能的磁気共鳴イメージングを実行するために被検者の頭部が関心領域４０９内にあるように配置される。

送受信機４１６および勾配コントローラ４１２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。メモリ１１０は、さらに、パルスシーケンスコマンドのセット４３０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４３０は、ボクセルごとに時間依存信号を測定する磁気共鳴イメージングプロトコルに従って磁気共鳴イメージングデータ１２４を取得するよう、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る。例えば、機能的磁気共鳴イメージング法がＢＯＬＤ法である場合、パルスシーケンスコマンド４３０はＴ２＊の正確な測定を行うように構成され得る。

図５は、図４の医療用イメージングシステム４００の動作方法を示すフローチャートを示す。方法はステップ５００から始まる。ステップ５００において、プロセッサ１０４は、パルスシーケンスコマンド４３０を用いて磁気共鳴イメージングシステム４０２を制御し、磁気共鳴イメージングデータ１２４を取得する。その後、図２に示すように、方法はステップ２００、２０２、２０４、および２０６に進む。

図６は構成された人工ニューラルネットワーク１２２のあるアーキテクチャを示す。この例では、磁気共鳴画像データの各ボクセルにリカレント（再帰型）ニューラルネットワーク６００が割り当てられる。図中のリカレントニューラルネットワーク６００は、単一のリカレントニューラルネットワーク、複数の層を有するリカレントニューラルネットワーク、または直列した複数のリカレントニューラルネットワークを表し得る。各リカレントニューラルネットワーク６００は入力６０２および出力６０４を有する。各リカレントニューラルネットワーク６００はまた、フィードバック信号として、またはニューロンの隠れ層を介した接続として見なされ得る直結フィードバック６０６または直結フィードバックループを備える。直接フィードバック６０６は線として描かれているが、隠れ層またはニューロンを表すためのボックスとして描かれてもよい。図６に示されている例は最も単純なアーキテクチャである。

図７は構成された人工ニューラルネットワーク１２２のより複雑なバージョンを示す。図７では、構成された人工ニューラルネットワーク１２２の入力が個々のリカレントニューラルネットワーク６００に直接供給される代わりに、入力計算層７００が存在する。入力計算層７００は、構成された人工ニューラルネットワーク１２２の入力としての役割を果たす入力７０２を有する。入力計算層７００の出力は、個々のリカレントニューラルネットワーク６００の入力に送られる。入力計算層は、例えば、全結合されてもよいし（ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ）、畳み込み結合されてもよいし（ｃｏｎｖｏｌｕｔｉｏｎａｌｌｙ ｃｏｎｎｅｃｔｅｄ）、または部分結合されてもよい（ｐａｒｔｉａｌｌｙ ｃｏｎｎｅｃｔｅｄ）。入力計算層を最初に使用することは、空間的にまたは複数のボクセルにわたって相関しているアーチファクトを除去するのに役立ち得る。

図８は構成された人工ニューラルネットワーク１２２のさらなる改善または改良を示す。図８に示される例は、追加の出力計算層８００が加えられていることを除いて図７の例と同様である。リカレントニューラルネットワーク６００の出力６０４は出力計算層８００の入力に接続されている。そして、出力計算層８００は自身の出力８０２、すなわち、構成された人工ニューラルネットワーク１２２全体の出力を有する。上記と同様に、出力層は全結合層、畳み込み結合層、または部分結合層であり得る。出力計算層８００の追加はまた、複数のボクセルにわたって相関している、または空間的に相関しているノイズまたは生理学的アーチファクトを除去する性能をさらに改善し得る。図８に示される例は入力計算層７００および出力計算層８００の両方を示す。入力計算層７００は図８に示される例から除去されてもよい。

