深層学習でマルチピンホールSPECTの画質を劇的に改善：高感度・低被ばくの脳画像診断へ

10月 29, 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: Deep learning-based simultaneous separation of overlapping projection data and attenuation and scatter correction for multi-pinhole SPECT
Annals of Nuclear Medicine｜被引用数: 0（2026年10月29日時点）

シングルフォトンエミッションCT（SPECT）は、放射性薬剤の体内分布を画像化することで、疾患の診断に役立つ核医学検査です。特にマルチピンホールSPECTは、高い感度と空間分解能が期待される次世代の技術ですが、データが重なったり、ガンマ線の減弱や散乱といった物理的な画質劣化要因が課題でした。本研究では、これらの課題を同時に解決する新しい深層学習ベースのフレームワークが提案され、X線CTによる減弱補正が不要となる可能性が示されました。これにより、対象者の放射線被ばくやシステムのコストを削減しつつ、高感度かつ高解像度で定量的に正確なSPECT画像診断が可能になると期待されます。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存のU-Net++ベースCNNとモンテカルロシミュレーションを用いて、重なり分離と複合補正を実現可能です。
Ethical倫理面	X線CTが不要なため、対象者の放射線被ばくを低減でき、倫理的に優位です。
Interesting面白さ	マルチピンホールSPECTの複数の課題（重なり、減弱、散乱）を深層学習で同時に解決する点が画期的です。
Novel新規性	投影重なり分離と複数の物理的画質劣化補正を同時に行うCTフリーの統合フレームワークは新規性が高いです。
Relevant切実さ	高感度・高解像度かつ定量的に正確なSPECT画像診断は、臨床現場において極めて重要です。
Measurable測定可能性	NMSE、PSNR、SSIMといった客観的な画像品質指標を用いて定量的に評価されています。
Modifiable派生・改善	脳以外の臓器への応用や臨床データへの拡張が今後の展望として期待されます。
Structured文章構造	U-Net++アーキテクチャに基づき、モンテカルロシミュレーションとレイ・トレーシングでデータ生成・学習を行う明確な研究構造です。
PICO / PECO対象・介入・比較・結果	対象者（マルチピンホールSPECTの適用を受ける者）、介入（深層学習による重なり分離と複合補正）、比較（従来の11ピンホール、ファンビーム、Moore法）、結果（高画質、低被ばく、低コスト）。

はじめに：マルチピンホールSPECTの可能性と課題

どうも、Beyond the Pixelです。シングルフォトンエミッションCT（SPECT）は、体内の放射性薬剤の分布を画像化することで、疾患の診断に役立つ重要な核医学検査です。特に、次世代のSPECT技術として注目されているのが「マルチピンホールSPECT」です。これは、多数の小さな穴（ピンホール）を持つコリメータ（γ線を特定の方向に導く装置）を使用することで、これまでのSPECTシステムよりも高い感度と空間分解能を実現できる可能性を秘めています。例えば、小型動物用のSPECTでは、拡大投影によって高空間分解能を達成するピンホールコリメータが主に利用されてきました。検出効率を高めるために複数のピンホールを円筒状に配置するシステム（U-SPECTなど）も開発され、高分解能の臨床SPECTシステムへと発展しています。さらに、ヘルメット型などの静止型マルチピンホール頭部SPECTシステムは、撮像時間を劇的に短縮できるため、時間的な情報（ダイナミック情報）を捉えることができる次世代システムとして期待されています。しかし、この革新的な技術の実用化にはいくつかの重要な課題がありました。本研究では、これらの課題を深層学習（ディープラーニング）という最先端の技術を用いて同時に解決する新しいフレームワークが提案されました。

