閉塞性睡眠時無呼吸症における気道狭窄の動態を捉えるMRI新技術

11月 2, 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: Improved Upper‐Airway Collapse Imaging in Obstructive Sleep Apnea Using Self‐Supervised Spiral Variational Manifold Learning
Magnetic Resonance in Medicine｜被引用数: 0（2026年11月1日時点）

閉塞性睡眠時無呼吸症候群（OSA）は、睡眠中に上気道が繰り返し閉塞することで、呼吸の停止や低呼吸が起きる疾患です。これにより酸素飽和度が低下し、睡眠が分断されることで、日中の眠気や倦怠感だけでなく、高血圧や心臓病などの重篤な健康問題につながる可能性があります。OSAの治療戦略は、その対象者特有の気道閉塞パターンを正確に特定することにますます依存しており、その動態を詳細に把握することが非常に重要です。従来の診断方法には限界がありましたが、今回ご紹介する研究では、AI技術を駆使した新しいMRI再構成フレームワークが、自然睡眠中の上気道閉塞の動態を、より高精度かつ詳細に捉える可能性を示しました。この技術は、将来のOSA病態分類や手術計画において重要な情報を提供するかもしれません。

研究サマリー（FINER & PICO）

Feasible実施可能性	アンダーサンプリングされたデータから自然睡眠中の上気道動態MRIを再構成する技術的実現可能性を示した。
Ethical倫理面	対象者のプライバシーと同意は適切に保護され、倫理審査委員会の承認を得て実施された。
Interesting面白さ	既存のMRI課題を克服し、多部位の気道閉塞動態を詳細に可視化できる点は興味深い。
Novel新規性	物理情報に基づく早期停止を伴う自己教師あり変分多様体学習を、上気道MRIに適用した新規性。
Relevant切実さ	OSAの病態分類や手術計画に有用な情報を提供し、臨床的意思決定に貢献する可能性を秘める。
Measurable測定可能性	再構成品質はSER、MAD、専門家による客観的評価で定量的に測定され、既存手法より優位性を示した。
Modifiable派生・改善	自己教師あり学習フレームワークは、訓練データなしで対象者固有の多様体を学習し、アルゴリズムを調整可能。
Structured文章構造	畳み込みニューラルネットワークジェネレーターと潜在ベクトルを最適化する明確なフレームワークを持つ。
PICO / PECO対象・介入・比較・結果	P(閉塞性睡眠時無呼吸症対象者), I(自己教師あり変分多様体学習を用いたMRI), C(既存MRI再構成法), O(気道閉塞動態の詳細な可視化)。

はじめに：閉塞性睡眠時無呼吸症（OSA）の課題と画像診断の重要性

どうも、Beyond the Pixelです。閉塞性睡眠時無呼吸症候群（OSA）は、睡眠中に上気道が繰り返し部分的に、あるいは完全に閉塞することで、酸素飽和度の低下や睡眠分断を伴う疾患です。OSAの管理において、気道閉塞の動態を正確に特徴づけることは極めて重要であり、治療戦略は対象者固有の閉塞パターン特定に大きく依存するようになっています。上気道の磁気共鳴画像（MRI）は、自然睡眠中に解剖学的および機能的評価を行う強力な非侵襲的モダリティとして注目されています。内視鏡技術とは異なり、MRIは気道セグメント全体の管腔狭窄と軟部組織の動きを多層的に評価でき、OSAにおける閉塞が非周期的で空間的に不均一、かつ機械的に複雑であることが多いという点で特に重要です。動的な気道評価は、陽圧呼吸療法に耐えられない対象者にとって効果的な代替手段である舌下神経刺激（HNS）の臨床的関連性が高いと言えます。現在の候補者選定は薬物誘発性睡眠内視鏡（DISE）に依存していますが、新興の証拠は、口蓋帆レベルを超えた閉塞パターン、特に中咽頭の側壁閉塞が治療結果に大きく影響する可能性を示唆しており、生理的な睡眠条件下での包括的な多層的動的評価の必要性を強調しています。しかし、既存の睡眠時MRI法には技術的な限界があります。これまでの研究の多くは、並列イメージングを用いた逐次的な単一スライス収集に依存しており、スライスあたり100～400ミリ秒の時間分解能でした。逐次的な撮像では、スライス間で動きの表現に一貫性がなく、多層的な閉塞の協調的な動きの解釈が困難です。スパイラル収集とビューシェアリング、アンダーサンプリングされた3Dカルテシアン法、そして事前定義された変換正則化（圧縮センシング）を組み合わせた同時多スライスラジアル収集を用いたアプローチは有望でしたが、OSAに特徴的な不規則な呼吸パターン下での時間的ぼやけに敏感であるという課題がありました。

