キヤノンメディカルシステムズの“AiCE（Advanced intelligent Clear-IQ Engine）”は，人工知能（AI）技術の一つであるディープラーニングを応用した画像再構成技術（Deep Learning Reconstruction：DLR）である。本講演では，AiCEの性能について，物理特性と臨床画像におけるFBP，Hybrid IR（AIDR），MBIR（FIRST）との比較を中心に報告する。

■AiCEの物理特性評価

AiCEは，ディープラーニング技術であるDeep Convolutional Neural Network（DCNN）を用いた画像再構成法である。2018年4月，Aquilion Precisionに先行して搭載され，現在はAquilion ONE/GENESIS Editionにも搭載されている。
当院ではAiCEの物理特性について，Catphan CTファントムを用いて画像SD（standard deviation），MTF（modulation transfer function），NPS（noise power spectrum），CNR（contrast-to-noise ratio）の評価を行った。

1．画像SD
Catphanの均一モジュール（CTP712）を10〜600mAで撮影し，FBP，AIDR，FIRSTとAiCEの画像SDを比較した。100mA以下の低線量域ではAiCEが最も低く，FIRSTを超えるノイズ低減効果が得られた。SD10の5mm厚のデータを再構成すると，AIDR（40mA），FIRST（50mA）に比べてAiCE（30mA）ではノイズの少ないきれいな画像が得られ，FIRSTを超えるノイズ低減効果があることがわかった。

2．MTF
MTF特性について，高線量域（150mA）では，FIRST，AiCE，FBP，AIDRの順で，FIRSTが最も分解能が高かった。一方，低線量域（40mA）では，AiCEがFIRSTよりも空間分解能は低いものの，FIRSTを教師画像としているため，空間分解能を維持したままノイズが低減されていた。次に，FIRSTとAiCEのMTFについて，コントラストの異なる4つのモジュール（120，230，350，900HU）を撮影し比較した（図1）。FIRSTではCT値が高いほどMTFが高くなるが，AiCEではCT値ごとのMTFの変化は小さく，コントラストによらず安定したMTF特性を有していることがわかる。

図1　MTF比較
（撮影条件：80Helical scan，0.5s/rot，HP65，120kVp，150mA，5mm，CTP682，各コントラストモジュール）

3．NPS
水ファントム（40cm径）を用いて10，20，30，40，50，80，100，150，200，250mAと線量を変えて撮影し，FBP，AIDR（共にFC13），FIRST，AiCEでNPSを比較した。低線量域において，FBPとAIDRでは画質低下が見られるが，FIRST，AiCEでは画質低下はなく，均一な画像が得られた。次に，120kVp，250mAで撮影したデータのNPSを比較した（図2）。5mm厚再構成では，低周波域のノイズはAIDR，FIRST，AiCEで差は見られないが，1mm厚のthin sliceでは，AiCEは高周波だけでなく低周波のノイズも効果的に低減されていた。

図2　NPS比較（40cmφ），水ファントム
（撮影条件：80Helical scan，0.5s/rot，HP65，120kVp，250mA）

4．CNR
低コントラスト検出能を評価するCNRについて，Catphanの低コントラストモジュール（CTP515）を10〜250mAで線量を変えて撮影し，FBP，AIDR（共にFC13），FIRST，AiCEを比較した。低線量域では，AIDR，FIRSTではノイズは低減されるものの，粒状性が劣化している。一方AiCEでは，粒状性を維持したままノイズが低減されている。さらに，150mA（120kVp，5mm厚再構成）で低コントラストモジュールを撮影し，4つの再構成法で比較した。ファントム画像の視覚評価は，AIDRとFIRSTでは粒状性が粗く見えるが，CNRではFIRSTとAiCEが同程度の高い結果を示しており，視覚評価と物理評価が一致しないと言える。従来のCNRは，計算の際に画像の周波数成分が考慮されていないため，逐次近似再構成（IR）アルゴリズムの評価には不十分だと考えられる。そこで，瓜倉らが提唱している，周波数特性と病変サイズに対応する周波数成分の両方を反映するCNR_LO（low-contrast object specific CNR）^1）を用いて評価し直した。CNR_LOでは，視覚的な評価と同様に，AiCEの低コントラスト分解能が高いことが確認できた（図3）。

