ＭＣＧ測定値のノイズ除去
【課題】ノイズアーティファクトが低減されている心磁図（ＭＣＧ）システムが、最初に、磁場センサーユニットによって取得される低分解能測定値の高分解能画像表現を作成することを提供する。
【解決手段】高分解能画像表現は、理想的な、ノイズのない高分解能画像のライブラリーを使用してトレーニングされているＰＣＡモデル２２を使用することによって作成される。次いで、ビオ・サバールの法則が使用されて、高分解能画像表現を所与として電流インパルスの３Ｄモデルが作成される。３Ｄ電流インパルスモデルから、３Ｄ電流インパルスモデルを観測する理論的センサーユニットを使用して得られていたであろうような、理想的なセンサーユニット測定値が合成される。
【解決手段】高分解能画像表現は、理想的な、ノイズのない高分解能画像のライブラリーを使用してトレーニングされているＰＣＡモデル２２を使用することによって作成される。次いで、ビオ・サバールの法則が使用されて、高分解能画像表現を所与として電流インパルスの３Ｄモデルが作成される。３Ｄ電流インパルスモデルから、３Ｄ電流インパルスモデルを観測する理論的センサーユニットを使用して得られていたであろうような、理想的なセンサーユニット測定値が合成される。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、心磁図（magneto cardio gram、ＭＣＧ）イメージングの分野に関する。詳細には、本発明は、電磁センサーユニットによって得られる低密度（sparse）測定値のノイズを低減すること（すなわち、ノイズ除去）に関する。
【背景技術】
【０００２】
生体磁気の分野は一般的に、生命有機体、または生体組織によって生成される磁場の研究を指す。例えば、この分野は、人の脳および心臓の磁気画像の作成に適用されてきた。本発明は、磁気心臓学、人の心臓の磁気画像の作成に関するものである。
【０００３】
心臓電流（または電流インパルス）は、心臓内の電気生理学的過程によって生成される。異常な電流の位置特定が、心筋梗塞症、狭心症などのような虚血性疾患の診断に使用される場合がある。これは、Int．Conf．on Biomagnetism Advances in Biomagnetism，２８：１−８，２０１０における、F．Stroinkによる「磁気心臓学の４０年（Forty Years of Magnetocardiology）」において説明されているように、治療および経過観察のためにカテーテル検査室に入っている患者に有益である。
【０００４】
従来、不整脈のような不規則な心臓電気活動が、心電図（electrocardiogram、ＥＣＧ）を用いて診断される。しかしながら、ＥＣＧは、時間的情報を提供するのみであり、従って、虚血性疾患が検出されている場合には、心臓内の異常な電気インパルス電流を直接位置特定することはできない。電気インパルス電流を位置特定することを試みる１つの技法は、体表面電位マッピング（Body Surface Potential Mapping、ＢＳＰＭ）として知られており、これは、多数の電極（すなわち、リード線）を使用して体表面電位マップを再構築する。このＢＳＰＭ技法は、ＣＶＰＲ，２１７６−２１８３ページ，２００９における、Wang他による「心臓電気生理の非侵襲的容積イメージング（Noninvasive volumetric imaging of cardiac electrophysiology）」において説明されている。しかしながら、ＢＳＰＭ電流位置特定の精度は、体組織の伝導性の不足によって、観測される電気信号が歪められる可能性があるため、限定されている。
【０００５】
心磁図、または心磁図記録法（ＭＣＧ）の出現により、空間的および時間的の両方において、心臓電気インパルス電流のより正確な測定値が利用可能となった。図１Ａを参照すると、ＭＣＧシステムは、少数の個々の電磁センサー１３（通常は６４個以下のセンサーから成る平面アレイとして配列される）を収容するＭＣＧセンサーユニットから成る。身体内の電気インパルス１７が、磁場１５を生成する。本事例では、ヒトの心臓１９が電気インパルス１７の観測される発生源として（すなわち、電流源として）機能する。
【０００６】
各電磁センサー１３はキャプチャーポイントであり、電磁センサー１３は、以後キャプチャーとして記載される場合がある。各キャプチャー（電磁センサー１３）は、患者の胸部２１（すなわち、ヒトの胴体）から発する磁気波形をセンサー平面アレイに垂直な方向（すなわち、ｚ方向）における１次元（すなわち、１Ｄ）で測定する。ｚ方向における所与の深度においてキャプチャー１３のアレイの深度測定値（すなわち、１Ｄ磁気波形）を位置合わせ（または同期）することによって、所与の深度における２次元（２Ｄ）ＭＣＧマップを構築することができる。ＭＣＧセンサーユニット１１は通常、患者の胸部２１の５〜１０センチメートル上に置かれ、患者の心臓磁場を非侵襲的に測定する。キャプチャー（電磁センサー１３）のアレイは、電磁気活動の低分解能（以下、低解）２次元（２Ｄ）ＭＣＧマップの集合として測定する。
【０００７】
ＭＣＧにはＥＣＧにまさるいくつかの利点がある。第１に、体組織の磁気特性に起因して、心臓の電流インパルス（以下、電流（currents，electric currents or electrical currents））によって生成される。磁場は体表面に垂直な方向（すなわち、ｚ方向）において歪められない。従って、ＭＣＧはより正確であり、心臓疾患の初期段階における微弱な電気的活動に対する感度が高い。第２に、ＭＣＧセンサーアレイは心臓内の電流の位置を特定することができる。更に、ＭＣＧ測定は非侵襲的である。４０年にわたるＭＣＧにおける研究では、ＭＣＧ測定のための心臓電流位置特定および高分解能の視覚化は研究および臨床の両方の領域でますます多くの関心を惹きつけている。
【０００８】
しかしながら、ＭＣＧに関連する多数の難点が存在し、このことが今までのところ、ＭＣＧが心臓病学における主流の医療診断器具となることを妨げている。第１の難点は、ヒトの心臓において生成される小さな磁場を分かりにくくする可能性がある多大な量の電磁的ノイズである。これは、磁気遮蔽室を使用して背景ノイズを低減することによって、超電導量子干渉素子（superconducting quantum interference device、ＳＱＵＩＤ）のような高感度の電磁センサー１３の導入によって或る程度までは対処されてきた。これらのステップは助けになってきたが、それでも、なお、計測値には多くのノイズが残っている。
【０００９】
もう一つの難点は、ＭＣＧセンサーユニット１１内に収容することができる電磁センサー１３の数が限られていることであり、これによって、ＭＣＧマップの分解能が制限される。結果として、ＭＣＧセンサーユニット１１は一般的に低分解能の（低解）２Ｄ ＭＣＧマップしか生成することができない。一般的に、これらの低解２Ｄ ＭＣＧマップは心臓内の電流を位置特定するのに十分でない。例えば、（Hitachi Review，５０（１）：１３−１７，２００１における、Tsukada他による、「心臓疾患診断のための新開発心磁図記録システム（Newly Developed Magnetocardiographic System for Diagnosing Heart Disease）」に記載されているような）２５ｍｍのセンサー間隔を有する６４チャネルＨＩＴＡＣＨＩ（登録商標）ＭＣＧシステムは、８×８ＭＣＧマップ（すなわち、６４個の測定点から成る８×８アレイ）しか測定しない。
【００１０】
従って、ＭＣＧは、低解２Ｄ ＭＣＧ画像またはマップから高分解能（以下、高解）２Ｄ ＭＣＧ画像またはマップを生成することである。このような高解２Ｄ ＭＣＧ画像の２つの画像例２３および２５が、図１Ｂにおいて示されている。画像２３は、生成された、健康な心臓の高解ＭＣＧ画像の接線画像を示す。画像２３内の最大点（すなわち、最強点）は、心臓内の電流の位置（すなわち発生源）を示す。従って、高解ＭＣＧ画像は、医師が心臓内の電気的活動を直接「見る」ことを可能にする。画像２５は、生成された健康でない心臓の高解ＭＣＧ画像の接線画像を示す。当該画像は、健康な心臓の画像２３と著しく異なり、従って、診断のための重要な指示を提供する。低解ＭＣＧマップと比較して、高解ＭＣＧ画像は診断により有意義な画像を提供し、正確な電流位置特定のための基礎としての役割を果たす。
【００１１】
最新のＭＣＧシステムは、高解２Ｄ ＭＣＧ画像を低解２Ｄ ＭＣＧマップから生成するために、Ann Noninvasive Electrocardiol，１０（２）：１５２−１６０，２００５における、Ｂ．Ａ．Ｓ．他による「不整脈基質の心磁図記録による位置特定：基準としての副伝導路除去を伴う方法論研究（Magnetocardiographic Localization of Arrhythmia Substrates： A Methodology Study With Accessory Path‐Way Ablation as Reference）」、および、Int．Congress Series，１３００：５１２−５１５，２００７における、Nomura他による「心磁図による梗塞ベクトルの評価：心磁図から推定することができない起電力の検出（Evaluation of an Infarction Vector by Magnetocardiogram： Detection of Electromotive Forces that Cannot be Deduced from an Electrocardiogram）」に示されているような、電磁センサー１３の観測された測定値の間の曲線適合補間法を使用しているが、曲線適合法の精度は一般的に限られている。
【００１２】
観測された低解ＭＣＧマップにおいてノイズを首尾よくさらに低減するＭＣＧシステムが必要とされている。
【００１３】
高解ＭＣＧマップをより良好に利用してＭＣＧシステムの観測された測定値を改善する方法も必要とされている。
【先行技術文献】
【特許文献】
【００１４】
【特許文献１】米国特許出願第１３／０１７，８６９号パンフレット
【非特許文献】
【００１５】
【非特許文献１】F．Stroinkによる「磁気心臓学の４０年（Forty Years of Magnetocardiology）」Int．Conf．on Biomagnetism Advances in Biomagnetism，２８：１−８，２０１０年
【非特許文献２】Wang他による「心臓電気生理の非侵襲的容積イメージング（Noninvasive volumetric imaging of cardiac electrophysiology）」ＣＶＰＲ，２１７６−２１８３ページ，２００９年
【非特許文献３】Tsukada他による、「心臓疾患診断のための新開発心磁図記録システム（Newly Developed Magnetocardiographic System for Diagnosing Heart Disease）」Hitachi Review，５０（１）：１３−１７，２００１年
【発明の概要】
【発明が解決しようとする課題】
【００１６】
本発明の目的は、改善されたノイズ除去能力を有するＭＣＧシステムである。
【００１７】
本発明のもう一つの目的は、高解ＭＣＧ画像の改善された分解能を利用して観測された低解ＭＣＧマップ内のノイズを補正するのを助けることである。
【００１８】
本発明のもう一つの目的は、ノイズ低減能力がもともと備わっている高解ＭＣＧ画像を生成する方法を提供することである。
【００１９】
本発明のもう一つの目的は、ＭＣＧセンサーユニットの境界を越えてイメージング情報を提供する高解ＭＣＧ画像を生成することである。
【００２０】
本発明のもう一つの目的は、ＭＣＧシステムのコンピューティング資源要件を低減する低解２Ｄマップから高解ＭＣＧ画像を生成することを目的とする手法を提供することである。
【課題を解決するための手段】
【００２１】
上記の目的は、心磁図（ＭＣＧ）システムであって、Ｍ×Ｍ個のデータ値の低密度測定値出力を生成するＭ×Ｍ個の電磁センサーを含むセンサーユニットであって、当該低密度測定値出力は第１ＭＣＧ画像を構成するセンサーユニットと、第１ＭＣＧ画像を受け取るとともに当該第１ＭＣＧ画像のより分解能の高い画像表現を生成するための高分解能ＭＣＧ画像合成器であって、当該より分解能の高い画像表現は第１ＭＣＧ画像よりも画素密度の高い第２ＭＣＧ画像である高分解能ＭＣＧ画像合成器と、第２ＭＣＧ画像を受け取るとともに当該第２ＭＣＧ画像のノイズ除去された、より分解能の低い画像表現を生成するためのノイズ除去画像処理ブロックであって、ノイズ除去されたより分解能の低い画像表現は第１ＭＣＧ画像のＭ×Ｍ個のデータ値の範囲に対応する物理センサー領域内のＭ×Ｍ個の画素と、を有するとともに、第１ＭＣＧ画像と比較して低減されたノイズレベルを有する第３ＭＣＧ画像であるノイズ除去画像処理ブロックとを有する心磁図システムである。
【００２２】
好ましくは、ノイズ除去画像処理ブロックは、ターゲット画素として、その画像位置が第１ＭＣＧ画像のＭ×Ｍ個のデータ値の画像位置に対応する第２ＭＣＧ画像の画素を識別し、物理センサー領域に当該ターゲット画素をデータ投入する。
【００２３】
さらに、高分解能ＭＣＧ画像合成器による第２ＭＣＧ画像の生成は、第１ＭＣＧ画像より分解能の高いモデルＭＣＧ画像を定義する線形モデルにアクセスするステップであって、当該線形モデルは、線形モデルの特性とＭ×Ｍ個のデータ値の低密度測定値出力の任意のデータ値との間の補間パターンを確立するアクセスするステップと、第１ＭＣＧ画像を線形モデルの部分空間上に投影するとともに、線形モデルおよびＭ×Ｍ個のデータ値に従って中間ＭＣＧ画像のための係数を確立することによって中間ＭＣＧ画像を生成するステップとを含む。この場合、高分解能ＭＣＧ画像合成器は、第２ＭＣＧ画像として中間画像を出力される。
【００２４】
さらにこの場合、線形モデルは第２ＭＣＧ画像と同じ分解能を有する複数の合成心磁図画像を作成することによって定義され、合成心磁図画像は、予測される心磁図システムにおいて知覚されるであろうような３次元空間心臓容積内のシミュレートされる電気インパルスに基づく。好ましくは、合成ＭＣＧ画像は心臓容積内でランダムに生成される電流に基づき、線形モデルは主成分分析（principal component analysis、ＰＣＡ）を使用することによって作成される。
【００２５】
【００２６】
さらにこの実施形態において、新たな双極子およびＭ×Ｍ個の低密度測定値ｇjを所与として、固有行列内の対応する行を見つけるとともに、結果として得られる部分行列をΣgとして示すステップと、低密度測定値をＰＣＡ部分空間に投影するとともに係数をｃg＝Σg+（ｇj−ｇmean）として計算するステップであって、Σg+はΣgの擬似逆である、投影するとともに計算するステップと、高密度磁場マップＢｚをｆj＝Σfｃg＋ｆmeanとして再構築するために、計算された係数および元のＰＣＡ空間を使用するステップとによって、中間ＭＣＧ画像が作成される。
【００２７】
【００２８】
【００２９】
【００３０】
好ましくは、第２ＭＣＧ画像は、第１ＭＣＧ画像よりも広いイメージング領域にわたる。この場合、第３ＭＣＧ画像は第１ＭＣＧ画像よりも広いイメージング領域にわたり、第３ＭＣＧ画像の物理センサー領域の画素密度は第３ＭＣＧ画像全体にわたって一様に広がり、物理センサー領域を超えて延在する第３ＭＣＧ画像のピクセルは、第２ＭＣＧ画像から求められるシミュレートされたセンサーデータを投入される。
【００３１】
さらに、ノイズ除去画像処理ブロックは、ターゲットピクセルとして、そのピクセル画像位置が第３ＭＣＧ画像のピクセル画像位置に対応する第２ＭＣＧ画像の画素を識別し、第３ＭＣＧのピクセル画像位置にそれらの対応するターゲット画素をデータ投入する。
【００３２】
好ましくは、第３ＭＣＧ画像のイメージング範囲は、第２ＭＣＧ画像のイメージング範囲と実質的に同じである。
【００３３】
任意選択的に、高分解能ＭＣＧ画像合成器によって第１ＭＣＧ画像のより分解能の高い画像表現を生成することは、第１ＭＣＧ画像よりも著しく分解能の高いモデルＭＣＧ画像を定義する線形モデルにアクセスするステップであって、線形モデルは、第２ＭＣＧ画像と同じサイズおよび分解能を有する複数の合成心磁図画像を作成することによって定義されるアクセスするステップと、合成心磁図画像が、第２ＭＣＧ画像と類似の分解能の仮想心磁図システムにおいて知覚されるであろうような３次元空間心臓容積内でシミュレートされる電気インパルスに基づくステップと、線形モデルの特性と、低密度測定値出力の任意のデータ値の特性との間の補間パターンを確立するために、複数の合成心磁図画像からの情報が線形モデルに組み込まれるステップと、第２ＭＣＧ画像を生成することが、当該２ＭＣＧ画像の作成において使用するための係数を確立するために、第１ＭＣＧ画像を線形モデルの部分空間上に投影することを含むステップとを含む。
【００３４】
【００３５】
この目的は、心磁図（ＭＣＧ）システムであって、Ｍ×Ｍ個のデータ値の低密度測定値出力を生成するＭ×Ｍ個の電磁センサーを含むセンサーユニットであって、当該低密度測定値出力は第１ＭＣＧ画像を構成するセンサーユニットと、第１ＭＣＧ画像を受け取るとともに当該第１ＭＣＧ画像のより分解能の高い画像表現を生成するための高分解能ＭＣＧ画像合成器であって、当該より分解能の高い画像表現は第１ＭＣＧ画像よりも画素密度が高く、第１ＭＣＧ画像よりも広いイメージング領域にわたる第２ＭＣＧ画像である高分解能ＭＣＧ画像合成器とを有する心磁図システムにおいても満たされる。
【００３６】
好ましくは、高分解能ＭＣＧ画像合成器によって第１ＭＣＧ画像のより分解能の高い画像表現を生成することは、第１ＭＣＧ画像よりも著しく分解能の高いモデルＭＣＧ画像を定義する線形モデルにアクセスするステップであって、線形モデルは、第２ＭＣＧ画像とほぼ同様のサイズおよび分解能を有する複数の合成心磁図画像を作成することによって定義されるアクセスするステップと、合成心磁図画像が、第２ＭＣＧ画像と類似の分解能および画像サイズの仮想心磁図システムにおいて知覚されるであろうような３次元空間容積内でシミュレートされる電気インパルスに基づくステップと、線形モデルの特性と低密度測定値出力の任意のデータ値の特性との間の補間パターンを確立するために、複数の合成心磁図画像からの情報が線形モデルに組み込まれるステップと、第２ＭＣＧ画像の生成は、当該第２ＭＣＧ画像のための係数を確立するために第１ＭＣＧ画像を線形モデルの部分空間上に投影することを含むステップとを含む。
【００３７】
任意選択的に、３次元空間容積はシミュレートされた心臓組織容積であり、合成ＭＣＧ画像はシミュレートされた心臓組織容積内でランダムに生成される電流に基づき、線形モデルは主成分分析（ＰＣＡ）を使用することによって作成される。
【００３８】
【００３９】
他の目的および達成は、本発明のより完全な理解とともに、添付の図面とともに取り上げられる、以下の記載および特許請求の範囲を参照することによって明らかとなり、理解できる。
【図面の簡単な説明】
【００４０】