マルチピンホールSPECTの主要な課題

静止型データ収集システムの実用化には、主に以下の3つの大きな課題が挙げられます。1つ目は、ピンホールと検出器の固定配置に起因する「投影データの数の制限」です。これにより、再構成された画像にはアーチファクト（偽像）が生じやすくなります。これに対処するため、これまで全変動（TV）正則化や深層学習ベースのアプローチが検討されてきましたが、3次元構造の連続性を損なったり、定量的な正確さを維持することが難しいという課題がありました。2つ目は、感度向上のためにピンホール数を増やすことで生じる「投影データの重なり」です。異なるピンホールからの放射線信号が検出器上で重なるため、放射性物質の位置情報が曖昧になり、画質や定量的な正確さが低下する可能性があります。従来の物理的なシャッターやシステム行列を用いた分離方法では、感度向上という目標と相反したり、計算コストが高く、量子ノイズ（放射線の統計的変動による信号のばらつき）が増幅されるといった問題がありました。3つ目は、ガンマ線が体内を通過する際に起こる「物理的な画質劣化」です。光電吸収による減弱（体組織によるγ線の吸収）やコンプトン散乱（体組織によるγ線の散乱）は、SPECT画像の定量的正確性を損なう主要因です。正確な定量画像を得るためには、X線CT画像から得られる減弱係数マップ（µ-map）を用いた減弱補正が不可欠とされています。しかし、これには対象者の追加被ばくや、SPECT画像とCT画像間の位置ずれによるアーチファクトのリスクが伴います。PET分野では深層学習を用いた減弱・散乱補正が提案されていますが、SPECT投影データへの直接適用は容易ではありませんでした。本研究は、これらの複合的な課題に対し、深層学習を統合的に用いることで解決を試みています。

新しい深層学習フレームワークの提案

著者らは、これらの課題を包括的に解決するために、畳み込みニューラルネットワーク（CNN）の一種であるU-Net++をベースとした新しい統合フレームワークを提案しました。このフレームワークは、重なり合うピンホール投影データの分離と、ガンマ線の減弱、散乱、量子ノイズ、有限なピンホール開口によるぼやけといった複数の物理的画質劣化要因の同時補正を目的としています。最も注目すべき点は、X線CTから得られる減弱係数マップ（µ-map）を必要としないことです。この手法のワークフローを

に示します。まず、モンテカルロ法による光子輸送シミュレーションを用いて、重なり合い、減弱、散乱、量子ノイズ、ピンホール開口効果の影響を受けた投影データを生成します。これは、CNNへの入力データとなります。次に、レイ・トレーシング法を用いて、ピンホール重なり、減弱、散乱、量子ノイズ、開口効果の影響を全く受けない理想的な投影データを計算します。これは、CNNの学習目標データ（ターゲットデータ）となります。これらのペアのデータを用いてネットワークを訓練することで、重なり合う投影データを分離し、同時に複数の画質劣化要因を補正するように設計されています。ネットワーク内のダウンサンプリングとアップサンプリングには、それぞれ平均プーリング（Average Pooling）とアンプーリング層が使用され、特に平均プーリングは量子ノイズの影響を抑制するために採用されました。

研究方法：脳SPECTシミュレーションと評価

この研究では、脳画像診断を対象とし、3つの検出器を備えた静止型SPECTシステムがシミュレーションされました。このシステムには、直径2mmの44ピンホールコリメータが搭載されています。

は、検出器とピンホールの配置を示しています。特に、投影の重なりを分離しやすくするため、ピンホールは2つのグループ（AとB）に分けられました。放射性同位体としてテクネチウム-99m（99mTc; 140 keV）が想定され、検出器はNaI(Tl)シンチレーション検出器がモデル化されました。脳ファントムの生成には、公開されているT2強調磁気共鳴画像（MRI）データセットが用いられました。MRI画像を処理し、白質、灰白質、脳室の3つの領域に脳を分割した後、99mTc-HMPAO脳血流SPECTで観察される取り込み比を模倣した放射能分布が割り当てられました。減弱係数マップは、MRI画像と同じ位置のCT画像から生成されました。学習データセットには、28症例分のファントムに対し、様々な傾きと角度位置で生成された合計2,520枚の画像が用いられ、テスト用には30枚の画像が用意されました。提案手法の有効性を検証するため、以下の既存方法と比較評価が行われました。11ピンホール構成（投影重なりなし）、臨床で一般的に使用されるファンビームコリメータを用いた回転式データ収集、および従来のMoore法です。Moore法には、減弱係数マップに基づく減弱補正、トリプルエネルギーウィンドウ（TEW）法による散乱補正、点広がり関数（PSF）を用いた空間分解能補正が組み込まれました。画像の再構成には最大尤度期待値最大化法（ML-EM法）が用いられ、画像品質は正規化平均二乗誤差（NMSE）、ピーク信号対雑音比（PSNR）、構造的類似性指標（SSIM）という3つの客観的指標で定量的に評価されました。統計的な有意差は片側t検定によって評価されています。