図3　CNRとCNR_LO比較

■AiCEの臨床画像

ファントム実験を基に臨床画像による評価を行った。

1．腹部画像（通常線量/低線量）
図4は，通常線量（CTDI_vol：8.0mGy，DLP：445.3mGy・cm）で撮影した腹部のコロナル画像だが，FIRSTではSDは向上するものの，再構成時間が7分34秒かかる。AiCEでは，FIRSTとほぼ同じSDが44秒で表示され，約10倍の再構成速度があることがわかる。図5は，低線量（CTDI_vol：2.9mGy，DLP：86.8mGy・cm）で撮影したリピオドールCTの画像である。FIRSTでは胆嚢の低コントラスト領域に粒状性の粗い部分があるが，AiCEでは粒状性の細かいきれいな画像になっている。AiCEでは，MBIRの課題であった低線量域における粒状性の改善が認められる。

図4　腹部画像（通常線量）
（撮影条件：80Helical scan，0.5s/rot，100kVp，CTDI_vol 8.0mGy，DLP 445.3mGy・cm）

図5　腹部画像（低線量域）
（撮影条件：80Helical scan，0.5s/rot，120kVp，CTDI_vol 2.9mGy，DLP 86.8mGy・cm）

2．冠動脈CT
高コントラスト領域の冠動脈CTについて，FBP，FIRST Cardiac，AiCE Cardiac，FIRST Cardiac Sharpの画像を高分解能モジュール（CTP714）と併せて提示する（図6）。AiCE CardiacはFIRST Cardiac Sharpに比べて分解能が若干落ちており，高コントラスト領域ではFIRSTの空間分解能が高いことがわかる。一方，実際の冠動脈画像では，AiCE Cardiacが粒状性を維持しつつ，最もノイズが低減されていることが確認できる。高コントラスト領域のFIRSTとAiCEについては，高石灰化，ステント留置など，症例によって選択して使用することが重要と考えられる。

図6　冠動脈CT（高コントラスト領域）
（撮影条件：Volume scan，0.275s/rot，100kVp，CTDIvol 8.2mGy，DLP 131.6mGy・cm）

3．肺がん
肺がんのGGO（すりガラス状陰影）の症例であるが，当院では通常，AIDRのFC52とFC81の関数を使い分けて再構成している。AiCEのLungパラメータで再構成した画像と比較すると，AiCEではドット抜けのようなノイズが低減され，クリアになっていることがわかる（図7）。

図7　肺がん（GGO）
（撮影条件：80Helical scan，0.35s/rot，120kVp，CTDI_vol 5.3mGy，DLP 188.7mGy・cm）

■AiCE Body Sharp（W.I.P.）

AiCEは，低線量域や低コントラスト領域での画質改善が期待できる一方で，高コントラスト領域の空間分解能の向上に課題がある。キヤノンメディカルシステムズでは，これに対応するべく新たにAiCE Body Sharp（W.I.P.）を開発中である。AiCE Body Sharpは，MTFの評価では分解能が向上しており（図8 a），臨床画像（膵臓がん）においてもAiCE Body SharpはAiCE Bodyと比較して，細かい粒状性を維持したままノイズが低減され，微小な構造物まで確認できる（図8 c）。

図8　AiCE Body Sharp（W.I.P.）
a：MTF　b：AiCE Body　c：AiCE Body Sharp

■まとめ

DLRによるAiCEの登場で，FIRSTに近い画像を短時間で処理でき，特に低線量域でより安定した画像の提供が可能になった。また，MBIRの全般的な課題であった低コントラスト領域が改善されており，高い性能を持った再構成ツールであると考えられる。

^{●参考文献
1）Urikura, A., et al. : Objective assessment of low-contrast computed tomography images with iterative reconstruction. Physica Medica, 32・8, 992～998, 2016.}