⚡ 전기공학

Quantitative comparison of CT-free attenuation correction frameworks of PET imaging in LAFOV PET/CT systems

본 연구는 LAFOV PET/CT 시스템을 위한 6가지 CT-free 감쇠 보정 프레임워크에 대한 통합된, CT-독립적인 평가를 제시하며, 딥러닝 생성 감쇠 맵과 MLACF 향상을 결면한 하이브리드 접근 방식이 가장 높은 정량적 정확도를 달성하는 동시에 외부 저감쇠 물체가 PET 정량화에 미치는 상당한 영향을 강조한다는 것을 입증한다.

원저자: Konstantinos D. Vrakidis, Maqsood M. Yaqub, Mohammadreza Teimoorisichani, Charlotte L.C. Smith, Marijke E. den Hollander, Catharina W. Menke-van der Houven van Oordt, Idris Bahce, Josee M. Zijlstra, G

게시일 2026-10-02

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Konstantinos D. Vrakidis, Maqsood M. Yaqub, Mohammadreza Teimoorisichani, Charlotte L.C. Smith, Marijke E. den Hollander, Catharina W. Menke-van der Houven van Oordt, Idris Bahce, Josee M. Zijlstra, Gerben J.C. Zwezerijnen, Ronald Boellaard

원본 논문은 CC BY 4.0 (https://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 신체가 세포 수준에서 어떻게 기능하는지 보기 위해 양전자 방출 단층 촬영, 즉 PET라고 불리는 기술을 자주 사용합니다. 이를 위해 환자에게 소량의 방사성 추적자를 투여하며, 이 추적자는 종양과 같이 활동이 높은 영역을 밝게 비춥니다. 그러나 이 신호가 감지를 위해 몸을 통과하여 전달되는 동안, 뼈, 근육, 지방과 같은 조직에 의해 약화되거나 흡수됩니다. 정확한 영상을 만들기 위해 컴퓨터는 인체가 이러한 신호를 얼마나 차단하는지 정확히 알아야 합니다. 전통적으로 이는 PET 검사 직전에 컴퓨터 단층 촬영이라 불리는 빠른 X선 스캔을 찍는 방식으로 이루어졌습니다. CT 스캔은 인체의 밀도 지도를 제공하여 컴퓨터가 PET 영상을 보정할 수 있게 해줍니다.

저선량 CT 스캔에서 나오는 방사선은 일반적으로 안전하다고 간주되지만, 여면 환자가 받는 총 노출량에 더해지는 추가적인 방사선량입니다. 이는 훨씬 적은 양의 방사성 추적자를 사용하여 고품질 영상을 생성할 수 있는 최신 세대의 PET 스캐너에서는 더욱 중요한 문제가 됩니다. PET 부분이 이제 매우 부드러워졌기 때문에, 한때 전체 방사선량의 미미한 기여자였던 CT 부분이 오히려 가장 큰 노출원이 될 수 있습니다. 이로 인해 연구자들은 다음과 같은 중요한 질문을 던지게 되었습니다. CT 스캔을 전혀 사용하지 않고도 정확한 PET 영상을 만들 수 있는가? 만약 가능하다면, 추가적인 방사선을 완전히 제거하여 어린이, 임산부, 또는 빈번한 모니터링이 필요한 사람들에게 더 안전한 검사를 제공할 수 있습니다.

암스테르담 UMC의 연구팀은 Siemens Healthineers의 동료들과 협력하여 이 질문에 답하기 위해 여러 가지 "CT 없는(CT-free)" 영상 제작 방법을 테스트했습니다. 그들은 앞서 언급한 초저선량 이미징이 가능한 매우 긴 시야 영역을 가진 새로운 유형의 스캐너에 집중했습니다. 연구진은 CT 스캔의 밀도 지도를 다른 무언가로 대체할 수 있는지 알고 싶어 했습니다. 그들은 두 가지 주요 접근 방식을 테스트했습니다. 첫 번째는 스캐너 자체의 내부 배경 방사선을 사용하여 신체 지도를 구축하는 물리 기반 방식이었습니다. 두 번째는 인공지능 방식이었는데, 이는 컴퓨터 프로그램이 오직 보정되지 않은 PET 영상만을 바탕으로 신체의 밀도를 추측하는 방식이었습니다. 또한 그들은 이러한 추측을 고급 수학적 알고리즘과 결합하여 결과를 정교하게 다듬는 하이브리드 버전들도 테스트했습니다.

