MRI画像の質を革新！ノイズと動きによるアーチファクトを同時に除去するAI「DbUSNet」とは？

9月 17, 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: Dual‐branch MRI denoising and motion artifact suppression with uncertainty estimation and segmentation‐based evaluation
Medical Physics｜被引用数: 0（2026年9月17日時点）

磁気共鳴画像（MRI）は、その優れた軟部組織コントラストにより、多くの疾患の診断に不可欠な医療画像診断モダリティです。しかし、ノイズや対象者の動きによるアーチファクトがしばしば画質を低下させ、専門家による診断の精度に影響を与える可能性があります。これらの課題に対し、従来の深層学習アプローチでは別々のタスクとして扱われたり、不確実性の評価が不足していたりといった限界がありました。本記事では、ノイズと動きによるアーチファクトを同時に抑制し、さらに処理結果の不確実性まで評価できる革新的なAIフレームワーク「DbUSNet」について、その詳細と臨床応用への可能性を「Medical Physics」誌に発表された論文に基づき解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	提案されたDbUSNetは既存の深層学習フレームワークとデータセットを用いて実現可能であり、技術的なプロトタイプが提供されている。
Ethical倫理面	医療画像診断の精度向上は、より正確な診断と治療計画に繋がり、対象者の予後改善に貢献する可能性がある。
Interesting面白さ	ノイズ除去と動きアーチファクト抑制を同時に行い、さらに不確実性まで推定する統合アプローチは、医療画像処理分野で高い関心を集める。
Novel新規性	従来の分離されたアプローチに対し、ノイズと動きアーチファクトの同時抑制、不確実性推定、そしてセグメンテーション評価を統合した点は新規性が高い。
Relevant切実さ	MRI画像の診断精度向上は、神経疾患、筋骨格系損傷、心血管疾患、がんなどの広範な診断と治療計画に直接関連し、臨床的意義が大きい。
Measurable測定可能性	PSNR、SSIM、NMSE、Diceスコアといった客観的な指標を用いて、画質向上とセグメンテーション性能改善が定量的に評価されている。
Modifiable派生・改善	HWTNetやASNetといったモジュール構成は、将来的に異なるノイズモデルやアーチファクトタイプに合わせて改良や拡張が可能である。
Structured文章構造	論文は、背景、目的、方法、結果、結論が明確に記述されており、詳細な手法と評価指標が提示されている。
PICO / PECO対象・介入・比較・結果	P(対象者): MRI画像にノイズや動きアーチファクトがある対象者。 I(介入): DbUSNetによるノイズ除去・動きアーチファクト抑制・不確実性推定。 C(比較): 従来のノイズ除去・動き補正手法、あるいは未処理画像。 O(結果): 画質向上、ダウンストリームタスク（セグメンテーション）性能の改善。

MRI画質向上における喫緊の課題

どうも、Beyond the Pixelです。磁気共鳴画像（MRI）は、その優れた軟部組織コントラストにより、多くの疾患の診断に不可欠な医療画像診断モダリティです。しかし、撮像中に発生するノイズや対象者の不随意な動きによって生じるアーチファクト（本来存在しない画像上の構造）がしばしば画質を低下させ、専門家による診断の精度に影響を与える可能性があります。従来の深層学習を用いたアプローチでは、ノイズ除去と動きアーチファクト抑制を別々のタスクとして扱うことが多く、画像内のピクセル相関や多様なノイズレベルへの対応が不十分でした。また、多くの場合、手動でのパラメーター調整が必要とされ、処理結果の不確実性を評価する機能も欠けていたため、実際の臨床現場での実用性が限られていました。

DbUSNet：適応型二分岐ネットワークの登場

このような課題に対し、この研究では「Dual-branch MRI Denoising and Motion Artifact Suppression with Uncertainty Estimation and Segmentation-based Evaluation（DbUSNet）」という新しいフレームワークを開発しました。DbUSNetは、様々なレベルのノイズと動きアーチファクトに適応的に対応し、複雑な構造的詳細を保持しながら、処理された出力に対する不確実性の推定値を提供するように設計されています。これにより、画像セグメンテーションのようなダウンストリームタスク（後続のタスク）への新たな洞察をもたらす可能性を秘めています。