新しいMRI再構成フレームワーク：自己教師あり変分多様体学習

本研究では、自然睡眠中の動的上気道MRIのために、スパイラル変分多様体学習に基づく自己教師あり再構成フレームワークを提案しています。このアプローチは、完全にサンプリングされた訓練データや明示的な運動モデルを必要とせずに、個々の対象者特有の時間的多様体を学習するものです。

**Figure 1.** FIGURE 1 | Overview of the proposed self-supervised variational manifold reconstruction framework. (a) For each slice, the acquired k-t spiral measurements are split along the readout direction into disjoint training Ω(Γ) and validation Ω(Λ) subsets. (b) Learnable latent vectors 𝑙𝑡are jointly optimized with a CNN generator 𝐺𝜃that maps 𝑙𝑡to reconstructed image frames for that slice. The generated frames are projected to k-space via the forward operator EΓ, and the training loss enforces data consistency on Ω(Γ) with temporal Tikhonov, generator, and KL regularization terms. The validation loss evaluated on Ω(Λ) is withheld from optimization and used solely to guide early stopping and learning rate reduction. Reconstruction is performed independently for each slice.解説: 提案された自己教師あり変分多様体再構成フレームワークの概要を示しています。(a)各スライスについて、取得されたk-tスパイラル測定値が、読み出し方向に沿って訓練用と検証用に分割されます。(b)学習可能な潜在ベクトルと、その潜在ベクトルを再構成された画像フレームにマッピングするCNNジェネレーターが共同で最適化されます。訓練損失は訓練用データの一貫性を確保し、検証損失は最適化から除外され、早期停止のガイドとしてのみ使用されます。

このフレームワークでは、CNN（畳み込みニューラルネットワーク）ジェネレーターと低次元の潜在ベクトルを、事前にアンダーサンプリングされたスパイラルk空間測定データから直接共同で最適化します。検証損失によってガイドされる適応学習率は、ゴールデンスタンダードなしでの早期停止を可能にします。以前の類似手法「V-SToRM」では、自動的な停止基準がなかったため、再構成品質の安定性という課題がありましたが、本研究では物理情報に基づくk空間分割を用いた自己教師ありの早期停止メカニズムを導入することで、この課題を解決しています。この物理情報に基づく自己教師あり学習は、アンダーサンプリングされたk空間データを訓練用と検証用に分割し、検証データに対する損失に基づいて学習率の調整や早期停止を行うことで、最適なモデルを選択するメカニズムです。これにより、グランドトゥルース（正解データ）がない状況でも、再構成品質の安定化が図られます。本フレームワークは、各スキャン測定値から直接ジェネレーターの重みと潜在変数を最適化する「スキャン固有」（ゼロショット）の再構成手法であり、訓練済みネットワークによる迅速な推論を行うデータセット訓練型とは異なります。

撮像プロトコルとデータ取得

実験は、3テスラMRIスキャナーとOSA関連気道構造に最適化されたカスタム16チャンネル上気道受信コイルを使用して実施されました。可変密度スパイラルFID（自由誘導減衰）シーケンスが実装され、平面内空間分解能は2x2mm²、スライス厚は6mmと設定されました。

**Figure 2.** FIGURE 2 | Prospective acquisition setup and concurrent multi-slice spiral sampling scheme. (Left) Sagittal localizer showing the 11 axial slice locations spanning the velopharynx, oropharynx, hypopharynx. (Right, top) Concurrent multi-slice spiral acquisition: For each spiral arm angle, all 11 slices are acquired sequentially before incrementing to the next arm angle, yielding synchronized dynamic coverage across the full upper airway. (Right, bottom) Subject setup showing the 16-channel custom upper-airway receiver coil, Coban head wrap for head motion stabilization, pulse oximeter, and respiratory monitoring via abdominal and chest bellows.解説: 前向き収集のセットアップと同時多スライススパイラルサンプリングスキームを示しています。(左)11枚の軸方向スライスが口蓋咽頭から下咽頭までをカバーする位置を示しています。(右上)同時多スライススパイラル収集の概要で、各スパイラルアーム角度ごとに11枚の全スライスが順次収集される様子です。(右下)対象者のセットアップとして、カスタム16チャンネル上気道受信コイル、頭部安定化のためのコバンラップ、パルスオキシメーター、呼吸モニタリング用の腹部および胸部ベローが示されています。