공정한 테스트를 위해 연구팀은 표준 PET 스캔을 거친 12명의 실제 환자 데이터를 사용했습니다. 그들은 좋은 사례만을 골라내지 않았고, 환자의 움직임이나 금속 임플란트가 포함된 가공되지 않은 원본 데이터를 그대로 사용했습니다. 그들은 여섯 가지의 서로 다른 CT-free 방법으로 생성된 영상을 표준 CT를 사용한 영상과 비교했습니다. 목표는 밝기 측면에서 새로운 방법들이 전통적인 방식과 얼마나 유사한지, 특히 건강한 장기와 암 병변에서의 밝기를 확인하는 것이었습니다.

결과는 인공지능 접근 방식이 물리 기반 방식보다 훨씬 우수하다는 것을 보여주었습니다. AI 생성 영상은 표준 CT 기반 영상에 훨씬 더 가까웠으며, 밝기 차이는 미미했습니다. 그러나 AI 방식에는 특정 약점이 있었는데, 영상으로부터 밀도를 추측해야 하기 때문에 금속 임플란트나 체내 공기 주머니와 같은 세부 사항을 놓치는 경우가 있었습니다. 연구진이 AI 방식에 수학적 정밀화 알고리즘을 결합했을 때 결과는 더욱 개선되었습니다. 이 하이브리드 접근 방식은 금속이나 공기 주머니 누락과 같은 작은 오류들을 성공적으로 수정하였고, 테스트된 모든 방법 중 가장 정확한 영상을 만들어냈습니다.

이러한 성공에도 불구하고, 연구는 모든 CT-free 방식에 영향을 미치는 중대한 문제를 발견했습니다: 바로 신체 외부 물체의 존재입니다. 환자가 검사 중에 착용하거나 누워 있는 베개, 담요, 옷 등은 방사성 추적자를 포함하지 않기 때문에 PET 영상에 나타나지 않습니다. 표준 CT 스캔에서는 이러한 물체들이 명확히 보이며 그 효과가 보정됩니다. 하지만 CT-free 방식에서 컴퓨터는 이들이 그곳에 있다는 사실을 알지 못합니다. 연구진은 이러한 항목들을 무시하는 것이 최종 영상의 밝기를 지속적으로 과소평가하게 만든다는 것을 발견했으며, 오차는 평균 약 6%였습니다. 이는 기술이 인체 자체를 매핑하는 데는 매우 뛰어나지고 있지만, 환자 주변의 환경을 고려하는 데는 여전히 어려움을 겪고 있음을 시사합니다.

또한 연구는 타이밍의 중요성을 강조했습니다. 일부 스캔에서는 CT 스캔과 PET 스캔 사이에 긴 간격이 있어 환자가 약간 움직일 수 있었습니다. 이 움직임은 표준 CT 기반 영상이 PET 데이터와 약간 어긋나게 만들어, 참조 영상 자체에 오류를 일으켰습니다. 반면, PET 데이터만으로 생성되는 CT-free 방식은 환자의 위치와 완벽하게 일치했습니다. 이러한 경우, CT-free 영상은 움직임으로 인해 왜곡된 표준 방식보다 환자의 실제 해부학적 구조와 더 일관성을 보였습니다. 이는 환자가 완벽하게 가만히 있기 어려운 경우, CT-free 방식이 비록 아직 완벽하지는 않더라도 더 신뢰할 수 있는 그림을 제공할 수 있음을 시사합니다나.

궁극적으로, 이 연구는 인공지능을 사용하여 신체 밀도를 추측하고 물리 기반 수학으로 그 추측을 정교하게 다듬는 하이브리드 시스템이 CT-free PET 이미징을 향한 가장 유망한 길임을 나타냅니다. 이는 가장 높은 정확도와 CT 스캔의 추가 방사선량을 제거할 수 있는 최선의 가능성을 제공합니다. 그러나 연구진은 이 기술이 광범위한 임상 현장에서 사용될 준비가 되려면, 미래의 발전이 의복이나 베개와 같은 외부 물체를 정확하게 고려하는 방법을 찾아야 한다고 강조합니다. 이러한 물체들이 올바르게 처리되지 않는 한, 이들은 진단에 작지만 측정 가능한 오류를 계속해서 유발할 것입니다. 이 연구는 완전한 방사선 없는 PET 스캔이라는 꿈이 손에 닿을 듯 가깝지만, 마지막 단계는 환자가 어떻게 배치되고 검사 중에 무엇을 착용하는지와 같은 실질적인 세부 사항을 해결하는 데 달려 있음을 보여줍니다.