【図１】図１Ａは、ＭＣＧ測定システムを示し、図１Ｂは、健康な心臓の復元された高解ＭＣＧ画像の接線画像を、健康でない心臓のそれと比較している。
【図２】図２は、本発明のノイズ除去方法／システムの全体的な概説図である。
【図３】図３は、図２のＭＣＧ画像合成器の簡略化された内部図を示す。
【図４】図４は、本発明によって得られるいくつかのノイズ除去結果を示す。
【図５】図５は、本発明によって得られるいくつかのノイズ除去結果を示す。
【図６】図６は、本発明によって得られるいくつかのノイズ除去結果を示す。
【図７】図７は、本発明のモデリングシステムの原理を示す。
【図８】図８は、本発明のモデリングシステムの追加の原理を示す。
【図９】図９は、本発明による拡張モデルの１つの実施態様を示す。
【図１０】図１０は、本発明の拡張モデルの原理を示す。
【図１１】図１１は、本発明によるシミュレーション設定における心臓容積との空間的関係において２Ｄセンサーアレイを示す。
【図１２】図１２は、本発明によるトレーニング画像のさまざまな例を示す。
【図１３】図１３ａは、異なる複数の深度層における電流のランダムな生成を示し、図１３ｂは、異なる複数の深度ｚにおける６４回の試行の結果をプロットしている。
【図１４】図１４は、本発明を使用する高解ＭＣＧ画像の作成を、従来技術の方法およびグランドトゥルースの例と比較している。
【図１５】図１５は、本発明によるセンサーおよび電流の空間構成を示す。
【図１６】図１６は、本発明を使用する高解ＭＣＧ画像の作成を、従来技術の方法およびグランドトゥルースの例と比較している。
【図１７】図１７は、異なるボクセル電流のサイズに関する、２Ｄボクセル電流位置特定誤差を示す。
【図１８Ａ】図１８Ａは、本発明の説明に有用なさまざまな式を示す。
【図１８Ｂ】図１８Ｂは、本発明の説明に有用なさまざまな式を示す。
【図１８Ｃ】図１８Ｃは、本発明の説明に有用なさまざまな式を示す。
【図１９】図１９ａ〜１９ｄは、テスト結果を示すさまざまな表を示す。
【図２０】図２０は、拡張モデルが、元のモデルにおいて境界となっているものの上で電流双極子が位置特定されるのにどのようにより多くのサポートを提供するかを示す。
【図２１】図２１は、拡張モデルの拡張高密度磁場画像がどのように行ベクトルｆ1tとして計算され記憶されることができるかを示す図である。
【図２２】図２２は、元のモデルおよび拡張モデルの実施態様の幾つかの態様を比較している。
【図２３】図２３は、拡張モデルの一実施態様を示す。
【図２４】図２４は、本発明の一実施形態の例示的な実施態様を示す。
【図２５】図２５は、本発明の一実施形態の例示的な実施態様を示す。
【図２６】図２６は、図２４に示されるレベルによる、元のモデルと拡張モデルとを比較する、実験結果を比較する表を提供する。
【図２７】図２７は、図２４に示されるレベルによる、元のモデルと拡張モデルとを比較する、実験結果を比較する表を提供する。
【図２８】図２８は、図２４に示されるレベルによる、元のモデルと拡張モデルとを比較する、実験結果を比較する表を提供する。
【図２９】図２９は、図２４に示されるレベルによる、元のモデルと拡張モデルとを比較する、実験結果を比較する表を提供する。
【図３０】図３０は、図２４に示されるレベルによる、元のモデルと拡張モデルとを比較する、実験結果を比較する表を提供する。
【発明を実施するための形態】
【００４１】
人の心臓によって生成される磁場は非常に弱い。一般的に、このような磁場は１０-12〜１０-10テスラ程度である。これらの磁場のサイズは、それらが本質的に電磁的ノイズに対して脆弱であることを意味する。それゆえ、良好な測定値を得ることは、感度の高い機器を使用することが好ましいが、このような感度は同様にノイズの影響を受けやすい。
【００４２】
それゆえ、最良のＭＣＧ測定値であってもノイズが多い傾向にある。事実、生のＭＣＧ測定値はノイズが多すぎて直接使用することができない場合がある。従って、ノイズ除去方法（すなわち、生のＭＣＧマップからノイズを除去する方法）は、２Ｄ ＭＣＧ画像の生成において、一般的に前処理工程として必要になる。
【００４３】
異なる複数の手法が異なる複数の種類のノイズに対処されている。例えば、環境ノイズは、遮蔽室およびグラジオメーターを使用することによって低減されることができる。システムノイズは機器を注意深く較正することによって低減されることができる。生データにおける直接測定ノイズは、一般的に信号処理方法によって対処される。
【００４４】
現在の信号処理方法は、一般的に１次元のみにおいて測定ノイズに対処している。すなわち、各個々の電磁センサーから観測されたデータ信号は別個に処理される。各個々の電磁センサーから観測された測定値は経時的に収集されるため、このような信号処理方法は時間的領域における１次元情報のノイズ除去しか提供されていない。
【００４５】
現在好ましい発明は、直接測定ノイズを低減することに焦点を当てているが、２次元ノイズ除去方法を適用することによってそれを行っている。すなわち、従来技術におけるように、各電磁センサーを経時的に個々に処理する代わりに、本発明においては、ＭＣＧセンサーユニット内の電磁センサーのアレイ全体が、空間的領域において同時に対処される。従って、本発明は、所与のイメージング領域上での２次元測定値のためのノイズ除去方法を提供する。
【００４６】
この手法を使用して、最小二乗問題を解くことによってノイズが除去されることができる。さらに、現在好ましい手法に関して、ノイズが基本モードでなくなることになるため、ノイズはＰＣＡモデルを適合させることによって除去される。
【００４７】
ＰＣＡモデルを使用することによって、ノイズ除去処理中に同時に追加の画像処理の増強を適用することができる。すなわち、ＰＣＡモデルは、追加の画像処理効果のために設計されることができ、これは、ノイズ除去プロセスに不可分の一部となる。従って、ＰＣＡモデルはノイズを除去しながら生の入力ＭＣＧマップを調整（すなわち、修正またはフィルタリング）することができる。
【００４８】
従って、現在好ましい実施形態は、ノイズ除去のプロセス中に低解２Ｄ ＭＣＧ画像に対する画像増強（複数の場合もあり）を適用する方法を提供する。この画像増強（複数の場合もあり）は、例えば、観測された磁場の改善されたモデリングの提供の形態、および／または元の低解ＭＣＧ画像の範囲（すなわち、可視領域）の増大の形態であり得る。
【００４９】
１つの手法では、本方法は、生の低解２Ｄ ＭＣＧマップを表す３次元（３Ｄ）電流ベクトルを構築し、その後、構築された３Ｄ電流ベクトルから、理論的なノイズのないＭＣＧユニットによってキャプチャーされる理想的な低解２Ｄ ＭＣＧマップを再構築する。好ましくは、３Ｄ電流ベクトルを構築するためのステップは、同時に測定ノイズを抑制しながら、構築された３Ｄ電流ベクトルの精度を高めるＰＣＡモデルを組み込む。別の手法においては、ＰＣＡモデルは後続する３Ｄ電流ベクトル構築なしに適用される。ノイズのないＭＣＧユニットによって見られるノイズ除去された低解２Ｄ ＭＣＧマップがＰＣＡモデル結果から直接構築される。
【００５０】
両方の場合において、ＰＣＡモデルは、元の物理ＭＣＧユニットによって提供されるものよりも広い表示領域を提供するように強化することができる。従って、増強されたＰＣＡモデルから構築される。結果として、得られる低解２Ｄ ＭＣＧマップ８は、元の生の低解２Ｄ ＭＣＧマップのものよりも広い表示領域を提供する。これは、物理電磁センサーのアレイのエッジのような、境界エッジ状態を起こしやすい誤差をいくらか低減する。
【００５１】
図２を参照すると、本発明の全体的な概説は、低解２Ｄ第１ＭＣＧ画像１２（または低密度ＭＣＧマップ）を出力する（図１Ａのセンサーユニット１１のような）物理ＭＣＧセンサーユニット１０によって開始する。理解されるであろうように、ＭＣＧセンサーユニット１０は、図１Ａに示されるような物理電磁センサーのアレイを収容し、各電磁センサーはピクセル値を構成する別個の測定値出力またはデータ値を提供するであろう。例えば、ＭＣＧセンサーユニット１１がＭ×Ｍ個の電磁センサーのアレイを収容している場合、低解第１ＭＣＧ画像１２はＭ×Ｍ個のデータ値から成るＭ×Ｍピクセル分解能を有することになる。
【００５２】
低解第１ＭＣＧ画像１２は（好ましくはＰＣＡベースの）高解ＭＣＧ画像合成器１４に送られ、当該画像合成器は、高解２Ｄ第２ＭＣＧ画像１６を生成する。高解第２ＭＣＧ画像１６は第１ＭＣＧ画像１２のより分解能の高い画像表現している。例えば、第２ＭＣＧ画像１６はＰ×Ｐピクセル分解能を有することができ、ここで、Ｐ＞＞Ｍである。さらに好ましくは、第２ＭＣＧ画像１６は一貫した第１ＭＣＧ画像１２よりも高い画素密度を有する。例えば、第１ＭＣＧ画像１２が２０ｃｍ×２０ｃｍの画像領域にわたる場合、その画素密度は４００ｃｍ2あたりＭ×Ｍピクセルになり、一方で対応する第２ＭＣＧ画像１６の同じ画像領域に対する画素密度は、４００ｃｍ2あたりＰ×Ｐピクセルになる。なお、第２ＭＣＧ画像１６の画像領域が第１ＭＣＧ画像１２のものよりも大きい場合、第２ＭＣＧ画像１６は好ましくは、その画像領域全体にわたって同じ画素密度を維持する。
【００５３】
ノイズ除去画像処理ブロック１８は高解第２ＭＣＧ画像１６を受け取る。ノイズ除去画像処理ブロック１８は好ましくは、少なくともＭＣＧセンサーユニット１０の物理的構築および構成ならびにその電磁センサーの内部アレイを認識している。ノイズ除去画像処理ブロック１８はこの情報を使用して、第２ＭＣＧ画像１６から低解２Ｄ第３ＭＣＧ画像２０を構築し、当該画像は、測定値ノイズがその読み値になかった場合にＭＣＧセンサーユニット１０がキャプチャーしているはずのものをシミュレートする。すなわち、ノイズ除去画像処理ブロック１８は、ＭＣＧセンサーユニット１０の物理センサー領域、すなわち、第１ＭＣＧ画像１２のイメージング領域をシミュレートする。それゆえ、第３ＭＣＧ画像２０は第１ＭＣＧ画像１２と類似の（好ましくは等しい）画素密度を有する。
【００５４】
任意選択的に、ノイズ除去画像処理ブロック１８は、破線によって示されるような第１ＭＣＧ画像１２のコピーを受け取ることによってもこれを達成することができる。この場合、ノイズ除去画像処理ブロック１８は、第１ＭＣＧ画像１２を第２ＭＣＧ画像１６と比較し、その画像位置が第１ＭＣＧ画像１２のＭ×Ｍ個のデータ値の画像位置に対応する第２ＭＣＧ画像１６の画素を、ターゲット画素として識別する。第１ＭＣＧ画像１２の画像領域に対応する（すなわち、ＭＣＧセンサーユニット１０の物理センサー領域に対応する）第３ＭＣＧ画像２０の画像領域に、その後、対応するターゲット画素をデータ投入することができる。
【００５５】
第３ＭＣＧ画像２０の画像領域が第２ＭＣＧ画像１６の画像領域に類似している（および好ましくは同じ）こと、および、第３ＭＣＧ画像２０の画素密度が第１ＭＣＧ画像１２に類似している（および好ましくは同じ）ことが望ましい。従って、第２ＭＣＧ画像１６が第１ＭＣＧ画像１２の画像領域よりも大きく、かつ完全に包含している場合、第３ＭＣＧ画像２０は同様に、第１ＭＣＧ画像１２の画像領域よりも大きく、かつ完全に包含していることになる。この場合、第３ＭＣＧ画像のセンサー領域（すなわち、第１ＭＣＧ画像１２の画像領域に対応する画像領域）の画素密度は、第３ＭＣＧ画像２０全体を通じて一様に広がっている。好ましくは、第３ＭＣＧ画像２０内で、このセンサー領域を超えて延在するピクセルは、直ぐ上で記載された、かつ／または下記により詳細に記載されるものと同様の様式で、第２ＭＣＧ画像１６から求められるシミュレートされたセンサーデータを投入される。
【００５６】
上記で説明されたように、高解ＭＣＧ画像合成器１４は好ましくはＰＣＡベースのモデルを実装し、同時に第１ＭＣＧ画像１２の分解能を向上させて当該画像の鼻を低減しながら、画像増強を提供する。ＭＣＧ画像合成器１４の簡略化された内部図が図３において提供される。
【００５７】
図３を参照すると、ここで図２に類似のすべての要素は同様の参照符号を有するとともに上述されており、ＭＣＧ画像合成器１４のいくつかの任意選択の実施態様が示されている。図２および３に示されているように、ＭＣＧ画像合成器１４は入力第１ＭＣＧ画像１２を、ノイズ除去画像処理ブロック１８に転送するために直接、出力に渡すことができる。
【００５８】
好ましくは、ＭＣＧ画像合成器１４は、上記第１ＭＣＧ画像１２よりも大幅に分解能の高いモデルＭＣＧ画像（本明細書においてＰＣＡ線形モデル２２によって具現化される）を組み込み、または通信する。ＰＣＡ線形モデル２２は、心臓組織内の電流インパルスの所望の効果を有する理想的な高分解能画像の予備知識に基づいて、第１ＭＣＧ画像１２を修正する。このような理想的な高分解能画像のライブラリーを物理的測定値から取得することは実際的でないため、ＰＣＡ線形モデル２２は好ましくは、第２ＭＣＧ画像１６と同じサイズおよび分解能を有する合成心磁図画像のライブラリーから定義される。合成心磁図画像のライブラリーは好ましくは、所望の画像増強を組み込むように合成される。従って、この合成ライブラリーに基づくＰＣＡ線形モデル２２は、同じ望ましい画像増強を組み込んだことになる。下記により十分に説明されるように、合成心磁図画像は、仮想高分解能心磁図システムにおいて知覚される３次元空間心臓組織容積内でシミュレートされるランダム電気インパルスに基づく。この複数の合成心磁図画像からの情報がＰＣＡ線形モデル２２に組み込まれて、当該線形モデルの特性と、第１ＭＣＧ画像１２の任意のデータ値の特性との間の補間パターンを確立する。第２ＭＣＧ画像１６を生成するための第１の技法は、第１ＭＣＧ画像１２をＰＣＡ線形モデル２２の部分空間上に投影して、第２ＭＣＧ画像１６の作成に使用するための係数を確立することである。
【００５９】
１つの実施形態において、ＰＣＡ線形モデル２２によって結果として得られる高分解能画像出力は、第２ＭＣＧ画像１６として出力に直接送られる。
【００６０】
代替の実施形態において、ＭＣＧ画像合成器１４は、さらに、ＰＣＡ線形モデル２２によって生成される高解画像から３Ｄ電流インパルスをモデル化し、その後モデル化された３Ｄ電流インパルスから第２ＭＣＧ画像１６を作成し直す。これは、下記により十分に説明されるように、最終高解画像のノイズをさらに低減する。
【００６１】
この代替の場合において、ＰＣＡ線形モデル２２からの出力は電流ローカライザー２４に渡される中間画像であり、当該電流ローカライザーは中間ＭＣＧ画像に従って電流の位置および運動量を求める。好ましくは、電流ローカライザー２４は、単一の双極子を想定して電磁出力データがｘ−ｙ方向（Ｂｘｙ）において個々の電磁センサーにおいて観測される電磁出力データを評価し、高密度Ｂｚから高密度Ｂｘｙを計算し、ここで「Ｂ」は磁場を指す。
【００６２】
【００６３】
従って、図３は本発明を実装する２つの基本的な方法を提供する。１つの手法においては、ＭＣＧ画像合成器１４は低解第１ＭＣＧ画像１２を受け取り、高解／低解モデルフィッティングを使用して高解第２ＭＣＧ画像１６を生成し（すなわち、低解第１ＭＣＧ画像１２を高解ＰＣＡ線形モデル２２に適合させて）、ノイズ除去画像処理ブロック１８が、ＰＣＡ線形モデル２２の出力から低解第３ＭＣＧ画像２０を生成する。
【００６４】
代替の手法において、ＰＣＡモデルフィッティング＋双極子再構築がノイズ除去された低解第３ＭＣＧ画像２０の構築に使用される。すなわち、電流ローカライザー２４およびＭＣＧセンサーユニットシミュレーター２６は双極子再構築をＰＣＡ線形モデル２２の出力に提供し、ノイズ除去画像処理ブロック１８が、ＭＣＧセンサーユニットシミュレーター２６の出力から低解第３ＭＣＧ画像２０を生成する。この代替の手法は以下のようにも要約され得る。復元された２Ｄ高解ＭＣＧ画像（好ましくは、ＰＣＡ線形モデル２２の出力）を所与として、電流の２Ｄ位置を推定し、逆問題を解いて電流双極子の３Ｄ位置および運動量を再構築し、ビオ・サバールの法則に基づいて再構築された電流双極子を所与として高解第２ＭＣＧ画像１６を計算する。好ましい実施形態において、ノイズ除去画像処理ブロック１８は、高解第２ＭＣＧ画像１６の対応する２Ｄ低解成分をノイズ除去済みＭＣＧ信号として使用する。
【００６５】
本発明によって得られるいくつかのノイズ除去結果が図４〜６の表に示されている。図４の表は、８×８センサー、２．５ｃｍ間隔、２００回試行、かつ各試行がＢｍおよびＢｇを［０，１］に正規化しているシミュレーション設定において、ノイズ除去結果をグランドトゥルースと比較している。２５個のモードを使用して、以下を使用して相対誤差が計算される。
図示されるように、両方の手法が良好なノイズ除去測定値をレンダリングするが、高解モデルフィッティングを使用してその後双極子を再構築する方法が、一貫してより良好な結果を提供した。
【００６６】
同様の結果が図５の表に示されており、これは、８×８センサー、２．５ｃｍ間隔、各試行がＢｍおよびＢｇを［０，１］に正規化している２００回試行のュレーション設定を使用している。１５個のモードを使用して、以下のように相対誤差が計算される。
上記の２つのシミュレーションにおいて、ランダムノイズが２０％を下回るとき、モデルフィッティング（高解および低解モデルの両方）のみを使用する実施形態がノイズを低減することができる。しかしながら、双極子を再構築することによって、ノイズをさらにより低減することができる。
【００６７】
ファントム実験の結果が図６の表に示されている。このファントム実験は、８×８センサー、２ｃｍ間隔、４回巻垂直円形コイルを使用し、ＢｍおよびＢｇを［０，１］に正規化した。平均相対誤差が以下のように計算される。
これらの結果は再び、両方の手法が効果的なノイズ除去能力を実証していることを示しているが、高解モデルフィッティングを使用してその後双極子を再構築する手法が、一貫して再びより良好な結果を提供している。実際には本発明のファントム実験は、ノイズが実際に大きい（＞３５％）場合、モデルフィッティング＋双極子再構築が依然としてノイズを大幅に低減することができることを示している。
【００６８】
高解ＭＣＧ画像合成器１４の構築および使用の好ましい方法の詳細な記載が下記に提供される。しかしながら、詳細な記載を論じる前に、その原理のいくつの概説を論じることが有益である。
【００６９】
図７は、本発明のモデル化事例の原理を示す。図１Ａの要素に類似のすべての要素が同様の参照符号を有し上記に記載されている。基本原理は、心臓１９を心臓組織２０のブロックとしてシミュレートし、その後、心臓組織ブロック内の複数の電流インパルス１７をシミュレートすることである。心臓組織２０の物理的特性は分かっているため、電流インパルス１７によって生成される心臓組織２０を通る磁場の伝搬がシミュレートされることができる。心臓組織ブロック２０のサイズは心臓１９と同等のサイズ（または平均的なヒトの心臓と同様の容積）とすることができる。
【００７０】
