PET/CTの呼吸性移動補正：AIが導く高精度診断の未来

August 10, 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: Deep learning-aided respiratory motion compensation in PET/CT: addressing motion induced resolution loss, attenuation correction artifacts and PET-CT misalignment
European Journal of Nuclear Medicine and Molecular Imaging｜被引用数: 21（2026年8月10日時点）

PET/CT検査は、疾患の診断や病期分類に不可欠な画像診断法ですが、呼吸による体の動きがその精度を低下させる大きな課題でした。特に胸腹部の検査では、呼吸性移動によって画像がブレたり、PET画像とCT画像の位置がずれたりすることで、診断が難しくなることがありました。しかし、最新のディープラーニング技術がこの課題を解決し、よりクリアで正確なPET/CT画像を提供する統一的なアプローチが開発されました。本記事では、この革新的な技術について詳しく解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	大規模な過去データセットを用いてモデルを訓練し、既存PET/CTスキャナーで9分程度で処理可能と示され、実装は実行可能です。
Ethical倫理面	後ろ向き研究のため、対象者からのインフォームドコンセントは免除され、倫理的承認を得て実施されました。
Interesting面白さ	呼吸性移動によるPET/CT画像の3大課題を一貫して解決する、初のデータ駆動型統合ソリューションを提案しています。
Novel新規性	外部デバイス不要で、PETのブレ、減弱補正アーチファクト、PET-CT位置ずれを同時に補正する初の統一的解決策です。
Relevant切実さ	呼吸性移動による診断精度低下という医療上の重要な課題を解決し、より正確な疾患検出と病期分類に貢献します。
Measurable測定可能性	SUVmaxおよびSUVmeanの定量的評価、および病変の検出数や輪郭の鮮明さで診断能力を測定しています。
Modifiable派生・改善	トレーニングデータセットやディープラーニングモデルの改良により、将来的に他のトレーサーや多様な対象者への適用が可能であると述べられています。
Structured文章構造	論文は明確な目的、方法、結果、結論で構成されており、ディープラーニングモデルの詳細や検証方法も記述されています。
PICO / PECO対象・介入・比較・結果	P: 胸腹部PET/CTを受ける対象者, I: ディープラーニングを用いたデータ駆動型uRMC, C: モーション補正なし（NMC）またはデバイスベースuRMC, O: 画像品質向上、SUV値増加、診断能力向上。

PET/CTにおける呼吸性移動の課題とその影響

どうも、Beyond the Pixelです。PET/CTは、シリコン光電子増倍管やタイムオブフライト（TOF）技術といったハードウェアの進歩、そして新しい画像再構成アルゴリズムなどのソフトウェアの改良により、その臨床応用が著しく拡大してきました。これらの進歩によって、PET/CTシステムは空間分解能と時間分解能が向上し、感度も高まっています。しかし、胸腹部のPET/CT撮像では、呼吸性移動（RM）という課題が依然として残っています。呼吸性移動は、PET画像にブレを生じさせ、減弱補正（AC）アーチファクトと呼ばれるPET-CT間の位置ずれによる誤差を引き起こし、また病変や臓器の正確な位置特定を困難にする主要な要因です。呼吸性移動によって、横隔膜付近の検査では病変の輪郭が不明瞭になったり、SUV値（標準化摂取値）が人為的に低下したり、病変の位置特定が不正確になったり、病変がより広範囲に見えるのに不鮮明になることがあります。これらの課題は、PET/CT診断の精度に大きく影響を与えていました。

ディープラーニングが拓く統一的な呼吸性移動補正（uRMC）

これまで、呼吸性移動によるアーチファクトに対処するために、様々な戦略が研究されてきました。例えば、うつ伏せでの検査、再スキャン、息止め、4D-CT、専用デバイスを用いた呼吸同期、データ駆動型呼吸同期などです。近年、ディープラーニング（DL）に基づく技術がPET画像の再構成やモーション補正において広く採用されるようになりました。特に、PETにおける動きによるアーチファクトを軽減するためには、動きの推定を強化し、より正確な減弱補正を行うためのDLベースの方法がいくつか提案されています。しかし、これらの技術を日常の医療ワークフローに組み込むことは、運用時間や再構成時間の増加を招くことが多く、課題がありました。さらに重要なのは、これらの技術がPET-CT間の位置ずれを完全に克服するものではなく、臨床的有用性が限定的であった点です。本研究では、このような課題を解決するために、ディープラーニングニューラルネットワークを活用した統一的なデータ駆動型呼吸性移動補正（uRMC）手法が導入されました。このuRMCは、PET画像内の動きによるブレ、PET-CTの位置ずれによって引き起こされる減弱補正アーチファクト、そしてPETとCTの最終画像における位置ずれという、呼吸性移動に起因する主要な問題すべてに対処することを目的としています。この技術は「uExcel OncoFocus」という名称で市場展開されています。uRMCは、外部デバイスを必要とせず、主に以下の3つの主要な要素で構成されています。（1）データ駆動型呼吸信号抽出、（2）減弱マップ生成、（3）PET-CTアライメントです。uRMCの全体的なフレームワーク設計は

