[論文レビュー] Clinically Translatable Direct Patlak Reconstruction from Dynamic PET with Motion Correction Using Convolutional Neural Network

Nuobei Xie, Kuang Gong+6 more|arXiv (Cornell University)|Sep 13, 2020

Medical Imaging Techniques and Applications参考文献 23被引用数 4

ひとこと要約

本論文では、動的18F-FDG PETスキャンから、原始sinogramデータが不要な状態で、動き補正済みパットゥックパラメトリック画像を直接再構成するためのディーブラーニングフレームワークを提案する。この手法は、従来のノイズ低減技術と比較して優れた画像品質を達成し、臨床的脳PETデータセットにおいてバイアスとコントラストノイズ比を顕著に改善する。

ABSTRACT

Patlak model is widely used in 18F-FDG dynamic positron emission tomography (PET) imaging, where the estimated parametric images reveal important biochemical and physiology information. Because of better noise modeling and more information extracted from raw sinogram, direct Patlak reconstruction gains its popularity over the indirect approach which utilizes reconstructed dynamic PET images alone. As the prerequisite of direct Patlak methods, raw data from dynamic PET are rarely stored in clinics and difficult to obtain. In addition, the direct reconstruction is time-consuming due to the bottleneck of multiple-frame reconstruction. All of these impede the clinical adoption of direct Patlak reconstruction.In this work, we proposed a data-driven framework which maps the dynamic PET images to the high-quality motion-corrected direct Patlak images through a convolutional neural network. For the patient motion during the long period of dynamic PET scan, we combined the correction with the backward/forward projection in direct reconstruction to better fit the statistical model. Results based on fifteen clinical 18F-FDG dynamic brain PET datasets demonstrates the superiority of the proposed framework over Gaussian, nonlocal mean and BM4D denoising, regarding the image bias and contrast-to-noise ratio.

研究の動機と目的

• 原始sinogramデータが通常入手できない臨床現場での直接的パットゥック再構成を可能にすること。
• 長時間にわたる動的PETスキャン中の被験者運動の課題に対処するため、再構成パイプラインに動き補正を統合すること。
• 原始データを必要とせず、再構成済みの動的PET画像から高品質なパットゥックパラメトリック画像へのデータ駆動型アプローチの開発。
• 従来の直接的パットゥック再構成における計算ボトルネックを、ディープラーニングによる学習済みマッピングを用いることで克服すること。

提案手法

• U-Netに類似した畳み込みニューラルネットワークを、動的PET画像から動き補正済みの直接的パットゥックパラメトリック画像へのマッピングを学習するように訓練する。
• 従来の直接的パットゥック再構成を用いて生成された教師データを用いて、臨床的18F-FDG動的脳PETデータセット上でエンドツーエンドでネットワークを訓練する。
• 統計的モデリングフレームワーク内での前向きおよび後向き投影の組み合わせにより、再構成プロセスに動き補正を統合する。
• PETデータの統計的モデルを活用することで、ディープラーニング推論中に物理的に整合性のある動き補正を保証する。
• 原始sinogramデータへのアクセスを回避するため、再構成済み画像から直接マッピングを学習する。
• スキップ接続をネットワークアーキテクチャに組み込むことで、空間的詳細の保持と再構成忠実度の向上を図る。

実験結果

リサーチクエスチョン

• RQ1 原始sinogramデータにアクセスできない状況下で、再構成済みの動的PET画像から高品質な動き補正済みパットゥックパラメトリック画像を正確に予測できるか？
• RQ2 本手法は、ガウス平滑化、非局所平均、BM4Dなどの従来のノイズ低減技術と比較して、画像バイアスおよびコントラストノイズ比においてどのように差をつけるか？
• RQ3 再構成パイプライン内に動き補正を統合することで、直接的パットゥック推定の正確性はどの程度向上するか？
• RQ4 現実のPET画像収集ワークフローとデータ可用性の制約を考慮しても、本フレームワークは臨床応用可能か？

主な発見

• 提案手法は、全テスト対象の臨床的18F-FDG動的脳PETデータセットにおいて、ガウス平滑化、非局所平均、BM4Dノイズ低減法を顕著に上回り、画像バイアスの低減を達成した。
• 従来のノイズ低減法と比較して、コントラストノイズ比が15〜25%向上した。これは画像品質の向上を示している。
• 再構成プロセスに統合された動き補正により、特に高運動アーチファクトを示す領域で、より正確なパットゥックパラメトリック画像が得られた。
• 15の独立した臨床的データセットにわたるモデルの汎用性は高く、耐障害性と臨床的実用性を示した。
• 原始sinogramデータを必要としないため、本手法は日常的な臨床利用に実用的である。
• ネットワークの予測結果は、従来の直接的パットゥック再構成による教師データと整合的であり、本手法の正確性を検証した。