逐次近似再構成 ノイズを減らす仕組みと質感・検出の注意

CT装置の説明に「逐次近似再構成」と書いてあり、被ばくが少なくなると聞きました。画像の見え方は変わらないのですか？小さな病変を見逃したりしませんか？
逐次近似再構成(IR)は、画像づくりの計算を繰り返してノイズを減らす方法で、同じ画質をより低い線量で得ることに役立ちます。一方で、画像の質感が変わる、線量を下げすぎると小さく淡い病変が見えにくくなる、という報告もあります。仕組みと注意点を整理します。

先に結論：IRはノイズを抑えて線量低減を助けるが、質感が変わり、低コントラストの小さな病変は線量を下げすぎると見えにくくなる

項目 ポイント
FBPとの違い FBP(フィルタ補正逆投影)は単純で速い標準的な方法だが、低線量ではノイズやアーチファクトが目立つ。IRは計算を繰り返して画像を改善する(Geyer 2015、Koetzier 2023)
種類 ハイブリッド型(FBPと組み合わせる)、モデルベース型(装置やノイズのモデルを使う)、深層学習再構成(DLR)
線量低減 冠動脈CTの系統的レビューでは、IRで線量が約48%下がり、画質は保たれたと報告(Den Harder 2016)。肝病変の検出を指標にした研究では、低減の余地は小さめの報告もある(Solomon 2017、Mileto 2018)
注意 モデルベース型は「のっぺりした」画像になりやすい。小さく淡い病変は、線量を下げすぎると見つけにくい(Koetzier 2023、Njølstad 2025)

画像再構成とは：FBPから逐次近似へ

CTは、体の周りを回転しながらX線を当て、検出器が受け取った信号(投影データ)から断面の画像を計算します。この計算が画像再構成です。長い間、標準だったのがFBP(filtered back projection、フィルタ補正逆投影)です。約40年間、CT画像再構成の標準で、単純で速く、信頼できる方法として、多くの臨床で良い画像を提供してきました(Koetzier 2023)。しかし、CT装置が高速化・高度化するにつれ、特に低線量では、FBPでノイズやアーチファクトが目立つようになりました(Koetzier 2023)。再構成の全体像はCT検査の基本まとめで、薄いスライスの意味はマルチスライスCT(MDCT)とスライス厚で扱っています。

これを補うために実用化されたのが逐次近似再構成(iterative reconstruction、IR)です。計算機の性能が上がり、IRが臨床で使えるようになりました。IRは、画像を作って修正する処理を繰り返すことで画質を改善します。製品ごとに違いはありますが、ノイズを抑えられることと、それによる放射線量の低減の可能性が共通した特徴です。ただし効果の大きさはアルゴリズムによって異なります(Geyer 2015)。

IRの種類：ハイブリッド型・モデルベース型・深層学習再構成

方法 特徴 注意点
FBP 単純・高速。長く標準だった 低線量でノイズ・アーチファクトが目立つ(Koetzier 2023)
ハイブリッド型IR FBPとモデルベース型を組み合わせる。現在の標準的な技術として広く使われている(Koetzier 2023) FBPとは質感が異なる。強度(使う割合)は施設が選べる(Racine 2021)
モデルベース型IR(MBIR) 装置やノイズの性質のモデルを使い、ノイズを大きく減らす 「plastic(のっぺり)」と形容される見た目と、再構成に時間がかかる点が普及を妨げた(Koetzier 2023)
深層学習再構成(DLR) 人工知能で、低線量のデータから質の高い画像を、MBIRより速く作る(Koetzier 2023) 性能は学習に使うデータの質に左右される(Koetzier 2023)。メーカーごとに仕様が違う

製品名はメーカーごとに異なり、強度(たとえば50%や60%など)も施設が選べます。「IRを使っている」と言っても、どの方法を、どの強度で使っているかで画像は違ってきます。

どのくらい線量を下げられるのか

線量低減の報告は、検査の種類や評価の方法によって大きく違います。主な文献の結果を整理します。

文献 評価対象 結果
Den Harder 2016 冠動脈CT(10研究・1,042人)のメタ解析 IRで線量が48%低下。ノイズ・コントラスト雑音比・主観的画質は、1研究を除いて同等か改善
Solomon 2017 21人の患者データに仮想の肝病変を挿入(FBP対モデルベース型IR) ノイズは平均53%低下、コントラスト雑音比は89%上昇。一方、病変のコントラストは12%、辺縁の鮮明さは13%低下。検出精度は2%高く、線量低減の余地は16%(±13)
Mileto 2018 低コントラストの病変ファントム、4つのCT・16人の読影者 基準の線量で、IRのAUCはFBPよりわずかに高いが有意差なし。線量を30%・50%・80%下げたときの低下は、FBPとIRで同程度。IRの線量最適化の余地は限られる
Toia 2023 肝の低コントラスト病変ファントム、24人の読影者(FBP・ハイブリッドIR・DLIR) DLIRの一部の設定では最大90%の線量低減まで通常線量のFBP・IRと非劣性。IRはFBPの通常線量に対し、30%と50%の低減でのみ非劣性