図９は構成された人工ニューラルネットワーク１２２のさらなる例を示す。図９に示される例は、直結フィードバック６０６または隠れ層ニューロンが隠れフィードバック層９００として実装されていることを除いて図８に示される例と同様である。隠れフィードバック層９００は、個々のリカレントニューラルネットワーク６００間の通信を提供する。隠れフィードバック層９００は、例えば、全結合層、畳み込み結合層、または部分結合層として実装され得る。

機能的磁気共鳴イメージング（ｆＭＲＩ）は、心理的疾患の臨床的評価に大きく寄与するポテンシャルを有している。ＢＯＬＤ（Ｂｌｏｏｄ－ｏｘｙｇｅｎ－ｌｅｖｅｌ ｄｅｐｅｎｄｅｎｃｙ）信号を介して生体内で測定された病的な脳活動は、うつ病、統合失調症、自閉症などの精神疾患に結び付けられてきた。

しかし、ｆＭＲＩは、（主に生理学的な性質の）様々な信号アーチファクトを原因として、本来的にＳ／Ｎ比が低いという問題を有する。純粋な周波数領域フィルタリング、または独立成分分析（ＩＣＡ）などの他のアーチファクト除去アルゴリズムは、これらのアーチファクトの被検者固有性のために失敗するか、面倒なユーザインタラクションを必要とすることが多い。一方、ハードウェア（例えば、呼吸ベルト、ＥＣＧ）の可用性が限られていることから、アーチファクト信号の測定は常に実施可能であるとは限らない。

実施形態は、人工ニューラルネットワーク（ＡＮＮ）に基づいて、アーチファクト混同ｆＭＲＩタイムコースをアーチファクトがないタイムコースにマッピングするイメージングシステムを提供し得る。第１の訓練期間においてｆＭＲＩデータが記録される。さらに、例えば呼吸ベルト、カメラ、ＥＣＧなどを用いて生理学的アーチファクトが同時に記録される。アーチファクト信号は、例えば単純な回帰技術を使用して、ＢＯＬＤタイムコースをクリーンにするために使用される。アーチファクト混同信号およびクリーンな信号が取得されると、リカレントディープニューラルネットワークが前者から後者へのマッピングを行うよう訓練される。十分な数の十分にクリーンなデータセットを提供することで、アルゴリズムは初見のデータセットについてデータを自動的にクリーニングできるようになる。

さらに、ＧＵＩ設定においてユーザが制御する外部パラメータによってクリーニングの強度が制御される。ユーザが「強力なクリーニング」を設定すると有効なデータ部分も削除される可能性があり、「弱いクリーニング」を設定するとアーチファクトが残る可能性がある。

機能的磁気共鳴イメージング（ｆＭＲＩ）は、心理的疾患の臨床的評価、例えば疾患の分類、治療法の選択、または疾患の進行の予測などに役立つ大きなポテンシャルを秘めている。ＢＯＬＤ（Ｂｌｏｏｄ－ｏｘｙｇｅｎ－ｌｅｖｅｌ ｄｅｐｅｎｄｅｎｃｙ）信号を介して生体内で測定された病的な脳活動は、うつ病、統合失調症、自閉症などの精神疾患に結び付けられてきた。

上記したように、ｆＭＲＩは本来的にＳ／Ｎ比が低いという問題を有し、そのために（主に生理学的な性質の）多様な信号アーチファクトの影響を受けやすい。熱ノイズおよびシステムノイズは静磁場の強度に対して線形に変化するが、生理学的アーチファクトは２の累乗で変化する。

周波数領域フィルタリングや独立成分分析（ＩＣＡ）などの最近の自動アーチファクト低減技術は、例えば信号の周波数や形状など、これらのアーチファクトの被検者固有性のために失敗することが多い。これらの手法を改善するには面倒な手動操作および専門知識が必要とされる。一方、適切な設定でのハードウェア（例えば、呼吸ベルト、ＥＣＧ）の可用性が限られていることから、アーチファクト信号の測定は常に実施可能であるとは限らない。