**Figure 1.** Fig. 1 The proposed uRMC framework. AI: artificial intelligence; DL: deep learning; NAC: without attenuation correction; NMC: no motion cor rection; uRMC: unified respiratory motion correction解説: 提案されたuRMCの全体的なフレームワーク設計図。AI（人工知能）、DL（ディープラーニング）、NAC（減弱補正なし）などの略語が用いられています。

に示されています。

研究方法：大規模データを用いたトレーニングと検証

本研究は、後向き単一施設研究として実施されました。合計737名の対象者が、uMI Panorama PET/CTスキャナーを用いて[18F]FDG PET/CTスキャンを受けました。99名の対象者は呼吸モニタリングデバイス（VSM）も装着しており、このデータセットが検証セットとして使用されました。残りの638名の対象者のデータは、uRMCで使用されるニューラルネットワークのトレーニングに用いられました。

**Table 1.** Table 1 Demographic information of the patient datasets Patient sets Characteristic Mean ± SD Number Training set解説: 対象者データセットの人口統計情報。トレーニングセット（638名）と検証セット（99名）の対象者数、性別、年齢、身長、体重、BMI、注入線量、検証セットの疾患内訳が示されています。

に、トレーニングセットと検証セットの対象者の人口統計情報がまとめられています。呼吸性移動の程度は、主要臓器について推定されました。評価には、データ駆動型uRMC（提案手法）、VSMベースのuRMC、およびモーション補正なしの標準OSEM（NMC）の3つのアプローチで906個の病変におけるSUVメトリクスが算出されました。

uRMCの三つの主要コンポーネント

uRMCは、人工知能（AI）を活用した3つの主要なコンポーネントによって呼吸性移動によるアーチファクトを軽減します。1. AIによるデータ駆動型呼吸信号抽出: 呼吸生理学に基づき、胸部・腹骨盤腔内の消滅イベントのみが呼吸信号に関連すると仮定し、それ以外のイベントはノイズとして扱われます。畳み込みニューラルネットワーク（CNNcavity）を用いて体腔（胸部・腹骨盤領域）を精密にセグメント化し、呼吸信号抽出のための関心領域（rROI）を作成します。その後、分布中心（COD）技術を用いて、rROI内のすべてのイベント座標を100ミリ秒間隔で平均し、3Dトレースを生成します。この研究では、特に前後の動きを表すCy信号が呼吸追跡信号として利用されました。このCy信号に基づき、動きの振幅に基づく等カウントゲーティングが実施され、PET生データが4つの呼吸ゲートに再構成されます。2. AIベースの減弱補正とPET内のモーション補正: 別のディープラーニングネットワーク（CNNmu）が、呼吸ゲートごとの減弱マップ（μgDL）を予測するためにトレーニングされます。このμgDLは、各呼吸ゲートにおける減弱補正に用いられます。その後、呼吸フェーズに関してCTに最も近い参照ゲートと他のゲート間で非剛体画像レジストレーションが実行され、PET画像が参照ゲート位置にワープされます。これにより、PET内の動きによるブレが補正されます。3. PET-CTアライメント: 最後に、PETとCTの位置ずれに対処するため、参照ゲートにおけるμgDLとCT減弱マップ間で非剛体画像レジストレーションを適用します。これにより得られた変位フィールドをPET画像に適用し、最終的にCTとのアライメントを確保します。この一連のプロセスにより、最終的なモーション補正画像（λuRMC）がCT空間で得られます。

uRMCがもたらす革新的な診断能力

uRMCは、診断能力を著しく向上させることが示されました。従来のNMC画像と比較して、uRMCはこれまで検出されなかった病変を明らかにし、病変の輪郭を鮮明にし、SUV値を増加させ、PET-CTアライメントを改善しました。具体的な症例として、肝細胞癌術後の再病期分類の対象者において、NMCでは陰性だった切除縁の[18F]FDG集積病変がuRMCによって明らかになった例や、過去に膝の骨肉腫の既往がある対象者の再病期分類において、NMC画像ではバナナ状アーチファクトとして提示されていた領域に、uRMCによって壊死を伴う転移性病変として輪状の[18F]FDG集積病変が検出された例などが挙げられます。

