[論文レビュー] Deep learning-based attenuation correction in the image domain for myocardial perfusion SPECT imaging

Samaneh Mostafapour, Faeze Gholamiankhah+5 more|arXiv (Cornell University)|Feb 9, 2021

Medical Imaging Techniques and Applications参考文献 45被引用数 6

ひとこと要約

本研究では、ResNetおよびUNetアーキテクチャを用いて、非減衰補正SPECTスキャンから直接CTベースのAC画像を予測する、深層学習に基づく画像ドメイン減衰補正（AC）を提案する。本手法は、従来のChang法に比べ優れた精度を達成し、平均絶対誤差（MAE）はそれぞれ-6.99±16.72および-4.41±11.80、構造的類似性指数（SSIM）はそれぞれ0.99±0.04および0.98±0.05を示し、基準となるCT-AC画像と強い臨床的一致性を示している。

ABSTRACT

Objective: In this work, we set out to investigate the accuracy of direct attenuation correction (AC) in the image domain for the myocardial perfusion SPECT imaging (MPI-SPECT) using two residual (ResNet) and UNet deep convolutional neural networks. Methods: The MPI-SPECT 99mTc-sestamibi images of 99 participants were retrospectively examined. UNet and ResNet networks were trained using SPECT non-attenuation corrected images as input and CT-based attenuation corrected SPECT images (CT-AC) as reference. The Chang AC approach, considering a uniform attenuation coefficient within the body contour, was also implemented. Quantitative and clinical evaluation of the proposed methods were performed considering SPECT CT-AC images of 19 subjects as reference using the mean absolute error (MAE), structural similarity index (SSIM) metrics, as well as relevant clinical indices such as perfusion deficit (TPD). Results: Overall, the deep learning solution exhibited good agreement with the CT-based AC, noticeably outperforming the Chang method. The ResNet and UNet models resulted in the ME (count) of ${-6.99\pm16.72}$ and ${-4.41\pm11.8}$ and SSIM of ${0.99\pm0.04}$ and ${0.98\pm0.05}$, respectively. While the Change approach led to ME and SSIM of ${25.52\pm33.98}$ and ${0.93\pm0.09}$, respectively. Similarly, the clinical evaluation revealed a mean TPD of ${12.78\pm9.22}$ and ${12.57\pm8.93}$ for the ResNet and UNet models, respectively, compared to ${12.84\pm8.63}$ obtained from the reference SPECT CT-AC images. On the other hand, the Chang approach led to a mean TPD of ${16.68\pm11.24}$. Conclusion: We evaluated two deep convolutional neural networks to estimate SPECT-AC images directly from the non-attenuation corrected images. The deep learning solutions exhibited the promising potential to generate reliable attenuation corrected SPECT images without the use of transmission scanning.

研究の動機と目的

• 発射画像のみを用いて、心筋灌流SPECT（MPI-SPECT）における深層学習ベースの直接的減衰補正手法を開発すること。
• 非減衰補正SPECT画像から直接減衰補正を学習することにより、透過スキャンの必要性を排除すること。
• 深層学習モデル（ResNetおよびUNet）の性能を、従来のChang ACおよびCTベースの基準画像と比較して評価すること。
• 灌流欠損（TPD）および画像品質指標（MAE、SSIM）などの指標を通じて、臨床的妥当性を評価すること。
• 深層学習が追加の画像撮影プロトコルを必要とせず、ゴールドスタンダードであるCT-AC画像と同等の信頼性のあるAC画像を生成できることを示すこと。

提案手法

• 99例のMPI-SPECT 99mTc-sestamibi研究を用いて、ResNetおよびUNetの2つの深層畳み込みニューラルネットワークを訓練した。
• 非減衰補正SPECT画像を入力とし、CTベースの減衰補正済みSPECT画像を教師画像として用いた。
• ResNetでは残差接続、UNetではスキップ接続を適用し、特徴量の学習および勾配の流れを向上させた。
• エンドツーエンドに訓練することで、画像ドメイン内で直接減衰補正済みSPECT画像を予測するようにした。
• 平均絶対誤差（MAE）、構造的類似性指数（SSIM）、および臨床的灌流欠損（TPD）を用いて性能を評価した。
• 同じデータセットと基準画像を用いて、従来のChang AC法と比較した。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、透過スキャンを必要とせず、画像ドメインで正確な減衰補正を学習できるか？
• RQ2 ResNetおよびUNetベースのACは、画像品質および定量的指標の観点から、従来のChang法に比べてどのように性能を発揮するか？
• RQ3 深層学習ベースのAC結果は、ゴールドスタンダードのCT-AC画像の臨床的指標（例：TPD）とどの程度一致するか？
• RQ4 CT透過スキャンを必要とせず、高い構造的類似性と低い誤差を維持できるか？
• RQ5 本手法は、多様な患者の解剖的特徴にわたって、臨床的に信頼性のある減衰補正済みSPECT画像を生成するのに十分な頑健性を有しているか？

主な発見

• ResNetモデルは、平均誤差（ME）が-6.99±16.72、SSIMが0.99±0.04を達成し、CT-AC基準画像との高い構造的同一性を示した。
• UNetモデルは、MEが-4.41±11.80、SSIMが0.98±0.05を達成し、優れた画像品質と一貫性を示した。
• Chang法は顕著に高い誤差（ME: 25.52±33.98）と低いSSIM（0.93±0.09）を示し、性能が劣っていた。
• 臨床的評価では、ResNetの平均TPDは12.78±9.22、UNetは12.57±8.93であり、基準CT-ACの平均TPD（12.84±8.63）と密接に一致した。
• Chang法は、より高い平均TPD（16.68±11.24）を示し、灌流欠損の臨床的に重要な過大評価を示した。
• 全体として、深層学習モデルは定量的指標および臨床的指標の両面で従来のChang法を上回り、MPI-SPECTにおけるCTベースACの代替として強い可能性を示した。