第13章 スペクトラルCTとフォトンカウンティング

第11章では、X 線が多色であることは補正すべき厄介ごとでした。ビームハードニングは像を歪め、水補正で取り除きます。この章では見方を変えます。減弱係数がエネルギーに依存すること（$\mu = \mu(E)$）は、雑音ではなく情報です。エネルギーを分解して測れば、その画素がどれだけ減弱するかだけでなく、何でできているかにも近づけます。これがスペクトラル CT の考え方であり、その理想形がフォトンカウンティング CT（PCCT）です。章の後半では、この教材で扱った再構成が近年の研究でどこまで進んでいるかを、文献とともに概観します。

減弱は 2 つの物理でできている

診断エネルギー帯（およそ 40〜140 keV）での X 線減弱は、実質的に 2 つの相互作用の和です。原子番号 $Z$ に強く依存し $E^{-3}$ で急減する光電効果と、電子密度にほぼ比例しエネルギー依存の弱いコンプトン散乱です。Alvarez と Macovski は 1976 年に、この事実から任意の物質の $\mu(E)$ が 2 つの基底関数の線形結合で書けることを指摘しました。

$$\mu(x, y; E) \;\approx\; a_1(x,y)\, f_{\mathrm{PE}}(E) + a_2(x,y)\, f_{\mathrm{C}}(E)$$

基底は物理成分（光電・コンプトン）でも、物質対（水・ヨウ素など）でも張れます。重要なのは自由度が 2 だということです。2 つのエネルギーで測れば、画素ごとに連立方程式を解いて物質を分離できます。

造影剤に使われるヨウ素（$Z=53$）は光電効果が支配的で、$\mu(E)$ が急峻に変化し、33.2 keV には K 吸収端という不連続まで持っています。水（人体の大部分）はほぼ平坦です。この形の違いが物質弁別の根拠です。

デュアルエナジー CT

2 エネルギー計測の実装は各社各様です。2 つの管球・検出器対を 90° ずらして積む dual-source、管電圧を投影ごとに高速切替する rapid kV-switching、検出器を 2 層にして低・高エネルギー成分を分ける dual-layer。いずれの方式でも、低エネルギー像 $x_L$ と高エネルギー像 $x_H$ が得られれば、画素ごとに 2×2 の連立方程式

$$\begin{pmatrix} x_L \\ x_H \end{pmatrix} = \begin{pmatrix} \mu_w(E_L) & \mu_i(E_L) \\ \mu_w(E_H) & \mu_i(E_H) \end{pmatrix} \begin{pmatrix} c_w \\ c_i \end{pmatrix}$$

を解いて水密度マップ $c_w$ とヨウ素濃度マップ $c_i$ が得られます（画像ドメイン分解）。さらに、この基底画像から任意のエネルギー $E$ の像を合成できます。$\hat\mu(E) = c_w \mu_w(E) + c_i \mu_i(E)$ です。これが仮想単色画像（VMI）で、低 keV に合成すればヨードコントラストを増強でき、高 keV に合成すれば金属アーチファクトやビームハードニングの影響を抑えられます。ヨウ素だけを除いた仮想単純画像（VNC）で造影前スキャンを省略する、尿酸結石と Ca 結石を区別する、痛風の尿酸塩沈着を描出するなど、臨床応用は広範です。

シミュレーション：物質分解と仮想単色画像

水（密度むらつき）・骨・3 濃度のヨウ素インサートからなるファントムを $E_L$ / $E_H$ の 2 単色エネルギーで撮影し、画像ドメインで 2 物質分解します。VMI スライダーを 40 keV へ下げるとヨードコントラストが約 4 倍に伸びます。ヨウ素マップでは骨も「ヨウ素成分」に漏れ込みます（基底が 2 つしかない限界で、実機ではここに 3 物質分解や制約付き分解を入れます）。ノイズありでは分解後の基底画像でノイズが増幅され、$E_L$ と $E_H$ が近いほど悪化します（連立方程式が悪条件になるため）。

フォトンカウンティング CT

デュアルエナジーの「2 回測る」を検出器 1 つで、しかも光子 1 個の粒度でやってしまおう、というのが PCCT です。従来のエネルギー積分型検出器（EID）はシンチレータで X 線を光に変え、光ダイオードで積分します。個々の光子の区別はなく、出力はエネルギー加重の総和 1 つで、低エネルギー光子（コントラスト情報が濃い）ほど重みが薄まり、暗電流などの電子ノイズも足し込まれます。フォトンカウンティング検出器（PCD）は CdTe や Si の半導体で光子を直接電荷パルスに変換し、パルス波高（≒ 光子エネルギー）をしきい値と比較して、エネルギービンごとに個数を数えます。