結果：重なり分離と高精度画像再構成の実現

まず、重なり合う投影データの分離に関して、提案されたCNNフレームワークは顕著な性能を示しました。（図3）は、44ピンホール構成で重なりが発生した入力画像、CNNの出力画像、および対応する理想的な画像（グラウンドトゥルース）の強度プロファイルを比較しています。図(a)の入力画像では個々のピンホール投影が重なり合っている影響が明確に見て取れます。対照的に、図(c)と(d)のCNN出力画像では、ピンホールグループAとBの投影データが正常に分離されていることが示されました。また、図(b)の強度プロファイルが高い一致度を示していることから、CNNが重なり合う投影の正確な分離を達成したことが分かります。次に、再構成された画像の評価では、提案手法が他の方法を上回る結果となりました。

は、様々な方法で再構成された脳画像の比較を示しています。図(a)は理想的な放射能分布、図(b)は減弱係数マップです。従来のファンビームコリメータを用いた回転式データ収集（図(c)）は、多数の収集方向によって脳の内部構造をよく再現しましたが、検出光子数の不足による量子ノイズの影響が見られました。11ピンホールの静止型データ収集（図(d)）では投影の重なりは回避されましたが、投影角度の不足によるアーチファクトが顕著に観察されました。従来のMoore法で補正された画像（図(e)）では、画像全体にかなりのぼやけが見られました。一方、提案手法を用いた44ピンホールの静止型データ収集（図(f)）では、ピンホール数の増加により投影データが増加したことで、量子ノイズと再構成アーチファクトが抑制されました。さらに、検出器を1回60度回転させて6つの角度位置でデータを取得する準静止型データ収集（図(g)）では、アーチファクトがさらに低減され、灰白質と白質の解剖学的構造が理想的な画像に近づきました。再構成画像の定量的評価結果をまとめた

**Table 1.** Table 1 is available in the Supplementary Files section.解説: 論文の補足資料として提供されている表であり、再構成画像の定量的評価結果（NMSE、PSNR、SSIM値）がまとめられています。⚠ 自動抽出画像の検証で一致を確認できませんでした。正確な内容は元論文のTable 1をご参照ください。

によると、準静止型データ収集の44ピンホール構成が、他のすべての再構成方法（ファンビーム再構成、11ピンホール静止型収集、44ピンホール静止型収集を含む）と比較して、有意に高いPSNR値を示しました（p=0.05）。また、NMSEにおいても、ファンビーム再構成に匹敵するエラーレベルを維持しつつ、Moore法、11ピンホール静止型収集、および44ピンホール静止型収集と比較してエラーを大幅に削減しました（p=0.05）。これらの改善は、ピンホール数の増加によってガンマ線の検出方向が増え、再構成アーチファクトが減少し、再構成画像の定量的正確性が向上したことに起因すると考えられます。

考察：深層学習によるSPECT画像改善の意義

本研究で提案された深層学習ベースのフレームワークは、マルチピンホールSPECTの主要な課題である投影データの重なり分離と、ガンマ線減弱・散乱・量子ノイズ・アパーチャ効果といった物理的画質劣化要因の同時補正を高い精度で実現できることを示しました。特に、44ピンホール構成から生じる重なり投影データを個々のピンホール投影に正確に分離できたことは、ピンホール数を増やして感度を向上させつつ、空間分解能を高めるための投影拡大を同時に可能にするという点で大きな意義があります。また、この統合フレームワークのもう一つの重要な利点は、減弱や散乱といった物理的劣化要因をCNNが直接補正することです。これにより、これらの補正項を画像再構成プロセスに明示的に組み込む必要がなく、標準的なML-EMアルゴリズムを用いて簡潔に画像再構成を行える点が挙げられます。これは、高感度・高解像度の静止型マルチピンホールSPECTイメージングを実用化する上で、その手順を簡素化し、大きな可能性を示しています。従来のMoore法は反復再構成プロセスに投影重なりの確率モデルを組み込むものですが、本研究で想定されたわずか3方向の静止型収集データに適用した場合、投影角度不足と量子ノイズの増加によりアーチファクトが悪化することが示され、その補正性能は限定的でした。また、従来の減弱・散乱補正手法（CTベースの減弱補正やTEW法による散乱補正など）には、追加の放射線被ばく、システムコストの増加、SPECTとCT間の位置ずれによるアーチファクトといった課題がありました。PET分野では深層学習を用いたCT不要の減弱・散乱補正が提案されていますが、物理的特性が異なるSPECT投影データに直接適用することは困難でした。しかし、本提案手法は、レイ・トレーシングによって生成された理想的な投影データをターゲットデータとしてU-Net++を学習させることで、CT画像不要で減弱・散乱効果を投影データレベルで補正することを可能にしました。これにより、追加の放射線被ばくを排除し、SPECT/CT間の位置ずれによるアーチファクトのリスクを回避できます。さらに、有限なピンホール開口による幾何学的ぼやけについても、計算コストの高いシステム行列計算なしで対応できる利点があります。本研究では脳SPECT画像が評価されましたが、脳の減弱分布のバリエーションは比較的小さいため、CNNが効果的に機能したと考えられます。心臓画像のような減弱係数が大きく異なる部位への適用については、低エネルギーガンマ線データからµ-mapを推定するなどの拡張アプローチが将来的に必要となる可能性があります。今後の研究では、臨床対象者のデータを用いた有効性の評価や、他の臓器への適用可能性が検討されるでしょう。