기술 요약: LAFOV PET/CT에서 CT-free 감쇠 보정 프레임워크의 정량적 비교

문제 제기
장축 시야(LAFOV) PET/CT 시스템의 등장은 주입되는 방사성 의약품의 양을 크게 줄이면서도 진단 품질의 영상을 가능하게 했습니다. 이는 PET 구성 요소로부터 발생하는 방사선 피폭을 줄여주지만, 전체 환자 방사선 선량에서 CT 구성 요소가 차지하는 상대적 비중을 높입니다. 또한, CT 기반 감쇠 보정(AC)은 여전히 이온화 방사선의 원인이 되며, 움직임 불일치, 금속 아티팩트, 광자 결핍(photon starvation)으로 인한 정량적 오류에 취약합니다. 결과적으로, CT-free PET 프레임워크에 대한 관심이 높아지고 있습니다. 그러나 기존 문헌에는 이러한 프레임워크에 대한 통일되고 직접적인 비교가 부족합니다. 이전 연구들은 환자 베드 배치(patient bed placement)를 위해 스캔 전용 CT 데이터를 사용하거나, 정렬 불량을 교정하기 위해 영상 등록(image registration)을 사용하는 등 평가 방법론이 서로 달라, 진정한 CT-free 성능을 평가하는 데 어려움이 있습니다. 또한, 환자 신체 외부의 저감쇠 물체(LAO, 예: 고정 장치, 의류)가 정량화에 미치는 영향은 흔히 다뤄지지 않고 있습니다.

방법론
본 연구는 Biograph Vision Quadra LAFOV PET/CT 시스템을 사용하여, CT-independent한 방식으로 6가지 서로 다른 CT-free 감쇠 보정 프레임워크를 CT-based 참조 모델과 대조하여 직접 비교하는 헤드 투 헤드(head-to-head), 통합적 평가를 수행했습니다.

데이터: 본 연구는 표준 임상 프로토콜과 특정 투과 스캔을 모두 수행한 12명의 종양학 환자에 대한 회고적 데이터셋을 활용했습니다. 데이터셋에는 두 가지 프로토콜이 포함되었습니다: 단기 간격 프로토콜(LD-CT 후 즉시 8분간 정적 PET 수행) 및 장기 간격 프로토콜(LD-CT 후 70분간 동적 PET 수행, 5분간 LSO-Tx 스캔 수행). 별도의 114명 환자 코호트는 AI 구성 요소의 학습을 위해서만 사용되었습니다.
조사된 프레임워크: 조사된 6가지 CT-free 접근 방식은 다음과 같이 공동 재구성(joint-reconstruction) 알고리즘에 의해 강화된 두 가지 주요 범주로 그룹화되었습니다:
1. 물리 기반 (LSO-Tx): 루테튬 옥시오설파이드(LSO) 결정의 고유 배경 방사선을 활용하여 투과 스캔( $\mu_{LSO-Tx}$ )을 생성합니다. 이는 MLAA(Maximum Likelihood Activity and Attenuation) 또는 MLACF(Maximum Likelihood Activity and Attenuation Correction Factors) 알고리즘을 사용하여 추가 처리됩니다.
2. 데이터 기반 (AI/CNN): 3D 어텐션 게이트형 U-Net을 사용하여 비감쇠 보정(NAC) PET 영상으로부터 직접 감쇠 맵( $\mu_{CNN}$ )을 합성합니다. 이 역시 MLAA 및 MLACF 알고리즘을 통해 유사하게 강화됩니다.
3. 참조 (Reference): 최대 우도 투과 재구성(MLTR)을 통해 재구성된 저선량 CT(LD-CT)를 사용하는 표준 CT 기반 프레임워크입니다.
평가 지표: 성능은 관심 영역(VOI) 내의 건강한 조직 및 병변에서 추출된 표준 섭취 계수 평균( $SUV_{mean}$ )을 사용하여 평가되었습니다. 지표로는 편향(bias, 평균/중앙값 차이), 분산(variance, 표준 편차), 편향과 분산을 결합한 제곱합 루트(RSS), 변동 계수(CV), 그리고 대조도-잡음비(CNR)가 포함되었습니다.
특정 조사 사항: 본 연구는 CT-free $\mu$ -맵에서 저감쇠 물체(LAO)의 부재로 인해 발생하는 정량화 편향을 정량화하기 위해, CT 기반 감쇠 값을 외부 물체에 수동으로 삽입하여 그 영향을 명시적으로 조사했습니다.

