パラレルイメージング（英: parallel imaging）は、磁気共鳴画像法（MRI）で複数受信コイルの感度差を空間エンコードに活用し、k空間サンプリングを削減して撮像を高速化する技術である。検査時間短縮と動きアーチファクト低減の需要から、心臓・脳・腹部・筋骨格などの領域で臨床応用が報告されている。代表的手法にはSENSE、GRAPPA、SMASHに加え、ESPIRiTやSPIRiTがあり、加速と画質の両立を図る。一方でSNR低下や再構成由来の誤差が課題で、圧縮センシングや深層学習との統合により改良が進められている。

原理と技術的背景 パラレルイメージングは、磁気共鳴画像法（MRI）における撮像速度の制約を克服するために導入された技術であり、複数の受信コイルが持つ位置依存的な感度分布を利用して空間情報を取得する。従来のMRIでは位相エンコードによる逐次的なデータ収集が撮像時間を長くする要因であったが、パラレルイメージングはコイルごとの信号特性を用いてk空間の欠落部分を補完し、必要なサンプリング数を減らすことが可能となった。これにより撮像時間の短縮やモーションアーチファクトの抑制が実現されている。 技術的背景としては、画像再構成が単純なフーリエ変換から不完全データを補う逆問題の解法へと変化した点が大きい。この逆問題は条件が不良な場合が多く、正則化や反復的アルゴリズムが導入されている。再構成方式は大きく分けて、各コイルの感度分布を明示的にモデル化する方法と、取得した自己校正データを利用する方法がある。前者では空間分解能の維持と雑音増幅の制御が課題となり、後者ではサンプリングパターンの設計と数値的安定性が重要となる。 さらに、この技術は空間エンコードの拡張として理解できる。従来の位相エンコードと並列化されたコイル感度情報を組み合わせることで、理論上は加速度因子に応じたデータ削減が可能になるが、信号雑音比やコイル配置によって制限を受ける。また、送信側についても並列化の研究が報告されているが、適用や設計には技術的課題が残る。 これらの理論的・技術的基盤の確立によって、パラレルイメージングは多施設での臨床利用が広く報告されている。

主な手法 パラレルイメージングにおける代表的な手法として、SENSE、GRAPPA、SMASHが広く知られている。 SENSE（Sensitivity Encoding）は、コイル感度分布を事前に推定し、その情報をもとにエイリアシングの折り返しを逆算して画像を再構成する方式であり、条件により加速と分解能の両立が報告されている。臨床的にはコイル感度マップの正確性に依存するため、不均一な感度分布が誤差の原因となり得る。

GRAPPA（Generalized Autocalibrating Partially Parallel Acquisitions）は、自己校正線を利用してk空間の欠損データを補間する手法である。SENSEが画像領域で再構成を行うのに対し、GRAPPAはk空間での演算を特徴とし、コイル感度マップの事前取得が不要な点で臨床現場での適応性が高い。

SMASH（Simultaneous Acquisition of Spatial Harmonics）は、各コイルの感度を空間的な調和関数としてモデル化し、欠損したk空間データを直接生成するアプローチである。後に提案されたAUTO-SMASHでは自己校正を導入し、実装上の手順が簡素化された。

さらに、SENSEとGRAPPAの特徴を融合したESPIRiTは、固有値分解を用いることで、感度マップと補間を統合的に扱う枠組みを提供している。また、SPIRiTは反復的に自己整合性を満たすようにデータを更新するアルゴリズムであり、広範なサンプリングに適用できることが示されているが、正則化設定やSNRに依存する。

これらの手法はそれぞれ異なる理論的基盤を持ちつつも、MRI撮像の加速と高画質化を共通の目的としており、臨床応用や研究分野において相補的に利用されている。

応用領域 パラレルイメージングは多領域で撮像効率を高め、臨床適用を広げている。心臓領域では、SENSEにより位相エンコード数を削減しつつ折り返し像を感度分離して再構成することで、呼吸停止時間の短縮や時間分解能の改善が報告されている。

脳領域では、CSとSENSEを統合したCS-SENSEによって、3D T1-SPGRおよび3D T2-FLAIRで撮像時間短縮が報告され、腫瘍プロトコルにおける診断能の同等性が示唆された。

筋骨格領域では、膝MRIにおいて3D CAIPIRINHA-SPACEが多くの項目で互換性が示された一方、所見によって差が残ることが報告された。

腹部では、CAIPIRINHAのサンプリングシフト最適化によりg-factorの低減が報告され、特定条件で高加速時の画質指標が維持されたとする報告がある。

さらに、膝のk-spaceとDICOMを含む大規模公開データセット（fastMRI）が機械学習型再構成の検証基盤を提供し、加速撮像の一般化と応用拡大を後押ししている。

利点・欠点 パラレルイメージングの最大の利点は撮像時間の短縮である。従来法では位相エンコード数が多いほど時間がかかるが、複数のコイル感度を利用してk-spaceを間引き収集することで高速化が可能となり、呼吸や心拍に伴う動きアーチファクトを低減できる。 また、短時間でのデータ取得はSNR評価の観点から並列化の影響が検討されている。

一方で、並列化に伴う信号雑音比（SNR）の低下は大きな制限である。SNRはコイル感度の不均一性やgeometry factor（g-factor）の影響を受け、位置依存的に低下することが知られている。さらに、加速率を上げるほどg-factorが増加し、雑音増幅が顕著になる。従来の背景雑音を用いるSNR評価は前提条件により妥当性が損なわれ得ると指摘されている。

また、再構成アルゴリズム特有のアーチファクトも問題となる。例えばGRAPPAでは補間精度に依存した偽信号が発生し得るほか、SENSEでは感度マップのずれが展開エラーを生む可能性がある。これらの影響はアレイコイルの素子数や配置、リファレンスライン数、部分k-spaceサンプリング法など技術的要因によっても変動する。

このように、パラレルイメージングは高速化やアーチファクト低減といった利点を提供する一方で、SNR低下や再構成由来の誤差といった欠点を併せ持つ。そのため臨床応用に際しては、加速率やコイル配置を含む撮像条件の最適化が不可欠である。

今後の展望 パラレルイメージングは既に臨床MRIに広く導入されているが、今後はさらなる高速化と高画質化を実現するために新たな手法との統合が進められている。特に圧縮センシング（Compressed Sensing, CS）は、画像の疎性を利用して大幅なデータ削減と高速再構成を可能にする方法として提案され、従来のパラレルイメージング技術と組み合わせることが検討されてきた。

また、機械学習、とりわけ深層学習（Deep Learning, DL）は、再構成アルゴリズムの高精度化やノイズ低減に大きく貢献している。大規模データセットであるfastMRIの公開により、研究者間での手法比較や標準化が進み、再構成手法の比較と検証のためのベンチマーク基盤を提供している。さらに、CSとDLを組み合わせた研究も盛んであり、再構成速度と画質の両立を目指す最新動向はプレプリントとしてまとめられている。

今後の技術的課題としては、位相マップ推定の高精度化や再構成の頑健性向上が挙げられる。例えば、ESPIRiTと仮想共役コイルを用いた研究では、位相情報を含む感度マップの推定精度が改善され、位相制約を伴う再構成の信頼性が向上する可能性が示されている。

さらに、DLに基づく再構成技術の進歩により、取得条件の最適化や外乱耐性の強化、さらにはバイアス低減の実現が期待されている。これらは臨床現場において、検査時間短縮と画質確保の両立を可能にし、臨床ワークフローへの応用が期待されるとのレビューがある（プレプリント）。

脚注