今週の Top Picks

Clinical validation of a unified data-driven respiratory motion correction technique in (PMID: 41547664)

• 雑誌名: EJNMMI physics
• 公開日: 2026-01-18
• 著者名: Tingting Han, Ying Wang, Zhiyong Quan 他
• 所属: Department of Nuclear Medicine, Xijing Hospital, Fourth Military Medical University, China; United Imaging Healthcare, China.
• タスク: PET/CT画像における呼吸性移動アーチファクトの補正と、上腹部病変診断における臨床的有用性の評価。
• データ: 上腹部病変が疑われる患者100名を対象とした前向き研究。
• 手法: ディープラーニングニューラルネットワークを利用した統一データ駆動型呼吸性移動補正（uRMC）アルゴリズム。
• 成果: uRMC再構成後、78%の患者で全体的な画像品質が改善し、病変のPET-CTアライメントが68.9%で改善、病変の歪みが64.0%で減少した。SUVmaxも有意に増加し、低集積・小病変の検出が向上した。
• 新規性: ディープラーニングを用いた統一データ駆動型呼吸性移動補正アルゴリズムの臨床的有用性を前向きに評価し、診断精度向上への貢献を示した点。
• 限界: 記載なし。

Evaluation of deep learning-based methods for automatic detection and segmentation of brain metastases in T1-contrast MRI for stereotactic radiosurgery. (PMID: 41546659)

• 雑誌名: Journal of applied clinical medical physics
• 公開日: 2026-01
• 著者名: Zhifeng Xu, Yuqi Yang, Guanjie Wang 他
• 所属: National Clinical Research Center for Cancer, Tianjin Medical University Cancer Institute & Hospital, China; School of Biomedical Engineering and Technology, Tianjin Medical University, China.
• タスク: T1強調造影MRIにおける脳転移の自動検出とセグメンテーション。
• データ: 934患者（公開データセット667例、自施設267例）。
• 手法: CNN、Transformer、Mambaアーキテクチャに基づく8つのディープラーニングモデルを比較評価。
• 成果: U-Mamba (Bot)が病変レベル感度0.796で脳転移検出において最高性能を示し、nnU-Netv2がSurface DSC 0.877で腫瘍境界セグメンテーションにおいて最も優れていた。
• 新規性: 異なるフレームワーク（CNN, Transformer, Mamba）に基づくディープラーニングモデルの脳転移検出・セグメンテーションにおける包括的な比較分析を行い、SRS治療計画への応用可能性を示した点。
• 限界: 記載なし。

Multisequence MRI Enables High-Fidelity FDG-PET Synthesis for Epilepsy Using GANs. (PMID: 41542825)

• 雑誌名: Journal of magnetic resonance imaging : JMRI
• 公開日: 2026-01-16
• 著者名: Chenyang Yao, Bixiao Cui, Jingjuan Wang 他
• 所属: Department of Radiology and Nuclear Medicine, Xuanwu Hospital Capital Medical University, China; Beijing Key Laboratory of Magnetic Resonance Imaging and Brain Informatics, China.
• タスク: T1強調画像と安静時fMRI指標からてんかんの合成FDG-PET画像を生成し、その診断価値を評価。
• データ: 481参加者（てんかん患者311名、側頭葉てんかん患者115名、健常対照55名）の同時FDG PET/MR撮像データ。
• 手法: GANs（Generative Adversarial Networks）を用いてマルチシーケンスMRIからFDG-PET画像を合成。SSIM、PSNR、SUVR相関、視覚的品質評価、海馬硬化症分類、Engel転帰予測で性能を評価。
• 成果: 合成PETは実PETと高い一致度を示し、SSIM 0.98、SUVR相関r=0.94を達成。側頭葉低代謝の検出精度は90.3%であり、海馬硬化症分類およびEngel転帰予測のAUCは実PETと同等であった。
• 新規性: マルチシーケンスMRI（T1WIとfMRI）からGANsを用いて高忠実度のFDG-PET画像を合成し、PETが利用できない、または非現実的な状況での代謝サロゲートとして機能する可能性を示した点。
• 限界: 記載なし。

Deep-learning image reconstruction algorithms for CT: A task-based image quality assessment of four CT systems using a phantom. (PMID: 41539890)

• 雑誌名: Diagnostic and interventional imaging
• 公開日: 2026-01-14
• 著者名: Joël Greffier, Alexa Liogier, Maxime Pastor 他
• 所属: IMAGINE UR UM 103, Montpellier University, Department of Medical Imaging, Nîmes University Hospital, France.
• タスク: 4社のCTシステムにおける反復再構成（IR）とディープラーニング画像再構成（DLR）アルゴリズムの画質をタスクベースで評価。
• データ: 3つの線量レベルで取得されたファントム画像。
• 手法: 4社のCTシステム（G-CT, P-CT, U-CT, C-CT）で取得したファントムデータを使用し、ノイズパワースペクトル（NPS）とタスクベース伝達関数（TTF）を計算して、ノイズ量、ノイズテクスチャ、空間分解能を評価。
• 成果: DLRはIRと比較して画像ノイズを低減し、検出能を向上させた。ノイズテクスチャと空間分解能は同等かそれ以上であった。
• 新規性: 異なるCTベンダーのDLRアルゴリズムの画質を、ファントムを用いた客観的なタスクベース評価指標（NPS, TTF）で包括的に比較し、DLRの性能特性を明らかにした点。
• 限界: ファントム研究であり、in vivoでの臨床的影響は直接評価されていない。

AI-powered segmentation and prognosis with missing MRI in pediatric brain tumors. (PMID: 41530498)

• 雑誌名: NPJ precision oncology
• 公開日: 2026-01-13
• 著者名: Dimosthenis Chrysochoou, Deep B Gandhi, Sahand Adib 他
• 所属: University of Pennsylvania, Department of Bioengineering, USA; Center for Data-Driven Discovery in Biomedicine (D3b), Children's Hospital of Philadelphia, USA.
• タスク: 小児脳腫瘍においてMRIシーケンスが欠損している場合の腫瘍セグメンテーションと予後予測。
• データ: Children's Brain Tumor NetworkとBraTS-PEDsの患者715名、PNOC003/007臨床試験の患者43名（157の縦断的MRI）。
• 手法: 欠損シーケンス対応戦略として、ドロップアウト学習を用いたセグメンテーションモデル、画像合成のための生成モデル、コピー置換ヒューリスティクス、ゼロ入力などを開発。
• 成果: ドロップアウトモデルはMRI欠損時でも堅牢なセグメンテーション性能を達成し（Diceスコアの低下は0.04以下）、モデル由来の腫瘍体積と臨床共変量を用いた生存分析で安定した予後予測精度を示した。生成モデルは高画質（SSIM > 0.90）の画像を合成し、視覚的解釈性を向上させた。
• 新規性: 実際の臨床現場で頻繁に発生するMRIシーケンス欠損という課題に対し、ドロップアウト学習や生成モデルを組み合わせることで、堅牢なセグメンテーションと予後予測を可能にし、AIツールの実用的な導入を促進する点。
• 限界: 記載なし。

総括・編集後記

今週は、AIによる画像再構成技術の進展と、臨床現場の課題（呼吸性移動、欠損データ）に対応する実用的なAI応用が目立ちました。特にDLRの客観的評価やMRIからのPET合成は、既存のワークフロー改善や新たな診断機会創出の可能性を秘めており、自施設でのPoCや情報収集を進める価値があります。これらの技術を導入する際は、ファントム研究だけでなく、実際の患者データでの外部バリデーションや、AIが提供する情報の解釈における臨床医の役割を常に意識することが重要です。