図８を参照すると、ＭＣＧセンサーユニット１１に類似の仮想ＭＣＧセンサーユニット１１は図１Ａに図示ものであり、心臓組織容積２０の上に示されている。理論的ＭＣＧセンサーユニット１１は、図１Ａの物理電磁センサー１３と同様の数の仮想電磁センサー１３’を収容し得る。この場合、仮想ＭＣＧセンサーユニット１１’は、低分解能ＭＣＧセンサーユニット、すなわち、図１Ａのものとなる。しかしながら、ノイズの除去に加えて本発明のもう一つの目的は物理ＭＣＧセンサーユニットからの測定読み値を増強することであるため、かつ仮想ＭＣＧセンサーユニットを任意の所望の機能を有するように自由に定義することができるため、低分解能ＭＣＧセンサーユニット１１’は高分解能仮想ＭＣＧセンサーユニット３２に置き換えられる。
【００７１】
仮想高解ＭＣＧセンサーユニット３２は、図２の高解第２ＭＣＧ画像１６に類似の分解能を有し、従って、第２ＭＣＧ画像１６のピクセル当たり１つの、仮想電磁センサーのより大規模なアレイ３４を収容することになる。ここでランダムな電流インパルス３６が心臓組織容積２０内で定義され、その結果として得られる磁場が生成され得る。高解ＭＣＧセンサーユニット３２は、心臓組織容積２０内のさまざまな深度において磁場の高分解能読み取りを行わない（すなわち、高精細ＭＣＧ画像を生成しない）。
【００７２】
実際的な理由で、心臓組織容積２０内の所定の限られた数の深度、または層４０において高解ＭＣＧ画像を生成することが好ましい。このとき、個々の層が心臓組織容積２０から抽出され、各深度レベルに対して個々の高精細ＭＣＧ画像４２を生成するために分離されることができる。複数のランダム電流インパルスが定義され、それらの磁場が生成され、結果として得られるレベル画像が作成されるであろうことは理解される。１つの実施形態において、１つの深度レベルあたり１０００個のランダム電流インパルスが定義され、１０００個のサンプル画像が作成される。これらのシミュレートされた高解ＭＣＧ画像４２はその後、ＰＣＡベースの高解ＭＣＧ画像モデル２２を構築するのに使用される。
【００７３】
この実施形態では、仮想高解ＭＣＧセンサーユニット３２によってカバーされる面積は、仮想低解ＭＣＧセンサーユニット１１’によってカバーされる面積と同じである。すなわち、仮想高解ＭＣＧセンサーユニット３２の物理センサー領域は仮想低解ＭＣＧセンサーユニット１１’のものと一致し、これは物理低解ＭＣＧセンサーユニット１１のものと一致する。
【００７４】
しかしながら、より大規模なＭＣＧセンサーユニットであれば、より大きな画像、従って、医療専門家がそれを用いて作業することができる、より多くの情報を提供する可能性が高い。より大規模な物理ＭＣＧユニットを作成することはコストが高く、より大規模な物理高解ＭＣＧセンサーユニットを作成することは不可能であるため、本発明の代替の実施形態は、仮想高解ＭＣＧセンサーユニット３２を、より大きなサイズの高解ＭＣＧセンサーユニットをシミュレートするように修正する。
【００７５】
図９を参照すると、ここで図７のものに類似のすべての要素は同様の参照符号を有するとともに上述されており、大きなモデルブロック５０が前の心臓組織ブロック２０を包含している。一例として、モデルブロック５０の長さおよび高さは心臓組織ブロック２０の２倍であることができる。１つの例では、モデルブロックは心臓組織ブロック２０のものに類似の個体心臓組織質量を構成することができるが、よりサイズが大きく、従ってよりサイズの大きい心臓をシミュレートすることができる。また、第２の例として、心臓１９のより完全なモデルを提供することができる。
【００７６】
代替の第３の例において、モデルブロック５０は一般的な心臓の心臓組織を超えて及ぶようにすることができる。この第３の例において、モデルブロック５０はそれが包含する種々の種類の組織質量の３Ｄ表現を表すようにモデル化されることができる。従って、心臓１９を表すその中心内の心臓形組織質量に加えて、モデルブロック５０は任意選択的に、心臓動脈５４、肺５２、およびその容積内の任意の他の組織をモデル化することができる。
【００７７】
これらの３つの例において、より大きなモデルブロック５０はランダムインパルス電流１７によって生成される磁場のより良好な表示を提供することができる。なお、さらに、モデルブロック５０が心臓組織質量としてモデル化されるか、または異なる複数の隣接する組織質量としてモデル化されるかにかかわらず、ＰＣＡ線形モデルを生成するための一般的なプロセスは一般的に上記で説明し、下記でより詳細に説明されるものと同様である。
【００７８】
例えば、図８および９のものと同様のすべての要素が同様の参照符号を有するとともに上記で説明されている図１０において、仮想低解ＭＣＧセンサーユニット１１’は、低解ＭＣＧセンサーユニット１１’のセンサー領域よりも広いイメージング領域を有するより大規模な仮想高解ＭＣＧセンサーユニット６０に置き換えられている。アレイ６４の、単位面積あたりの電磁センサーの密度は好ましくは、図８のアレイ３４のものと同じである。電磁センサーのアレイ６４のセンサー面積は、モデルブロック５０の上面面積によって定義される。前に述べたように、モデルブロック５０は好ましくは幅および高さが心臓組織ブロック２０の２倍である。
【００７９】
本発明によって、実験から得られたいくつかのノイズ除去結果を提示する前に、上記の高解ＭＣＧ画像合成器１４のより詳細な例示的実施態様を提供することが有益であり得る。より具体的には、ＰＣＡ線形モデル２２、電流ローカライザー２４、およびＭＣＧセンサーユニットシミュレーター２６の好ましい実施態様を提示することが有益であり得る。
【００８０】
理解され得るように、ますます多くの深度レベルにおける高解２Ｄは、ＭＣＧ画像の集合を組み合わせて３次元（３Ｄ）ＭＣＧ画像を作成することができる。従って、高解２Ｄ ＭＣＧ画像の精度を向上させる高解生成方法／プロセス／デバイスを使用して所与の低解ＭＣＧ測定値のセットから電流の位置、大きさおよび向きの３次元（３Ｄ）構図を作成することができる。向上した精度を提供する１つの方法は、ビオ・サバールの法則を用いて求められる電流に基づいて高解ＭＣＧ画像を計算する。しかしながら、当該技術分野において既知であるように、ヘルムホルツの相反則に従って、ＭＣＧに関する逆問題は、電気インパルスの数が分からない限り、不良設定問題である。しかし、電気インパルスの数が分かっている場合でさえ、計算コストが高いことが多く望ましくない。局所、最小値をもたらし得る大規模な非線形最適化問題を解く必要がある。それゆえ、これらの種類の方法に基づく高解ＭＣＧ画像復元（すなわち、生成）は、以前は信頼できないものになっていた。
【００８１】
現在好ましい実施形態は、高解ＭＣＧ画像復元（すなわち生成）問題を、事例に基づく超分解能問題とみなす。通常、事例に基づく問題は、本物の例（すなわち、本物のサンプル画像）のライブラリーであって、当該ライブラリーから、このような本物の例の特性を学習するための、ライブラリーを必要とする。しかしながら、高密度磁場を測定することは、不可能ではないにしても実際的でなく、従って、直接観測される本物の測定値からこのような本物の例を得ることは実現可能でない。それゆえ、現在好ましい実施形態は、トレーニングを目的として、本物のサンプル画像のライブラリーとして、コンピュータ生成（すなわち、合成）高解ＭＣＧ画像を使用する。すなわち、本発明のモデル学習アルゴリズムは、合成高解ＭＣＧ画像に基づくものである。
【００８２】
本発明のサンプル画像のライブラリーを含む合成高解ＭＣＧ画像は好ましくは、ビオ・サバールの法則に基づいてランダムに生成される。これらのサンプル画像から、好ましくは主成分分析（ＰＣＡ）を使用することによって線形モデルが構築される。物理ＭＣＧセンサーユニットからの低密度の本物の測定値が、その後、そのように構築された線形モデルの部分空間内に投影され、モデル係数が推定されて高解ＭＣＧ画像が当該線形モデルのモデルインスタンスとして復元（すなわち、作成、合成、または生成）される。このモデルインスタンスは、物理ＭＣＧセンサーの低密度測定値によって定義される低分解能画像の高解ＭＣＧ画像表現として出力されることができる。
【００８３】
高解ＭＣＧ画像がこのように再構築されることによって、現在好ましい発明は、高解ＭＣＧ画像をさらに分析して、このような画像を生成することになるインパルス電流の位置、深度、大きさおよび向きを特定するものである。
【００８４】
上記で説明されたように、観測された物理的測定値から得られる本物のＭＣＧ画像は一般的に、具体的なインパルス電流情報を直接回復するために十分な情報を提供しない低解２Ｄは、ＭＣＧマップから成る。しかしながら、高解ＭＣＧ画像が再構築されると、電流の２Ｄ位置が、高解ＭＣＧ画像の接線成分の最大点として位置特定されることができる。２Ｄ位置特定精度を向上させるために、本明細書において、非線形最適化アルゴリズムが逆問題を解くために説明される。同時に、電流の深度、大きさおよび向きも回復される。より具体的には、好ましいアルゴリズムは２つのステップを交互に繰り返す。第１のステップは、３Ｄインパルス電流の発生位置を推定し、第２のステップは推定された発生位置に基づいてその大きさおよび向きを再構築する。３Ｄインパルス電流の発生位置の推定において、モデルベースの復元から推定される２Ｄ電流位置が初期設定として使用される。本方法は、特別な仮定を必要とすることなく効率的、正確かつ高信頼性である。単純にするために、現在好ましいシステム／方法は、単一のインパルス電流の事例に適用されるものとしてのみ例示されている。しかしながら、本発明のシステム／方法／デバイスを複数のインパルス電流に拡張することは容易であることは理解される。
【００８５】
本実施形態は、さまざまなコンピューティングデバイス（またはデータ処理デバイス）を利用して、ランダムインパルス電流によって生成される合成高解ＭＣＧ画像のセットから線形モデルを学習（すなわち作成）する。ＭＣＧセンサーユニットから受け取られる低密度データ（すなわち、低分解能画像）はその後、線形モデル上に投影され、そこから低分解能画像の高分解能画像表現が作成される。この手法の一例が図１１に示される。
【００８６】
図１１を参照すると、上面図（ａ）はシミュレーション設定において、２Ｄセンサーアレイの上面図（a）（またはセンサー平面）を、側面図の３Ｄ空間心臓容積３３［側面図（ｂ）］と関連付けて示している。本例において、上面図（ａ）は、８×８センサーアレイに配列される（電磁センサー１３のような）６４個の物理センサー１３を有する（図１ＡのＭＣＧセンサーユニット１１のような）ＭＣＧセンサーユニットの上面図（a）を示している。しかしながら、本実施形態において、４個の仮想センサー３１から成るセットが、ｘおよびｙ方向において隣接する実際の物理センサー１３の間に直列に挿入される。加えて、４つの角にある物理センサー１３および、それらの仮想センサー３１の４つの整列したセットによって画定される正方形領域が、追加の仮想センサー３１の４×４アレイを充てられる。従って、本実施形態は、１２３２個の仮想センサー３１を６４個の物理センサー１３に追加し、センサーは合計で１２９６個になる。これは３６×３６センサーアレイに相当し、本高解画像の１つの実施形態のための基礎を構成する。１つのセンサー当たり１つの画像ピクセルを割り当てることによって、本実施形態はこのようにして、高解ＭＣＧ画像内にＰ×Ｐ（Ｐ＞８）ピクセルを提供する。好ましくは、センサー平面は、本事例においては１０×１０×１０ｃｍ3である心臓容積境界ボックス３３の５〜１０ｃｍ上にある。この例では、各高解ＭＣＧ画像における画素密度は（１２９６ピクセル）／（１００ｃｍ2）または１平方センチメートルあたり約１３ピクセルであろう。電流は３Ｄ点において位置特定されるベクトルによって表される。
【００８７】
仮想センサーの数、およびＰの値は設計上の選択であることは理解さられる。下記に説明する後者の実施形態は、例えば、より多数の仮想センサーを組み込んでさらに分解能の高いＭＣＧ画像を生成する。
【００８８】
図１８Ａ〜１８Ｃは、説明を容易にするためのさまざまな式（式１〜式１２）を示す。
【００８９】
【００９０】
【００９１】
【００９２】
トレーニングステップにおいて、高解Ｐ×ＰのＭＣＧ画像のセット（ここで、Ｐ＞＞Ｍ）が合成、すなわち生成される。各高解Ｐ×ＰのＭＣＧ画像を生成するために、ランダムなモーメントおよびランダムな３Ｄ位置の両方を有する単一の電流が定義される。結果として得られる高解Ｐ×Ｐ ＭＣＧ画像が、式２に基づいて計算される。
【００９３】
合成トレーニング画像のいくつかの例が図１２に示される。各合成高解ＭＣＧ画像は、ランダムなモーメントおよび３Ｄ位置の両方を有する単一の電流によって生成される。心臓によって生成される磁場は非常に弱い（１０-12〜１０-10テスラ）ため、高解ＭＣＧ画像は０〜２５５に正規化され、ＪＥＴカラーマップを使用して表示される。異なる複数の行からの画像が異なる複数の深度（ｚ方向における電流の距離）から生成される。このようにして、Ｋ個の高解ＭＣＧトレーニング画像が生成、すなわち合成される。すべての画像ベクトルは集中化され（平均ベクトルはμによって示される）、それらは行列Ａにスタックされる。従って行列ＡはＫ列のＰ×Ｐベクトルから成る。行列Ａの固有ベクトルを抽出するためにＰＣＡが適用され、従って固有行列Σを定義する。
【００９４】
【００９５】
図１２は、４行の異なるＭＣＧ画像（すなわち、４つの２ＤのＭＣＧ画像）を示す。４行のＭＣＧ画像は４つのそれぞれの深度、または層（すなわち、ｚ方向における電流位置、または発生源に対する異なる複数の距離）において生成される。深度が変化するときにＭＣＧ画像間に大きな変動を見ることができる。
【００９６】
これらの深度層４１の図が図１３ａに示されている。現在好ましい実施形態において、電流は異なる複数の深度層４１においてランダムに生成される。すべての深度をサンプリングすることは網羅的でありすぎて、深度層の１つのセットを選択することはできない。この手法は、下記により十分に説明されるように、Ｂｚが電流深度の線形関数として近似されることができると仮定する。
【００９７】
【００９８】
【００９９】
【０１００】
本例において、一千個の高分解能ＭＣＧ画像サンプルが１０個の均一に分布する深度層またはレベルのそれぞれにおいて生成された。
【０１０１】
復元高解ＭＣＧ画像を作成する現在好ましい方法のＢｚビューおよびＢｘｙビューがその後、図１４に示すように、双三次補間方法およびグランドトゥルース画像を用いて比較された。評価を目的として、ビオ・サバールの法則に基づいてグランドトゥルース電流から再構築された高解ＭＣＧ画像が示される。物理的条件をより良好にシミュレートするために、５％一様分布ランダムノイズが各センサーに加えられ、その後現在好ましい方法および双三次補間方法がこのノイズを含むセンサー結果に適用された。３つの画像の隣り合わせの比較から視覚的に明らかであるように、現在好ましい方法を用いて構築された高解ＭＣＧ画像は、グランドトゥルースＭＣＧ画像により近く一致する。従って、本方法は、高解ＭＣＧ画像の構築においてより高いレベルの精度を達成する。
【０１０２】
上述のように、高解ＭＣＧ画像を分析することによって電流位置の２Ｄ推定値を得ることができる。位置特定精度を向上させるための現在好ましい方法は、電流の３Ｄ位置およびモーメントの両方を再構築する非線形最適化、すなわち、逆問題を解くことである。線形モデルによって復元される正確な高解ＭＣＧ画像は、逆問題のための良好な初期設定を提供し、より早く大域的最適解に収束するのを助ける。高解ＭＣＧ画像から２Ｄ推定値を生成するための好ましい方法は以下のとおりである。
【０１０３】
高解ＭＣＧ画像Ｂｚ（ｉ，ｊ）（ｉ＝１，２，・・・，Ｎ；ｊ＝１，２，・・・，Ｎ）を所与として、Ｂz（ｉ，ｊ）の接線成分の最大点Ｂ’xy（ｉ，ｊ）は、電流の２Ｄ位置（ｘｐ，ｙｐ）を指す。これは、図１４の２行目の画像に見ることができる。Ｂz（ｉ，ｊ）の接線成分は式５を使用して計算されることができる。この時点で、逆問題を解くことが残っている。
【０１０４】
【０１０５】
【０１０６】
【０１０７】
【０１０８】
【０１０９】
【０１１０】
本シミュレーション設定は、図１Ａに示されている設定と同様である。２．５ｃｍのセンサー間隔をおいて、８×８個の物理センサー１３がある。全体の測定面積は１７．５×１７．５ｃｍ2である。心臓容積１９は１０×１０×１０ｃｍ3である。センサーアレイ（またはセンサーユニット）１１から心臓容積１９の上部までの距離は５ｃｍである。各試行において、心臓容積内にランダム電流が生成される。６４個のセンサー１３においてＢｚが計算され、５％、１０％または１５％のランダムノイズが各センサーに加えられる。この加えられたノイズは一様またはガウス分布を有する。ノイズを有する６４個の低密度測定値が使用されて、Ｎ×Ｎ分解能を有する高解ＭＣＧ画像を復元する。これを達成するために、２つの隣接する現実のセンサーの間に５０ピクセルが挿入され、これは、高解ＭＣＧ画像内の隣接するピクセル間の間隔が０．５ｍｍであることを意味する。この場合Ｎ＝５０×７＋１＝３５１である。
【０１１１】
図１９ａ〜１９ｄ内の表１〜４はそれぞれ、いくつかのシミュレーション結果を示す。図１９ａ内の表１は、２００回の試行にわたる種々のノイズタイプおよび比率に関する２Ｄ電流位置特定誤差を示す（深度はこの事例においては考慮されない）。２Ｄ電流位置特定に関する精度についての研究報告は多数存在する。
例えば、Pacing and Clinical Electrophysiology，１４（１１１）：１９６１−１９６５，１９９１における、Weismuller他による「ウォルフ・パーキンソン・ホワイト症候群における副伝導路の生体磁気非侵襲的位置特定（Biomagnetic Noninvasive Localization of Accessory Pathways in Wolff‐Parkinson‐White Syndrome）」、およびEuropean Heart J.,１３（５）：６１６−６２２，１９９２における、P.Weismuller他による「マルチチャネルシステムによるウォルフ・パーキンソン・ホワイト症候群における副伝導路の心磁図記録による非侵襲的位置特定（Magnetocardiographic Non‐invasive Localization of Accessory Pathways in the Wolff‐Parkinson‐White Syndrome by a Multichannel System）」において、ウォルフ・パーキンソン・ホワイト（Wolff‐Parkinson‐White、ＷＰＷ）症候群に対する２Ｄ位置特定精度は０ｃｍ〜５ｃｍの間であり、平均１．８ｃｍである。
さらに、IEEE Trans.on Medical Imaging，１７（３）：４７９−４８５，１９９８における、Ｐ．Ｌ．Ａｇｒｅｎ他による「不整脈基質の心磁図記録による位置特定：基準としての副伝導路除去を伴う方法論的研究（Magnetocardiographic Localization of Arrhythmia Substrates： a Methodology Study with Accessory Pathway Ablation as Reference）」は、不整脈基質に対する２Ｄ位置特定精度を、２．１ｃｍおよび９．６ｃｍであるものとして報告している。