**Figure 1.** FIGURE 1 Structure of Dual-branch MRI Denoising and Motion Artifact Suppression Network with Uncertainty Estimation and Segmentation-based Evaluation (DbUSNet).解説: DbUSNetの構造を示しています。ノイズ除去ブランチと動きアーチファクト抑制ブランチの二つの主要なブランチがあり、それぞれがノイズ推定とアーチファクト推定のサブネットワークと連携し、最終的に融合モジュールと不確実性推定モジュールを経て出力画像を生成する流れが示されています。

DbUSNetの技術的核：二つの専門ブランチ

DbUSNetは、二つの専門的なブランチ（枝分かれしたネットワーク構造）を統合しています。一つは、局所的およびグローバルな特徴モデリングを用いて適応的なノイズ除去を行う「Heterogeneous Window Transformer Network（HWTNet）」です。もう一つは、改良されたU-Netベースの「Motion Artifact Suppression Network（ASNet）」で、動きアーチファクトを抑制します。各ブランチには、入力画像に特有の劣化レベルを動的に評価し、適応するためのサブネットワーク（ノイズ推定サブネットワーク：NES、アーチファクト推定サブネットワーク：AES）が組み合わされています。これにより、モデルは固定されたグローバルなノイズモデルに依存することなく、ピクセルごとのノイズおよびアーチファクトレベルを推定し、基礎となる画像生成プロセスに適応できます。両ブランチの出力は、アテンションベースの融合モジュールを介して統合されます。推論中の不確実性は、Monte Carlo（MC）ドロップアウト（深層学習モデルの予測の信頼度を評価する手法）を用いて定量化されます。

**Figure 2.** FIGURE 2 Denoising Branch, Heterogeneous Window Transformer Network (HWTNet).解説: HWTNet（Heterogeneous Window Transformer Network）の構造を示しています。これはDbUSNetのノイズ除去ブランチとして機能し、ヘッド、Global Window Transformer Enhancement Block（GTEB）、Transformer Direction Enhancement Block（TDEB）、およびテールから構成され、長距離および短距離のピクセル相互作用をモデリングします。

**Figure 3.** FIGURE 3 Structure of fusion module.解説: 融合モジュールの構造を示しています。ノイズ除去された画像と動きアーチファクト抑制された画像を、特徴マップ選択モジュール（SFM）、特徴強化モジュール（FEM）、およびグローバル特徴抽出ブランチ（GFEB）を介して融合し、最終的な出力画像を生成します。

トレーニングと評価に使用されたデータセット

モデルのトレーニングとテストには、Brats2021データセット（2000サンプル）からの脳MRスキャン、OpenNeuroデータセット（22サンプル）、MR-ARTデータセット（148サンプル）からのデータが使用されました。これらのデータセットには、合成されたライシアンノイズ（MRIマグニチュード画像に特徴的に現れるノイズの種類）と動きアーチファクトが導入されています。また、ダウンストリームタスクであるセグメンテーション性能は、Medical Segmentation Decathlon（MSD）脳データセット（1666サンプル）と前立腺MRデータセット（203サンプル）で評価されました。

