flowchart LR A["DICOM"] -->|dcm2niix| B["NIfTI"] B --> C["ROI を描く<br/>(3D Slicer / ITK-SNAP)<br/>腓腹筋・ヒラメ筋・前脛骨筋"] B --> D["定量マップを計算<br/>(Python)<br/>T2・脂肪率・TSC"] C --> E["ROI 内の平均値・体積"] D --> E E --> F["統計解析<br/>(R / Python)"]
8 定量解析とソフトウェア
8.1 データの形式
| 形式 | 中身 | 主な用途 |
|---|---|---|
| DICOM(.dcm) | 1 スライス 1 ファイル。画像+撮像条件(TR・TE・画素サイズ・患者情報など)のタグ | 装置から出てくる元データ。病院の画像システム |
| NIfTI(.nii / .nii.gz) | 3D・4D の画像を 1 ファイルに。画素と空間の対応(向き・画素サイズ) | 研究用の解析ソフトの標準 |
| 装置の生データ(Siemens の .dat など) | k 空間のデータ | 独自の再構成(23Na の UTE など) |
DICOM から NIfTI への変換には dcm2niix(コマンドライン、MRIcroGL に同梱)がよく使われます。
警告個人情報に注意
DICOM のタグには氏名・生年月日・ID などが入っていることがあります。研究で共有する前に、匿名化(タグの削除・置き換え)を必ず行ってください。
8.2 よく使われるソフト
| 目的 | ソフト | ひとこと |
|---|---|---|
| 画像を見る・ROI を描く | 3D Slicer (Fedorov ほか 2012年) | 無料・多機能。セグメンテーション、体積計算、プラグインが豊富 |
| 半自動セグメンテーション | ITK-SNAP (Yushkevich ほか 2006年) | 筋・脂肪の領域を塗る作業に便利。骨格筋の 23Na 研究でも ROI 作成に使用 (Höger ほか 2023年) |
| DICOM を見る(Mac) | Horos / OsiriX | 病院・臨床研究でよく使われるビューア |
| 脳画像の解析 | FSL (Jenkinson ほか 2012年)、FreeSurfer、SPM、ANTs | 位置合わせ・脳の分割など。筋の研究でも位置合わせに使うことがある |
| MRS の解析 | LCModel、jMRUI、OXSA(MATLAB、31P)、FSL-MRS | スペクトルにピークを当てはめて代謝物を定量 |
| 数値計算・自作解析 | Python(numpy・scipy・nibabel・pydicom・SimpleITK・scikit-image)、MATLAB、R | マップの計算、統計、図 |
| 装置付属 | syngo.via(Siemens)など | 臨床の読影・計測 |
8.3 典型的な解析の流れ(下腿筋の例)
ヒントROI を描くときのコツ
- 筋膜・大きな血管・骨の境界は避けて、筋の内側 に描く(部分容積効果を避ける)(Höger ほか 2023年)
- 23Na など低解像度の画像では、高解像度の 1H 画像で ROI を描いてから 23Na 画像に重ねる (Höger ほか 2023年)
- 毎回同じスライス位置になるよう、皮膚に印をつけて撮るなどの工夫をする
8.4 Python 1:T2 マップを作る
TE を変えた 16 エコーの画像(合成)から、ピクセルごとに \(S(TE) = S_0 e^{-TE/T_2}\) を当てはめます。 まず 対数をとって直線の当てはめ(速い)、次に 非線形の当てはめ(正確)の 2 通りで計算します。
code/08_t2map.py
# マルチエコー画像(合成)からピクセルごとの T2 マップを作る
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
rng = np.random.default_rng(2)
N = 64
y, x = np.mgrid[-1:1:N * 1j, -1:1:N * 1j]
leg = x ** 2 + y ** 2 < 0.85 ** 2
# 真の T2 マップ:筋肉 40 ms、右上に浮腫(T2 = 60 ms)
T2_true = np.where(leg, 40.0, 0.0)
edema = leg & ((x - 0.3) ** 2 + (y + 0.3) ** 2 < 0.25 ** 2)
T2_true[edema] = 60.0
S0 = np.where(leg, 1.0, 0.0)
TE = np.arange(1, 17) * 10.0 # 10, 20, ..., 160 ms
imgs = S0[..., None] * np.exp(-TE / np.where(T2_true > 0, T2_true, 1)[..., None])
imgs = np.abs(imgs + rng.normal(0, 0.01, imgs.shape)) # 大きさ画像(ノイズあり)
# --- 方法 1:対数をとって直線で当てはめ ln S = ln S0 - TE/T2 ---
use = TE <= 80 # ノイズに埋もれた後半のエコーは使わない
logS = np.log(np.maximum(imgs[..., use], 1e-6))
slope = np.polyfit(TE[use], logS.reshape(-1, use.sum()).T, 1)[0].reshape(N, N)
