磁気粒子画像法(MPI)を高精細化：トレーニング不要の超解像PnPアルゴリズム「MPISuperRes-PnP」

9月 12, 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: MPISuperRes-PnP: a super-resolution zero-shot plug-and-play reconstruction algorithm for magnetic particle imaging
Physics in Medicine and Biology｜被引用数: 0（2026年9月12日時点）

磁気粒子画像法（MPI）は、放射線被ばくがなく、高感度かつ高空間分解能を誇る次世代の医療画像診断モダリティとして注目されています。しかし、現在のMPI再構成では、得られる空間グリッドが粗いという課題があります。この課題を解決するため、本記事ではエネルギー最小化に着想を得た超解像手法「MPISuperRes-PnP」アルゴリズムについて、そのメカニズムと実際のデータへの適用結果を詳しく解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	ゼロショット学習により希少なMPIトレーニングデータが不要で、既存デノイザーを活用。
Ethical倫理面	電離放射線や放射性トレーサーを使用しないため、対象者へのリスクが低い。
Interesting面白さ	深層学習の利点をトレーニングなしで取り入れ、高空間分解能を達成する革新的なアプローチ。
Novel新規性	超解像と再構成を統合したPnP型手法を導出し、ゼロショットデノイザーと組み合わせた新規性。
Relevant切実さ	MPIの空間解像度向上は、診断精度向上や新たな医療応用開拓に直結し、臨床的意義が大きい。
Measurable測定可能性	シミュレーションデータでPSNRやSSIMなどの客観的指標で定量的評価が可能。
Modifiable派生・改善	超解像アプローチは汎用的で、将来的に異なる正則化器や画像タスクへの応用が可能。
Structured文章構造	エネルギー最小化の数学的定式化に基づき、明確な反復スキームでアルゴリズムが構成されている。
PICO / PECO対象・介入・比較・結果	対象者: MPIを受ける対象者。介入: MPISuperRes-PnP。比較: 既存の再構成・超解像手法。結果: 高解像度でアーティファクトが少ないMPI画像。

磁気粒子画像法（MPI）の可能性と高解像化の課題

どうも、Beyond the Pixelです。医療画像診断の世界は日々進化を遂げていますが、特に磁気粒子画像法（MPI）は、そのユニークな特性から大きな期待が寄せられています。MPIは、体内に導入された磁性ナノ粒子の非線形応答を利用して画像を生成する技術で、X線CTやPETのような電離放射線や放射性トレーサーを使用しないため、対象者にとって非常に安全です。さらに、MRIと比較して取得時間が短く、高感度であるという利点もあります。このようなメリットから、MPIはがんの検出や画像化、幹細胞の追跡、血流および心血管系の画像化、医療用インプラントの安全性評価など、多岐にわたる医療応用が提案されています。しかし、現状のMPIでは、取得される空間グリッドが粗く、より詳細な情報を得るための超解像技術が不可欠とされています。

MPISuperRes-PnP：ゼロショット深層学習で超解像を実現

本研究で提案されている「MPISuperRes-PnP」は、このMPIにおける超解像再構成の課題に取り組む画期的なアルゴリズムです。従来の超解像手法には、システム行列をアップスケールする方法や、再構成結果を補間する方法などがありました。MPISuperRes-PnPは、エネルギー最小化の枠組みの中で超解像を再構成タスクに組み込み、プラグアンドプレイ（PnP）アプローチを応用しています。具体的には、ガウスノイズ除去タスクを、事前に学習された深層学習ベースのガウスノイズ除去器（デノイザー）で処理する分割スキームを導出しています。このアプローチの最大の利点は、トレーニングデータを必要とせずに深層学習の恩恵を享受できる「ゼロショット」方式である点にあります。現在のところMPIのトレーニングデータは希少であるため、この特性は非常に重要です。

MPI再構成の基本と超解像の必要性

MPIにおける画像再構成は、測定された信号から磁性ナノ粒子の濃度分布を推定するプロセスです。通常、このプロセスは「システム行列」（A）と呼ばれる行列を用いる「測定ベース」のアプローチで行われます。システム行列は、視野内の各ピクセルまたはボクセルに配置された既知の濃度の粒子（デルタプローブ）をスキャンすることで取得されます。この校正プロセスは非常に時間がかかる場合があります。例えば、2Dの場合、再構成の解像度を2倍にするには、4倍のデルタプローブをスキャンする必要があり、数時間を要することもあります。これが、超解像技術が強く求められる理由です。測定された信号（f）とシステム行列（A）、そして推定される粒子分布（x）の関係は f = Ax + η のようにモデル化され、ノイズ（η）やシステム行列の悪条件性に対応するため、通常はTikhonov正則化などの正則化技術が不可欠となります。

