DLR（Deep Learning Reconstruction：深層学習再構成）

一言でいうと

DLR（Deep Learning Reconstruction）は、あらかじめ学習させたAIを使って、ノイズを抑えたCT画像を作る方法です。

低い線量で撮ったデータから、高い線量で撮ったような画像を再現することを狙っています。

再構成法の3世代

DLRの位置づけを理解するには、その前の2つを知っておくと早いです。

① FBP（フィルタ補正逆投影法）

長く標準だった方法です。数式で一発で計算するためとても速いのが利点。

ただし、線量を下げるとノイズがそのまま増えます。ノイズを減らす手立てがほとんどありません。

② 逐次近似再構成（IR）

「仮の画像を作る → その画像から得られるはずの投影データを計算する → 実際のデータと比べる → 修正する」をくり返す方法です。

ノイズを大きく減らせるため、被ばくを下げられるようになりました。ただし2つの弱点がありました。

• 計算に時間がかかる（くり返し処理のため）
• 画像の質感が不自然になる。ノイズを強く減らすほど、のっぺりした「ぬめり」のある見た目になり、低コントラストの病変が見えにくくなる

③ DLR（深層学習再構成）

大量の「低線量画像」と「高線量画像」のペアをAIに学習させ、低線量の入力から高線量相当の出力を推定させます。

学習は事前に済ませてあるので、実際の再構成は一度通すだけで終わり、速い。しかも、自然な質感を保ったままノイズを減らせます。

	FBP	逐次近似(IR)	DLR
ノイズ低減	弱い	強い	強い
計算時間	速い	遅い	速い
質感	自然	不自然になりがち	自然
低コントラスト分解能	線量次第	落ちやすい	保たれやすい

何が嬉しいのか

同じ画質ならより低い線量で済み、同じ線量ならより良い画質が得られます。小児CTや、くり返し検査が必要な患者さんで特に意味が大きい技術です。

使うときの注意

DLRは「学習したことを再現する」しくみです。そのため次の点に注意が必要です。

• 学習データに含まれていない、まれな所見では、想定外のふるまいをしうる
• 実際には存在しない構造をもっともらしく描いてしまう可能性（ハルシネーション）が指摘されている
• 撮影条件が学習時と大きく違うと、性能が落ちる

「AIが作った画像だから正しい」とは限りません。診断上迷う場面では、元の再構成画像も併せて確認するという運用がとられます。

補足

同じ「深層学習」でも、再構成の段階で使うDLRと、できあがった画像にノイズ除去をかける後処理は別物です。

DLRは投影データや再構成の過程に組み込まれており、後処理よりも情報の損失が少ないとされています。