X線CT検査において、金属製の医療機器やインプラントなどが存在すると、ビームの硬化、光子欠乏、散乱などの物理現象が発生し、画像にアーティファクトと呼ばれる縞模様や暗い帯状の異常が生じます。これらの金属アーティファクトは臨床診断の精度を低下させ、定量的な画像解析を困難にするため、医療現場での重大な課題となっています。 従来の金属アーティファクト除去（MAR）手法には複数の限界がありました。最適化ベースの手法は残存アーティファクトを完全には除去できず、構造をぼかしてしまう傾向があります。一方、回帰ネットワークは異なるシナリオへの一般化性が低く、生成モデルは物理的制約や個別のサンプルに特化した構造情報がないため、解剖学的に矛盾した構造を生成することがあります。 これらの問題を解決するため、研究チームはSCMA（Structure-Conditioned and Metal-Aware Flow Matching）という新しいフレームワークを提案しました。このフレームワークの特徴は、線形補間で補正された画像を速度ネットワークに入力する際に、中間状態をサンプル固有の構造条件として使用し、解剖学的構造を保持しながらアーティファクト除去を誘導します。さらに、金属領域内およびその周辺の劣化を強調するため、金属マスクとその距離変換から得られた時間変動する空間重みをフロー マッチング損失に組み込みます。推論時には、条件付きフロー マッチングの更新と投影一貫性補正を交互に実施し、金属跡外の信頼性の高い測定値で予測を制約します。シミュレーションおよび実際のCTデータを用いた実験から、SCMAは従来のMAR手法と比べてより効果的に金属アーティファクトを抑制し、局所的な解剖学的構造を保持し、投影測定値と矛盾する幻覚的な構造を減少させることが実証されました。