医用数据处理装置、磁共振成像装置及学习完毕模型生成方法制造方法及图纸

医用数据处理装置具有存储部和处理部。存储部存储具有输入层、输出层及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一MR数据、及与上述第一MR数据为同一拍摄对象并且与不同于上述第一MR数据的拍摄参数有关的第二MR数据，输出层输出将上述第一MR数据的缺失部分复原而得到的第三MR数据。处理部，按照上述学习完毕模型，根据与被检体有关的处理对象的第一MR数据、及与上述被检体有关并且通过与上述处理对象的第一MR数据不同的拍摄参数所收集到的第二MR数据，生成与上述被检体有关的第三MR数据。

Medical Data Processing Device, Magnetic Resonance Imaging Device and Learning Completion Model Generation Method

【技术实现步骤摘要】
【国外来华专利技术】医用数据处理装置、磁共振成像装置及学习完毕模型生成方法
本专利技术的实施方式涉及医用数据处理装置、磁共振成像装置及学习完毕模型生成方法。
技术介绍
在使用了医用图像数据及其原数据等的医用数据的机器学习中，有为了根据一部分已缺失的医用数据复原出原来的数据，而应用根据很多的学习数据进行学习而得到的深度神经网络(DNN：DeepNeuralNetwork)的方法。例如，在磁共振成像(MRI：MagneticResonanceImaging)中，有如下方法：对欠采样得到的k空间数据应用DNN而生成缺失部分已被复原的k空间数据，并基于复原后的k空间数据，获得复原图像。现有技术文献非专利文献非专利文献1：YannLeCun，其他2名，“Deeplearning”，NatureVol521，2015年5月28日非专利文献2：JoSchlemper，其他4名，“ADeepCascadeofConvolutionalNeuralNetworksforMRImageReconstruction”arXiv:1703.00555v1[cs.CV],2017年3月1日
技术实现思路
专利技术解决的课题专利技术解决的课题在于，提供能够提高医用数据的复原精度的医用数据处理装置。用于解决课题的手段实施方式所涉及的医用数据处理装置具备：存储部，存储具有输入层、输出层及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一MR数据、和与上述第一MR数据为同一拍摄对象并且与不同于上述第一MR数据的拍摄参数有关的第二MR数据，该输出层输出将上述第一MR数据的缺失部分复原而得到的第三MR数据；以及处理部，按照上述学习完毕模型，根据与被检体有关的处理对象的第一MR数据、和与上述被检体有关并且通过与上述处理对象的第一MR数据不同的拍摄参数收集到的第二MR数据，生成与上述被检体有关的第三MR数据。专利技术的效果能够提高医用数据的复原精度。附图说明图1是表示本实施方式所涉及的医用数据处理装置所属的医用数据处理系统的构成及处理的概要的图。图2是表示本实施方式所涉及的多层化网络的构造的图。图3是表示本实施方式所涉及的医用图像诊断装置的构成的图。图4是表示本实施方式所涉及的学习完毕模型的输入与输出的组合的一例的图。图5是表示本实施方式所涉及的学习完毕模型的输入与输出的组合的其他的例子的图。图6是表示本实施方式所涉及的学习完毕模型的详细的构造的图。图7是表示图3的医用数据处理装置进行的DNN复原处理的典型的流程的图。图8是示意地表示本实施方式所涉及的正向传播处理中的学习完毕深度神经网络的输入与输出的关系的图。图9是示意地表示本实施方式所涉及的正向传播处理中的学习完毕深度神经网络的输入与输出的关系的其他的图。图10是示意地表示本实施方式所涉及的正向传播处理中的学习完毕深度神经网络的输入与输出的关系的其他的图。图11是示意地表示本实施方式所涉及的正向传播处理中的学习完毕深度神经网络的输入与输出的关系的其他的图。