PET/CTの呼吸性ミスマッチ問題を解決する深層学習：バナナアーチファクトを効率的に除去

解説対象論文: Effective elimination of respiratory misregistration-induced attenuation correction errors in PET/CT via deep learning trained on data-driven gated PET from strictly respiratory-phase-matched PET/CT cases
EJNMMI Physics｜被引用数: 0（2026年8月10日時点）

PET/CT検査は病気の診断に非常に有効ですが、対象者さんの呼吸による体の動きが、画像の質を低下させることがあります。特に、PET画像の「減弱補正」に使うCT画像との間に呼吸のずれが生じると、「バナナアーチファクト」と呼ばれる診断を妨げる影が現れることがあります。本ブログでは、この長年の課題に対し、画期的なディープラーニング（深層学習）を用いた新しい減弱補正（AC）法がどのようにして、呼吸性ミスマッチによる画像エラーを効果的に排除し、より正確な診断を可能にするのか、最新の研究論文をもとにご紹介します。

Feasible実施可能性	既存のDiscovery MI-25 PET/CTスキャナーとディープラーニングモデルで実現可能。
Ethical倫理面	既存の臨床データを使用し、対象者に追加の放射線被ばくを伴わない手法。
Interesting面白さ	PET/CT診断を妨げる呼吸性ミスマッチによるバナナアーチファクトを効果的に除去する。
Novel新規性	データ駆動型ゲーティングPETから得られた厳密な呼吸位相一致データで学習した点が新規性。
Relevant切実さ	PET/CT画像診断の信頼性と解釈の向上に直接貢献し、臨床現場での実用性が期待される。
Measurable測定可能性	MAE、RMSE、PSNR、SSIM、ピアソン相関係数、BA削減率で定量的評価を実施。
Modifiable派生・改善	将来的に3Dモデル化、SUV定量の改善、多様な体型への適応、転移学習による多施設展開が可能。
Structured文章構造	対象者の厳選、5分割交差検証、アーチファクト削減テストなど、体系的な研究デザイン。
PICO / PECO対象・介入・比較・結果	対象者: 呼吸性ミスマッチによるPET/CTの減弱補正エラーを持つ。介入: DLAC（DDG PET学習）。比較: 従来のCTAC。結果: BAの有効な除去と臨床解釈の向上。

PET/CTにおける呼吸性ミスマッチの課題

どうも、Beyond the Pixelです。医療画像診断において、PET/CTはがんなどの診断に不可欠なモダリティですが、呼吸による体の動きが画像の質に影響を与えることがあります。特に、PET画像とCT画像が呼吸のタイミングでずれてしまう「呼吸性ミスマッチ」は、診断を困難にする問題を引き起こします。このミスマッチは、PET画像の減弱補正（AC）にCT画像を用いる際に発生し、しばしば「バナナアーチファクト（BA）」と呼ばれる現象を生じさせます。これは、横隔膜直下のトレーサー（薬剤）の取り込みが実際よりも低く評価されるというもので、肝臓上部や下肺野でよく見られます。呼吸性ミスマッチは、PETデータの定量的精度と病変の位置特定を低下させ、診断の妨げとなります。この課題に対し、本研究はディープラーニングを用いた新しい減弱補正法（DLAC）を提案し、その有効性を検証しました。

データ駆動型ゲーティングPET（DDG PET）とディープラーニングの融合

呼吸による画像のぼやけを低減するために、「データ駆動型ゲーティングPET（DDG PET）」という技術が注目されています。これは外部デバイスを使用せず、PETの生データから直接呼吸の動きを抽出し、特定の呼吸フェーズ（通常は呼気終末期）の画像再構成を行うものです。DDG PETは、横隔膜周辺の画像のぼやけを効果的に軽減し、病変の検出と輪郭の明確化を向上させます。しかし、CT画像がDDG PETの呼吸フェーズと一致しない場合、このDDG PETによってぼやけが軽減されたことで、局所的な減弱補正エラーが増幅され、バナナアーチファクトがより顕著になる可能性があります。従来の解決策として、呼吸フェーズを一致させたCT画像を取得するためのシネCTが提案されていますが、放射線被ばくの増加が懸念され、広く臨床には普及していません。

本研究では、このような呼吸性ミスマッチによるバナナアーチファクトを効果的に低減するため、ディープラーニングを活用したCTレス減弱補正（DLAC）モデルの開発に焦点を当てました。特に、学習データとして、DDG PETから得られた厳密に呼吸フェーズが一致したPET/CTデータを使用することで、モデルの精度向上を目指しました。このモデルは、非減弱補正PET（NAC-PET）画像から、減弱補正済みのDLAC PET画像を直接生成します。

研究方法：厳選された学習データと評価戦略

本研究では、2022年10月から2024年2月にかけて滋賀総合病院臨床研究センターで実施された1137件の全身18F-FDG PET/CTスキャンをレトロスペクティブに解析しました。学習、検証、テスト用のデータセットを構築するために、上腹部におけるPETとCTの画像アライメントを視覚的に評価し、2つのグループに分類しました。