実施例は、人工ニューラルネットワーク（ＡＮＮ）に基づいて、アーチファクト混同ｆＭＲＩタイムコースをアーチファクト不在タイムコースにマッピングするイメージングシステムを提供し得る。第１の訓練期間においてｆＭＲＩデータが記録される。さらに、例えば呼吸ベルト、カメラ、ＥＣＧなどの種類のセンサを用いて生理学的アーチファクトが同時に記録される。アーチファクト信号は、例えば単純な線形回帰技術を使用して、ＢＯＬＤタイムコースをクリーンにするために使用される。アーチファクト混同信号およびクリーンな信号が取得されると、リカレントディープニューラルネットワークが前者から後者へのマッピングを行うよう訓練される。十分な数の十分にクリーンなデータセットを提供することで、アルゴリズムは初見のデータセットについてデータを自動的にクリーニングできるようになる。

さらに、クリーニングレベルを設定するために、グラフィカルユーザインターフェース（ＧＵＩ）においてユーザが外部パラメータを制御することが考えられる。ユーザが「高いクリーニングレベル」を設定すると有効なデータ部分も削除される可能性があり、「弱いクリーニングレベル」を設定するとアーチファクトがいくらか残る可能性がある。

本発明を構築するために、アーチファクトのないｆＭＲＩ訓練データが提供される。多数の取得されたｆＭＲＩ ＢＯＬＤ時系列が使用され、例えば手動でクリーニングされ得る。これらの時系列は多数の被検者および様々な脳の領域に由来するものであり、各自の期間中に変化する。クリーニングは事前ステップにおいて実行され、例えば、スペクトルを目視で調べ、適切な帯域でＩＣＡまたは回帰等の他の技術を使用してフィルタリングすることによって実行され得る。さらに、例えば呼吸ベルトとＥＣＧを使用して、アーチファクト信号が測定され得る。測定された信号を用いて、ＢＯＬＤ信号から回帰することができる。図１０および図１１はアーチファクト混同信号および理想的なアーチファクトのないＢＯＬＤ信号の例を示す。データ拡張のために、ある被検者からのアーチファクト信号を別の被検者からのクリーンなＢＯＬＤ信号と組み合わせてもよい。

図１０は、ある１つのボクセルの理想化されたＢＯＬＤ応答１０００を示すグラフである。ｘ軸は時間１００２であり、ｙ軸１００４はＢＯＬＤ応答である。図１０の信号を見ると、非常にノイズが多く、ＢＯＬＤ信号を解釈または視認できないことがわかる。

図１１は理想化されたアーチファクトのないＢＯＬＤ信号１１００を示す。アーチファクトのないＢＯＬＤ信号１１００は、初期の降下１１０２、ピーク１１０４、および刺激後（ｐｏｓｔ－ｓｔｉｍｕｌｕｓ）アンダーシュート１１０６を有することがわかる。これは図１０では見られない。多くのペアにされた時系列を用いてリカレントニューラルネットワーク（ＲＮＮ）を訓練することで、アーチファクト混合時系列ｘ（ｔ）からアーチファクトのない時系列ｙ（ｔ）へのマッピングｙ＝ｆ（ｘ）を学習させることができる。最も単純な形式では、ＲＮＮは、時間領域で展開された全結合ニューラルネットワークと見なすことができる（図１２を参照して後述）。この例では各時点について１つのニューロンしか存在せず、２つのパラメータのみが学習される。活性化関数が双曲線正接であると仮定すると、伝達関数はｙ_ｔ＝ｔａｎｈ（ｗｙ_ｔ－１＋ｕｘ_ｔ）となり、ここで、ｗおよびｕは学習可能なパラメータである。

図１２は、複数の期間にわたる１つのボクセルを表す単一のリカレントニューラルネットワーク６００の動作を示す。これは、いわゆる展開（ｕｎｒｏｌｌｉｎｇ）プロセスを示しているか、または時間に関して展開されたリカレントニューラルネットワーク６００の画像である。様々な入力６０２および６０４は同じリカレントニューラルネットワーク６００への入力であるが、後続する時間間隔における入力を表す。