11枚の軸方向スライスが、口蓋帆咽頭から下咽頭までをカバーするように同時多スライス収集され、スライスインターリーブ方式で取得されました。これにより、各スパイラルアーム角度ごとに11枚の全スライスのk空間データが順次取得され、上気道全体の同期された動的カバレッジが実現されます。合計7950本のスパイラルアームが約8分5秒かけて収集され、空気と組織の境界面を強調する陽子密度強調コントラストを提供します。軸方向の選択は、OSAにおける閉塞の病態分類が、前後の方向、横方向、または同心円状の狭窄を分類する必要があるため、DISE（薬物誘発性睡眠内視鏡）の評価と一貫しています。研究には、中等度から重度のOSAと診断された8名の対象者と、健康なボランティア4名が参加しました。健康なボランティアは、一過性の陰圧を誘発し上気道狭窄をシミュレートするために、スキャン中にミュラー手技を間欠的に行いました。OSA対象者は、まず覚醒状態でミュラー手技を行い、その後、スキャナー内で自然睡眠を試みました。対象者のスキャン中は、SpO₂（経皮的動脈血酸素飽和度）と腹部および胸部の腹臥位センサーを介した呼吸努力を含む連続的な生理学的モニタリングが実施されました。気道閉塞イベントは、生理学的記録から特定され、AASM（米国睡眠医学会）ガイドラインに従って、SpO₂の3%以上の低下と呼吸努力の増加によって特徴づけられました。各スキャンは、勾配冷却とデータバッファのリセットのための20～30秒の休憩を挟んで、対象者あたり最大8回繰り返されました。

再構成品質の評価と結果

提案されたフレームワークのハイパーパラメータ（ジェネレーター正則化重み、時間的ティホノフ正則化因子、KLダイバージェンス重み、潜在ベクトル次元など）は、健康なボランティアから取得された完全にサンプリングされた参照データセットをレトロスペクティブにアンダーサンプリングし、最適な値を決定しました。学習率を固定した場合と適応させた場合の再構成挙動の比較では、固定学習率では訓練と検証損失がエポック114以降で乖離し、SER（信号対エラー比）がピークを迎えた後に劣化しました。

**Figure 3.** FIGURE 3 | Quantitative training dynamics under fixed and adaptive learning rate strategies. In each panel, the vertical arrows (from left to right) show epoch 5, minimum validation loss epoch, maximum SER-gain epoch state, final epoch state. (a) Fixed learning rate: Training and validation loss curves diverge after epoch 114, with SER peaking at 22.76 dB (epoch 136) before degrading to 21.65 dB at the final epoch. (b) Adaptive learning rate: Training and validation losses remain coupled throughout, with SER stable across the minimum-validation-loss (23.09 dB), maximum-SER-gain (23.10 dB), and final (23.10 dB) states.解説: 固定学習率戦略と適応学習率戦略における定量的訓練動態を比較しています。各パネルの垂直矢印は、エポック5、最小検証損失エポック、最大SERゲインエポック、最終エポックの状態を示します。(a)固定学習率では、訓練と検証損失曲線がエポック114以降で乖離し、SERは最終エポックで劣化します。(b)適応学習率では、訓練と検証損失は常に連動し、SERも安定しています。

一方、適応学習率の下では、訓練と検証損失はフェーズ2を通じて互いに追従し、SERも安定していました。

**Figure 4.** FIGURE 4 | Qualitative reconstruction comparison at three learning states for fixed (left) and adaptive (right) learning rate strategies. Rows show mid-temporal cuts and corresponding 15× absolute error maps at (b, f) epoch 5, (c, g) minimum validation loss, (d, h) maximum SER gain, and (e, i) end of learning, against the ground truth reference (a). At epoch 5, the temporal information is not fully resolved (white arrow in (b)). Under the fixed learning rate, prolonged training introduces progressive noisy and blocky temporal artifacts (yellow arrows). The adaptive strategy maintains consistent reconstruction quality across all learning states.解説: 固定（左）と適応（右）学習率戦略における3つの学習状態での再構成の定性比較を示しています。各行は、(b, f)エポック5、(c, g)最小検証損失、(d, h)最大SERゲイン、(e, i)学習終了時の中間時間断面と、それに対応する15倍の絶対誤差マップを、グランドトゥルース（a）と比較して示しています。固定学習率では、訓練が長引くにつれてノイズやブロック状の時間的アーチファクト（黄色の矢印）が蓄積しますが、適応学習率戦略ではすべての学習状態を通じて一貫した再構成品質が維持されています。