图12是示意地表示本实施方式所涉及的正向传播处理中的学习完毕深度神经网络的输入与输出的关系的其他的图。图13是示意地表示本实施方式所涉及的正向传播处理中的学习完毕深度神经网络的输入与输出的关系的其他的图。图14是表示本实施方式所涉及的其他的医用数据处理装置的构成的图。图15是表示图1的模型学习装置的构成的图。图16是表示图15的模型学习装置的处理电路按照模型学习程序执行的模型学习处理的典型的流程的图。图17是表示应用例1所涉及的磁共振成像装置的构成的图。图18是示意地表示图17的医用数据处理装置的处理的图。图19是表示应用例2所涉及的X射线计算机断层摄影装置的构成的图。图20是示意地表示图19的医用数据处理装置的处理的图。图21是表示应用例3所涉及的PET/CT装置的构成的图。图22是表示图21的医用数据处理装置的处理的典型的流程的图。图23是示意地表示图21的医用数据处理装置的处理的图。图24是表示应用例4所涉及的超声波诊断装置的构成的图。图25是示意地表示图24的医用数据处理装置的处理的图。图26是示意地表示实施例1所涉及的医用数据处理装置的处理的图。图27是表示实施例1所涉及的DNN的概要的图。图28是表示使用了仿真出的径向数据(每1帧21条辐条)的结果的图，是表示基于NUFFT+PI的重构图像的图。图29是表示使用了仿真出的径向数据(每1帧21条辐条)的结果的图，是表示基于通常重构法(M＝N＝1)的重构图像的图。图30是表示使用了仿真出的径向数据(每1帧21条辐条)的结果的图，是表示基于实施例所涉及的重构法(M＝5并且N＝3)的重构图像的图。图31是表示使用了仿真出的径向数据(每1帧21条辐条)的结果的图，是表示真的重构图像的图。图32是表示实际的星形数据栈(每1帧21条辐条)的结果的图，是表示基于NUFFT+PI的重构图像的图。图33是表示实际的星形数据栈(每1帧21条辐条)的结果的图，是表示基于通常重构法(M＝N＝1)的重构图像的图。图34是表示实际的星形数据栈(每1帧21条辐条)的结果的图，是表示基于实施例所涉及的重构法(M＝5并且N＝3)的重构图像的图。图35是示意地表示实施例2中执行的稠密输入(denseinput)的图。图36是表示实施例2所涉及的利用了稠密输入的DNN重构的一例的图。图37是表示实施例3所涉及的利用了稠密输入的DNN重构的一例的图。具体实施方式以下，参照附图，对本实施方式所涉及的医用数据处理装置、磁共振成像装置及学习完毕模型生成方法进行说明。图1是表示本实施方式所涉及的医用数据处理装置1所属的医用数据处理系统100的构成及处理的概要的图。如图1所示那样，本实施方式所涉及的医用数据处理系统100，具有医用数据处理装置1、医用拍摄装置3、模型学习装置5及学习数据保管装置7。学习数据保管装置7存储包括多个学习样本的学习数据。例如，学习数据保管装置7是内置有大容量存储装置的计算机。另外，学习数据保管装置7可以是经由线缆、通信网络以能够通信的方式连接于计算机的大容量存储装置。作为该存储装置，能够适当利用HDD(HardDiskDrive)、SSD(SolidStateDrive)、集成电路存储装置等。模型学习装置5，基于存储于学习数据保管装置7的学习数据，按照模型学习程序，使机器学习模型进行机器学习，而生成学习完毕的机器学习模型(以下，称为学习完毕模型)。模型学习装置5是具有CPU(CentralProcessingUnit)及GPU(GraphicsProcessingUnit)等处理器的工作站等的计算机。模型学习装置5与学习数据保管装置7，既可以经由线缆或者通信网络以能够通信的方式连接，也可以是学习数据保管装置7被搭载于模型学习装置5。在此情况下，经由线缆或者通信网络等，从学习数据保管装置7对模型学习装置5供给学习数据。模型学习装置5与学习数据保管装置7也可以不是以能够通信的方式连接。在此情况下，经由存储有学习数据的移动式存储介质，从学习数据保管装置7对模型学习装置5供给学习数据。本实施方式所涉及的机器学习模型为，将医用数据作为输入并输出将该医用数据的缺失部分复原而得到的医用数据的、合成多个函数而成的带参本文档来自技高网...

