モーションアーチファクト
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2025/09/19 08:49 UTC 版)
モーションアーチファクト（英: Motion artifact）は、医用画像において被検者の体動や呼吸、心拍などによって生じる画像の乱れを指す。特にMRIやCTで問題となり、診断精度の低下や誤診、再検査による患者負担増加の原因となる。高齢化や運動障害を有する患者では発生頻度が高く、臨床現場で重要視されている。対策として撮像技術の工夫や装置設定の最適化、さらに人工知能やディープラーニングを用いた補正技術が開発されており、診断能と医療の効率化に直結する課題となっている。
臨床的意義と概要
モーションアーチファクトとは、医用画像において被検者の動きや生理的変動によって生じる画像の乱れを指し、特に磁気共鳴画像（MRI）では診断精度に大きな影響を及ぼすとされる[1]。これらのアーチファクトは病変の境界を不鮮明にし、誤診や病変の見逃しにつながる危険性がある。とりわけ低SNR（Signal-to-Noise Ratio）で撮像される拡散強調画像や機能的MRIでは、わずかな動きが重大な解釈の誤りを招く可能性がある[2]。
臨床現場では、モーションアーチファクトは患者の高齢化や運動症状と関連して頻発しやすいことが報告されている。脳卒中疑いの患者を対象とした研究では、7.4%に動き由来のアーチファクトが認められ、高齢や四肢麻痺などの症状がその発生リスクを高める要因であるとされた[3]。こうしたアーチファクトは、特に出血性病変の検出において診断能を低下させ、人工知能（AI）による読影精度や放射線科医の診断精度にも影響を及ぼす可能性が報告されている[4]。
診断精度の低下は再検査の必要性を高め、患者の精神的・身体的負担を増大させるだけでなく、医療資源の追加的消費を招く。これに対応するため、AIによる動きの自動検出や補正アルゴリズムの開発が進められており、初期的な研究やレビューにおいて有効性が示唆されている[5]。このようにモーションアーチファクトは単なる画像の乱れにとどまらず、臨床診断や研究の信頼性に直結する重要な課題として認識されている。
発生要因
モーションアーチファクトは、画像診断において患者や装置の動きによって生じる偽像であり、画像品質の低下を引き起こす主因の一つである。特にMRIでは撮像時間が長いため、被検者の体動や呼吸、心拍といった生理的要因によって位相エンコード方向に波状の縞やぼけが現れることが多い[1]。一方、CTでは頭部や体幹のわずかな動きによって再構成画像に帯状の影や二重像が生じ、診断能を損なう[6]。
発生要因は大きく分けて患者由来と技術的要因に分類される。患者由来の要因には、自発運動、体位のずれ、呼吸運動、心拍動、嚥下や不随意運動が含まれる。小児や高齢者、重症患者では動きを完全に制御することが難しく、再撮像や鎮静の必要性が生じることがある[2]。一方、技術的要因としては撮像時間の長さ、シーケンス設計、撮像中の不完全な同期、機器の制御誤差などが挙げられる。特にMRIでは高速シーケンスや圧縮センシングの利用がアーチファクトの影響を軽減する一方で、SNRや空間分解能に制約が生じる[7]。
さらに、発生要因には観察者やデータ評価の主観的要素も関与する。診断画像の品質評価には専門医の経験が大きく影響し、非診断的と判定される基準に一定のばらつきが存在する[8]。このため、アーチファクト発生の背景には生理的運動と技術的要因の複合的な影響に加えて、人間による評価の主観性が関与していると考えられている。
画像モダリティ別の特徴
モーションアーチファクトは使用される画像モダリティごとに特徴的な表れ方を示す。
MRIでは患者の体動や呼吸、心拍などが強く影響し、画像に周期的なブレやゴーストとして現れる。特に位相エンコード方向に沿った繰り返しパターンや信号低下が代表的であり、診断能を低下させる要因となる[1]。近年は撮像シーケンスの高速化やself-navigation技術、さらにAIによる補正法が研究され、実際の臨床に導入されつつある[7]。
CTにおいては、患者の体動や呼吸に加えて心拍動が重要な原因となり、血管や実質臓器に偽の病変やぼやけを生じさせる。特に胸部や心臓領域では誤診のリスクが高く、再撮像を要する場合も少なくない[9]。肺動脈CT血管造影では動きによるアーチファクトが血栓と紛らわしく、診断に影響を与えることが知られており、AIによる自動検出モデルの研究も進められている[10]。さらにコーンビームCT（CBCT）では走査時間が長いことから動きの影響を受けやすく、特に頭頸部や整形外科領域での画像品質低下が課題となる。この問題に対し、深層学習を応用した解法が提案され、ランドマーク検出を利用した動き推定により高精度な補正が報告されている[11]。
超音波検査では探触子の動きや患者の体位変化によるブレが典型的であり、リアルタイム性を背景に画像が瞬間的に乱れる。一方、核医学やPETでは撮像に時間を要するため、呼吸や体動による位置ずれが顕著となり、偽の集積低下や拡散像を形成する。これらはいずれも診断能を制限する要因であり、モダリティごとに固有の対策技術が発展している。
鑑別と誤診防止のポイント
モーションアーチファクトは、実際の病変と極めて類似した像を形成することがあり、診断上の誤解を招く要因となる。特に脳卒中診断におけるMRIでは、動きによる信号の歪みやゴーストが病変の境界を不明瞭にし、虚血性変化や出血性病変との鑑別を困難にする場合がある[12]。このような場合、複数断面での所見確認や臨床症状との照合が誤診防止に有効である。
CTにおいても、モーションアーチファクトが骨折や腫瘤と誤認されることが報告されている。例えば、頸椎のタイプII歯突起骨折と見間違えられた症例では、画像の再構成や追加の撮像によってアーチファクトが判明し、不要な治療介入が回避された[13]。このように、アーチファクトを疑う視点を持ち、再撮像や他モダリティによる確認を行うことが重要である。
さらに、近年では自動検出アルゴリズムの導入により、アーチファクトを早期に認識し、偽陽性を減らす試みが進んでいる。肺動脈CT血管造影における自動検出は、放射線科医が読影時に誤って血栓と判断するリスクを軽減し、診断精度の向上に寄与している[14]。また、頭部CTにおいてはグラフ理論に基づいた検出手法が提案され、局所的および全体的なトポロジー特性を利用することで、従来手法よりも高精度にモーションアーチファクトを識別できると報告されている[15]。
さらに補正技術の発展により、診断精度が向上している。拡散モデルを応用したポータブル頭部CTの補正では、ゴーストやブレを低減し、偽陽性所見の発生を抑制する効果が報告されている[16]。このように、誤診防止には臨床医の経験だけでなく、自動検出や補正アルゴリズムを活用した総合的な対応が求められている。
