[논문 리뷰] Deep-Fill: Deep Learning Based Sinogram Domain Gap Filling in Positron Emission Tomography

Isaac Shiri, Peyman Sheikhzadeh외 1명|arXiv (Cornell University)|2019. 06. 16.

Medical Imaging Techniques and Applications인용 수 19

한 줄 요약

이 논문은 상하좌우 탐지기 블록 사이의 간극으로 인해 손상된 PET 시노그램의 누락된 데이터를 복원하는 딥 컨volution형 인코더-디코더 네트워크인 Deep-Fill을 제안한다. 보정된 필름 데이터를 기반으로 훈련시킨 모델은 높은 정확도로 간극이 없는 시노그램을 예측하여, 재구성된 PET 스캔에서 줄무늬 아티팩트를 크게 감소시키고 영상 품질을 향상시킨다.

ABSTRACT

One of the major challenges in design and developing of PET, scanners are the presence of inactive areas between the detector blocks which degrade the image spatial resolution and leads to streaking artifacts especially when we employ analytical image reconstruction. The aim of this study is to assess the feasibility of generating the gap-free PET image using the deep convolutional encoder-decoder in sinogram space. The gap-corrupted sinograms of simulated HRRT scanner, sinograms without gaps as ideal/ground truth and predicted sinograms owing to the implemented our deep-fill method were quantitatively compared. In total, 1293 phantom images divided into three main sets of training 1000, 150 Validation, and 143 test set. The 1000 training images were augmented using affine transformations with various sub-transforms including rotation (rotate randomly), translation to 12000 Image with 6 frequencies of 2 main methods. The Deep-Fill architecture consists of an encoder and a decoder part, and it is composed of convolution operation, max pooling, ReLU activation, concatenation, and up convolution layers. The gap image is going through the network along with all possible paths then the gap-free image was generated by decoder part of the network. The quality of the generated images was quantitatively assessed by different quality metrics in both sinogram space and reconstruction images. We demonstrated that deep learning based approaches applied to inter-detector gap filling can recover the missing data in sinogram with high quantitative accuracy and have the potential to significantly improve the reconstructed image quality and prevent degradation of PET image quantification.

연구 동기 및 목표

• 탐지기 블록 사이의 비활성 영역으로 인한 PET 영상 품질 저하 문제를 해결하기 위해.
• 딥 러닝이 시노그램 공간에서 누락된 데이터를 효과적으로 복원할 수 있는지 조사하기 위해.
• 줄무늬 아티팩트를 최소화하면서 영상 정량화 정확도를 유지하는 방법을 개발하기 위해.
• 손상된 입력에서 간극이 없는 시노그램을 생성하는 데에 컨volutional autoencoder의 성능을 평가하기 위해.

제안 방법

• 컨볼루션, 풀링, ReLU, 연결, 그리고 역컨볼루션 레이어를 포함한 U-Net 유사 인코더-디코더 아키텍처를 사용하였다.
• 모델은 원본 필름 연구 1,000건에서 유도된 12,000개의 보정된 훈련 이미지를 기반으로 훈련되었다.
• 입력 시노그램은 탐지기 간 간극을 모의한 인위적 간극을 포함하고 있었으며, 모델은 해당 간극이 없는 시노그램을 예측하였다.
• 훈련 과정에서는 간극이 없는 진짜 시노그램을 타겟으로 하여 지도 학습을 수행하였다.
• 데이터 보정에는 랜덤 회전, 이동, 다중 주파수 하위 변환을 포함하여 일반화 능력을 향상시켰다.
• 모델 성능 평가는 시노그램 공간과 재구성된 영상 공간에서 정량적 지표를 사용하여 평가되었다.

실험 결과

연구 질문

• RQ1 딥 러닝은 탐지기 간 간극으로 인한 PET 시노그램의 누락된 데이터를 효과적으로 복원할 수 있는가?
• RQ2 컨볼루션 오토인코더는 손상된 입력에서 간극이 없는 시노그램을 얼마나 정확하게 재구성할 수 있는가?
• RQ3 간극 메우기 방법이 재구성된 PET 영상의 품질을 어느 정도 향상시키는가?
• RQ4 기존 재구성 방법과 비교해 복잡한 방법이 영상 정량화 정확도를 유지하는가?

주요 결과

• Deep-Fill 모델은 간극이 없는 시노그램을 재구성하는 데 높은 정량적 정확도를 달성하여 줄무늬 아티팩트를 크게 감소시켰다.
• 재구성된 영상에서의 영상 품질 지표는 딥 러닝 기반 간극 메우기 이후에 상당한 향상이 있었다.
• 광범위한 데이터 보정 덕분에 다양한 필름 구성에 대해 강력한 일반화 능력을 보였다.
• 영상 정량화 정확도를 유지하여 임상적 적용 가능성을 시사하였다.