暗黙的ニューラル表現（Implicit Neural Representations, INR）は、近年、医用画像分野において強力なパラダイムとして注目を集めています。INRは物理情報に基づく教師なし学習を活用し、高品質な画像再構成を実現します。しかし、従来のINR手法には大きな課題がありました。それは、被験者ごとにネットワーク全体をゼロから最適化する必要があるため、訓練効率が低く、画質も最適とは言えない点です。この問題を解決するために、初期化ベースのアプローチが提案されましたが、これらの手法は高品質な画像に依存し、微調整中に破滅的忘却（catastrophic forgetting）を起こしやすいという欠点がありました。
これらの課題を克服するため、上海科技大学などの研究チームは、新たなINRフレームワーク「DisINR」を提案しました。DisINRの核心は、共有表現（shared representation）と被験者固有表現（subject-specific representation）を明示的に解離する点にあります。具体的には、DisINRは共有のエンコーダ-デコーダ対と、複数の被験者固有エンコーダで構成されます。画像再構成の際、共有エンコーダはすべての被験者に共通する汎用的な特徴を抽出し、被験者固有エンコーダは個人差を捉えます。これらの特徴は共同でデコードされ、最終的な再構成画像が生成されます。
DisINRの共有モジュールを訓練する際には、微分可能な前方モデル（differentiable forward model）が統合されています。これにより、限られた生の測定データから直接学習が可能となり、事前に高品質な画像を取得する必要がなくなりました。この設計はデータ収集のコストを大幅に削減します。テスト時には、被験者固有エンコーダのみが最適化され、共有のエンコーダ-デコーダ対は凍結されたままとなります。これにより、訓練データから学習された集団事前分布が効果的に保持され、破滅的忘却が防止されます。
研究チームは、磁気共鳴画像（MRI）、コンピュータ断層撮影（CT）、超音波画像を含む3つの代表的な医用画像タスクにおいて、DisINRの性能を評価しました。実験結果は、再構成精度と計算効率の両方で、DisINRが現在の最先端INR手法を大幅に上回ることを示しています。本研究成果は、arXivにプレプリントとして公開されており、著者はQing Wu、Xuanyu Tian、Chenhe Du、Haonan Zhang、Xiao Wang、Le Lu、Yuyao Zhangです。DisINRは、医用画像再構成のための効率的かつ堅牢なソリューションを提供し、臨床応用におけるリアルタイム高品質画像の実現に貢献することが期待されます。