対象者の選択
まず、「整列良好ケース（WA-cases）」として、PETとCTの間に明らかな位置ずれがない255ケースを慎重に選択しました。これらのケースでは、肝臓から腎臓までの臓器の大きな位置ずれがなく、肝臓上端の位置ずれが1スライス以内でした。次に、「バナナアーチファクトケース（BA-cases）」として、典型的なバナナアーチファクトを示す387ケースをテストデータとして選択しました。残りの495ケースは、典型的なバナナアーチファクト以外のPET-CTミスマッチを含んでいたため、主解析からは除外されました。

PET/CT撮像と画像再構成
データはGE Healthcare社製Discovery MI-25 PET/CTスキャナーで取得されました。PET撮像にはQ.Staticと呼ばれるデータ駆動型ゲーティング（DDG）法が適用され、呼吸によるぼやけが除去されました。Q.Staticでは、呼気終末期に相当する30～80%の呼吸フェーズ範囲のデータがPET画像再構成に用いられました。

画像前処理とディープラーニングモデル
すべての対象者に対し、非減弱補正PET（NAC-PET）画像と、対応するCT減弱補正PET（CTAC-PET）画像が準備されました。画像ピクセル値は標準化摂取量（SUV）に変換され、特に除脂肪体重補正SUV（SUVlbm）が使用されました。NAC-PETのボクセル値は、対象者のBMIを乗じて補正されました。ディープラーニングモデルには、条件付き敵対的生成ネットワーク（cGAN）の一種である2D pix2pixフレームワークが採用されました。このモデルは、NAC-PETをインプットとして、CTAC-PETに類似するDLAC PET画像を生成するように訓練されました。

評価戦略
提案手法の性能は、以下の3つの戦略に基づいて評価されました。

1. DLAC予測の精度評価: 255のWA-casesを対象に5分割交差検証を実施し、DLAC-PET画像の定量的および定性的な精度を評価しました。定性的評価では、専門家が肝臓と横隔膜の形状の再現性、スライス間の連続性、肝臓の取り込みが許容範囲内であるかを評価しました。

定量的評価では、平均絶対誤差（MAE）、二乗平均平方根誤差（RMSE）、ピーク信号対雑音比（PSNR）、構造的類似性（SSIM）、ピアソン相関係数（r）の5つの指標が算出されました。
2. バナナアーチファクト抑制効果の評価: 387のBA-casesに対し、WA-cases全体で学習したモデルを用いてテストし、バナナアーチファクトの低減性能を評価しました。バナナアーチファクトの長さの定量的な測定と、バナナアーチファクト削減率（rBAR）が計算されました。
3. 呼吸位相一致ケース厳選の有効性の評価: WA-casesとBA-casesを組み合わせたデータセットで学習した「混合ケースモデル」と、提案したWA-casesモデルを比較し、厳選された学習データの有効性を検証しました。

さらに、バナナアーチファクト以外の位置ずれがあるケースでの性能を明らかにするため、除外された495ケースからランダムに20ケースを選択し、追加テストを実施しました。

研究結果：バナナアーチファクトの顕著な改善

WA-casesにおけるDLACの推定結果は、CTAC-PETと非常に高い相関を示しました。代表的なケースでは、DLAC-PETはCTAC-PETと肝臓の形状と取り込みが類似し、スライス間の連続性も確保されていました。

ヒストグラム解析でも、CTAC-PETとDLAC-PETの分布は類似しており、両者の間には強い線形関係が確認されました。

専門家による視覚的評価では、肝臓の形状、横隔膜の形状、スライスの連続性のいずれも、ほとんどのケースで臨床的に許容可能なレベルで再現されました。ただし、NAC-PET画像の画質が劣化している対象者（例えば、BMIが高い対象者や肺底部に高集積が見られる対象者）では、一部の評価項目で結果が不良となるケースも認められました。

定量的評価では、MAE 0.029、RMSE 0.086、PSNR 35.5 dB、SSIM 0.937、r 0.984という優れた数値を示し、高い画像類似性が確認されました。

バナナアーチファクト（BA）の抑制性能評価では、387のBA-casesのうち385ケース（99.5%）でDLAC-PET画像において肝臓上端の位置がNAC-PETに近づき、BAが効果的に抑制されました。特に366ケース（94.6%）では、BAが検出されなくなりました。これは、従来の方法で生じる大幅な位置ずれが、DLACによって大幅に改善されることを示しています。

BAの長さの変化の分布を見ると、CTAC-PETで観察された元の位置ずれ（dNAC-CTAC）が、DLAC法適用後の残存位置ずれ（dNAC-DLAC）へと顕著に減少していることが示されています。

平均rBARは97.5%に達しました。最大44.8mmのBAを持つケースでも完全にBAが除去された例もあり、最も改善が少なかったケースでもBAは20%削減されました。