**Figure 2.** Fig. 2 Examples showcasing potential additional diagnostic benefits provided by uRMC. (A) In restaging a patient with hepatocellular carcinoma after surgical resection of the primary site, an [18F]FDG- avid hepatic lesion is revealed at the resection margin with uRMC, whereas a conventional NMC image shows a negative result. (B) Dur ing restaging a patient with a prior history of left knee osteosarcoma,**解説:** uRMCが提供する診断上の潜在的な追加メリットを示す事例。肝細胞癌術後の再病期分類や膝の骨肉腫の既往がある対象者の再病期分類において、uRMCがNMC画像では検出されなかった病変を明らかにしている例が示されています。

は、uRMCがもたらす診断上の潜在的なメリットを示しています。NMCとuRMC画像の直接比較では、uRMCがより鮮明な病変輪郭、より小さな代謝容積、SUV値の増加、そしてPET-CTアライメントの改善をもたらすことが示されました。例えば、多発性肺結節や門脈内の腫瘍血栓、副腎転移性病変の症例で、uRMCによる明確な描出と良好なレジストレーションが確認されました。

**Figure 3.** Fig. 3 Comparison of NMC with uRMC images. Compared with NMC images, uRMC images show sharper lesion contours, smaller meta bolic volume, increase in SUV values, and improved PET-CT align ment. (A) Delineation of multiple lower lung nodules in a patient with diffuse metastatic small cell neuroendocrine carcinoma of the cervix. (B) Double contouring of a lower lung nodule in the NMC images, whereas uRMC images reveal a single nodular contouring. (C) In a解説: NMCとuRMC画像の比較。uRMC画像は、NMC画像と比較して、病変輪郭の鮮明化、代謝容積の縮小、SUV値の増加、PET-CTアライメントの改善を示しています。

では、NMCとuRMC画像の比較が示されています。また、気管支血管樹、胃襞、肝脾境界、肝嚢胞、横隔膜、胃内壁、リンパ節といった生理的および良性集積についても、uRMCはNMCに比べて明確な描出とPET-CTアライメントの改善を示しました。

**Figure 4.** Fig. 4 Demonstrating PET delineation and PET-CT alignment dif ferences between NMC and uRMC images for physiological and/or benign uptakes. (A) Bronchovascular tree, gastric folds, and hepato splenic margin are better delineated in uRMC images comparing to blurred NMC images. (B) uRMC images reveal cold regions of liver解説: 生理的および/または良性集積におけるPET描出とPET-CTアライメントの違いをNMCとuRMC画像で比較。uRMC画像では気管支血管樹、胃襞、肝脾境界などがより鮮明に描出されています。

は、生理的および良性集積におけるPET描出とPET-CTアライメントの違いを示しています。心臓PETおよびPET/CT融合画像においても、uRMCは呼吸性移動によるブレを除去することで、心室壁および心室中隔の[18F]FDG集積の鮮明な描出とレジストレーションの改善に優位性を示しました。

**Figure 5.** Fig. 5 Cardiac PET and PET/CT fusion images from three cases com paring NMC and uRMC images. uRMC shows sharp delineation and PET-CT alignment of ventricular wall and interventricular septal [18F]**解説:** 3症例の心臓PETおよびPET/CT融合画像をNMCとuRMCで比較。uRMCは呼吸性移動によるブレを除去し、心室壁および心室中隔の[18F]FDG集積の鮮明な描出とPET-CTアライメントの改善を示しています。

は、心臓PETにおけるuRMCの利点を示しています。

定量的分析：SUV値の顕著な向上

99名の検証対象者において、合計906個の病変が定量的分析のためにセグメント化されました。NMC、VSMベースのuRMC、およびデータ駆動型uRMC（COD-uRMC）の3つのアプローチが比較されました。その結果、uRMCはNMCと比較して、全906病変においてSUVmaxで約10%、SUVmeanで約17%の増加を示しました。サブグループ分析では、小型病変（0.1～5.0 mL、N=722）および中型病変（5.0～10.0 mL、N=61）において、いずれのuRMC手法もNMCと比較してSUVmaxおよびSUVmeanが統計的に有意に増加することが示されました。大型病変（10.0 mL超、N=123）では、NMCとuRMCの間でSUVmaxおよびSUVmeanにかなりの増加が見られましたが、統計的有意性には達しませんでした。VSMベースとデータ駆動型uRMCの間にはわずかな違いしか見られず、SUVmaxは統計的に限界的な有意性または有意性なしとされました。

**Table 2.** Table 2 SUV value of lesions with different sizes segmented by the AI network, for the NMC, the device-based uRMC (VSM- uRMC) and the proposed data- driven uRMC (COD-uRMC)**解説:** AIネットワークによってセグメント化された異なるサイズの病変におけるSUV値の比較。NMC、デバイスベースuRMC（VSM-uRMC）、および提案されたデータ駆動型uRMC（COD-uRMC）のSUVmaxとSUVmeanが病変サイズ別に示されています。

