[論文レビュー] A physics and learning-based transmission-less attenuation compensation method for SPECT

Zitong Yu, Ashequr Rahman+3 more|arXiv (Cornell University)|Feb 10, 2021

Medical Imaging Techniques and Applications参考文献 45被引用数 4

ひとこと要約

本論文は、散乱光および光ピーク放射データを用いて、透過スキャンを必要とせずに減衰マップを推定する、物理学的および学習ベースの透過なし減衰補正手法を提案する。物理学的初期減衰マップ再構成と、領域セグメンテーションおよび減衰係数の割り当てに用いる畳み込みニューラルネットワーク（CNN）を組み合わせることで、実際の心筋灌注SPECTシミュレーション研究において、真の減衰マップを使用した場合と統計的に区別できない画像品質および欠損検出性能を達成した。

ABSTRACT

Attenuation compensation (AC) is a pre-requisite for reliable quantification and beneficial for visual interpretation tasks in single-photon emission computed tomography (SPECT). Typical AC methods require the availability of an attenuation map obtained using a transmission scan, such as a CT scan. This has several disadvantages such as increased radiation dose, higher costs, and possible misalignment between SPECT and CT scans. Also, often a CT scan is unavailable. In this context, we and others are showing that scattered photons in SPECT contain information to estimate the attenuation distribution. To exploit this observation, we propose a physics and learning-based method that uses the SPECT emission data in the photopeak and scatter windows to perform transmission-less AC in SPECT. The proposed method uses data acquired in the scatter window to reconstruct an initial estimate of the attenuation map using a physics-based approach. A convolutional neural network is then trained to segment this initial estimate into different regions. Pre-defined attenuation coefficients are assigned to these regions, yielding the reconstructed attenuation map, which is then used to reconstruct the activity map using an ordered subsets expectation maximization-based reconstruction approach. We objectively evaluated the performance of this method using a highly realistic simulation study conducted on the clinically relevant task of detecting perfusion defects in myocardial perfusion SPECT. Our results showed no statistically significant differences between the performance achieved using the proposed method and that with the true attenuation maps. Visually, the images reconstructed using the proposed method looked similar to those with the true attenuation map. Overall, these results provide evidence of the capability of the proposed method to perform transmission-less AC and motivate further evaluation.

研究の動機と目的

• 従来のSPECTにおける減衰補正の限界、特に透過スキャンに依存することによる被曝線量の増加およびズレの問題を解決すること。
• SPECT放出データ内の散乱光が、透過スキャンを必要とせずに減衰マップを推定するのに十分な情報を含んでいるかどうかを検討すること。
• 物理学的再構成とディープラーニングを組み合わせたハイブリッド手法を構築し、正確な透過なし減衰補正を実現すること。
• 心筋灌注欠損の検出という臨床的関連性の高いタスクにおける、本手法の性能を評価すること。

提案手法

• 本手法は、散乱窓からの放出データを用いて、物理学的反復再構成手法により初期減衰マップを再構成する。
• 畳み込みニューラルネットワーク（CNN）を訓練し、画像特徴に基づいて初期減衰マップを解剖的領域にセグメンテーションする。
• 事前に定義された減衰係数（例えば、軟部組織、肺、心臓）を各セグメンテーション領域に割り当て、最終的な減衰マップを生成する。
• 最終的な減衰マップを順序付き部分集合期待最大化（OSEM）再構成アルゴリズムに用い、活動マップを生成する。
• 本手法は透過スキャンの必要を回避することで、被曝線量の低減とズレのリスクの排除を実現する。
• 本手法は、心筋灌注SPECTに特化したリアルなシミュレーションフレームワークを用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 SPECT放出データ内の散乱光が、透過スキャンを必要とせずに減衰マップを推定するのに十分な情報を提供できるか？
• RQ2 ディープラーニングによるセグメンテーションで強化された、散乱光データからの物理学的再構成による減衰マップ推定の性能はどの程度か？
• RQ3 提案された透過なし減衰補正手法は、心筋灌注欠損検出において真の減衰マップを使用した場合と同等の診断性能を達成できるか？
• RQ4 追加の画像診断モalityを必要とせずに、本手法は画像品質および定量的正確性を維持できるか？

主な発見

• 提案手法は、真の減衰マップを使用したゴールドスタンダードと比較して、灌注欠損検出性能に統計的に有意な差が認められなかった。
• 提案手法で再構成された画像の視覚的品質は、真の減衰マップを使用した場合と区別がつかなかった。
• 本手法は、透過スキャンを必要とせず、散乱データとディープラーニングを効果的に活用して正確な減衰マップを生成した。
• 物理学的再構成とCNNセグメンテーションの組み合わせにより、臨床的に関連性の高いシミュレーション環境でも、頑健な減衰マップ推定が可能になった。