最後に、J.of Arrhythmia，１６：５８０−５８６，２０００における、S.Yamada他による「心磁図を使用することによる不整脈病巣の非侵襲的診断−磁気解剖学的マッピングシステムの方法および精度（Noninvasive Diagnosis of Arrhythmic Foci by Using Magnetocardiograms,‐ Method and Accuracy of Magneto‐Anatomical Mapping System）」、および、Arrhythmias and Fetal Diagnosis，２００５における、S.Yamada他による「臨床医学における心磁図：新虚血における特有の情報（Magnetocardiograms in clinical medicine： unique information on cardiac ischemia）」は、８×８個のセンサー、２．５ｃｍのセンサー間隔、および５％のランダムノイズから成る類似の設定を示しているが、センサー深度もノイズタイプも報告されていない。それらは、２Ｄ位置特定精度をシミュレーションに関しては１．４ｍｍ＋／−０．７ｍｍ、ＷＰＷに関しては８ｍｍ、および７ｍｍ ＰＣＶであると報告している。以前の研究と比較すると、本方法は現行の技術水準よりも良好な精度を示している。
【０１１２】
その上、本方法は電流の３Ｄ位置およびそのモーメントの再構築を可能にする。本発明の３Ｄ電流を再構築する能力は当該技術分野において新規のものである。
【０１１３】
【０１１４】
【０１１５】
実際には、電流は点というよりもボクセルのようなものである。種々のサイズのボクセル電流が０．５ｍｍ間隔で小さな立方体内に点電流のセットを生成することによってシミュレートされた。図１７は、ボクセル電流に関する２Ｄ位置特定誤差を示している。ボクセル電流の幾何学的中心がグランドトゥルースとして使用される。結果は、本発明の位置特定アルゴリズムが電流のサイズに対して良好であり、（点電流のみを考慮した）最新技術に匹敵することを実証している。
【０１１６】
以上において、単一電流位置特定問題のみが考慮されており、高密度ＭＣＧ画像から良好な初期設定が計算されることができる。実際には、２つ以上のボクセル電流が存在する可能性がある。複数電流位置特定の初期設定のために信号分解が必要とされ得る。要約すると、本方法は、正確な高解ＭＣＧ画像を復元／作成することが可能である。単一電流２Ｄ位置特定に関して、高解ＭＣＧ画像が効率的、正確、かつ高信頼性の様式で作成される。加えて、本発明のアルゴリズムは、電流の深度およびモーメントを再構築することができる。これは、複数の電流源について解くように容易に拡張することができる。
【０１１７】
上記で説明されたように、代替の実施形態は、元のサイズの空間容積キューブのセンサー面積を、好ましくは元のサイズの２×２倍に拡張する。説明を容易にするために、拡張されていない実施態様は以下用語「元のモデル」であり、拡張された実施態様は「拡張モデル」と称される。元のモデルは好ましくは、センサー領域の外側に仮想センサーを挿入することによって拡張モデルを作成するように拡張される。これは、図２０に示されている境界において電流双極子が位置特定されるのにより多くのサポートを提供する。この手法のいくつかの利点は、診断および位置特定のためのより良好な視覚化、分解能の変更のためのオプション（すなわち、ズームイン）、および境界源に関するより良好な精度である。
【０１１８】
しかしながら、この手法は、その実装に対して幾つかの実際的な課題を呈する。第１に、これはデータ記憶容量が大きく、計算要件が高い。これらの実際的な制限を克服するために、拡張モデルの上記で説明された実施態様は、計算資源が限られている状況に対応するように修正されることができる。
【０１１９】
最初に、上記で説明されたように、合成拡張高分解能ＭＣＧ画像から外挿ＰＣＡモデルが学習される。すなわち、元のサイズのセンサー領域を使用する代わりに、各サンプルに対して拡張高密度ＭＣＧ画像が計算される。第２に、アクティブメモリー要件を低減するために、アクティブメモリー（すなわち、ＲＡＭ）の代わりに長期記憶（すなわち、ハード・ディスク・スペース）が使用される場合がある。最後に、モデル学習のための計算は分割されて並列に実行され、これは実行時間を大幅に改善する。
【０１２０】
最初に、並列に実行するための準備において、モデル学習のための計算が分割される。ランダム電流双極子を所与として、拡張高密度磁場画像は、図２１に示されるように行ベクトルｆ1tとして計算および記憶される。このステップはＫ回繰り返され、図示されるようにＫ個の行ベクトルがデータファイル内に記憶される。上記で説明された元のモデルにおいて、行内にサンプルベクトルが生成されたが、この代替の実施態様では、サンプルベクトルはスレッド内に生成される。好ましくは、８個のスレッドが８個のＣＰＵに対して生成される。結果として得られる８個のファイルはその後１つに統合される。
【０１２１】
図２２を参照すると、上記で説明された元のモデルの実施態様において、データファイルに対してメモリーバッファーが割り当てられることができ、すべてが一度に行列に読み出されることができる（７２）。次いで、平均ベクトルおよび正規化データ行列が計算されることができる（７４）。次いで、共分散行列に対するメモリーバッファーが割り当てられることができる（Ｋ＜＜２Ｎｘ２Ｎであるため）（７６）。次いで、固有分解が共分散行列に適用されることができる。
【０１２２】
対照的に拡張モデルの本実施態様においては、平均ベクトルは、データベクトルを１つずつ読み出すとともに平均ベクトルをハードディスク内に記憶することによって計算されることができる。次いで、共分散行列がＬ×Ｌ個のブロックに分割されることができる（７８）。各ブロックを計算するために、データファイルからサンプルベクトルの対応する２つのブロック（例えば、ブロックｂ1tｂ1もしくはブロックｂ1tｂLまたはブロックｂLtｂLなど）を読み出すことができる。したがって、データファイル全体をアクティブメモリー内に記憶する必要はない。さらに有利なことに、これは共分散行列の異なる複数のブロックの並列計算を可能にする。
【０１２３】
この例示的な実施態様が図２３に示される。拡張された境界ボックス内で異なる複数の水平面内にランダムサンプルが生成される。１つの実施形態において、２０００個のサンプルが生成され、好ましくは２ｃｍ間隔の６個の水平層が定義される。ランダムな位置および向きを有するランダム電流インパルスが生成され、それらの大きさが正規化される。
【０１２４】
元のモデルと対比しての拡張モデルの本発明の実施態様の効率改善が実験結果の比較によって実証された。元のモデルが、１２０００個のサンプルのデータスケール、共分散行列のための１Ｇのアクティブメモリー、およびデータ行列のための１Ｇのアクティブメモリーを使用する３２ビットシステムにおいて実装された。この設定のための処理時間はおよそ４週間であった。
【０１２５】
拡張モデルが並列計算を有する６４ビットシステムを使用して実装された。この実施態様は、６００００個のサンプルのデータスケール、および共分散行列のための１５Ｇのアクティブメモリーを使用した。この代替の実施態様のための処理時間（すなわち、トレーニング時間）は６日間であった。
【０１２６】
より広い表示領域を提供することに加えて、拡張モデルは向上した位置特定精度も実証した。元のモデルを使用すると、１ｘ１ｘ１ボクセル双極子に対する位置特定精度は２００回の試行および５％の一様ノイズにわたって、１．２＋／−１．１（ｍｍ）の値をもたらした。対照的に、拡張モデルは１．１４＋／−０．９８（ｍｍ）の値をもたらした。
【０１２７】
拡張モデルに関する３Ｄ空間内の双極子位置特定誤差分布も試験された。この設定は、８×８センサー、２．５×２．５ｃｍ間隔、５％の一様分布ノイズ、３．２５×３．２５×３．２５測定境界キューブ、１×１×１ ３Ｄボクセル二重層ソース、境界キューブ＿ｚ＋１．２５／２＋０．２５（オフセット）＝４．１２５ｃｍに等しいセンサーオフセット設定（最上レベルに関して）、５×５×５＝１２５回測定、および各測定において１００回の試行を使用した。この実験の結果は、平均して、拡張モデルが電流源、特にセンサー境界の近くに位置している電流源に関してより良好な位置特定精度を提供することを示している。この実験の図が図２４および２５に示されている。
【０１２８】
レベルＩ〜Ｖのそれぞれに関する元のモデルおよび拡張モデルのための測定結果の比較が、それぞれ図２６〜３０に示されている。レベルＩ〜Ｖに関する表のそれぞれにおいて、Ｘ−Ｙ座標は図２４におけるＸ−Ｙ座標に対応し、レベル番号Ｉ〜Ｖは図２４におけるＺ座標に対応する。さらに、図２６〜３０内の表のそれぞれにおいて、元のモデルを拡張モデルと比較している各行（１〜５の番号を付されている）に関して、上部の数字は元のモデルによって得られた値であり、下部の、より大きなフォントで太字の数字は拡張モデルによって得られた値である。図示されるように、拡張モデルによって得られた値のほとんどは元のモデルによって得られた値よりも良好である。
【０１２９】
本代替の実施態様は、より大きなデータ（すなわち、より大きな組織容積）の使用に関連付けられる計算複雑度を解決する。なお、さらに、本発明の拡張モデルは、境界双極子の位置特定に関して元のモデルよりも良好に機能する。
【０１３０】
いくつかの具体的な実施形態とともに本発明が記載されてきたが、さらに多くの代替形態、修正形態および変形形態が上記の記載に照らして明白であることは、当業者には明らかである。従って、本明細書に記載されている本発明は、添付の特許請求項の精神および範囲内に含まれ得るような、すべてのこのような代替形態、修正形態、応用形態および変形形態を包含するように意図される。
【符号の説明】
【０１３１】
１０，１１…ＭＣＧセンサーユニット、１２…低解第１ＭＣＧ画像（第１ＭＣＧ画像）、１３…電磁センサー、１４…高解ＭＣＧ画像合成器（ＭＣＧ画像合成器）、１６…高解第２ＭＣＧ画像（第２ＭＣＧ画像）、１７…電流インパルス、１８…ノイズ除去画像処理ブロック、１９…心臓（心臓容積）、２０…心臓組織（心臓組織容積）、２２…高解ＰＣＡ線形モデル（ＰＣＡ線形モデル）、２４…電流ローカライザー、２６…ＭＣＧセンサーユニットシミュレーター、３１…仮想センサー、３２…高解ＭＣＧセンサーユニット、３３…心臓容積境界ボックス、３４…アレイ、３６…電流インパルス、４０…層、４１…深度層、４２…高解ＭＣＧ画像、５０…モデルブロック、５２…肺、５４…心臓動脈、６０…仮想高解ＭＣＧセンサーユニット、６４…アレイ。
【技術分野】
【０００１】
本発明は、心磁図（magneto cardio gram、ＭＣＧ）イメージングの分野に関する。詳細には、本発明は、電磁センサーユニットによって得られる低密度（sparse）測定値のノイズを低減すること（すなわち、ノイズ除去）に関する。
【背景技術】
【０００２】
生体磁気の分野は一般的に、生命有機体、または生体組織によって生成される磁場の研究を指す。例えば、この分野は、人の脳および心臓の磁気画像の作成に適用されてきた。本発明は、磁気心臓学、人の心臓の磁気画像の作成に関するものである。
【０００３】
心臓電流（または電流インパルス）は、心臓内の電気生理学的過程によって生成される。異常な電流の位置特定が、心筋梗塞症、狭心症などのような虚血性疾患の診断に使用される場合がある。これは、Int．Conf．on Biomagnetism Advances in Biomagnetism，２８：１−８，２０１０における、F．Stroinkによる「磁気心臓学の４０年（Forty Years of Magnetocardiology）」において説明されているように、治療および経過観察のためにカテーテル検査室に入っている患者に有益である。
【０００４】
従来、不整脈のような不規則な心臓電気活動が、心電図（electrocardiogram、ＥＣＧ）を用いて診断される。しかしながら、ＥＣＧは、時間的情報を提供するのみであり、従って、虚血性疾患が検出されている場合には、心臓内の異常な電気インパルス電流を直接位置特定することはできない。電気インパルス電流を位置特定することを試みる１つの技法は、体表面電位マッピング（Body Surface Potential Mapping、ＢＳＰＭ）として知られており、これは、多数の電極（すなわち、リード線）を使用して体表面電位マップを再構築する。このＢＳＰＭ技法は、ＣＶＰＲ，２１７６−２１８３ページ，２００９における、Wang他による「心臓電気生理の非侵襲的容積イメージング（Noninvasive volumetric imaging of cardiac electrophysiology）」において説明されている。しかしながら、ＢＳＰＭ電流位置特定の精度は、体組織の伝導性の不足によって、観測される電気信号が歪められる可能性があるため、限定されている。
【０００５】
心磁図、または心磁図記録法（ＭＣＧ）の出現により、空間的および時間的の両方において、心臓電気インパルス電流のより正確な測定値が利用可能となった。図１Ａを参照すると、ＭＣＧシステムは、少数の個々の電磁センサー１３（通常は６４個以下のセンサーから成る平面アレイとして配列される）を収容するＭＣＧセンサーユニットから成る。身体内の電気インパルス１７が、磁場１５を生成する。本事例では、ヒトの心臓１９が電気インパルス１７の観測される発生源として（すなわち、電流源として）機能する。
【０００６】
各電磁センサー１３はキャプチャーポイントであり、電磁センサー１３は、以後キャプチャーとして記載される場合がある。各キャプチャー（電磁センサー１３）は、患者の胸部２１（すなわち、ヒトの胴体）から発する磁気波形をセンサー平面アレイに垂直な方向（すなわち、ｚ方向）における１次元（すなわち、１Ｄ）で測定する。ｚ方向における所与の深度においてキャプチャー１３のアレイの深度測定値（すなわち、１Ｄ磁気波形）を位置合わせ（または同期）することによって、所与の深度における２次元（２Ｄ）ＭＣＧマップを構築することができる。ＭＣＧセンサーユニット１１は通常、患者の胸部２１の５〜１０センチメートル上に置かれ、患者の心臓磁場を非侵襲的に測定する。キャプチャー（電磁センサー１３）のアレイは、電磁気活動の低分解能（以下、低解）２次元（２Ｄ）ＭＣＧマップの集合として測定する。
【０００７】
ＭＣＧにはＥＣＧにまさるいくつかの利点がある。第１に、体組織の磁気特性に起因して、心臓の電流インパルス（以下、電流（currents，electric currents or electrical currents））によって生成される。磁場は体表面に垂直な方向（すなわち、ｚ方向）において歪められない。従って、ＭＣＧはより正確であり、心臓疾患の初期段階における微弱な電気的活動に対する感度が高い。第２に、ＭＣＧセンサーアレイは心臓内の電流の位置を特定することができる。更に、ＭＣＧ測定は非侵襲的である。４０年にわたるＭＣＧにおける研究では、ＭＣＧ測定のための心臓電流位置特定および高分解能の視覚化は研究および臨床の両方の領域でますます多くの関心を惹きつけている。
【０００８】
しかしながら、ＭＣＧに関連する多数の難点が存在し、このことが今までのところ、ＭＣＧが心臓病学における主流の医療診断器具となることを妨げている。第１の難点は、ヒトの心臓において生成される小さな磁場を分かりにくくする可能性がある多大な量の電磁的ノイズである。これは、磁気遮蔽室を使用して背景ノイズを低減することによって、超電導量子干渉素子（superconducting quantum interference device、ＳＱＵＩＤ）のような高感度の電磁センサー１３の導入によって或る程度までは対処されてきた。これらのステップは助けになってきたが、それでも、なお、計測値には多くのノイズが残っている。
【０００９】
もう一つの難点は、ＭＣＧセンサーユニット１１内に収容することができる電磁センサー１３の数が限られていることであり、これによって、ＭＣＧマップの分解能が制限される。結果として、ＭＣＧセンサーユニット１１は一般的に低分解能の（低解）２Ｄ ＭＣＧマップしか生成することができない。一般的に、これらの低解２Ｄ ＭＣＧマップは心臓内の電流を位置特定するのに十分でない。例えば、（Hitachi Review，５０（１）：１３−１７，２００１における、Tsukada他による、「心臓疾患診断のための新開発心磁図記録システム（Newly Developed Magnetocardiographic System for Diagnosing Heart Disease）」に記載されているような）２５ｍｍのセンサー間隔を有する６４チャネルＨＩＴＡＣＨＩ（登録商標）ＭＣＧシステムは、８×８ＭＣＧマップ（すなわち、６４個の測定点から成る８×８アレイ）しか測定しない。
【００１０】
従って、ＭＣＧは、低解２Ｄ ＭＣＧ画像またはマップから高分解能（以下、高解）２Ｄ ＭＣＧ画像またはマップを生成することである。このような高解２Ｄ ＭＣＧ画像の２つの画像例２３および２５が、図１Ｂにおいて示されている。画像２３は、生成された、健康な心臓の高解ＭＣＧ画像の接線画像を示す。画像２３内の最大点（すなわち、最強点）は、心臓内の電流の位置（すなわち発生源）を示す。従って、高解ＭＣＧ画像は、医師が心臓内の電気的活動を直接「見る」ことを可能にする。画像２５は、生成された健康でない心臓の高解ＭＣＧ画像の接線画像を示す。当該画像は、健康な心臓の画像２３と著しく異なり、従って、診断のための重要な指示を提供する。低解ＭＣＧマップと比較して、高解ＭＣＧ画像は診断により有意義な画像を提供し、正確な電流位置特定のための基礎としての役割を果たす。
【００１１】
最新のＭＣＧシステムは、高解２Ｄ ＭＣＧ画像を低解２Ｄ ＭＣＧマップから生成するために、Ann Noninvasive Electrocardiol，１０（２）：１５２−１６０，２００５における、Ｂ．Ａ．Ｓ．他による「不整脈基質の心磁図記録による位置特定：基準としての副伝導路除去を伴う方法論研究（Magnetocardiographic Localization of Arrhythmia Substrates： A Methodology Study With Accessory Path‐Way Ablation as Reference）」、および、Int．Congress Series，１３００：５１２−５１５，２００７における、Nomura他による「心磁図による梗塞ベクトルの評価：心磁図から推定することができない起電力の検出（Evaluation of an Infarction Vector by Magnetocardiogram： Detection of Electromotive Forces that Cannot be Deduced from an Electrocardiogram）」に示されているような、電磁センサー１３の観測された測定値の間の曲線適合補間法を使用しているが、曲線適合法の精度は一般的に限られている。
【００１２】
観測された低解ＭＣＧマップにおいてノイズを首尾よくさらに低減するＭＣＧシステムが必要とされている。
【００１３】
高解ＭＣＧマップをより良好に利用してＭＣＧシステムの観測された測定値を改善する方法も必要とされている。
【先行技術文献】
【特許文献】
【００１４】