これは、適応学習率が、訓練が長引くことによって発生するノイズやブロック状のアーチファクトの蓄積を防ぐ上で不可欠であることを示しています。再構成品質の評価のため、ROI（関心領域）時間強度分析がレトロスペクティブデータセットで実施されました。

**Figure 5.** FIGURE 5 | Region-of-interest (ROI) time–intensity analysis on the retrospective dataset with ground truth. Two ROIs (yellow circles, left) were selected to capture regions of anterior–posterior and lateral dominant airway motion, respectively. Pixel time–intensity profiles (blue) are overlaid on the ground-truth profile (red) for each of the eight reconstruction methods: Parallel imaging, view sharing, compressed sensing, analysis manifold, TD-DIP, INMR, V-SToRM (1000 epochs), and the proposed self-supervised method. Mean absolute difference (MAD) between each reconstruction and the ground truth is annotated above each panel. The time axis spans the full retrospective acquisition (0–97.85 s). The proposed method and V-SToRM achieved the lowest MAD in both ROIs, with only a marginal difference between them (ROI 1: 0.0054 vs. 0.0052; ROI 2: 0.0091 vs. 0.0080). The remaining methods each showed a distinct failure mode: Parallel imaging exhibited pronounced noise amplification; view sharing, compressed sensing, and analysis manifold under-represented the rapid collapse peaks; TD-DIP similarly failed to capture rapid peaks while also showing residual blurring; and INMR, despite capturing rapid peaks in ROI 2, under-performed in ROI 1.解説: レトロスペクティブデータセットにおけるROI（関心領域）時間強度分析とグランドトゥルースの比較を示しています。(左の黄色い円)前後の動きが優勢な領域（ROI 1）と横方向の動きが優勢な領域（ROI 2）の2つのROIが選択されています。各パネルには、並列イメージング、ビューシェアリング、圧縮センシング、分析多様体、TD-DIP、INMR、V-SToRM（1000エポック）、提案された自己教師あり手法の8つの再構成方法について、ピクセル時間強度プロファイル（青色）がグランドトゥルースプロファイル（赤色）に重ねて表示されています。各再構成とグランドトゥルースとの間の平均絶対差（MAD）が各パネルの上に示されています。提案手法とV-SToRMが両方のROIで最も低いMADを達成しました。

提案手法とV-SToRMは、両方のROIで最も低いMAD（平均絶対差）を達成し、急速な閉塞ピークを正確に捉えることができました。他の並列イメージング、圧縮センシング、ビューシェアリング、分析多様体などの既存手法は、それぞれノイズ増幅、時間的階段状アーチファクト、モーションブラーなどの異なる失敗モードを示しました。OSA対象者の自然睡眠中の口蓋咽頭スライスからの再構成フレームの比較では、提案手法が、口蓋帆後部のレトロパラタルスペースと舌根部の盲孔領域という2つの解剖学的に異なる構造における動的な狭窄を、一貫して良好に解像することが示されました。

**Figure 6.** FIGURE 6 | Prospective reconstruction comparison across frames from a velopharyngeal slice of an OSA patient during natural sleep. (a) parallel imaging, (b) compressed sensing, (c) view sharing, (d) analysis manifold, (e) TD-DIP, (f) INMR, (g) V-SToRM (5 epochs), (h) V-SToRM (150 epochs), (i) V-SToRM (1000 epochs), (j) self-supervised reconstruction. Green boxes (frames 5–9) highlight the collapse interval where two anatomically distinct airway structures undergo dynamic narrowing: The retropalatal space posterior to the velum (white arrow) and the foramen cecum region anterior to the velum but behind the tongue (yellow arrow). Orange boxes denote regions affected by noise, spatially blurring, or temporal inconsistency. V-SToRM (150 epochs) improves temporal fidelity over V-SToRM (5 epochs), though has ambiguity in resolving the two airway structures in frames 7,9. V-SToRM (1000 epochs), INMR, and the proposed self-supervised method consistently resolve both structures across frames, though V-SToRM (1000 epochs) shows pronounced noise.解説: 自然睡眠中のOSA対象者の口蓋咽頭スライスからのフレームにわたる、前向き再構成の比較を示しています。(a)並列イメージング、(b)圧縮センシング、(c)ビューシェアリング、(d)分析多様体、(e)TD-DIP、(f)INMR、(g)V-SToRM (5エポック)、(h)V-SToRM (150エポック)、(i)V-SToRM (1000エポック)、(j)自己教師あり再構成です。緑色のボックス（フレーム5～9）は、口蓋帆後部のレトロパラタルスペース（白い矢印）と舌根部の盲孔領域（黄色の矢印）という2つの解剖学的に異なる気道構造が動的に狭窄する閉塞期間を強調しています。オレンジ色のボックスは、ノイズ、空間的ぼやけ、または時間的一貫性の欠如によって影響を受ける領域を示しています。V-SToRM（150エポック）はV-SToRM（5エポック）よりも時間的忠実度が向上していますが、フレーム7、9では2つの気道構造の解像に曖昧さがあります。V-SToRM（1000エポック）、INMR、および提案された自己教師あり手法は、フレーム全体で両方の構造を一貫して解像していますが、V-SToRM（1000エポック）では顕著なノイズが見られます。

