[논문 리뷰] Deep learning-based attenuation correction in the image domain for myocardial perfusion SPECT imaging

Samaneh Mostafapour, Faeze Gholamiankhah외 5명|arXiv (Cornell University)|2021. 02. 09.

Medical Imaging Techniques and Applications참고 문헌 45인용 수 6

한 줄 요약

이 연구는 ResNet 및 UNet 아키텍처를 사용하여 비흡수보정 SPECT 스캔에서 직접 CT 기반 보정 이미지를 예측하는 딥러닝 기반 이미지 도메인 흡수보정(AC)을 제안한다. 기존의 Chang 방법에 비해 뛰어난 정확도를 달성하였으며, 평균 절대 오차(MAE)는 각각 -6.99±16.72 및 -4.41±11.80, 구조적 유사성 지수(SSIM)는 각각 0.99±0.04 및 0.98±0.05를 기록하여 기준 CT-AC 이미지와 강한 임상 일致성을 보였다.

ABSTRACT

Objective: In this work, we set out to investigate the accuracy of direct attenuation correction (AC) in the image domain for the myocardial perfusion SPECT imaging (MPI-SPECT) using two residual (ResNet) and UNet deep convolutional neural networks. Methods: The MPI-SPECT 99mTc-sestamibi images of 99 participants were retrospectively examined. UNet and ResNet networks were trained using SPECT non-attenuation corrected images as input and CT-based attenuation corrected SPECT images (CT-AC) as reference. The Chang AC approach, considering a uniform attenuation coefficient within the body contour, was also implemented. Quantitative and clinical evaluation of the proposed methods were performed considering SPECT CT-AC images of 19 subjects as reference using the mean absolute error (MAE), structural similarity index (SSIM) metrics, as well as relevant clinical indices such as perfusion deficit (TPD). Results: Overall, the deep learning solution exhibited good agreement with the CT-based AC, noticeably outperforming the Chang method. The ResNet and UNet models resulted in the ME (count) of ${-6.99\pm16.72}$ and ${-4.41\pm11.8}$ and SSIM of ${0.99\pm0.04}$ and ${0.98\pm0.05}$, respectively. While the Change approach led to ME and SSIM of ${25.52\pm33.98}$ and ${0.93\pm0.09}$, respectively. Similarly, the clinical evaluation revealed a mean TPD of ${12.78\pm9.22}$ and ${12.57\pm8.93}$ for the ResNet and UNet models, respectively, compared to ${12.84\pm8.63}$ obtained from the reference SPECT CT-AC images. On the other hand, the Chang approach led to a mean TPD of ${16.68\pm11.24}$. Conclusion: We evaluated two deep convolutional neural networks to estimate SPECT-AC images directly from the non-attenuation corrected images. The deep learning solutions exhibited the promising potential to generate reliable attenuation corrected SPECT images without the use of transmission scanning.

연구 동기 및 목표

• 비흡수보정 SPECT 영상만을 사용하여 딥러닝 기반의 직접 흡수보정 방법을 개발하는 것.
• 비흡수보정 SPECT 영상에서 직접 흡수보정을 학습하여 전이 스캔이 필요 없도록 하는 것.
• 딥러닝 모델(ResNet 및 UNet)의 성능을 기존의 Chang AC와 CT 기반 기준 영상에 대해 평가하는 것.
• 퍼포머런스 결함(TPD) 및 이미지 품질 지표(MAE, SSIM)와 같은 지표를 통해 임상적 관련성을 평가하는 것.
• 딥러닝이 추가적인 영상 촬영 프로토콜 없이도 황금 표준인 CT-AC 이미지와 유사한 신뢰할 수 있는 AC 이미지를 생성할 수 있음을 입증하는 것.

제안 방법

• 99명의 MPI-SPECT 99mTc-sestamibi 연구에서 ResNet 및 UNet이라는 두 개의 딥 컨volution 신경망을 훈련시켰다.
• 비흡수보정 SPECT 영상을 입력으로 사용하고, CT 기반 흡수보정 SPECT 영상을 기준 참값으로 사용하였다.
• ResNet에서는 잔차 연결을, UNet에서는 스킵 연결을 적용하여 특징 학습 및 기울기 흐름을 향상시켰다.
• 이미지 도메인에서 직접 흡수보정 SPECT 영상을 예측하기 위해 모델을 엔드 투 엔드로 훈련시켰다.
• 평균 절대 오차(MAE), 구조적 유사성 지수(SSIM), 임상적 퍼포먼스 결함(TPD)을 사용하여 성능을 평가하였다.
• 동일한 데이터셋과 기준을 사용하여 결과를 기존의 Chang AC 방법과 비교하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 전이 스캔 없이 이미지 도메인에서 정확한 흡수보정을 학습할 수 있는가?
• RQ2 ResNet 및 UNet 기반 AC의 성능은 이미지 품질 및 정량적 지표 측면에서 기존의 Chang 방법과 비교해 어떻게 되는가?
• RQ3 딥러닝 기반 AC 결과가 황금 표준인 CT-AC 이미지의 임상 지표(예: TPD)와 얼마나 유사한가?
• RQ4 CT 전이 스캔이 필요 없이도 높은 구조적 유사성과 낮은 오차를 유지할 수 있는가?
• RQ5 이러한 딥러닝 접근법은 다양한 환자 해부학적 구조에서 임상적으로 신뢰할 수 있는 흡수보정 SPECT 영상을 생성할 수 있는가?

주요 결과

• ResNet 모델은 평균 오차(ME)가 -6.99±16.72이고 SSIM이 0.99±0.04를 기록하여 CT-AC 기준 영상과 높은 구조적 유사성을 보였다.
• UNet 모델은 ME가 -4.41±11.80이고 SSIM이 0.98±0.05를 기록하여 뛰어난 이미지 품질과 일관성을 입증하였다.
• Chang 방법은 더 높은 오차(ME: 25.52±33.98)와 낮은 SSIM(0.93±0.09)를 보여, 열등한 성능을 나타냈다.
• 임상 평가에서 ResNet의 평균 TPD는 12.78±9.22, UNet는 12.57±8.93이었으며, 기준 CT-AC 평균 TPD인 12.84±8.63과 유사하게 나타났다.
• Chang 방법은 더 높은 평균 TPD 16.68±11.24를 기록하여 퍼포먼스 결함을 과대평가하는 임상적으로 의미 있는 오차를 보였다.
• 종합적으로 딥러닝 모델은 정량적 지표뿐 아니라 임상 지표에서도 기존의 Chang 방법을 능가하였으며, MPI-SPECT에서 CT 기반 AC를 대체할 수 있는 강력한 잠재력을 보였다.