この単純なシナリオは説明を目的とするものに過ぎず、すなわわち、ニューラルネットワークを使用して時系列間のマッピングを学習する方法を説明するためのものに過ぎない。ネットワークの複雑さは、これらのユニットを互いに積み重ねることによって高めることができ（高めなければならない）、結果としてディープ人工ニューラルネットワークが得られる。これにより、ネットワークは複数のアーチファクトの複雑な構造を適切に学習し、最終的には信号からその構造を回帰することができる。さらに、まず、アーチファクト信号自体がＲＮＮによって学習され、その後、元のＢＯＬＤ系列から非線形にアーチファクト信号を回帰する第２のネットワークに供給されるような階層アーキテクチャを考えることができる。回帰の強さを制御する追加のパラメータが第２のネットワークに導入されてもよい。このようにして、ユーザは誤検出（弱い回帰はアーチファクトの残留をもたらす）または検出漏れ（強い回帰は真のＢＯＬＤ信号を誤って除去する可能性がある）のどちらかを許容することができる。

概説した手法の１つの欠点は、時間依存性が単一の時点までしか捕捉されないことである。しかし、呼吸や心拍のアーチファクトなどの長期的な依存関係を学習するにはより高度なアーキテクチャが必要である。１つの手法は、ＲＮＮとしての長・短期記憶（ＬＳＴＭ：ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ）ネットワークである。図１３は、これらのより複雑なユニットのアーキテクチャを示す。これらのユニットは、様々な演算ゲート（入力ゲート、忘却ゲート、出力ゲート）によって変更される内部状態変数を有する。

図１３は、単純なリカレントニューラルネットワーク６００のいわゆるＬＳＴＭネットワークへの置き換えを示す。これは長・短期記憶ネットワークである。ＬＳＴＭ６００’は、他の例に示されているリカレントニューラルネットワーク６００を置き換えるために使用され得る。上記の場合と同様に、図１３においてＬＳＴＭ６００’は単一のボクセルのためのものである。図１２と同様に、ＬＳＴＭ６００’は時間に関して展開されている。

他の例では、混同アーチファクト除去の範囲を、記録システム（例えば、ＭＲＩ、ＥＣＧ、モーションセンサ）によって生成されたもの、およびそれらの潜在的な望ましくないクロストークにも拡大することが考えられ得る。ベンダーは通常、実施されるｆＭＲＩの全体を通して完全な画像／データ品質を確保するように注意するが、システムの加熱やその他の時間的影響がデータ品質にわずかに影響を及ぼす可能性がある。また、ＭＲＩで適用される強い勾配の相互作用は、ＥＣＧなどの他のセンサの同時測定に悪影響を与える可能性がある。これらの影響を除去するためにこの情報もディープラーニングシステムに入力され得る。

ｆＭＲＩデータセットの分析の最初のステップとして例が使用されてもよい。データ取得後、グラフィカルユーザインターフェースにおいてユーザにデータおよび処理オプションが表示される。処理オプションの中から、ユーザは「自動アーチファクト除去」を選択し、さらに、アーチファクト除去の強度を制御するパラメータを設定してもよい。

さらなる実施例は以下の特徴のうちの１つまたは複数を有し得る。

（例えば、ＡＮＮの訓練に使用される）大きな汎用データセットの統計解析、および
現場で取得された特有データの統計解析（取得される様々な信号は異なる特性を持っている可能性が高く、また、オペレータや機器のタイプに依存する可能性があるので）に基づく、ユーザインタラクションを要さない最適なフィルタパラメータの自動事前選択。

