핵의학

본문글자크기
  • [J Nucl Med.] Improving the Accuracy of Simultaneously Reconstructed Activity and Attenuation Maps Using Deep Learning.

    [J Nucl Med.] Improving the Accuracy of Simultaneously Reconstructed Activity and Attenuation Maps Using Deep Learning.

    서울대 / 황동휘, 김경윤, 이재성*

  • 출처
    J Nucl Med.
  • 등재일
    2018 Oct
  • 저널이슈번호
    59(10):1624-1629. doi: 10.2967/jnumed.117.202317. Epub 2018 Feb 15.
  • 내용

    바로가기  >

    기존 기법으로 얻은 감쇠영상 (MLAA), 본 논문에서 제안한 딥러닝 결과들 (CAE, U-net, Hybrid), 그리고 ground truth (CT)의 비교

    본 논문에서 제안한 방법들이 기존 기법에 비해 잡음과 crosstalk artifact (붉은 화살표)을 감소시키며, 두개골 (노란 화살표)에서 정확한 두께와 보정계수 값을 얻는 것을 확인할 수 있었습니다.

     

    Abstract
    Simultaneous reconstruction of activity and attenuation using the maximum-likelihood reconstruction of activity and attenuation (MLAA) augmented by time-of-flight information is a promising method for PET attenuation correction. However, it still suffers from several problems, including crosstalk artifacts, slow convergence speed, and noisy attenuation maps (μ-maps). In this work, we developed deep convolutional neural networks (CNNs) to overcome these MLAA limitations, and we verified their feasibility using a clinical brain PET dataset. Methods: We applied the proposed method to one of the most challenging PET cases for simultaneous image reconstruction (18F-fluorinated-N-3-fluoropropyl-2-β-carboxymethoxy-3-β-(4-iodophenyl)nortropane [18F-FP-CIT] PET scans with highly specific binding to striatum of the brain). Three different CNN architectures (convolutional autoencoder [CAE], Unet, and Hybrid of CAE) were designed and trained to learn a CT-derived μ-map (μ-CT) from the MLAA-generated activity distribution and μ-map (μ-MLAA). The PET/CT data of 40 patients with suspected Parkinson disease were used for 5-fold cross-validation. For the training of CNNs, 800,000 transverse PET and CT slices augmented from 32 patient datasets were used. The similarity to μ-CT of the CNN-generated μ-maps (μ-CAE, μ-Unet, and μ-Hybrid) and μ-MLAA was compared using Dice similarity coefficients. In addition, we compared the activity concentration of specific (striatum) and nonspecific (cerebellum and occipital cortex) binding regions and the binding ratios in the striatum in the PET activity images reconstructed using those μ-maps. Results: The CNNs generated less noisy and more uniform μ-maps than the original μ-MLAA. Moreover, the air cavities and bones were better resolved in the proposed CNN outputs. In addition, the proposed deep learning approach was useful for mitigating the crosstalk problem in the MLAA reconstruction. The Hybrid network of CAE and Unet yielded the most similar μ-maps to μ-CT (Dice similarity coefficient in the whole head = 0.79 in the bone and 0.72 in air cavities), resulting in only about a 5% error in activity and binding ratio quantification. Conclusion: The proposed deep learning approach is promising for accurate attenuation correction of activity distribution in time-of-flight PET systems.

     


    Author information

    Hwang D1,2, Kim KY1,2, Kang SK1,2, Seo S3, Paeng JC2,4, Lee DS2,4,5, Lee JS6,2,4.
    1
    Department of Biomedical Sciences, Seoul National University, Seoul, Korea.
    2
    Department of Nuclear Medicine, Seoul National University, Seoul, Korea.
    3
    Department of Neuroscience, College of Medicine, Gachon University, Incheon, Korea.
    4
    Institute of Radiation Medicine, Medical Research Center, Seoul National University, Seoul, Korea; and.
    5
    Department of Molecular Medicine and Biopharmaceutical Sciences, Graduate School of Convergence Science and Technology, Seoul National University, Suwon, Korea.
    6
    Department of Biomedical Sciences, Seoul National University, Seoul, Korea jaes@snu.ac.kr.

     

    이달의 연구자로 바로가기

  • 키워드
    crosstalk; deep learning; denoising; quantification; simultaneous reconstruction
  • 연구소개
    PET에서 감쇠보정 (attneuation correction)은 정확한 영상을 얻고 분석하는데 매우 중요합니다. PET과 PET/MRI 등에서는 PET/CT에서의 CT를 이용한 정확한 감쇠보정이 불가능하기 때문에, 다양한 기법이 제안되고 있으나 여전히 CT를 이용한 감쇠보정의 정확도는 따라가지 못하는 상황입니다. 한 가지 예로는 PET 방출 데이터만으로 감쇠영상과 감쇠보정된 방출영상을 얻을 수 있는 방법인 MLAA 방법을 들 수 있는데요, 심한 잡음과 crosstalk artifact 등으로 인한 정량적 오차가 발생한다는 단점이 있습니다. 본 논문에서는 기존의 방법들의 한계를 극복하게 위해 딥러닝 기법들 (CAE, U-net, Hybrid)를 제안하였습니다. MLAA 방법에서 얻어진 감쇠영상과 감쇠보정된 방출영상을 입력으로 하고, CT에서 얻어진 감쇠보정영상을 결과로 학습하게 하는 모델들을 제안하여 구현하였습니다. 그 결과 정량분석에서 오차를 5% 내외로 줄일 수 있었습니다.
  • 편집위원

    Tme-of-flight PET systems에서 deep learning을 통해 simultaneous attenuation correction을 하는 것은 그 자체로 흥미로운 시도이며 deep learning 적용을 확대시키는 의미 있는 연구라고 생각합니다. 독자들이 관심을 가지고 볼 만한 연구로 추천하고 싶습니다.

    2018-11-14 16:42:05

  • 편집위원2

    핵의학 영상검사 가운데, 가장 임상적 역할이 높은 time of flight 방식으로 획득된 PET 영상검사의 감쇄보정을 convolutional neural network 인공지능을 이용하여 개선시키는 연구임. 연구결과 딥러닝을 이용한 감쇄보정이 더욱 정확한 영상재구성에 도움이 됨을 밝힘. 이러한 새로운 연구는 인공지능연구를 이용한 영상 generation이 핵의학 영상분야 발전에 기여하고 있음을 보여준 연구로, 핵의학 영상판독 분야가 아닌 핵의학 영역에도 인공지능이 기여함을 보여준 연구 결과로 인공지능 알고리듬 개발에 관여하는 연구자와 핵의학 영상분야의 연구자에게 큰 관심을 끌 수 있는 연구로 보임.

    2018-11-14 16:42:29

  • 편집위원3

    딥러닝을 통해 PET system의 정확도를 높일수 있음이 흥미롭고 최근의 추세인 딥러닝, AI 등에 대한 관심 및 임상 적용 가능성이 높은 것으로 생각됨.

    2018-11-14 16:48:56

  • 덧글달기
    덧글달기
       IP : 3.236.145.110

    등록