⚡ electrical engineering

Multimodal pseudo-CT synthesis for PET attenuation correction using separate modality encoding and topogram conditioning

본 논문은 별도의 PET 및 MRI 인코더를 FiLM 기반의 토포그램 컨디셔닝과 결합하여 교차 모달 정보를 효과적으로 융합하는 동시에 정밀한 복셀 단위 정렬에 대한 의존도를 최소화함으로써, PET 감쇄 보정을 위한 의사 CT(pseudo-CT) 영상을 생성하는 멀티모달 3D 패치 기반 U-Net을 제시한다.

원저자: Rory Bell, Artemis Bouzaki, Jiaming Cao, Jasmine Morrison, Chelsea Sargeant

게시일 2026-08-25

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Rory Bell, Artemis Bouzaki, Jiaming Cao, Jasmine Morrison, Chelsea Sargeant

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

의료 영상 분야에서 의사들은 인체 내부를 보기 위해 두 가지 강력한 도구에 의존하곤 합니다. 하나는 방사성 추적자를 추적하여 장기가 어떻게 기능하는지를 보여주는 양전자 방출 단층 촬영(PET)이고, 다른 하나는 X선을 사용하여 뼈와 조직의 밀도를 상세한 지도로 만드는 컴퓨터 단층 촬영(CT)입니다. PET 스캔을 유용하게 만들기 위해서는 컴퓨터가 신체 조직이 방사선이 통과할 때 얼마나 많은 양을 차단하거나 흡수할지 정확히 알아야 하며, 이 과정을 감쇄 보정(attenuation correction)이라고 부릅니다. 전통적으로 의사들은 이 밀도 지도를 제공하기 위해 CT 스캔을 사용해 왔습니다. 그러나 CT 스캔은 환자에게 상당한 양의 전리 방사선을 추가로 노출시키는데, 이는 특히 빈번한 모니터링이 필요한 사람들에게 우려되는 부분입니다. 따라서 과제는 환자를 추가적인 X선에 노출시키지 않고, 이미 PET 스캔에 존재하는 정보와 자기공명영상(MRI)만을 사용하여 해당 밀도 지도의 디지털 버전인 '의사 CT(pseudo-CT)'를 만들어내는 것입니다.

맨체스터 대학교의 연구팀은 바로 이러한 능력을 테스트하기 위해 설계된 경연 대회에 참가하여 이 문제를 해결했습니다. 그들은 세 가지 서로 다른 유형의 의료 영상을 동시에 볼 수 있는 정교한 컴퓨터 시스템을 구축했습니다. 이 영상들은 가공되지 않은 PET 스캔, MRI, 그리고 인체의 전체적인 형태를 보여주는 빠른 저선량 X선 스냅샷인 2D 투영 영상(topogram)입니다. 그들의 목표는 기계가 이러한 서로 다른 정보원들을 결합하여, 전체 CT 스캔을 대체할 수 있는 고품질의 3D 조직 밀도 지도를 생성하도록 학습시키는 것이었습니다. 연구진은 각 영상 유형을 다르게 취급하고 그 통찰력을 신중하게 병합함으로써, 별도의 CT 스캔 없이도 더 선명하고 정밀한 PET 영상을 생성할 수 있는 정확한 밀도 지도를 만드는 모델을 만들 수 있다는 것을 발견했습니다.

그들 접근 방식의 핵심은 각 영상의 독특한 특성을 존중하도록 설계된 디지털 아키텍처였습니다. 서로 다른 영상들을 마치 하나의 케이크 층처럼 단순히 쌓아 올리는 기존 방식과 달리, 이 팀은 3D PET와 MRI 데이터가 항상 공간적으로 완벽하게 일치하지 않는다는 점을 인식했습니다. 대신, 그들은 3D PET와 MRI 데이터를 위한 별도의 경로를 구축하여 컴퓨터가 각 모달리티의 특정 특징을 독립적으로 학습할 수 있도록 했습니다. 이러한 별도의 정보 스트림이 시스템 내부로 깊숙이 이동함에 따라, 여러 단계의 세부 수준에서 서로 결합되었습니다. 각 단계에서 시스템은 결합된 정보의 중요도를 가중하는 메커니즘을 사용하여, 불필요한 노이즈는 걸러내면서 PET와 MRI의 가장 유용한 세부 사항들이 보존되도록 했습니다.

