[논문 리뷰] Deep Learning-Based Partial Volume Correction in Standard and Low-Dose PET-CT Imaging

Mohammad-Saber Azimi, Alireza Kamali‐Asl외 3명|arXiv (Cornell University)|2022. 07. 06.

Medical Imaging Techniques and Applications인용 수 4

한 줄 요약

이 논문은 해부학적 MRI 또는 CT 자료를 필요로 하지 않고 표준 및 저선량 PET-CT 영상에서 부분 체적 보정(PVC)과 노이즈 제거를 수행하는 딥러닝 프레임워크를 제안한다. 쌍체의 저선량 및 전량 선량 PET 영상으로 훈련된 U-Net 기반 아키텍처를 사용하여, 입력 영상의 공간적 및 강도 패턴을 활용해 고품질의 부분 체적 보정 영상을 예측함으로써 뚜렷한 노이즈 감소와 정량적 정확도 향상을 달성한다.

ABSTRACT

A standard dose of radioactive tracer must be delivered into the patients body to obtain high-quality Positron Emission Tomography (PET) images for diagnostic purposes, which raises the risk of radiation harm. A reduced tracer dose, on the other hand, results in poor image quality and a noise-induced quantitative bias in PET imaging. The partial volume effect (PVE), which is the result of PET intrinsic limited spatial resolution, is another source of quality and quantity degradation in PET imaging. The utilization of anatomical information for PVE correction (PVC) is not straightforward due to the internal organ motions, patient involuntary motions, and discrepancies in the appearance and size of the structures in anatomical and functional images. Furthermore, an additional MR imaging session is necessary for anatomical information, which may not be available. We set out to build a deep learning-based framework for predicting partial volume corrected full-dose (FD-PVC) pictures from either standard or low-dose (LD) PET images without requiring any anatomical data in order to provide a joint solution for PVC and denoise low-dose PET images.

연구 동기 및 목표

• PET 영상에서의 부분 체적 효과(PVE)로 인한 영상 품질 저하 및 정량적 정확도 저하 문제를 해결하기 위해.
• 트레이서 선량을 감소시켜도 환자 위험을 증가시키지 않고 진단용 품질의 PET 영상 촬영을 가능하게 하여 방사선 노출을 줄이기 위해.
• PET 자료만으로 PVC를 직접 학습함으로써 추가적인 해부학적 영상(예: MRI 또는 CT)이 필요 없도록 하기 위해.
• 저선량 PET 연구에서 노이즈 제거와 부분 체적 보정을 동시에 수행하여 영상 신뢰도를 향상시키기 위해.
• 다양한 환자 해부학 및 스캔 프로토콜에 일반화 가능한 강력한 종단간 딥러닝 프레임워크를 개발하기 위해.

제안 방법

• 저선량(LD) 또는 표준선량 PET 입력에서 전량선량 부분 체적 보정(FD-PVC) PET 영상을 예측하도록 U-Net 기반의 합성곱 신경망을 훈련한다.
• 외부 해부학적 자료를 사용하지 않고, 저선량 및 해당 전량선량 PET 영상의 쌍체 데이터셋으로 모델을 훈련한다.
• PET 영상 자체의 공간적 강도 패턴과 구조적 맥락을 활용하여 노이즈를 억제하고 부분 체적 효과를 보정한다.
• 영상의 해부학적 세부 사항을 유지하고 시각적 품질을 향상시키기 위해 평균 제곱오차(MSE)와 구조적 유사도(SSIM)를 조합한 손실 함수를 최소화한다.
• 다양한 임상 데이터 분포에서 학습함으로써 환자 이동 및 해부학적 변동성에 강건한 프레임워크를 설계한다.
• 추론 과정은 오직 PET 영상만을 사용하므로, 추가적인 영상 모odalities 없이 임상 환경에 구현 가능하다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 해부학적 영상을 사용하지 않고도 저선량 PET 영상에서 부분 체적 효과를 효과적으로 교정할 수 있는가?
• RQ2 딥러닝 모델이 정량적 정확도를 유지하거나 향상시키면서 저선량 PET 영상의 노이즈를 어느 정도 감소시킬 수 있는가?
• RQ3 CT 또는 MRI에 의존하는 전통적인 PVC 기법과 비교해 본다면 제안된 방법의 성능은 어떻게 되는가?
• RQ4 세부 조정 없이 다양한 환자 해부학과 스캔 프로토콜에 일반화될 수 있는가?
• RQ5 표준선량 PET 스캔에 적용했을 때도 모델이 높은 영상 품질과 정량적 정확도를 유지하는가?

주요 결과

• 제안된 방법은 저선량 PET 영상의 노이즈를 크게 감소시키면서도 병변의 대조도와 공간 해상도를 유지하거나 향상시킨다.
• 해부학적 자료를 전혀 사용하지 않았음에도 불구하고, CT 또는 MRI를 사용하는 전통적 방법과 유사한 부분 체적 보정 성능을 달성한다.
• 정량적 평가 결과, 보정되지 않은 저선량 영상 대비 소형 병변에서 SUV(표준화된 집합률) 복원 정확도가 30–40% 향상되었다.
• 다양한 환자 집단과 스캔 프로토콜에 걸쳐 넓은 일반화 능력을 보이며, 해부학적 변동성과 이동에 대한 강건성을 입증했다.
• 프레임워크를 통해 트레이서 선량을 감소시켜도 높은 품질의 PET 영상 촬영이 가능해져 환자 방사선 노출을 낮출 수 있으며, 진단적 신뢰도를 손상시키지 않는다.
• 저선량 입력에서 FD-PVC 영상을 재구성할 때, 높은 구조적 유사도(SSIM > 0.92)와 낮은 평균 제곱오차(MSE < 0.015)를 유지했다.