[논문 리뷰] 200x Low-dose PET Reconstruction using Deep Learning

Junshen Xu, Enhao Gong외 2명|arXiv (Cornell University)|2017. 12. 12.

Medical Imaging Techniques and Applications참고 문헌 8인용 수 109

한 줄 요약

완전 합성 인코더-디코더 네트워크와 잔여 학습 및 2.5D 다중 슬라이스 입력이 ultra-low-dose 데이터로부터 표준 용량 PET를 재구성하여, 최첨단 디노이징 방법들을 능가합니다.

ABSTRACT

Positron emission tomography (PET) is widely used in various clinical applications, including cancer diagnosis, heart disease and neuro disorders. The use of radioactive tracer in PET imaging raises concerns due to the risk of radiation exposure. To minimize this potential risk in PET imaging, efforts have been made to reduce the amount of radio-tracer usage. However, lowing dose results in low Signal-to-Noise-Ratio (SNR) and loss of information, both of which will heavily affect clinical diagnosis. Besides, the ill-conditioning of low-dose PET image reconstruction makes it a difficult problem for iterative reconstruction algorithms. Previous methods proposed are typically complicated and slow, yet still cannot yield satisfactory results at significantly low dose. Here, we propose a deep learning method to resolve this issue with an encoder-decoder residual deep network with concatenate skip connections. Experiments shows the proposed method can reconstruct low-dose PET image to a standard-dose quality with only two-hundredth dose. Different cost functions for training model are explored. Multi-slice input strategy is introduced to provide the network with more structural information and make it more robust to noise. Evaluation on ultra-low-dose clinical data shows that the proposed method can achieve better result than the state-of-the-art methods and reconstruct images with comparable quality using only 0.5% of the original regular dose.

연구 동기 및 목표

• PET에서 방사성 트레이서 용량을 임상적으로 품질을 해치지 않으면서 감소시키는 동기를 부여합니다.
• 초저용량 데이터(DRF=200)로부터 표준용량 PET를 재구성하기 위한 딥러닝 모델을 개발합니다.
• 구조를 유지하고 노이즈를 줄이기 위해 다중 슬라이스(2.5D) 입력과 잔여/연결된 스킵 연결을 활용합니다.
• 제안된 방법을 in-vivo 데이터에서 최첨단 디노이인징/재구성 기법들과 비교합니다.
• 재구성 품질에 대한 손실 함수, 입력 슬라이스, 네트워크 깊이가 미치는 영향을 분석합니다.

제안 방법

• 대칭 연결(유넷 형태의 스킵 연결)을 포함한 완전 합성 컨볼루션 인코더-디코더를 사용합니다.
• 저용량 이미지와 표준 용량 이미지 간의 잔여를 모델링하기 위해 입력-출력으로의 직접 스킵 연결을 추가하여 잔여 학습을 도입합니다.
• 구조적 맥락을 제공하기 위해 인접 슬라이스를 입력 채널로 쌓아 다중 슬라이스(2.5D) 입력을 채택합니다.
• L1 손실로 학습하여 지각적 품질을 향상시키고 패치 불연속 아티팩트를 줄입니다.
• 9명의 교모세포종 환자 PET/MRI 데이터셋에 대해 LOOCV를 사용하여 평가합니다.
• NLM, BM3D, AC-Net 디노이징 방법들과 비교하고, 스킵 연결, 다중 슬라이스 입력, 네트워크 깊이의 기여를 분석합니다.

실험 결과

연구 질문

• RQ1 DL 모델이 임상적으로 허용 가능한 품질로 ultra-low-dose(DRF=200) 데이터에서 표준 용량 PET를 재구성할 수 있는가?
• RQ2 잔여 및 연결 스킵 연결이 재구성 성능에 미치는 기여도는 무엇인가?
• RQ3 2.5D(다중 슬라이스) 입력이 단일 슬라이스 입력에 비해 잡음에 대한 강인성과 구조 보존에 미치는 영향은 어떠한가?
• RQ4 네트워크 깊이가 재구성 품질에 어떤 영향을 미치며 이 작업에 대해 최적의 깊이는 무엇인가?

주요 결과

슬라이스	NRMSE	PSNR	SSIM
슬라이스 A - 저용량	0.228	30.05	0.917
슬라이스 A - NLM	0.153	33.50	0.958
슬라이스 A - BM3D	0.145	32.98	0.961
슬라이스 A - AC-Net	0.147	33.83	0.960
슬라이스 A - 제안	0.124	35.33	0.974
슬라이스 B - 저용량	0.214	29.58	0.899
슬라이스 B - NLM	0.142	33.13	0.947
슬라이스 B - BM3D	0.189	30.70	0.926
슬라이스 B - AC-Net	0.137	33.50	0.958
슬라이스 B - 제안	0.106	35.66	0.969

• 제안된 방법은 LOOCV에서 NLM, BM3D, AC-Net를 상대로 9명의 모든 피험자에서 가장 우수한 정량적 성능을 달성합니다.
• 대표 슬라이스 전체에서 제안된 방법은 NRMSE를 더 낮추고 PSNR과 SSIM을 더 높게 보였습니다(슬라이스 A: 저용량 0.228/30.05/0.917; NLM 0.153/33.50/0.958; BM3D 0.145/32.98/0.961; AC-Net 0.147/33.83/0.960; 제안 0.124/35.33/0.974; 슬라이스 B: 저용량 0.214/29.58/0.899; NLM 0.142/33.13/0.947; BM3D 0.189/30.70/0.926; AC-Net 0.137/33.50/0.958; 제안 0.106/35.66/0.969).
• 모델이 잔여 및 연결 스킵 연결 모두를 갖출 때 가장 성능이 우수하며, 어느 한 형태를 제거하면 성능이 저하됩니다.
• 3-slince(2.5D) 입력을 사용하는 것이 단일 슬라이스 입력보다 결과를 크게 개선하며, 세 슬라이스를 넘어서 추가 슬라이스를 사용해도 회귀 이익이 감소합니다.
• 깊이 분석 결과 풀링 층이 3개이고 풀링 사이에 두 개의 컨볼루션(n_p=3, n_c=2)을 갖는 아키텍처가 평균 NRMSE/PSNR/SSIM에서 최적의 성능을 보였습니다.
• 네트워크는 전통적 디노이징 방법에 비해 평균 19 ms/256x256 이미지의 우수한 추론 속도를 보여줍니다.