ノイズと動きアーチファクトのシミュレーション

MR画像におけるノイズとアーチファクトは、データ取得および再構成中の異なる物理的プロセスから生じます。ノイズは基本的に、対象者の身体や受信コイルにおける熱変動に起因し、取得されるk空間信号のランダムな変動として現れます。単一コイルシステムから再構成されたマグニチュード画像では、このノイズはライシアン分布に従います。この研究では、SNR（信号対雑音比）10〜30 dBの範囲の合成ライシアンノイズを導入し、ノイズの標準偏差σは一様分布U(0.02, 0.15)からランダムにサンプリングされました。これにより、標準的なスキャンプロトコルで遭遇するノイズ強度をカバーしています。画像アーチファクトは、撮像されたオブジェクトには存在しない系統的な歪みです。対象者の動きによるアーチファクト（例えば、並進、回転）、周期的な動きによるゴースティング、磁場不均一性による磁化率アーチファクトなどが含まれます。ノイズとは異なり、アーチファクトはしばしば構造的で空間的に依存します。この研究では、現実的な動きアーチファクトMRIデータを合成するために、k空間ベースの剛体運動シミュレーションフレームワーク（view2Dmotion）を採用しました。この方法では、シミュレートされたCartesianサンプリング中に位相エンコードされたk空間データが摂動され、各位相エンコードビューがランダムな剛体変換（面内並進と回転を含む）によって個別に破損されます。このプロセスは、実際の対象者の動きと高度に一致するゴースティングアーチファクト、空間的な位置ずれ、および信号のぼやけを自然に生成します。

DbUSNetの驚くべき性能

DbUSNetは、Brats2021、OpenNeuro、MR-ARTの各テストセットにおいて、高い性能を示しました。具体的には、PSNR（ピーク信号対雑音比）はそれぞれ28.23 dB、27.13 dB、27.83 dB、SSIM（構造的類似性指標）はそれぞれ0.93、0.91、0.92、NMSE（正規化平均二乗誤差）はすべて0.08を達成しました。これらの数値は、処理後の画像が元の画像に非常に忠実であり、構造的な詳細がよく保持されていることを示しています。ダウンストリームタスクであるセグメンテーションでは、ノイズ除去と動きアーチファクト抑制された出力が、MSD脳データセットにおいてT1、T1ce、FLAIR、T2モダリティで平均Diceスコア（セグメンテーション精度を評価する指標）をそれぞれ3.10%、3.59%、2.46%、2.15%改善させました。前立腺データセットでは、T2とADCシーケンスでそれぞれ2.16%、2.24%の改善が見られました。この結果は、画像品質の向上が診断タスクの精度に直接貢献することを示唆しています。この研究で提案されたDbUSNetは、他のノイズ除去や動きアーチファクト抑制の方法と比較しても、統計的に有意な改善を達成しています。

**Figure 4.** FIGURE 4 Performance distribution of different methods. Dataset1 (Brain MRI, clinical data, test), Dataset2 (Brain MRI, volunteer data, test), and Dataset5 (Brain MRI, volunteer data, test).解説: 異なる手法の性能分布を示しています。Dataset1（脳MRI、臨床データ、テスト）、Dataset2（脳MRI、ボランティアデータ、テスト）、Dataset5（脳MRI、ボランティアデータ、テスト）において、PSNR、SSIM、NMSEの評価指標で比較されています。

定性的な比較では、提案手法が他のアプローチと比較して優れた性能を持つことが示されています。

**Figure 5.** FIGURE 5 Comparison of the output results of proposed method with other denoising or motion artifact suppression methods. The red area at the bottom right is a 2× scale view of the region of interest (ROI). Label readout / frequency encoding direction with solid blue arrow, label phase encoding (PE) direction with red dotted arrow. Dataset1 (Brain MRI, clinical data, train and test), Dataset2 (Brain MRI, volunteer data, train and test), and Dataset5 (Brain MRI, volunteer data, train and test).解説: 提案手法と他のノイズ除去または動きアーチファクト抑制手法の出力結果を比較したものです。各手法の処理前後の画像が並べられ、特定の関心領域（ROI）の拡大図も示されており、画質の改善が視覚的に比較できます。

