[論文レビュー] Direct Reconstruction of Linear Parametric Images from Dynamic PET Using Nonlocal Deep Image Prior

Kuang Gong, Ciprian Catana+2 more|arXiv (Cornell University)|Jun 18, 2021

Medical Imaging Techniques and Applications被引用数 5

ひとこと要約

本論文は、非局所的ディープ画像プライアを用いた、動的PETデータからの線形パラメトリック画像の直接再構成を目的とした教師なしディープラーニングフレームワークを提案する。患者の解剖的プライア画像を入力とし、Patlakおよび相対的平衡ロジックン動態モデルを1×1畳み込み層として埋め込むことで、高品質なトレーニングラベルを必要とせず、信号対雑音比（SNR）と画像品質を向上させ、シミュレーションおよび実データ評価において、従来の直接再構成法およびカーネルベースの手法を上回る性能を発揮する。

ABSTRACT

Direct reconstruction methods have been developed to estimate parametric images directly from the measured PET sinograms by combining the PET imaging model and tracer kinetics in an integrated framework. Due to limited counts received, signal-to-noise-ratio (SNR) and resolution of parametric images produced by direct reconstruction frameworks are still limited. Recently supervised deep learning methods have been successfully applied to medical imaging denoising/reconstruction when large number of high-quality training labels are available. For static PET imaging, high-quality training labels can be acquired by extending the scanning time. However, this is not feasible for dynamic PET imaging, where the scanning time is already long enough. In this work, we proposed an unsupervised deep learning framework for direct parametric reconstruction from dynamic PET, which was tested on the Patlak model and the relative equilibrium Logan model. The patient's anatomical prior image, which is readily available from PET/CT or PET/MR scans, was supplied as the network input to provide a manifold constraint, and also utilized to construct a kernel layer to perform non-local feature denoising. The linear kinetic model was embedded in the network structure as a 1x1 convolution layer. The training objective function was based on the PET statistical model. Evaluations based on dynamic datasets of 18F-FDG and 11C-PiB tracers show that the proposed framework can outperform the traditional and the kernel method-based direct reconstruction methods.

研究の動機と目的

• 動的PETパラメトリックイメージングにおいて、長時間スキャンのため高品質なラベル付きデータを取得できないという課題に対処すること。
• 教師あり学習に依存せずに、動的PETシンポグラムからのパラメトリック画像の信号対雑音比（SNR）と空間分解能を向上させること。
• 線形動態モデル（PatlakおよびRE Logan）をディープラーニングフレームワークに直接統合し、エンドツーエンドのパラメトリック画像再構成を実現すること。
• 非局所的特徴ノイズ除去機構を通じて解剖的プライアを統合し、ノイズを低減しながら構造的詳細を保持することで、画像品質を向上させること。
• 解剖的プライアに基づく計算効率が良く、パラメータフリーなカーネルレイヤーを設計し、効果的な教師なし学習を可能にすること。

提案手法

• フレームワークは、患者のMRまたはCTプライア画像を入力として用いる3D U-Netバックボーンを採用し、ネットワークに多様体制約を課す。
• 非局所演算は、解剖的プライアから事前に計算されたカーネル行列を用いて実装され、追加の学習可能なパラメータを必要とせず、特徴ノイズ除去を実現する。
• 動態モデル（PatlakおよびRE Logan）は1×1畳み込み層として埋め込まれ、パラメトリック画像から動的シンポグラム予測へとマッピングする。
• 損失関数はPETシンポグラムのポisson統計モデルに基づいて定式化され、勾配降下法を用いたエンドツーエンド最適化が可能となる。
• RE Loganモデルのための制約付き最適化アプローチと、新規のビニング戦略が導入され、原始データにおけるi.i.d.仮定を維持する。
• 最適化移行フレームワークを用いてフレーム単位の再構成を実現し、計算効率を維持する。

実験結果

リサーチクエスチョン

• RQ1 高品質なラベル付きトレーニングデータを必要としない教師なしディープラーニングフレームワークは、動的PETシンポグラムからのパラメトリック画像再構成を効果的に行えるか？
• RQ2 非局所的カーネルレイヤーを通じて解剖的プライア画像を統合することで、直接的パラメトリック再構成における画像品質はどのように向上するか？
• RQ3 ディープニューラルネットワーク内に線形動態モデル（PatlakおよびRE Logan）を埋め込むことで、再構成精度とノイズ抑制はどの程度向上するか？
• RQ4 本手法は、バイアス-ノイズトレードオフおよびコントラスト対ノイズ比（CNR）の観点で、従来の直接再構成法およびカーネル法ベースの手法を上回るか？
• RQ5 原始シンポグラムデータと解剖的プライアのみを用いても、優れた画像品質を達成しつつ、計算効率を維持できるか？

主な発見

• 提案手法は、シミュレーションおよび実データ両方で最良のバイアス対ノイズトレードオフを達成した。特に図6では、灰色 matter領域および腫瘍領域でその有効性が示された。
• 実データ評価では、提案手法がPatlak勾配画像において最高の病変コントラストと最も明瞭な皮質構造を生成した。図8に示された。
• RE Loganモデルにおいて、4名の被験者において、ほとんどの皮質領域で最高のコントラスト対ノイズ比（CNR）を達成した。図10に示された。
• 非局所的カーネルレイヤーは、図4の視覚的および定量的結果により、特徴ノイズ除去を顕著に改善した。
• シミュレーテッドおよび臨床データセットの両方において、EM+フィルターベースライン、カーネル法、および他の参照手法を上回った。
• RE Loganモデルのための新規のビニングおよび制約付き最適化戦略により、PET原始データのi.i.d.仮定が成功裏に維持された。