腹部CT画像再構成の最前線：ディープラーニングがもたらす革新と展望

解説対象論文: State-of-the-Art Deep Learning CT Reconstruction Algorithms in Abdominal Imaging
Radiographics｜被引用数: 20（2026年8月24日時点）

CT画像診断は現代医療に不可欠ですが、診断品質を維持しつつ放射線被曝を低減することが長年の課題でした。従来の再構成法であるFBP（フィルタ補正逆投影）は高速ながら低線量でのノイズ増大が、IR（逐次近似再構成）はノイズ低減効果があるものの画像質感が不自然になるという限界がありました。本記事では、これらの課題を克服する革新的な技術「DLR（ディープラーニング再構成）」に焦点を当てます。DLRは、深層ニューラルネットワークを活用することで、低線量でもノイズを効果的に抑制しつつ、画像の質感と診断性能を維持することが可能です。本記事では、DLRの技術的原理、市販製品の紹介、ファントム研究および臨床研究によるその効果と応用、そして残された課題と今後の展望を詳細に解説します。DLRが実現する「診断品質の画像」「可能な限り低いX線線量」「高速な再構成」という理想的な三位一体が、医療画像診断の未来をどのように変えるのかを探ります。

Feasible実施可能性	既存のCTスキャナで実装可能であり、様々なベンダーの製品が利用可能です。
Ethical倫理面	低線量化による対象者の被曝量低減に貢献し、診断性能維持の観点から倫理的に有利です。
Interesting面白さ	ノイズ低減と質感維持を両立し、FBPやIRの限界を克服する点で非常に興味深いです。
Novel新規性	深層学習をCT画像再構成に適用した新しいアプローチであり、従来のFBPやIRと異なります。
Relevant切実さ	診断画像を必要とする医療現場において、低線量化と高画質化を両立する実用的なソリューションを提供します。
Measurable測定可能性	画像ノイズ、SNR、CNR、空間分解能、病変検出能などで効果が定量的に評価されています。
Modifiable派生・改善	DLRの強度設定や訓練データ、ネットワークアーキテクチャの改善により性能向上が期待されます。
Structured文章構造	理論的な背景、ファントム研究、臨床研究、課題、将来の展望と多角的に構造化されています。
PICO / PECO対象・介入・比較・結果	Population: 腹部CT検査を受ける対象者。Intervention: DLRアルゴリズム。Comparison: FBP、IRアルゴリズム。Outcome: 低線量での画像品質向上、診断性能維持。

CT画像再構成の進化：FBPからDLRへ

どうも、Beyond the Pixelです。CT（Computed Tomography：コンピュータ断層撮影）は、X線を用いて人体の内部を詳細に画像化する重要な診断ツールです。その診断画像の生成には、複雑な計算を行う「画像再構成アルゴリズム」が不可欠です。理想的なCT画像再構成は、診断に足る高画質の画像を、可能な限り低いX線線量で、しかも高速に提供することを目指しています。

CTの初期から「フィルタ補正逆投影（FBP：Filtered Backprojection）」が、その高速な再構成速度と計算の単純さから標準的な方法として使われてきました。しかし、FBPには大きな限界があります。低いX線線量で撮影した場合、ノイズやアーチファクト（画像の偽像）が増え、診断に十分な画質が得られにくいという問題です。このため、X線線量の低減が強く求められる中で、FBPでは放射線量を大幅に減らすことが困難でした。

この課題に対応するため、「逐次近似再構成（IR：Iterative Reconstruction）」法が開発されました。IRは、X線データから画像を繰り返し推定・修正することで、ノイズを低減し、より低い線量での撮影を可能にしました。しかし、IRにも「画像の質感が不自然になる（プラスチック様に見える）」という欠点がありました。これは、画像ノイズの周波数特性（NPS：Noise Power Spectrum）が変化し、特に高周波ノイズが減少しすぎるために起こります。さらに、多くのIRアルゴリズムは再構成に時間がかかるという問題も抱えていました。

こうした従来の再構成法の限界を克服するため、近年「ディープラーニング再構成（DLR：Deep Learning Reconstruction）」が登場しました。DLRは、深層ニューラルネットワークを活用することで、低いX線線量でもノイズを大幅に低減し、画像の質感と診断性能を維持することを可能にします。これにより、DLRは「診断品質の画像」「可能な限り低いX線線量」「高速な再構成」というCT画像再構成の理想的な三位一体を達成する可能性を秘めているのです。

