コンピューター支援診断では，画像に含まれるアーチファクトが誤った診断結果を招く可能性が危惧される．本解説では，このような問題への対処に役立つことが期待される要素技術として，外れ値に頑健な信号再構成法を紹介する．頑健推定で用いられるTukey損失とHuber損失のトレードオフ問題に言及し，弱凸関数に基づく定式化によって，トレードオフが解消されることを述べる．本稿は，信号処理の要素技術に興味がある方を対象とし，誤診防止の研究に繋がっていくことを想定している．

本質的に不完全かつノイズを含む観測データから真の画像を復元する画像再構成は，不良設定な逆問題となる．これに対し，モデルベース手法は，数理的厳密さを保ちつつ複雑な制約下での再構成を可能にしてきた．しかし，設計者の知見に基づく正則化の表現力や，煩雑なパラメーター調整が実用上の課題となっている．本稿では，これらの課題を克服する技術として，反復アルゴリズムを展開してニューラルネットワークを構築する深層展開について解説する．特に，主-双対近接分離法に基づく最適化アルゴリズムを展開して構築される画像再構成ネットワークに関して，その基礎概念と最新の動向について概説する．

自然画像処理における拡散モデル（diffusion model）の成功に触発されて，拡散モデルを用いた医用画像処理の研究が近年盛んに行われている．特に，学習済みの拡散モデルを医用画像再構成のprior（事前情報）として用いる研究は，現在の最も注目されている研究課題の一つである．拡散モデルを医用画像再構成に組み込む際に，観測データ（投影データなど）の忠実性とdiffusion priorをそれぞれどれくらい重視するのか，そのバランスがきわめて重要となる．本研究ではこれらのバランスを自動で最適化する手法として，拡散モデルのアンサンブル学習による医用画像再構成手法を提案し，その手法をスパースビューCT画像再構成に適用する．

Positron emission tomography（PET）の画像再構成においては，物理的な観測データの劣化をモデル化することで，ノイズによる再構成画像の品質の低下を抑えてきた．一方，X線computed tomographyなどの解剖学的画像で頻繁に用いられるtotal variationのようなよく当てはまる画像モデルは知られておらず，最大事後確率推定はあまり用いられてこなかった．しかし近年では，深層学習を用いて画像モデルを構築し，PET画像再構成に組み込む研究が行われ始めている．本解説ではその中から，教師なしノイズ除去法（deep image prior, DIP）を組み込んだ最先端PET装置用リストモードPET再構成と，拡散モデルの汎用性を高めたdeep diffusion image prior（DDIP）を組み込んだPET画像再構成の2つを紹介する．これらを通して，深層学習とPET画像再構成の融合研究の意義と魅力を伝える．

早期変形性膝関節症のリハビリテーション効果を治療前に予測できれば，治療対象者や治療法の選定において有益な情報となる．本研究では複数のCNNモデルによる早期変形性膝関節症のリハビリテーション効果を単純X線画像から予測し，判定理由をGrad-CAMで可視化することで，複数モデルの画像分類の正答率と注目特徴量を比較した．64例の立位正面X線画像から，各膝関節を中心としたクロップ画像の128枚を作成し，学習：検証：テスト＝44：10：10（症例）に分割した．そのうち，学習データにのみデータ拡張を適用し，4回の交差検定を行った．使用モデルはAlexNet，DenseNet-201，Inception-ResNet-v2，NASNet-Large，ResNet-50である．正解率はNASNet-Largeの62.5％が最も高く，Grad-CAMでは膝蓋骨，関節裂隙が着目点となり，最も高い分類精度を示した．