医用画像，特にMRIにおける撮像時間の短縮は，画質とのトレードオフを伴う長年の課題であった．本稿では，この課題に対する強力な解決策として注目される「深層展開」技術を概説する．深層展開は，物理モデルに基づく従来の反復再構成アルゴリズムとデータから特徴を学習する深層学習を融合させ，高い性能と解釈可能性を両立するハイブリッドアプローチである．本稿では，最初にその基本原理を解説し，MRI再構成におけるADMM-NetやISTA-Netといった黎明期のモデルから，U-Netなどの強力な事前知識を統合したMoDL，さらにはTransformerを応用した最新アーキテクチャーまでの進化の系譜を辿る．次に，臨床応用への最大の障壁であった教師データ問題を克服する自己教師あり学習の動向を述べる．さらに，深層展開がなぜ高速な収束を達成するのか，その学習済みパラメーターの振る舞いに関する理論的な解釈を紹介する．最後に，本技術が真に臨床現場で活用されるための根源的な課題として，分布外データへの汎化性能を指摘し，今後の研究の方向性を展望する．
