Dual-domain U-Nets with embedded back projection operators for motion-resolved 4D CBCT reconstruction

ハミングバード（ハチドリ）が空中で静止している瞬間を撮影しようとしている場面を想像してみてください。シャッタースピードを遅くすると、鳥の羽はぼやけた塊になってしまいます。逆にシャッタースピードを速くすると、写真は鮮明になりますが、鳥がフレームの外へ素早く動きすぎてしまい、撮り逃してしまうかもしれません。では、これを人体の中で行っていると想像してみてください。医師たちは、腫瘍を放射線で照射するために胸部の腫瘍を観察する必要がありますが、胸部は呼吸によって絶えず上下に動いています。これが「4D CBCT（4次元コーンビームCT）」という課題です。これは、単なる3D画像ではなく、体の内部の「3D動画」を捉えようとする特殊なX線スキャナーです。

問題は、この「動画」を作るには通常、長い時間がかかり、患者に息を止めてもらったり、呼吸を追跡するための特別なベルトを装着させたりする必要があることです。患者が自然に呼吸をすると（その方がずっと快適なのですが）、得られる画像は光の筋が走った、塗りつぶされた絵画のようにぼやけてしまい、腫瘍を明確に見ることが困難になります。科学者たちは、数学やコンピュータを使ってこの「モーションブラー（動きによるボケ）」を解決しようとしてきましたが、それはまるで、イチゴとミルクの入ったスムージーを、元のイチゴとミルクに戻そうとするようなものです。この論文は、人工知能（AI）を使用して、そのボケを解きほぐす新しい方法を紹介しています。つまり、呼吸による乱れたX線映像を、追加のベルトや特別な指示を必要とせずに、鮮明に動く3D動画へと変えるのです。

「デュアルドメイン U-Net」の魔法

研究者たちは、「デュアルドメイン U-Net」と呼ばれる種類の人工知能を用いた、巧妙で新しいトリックを提案しています。これを理解するために、巨大なジグソーパズルを解こうとしている場面を想像してください。パズルのピースの半分は床に散らばっており（生のX線データ）、残りの半分はすでにテーブルの上に組み立てられています（体の3D画像）。通常、あなたは床にあるピースを見ながら、それらがどのような形をしているかを推測し、それをテーブルの上に当てはめようとしなければなりません。これは時間がかかり、エラーも起きやすい作業です。

この新しいAIは、床に散らばったピースを見て、それらがテーブルのどこに配置されるべきかを瞬時に理解できる、非常に賢いパズルマスターのように振る舞います。「U-Net」とは、AIの脳の形状のことで、文字の「U」のような形をしています。Uの左側は、生の乱れたX線ビーム（投影ドメイン）を見つめ、右側は最終的な3D画像（ボリュームドメイン）を構築します。魔法は中央で起こります。AIは、生のビームで見たものを直接3D画像へと翻訳する架け橋として機能する、特別な「バックプロジェクション（逆投影）」ツールを使用します。これにより、AIはスキャンが行われている最中に、体がどのように動いているかを一度に学習することができるのです。

呼吸ベルトやビニング（区分け）の撤廃

従来、鮮明な4D動画を得るためには、「ビニング（binning）」と呼ばれる手法を用いる必要がありました。扇風機の羽根が回転している様子を想像してください。羽根をはっきりと見るために、特定の羽根が一番上にくるたびに写真を撮るようなものです。医療スキャンにおいては、これはコンピュータが患者の吸気（息を吸う動作）を待ってから写真を撮り、次に呼気（息を吐く動作）を待ってからまた別の写真を撮る、ということを意味します。これには、コンピュータに「今がいつ写真を撮るべきタイミングか」を正確に伝えるための「呼吸サロゲート信号」（通常は胸に巻いたベルトや、マーカーを監視するカメラ）が必要でした。