ディープラーニング再構成（DLR）の技術的側面

DLRは、従来のCT画像再構成アルゴリズムであるFBPやIRの前後、またはそれらを完全に置き換える形で機能する、深層学習に基づく多様な手法を指します。DLRの基本的な原理は、高線量と低線量で撮影されたペアのデータセットを用いてモデルを訓練し、その性能を評価・調整し、最終的なテストデータで公平な評価を行うという多段階のプロセスに基づいています。低線量画像は、高線量データにノイズを付加して合成するか、ファントム（模造被写体）を高線量と低線量でスキャンすることで生成されます。

DLRは、その適用段階によって主に4つのカテゴリに分類されます。

1. 直接DLR（Direct DLR）: FBPやIRを直接置き換え、投影データからニューラルネットワークモデルを通じて画像を再構成します。例えば、iCT-NET（17）は4つのCNN（Convolutional Neural Network：畳み込みニューラルネットワーク）コンポーネントをカスケード接続し、投影データの補正とノイズ除去、フィルタリング、ドメイン変換、視野角の合算などのタスクを実行します。このアプローチは、疎視再構成や内部断層撮影再構成といった、これまで解決が困難だった画像再構成問題に解決策を提供します。
2. 投影空間DLR（Projection-space DLR）: CT投影データに直接深層学習ベースの技術を適用し、ノイズを低減したり、散乱やビームハードニング（X線が被写体を透過する際に硬くなる現象）補正などのアーチファクトを修正したりします。
3. 画像空間DLR（Image-space DLR）: 従来の再構成後に、深層学習ベースの技術を用いて画像をノイズ除去します。2016年以降、教師あり学習や教師なし学習を用いた多くの画像空間DLR法が提案されています。最も普及している教師あり学習では、訓練のためにペアになったデータが必要で、これはファントムの高線量・低線量スキャンや、既存の高線量データから低線量データをシミュレーションすることで生成されます。初期の多くの画像空間DLR法は、一般公開されているCTデータセット（例：米国医学物理学会とメイヨークリニックが主催した2016年低線量CTグランドチャレンジ）を使用して訓練・評価されました。ボケの影響を軽減するため、CNNを直接低品質画像から高品質画像へマッピングするのではなく、入力と目標の差分（残留）を学習するネットワークアーキテクチャが一般的に用いられます。また、ペアになったデータを必要としないCycle-Consistent Generative Adversarial Network（CycleGAN）などの手法も提案されています。
4. ハイブリッドDLR（Hybrid DLR）: 投影データと画像にそれぞれ深層学習ベースの技術を適用し、ノイズ除去を行います。ハイブリッドDLRはFBPやIRの再構成フレームワークを維持し、投影空間から画像空間へのドメイン変換を行います。

DLRアルゴリズムの訓練プロセスでは、CNNが用いられます。ネットワークは、高線量と低線量でペアになったデータセットを使用し、初期出力とゴールデンスタンダード（真値）画像を比較して、検出された情報損失に基づいて反復的に学習・調整を行います。

市販されているDLRアルゴリズム

現在、臨床用CT向けに多数のDLR技術が市販されており、CTベンダー固有の実装とベンダーにとらわれないソリューションがあります。ベンダー固有のDLRの例としては、GEヘルスケアのTrueFidelity、キヤノンメディカルシステムズのAdvanced Intelligent Clear-IQ Engine（AiCE）およびPrecise IQ Engine（PIQE）、フィリップスヘルスケアのPrecise Image、ユナイテッドイメージングインテリジェンスのArtificial-Intelligence Iterative Reconstruction（AIIR）などがあります。

ベンダー固有のDLR
* TrueFidelity（GEヘルスケア）: 高線量と低ノイズのCTデータセットを使用して訓練されています。訓練目標は、広範なスキャン条件と検査タイプにおけるファントムおよび対象者から取得された高線量FBP画像に基づいています。ネットワークはCTスキャナで画像を再構成するために使用され、低、中、高の3つの強度設定があります。

