拡張現実感（AR）による映像表示を用いた応用において重要なテーマの一つは，AR映像の現実世界との整合性を保つこと，つまり，バーチャルな映像を現実世界にいかに最適に再現し，ユーザーに提示するか，ということである．本稿では，まず医用画像へのAR応用事例を挙げながらARを概説し，AR表示に欠かせない光学シースルーディスプレイ技術について導入する．ARを活用する上で重要な要件である空間・時間・知覚の整合性の概念を紹介する．紹介にあたって，関連する近年の研究を交えながら，各概念について掘り下げていく．本稿は，特に，AR技術を自身の分野に適用することに興味がある読者を想定している．

The interest in Optical see-through head-mounted displays (OST-HMDs) has been on the rise in the last years. One envisioned application scenario in medical applications is accurate overlay of information onto the patient. To do so, it is necessary to accurately align the virtual content with the real world for each user, also referred to as calibration of an OST-HMD. In this paper I discuss introduce different methods to calibrate an OST-HMD and discuss open questions that must be answered to accurate, interaction-free calibration.

本研究では，エピポーラ幾何に基づく時間同期式のプロジェクター-カメラシステムを用いて，シーンのPlane-to-Rayライトトランスポートを計測する．本来は肌の表面での反射光に隠されて見ることができなかった，肌内部に到達した散乱光だけを観測することにより，血管の位置を鮮明に可視化した映像を表示することが可能であり，AR 技術の新たなメディカルイメージングへの応用としてその可能性を提案する．

臨床における医用画像解析が，仮想現実（VR），拡張現実（AR），複合現実（MR）を総称したXR （extended reality）技術として利用されている．患者個別のCT・MRIが，XRとして外科系領域を中心に治療手技の計画やシミュレーション，ナビゲーションやトレーニングなどに活用されている．近年は，安価なソフトウェアを利用した3D再構築から，ウェブサービスによる自動XRアプリ化も可能になり，臨床XRの活用はすでに実用レベルである．これを発展させる鍵が人工知能（AI）・深層学習（DL）による臓器自動抽出である．XRデバイスやウェブサービスが手軽に利用できる現在，人体の理解と診療の正確性向上に必須な空間認識力の確立のため，医療者のXR利用に対する意識を高め，ユーザビリティーの高いXRが広く活用されることを期待したい．

肝切除の術前3Dシミュレーションは，2012年に保険収載となって以来普及し，もはや必要不可欠なものになっている．最近の3D解析ワークステーションは，肝容量のボリュームメトリー，肝臓外科解剖の理解，門脈，肝静脈還流域の評価等が容易に可能で有用なため，肝臓手術の術前3Dシミュレーションに関する研究は国内外を問わず多数報告されている．われわれは，肝臓の形状変形を可能とする肝切除シミュレーションソフトウェア「Liversim」を独自に開発し，臨床，教育に役立てている．CT，MRIから生成した3D画像を活用して診断，解析が可能になり，術前の手術プランニングだけでなく術中にもシミュレーション画像をガイドとして参照することが可能になったが，カーナビゲーションのようなリアルタイムナビゲーションにはいまだ至っていない．われわれは，3D計測装置と手術シミュレーションを連動させた新規手術ナビシステムを研究，開発している．今回は肝シミュレーション手術の現状と最先端の技術開発について述べる．

本論文では，畳み込みニューラルネットワーク（convolutional neural network; CNN）の構造の違いによる，低計数PET 画像のノイズ除去効果を比較・検討した．CNNの構造として，RemezらのDenoiseNet（DN），U-Netにresidual learningを追加したネットワーク（UR-Net）を使用した．その結果，DNでは横断面を1スライスずつノイズ除去することにより，冠状面に筋状のアーチファクトが生じた．一方，隣接NスライスをNチャンネル画像としてノイズ除去するDN-Nchでは，上記アーチファクトが低減した．また，UR-Netや，UR-Netを2段に重ねたUR-Net×2では，DNに比べピーク信号対雑音比（peak signal to noise ratio; PSNR）が向上した．さらに，計数の間引き率の異なる画像を用いて訓練することにより，未知の雑音レベルに適応できるブラインドノイズ除去が可能であることが示された．

現在，肝がんは専門の知識や経験をもった読影医の目視で診断がなされており，読影医の負担となっている．そのため，機械学習等を用いた読影支援が望まれている．機械学習においては，一般に多くの症例画像が必要となるが，大量に集めることは困難である．そこでわれわれは，症例不足を補うことを目的とし，健常症例に対して病変を合成することで人工的に症例画像を生成することに取り組んできた．本論文では，形状や大きさ，コントラストが異なるさまざまな見え方の人工病変画像を生成し，CNNの性能向上に有効な画像の生成法を提案する．生成した病変画像を学習データとして実病変画像と併用し，検出器を構築した．20症例に対する検出実験の結果，従来手法より検出精度が向上することを確認した．