【技术保护点】
1.一种医用数据处理装置，具备：存储部，存储具有输入层、输出层及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一MR数据、和与上述第一MR数据为同一拍摄对象并且与不同于上述第一MR数据的拍摄参数有关的第二MR数据，该输出层输出将上述第一MR数据的缺失部分复原而得到的第三MR数据；以及处理部，按照上述学习完毕模型，根据与被检体有关的处理对象的第一MR数据、和与上述被检体有关并且通过与上述处理对象的第一MR数据不同的拍摄参数收集到的第二MR数据，生成与上述被检体有关的第三MR数据。

【技术特征摘要】
【国外来华专利技术】2017.11.24 JP 2017-2262431.一种医用数据处理装置，具备：存储部，存储具有输入层、输出层及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一MR数据、和与上述第一MR数据为同一拍摄对象并且与不同于上述第一MR数据的拍摄参数有关的第二MR数据，该输出层输出将上述第一MR数据的缺失部分复原而得到的第三MR数据；以及处理部，按照上述学习完毕模型，根据与被检体有关的处理对象的第一MR数据、和与上述被检体有关并且通过与上述处理对象的第一MR数据不同的拍摄参数收集到的第二MR数据，生成与上述被检体有关的第三MR数据。2.如权利要求1所述的医用数据处理装置，上述第一MR数据和上述第二MR数据，是k空间数据或者对上述k空间数据实施复原处理而生成的MR图像数据。3.如权利要求2所述的医用数据处理装置，上述复原处理是降噪式复原或者数据误差反馈式复原。4.如权利要求1所述的医用数据处理装置，上述拍摄参数包括切片位置、收集时刻、收集序列、k空间填充轨迹及时间分辨率中的至少一个。5.如权利要求4所述的医用数据处理装置，上述第一MR数据与上述第二MR数据相比，数据间隔剔除量多。6.如权利要求1所述的医用数据处理装置，上述第一MR数据和上述第二MR数据，作为单一的输入向量，被输入至上述学习完毕模型。7.如权利要求6所述的医用数据处理装置，上述第一MR数据被设定于上述输入向量的第一范围，上述第二MR数据被设定于上述输入向量的第二范围，上述第一范围与上述第二范围的位置被固定。8.如权利要求7所述的医用数据处理装置，上述第二MR数据具有拍摄参数不同的多组MR数据，上述多组的各组的上述第二MR数据，被设定于上述输入向量的上述第二范围中的被固定的范围。9.如权利要求1所述的医用数据处理装置，还具备学习部，该学习部对于将多个函数合成而得到的带参数合成函数应用第一MR数据和第二MR数据而生成估计输出数据，并以使得上述估计输出数据与正确输出数据近似的方式将上述带参数合成函数的参数更新，从而生成上述学习完毕模型。10.如权利要求1所述的医用数据处理装置，还具备按照用户的指示来选择拍摄部位的选择部，上述处理部根据所选择的上述拍摄部位，切换学习完毕模型。11.如权利要求1所述的医用数据处理装置，上述拍摄参数包括第一参数和第二参数，上述第一MR数据与上述第二MR数据，上述第一参数共通，上述第二参数不同，上述第一MR数据与上述第三MR数据，上述第一参数和上述第二参数共通，上述第二MR数据与上述第三MR数据，上述第一参数共通，上述第二参数不同，上述第三MR数据与上述第一MR数据相比，数据缺失少或者画质高。12.如权利要求11所述的医用数据处理装置，上述第一参数是切片位置，上述第二参数是收集时刻、收集序列、k空间填充轨迹及时间分辨率。13.如权利要求11所述的医用数据处理装置，上述第一参数是收集序列、k空间填充轨迹及时间分辨率中的至少一个，上述第二参数是切片位置。14.如权利要求11所述的医用数据处理装置，上述第一参数是切片位置及收集序列中的EPI，上述第二参数是收集序列中的b值。15.一种磁共振成像装置，具备：存...

【专利技术属性】
技术研发人员：竹岛秀则，
申请(专利权)人：佳能医疗系统株式会社，
类型：发明
国别省市：日本,JP