[論文レビュー] Machine Learning in Quantitative PET Imaging

Tonghe Wang, Yang Lei+4 more|arXiv (Cornell University)|Jan 18, 2020

Medical Imaging Techniques and Applications参考文献 71被引用数 6

ひとこと要約

本論文は、定量的PET画像診断における機械学習の応用をレビューし、主にPETの線量吸収補正および低カウント画像再構成に向けたディープラーニング手法に焦点を当てる。複数の研究において、GAN、U-Net、オートエンコーダーなどのアーキテクチャを評価し、画像品質（例：PSNR最高46.0 dB）および定量的精度の顕著な向上を示している。特に低線量および脳・肺画像診断の状況において顕著な効果が得られている。

ABSTRACT

This paper reviewed the machine learning-based studies for quantitative positron emission tomography (PET). Specifically, we summarized the recent developments of machine learning-based methods in PET attenuation correction and low-count PET reconstruction by listing and comparing the proposed methods, study designs and reported performances of the current published studies with brief discussion on representative studies. The contributions and challenges among the reviewed studies were summarized and highlighted in the discussion part followed by.

研究の動機と目的

• PET画像における定量的精度を向上させる最近の機械学習ベースの手法をレビューすること。
• MRIまたはCTデータを用いたPET吸収補正におけるディープラーニングモデルの性能を評価すること。
• 画像品質を向上させるとともにノイズを低減する低カウントPET再構成手法を分析すること。
• 多様な患者集団およびスキャナーパラメータプロトコル間での一般化に関する主な課題を特定すること。
• 高解像度PET、部分体積補正、レオマティクス分野における機械学習の新規応用を強調すること。

提案手法

• コンピュータビジョン分野の適応されたディープラーニングアーキテクチャ（例：U-Net、GAN、オートエンコーダー、エンコーダデコーダーネットワーク）をPET画像再構成および吸収補正に応用する。
• 入力画像から補正済みまたは再構成済みPET画像への直接写像を学習するために、PET-MRまたはPET-CTのペアデータ上でモデルをエンドツーエンドで訓練する。
• シンオグラムレベルおよび画像レベルのネットワーク設計を採用し、一部のモデルではMR（T1、DTI）またはCTからの事前 anatomical 情報を統合する。
• 小規模から中規模のデータセットにおいてモデルのロバスト性および一般化能力を評価するために、交差検証およびリーブ・ワン・アウトのテスト戦略を適用する。
• 画像品質および再構成忠実度を評価するために、PSNRや視覚的評価といった指標を用いる。
• ペアデータが存在しない状況でも適用可能なドメイン適応を実現するため、サイクルGANや条件付きGANを含む弱教師あり・教師なし学習手法を検討する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、PET/MR画像における吸収補正において従来手法に比べてどのように優れているか？
• RQ2 機械学習は、低カウントPETプロトコルにおいて、画像品質および定量的精度をどの程度向上させられるか？
• RQ3 モデルアーキテクチャ（例：GAN対U-Net）が再構成性能およびノイズ抑制に与える影響はいかほどか？
• RQ4 これらのモデルは、異なるスキャナーやプロトコル、患者集団間でどの程度一般化可能か？
• RQ5 機械学習は、高解像度PET画像診断における部分体積効果を効果的に是正できるか？

主な発見

• GANベースのモデルは、リーブ・ワン・アウトテストにおいて全身PET再構成で最大46.0 ± 3.8 dBのPSNRを達成し、ノイズ抑制および詳細の保持に優れた性能を示した。
• 脳PET画像診断では、マルチモodal入力（PET + T1、DTI）を用いたモデルが、軽度認知症症例において25.19 ± 1.98 dBのPSNRを達成し、単一モodalアプローチを上回った。
• U-Netおよびオートエンコーダーに基づく手法は、5分割交差検証を用いた肺PET再構成において、PSNRが24〜30 dBの範囲で競争力のある性能を示した。
• サイクルGANベースの手法は、リーブ・ワン・アウトテストで39.4 ± 3.1 dB、ホールドアウトテストで38.1 ± 3.4 dBのPSNRを達成し、ペアデータが存在しない環境でも高いロバスト性を示した。
• すべてのモデルの性能は、トレーニングデータの多様性に強く依存しており、限定的または代表的でないデータセットで訓練されたモデルは、施設間やスキャナータイプ間での一般化能力が低下した。
• 妥当性の高いフィジカルスタディでは優れた結果を示したが、小規模なサンプルサイズおよび多様な画像プロトコルにおける外部妥当性の欠如により、臨床的有用性は依然として限定的である。