【特許文献１】米国特許出願第１３／０１７，８６９号パンフレット
【非特許文献】
【００１５】
【非特許文献１】F．Stroinkによる「磁気心臓学の４０年（Forty Years of Magnetocardiology）」Int．Conf．on Biomagnetism Advances in Biomagnetism，２８：１−８，２０１０年
【非特許文献２】Wang他による「心臓電気生理の非侵襲的容積イメージング（Noninvasive volumetric imaging of cardiac electrophysiology）」ＣＶＰＲ，２１７６−２１８３ページ，２００９年
【非特許文献３】Tsukada他による、「心臓疾患診断のための新開発心磁図記録システム（Newly Developed Magnetocardiographic System for Diagnosing Heart Disease）」Hitachi Review，５０（１）：１３−１７，２００１年
【発明の概要】
【発明が解決しようとする課題】
【００１６】
本発明の目的は、改善されたノイズ除去能力を有するＭＣＧシステムである。
【００１７】
本発明のもう一つの目的は、高解ＭＣＧ画像の改善された分解能を利用して観測された低解ＭＣＧマップ内のノイズを補正するのを助けることである。
【００１８】
本発明のもう一つの目的は、ノイズ低減能力がもともと備わっている高解ＭＣＧ画像を生成する方法を提供することである。
【００１９】
本発明のもう一つの目的は、ＭＣＧセンサーユニットの境界を越えてイメージング情報を提供する高解ＭＣＧ画像を生成することである。
【００２０】
本発明のもう一つの目的は、ＭＣＧシステムのコンピューティング資源要件を低減する低解２Ｄマップから高解ＭＣＧ画像を生成することを目的とする手法を提供することである。
【課題を解決するための手段】
【００２１】
上記の目的は、心磁図（ＭＣＧ）システムであって、Ｍ×Ｍ個のデータ値の低密度測定値出力を生成するＭ×Ｍ個の電磁センサーを含むセンサーユニットであって、当該低密度測定値出力は第１ＭＣＧ画像を構成するセンサーユニットと、第１ＭＣＧ画像を受け取るとともに当該第１ＭＣＧ画像のより分解能の高い画像表現を生成するための高分解能ＭＣＧ画像合成器であって、当該より分解能の高い画像表現は第１ＭＣＧ画像よりも画素密度の高い第２ＭＣＧ画像である高分解能ＭＣＧ画像合成器と、第２ＭＣＧ画像を受け取るとともに当該第２ＭＣＧ画像のノイズ除去された、より分解能の低い画像表現を生成するためのノイズ除去画像処理ブロックであって、ノイズ除去されたより分解能の低い画像表現は第１ＭＣＧ画像のＭ×Ｍ個のデータ値の範囲に対応する物理センサー領域内のＭ×Ｍ個の画素と、を有するとともに、第１ＭＣＧ画像と比較して低減されたノイズレベルを有する第３ＭＣＧ画像であるノイズ除去画像処理ブロックとを有する心磁図システムである。
【００２２】
好ましくは、ノイズ除去画像処理ブロックは、ターゲット画素として、その画像位置が第１ＭＣＧ画像のＭ×Ｍ個のデータ値の画像位置に対応する第２ＭＣＧ画像の画素を識別し、物理センサー領域に当該ターゲット画素をデータ投入する。
【００２３】
さらに、高分解能ＭＣＧ画像合成器による第２ＭＣＧ画像の生成は、第１ＭＣＧ画像より分解能の高いモデルＭＣＧ画像を定義する線形モデルにアクセスするステップであって、当該線形モデルは、線形モデルの特性とＭ×Ｍ個のデータ値の低密度測定値出力の任意のデータ値との間の補間パターンを確立するアクセスするステップと、第１ＭＣＧ画像を線形モデルの部分空間上に投影するとともに、線形モデルおよびＭ×Ｍ個のデータ値に従って中間ＭＣＧ画像のための係数を確立することによって中間ＭＣＧ画像を生成するステップとを含む。この場合、高分解能ＭＣＧ画像合成器は、第２ＭＣＧ画像として中間画像を出力される。
【００２４】
さらにこの場合、線形モデルは第２ＭＣＧ画像と同じ分解能を有する複数の合成心磁図画像を作成することによって定義され、合成心磁図画像は、予測される心磁図システムにおいて知覚されるであろうような３次元空間心臓容積内のシミュレートされる電気インパルスに基づく。好ましくは、合成ＭＣＧ画像は心臓容積内でランダムに生成される電流に基づき、線形モデルは主成分分析（principal component analysis、ＰＣＡ）を使用することによって作成される。
【００２５】
【００２６】
さらにこの実施形態において、新たな双極子およびＭ×Ｍ個の低密度測定値ｇjを所与として、固有行列内の対応する行を見つけるとともに、結果として得られる部分行列をΣgとして示すステップと、低密度測定値をＰＣＡ部分空間に投影するとともに係数をｃg＝Σg+（ｇj−ｇmean）として計算するステップであって、Σg+はΣgの擬似逆である、投影するとともに計算するステップと、高密度磁場マップＢｚをｆj＝Σfｃg＋ｆmeanとして再構築するために、計算された係数および元のＰＣＡ空間を使用するステップとによって、中間ＭＣＧ画像が作成される。
【００２７】
【００２８】
【００２９】
【００３０】
好ましくは、第２ＭＣＧ画像は、第１ＭＣＧ画像よりも広いイメージング領域にわたる。この場合、第３ＭＣＧ画像は第１ＭＣＧ画像よりも広いイメージング領域にわたり、第３ＭＣＧ画像の物理センサー領域の画素密度は第３ＭＣＧ画像全体にわたって一様に広がり、物理センサー領域を超えて延在する第３ＭＣＧ画像のピクセルは、第２ＭＣＧ画像から求められるシミュレートされたセンサーデータを投入される。
【００３１】
さらに、ノイズ除去画像処理ブロックは、ターゲットピクセルとして、そのピクセル画像位置が第３ＭＣＧ画像のピクセル画像位置に対応する第２ＭＣＧ画像の画素を識別し、第３ＭＣＧのピクセル画像位置にそれらの対応するターゲット画素をデータ投入する。
【００３２】
好ましくは、第３ＭＣＧ画像のイメージング範囲は、第２ＭＣＧ画像のイメージング範囲と実質的に同じである。
【００３３】
任意選択的に、高分解能ＭＣＧ画像合成器によって第１ＭＣＧ画像のより分解能の高い画像表現を生成することは、第１ＭＣＧ画像よりも著しく分解能の高いモデルＭＣＧ画像を定義する線形モデルにアクセスするステップであって、線形モデルは、第２ＭＣＧ画像と同じサイズおよび分解能を有する複数の合成心磁図画像を作成することによって定義されるアクセスするステップと、合成心磁図画像が、第２ＭＣＧ画像と類似の分解能の仮想心磁図システムにおいて知覚されるであろうような３次元空間心臓容積内でシミュレートされる電気インパルスに基づくステップと、線形モデルの特性と、低密度測定値出力の任意のデータ値の特性との間の補間パターンを確立するために、複数の合成心磁図画像からの情報が線形モデルに組み込まれるステップと、第２ＭＣＧ画像を生成することが、当該２ＭＣＧ画像の作成において使用するための係数を確立するために、第１ＭＣＧ画像を線形モデルの部分空間上に投影することを含むステップとを含む。
【００３４】
【００３５】
この目的は、心磁図（ＭＣＧ）システムであって、Ｍ×Ｍ個のデータ値の低密度測定値出力を生成するＭ×Ｍ個の電磁センサーを含むセンサーユニットであって、当該低密度測定値出力は第１ＭＣＧ画像を構成するセンサーユニットと、第１ＭＣＧ画像を受け取るとともに当該第１ＭＣＧ画像のより分解能の高い画像表現を生成するための高分解能ＭＣＧ画像合成器であって、当該より分解能の高い画像表現は第１ＭＣＧ画像よりも画素密度が高く、第１ＭＣＧ画像よりも広いイメージング領域にわたる第２ＭＣＧ画像である高分解能ＭＣＧ画像合成器とを有する心磁図システムにおいても満たされる。
【００３６】
好ましくは、高分解能ＭＣＧ画像合成器によって第１ＭＣＧ画像のより分解能の高い画像表現を生成することは、第１ＭＣＧ画像よりも著しく分解能の高いモデルＭＣＧ画像を定義する線形モデルにアクセスするステップであって、線形モデルは、第２ＭＣＧ画像とほぼ同様のサイズおよび分解能を有する複数の合成心磁図画像を作成することによって定義されるアクセスするステップと、合成心磁図画像が、第２ＭＣＧ画像と類似の分解能および画像サイズの仮想心磁図システムにおいて知覚されるであろうような３次元空間容積内でシミュレートされる電気インパルスに基づくステップと、線形モデルの特性と低密度測定値出力の任意のデータ値の特性との間の補間パターンを確立するために、複数の合成心磁図画像からの情報が線形モデルに組み込まれるステップと、第２ＭＣＧ画像の生成は、当該第２ＭＣＧ画像のための係数を確立するために第１ＭＣＧ画像を線形モデルの部分空間上に投影することを含むステップとを含む。
【００３７】
任意選択的に、３次元空間容積はシミュレートされた心臓組織容積であり、合成ＭＣＧ画像はシミュレートされた心臓組織容積内でランダムに生成される電流に基づき、線形モデルは主成分分析（ＰＣＡ）を使用することによって作成される。
【００３８】
【００３９】
他の目的および達成は、本発明のより完全な理解とともに、添付の図面とともに取り上げられる、以下の記載および特許請求の範囲を参照することによって明らかとなり、理解できる。
【図面の簡単な説明】
【００４０】
【図１】図１Ａは、ＭＣＧ測定システムを示し、図１Ｂは、健康な心臓の復元された高解ＭＣＧ画像の接線画像を、健康でない心臓のそれと比較している。
【図２】図２は、本発明のノイズ除去方法／システムの全体的な概説図である。
【図３】図３は、図２のＭＣＧ画像合成器の簡略化された内部図を示す。
【図４】図４は、本発明によって得られるいくつかのノイズ除去結果を示す。
【図５】図５は、本発明によって得られるいくつかのノイズ除去結果を示す。
【図６】図６は、本発明によって得られるいくつかのノイズ除去結果を示す。
【図７】図７は、本発明のモデリングシステムの原理を示す。
【図８】図８は、本発明のモデリングシステムの追加の原理を示す。
【図９】図９は、本発明による拡張モデルの１つの実施態様を示す。
【図１０】図１０は、本発明の拡張モデルの原理を示す。
【図１１】図１１は、本発明によるシミュレーション設定における心臓容積との空間的関係において２Ｄセンサーアレイを示す。
【図１２】図１２は、本発明によるトレーニング画像のさまざまな例を示す。
【図１３】図１３ａは、異なる複数の深度層における電流のランダムな生成を示し、図１３ｂは、異なる複数の深度ｚにおける６４回の試行の結果をプロットしている。
【図１４】図１４は、本発明を使用する高解ＭＣＧ画像の作成を、従来技術の方法およびグランドトゥルースの例と比較している。
【図１５】図１５は、本発明によるセンサーおよび電流の空間構成を示す。
【図１６】図１６は、本発明を使用する高解ＭＣＧ画像の作成を、従来技術の方法およびグランドトゥルースの例と比較している。
【図１７】図１７は、異なるボクセル電流のサイズに関する、２Ｄボクセル電流位置特定誤差を示す。
【図１８Ａ】図１８Ａは、本発明の説明に有用なさまざまな式を示す。
【図１８Ｂ】図１８Ｂは、本発明の説明に有用なさまざまな式を示す。
【図１８Ｃ】図１８Ｃは、本発明の説明に有用なさまざまな式を示す。
【図１９】図１９ａ〜１９ｄは、テスト結果を示すさまざまな表を示す。
【図２０】図２０は、拡張モデルが、元のモデルにおいて境界となっているものの上で電流双極子が位置特定されるのにどのようにより多くのサポートを提供するかを示す。
【図２１】図２１は、拡張モデルの拡張高密度磁場画像がどのように行ベクトルｆ1tとして計算され記憶されることができるかを示す図である。
【図２２】図２２は、元のモデルおよび拡張モデルの実施態様の幾つかの態様を比較している。
【図２３】図２３は、拡張モデルの一実施態様を示す。
【図２４】図２４は、本発明の一実施形態の例示的な実施態様を示す。
【図２５】図２５は、本発明の一実施形態の例示的な実施態様を示す。
【図２６】図２６は、図２４に示されるレベルによる、元のモデルと拡張モデルとを比較する、実験結果を比較する表を提供する。
【図２７】図２７は、図２４に示されるレベルによる、元のモデルと拡張モデルとを比較する、実験結果を比較する表を提供する。
【図２８】図２８は、図２４に示されるレベルによる、元のモデルと拡張モデルとを比較する、実験結果を比較する表を提供する。
【図２９】図２９は、図２４に示されるレベルによる、元のモデルと拡張モデルとを比較する、実験結果を比較する表を提供する。
【図３０】図３０は、図２４に示されるレベルによる、元のモデルと拡張モデルとを比較する、実験結果を比較する表を提供する。
【発明を実施するための形態】
【００４１】
人の心臓によって生成される磁場は非常に弱い。一般的に、このような磁場は１０-12〜１０-10テスラ程度である。これらの磁場のサイズは、それらが本質的に電磁的ノイズに対して脆弱であることを意味する。それゆえ、良好な測定値を得ることは、感度の高い機器を使用することが好ましいが、このような感度は同様にノイズの影響を受けやすい。
【００４２】
それゆえ、最良のＭＣＧ測定値であってもノイズが多い傾向にある。事実、生のＭＣＧ測定値はノイズが多すぎて直接使用することができない場合がある。従って、ノイズ除去方法（すなわち、生のＭＣＧマップからノイズを除去する方法）は、２Ｄ ＭＣＧ画像の生成において、一般的に前処理工程として必要になる。
【００４３】
異なる複数の手法が異なる複数の種類のノイズに対処されている。例えば、環境ノイズは、遮蔽室およびグラジオメーターを使用することによって低減されることができる。システムノイズは機器を注意深く較正することによって低減されることができる。生データにおける直接測定ノイズは、一般的に信号処理方法によって対処される。
【００４４】
現在の信号処理方法は、一般的に１次元のみにおいて測定ノイズに対処している。すなわち、各個々の電磁センサーから観測されたデータ信号は別個に処理される。各個々の電磁センサーから観測された測定値は経時的に収集されるため、このような信号処理方法は時間的領域における１次元情報のノイズ除去しか提供されていない。
【００４５】
現在好ましい発明は、直接測定ノイズを低減することに焦点を当てているが、２次元ノイズ除去方法を適用することによってそれを行っている。すなわち、従来技術におけるように、各電磁センサーを経時的に個々に処理する代わりに、本発明においては、ＭＣＧセンサーユニット内の電磁センサーのアレイ全体が、空間的領域において同時に対処される。従って、本発明は、所与のイメージング領域上での２次元測定値のためのノイズ除去方法を提供する。
【００４６】
この手法を使用して、最小二乗問題を解くことによってノイズが除去されることができる。さらに、現在好ましい手法に関して、ノイズが基本モードでなくなることになるため、ノイズはＰＣＡモデルを適合させることによって除去される。
【００４７】
ＰＣＡモデルを使用することによって、ノイズ除去処理中に同時に追加の画像処理の増強を適用することができる。すなわち、ＰＣＡモデルは、追加の画像処理効果のために設計されることができ、これは、ノイズ除去プロセスに不可分の一部となる。従って、ＰＣＡモデルはノイズを除去しながら生の入力ＭＣＧマップを調整（すなわち、修正またはフィルタリング）することができる。
【００４８】
従って、現在好ましい実施形態は、ノイズ除去のプロセス中に低解２Ｄ ＭＣＧ画像に対する画像増強（複数の場合もあり）を適用する方法を提供する。この画像増強（複数の場合もあり）は、例えば、観測された磁場の改善されたモデリングの提供の形態、および／または元の低解ＭＣＧ画像の範囲（すなわち、可視領域）の増大の形態であり得る。
【００４９】
１つの手法では、本方法は、生の低解２Ｄ ＭＣＧマップを表す３次元（３Ｄ）電流ベクトルを構築し、その後、構築された３Ｄ電流ベクトルから、理論的なノイズのないＭＣＧユニットによってキャプチャーされる理想的な低解２Ｄ ＭＣＧマップを再構築する。好ましくは、３Ｄ電流ベクトルを構築するためのステップは、同時に測定ノイズを抑制しながら、構築された３Ｄ電流ベクトルの精度を高めるＰＣＡモデルを組み込む。別の手法においては、ＰＣＡモデルは後続する３Ｄ電流ベクトル構築なしに適用される。ノイズのないＭＣＧユニットによって見られるノイズ除去された低解２Ｄ ＭＣＧマップがＰＣＡモデル結果から直接構築される。
【００５０】
両方の場合において、ＰＣＡモデルは、元の物理ＭＣＧユニットによって提供されるものよりも広い表示領域を提供するように強化することができる。従って、増強されたＰＣＡモデルから構築される。結果として、得られる低解２Ｄ ＭＣＧマップ８は、元の生の低解２Ｄ ＭＣＧマップのものよりも広い表示領域を提供する。これは、物理電磁センサーのアレイのエッジのような、境界エッジ状態を起こしやすい誤差をいくらか低減する。
【００５１】
図２を参照すると、本発明の全体的な概説は、低解２Ｄ第１ＭＣＧ画像１２（または低密度ＭＣＧマップ）を出力する（図１Ａのセンサーユニット１１のような）物理ＭＣＧセンサーユニット１０によって開始する。理解されるであろうように、ＭＣＧセンサーユニット１０は、図１Ａに示されるような物理電磁センサーのアレイを収容し、各電磁センサーはピクセル値を構成する別個の測定値出力またはデータ値を提供するであろう。例えば、ＭＣＧセンサーユニット１１がＭ×Ｍ個の電磁センサーのアレイを収容している場合、低解第１ＭＣＧ画像１２はＭ×Ｍ個のデータ値から成るＭ×Ｍピクセル分解能を有することになる。
【００５２】
低解第１ＭＣＧ画像１２は（好ましくはＰＣＡベースの）高解ＭＣＧ画像合成器１４に送られ、当該画像合成器は、高解２Ｄ第２ＭＣＧ画像１６を生成する。高解第２ＭＣＧ画像１６は第１ＭＣＧ画像１２のより分解能の高い画像表現している。例えば、第２ＭＣＧ画像１６はＰ×Ｐピクセル分解能を有することができ、ここで、Ｐ＞＞Ｍである。さらに好ましくは、第２ＭＣＧ画像１６は一貫した第１ＭＣＧ画像１２よりも高い画素密度を有する。例えば、第１ＭＣＧ画像１２が２０ｃｍ×２０ｃｍの画像領域にわたる場合、その画素密度は４００ｃｍ2あたりＭ×Ｍピクセルになり、一方で対応する第２ＭＣＧ画像１６の同じ画像領域に対する画素密度は、４００ｃｍ2あたりＰ×Ｐピクセルになる。なお、第２ＭＣＧ画像１６の画像領域が第１ＭＣＧ画像１２のものよりも大きい場合、第２ＭＣＧ画像１６は好ましくは、その画像領域全体にわたって同じ画素密度を維持する。
【００５３】
ノイズ除去画像処理ブロック１８は高解第２ＭＣＧ画像１６を受け取る。ノイズ除去画像処理ブロック１８は好ましくは、少なくともＭＣＧセンサーユニット１０の物理的構築および構成ならびにその電磁センサーの内部アレイを認識している。ノイズ除去画像処理ブロック１８はこの情報を使用して、第２ＭＣＧ画像１６から低解２Ｄ第３ＭＣＧ画像２０を構築し、当該画像は、測定値ノイズがその読み値になかった場合にＭＣＧセンサーユニット１０がキャプチャーしているはずのものをシミュレートする。すなわち、ノイズ除去画像処理ブロック１８は、ＭＣＧセンサーユニット１０の物理センサー領域、すなわち、第１ＭＣＧ画像１２のイメージング領域をシミュレートする。それゆえ、第３ＭＣＧ画像２０は第１ＭＣＧ画像１２と類似の（好ましくは等しい）画素密度を有する。
【００５４】