• AiCE（キヤノンメディカルシステムズ）: 画像空間DLRのノイズ除去法で、低品質と高品質の画像ペアを使用して訓練されました。訓練目標は、FBP画像ではなく、モデルベースIR（MBIR：Model-Based Iterative Reconstruction）法で再構成された画像です。その後、AiCE再構成法はノイズの質感を改善するために改訂されました。さらに、キヤノンは心臓CTの空間分解能を向上させるために設計されたDLR法であるPIQEを導入しました。PIQEは、小さな検出器と焦点スポットサイズを備えたスキャナ（Aquilion Precision）から取得された高分解能画像を目標とし、同じスキャナから取得された標準分解能画像を入力として使用し、空間分解能の向上を目指しました。 (図は提供されていません)
• Precise Image（フィリップスヘルスケア）: 画像空間技術で、低線量画像と通常線量画像のペアを使用して訓練されています。低線量画像は、光子統計と電子ノイズをモデル化した低線量シミュレーション技術を通じて、高線量データにノイズを挿入することで生成されました。

• AIIR（ユナイテッドイメージングインテリジェンス）: 他のCTベンダーのDLR法とは異なり、MBIRと深層学習によるノイズ除去を融合しています。この方法はMBIRの反復フレームワークを維持しつつ、MBIRにおける従来の正則化項を、事前に訓練された深層学習ベースの正則化モデルに置き換えます。これにより、深層学習によるノイズ除去がMBIRの各反復ループに統合されます。

ベンダーにとらわれないDLR
ベンダー固有のDLR法は通常、限られたスキャナモデルでのみ利用可能です。他のスキャナでDLRを実装するには、AlgoMedicaのPixelShineやClariPiのClariCT.AIのようなサードパーティソリューションを使用できます。このタイプの実装では、画像をサードパーティの深層学習ノイズ除去ニューラルネットワークに送信してノイズを低減し、ノイズ除去された画像をその後PACS（Picture Archiving and Communication System：医用画像管理システム）に送り返して解釈を行います。このワークフローは完全にベンダーに依存せず、既存のPACSに統合できます。サードパーティのDLR法は、DICOM（Digital Imaging and Communications in Medicine）画像とベンダーに依存しない訓練戦略にのみ依存します。例えば、ClariCT.AIは、物理ベースのノイズモデルでノイズを追加して生成された高線量画像とシミュレーションされた低線量画像のペアで訓練されました。

DLRの臨床的応用と評価

新しいノイズ除去CT再構成アルゴリズムに不可欠なのは、低線量で効果的かつ安全に機能する能力です。さらに、特定のタスクにおいて、既存の放射線量ガイドライン内で標準治療と比較して診断上の同等性を維持する必要があります。FBPからIR法への移行により、放射線科専門家コミュニティではいくつかの重要な概念が認識されました。

第一に、画像品質の主観的評価のみでは、再構成法間の診断性能の同等性を確立するためのエンドポイントとしては不十分です。主観的な画像品質が同等であっても、診断性能が同等であると仮定すべきではありません。

第二に、SNR（Signal-to-Noise Ratio：信号対雑音比）、CNR（Contrast-to-Noise Ratio：コントラスト対雑音比）、空間分解能、断層厚、ノイズ質感などの従来の画像品質指標は、低線量における画像の外観に関する貴重な情報を提供します。しかし、これらは放射線科専門家の知覚や、様々な条件での診断精度を完全に捉えるものではありません。したがって、人間による観察者評価や、検出能指数などのモデル観察者評価が、包括的な評価には不可欠です。

第三に、放射線科専門家が低線量により慣れ、許容するようになるにつれて、再構成法に関わらず、品質の低いまたはノイズの多い画像でも同様の診断結果が得られることがしばしばあります。そのため、CT再構成アルゴリズムの評価は、ノイズ除去効果が高コントラストと低コントラストのシナリオで大きく異なるため、タスク固有であるべきです。放射線曝露の最小化と診断精度の維持との間で適切なバランスを見つけることが重要です。

最後に、新しい再構成技術と標準治療再構成法を用いて、ベンチマークとなる放射線量レベルで得られた画像と比較して、低線量CT画像の診断精度を評価するためには、綿密に設計された実験と試験が必要です。

以下のセクションでは、DLR法のノイズ除去能力を高コントラストおよび低コントラスト検出タスクで評価したファントムおよび臨床研究の一部と、病変検出の改善に関する知見を検討します。

ファントム研究からの洞察

ファントム（模造被写体）を用いた複数の研究では、異なる画像タスク、DLRの種類、再構成設定において、DLR技術の利点が探求されてきました（

）。その統一されたメッセージは、DLR法がノイズ低減とノイズ質感の変化の間で最適なバランスを提供し、IR法で過去に観察された空間分解能の潜在的な損失を軽減できるということです。既存のファントム研究の一部は、FBPおよびIR技術と比較したDLR法の従来の画像品質評価指標と放射線量削減の可能性を解明することに焦点を当てています。また、別の研究では、SECT（Single-Energy CT：単一エネルギーCT）およびDECT（Dual-Energy CT：デュアルエネルギーCT）スキャンモードにおける病変検出と定量化の探索を組み合わせています。

