キヤノンメディカルシステムズでは，各種画像診断装置や画像解析用ワークステーション，PACSなど，画像診断から解析，レポート作成にかかわる機器の開発，販売を行っている。人工知能（AI）技術はそれらのすべてに応用できる可能性を秘めている。本稿では，画像診断装置と医療情報ソリューションにおけるAI技術の応用と当社の取り組みについて紹介する。

■CTでの活用

当社は，世界に先駆けてAIを用いて設計した画像再構成技術“AiCE（Advanced Intelligent Clear-IQ Engine：エース）”を高精細CT「Aquilion Precision」に搭載した。AiCEは，ディープラーニングを用いて設計されたノイズ成分とシグナル成分を識別する処理で，分解能を維持したままノイズを選択的に除去する再構成技術である。AiCEには，DCNN^＊1のディープニューラルネットワークを用いており，DCNNにどのような学習をさせるかが精度に大きく影響を与える。AiCEの特筆すべき点は，DCNNの学習にMBIR^＊2である“FIRST^＊3”再構成による高品質なデータを教師画像とすることで，大幅なノイズ低減と空間分解能の向上を実現している（図1）。また，FIRSTに比べ大幅に計算量を削減することができ，再構成時間の高速化を実現している。

図1　従来再構成とAiCE再構成の画像比較
（データご提供：国立がん研究センター中央病院様）

■MRIでの活用

MRIにおいても，ディープラーニングを用いたノイズ除去再構成の開発に取り組んでいる。MRIの場合，分解能と撮像時間はトレードオフの関係にあり，分解能を向上させるほど，撮像時間が延長してしまう。分解能が高くなるほどSNRが低下するため，十分なSNRを確保するためには，撮像加算回数を多くする必要があり，結果として長時間撮像になってしまう。
長時間撮像は，患者さんの体動により安定した描出が困難なケースが多く，一般的な検査として実施することは難しい。そこで，高分解能撮像を短時間に実現すべく検討しているのが，“Deep Learning Reconstruction”である。ディープラーニングの学習に関する基本的な原理に関してはCTと同様である。ノイズを学習させることで，MRIのさまざまなシーケンス，コントラストへの対応が可能であり，画質改善だけでなく，解析結果の安定性向上などにも期待されている（図2）。

図2　膝関節2D 1mmスライス画像（撮像時間1：07）での比較

■医療情報ソリューションでの活用

ヘルスケアIT分野では，2018年1月に「Abierto VNA」「Abierto Cockpit」を発売した。Abierto VNAは，VNA^＊4の持つDICOM，non DICOMといった画像管理に加え，HIS，部門情報システムなどのテキストデータについても統合管理可能なシステムとなっている。Abierto Cockpitは，VNAで一元管理された情報を統合表示するシステムで，患者への検査，処置・処方などイベントの時間ごとに各情報が連動して表示されるタイムライン表示機能を特長とする。これにより，画像情報だけでなく，AI学習に必要な電子カルテ，部門システムのテキスト，数値情報も含めた統合された情報収集環境を提供できる。4月の国際医用画像総合展（ITEM 2018）では，エヌビディア社との協業の発表に加え，Work in ProgressとしてVNAで統合された情報をAIに学習させ，AI研究をサポートするプラットフォームとなるシステムをコンセプト展示した。
本稿では，CT/MRIにおけるディープラーニングを用いた画像再構成技術と医療情報ソリューションにおける取り組みについて紹介した。これらは，被ばく線量の低減や撮像時間の短縮など，より検査の侵襲性を軽減し，検査におけるワークフローの改善，さらには診断精度を向上させる可能性を秘めた技術であり，さらなる展開が期待される。

^{＊1 DCNN：Deep Convolution Neural Network
＊2 MBIR：Model Based Iterative Reconstruction
＊3 FIRST：Forward projected model-based Iterative Reconstruction SoluTion
＊4 VNA：Vender Neutral Archive}