Multi-VENC 完全解説 — Phase Contrast の速度ダイナミックレンジを 4D Flow MRI で広げる物理と落とし穴

公開対象 / 安全性

本記事は MRI / 4D Flow / 統計の教育目的で作成された一般化された解説です。特定患者、施設、製品仕様、非公開 WIP の代替ではありません。

まず一言で

Multi-VENC (Multiple Velocity Encoding) は「位相コントラスト MRI の速度ダイナミックレンジを、複数の速度感度 (VENC) で取得した位相データから再構成段階で広げる」一連の技術である。低 VENC の高い Velocity-to-Noise Ratio と、高 VENC の wide-range 性を両立する。

4D Flow MRI では大動脈の収縮期 jet (1.5–2.5 m/s)、心房内 stasis (1–5 cm/s)、肺静脈の還流 (10–30 cm/s)、Fontan 循環の低流速領域 (<10 cm/s) が 同一の volume 内 に共存する。単一 VENC を選ぶと必ずどこかが位相 wrap する、あるいは VNR 不足で消える。Multi-VENC はこの「物理的に矛盾した要求」を再構成で解く (Pelc 1991, Lee 1995, Nett 2012, Ha 2016)。

ただし Multi-VENC には scan time の倍化、心拍間 mis-registration、Bayesian 事前分布の妥当性、Deep Learning unfolding における training data bias など、独自の落とし穴がある。本記事は 位相 → 速度の写像、aliasing の原理、unfolding 4 系統、4D Flow downstream 指標 (WSS, Energy Loss, TKE, OSI) への影響、Pitfalls を一次文献根拠で整理する。

---

1. Phase Contrast の物理 — bipolar gradient と速度位相写像

Phase Contrast の原理: bipolar gradient と速度による位相蓄積 — 図1. Phase Contrast 原理 — bipolar gradient と spin の位相蓄積 — φ = γ·M_1·v の物理的意味を視覚化

1.1 速度誘起位相の一次原理

Phase Contrast MRI (PC-MRI) の原理は「動くスピンが bipolar gradient 下で位相を蓄積する」ことに尽きる。静止スピンは bipolar gradient (正極 + 負極) の積分が 0 のため位相蓄積が打ち消されるが、定速度 v で gradient 方向に動くスピンは:

φ(v) = γ · M_1 · v

ここで:

φ(v) : 速度依存位相 [rad]
γ : 磁気回転比 (gyromagnetic ratio) [rad/(s·T)]、プロトンで 2π × 42.58 × 10^6 rad/(s·T)
M_1 : 一次モーメント (first moment of the gradient waveform) [T·s²/m]、bipolar gradient の design で決まる
v : スピン速度 (gradient 方向成分) [m/s]

bipolar gradient の極性を反転させた two-pass acquisition を行い、差分位相を取ると、背景位相 (B0 不均一、化学シフト、渦電流) がキャンセルされ、純粋に速度依存項のみが残る (Pelc 1991)。

1.2 VENC の定義 — 位相 ±π への対応

位相は ±π の範囲でしか一意に表現できない (位相が wrap する)。したがって φ = ±π に対応する速度を VENC (Velocity ENCoding) と定義する:

VENC = π / (γ · M_1)

これを使うと:

v = (φ / π) · VENC,   φ ∈ [-π, +π],  v ∈ [-VENC, +VENC]

VENC は 撮像前に sequence パラメータとして設定する量 であり、bipolar gradient の振幅・duration (M_1) を変えて操作する。高い VENC を設定したい場合は M_1 を小さくする = gradient を弱くする = 位相蓄積が緩やかになる、という関係。

1.3 直感

VENC は「位相 1 周期 (2π) を割り当てる速度範囲の半幅」である。VENC = 1.5 m/s なら ±1.5 m/s の速度が ±π にマップされ、それを超えると wrap する。物理的に速度の絶対値はそれ以上もあり得るが、measurement では区別できない (= aliasing)。

---

2. Aliasing と Phase Wrap — VENC を超えた速度の罠

VENC と aliasing の関係: sawtooth wrap pattern — 図2. VENC と Aliasing — sawtooth wrap pattern — 真速度が VENC を超えると位相が wrap する機序を sawtooth で可視化

2.1 Wrap の数式

真速度 v_true が VENC を超えると、観測位相は (v_true / VENC) · π を mod 2π で評価した値になる。観測速度 v_obs は:

v_obs = v_true - 2 · VENC · round(v_true / (2 · VENC))