ノイズ低減と画像品質
* シンシナティ小児病院の研究グループは、Catphan 600ファントムを使用し、DLRアルゴリズムがあらゆる空間周波数でより優れた対象コントラスト（テフロン材料）の識別をもたらすことを示しました。ただし、この研究では、DLRアルゴリズムのNPSに「プラスチック様画像」と評される望ましくない左方向へのシフトが見られました。
* 人体型肝臓相当ファントムを用いて、Szczykutowiczらは、DLRアルゴリズムがIR法とは対照的に、FBPと同様のノイズ質感を維持・提供し、NPSが低周波数側にシフトすることを示しました。
* Yangらは、デュアルエネルギー品質管理ファントムを使用し、DLRとFBPおよびIRアルゴリズムの比較画像評価を行いました。彼らの研究では、FBP、様々なIR設定、および3つのDLR強度設定で画像が再構成されました。DLRのNPS指標、特にピークと平均空間周波数は、FBPとより一致していました。低設定のDLRは、IR技術であるAdaptive Statistical Iterative Reconstruction（ASiR-V）よりも高い平均空間周波数を示しました。FBPおよびASiR-Vと比較して、DLR（特に中設定）はノイズ質感を維持し、画像品質を向上させました。

空間分解能
* Greffierらは、画像品質評価用に設計された標準ファントムを使用し、7つの放射線量レベルで画像化を行い、IRの割合が増加すると、異なるコントラストレベルでの空間分解能を特徴付けるタスク伝達関数（Task Transfer Function）の値が減少することを示しました。しかし、DLRレベルの変動ではこれらの値に有意な差はありませんでした。さらに、NPSピークの左方向へのシフトは、市販のIRアルゴリズム（ASiR-V）と比較してDLR法では最小限でしたが、FBP法と比較するとIR法で顕著でした。
* 別のファントム実験では、Masudaらは、DLRで再構成された画像の空間分解能特性が、画像コントラストレベルの関数として実質的に変化することを発見しました。Higakiらは、DLRアルゴリズムで得られた画像が、FBPまたはIR法の結果と比較して、ノイズが低く、高コントラスト空間分解能を維持し、タスクベースの検出能を向上させることを示しました。
* Toiaらは、通常の放射線レベルのFBPおよびIR法と比較して、中および高設定のDLR法が、70%減量時の中設定DLRを除き、90%の放射線量低減まで非劣性の性能を示したことを発見しました。この研究では、IRアルゴリズムは、30%および50%の放射線量低減においてのみ、通常の放射線FBPに非劣性でした。Toiaらは、通常の放射線FBPと高設定DLRの70%放射線量低減までの検出能指数に有意な差がないことを観察しました。
* Lyuらは、DLRアルゴリズムをFBPおよびIR線量レベルと比較しました。これらの専門家は、DLRが参照FBP線量指数と比較して、線量を最大57%低減する可能性を秘めていることを示しました。DLRによる30%および50%の放射線量低減は、フル線量FBPおよびIR法と比較して、非劣性の画像品質と肝転移検出をもたらしました。DLRによる70%の放射線量低減は臨床的に許容できるものでしたが、フル線量FBPおよびIRと比較して、小さな肝転移（1cm未満）の検出においては最適ではありませんでした。
* Fukutomiらは、5つのヨウ素濃度（1, 3, 5, 8, 12 mg I/mL）を持つ楕円形ファントムを使用し、9, 15, 24 mGyの放射線曝露でスキャンしたDECTにおけるDLRとFBPおよびIRアルゴリズムの比較評価を行いました。彼らは、すべてのアルゴリズムで測定されたヨウ素濃度と公称ヨウ素濃度の間に線形関係（R2 > 0.999）を観察しました。彼らの研究では、誤差の割合はヨウ素濃度全体で6.2%から7.8%の範囲であり、最小の割合は15 mGyのCT線量指数ボリュームでした。DLRは、他のアルゴリズムの結果と比較して、画像ノイズとヨウ素濃度の変動を低減しました。
* Thorらは、DLRを標準治療のIR技術（ASiR-V）と比較しました。8および2 mg/mLのヨウ素濃度で、13および5 mGyで画像化されたカスタムファントムを使用しました。これらの専門家は、DECTとSECTスキャンモードを使用し、3つのIR（ASiR-V）およびDLR強度で再構成しました。DLRは単一エネルギーモードでより良い空間分解能を示しましたが、デュアルエネルギーモードではそうではありませんでした。DLR法の検出能指数はIRよりも優れていました。デュアルエネルギー画像の場合、DLRアルゴリズムは高放射線量でより良い検出能を提供しました。注目すべきは、DLR技術で再構成されたデュアルエネルギー画像は、ノイズが減少しても空間分解能を維持したことです。ただし、単一エネルギーモードと比較して、ノイズの質感に変化が見られました。