プラグアンドプレイ（PnP）アプローチの詳細

プラグアンドプレイ（PnP）アプローチは、様々な画像処理タスクやコンピュータービジョンタスクに応用されている深層学習ベースの再構成手法の一種です。PnPは、古典的な正則化逆問題を解くステップと、ガウスノイズ除去を適用するステップを交互に繰り返す反復スキームを特徴とします。ガウスノイズ除去は、深層学習分野で多くの優れたモデルが利用可能であり、これらを「プラグイン」することで、反復スキームを完成させることができます。MPISuperRes-PnPは、このPnPアプローチを超解像MPI再構成に応用しています。具体的には、データ適合項（測定信号と推定粒子分布の誤差）と正則化項（画像が持つべき特性を課す）を分離し、データ適合項は低解像度変数、正則化項は高解像度変数に作用するように定式化します。そして、これら二つの変数の間の整合性を保つための制約を導入します。

MPISuperRes-PnPアルゴリズム：ゼロショットデノイザーの活用

MPISuperRes-PnPアルゴリズムは、エネルギー最小化問題を半二次分割（Half-Quadratic Splitting）のラグランジュ関数を用いて反復的に解くことで導出されます。これにより、xk+1_dを更新するTikhonov型問題（線形システム）と、xk+1_uを更新するガウスノイズ除去問題の二つのサブ問題に分割されます。

**Table 1.** Table 1: Results of the validation on the MPI-MNIST dataset displayed in figure 1.解説: 図1に示されるMPI-MNISTデータセットでの検証結果がまとめられています。Super2(A45×51)とU2(A45×51)の超解像係数s、再構成グリッド、最適なハイパーパラメータ（µ0、nit）、および得られた平均PSNRとSSIMスコアが示されています。

はこの手法の検証結果を示しており、MPISuperRes-PnPがベースライン手法と比較して優れた性能を発揮していることがわかります。ガウスノイズ除去のステップでは、深層学習ベースのデノイザーである「Deep Denoiser Prior」（DRUNetアーキテクチャ）が「ゼロショット」方式で利用されます。これは、MPI固有のデータで再トレーニングやファインチューニングを行うことなく、事前学習済みのデノイザーをそのまま使用することを意味します。DRUNetは、U-NetとResNetを組み合わせたCNNアーキテクチャであり、様々な画像データセットで学習されています。このゼロショットの特性は、現在入手が困難なMPIのトレーニングデータを必要としないため、MPISuperRes-PnPの大きな強みとなっています。また、このデノイザーは「ハルシネーションアーティファクト」（幻覚的ノイズ）と呼ばれる偽の構造を生成しない保守的な振る舞いをすることが確認されています。さらに、本アルゴリズムでは、Tikhonovパラメータとノイズレベルを自動的に更新する戦略が導入されており、これによりハイパーパラメータの調整が効率化されます。

**Figure 1.** Figure 1: Average PSNR, SSIM and relative L2-norm curves over the selected phantoms in the MPI-MNIST dataset for a variety of µ0 parameters for the three methods. We observe that in most cases the maximum PSNR value is reached before the tolerance is reached by the L2-norm criterion.解説: MPI-MNISTデータセットにおけるMPISuperRes-PnP（Super2(A45×51)）とベースライン手法（U2(A45×51)）の平均PSNR、SSIM、相対L2ノルム曲線を示しています。様々なµ0パラメータにおける反復ごとの変化が描画されており、PSNRの最大値が相対L2ノルム基準の許容範囲に達する前に到達するケースが多いことが示されています。