アブレーション研究：各モジュールの貢献

提案手法の性能を検証するため、アブレーション研究（各構成要素の効果を検証する実験）が実施されました。NES（ノイズ推定サブネットワーク）とAES（アーチファクト推定サブネットワーク）がDbUSNetの重要な構成要素であり、これらがノイズレベルとアーチファクトレベルを適応的に推定することで、最適なノイズ除去と動きアーチファクト抑制を可能にすることが示されました。実験では、NESとAESを統合したDbUSNetのフルモデル（M4）が最高のノイズ除去および動きアーチファクト抑制性能を達成し、PSNRは28.23±1.02 dB、SSIMは0.93±0.05、NMSEは0.08±0.01に改善しました。これらの結果は、アダプティブな処理の重要性を強調しています。NESとAESモジュールは、HWTNetとASNetが画像の局所的な内容と劣化レベルに基づいて処理を調整することを可能にします。この適応性は、MRIにおける劣化の不均一で複雑な性質に対処するための重要な要素であり、簡易化されたノイズモデルで訓練されたデータであっても有効であることが実証されました。

**Figure 6.** FIGURE 6 Performance distribution of denoising and motion artifact suppression ablation experiments contributed by different modules. Dataset1 (Brain MRI, clinical data, test), Dataset2 (Brain MRI, volunteer data, test), and Dataset5 (Brain MRI, volunteer data, test).解説: 異なるモジュールが貢献するノイズ除去と動きアーチファクト抑制のアブレーション実験の性能分布を示しています。Dataset1、Dataset2、Dataset5のテストセットにおいて、PSNR、SSIM、NMSEの各指標が評価されています。

専門家による画質評価

ブラインド化された人間による画質評価を定量的に行うため、Dataset1、Dataset2、Dataset5から画像スライスをランダムにサンプリングし、脳MRI経験が5年、8年、10年の3名の専門家が独立して評価を行いました。評価は、動きアーチファクトの程度を示す1〜5点のスコアシステム（

**Table 1.** TABLE 1 Scores. For motion artifact suppression, a 1-5 point scoring system is used.解説: 動きアーチファクト抑制に関するスコアシステムを示しています。1〜5点の評価システムで、動きアーチファクトの状態を記述しています。

）に基づいています。評価者間の一致度を定量化するためにICC(2,1)（級内相関係数）が算出され、0.77から0.88の値を示し、実質的から優れた一致があることが示されました。DbUSNetで処理された画像の平均スコアは、動きアーチファクトのある元の画像と比較して一貫して高く、画質が改善されたことが専門家によっても認められました。

**Table 2.** TABLE 2 Three radiologists scored the original or generated image before motion artifact suppression and the output image after motion artifact suppressed and denoised.解説: 動きアーチファクト抑制前後の元の画像と出力画像について、3名の専門家がスコアを付けた結果を示しています。Dataset1、Dataset2、Dataset5における評価者の平均スコアとSD、およびICC(2,1)が報告されています。

ただし、この定性的所見の広範な臨床集団への外挿は、実際の動きデータセットのサンプルサイズが限られていることや、健常対象者のみの構成であることにより制約されると著者らは述べています。

臨床応用への展望：セグメンテーションタスクでの優位性

ノイズ除去と動きアーチファクト抑制の実用的な有効性をさらに検証するため、ダウンストリームタスクとしてDataset3（脳）とDataset4（前立腺）におけるセグメンテーション性能が評価されました。ここでは、セグメンテーションモデルとしてnnUNetをベースラインとして使用し、ノイズ除去/動きアーチファクト抑制されたMR画像に不確実性マップを補助入力チャンネルとして追加してトレーニングを行いました。DbUSNetとセグメンテーションモデルの間で、厳格な対象者レベルでのデータ分離が適用され、データリークがないことが確認されています。

