低SNR MRIの画像ノイズを劇的に改善：Rep2Rep-Shuffleが拓く新たな可能性

11月 5, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Rep2Rep ‐Shuffle: Shuffled Repetition‐to‐Repetition Learning for Noise‐Adaptive Self‐Supervised MRI Denoising
Magnetic Resonance in Medicine｜被引用数: 0（2026年11月5日時点）

低信号対雑音比（SNR）のMRI撮像は、診断に必要な画質を確保するために繰り返し信号を平均化することが多く、これが検査時間の長期化につながるという課題があります。この問題を解決するため、限られた訓練データセットでもMRIのノイズ除去性能を向上させる自己教師あり学習フレームワーク「Rep2Rep-Shuffle」が提案されました。本記事では、この革新的な技術がどのようにして低SNR MRIアプリケーションの課題を克服し、高品質な画像診断をより迅速に実現するかを詳しく解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存の繰り返し取得MRIデータを利用可能であり、限られた訓練データセットでも実用的なノイズ除去が可能です。
Ethical倫理面	本研究は、IRBの承認を得てHIPAAに準拠しており、倫理的な基準を満たして実施されました。
Interesting面白さ	MRIの低SNR課題を解決し、スキャン時間の短縮と画質向上を両立させる、自己教師あり学習の新しいアプローチです。
Novel新規性	限られたデータで訓練の多様性を増やすシャッフル繰り返しペアリングと3Dボリューメトリックノイズ除去をRep2Repフレームワークに統合した新規性があります。
Relevant切実さ	非陽子MRIや低磁場MRIなど、繰り返し測定に依存する低SNR MRIアプリケーションに特に有用であり、臨床応用への関連性が高いです。
Measurable測定可能性	合成データではNMSEとSSIM、生体内データでは読影者評価（5点リッカート尺度）により定量的に性能が評価されました。
Modifiable派生・改善	シャッフルペアリング戦略と3D処理という2つの要素を組み合わせており、さらなる改善の余地があります。
Structured文章構造	合成MRI実験と生体内ナトリウムMRI実験の両方で、詳細な訓練戦略と評価指標に基づき、比較検証が構造的に行われています。
PICO / PECO対象・介入・比較・結果	P:低SNR MRI対象者、I:Rep2Rep-Shuffleによるノイズ除去、C:Rep2Rep-Fixや2Dノイズ除去、O:画質向上、解剖学的構造の保持、スキャン時間短縮。

低SNR MRIの課題と自己教師あり学習の進化

どうも、Beyond the Pixelです。MRI（磁気共鳴画像）は、その非侵襲性と高い軟部組織コントラストにより、多くの医療現場で不可欠な画像診断ツールとなっています。しかし、非陽子撮像や低磁場撮像のような、もともと信号が弱い（低SNR: Signal-to-Noise Ratio）アプリケーションでは、十分な画質を得るために繰り返し信号を平均化する必要があり、これが検査時間の長期化につながり、対象者の負担を増やすという課題があります。画像ノイズを効果的に除去することは、スキャン時間の短縮と画質の向上を両立させるための重要な鍵となります。従来の手法では画像のぼやけや細部の喪失が問題となることがあり、深層学習によるノイズ除去が注目されていますが、教師あり学習では高SNRの参照画像が必要となり、低SNRのMRIではこれが得にくいという実用上の課題がありました。そこで登場するのが、クリーンな参照画像を必要とせず、ノイズを含むデータから直接学習する「自己教師あり学習（self-supervised learning）」です。著者らのグループは以前、同じMRIシーケンスを複数回繰り返して撮像する際の、繰り返された測定値間の共通の画像内容と独立したゼロ平均ノイズを利用する「Repetition-to-Repetition（Rep2Rep）学習」という自己教師ありノイズ除去フレームワークを提案しました。これは「Noise2Noise」の原則に基づき、ノイズ適応型のノイズ除去を可能にし、訓練中に明示的に見ていないSNRレベルにも一般化できるという特長がありました。しかし、Rep2Repフレームワークは、訓練データセットが限られている場合、性能が低下する可能性がありました。特に非陽子MRIのように臨床で一般的でないアプリケーションでは、利用可能なデータセットが少なく、訓練のための繰り返しペアリングの多様性が限られてしまうためです。

