胎児MRIにおける自動スライス-トゥ-ボリューム再構成：MONAIによる臨床実装と検証

9月 3, 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: Clinical Implementation and Validation of Automated Slice-to-Volume Reconstruction for Fetal MRI Using a Vendor-Neutral MONAI-Based Imaging Informatics Pipeline
Journal of Imaging Informatics in Medicine｜被引用数: 0（2026年9月3日時点）

胎児MRIは胎児の構造異常評価に不可欠ですが、胎動による画質劣化が課題でした。本研究は、オープンソースのMONAIとDICOMルーティングを活用し、胎児MRIの「スライス-トゥ-ボリューム再構成（SVR）」を完全に自動化する、ベンダーニュートラルな画像情報学パイプラインの臨床実装とその性能を検証しました。この革新的なシステムは、動き補正された3次元再構成画像を、日常の臨床ワークフロー内で迅速かつ信頼性高くPACSに提供できることを実証しています。

研究サマリー（FINER & PICO）

Feasible実施可能性	DICOMベース、ベンダーニュートラルなMONAIパイプラインは、臨床ワークフローに統合され自動胎児MRI SVRを運用可能であることを示した。
Ethical倫理面	倫理委員会の承認を得て、遡及的分析でありインフォームドコンセントは免除された。
Interesting面白さ	胎児MRIにおける胎動による課題に対し、自動SVRによる3D再構成は画質向上と標準化に貢献する。
Novel新規性	既存のオープンソースSVRツールを臨床ワークフローに完全に自動化された形で展開した点は新規性がある。
Relevant切実さ	胎児の構造異常評価において重要な役割を果たす胎児MRIの診断価値向上に直結する。
Measurable測定可能性	再構成の許容度、専門家間の一致度、失敗モード、PACSへの可用性までの時間という定量的な指標で評価された。
Modifiable派生・改善	失敗要因の分析により、入力スタックの選択や撮像プロトコル改善によるSVR性能の向上が期待される。
Structured文章構造	遡及的実装研究として、明確な対象者選択基準、評価方法（Likertスケール、ICC）、および主要評価項目が設定された。
PICO / PECO対象・介入・比較・結果	P(胎児MRI検査を受けた単胎妊娠の胎児), I(自動SVRパイプライン), C(なし), O(再構成画質の許容度、専門家間信頼性、運用時間、失敗モード)。

はじめに：胎児MRIの課題とSVRの可能性

どうも、Beyond the Pixelです。胎児MRIは、胎児の構造異常を評価する上で超音波検査を補完する重要な役割を担っています。しかし、胎児の動きや母体の呼吸によって生じる動きのアーチファクト（画像上の不要なノイズ）に弱く、特に羊水過多の場合や妊娠初期の撮像ではその影響が顕著になります。これらの影響を軽減するため、MRIプロトコルでは複数の高速単一ショット高速スピンエコー（SSFSE）シーケンスが多面で取得されます。これにより動きの影響は緩和されるものの、結果として膨大な数の冗長な画像シーケンス（時には数百から数千枚）が生成され、個別の読影に時間と労力を要するという課題がありました。
この課題に対処するために開発されたのが、スライス-トゥ-ボリューム再構成（SVR）技術です。SVRは、複数の2次元画像スタックから、スライス間の動きをレトロスペクティブ（遡及的）に補正し、アイソトロピック（等方性）な3次元ボリューム画像を再構成する手法です。これにより、胎児の解剖学的構造の視覚化が向上し、標準化された体積測定や臓器の自動セグメンテーション（領域分割）が容易になります。本研究では、このSVR技術を臨床現場に導入し、その性能と信頼性を評価する自動化されたシステムについて報告しています。