並列イメージングはエイリアシングにより解剖学的構造を不明瞭にし、圧縮センシングは舌根部をノイズに埋もれさせました。ビューシェアリングと分析多様体再構成は時間的平均化により構造間の区別を抑制しました。V-SToRMも5エポックでは時間的ぼやけが見られ、150エポックでは時間的忠実度は向上しましたが、小さな気道構造の曖昧さが残りました。自己教師あり学習モデル、V-SToRM（1000エポック）、INRはいずれも、閉塞全体にわたって両方の構造を一貫して解像しましたが、V-SToRM（1000エポック）では顕著なノイズ増幅が見られました。別のOSA対象者における口蓋咽頭スライスの時間的プロファイル比較では、並列イメージングはノイズの多いプロファイルで解剖学的構造と動きを不明瞭にしました。

**Figure 7.** FIGURE 7 | Prospective reconstruction comparison from a velo-pharyngeal slice of a second OSA patient during natural sleep. The left column shows the axial profile with the green line indicating the mid-temporal cut location; the right column shows the corresponding spatiotemporal profile along the anterior–posterior direction for (a) parallel imaging, (b) compressed sensing, (c) view sharing, (d) analysis manifold, (e) INMR, (f) TD-DIP, (g) V-SToRM at 5 epochs, (h) V-SToRM at 150 epochs, (i) V-SToRM at 1000 epochs and (h) self-supervised reconstruction. Analysis manifold and TD-DIP over-smooth the temporal profile with loss of collapse dynamics; INMR shows prominent high-frequency noise throughout. V-SToRM at 5 epochs show loss of temporal detail. V-SToRM at 1000 epochs shows noisier profile characteristic of prolonged training. On this patient, V-SToRM at 150 epochs and the proposed method preserves reliable air–tissue boundaries and smooth, continuous temporal evolution. Representative comparisons on more OSA patient datasets are provided in the Figure S8.解説: 自然睡眠中の別のOSA対象者の口蓋咽頭スライスからの前向き再構成の比較を示しています。左の列は軸方向プロファイルで、緑色の線は中間時間断面の位置を示しています。右の列は、(a)並列イメージング、(b)圧縮センシング、(c)ビューシェアリング、(d)分析多様体、(e)INMR、(f)TD-DIP、(g)V-SToRM 5エポック、(h)V-SToRM 150エポック、(i)V-SToRM 1000エポック、(j)自己教師あり再構成に対応する前後方向の時間空間プロファイルを示しています。分析多様体とTD-DIPは時間プロファイルを過度に滑らかにし、閉塞動態が失われています。INMRは全体的に高い周波数ノイズを示します。V-SToRM 5エポックは時間的詳細が失われ、V-SToRM 1000エポックは訓練の長期化に特徴的なノイズの多いプロファイルを示します。この対象者では、V-SToRM 150エポックと提案手法が、信頼性の高い空気と組織の境界と滑らかで連続的な時間的変化を保持しています。

圧縮センシングは空間構造を回復しますが、時間的な階段状アーチファクトを示しました。ビューシェアリングと分析多様体は時間的ぼやけが残り、診断上重要な急速な動きを抑制しました。TD-DIPの固定ヘリックス多様体は、自然睡眠中の非周期的な気道閉塞を表すことができませんでした。INMRはノイズと時間的不安定性が残りました。V-SToRMは、5エポックでは時間的詳細が失われ、1000エポックでは訓練の長期化によるノイズの多いプロファイルを示しました。この対象者では、自己教師あり再構成とV-SToRM（150エポック）の両方が、鋭い空気と組織の境界を維持し、滑らかで連続的な時間的変化を保持しました。再構成品質を臨床的に関連する基準で評価するため、3名の専門家（睡眠外科の経験を持つ耳鼻咽喉科専門家、睡眠医学認定専門家、放射線科専門家）が、提案手法を含む5つの再構成手法を盲検下で独立して評価しました。