例: VENC = 1.5 m/s, v_true = 2.0 m/s

→ φ = (2.0 / 1.5) · π = 4.19 rad → 4.19 - 2π = -2.09 rad → v_obs = -1.0 m/s

つまり 2.0 m/s の収縮期 jet が、画面上は逆方向 -1.0 m/s に見える。これが 位相 wrap (phase wrap, aliasing) である。

2.2 4D Flow MRI での典型場面

大動脈 jet vs 心房 stasis 同時取得: 大動脈収縮期 1.5–2.5 m/s を捉えるために VENC = 200 cm/s と設定すると、左房内の 5 cm/s 還流は位相 SNR が極端に低くなり (§3.2)、速度マップ上ではノイズに埋もれる
BAV aortopathy: 弁狭窄を伴うと 3–4 m/s の高速 jet が出現し、VENC 250 cm/s でも wrap する
Fontan 循環: 中心静脈圧で受動的に肺循環を駆動するため、5–20 cm/s の低流速が支配的。VENC = 100–150 cm/s では VNR 不足
心室内 stasis: 心房細動・拡張型心筋症で stagnation 領域 (<5 cm/s) を解析したいが、wide-range VENC では雑音が支配

2.3 単一 VENC のトレードオフ — 解決不能性

「とりあえず高めに VENC を設定すれば安全」という発想は VNR を犠牲にする (§3.2)。逆に低めに設定して post-processing で unwrap する戦略も古典的にあるが、3D 4D Flow MRI の voxel-by-voxel unwrap は信頼性が低い。

→ Multi-VENC は「複数の VENC を同時取得して、再構成段階で最適速度を推定する」アプローチであり、単一 VENC では物理的に解けない問題への正攻法である。

---

3. VNR — Velocity-to-Noise Ratio の物理

3.1 位相ノイズと速度ノイズの関係

位相ノイズ σ_φ は magnitude SNR と次の関係:

σ_φ ≈ 1 / SNR_magnitude   (for SNR > 5)

速度ノイズ σ_v は位相 → 速度の写像で:

σ_v = (VENC / π) · σ_φ = VENC / (π · SNR_magnitude)

したがって VNR (Velocity-to-Noise Ratio):

VNR = v / σ_v = (π · SNR_magnitude · v) / VENC

→ VNR は VENC に反比例する。

3.2 直感

VENC を 2 倍にする = 同じ実速度に対する位相蓄積が半分になる = 位相ノイズの実速度換算が 2 倍になる = VNR が半減する。低流速領域 (Fontan / 心房 / stagnation) で VENC を高く設定すると、文字通り「速度がノイズに埋もれて見えない」状態になる (Markl 2012, Dyverfeldt 2015)。

3.3 経験則

関心領域の peak velocity の 110–120% を VENC に設定するのが古典的 (Markl 2012)
ただし関心領域が複数 (e.g., 大動脈 + 肺動脈 + 心房) ある場合、単一 VENC では全領域を満足できない
VNR 目標は解析の種類で異なる:
流量 (net flow) なら VNR > 10
WSS 推定なら VNR > 20 (壁近傍の小速度差を読むため)
Energy Loss / TKE 推定なら VNR > 30 (速度の 2 乗が効くため)

---

4. Multi-VENC 手法 — 4 系統

Dual-VENC sequential acquisition と reconstruction の 2 段階フロー — 図3. Dual-VENC Sequential 取得と Reconstruction — 高 VENC で wrap 判定 → 低 VENC で精度回復の 2 段階フロー可視化

Multi-VENC Bayesian unfolding の posterior 直感図 — 図4. Bayesian Multi-VENC Unfolding — Posterior の直感 — 3+ VENC で wrap 候補が posterior peak で絞られる Bayesian 直感の視覚化

Quality-guided phase unwrapping: residue / branch cut の概念図 — 図5. Quality-Guided Phase Unwrapping — Residue と Branch Cut — Goldstein 1988 系の residue / branch cut アルゴリズムを 2D で視覚化

4.1 Dual-VENC sequential (Lee 1995, Nett 2012)

最も古典的かつ実装が単純なアプローチ。2 つの異なる VENC で同じ k-space を順次取得し、再構成段階で組み合わせる。

アルゴリズム概略:

1. 高 VENC (VENC_high) で全速度範囲を broad に取得 → aliasing なし、VNR 低

2. 低 VENC (VENC_low) で同領域を取得 → aliasing あり、VNR 高

3. VENC_high の速度値で「真速度が ±VENC_low に収まるか」を判定

4. 収まれば VENC_low の値を採用 (高 VNR)、収まらなければ VENC_high の値を採用 (broad-range)