2D 투로그램은 3D 볼륨이 아닌 전체 신체를 평면 투영으로 나타내기 때문에 독특한 방식으로 처리되었습니다. 투로그램은 PET나 MRI의 3D 슬라이스와 점 단위로 일치할 수 없으므로, 연구진은 이를 환자의 전반적인 형태와 해부학적 구조를 안내하는 가이드로 사용했습니다. 연구진은 이 2D 영상을 사전 학습된 시스템에 입력하여 신체 형태의 요약을 추출했습니다. 이 요약 정보는 메인 3D 처리 경로를 부드럽게 밀거나 조정하는 데 사용되었는데, 이는 시스템에게 "이 환자는 이런 특정 신체 형태를 가지고 있다"라고 알려주는 효과를 주면서도 2D 이미지를 3D 그리드에 강제로 맞추지는 않도록 설계되었습니다. 이 방법은 시스템이 2D 이미지의 전역적 관점을 사용하여 생성된 지도의 국소적 세부 사항을 정교화할 수 있게 해주었으며, 이는 서로 다른 영상 유형 간의 경직된 공간적 정렬을 강요하는 것보다 더 효과적인 기술임이 입증되었습니다.

연구진이 내부 검증 세트의 네 명의 피험자를 대상으로 최종 시스템을 테스트했을 때, 결과는 유망했습니다. 컴퓨터가 생성한 지도는 실제 CT 스캔과 매우 유사했으며, 밀도 값의 평균 차이는 매우 작았습니다. 더 중요한 것은, 이 생성된 지도를 PET 스캔 보정에 사용했을 때 결과 영상이 높은 수준의 정확도를 보였다는 점입니다. 핵심 지표인 표준 섭취 계수(SUV)의 평균 오차는 극도로 낮았으며, 특정 장기에서의 편향도 미미했습니다. 또한 시스템은 이상 징oc을 탐지하는 데 중요한 영역인 뇌에서도 매우 적은 예외치를 보이며 우수한 성능을 나타냈습니다. 이러한 결과는 이 방법이 서로 보완적인 강점들을 성공적으로 통합하여 CT 스캔을 신뢰할 수 있는 대체재로 만들 수 있음을 시示합니다.

연구팀은 또한 이미지를 이동시키거나 회전시켜 실제 환경의 불완전함을 모방하는 등의 추가적인 변형을 훈련 데이터에 더하는 것이 결과를 개선할 수 있는지 탐구했습니다. 그들은 이러한 일반적인 기법들이 도움이 되지 않는다는 것을 발견했습니다. 사실, 변형을 가하지 않은 원래의 데이터로 훈련된 모델이 인위적인 조작을 거친 버전보다 더 나은 성능을 보였습니다. 이는 별도의 경로 인코딩과 2D 투로그램을 다루는 독특한 방식이 포함된 그들의 특정 아키텍처가, 인위적인 기술을 통해 학습을 강제하지 않아도 자연스러운 데이터 변형을 처리할 수 있을 만큼 충분히 견고하다는 것을 의미합니다. 이 연구는 이러한 멀티모달 접근 방식이 기존의 영상 데이터를 영리하게 합성함으로써, CT 스캔의 추가적인 방사선 노출 없이도 고품질의 PET 감쇄 보정을 달성할 수 있는 실행 가능한 경로를 제공한다고 결론짓습니다.

기술 요약: PET 감쇄 보정을 위한 다중 모달 가상 CT 합성

문제 정의
양전자 방출 단층 촬영(PET) 영상에서 전산화 단층 촬영(CT)은 전통적으로 감쇄 보정(AC)을 위해 필수적이다. 그러나 CT의 사용은 환자에게 추가적인 전리 방사선 노출을 유발한다. BIC-MAC 챌린지는 비감쇄 보정 PET(NAC-PET), MRI, 그리고 2D 토포그램으로부터 고품질의 가상 CT를 생성하는 방법을 탐구함으로써 이 문제를 해결하고자 한다. 본 연구의 목표는 75명의 피험자 데이터셋을 활용하여, 전용 CT 스캔 없이도 정확한 PET 재구성을 가능하게 하는 고품질 가상 CT를 합성하는 것이다.

방법론
저자들은 입력 모달리티 간의 불일치를 처리하고 상보적인 정보를 효과적으로 통합하도록 설계된 다중 모달, 3D 패치 기반 U-Net 아키텍처를 제안한다.