**Figure 8.** FIGURE 8 | Expert image quality scores across 12 datasets (8 OSA patients during natural sleep and 4 healthy volunteers performing the Müller maneuver) for five reconstruction methods, evaluated independently by three expert raters—an otolaryngologist, a radiologist, and a sleep medicine physician—yielding 36 total ratings per method. Stacked bars show the distribution of scores (1 = unacceptable, 4 = excellent) for aliasing artifacts, spatial blurring, and temporal blurring. Stars denote the highest-scoring method in each category. Kruskal–Wallis tests confirmed significant differences among methods in all categories (𝑝< 0.001); pairwise Mann–Whitney U tests confirmed that the self-supervised method significantly outperformed all competing approaches (𝑝< 0.05).解説: 12のデータセット（自然睡眠中のOSA対象者8名とミュラー手技を行う健康なボランティア4名）における5つの再構成方法に対する専門家による画像品質スコアを示しています。これは、耳鼻咽喉科専門家、放射線科専門家、睡眠医学専門家の3名の専門家によって独立して評価され、各方法につき合計36の評価が得られました。積み上げ棒グラフは、エイリアシングアーチファクト、空間的ぼやけ、時間的ぼやけの3つのカテゴリーにおけるスコア（1=許容できない、4=優れている）の分布を示しています。星印は各カテゴリーで最高スコアを獲得した方法を示します。自己教師あり再構成は、すべてのカテゴリーで競合するすべての方法よりも有意に優れていると評価されました。

その結果、提案された自己教師あり再構成は、エイリアシングアーチファクト、空間的ぼやけ、時間的ぼやけのすべてのカテゴリーにおいて、他の競合アプローチよりも有意に優れていると評価されました（p < 0.001）。

生理学的検証と多部位閉塞の動態

自己教師あり再構成されたOSA対象者の口蓋咽頭スライスからの連続したフレームと、同期した呼吸努力およびSpO₂信号が示されました。

**Figure 9.** FIGURE 9 | Self-supervised reconstructed frames from the velo-pharynx of an OSA patient during natural sleep, alongside concurrent respiratory effort (red) and SpO2 (green) over a 48-s window. Vertical yellow lines mark the ≈2-s collapse interval, during which respiratory effort drops and then surges followed by SpO2 desaturation from 96% to < 89%. The delay between collapse and SpO2 nadir reflects buffering by the lung oxygen reservoir. Reconstructed frames show progressive velo-pharyngeal narrowing in temporal correspondence with the physiological signals.解説: 自然睡眠中のOSA対象者の口蓋咽頭から自己教師あり再構成されたフレームと、同期した呼吸努力（赤色）およびSpO₂（緑色）の48秒間のデータを並べて示しています。垂直の黄色の線は、約2秒間の閉塞期間を示しており、この間、呼吸努力は低下した後、急増しています。これに続いてSpO₂が96%から89%未満に低下しており、気道狭窄とSpO₂の最低値との時間的遅延は肺の酸素貯蔵による緩衝を反映しています。再構成されたフレームは、生理学的信号と時間的に対応する口蓋咽頭の進行性の狭窄を示しています。

黄色の線で示された閉塞期間中、呼吸努力は急激に低下し、その後急増しており、これは閉塞性無呼吸の生理学と一致しています。SpO₂は閉塞後に約96%から89%未満に低下しており、描画された気道狭窄とSpO₂の最低値との時間的遅延は、肺の酸素貯蔵による緩衝を反映しています。再構成されたフレームは、生理学的信号と時間的に対応する口蓋咽頭の狭窄を示しています。別のOSA対象者で、自然睡眠中の約8分間の単一スキャン中に、生理学的記録から13回の閉塞イベントが特定されました。

