Unsupervised inter-frame motion correction for whole-body dynamic PET using convolutional long short-term memory in a convolutional neural network

要約

全身ダイナミックPETの被写体の動きは、フレーム間の不一致をもたらし、パラメトリックイメージングに深刻な影響を与えます。
従来の非剛体登録方法は、一般に計算量が多く、時間がかかります。
ディープラーニングのアプローチは、高速で高精度を達成する上で有望ですが、トレーサー分布の変化や全身の範囲を考慮してまだ調査されていません。
この作業では、フレーム間の体の動きを修正するために、教師なし自動深層学習ベースのフレームワークを開発しました。
モーションエスティメーションネットワークは、動的な時間的特徴と空間情報を十分に活用した、畳み込みの長い短期記憶層を組み合わせた畳み込みニューラルネットワークです。
私たちのデータセットには、90分のFDG全身ダイナミックPETスキャンの下でそれぞれ27人の被験者が含まれています。
従来の学習ベースラインと深層学習ベースラインの両方と比較して、9倍の相互検証により、提案されたネットワークが、パラメトリック$ K_{i}$画像と$V_{b}$画像の間の定性的および定量的空間アライメントの強化において優れたパフォーマンスを獲得したことを示しました。
パラメトリックフィッティングエラーが大幅に減少しました。
また、推定されたパラメトリック画像のダウンストリーム分析に影響を与え、悪性と良性の代謝亢進領域を区別する能力を向上させるための提案されたモーション補正方法の可能性を示しました。
トレーニングが完了すると、提案されたネットワークのモーションエスティメーション推論時間は、従来の登録ベースラインよりも約460倍速く、臨床現場で簡単に適用できる可能性を示しています。

要約(オリジナル)

Subject motion in whole-body dynamic PET introduces inter-frame mismatch and seriously impacts parametric imaging. Traditional non-rigid registration methods are generally computationally intense and time-consuming. Deep learning approaches are promising in achieving high accuracy with fast speed, but have yet been investigated with consideration for tracer distribution changes or in the whole-body scope. In this work, we developed an unsupervised automatic deep learning-based framework to correct inter-frame body motion. The motion estimation network is a convolutional neural network with a combined convolutional long short-term memory layer, fully utilizing dynamic temporal features and spatial information. Our dataset contains 27 subjects each under a 90-min FDG whole-body dynamic PET scan. With 9-fold cross-validation, compared with both traditional and deep learning baselines, we demonstrated that the proposed network obtained superior performance in enhanced qualitative and quantitative spatial alignment between parametric $K_{i}$ and $V_{b}$ images and in significantly reduced parametric fitting error. We also showed the potential of the proposed motion correction method for impacting downstream analysis of the estimated parametric images, improving the ability to distinguish malignant from benign hypermetabolic regions of interest. Once trained, the motion estimation inference time of our proposed network was around 460 times faster than the conventional registration baseline, showing its potential to be easily applied in clinical settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google