Bayesian Unfoldingを、Multi-VENC 4D Flowの中核として読む

まず一言で

結論: Multi-VENCは「低VENCと高VENCを足す」だけではなく、速度レンジ・ノイズ・折り返し・速度分散を同時に扱う推定設計である。

4D Flow MRIでは、速度は位相差として測られます。低VENCは低速に敏感ですが、高速成分で折り返ります。高VENCは高速に強い一方、低速の位相差が小さくなり、ノイズに埋もれやすくなります。

Bayesian Unfoldingは、この二択を「どちらのVENCを選ぶか」ではなく、「複数の観測を使って、どの速度候補が最もありそうかを推定する問題」として扱います。さらに重要なのは、平均速度 v だけでなく、ボクセル内速度分散 σ まで読みに行く点です。

この記事の立ち位置

公開文献にもとづく教育用記事です。特定施設、個別プロジェクト、非公開実装、内部ログには依存しない構成にしています。

VENCは「上限」ではなく測定スケール

VENCは、速度を位相差へ変換するスケールです。簡略化すると、phase contrast MRIでは次の関係で速度を読みます。

φ = k_v v, k_v = π / VENC

φ
観測される位相差。MRI画像上では色や符号として見える。

v
知りたい平均速度。血管内の主流の速さ。

k_v
速度を位相へ変換する強さ。大きいほど低速に敏感。

VENC
±πの位相範囲に入る速度スケール。低いほど敏感だが折り返る。

低VENCは敏感だが、折り返る

低VENCでは k_v が大きくなります。小さな速度でも位相が大きく変わるため、低速や微小な速度差に強くなります。ただし、速度が範囲を超えると位相は -π から +π の範囲に折りたたまれて観測されます。これが aliasing、つまり折り返しです。

高VENCは広く測れるが、低速に鈍い

高VENCでは高速jetまで折り返しにくくなります。一方で、同じ低速でも位相差が小さくなるため、ノイズに弱くなります。NayakらのPC-CMRレビューで整理されるように、VENC選択は速度範囲と速度-to-noiseのトレードオフです。

Bayesian式を、MRIの速度推定として読む

Bayesianという言葉は、18世紀の Thomas Bayes に由来します。語源的には「観測後に信念を更新する」考え方です。MRIで言えば、観測信号を見たあとで「この速度候補がどれくらいありそうか」を更新します。

p(θ | D) ∝ p(D | θ) × p(θ)

D
観測データ。複数VENCで得た複素信号、位相、振幅。

θ
推定したい未知量。ここでは主に v、σ、信号強度。

p(D | θ)
尤度。ある速度候補なら、観測信号をどれくらい説明できるか。

p(θ)
事前分布。物理的にありそうな速度範囲、滑らかさ、ノイズ前提。

p(θ | D)
事後分布。観測後に残った「最も信じるべき速度候補」。

ベイズ推定式の各項の意味 — 図2. Bayesian式をMRI速度推定へ置き換える。観測データ、尤度、事前分布、事後分布を、速度候補と複素信号の関係として読む。

そもそもBayesianは統計学の中で何者か

統計にはいくつもの流儀があります。平均や分散でデータを要約する記述統計、長期頻度を基礎にする頻度主義、モデルのパラメータを最もよく説明する最尤推定、過学習を抑える正則化、そして事前知識と観測データを統合するベイズ統計です。

Bayesianが4D Flowの速度推定で魅力的なのは、問題そのものが「ノイズあり」「折り返しあり」「物理制約あり」だからです。単純な式変換だけでは候補が複数残る。そこで、観測との合い具合と物理的にありそうな範囲を同時に使い、候補を絞ります。

統計学の地図とBayesianの位置づけ — 補助図A. Bayesianは統計学の一流派。MRI速度推定では、事前知識、観測データ、ノイズ、不確実性を一つの枠組みに入れられる点が強い。

さらに深く: 頻度主義・最尤推定・Bayesianは何が違うのか

頻度主義では、未知パラメータは固定された真値で、観測が確率的に揺れると考えます。最尤推定は、観測データが最も起こりやすくなるパラメータを選びます。Bayesianでは、未知パラメータ自体を確率分布で表し、観測後にその分布を更新します。

4D Flowで言えば、「この位相なら速度は一つ」と言える場合は単純です。しかしaliasingがあると、同じ位相に複数の速度候補が対応します。Bayesianは、候補を一つに決め打ちする前に、候補それぞれのありやすさを持たせられます。

信号モデル: v は位相、σ は減衰に出る

Bayesian multipoint velocity encodingの核は、複数のvelocity encoding点で得た複素信号を、物理モデルと統計モデルで同時に説明することです。代表的な直感は次の式です。

