Deep Learning-Based Simultaneous Separation of Overlapping Projection Data and Attenuation and Scatter Correction for Multi-Pinhole SPECT

당신이 안개가 자욱하고 벽이 두꺼운 동굴 속에 숨겨진 비밀스러운 보물을 완벽하게 사진으로 찍으려 한다고 상상해 보십시오. 의료 영상의 세계에서 이 "보물"은 환자의 몸속에 있는 미세한 방사성 추적자의 신호이며, "카메라"는 SPECT(단일 광자 방출 컴퓨터 단층 촬영)라고 불리는 기계입니다. 보통 선명한 사진을 얻기 위해 의사들은 콜리메이터(collimator)라는 특수한 필터를 사용하는데, 이는 마치 작은 터널들처럼 작동하여 감마선(또는 빛)이 직선으로만 통과할 수 있게 해줍니다. 하지만 여기에는 함정이 있습니다. 정말 날카롭고 선명한 이미지를 얻으려면 이 터널이 아주 많이 필요합니다. 하지만 이 터널들을 너무 빽빽하게 배치하면, 마치 만화경을 보는 것처럼 패턴들이 뒤섞여 혼란스러운 덩어리가 되어 시야가 서로 겹치기 시작합니다. 게다가 동굴 벽(환자의 몸)은 광선을 흡수하거나 사방으로 튕겨내어 사진을 흐릿하고 어둡게 만듭니다. 수십 년 동안, 이 흐릿하고 겹쳐진 엉망인 상태를 해결하기 위해서는 동굴 벽을 그려내는 데 필요한 두 번째의 위험한 X선 스캔을 추가로 찍어야 했으며, 이는 추가적인 방사선 노출과 비용을 발생시켰습니다. 과학자들은 그 추가적인 X선 없이도 이 엉킨 실타래를 풀고 안개를 제거할 방법을 찾아왔으며, 이를 통해 카메라를 더 빠르고, 저렴하고, 안전하게 만들기를 희망해 왔습니다.

이 논문은 합성곱 신경망(CNN)이라는 유형의 인공지능을 사용하는 영리한 새로운 기술을 소개합니다. CNN은 시각적 퍼즐을 풀도록 훈련된 매우 똑똑한 디지털 탐정과 같습니다. 44개의 핀홀(작은 터널)이 장착된 고정형 SPECT 시스템을 연구하는 연구진은 두 가지 문제에 직면했습니다. 하나는 44개 구멍에서 나오는 시야가 엉킨 실타래처럼 겹친다는 것이고, 다른 하나는 방사선이 환자의 몸에 의해 왜곡된다는 것이었습니다. 복잡한 수학 계산을 통해 실타래를 푸는 대신, 그들은 AI 탐정에게 새로운 게임을 가르쳤습니다. 그들은 AI에게 "엉망인" 입력값, 즉 뇌 내부에서 감마선이 튕겨 나가고 흡수되는 과정을 시뮬레이션하여 생성된 겹치고 흐릿하며 노이즈가 섞인 데이터를 제공했습니다. 그다음, AI에게 "완벽한" 목표물, 즉 겹침이나 흐림, 노이즈가 전혀 없는 상태의 이미지가 어떠해야 하는지를 보여주었습니다. 수천 개의 시뮬레이션된 뇌 사례를 통해 연습하면서, AI는 엉킨 실타래를 즉각적으로 깔끔한 개별 실로 분리하는 동시에 안개와 노이즈를 닦아내는 법을 배웠습니다.

이 시뮬레이션 결과는 상당히 유망했습니다. 연구진이 뇌 영상을 테스트했을 때, AI는 44개 핀홀로부터 오는 겹쳐진 투영 영상을 성공적으로 풀어냈고, 추가적인 X선 지도 없이도 물리적 왜곡을 교정했습니다. AI는 기존 방식보다 훨씬 더 선명하고 정확한 이미지를 만들어냈습니다. 예를 들어, 이 새로운 방법은 18.38 ± 0.79 dB의 "최대 신호 대 잡음비"(이미지 선명도를 측정하는 척도)를 달성했는데, 이는 겹침이 발생하지 않는 11개 핀홀 시스템(15.54 ± 1.35 dB)이나 표준 팬 빔(fan-beam) 카메라(15.9 आव 1.12 dB)보다 더 나은 수치였습니다. 또한, 이 연구는 전통적인 기법인 무어(Moore) 보정법과도 비교되었습니다. AI 방식은 11개 핀홀 설정의 0.24 ± 0.06 NMSE(정규화된 평균 제곱 오차)에 비해 훨씬 더 날카로운 이미지를 생성하며 0.18 ± 0.02의 NMSE를 달 기록했습니다.

하지만, 이러한 결과가 아직 컴퓨터 시뮬레이션으로부터 나온 것이며 실제 환자를 대상으로 한 것은 아니라는 점을 기억하는 것이 중요합니다. 연구진은 특정 양의 방사성 추적물(370 MBq)을 가진 뇌를 시뮬레이션했고, 44개의 핀홀을 가진 가상의 카메라를 사용했습니다. 그들은 AI가 44개 핀홀의 "엉망인" 데이터를 처리할 수 있었지만, 카메라가 아주 조금 움직이는("준정지형" 설정, 검출기가 60도 회전함) 환경에서 작동할 때 남은 아티팩트(왜곡)를 더욱 효과적으로 줄일 수 있다는 것을 발견했습니다. 이 논문은 이미지를 수정하기 위해 별도의 CT 스캔이 필요하다는 생각을 명시적으로 부정합니다. 즉, AI가 스스로 "감쇄 보정"(안개를 제거하는 작업)을 학습했다는 것입니다. 이 방법은 "동굴 벽"이 비교적 균일한 뇌 영상에는 큰 잠재력을 보였지만, 저자들은 밀도가 급격히 변하는 심장과 같은 다른 신체 부위에 적용하기에는 더 까다로울 수 있다고 언급했습니다. 궁극적으로, 이 연구는 똑똑한 AI가 곧 의사들로 하여co 고감도 다핀홀 카메라를 사용하여 CT 스캔의 추가 방사선량 없이도 고품질의 정량적 뇌 영상을 더 빠르게 얻을 수 있게 해줄 것임을 시사하지만, 이 마법이 실제 세상에서도 통하는지 확인하기 위해서는 실제 인간 데이터를 통한 더 많은 테스트가 필요합니다.