Four-dimensional cone-beam computed tomography (4D-CBCT) can visualize moving tumors, thus the 4D-CBCT-based adaptive radiation therapy (ART) may improve the quality of radiation therapy. The aim of this study is to improve the quality of 4D-CBCT images using cycle-generative adversarial network (Cycle-GAN) and evaluate these images by a quantitative index. In this study, unpaired thoracic 4D-CBCT images and four-dimensional multislice computed tomography (4D-MSCT) images in 20 patients were used for training, and synthesis of 4D-CBCT (sCT) images with improved quality was tested in another 10 patients. The mean error (ME) and mean absolute errors (MAE) were calculated to assess CT number deviation, and peak signal-to-noise ratio (PSNR) and structural similarity index (SSIM) were used to evaluate image similarity. The sCT image generated by our Cycle-GAN model effectively reduced artifacts on 4D-CBCT image. The ME and MAE were 46.5 and 61.9 in lung regions, whereas soft tissue and bone regions insufficiently restored CT number. Results of the SSIM and PSNR were significantly improved in the sCT image. The proposed Cycle-GAN method generates sCT images with a quality close to 4D-MSCT image, particularly in the lung region; however, anatomical regions with soft tissue and bone still require further improvement.

放射線皮膚炎の評価は，臨床で用いる有害事象共通用語規準（Common Terminology Criteria for Adverse Events: CTCAE）に基づき，軽度のグレード1から有害事象による死亡のグレード5まで5段階に分類される．しかし，視覚的な評価に基づいているため，個人の経験や知識に左右されるといった課題がある．筆者らは，学習に用いる症例数が少ない課題に対処するため，人工症例画像を生成し，深層学習を用いた放射線皮膚炎のグレード判定システムを構築してきた．本研究では，近年提案されたEfficientNetモデルを用いた新たな放射線皮膚炎のグレード判定システムを作成した．また，評価者のグレード判定に相違が生じた画像に，ベイズ推定に基づく最終的な分類を行った手法について述べる．EfficientNet-B0～B7を用いて画像解像度とデータ拡張法の条件を変えた学習モデルは，86.4％の正答率であった．また，グレード判定に相違が生じた画像について，複数のEfficientNetモデルにより最終グレード判定を行った．ベイズの定理に基づく最大事後確率推定法（ベイズ推定）を用いた評価実験により，提案手法の有効性を確認した．

本稿では，深層学習の知識を持つ研究者を対象として，MRI（magnetic resonance imaging）の画質改善分野における深層学習応用を概観する．MRIの撮像過程をパルスシーケンス生成，再構成，後処理の3つの信号処理に分類し，各信号処理に対する深層学習の応用例について述べる．

われわれが放射光光源を用いて開発してきたX 線暗視野法（X-ray Dark-Field Imaging; XDFI）は，生体軟組織を，染色された病理像に匹敵する高いコントラストで三次元的に撮像できる．本講座では，XDFIについてわかりやすく多くの読者に知ってもらうことを目的に，XDFIの撮像原理（第1回），XDFIに基づくCTの再構成法（第2回），XDFIの医学研究への応用（第3回）について紹介する．第1回では，XDFIの概要とXDFIの撮像原理を紹介した後，投影像や断層像が得られる仕組みについて述べる．