Rep2Rep-Shuffle：シャッフルと3D処理でノイズ除去を強化

本研究では、このRep2Repフレームワークの課題を克服し、限られた訓練データセットでもMRIノイズ除去性能を向上させる「Rep2Rep-Shuffle」という自己教師あり学習フレームワークが提案されました。この手法には主に2つの革新的な点が導入されています。一つ目は「シャッフル繰り返しペアリング戦略」です。従来のRep2Rep（Rep2Rep-Fix）では、訓練入力とターゲットとなる繰り返し画像の分割が固定されていました。例えば、5回の繰り返し取得がある場合、3回分を入力、2回分をターゲットと固定して使用します。しかしRep2Rep-Shuffleでは、訓練エポックごとに異なる繰り返し組み合わせをランダムに生成します。これにより、利用可能な訓練データが限られている場合でも、実質的な訓練空間が大幅に拡大し、ノイズの多様性が増すことで、モデルのロバスト性（頑健性）と性能が向上します。例えば、5回の繰り返し撮像から、入力とターゲットを生成するための可能な組み合わせは30通りにものぼります。

**Figure 1.** FIGURE 1 | Schematic overview of the Rep2Rep-Shuffle and Rep2Rep-Fix denoising pipelines. Rep2Rep-Shuffle dynamically varies repetition pair- ing during training, where a subset of repetitions is randomly selected as input during training and the remaining repetitions form the training target. In contrast, Rep2Rep-Fix uses a fixed pairing strategy, where a fixed number of repetitions are averaged as input and the remaining repetitions are used as targets throughout training.解説: Rep2Rep-ShuffleとRep2Rep-Fixのノイズ除去パイプラインの概要図。Rep2Rep-Shuffleは訓練中に繰り返しペアリングを動的に変更し、Rep2Rep-Fixは固定のペアリング戦略を使用します。

この動的なペアリング戦略により、ネットワークは訓練中に幅広い入力SNRレベルにさらされることになり、ノイズ除去モデルの一般化能力が高まります。二つ目は、フレームワークをスライスごとの2Dノイズ除去から「3Dボリューメトリックノイズ除去」に拡張した点です。これにより、ネットワークはすべての空間次元における相関関係を完全に利用できるようになります。特にナトリウムMRIのように、等方的またはほぼ等方的な空間分解能を持つMRIアプリケーションでは、3Dモデルは解剖学的構造をより良く保ちながらノイズ抑制を改善することが期待されます。

検証実験とRep2Rep-Shuffleの優れた性能

提案されたRep2Rep-Shuffleメソッドは、生体内ナトリウムMRIデータと合成ノイズMRIデータを用いて評価されました。合成MRI実験では、高SNRの参照画像があるため定量的な評価が可能でした。生体内ナトリウムMRI実験では、限られた訓練データセットという現実的な低SNR撮像シナリオでの実用性が評価されました。複数の訓練戦略（3D Rep2Rep-Shuffle、3D Rep2Rep-Fix、2D Rep2Rep-Shuffle、教師あり学習など）が比較され、評価には交差検定手法が用いられました。合成MRIの結果では、Rep2Rep-ShuffleはRep2Rep-Fixと比較してノイズ除去性能を向上させ、3D実装は2D実装よりも微細な解剖学的構造の保持と組織コントラストの点で優れていることが示されました。

**Figure 2.** FIGURE 2 | Representative synthetic MRI results comparing 2D Rep2Rep-Shuffle, 2D Rep2Rep-Fix, 2D supervised denoising, 3D Rep2Rep-Shuffle, 3D Rep2Rep-Fix, and 3D supervised denoising using five repetitions for inference. The noisy input, high-SNR reference image, corresponding difference maps, and NMSE values are shown. Rep2Rep-Shuffle improved denoising performance over Rep2Rep-Fix, and the 3D implementation better preserved anatomical structures than the 2D implementation.解説: 合成MRIの代表的なノイズ除去結果を比較しています。2D Rep2Rep-Shuffle、2D Rep2Rep-Fix、2D教師あり学習、3D Rep2Rep-Shuffle、3D Rep2Rep-Fix、および3D教師あり学習を、推論に5回の繰り返しを使用した場合で示しています。Rep2Rep-ShuffleはRep2Rep-Fixよりもノイズ除去性能が向上し、3D実装は2D実装よりも解剖学的構造を良く保存しています。

