本講演では，当研究室の臨床データに基づいてDeep Learning Reconstruction（DLR）の臨床的有用性について紹介する。

DLRの原理と有用性

まずDLRの原理^1）について説明する（図1）。DLRは，画質を向上させるDeep Convolutional Neural Network（DCNN）に低品質な画像（低線量で撮影し，簡単に再構成した画像）を入力し，出力画像を得る。この出力画像と，高品質な教師画像〔高線量で撮影し，特殊な調整をしたモデルベース逐次近似画像再構成法（Advanced model based iterative reconstruction：Advanced MBIR）を用いて時間をかけて再構成した画像〕との誤差画像を作成する。そして，誤差画像をDCNNにフィードバックし，教師画像と出力画像の誤差が最小となるようにDCNNのパラメータ調整と再処理を行うプロセスを反復し，DCNNに学習させる。学習が完了したDCNNに画像を入力すると，短時間で画質が改善した画像を生成できる。
DLRの臨床的有用性としては，「患者体格にかかわらず良好な画像を得られる頑健性」「高精細CTにおける画質改善」「CTにおける放射線被ばくの低減」の3つが挙げられる。これら3点について，当研究室のデータを基に解説する。

図1　DLRの概要

患者体格に対する頑健性^2）

当研究室で，患者体格に対する画質の頑健性について検討を行った。対象は，高BMI群（BMI 25以上）50名と低BMI群（BMI 25未満）50名の計100名で，年齢，性別は2群間でマッチさせている。撮影は，両群ともAECを用いてnoise indexは12に設定した。
肝臓ダイナミックCTを撮影し，Hybrid IRで画像再構成をしたところ，低BMI（BMI 22.7）の患者の画像（図2 a）に比べ，高BMI（BMI 30.9）の患者の画像（b）は，AECを使用しているにもかかわらずノイズが多い画像となっている。そこで，高BMI（BMI 30.9）のデータをDLRで画像再構成すると，ノイズが大幅に低減され，かつボケの少ない良好な画像を得ることができた（図2 c）。
画像ノイズについての定量的評価も行った。Hybrid IRで画像再構成した低BMI患者の画像を基準として，Hybrid IR，MBIR，DLRで画像再構成した高BMI患者の画像ノイズの非劣性試験を行った。その結果，Hybrid IR，MBIRでは非劣性は示されないのに対して，DLRは優越性を示した。すなわち，高BMI患者においてDLRはHybrid IR，MBIRよりも有意にノイズ低減効果が高いだけでなく，低BMI患者のHybrid IRとも比較しノイズ低減ができることが示された。
次に，肝臓および門脈のCNRについて，Hybrid IRで画像再構成した低BMI患者の画像を基準とした非劣性試験を行った。その結果，高BMI患者のCNRはHybrid IR，MBIRでは非劣性を示したが，DLRでは優位性を示した。すなわち，高BMI患者におけるDLR画像のCNRは，低BMI患者におけるHybrid IR画像よりも高いことが示された。

図2　DLRの患者体格に対する頑健性
（参考文献2）より引用転載）

高精細CTにおける画質改善

高精細CTは，検出器サイズが0.25mmと従来の1/2であり，従来よりも高空間分解能画像を取得することができる。一方で，1つの検出器素子に入射するフォトン数が相対的に少なくなるため，ノイズが多くなるという側面がある。
当研究室で高精細CTにおけるDLRによる画質改善について検討した^3）。高精細CTで肝臓ダイナミックCTを撮影し，Hybrid IR，MBIR，DLRで画像再構成を行ったところ，Hybrid IR（図3 a，d）とMBIR（図3 b，e）で再構成した画像はノイズがやや多くなったのに対し，DLR（図3 c，f）で再構成した画像は優れたノイズ低減を示すだけでなく，構造物のボケなども生じなかった。定量評価として，Hybrid IR，MBIR，DLRで再構成した画像ノイズを比較したところ，Hybrid IR，MBIRに比べてDLRは有意に低かった。また，大動脈，門脈，肝臓のCNRは，Hybrid IR，MBIRに比べてDLRで有意に高い結果となり，DLRが高精細CTの画質改善に有用であることが示された。