臨床研究からの洞察

CTにおけるDLRを調査した臨床研究では、その強力なノイズ除去能力と、様々な対象者サイズにおいて放射線量を低減しながら画像品質を向上させる能力が継続的に実証されています（

、

）。最も普及している2つの市販DLRアルゴリズムに関するメタアナリシスでは、IR法と比較して画像ノイズが平均39%低減され、平均放射線量が57%〜65%低減されたことが明らかになりました。他の一般的なDLR法を評価した臨床研究でも、同様のノイズ低減効果が観察されています。

DLR TrueFidelityは2019年に米国食品医薬品局（FDA）によって承認された最初のDLRアルゴリズムであり、最も多くの評価を受けています。AiCEも2019年にFDAによって承認され、次に多くの評価を受けています。異なるDLRアルゴリズム間で臨床研究の量と範囲は異なりますが、文献の知見は、放射線科専門家がIR法やFBPよりもDLR技術を主観的に好むことを一貫して示しています。一部の研究では、IR法やFBPの標準放射線量と比較して、低減された放射線量で画像品質が向上することも強調しています。

文献に発表されているほとんどの研究は、肝病変の検出と特性評価のような困難なタスクに焦点を当てています。例えば、305の病変を持つ154名の対象者に関する研究では、標準線量ハイブリッドIRと比較して、DLRが50%の放射線量低減で非劣性の病変検出性能を示しました。さらに、平均CT線量指数ボリュームが24の130の肝病変を持つ50名の対象者に関する研究では、CarusoらはハイブリッドIRの結果と比較して、DLRで病変検出と精度が向上したことを示しました。ただし、ハイブリッドIRとDLRを比較した研究では、病変の信頼性は向上しましたが、病変検出の改善は見られませんでした。JensenらによるDLRの臨床評価の初期知見では、ノイズ低減と病変の視認性の最適なバランスは中程度のノイズ除去強度で得られることが示唆されました。Liらによる前向き研究の臨床評価結果では、DLRの高強度再構成における病変のぼやけに関する懸念が提起されました。この研究のDECTの知見では、結腸がんからの小さな（5mm以下）肝転移の検出は、DLR高設定よりもDLR中設定の方が有意に低かったことを示しました。50%線量低減とDLR中設定を使用した場合、肝病変検出は標準放射線量FBPおよび60%IR-FBPブレンドの市販IR法に非劣性でした。

Shehataらは、低線量DLRを使用した利用可能な2つの肝病変研究では、ほとんどの病変（5mm超）の検出が6.8 mGy（BMI 23.5 kg/m2）から12.2 mGy（BMI 29 kg/m2）のCT線量指数ボリュームで維持されたことを発見しました。しかし、これらの研究における標準体重から肥満の対象者集団では、より小さな病変の検出には13.6〜34.9 mGyのCT線量指数ボリュームでより高い放射線量が必要となる可能性があることをデータが示唆しています。

肝臓画像以外でも、DLRアルゴリズムによってもたらされる顕著なノイズ低減と質感維持は、尿路結石評価やCT血管造影など、腹部全体で改善をもたらしますが、エビデンスはまだ発展途上です。

DLRアルゴリズムは近年、DECTにも使用され、SECTと同様の画像品質向上を示しています。具体的には、SECTにおける低管電圧ピークレベル（80-100 kVp）や、低モノエネルギーDECT再構成（40 keV）に関連する高いノイズは、DLRによって著しく低減され、ノイズを抑制するために高い管電圧ピークやキロ電子ボルトレベルを使用する必要性が低減されます。Takaiらは、ハイブリッドIR法を使用したCNRが8であったのに対し、DLR高設定を使用した80 kVp膵管腺がんの腫瘍対膵臓CNRが14であったと報告しました。Jensenらによる前向き肝病変研究では、両方のスキャンにDLR再構成を使用した場合、70 keVでのDECTが120 kVpでのSECTに非劣性であることが示されました。著者らは、SECTの画像ノイズに合わせるためにはDECTでより高いレベルのDLRが必要であると指摘しました。