S(k_v) = S₀ exp(i k_v v) exp(- k_v² σ² / 2) + ε

S(k_v)
あるvelocity encoding点で観測される複素信号。

exp(i k_v v)
位相回転。平均速度 v がここに出る。

exp(- k_v² σ² / 2)
信号減衰。ボクセル内速度分散 σ が大きいほど減衰する。

ε
ノイズ、モデル誤差、再構成由来のずれ。

この式の大事な点は、平均流と乱れが同じ信号に混ざっていることです。位相だけを見ると v の話に見えますが、振幅減衰まで見ると σ、つまりTKEへつながる情報が出てきます。

Bayesian Unfoldingの信号モデル — 図3. 複数kv点の複素信号から、平均速度 v と速度分散 σ を推定する。vは平均流、σはTKEに接続する速度のばらつきとして読む。

exp項の振る舞い — 補助図B. `exp(i k_v v)` は複素平面での位相回転、`exp(-k_v^2σ^2/2)` は速度分散による信号減衰を表す。expは「増える/減る」だけでなく、複素数では「回る」役割も持つ。

さらに深く: exp項は何をしているのか

exp(iθ) は複素平面上の回転です。θ = k_v v なので、速度 v が大きいほど角度が進みます。これがPC-MRIで速度が位相として見える理由です。

一方、exp(-k_v^2σ^2/2) は実数の減衰です。σ が大きい、つまりボクセル内に速い成分と遅い成分が混ざっているほど、位相がそろわず信号が弱くなります。ここをTKEの入口として読むのが重要です。

従来unwrap、Dual-VENC、Multi-VENC、Bayesianの違い

Unfoldingという語は、foldされたもの、つまり折りたたまれたものを開くという意味です。PC-MRIでは、位相が -π から +π の範囲に折りたたまれるため、それを開く処理として unwrapping / unfolding が使われます。ただしBayesian Unfoldingは、単なる線形なほどき直しではありません。ノイズと物理モデルを含め、複数候補のどれが最も妥当かを推定します。

従来unwrapとBayesian Unfoldingの比較 — 図4. 従来unwarpは局所連続性を追う。Dual-VENCは高VENCを参照にする。Multi-VENCは複数観測を統合する。Bayesianは観測と事前知識を確率的に統合する。

手法	原理	強み	限界	TKE/MKEとの関係
単一VENC	一つのVENCで位相差を速度へ変換	単純、短時間、実装が明快	低速感度と高速域を同時に満たしにくい	MKEは可能だが、σ情報は弱い
従来unwrapping	近傍の位相連続性から折り返しをほどく	直感的で高速	ノイズ、急峻なjet、断裂、低SNRで破綻しやすい	速度map補正が主目的
Dual-VENC	低VENCを高VENC参照で補正	高速域と低速感度を両立しやすい	高VENC参照が低品質だと誤補正する	平均速度の安定化が中心
Triple / Multi-VENC	複数のVENC観測を組み合わせる	広い速度域を扱える	撮像時間、組み合わせ、再構成が複雑	σ推定の入口になる
Bayesian multipoint	複素信号モデルと事前分布でMAP推定	ノイズと折り返しを確率的に扱える	モデル前提、計算、事前分布に依存する	vとσを同時に扱い、MKE/TKEへ接続

alias-free VENCとVNR改善の謎をほどく

原理上、十分に高いVENCがあり、その範囲で折り返しが起きていなければ、その観測は「どの周期の枝にいるか」を決める参照になります。低VENCだけでは周期的な尤度の山が複数あり、どの山が正解か決めにくい。一方、alias-freeの高VENCは広い速度範囲で単一の山を作り、枝を選びます。

そのうえで、低VENCの鋭い位相感度を使うと、速度候補の位置を細かく決められます。つまりVNR改善は、単純な平均化ではなく「高VENCが枝を決め、低VENCが精密化する」ことで起こり得ます。

alias-free VENCがあると解が得られる理由 — 補助図C. alias-freeのVENCは、低VENCで生じる複数の周期候補のうち、どの枝が正しいかを決める参照になる。

Multi-VENCとBayesianでVNRが改善し得る理由 — 補助図D. 高VENCは枝選択、低VENCは高い位相感度を担当する。低VENC情報を捨てずに使えることが、VNR改善の直感的な理由になる。

Low + High VENC

高VENCがalias-free参照として働きやすく、広い速度域に強い。低速の精密さは低VENCが担う。ただし高VENC側の低速VNRは低く、参照がノイズで弱い場合は枝選択が不安定になる。

Low + Mid VENC

Midが対象速度域を覆えるなら、Highより位相感度が高く、精度面で有利になり得る。一方、速度がMidの範囲を超えると、枝選択の参照としては不足する。優劣は速度分布とSNRに依存する。

さらに深く: 「点数が多いほどよい」はいつ正しいか

Bayesianでは観測点が増えるほど、尤度の形を詳しく決められます。ただし、ただ点数が多ければよいわけではありません。似たVENCばかりを足しても、同じ情報を重複して測るだけになり得ます。

理想は、少なくとも一つは枝を決める広い範囲、少なくとも一つは低速を精密に見る高感度、必要に応じて中間VENCで曖昧さを抑えることです。したがって、Low+HighとLow+Midの優劣は固定ではなく、対象速度レンジ、ノイズ、撮像時間、許容する折り返しリスクで決まります。

