本稿では，腹部領域でのdeep learning reconstruction（DLR）技術活用と新たな撮像技術による高画質化について紹介する。

■超解像技術PIQEの原理と特長

「Precise IQ Engine（PIQE）」は，ディープラーニングを用いて空間分解能を向上させる超解像技術であり，処理は2つの畳み込みニューラルネットワーク（CNN）を介して行われる（図1）。1段階目では，DLRであるSNR向上技術の「Advanced intelligent Clear-IQ Engine （AiCE）」を継承したデノイズにて高SNR画像を取得する。続いて2段階目で行う超解像処理では，学習方法を限定することでMRIのさまざまなコントラストや撮像条件に対応した汎用性の高いモデルを採用している。ここでは取得した高SNR画像に対し，zero-fill interpolation processing（ZIP）処理を行った高分解能画像を生成する。ZIPでは，原理上ブラーリングやリンギングアーチファクトなどの出現が知られているが，PIQEでは，デノイズとZIP処理後の高分解能の入力画像と実収集でフルサンプリングした高分解能の教師画像を用いてCNNを学習させることで，ZIPの課題に焦点を当てた限定的な学習方法を採用した。以上の過程にて，PIQEでは汎用性が高くZIP特有のアーチファクトを抑えた高SNRかつ高分解能画像が取得できる。

図1　PIQEによるデノイズと超解像処理2つのCNNを使用した処理過程

■腹部領域への応用

腹部では，MRIの原理的制約である分解能と撮像時間のトレードオフの関係が高画質化をめざす上で問題となる。高分解能化のためには多くのデータサンプリングを行う必要があり，息止め時間の延長を伴う。また，さまざまな高速化手法を活用しても，高速化によるSNR低下やアーチファクト出現の可能性がある。しかし，PIQEを用いれば，従来の撮像時間と収集データ数を維持した状態で高分解能画像を得ることができる。図2は，PIQE処理前後の脂肪抑制併用T2強調画像だが，息止め時間の延長なしに高分解能化が可能である。また，データ収集時に位相マトリックスを減らした画像にPIQEを適用することで，分解能を維持した状態で撮像時間の短縮が可能である。

図2　脂肪抑制T2強調画像にPIQEを適用した例

■新たな撮像時間短縮技術「Sequential Wheel」

3D撮像における課題の一つに撮像時間の短縮が挙げられる。腹部領域では，ダイナミック検査での造影コントラストと鮮鋭度を維持しつつ時間短縮をする必要がある。ここでは，新たに登場したSequential Wheelについて紹介する。この手法は図3 aのように，k空間yz平面にて四隅をwheel状に間引き，slice方向は「Advanced Fourier Imaging（AFI）」を使用して，弓形の信号収集で画質ボケを低減しつつ撮像時間を短縮する。k空間のデータ充填はslice encode，phase encode共にsequentialな信号収集を維持可能なため，安定した信号がk空間中心に充填されブラーリングアーチファクトが低減し，鮮鋭度の向上につながる。図3 bは，20秒の息止め条件に対し，本手法および，比較としてslice encode，phase encodeにAFIを使用し同一の収集時間に短縮した例との比較だが，鮮鋭度を保ちつつ高速化ができていることがわかる。

図3　呼吸停止下3D T1強調画像でSequential Wheelを適用した例
a：Sequential Wheelのk空間の充填方法の概要図
b：呼吸停止下3D T1強調撮像における各手法の比較

以上，腹部領域への技術活用について紹介した。当社は引き続き，患者負担の少ない臨床ニーズに応える技術開発に取り組んでいく。

＊本記事中のAI技術については，開発設計段階にAIを使用しており，本システム自体に自己学習機能を有しておりません。