**Figure 7.** FIGURE 7 Comparison of segmentation predictions before/after denoising and motion artifact suppressing. Columns (left to right): (1) original images, (2) output, (3) residual, (4) uncertainty map, (5) mask label, (6) predicted mask from original image, (7) predicted mask from output image (w/o uncertainty), (8) predicted mask from output image (with uncertainty). Label readout / frequency encoding direction with solid blue arrow, label phase encoding (PE) direction with red dotted arrow. In segmentation results, red, green, and blue denote necrotic tumor core, enhancing tumor, and peritumoral edema, respectively. Dataset3 (Brain MRI, clinical data, segmentation train and test), Dataset4 (Prostate MRI, clinical data, segmentation train and test).解説: ノイズ除去および動きアーチファクト抑制の前後におけるセグメンテーション予測の比較を示しています。元の画像、出力画像、残差、不確実性マップ、マスクラベル、元の画像からの予測マスク、不確実性なしの出力画像からの予測マスク、不確実性ありの出力画像からの予測マスクがそれぞれ列ごとに表示されています。セグメンテーション結果では、壊死性腫瘍核が赤、増強性腫瘍が緑、腫瘍周囲浮腫が青で示されています。

アブレーション分析により、セグメンテーションタスクにおけるノイズ除去、動きアーチファクト抑制、および不確実性マップそれぞれの貢献が定量化されました。DbUSNet（SE5）のスキームは、元の画像に基づくセグメンテーション（SE1）と比較して、Diceスコアにおいて統計的に有意な改善を達成しました（すべての修正p値 < 0.007）。Dataset3ではT1で2.76%、T1ceで3.11%、FLAIRで2.23%、T2で1.92%の改善が見られました。Dataset4ではT2で2.59%、ADCで2.07%の改善が確認されました。不確実性マップなしのノイズ除去と動きアーチファクト抑制のみのスキーム（SE4）と比較しても、不確実性マップモジュールの独自の貢献が検証され、一貫した統計的に有意な改善が得られました。

**Figure 8.** FIGURE 8 Performance distribution of segmentation ablation experiments contributed by different modules. Dataset3 (Brain MRI, clinical data, test) and Dataset4 (Prostate MRI, clinical data, test).解説: 異なるモジュールによって貢献されるセグメンテーションアブレーション実験の性能分布を示しています。Dataset3（脳MRI、臨床データ、テスト）とDataset4（前立腺MRI、臨床データ、テスト）において、Dice値が評価されています。

個々のモジュールの貢献としては、ノイズ除去がセグメンテーション性能に最も大きく寄与し（0.49%～2.23%）、次いで動きアーチファクト抑制（0.21%～2.27%）、そして不確実性マップが追加で0.20%～1.14%の向上をもたらしました。

**Table 3.** TABLE 3 Dataset3. Ablation study for segmentation, the Dice values of the original image, the denoised image, the motion artifact suppressed image, and the image with/without uncertainty解説: Dataset3でのセグメンテーションのアブレーション研究結果を示しており、元の画像、ノイズ除去画像、動きアーチファクト抑制画像、および不確実性あり/なしの画像におけるDice値が報告されています。T1、T1ce、FLAIR、T2モダリティのDice値の平均±SD、中央値、IQRが示されています。

**Table 4.** TABLE 4 Dataset4. Ablation study for segmentation, the Dice values of the original image, the denoised image, the motion artifact suppressed image, and the image with/without uncertainty解説: Dataset4でのセグメンテーションのアブレーション研究結果を示しており、元の画像、ノイズ除去画像、動きアーチファクト抑制画像、および不確実性あり/なしの画像におけるDice値が報告されています。T2およびADCシーケンスのDice値の平均±SD、中央値、IQRが示されています。

これらの結果は、DbUSNetの各コンポーネントが独立して、かつ累積的にセグメンテーション性能の向上に貢献することを示唆しており、ノイズ除去、動きアーチファクト抑制、不確実性ガイダンスを統合した提案パイプラインが、ダウンストリームの医療画像セグメンテーションにおいて、一貫した統計的にロバストな改善をもたらすことを支持しています。これらの利点は、サンプルサイズや撮像モダリティが異なる脳および前立腺の両データセットで維持されています。

