少数ショットのドメイン適応による汎用的なCT不要PET減衰・散乱補正

患者と医師にとっての意義

陽電子放射断層撮影（PET）検査は、がんやその他の疾患が体内でどのように振る舞うかを医師が把握するのに役立ちます。しかし正確なPET画像を得るためには、通常追加のコンピュータ断層撮影（CT）が必要で、これが被ばくを増やし、場合によってはPET画像とズレを生じさせます。本研究はCTに頼らずPET画像を補正する手法を提示します。しかも数例の患者データで新しい病院やスキャナに素早く適応できる人工知能を用いています。

より低線量でより鮮明な画像をめざす課題

最新のPET/CT装置は、組織の代謝や特定分子の挙動を示すPETと、体の構造を示すCTという二つの撮像を組み合わせます。CTはPETにおける信号減衰や散乱を補正し、腫瘍や臓器で見る数値の信頼性を支えます。しかし全身PET/CT検査ではCTが総被ばくの半分近くを占めることがあり、特に小児など被ばくに敏感な群では問題です。低線量CTを使っても、呼吸や被検者の動きによりPETとCTの位置がずれ、ストリークや偽の過・低集積を生むことがあります。こうした理由から、CTを使わずにPETを補正する方法が求められています。

人工知能の介入方法

近年の深層学習手法は、未補正のPET画像を直接補正しようとします。仮想CTを予測するものや、ぼやけた未補正PETを一段で鮮明で補正済みのPETに変換するものがあります。これらは学習した環境では良好に機能しますが、病院が変わったり、スキャナやトレーサー、患者集団が変わると性能が落ちることがしばしばです。機器や撮像条件、使用する放射性トレーサーのわずかな違いがPET画像の見え方を変え、限られた例しか見ていないモデルを混乱させます。著者らは、どこでも常に通用する単一の固定モデルを訓練するのは非現実的であり、PET補正は各臨床現場に適応できる“生きた”システムとして扱うべきだと主張します。

少数ケースから学ぶ柔軟なPET補正モデル

研究チームはCrossPET-Adaptと呼ぶフレームワークを開発し、二段階学習を採用しました。まず、長軸視野を持つスキャナで取得された広く用いられるトレーサー18F-FDGの大規模なPETデータセットで深層ネットワークを訓練します。ネットワークは新しいPET画像を直接生成するのではなく、入力の各ピクセルに乗ずる滑らかな補正マップを学習します。これはPETにおける物理的な信号損失が信号強度の変化のように振る舞うことを反映します。さらに入力スキャンごとの平均輝度やばらつきなどの単純な統計量を使い、内部特徴を調整してスキャナやトレーサーによる見た目の変化を認識できるようにします。第二段階では、異なるトレーサーやスキャナ、病院といった新しいドメインから1〜5人の患者データだけでモデルを微調整し、ゼロから再訓練することなく局所的な特性を取り込めるようにします。

トレーサー、スキャナ、施設を越えたテスト

この考え方の有効性を検証するため、研究者らは4種類のトレーサー、複数のベンダーのスキャナ機種、3つの外部病院を含む11グループ、計1539人分のデータセットをまとめました。比較した戦略は、単一トレーサーで訓練したモデル、混合トレーサーで訓練した結合モデル、および少数ショット適応のアプローチです。訓練データとトレーサーが一致する条件では、予想どおり混合モデルがわずかに良好でした。しかし、未知のトレーサーやスキャナ、施設が関わる新しい環境では、適応済みモデルが一貫して高い画像類似度、低い誤差、より信頼できる標準化取り込み値（SUV）を示しました。しかも1〜数例で微調整した場合でも同様の改善が得られました。リンパ腫患者では、深層学習で補正した画像が標準的なPET/CT結果によく一致し、治療判断に用いる腫瘍体積や集積量の誤差を大幅に減らしました。

将来のPET検査への示唆

本研究は、少数ショット適応戦略を組み合わせることで、CT不要のPET補正が実用的かつ信頼できる可能性を示しています。病院が新たなスキャナを導入したり新しいトレーサーを使い始めるたびに何百件ものラベル付きスキャンを収集する代わりに、臨床現場は共通のベースモデルを数例の局所データで10分未満、1枚のGPUで微調整できるかもしれません。この方法は被ばくを減らし、ワークフローを簡素化し、拠点間で高度なPETイメージングの一貫性を高めつつ、腫瘍学や他の専門医が依存する定量的な詳細も維持する可能性があります。

引用: Wang, H., Wen, M., Qiao, X. et al. Generalizable CT-free PET attenuation and scatter correction via few-shot cross domain adaptation. npj Digit. Med. 9, 374 (2026). https://doi.org/10.1038/s41746-026-02760-w

キーワード: PETイメージング, 減衰補正, 深層学習, ドメイン適応, 医用画像