Synthesizing Neuro MRI from PET/CT using Convolutional Neural Network
두뇌 PET/CT을 사용하여 MR 영상을 합성하는 합성곱 신경망 기반의 방법
- 주제어 (키워드) positron emission tomography , magnetic resonance imaging , computed tomography , multi-modal medical imaging , neuroimaging translation , generative adversarial networks , convolutional neural networks , 양전자방출단층촬영 , 자기공명영상 , 전산화단층촬영 , 다중양식의료영상 , 뇌신경영상변환 , 적대적생성신경망 , 합성곱신경망
- 발행기관 서강대학교 일반대학원
- 지도교수 최용
- 발행년도 2023
- 학위수여년월 2023. 2
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000070255
- UCI I804:11029-000000070255
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
Positron emission tomography (PET) scans are widely performed in conjunction with computer tomography (CT) or magnetic resonance imaging (MRI) because it can provide complementary diagnostic information of various of diseases. However, due to repeated PET/CT and MRI examinations, patient's inconvenience and diagnostic costs are increased. The purpose of this study was to synthesize fluid-attenuated inversion recovery (FLAIR) MRI from ¹⁸F-fluorodeoxyglucose (¹⁸F-FDG) PET/CT of human brain using generative adversarial network (GAN) architecture based on Pix2pix and CycleGAN. PET/CT and MR images of the brain of 150 patients were used to examine the possibility of synthesizing MRI from PET/CT. The previous studies took advantage of either unpaired style transfer or paired direct transfer. This study attempted to take advantage of both. The quality of synthesized MRI generated using PET and CT was better than those of PET and CT alone. For peak signal-to-noise ratios (PSNRs), depending on input types (PET-only / CT-only / PET and CT), the mean value was 21.40±0.55 / 21.62±0.99 / 21.99±0.87, respectively. For structural similarity index measures (SSIMs), depending on three input types (PET-only / CT-only / PET and CT), the mean value was 0.800±0.022 / 0.806±0.030 / 0.817±0.027, respectively. The results of this study indicate that it is feasible to synthesize FLAIR MRI from FDG PET/CT images of human brain using deep learning method proposed in this study.
more초록 (요약문)
양전자방출단층촬영(positron emission tomography)은 다양한 질병에 대한 보완적인 진단 정보를 제공하기 위해 전산화단층촬영(computed tomography) 또는 자기공명영상(magnetic resonance imaging)과 병행하여 수행된다. 하지만 반복적인 PET/CT 및 MRI 검사를 위해서는 환자의 불편 및 진단 비용의 증가를 감수해야 한다. 본 연구의 목적은 GAN(generative adversarial network) 기반의 방법을 사용하여 두뇌 FDG(fluorodeoxyglucose) PET/CT 영상으로부터 FLAIR(fluid-attenuated inversion recovery) MRI를 합성하는 것이다. 기존 연구는 주로 Pix2Pix 기반의 지도학습이나 CycleGAN 기반의 비지도학습 중 한 가지의 방법을 사용한다. 이 연구에서는 각 방법의 단점을 보완하기 위해 Pix2Pix 및 CycleGAN를 결합한 신경망 구조를 설계했다. 검증을 위해서, 합성된 영상에 대한 정성적, 정량적 분석을 수행했다. 총 150명의 환자의 뇌에 대해, PET/CT로부터 MRI을 합성하였다. 입력 채널(PET / CT / PET 및 CT)에 따른 PSNR(peak signal-to-noise ratio) 및 SSIM(structural similarity index measure)의 결과값은 각각 21.40 ± 0.55 / 21.62 ± 0.99 / 21.99 ± 0.87 및 0.800 ± 0.022 / 0.806 ± 0.030 / 0.817 ± 0.027 이었다. 본 연구에서는, 두뇌 FDG PET/CT 영상으로부터 FLAIR MRI를 합성하는 방법을 개발하였으며, FLAIR MRI를 합성할 때 CT의 해부학적 정보와 PET의 기능적 정보가 보완적으로 작용한다는 것을 보였다. CT를 이용하여 합성된 FLAIR MRI는 원본 MRI의 해부학적 구조를 잘 보존하고, PET을 이용하여 합성된 MRI의 error map은 더 작은 편차를 보였다. 결과적으로, PET과 CT 모두 이용하여 FLAIR MRI를 합성하였을 경우, 최고 품질을 달성할 수 있었다.
more