図3　高精細CTにおける画質改善

CTにおける放射線被ばくの低減^4）

DLRによる高精細腹部CTの低線量化について，当研究室で検討を行った。標準のスキャンプロトコール群36名と，標準より線量を30％低減したスキャンプロトコール群36名について高精細CTで肝臓ダイナミックCTを撮影し，両群間の画質を比較した。2群間で年齢，性別，患者の体格などに差はない。なお，30％という線量低減率はファントム実験の結果を根拠としている。
BMIが近い両群の患者の動脈相について，Hybrid IRで再構成した画像を比較したところ，標準線量で撮影した患者の画像（図4 a）に比べ，低線量で撮影した患者の画像ではノイズが増加した（図4 b）。また，低線量データをMBIRで再構成してもノイズの低減は認められなかった（図4 c）。これに対して，DLRで画像再構成すると，ノイズが低減され画質が改善した（図4 d）。
また，CNRについて，標準線量で肝臓ダイナミックCTを撮影してHybrid IRで再構成した画像を基準とし，低線量で撮影し，Hybrid IR，MBIR，DLRで画像再構成した画像の同等性試験を行った。その結果，動脈相，平衡相のいずれにおいても，低線量画像のCNRはHybrid IR，MBIRで同等性を示したが，DLRではさらに優越性を示した。すなわち，低線量データをDLRで再構成した場合のCNRは，標準線量データをHybrid IRで再構成した画像よりも高くなることから，肝臓ダイナミックCTにおいてDLRを使用することで，さらなる線量低減を図ることができることを示している。

図4　DLRによる高精細腹部CTの低線量化

まとめ

DLRは患者の体格に対して頑健性があり，高BMIの患者においても低ノイズの画像を得ることができる。また，DLRは高精細CTにおいても画像ノイズの少ない良好な画像を実現する。さらに，高精細CTによる腹部ダイナミックCTにおいても，30％程度の線量低減が可能と考えられる。

＊ 記事内容はご経験や知見による，ご本人のご意見や感想が含まれる場合があります。

^{●参考文献
1）Nakamura, Y., Higaki, T., Tatsugami, F., et al. : Deep Learning-based CT Image Reconstruction: Initial Evaluation Targeting Hypovascular Hepatic Metastases. Radiol. Artif. Intell., 1（6）: e180011, 2019.
2）Akagi, M., Nakamura, Y. Higaki, T., et al.: Deep learning reconstruction of equilibrium phase CT images in obese patients. Eur. J. Radiol., 133, 109349, 2020.
3）Akagi, M., Nakamura, Y. Higaki, T., et al.: Correction to: Deep learning reconstruction improves image quality of abdominal ultra-high-resolution CT. Eur. Radiol., 29（8）: 4526-4527, 2019.
4）Nakamura, Y., Narita, K., Higaki, T., et al.: Diagnostic value of deep learning reconstruction for radiation dose reduction at abdominal ultra-high-resolution CT. Eur. Radiol., 2021（Online ahead of print）.}

一般的名称：全身用X線CT診断装置
販売名：ＣＴスキャナ　Aquilion Precision TSX-304A
認証番号：228ACBZX00019000

粟井　和夫（Awai Kazuo）
1986年　広島大学医学部卒業。90年　同大学院医学系研究科修了。近畿大学放射線医学講座講師，熊本大学大学院画像診断解析学講座特任教授などを経て，2010年より広島大学大学院医歯薬保健学研究科放射線診断学研究室（現・広島大学大学院医系科学研究科放射線診断学研究室）教授。2020年4月より広島大学医学部長併任。

●そのほかのセミナーレポートはこちら（インナビ・アーカイブへ）