심층 신경망을 사용한 양전자 방출 단층 촬영(PET) 이미지

양전자 방출 단층 촬영(PET)/컴퓨터 단층 촬영(CT)은 몇 가지 추적자를 사용하며 그중 FDG(플루오로 데옥시글루코스)가 가장 널리 퍼져 있으며 종양학에서 주요 영상 기법이 되었습니다. PET 및 CT 구성요소는 각각 신진대사 및 해부학적 정보를 반영합니다. PET 이미지는 양전자 방출 동위원소에 의해 생성되는 두 개의 소멸 511 KeV 광자를 감지하는 것을 기반으로 합니다. 획득 시간이 길수록 더 많은 광자가 감지되고 처리되어 이미지 품질이 향상됩니다. 그러나 긴 스캔 시간(일반적으로 스캔당 20-40분)은 환자에게 덜 편리하며 환자의 움직임과 오정렬을 초래할 수 있습니다. 수년에 걸쳐 스캐닝 시간 단축으로 인한 이미지 품질 저하를 보상하기 위해 3D 및 비행 시간 획득과 같은 여러 방법이 개발되었습니다. 최근 여러 연구에서 기계 학습을 사용하여 저품질 이미지에서 진단 이미지를 생성했습니다. Xiang 등은 3분 내에 획득한 뇌의 PET 이미지(즉, 저품질 PET(LPET))를 12분 내에 획득한 표준 PET 이미지(즉, SPET)와 비교했습니다. 그들은 SPET 이미지와 동등한 진단용 PET 이미지를 생성하기 위해 DNN(심층 신경망)을 사용하여 LPET 및 T1 가중치 이미지를 결합했습니다.

우리 연구의 목표는 Sheba 이미징 부서의 CILAB 실험실에서 개발된 DNN 알고리즘을 사용하여 침대 위치당 10초 획득 시간으로 진단용 PET 이미지를 생성하는 것입니다.

이 알고리즘은 이전에 초저선량 흉부 CT 스캔의 노이즈 제거에 대해 성공적으로 검증되어 폐암 검진에 적합합니다. 알고리즘은 LC-NLM(local-consistent non-local means) 알고리즘을 기반으로 합니다.

LC-NLM 알고리즘은 빠른 ANN(approximate Nearest Neighbors)을 사용하여 의도적으로 구축된 데이터베이스에서 입력 이미지의 각 노이즈 패치에 대해 가장 유사한 높은 SNR 패치를 찾습니다(Green et al.). LC-NLM을 완전히 학습 가능하고 로컬에서 일관된 비로컬 블록(LC-NLB)으로 쌓기 위해 비로컬 신경망(Wang et al.)을 도입했습니다. 원래의 비로컬 네트워크는 고전적인 비로컬 수단(NLM) 알고리즘(Buades et al.)의 아이디어를 신경망 블록으로 결합하여 모든 위치에서 기능의 가중 합으로 특정 위치에서 출력을 계산합니다. .