判定境界の数学的表現 (Nett 2012):

v_final(x) = v_low(x) + 2·VENC_low · round[ (v_high(x) - v_low(x)) / (2·VENC_low) ]

v_high を anchor として v_low の wrap を整数倍 VENC_low で補正する形。

典型的設定: VENC_high / VENC_low ≈ 2–4。例えば大動脈なら VENC_low = 100 cm/s, VENC_high = 300 cm/s。

メリット: 実装容易、商用 4D Flow sequence にも組み込み事例あり

デメリット: scan time が約 1.5 倍 (k-space を一部共有可能)、心拍間 mis-registration による境界 artifact

4.2 Multi-point encoding + Bayesian unfolding (Ha 2016, Carrillo-Estrada 2019)

3 つ以上の VENC で取得し、各 voxel の真速度を 事後確率最大化 (MAP estimation) で推定する。

モデル:

p(v_true | φ_1, φ_2, ..., φ_K) ∝ p(φ_1, ..., φ_K | v_true) · p(v_true)

φ_k は VENC_k で取得した位相観測値、p(v_true) は速度に対する事前分布 (e.g., 周辺 voxel の空間連続性、生理的速度範囲)。

直感:

3 つの VENC で観測すると、各 VENC で wrap した速度候補が複数発生する
真速度は「3 つの観測すべてと整合する候補」のみが posterior peak を形成
偽の候補は 3 観測のうちどれかで矛盾するため posterior が立たない

Ha 2016 は 4-point encoding (3 つの異なる VENC + 静止) で Bayesian unfolding を実装し、scan time penalty 30% で VNR を 40–60% 改善することを示した。[要原典確認: 改善幅は acquisition 設定と SNR baseline で変動]

メリット: 一回の取得で広い動的範囲、VNR 改善が大きい

デメリット: 事前分布の設計に依存、計算コスト、3+ VENC で acquisition 設計が複雑

4.3 Quality-Guided Phase Unwrapping (Goldstein 1988, Schnell 2017)

Multi-VENC を取らず、単一 VENC の aliased 位相を post-processing で unwrap する古典的方法を 3D / 4D に拡張したもの。

Goldstein 1988 が干渉合成開口レーダー (InSAR) で確立した residue / branch cut アルゴリズムが基盤:

1. 隣接 voxel 間の位相差を計算し、±π を超えるジャンプを検出

2. ジャンプを 2π 倍数で補正

3. 補正経路 (integration path) が一意に決まらない領域 (residue) で branch cut を引き、誤り伝搬を局所化

Quality map ベースの拡張 (Schnell 2017 系): 各 voxel の信頼性 (magnitude SNR、位相 consistency など) を quality として評価し、高 quality voxel から順に unwrap を伝搬。低 quality voxel は最後に処理することで誤り伝搬を抑制。

メリット: scan time penalty なし、既存単一 VENC データに後付け可能

デメリット: 3D / 4D 拡張で経路選択が複雑化、低 SNR voxel での失敗が連鎖、収束保証なし

4.4 Deep Learning Unfolding (Vishnevskiy 2020 系)

近年の主流候補。U-Net / phase-correcting CNN で aliased 位相 (および magnitude) から unwrap 後の真速度を直接予測する。

典型 architecture:

入力: aliased 位相マップ (時相 × 3 方向 × 3D)
出力: unwrap 後の位相マップ
Loss: L2 + 物理 consistency (周辺整合性、divergence-free 制約)
Training data: simulated wrap (既知の unwrap 真値) + 実 4D Flow データ

メリット: 推論時間が短い (秒オーダー)、訓練データ範囲内では robust

デメリット: training data bias — 訓練データに含まれない flow pattern (心房細動の旋回、特殊な瘤 jet) で誤動作する可能性 (Vishnevskiy 2020 系 / 後続研究)

4.5 4 系統の比較表

手法	Scan time penalty	VNR 改善	実装難度	Pitfall
Dual-VENC sequential	+50%	+20–30%	低	mis-registration
Multi-VENC Bayesian	+30–50%	+40–60%	高	事前分布依存
Quality-guided unwrap	0%	(改善せず、wrap 解消のみ)	中	連鎖失敗
DL unfolding	0% (推論)	(改善せず、wrap 解消のみ)	高	training bias

