MEDICINE & AI

タイトル：One for multiple: Physics-informed synthetic data boosts generalizable deep learning for fast MRI reconstruction 雑誌名：Med Image Anal. 2025 Jul; 103: 103616. 概　要： 本研究は、MRIの迅速な再構成を実現するための新しい物理情報に基づく合成データ学習フレームワーク（PISF）を提案します。MRIは放射線を使用せず、人体に関する包括的な情報を提供しますが、スキャン時間の長さが普及を妨げています。k空間のアンダーサンプリングは解決策ですが、画像再構成時にアーティファクトの除去が必要です。深層学習は迅速なMRI再構成に効果的ですが、さまざまな画像シナリオへの適用が制限されています。PISFは、単一のモデルで多様なシナリオに対応できる一般化可能な深層学習を可能にします。 方　法： PISFは、2D画像の再構成を多くの1D基本問題に分離し、1Dデータ合成から始めるアプローチを採用しています。合成データで深層学習モデルを訓練し、強化学習技術を組み合わせることで、現実のデータセットで訓練されたモデルと同等またはそれ以上のin vivo MRI再構成を実現しました。実データの依存度を最大96%削減し、4つのサンプリングパターン、5つの解剖学、6つのコントラスト、5つのベンダー、7つのセンターに対応する高品質な再構成をサポートします。 結　果： PISFは、2つの神経疾患と2つの心血管疾患の患者集団に適応可能であり、10人の経験豊富な医療専門家による評価を通じてその有効性が確認されました。合成データを用いた訓練により、一般化能力が向上し、さまざまなMRIアプリケーションにおける深層学習の普及を促進する実現可能でコスト効果の高い方法を提供します。 結　論： PISFは、迅速なMRI再構成における深層学習の広範な採用を大幅に促進する可能性を示しており、医療診断の効率を向上させることが期待されます。