原理から従う利点が 4 つあります。（1）電子ノイズは最低しきい値以下に落ちて数えられないので、低線量撮影で有利です。（2）検出器素子を小さくでき、空間分解能が上がります（シンチレータの光拡散がない）。（3）1 回のスキャンでマルチエネルギーデータが取れ、専用プロトコルなしでスペクトラルイメージングができます。（4）エネルギー重み付けの自由度により、同じ線量からより高い CNR を引き出せます。

臨床実装は既に始まっています。2021 年に Siemens NAEOTOM Alpha が初の臨床用 PCCT として FDA クリアを得て、2026 年には GE Photonova Spectra もFDA の 510(k) クリアランスを取得しました。2025 年の臨床レビューでは、評価の焦点が技術的な実現性から、心血管、胸部、腹部、筋骨格、神経、小児領域での患者アウトカムや診断性能へ移りつつあります。ただし、装置間の実装差、pileup や charge sharing の補正、スペクトル校正、データ量、費用、ワークフローは引き続き課題です。

近年の再構成研究

この教材が辿った道は、解析的再構成（FBP）、逐次近似と正則化（TV）、学習ベース（CNN/U-Net）でした。その延長線上で、近年の研究がどう動いているかを整理します。

拡散モデルによる再構成。 近年、きれいな CT 画像の生成的事前分布を拡散モデル（score-based generative model）として学び、生成過程へサイノグラムとの整合条件を組み込む研究が増えています。TV を学習した事前分布へ置き換えた、ASD-POCS に近い構造と見ることもできます。スパースビュー、限定角度、低線量、物質分解などへ応用されていますが、臨床 CT 再構成の主流は依然として FBP、逐次近似、商用 DLR です。拡散モデルには計算時間、分布外性能、データ整合性、hallucination が未解決の課題として残ります。

陰的神経表現（INR）。 画像を画素配列ではなく「座標 → 減弱値」を返すニューラルネットで表し、測定サイノグラムへ症例ごとにフィットさせる方式です。外部の学習データに依存しない方法もありますが、劣決定な測定から解が一意になるわけではなく、ネットワーク表現のバイアスや正則化による誤りは残ります。収束の高速化、3 次元表現、物理モデルとの統合が研究されています。

自己教師あり学習・不確実性・公開データ。 高線量/低線量の対応データを必要としない自己教師あり学習や、再構成結果だけでなく不確実性も出力する方法が研究されています。スペクトラル領域でもコーンビームPCCTの公開データセットが登場しました。ただし、raw 投影データは依然として入手しにくく、装置や施設をまたぐ外部検証、再現性、規制承認後のモデル更新が臨床移行の課題です。基盤モデルの再構成利用も始まっていますが、現時点では探索的研究です。

まとめ

第1〜6章では減弱、投影、解析的再構成、撮影ジオメトリを扱い、第7章では同じ物理を産業用 CT へ広げました。第8〜12章では逐次近似、線量と画質、圧縮センシング、アーチファクト、深層学習へ範囲を広げ、本章ではエネルギー情報を利用する CT と近年の再構成法を紹介しました。第14章では、これまでに扱ったファントム、ジオメトリ、再構成法を同じ画面で比較できます。

参考文献

スペクトラル CT・PCCT

• Alvarez RE, Macovski A. Energy-selective reconstructions in X-ray computerised tomography. Physics in Medicine & Biology 21, 733–744 (1976) — 基底分解の原典。
• McCollough CH et al. Dual- and Multi-Energy CT: Principles, Technical Approaches, and Clinical Applications. Radiology 276, 637–653 (2015).
• Willemink MJ et al. Photon-counting CT: Technical Principles and Clinical Prospects. Radiology 289, 293–312 (2018).
• Schwartz FR et al. Photon-Counting CT: Technology, Current and Potential Future Clinical Applications. Radiology 314, e240662 (2025).
• van der Bie J et al. Photon-counting CT: An updated review of clinical results. European Journal of Radiology 190, 112189 (2025).
• FDA. FDA Clears First Major Imaging Device Advancement for Computed Tomography in Nearly a Decade (2021) — NAEOTOM Alpha のクリアランス発表。
• FDA. 510(k) clearance letter: Photonova Spectra (2026).

学習ベース再構成・データセット

• Song Y, Shen L, Xing L, Ermon S. Solving Inverse Problems in Medical Imaging with Score-Based Generative Models. ICLR (2022).
• Chung H, Kim J, McCann MT, Klasky ML, Ye JC. Diffusion Posterior Sampling for General Noisy Inverse Problems. ICLR (2023).
• Ravi N et al. Diffusion models for medical image reconstruction. BJR Artificial Intelligence 1, ubae013 (2024).
• Molaei A et al. Implicit Neural Representation in Medical Imaging: A Comparative Survey (2023).
• A cone-beam photon-counting CT dataset for spectral image reconstruction and deep learning. Scientific Data (2025).