任意選択的に、ノイズ除去画像処理ブロック１８は、破線によって示されるような第１ＭＣＧ画像１２のコピーを受け取ることによってもこれを達成することができる。この場合、ノイズ除去画像処理ブロック１８は、第１ＭＣＧ画像１２を第２ＭＣＧ画像１６と比較し、その画像位置が第１ＭＣＧ画像１２のＭ×Ｍ個のデータ値の画像位置に対応する第２ＭＣＧ画像１６の画素を、ターゲット画素として識別する。第１ＭＣＧ画像１２の画像領域に対応する（すなわち、ＭＣＧセンサーユニット１０の物理センサー領域に対応する）第３ＭＣＧ画像２０の画像領域に、その後、対応するターゲット画素をデータ投入することができる。
【００５５】
第３ＭＣＧ画像２０の画像領域が第２ＭＣＧ画像１６の画像領域に類似している（および好ましくは同じ）こと、および、第３ＭＣＧ画像２０の画素密度が第１ＭＣＧ画像１２に類似している（および好ましくは同じ）ことが望ましい。従って、第２ＭＣＧ画像１６が第１ＭＣＧ画像１２の画像領域よりも大きく、かつ完全に包含している場合、第３ＭＣＧ画像２０は同様に、第１ＭＣＧ画像１２の画像領域よりも大きく、かつ完全に包含していることになる。この場合、第３ＭＣＧ画像のセンサー領域（すなわち、第１ＭＣＧ画像１２の画像領域に対応する画像領域）の画素密度は、第３ＭＣＧ画像２０全体を通じて一様に広がっている。好ましくは、第３ＭＣＧ画像２０内で、このセンサー領域を超えて延在するピクセルは、直ぐ上で記載された、かつ／または下記により詳細に記載されるものと同様の様式で、第２ＭＣＧ画像１６から求められるシミュレートされたセンサーデータを投入される。
【００５６】
上記で説明されたように、高解ＭＣＧ画像合成器１４は好ましくはＰＣＡベースのモデルを実装し、同時に第１ＭＣＧ画像１２の分解能を向上させて当該画像の鼻を低減しながら、画像増強を提供する。ＭＣＧ画像合成器１４の簡略化された内部図が図３において提供される。
【００５７】
図３を参照すると、ここで図２に類似のすべての要素は同様の参照符号を有するとともに上述されており、ＭＣＧ画像合成器１４のいくつかの任意選択の実施態様が示されている。図２および３に示されているように、ＭＣＧ画像合成器１４は入力第１ＭＣＧ画像１２を、ノイズ除去画像処理ブロック１８に転送するために直接、出力に渡すことができる。
【００５８】
好ましくは、ＭＣＧ画像合成器１４は、上記第１ＭＣＧ画像１２よりも大幅に分解能の高いモデルＭＣＧ画像（本明細書においてＰＣＡ線形モデル２２によって具現化される）を組み込み、または通信する。ＰＣＡ線形モデル２２は、心臓組織内の電流インパルスの所望の効果を有する理想的な高分解能画像の予備知識に基づいて、第１ＭＣＧ画像１２を修正する。このような理想的な高分解能画像のライブラリーを物理的測定値から取得することは実際的でないため、ＰＣＡ線形モデル２２は好ましくは、第２ＭＣＧ画像１６と同じサイズおよび分解能を有する合成心磁図画像のライブラリーから定義される。合成心磁図画像のライブラリーは好ましくは、所望の画像増強を組み込むように合成される。従って、この合成ライブラリーに基づくＰＣＡ線形モデル２２は、同じ望ましい画像増強を組み込んだことになる。下記により十分に説明されるように、合成心磁図画像は、仮想高分解能心磁図システムにおいて知覚される３次元空間心臓組織容積内でシミュレートされるランダム電気インパルスに基づく。この複数の合成心磁図画像からの情報がＰＣＡ線形モデル２２に組み込まれて、当該線形モデルの特性と、第１ＭＣＧ画像１２の任意のデータ値の特性との間の補間パターンを確立する。第２ＭＣＧ画像１６を生成するための第１の技法は、第１ＭＣＧ画像１２をＰＣＡ線形モデル２２の部分空間上に投影して、第２ＭＣＧ画像１６の作成に使用するための係数を確立することである。
【００５９】
１つの実施形態において、ＰＣＡ線形モデル２２によって結果として得られる高分解能画像出力は、第２ＭＣＧ画像１６として出力に直接送られる。
【００６０】
代替の実施形態において、ＭＣＧ画像合成器１４は、さらに、ＰＣＡ線形モデル２２によって生成される高解画像から３Ｄ電流インパルスをモデル化し、その後モデル化された３Ｄ電流インパルスから第２ＭＣＧ画像１６を作成し直す。これは、下記により十分に説明されるように、最終高解画像のノイズをさらに低減する。
【００６１】
この代替の場合において、ＰＣＡ線形モデル２２からの出力は電流ローカライザー２４に渡される中間画像であり、当該電流ローカライザーは中間ＭＣＧ画像に従って電流の位置および運動量を求める。好ましくは、電流ローカライザー２４は、単一の双極子を想定して電磁出力データがｘ−ｙ方向（Ｂｘｙ）において個々の電磁センサーにおいて観測される電磁出力データを評価し、高密度Ｂｚから高密度Ｂｘｙを計算し、ここで「Ｂ」は磁場を指す。
【００６２】
【００６３】
従って、図３は本発明を実装する２つの基本的な方法を提供する。１つの手法においては、ＭＣＧ画像合成器１４は低解第１ＭＣＧ画像１２を受け取り、高解／低解モデルフィッティングを使用して高解第２ＭＣＧ画像１６を生成し（すなわち、低解第１ＭＣＧ画像１２を高解ＰＣＡ線形モデル２２に適合させて）、ノイズ除去画像処理ブロック１８が、ＰＣＡ線形モデル２２の出力から低解第３ＭＣＧ画像２０を生成する。
【００６４】
代替の手法において、ＰＣＡモデルフィッティング＋双極子再構築がノイズ除去された低解第３ＭＣＧ画像２０の構築に使用される。すなわち、電流ローカライザー２４およびＭＣＧセンサーユニットシミュレーター２６は双極子再構築をＰＣＡ線形モデル２２の出力に提供し、ノイズ除去画像処理ブロック１８が、ＭＣＧセンサーユニットシミュレーター２６の出力から低解第３ＭＣＧ画像２０を生成する。この代替の手法は以下のようにも要約され得る。復元された２Ｄ高解ＭＣＧ画像（好ましくは、ＰＣＡ線形モデル２２の出力）を所与として、電流の２Ｄ位置を推定し、逆問題を解いて電流双極子の３Ｄ位置および運動量を再構築し、ビオ・サバールの法則に基づいて再構築された電流双極子を所与として高解第２ＭＣＧ画像１６を計算する。好ましい実施形態において、ノイズ除去画像処理ブロック１８は、高解第２ＭＣＧ画像１６の対応する２Ｄ低解成分をノイズ除去済みＭＣＧ信号として使用する。
【００６５】
本発明によって得られるいくつかのノイズ除去結果が図４〜６の表に示されている。図４の表は、８×８センサー、２．５ｃｍ間隔、２００回試行、かつ各試行がＢｍおよびＢｇを［０，１］に正規化しているシミュレーション設定において、ノイズ除去結果をグランドトゥルースと比較している。２５個のモードを使用して、以下を使用して相対誤差が計算される。
図示されるように、両方の手法が良好なノイズ除去測定値をレンダリングするが、高解モデルフィッティングを使用してその後双極子を再構築する方法が、一貫してより良好な結果を提供した。
【００６６】
同様の結果が図５の表に示されており、これは、８×８センサー、２．５ｃｍ間隔、各試行がＢｍおよびＢｇを［０，１］に正規化している２００回試行のュレーション設定を使用している。１５個のモードを使用して、以下のように相対誤差が計算される。
上記の２つのシミュレーションにおいて、ランダムノイズが２０％を下回るとき、モデルフィッティング（高解および低解モデルの両方）のみを使用する実施形態がノイズを低減することができる。しかしながら、双極子を再構築することによって、ノイズをさらにより低減することができる。
【００６７】
ファントム実験の結果が図６の表に示されている。このファントム実験は、８×８センサー、２ｃｍ間隔、４回巻垂直円形コイルを使用し、ＢｍおよびＢｇを［０，１］に正規化した。平均相対誤差が以下のように計算される。
これらの結果は再び、両方の手法が効果的なノイズ除去能力を実証していることを示しているが、高解モデルフィッティングを使用してその後双極子を再構築する手法が、一貫して再びより良好な結果を提供している。実際には本発明のファントム実験は、ノイズが実際に大きい（＞３５％）場合、モデルフィッティング＋双極子再構築が依然としてノイズを大幅に低減することができることを示している。
【００６８】
高解ＭＣＧ画像合成器１４の構築および使用の好ましい方法の詳細な記載が下記に提供される。しかしながら、詳細な記載を論じる前に、その原理のいくつの概説を論じることが有益である。
【００６９】
図７は、本発明のモデル化事例の原理を示す。図１Ａの要素に類似のすべての要素が同様の参照符号を有し上記に記載されている。基本原理は、心臓１９を心臓組織２０のブロックとしてシミュレートし、その後、心臓組織ブロック内の複数の電流インパルス１７をシミュレートすることである。心臓組織２０の物理的特性は分かっているため、電流インパルス１７によって生成される心臓組織２０を通る磁場の伝搬がシミュレートされることができる。心臓組織ブロック２０のサイズは心臓１９と同等のサイズ（または平均的なヒトの心臓と同様の容積）とすることができる。
【００７０】
図８を参照すると、ＭＣＧセンサーユニット１１に類似の仮想ＭＣＧセンサーユニット１１は図１Ａに図示ものであり、心臓組織容積２０の上に示されている。理論的ＭＣＧセンサーユニット１１は、図１Ａの物理電磁センサー１３と同様の数の仮想電磁センサー１３’を収容し得る。この場合、仮想ＭＣＧセンサーユニット１１’は、低分解能ＭＣＧセンサーユニット、すなわち、図１Ａのものとなる。しかしながら、ノイズの除去に加えて本発明のもう一つの目的は物理ＭＣＧセンサーユニットからの測定読み値を増強することであるため、かつ仮想ＭＣＧセンサーユニットを任意の所望の機能を有するように自由に定義することができるため、低分解能ＭＣＧセンサーユニット１１’は高分解能仮想ＭＣＧセンサーユニット３２に置き換えられる。
【００７１】
仮想高解ＭＣＧセンサーユニット３２は、図２の高解第２ＭＣＧ画像１６に類似の分解能を有し、従って、第２ＭＣＧ画像１６のピクセル当たり１つの、仮想電磁センサーのより大規模なアレイ３４を収容することになる。ここでランダムな電流インパルス３６が心臓組織容積２０内で定義され、その結果として得られる磁場が生成され得る。高解ＭＣＧセンサーユニット３２は、心臓組織容積２０内のさまざまな深度において磁場の高分解能読み取りを行わない（すなわち、高精細ＭＣＧ画像を生成しない）。
【００７２】
実際的な理由で、心臓組織容積２０内の所定の限られた数の深度、または層４０において高解ＭＣＧ画像を生成することが好ましい。このとき、個々の層が心臓組織容積２０から抽出され、各深度レベルに対して個々の高精細ＭＣＧ画像４２を生成するために分離されることができる。複数のランダム電流インパルスが定義され、それらの磁場が生成され、結果として得られるレベル画像が作成されるであろうことは理解される。１つの実施形態において、１つの深度レベルあたり１０００個のランダム電流インパルスが定義され、１０００個のサンプル画像が作成される。これらのシミュレートされた高解ＭＣＧ画像４２はその後、ＰＣＡベースの高解ＭＣＧ画像モデル２２を構築するのに使用される。
【００７３】
この実施形態では、仮想高解ＭＣＧセンサーユニット３２によってカバーされる面積は、仮想低解ＭＣＧセンサーユニット１１’によってカバーされる面積と同じである。すなわち、仮想高解ＭＣＧセンサーユニット３２の物理センサー領域は仮想低解ＭＣＧセンサーユニット１１’のものと一致し、これは物理低解ＭＣＧセンサーユニット１１のものと一致する。
【００７４】
しかしながら、より大規模なＭＣＧセンサーユニットであれば、より大きな画像、従って、医療専門家がそれを用いて作業することができる、より多くの情報を提供する可能性が高い。より大規模な物理ＭＣＧユニットを作成することはコストが高く、より大規模な物理高解ＭＣＧセンサーユニットを作成することは不可能であるため、本発明の代替の実施形態は、仮想高解ＭＣＧセンサーユニット３２を、より大きなサイズの高解ＭＣＧセンサーユニットをシミュレートするように修正する。
【００７５】
図９を参照すると、ここで図７のものに類似のすべての要素は同様の参照符号を有するとともに上述されており、大きなモデルブロック５０が前の心臓組織ブロック２０を包含している。一例として、モデルブロック５０の長さおよび高さは心臓組織ブロック２０の２倍であることができる。１つの例では、モデルブロックは心臓組織ブロック２０のものに類似の個体心臓組織質量を構成することができるが、よりサイズが大きく、従ってよりサイズの大きい心臓をシミュレートすることができる。また、第２の例として、心臓１９のより完全なモデルを提供することができる。
【００７６】
代替の第３の例において、モデルブロック５０は一般的な心臓の心臓組織を超えて及ぶようにすることができる。この第３の例において、モデルブロック５０はそれが包含する種々の種類の組織質量の３Ｄ表現を表すようにモデル化されることができる。従って、心臓１９を表すその中心内の心臓形組織質量に加えて、モデルブロック５０は任意選択的に、心臓動脈５４、肺５２、およびその容積内の任意の他の組織をモデル化することができる。
【００７７】
これらの３つの例において、より大きなモデルブロック５０はランダムインパルス電流１７によって生成される磁場のより良好な表示を提供することができる。なお、さらに、モデルブロック５０が心臓組織質量としてモデル化されるか、または異なる複数の隣接する組織質量としてモデル化されるかにかかわらず、ＰＣＡ線形モデルを生成するための一般的なプロセスは一般的に上記で説明し、下記でより詳細に説明されるものと同様である。
【００７８】
例えば、図８および９のものと同様のすべての要素が同様の参照符号を有するとともに上記で説明されている図１０において、仮想低解ＭＣＧセンサーユニット１１’は、低解ＭＣＧセンサーユニット１１’のセンサー領域よりも広いイメージング領域を有するより大規模な仮想高解ＭＣＧセンサーユニット６０に置き換えられている。アレイ６４の、単位面積あたりの電磁センサーの密度は好ましくは、図８のアレイ３４のものと同じである。電磁センサーのアレイ６４のセンサー面積は、モデルブロック５０の上面面積によって定義される。前に述べたように、モデルブロック５０は好ましくは幅および高さが心臓組織ブロック２０の２倍である。
【００７９】
本発明によって、実験から得られたいくつかのノイズ除去結果を提示する前に、上記の高解ＭＣＧ画像合成器１４のより詳細な例示的実施態様を提供することが有益であり得る。より具体的には、ＰＣＡ線形モデル２２、電流ローカライザー２４、およびＭＣＧセンサーユニットシミュレーター２６の好ましい実施態様を提示することが有益であり得る。
【００８０】
理解され得るように、ますます多くの深度レベルにおける高解２Ｄは、ＭＣＧ画像の集合を組み合わせて３次元（３Ｄ）ＭＣＧ画像を作成することができる。従って、高解２Ｄ ＭＣＧ画像の精度を向上させる高解生成方法／プロセス／デバイスを使用して所与の低解ＭＣＧ測定値のセットから電流の位置、大きさおよび向きの３次元（３Ｄ）構図を作成することができる。向上した精度を提供する１つの方法は、ビオ・サバールの法則を用いて求められる電流に基づいて高解ＭＣＧ画像を計算する。しかしながら、当該技術分野において既知であるように、ヘルムホルツの相反則に従って、ＭＣＧに関する逆問題は、電気インパルスの数が分からない限り、不良設定問題である。しかし、電気インパルスの数が分かっている場合でさえ、計算コストが高いことが多く望ましくない。局所、最小値をもたらし得る大規模な非線形最適化問題を解く必要がある。それゆえ、これらの種類の方法に基づく高解ＭＣＧ画像復元（すなわち、生成）は、以前は信頼できないものになっていた。
【００８１】
現在好ましい実施形態は、高解ＭＣＧ画像復元（すなわち生成）問題を、事例に基づく超分解能問題とみなす。通常、事例に基づく問題は、本物の例（すなわち、本物のサンプル画像）のライブラリーであって、当該ライブラリーから、このような本物の例の特性を学習するための、ライブラリーを必要とする。しかしながら、高密度磁場を測定することは、不可能ではないにしても実際的でなく、従って、直接観測される本物の測定値からこのような本物の例を得ることは実現可能でない。それゆえ、現在好ましい実施形態は、トレーニングを目的として、本物のサンプル画像のライブラリーとして、コンピュータ生成（すなわち、合成）高解ＭＣＧ画像を使用する。すなわち、本発明のモデル学習アルゴリズムは、合成高解ＭＣＧ画像に基づくものである。
【００８２】
本発明のサンプル画像のライブラリーを含む合成高解ＭＣＧ画像は好ましくは、ビオ・サバールの法則に基づいてランダムに生成される。これらのサンプル画像から、好ましくは主成分分析（ＰＣＡ）を使用することによって線形モデルが構築される。物理ＭＣＧセンサーユニットからの低密度の本物の測定値が、その後、そのように構築された線形モデルの部分空間内に投影され、モデル係数が推定されて高解ＭＣＧ画像が当該線形モデルのモデルインスタンスとして復元（すなわち、作成、合成、または生成）される。このモデルインスタンスは、物理ＭＣＧセンサーの低密度測定値によって定義される低分解能画像の高解ＭＣＧ画像表現として出力されることができる。
【００８３】
高解ＭＣＧ画像がこのように再構築されることによって、現在好ましい発明は、高解ＭＣＧ画像をさらに分析して、このような画像を生成することになるインパルス電流の位置、深度、大きさおよび向きを特定するものである。
【００８４】
上記で説明されたように、観測された物理的測定値から得られる本物のＭＣＧ画像は一般的に、具体的なインパルス電流情報を直接回復するために十分な情報を提供しない低解２Ｄは、ＭＣＧマップから成る。しかしながら、高解ＭＣＧ画像が再構築されると、電流の２Ｄ位置が、高解ＭＣＧ画像の接線成分の最大点として位置特定されることができる。２Ｄ位置特定精度を向上させるために、本明細書において、非線形最適化アルゴリズムが逆問題を解くために説明される。同時に、電流の深度、大きさおよび向きも回復される。より具体的には、好ましいアルゴリズムは２つのステップを交互に繰り返す。第１のステップは、３Ｄインパルス電流の発生位置を推定し、第２のステップは推定された発生位置に基づいてその大きさおよび向きを再構築する。３Ｄインパルス電流の発生位置の推定において、モデルベースの復元から推定される２Ｄ電流位置が初期設定として使用される。本方法は、特別な仮定を必要とすることなく効率的、正確かつ高信頼性である。単純にするために、現在好ましいシステム／方法は、単一のインパルス電流の事例に適用されるものとしてのみ例示されている。しかしながら、本発明のシステム／方法／デバイスを複数のインパルス電流に拡張することは容易であることは理解される。
【００８５】
本実施形態は、さまざまなコンピューティングデバイス（またはデータ処理デバイス）を利用して、ランダムインパルス電流によって生成される合成高解ＭＣＧ画像のセットから線形モデルを学習（すなわち作成）する。ＭＣＧセンサーユニットから受け取られる低密度データ（すなわち、低分解能画像）はその後、線形モデル上に投影され、そこから低分解能画像の高分解能画像表現が作成される。この手法の一例が図１１に示される。
【００８６】
