[論文レビュー] FastPET: Near Real-Time PET Reconstruction from Histo-Images Using a Neural Network

William Whiteley, Vladimir Panin+4 more|arXiv (Cornell University)|Feb 11, 2020

Medical Imaging Techniques and Applications参考文献 34被引用数 8

ひとこと要約

FastPETは、リストモードPETデータから最も可能性の高い崩壊位置のヒストグラムを用いて得られるヒストグラム画像から直接、近似リアルタイムのPET画像を再構成する軽量で3次元畳み込みニューラルネットワークを提案する。これは、OSEM+PSFに比べて67倍速く、低線量およびマルチトレーサー条件でも高い画像品質と低ノイズを維持する。

ABSTRACT

Direct reconstruction of positron emission tomography (PET) data using deep neural networks is a growing field of research. Initial results are promising, but often the networks are complex, memory utilization inefficient, produce relatively small 2D image slices (e.g., 128x128), and low count rate reconstructions are of varying quality. This paper proposes FastPET, a novel direct reconstruction convolutional neural network that is architecturally simple, memory space efficient, works for non-trivial 3D image volumes and is capable of processing a wide spectrum of PET data including low-dose and multi-tracer applications. FastPET uniquely operates on a histo-image (i.e., image-space) representation of the raw data enabling it to reconstruct 3D image volumes 67x faster than Ordered subsets Expectation Maximization (OSEM). We detail the FastPET method trained on whole-body and low-dose whole-body data sets and explore qualitative and quantitative aspects of reconstructed images from clinical and phantom studies. Additionally, we explore the application of FastPET on a neurology data set containing multiple different tracers. The results show that not only are the reconstructions very fast, but the images are high quality and lower noise than iterative reconstructions.

研究の動機と目的

• 反復的再構成のボトル neck を回避する、高速でメモリ効率の良い深層学習手法を用いた直接的3次元PET再構成の開発。
• 既存の深層学習PET再構成モデルにおける計算非効率性と高メモリ使用量の問題を解決すること。
• 動的、ゲーテッド、および介入的PET応用に適したリアルタイムまたは近似リアルタイム再構成を可能にすること。
• 再トレーニングなしに、低線量全身およびマルチトレーサー神経画像法を含む多様なデータタイプに一般化できることを示すこと。
• ヒストグラム画像を、空間的および時間的相関を保持するデータ表現として用いることでネットワーク性能を向上させる可能性を検討すること。

提案手法

• 生のリストモードPETデータは、最も可能性の高い崩壊位置（MLAP）ヒストグラム処理により、時間飛行（TOF）情報を含む崩壊イベントの空間的分布を表す3次元ヒストグラム画像に変換される。
• ヒストグラム画像は、減衰マップとともに、3次元U-Netに類似した畳み込みニューラルネットワークに供給され、定量的PET画像が出力される。
• ネットワークは、OSEM+PSF再構成を教師ターゲットとして、教師あり学習により訓練され、再構成マッピングのエンドツーエンド学習が可能になる。
• トランスファーラーニングを用いて、1つの事前トレーニング済みネットワークを、低線量画像や脳特化型マルチトレーサー研究などの新しいタスクに最小限のファインチューニングで適応させる。
• ヒストグラム画像に内在する局所的相関と低ノイズ性を活用することで、ネットワークの一般化性能と計算効率が向上する。
• ネットワーク内での適応的正規化により、入力および出力データ範囲の変動に柔軟に対応し、任意のスケーリングを避けて定量的正確性を保持する。

実験結果

リサーチクエスチョン

• RQ1 軽量で3次元畳み込みニューラルネットワークは、反復的精錬なしにヒストグラム画像から近似リアルタイムのPET再構成を達成できるか？
• RQ2 多様な臨床的データにおいて、従来のOSEM+PSF再構成と比較して、FastPETの画像品質、ノイズ低減、構造的保存性はどの程度か？
• RQ3 1つのネットワークが、低線量全身スキャンやマルチトレーサー神経画像法などの異なる画像状況にどの程度一般化できるか？
• RQ4 ネットワークアーキテクチャと入力表現（ヒストグラム画像）が、再構成速度とメモリ効率に与える影響は何か？
• RQ5 明示的な正規化が欠如している場合、ネットワークが定量的正確性を学習する能力にどのような影響を及ぼし、バイアスおよび一般化にどのような意味を持つのか？

主な発見

• FastPETは、OSEM+PSFに比べて3次元PET画像ボリュームの再構成を67倍高速化し、動的および介入的画像法に適した近似リアルタイム再構成を実現した。
• 再構成画像は、ノイズが低く、SNRがOSEM+PSFを上回ったが、組織境界における高周波数成分にわずかな損失が見られた。
• 低線量データ（25%カウント）でファインチューニングした1つのネットワークが、フルカウントネットワークとほぼ同等の性能を示し、低線量条件への強力な一般化能力を示した。
• FastPET-Brainバージョンは、再トレーニングなしに複数のトレーサーを含む神経画像法に一般化に成功し、トレーサー固有の変動に強いことを示した。
• 明示的な正規化なしに、ネットワークは内部スケーリングにより入力および出力データ範囲の変動に適応し、定量的正確な画像を生成する能力を学習した。
• 高い性能を示したが、一部の画像で非体系的なバイアスが観察された。これは、最適なデータ正規化が欠如しているためであり、今後の研究で改善された正規化スキームの導入が求められる。