評価・測定と予防・低減策
モーションアーチファクトの評価は、主観的な視覚評価と客観的な定量的指標の両面から行われる。定量的評価では、SNR、構造類似度（SSIM）、ピーク信号対雑音比（PSNR）などが用いられ、画像品質の劣化や補正効果を数値で比較することが可能である[17]。さらに、観察者間の一致度や診断精度を通じた臨床的評価も併用される。
予防策としては、撮像技術の工夫や装置設定の最適化が重要である。MRIでは、撮像時間の短縮、k空間のサンプリング法改良、体動抑制具の使用などが従来から行われてきた[1]。また、患者に呼吸や体動を抑制する指導を行うことも効果的である。
一方、後処理技術の進展により、ディープラーニングを利用したアーチファクト低減手法が注目されている。深層学習モデルは、運動により乱れた画像から残差成分を推定し、ノイズや偽影を除去することが可能である[18]。特にU-Netをベースとしたモデルは、脳MRIや心臓MRIにおけるアーチファクト低減で高い性能を示している[19]。
さらに、CT領域では呼吸運動による位相ずれを補正するために、幾何学的モデルや回帰解析を応用した新しい方法が提案されている。特に4次元CT（4DCT）に対しては、位相間の一貫性を維持するためにGeodesic Density Regressionを利用することで、呼吸起因の偽影を低減できると報告されている[20]。このように、物理的対策とアルゴリズム的補正を組み合わせることにより、モーションアーチファクトの影響を最小化しつつ診断能を向上させることが可能となっている。
脚注
- ^ a b c d “Motion artifacts in MRI: A complex problem with many partial solutions” (英語). J Magn Reson Imaging (Wiley).
- ^ a b “Are Movement Artifacts in Magnetic Resonance Imaging a Real Problem?—A Narrative Review” (英語). Frontiers in Neurology (Frontiers).
- ^ “Motion artifacts and image quality in stroke MRI: associated factors and impact on AI and human diagnostic accuracy” (英語). European Radiology (Springer).
- ^ “Stroke MRI Study Assesses Impact of Motion Artifacts Upon AI and Radiologist Lesion Detection” (英語). Diagnostic Imaging (MJH Life Sciences).
- ^ “Systematic Review and Meta-analysis of AI-driven MRI Motion Artifact Detection and Correction” (英語). arXiv preprint (arXiv).
- ^ “Graph-Based Motion Artifacts Detection Method from Head CT Images” (英語). Sensors (MDPI).
- ^ a b “Motion artifact reduction for magnetic resonance imaging” (英語). PLOS ONE (PLOS).
- ^ “Diagnostic Image Quality Assessment and Classification in Medical Imaging: Opportunities and Challenges” (英語). arXiv preprint (arXiv).
- ^ “CT artifacts: causes and reduction techniques” (英語). Imaging in Medicine (Open Access Journals).
- ^ “Auto-Detection of Motion Artifacts on CT Pulmonary Angiography” (英語). Diagnostics (MDPI).
- ^ “Unsupervised motion artifacts reduction for cone-beam CT” (英語). Expert Systems with Applications (Elsevier).
- ^ “Motion artifacts and image quality in stroke MRI” (英語). European Radiology (Springer).
- ^ “Computed tomography artifacts mimicking type II odontoid fractures: a case report and review” (英語). Trauma Case Reports (Elsevier).
- ^ “Auto-Detection of Motion Artifacts on CT Pulmonary Angiography” (英語). Diagnostics (MDPI).
- ^ “Graph-Based Motion Artifacts Detection Method from Head CT Images” (英語). Sensors (MDPI).
- ^ “Portable head CT motion artifact correction via diffusion models” (英語). NeuroImage (Elsevier).
- ^ “Image Quality Assessment for Magnetic Resonance Imaging” (英語). arXiv (arXiv).
- ^ “Motion artefacts reduction in brain MRI by means of a deep learning approach” (英語). Magnetic Resonance Imaging (Elsevier).
- ^ “Motion Artifact Reduction Using U-Net Model” (英語). Biosensors (MDPI).
- ^ “Geodesic Density Regression for Correcting 4DCT Pulmonary Respiratory Motion Artifacts” (英語). arXiv (arXiv).
- モーションアーチファクトのページへのリンク