주요 기여

통합적 비교: 본 연구는 동일한 환자 데이터셋을 사용하고 CT-free 방식에 대해 엄격하게 CT-independent한 워크플로우를 적용함으로써, 물리 기반(LSO-Tx), 데이터 기반(CNN), 하이브리드(AI + MLAA/MLACF) 프레임워크를 직접 비교하는 드문 사례를 제공합니다.
LAO 영향의 정량화: 본 연구는 기존 문헌에서 자주 간과되는 요소인 저감쇠 물체(예: 베개, 의류)에 의한 상당한 정량화 편향을 명시적으로 정량화했습니다.
하이브리드 프레임워크 검증: 딥러닝 기반 $\mu$ -맵 합성 기술을 물리 기반 MLACF 강화와 결합하는 것이 단독 접근 방식보다 우수한 정량적 정확도를 제공함을 입증했습니다.
움직임 민감도 분석: 본 연구는 CT와 PET 획득 사이의 긴 시간 간격(동적 프로토콜에서 흔함)이 CT 기반 참조 모델의 정렬 문제를 악화시키는 반면, CT-free 방식은 PET 방출 데이터와 공간적 정렬을 유지한다는 점을 강조합니다.

결과

정량적 정확도: CNN 기반 프레임워크는 LSO-Tx 기반 방식에 비해 현저히 낮은 $SUV_{mean}$ $S U V_{m e an}$ 편향을 보였습니다.
- 단독 CNN: -9±7% 편향 (평균 ± SD).
- CNN + MLAA: -12±13% 편향 (평균 ± SD).
- CNN + MLACF: -1.6±10.2% 편향 (평균 ± SD).
- LSO-Tx 단독: 29±29% 편향 (평균 ± SD).
- LSO-Tx + MLAA: 26±100% 편향 (평균 ± SD).
- LSO-Tx + MLACF: 15±15% 편향 (평균 ± SD).
하이브리드 성능: 하이브리드 프레임워크(CNN + MLACF)는 모든 VOI에서 CT-based 참조 모델과 가장 높은 일치도를 보였으며, 중앙값 차이는 -2.6% (-7.3%, 3.4%)였습니다.
아티팩트 교정: 단독 CNN 맵은 내부 공기 구멍이나 금속 임플란트를 놓치는 경우가 있었으나, MLACF의 추가로 이러한 국소적 부정확성이 부분적으로 교정되었습니다. 반대로, LSO-Tx 방식은 고섭취 영역(예: 방광, 뇌)에서 $\mu$ -값의 과대평가 및 크로스토크(cross-talk) 아티팩트를 보였으며, 이는 MLACF에 의해 일부 완화되었으나 완전히 제거되지는 않았습니다.
저감쇠 물체 (LAOs): CT-free $\mu$ -맵에서 LAO의 부재는 약 5.9% (3.5%, 8.3%)의 중앙값 $SUV_{mean}$ 저평가를 초래했습니다. 이러한 물체들에 대한 CT 기반 값을 수동으로 삽 la입했을 때, 편향이 유의미하게 감소했습니다 (예: CNN 프레임워크의 병변에 대해 -3.8%).
움직임 및 정렬: 장기 간격 코호트에서 70%의 스캔이 가시적인 PET-CT 정렬 불량을 보였습니다. CT-free 프레임워크는 PET 데이터와 정렬을 유지한 반면, CT-based 참조 모델은 정렬 오류를 겪었습니다. 이는 CT-free 방식이 참조 모델의 편향에도 불구하고 동적 또는 장기 간격 시나리오에서 더 견고할 수 있음을 시사합니다.

의의 및 주장
저자들은 조사된 프레임워크 중 NAC-PET 기반 딥러닝과 MLACF 강화를 결합한 하이브리드 접근 방식이 LAFOV PET 영상에서 가장 높은 정량적 정확도를 달ach성한다고 결론지었습니다. 본 연구는 물리 기반 강화가 거친 $\mu$ -맵 오류(금속이나 공기 누락 등)를 교정할 수는 있지만, 현재의 CT-free 프레임워크의 가장 결정적인 한계는 환자 외부의 저감쇠 물체를 고려하지 못한다는 점임을 강조합니다. 논문은 CT-free PET 프레임워크의 향후 개발 및 평가 시, 상당한 정량적 편향을 피하기 위해 이러한 외부 물체를 명시적으로 다루고 처리해야 한다고 주장합니다. 나아가, 본 연구는 방출 전용(emission-only) 접근 방식이 환자의 움직임이나 긴 획득 간격이 포함된 시나리오에서 (외부 물체 문제가 해결된다면) CT-based 방식보다 잠재적으로 더 나은 공간적 정렬 이점을 제공할 수 있음을 시사합니다.

유사한 논문