深層断層再構成は、投影測定値（X線コンピュータ断層撮影（CT）、陽電子放出断層撮影（PET）、電子顕微鏡などで取得される）から断面画像を再構成するためにDeep learningモデルを適用する計算イメージング技術である。撮像システムの明示的な数学モデルに依存する古典的手法とは異なり、深層アプローチは、生のセンサーデータまたは低品質の再構成から高忠実度画像へのマッピングを、大規模データセットから直接学習する。この分野は2010年代半ばに出現し、Neural networkアーキテクチャの進歩と大規模医用画像データセットの利用可能性によって推進された。
断層再構成における中核的な課題は逆問題である。物体の一連の線積分（投影）が与えられたとき、物体の空間分布を推定する。フィルタ補正逆投影（FBP）や反復再構成などの古典的アルゴリズムは確立されているが、アーティファクトを避けるために多くの投影を必要とすることが多く、計算コストが高くなる可能性がある。深層断層再構成は、学習された事前知識を活用することでこれらの限界を克服し、より少ない投影、より低い放射線量、またはノイズの多い測定値から正確な再構成を可能にすることを目指している。
ニューラルネットワークアーキテクチャ
ほとんどの深層断層再構成法は、畳み込みニューラルネットワーク（CNN）、特に2015年に医用画像セグメンテーション用に導入されたU-Netアーキテクチャを採用している。U-Netは、スキップ接続を備えたエンコーダ・デコーダ構造を特徴とし、微細な詳細を保持しながらマルチスケール特徴を捕捉できる。断層撮影では、U-Netは後処理に一般的に使用される。初期FBP再構成を入力として受け取り、補正された画像を出力し、ストリーキングアーティファクトとノイズを低減する。
より高度なアプローチは、ニューラルネットワークを反復再構成ループに直接統合する。これはアンローリング最適化として知られる戦略である。これらの方法は、データ整合性ステップ（出力が測定投影と一致することを保証する）と学習されたノイズ除去または正則化ステップを交互に行う。例としては、Learned Primal-DualアルゴリズムやADMM-Netがあり、手作りの正則化子を学習可能なネットワークに置き換える。このハイブリッドアプローチは、モデルベース再構成の解釈可能性と深層学習の表現力を組み合わせる。
トレーニングデータと損失関数
深層断層再構成モデルのトレーニングには、低品質入力と高品質グラウンドトゥルース画像のペアデータセットが必要である。医用画像では、そのようなデータは既存のCTスキャンのシミュレーション投影から得られることが多く、高線量再構成がターゲットとして機能し、低線量またはスパースビュー投影がシミュレートされる。Low-Dose CT Grand Challenge（2016年）やAAPM CTリンパ節データセットなどの公開データセットは、ベンチマークを容易にしてきた。
損失関数はトレーニングにおいて重要な役割を果たす。最も一般的なのは平均二乗誤差（MSE）であり、画素単位の差を penalize するが、ぼやけた出力を生成する可能性がある。事前学習ネットワークの特徴に基づく知覚損失や、生成敵対ネットワーク（GAN）からの敵対的損失は、シャープネスとリアリズムを向上させるために使用されてきた。構造類似性指標（SSIM）などのLoss Functionsも、知覚品質メトリクスへの微分可能な近似として組み込まれている。
アプリケーションとパフォーマンス
深層断層再構成は医用画像に応用されており、診断品質を維持しながら線量低減を可能にする。例えば、深層学習を用いた低線量胸部CT再構成は、FBPと比較してノイズが低減され、反復法と同等のパフォーマンスを示している。産業用非破壊検査では、深層法は限られた角度のX線スキャンから内部構造を再構成し、製造部品や考古学的アーティファクトの検査に有用である。
構造生物学で使用される電子断層撮影では、深層学習は限られた角度範囲の傾斜系列から高分子の3D構造を再構成するのに役立つ。この技術は地震断層撮影にも適用されており、波動場データから地下特性を推定する。パフォーマンスベンチマークは、深層法が古典的アプローチと比較して、特にスパースビューシナリオにおいて、ピーク信号対雑音比（PSNR）やSSIMなどの画像品質メトリクスで優れた結果を達成することが多いことを示している。
課題と限界
成功にもかかわらず、深層断層再構成はいくつかの課題に直面している。一般化は主要な懸念事項である。特定のスキャナー形状や組織タイプでトレーニングされたモデルは、新しいデータ分布ではパフォーマンスが低下する可能性がある。これは、患者の解剖学的構造やスキャナーハードウェアの変動が一般的な医用画像では特に問題となる。研究者は、この問題を軽減するためにドメイン適応や物理情報ネットワークを探求してきた。
解釈可能性ももう一つのハードルである。明確な数学的保証を持つ古典的アルゴリズムとは異なり、深層ネットワークはしばしばブラックボックスとして扱われる。これは、放射線科医や規制当局が再構成の信頼性に確信を必要とするため、規制上および臨床受容の問題を引き起こす。これに対処する取り組みには、ネットワークが信頼度マップを出力する不確実性定量化や、説明可能なAI技術の開発が含まれる。
計算コストも重要である。深層モデルのトレーニングには大規模なGPUクラスターが必要であり、推論はFBPよりも遅くなる可能性があるが、多くの反復法よりは依然として高速である。Data Augmentation技術（ランダム回転やノイズ注入など）はロバスト性を向上させるために使用されるが、一般化問題を完全に解決するわけではない。2020年代初頭の時点で、深層断層再構成は活発な研究分野であり、ハイブリッドモデル、自己教師あり学習、臨床ワークフローにおけるArtificial intelligenceシステムとの統合に関する継続的な研究が行われている。