図１１を参照すると、上面図（ａ）はシミュレーション設定において、２Ｄセンサーアレイの上面図（a）（またはセンサー平面）を、側面図の３Ｄ空間心臓容積３３［側面図（ｂ）］と関連付けて示している。本例において、上面図（ａ）は、８×８センサーアレイに配列される（電磁センサー１３のような）６４個の物理センサー１３を有する（図１ＡのＭＣＧセンサーユニット１１のような）ＭＣＧセンサーユニットの上面図（a）を示している。しかしながら、本実施形態において、４個の仮想センサー３１から成るセットが、ｘおよびｙ方向において隣接する実際の物理センサー１３の間に直列に挿入される。加えて、４つの角にある物理センサー１３および、それらの仮想センサー３１の４つの整列したセットによって画定される正方形領域が、追加の仮想センサー３１の４×４アレイを充てられる。従って、本実施形態は、１２３２個の仮想センサー３１を６４個の物理センサー１３に追加し、センサーは合計で１２９６個になる。これは３６×３６センサーアレイに相当し、本高解画像の１つの実施形態のための基礎を構成する。１つのセンサー当たり１つの画像ピクセルを割り当てることによって、本実施形態はこのようにして、高解ＭＣＧ画像内にＰ×Ｐ（Ｐ＞８）ピクセルを提供する。好ましくは、センサー平面は、本事例においては１０×１０×１０ｃｍ3である心臓容積境界ボックス３３の５〜１０ｃｍ上にある。この例では、各高解ＭＣＧ画像における画素密度は（１２９６ピクセル）／（１００ｃｍ2）または１平方センチメートルあたり約１３ピクセルであろう。電流は３Ｄ点において位置特定されるベクトルによって表される。
【００８７】
仮想センサーの数、およびＰの値は設計上の選択であることは理解さられる。下記に説明する後者の実施形態は、例えば、より多数の仮想センサーを組み込んでさらに分解能の高いＭＣＧ画像を生成する。
【００８８】
図１８Ａ〜１８Ｃは、説明を容易にするためのさまざまな式（式１〜式１２）を示す。
【００８９】
【００９０】
【００９１】
【００９２】
トレーニングステップにおいて、高解Ｐ×ＰのＭＣＧ画像のセット（ここで、Ｐ＞＞Ｍ）が合成、すなわち生成される。各高解Ｐ×ＰのＭＣＧ画像を生成するために、ランダムなモーメントおよびランダムな３Ｄ位置の両方を有する単一の電流が定義される。結果として得られる高解Ｐ×Ｐ ＭＣＧ画像が、式２に基づいて計算される。
【００９３】
合成トレーニング画像のいくつかの例が図１２に示される。各合成高解ＭＣＧ画像は、ランダムなモーメントおよび３Ｄ位置の両方を有する単一の電流によって生成される。心臓によって生成される磁場は非常に弱い（１０-12〜１０-10テスラ）ため、高解ＭＣＧ画像は０〜２５５に正規化され、ＪＥＴカラーマップを使用して表示される。異なる複数の行からの画像が異なる複数の深度（ｚ方向における電流の距離）から生成される。このようにして、Ｋ個の高解ＭＣＧトレーニング画像が生成、すなわち合成される。すべての画像ベクトルは集中化され（平均ベクトルはμによって示される）、それらは行列Ａにスタックされる。従って行列ＡはＫ列のＰ×Ｐベクトルから成る。行列Ａの固有ベクトルを抽出するためにＰＣＡが適用され、従って固有行列Σを定義する。
【００９４】
【００９５】
図１２は、４行の異なるＭＣＧ画像（すなわち、４つの２ＤのＭＣＧ画像）を示す。４行のＭＣＧ画像は４つのそれぞれの深度、または層（すなわち、ｚ方向における電流位置、または発生源に対する異なる複数の距離）において生成される。深度が変化するときにＭＣＧ画像間に大きな変動を見ることができる。
【００９６】
これらの深度層４１の図が図１３ａに示されている。現在好ましい実施形態において、電流は異なる複数の深度層４１においてランダムに生成される。すべての深度をサンプリングすることは網羅的でありすぎて、深度層の１つのセットを選択することはできない。この手法は、下記により十分に説明されるように、Ｂｚが電流深度の線形関数として近似されることができると仮定する。
【００９７】
【００９８】
【００９９】
【０１００】
本例において、一千個の高分解能ＭＣＧ画像サンプルが１０個の均一に分布する深度層またはレベルのそれぞれにおいて生成された。
【０１０１】
復元高解ＭＣＧ画像を作成する現在好ましい方法のＢｚビューおよびＢｘｙビューがその後、図１４に示すように、双三次補間方法およびグランドトゥルース画像を用いて比較された。評価を目的として、ビオ・サバールの法則に基づいてグランドトゥルース電流から再構築された高解ＭＣＧ画像が示される。物理的条件をより良好にシミュレートするために、５％一様分布ランダムノイズが各センサーに加えられ、その後現在好ましい方法および双三次補間方法がこのノイズを含むセンサー結果に適用された。３つの画像の隣り合わせの比較から視覚的に明らかであるように、現在好ましい方法を用いて構築された高解ＭＣＧ画像は、グランドトゥルースＭＣＧ画像により近く一致する。従って、本方法は、高解ＭＣＧ画像の構築においてより高いレベルの精度を達成する。
【０１０２】
上述のように、高解ＭＣＧ画像を分析することによって電流位置の２Ｄ推定値を得ることができる。位置特定精度を向上させるための現在好ましい方法は、電流の３Ｄ位置およびモーメントの両方を再構築する非線形最適化、すなわち、逆問題を解くことである。線形モデルによって復元される正確な高解ＭＣＧ画像は、逆問題のための良好な初期設定を提供し、より早く大域的最適解に収束するのを助ける。高解ＭＣＧ画像から２Ｄ推定値を生成するための好ましい方法は以下のとおりである。
【０１０３】
高解ＭＣＧ画像Ｂｚ（ｉ，ｊ）（ｉ＝１，２，・・・，Ｎ；ｊ＝１，２，・・・，Ｎ）を所与として、Ｂz（ｉ，ｊ）の接線成分の最大点Ｂ’xy（ｉ，ｊ）は、電流の２Ｄ位置（ｘｐ，ｙｐ）を指す。これは、図１４の２行目の画像に見ることができる。Ｂz（ｉ，ｊ）の接線成分は式５を使用して計算されることができる。この時点で、逆問題を解くことが残っている。
【０１０４】
【０１０５】
【０１０６】
【０１０７】
【０１０８】
【０１０９】
【０１１０】
本シミュレーション設定は、図１Ａに示されている設定と同様である。２．５ｃｍのセンサー間隔をおいて、８×８個の物理センサー１３がある。全体の測定面積は１７．５×１７．５ｃｍ2である。心臓容積１９は１０×１０×１０ｃｍ3である。センサーアレイ（またはセンサーユニット）１１から心臓容積１９の上部までの距離は５ｃｍである。各試行において、心臓容積内にランダム電流が生成される。６４個のセンサー１３においてＢｚが計算され、５％、１０％または１５％のランダムノイズが各センサーに加えられる。この加えられたノイズは一様またはガウス分布を有する。ノイズを有する６４個の低密度測定値が使用されて、Ｎ×Ｎ分解能を有する高解ＭＣＧ画像を復元する。これを達成するために、２つの隣接する現実のセンサーの間に５０ピクセルが挿入され、これは、高解ＭＣＧ画像内の隣接するピクセル間の間隔が０．５ｍｍであることを意味する。この場合Ｎ＝５０×７＋１＝３５１である。
【０１１１】
図１９ａ〜１９ｄ内の表１〜４はそれぞれ、いくつかのシミュレーション結果を示す。図１９ａ内の表１は、２００回の試行にわたる種々のノイズタイプおよび比率に関する２Ｄ電流位置特定誤差を示す（深度はこの事例においては考慮されない）。２Ｄ電流位置特定に関する精度についての研究報告は多数存在する。
例えば、Pacing and Clinical Electrophysiology，１４（１１１）：１９６１−１９６５，１９９１における、Weismuller他による「ウォルフ・パーキンソン・ホワイト症候群における副伝導路の生体磁気非侵襲的位置特定（Biomagnetic Noninvasive Localization of Accessory Pathways in Wolff‐Parkinson‐White Syndrome）」、およびEuropean Heart J.,１３（５）：６１６−６２２，１９９２における、P.Weismuller他による「マルチチャネルシステムによるウォルフ・パーキンソン・ホワイト症候群における副伝導路の心磁図記録による非侵襲的位置特定（Magnetocardiographic Non‐invasive Localization of Accessory Pathways in the Wolff‐Parkinson‐White Syndrome by a Multichannel System）」において、ウォルフ・パーキンソン・ホワイト（Wolff‐Parkinson‐White、ＷＰＷ）症候群に対する２Ｄ位置特定精度は０ｃｍ〜５ｃｍの間であり、平均１．８ｃｍである。
さらに、IEEE Trans.on Medical Imaging，１７（３）：４７９−４８５，１９９８における、Ｐ．Ｌ．Ａｇｒｅｎ他による「不整脈基質の心磁図記録による位置特定：基準としての副伝導路除去を伴う方法論的研究（Magnetocardiographic Localization of Arrhythmia Substrates： a Methodology Study with Accessory Pathway Ablation as Reference）」は、不整脈基質に対する２Ｄ位置特定精度を、２．１ｃｍおよび９．６ｃｍであるものとして報告している。
最後に、J.of Arrhythmia，１６：５８０−５８６，２０００における、S.Yamada他による「心磁図を使用することによる不整脈病巣の非侵襲的診断−磁気解剖学的マッピングシステムの方法および精度（Noninvasive Diagnosis of Arrhythmic Foci by Using Magnetocardiograms,‐ Method and Accuracy of Magneto‐Anatomical Mapping System）」、および、Arrhythmias and Fetal Diagnosis，２００５における、S.Yamada他による「臨床医学における心磁図：新虚血における特有の情報（Magnetocardiograms in clinical medicine： unique information on cardiac ischemia）」は、８×８個のセンサー、２．５ｃｍのセンサー間隔、および５％のランダムノイズから成る類似の設定を示しているが、センサー深度もノイズタイプも報告されていない。それらは、２Ｄ位置特定精度をシミュレーションに関しては１．４ｍｍ＋／−０．７ｍｍ、ＷＰＷに関しては８ｍｍ、および７ｍｍ ＰＣＶであると報告している。以前の研究と比較すると、本方法は現行の技術水準よりも良好な精度を示している。
【０１１２】
その上、本方法は電流の３Ｄ位置およびそのモーメントの再構築を可能にする。本発明の３Ｄ電流を再構築する能力は当該技術分野において新規のものである。
【０１１３】
【０１１４】
【０１１５】
実際には、電流は点というよりもボクセルのようなものである。種々のサイズのボクセル電流が０．５ｍｍ間隔で小さな立方体内に点電流のセットを生成することによってシミュレートされた。図１７は、ボクセル電流に関する２Ｄ位置特定誤差を示している。ボクセル電流の幾何学的中心がグランドトゥルースとして使用される。結果は、本発明の位置特定アルゴリズムが電流のサイズに対して良好であり、（点電流のみを考慮した）最新技術に匹敵することを実証している。
【０１１６】
以上において、単一電流位置特定問題のみが考慮されており、高密度ＭＣＧ画像から良好な初期設定が計算されることができる。実際には、２つ以上のボクセル電流が存在する可能性がある。複数電流位置特定の初期設定のために信号分解が必要とされ得る。要約すると、本方法は、正確な高解ＭＣＧ画像を復元／作成することが可能である。単一電流２Ｄ位置特定に関して、高解ＭＣＧ画像が効率的、正確、かつ高信頼性の様式で作成される。加えて、本発明のアルゴリズムは、電流の深度およびモーメントを再構築することができる。これは、複数の電流源について解くように容易に拡張することができる。
【０１１７】
上記で説明されたように、代替の実施形態は、元のサイズの空間容積キューブのセンサー面積を、好ましくは元のサイズの２×２倍に拡張する。説明を容易にするために、拡張されていない実施態様は以下用語「元のモデル」であり、拡張された実施態様は「拡張モデル」と称される。元のモデルは好ましくは、センサー領域の外側に仮想センサーを挿入することによって拡張モデルを作成するように拡張される。これは、図２０に示されている境界において電流双極子が位置特定されるのにより多くのサポートを提供する。この手法のいくつかの利点は、診断および位置特定のためのより良好な視覚化、分解能の変更のためのオプション（すなわち、ズームイン）、および境界源に関するより良好な精度である。
【０１１８】
しかしながら、この手法は、その実装に対して幾つかの実際的な課題を呈する。第１に、これはデータ記憶容量が大きく、計算要件が高い。これらの実際的な制限を克服するために、拡張モデルの上記で説明された実施態様は、計算資源が限られている状況に対応するように修正されることができる。
【０１１９】
最初に、上記で説明されたように、合成拡張高分解能ＭＣＧ画像から外挿ＰＣＡモデルが学習される。すなわち、元のサイズのセンサー領域を使用する代わりに、各サンプルに対して拡張高密度ＭＣＧ画像が計算される。第２に、アクティブメモリー要件を低減するために、アクティブメモリー（すなわち、ＲＡＭ）の代わりに長期記憶（すなわち、ハード・ディスク・スペース）が使用される場合がある。最後に、モデル学習のための計算は分割されて並列に実行され、これは実行時間を大幅に改善する。
【０１２０】
最初に、並列に実行するための準備において、モデル学習のための計算が分割される。ランダム電流双極子を所与として、拡張高密度磁場画像は、図２１に示されるように行ベクトルｆ1tとして計算および記憶される。このステップはＫ回繰り返され、図示されるようにＫ個の行ベクトルがデータファイル内に記憶される。上記で説明された元のモデルにおいて、行内にサンプルベクトルが生成されたが、この代替の実施態様では、サンプルベクトルはスレッド内に生成される。好ましくは、８個のスレッドが８個のＣＰＵに対して生成される。結果として得られる８個のファイルはその後１つに統合される。
【０１２１】
図２２を参照すると、上記で説明された元のモデルの実施態様において、データファイルに対してメモリーバッファーが割り当てられることができ、すべてが一度に行列に読み出されることができる（７２）。次いで、平均ベクトルおよび正規化データ行列が計算されることができる（７４）。次いで、共分散行列に対するメモリーバッファーが割り当てられることができる（Ｋ＜＜２Ｎｘ２Ｎであるため）（７６）。次いで、固有分解が共分散行列に適用されることができる。
【０１２２】
対照的に拡張モデルの本実施態様においては、平均ベクトルは、データベクトルを１つずつ読み出すとともに平均ベクトルをハードディスク内に記憶することによって計算されることができる。次いで、共分散行列がＬ×Ｌ個のブロックに分割されることができる（７８）。各ブロックを計算するために、データファイルからサンプルベクトルの対応する２つのブロック（例えば、ブロックｂ1tｂ1もしくはブロックｂ1tｂLまたはブロックｂLtｂLなど）を読み出すことができる。したがって、データファイル全体をアクティブメモリー内に記憶する必要はない。さらに有利なことに、これは共分散行列の異なる複数のブロックの並列計算を可能にする。
【０１２３】
この例示的な実施態様が図２３に示される。拡張された境界ボックス内で異なる複数の水平面内にランダムサンプルが生成される。１つの実施形態において、２０００個のサンプルが生成され、好ましくは２ｃｍ間隔の６個の水平層が定義される。ランダムな位置および向きを有するランダム電流インパルスが生成され、それらの大きさが正規化される。
【０１２４】
元のモデルと対比しての拡張モデルの本発明の実施態様の効率改善が実験結果の比較によって実証された。元のモデルが、１２０００個のサンプルのデータスケール、共分散行列のための１Ｇのアクティブメモリー、およびデータ行列のための１Ｇのアクティブメモリーを使用する３２ビットシステムにおいて実装された。この設定のための処理時間はおよそ４週間であった。
【０１２５】
拡張モデルが並列計算を有する６４ビットシステムを使用して実装された。この実施態様は、６００００個のサンプルのデータスケール、および共分散行列のための１５Ｇのアクティブメモリーを使用した。この代替の実施態様のための処理時間（すなわち、トレーニング時間）は６日間であった。
【０１２６】
より広い表示領域を提供することに加えて、拡張モデルは向上した位置特定精度も実証した。元のモデルを使用すると、１ｘ１ｘ１ボクセル双極子に対する位置特定精度は２００回の試行および５％の一様ノイズにわたって、１．２＋／−１．１（ｍｍ）の値をもたらした。対照的に、拡張モデルは１．１４＋／−０．９８（ｍｍ）の値をもたらした。
【０１２７】
拡張モデルに関する３Ｄ空間内の双極子位置特定誤差分布も試験された。この設定は、８×８センサー、２．５×２．５ｃｍ間隔、５％の一様分布ノイズ、３．２５×３．２５×３．２５測定境界キューブ、１×１×１ ３Ｄボクセル二重層ソース、境界キューブ＿ｚ＋１．２５／２＋０．２５（オフセット）＝４．１２５ｃｍに等しいセンサーオフセット設定（最上レベルに関して）、５×５×５＝１２５回測定、および各測定において１００回の試行を使用した。この実験の結果は、平均して、拡張モデルが電流源、特にセンサー境界の近くに位置している電流源に関してより良好な位置特定精度を提供することを示している。この実験の図が図２４および２５に示されている。
【０１２８】
レベルＩ〜Ｖのそれぞれに関する元のモデルおよび拡張モデルのための測定結果の比較が、それぞれ図２６〜３０に示されている。レベルＩ〜Ｖに関する表のそれぞれにおいて、Ｘ−Ｙ座標は図２４におけるＸ−Ｙ座標に対応し、レベル番号Ｉ〜Ｖは図２４におけるＺ座標に対応する。さらに、図２６〜３０内の表のそれぞれにおいて、元のモデルを拡張モデルと比較している各行（１〜５の番号を付されている）に関して、上部の数字は元のモデルによって得られた値であり、下部の、より大きなフォントで太字の数字は拡張モデルによって得られた値である。図示されるように、拡張モデルによって得られた値のほとんどは元のモデルによって得られた値よりも良好である。
【０１２９】
本代替の実施態様は、より大きなデータ（すなわち、より大きな組織容積）の使用に関連付けられる計算複雑度を解決する。なお、さらに、本発明の拡張モデルは、境界双極子の位置特定に関して元のモデルよりも良好に機能する。
【０１３０】
いくつかの具体的な実施形態とともに本発明が記載されてきたが、さらに多くの代替形態、修正形態および変形形態が上記の記載に照らして明白であることは、当業者には明らかである。従って、本明細書に記載されている本発明は、添付の特許請求項の精神および範囲内に含まれ得るような、すべてのこのような代替形態、修正形態、応用形態および変形形態を包含するように意図される。
【符号の説明】
【０１３１】
１０，１１…ＭＣＧセンサーユニット、１２…低解第１ＭＣＧ画像（第１ＭＣＧ画像）、１３…電磁センサー、１４…高解ＭＣＧ画像合成器（ＭＣＧ画像合成器）、１６…高解第２ＭＣＧ画像（第２ＭＣＧ画像）、１７…電流インパルス、１８…ノイズ除去画像処理ブロック、１９…心臓（心臓容積）、２０…心臓組織（心臓組織容積）、２２…高解ＰＣＡ線形モデル（ＰＣＡ線形モデル）、２４…電流ローカライザー、２６…ＭＣＧセンサーユニットシミュレーター、３１…仮想センサー、３２…高解ＭＣＧセンサーユニット、３３…心臓容積境界ボックス、３４…アレイ、３６…電流インパルス、４０…層、４１…深度層、４２…高解ＭＣＧ画像、５０…モデルブロック、５２…肺、５４…心臓動脈、６０…仮想高解ＭＣＧセンサーユニット、６４…アレイ。