**Figure 10.** FIGURE 10 | Multi-site upper-airway collapse dynamics in an OSA patient with a large velum during natural sleep. (Bottom) Respiratory effort (red) and SpO2 (green) over a single ≈8-min run; gray shading marks 13 identified collapse events (≥3% SpO2 drop). Dashed lines correspond to timepoints a–e. (Top) 8 of the 11 contiguous axial slices at five timepoints (a–e) spanning a collapse and recovery sequence across the velo-pharynx, transition joint, oropharynx, and tongue base. Colored arrows indicate: Complete concentric retro-palatal collapse (yellow), lateral collapse at the velo-pharyngeal to oro-pharyngeal transition (green), partial lateral collapse at the foramen cecum of the tongue (cyan), and oro-pharyngeal partial lateral collapse (blue). Red arrows indicate localized reconstruction artifacts; further examples in Figure S6. (Right) Sagittal localizer showing 11 contiguous slice locations. The yellow circle indicates the end of the 8-min run.解説: 自然睡眠中の大口蓋帆を有するOSA対象者における、多部位上気道閉塞動態を示しています。(下) 約8分間の単一スキャンにおける呼吸努力（赤色）とSpO₂（緑色）のデータです。灰色の網掛けは、特定された13回の閉塞イベント（3%以上のSpO₂低下）を示しています。点線は時間点a～eに対応します。(上) 口蓋咽頭、移行部、中咽頭、舌根部にわたる閉塞と回復のシーケンスを示す5つの時間点（a～e）での、11枚の連続軸方向スライスのうち8枚を示しています。色付きの矢印は、完全な同心円状口蓋帆後部閉塞（黄色）、口蓋咽頭から中咽頭への移行部での側壁閉塞（緑色）、舌の盲孔部分での部分的な側壁閉塞（シアン）、中咽頭の部分的な側壁閉塞（青色）を示しています。赤色の矢印は局所的な再構成アーチファクトを示しています。(右) 11枚の連続スライス位置を示す矢状方向の局所化画像です。この図は、自然睡眠中の複雑な気道閉塞の動態を多レベルで詳細に可視化できることを示しています。

再構成された11枚の連続スライスは、複数のレベルにわたる空間的に不均一な閉塞を同時に明らかにしました。具体的には、口蓋帆後部での完全な同心円状の閉塞、口蓋咽頭から中咽頭への移行部での側壁閉塞、そして舌の盲孔部分と中咽頭での部分的な舌根部および中咽頭狭窄が観察されました。また、口蓋帆後部の同心円状閉塞が側壁閉塞および中咽頭閉塞に先行することも確認されました。これらの同時多レベルの閉塞パターンは、これまでの3～4枚の疎なスライス収集では解像できず、自然睡眠中の気道病態分類における連続的なカバレッジの重要性を浮き彫りにしています。この対象者では、再構成アーチファクトが末梢軟部組織領域にチェッカーボードパターンとして見られましたが、気道の可視性を損なうものではありませんでした。

