CTの画像再構成（フィルタ補正逆投影・逐次近似）

CTは、対象のまわりを回転しながら いろいろな方向からX線を当て、透過データ（投影：プロジェクション） を集めます。それをコンピュータで計算して断層像にするのが 画像再構成 です。

図：X線管球と検出器が回転しながら多方向から投影データを集め、再構成して断層像を作る。

フィルタ補正逆投影（FBP）

集めた投影を、各方向から像へ「塗り戻す」のが 逆投影 です。ただし、そのままだと像がぼやけます。そこで、フィルタ（再構成関数）をかけてから逆投影するのが FBP（Filtered Back Projection：フィルタ補正逆投影） です。

計算が速いため、長く標準的に使われてきました。
再構成関数（カーネル） の選び方で画像の性質が変わります。平滑な関数はノイズが少なく軟部組織向き、鮮鋭な関数は細かい構造（骨・肺）向きですがノイズは増えます。

逐次近似再構成（IR）

逐次近似（Iterative Reconstruction：IR） は、「いったん画像を仮定 → そこから投影を計算 → 実際の測定値と比べる → ずれを補正」という手順をくり返して、少しずつ正解に近づけます。

ノイズが少なく、被ばく低減に有利（少ない線量でも画質を保ちやすい）。
計算量が多いですが、装置の進歩で実用的になりました。

AIを用いた再構成（深層学習再構成：DLR）

近年は、人工知能（ディープラーニング）を使った再構成（DLR：Deep Learning Reconstruction）が広がっています。「低い線量で撮ったノイズの多い画像」と「高い線量で撮ったきれいな画像」の組み合わせなどを大量に学習させたAIが、ノイズだけを選んで取り除き、細かい構造は残すように画像を仕上げます。

低い線量でも、ノイズの少ない画像が得られ、被ばく低減と画質の両立に役立ちます。
逐次近似で気になりやすい、不自然にのっぺりした質感を抑えやすく、より自然な画質になりやすいとされます。
すでに各メーカーが製品化しています（例：AiCE、TrueFidelity など。名称はメーカーごとに異なります）。

ただし、学習していないタイプの画像では性能が落ちることがあるため、特性を理解して使うことが大切です。位置づけとしては、FBP → 逐次近似（IR）→ 深層学習再構成（DLR）の順に、より少ない線量で高い画質を目指す技術の流れです。

試験で問われやすいポイント

CTは 多方向の投影データ を集めて再構成する。
FBP はフィルタ（再構成関数）をかけてから逆投影。速い。
再構成関数：平滑＝低ノイズ・軟部向き／鮮鋭＝高分解能・骨/肺向き。
逐次近似（IR） はノイズが少なく 被ばく低減に有利。
深層学習再構成（DLR） は、AIでノイズを抑えて高画質を保ち、さらなる被ばく低減に向く。

まとめ

画像再構成は 投影データ → 断層像 にする計算。
FBP（フィルタ補正逆投影） は速く、再構成関数で画質を調整。
逐次近似（IR） はノイズが少なく、被ばく低減に向く。
近年は 深層学習再構成（DLR） で、より少ない線量で高画質を目指す。