Two-stage deep learning framework for the restoration of incomplete-ring PET images

기술 요약: 불완전 링 PET 복원을 위한 2 단계 딥러닝 프레임워크

문제 제기
양전자 방출 단층촬영 (PET) 은 일반적으로 완전한 360° 검출기 링에 의존하여 전체 각도 커버리지와 신뢰할 수 있는 데이터 수집을 보장합니다. 그러나 하드웨어 고장, 비용 제약, 또는 유방 영상, 빔 내 치료 모니터링, 개방형 뇌 스캐너와 같은 특정 임상적 필요로 인해 불완전 링 PET 스캐너가 점점 더 많이 활용되고 있습니다. 이러한 시스템은 데이터 불완전성과 기하학적 불일치로 인해 고통받으며, 이는 필터링 역투영 (Filtered Back-Projection) 이나 MLEM 과 같은 표준 재구성 알고리즘이 뚜렷한 줄무늬 아티팩트와 비균일한 분해능으로 인해 비효율적이게 만듭니다. 시간 비행 (TOF) 기능은 부분적인 완화를 제공하지만 심각한 각도 결손을 완전히 보상할 수는 없습니다. 이전의 딥러닝 접근법은 주로 경미한 데이터 손실 (최대 약 25% 의 우연 일치 손실) 을 다루거나 불안정한 생성적 적대 신경망 (GAN) 과 느린 명시적 가능도 모델에 의존해 왔습니다. TOF 정보 없이 약 50% 의 누락된 우연 일치 데이터에서 고품질 이미지를 복원할 수 있는 강력한 방법의 부재가 존재합니다.

방법론
저자들은 불완전 링 데이터에서 고품질 PET 이미지를 복원하도록 설계된 2 단계 딥러닝 프레임워크를 제안합니다. 이 파이프라인은 TOF 정보를 포함하지 않고 다음과 같이 진행됩니다:

1. 1 단계: 시노그램 복원 (투영 도메인)

   • 입력 전략: 시스템은 5 채널 입력 전략을 활용합니다. 중앙 채널은 현재 시노그램 슬라이스를 나타내는 반면, 나머지 4 개 채널은 인접 슬라이스 ($j-1, j+1$) 의 공간적 맥락과 인접 시노그램 기간 ($j-R, j+R$) 의 시간적 맥락을 통합합니다.
   • 아키텍처: 시노그램의 누락된 부분을 예측하기 위해 Attention U-Net이 사용됩니다. 표준 U-Net 과 달리, 이 아키텍처는 스킵 연결에 어텐션 게이트 (AG) 모듈을 통합합니다. 이러한 모듈은 중요한 구조적 특징을 적응적으로 강조하고 관련 없는 영역을 억제하여 모델이 누락된 각도 데이터 주변의 구조적 연속성에 집중할 수 있게 합니다.
   • 학습: 모델은 혼합 정밀도 (mixed precision) 와 그래디언트 스케일링을 사용하는 Adam 옵티마이저로 학습됩니다. 시노그램 텐서 내의 공간적 및 시간적 상관관계를 활용하여 불완전한 시노그램을 완전한 시노그램으로 매핑하는 법을 학습합니다.

2. 2 단계: 이미지 정제 (이미지 도메인)

   • 초기 재구성: 1 단계에서 완성된 시노그램은 순차 부분 기대 최대화 (OSEM) 알고리즘을 사용하여 예비 이미지로 재구성됩니다.
   • 정제 아키텍처: 캐스케이드된 듀얼 모델 아키텍처가 OSEM 출력을 정제합니다.
     • 3D U-Net이 OSEM 이미지로부터 거친 예측 ($I_P$) 을 생성합니다.
     • 확산 모델(특히 Resfusion 기반 접근법) 이 이미지 정제를 수행합니다. 핵심적으로, 이는 "웜-스타트 (warm-start)" 확산 과정입니다. 순수 가우시안 잡음에서 시작하는 대신, 역확산 과정은 U-Net 의 거친 예측 ($I_P$) 의 잡음 버전에서 시작됩니다.
     • 확산 잡음 제거기 (별도의 U-Net 백본) 는 잔차 ($x_0 - I_P$) 를 예측하도록 학습하며, 이는 거친 예측에 추가되어 최종 고정밀 이미지를 생성합니다.

