[논문 리뷰] Direct Reconstruction of Linear Parametric Images from Dynamic PET Using Nonlocal Deep Image Prior

Kuang Gong, Ciprian Catana외 2명|arXiv (Cornell University)|2021. 06. 18.

Medical Imaging Techniques and Applications인용 수 5

한 줄 요약

이 논문은 비지도 학습 기반의 딥러닝 프레임워크를 제안하여, 비국소적 딥 이미지 프리오르를 사용해 동적 PET 데이터로부터 선형 파라미터 이미지를 직접 재구성한다. 환자의 해부학적 프리오르 이미지를 입력으로 활용하고, Patlak 및 상대 평형 로건 동적 모델을 1×1 컨볼루션 레이어로 통합함으로써, 고품질의 학습 레이블이 필요 없이도 신호 대 잡음비(SNR)와 이미지 품질을 향상시킨다. 시뮬레이션 및 실재 데이터 평가에서 기존의 전통적이고 커널 기반의 직접 재구성 방법보다 뛰어난 성능을 보였다.

ABSTRACT

Direct reconstruction methods have been developed to estimate parametric images directly from the measured PET sinograms by combining the PET imaging model and tracer kinetics in an integrated framework. Due to limited counts received, signal-to-noise-ratio (SNR) and resolution of parametric images produced by direct reconstruction frameworks are still limited. Recently supervised deep learning methods have been successfully applied to medical imaging denoising/reconstruction when large number of high-quality training labels are available. For static PET imaging, high-quality training labels can be acquired by extending the scanning time. However, this is not feasible for dynamic PET imaging, where the scanning time is already long enough. In this work, we proposed an unsupervised deep learning framework for direct parametric reconstruction from dynamic PET, which was tested on the Patlak model and the relative equilibrium Logan model. The patient's anatomical prior image, which is readily available from PET/CT or PET/MR scans, was supplied as the network input to provide a manifold constraint, and also utilized to construct a kernel layer to perform non-local feature denoising. The linear kinetic model was embedded in the network structure as a 1x1 convolution layer. The training objective function was based on the PET statistical model. Evaluations based on dynamic datasets of 18F-FDG and 11C-PiB tracers show that the proposed framework can outperform the traditional and the kernel method-based direct reconstruction methods.

연구 동기 및 목표

• 긴 스캔 시간으로 인해 고품질의 레이블 데이터 확보가 어려운 동적 PET 파라미터 영상에서의 학습 데이터 부족 문제를 해결하기 위해.
• 감독 학습에 의존하지 않고도 동적 PET 심오그램에서 파라미터 영상의 신호 대 잡음비와 공간 해상도를 향상시키기 위해.
• 선형 동적 모델(Patlak 및 RE Logan)을 딥 러닝 프레임워크에 직접 통합하여 종단 간 파라미터 영상 재구성 가능하게 하기 위해.
• 비국소적 기능 노이즈 제거 메커니즘을 통해 해부학적 프리오르를 통합하여 노이즈는 감소시키면서도 구조적 세부 정보는 유지함으로써 이미지 품질 향상시키기 위해.
• 해부학적 프리오르를 기반으로 한 계산 효율적이고 파rameter-free인 커널 레이어를 개발하여 효과적인 비지도 학습을 가능하게 하기 위해.

제안 방법

• 프레임워크는 환자의 MR 또는 CT 프리오르 이미지를 입력으로 사용하는 3D U-Net 백본을 사용하여 네트워크에 매니폴드 제약 조건을 제공한다.
• 비국소 연산은 해부학적 프리오르에서 사전 계산된 커널 행렬을 통해 구현되며, 추가적인 학습 가능한 파rameter 없이 기능 노이즈 제거를 가능하게 한다.
• 동적 모델(Patlak 및 RE Logan)은 파라미터 영상에서 동적 심오그램 예측으로 매핑하기 위해 1×1 컨볼루션 레이어로 통합된다.
• 손실 함수는 PET 심오그램의 포isson 통계 모델 기반으로 설정되어 기울기 하강법을 통한 종단 간 최적화가 가능하다.
• 원시 데이터의 i.i.d. 가정을 유지하기 위해 RE Logan 모델에 대해 제약 최적화 방법과 새로운 빈팅 전략이 도입되었다.
• 최적화 전이 프레임워크를 통해 프레임 단위 재구성가능성을 확보하면서도 계산 효율성을 유지한다.

실험 결과

연구 질문

• RQ1 고품질의 레이블 학습 데이터가 필요 없이도 비지도 딥러닝 프레임워크가 동적 PET 심오그램에서 파라미터 영상을 효과적으로 재구성할 수 있는가?
• RQ2 비국소적 커널 레이어를 통해 해부학적 프리오르 이미지를 통합할 경우, 직접 파라미터 영상 재구성에서 이미지 품질이 어떻게 향상되는가?
• RQ3 딥 네트워크 내부에 선형 동적 모델(Patlak 및 RE Logan)을 통합할 경우 재구성 정확도 향상과 노이즈 억제에 어느 정도 기여하는가?
• RQ4 이러한 방법이 전통적인 직접 재구성 및 커널 기반 방법 대비 편향-잡음 트레이드오프 및 대비 대 잡음비(CNR) 측면에서 뛰어난 성능을 보이는가?
• RQ5 원시 심오그램 데이터와 해부학적 프리오르만을 사용하여도 이 프레임워크가 계산 효율성을 유지하면서 뛰어난 이미지 품질을 달성할 수 있는가?

주요 결과

• 제안된 방법은 시뮬레이션 및 실재 데이터에서 모두 최적의 편향 대 잡음비 트레이드오프를 달성하였으며, 그림 6에서 회색 물질 및 종양 부위에서 이를 입증하였다.
• 실재 데이터 평가에서 제안된 방법은 Patlak 기울기 영상에서 가장 높은 병변 대비 및 가장 선명한 코르티컬 구조를 생성하였으며, 그림 8에서 이를 확인하였다.
• RE Logan 모델의 경우, 네 명의 환자에서 대부분의 코르티컬 영역에서 가장 높은 대비 대 잡음비(CNR)를 달성하였다. 그림 10에서 이를 확인하였다.
• 비국소적 커널 레이어는 시각적 및 정량적 결과(그림 4)를 통해 기능 노이즈 제거에 뚜렷한 기여를 하였다.
• 모의 및 임상 데이터셋 모두에서 EM+필터 기반 베이스라인, 커널 방법, 기타 기준 방법보다 뛰어난 성능을 보였다.
• RE Logan 모델에 대해 새로운 빈팅 및 제약 최적화 전략을 통해 PET 원시 데이터의 i.i.d. 가정을 성공적으로 유지하였다.