研究は少ないものの、ベンダーにとらわれないDLRアルゴリズムは、放射線専門医の施設内の多様なプラットフォーム間で機能できるという明確な利点があります。さらに、これらの画像ベースのDLR法は、生データへのアクセスなしに適用できるため、スキャンがスキャナから削除された後にさらなる再構成が必要な場合に役立つ可能性があります。三次医療機関では、他施設で取得された画像を改善することで、この再構成の柔軟性から恩恵を受ける可能性があります。第三に、古いプラットフォームでは、ベンダーからノイズ除去アルゴリズムが提供されていない場合があります。さらに、いくつかの研究では、ベンダーにとらわれない画像ノイズ除去と直接IRアルゴリズム（例：PixelShineやClariCT.AI）を組み合わせることで、相乗的な画像品質向上の可能性が示されています。 (図は提供されていません)
肝病変CT研究では、放射線量が67%低減された場合、ClariCT.AIが標準線量のMBIR使用時に非劣性の全体的な画像品質と病変検出能を示しました。4つのベンダープラットフォーム全体で肝臓評価のためにハイブリッドIRと比較した場合、ClariCT.AIはノイズ低減、構造の鮮明さ、構造変化の低減という3つの測定カテゴリーで優れていました。DECTにおいて、Seoらは、ハイブリッドIRの結果と比較して、ClariCT.AIを使用した高血管性肝病変の40 keV DECT画像で全体的な診断許容度が向上したことを示しました。

DLRによる機能強化は、スキャン中に腕を上げられない対象者などの特殊な状況にも及び、IRやFBPで観察されたものと比較して画像品質が向上します。さらに、DLRアルゴリズムによるノイズの著しい抑制は、薄層再構成の使用を拡大する可能性を示唆しています。例えば、DLRは、特定の線量レベルで空間分解能を大幅に改善する様々なカーネルや断層厚値に対して、より積極的な再構成設定を可能にするかもしれません。DLRモデルは、異なる再構成カーネルからの特徴を合成するためにも使用でき、放射線科専門家のワークフローを簡素化し、単一の高分解能かつ低ノイズの画像シリーズを提供できる可能性があります。さらに、DLRはノイズ低減以外にも、金属アーチファクト低減やマルチエネルギーCTの下流アプリケーションにも影響を与える可能性があります。

様々な臨床状況、特に線量レベルの最適化と診断タスクの精緻化を目的とした進歩を伴うDLRの継続的な探索は不可欠です。しかし、異なる画像タスクに対してどのDLR強度設定を使用すべきかについて、単一の推奨事項を出すことはできません。DLR強度の選択は、画像施設のDLRアルゴリズムに対する快適レベルや蓄積された経験に応じて、異なるベンダーや臨床タスク間で異なる場合があります。既存の文献からの全体的な知見は、中強度から高強度のDLRが、線量低減の可能性においてIRまたはFBPよりも顕著な利点をもたらすことです。ただし、高強度のDLRは、高空間周波数情報の軽微な損失を起こしやすいようです。したがって、より高い放射線量レベルで低コントラストタスクを行う場合（つまり、詳細の保存が最も重要である場合）と比較して、より低い放射線量レベルで高コントラストタスクを行う場合は、より高いDLR強度で操作することを検討するかもしれません。

DLRの課題と今後の展望

DLRアルゴリズムの実装に関するエビデンスと臨床経験はまだ限られています。ファントムを用いた研究結果は、必ずしも臨床現場に完全に翻訳できるわけではありません。特に、ファントム研究からの推奨事項を対象者の画像診断に適用する際には、慎重な検討が必要です。DLRは、従来の画像品質指標の計算用に設計されたファントムでの評価には特に不向きです。CNNは本質的に非線形性の高いモデルであるため、モデル入力のわずかな変化が、出力に不釣り合いな反応を生じさせる可能性があります。NPS、CNR、MTF（Modulation Transfer Function：変調伝達関数）などの画像品質指標は一般に線形画像システムを前提としているため、CNNモデルの性能を特徴付けるために使用すべきではありません。さらに、ファントムは人間の臓器とは質感や減弱挙動が異なり、ほとんどの畳み込みネットワークはファントムの使用について訓練されていない可能性があり、新しいファントムにネットワークがさらされたときに不正確さが生じる可能性が十分にあります。

