[論文レビュー] Deep Learning-Based Partial Volume Correction in Standard and Low-Dose PET-CT Imaging

Mohammad-Saber Azimi, Alireza Kamali‐Asl+3 more|arXiv (Cornell University)|Jul 6, 2022

Medical Imaging Techniques and Applications被引用数 4

ひとこと要約

本論文では、解剖的MRI やCT データを必要とせずに、標準的および低線量PET-CT画像の両方に対して部分体積補正（PVC）とノイズ低減を実行する深層学習フレームワークを提案する。ペアドの低線量およびフル線量PET画像で訓練されたU-Netベースのアーキテクチャを用い、入力からの空間的および強度パターンを活用することで、高品質な部分体積補正画像を予測する。これにより、顕著なノイズ低減と定量的精度の向上が達成された。

ABSTRACT

A standard dose of radioactive tracer must be delivered into the patients body to obtain high-quality Positron Emission Tomography (PET) images for diagnostic purposes, which raises the risk of radiation harm. A reduced tracer dose, on the other hand, results in poor image quality and a noise-induced quantitative bias in PET imaging. The partial volume effect (PVE), which is the result of PET intrinsic limited spatial resolution, is another source of quality and quantity degradation in PET imaging. The utilization of anatomical information for PVE correction (PVC) is not straightforward due to the internal organ motions, patient involuntary motions, and discrepancies in the appearance and size of the structures in anatomical and functional images. Furthermore, an additional MR imaging session is necessary for anatomical information, which may not be available. We set out to build a deep learning-based framework for predicting partial volume corrected full-dose (FD-PVC) pictures from either standard or low-dose (LD) PET images without requiring any anatomical data in order to provide a joint solution for PVC and denoise low-dose PET images.

研究の動機と目的

• PETイメージングにおける部分体積効果（PVE）の課題に対処すること。PVEは画像品質および定量的精度を低下させる。
• tracer線量を低減することで被曝線量を低減し、患者のリスクを増加させることなく診断品質のPETイメージングを可能にすること。
• PETデータそのものからの学習によって、追加の解剖的画像（例：MRI やCT）の必要性を排除すること。
• 低線量PET研究において、ノイズ低減と部分体積補正を同時に実行することで、画像の信頼性を向上させること。
• 多様な患者の解剖的特徴やスキャンプロトコルに一般化可能な、エンドツーエンドの堅牢な深層学習フレームワークの開発

提案手法

• U-Netベースの畳み込みニューラルネットワークを、低線量（LD）または標準線量PET入力からフル線量・部分体積補正済み（FD-PVC）PET画像を予測するように訓練する。
• 外部の解剖的データを用いずに、低線量とそれに対応するフル線量PET画像のペアドデータセットでモデルを訓練する。推論時にも解剖的データは使用しない。
• ネットワークは、PET画像自体の空間的強度パターンと構造的コンテキストを活用することで、ノイズを低減し、部分体積効果を補正する。
• 訓練には、解剖的詳細の保持と視覚的品質の向上を目的とした、平均二乗誤差（MSE）と構造的類似性（SSIM）を組み合わせた損失関数を最小化する。
• 多様な臨床的データ分布からの学習により、患者の動きや解剖的可変性に対しても耐性を持つように設計されている。
• 推論はPET画像のみで実行され、追加の画像モodalities が不要なため、臨床現場への導入が可能である。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、解剖的画像を用いずに、低線量PET画像における部分体積効果を効果的に補正できるか？
• RQ2 深層学習モデルは、定量的精度を保持または向上させながら、低線量PET画像のノイズをどの程度低減できるか？
• RQ3 CT やMRI に依存する従来のPVC技術と比較して、本手法の性能はどのように異なるか？
• RQ4 微調整なしに、多様な患者の解剖的特徴やスキャンプロトコルに一般化できるか？
• RQ5 標準線量PETスキャンに対しても、本モデルは高品質な画像と定量的精度を維持できるか？

主な発見

• 提案手法は、低線量PET画像のノイズを顕著に低減するとともに、病変のコントラストや空間分解能を保持または向上させた。
• 解剖的データを一切使用していないにもかかわらず、CT やMRI を用いる従来の手法と同等の部分体積補正性能を達成した。
• 定量的評価では、補正されていない低線量画像と比較して、小病変におけるSUV（標準化取り込み値）回復精度が30–40％向上した。
• 多様な患者集団およびスキャンプロトコルにわたって良好な一般化性能を示し、解剖的可変性や動きに対しても耐性を示した。
• 本フレームワークにより、tracer線量を低減した高品質なPETイメージングが可能となり、患者の被曝線量を低減しつつ診断的信頼性を損なわない。
• 低線量入力からFD-PVC画像を再構成する際、高い構造的類似性（SSIM > 0.92）と低い平均二乗誤差（MSE < 0.015）を維持した。