[논문]PET 검출기의 디지털 위치 신호 측정을 위한 딥러닝 적용 방법

조병두; 이승재

doi:10.7742/jksr.2022.16.6.697

[국내논문] PET 검출기의 디지털 위치 신호 측정을 위한 딥러닝 적용 방법
Deep Learning Applied Method for Acquisition of Digital Position Signal of PET Detector 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.16 no.6, 2022년, pp.697 - 702

조병두 (동서대학교 방사선학과) , 이승재 (동서대학교 방사선학과)

초록
AI-Helper

PET에서 영상화를 위해서는 검출기에 입사한 감마선과 상호작용한 섬광 픽셀의 위치를 측정해야한다. 이를 위해서 기존 시스템에서는 섬광 픽셀의 평면 영상을 획득하여, 각 섬광 픽셀이 영상화된 영역을 분리한 후, 섬광 픽셀의 위치를 특정하여 디지털 신호로 획득한다. 본 연구에서는 검출기의 광센서에서 형성되는 신호를 바탕으로 딥러닝 방법을 적용하여, 여러 절차를 거치지 않고 직접 디지털 신호로 획득하는 방법을 개발하였다. 이에 대한 검증 및 위치 측정의 정확도 평가를 위해 DETECT2000 시뮬레이션을 수행하였다. 6 × 6 섬광 픽셀 배열과 4 × 4 광센서를 사용하여 검출기를 구성하였으며, 섬광 픽셀의 중심에서 감마선 이벤트를 발생시켜, 앵거 식을 통해 4채널의 신호로 합산하였다. 획득된 신호를 사용하여 딥러닝 모델을 학습한 후, 섬광 픽셀의 서로 다른 깊이 방향에서 발생된 감마선 이벤트에 대한 위치를 측정하였다. 그 결과 모든 섬광 픽셀 및 위치에서 정확한 결과를 보였다. 본 연구에서 개발한 방법을 PET 검출기에 적용할 경우, 보다 편리하게 섬광 픽셀의 위치를 디지털 신호로 측정할 수 있을 것이다

Abstract ▼ AI-Helper

For imaging in positron emission tomography(PET), it is necessary to measure the position of the scintillation pixel interacting with the gamma rays incident on the detector. To this end, in the conventional system, a flood image of the scintillation pixel is obtained, the imaged area of each scintillation pixel is separated, and the position of the scintillation pixel is specified and acquired as a digital signal. In this study, a deep learning method was applied based on the signal formed by the photosensor of the detector, and a method was developed to directly acquire a digital signal without going through various procedures. DETECT2000 simulation was performed to verify this and evaluate the accuracy of position measurement. A detector was constructed using a 6 × 6 scintillation pixel array and a 4 × 4 photosensor, and a gamma ray event was generated at the center of the scintillation pixel and summed into four channels of signals through the Anger equation. After training the deep learning model using the acquired signal, the positions of gamma-ray events that occurred in different depth directions of the scintillation pixel were measured. The results showed accurate results at every scintillation pixel and position. When the method developed in this study is applied to the PET detector, it will be possible to measure the position of the scintillation pixel with a digital signal more conveniently.

주제어

표/그림 (4)

그림 Fig. 1. Schematic diagram of the detector structure designed through DETECT2000 and the position of gamma-ray event occurrence for deep learning model development.
그림 Fig. 2. The process of measuring scintillation pixel position through deep learning. Linear indicates a linear regression model, and h(x) indicates a non-linear regression model.
그림 Fig. 3. Clustering of gamma-ray events by scintillation pixel position for deep learning training..
그림 Fig. 4. A flood image reconstructed through the Anger equation by acquiring the light generated from each scintillation pixel by a gamma-ray event.