推論時の繰り返し回数が増えるにつれて画質が向上し、高SNR参照画像に近づくことも確認され、異なる入力ノイズレベルに対するフレームワークのロバスト性が示されました。

**Figure 3.** FIGURE 3 | Effect of inference repetition number on 3D Rep2Rep-Shuffle in synthetic MRI. The model was trained using five repetitions and tested using images averaged from one, three, and five repetitions. The corresponding noisy inputs, denoised images, difference maps, and high-SNR reference are shown, together with NMSE values. Image quality improved progressively as more repetitions were used for inference.解説: 合成MRIにおける3D Rep2Rep-Shuffleの推論繰り返し回数の影響を示します。モデルは5回の繰り返しで訓練され、1回、3回、5回平均化された画像でテストされました。推論に多くの繰り返しを使用するにつれて画質が徐々に向上しています。

定量評価では、3D Rep2Rep-ShuffleはRep2Rep-Fixと比較して、すべての推論設定（1、3、5繰り返し）で正規化平均二乗誤差（NMSE）が低く、構造的類似性指数（SSIM）が高い結果となりました（p < 0.001）。

**Figure 4.** FIGURE 4 | Quantitative evaluation of synthetic MRI denoising performance. Bar plots show NMSE and SSIM for different methods using one, three, and five repetitions for inference. Rep2Rep-Shuffle demonstrates improved performance compared with Rep2Rep-Fix for all repetition settings, and the 3D denoising achieves better overall performance than 2D denoising.解説: 合成MRIノイズ除去性能の定量的評価です。棒グラフは、推論に1回、3回、5回の繰り返しを使用した異なる手法のNMSE（正規化平均二乗誤差）とSSIM（構造的類似性指数）を示しています。Rep2Rep-Shuffleは、すべての繰り返し設定でRep2Rep-Fixよりも性能が向上し、3Dノイズ除去は2Dノイズ除去よりも全体的に優れた性能を達成しています。

生体内ナトリウムMRIの結果でも、3D Rep2Rep-ShuffleはRep2Rep-Fixと比較して、より効果的なノイズ抑制とシャープな解剖学的構造および組織コントラストの保持を実現しました。その結果得られる画質は、教師あり学習や28回の繰り返しを平均化した参照画像と視覚的に同等であり、一部の領域ではノイズがさらに低減されているように見えました。

**Figure 5.** FIGURE 5 | Representative sodium MRI results from two patients comparing 3D Rep2Rep-Fix, 3D Rep2Rep-Shuffle, and 3D supervised denoising using five repetitions for inference. The corresponding noisy input (5 repetitions) and reference image (28 repetitions) are also shown, and difference maps relative to the reference are displayed in the bottom row. Rep2Rep-Shuffle provided improved noise suppression and anatomical preservation compared with Rep2Rep-Fix.解説: 2名の対象者からの代表的なナトリウムMRIノイズ除去結果を比較しています。3D Rep2Rep-Fix、3D Rep2Rep-Shuffle、および3D教師ありノイズ除去を、推論に5回の繰り返しを使用した場合で示しています。Rep2Rep-ShuffleはRep2Rep-Fixと比較して、ノイズ抑制と解剖学的保存が改善されています。

2D Rep2Rep-Shuffleモデルが大幅な空間的ぼやけと解剖学的詳細の喪失を引き起こしたのに対し、3Dモデルは参照画像で観察される組織境界と画像コントラストをより密接に保持しました。