は、MPISuperRes-PnPのパラメータ検証結果を示しており、PSNR、SSIM、相対L2ノルム曲線の変化が視覚化されています。

MPISuperRes-PnPの性能評価：実験結果

本研究では、提案手法の有効性を検証するため、様々なMPIデータセットを用いて実験を行いました。まず、シミュレーションデータであるMPI-MNISTデータセットでの再構成結果です。このデータセットは、手書き数字のMNISTデータセットを基に、リアルなノイズを加えたMPI測定をシミュレートしたものです。システム行列A45×51（45×51グリッドで校正）を用いて、超解像係数s=2でMPISuperRes-PnP（Super2(A45×51)）を適用し、システム行列を補間して超解像化したベースライン手法（U2(A45×51)）と比較しました。（表1）に示すように、MPISuperRes-PnPはベースライン手法よりも高いPSNRおよびSSIM値を示し、定量的に優れた再構成結果を達成しました。

**Figure 2.** Figure 2: Final reconstructions examples on five selected phantoms in the MPI-MNIST dataset. In the first row, we have the 15 × 17 ground truths. In the second row, we display the reconstruction results obtained with MPISuperRes-PnP algorithm with a super-resolution factor s = 2. In the third row, we display the reconstructions obtained with the ZeroShot-PnP algorithm using the interpolated As45×s51 system matrix. U2(A45×51) denotes the fact that we are upsampling the columns of the matrix A45×51 using bilinear interpolation and use this upsampled matrix for the reconstruction. Comparing the second with the third row, we observe that the results with MPISuperRes-PnP algorithm present less artifacts than the results obtained by super-resolving the system matrix.解説: MPI-MNISTデータセットにおける、5つの選択されたファントムの最終的な再構成例を示しています。最初の行は15×17のグランドトゥルース、2行目は超解像係数s=2のMPISuperRes-PnPアルゴリズム（Super2(A45×51)）による再構成結果、3行目は補間されたシステム行列A45×51を用いたZeroShot-PnPアルゴリズム（U2(A45×51)）による再構成結果です。MPISuperRes-PnPの方がアーティファクトが少ないことが見て取れます。

は、MPI-MNISTデータセットにおける再構成例です。視覚的にも、MPISuperRes-PnPによる結果は、ベースライン手法に比べてアーティファクトが少ないことが確認できます。ただし、MPI-MNISTデータセットのグランドトゥルース（真値）は元々15×17グリッドの解像度で生成されており、より高解像度の特徴が構造的に不足しているため、超解像の評価には限界があることも指摘されています。

MPI-CHARデータセットでの高解像度評価

MPI-MNISTデータセットの限界を克服するため、本研究では高解像度の特徴を持つグランドトゥルースで構成されたシミュレーションデータセット「MPI-CHAR」を作成しました。これは、既存のフォントデータセットから75×85グリッドの文字画像を生成し、MPI-MNISTデータセットと同様のノイズを加えてシミュレートしたものです。このデータセットを使用し、粗いシステム行列A15×17から、超解像係数s=3およびs=5を用いてMPISuperRes-PnPによる再構成を行い、超解像なしのZeroShot-PnP（ZS-PnP(A15×17)）と比較しました。

**Table 2.** Table 2: Results of the validation procedure in figure 3 on the MPI-CHAR dataset. We observe that compared with the low-resolved reconstruction using A15×17, the employment of MPISuperRes-PnP yields higher PSNR and SSIM scores.解説: 図3に示されるMPI-CHARデータセットでの検証手順の結果を示しています。低解像度のA15×17を用いた再構成と比較して、MPISuperRes-PnPを用いることでより高いPSNRおよびSSIMスコアが得られることがわかります。ZS-PnP(A15×17)、Super3(A15×17)、Super5(A15×17)の超解像係数s、再構成グリッド、最適なハイパーパラメータ（µ0、nit）、PSNR、SSIM、および処理時間が示されています。

に示す結果から、MPISuperRes-PnPを用いた超解像再構成が、超解像なしの再構成よりも高いPSNRおよびSSIMスコアを達成していることがわかります。

**Figure 3.** Figure 3: Average PSNR, SSIM and relative L2-norm curves over the selected phantoms in the MPI-CHAR dataset for a variety of µ0 parameters for the three methods.解説: MPI-CHARデータセットにおける、ZS-PnP(A15×17)、Super3(A15×17)、Super5(A15×17)の3つの手法について、様々なµ0パラメータでの平均PSNR、SSIM、相対L2ノルム曲線を示しています。

