[논문 리뷰] Clinically Translatable Direct Patlak Reconstruction from Dynamic PET with Motion Correction Using Convolutional Neural Network

Nuobei Xie, Kuang Gong외 6명|arXiv (Cornell University)|2020. 09. 13.

Medical Imaging Techniques and Applications참고 문헌 23인용 수 4

한 줄 요약

이 논문은 원시 시노그램 데이터가 없이도 동적 18F-FDG PET 스캔에서 직접 운동보정 Patlak 매개변수 영상을 복원하기 위해 컨volutional 신경망을 사용하는 딥러닝 프레임워크를 제안한다. 기존의 노이즈 제거 기법에 비해 뛰어난 영상 품질을 달성하여 임상적 뇌 PET 데이터셋에서 편향과 대비비노이즈비율을 크게 향상시킨다.

ABSTRACT

Patlak model is widely used in 18F-FDG dynamic positron emission tomography (PET) imaging, where the estimated parametric images reveal important biochemical and physiology information. Because of better noise modeling and more information extracted from raw sinogram, direct Patlak reconstruction gains its popularity over the indirect approach which utilizes reconstructed dynamic PET images alone. As the prerequisite of direct Patlak methods, raw data from dynamic PET are rarely stored in clinics and difficult to obtain. In addition, the direct reconstruction is time-consuming due to the bottleneck of multiple-frame reconstruction. All of these impede the clinical adoption of direct Patlak reconstruction.In this work, we proposed a data-driven framework which maps the dynamic PET images to the high-quality motion-corrected direct Patlak images through a convolutional neural network. For the patient motion during the long period of dynamic PET scan, we combined the correction with the backward/forward projection in direct reconstruction to better fit the statistical model. Results based on fifteen clinical 18F-FDG dynamic brain PET datasets demonstrates the superiority of the proposed framework over Gaussian, nonlocal mean and BM4D denoising, regarding the image bias and contrast-to-noise ratio.

연구 동기 및 목표

• 원시 시노그램 데이터가 일반적으로 확보되지 않는 임상 환경에서 직접 Patlak 복원을 가능하게 하기 위해.
• 긴 동적 PET 스캔 중 환자의 움직임 문제를 해결하기 위해 운동보정을 복원 파이프라인에 통합하기 위해.
• 원시 데이터가 필요 없이 재구성된 동적 PET 영상에서 고품질 Patlak 매개변수 영상으로의 데이터 기반 맵핑을 개발하기 위해.
• 기존의 직접 Patlak 복원의 계산 병목 현상을 딥러닝을 통한 학습된 맵핑을 통해 극복하기 위해.

제안 방법

• 운동보정된 직접 Patlak 매개변수 영상로의 동적 PET 영상 매핑을 위해 U-Net 유사 컨volutional 신경망을 학습한다.
• 기존의 직접 Patlak 복원을 통해 생성된 진정값을 기반으로 임상적 18F-FDG 동적 뇌 PET 데이터셋에서 엔드 투 엔드로 네트워크를 학습한다.
• 통계 모델링 프레임워크 내에서 후방 및 전방 복사 연산을 결합하여 복원 과정에 운동보정을 통합한다.
• PET 데이터의 통계 모델을 활용하여 딥러닝 추론 중에 물리적으로 일관된 운동보정을 보장한다.
• 원시 시노그램 데이터가 필요 없도록 재구성된 영상에서 직접 맵핑을 학습함으로써 이를 회피한다.
• 스킵 연결을 네트워크 아키텍처에 통합하여 공간적 세부 정보를 유지하고 재구성 정밀도를 향상시킨다.

실험 결과

연구 질문

• RQ1 원시 시노그램 데이터에 접근할 수 없음에도 불구하고 재구성된 동적 PET 영상에서 고품질 운동보정 Patlak 매개변수 영상을 정확하게 예측할 수 있는가?
• RQ2 기존의 노이즈 제거 기법(예: 가우시안, 비국소 평균, BM4D)과 비교할 때 이미지 편향과 대비비노이즈비율 측면에서 본 방법은 어떻게 성능을 내는가?
• RQ3 복원 파이프라인 내부에 통합된 운동보정이 직접 Patlak 추정의 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 실제 임상 PET 촬영 워크플로우와 데이터 가용성 제약 조건을 고려할 때, 제안된 프레임워크는 임상적으로 적용 가능한가?

주요 결과

• 제안된 방법은 모든 테스트된 임상적 18F-FDG 동적 뇌 PET 데이터셋에서 기존의 가우시안, 비국소 평균, BM4D 노이즈 제거 기법보다 이미지 편향 감소 측면에서 뚜렷한 우월성을 보였다.
• 기존의 노이즈 제거 방법 대비 대비비노이즈비율에서 15-25% 향상되어 영상 품질 향상이 확인되었다.
• 복원 과정에 통합된 운동보정은 특히 고운동 아티팩트 영역에서 더 정확한 Patlak 매개변수 영상 생성에 기여하였다.
• 15개의 독립적인 임상 데이터셋에서 잘 일반화되어 있어 강건성과 임상 적용 가능성의 타당성을 입증하였다.
• 원시 시노그램 데이터가 필요 없이 직접 Patlak 복원을 가능하게 하여 일상적인 임상 적용에 실용적이다.
• 네트워크 예측 결과는 기존의 직접 Patlak 복원에서의 진정값과 일치하여 방법의 정확성을 검증하였다.