冠動脈CTの系統的レビューでは、IRで約半分の線量低減が報告されました。一方、肝臓の小さく淡い病変を見つけるという課題では、IRによる低減の余地が小さいという結果も出ています(Solomon 2017、Mileto 2018)。「IRで何%下げられる」と一律には言えず、検査の目的ごとに確かめる必要があります。DLRは、ファントムでは大きな低減の余地を示しましたが、実際の患者での結果は次の項で述べるように慎重な見方もあります。

日本のDRLとIR

日本のDRL(診断参考レベル)2025年版の報告書は、2020年版と比べてCTのすべてのプロトコールでDRL値が低下した理由の一つに、逐次近似応用画像再構成法が標準技術として広く普及したことを挙げています(J-RIME 2025)。DRLについては、別の記事で整理します。

質感が変わる：「のっぺり」の正体

FBPの画像には、ザラザラしたノイズの粒が見えます。IRを強くかけると、このノイズが減って画像がなめらかになりますが、同時にノイズの質(粒の細かさ・パターン)も変わります。これが「のっぺりした」と形容される質感の変化です。モデルベース型は、とくに「plastic」と形容される画像になりやすいとされています(Koetzier 2023)。

ノイズの質は、ノイズパワースペクトル(NPS)という指標で評価されます。ハイブリッド型のASiR-V(強度60%)と、深層学習再構成のTrueFidelityを比べたファントム研究では、深層学習再構成のほうが、FBPに近いノイズの質を保ち、より鮮明な画像になりました。同じ検出能を得るのに必要な線量は、ASiR-Vを基準に、深層学習再構成の強度を低・中・高にすると、それぞれ7%、25%、33%低いと推定されました(Racine 2021)。

質感の変化は、病変の見え方にも関わります。Solomon 2017では、モデルベース型IRにより、仮想の肝病変のコントラストが12%、辺縁の鮮明さが13%低下しました。ノイズが大きく減る分、全体の検出精度はわずかに上がりましたが、「ノイズが減った＝病変が見えやすくなった」と単純には言えないことが分かります(Solomon 2017)。

低コントラスト病変の注意：線量を下げすぎない

とくに注意したいのは、肝臓の転移のような、周囲との差が小さい低コントラストの小さな病変です。肝転移が既知の44人に、標準線量のCTと、同じ造影の間に追加した2つの低線量のCTを撮り、それぞれをIRと高強度のDLRで再構成して比べた前向き研究があります。病変の検出は、再構成の方法によって差はなく、DLRとIRは同等でした。しかし10mm以下の病変の検出は、DLRでノイズを減らしても、線量が下がるにつれ悪化しました。標準線量のIRで79.4%だった検出率は、中線量のDLRで54.9%、低線量のDLRで45.1%でした(Njølstad 2025)。著者らは、小さな肝病変の検出が重要な場合には、DLRでも大きな線量低減を期待せず、線量を下げるときは注意が必要と述べています(Njølstad 2025)。

図　線量を下げたときの肝病変の検出割合(IRとDLR)

線量低減と肝病変の検出割合 逐次近似再構成と深層学習再構成の比較グラフ
引用：Njølstad TH, et al. Eur Radiol 2025(Figure 3)、CC BY 4.0(加工なし)

横軸は標準線量からの線量低減(%)、縦軸は肝病変の検出割合(%)で、IR(青の破線)とDLR(赤の実線)を比べた図です。全体(左上)・10mmを超える病変・5mmを超え10mm以下の病変・5mm以下の病変に分けて示されています。線量を下げるにつれ検出が下がる傾向がうかがえます。

この結果は、一つの施設の、特定の装置・アルゴリズム、肝転移という課題での研究で、他の装置や他の臓器にそのまま当てはまるとは限りません。反対に、ファントム研究では大幅な低減が可能と報告されたものもあります(Toia 2023)。画質の見た目がきれいでも、診断能が保たれているとは限らないため、線量を下げる設定は、検査の目的ごとに、診断能で確かめることが大切です。

読影・撮影の実際で気をつけること

場面 注意点
以前の画像と比べるとき 再構成の方法や強度が違うと、質感や小さな濃度差の見え方が変わる。画像の違いが病気の変化か、再構成の違いかを区別する
低線量で撮った画像 ノイズが少なく見えても、小さく淡い病変は見えにくくなっている可能性がある。とくに10mm以下の病変を探す検査では慎重に見る(Njølstad 2025)
強度の設定 強度によって質感が変わる。ノイズを減らすことと、診断に必要な質感を保つことの両立を施設で確認する(Racine 2021)
読影者による差 低コントラスト病変の検出では、読影者の違いによるばらつきが、再構成法の違いによるばらつきより大きかったという報告がある(Mileto 2018)