この論文は、ベルトも必要ないし、特定の呼吸の瞬間を待つ必要もないと主張しています。このAIは、何千ものシミュレーションされた呼吸サイクル（ビデオゲームでキャラクターを訓練するように）を用いて学習し、肺や腫瘍がどのように動くかを理解しています。実際の患者の自然な呼吸のスキャンを見たとき、AIは「これは吸気である」「これは呼気である」と教えられる必要はありません。AIは生のX線データを見て、その動きのパターン自体を自ら導き出します。AIは、肺の「静止した」画像（最大吸気時の状態）を予測し、その後に一連の「変位ベクトル場（DVF）」を計算します。このDVFは、画像のあらゆるピクセルが、他の9つの呼吸フェーズ（周期）を作るために、どのように揺れ、引き伸ばされるべきかを示す地図のようなものです。

結果が示すもの

チームは、2つの方法でこの手法をテストしました。一つは「正解（グラウンドトゥルース）」が分かっているコンピュータ・シミュレーションによるもの、もう一つは実際の患者のスキャンによるものです。

シミュレーションにおいて：
AIは、従来の3Dスキャンとほぼ同等の鮮明さを持つ4D動画を再構成することができました。AIの画像と完璧な正解との差を測定したところ、誤差は極めて小さいものでした。例えば、画像の誤りの度合いを示す「平方根平均二乗誤差（RMSE）」は、標準的な手法とわずかな差しかありませんでしたが、AIは動きを示しながらこれを行うことができました。また、AIは肝臓、心臓、食道などの臓器を見つけることにも長けており、背景からそれらを分離する能力において、従来の手法よりも高いスコアを記録しました。ただし、研究者は小さな欠点についても指摘しています。AIの画像は、完璧な写真の鋭いエッジと比較すると、少し「ぼやけて」いるという点です。これは、AIに平均的な誤差を最小化するように学習させると、細部が滑らかになってしまうという、一般的な副作用です。

実臨床スキャンにおいて：
実際の患者には「完璧な正解」が存在しないため、研究者は11人の医学専門家（医師および物理学者）に画像を確認してもらいました。彼らは、新しいAI手法を、標準的な3Dスキャンおよび「MKB」と呼ばれる別の4D手法と比較しました。

• 腫瘍の視認性： 専門家の59%が、腫瘍を明確に捉えるために新しいAI手法を好みました。36%のケースでは差が判別できず、わずか5%が従来の3Dスキャンを好みました。
• 食道の視認性： 47%が新しい手法を好み、42%はどちらでもないと回答しました。
• モーションアーチファクト（動きによるノイズ）： 新しい手法は、通常の4Dスキャンで発生しやすい「筋状のノイズ（呼吸によるボケ）」を効果的に除去しました。また、従来の4Dスキャンでは十分なデータを得るために60秒以上を要することが多い中、非常に短いスキャン（わずか6秒）に対しても驚くほど良好に機能しました。

研究者たちは、AIが正しい呼吸運動を予測しているかどうかについても確認を行いました。AIが予測した「横隔膜の動き」を、実際の生のX線ビームに見られる動きと比較したところ、AIの予測は実際の動きと極めて密接に一致しており、比率は0.98（ほぼ完璧に正確であることを意味します）でした。これに対し、古いMKB手法は動きを過小評価する傾向があり、比率は0.58でした。

結論

この論文は、標準的な自由呼吸によるX線スキャンを用いて、患者の胸部の高品質な動く3D動画を作成できることを示唆しています。そこでは追加のベルトやカメラ、長い待ち時間は必要ありません。AIは翻訳者のように機能し、乱れた動きのあるX線ビームを、4秒足らずで鮮明な10フレームの呼吸サイクルへと変換します。画像は完全に鋭いわけではありませんが（わずかなボケがあります）、医師が以前よりも腫瘍や臓器をはるかに明確に観察できるほど十分にクリアであり、詳細を隠してしまう不快な筋状のノイズも取り除いています。

この研究は「概念実証（プルーフ・オブ・コンセプト）」であり、このアイデアが実際に機能することを示しています。研究者たちは、結果は有望であるものの、あらゆるタイプの患者やスキャンに対してどの程度有効であるかを確認するためには、さらなるテストが必要であると慎重に述べています。また、現在の学習方法における「ボケ」は既知の制限事項であり、将来のバージョンでは画像をより鮮明にするための異なる数学的手法を用いる可能性があることも指摘しています。しかし、現時点において、このアプローチは、患者がスキャナー内で過ごす時間を短縮し、息を止める必要性を減らすことで、放射線治療をより安全で快適なものにする道を開いています。