自動化されたSVRパイプラインの構築：MONAIとDICOMの活用

これまでSVRは主に研究環境で利用されており、手動での症例選択やオフラインでのデータ転送・処理、あるいは日常の放射線科ワークフローに統合されていない特殊な研究インフラが必要でした。このような制約が、SVRの広範な臨床導入を妨げていました。近年、特定ベンダー（機器メーカー）のMRI装置に統合されたSVRソリューションも提案されていますが、これらは特定のメーカーに限定され、多様なMRIプラットフォームを持つ医療施設全体への普及を難しくしています。
本研究では、この課題を解決するため、オープンソースのMedical Open Network for Artificial Intelligence（MONAI）を活用した、ベンダーニュートラル（特定の機器メーカーに依存しない）な画像情報学パイプラインを開発しました。このパイプラインは、DICOMルーティング（医療画像データを自動で適切な場所に転送する仕組み）とMONAI Deploy Express（MONAIアプリケーションを臨床環境で展開・実行するフレームワーク）を使用し、胎児MRIのSVRを完全に自動化します。具体的には、MRIスキャナーから取得された画像はDICOMルーターに送られ、そこでSVR処理が必要なシリーズが自動的に識別されます。識別されたシリーズはMONAI Deploy Expressインスタンスに転送され、オープンソースのSlice-to-Volume Reconstruction ToolKit（SVRTK）を用いて胎児脳および体部の動き補正SVR再構成が実行されます。再構成されたボリューム画像は、DICOMオブジェクトとしてPACS（医療画像を保存・管理するシステム）に返送され、専門家が確認できる状態になります。

**Figure 1.** Fig. 1 DICOM router SVR filtering rules for automated clinical deployment. Compass filters and holds DICOM images that have DICOM metadata indicating Study Description of “MRI FETAL,**解説:** DICOMルーターが、特定の条件（胎児MRI検査、T2強調脳・体部シーケンス）に合致するDICOM画像をMONAI展開インスタンスへ転送する自動フィルター設定を示しています。

**Figure 2.** Fig. 2 Workflow diagram for automated SVR clinical deployment. “MRI FETAL, SINGLE” studies are acquired on the modality and are sent through the Compass DICOM router to PACS. The DICOM router also identifies image series matching the predetermined rout- ing rules. Matched series are duplicated and sent to the dedicated解説: 自動SVRの臨床展開ワークフロー図です。MRIスキャナーからDICOMルーターを介して、SVR処理が必要なシリーズがMONAI Deploy Expressインスタンスに送られ、処理後にPACSに返される流れが示されています。

このシステムは、手動での介入なしに適切な画像シリーズを自動で選択し、DICOM形式のデータフローを維持しつつ、高い信頼性で再構成を実行します。これにより、監査可能性を保ちながら、再構成結果が臨床的に使用可能なDICOMオブジェクトとしてPACSに返送されるまでの一連のプロセスを、臨床的に実用的な時間枠で実現しました。本研究で使用されたシステムの詳細な構成は、

**Table 1.** Table 1 Deployment configuration and reproducibility details解説: 本研究で使用されたMONAI Deploy Expressのバージョン、SVRTKのソース、使用されたハードウェア、DICOMルーターの設定、SVR処理のパラメータなど、展開構成と再現性の詳細を示しています。

に示されています。

研究デザインと対象者：構造異常を持つ胎児での評価

本研究は、2025年10月から12月にかけて、ある三次胎児医療センターで実施された単胎妊娠の胎児MRI検査を対象とした遡及的な実装および検証研究です。倫理委員会の承認を得て、インフォームドコンセントは免除されました。
計67件の検査がDICOMルーティングによってパイプラインに送られましたが、そのうち2件は技術的なワークフローイベント（SVR性能評価の対象外となる外部からのMRI検査データなど）であったため、臨床性能分析からは除外されました。残りの65件の検査が画質評価の対象となりました。対象者の平均妊娠週数は28.9週（範囲：19～36週）で、ほとんどの胎児に構造異常が見られました。臨床的適応症と最終診断の内訳は、

**Table 2.** Table 2 Primary fetal diagnostic category解説: 本研究の対象となった胎児の主要な診断カテゴリーとその割合を示しています。脳の病変が最も多く（30.8%）、肺の病変がそれに続いています。

