Deep Learning Based Scatter and Random Correction for TOF-PET
비행 시간 기술을 이용한 양전자방출단층촬영에서 딥러닝 기반의 산란 및 랜덤 보정 방법
- 주제어 (키워드) Scatter correction , Random correction , Monte-carlo simulation , Deep learning , multi-layer perceptron , SNR , CNR , NRMSE , SSIM , Image quality , Complexity
- 발행기관 서강대학교 일반대학원
- 지도교수 최용
- 발행년도 2024
- 학위수여년월 2024. 2
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제URI http://www.dcollection.net/handler/sogang/000000077239
- UCI I804:11029-000000077239
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록
양전자방출단층촬영에서 정량적으로 우수한 이미지를 얻기 위해서는 산란 및 랜덤 카운트 보정을 수행해야한다. 그러나, 기존 산란 및 랜덤 카운트 보정 방법은 따로 수행해야하기 때문에 시간이 많이 걸리고 프로세스가 복잡하고 성능이 낮다는 단점이 있다. 이러한 문제를 극복하기 위해 딥러닝 기반의 산란 및 랜덤 이벤트를 동시에 수정하고 성능을 향상시키는 새로운 방법을 개발했다. 몬테카를로 시뮬레이션을 사용해 비행 시간 기술을 이용한 양전자방출단층촬영 영상 데이터를 생성했다. 학습데이터는 균일 팬텀 데이터로 생성했고, 검증 데이터는 유타 팬텀과 호프만 팬텀 데이터로 생성했다. 참, 산란, 그리고 랜덤 동시 발생 데이터를 분류하기 위해 다중 분류 예측 모델을 설계 및 구현했다. 유타 팬텀과 호프만 팬텀에서 세 가지 유형의 데이터 (1. 프롬프트 이벤트 데이터 (Prompt), 2. 참 이벤트 데이터 (True), 3. 딥러닝 기반의 산란 및 랜덤 보정 방법으로 분류된 데이터 (DSRC))를 사용해 영상 재구성을 수행했다. 결과는 유타 팬텀 데이터 10 kBq/mL의 방사선량, 300 s의 획득 시간 기준으로 실제 이벤트 분류 정확도 90.0 %, 산란 이벤트 분류 정확도 50.7 %, 랜덤 이벤트 분류 정확도 81.2 %이다. 정확도, 정밀도, 재현율, 그리고 F1 score는 각각 0.86, 0.78, 0.74, 그리고 0.76이다. 기존 방법과 비교했을 때 20%가 향상된 정확도를 보인다. 추가적으로 방사선량과 획득 시간을 다르게 해서 진행한 검증에서도 일관된 결과를 보인다. 이번 연구에서 참, 산란, 그리고 랜덤 카운트를 분류할 수 있는 다중 분류 예측 모델을 구현했고 산란과 랜덤 보정 방법을 하나의 프로세스로 통합했다. 그 결과 딥러닝을 사용한 산란 및 랜덤 이벤트가 효과적이고 정확하게 보정 가능한 방법임을 확인했다.
more초록
Scatter and random corrections must be performed for quantitative PET imaging. The conventional scatter and random corrections have been performed separately, leading to a time-consuming process and increased complexity. To overcome these challenges, a new method was capable of simultaneously correcting both scatter and random events using deep learning. To obtain training and test dataset, a TOF brain PET was simulated using GATE. A uniform phantom was simulated to acquire training data for the deep learning network. Utah phantom and Hoffman phantom were simulated to acquire test data. Multi-layer perceptron (MLP) network was designed and implemented to classify true, scatter and random events from prompt events. Image reconstructions were performed using each of three types of data (1. prompt event data (Prompt), 2. true event data (True), 3. true event data classified by the deep learning-based scatter and random corrections method (DSRC)) for both the Utah and Hoffman phantoms. The true, scatter, and random counts classified by the deep learning and their known counts demonstrated that The classification accuracy was 90.0% for true, 50.7% for scatter, and 81.2% for random with an activity concentration ratio of 10 kBq/mL and an acquisition time of 300 s. The accuracy, precision, recall, and F-1 score were 0.86, 0.78, 0.74, and 0.76, respectively, with an activity concentration ratio of 10 kBq/mL and an acquisition time of 300 s. The qualities of images reconstructed using DSRC were similar to those reconstructed using True, regardless of activity concentrations and acquisition times. In this study, the MLP network capable of classifying true, scatter and random events from prompt events was designed and implemented. The results indicated that scatter and random events was effectively and accurately corrected by using deep learning network
more목차
1. Introduction 1
2. Materials and Methods 3
2.1. PET geometry and phantom simulation 3
2.2. Deep neural network 7
2.3. Image reconstruction 9
2.4. Performance evaluation 10
3. Results 14
3.1. Performance evaluation of training model 14
3.2. Qualitative and Quantitative Analysis of Utah Phantom Image 17
3.3. Qualitative and Quantitative Analysis of Hoffman Phantom Image 23
4. Discussion 24
5. Conclusion 26
Bibliography 27