逐次近似再構成による線量低減は、DRLのような施設の線量管理と組み合わせて、画質と診断能を確認しながら進めるものです。画像のアーチファクトの見分け方はCTのアーチファクトで、被ばくの考え方はレントゲン・CTの被ばく量は大丈夫？で解説しています。検査の必要性や被ばくが気になるときは、主治医や検査を行う施設に相談してください。

よくある疑問(Q&A)

Q. IRを使うと、画像の質は落ちますか？
A. 同じ画質を保ったまま線量を下げる目的で使われ、画像のノイズは減ります。ただし方式や強度によって質感は変わります(Koetzier 2023、Racine 2021)。

Q. IRや深層学習再構成を使えば、被ばくをどこまでも下げられますか？
A. そうではありません。肝臓の小さな病変の検出を調べた研究では、DLRを使っても、線量が下がるにつれ、10mm以下の病変の検出は悪くなりました(Njølstad 2025)。検査の目的に合わせて、下げる量を決める必要があります。

Q. 昔のCTと今のCTでは、見え方が違うのはなぜですか？
A. 再構成の方法がFBPからIR、さらにDLRへと変わってきたため、同じ体でもノイズの粒や質感が違って見えます(Koetzier 2023)。比べるときは、再構成法の違いを考えます。

Q. 深層学習再構成は、IRより優れていますか？
A. ファントムの研究では、DLRはFBPに近いノイズの質を保ち、低コントラスト病変の検出で良い成績を示しました(Racine 2021、Toia 2023)。しかし、肝転移の患者での前向き研究では、DLRとIRの検出能は同等でした(Njølstad 2025)。アルゴリズムの学習データの質にも左右されます(Koetzier 2023)。

あわせて読みたい：CT検査の基本まとめ、マルチスライスCT(MDCT)とスライス厚

あわせて読みたい：CTDIvolとDLPとは

参考文献

  1. Geyer LL, Schoepf UJ, Meinel FG, et al. State of the Art: Iterative CT Reconstruction Techniques. Radiology. 2015;276(2):339-357. PubMed
  2. Koetzier LR, Mastrodicasa D, Szczykutowicz TP, et al. Deep Learning Image Reconstruction for CT: Technical Principles and Clinical Prospects. Radiology. 2023;306(3):e221257. PubMed
  3. Den Harder AM, Willemink MJ, De Ruiter QM, et al. Dose reduction with iterative reconstruction for coronary CT angiography: a systematic review and meta-analysis. Br J Radiol. 2016;89(1058):20150068. PubMed
  4. Solomon J, Marin D, Roy Choudhury K, et al. Effect of Radiation Dose Reduction and Reconstruction Algorithm on Image Noise, Contrast, Resolution, and Detectability of Subtle Hypoattenuating Liver Lesions at Multidetector CT: Filtered Back Projection versus a Commercial Model-based Iterative Reconstruction Algorithm. Radiology. 2017;284(3):777-787. PubMed
  5. Mileto A, Zamora DA, Alessio AM, et al. CT Detectability of Small Low-Contrast Hypoattenuating Focal Lesions: Iterative Reconstructions versus Filtered Back Projection. Radiology. 2018;289(2):443-454. PubMed
  6. Racine D, Brat HG, Dufour B, et al. Image texture, low contrast liver lesion detectability and impact on dose: Deep learning algorithm compared to partial model-based iterative reconstruction. Eur J Radiol. 2021;141:109808. PubMed
  7. Toia GV, Zamora DA, Singleton M, et al. Detectability of Small Low-Attenuation Lesions With Deep Learning CT Image Reconstruction: A 24-Reader Phantom Study. AJR Am J Roentgenol. 2023;220(2):283-295. PubMed
  8. Njølstad TH, Jensen K, Andersen HK, et al. Deep learning reconstruction for detection of liver lesions at standard-dose and reduced-dose abdominal CT. Eur Radiol. 2025;35(10):6140-6149. PubMed
  9. 医療被ばく研究情報ネットワーク(J-RIME). 日本の診断参考レベル(2025年版)(Japan DRLs 2025). 2025年7月(2025年11月28日一部修正). J-RIME

画像診断を無料で学べるコンテンツ

腹部画像診断を症例で学ぶ
無料講座

腹部画像診断を症例で学ぶ

4日に1回、朝6時に症例が届き、実際に画像をスクロールして読影する講座です。90症例以上・1年以上続く講座で、医師・医学生・放射線技師・看護師など10,000名以上が参加中です。

講座に参加する(無料) →
胸部レントゲンの正常解剖を31日で
無料講座

胸部レントゲンの正常解剖を31日で

1日3分、全31日で胸部レントゲンの正常解剖の基礎を学ぶ参加型の講座です。全日程に簡単な動画解説が付いています。

講座に参加する(無料) →
画像診断LINE公式アカウント
登録特典あり

画像診断LINE公式アカウント

新しい企画やモニター募集のお知らせを配信しています。登録すると特典として、脳の血管支配域のミニ講座に無料で参加できます。

LINEで友だち追加 →