[논문 리뷰] Self-Supervised Learning for Physiologically-Based Pharmacokinetic Modeling in Dynamic PET

Francesca De Benetti, Walter Simson외 6명|arXiv (Cornell University)|2023. 05. 17.

Medical Imaging Techniques and Applications인용 수 4

한 줄 요약

이 논문은 동적 F-18-FDG PET 데이터에서 생리학적으로 기반한 약동학(PBPK) 모델 파라미터를 추정하기 위해 자기지도 학습 기반의 시공간 3D UNet을 제안한다. 물리학에 기반한 손실을 통해 예측된 시간 활성 곡선(TAC)과 측정된 TAC 간의 일致성을 직접 강제한다. 이 방법은 기존의 곡선 피팅 기반 기술과 유사한 품질의 매개변수 이미지를 제공하지만, 최대 수개의 주기 빠르게 작동하며 지표가 없는 상태에서도 생물학적으로 타당한 볼륨 단위의 동역학 맵을 생성한다.

ABSTRACT

Dynamic positron emission tomography imaging (dPET) provides temporally resolved images of a tracer enabling a quantitative measure of physiological processes. Voxel-wise physiologically-based pharmacokinetic (PBPK) modeling of the time activity curves (TAC) can provide relevant diagnostic information for clinical workflow. Conventional fitting strategies for TACs are slow and ignore the spatial relation between neighboring voxels. We train a spatio-temporal UNet to estimate the kinetic parameters given TAC from F-18-fluorodeoxyglucose (FDG) dPET. This work introduces a self-supervised loss formulation to enforce the similarity between the measured TAC and those generated with the learned kinetic parameters. Our method provides quantitatively comparable results at organ-level to the significantly slower conventional approaches, while generating pixel-wise parametric images which are consistent with expected physiology. To the best of our knowledge, this is the first self-supervised network that allows voxel-wise computation of kinetic parameters consistent with a non-linear kinetic model. The code will become publicly available upon acceptance.

연구 동기 및 목표

• 동적 PET에서 느리고 노이즈가 많으며 임상적으로 실용적이지 않은 볼륨 단위의 PBPK 파라미터 추정 문제를 해결하기 위해.
• 자기지도 학습을 활용해 동역학 파라미터 예측의 생리학적 일致성을 강제하는 딥러닝 프레임워크를 개발하기 위해.
• 기대되는 생리학적 패턴을 반영하는 고품질의 볼륨 수준의 매개변수 이미지를 생성하기 위해.
• 임상 워크플로우에 호환되는 확장 가능하고 실시간 동역학 모델링을 가능하게 하기 위해.
• 국소 최소값과 노이즈에 민감한 등의 기존 곡선 피팅 기술의 한계를 극복하기 위해.

제안 방법

• 공간적 및 시간적 컨volution 커널을 별도로 갖춘 맞춤형 3D UNet을 사용하여 K1, k2, k3, VB의 네 가지 동역학 파라미터를 예측한다.
• 자기지도 학습 손실을 적용하여 측정된 TAC과 예측된 파라미터로부터 재구성된 TAC 간의 평균 제곱오차를 최소화한다.
• 손실 함수에 2조직 분할(2TC) PBPK 모델을 미분 가능 제약 조건으로 통합하여 물리적 타당성을 강제한다.
• dPET 데이터 내 이웃 및 시간적 의존성을 활용하기 위해 공간적 및 시간적 컨볼루션을 사용한다.
• 지표가 없는 실제 dPET 데이터에서 엔드 투 엔드로 훈련되며, TAC 재구성 정확도에만 의존한다.
• 기존 UNet 대비 파라미터 수를 99.6% 감소시켜 수렴 속도와 효율성을 향상시킨다.

실험 결과

연구 질문

• RQ1 지표가 없는 조건에서 자기지도 학습 기반 딥러닝 모델이 동적 PET에서 PBPK 동역학 파라미터를 정확히 추정할 수 있는가?
• RQ2 손실 함수에 미분 가능 PBPK 모델을 통합함으로써 매개변수 이미지의 생리학적 타당성이 향상되는가?
• RQ3 기존 곡선 피팅 대비 정확도 및 속도 측면에서 제안된 방법의 성능은 어떠한가?
• RQ4 간, 심장, 폐와 같이 TAC 동역학이 상이한 해부학적 영역 간에 모델이 일반화 가능한가?
• RQ5 호흡 및 심장 운동 아티팩트가 파라미터 추정에 어떤 영향을 미치며, 모델이 이를 완화할 수 있는가?

주요 결과

• 간에서 코사인 유사도(CS)가 0.87, 심장/폐에서 0.71을 기록하여 TAC 재구성 정확도가 높음을 확인하였다.
• 딥러닝 모델이 생성한 매개변수 이미지는 특히 간에서 담낭이 명확하게 구분되는 등 기존 곡선 피팅 대비 더 현실적인 공간 분포를 보였다.
• 딥러닝 모델은 기존 곡선 피팅보다 훨씬 더 빠르게 작동하여 실시간 또는 근접 실시간 매개변수 영상 가능성을 확보하였다.
• K1, k2, k3, VB의 예측 결과는 기준 곡선 피팅 결과와 합리적인 일치를 보였지만, 비장에서의 K1 및 신장에서의 k2는 신뢰구간을 벗어나는 경향을 보였다.
• 심장 및 대동맥에서 VB의 과소추정(각각 0.376 및 0.622)은 운동 아티팩트가 정확도에 영향을 미치며, 특히 고운동 영역에서 심각한 영향을 미칠 수 있음을 시사한다.
• 지표가 없음에도 불구하고 제안된 방법이 기존 접근법보다 더 생리학적으로 타당한 매개변수 이미지를 생성하여 정성적으로 더 우수한 일致성을 보였다.