結論：次世代SPECTイメージングへの道

本研究では、三検出器マルチピンホールSPECTシステムにおいて、U-Net++を用いた投影重なりの分離と物理的画質劣化の補正を同時に行う新しい深層学習ベースの手法を提案し、その性能を評価しました。結果として、44ピンホール構成で発生する重なり投影をCNNによって個々のピンホールグループ投影に正常に分離できることが実証されました。さらに、提案手法は体内のガンマ線減弱・散乱効果を学習し、減弱係数マップ（µ-map）を必要とせずに物理的補正を同時に達成できることが示されました。このアプローチは、X線CTによる追加被ばくやシステムのコストを削減しつつ、高感度、高解像度、そして定量的に正確なSPECT画像診断を可能にする可能性を秘めています。これは、核医学イメージングの未来を大きく変える一歩となるでしょう。

用語集

SPECT: シングルフォトンエミッションCT。放射性薬剤から放出されるガンマ線を検出し、体内の分布を三次元画像化する検査です。
マルチピンホールコリメータ: 多数の小さな穴（ピンホール）を持つ装置。ガンマ線を特定の方向に集中させて検出することで、感度と空間分解能を向上させます。
深層学習（ディープラーニング）: 人間の脳神経回路を模したニューラルネットワークを用いて、データから特徴を自動的に学習する機械学習の一手法です。
U-Net++: 医療画像分野で広く用いられる、画像セグメンテーションなどに優れた畳み込みニューラルネットワーク（CNN）の発展形です。
投影データ: ガンマカメラが対象物を様々な角度から撮影して得られる二次元の画像データです。
減弱（げんじゃく）: 体内を通過するガンマ線が、組織に吸収されて強度が減少する現象。SPECT画像にアーチファクトや定量的誤差を引き起こします。
散乱（さんらん）: 体内を通過するガンマ線が、組織の原子と衝突して進行方向やエネルギーが変化する現象。SPECT画像のコントラストや空間分解能を低下させます。
量子ノイズ: 放射性崩壊の統計的変動に起因するランダムな信号のゆらぎ。特に低カウント条件で画像品質に影響を与えます。
アパーチャ効果: ピンホールの有限な開口径に起因する画像のぼやけのことです。
µ-map（ミューマップ）: ガンマ線の減弱係数分布を示すマップ。通常、X線CT画像から作成され、SPECT画像の減弱補正に用いられます。
Monte Carloシミュレーション: ガンマ線が体内を伝播する過程を確率的に再現し、物理現象を詳細に模倣する計算手法です。
レイ・トレーシング: 光線追跡法とも呼ばれ、幾何学的な光線の経路を追跡して画像を生成する手法。理想的な投影データを計算する際に用いられます。
ML-EM法: 最尤度期待値最大化法。SPECT画像再構成で広く用いられる反復計算アルゴリズムの一つです。
NMSE: 正規化平均二乗誤差。画像間の誤差を定量的に評価する指標で、値が小さいほど誤差が少ないことを示します。
PSNR: ピーク信号対雑音比。画像品質を評価する指標で、値が高いほど信号に対するノイズが少なく、画質が良いことを示します。
SSIM: 構造的類似性指標。人間の視覚システムに基づいて画像間の類似性を評価する指標で、値が高いほど類似性が高いことを示します。
Moore法: マルチピンホールSPECTにおける投影データの重なりを分離するための従来の反復再構成手法の一つです。
TEW法: トリプルエネルギーウィンドウ法。SPECT画像におけるコンプトン散乱線を補正するための手法の一つです。