使用されるｆＭＲＩシーケンスに基づくパラメータの適応型選択（ａｄａｐｔｉｖｅ ｓｅｌｅｃｔｉｏｎ）。

使用される機器タイプに基づくパラメータの適応型選択（技術の違い（例えば、ＥＣＧ、ＶＣＧ、カメラシステム）およびベンダー機器の違いに起因する特有の相違）。

ＧＲＵ（ｇａｔｅｄ ｒｅｃｕｒｒｉｎｇ ｕｎｉｔ）をＬＳＴＭの１つの特別なクラスとして使用することで、訓練を行うことが必要なパラメータの数を減らし、かつ訓練時間を減らす。

「ＡＮＮ」を深くして表現力を高める（例えば、ゆっくりと変化する動態および速く変化する動態の学習のより適切な分離）。

（例えば、バックプロパゲーション中の勾配流（ｇｒａｄｉｅｎｔ ｆｌｏｗ）をより速くするための）ショートカット接続の使用。

ネットワークの表現力および学習キャパシティを高めるために２つのＡＮＮを積み重ねる。

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。

開示の実施形態の他の変形例が、図面、開示、および添付の特許請求の範囲から、クレームされる発明に係る当業者によって理解および実施され得る。特許請求の範囲において、「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若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。

図１４は構成された人工ニューラルネットワーク１２２のさらなる例を示す。図１４に示される例は、入力層７００および出力層８００が存在しないことを除いて図８に示される例と同様である。初期信号のセットはリカレントニューラルネットワーク６００の入力６０２に直接入力される。変更された信号のセットは、リカレントニューラルネットワーク６００の出力６０４によって直接出力される。ボクセルのセットのボクセルごとにリカレントニューラルネットワーク６００が存在する。隠れフィードバック層９００は、個々のリカレントニューラルネットワーク６００間の通信を提供する。隠れフィードバック層９００は、例えば、全結合層、畳み込み結合層、または部分結合層として実装され得る。隠れフィードバック層９００は、構成された人工ニューラルネットワークが、異なるボクセル間で空間的に相関している生理学的アーチファクトを除去することを可能にする。

１００ 医療用イメージングシステム
１０２ コンピュータ
１０４ プロセッサ
１０６ ハードウェアインターフェース
１０８ 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 構成された人工ニューラルネットワーク
１２４ 磁気共鳴イメージングデータ
１２６ 初期信号のセット
１２８ 変更された信号のセット
１３０ 機能的磁気共鳴画像
２００ 磁気共鳴イメージングデータを受信する
２０２ 磁気共鳴イメージングデータを使用してボクセルごとの時間依存信号を再構築することによって初期信号のセットを構築する
２０４ 構成された人工ニューラルネットワークへの初期信号のセットの入力に応答して変更された信号のセットを受け取る ここで、構成された人工ニューラルネットワークは初期信号のセットから生理学的アーチファクトを除去するために構成されている
３００ ボクセルごとの訓練信号のセットを受信する
３０２ ボクセルごとのクリーンな信号のセットを受信する
３０４ 被検者の動きを表す生理学的アーチファクトデータを受け取る
３０６ 訓練信号のセット、クリーンな信号、および生理学的アーチファクトデータを使用して、構成された人工ニューラルネットワークを訓練する
４００ 医療用イメージングシステム
４０２ 磁気共鳴イメージングシステム
４０４ 磁石
４０６ 磁石のボア
４０８ 撮像ゾーン
４０９ 関心領域
４１０ 磁場勾配コイル
４１２ 磁場勾配コイル電源
４１４ 無線周波数コイル
４１６ 送受信機
４１８ 被検者
４２０ 被検者支持台
４３０ パルスシーケンスコマンド
５００ 磁気共鳴イメージングシステムを制御して磁気共鳴イメージングデータを取得する
６００ リカレントニューラルネットワーク
６００ ＬＳＴＭ
６０２ 入力
６０４ 出力
６０６ 直結フィードバックまたは隠れ層ニューロン
７００ 入力計算層
７０２ 入力計算層の入力
８００ 出力計算層
８０２ 出力計算層の出力
９００ 結合された隠れ層
１０００ アーチファクト混同ＢＯＬＤ信号
１００２ 時間
１００４ ＢＯＬＤ応答
１１００ 理想化されたアーチファクトのないＢＯＬＤ信号
１１０２ 初期の降下
１１０４ ピーク
１１０６ 刺激後のアンダーシュート