は、MPI-CHARデータセットにおけるパラメータ検証時のPSNR、SSIM、L2ノルム曲線を示しています。また、

**Figure 4.** Figure 4: A selection of final reconstruction results on the MPI-CHAR dataset. In the first (top) row we display the ground truths on the native 75×85 scale. In the other rows, we display reconstructions obtained using the A15×17. In the second row, no super-resolution has been introduced, where in the third and fourth row we display reconstruction with MPISuperRes-PnP using a scaling factor s of 3 and 5, respectively.解説: MPI-CHARデータセットにおける最終再構成結果の一部を示しています。最上段はネイティブな75×85スケールのグランドトゥルース。2段目はA15×17を用いた超解像なし（ZS-PnP）の再構成。3段目と4段目はそれぞれ超解像係数sが3と5のMPISuperRes-PnPによる再構成です。

の再構成例では、MPISuperRes-PnPが低解像度のシステム行列からでも、グランドトゥルースの持つより詳細な特徴を再構築できることが定性的にも示されています。この結果は、MPISuperRes-PnPが基となるファントムのより微細な特徴を捉える上で有効であることを明確に示しています。

2D OpenMPIデータセットでの実データ検証

次に、実際のMPIスキャンデータを含むOpenMPIデータセットを用いて、MPISuperRes-PnPの実データへの適用可能性を評価しました。このデータセットには、形状、解像度、濃度の3種類のファントムのリアルなスキャンデータと、19×19および37×37グリッドで校正された2種類のシステム行列が含まれています。ここでは、高解像度のシステム行列A37×37を用いた再構成を、ファントムの真の（近似的な）特徴を示す比較基準として使用し、低解像度のシステム行列A19×19とMPISuperRes-PnP（超解像係数s=2,3,4,5）を用いた再構成と比較しました。

**Figure 5.** Figure 5: Reconstructions on the 2D OpenMPI dataset. In the top and fourth row, we have recon- structions performed with ZS-PnP using the two matrices A37×37 and A19×19, provided within the dataset. For reference, we have provided reconstruction with Tikhonov using the 19 × 19 system matrix in row 2, and with Tikhonov using the 37×37 matrix in row 3. The reconstructions displayed in rows 5-8 are obtained with MPISuperRes-PnP and A19×19 with a super-resolution factor s ranging from 2 to 5. We observe that using MPISuperRes-PnP helps reconstruct fine-resolution features of the phantoms starting from the same system matrix A19×19 (cf. the rows 4-7 with 1 and 2).解説: 2D OpenMPIデータセットにおける再構成結果を示しています。上段と4段目は、データセットに含まれる2つのシステム行列A37×37とA19×19を用いたZS-PnPによる再構成です。比較のために、2段目にはA19×19、3段目にはA37×37を用いたTikhonov再構成も示されています。5段目から8段目は、A19×19と超解像係数sが2から5までのMPISuperRes-PnPによる再構成です。

は、OpenMPIデータセットにおける様々な再構成結果を示しています。A19×19を用いた場合、ファントムの微細な特徴（例えば、解像度ファントムの側面分岐や濃度ファントムの対角上の点）が失われることが観察されましたが、MPISuperRes-PnPを適用することで、これらの失われた特徴が再構築され、より鮮明な画像が得られることが示されました。このことは、MPISuperRes-PnPが、低解像度のシステム行列から出発して、実MPIシナリオにおいて超解像画像を再構成する上で有用であることを裏付けています。ただし、超解像係数sが大きくなると、例えば形状ファントムでハローのようなアーティファクトが発生する可能性も示唆されています。

**Figure 6.** Figure 6: Reconstruction results with Tikhonov and MPISuperRes-PnP with s = 4 for a variety of parameters µ0. We observe that if the regularization parameter µ0 is not high enough, the Tikhonov reconstructions present halo-like artifacts around the phantom; interestingly, for similar parameters, the MPISuperRes-PnP algorithm yields reconstruction artifacts that can be traced back to the artifacts obtained with Tikhonov.解説: Tikhonov法とMPISuperRes-PnP（s=4）を用いた再構成結果を、様々なµ0パラメータで比較しています。(a)はTikhonov法、(b)はMPISuperRes-PnPの結果です。Tikhonov再構成ではパラメータµ0が十分に高くない場合、ファントム周辺にハロー状のアーティファクトが見られることが示されています。

では、Tikhonov再構成とMPISuperRes-PnP再構成におけるアーティファクトの比較が示されており、高すぎるs値では、Tikhonov再構成で生じるアーティファクトがMPISuperRes-PnPで強調される可能性が示唆されています。

