[논문 리뷰] A physics and learning-based transmission-less attenuation compensation method for SPECT

Zitong Yu, Ashequr Rahman외 3명|arXiv (Cornell University)|2021. 02. 10.

Medical Imaging Techniques and Applications참고 문헌 45인용 수 4

한 줄 요약

이 논문은 산란 및 피크 에미션 데이터를 사용하여 전산 스캔 없이 투과율 지도를 추정하는 물리학적 및 학습 기반의 전산 스캔이 없는 투과율 보정 방법을 제안한다. 물리학 기반의 초기 투과율 지도 재구성과 영역 분할 및 투과율 계수를 할당하기 위한 컨volutional 신경망(Convolutional Neural Network)을 결합함으로써, 현실적인 심장 혈류 역학 SPECT 시뮬레이션 연구에서 진단 성능과 이미지 품질이 참값 투과율 지도를 사용한 경우와 통계적으로 구분되지 않을 정도로 향상된다.

ABSTRACT

Attenuation compensation (AC) is a pre-requisite for reliable quantification and beneficial for visual interpretation tasks in single-photon emission computed tomography (SPECT). Typical AC methods require the availability of an attenuation map obtained using a transmission scan, such as a CT scan. This has several disadvantages such as increased radiation dose, higher costs, and possible misalignment between SPECT and CT scans. Also, often a CT scan is unavailable. In this context, we and others are showing that scattered photons in SPECT contain information to estimate the attenuation distribution. To exploit this observation, we propose a physics and learning-based method that uses the SPECT emission data in the photopeak and scatter windows to perform transmission-less AC in SPECT. The proposed method uses data acquired in the scatter window to reconstruct an initial estimate of the attenuation map using a physics-based approach. A convolutional neural network is then trained to segment this initial estimate into different regions. Pre-defined attenuation coefficients are assigned to these regions, yielding the reconstructed attenuation map, which is then used to reconstruct the activity map using an ordered subsets expectation maximization-based reconstruction approach. We objectively evaluated the performance of this method using a highly realistic simulation study conducted on the clinically relevant task of detecting perfusion defects in myocardial perfusion SPECT. Our results showed no statistically significant differences between the performance achieved using the proposed method and that with the true attenuation maps. Visually, the images reconstructed using the proposed method looked similar to those with the true attenuation map. Overall, these results provide evidence of the capability of the proposed method to perform transmission-less AC and motivate further evaluation.

연구 동기 및 목표

• 기존의 전산 스캔에 의존하는 SPECT의 투과율 보정 기법이 겪는 문제점, 즉 방사선 선량 증가 및 정렬 오류를 해결하기 위해.
• SPECT 에미션 데이터의 산란 광자에서 전산 스캔 없이도 투과율 지도를 추정하는 데 충분한 정보를 포함하고 있는지 탐색하기 위해.
• 정확한 전산 스캔이 없는 투과율 보정을 위해 물리학 기반 재구성과 딥 러닝을 융합한 하이브리드 방법을 개발하기 위해.
• 심장 혈류 역학 결함 탐지와 같은 임상적으로 관련성이 높은 과제에서의 성능 평가를 위해.

제안 방법

• 산란 윈도우에서의 에미션 데이터를 사용하여 물리학 기반 반복 재구성 방법으로 초기 투과율 지도를 재구성한다.
• 이미지 특징을 기반으로 초기 투과율 지도를 해부학적 영역으로 분할하기 위해 컨volutional 신경망(Convolutional Neural Network)을 훈련시킨다.
• 각 분할 영역에 사전 정의된 투과율 계수(예: 연조직, 폐, 심장)를 할당하여 최종 투과율 지도를 생성한다.
• 최종 투과율 지도를 순서 기반 기대값 최대화(ordered subsets expectation maximization, OSEM) 재구성 알고리즘에 사용하여 활동 지도를 생성한다.
• 전산 스캔이 필요 없어져 방사선 선량을 줄이고 정렬 오류 위험을 제거한다.
• 심장 혈류 역학 SPECT에 특화된 현실적인 시뮬레이션 프레임워크를 사용하여 방법을 평가한다.

실험 결과

연구 질문

• RQ1 SPECT 에미션 데이터의 산란 광자에서 전산 스캔 없이도 투과율 지도를 추정하는 데 충분한 정보를 제공할 수 있는가?
• RQ2 딥 러닝 분할 기법으로 향상된 산란 데이터에서의 물리학 기반 투과율 지도 재구성 성능는 얼마나 우수한가?
• RQ3 제안된 전산 스캔이 없는 투과율 보정 방법이 심장 혈류 역학 결함 탐지에서 참값 투과율 지도를 사용한 경우와 유사한 진단 성능을 달성하는가?
• RQ4 추가적인 영상 모odalities 없이도 이미지 품질과 정량적 정확성을 유지할 수 있는가?

주요 결과

• 제안된 방법은 참값 투과율 지도를 사용한 경우와 비교해 통계적으로 유의미한 차이가 없는 심장 혈류 역학 결함 탐지 성능을 달성했다.
• 제안된 방법으로 재구성한 이미지의 시각적 품질은 참값 투과율 지도를 사용한 경우와 구분되지 않았다.
• 이 방법은 전산 스캔이 필요 없이 산란 데이터와 딥 러닝을 효과적으로 활용해 정확한 투과율 지도를 생성했다.
• 물리학 기반 재구성과 CNN 분할의 조합은 임상적으로 관련성이 높은 시뮬레이션 환경에서 강력한 투과율 지도 추정을 가능하게 했다.