一方、市販されているほとんどのCTファントムは、商業化される前にDLR法に最適化されたり、特にテストされたりしていません。例えば、高強度のDLRを選択することは、ファントムにおいてより積極的な放射線量低減を達成するのに有益かもしれませんが、必ずしも情報損失につながるとは限りませんが、人間において望ましくない画像歪みやぼやけを引き起こす可能性があります。

さらに、DLR技術の根源的に非線形な複雑な性質を考慮すると、CNNは、特に低放射線量レベルで画像診断が行われる場合や、与えられた畳み込みネットワークが基づいているデータ訓練セットの品質が低い場合に、説得力があるにもかかわらず誤った出力を画像上で生成する可能性があるという認識が高まっています。既存のDLRアルゴリズムはエラーがないわけではなく、対象者の誤表現に対する脆弱性を低減するためには、より大量のデータを用いたさらなる経験と訓練が必要です。

すべてのDLR技術が同じではなく、異なるアルゴリズム開発者やメーカー間で特有の特性や違いがあるかもしれません。ベンダーにとらわれないDLRの実装は、ある程度、メーカー間のばらつきを減らすことができるかもしれませんが、画像の外観における潜在的な違いや、新たに出現するアーチファクトを認識し、必要な緩和戦略を決定するためには、さらなる経験が必要です。注目すべきは、DLRアルゴリズムによるアーチファクト緩和に関する知識は現在限られているということです。CNNエンジンが、一般的なCT画像アーチファクトで発生する画像歪みや情報損失を軽減するのに役立つ可能性は考えられますが、この特定の分野における応用知識やエビデンスはまだ不足しています。

DLRの未来

DLRは急速に進化している分野であり、毎年多くの新しい理論、ネットワークアーキテクチャ、実装方法が提案されています。DLRの学習ベースのパラダイムは、CT画像再構成のさらなる改善に無限の可能性をもたらします。前述の通り、現在のDLR法にはまだ多くの限界があります。これらの限界に対処することが、DLR開発の将来の方向性における重要なステップとなります。DLR法の未来に関する4つの視点を以下に示します。