Claims (15)

1. 機械実行可能命令および構成された人工ニューラルネットワークを格納するメモリと、前記機械実行可能命令を実行することによって医療用イメージングシステムを制御するためのプロセッサとを備える、医療用イメージングシステムであって、
   前記機械実行可能命令の実行により、前記プロセッサは、
   磁気共鳴イメージングデータを受け取り、ここで、前記磁気共鳴イメージングデータは、ボクセルのセットの各ボクセルについての時間依存ＢＯＬＤ信号を表すＢＯＬＤ機能的磁気共鳴イメージングデータであり、前記構成された人工ニューラルネットワークは、前記ボクセルのセットのボクセルごとにリカレントニューラルネットワークを含み、
   前記磁気共鳴イメージングデータを使用して前記ボクセルのセットのボクセルごとの前記時間依存ＢＯＬＤ信号を再構築することによって初期信号のセットを構築し、
   前記構成された人工ニューラルネットワークへの前記初期信号のセットの入力に応答して、前記構成された人工ニューラルネットワークから変更された信号のセットを受け取り、ここで、前記構成された人工ニューラルネットワークは、前記初期信号のセットから生理学的アーチファクトを除去するように構成されている、
   医療用イメージングシステム。
2. 前記医療用イメージングシステムはさらに、時間依存性機能的磁気共鳴イメージングプロトコルに従って前記磁気共鳴イメージングデータを取得する磁気共鳴イメージングシステムを備え、前記機械実行可能命令の実行により、前記プロセッサはさらに、前記磁気共鳴イメージングシステムを制御して前記磁気共鳴イメージングデータを取得する、請求項１に記載の医療用イメージングシステム。
3. 前記ニューラルネットワークは複数のリカレントニューラルネットワークを含み、前記ボクセルのセットの各ボクセルの前記リカレントニューラルネットワークが前記複数のリカレントニューラルネットワークを形成する、請求項１または２に記載の医療用イメージングシステム。
4. 前記構成された人工ニューラルネットワークは入力計算層を含み、各ボクセルの前記リカレントニューラルネットワークは、前記入力計算層に接続された入力を含む、請求項１から３のいずれか一項に記載の医療用イメージングシステム。
5. 前記入力計算層は、
   全結合、
   畳み込み結合、
   または部分結合されている、請求項４に記載の医療用イメージングシステム。
6. 前記構成された人工ニューラルネットワークは出力計算層を含み、各ボクセルの前記リカレントニューラルネットワークは、前記出力計算層に接続された出力を含む、請求項１から５のいずれか一項に記載の医療用イメージングシステム。
7. 前記出力計算層は、
   全結合、
   畳み込み結合、
   または部分結合されている、請求項６に記載の医療用イメージングシステム。
8. 各ボクセルの前記リカレントニューラルネットワークは直結フィードバックを含み、前記構成された人工ニューラルネットワークは隠れフィードバック層を含み、各ボクセルの前記リカレントニューラルネットワークの前記直結フィードバックは前記隠れたフィードバック層を介して提供される、請求項１から７のいずれか一項に記載の医療用イメージングシステム。
9. 前記機械実行可能命令の実行により、前記プロセッサはさらに、
   前記ボクセルのセットのボクセルごとの訓練信号のセットを受け取り、
   前記ボクセルのセットのボクセルごとのクリーンな信号のセットを受け取り、ここで、前記訓練信号のセットは、前記クリーンな信号のセットに加えて生理学的アーチファクトを含み、
   被検者の動きを表す生理学的アーチファクトデータを受け取り、ここで、前記生理学的アーチファクトデータは前記クリーンな信号のセットと時間的に相関しており、
   前記訓練信号のセット、前記クリーンな信号、および前記生理学的アーチファクトデータを使用して、前記構成された人工ニューラルネットワークを訓練する、
   請求項１から８のいずれか一項に記載の医療用イメージングシステム。
