X 線CT の画像再構成はラドン変換の逆問題であり，その解法としては解析的画像再構成と逐次近似画像再構成があった．近年では，十分な投影データを収集できないill-posed な場合において，先験的または物理的なモデルをアルゴリズムに組み込む逐次近似画像再構成に関する研究が盛んである．一方で，機械学習の第3 次ブームが到来し，特に画像再構成に関する研究ではAUTOMAP が報告され，投影空間から画像空間への変換をディープラーニングで実現できることが示された．こうして，解析的画像再構成と逐次近似画像再構成に次ぐ第3 の手法として，ディープラーニング画像再構成が新たに注目を集めることになった．本論文では，ディープラーニング技術のエッセンスからX 線CT の画像再構成に応用されたディープラーニング技術について，最新の論文を中心に概説する．

MRI の課題である撮像時間短縮を実現する一手法として，圧縮センシングの応用と反復的な再構成法が検討されてきた．近年の画像処理分野への深層学習技術の導入に伴い，深層学習による画像再構成法は，反復的再構成に替わって主流な方法となっている．深層学習による画像再構成法は，その有効性が十分に確認されたこともあり，実応用に向けた課題解決や自然画像処理の分野で注目されている最新技術の導入などによって，研究はより広く深く展開されるようになっている．本稿では，これまでに提案された深層学習による画像再構成法を分類し，近年のトレンドや注目を集めている手法について再構成シミュレーションの結果を交えて紹介する．

深層学習がPET 画像再構成処理に応用されて久しい．本解説では，PET 画像再構成の歴史を紹介した後，深層学習PET 画像再構成技術について，基本的な深層学習画像再構成の考えからいくつかの最新の研究まで，平易に解説する．

陽電子断層撮影法（positron emission tomography, PET）は今日の核医学において必要不可欠な存在となっている．筆者らはPET 検出器の同時計数時間分解能を30 ピコ秒まで高めることで，画像再構成を用いることなく陽電子放出核種の二次元イメージング（direct positron emission imaging, dPEI）に成功したことを報告した．dPEI は従来の医療装置にみられるようなリング形状にする必要がなくコンパクトな形状を取れること，リアルタイムイメージングの可能性，さらには従来のPET と比べて高シグナルノイズ比が期待されるなど，さまざまな利点がある．しかし，dPEI をより現実的な装置とするには解決すべき課題が数多くある．本誌ではdPEI の原理に始まり，その実現に向けた今後の取り組みについて紹介する．

CT, MRI, PET などの医用イメージング装置において，深層学習を用いた画像再構成の研究が開始されて5～6 年が経過し，方法論が大体まとまってきた状況である．本論文では，筆者が思う深層学習を用いた再構成法に期待できる点と問題点を述べる．深層学習を用いた再構成法の良し悪しは現在でも意見が分かれることが多々あり，本論文も多くの私見が含まれることをご容赦いただきたい．

本論文では，骨シンチグラムに適用されている仕様の詳細が公表されていない画像処理フィルターを対象に，深層学習を利用してそのフィルター効果を無効化（以下，逆フィルター）する方法を提案する．骨シンチグラムに対するフィルターはノイズを削減するなど，人にとって見やすい画像を生成するが，フィルターなしの画像で学習した陽性高集積検出支援システムの性能を低下させることがある．そこで，フィルター適用後の画像からフィルター適用前の画像を予測する逆フィルターを，深層モデルを用いて設計する．本論文では実際にGE HealthCare 社とSiemens Healthineers 社の2 種類のフィルターで処理した画像に本手法を適用し，フィルター適用前の画像を予測する．また，その予測画像を利用することで，フィルター適用前の画像のみで学習をした陽性高集積検出支援システムの精度が，フィルター適用後の画像を入力する場合よりも向上することを示す．