【特許請求の範囲】
【請求項１】
Ｍ×Ｍ個のデータ値の低密度測定値出力を生成するＭ×Ｍ個の電磁センサーを含むセンサーユニットであって、
前記低密度測定値出力は第１ＭＣＧ画像を構成するセンサーユニットと、
前記第１ＭＣＧ画像を受け取るとともに該第１ＭＣＧ画像の分解能の高い画像表現を生成するための高分解能ＭＣＧ画像合成器であって、前記分解能の高い画像表現は前記第１ＭＣＧ画像よりも画素密度の高い第２ＭＣＧ画像である高分解能ＭＣＧ画像合成器と、
前記第２ＭＣＧ画像を受け取るとともに、該第２ＭＣＧ画像のノイズ除去された、分解能の低い画像表現を生成するためのノイズ除去画像処理ブロックであって前記ノイズ除去された分解能の低い画像表現は前記第１ＭＣＧ画像の前記Ｍ×Ｍ個のデータ値の前記範囲に対応する物理センサー領域内のＭ×Ｍ画素を有するとともに、前記第１ＭＣＧ画像と比較して低減されたノイズレベルを有する第３ＭＣＧ画像であるノイズ除去画像処理ブロックと、
を備えたことを特徴とする心磁図（ＭＣＧ）システム。
【請求項２】
前記ノイズ除去画像処理ブロックは、ターゲット画素として、その画像位置が前記第１ＭＣＧ画像の前記Ｍ×Ｍ個のデータ値の前記画像位置に対応する前記第２ＭＣＧ画像の前記画素を識別し、前記物理センサー領域に前記ターゲット画素をデータ投入することを特徴とする請求項１に記載のＭＣＧシステム。
【請求項３】
前記高分解能ＭＣＧ画像合成器によって前記第２ＭＣＧ画像を前記生成することは、
前記第１ＭＣＧ画像よりも分解能の高いモデルＭＣＧ画像を定義する線形モデルにアクセスするステップであって、該線形モデルは、該線形モデルの特性と、前記Ｍ×Ｍ個のデータ値の低密度測定値出力の任意のデータ値の特性との間の補間パターンを確立するアクセスするステップと、
中間ＭＣＧ画像を、前記第１ＭＣＧ画像を前記線形モデルの部分空間上に投影して該中間ＭＣＧ画像のための係数を前記線形モデルおよび前記Ｍ×Ｍ個のデータ値に従って確立することによって生成するステップと、
を含むことを特徴とする請求項１に記載のＭＣＧシステム。
【請求項４】
前記高分解能ＭＣＧ画像合成器は、前記第２ＭＣＧ画像として前記中間画像を出力することを特徴とする請求項３に記載のＭＣＧシステム。
【請求項５】
前記線形モデルは、前記第２ＭＣＧ画像と同じ分解能を有する複数の合成心磁図画像を作成することによって定義され、該合成心磁図画像は、予測される心磁図システムにおいて知覚されるとともに、３次元空間心臓容積内のシミュレートされる電気インパルスにより作成されることを特徴とする請求項３に記載のＭＣＧシステム。
【請求項６】
前記合成ＭＣＧ画像は前記心臓容積内でランダムに生成される電流に基づき、前記線形モデルは主成分分析（ＰＣＡ）を使用することによって作成されたことを特徴とする請求項５に記載のＭＣＧシステム。
【請求項７】
【請求項８】
前記中間ＭＣＧ画像は以下の、
新たな双極子およびＭ×Ｍ個の低密度測定値ｇjを所与として、前記固有行列内の前記対応する行を見つけるとともに、結果として得られる部分行列をΣgとして示すステップと、
前記低密度測定値を前記ＰＣＡ部分空間に投影するとともに、前記係数をｃg＝Σg+（ｇj−ｇmean）として計算するステップであって、式中、Σg+はΣgの疑似逆である、投影するとともに計算するステップと、
前記高密度磁場マップＢｚをｆj＝Σfｃg＋ｆmeanとして再構築するために、前記計算された係数および元のＰＣＡ空間を使用するステップと、
を含むことを特徴とする請求項７に記載のＭＣＧシステム。
【請求項９】
前記中間ＭＣＧ画像を前記生成することは、
前記低密度測定値出力をベクトルｇとして定義するステップと、
前記線形モデルをΣとして定義するステップと、
部分固有行列Σgを形成するためにΣから低密度測定値出力に対応する前記行を抽出するステップと、
ｇをΣg上に投影するステップと、
前記係数の確立をｃg＝Σg+（ｇi−μg）として定義するステップであって、式中、Σg+はΣgの前記疑似逆であり、μgは線形モデルΣの平均ベクトルμから抽出される係数である、定義するステップと、
前記中間ＭＣＧ画像ベクトルｈをｈ＝Σ・ｃg＋μとして定義するステップと、
を含むことを特徴とする請求項３に記載のＭＣＧシステム。
【請求項１０】
【請求項１１】
【請求項１２】
前記第２ＭＣＧ画像は、前記第１ＭＣＧ画像よりも広いイメージング領域からなることを特徴とする請求項１に記載のＭＣＧシステム。
【請求項１３】
前記第３ＭＣＧ画像は、前記第１ＭＣＧ画像よりも広いイメージング領域にわたり、
前記第３ＭＣＧ画像の物理センサー領域の前記画素密度は前記第３ＭＣＧ画像全体にわたって一様に広がり、
前記物理センサー領域を超えて延在する前記第３ＭＣＧ画像の前記ピクセルは、前記第２ＭＣＧ画像から求められるシミュレートされたセンサーデータを投入することを特徴とする請求項１２に記載のＭＣＧシステム。
【請求項１４】
前記ノイズ除去画像処理ブロックは、ターゲットピクセルとして、そのピクセル画像位置が前記第３ＭＣＧ画像の前記ピクセル画像位置に対応する前記第２ＭＣＧ画像の前記画素を識別し、前記第３ＭＣＧの前記ピクセル画像位置にそれらの対応するターゲット画素をデータ投入することを特徴とする請求項１３に記載のＭＣＧシステム。
【請求項１５】
前記第３ＭＣＧ画像の前記イメージング範囲は、前記第２ＭＣＧ画像の前記イメージング範囲と同一であることを特徴とする請求項１３に記載のＭＣＧシステム。
【請求項１６】
前記高分解能ＭＣＧ画像合成器によって前記第１ＭＣＧ画像の前記より分解能の高い表現を前記生成することは、
前記第１ＭＣＧ画像よりも著しく分解能の高いモデルＭＣＧ画像を定義する線形モデルにアクセスするステップであって、該線形モデルは前記第２ＭＣＧ画像と同じサイズおよび分解能を有する複数の合成心磁図画像を作成され、アクセスするステップと、該合成心磁図画像が、前記第２ＭＣＧ画像と類似の分解能の仮想心磁図システムにおいて知覚される３次元空間心臓容積内でシミュレートされる電気インパルスに基づくステップと、前記線形モデルの特性と、前記低密度測定値出力の任意のデータ値の特性との間の補間パターンを確立するために前記複数の合成心磁図画像からの情報が前記線形モデルに組み込まれるステップと、
前記第２ＭＣＧ画像を前記生成することが、該第２ＭＣＧ画像の該作成において使用するための係数を確立するために、前記第１ＭＣＧ画像を前記線形モデルの前記部分空間上に前記投影することを含むステップと、
を含むことを特徴とする請求項１２に記載のＭＣＧシステム。
【請求項１７】
【請求項１８】
心磁図（ＭＣＧ）システムであって、
Ｍ×Ｍ個のデータ値の低密度測定値出力を生成するＭ×Ｍ個の電磁センサーを含むセンサーユニットであって、前記低密度測定値出力は第１ＭＣＧ画像を構成する、センサーユニットと、
前記第１ＭＣＧ画像を受け取るとともに該第１ＭＣＧ画像のより分解能の高い画像表現を生成するための高分解能ＭＣＧ画像合成器であって、前記より分解能の高い画像表現は前記第１ＭＣＧ画像よりも画素密度が高く、前記第１ＭＣＧ画像よりも広いイメージング領域にわたる第２ＭＣＧ画像である高分解能ＭＣＧ画像合成器と、
を備えたことを特徴とする心磁図（ＭＣＧ）システム。
【請求項１９】
前記高分解能ＭＣＧ画像合成器によって前記第１ＭＣＧ画像の前記より分解能の高い画像表現を前記生成することは、
前記第１ＭＣＧ画像よりも著しく分解能の高いモデルＭＣＧ画像を定義する線形モデルにアクセスするステップであって、該線形モデルは、前記第２ＭＣＧ画像とほぼ類似のサイズおよび分解能を有する複数の合成心磁図画像を作成することによって定義される、アクセスするステップと、該合成心磁図画像が、前記第２ＭＣＧ画像と類似の分解能および画像サイズの仮想心磁図システムにおいて知覚されるであろうような３次元空間容積内でシミュレートされる電気インパルスに基づくステップと、前記線形モデルの特性と、前記低密度測定値出力の任意のデータ値の特性との間の補間パターンを確立するために、前記複数の合成心磁図画像からの情報が前記線形モデルに組み込まれるステップと、
前記第２ＭＣＧ画像を前記生成することが、該第２ＭＣＧ画像のための係数を確立するために、前記第１ＭＣＧ画像を前記線形モデルの前記部分空間上に前記投影することを含むステップと、
を含むことを特徴とする請求項１８に記載のＭＣＧシステム。
【請求項２０】
前記３次元空間容積はシミュレートされた心臓組織容積であり、
前記合成ＭＣＧ画像は前記シミュレートされた心臓容積内でランダムに生成される電流に基づき、
前記線形モデルは主成分分析（ＰＣＡ）を使用することによって作成されることを特徴とする請求項１９に記載のＭＣＧシステム。
【請求項２１】
【請求項１】
Ｍ×Ｍ個のデータ値の低密度測定値出力を生成するＭ×Ｍ個の電磁センサーを含むセンサーユニットであって、
前記低密度測定値出力は第１ＭＣＧ画像を構成するセンサーユニットと、
前記第１ＭＣＧ画像を受け取るとともに該第１ＭＣＧ画像の分解能の高い画像表現を生成するための高分解能ＭＣＧ画像合成器であって、前記分解能の高い画像表現は前記第１ＭＣＧ画像よりも画素密度の高い第２ＭＣＧ画像である高分解能ＭＣＧ画像合成器と、
前記第２ＭＣＧ画像を受け取るとともに、該第２ＭＣＧ画像のノイズ除去された、分解能の低い画像表現を生成するためのノイズ除去画像処理ブロックであって前記ノイズ除去された分解能の低い画像表現は前記第１ＭＣＧ画像の前記Ｍ×Ｍ個のデータ値の前記範囲に対応する物理センサー領域内のＭ×Ｍ画素を有するとともに、前記第１ＭＣＧ画像と比較して低減されたノイズレベルを有する第３ＭＣＧ画像であるノイズ除去画像処理ブロックと、
を備えたことを特徴とする心磁図（ＭＣＧ）システム。
【請求項２】
前記ノイズ除去画像処理ブロックは、ターゲット画素として、その画像位置が前記第１ＭＣＧ画像の前記Ｍ×Ｍ個のデータ値の前記画像位置に対応する前記第２ＭＣＧ画像の前記画素を識別し、前記物理センサー領域に前記ターゲット画素をデータ投入することを特徴とする請求項１に記載のＭＣＧシステム。
【請求項３】
前記高分解能ＭＣＧ画像合成器によって前記第２ＭＣＧ画像を前記生成することは、
前記第１ＭＣＧ画像よりも分解能の高いモデルＭＣＧ画像を定義する線形モデルにアクセスするステップであって、該線形モデルは、該線形モデルの特性と、前記Ｍ×Ｍ個のデータ値の低密度測定値出力の任意のデータ値の特性との間の補間パターンを確立するアクセスするステップと、
中間ＭＣＧ画像を、前記第１ＭＣＧ画像を前記線形モデルの部分空間上に投影して該中間ＭＣＧ画像のための係数を前記線形モデルおよび前記Ｍ×Ｍ個のデータ値に従って確立することによって生成するステップと、
を含むことを特徴とする請求項１に記載のＭＣＧシステム。
【請求項４】
前記高分解能ＭＣＧ画像合成器は、前記第２ＭＣＧ画像として前記中間画像を出力することを特徴とする請求項３に記載のＭＣＧシステム。
【請求項５】
前記線形モデルは、前記第２ＭＣＧ画像と同じ分解能を有する複数の合成心磁図画像を作成することによって定義され、該合成心磁図画像は、予測される心磁図システムにおいて知覚されるとともに、３次元空間心臓容積内のシミュレートされる電気インパルスにより作成されることを特徴とする請求項３に記載のＭＣＧシステム。
【請求項６】
前記合成ＭＣＧ画像は前記心臓容積内でランダムに生成される電流に基づき、前記線形モデルは主成分分析（ＰＣＡ）を使用することによって作成されたことを特徴とする請求項５に記載のＭＣＧシステム。
【請求項７】
【請求項８】
前記中間ＭＣＧ画像は以下の、
新たな双極子およびＭ×Ｍ個の低密度測定値ｇjを所与として、前記固有行列内の前記対応する行を見つけるとともに、結果として得られる部分行列をΣgとして示すステップと、
前記低密度測定値を前記ＰＣＡ部分空間に投影するとともに、前記係数をｃg＝Σg+（ｇj−ｇmean）として計算するステップであって、式中、Σg+はΣgの疑似逆である、投影するとともに計算するステップと、
前記高密度磁場マップＢｚをｆj＝Σfｃg＋ｆmeanとして再構築するために、前記計算された係数および元のＰＣＡ空間を使用するステップと、
を含むことを特徴とする請求項７に記載のＭＣＧシステム。
【請求項９】
前記中間ＭＣＧ画像を前記生成することは、
前記低密度測定値出力をベクトルｇとして定義するステップと、
前記線形モデルをΣとして定義するステップと、
部分固有行列Σgを形成するためにΣから低密度測定値出力に対応する前記行を抽出するステップと、
ｇをΣg上に投影するステップと、
前記係数の確立をｃg＝Σg+（ｇi−μg）として定義するステップであって、式中、Σg+はΣgの前記疑似逆であり、μgは線形モデルΣの平均ベクトルμから抽出される係数である、定義するステップと、
前記中間ＭＣＧ画像ベクトルｈをｈ＝Σ・ｃg＋μとして定義するステップと、
を含むことを特徴とする請求項３に記載のＭＣＧシステム。
【請求項１０】
【請求項１１】
【請求項１２】
前記第２ＭＣＧ画像は、前記第１ＭＣＧ画像よりも広いイメージング領域からなることを特徴とする請求項１に記載のＭＣＧシステム。
【請求項１３】
前記第３ＭＣＧ画像は、前記第１ＭＣＧ画像よりも広いイメージング領域にわたり、
前記第３ＭＣＧ画像の物理センサー領域の前記画素密度は前記第３ＭＣＧ画像全体にわたって一様に広がり、
前記物理センサー領域を超えて延在する前記第３ＭＣＧ画像の前記ピクセルは、前記第２ＭＣＧ画像から求められるシミュレートされたセンサーデータを投入することを特徴とする請求項１２に記載のＭＣＧシステム。
【請求項１４】
前記ノイズ除去画像処理ブロックは、ターゲットピクセルとして、そのピクセル画像位置が前記第３ＭＣＧ画像の前記ピクセル画像位置に対応する前記第２ＭＣＧ画像の前記画素を識別し、前記第３ＭＣＧの前記ピクセル画像位置にそれらの対応するターゲット画素をデータ投入することを特徴とする請求項１３に記載のＭＣＧシステム。
【請求項１５】
前記第３ＭＣＧ画像の前記イメージング範囲は、前記第２ＭＣＧ画像の前記イメージング範囲と同一であることを特徴とする請求項１３に記載のＭＣＧシステム。
【請求項１６】
前記高分解能ＭＣＧ画像合成器によって前記第１ＭＣＧ画像の前記より分解能の高い表現を前記生成することは、
前記第１ＭＣＧ画像よりも著しく分解能の高いモデルＭＣＧ画像を定義する線形モデルにアクセスするステップであって、該線形モデルは前記第２ＭＣＧ画像と同じサイズおよび分解能を有する複数の合成心磁図画像を作成され、アクセスするステップと、該合成心磁図画像が、前記第２ＭＣＧ画像と類似の分解能の仮想心磁図システムにおいて知覚される３次元空間心臓容積内でシミュレートされる電気インパルスに基づくステップと、前記線形モデルの特性と、前記低密度測定値出力の任意のデータ値の特性との間の補間パターンを確立するために前記複数の合成心磁図画像からの情報が前記線形モデルに組み込まれるステップと、
前記第２ＭＣＧ画像を前記生成することが、該第２ＭＣＧ画像の該作成において使用するための係数を確立するために、前記第１ＭＣＧ画像を前記線形モデルの前記部分空間上に前記投影することを含むステップと、
を含むことを特徴とする請求項１２に記載のＭＣＧシステム。
【請求項１７】
【請求項１８】
心磁図（ＭＣＧ）システムであって、
Ｍ×Ｍ個のデータ値の低密度測定値出力を生成するＭ×Ｍ個の電磁センサーを含むセンサーユニットであって、前記低密度測定値出力は第１ＭＣＧ画像を構成する、センサーユニットと、
前記第１ＭＣＧ画像を受け取るとともに該第１ＭＣＧ画像のより分解能の高い画像表現を生成するための高分解能ＭＣＧ画像合成器であって、前記より分解能の高い画像表現は前記第１ＭＣＧ画像よりも画素密度が高く、前記第１ＭＣＧ画像よりも広いイメージング領域にわたる第２ＭＣＧ画像である高分解能ＭＣＧ画像合成器と、
を備えたことを特徴とする心磁図（ＭＣＧ）システム。
【請求項１９】
前記高分解能ＭＣＧ画像合成器によって前記第１ＭＣＧ画像の前記より分解能の高い画像表現を前記生成することは、
前記第１ＭＣＧ画像よりも著しく分解能の高いモデルＭＣＧ画像を定義する線形モデルにアクセスするステップであって、該線形モデルは、前記第２ＭＣＧ画像とほぼ類似のサイズおよび分解能を有する複数の合成心磁図画像を作成することによって定義される、アクセスするステップと、該合成心磁図画像が、前記第２ＭＣＧ画像と類似の分解能および画像サイズの仮想心磁図システムにおいて知覚されるであろうような３次元空間容積内でシミュレートされる電気インパルスに基づくステップと、前記線形モデルの特性と、前記低密度測定値出力の任意のデータ値の特性との間の補間パターンを確立するために、前記複数の合成心磁図画像からの情報が前記線形モデルに組み込まれるステップと、
前記第２ＭＣＧ画像を前記生成することが、該第２ＭＣＧ画像のための係数を確立するために、前記第１ＭＣＧ画像を前記線形モデルの前記部分空間上に前記投影することを含むステップと、
を含むことを特徴とする請求項１８に記載のＭＣＧシステム。
【請求項２０】
前記３次元空間容積はシミュレートされた心臓組織容積であり、
前記合成ＭＣＧ画像は前記シミュレートされた心臓容積内でランダムに生成される電流に基づき、
前記線形モデルは主成分分析（ＰＣＡ）を使用することによって作成されることを特徴とする請求項１９に記載のＭＣＧシステム。
【請求項２１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図９】
【図１３】
【図１５】
【図１７】
【図１８Ａ】
【図１８Ｂ】
【図１８Ｃ】
【図１９】
【図２０】
【図２１】
【図２２】
【図２６】
【図２７】
【図２８】
【図２９】
【図３０】
【図１】
【図８】
【図１０】
【図１１】
【図１２】
【図１４】
【図１６】
【図２３】
【図２４】
【図２５】
【図３】
【図４】
【図５】
【図６】
【図７】
【図９】
【図１３】
【図１５】
【図１７】
【図１８Ａ】
【図１８Ｂ】
【図１８Ｃ】
【図１９】
【図２０】
【図２１】
【図２２】
【図２６】
【図２７】
【図２８】
【図２９】
【図３０】
【図１】
【図８】
【図１０】
【図１１】
【図１２】
【図１４】
【図１６】
【図２３】
【図２４】
【図２５】
【公開番号】特開２０１３−６６７０８（Ｐ２０１３−６６７０８Ａ）
【公開日】平成２５年４月１８日（２０１３．４．１８）
【国際特許分類】
【出願番号】特願２０１２−２０４０３８（Ｐ２０１２−２０４０３８）
【出願日】平成２４年９月１８日（２０１２．９．１８）
【出願人】（０００００２３６９）セイコーエプソン株式会社 (51,324)
【Ｆターム（参考）】
【公開日】平成２５年４月１８日（２０１３．４．１８）
【国際特許分類】
【出願日】平成２４年９月１８日（２０１２．９．１８）
【出願人】（０００００２３６９）セイコーエプソン株式会社 (51,324)
【Ｆターム（参考）】
[ Back to top ]