이동형 광자 계수 검출기 컴퓨터 단층촬영에서의 딥러닝 기반 물질 분리

국문 초록 (Abstract)

광자 계수 검출기(Photon Counting Detector, PCD) 컴퓨터 단층촬영(Computed Tomography, CT)은 최근 영상 의료기기 분야에서 각광받고 있는 차세대 기술이다. 광자 계수 검출기(PCD)는 기존 에너지 적분형 검출기(Energy Integrated Detector, EID)와 전혀 다른 메커니즘으로 인해 전자 노이즈 감소, 효율적인 방사선 선량, 초고해상도 이미징, 동시 다중 에너지 데이터 수집 등 EID와 비교하여 여러 가지 장점이 있다.
그 중에서도 동시 다중 에너지 데이터 수집 기능은 사용자가 원하는 에너지 구간을 설정하면 그 에너지 구간마다의 광자를 구분하여 저장할 수 있는 기술이다. 이로 인해 각각의 에너지 구간마다의 데이터를 활용할 수 있게 되고, 이는 의료 영상에서의 물질들을 분리하는데 중요한 정보가 되기 때문에 임상 응용에 큰 잠재력을 가지고 있다.
기존의 물질 분리 방법은 에너지 구분이 안되는 EID로도 물질을 분리하기 위해 두 개의 엑스선원 및 에너지를 사용하는 이중 에너지 CT를 사용하여 두 종류의 에너지 구간 데이터를 얻었으며, 물질 분리를 위해 물질 구성 성분의 통계적 특성, 기타 정규화 전략 및 스펙트럼 정보를 활용하는 방법이 많았다.
그러나 부족한 에너지 정보 및 구성 성분의 통계적 오차와 같은 체계적인 한계로 인해 최종 결과 이미지의 노이즈가 증가하고 물질 분리 결과가 부정확하다는 문제점을 가지고 있다.
본 연구에서는 이러한 문제를 해결하기 위해 사내에서 개발한 시제품인 Cadmium-Telluride(CdTe) 기반 PCD CT로 동물연구를 진행하였고 이를 통해 획득한 데이터를 사용하여 딥러닝 기반 물질 분리를 수행하였다.
PCD CT의 에너지 구간을 30-50 keV, 50-65 keV, 65-140 keV로 설정하여 세 종류의 에너지 구간 데이터를 얻을 수 있었고, 이를 통해 학습된 Unet 기반 아키텍처인 MD-Unet(Material decomposition Unet)을 물질 분리 이미징을 위한 딥러닝 전략으로 제안한다.
실험적으로 측정된 다중 에너지 팬텀 데이터는 각 픽셀 위치에서 물질을 학습하는데 사용되었고 부족한 데이터 수로 인한 학습률 저하를 막기 위해 시뮬레이션 데이터를 학습에 추가로 사용하여 transfer-learning을 적용하였다. 뿐만 아니라, 데이터 특성과 구조에 맞게 네트워크와 손실 함수를 수정하여 학습률을 개선하였다.
MD-Unet을 평가하는 데는 물질 분리 팬텀 데이터와 동물 실험 데이터를 활용하여 물질 분리 결과를 정량적, 시각적으로 평가하였다.
전통적인 물질 분리 방법과 이전 연구의 딥러닝 기반 물질 분리 방법과 비교하였으며, 제안된 MD-Unet은 기존 연구 대비 CNR 1.7배, mIOU 2배, mDSC 2.1배 향상되어 노이즈 감소 뿐만 아니라 물질 분리 정확도도 향상되었음을 보여주었다.

다국어 초록 (Multilingual Abstract)

Photon-counting detector (PCD)-based computed tomography (CT) offers several advantages over conventional energy-integrating detector-based CT. Among them, the ability to discriminate energy exhibits significant potential for its clinical application as it provides material-specific information. In this study, deep learning-based material decomposition is performed using live animal data. We propose a deep learning strategy for material decomposition based on a Unet architecture trained with data from three energy bins, referred to as MD-Unet. To mitigate data insufficiency, incorporating various forms of simulation data and augmentation strategies a pre-trained model is produced. The incorporation of these approaches in model training leads to enhanced precision in material decomposition, enabling the identification of distinct materials at individual pixel locations. The trained network is applied to the acquired animal data to evaluate the material decomposition results. The newly generated MD-Unet demonstrates more accurate material decomposition imaging compared with conventional methods. Moreover, the network demonstrates improved material decomposition ability and significantly reduced noise. Additionally, it can potentially offer an enhancement level similar to that of a typical contrast agent concentration. This implies that it can acquire images of the same quality with fewer contrast agents administered to patients, which demonstrates its significant clinical value.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1 연구 배경 1
• 1.2. 연구 목적 1
• 제2장 관련기술 3
• 2.1. 에너지 적분형 검출기와 광자 계수 검출기 3
• 2.2. 기존의 물질 분리 7
• 2.3. 딥러닝을 활용한 물질 분리 8
• 제3장 본론 10
• 3.1. 연구방법론 10
• 1) Data preparation 10
• 2) 물질 분리를 위한 MD-Unet 디자인 12
• 3) 전이학습을 위한 시뮬레이션 데이터 생성 14
• 4) 전이학습 19
• 5) 네트워크 학습20
• 4) 평가 및 비교 방법 20
• 제4장 결론 23
• 4.1. 실험 결과 23
• 1) 팬텀 연구 23
• 2) 동물 연구 26
• 4.2. Discussion 29
• 4.3. Conclusion 31
• Abstract 36