---

5. VNR 改善の数理 — Multi-VENC averaging vs Bayesian

VNR vs VENC のトレードオフプロット、Multi-VENC 適応領域 — 図6. VNR vs VENC Trade-off Plot — 単一 VENC では解けない領域 — VNR ∝ 1/VENC のトレードオフと Multi-VENC が橋渡しする領域を可視化

5.1 単純な averaging の場合

同じ VENC で N 回平均すると VNR は √N 倍に改善する (古典的ノイズ理論)。これは Multi-VENC ではなく単純な NEX (number of excitations) の話。

5.2 Multi-VENC Bayesian の場合

異なる VENC で取得した観測は 情報量が独立ではない (同じ真速度を異なる感度で見ている)。Cramér-Rao 下限を考えると、最適推定量 (MAP) の分散は:

σ²_v_MAP ≈ 1 / Σ_k (1 / σ²_v_k)

ここで σ²_v_k = (VENC_k / π)² · σ²_φ (各 VENC での速度分散)。

低 VENC で取れた精度の高い観測が分散を支配的に下げ、高 VENC は wrap 候補を絞る役割を果たす。結果として:

σ_v_MAP ≈ σ_v_low (≪ σ_v_high)

→ broad-range 性と高 VNR を両立できる。これが Bayesian unfolding の本質的優位性 (Ha 2016)。

5.3 VNR 30–50% 改善の根拠

文献報告は実装と SNR baseline で大きく散らばるが、典型的に:

Dual-VENC sequential: VNR +20–30% (Nett 2012, Bayer 2020)
Bayesian 3+ VENC: VNR +40–60% (Ha 2016, Carrillo-Estrada 2019)

[要原典確認: 数値範囲は acquisition matrix / TE / TR / coil setup で大きく変動。Self-evident な universal value ではない]

---

6. 4D Flow downstream 指標への影響

Multi-VENC の downstream metric impact 棒グラフ — 図7. Multi-VENC が 4D Flow downstream 指標に与える影響 — WSS / Energy Loss / TKE / OSI の VNR 感度を視覚化

Multi-VENC は velocity 推定精度を改善するため、velocity から派生する全 hemodynamic 指標の信頼性を律速する。特に velocity の高次関数を含む指標で影響が大きい。

6.1 WSS (Wall Shear Stress)

WSS は壁面で μ · ∂v_t / ∂n を取る (≒ velocity の空間 1 階微分)。Velocity ノイズが微分操作で増幅されるため、VNR 改善は WSS 推定の SNR を直接改善する。

特に 低 WSS 領域 (静脈、瘤内、stagnation) では velocity 自体が小さく、単一高 VENC では VNR が極端に低い。Multi-VENC を用いることで「低 WSS 領域の WSS map が初めて意味を持つ」段階に進む (van Ooij 2015 系)。

6.2 Energy Loss / Viscous Dissipation

Energy Loss は粘性散逸関数 Φ = μ · (∇v + ∇vᵀ) : ∇v を体積積分する。velocity の空間微分の 2 乗が積分核なので、ノイズ感度は VNR² に比例する。VNR 改善のインパクトが最大の指標。

具体的に: VNR を 2 倍にすると Energy Loss 推定の SNR は約 4 倍に改善する (ノイズ標準偏差ベース)。Pediatric / Fontan で低流速領域が支配的なケースでは Multi-VENC は必須に近い。

6.3 TKE (Turbulent Kinetic Energy)

Dyverfeldt 2008 らの IVSD (Intravoxel Velocity Standard Deviation) ベース TKE は magnitude decay から速度分散を推定する。これは VENC 依存性が複雑で、最適 VENC は乱流強度に応じて変わる (Dyverfeldt 2015 consensus)。Multi-VENC TKE 専用 sequence の試みもあるが、実装事例は限定的。

6.4 OSI (Oscillatory Shear Index)

OSI は WSS ベクトルの方向振動性を測る。WSS の精度改善 (§6.1) を通じて改善するが、OSI 自体は方向情報のみで magnitude を捨てるため、Multi-VENC の直接的恩恵は WSS や Energy Loss より小さい。ただし TAWSS が小さい voxel で OSI が 0.5 に張り付く artifact (He & Ku 1996 系) は VNR 改善で軽減される。

6.5 影響度まとめ

指標	Velocity への依存	VNR 改善のインパクト
Net flow	線形	中
WSS	1 階微分	大
Energy Loss	微分の 2 乗	最大
TKE	magnitude decay	複雑 (VENC 依存)
OSI	方向のみ	小〜中