この結果は、提案手法がBAを低減する上で顕著な効果を持つことを示しています。

呼吸位相一致ケース厳選の有効性も確認されました。WA-casesとBA-casesを混合したデータで学習したモデルは、バナナアーチファクト様の減弱補正エラーを生成する傾向がありましたが、厳選されたWA-casesのみで学習したモデルは、そのようなエラーなしに肝臓の形状を正確に再現しました。

さらに、本手法はバナナアーチファクト以外の位置ずれがあるケースにおいても、NAC-PET画像と解剖学的に一貫性のある減弱補正PET画像を生成できることが、追加テストで示唆されました。

考察と今後の展望

本研究で開発されたDLAC法は、呼吸性ミスマッチによって引き起こされるバナナアーチファクトを、CT画像なしで効果的に軽減できることが実証されました。DDG PETと厳密に呼吸位相が一致したPET/CTデータで学習したモデルは、呼吸同期CTを必要とせずに、アーチファクトのない減弱補正画像を推定することに成功しました。

我々の研究は、Shiri et al.やLi et al.といった先行研究と比較して、上腹部における減弱補正の精度が向上していることを示唆しています。これは、DDG PETの呼吸位相一致データを選定して学習データとして使用し、各解剖学的領域に特化したモデルを開発することが精度向上に寄与する可能性を示唆しています。ただし、本研究にはいくつかの限界があります。各臓器や病変ごとのSUVの詳細な評価は行われていません。DLAC-PET画像において、わずかなSUVlbmの過大評価が見られるケースもありましたが、その臨床的影響は今回の解析では判断できませんでした。今後は、詳細な局所SUV解析を実施し、定量的信頼性をさらに評価・改善する必要があります。

また、本研究で開発されたモデルは、同一のスキャナーで取得された画像にのみ適用可能である可能性があります。複数の医療施設への適用には、転移学習（トランスファーラーニング）が有効であるかもしれません。計算コストを削減するため2Dモデルが採用されましたが、将来的に3Dモデルを導入することで、より安定した正確なモデルが構築できる可能性があります。このDLACフレームワークは、追加のハードウェアや再スキャン、放射線被ばくの増加を必要とせず、画像アーチファクトを除去するための低コストなツールです。現在の臨床現場では、PETとCTが正確に一致するPET/CTケースは約20%に過ぎないため、本手法が提供するアーチファクトのない参照画像は、臨床解釈を向上させる上で大きな価値を持つでしょう。

結論

本研究では、18F-FDG PET/CT撮像におけるDLACアプローチを開発し、その有効性を評価しました。データ駆動型ゲーティングによって得られた、位置ずれのないNAC-PETおよびCTAC-PETのペアで学習された我々のモデルは、ほぼすべての問題のあるケースにおいて、バナナアーチファクトを効果的かつ一貫して低減しました。生成された画像は有用な参照画像として機能し、典型的なバナナアーチファクトが見られるケースでの臨床解釈の向上に貢献する可能性があります。

用語集

• PET/CT: 陽電子放出断層撮影（PET）とX線コンピューター断層撮影（CT）を組み合わせた画像診断装置。機能情報と形態情報を同時に取得できる。
• 減弱補正 (AC): PET画像は体内の組織によるガンマ線の吸収（減弱）を受けるため、これを補正して正確なトレーサー分布を反映させる処理。
• バナナアーチファクト (BA): 呼吸性ミスマッチにより、横隔膜直下でトレーサー（薬剤）の取り込みが実際より低く評価される、バナナのような形に見えるアーチファクト。
• 呼吸性ミスマッチ: PET撮像中の呼吸フェーズと、減弱補正に用いられるCT撮像時の呼吸フェーズが一致しないこと。
• データ駆動型ゲーティング (DDG) PET: 外部デバイスなしにPETの生データから呼吸の動きを抽出し、特定の呼吸フェーズのデータを再構成することで、呼吸による画像のぼやけを低減する技術。
• ディープラーニング (DL): 多層のニューラルネットワークを用いてデータから特徴を自動学習する機械学習の一種。医療画像解析に応用されている。
• CTレス減弱補正 (DLAC): CT画像を使用せずに、ディープラーニングを用いてPET画像の減弱補正を行う手法。
• 非減弱補正PET (NAC-PET): 減弱補正が施されていないPET画像。トレーサーの実際の分布とは異なる見え方をする。
• CT減弱補正PET (CTAC-PET): CT画像を用いて減弱補正が施されたPET画像。一般的に標準とされるPET画像。
• DLAC PET: ディープラーニングベースのCTレス減弱補正（DLAC）モデルによって生成された減弱補正済みPET画像。
• 標準化摂取量 (SUV): PET検査でトレーサー（薬剤）の組織への取り込みを定量的に示す指標。体重などで標準化される。
• 条件付き敵対的生成ネットワーク (cGAN): 入力画像に基づいて特定の出力画像を生成するために訓練される、ディープラーニングの一種（GANの変種）。