AI 본문요약
AI-Helper

제안 방법

섬광 픽셀의 중심에서 감마선 이벤트를 발생시켰으며, 발생된 빛의 수는 Eq. (1)과 같이 소멸방사선 에너지에 따른 GAGG 섬광체의 빛 발생량에 MPPC의 양자효율을 적용하였다.
DETECT2000을 통해 설계한 검출기의 각 섬광 픽셀에서 발생된 감마선 이벤트의 데이터를 획득 후, 파이썬(Python) 언어에 기반한 파이토치(Pytorch) 툴을 사용하여 딥러닝 모델을 구성하였다. 딥러닝 모델은 다중선형회귀(multi linear regression)를 기반으로 회귀계수를 통하여 각 주어진 독립 변수와 종속 변수에 미치는 가중치를 구할 수 있도록 구성하였다.
PET 검출기의 섬광 픽셀의 위치를 딥러닝을 통해 디지털 신호로 직접 측정하는 방법을 개발하였다. 이를 검증하기위해 DETECT2000 시뮬레이션툴을 사용하여 검출기를 설계하였으며, 섬광 픽셀에서 감마선 이벤트를 통해 신호를 획득하였다.
개발한 딥러닝 모델을 통해 감마선 이벤트가 발생된 섬광 픽셀의 위치를 디지털 신호로 획득하기 위해, 각 섬광 픽셀에서 깊이 방향(Z축)을 따라 0.05 mm ~ 9.95 mm까지 0.1 mm 간격으로 감마선 이벤트를 발생시켰으며, 각 지점마다 100번의 시뮬레이션을 통해 총 360,000번의 감마선 이벤트를 발생시켜, 위치 측정의 정확도를 평가하였다.
섬광 픽셀의 위치 측정 방법을 디지털 신호로 측정하기 위해 딥러닝 방법을 적용하였다. 기존에는 여러 과정을 거친 후 디지털 신호로 위치를 측정할 수 있었으나, 본 연구 방법을 적용할 경우에는 광센서에서 획득된 신호로 직접 위치를 측정할 수 있다. 6 × 6 섬광 픽셀에 대한 위치 측정의 정확도를 평가하기 위해 DETECT2000 시뮬레이션을 수행하였으며, 획득된 데이터의 비율을 딥러닝 입력값으로 사용하였다.
입력된 값은 은닉층을 거쳐 최종적으로 출력층을 통해 결과값을 반환한다. 은닉층은 모든 섬광 픽셀에서 각 1,000번의 감마선 이벤트를 통해 획득한 데이터를 군집화하고, 실제 데이터와 픽셀 위치 측정 예측값의 잔차(residual) 제곱의 합 또는 평균이 최소화하도록 매개변수를 결정할 수 있도록 딥러닝 모델을 구현하였다.

대상 데이터

여기서 Photons는 감마선 이벤트로 발생된 빛의 총 수를 나타내며, light yield는 GAGG 섬광체의 1 MeV당 빛 발생량, γenergy는 소멸방사선의 감마선 에너지, PDE는 MPPC의 양자효율을 나타낸다. 모든 섬광 픽셀에서 각 1,000번의 감마선 이벤트를 발생시켜, 딥러닝 모델 구현을 위한 데이터를 획득하였다.
섬광 픽셀과 감마선의 상호작용인 감마선 이벤트에 의해 발생된 빛을 발생시켜 광센서에서 신호를 획득하였다. 섬광 픽셀의 중심에서 감마선 이벤트를 발생시켰으며, 발생된 빛의 수는 Eq.
딥러닝 모델은 다중선형회귀(multi linear regression)를 기반으로 회귀계수를 통하여 각 주어진 독립 변수와 종속 변수에 미치는 가중치를 구할 수 있도록 구성하였다. 이렇게 구성된 딥러닝 모델은 2,000번의 학습 횟수를 통하여 섬광 픽셀의 위치를 디지털 신호로 직접 획득하는데 사용하였다. Fig.

데이터처리

6 × 6 섬광 픽셀에 대한 위치 측정의 정확도를 평가하기 위해 DETECT2000 시뮬레이션을 수행하였으며, 획득된 데이터의 비율을 딥러닝 입력값으로 사용하였다
PET 검출기의 섬광 픽셀의 위치를 딥러닝을 통해 디지털 신호로 직접 측정하는 방법을 개발하였다. 이를 검증하기위해 DETECT2000 시뮬레이션툴을 사용하여 검출기를 설계하였으며, 섬광 픽셀에서 감마선 이벤트를 통해 신호를 획득하였다. 획득된 신호를 기반으로 딥러닝 모델을 적용하여 위치를 평가한 결과 매우 우수한 정확도를 획득하였다.