**Figure 6.** FIGURE 6 | Comparison between 2D Rep2Rep-Shuffle and 3D Rep2Rep-Shuffle in sodium MRI from three additional patients using five repetitions for inference. The 3D model better preserved anatomical structures and image contrast, whereas the 2D model suffered from substantial over-smoothing.解説: ナトリウムMRIにおける2D Rep2Rep-Shuffleと3D Rep2Rep-Shuffleの比較です。3名の追加の対象者から、推論に5回の繰り返しを使用した場合の結果を示します。3Dモデルは解剖学的構造と画像コントラストをより良く保持しているのに対し、2Dモデルは実質的な過剰平滑化に苦しんでいます。

これは、スライス間の空間的相関を利用する利点を示しています。

**Figure 7.** FIGURE 7 | Effect of inference repetition number on 3D Rep2Rep-Shuffle in sodium MRI. The model was trained using five repetitions and eval- uated using inputs averaged from one, three, and five repetitions. The corresponding noisy inputs, denoised images, difference maps, 3D supervised result (5 repetitions), and reference image (28 repetitions) are shown. Image quality improved with increasing repetitions during inference.解説: ナトリウムMRIにおける3D Rep2Rep-Shuffleの推論繰り返し回数の影響です。モデルは5回の繰り返しで訓練され、1回、3回、5回平均化された入力で評価されました。推論中の繰り返し回数が増えるにつれて画質が向上しています。

訓練に用いる繰り返し回数の影響も評価され、3回よりも5回、14回と増やすことで性能が向上することが示されましたが、5回から14回への増加では改善はわずかでした。これは、ある程度の繰り返し回数があれば十分な訓練多様性が得られることを示唆しています。

**Figure 8.** FIGURE 8 | Effect of the number of repetitions used during training on 3D Rep2Rep-Shuffle in sodium MRI. Models were trained using 3, 5, and 14 repetitions and evaluated using 5 repetitions for inference. The corresponding noisy input (5 repetitions) and reference image (28 repetitions) are shown. Training with five repetitions improved performance over training with 3 repetitions, while further improvement from 5 to 14 repetitions was modest.解説: ナトリウムMRIにおける3D Rep2Rep-Shuffleの訓練時に使用する繰り返し回数の影響です。モデルは3回、5回、14回の繰り返しを使用して訓練され、推論は5回の繰り返しで行われました。3回の繰り返しでの訓練よりも5回の繰り返しでの訓練で性能が向上し、5回から14回へのさらなる改善はわずかでした。

さらに、訓練データセットのサイズの影響も調査され、データセットの数を増やすことで画質とノイズ除去の全体的な性能が向上することが確認されました。

**Figure 9.** FIGURE 9 | Effect of training dataset size on 3D Rep2Rep-Shuffle in sodium MRI. Models were trained using one, three, and five datasets and evaluated using both three and five repetitions for inference. Representative results from two patients are shown together with the corresponding noisy inputs and reference images (28 repetitions). Increasing the number of training datasets improved image quality and the overall performance of denoising.解説: ナトリウムMRIにおける3D Rep2Rep-Shuffleの訓練データセットサイズの影響です。モデルは1つ、3つ、5つのデータセットを使用して独立して訓練され、推論は3回と5回の両方の繰り返しで行われました。訓練データセットの数を増やすと、画質とノイズ除去の全体的な性能が向上しました。

読影者評価では、3D Rep2Rep-Shuffleは3D Rep2Rep-Fixと比較して、すべての評価カテゴリーで一貫して高いスコアを獲得しました。

**Figure 10.** FIGURE 10 | Reader evaluation results for sodium MRI denoising. Scores are shown for overall image quality, sharpness, tumor delineation, artifact level, and SNR using both three and five repetitions for inference. The evaluated methods included 3D Rep2Rep-Shuffle, 3D Rep2Rep-Fix, 3D supervised, and the 3D reference image reconstructed from 28 repetitions. Statistical comparisons are indicated above the bar plots.解説: ナトリウムMRIノイズ除去の読影者評価結果です。全体的な画質、シャープネス、病変の境界、アーチファクトレベル、SNRについて、推論に3回と5回の繰り返しを使用した場合のスコアを示しています。