と

**Table 3.** Table 3 Specific fetal diagnoses in the validation cohort解説: 検証コホートにおける特定の胎児診断とその割合を示しています。脳室拡大、気管支肺病変、多発奇形などが主な診断でした。

にまとめられています。脳の奇形が最も一般的な臨床的適応症であり（30.8%）、続いて胸部/肺の病変（21.5%）でした。構造的に正常であった胎児はわずか2例（3.1%）であり、検証が主に構造異常を持つ胎児において行われたことを示しています。

再構成の質と専門家間信頼性、そして運用時間

再構成された画像の評価は、3名のフェローシップ（専門的な研修）を修了した胎児放射線専門家が、5段階のリッカート尺度（1＝失敗/診断不能、5＝優れた再構成品質）を用いて独立して行いました。
その結果、脳のSVRは65件中59件（90.8%）で「合格以上」と評価され、45件（69.2%）が「平均以上または優れている」と評価されました。体部のSVRでは、65件中57件（87.7%）が「合格以上」と評価され、25件（38.5%）が「平均以上または優れている」と評価されました。

**Figure 4.** Fig. 4 Successful automated fetal brain and body slice-to-volume reconstruction and production PACS integration. A Representative images selected from routine two-dimensional T2-weighted single- shot fast spin-echo source stacks in a 32-week, 3-day male fetus referred for evaluation of possible third ventriculomegaly, demon- strating variable acquisition orientations. B Corresponding isotropic brain slice-to-volume reconstruction displayed in axial and sagittal reformats. C Production PACS series list confirming return of the解説: 胎児の脳と体部の自動スライス-トゥ-ボリューム再構成が成功し、PACSに統合された事例を示しています。図Aは、32週3日の男児胎児のルーチンな2次元T2強調単一ショット高速スピンエコーソーススタックから選択された代表的な画像で、様々な撮像方向を示しています。

SVR画像の画質評価における専門家間の一致度（信頼性）は、脳（ICC3k: 0.93）および体部（ICC3k: 0.92）ともに「優れている」という結果でした。
運用面では、最終的な運用ワークフローへの移行後、57件の連続処理された検査において、PACSへのSVR出力の可用性までの中央時間は、脳SVRで10分28秒、体部SVRで11分50秒でした。これらの結果は、自動SVRが臨床的に実用的な時間枠で、専門家が許容できる再構成画像を生成できることを示しています。

再構成の失敗要因：今後の改善点

再構成が失敗したケース（リッカート尺度で1と評価されたもの）について、専門家による合意形成に基づいた失敗要因分析が行われました。

**Table 4.** Table 4 Failure mode analysis based on radiologist review解説: 放射線専門家によるレビューに基づいた再構成失敗要因の分析結果です。不十分な入力データや重度の胎動が主な失敗要因として挙げられています。

最も一般的な失敗要因は、不適切なまたは不十分な入力スタック（重度の胎動による劣化や、診断に有用なSSFSEスタックの数や方向の多様性が不足しているなど）でした。これには、動きによる画像劣化が著しいケース（4件）や、入力スタックが不十分なケース（5件）が含まれます。これらの失敗は、自動シリーズ選択の誤りではなく、本質的に限られたソースデータに起因するものでした。
その他の要因としては、羊水量の極端な状態（羊水過多や羊水過少）（3件）、複雑な病変による重度の解剖学的歪み（3件）、そして妊娠初期（20週）（1件）が挙げられました。これらの知見は、SVRアルゴリズムの性能だけでなく、入力データの質と一貫性が臨床的な導入成功に不可欠であることを強調しています。これは、今後の入力スタックの自動選択の改善や、困難な検査に対する撮像プロトコルの最適化といった、具体的な改善目標を示唆しています。また、ルーチン臨床展開時に失敗率をさらに低減するためには、最低限のスタック取得閾値を設けることも有効であると考えられます。