EMWAデータセットでの定性的な超解像評価

さらにMPISuperRes-PnPのリアルデータにおける超解像能力を示すため、EMWAデータセットでの再構成を行いました。このデータセットには6つのファントムのスキャンデータと、15×17グリッドで校正されたシステム行列が含まれています。グランドトゥルースや高解像度のシステム行列は提供されていないため、ファントムの写真との定性的な比較を行いました。

**Figure 7.** Figure 7: Reconstructions on the EMWA dataset using the provided system matrix calibrated on a 15 × 17 grid using the ZS-PnP algorithm as well as MPISuperRes-PnP with a scale factor s of 2,3 and 5.解説: EMWAデータセットにおいて、提供された15×17グリッドで校正されたシステム行列を使用し、ZS-PnPアルゴリズムおよび超解像係数sが2、3、5のMPISuperRes-PnPによる再構成を示しています。一番上の行はファントムの写真（GT）です。

は、EMWAデータセットにおける様々な再構成結果とファントムの写真を示しています。15×17グリッドでの非超解像再構成と比較して、MPISuperRes-PnPアルゴリズムは、ファントムの特定の（例えば、アイスクリームファントムの先端やカタツムリファントムのより鮮明な構造）特徴をよりシャープに再構成できることが観察されました。ただし、ここでも超解像係数sが3以上になると、カタツムリファントムで形状アーティファクトが見られるなど、高すぎる超解像係数でアーティファクトが発生する傾向が確認されました。これは、MPIにおける超解像手法で報告されている一般的な振る舞いと一致しています。

まとめ：MPI超解像の未来を切り開くMPISuperRes-PnP

本記事では、磁気粒子画像法（MPI）のための超解像プラグアンドプレイ（PnP）再構成手法である「MPISuperRes-PnP」について解説しました。このアルゴリズムは、ゼロショットデノイザーである「Deep Denoiser Prior」のノイズ除去能力を活用しています。超解像の導入は、特定のコスト関数を最小化する分割スキームを用いて導出され、その数学的根拠が提供されています。実験結果は、MPI-MNISTおよびMPI-CHARデータセットを用いた定量的評価と、OpenMPIおよびEMWAデータセットを用いた定性的評価の両方で、本手法の有効性を示しました。特に、MPIトレーニングデータが不足している現状において、トレーニング不要で深層学習の恩恵を享受できるゼロショットアプローチは、MPISuperRes-PnPの大きな利点です。また、ハルシネーションアーティファクトの抑制や、異なる正則化器や画像タスクへの汎用的な適用可能性も、今後のMPI研究における本手法の貢献として期待されます。研究の限界としては、超解像係数が高すぎるとアーティファクトが生じる可能性がある点が挙げられますが、これはさらなる研究で改善される可能性があります。

用語集

Magnetic Particle Imaging (MPI): 磁性ナノ粒子の応答を利用し、放射線被ばくなく体内の粒子分布を画像化する医療画像診断法。
超解像 (Super-resolution): 低解像度の画像から高解像度の画像を生成する技術。
プラグアンドプレイ (Plug-and-Play, PnP): 正則化逆問題とノイズ除去を交互に実行する反復再構成アルゴリズム。ノイズ除去部分に既存の深層学習モデルなどを「プラグイン」して利用する。
システム行列 (System Matrix): MPIにおいて、測定された信号から粒子濃度を再構成するために用いられる行列。校正によって取得される。
ゼロショットデノイザー (Zero-shot denoiser): 特定のタスクのトレーニングデータを別途用意することなく、汎用的にノイズ除去を行うために使用される、事前学習済みのデノイザー。
エネルギー最小化 (Energy Minimization): 画像処理や再構成問題において、目的関数（エネルギー関数）を最小化することで最適な解を求めるアプローチ。
Tikhonov正則化 (Tikhonov Regularization): 逆問題において、解の安定性を高めるためにL2ノルムのペナルティ項を加える正則化手法。
ガウスノイズ除去 (Gaussian Denoising): 画像からガウス分布に従うノイズを除去する処理。
DRUNet: U-NetとResNetのアーキテクチャを組み合わせた、深層学習ベースの高性能なCNN（畳み込みニューラルネットワーク）。