T2_lin = np.where(leg, -1 / slope, np.nan)
# --- 方法 2:非線形最小二乗(ピクセルごと) ---
def model(te, s0, t2):
return s0 * np.exp(-te / t2)
T2_nl = np.full((N, N), np.nan)
for i, j in zip(*np.nonzero(leg)):
popt, _ = curve_fit(model, TE, imgs[i, j], p0=(1.0, 40.0))
T2_nl[i, j] = popt[1]
for name, m in [("log-linear", T2_lin), ("nonlinear", T2_nl)]:
print(f"{name:>10}: muscle {np.nanmean(m[leg & ~edema]):.1f} ms, edema {np.nanmean(m[edema]):.1f} ms")
fig, axes = plt.subplots(1, 3, figsize=(11, 3.6))
axes[0].imshow(imgs[..., 3], cmap="gray"); axes[0].set_title(f"echo image (TE={TE[3]:.0f} ms)")
for ax, (m, t) in zip(axes[1:], [(T2_lin, "T2 map (log-linear)"), (T2_nl, "T2 map (nonlinear)")]):
h = ax.imshow(m, cmap="viridis", vmin=20, vmax=80); ax.set_title(t)
fig.colorbar(h, ax=ax, fraction=0.046, label="T2 [ms]")
for ax in axes:
ax.axis("off")
fig.tight_layout()
fig.savefig("figs/08_t2map.png", dpi=150)log-linear: muscle 40.0 ms, edema 60.0 ms
nonlinear: muscle 40.0 ms, edema 60.0 ms

ノート実データでの注意
- 脂肪が混ざると T2 が長く見えるので、筋の 水 T2 を測るときは脂肪を分ける手法(多成分モデル・脂肪抑制)を使う
- 最初のエコーは不完全な 180° パルスによる「刺激エコー」の影響を受けやすく、外して当てはめることが多い
- ノイズに近い後半のエコーは、大きさ画像ではノイズが 0 にならず(Rician ノイズ)T2 を長めに見せる
8.5 Python 2:23Na 画像を参照ファントムで濃度(TSC)に換算する
0 mmol/L(背景ノイズ)・20・40 mmol/L の参照ファントムの平均信号で 直線(検量線) を作り、画像全体を濃度に変換します。骨格筋の 23Na 研究で使われている方法の簡略版です (Höger ほか 2023年)。
code/08_tsc.py
# 23Na 画像(合成)を、参照ファントムの検量線で組織ナトリウム濃度 TSC [mmol/L] に変換する
import numpy as np
import matplotlib.pyplot as plt
rng = np.random.default_rng(3)
N = 96
y, x = np.mgrid[-1:1:N * 1j, -1:1:N * 1j]
def disk(cx, cy, r):
return (x - cx) ** 2 + (y - cy) ** 2 < r ** 2
# 真の濃度マップ [mmol/L]
conc = np.zeros((N, N))
leg = disk(0, -0.1, 0.7)
conc[leg] = 18.0 # 筋肉
conc[disk(0.25, -0.25, 0.2) & leg] = 30 # 浮腫を想定した領域
ph20, ph40 = disk(-0.45, 0.78, 0.12), disk(0.45, 0.78, 0.12)
conc[ph20], conc[ph40] = 20.0, 40.0 # 参照ファントム
background = disk(0, 0.78, 0.10) # 何もない所(0 mmol/L の基準)
# 撮像:信号 = 感度 × 濃度 + オフセット + ノイズ(感度・オフセットは装置で変わる未知数)
gain, offset = 3.7, 2.0
signal = gain * conc + offset + rng.normal(0, 6.0, conc.shape)
# 検量線:ROI の平均信号と既知の濃度で直線を当てはめる
known = np.array([0.0, 20.0, 40.0])
measured = np.array([signal[background].mean(), signal[ph20].mean(), signal[ph40].mean()])
a, b = np.polyfit(measured, known, 1) # 濃度 = a × 信号 + b
tsc = a * signal + b
print(f"calibration: TSC = {a:.3f} x signal + {b:.2f}")
muscle_roi = leg & ~disk(0.25, -0.25, 0.25)
edema_roi = disk(0.25, -0.25, 0.15)
print(f"muscle TSC = {tsc[muscle_roi].mean():.1f} mmol/L (true 18)")