10. 前記機械実行可能命令の実行により、前記プロセッサはさらに、
    ノイズリダクション値を受け取り、
    前記初期信号のセット、前記変更された信号のセット、および前記ノイズリダクション値を使用して、制御可能にクリーニングされた信号のセットを構築する、
    請求項１から９のいずれか一項に記載の医療用イメージングシステム。
11. 前記変更された信号のセットがノイズ信号のセットである場合、前記制御可能にクリーニングされた信号のセットを構築することは、前記ノイズリダクション値を前記変更された信号のセットと掛けた積を前記初期信号のセットから差し引くことを含み、
    前記変更されたノイズ信号のセットがクリーニングされた信号のセットである場合、前記制御可能にクリーニングされた信号のセットを構築することは、
    前記初期信号のセットから前記変更された信号のセットを差し引くことによってノイズ信号のセットを計算することと、
    前記ノイズリダクション値を前記ノイズ信号のセットと掛けた積を前記初期信号のセットから差し引くことによって、前記制御可能にクリーニングされた信号のセットを構築することとを含む、
    請求項１０に記載の医療用イメージングシステム。
12. 前記機械実行可能命令の実行により、前記プロセッサはさらに、前記制御可能にクリーニングされた信号のセットから機能的磁気共鳴画像を再構築する、請求項１０または１１に記載の医療用イメージングシステム。
13. 前記ボクセルのセットの各ボクセルの前記リカレントニューラルネットワークはＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）ニューラルネットワークである、請求項１から１２のいずれか一項に記載の医療用イメージングシステム。
14. 医療用イメージングシステムの動作方法であって、前記方法は、
    磁気共鳴イメージングデータを受け取るステップであって、前記磁気共鳴イメージングデータは、ボクセルのセットのボクセルごとの時間依存ＢＯＬＤ信号を表すＢＯＬＤ機能的磁気共鳴イメージングデータである、受け取るステップと、
    前記磁気共鳴イメージングデータを使用して前記ボクセルのセットのボクセルごとの前記時間依存ＢＯＬＤ信号を再構築することによって初期信号のセットを構築するステップと、
    構成された人工ニューラルネットワークへの前記初期信号のセットの入力に応答して、前記構成された人工ニューラルネットワークから変更された信号のセットを受け取るステップであって、前記構成された人工ニューラルネットワークは、前記初期信号のセットから生理学的アーチファクトを除去するように構成されており、前記構成された人工ニューラルネットワークは、前記ボクセルのセットのボクセルごとにリカレントニューラルネットワークを有する、受け取るステップとを含む、
    方法。
15. 構成された人工ニューラルネットワークを実装するプロセッサ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、前記プロセッサは、
    磁気共鳴イメージングデータを受け取り、ここで、前記磁気共鳴イメージングデータは、ボクセルのセットのボクセルごとの時間依存ＢＯＬＤ信号を表すＢＯＬＤ機能的磁気共鳴イメージングデータであり、
    前記磁気共鳴イメージングデータを使用して前記ボクセルのセットのボクセルごとの前記時間依存ＢＯＬＤ信号を再構築することによって初期信号のセットを構築し、
    前記構成された人工ニューラルネットワークへの前記初期信号のセットの入力に応答して、前記構成された人工ニューラルネットワークから変更された信号のセットを受け取り、ここで、前記構成された人工ニューラルネットワークは、前記初期信号のセットから生理学的アーチファクトを除去するように構成されており、前記構成された人工ニューラルネットワークは、前記ボクセルのセットのボクセルごとにリカレントニューラルネットワークを有する、
    コンピュータプログラム。

Images