---

7. 臨床応用と現状エビデンス

Multi-VENC が必須となる 4 つの臨床シナリオの速度範囲多様性 — 図8. Multi-VENC 必須の臨床シナリオ — 速度範囲ダイバーシティ — BAV / Fontan / 心房 stasis / 脳血管で同一 volume 内の速度範囲の広さを示す

7.1 BAV / aortopathy

弁狭窄を伴う BAV で高速 jet (3–4 m/s) と心房内還流 (10–20 cm/s) を同時評価する必要があり、Multi-VENC の典型適応 (Hsiao 2009, Stankovic 2014)。Dual-VENC sequential で実装報告が多い。

7.2 Fontan / 単心室生理

低流速領域 (中心静脈〜肺循環で 5–20 cm/s) が支配的かつ、新生児・小児の小血管径と組み合わさるため、VNR 不足が深刻。Multi-VENC が Energy Loss / Helicity 推定の前提条件 (Bock 2010, Bayer 2020)。

7.3 心房 thrombosis risk / stasis 評価

心房細動・拡張型心筋症で心房内 stasis (<5 cm/s) を評価する。WSS / Residence Time 解析に Multi-VENC が必要 (Soulat 2020 レビュー)。

7.4 脳動脈瘤・解離

瘤内低速 (5–10 cm/s) と feeding artery 高速 (50–100 cm/s) の同時評価。Multi-VENC が Helicity / WSS 推定の精度を支える (Schnell 2017)。

7.5 現状の限界

ベンダー間で Multi-VENC sequence の実装が異なる (Dual-VENC sequential が中心)
Bayesian unfolding は研究実装段階、ベンダー商用化は限定的
DL unfolding は学術 prototype 多数だが臨床承認は未確立 (2025 時点)

---

8. Pitfalls チェックリスト

Multi-VENC 結果を評価・比較する際の必須確認事項:

VENC 設定: VENC_high / VENC_low の比、選定根拠 (関心領域 peak velocity に対するマージン)
Acquisition order: VENC を交互取得か、連続取得か (心拍間 mis-registration の影響)
Inter-VENC mis-registration: 呼吸動・心拍 jitter による spatial mis-registration が再構成 artifact を生む
Reconstruction method: sequential / Bayesian / DL のどれを使ったか、参考実装は何か
VNR baseline: Multi-VENC 適用前の baseline VNR が報告されているか
Downstream metric: WSS / Energy Loss / TKE のうちどれを評価したか、metric ごとに VNR 要求が異なる
DL training data: DL unfolding 使用時は training data の flow pattern coverage を確認 (uncommon pattern で誤動作)
Phase wrap correction ≠ velocity error elimination: unwrap は 2π ジャンプを直すだけで、random noise や bias は残る
Scan time penalty: 臨床 routine 化には scan time が許容範囲内か (典型 +30–50%)
Vendor-specific implementation: 同じ "Multi-VENC" でも実装詳細が異なる、protocol レベルで比較不能なことが多い

---

9. ZK 化と次の記事への橋

この記事は次の atomic note に分解する (詳細は zk_notes/):

Phase contrast の bipolar gradient と速度位相写像 (φ = γ·M_1·v)
VENC = π / (γ·M_1) と速度範囲 [-VENC, +VENC]
VNR ∝ 1/VENC のトレードオフ
Aliasing (位相 wrap) の数式と典型場面
Dual-VENC sequential reconstruction (Lee/Nett 系)
Multi-point Bayesian unfolding (Ha/Carrillo 系)
Quality-guided phase unwrapping (Goldstein/Schnell 系)
DL velocity unfolding (Vishnevskiy 系)

連続記事の予定:

OSI / RRT 単独記事: 振動性指標の数式・物理・臨床
Helicity / Vorticity: 流れの「ねじれ」を読む
WSS 完全解説 (既出 260514_wss_moc): WSS 推定の前提となる velocity 精度
Energy Loss 完全解説 (既出): Multi-VENC との関係性が深い
TKE / IVSD: 乱流評価における VENC 選定の特殊性

---

公開対象 / 安全性

施設名、患者情報、内部契約情報、メール、個人情報は含まない
Siemens 内部 WIP / 製品名は使用せず、一般化された "Multi-VENC sequence" として記述
一次文献の DOI / PubMed は references.md に集約
画像生成プロンプトは image_prompts.json に分離 (Codex 側で GPT Image2 実行)
HTML 化、Cloudflare deploy、Discord 通知は Codex 担当