TKE/MKEへどうつながるか

4D Flow MRIの結果は速度ベクトルや流量だけで終わりません。平均速度からはMKE、速度分散からはTKEを考えることができます。

MKE = 1/2 ρ |v|²
TKE ≈ 1/2 ρ (σ_x² + σ_y² + σ_z²)

MKE
Mean Kinetic Energy。秩序だった平均流のエネルギー。

TKE
Turbulent Kinetic Energy。ボクセル内の速度ばらつき・乱れのエネルギー。

ρ
血液密度。単位をエネルギー密度へ変換するための係数。

σ_x,y,z
3方向の速度標準偏差。ノイズや部分容積と混同しない確認が必要。

高速jetが見える場所はMKEが高くなりやすい一方、乱れや混合が強い領域ではTKEが問題になります。つまり、MKEは「どこへ勢いよく流れているか」、TKEは「どこで流れが崩れているか」を見る補助線です。

臨床・研究での読み方

実際の読影や研究報告では、Bayesian Unfoldingの結果だけを単独で信じるのではなく、撮像条件、元画像、速度map、流量、TKE/MKE、ROI設定を一緒に見ます。きれいなカラーmapほど説得力を持つため、前提が崩れていないかを意識的に確認します。

読む順番

VENC設定が対象血管・疾患の速度レンジに合っているか。
magnitudeとphaseに低SNR、ghost、alias残りがないか。
速度mapが解剖学的に自然で、近接断面で連続しているか。
流量が入口・出口・分岐で大きく矛盾しないか。
TKE/MKEのhot spotが病態で説明できる位置にあるか。

4D Flow結果の臨床的な読み方 — 図5. 速度、流量、TKE、MKEは相補的に読む。単一のmapだけでなく、ROI、連続性、ノイズ、折り返し残りを同時に点検する。

何が悪化し得るか、どこで破綻するか

Bayesian Unfoldingの出力が破綻する典型条件は、SNR不足、VENC不適合、部分容積、正則化の過剰です。SNRが低ければ、複素信号の位相も振幅も信頼しづらくなります。VENCが低すぎれば折り返しが多発し、高すぎれば低速の位相差が小さくなります。

compressed sensingや時間方向正則化を併用する場合、ノイズの見え方や空間・時間方向の滑らかさも変わります。画像をきれいにする一方で、局所ピークや乱れを抑えすぎる可能性があります。したがってBayesian Unfoldingは「最後にかける魔法」ではなく、撮像設計、再構成、ROI、定量報告まで含む品質管理の中で扱うべきです。

Bayesian Unfoldingの破綻条件と安全確認 — 図6. 破綻条件を先に知っておくと、きれいな図を過信せず、magnitude、phase、近接断面、流量保存、TKE hot spotを確認できる。

文献紹介

Binterら 2013

Bayesian multipoint velocity encodingの中心文献です。平均速度とfluctuating velocity / TKEを同時に扱う枠組みを示し、本記事の v と σ の説明の主な根拠です。

Nayakら 2015

Phase-contrast CMRのレビューです。VENC、aliasing、速度-to-noise、臨床PC-MRIの基本を押さえる入口になります。

Nettら 2012

Dual-VENC 4D phase-contrast MRIの代表的な比較対象です。高VENC参照で低VENCの折り返しを補正する考え方を理解するのに有用です。

Dyverfeldtら 2006

intravoxel velocity standard deviationから乱流強度・TKEを扱う基礎文献です。σ を単なるノイズではなく、エネルギー指標へ接続する考え方の土台になります。

主張・根拠・限界

Claim

Bayesian Unfoldingは、単なる色map補正ではなく、複数VENCの複素信号から v と σ を推定するレイヤーである。

Evidence

BinterらのBayesian multipoint velocity encoding、PC-CMRのVENC原理、Dual-VENC文献、TKE文献。

Limitation

低SNR、VENC不適合、部分容積、CS/正則化の影響では、もっともらしいが誤ったmapが生じ得る。

Zettelkastenへ戻す問い

VENCを「最大速度」ではなく「速度-to-phase感度のスケール」として説明できるか。
従来unwrapping、Dual-VENC、Multi-VENC、Bayesian multipointの違いを、位相・ノイズ・事前知識の3軸で整理できるか。
v と σ の推定が、MKE/TKEのどちらに効くかを説明できるか。
TKE hot spotを病態として解釈してよい条件と、ノイズ・部分容積として疑う条件は何か。
次の記事として、Energy Loss、WSS、OSI、Helicity、TKE/MKEをどの順番で深めるか。

次の記事への橋渡し

次はTKE/MKE、Energy Loss、WSSを1本ずつ独立記事化するのが自然です。Bayesian Unfoldingで推定した v と σ が、どの単位・式・ROI設計で臨床指標になるのかを展開できます。