細かく撮れば、
よく見える？

一つの画素に、体積がある。

画像の格子へ入り、一つのボクセルを立体として見ます。細かさだけで画質は決まりません。ここでは面内の画素寸法を固定し、厚さだけを変えます。

薄くすると、信号の余裕も変わる。

他条件を固定した2Dの模型では、厚さを半分にすると信号量も半分になり、SNRは理論上半分になります。画像は厚さで正規化して平均輝度をそろえるため、薄い条件ではノイズの揺らぎが大きく見えます。

同じ条件で、4回集める。

同じ薄さのまま、独立したノイズを含む4回の取得を平均します。1回取得と比べてノイズの標準偏差は理論上半分、SNRは2倍です。ノイズは完全には消えません。

時間と、見たい構造を考える。

加算回数を1から4にすると、同じ条件でのデータ取得時間は約4倍になります。準備や校正などの固定時間は含めていません。必要な構造を表現する厚さと、SNR・時間のバランスを記事で考えます。

自作の抽象ファントムを使った教育用の線形信号模型です。患者画像や特定装置の画像処理の再現ではありません。立体や波形への変形は説明のための演出です。

面内の取得条件、受信帯域、TR・TE、コイル、信号密度を固定し、相対的なスライス厚と加算回数だけを変えています。模型は厚さ方向に同じ信号分布を持ち、部分容積による形状変化を含みません。

信号に平均0のGaussianノイズを加え、加算ごとに独立した配列を実際に平均しています。画像は厚さで正規化し、共通の表示スケールを使います。通常のMRI magnitude画像の低信号域のノイズ分布や、動き・コイル感度・高度な再構成は再現していません。

厚さだけの差を比べやすくするため、厚薄の比較には共通の乱数を使っています。4回の加算では、それぞれ別の独立したノイズを使います。

「SNR 2倍」は同じ薄さで加算1回と4回を比べた理論値です。厚さ1・加算1回を基準にすると、厚さ半分・加算1回はSNR 1/2、厚さ半分・加算4回はSNR 1となる模型です。臨床の推奨撮像条件や診断能を示す動画ではありません。

参考: Siemens Healthineers — MR Essentials: Image Quality、Gudbjartsson & Patz — The Rician Distribution of Noisy MRI Data。