研究の限界と今後の展望

本研究では、自己教師あり変分多様体学習フレームワークが、自然睡眠中の動的上気道MRIのロバストな実行可能性を示しました。これは、将来のOSA病態分類および手術計画の研究に情報を提供する可能性を秘めています。提案手法は、適応学習率が、固定学習率訓練下で観察されたエポック後期のアーチファクト蓄積を防ぐために不可欠であることが実証されました。V-SToRMが手動チューニングを必要とするのに対し、提案フレームワークの自己教師ありモデル選択戦略により、グラウンドトゥルースなしで自動的に優れた再構成品質を安定して維持できる点が重要です。本研究は、気道セグメンテーション（気道領域の自動分離）なしで動的画像時系列を提供していますが、変形する管腔セグメンテーションができれば、前後、側方、同心円状の狭窄を直接的かつ臨床的に解釈可能な定量化が可能となり、気道レベルを超えた閉塞のタイミング（例えば、閉塞イベント中の口蓋帆後部から中咽頭へのシーケンス）の評価や、ミュラー手技などの覚醒時操作との比較が可能になるでしょう。これは、現在の再構成技術を基盤とした今後の研究課題です。スパイラル収集では、11枚の軸方向スライス（厚さ6mm）を使用して、2mm²の平面内分解能で200ミリ秒未満の時間分解能を達成しました。実際には、首が長い対象者では上気道全体をカバーするためにより多くのスライスが必要になる場合があり、スライスカバレッジ、空間分解能、時間分解能のトレードオフを再検討する必要があります。矢状方向のスタックはより少ないスライスでこの範囲をカバーできますが、横方向の寸法はスライス厚でしか解像できないため、側方および同心円状の閉塞評価が制限されます。睡眠中の頭部の動きはコバンラップを使用して管理され、コイル内での頭部を安定させるのに効果的でした。しかし、ラン間の残存するずれは、意図した気道レベルから撮像面をずらしてしまう可能性があります。将来の課題として、適応的なスライス再処方を伴う将来のモーション追跡や、平面内シフトに影響されない3次元スラブ収集などが考えられます。再構成アーチファクトはスライスの6.06%で発生しましたが、気道の可視性には影響しませんでした。ジェネレーターの訓練損失に明示的な空間正則化を追加することで、その発生を減らすことができるかもしれません。ハイパーパラメータは単一のレトロスペクティブなボランティアデータセットで最適化され、すべてのプロスペクティブ評価で固定されました。この設定は、異なる対象者、気道解剖学、呼吸パターン、および閉塞特性にわたる前向きコホート全体にわたって変更なしで適用され、すべての競合方法よりも有意に優れていると評価された再構成結果が得られました。これは、合理的な汎化能力の経験的証拠となります。現在の再構成には、スキャン時間よりもはるかに長いスライスあたり約34～36分を要します。想定される臨床用途は、完了した自然睡眠研究後の閉塞パターンの診断的病態分類であり、スキャン中ではないため、オフライン再構成はこのワークフローに適合します。再構成時間を短縮する戦略としては、コイルスケッチング、スパイラルデータをカルテシアングリッドに事前グリッディングすること、事前訓練済みモデルからの転移学習ウォームスタート、およびスライス間のGPU並列化などが考えられます。本研究のOSAコホートは現在、主に男性であり、これは研究デザインではなく採用順を反映しています。OSAの有病率は50歳未満では男女で同等であり、50歳以上では女性で高いため、性別のバランスが取れた採用が進行中です。より広範なOSA重症度と解剖学的構造にわたる大規模コホートでのさらなる検証、および治療適格性選定のためのDISEとの比較が、臨床導入前に必要です。本研究は技術的実現可能性を確立することを目的としており、その小規模なコホートは、この方法が自然睡眠中の多スライス気道動態を再構成できることを実証するために用いられました。拡大され、より人口統計学的にバランスの取れたコホートでのDISE所見および治療結果との相関を含む臨床的有用性の検証は、現在進行中の研究の焦点です。

用語集

閉塞性睡眠時無呼吸症候群（OSA）: 睡眠中に上気道が狭くなったり閉じたりして呼吸が一時的に止まったり弱くなったりする状態。
磁気共鳴画像（MRI）: 磁気と電波を利用して体の内部を画像化する検査。放射線を使用しない。
k空間: MRIデータの生データが格納される空間。ここから画像を再構成する。
自己教師あり学習: 正解データ（グランドトゥルース）を明示的に与えずに、データ自身から特徴や構造を学習するAIの手法。
変分多様体学習: データが低次元の「多様体」という空間に存在するという仮定に基づき、複雑なデータをより単純な表現で捉える機械学習の手法。
畳み込みニューラルネットワーク（CNN）: 画像認識などで広く用いられるAIの深層学習モデルの一種。
潜在ベクトル: 複雑なデータの背後にある、より抽象的で低次元な特徴を表す数値の集まり。
ゴールデンスタンダード: ある分野において、最も信頼性が高く、標準とされている方法や基準。
DISE（薬物誘発性睡眠内視鏡）: 鎮静剤を使用して睡眠状態を再現し、内視鏡で気道の閉塞部位やパターンを直接観察する検査。
ハイパーパラメータ: 機械学習モデルの学習プロセスを制御する設定値で、事前に手動で調整される。
SER（信号対エラー比）: 再構成された画像と真の画像との間の誤差の少なさを示す指標。数値が高いほど再構成品質が良い。
MAD（平均絶対差）: 2つのデータセット間の平均的な差の絶対値。小さいほど一致度が高い。
エイリアシングアーチファクト: MRI画像において、データ収集方法の限界により生じる、実際の構造とは異なる偽のパターン。
空間的ぼやけ: 画像の鮮明度が低下し、細かい構造が不明瞭になる現象。
時間的ぼやけ: 動的な画像シリーズにおいて、動きが速すぎたり、データ収集に時間がかかったりすることで、時間方向の動きが不明瞭になる現象。
口蓋咽頭: 上気道の一部で、口蓋（口の天井）の軟らかい部分から咽頭にかけての領域。
中咽頭: 咽頭の中央部分で、口蓋咽頭のすぐ下の領域。
SpO₂（経皮的動脈血酸素飽和度）: 血液中の酸素量を皮膚の上から測定した値。