本研究の意義と今後の展望

本研究は、オープンソースでベンダーニュートラルなMONAIベースのフレームワークを使用し、胎児MRIにおける全自動SVR展開の実現可能性を臨床ワークフロー内で実証しました。DICOMルーティング、MONAI Deploy Expressによるオーケストレーション、コンテナ化されたSVRTK再構成、およびPACSへの返送を統合することで、手動での症例選択やオフラインでの研究ワークフローを必要とせずに、胎児脳および体部のSVR出力を生成しました。これは、SVRを臨床現場でより広く利用可能にするための重要な一歩と言えます。
本研究の主な貢献は、既存のオープンソース再構成ツールを臨床の胎児画像ワークフロー内で運用可能にした点にあります。これまでのSVR研究がアルゴリズム開発に重点を置いていたのに対し、本研究はDICOMルーティング、コンテナ化された再構成アルゴリズム、PACSへの返送といった、スケーラブルな臨床導入に不可欠な画像情報学的な実装ステップを詳述しています。また、本実装がベンダーニュートラルなアーキテクチャを採用している点も重要です。これにより、特定のMRI装置メーカーに縛られることなく、多様な画像プラットフォームを持つ施設での幅広い導入が可能になります。
さらに、本研究は、主に構造異常を持つ不均一な胎児MRIコホートで検証を行いました。これらの症例は、解剖学的歪みや組織コントラストの変化、胎動に対する高い感受性といった課題を呈しますが、そのような困難な状況下でも、ほとんどの検査で自動再構成が成功しました。これは、SVRが複雑な胎児病変においても臨床的に有用であることを示唆しています。
一方で、本研究にはいくつかの限界があります。第一に、単一の三次胎児医療センターにおける単一ベンダーのMRIシステム（Philips社製1.5T MRI）で実施されたため、結果の一般化には多施設・多ベンダーでの検証が必要です。第二に、再構成の質は専門家による5段階評価尺度で評価されており、定量的かつ幾何学的な精度評価は行われていません。将来の研究では、手動によるランドマークやセグメンテーションとの比較を通じて、空間的および体積的エラー指標を報告する必要があります。第三に、SVRの利用が診断精度、読影時間、専門家の自信、または臨床管理の改善につながるかどうかは評価されていません。これらの有効性評価には、将来的な前向き比較読影研究が求められます。最後に、報告された処理時間はCPUのみの構成を反映しており、正式な負荷または容量分析を行うものではありません。将来のGPU対応実装によって処理時間はさらに短縮される可能性があります。
結論として、DICOMベースのベンダーニュートラルな展開アーキテクチャを使用することで、自動胎児MRI SVRが運用上実現可能であることが示されました。本研究は、ワークフローの実現可能性を確立しましたが、幾何学的な精度や診断性能の改善を示すものではありません。今後の研究がこれらの未解決の課題に取り組むことが期待されます。

用語集

SVR: スライス-トゥ-ボリューム再構成。複数の2D画像から3D画像を生成し、胎動による影響を補正する技術。
MONAI: Medical Open Network for Artificial Intelligence。医療AIアプリケーションの開発・展開のためのオープンソースフレームワーク。
DICOM: Digital Imaging and Communications in Medicine。医療画像の保存・伝送に関する国際標準規格。
PACS: Picture Archiving and Communication System。医療画像を保存・管理し、専門家が参照するためのシステム。
MONAI Deploy Express: MONAIアプリケーションを臨床環境で迅速に展開・実行するためのフレームワーク。
SVRTK: Slice-to-Volume Reconstruction ToolKit。King’s College London（KCL）が開発したオープンソースのスライス-トゥ-ボリューム再構成ツールキット。
SSFSE: Single-shot Fast Spin Echo。胎動の影響を軽減するために使用される高速MRIシーケンス。
ICC3k: Intraclass Correlation Coefficient (3-way mixed-effects model for consistency with average measures)。専門家間の一致度を評価するための統計指標。
ベンダーニュートラル: 特定の機器メーカーに依存しない、汎用的なシステム構成のこと。