研究の限界と今後の展望

本研究にはいくつかの限界も存在します。第一に、生体内ナトリウムMRIデータセットは6名の対象者に限られていました。概念実証研究としては適切な評価デザインですが、提案されたフレームワークのロバスト性と一般化能力をさらに確立するためには、より大規模で多様なデータセットでの検証が重要となるでしょう。第二に、提案されたシャッフル繰り返しペアリング戦略は、異なる入力とターゲットの組み合わせを可能にするため、訓練中に少なくとも3回の繰り返し撮像を必要とします。これは、元のRep2Repフレームワークが固定の入力・ターゲットペアリングで2回の繰り返しでも訓練可能であった点とは異なります。したがって、本フレームワークは非陽子MRIや低磁場MRIなど、繰り返し測定を日常的に行うMRIアプリケーションに最も適しています。将来的には、より少ない繰り返し回数で効果的な自己教師あり学習を実現するための戦略が研究される予定です。第三に、Rep2Repフレームワークと同様に、本手法は繰り返しの取得が同じ基礎的な解剖学的内容を含み、繰り返し間の違いが主にノイズに起因すると仮定しています。そのため、繰り返し間の動きがあると、入力とターゲットのペアが同じ基礎的な解剖学を表さなくなり、自己教師あり学習の性能が低下する可能性があります。ネットワークの訓練と推論の前に動きを補正することや、動きに頑健な取得戦略は、今後の重要な研究方向性となるでしょう。

まとめ

本研究で提案されたRep2Rep-Shuffleは、シャッフル繰り返しペアリング訓練戦略を導入することにより、限られた訓練データセットや高SNR参照画像への依存を減らしつつ、低SNR MRIアプリケーションにおけるノイズ除去性能を向上させる、新しい自己教師ありMRIノイズ除去フレームワークです。このフレームワークは、ナトリウムMRI、その他の非陽子MRI技術、および信号平均化に依存する低磁場MRIなど、訓練データセットが限られた繰り返し撮像MRIアプリケーションにおいて特に有用であると期待されます。この研究は、低SNR MRIにおける画像品質の向上と、それに伴う検査時間の短縮という、医療現場における重要なニーズに応えるものと言えるでしょう。

用語集

SNR: Signal-to-Noise Ratio（信号対雑音比）。画像中の信号の強さとノイズの強さの比率で、画像の明瞭さを示します。高いほど画質が良いです。
自己教師あり学習: アノテーション付きのデータ（正解ラベル）を必要とせず、ノイズを含むデータ自体から学習する機械学習の一種です。
Noise2Noise: ノイズのある画像ペアからノイズ除去ネットワークを訓練する手法の原則。クリーンな参照画像が不要です。
Rep2Rep学習: 繰り返し取得されたMRI画像のペアを利用して自己教師ありノイズ除去を行うフレームワークです。
ナトリウムMRI: 体内のナトリウム原子の信号を検出するMRI技術。通常、プロトンMRIよりも信号が弱く（低SNR）、特殊なアプリケーションで使用されます。
CDLNet: Convolutional Dictionary Learning Network（畳み込み辞書学習ネットワーク）の略で、本研究でノイズ除去の基盤となるニューラルネットワークモデルです。
NMSE: Normalized Mean Square Error（正規化平均二乗誤差）。画像のノイズ除去性能を定量的に評価する指標の一つで、値が低いほどノイズ除去が優れています。
SSIM: Structural Similarity Index Measure（構造的類似性指数）。参照画像と処理済み画像の構造的類似性を評価する指標で、値が高いほど類似性が高いです。
リッカート尺度: 対象者の意見や評価を、例えば「非常に良い」から「非常に悪い」までのような段階的なスケールで測定する心理測定尺度です。
Rep2Rep-Fix: 元のRep2Repフレームワークの訓練戦略で、入力とターゲットとなる繰り返し画像のペアリングが訓練を通じて固定されています。
Rep2Rep-Shuffle: 本研究で提案されたRep2Repの拡張版で、訓練中に繰り返しペアリングを動的にシャッフルする戦略を導入しています。