데이터셋 및 실험 설정

• 데이터 소스: 본 연구는 알츠하이머병 신경영상 이니셔티브 (ADNI) 에서 파생된 613 개의 시뮬레이션 뇌 볼륨 데이터셋을 활용하며, 이는 196 명의 건강한 대조군, 217 명의 알츠하이머병 (AD) 환자, 200 명의 경도 인지 장애 (MCI) 환자로 구성됩니다.
• 시뮬레이션: 커스텀 몬테카를로 시뮬레이션 프레임워크 (SimSET) 가 42 개의 축 방향 링과 링당 182 개의 검출기를 가진 PET 스캐너를 모델링하는 데 사용되었습니다. 특정 검출기 링이나 각도 섹터를 마스킹하여 불완전 링 기하학을 시뮬레이션함으로써, 이전 CNN 기반 벤치마크의 두 배에 해당하는 약 50% 의 우연 일치 손실이 발생했습니다.
• 검증: 연구는 6 폴드 교차 검증을 사용하며 다양한 각도 손실 패턴 (예: 연속적인 간격 vs. 교차 간격) 하에서 성능을 평가합니다.

주요 결과
이 프레임워크는 심각한 데이터 손실 하에서 해부학적 구조와 추적자 분포를 복원하는 데 강력한 성능을 보입니다:

• 정량적 지표: 최종 정제된 이미지는 PSNR 38.18–38.59 dB 및 SSIM 0.9904–0.9925를 달성했습니다.
• 절대성 연구 (Ablation Studies):
  • 1 단계 Attention U-Net 이 가장 중요한 구성 요소입니다. 이를 제거하면 SSIM 이 크게 감소합니다 (OSEM + 3D U-Net 만 사용할 때 0.9925 에서 0.9293 으로 감소).
  • 어텐션 메커니즘은 표준 U-Net, UNETR, TransUNet 보다 우수하여, 기준 U-Net 대비 PSNR 1.24 dB 증가 및 SSIM 0.052 증가를 달성했습니다.
  • 2 단계 확산 정제는 SSIM 을 0.9860(Attention U-Net + OSEM + 3D U-Net) 에서 0.9925 로 크게 향상시켰습니다.
• 시각적 품질: 모델은 대뇌 피질, 기저핵과 같은 주요 해부학적 경계와 고흡수 영역을 성공적으로 보존하여 불완전한 각도 샘플링과 일반적으로 연관된 줄무늬 아티팩트를 효과적으로 완화했습니다.

의의 및 주장
저자들은 이 작업이 CNN 기반 방법들이 처리하지 못했던 (~25% 손실로 제한됨) ~50% 우연 일치 손실의 심각도에서 불완전 링 PET 재구성을 위한 첫 번째 체계적인 벤치마크를 제공한다고 주장합니다.

• 강건성: 이 프레임워크는 TOF 정보 없이 거의 완전한 해부학적 충실도를 달성하여 더 넓은 범위의 하드웨어 구성에 적용 가능하게 합니다.
• 확장성: 모든 스캔에 대해 재최적화가 필요한 비지도 방법과 달리, 이 지도 학습 프레임워크는 높은 처리량 (NVIDIA RTX 4090 에서 볼륨당 약 18.6 초) 을 제공합니다.
• 임상적 관련성: 건강한, AD, MCI 집단을 포괄하는 대규모 다양성 데이터셋 (613 개 볼륨) 에서 검증함으로써, 소규모 팬텀 세트 (예: 20 개 팬텀) 에만 국한된 이전 연구들보다 더 엄격한 통계적 기초를 확립했습니다.

한계 및 향후 방향
이 논문은 겸손하게 몇 가지 한계를 인정합니다:

• 시뮬레이션 충실도: 데이터는 이상화된 몬테카를로 시뮬레이션 (SimSET) 에 기반하며, 상용 스캐너에서 발견되는 결정체 간 (crystal-to-crystal) 변이의 전체 범위를 아직 반영하지 못합니다.
• 해부학적 범위: 검증은 현재 뇌 PET 로 제한되어 있으며, 다른 장기나 공격적인 병리적 흡수 패턴 (예: 국소 종양) 에 대한 성능은 아직 알려져 있지 않습니다.
• 차원성: 네트워크는 이웃 정보로 증강된 2D 슬라이스를 처리하여 일부 진정한 3D 맥락을 희생할 수 있습니다.
• 향후 작업: 저자들은 검증 범위를 더 넓은 병리적 패턴 (특히 빔 내 치료 모니터링용) 으로 확장하고, 더 높은 신뢰도를 위해 GATE 기반 시뮬레이션으로 이전하며, 슬라이스 간 관계를 보존하면서 메모리 비용을 줄이기 위해 하이브리드 3D 접근법 (재귀/트랜스포머 어텐션) 을 탐구하는 것을 우선순위로 삼고 있습니다.