まず一言で
結論: Bayesian統計は「観測前の考え」と「観測データの説明力」を組み合わせて、観測後の確からしさを事後分布として更新する。1つの代表値が必要な場合、その山の頂点を選ぶのがMAP推定である。
MRIでは、信号や位相から速度・組織特性・パラメータを推定します。しかし観測にはノイズがあり、4D Flowでは位相折り返しもあります。Bayesian統計は、この曖昧さを「確率分布」として持ったまま扱います。
ポイントは、ひとつの答えをいきなり断定しないことです。候補を並べ、それぞれが観測データをどれくらい説明できるかを評価し、観測後の分布を作ります。その分布の山の頂点を代表値として採るのがMAP推定です。
この記事の立ち位置
公開文献と一般的な統計原理にもとづく教育用記事です。特定施設、個別案件、非公開実装情報、個人を特定し得る情報は含めていません。
Bayesの式を、MRIの言葉に置き換える
式だけ見ると難しく見えますが、MRIでの意味に置き換えるとかなり自然です。
知りたい値。速度、T1、T2、灌流量、ノイズ幅など。
MRIから得た観測データ。位相、信号強度、複数VENCの測定値など。
観測前に「ありそう」と思う範囲。これが事前分布。
そのθなら、今回の観測Dがどれくらい起きやすいか。これが尤度。
観測データDを見た後の、θの確からしさ。これが事後分布。
maximum a posteriori（MAP）推定。事後分布が最大になる代表値。
比例記号 ∝ は、正規化定数を省略しているという意味です。MRIの読解としては、まず「候補ごとの相対的な重み」または「候補ごとの尤度の大小」を比較している、と理解すれば十分です。
exp項は、候補をなめらかに減点する装置
観測誤差が近似的にGaussian noise（正規雑音）に従うと仮定すると、単一の誤差 e に対する尤度は、よく次の形で表せます。
観測値と候補θから予測される値のズレ。
ノイズ幅。大きいほど「ズレても許す」分布になる。
ズレが大きい候補を強く減点する。
ズレが増えるほど尤度を急速に小さくする。
複数の独立な観測を扱う場合は、e² の代わりに誤差二乗和 Σeᵢ² が入ると考えると直感しやすいです。実データでは背景位相、低SNR、動き、intravoxel dephasingなどがあるため、これは理解のための近似です。
数式が苦手な人向け: expは「外れ候補を静かに消す」
候補速度が観測データとよく合うと、誤差 e は小さく、尤度は高くなります。候補速度が観測と合わないと、誤差が二乗で効くため、尤度はすぐ小さくなります。
ここで重要なのは、単純な閾値で候補を切るのではなく、確率として滑らかに重みを下げることです。だからBayesian推定は、ノイズや曖昧さを含むデータでも、候補同士を比較しやすい形にできます。
Bayesianは統計の中で何者か
統計にはいろいろあります。Bayesianだけが唯一の正解ではありません。何を知りたいかで使い分けます。
| 考え方 | 何をするか | MRIでの直感 | 注意点 |
|---|---|---|---|
| 記述統計 | 平均、ばらつき、分布を要約する | 速度やTKEの全体像を見る | 推定や不確実性までは直接扱わない |
| 最尤推定 | 観測データを最も起こりやすくする値を選ぶ | 今回の信号に一番合う速度を選ぶ | 標準形では、事前分布としての事前知識は扱わない |
| 頻度主義推定 | 繰り返し標本を想定して区間や検定を扱う | 推定法の再現性や信頼区間を見る | 区間の解釈は直感的な確率とは違う |
| Bayesian推定 | 事前分布と尤度から事後分布を得る | 観測後に候補速度の確からしさを更新する | 事前分布とモデル仮定の影響を受ける |
なぜMulti-VENCでBayesianが効くのか
4D Flow MRIでは、VENCを低くすると低速域のVNRは上がりやすくなりますが、高速では位相が折り返します。逆に高VENCは折り返しにくい一方、低速域のVNRは下がりやすくなります。Bayesian推定は、このトレードオフを「複数の候補枝のうち、観測データと最も整合するものを選ぶ問題」として扱いやすくします。
位相が折り返した低VENC測定からは、整数 k ごとに複数の候補速度が作れます。高VENCまたはalias-freeの測定があると、その候補のうちどれが妥当かを大きく絞れます。
本来、観測点が増えるほど解は締まる
Bayesianでは、複数の観測が独立に得られるなら尤度を掛け合わせます。直感的には、別角度から同じ答えを支持する証拠が増えるほど、事後分布は狭くなります。
さらに深く: alias-free VENCは候補枝選択にどう効くのか
低VENCの位相は折り返しにより複数の枝を持ちます。alias-freeの高VENCが真の速度範囲を粗く示すと、低VENCの複数枝のうち、高VENCと整合する枝だけが残ります。
つまり、原理上は「折り返した高精度測定」と「折り返さない粗い測定」があれば、候補枝の選択をかなり絞れます。ただし実データではノイズ、背景位相、動き、速度分布、VENC間の時相差があるため、単純な枝選択だけで常に十分とは限りません。