모달리티별 인코딩: NAC-PET와 MRI(in-phase 및 out-phase)가 완벽하게 정렬되어 있지 않다는 점을 인식하여, 본 아키텍처는 초기 채널 단위 융합 대신 PET와 MRI를 위한 별도의 3D 인코더를 사용하여 각 모달리티가 통합되기 전에 고유한 특징 표현을 학습할 수 있도록 한다.
다중 스케일 특징 융합: 4개의 인코더 스케일 각각에서 PET와 MRI 인코더의 특징 맵을 채널 단위로 결합(concatenation)한다. 그 후 이들을 $1\times1\times1$ 컨볼루션을 통해 단일 모달리티 채널 너비로 투영한다. 결정적으로, Squeeze-and-Excitation(SE) 게이트가 이러한 융합된 표현의 가중치를 재설정한다. SE 게이트는 전역 평균 풀링(global average pooling), 채널 축소 병목(ratio 4), 그리고 시그모이드 활성화 함수를 사용하여 채널을 적응적으로 재가중함으로써 상보적인 정보가 우선시되도록 한다.
FiLM을 통한 토포그램 컨디셔닝: 전역적인 해부학적 구조 및 신체 형태 정보를 제공하지만 3D 패치와 직접적인 공간적 대응 관계가 없는 2D 토포그램은 별도로 처리된다. 사전 훈련된 ResNet-18(단일 채널 입력을 위해 조정됨)이 256차원 특징 벡터를 추출한다. 공간적 융합 대신, 이 특징들은 Feature-wise Linear Modulation(FiLM)을 통해 공유 U-Net 병목(bottleneck)을 컨디셔닝한다. FiLM 층은 $b' = b(1 + \gamma) + \beta$ (여기서 $b$ 는 PET-MR 병목 특징)로 적용되는 스케일링( $\gamma$ ) 및 시프팅( $\beta$ ) 파라미터를 학습한다. FiM 층은 제로 초기화(zero-initialized)되어, 토포그램의 영향이 항등 매핑(identity mapping)으로부터 점진적으로 학습되도록 보장한다.
디코더 및 재구성: 컨디셔닝된 특징들은 공유 디코더를 통해 재구성된다. 아키텍처는 체커보드 아티팩트(checkerboard artifacts)를 완화하기 위해 전치 컨볼루션(transposed convolutions) 대신 리사이즈 컨볼루션(trilinear upsampling 후 컨볼루션 수행)을 사용한다. 최종 출력은 $[0,1]$ 로의 입력 정규화와 일치하도록 $1\times1\times1$ 컨볼루션과 시그모이드 활성화를 통해 생성된다.

구현 및 훈련 세부 사항

아키텍처: 기본 채널 너비는 32이며, 64, 128, 256, 512 채널의 병목 단계로 확장된다. 블록은 인스턴스 정규화(instance normalization)와 LeakyReLU를 사용하는 두 개의 $3\times3\times3$ 컨볼루션을 활용한다.
데이터 전처리: 볼륨 입력은 강도 정규화(intensity-normalized)된다. NAC-PET와 MRI는 0.5–99.5 백분위수로부터 $[0,1]$ 로 스케일링된다. CT 값은 $[-1000, 2000]$ HU로 클리핑된 후 $[0,1]$ 로 매핑된다. 토포그램은 $224\times224$ 로 크기가 조정된다.
훈련 전략: 모델은 71명의 피험자로 훈련되었으며, 4명은 내부 검증용으로 사용되었다. 양의 전경 샘플링(positive-only foreground sampling)을 사용하여 $64\times64\times64$ 패치를 추출하였다. 모델은 AdamW 옵티마이저를 사용하여 250 에포크 동안 훈련되었으며, L1 손실은 예측 마스크 내에서 평가되었다. 특히, 데이터 증강, 어텐션 기반 융합, 등록(registration) 네트워크를 포함한 광범적인 절제 연구(ablation studies) 결과, 위에서 설명한 증강되지 않은 모델이 전신 CT 평균 절대 오차(MAE) 및 장기 편향(organ bias)에서 가장 우수한 성능을 보였다. 따라서 최종 제출물은 데이터 증강 없이 훈련된 모델을 사용하였다.

결과
최종 모델은 내부 검증 세트에서 강력한 성능을 입증하였다:

CT $\mu$ -map MAE: 0.005454
전신 PET SUV MAE: 0.0379
영역별 PET 장기 편향: 2.45%
뇌 이상치 점수(Brain Outlier Score): 0.024

검증 대상 4명에 대한 생성된 가상 CT의 시각적 검사를 통해, 신체 영역으로 마스킹되었을 때 모델이 해부학적으로 일관된 출력을 생성할 수 있음을 확인하였다.

의의 및 주장
본 논문은 제안된 아키텍처가 모달리티 간의 상보적인 정보를 성공적으로 통합하는 동시에, 모달리티 간의 정밀한 복셀 단위 대응 관계에 대한 의존도를 줄인다고 주장한다. 볼륨 데이터에 대한 별도의 인코더와 FiLM 기반의 토포그램 컨디셔닝을 활용함으로써, 모델은 존재하지 않는 공간적 정렬을 강요하지 않고도 전역적인 해부학적 맥락을 효과적으로 활용한다. 저자들은 이러한 다중 모달 접근 방식이 다운스트림 PET 감쇄 보정을 위한 유망한 성능을 제공하며, 임상 PET 영상에서 방사선 노출을 줄이기 위한 실행 가능한 경로를 제시한다고 결론짓는다.

유사한 논문