には、AIネットワークによってセグメント化された異なるサイズの病変におけるSUV値がまとめられています。また、

**Figure 6.** Fig. 6 The SUV value comparison results between VSM-based uRMC (gold standard) and data-driven (COD-based) uRMC (proposed). (a) Results of SUVmean and (b) SUVmax for different lesion sizes (small:**解説:** VSMベースのuRMC（ゴールドスタンダード）とデータ駆動型（CODベース）uRMC（提案手法）のSUV値比較結果。小型、中型、大型の病変サイズごとにSUVmeanとSUVmaxの結果が示されています。両手法間の線形相関分析も表示されています。

では、VSMベースのuRMCとデータ駆動型uRMCのSUV値比較結果が示されており、両者の類似した有効性が確認されています。主要臓器の呼吸性移動の振幅は、通常10～20 mmの範囲でした。肝臓が最も大きな動き（男性で22.9 ± 7.6 mm、女性で20.2 ± 4.2 mm）を示し、膀胱が最も少ない動き（男性で5.9 ± 2.8 mm、女性で4.9 ± 1.5 mm）でした。男性は女性よりも大きな呼吸性移動を示す傾向がありました。右肺と右肋骨は、左側よりも大きな動きの振幅を示しました。

臨床への影響と今後の展望

uRMCは、従来のPET/CTで必要とされていた呼吸指導（浅い呼吸や息止め）を不要にします。これにより、閉所恐怖症の対象者や重篤な病状の対象者にとって、検査の負担が軽減され、コンプライアンスが向上します。また、運用面では、呼吸指導の時間の削減、手作業による画像品質チェックの必要性の最小化、そして呼吸性移動アーチファクトによる再スキャンの可能性の低減により、PET/CTの手順を効率化します。さらに、呼吸管理におけるスタッフのトレーニング需要が減少することで、より多様な業務に対応できる医療従事者の育成に貢献し、医療システム全体のコスト削減とスタッフ配置の最適化につながります。この研究では、主要臓器における動きの振幅が10～20 mmであることが報告されており、これは現代のPETスキャナーが達成する3 mm未満、さらには1.6 mmという空間分解能と著しく対照的です。この大きな差は、PET/CT撮像における呼吸性移動補正がいかに重要であるかを強調しており、診断精度と臨床におけるPET/CTの有効性を向上させるために不可欠であると言えます。本研究は、[18F]FDGトレーサーのみでuRMCを検証しているという制限があります。今後は、他の様々なトレーサーへの適用を拡大していく予定です。また、対象者の人口統計学的特性は比較的均一で、BMIや年齢層の多様性に限りがありました。将来的には、小児や肥満の対象者を含む、より広範囲の年齢層やBMIカテゴリーの対象者を含めることを目指しています。さらに、本研究は単一施設で行われ、対象者が中国人集団に限定されていました。より包括的な知見を得るためには、将来の研究で、様々な炎症性疾患など、より広範な疾患を含む多施設共同研究を実施することが不可欠です。これらのステップは、uRMCの多様な臨床シナリオにおける適用可能性と検証を広げるために重要です。

用語集

PET/CT: ポジトロン放出断層撮影（PET）と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で、疾患の診断や病期分類に用いられます。
呼吸性移動（RM）: 呼吸に伴う体の動き。特に胸腹部のPET/CT撮像では、画像にブレや位置ずれを引き起こす原因となります。
減弱補正（AC）アーチファクト: PET画像とCT画像の位置ずれにより、PET信号の減衰補正が不正確になり生じる画像の偽像です。
SUV値（標準化摂取値）: PET検査で得られる放射性薬剤の集積度を示す指標。病変の悪性度評価などに用いられます。
ディープラーニング（DL）: 人工知能の一分野で、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学習し、高精度な予測や分類を行う技術です。
uRMC（統一的なデータ駆動型呼吸性移動補正）: 本研究で提案された、ディープラーニングを用いて呼吸性移動によるPET/CT画像のブレ、減弱補正アーチファクト、PET-CT位置ずれを総合的に補正する手法です。
OSEM: Ordered Subset Expectation Maximizationの略で、PET画像再構成に用いられるアルゴリズムの一つです。
[18F]FDG: 放射性フッ素で標識されたブドウ糖アナログで、PET検査で最も一般的に使用される放射性薬剤です。
VSM: Vital Signal Moduleの略で、呼吸性移動をモニタリングするためのデバイスです。
COD: Centroid of Distributionの略で、PETのイベントデータから呼吸信号を検出するデータ駆動型技術です。
空間分解能: 画像上で、どれだけ細かな構造を区別できるかを示す能力です。