結論と今後の展望

本研究で提案されたDbUSNetは、MRI画像におけるノイズ除去と動きアーチファクト抑制を同時に実行する適応型二分岐ネットワークです。HWTNetによるグローバルおよびローカル特徴抽出を伴うノイズ除去と、ASNetによる動きアーチファクト抑制を統合し、画像融合モジュールを使用して、ノイズ除去および動きアーチファクト抑制された画像を融合し、品質が向上した出力画像を得ます。DbUSNetの主要な強みの一つは、適応型ノイズおよびアーチファクト推定サブネットワーク（NESとAES）であり、これにより手動でのパラメーター調整が不要になります。この適応性により、モデルは各入力画像の特定の特性に合わせてノイズ除去および動きアーチファクト抑制戦略を調整でき、精度とロバスト性が向上します。さらに、DbUSNetは推論中にMCドロップアウトを介して不確実性推定を組み込み、ノイズ除去および動きアーチファクト抑制された各ピクセルに対する信頼度を測定します。この不確実性マップは、画像セグメンテーションのようなダウンストリームタスクにおいて、高い不確実性のある領域が専門家によるさらなるレビューのために指摘される可能性があるため、有用であることが示唆されます。この研究の限界として、計算複雑性、特にHWTNetとMCドロップアウトに基づく不確実性推定に起因する課題が挙げられています。将来的には、リアルタイムアプリケーション向けにモデルの効率を最適化し、他の体器官への適用可能性を探ることが課題とされています。また、トレーニングと評価には空間的に不変なライシアンノイズモデルが合成のために使用されましたが、これは臨床のマルチコイルMRIシステムにおける空間的に相関のある、非ライシアンノイズ特性を完全に捉えているわけではありません。今後は、非中心カイ分布のような生理学的により根拠のあるノイズモデルを統合し、生のk空間データやノイズスキャンを活用して経験的なノイズマップを推定することで、ノイズ除去フレームワークとMR画像形成プロセスの関連性をさらに強化することが求められています。

用語集

アーチファクト: 画像に現れる、本来存在しないパターンや構造。MRIでは対象者の動きや磁場不均一性などによって生じる。
ノイズ: 画像に混入する不要な信号。MRIでは主に熱的変動に起因し、画質を低下させる。
ライシアンノイズ: MRIのマグニチュード画像に特徴的に現れるノイズの種類。
PSNR (ピーク信号対雑音比): 画像品質を評価する指標の一つで、元の画像と処理後の画像との差をデシベル（dB）で示す。数値が高いほど画質が良い。
SSIM (構造的類似性指標): 画像品質を評価するもう一つの指標。人間の視覚システムが感じる画像の構造的な類似性を0から1の範囲で評価する。数値が高いほど類似性が高い。
NMSE (正規化平均二乗誤差): 画像の再構成誤差を定量化する指標。数値が低いほど誤差が少ない。
Diceスコア: 画像セグメンテーションの性能を評価する指標で、予測された領域と真の領域との重複度合いを示す。0から1の範囲で、1に近いほど精度が高い。
MCドロップアウト (Monte Carlo Dropout): 深層学習モデルの予測における不確実性を推定するための手法。推論時にもドロップアウトを有効にして複数回推論を実行し、その結果のばらつきから不確実性を評価する。
HWTNet (Heterogeneous Window Transformer Network): DbUSNetのノイズ除去ブランチで、局所的・グローバルな特徴をモデリングし、適応的にノイズを除去する。
ASNet (Motion Artifact Suppression Network): DbUSNetの動きアーチファクト抑制ブランチで、U-Netを基盤とし、動きアーチファクトを抑制する。
NES (Noise Estimation Subnetwork): DbUSNetの一部で、画像内のノイズレベルをピクセル単位で推定するサブネットワーク。
AES (Artifact Estimation Subnetwork): DbUSNetの一部で、画像内の動きアーチファクトレベルをピクセル単位で推定するサブネットワーク。
ダウンストリームタスク: あるタスク（ここでは画像の前処理）の出力が次のタスク（ここでは画像セグメンテーション）の入力となるような、一連の処理プロセスにおける後続のタスク。