1. DLR法の解釈可能性を向上させ、不確実性を理解する: 深層ニューラルネットワークの「ブラックボックス」の性質上、再構成またはノイズ除去プロセス中にDLR法が exactly 何をしているのかを理解することは困難です。プロセスを深く理解せずに、再構成された画像への信頼を築くことは難しいでしょう。さらに、DLR法は、データとモデルに関連する不確実性の問題に悩まされる可能性があります。DLR再構成からの画像の不確実性を定量化し、臨床診断中にDLR画像の不確実性をどのように使用するかを理解することは、活発な研究分野であり続けています。
2. より高度なニューラルネットワークモデルを開発する: 市販されているほとんどのDLR法は、低品質の入力から高品質の目標へのマッピングを学習するために、ペアになった高品質画像と低品質画像に依存しています。一部の研究では、純粋な画像空間DLR法を拡張して、投影データ補正や投影データからの直接再構成など、画像生成チェーンのより多くのステップを組み込もうとしています。United ImagingのAIIRはそのような取り組みの例であり、深層学習ベースの正則化項をIR再構成フレームワークに統合しています。他のモデルは、投影データを直接再構成された画像にマッピングしようとし、投影空間から画像空間へのドメイン変更はネットワークによって暗黙的に学習されます。十分な訓練データと適切なネットワーク構造があれば、ニューラルネットワークは、物理学や光子統計情報を明示的に含める必要なく、データ補正、ドメイン変換、ノイズ低減のプロセス全体を1つの包括的なモデルで学習できる可能性があります。膨大な量のデータを用いた力任せの訓練により、いくつかの小さなモデルを訓練するのではなく、画像再構成のための「エンドツーエンド」モデルを構築することが可能になるかもしれません。さらに野心的な目標としては、取得された投影データから直接診断を得ることができ、すべての中間ステップが単一の大きなモデルに統合されたエンドツーエンドモデルが構想されています。
3. DLR技術の正確で効率的な評価方法を開発する: DLRの開発、最適化、臨床実装は、正確な評価方法に依存します。各DLR法によって許容される潜在的な放射線量は、各特定のタスクに対する正確な診断性能評価に基づいている必要があります。対象者事例を用いた人間による観察者評価は、画像品質評価のゴールデンスタンダードですが、時間がかかり、観察者間のばらつきや観察者内のばらつきが大きくなる可能性があります。ファントムベースの画像品質指標やモデル観察者法は客観的で効率的であり、一部の診断タスクにおける人間観察者性能との相関関係が確立されています。しかし、DLR法は通常、対象者データで訓練されているため、ファントムベースの評価は対象者における実際の性能に翻訳できない場合があります。仮想画像試験がこれらの問題に対処する可能性があります。
4. DLR開発と最適化を促進するために、公開されている訓練データを開発する: 現在、臨床用途のDLR法は主にCTベンダーによって訓練されており、ベンダーにとらわれない製品はごく一部しか利用できません。ベンダーにとらわれない製品の訓練プロセスは、様々なCTベンダーやモデルからの画像に対応する必要があるため、骨の折れる作業です。これらのベンダーは、多様な特性を持つ画像を生成します。さらに、サードパーティ企業は、CTベンダーがデータ取得の物理学およびノイズモデルに関して持つ専有情報にアクセスできないことがよくあります。研究面では、様々な方法が開発され、広範な臨床アプリケーションに適用されていますが、研究者は臨床データにアクセスできないことが多く、これらの方法の臨床利用への翻訳を制限しています。CTベンダーによるCTデータの保護は、DLR法のさらなる開発と改良に対する重大な障害となっています。CTベンダーが投影データ形式を公開し、DLR技術の開発と実装へのより広範な研究コミュニティの参加を可能にすることは有益でしょう。投影データを真に活用するためには、ベンダー固有の再構成方法も提供されるべきです。ベンダー固有のノイズシミュレーションに依存しない訓練アプローチ、例えばHuberらが提案したファントムベースの方法も検討されるべきです。これらの専門家は、画像ベースのノイズ挿入技術で訓練データが合成される教師あり学習に依存するファントムベースの訓練フレームワークを提案しており、このフレームワークはあらゆるCTスキャナで効率的に実装できます。彼らの方法論は、空間的な詳細を維持しながら強力なノイズ低減を実証しました。Huberらの提案した方法は画像ドメイン内に基づいているため、投影データにアクセスせずに容易に実装できます。

用語集

• CT: Computed Tomography（コンピュータ断層撮影）の略で、X線を用いて身体の内部を詳細に画像化する診断法です。
• FBP: Filtered Backprojection（フィルタ補正逆投影）の略で、CTの初期から使われてきた高速で単純な画像再構成アルゴリズムです。
• IR: Iterative Reconstruction（逐次近似再構成）の略で、FBPの限界を克服し、ノイズを低減するために開発された再構成アルゴリズムです。
• DLR: Deep Learning Reconstruction（ディープラーニング再構成）の略で、深層学習を用いてCT画像再構成の品質を向上させる新しい技術です。
• CNN: Convolutional Neural Network（畳み込みニューラルネットワーク）の略で、画像認識などで使われる深層学習のアルゴリズムの一種です。
• NPS: Noise Power Spectrum（ノイズパワースペクトル）の略で、画像のノイズの周波数成分を示す指標です。
• SNR: Signal-to-Noise Ratio（信号対雑音比）の略で、画像中の信号とノイズの比率を示し、画像品質の指標となります。
• CNR: Contrast-to-Noise Ratio（コントラスト対雑音比）の略で、画像中の異なる領域間のコントラストとノイズの比率を示します。
• MBIR: Model-Based Iterative Reconstruction（モデルベース逐次近似再構成）の略で、IRの一種で物理モデルを組み込むことでノイズ低減と画質向上を図ります。
• DECT: Dual-Energy CT（デュアルエネルギーCT）の略で、異なる2つのX線エネルギーを用いて、物質の構成情報をより詳細に識別するCT技術です。
• SECT: Single-Energy CT（単一エネルギーCT）の略で、一般的なCT検査で使われる、1つのX線エネルギーで撮影するCT技術です。
• ファントム: 医学画像診断において、X線やその他の放射線に対する人体の反応を模擬するために使用される模造被写体です。
• ゴールデンスタンダード: 特定の評価や診断において、最も信頼性が高く、比較の基準となる方法や基準を指します。
• アーチファクト: 画像診断において、本来の解剖学的構造や病変とは異なる、画像上に現れる偽像や歪みのことです。