Low/High VENC と Low/Mid VENC は何が違うか
問いは鋭いです。Low/Highは高速ジェットを取り逃しにくい一方、高VENC側の低速VNRは低くなります。Low/Midは低〜中速域で分布を締めやすい一方、最高速度のalias-free保証が弱くなる可能性があります。
| 組み合わせ | 強み | 弱み | 向く場面 |
|---|---|---|---|
| Low + High VENC | 高速域を取り逃しにくい。低VENCの候補枝を高VENCで絞れる。 | 高VENCの低速VNRは低く、低速の精密化は低VENC依存になりやすい。 | 高速ジェット、狭窄、弁逆流、速度範囲が広い場面。 |
| Low + Mid VENC | 低〜中速域のVNRを保ちやすく、分布が締まりやすい可能性がある。 | 最高速度がMidを超えると枝選択の確実性が落ちる。 | 低〜中速の渦、心腔内流、静脈系、最高速度が予測可能な場面。 |
| Low + Mid + High | 低速精度、枝選択、高速カバーを分担できる。 | 撮像時間、動き、整合性、実装複雑性が増える。 | 研究用途、速度範囲が広く、定量精度も重視する場面。 |
Dual-/Multi-VENCでVNR改善が見える理由の仮説
単純にLow VENCとHigh VENCを平均するだけなら、Low VENC単独を大きく上回るVNR改善は直感しにくいです。Dual-/Multi-VENCでは、低VENCの高いVNRを活かしつつ、高VENCを折り返し判定や候補枝選択に使う、と考えると理解しやすくなります。したがって、改善の比較対象は多くの場合「Low VENC単独」ではなく、「High VENC単独」または「同じ非折り返し速度範囲を持つ単一VENC」です。Low VENC単独を上回る改善を主張する場合は、枝選択誤りの低減、外れ候補の排除、空間・時間的一貫性、正則化（regularization）、外れ値処理など、単純なVENC感度以外の寄与を分けて考える必要があります。
文献紹介
Binterら 2013
Bayesian multipoint velocity encodingの中心文献です。複数の速度エンコードから平均速度と速度ばらつきを同時に推定する枠組みとして、本記事のBayesian/Multi-VENC接続の主な根拠です。
Nettら 2012
Dual velocity encodingによる4D phase contrast MRIの高速化・高精度化に関する文献です。低VENCと高VENCの役割分担を考える土台になります。
Nayakら 2015
phase contrast CMRの基礎レビューです。VENC、速度エンコード、ノイズ、臨床応用の全体像を押さえるのに有用です。
- Binter C, et al. Bayesian multipoint velocity encoding for concurrent flow and turbulence mapping. Magnetic Resonance in Medicine. 2013.
- Nett EJ, et al. Four-dimensional phase contrast MRI with accelerated dual velocity encoding. Journal of Magnetic Resonance Imaging. 2012.
- Nayak KS, et al. Cardiovascular magnetic resonance phase contrast imaging. JCMR. 2015.
- Dyverfeldt P, et al. 4D flow cardiovascular magnetic resonance consensus statement. JCMR. 2015.
Claim / Evidence / Limitation
Claim
Bayesian推定は、Multi-VENCの折り返し候補選択と不確実性評価を自然に扱える。
Evidence
Binter 2013、Dual-VENC文献、PC-CMR review、4D Flow consensus。
Scope
公開文献にもとづく概念解説。特定実装の性能保証ではない。
Limitation
VNR改善の寄与分解、Low/High vs Low/Midの優劣は、対象速度分布、ノイズ、実装、比較条件に依存する。
Zettelkastenへ戻す問い
- Bayesian推定では、事前分布をどう置くとMRI読影にとって自然か。
- alias-free VENCが1つある場合、候補枝選択はどこまで安定するか。
- Low/High VENCとLow/Mid VENCの優劣は、速度分布のどの条件で反転するか。
- VNR改善は、測定感度、枝選択、regularization、外れ値除去のどれが主因か。
- Multi-VENCで観測点を増やしたとき、外れ値に弱くなる条件は何か。