2026-10-1
角膜共焦点顕微鏡（CCM）は，上皮下神経叢を非侵襲に観察でき，糖尿病性神経障害の早期診断に有用とされている。しかし，生のCCM画像はノイズが多くコントラストが低いため，神経の定量解析の妨げとなっていた。従来の深層学習による画質改善は，ノイズのない「正解画像」とのペアを必要とするが，臨床のCCM画像にはそのような正解が本質的に存在しない。こうした課題に対し，中国の研究グループは，解剖学的な事前知識を手がかりにペアの正解を不要とする弱教師あり前処理フレームワーク「NerveBoost」を開発し，Biomedical Optics Expressに発表した。
NerveBoostは，専門家が付与した二値の神経マスクを利用し，神経領域と背景領域に対して領域別のガンマ補正を施すことで「擬似的な教師画像」を構成する。これにより，実画像の特性を保ったまま学習可能なコントラスト変化を与え，安定した教師信号を得る。学習にはエンコーダ・デコーダ構造を用い，解剖学的事前知識に基づいて設計された複合損失を統合的に最適化する。評価には，34被験者・210枚からなるデータセットを用いた。性能は，画像品質（SNR・CNR），セグメンテーションの一貫性（Kappa・Dice・clDice），臨床形態計測の一致度（ICC）の3側面から評価された。
結果として，NerveBoostはペアの正解画像を一切用いずに神経の視認性を高めつつ，線維の連続性や形態を保持できることが示された。特に，画質改善が下流のセグメンテーションや臨床的な神経形態計測の整合性を損なわない点は，既存の解析パイプラインへそのまま前処理として組み込めることを意味し，実用上の価値が大きい。一方で，より多様な疾患や撮像条件への汎用化は今後の課題となる。正解画像の収集が困難な医用画像において，解剖学的知識を「弱い教師」として活用する本手法は，ラベル制約を回避しながら臨床解析の質を底上げするアプローチとして期待される。
【参照論文】
Anatomy-guided weakly supervised learning framework for corneal nerve image denoising and enhancement