print(f"edema TSC = {tsc[edema_roi].mean():.1f} mmol/L (true 30)")
# 2 コンパートメントモデル:細胞外液の割合 f_ecw を逆算(細胞内液 f_icw は固定と仮定)
def f_ecw_from_tsc(tsc_value, f_icw=0.7, na_ecw=140.0, na_icw=10.0):
return (tsc_value - f_icw * na_icw) / na_ecw
for name, roi in [("muscle", muscle_roi), ("edema", edema_roi)]:
print(f"{name}: f_ECW ~ {f_ecw_from_tsc(tsc[roi].mean()):.3f} (assuming f_ICW = 0.7)")
fig, axes = plt.subplots(1, 3, figsize=(12, 3.8))
axes[0].imshow(signal, cmap="gray"); axes[0].set_title("23Na image (a.u.)")
axes[1].plot(measured, known, "o", ms=9, color="#E86A1C")
xs = np.linspace(measured.min(), measured.max(), 10)
axes[1].plot(xs, a * xs + b, color="#3E1485")
axes[1].set(xlabel="mean signal in ROI", ylabel="known [Na+] (mmol/L)", title="calibration line")
h = axes[2].imshow(np.where(leg, tsc, np.nan), cmap="inferno", vmin=0, vmax=40)
axes[2].set_title("TSC map (mmol/L)")
fig.colorbar(h, ax=axes[2], fraction=0.046)
for ax in (axes[0], axes[2]):
ax.axis("off")
fig.tight_layout()
fig.savefig("figs/08_tsc.png", dpi=150)calibration: TSC = 0.268 x signal + -0.38
muscle TSC = 18.0 mmol/L (true 18)
edema TSC = 29.8 mmol/L (true 30)
muscle: f_ECW ~ 0.079 (assuming f_ICW = 0.7)
edema: f_ECW ~ 0.163 (assuming f_ICW = 0.7)

警告2 コンパートメントモデルの逆算について
細胞内液の割合を固定し、Na 濃度を 140・10 mmol/L と置いた 大きな仮定の上の計算 です。値そのものより「TSC の変化が細胞外液の変化でどこまで説明できるか」を考える道具として使ってください (Höger ほか 2023年)。
8.6 Python 3:実データを読む(DICOM・NIfTI)
手元の実データを読むときのひな形です(このページでは実行していません)。
# NIfTI:画像と画素サイズを読む
import nibabel as nib
import numpy as np
img = nib.load("t2map.nii.gz")
data = img.get_fdata() # numpy 配列 (x, y, z)
voxel_mm = img.header.get_zooms()[:3] # 画素サイズ [mm]
roi = nib.load("roi_gastrocnemius.nii.gz").get_fdata() > 0 # ITK-SNAP で描いた ROI
print("mean T2 in ROI:", data[roi].mean())
print("ROI volume [cm^3]:", roi.sum() * np.prod(voxel_mm) / 1000)# DICOM:撮像条件のタグを確認しながら、シリーズを TE 順に並べる
from pathlib import Path
import numpy as np
import pydicom
files = sorted(Path("dicom_series").glob("*.dcm"))
slices = [pydicom.dcmread(f) for f in files]
slices.sort(key=lambda d: float(d.EchoTime))
te = np.array([float(d.EchoTime) for d in slices]) # [ms]
stack = np.stack([d.pixel_array.astype(float) for d in slices], axis=-1)
print("TE:", te)
print("TR:", slices[0].RepetitionTime, "pixel spacing:", slices[0].PixelSpacing)8.7 まとめ
- 元データは DICOM、研究の解析は NIfTI が標準。変換は dcm2niix
- ROI は 3D Slicer・ITK-SNAP、脳は FSL など、MRS は LCModel・jMRUI など
- T2 マップは指数関数の当てはめ、TSC は参照ファントムの検量線で作る