[論文レビュー] Self-Supervised Learning for Physiologically-Based Pharmacokinetic Modeling in Dynamic PET

Francesca De Benetti, Walter Simson+6 more|arXiv (Cornell University)|May 17, 2023

Medical Imaging Techniques and Applications被引用数 4

ひとこと要約

本稿では、動的 F-18-FDG PET データから生理学的ベースの薬物動態（PBPK）モデルのパラメータを推定する自己教師付きスパatio-temporal 3D UNet を提案する。物理に基づいた損失関数を用いて、予測された時間活性曲線（TAC）と測定された TAC の一貫性を直接強制する。この手法は、従来の曲線適合法と同等のパラメトリック画像品質を達成するが、最大で1000倍以上も高速であり、真のラベルがなくても生物学的に妥当なボクセル単位のキネティクスマップを生成する。

ABSTRACT

Dynamic positron emission tomography imaging (dPET) provides temporally resolved images of a tracer enabling a quantitative measure of physiological processes. Voxel-wise physiologically-based pharmacokinetic (PBPK) modeling of the time activity curves (TAC) can provide relevant diagnostic information for clinical workflow. Conventional fitting strategies for TACs are slow and ignore the spatial relation between neighboring voxels. We train a spatio-temporal UNet to estimate the kinetic parameters given TAC from F-18-fluorodeoxyglucose (FDG) dPET. This work introduces a self-supervised loss formulation to enforce the similarity between the measured TAC and those generated with the learned kinetic parameters. Our method provides quantitatively comparable results at organ-level to the significantly slower conventional approaches, while generating pixel-wise parametric images which are consistent with expected physiology. To the best of our knowledge, this is the first self-supervised network that allows voxel-wise computation of kinetic parameters consistent with a non-linear kinetic model. The code will become publicly available upon acceptance.

研究の動機と目的

• 動的PETにおけるボクセル単位のPBPKパラメータ推定が遅く、ノイズが多く、臨床的実用性に欠けるという課題に対処すること。
• 自己教師付き学習を用いて、生理学的整合性を保証するキネティクスパラメータ予測のためのディープラーニングフレームワークを開発すること。
• 期待される生理学的パターンを反映するボクセルレベルの高品質なパラメトリック画像を生成すること。
• 臨床ワークフローに適合するスケーラブルでリアルタイム対応のキネティクスモデリングを可能にすること。
• 局所的最小値やノイズへの感受性といった従来の曲線適合法の限界を克服すること。

提案手法

• 空間的および時間的畳み込みカーネルを別々に持つカスタム3次元UNetを用い、K1、k2、k3、VB の4つのキネティクスパラメータを予測する。
• 自己教師付き損失関数を用い、測定されたTACと予測パラメータから再構成されたTACとの平均二乗誤差を最小化する。
• 損失関数に微分可能である2組織室モデル（2TC）PBPKモデルを埋め込み、物理的妥当性を強制する。
• dPETデータ内の近隣および時間的依存性を活用するために、空間的および時間的畳み込みを用いる。
• 真のラベルがなくても、TAC再構成の正確性にのみ依存して、実際のdPETデータ上でエンドツーエンドに訓練する。
• 標準UNetと比較してパラメータ数を99.6％削減し、収束性と効率性が向上する。

実験結果

リサーチクエスチョン

• RQ1 自己教師付きディープラーニングモデルは、真のラベルがなくても動的PETにおけるPBPKキネティクスパラメータを正確に推定できるか？
• RQ2 損失関数に微分可能なPBPKモデルを組み込むことで、パラメトリック画像の生理学的妥当性が向上するか？
• RQ3 本手法の性能は、従来の曲線適合法と比較して、精度と速度の面でどのように異なるか？
• RQ4 肝臓、心臓、肺などTACダイナミクスが異なる解剖的領域に一般化できるか？
• RQ5 呼吸および心拍動アーチファクトがパラメータ推定に与える影響は何か？また、モデルはそれらを緩和できるか？

主な発見

• 肝臓ではコサイン類似度（CS）が0.87、心臓・肺では0.71を達成し、TAC再構成の正確性が顕著に高いことを示す。
• DNNが生成したパラメトリック画像は、従来の曲線適合法よりも空間的分布が現実的であり、特に胆嚢が明確に識別できる肝臓で顕著である。
• DNNモデルは従来の曲線適合法よりも著しく高速であり、リアルタイムまたはニアリアルタイムのパラメトリック画像化を可能にする。
• K1、k2、k3、VB は、参照曲線適合結果と合理的に一致するが、脾臓のK1と腎臓のk2については信頼区間外に位置する。
• 心臓および大動脈におけるVBの低減（0.376および0.622）は、運動アーチファクトが精度に影響を与え、特に高運動領域で顕著であることを示唆する。
• 真のラベルがなくても、本手法は従来手法よりも生理学的に期待されるパターンに質的に整合性の高いパラメトリック画像を生成する。