이론/모형

DETECT2000을 통해 설계한 검출기의 각 섬광 픽셀에서 발생된 감마선 이벤트의 데이터를 획득 후, 파이썬(Python) 언어에 기반한 파이토치(Pytorch) 툴을 사용하여 딥러닝 모델을 구성하였다. 딥러닝 모델은 다중선형회귀(multi linear regression)를 기반으로 회귀계수를 통하여 각 주어진 독립 변수와 종속 변수에 미치는 가중치를 구할 수 있도록 구성하였다. 이렇게 구성된 딥러닝 모델은 2,000번의 학습 횟수를 통하여 섬광 픽셀의 위치를 디지털 신호로 직접 획득하는데 사용하였다.
섬광 픽셀의 위치 측정 방법을 디지털 신호로 측정하기 위해 딥러닝 방법을 적용하였다. 기존에는 여러 과정을 거친 후 디지털 신호로 위치를 측정할 수 있었으나, 본 연구 방법을 적용할 경우에는 광센서에서 획득된 신호로 직접 위치를 측정할 수 있다.

성능/효과

4는 각 섬광 픽셀에서 획득한 데이터를 사용하여 앵거 식을 통해 재구성한 평면 영상이다. 모든 섬광 픽셀들이 분리되어 나타났으며, 구성한 딥러닝 모델을 사용하여 위치 측정을 시행한 결과 모든 위치에서 정확한 값으로 결과가 획득되는 것을 확인할 수 있었다. 평면 영상을 바탕으로 각 섬광픽셀들의 영역을 분리한 후 감마선 이벤트가 발생된 위치를 디지털 신호로 획득하는 과정 없이, 딥러닝 방법을 사용하여 앵거 식을 통해 합산된 신호로 직접 디지털 신호를 획득할 수 있었다.
모든 섬광 픽셀들이 분리되어 나타났으며, 구성한 딥러닝 모델을 사용하여 위치 측정을 시행한 결과 모든 위치에서 정확한 값으로 결과가 획득되는 것을 확인할 수 있었다. 평면 영상을 바탕으로 각 섬광픽셀들의 영역을 분리한 후 감마선 이벤트가 발생된 위치를 디지털 신호로 획득하는 과정 없이, 딥러닝 방법을 사용하여 앵거 식을 통해 합산된 신호로 직접 디지털 신호를 획득할 수 있었다.
이를 검증하기위해 DETECT2000 시뮬레이션툴을 사용하여 검출기를 설계하였으며, 섬광 픽셀에서 감마선 이벤트를 통해 신호를 획득하였다. 획득된 신호를 기반으로 딥러닝 모델을 적용하여 위치를 평가한 결과 매우 우수한 정확도를 획득하였다. 이는 기존 방법에 비해 절차가 간단하며, 시뮬레이션 데이터를 기반으로 실험에 적용할 수 있으므로, 현재 사용되는 시스템에 물리적인 변경 없이 적용할 수 있다.

후속연구

이는 기존 방법에 비해 절차가 간단하며, 시뮬레이션 데이터를 기반으로 실험에 적용할 수 있으므로, 현재 사용되는 시스템에 물리적인 변경 없이 적용할 수 있다. 따라서 본 연구에서 개발한 방법을 PET 검출기에 적용할 경우, 보다 편리하게 섬광 픽셀의 위치를 디지털 신호로 획득할 수 있을 것이다.

참고문헌 (14)

Y. LeCun, Y. Bengio, G. Hinton, "Deep learning",？Nature, Vol. 521, pp. 436-444, 2015.？http://dx.doi.org/10.1038/nature14539

상세보기
D. Shen, G. Wu, H. Suk, "Deep learning in medical？image analysis", Annual review of biomedical？engineering, Vol. 19, pp. 221-248, 2017.？http://dx.doi.org/10.1146/annurev-bioeng-071516-044442

상세보기
A. Esteva, K. Chou, S. Yeung, N. Naik , A.？Madani, A. Mottaghi, Y. Liu, E. Topol, J. Dean, R.？Socheret, "Deep learning-enabled medical computer？vision", NPJ digital medicine, Vol. 4, No. 1, pp. 1-9,？2021.？http://dx.doi.org/10.1038/s41746-020-00376-2

상세보기
D. Ravi, C. Wong, F. Deligianni, M. Berthelot, J.？Andreu-Perez, B. Lo, G. Z. Yang, "Deep learning for？health informatics", IEEE journal of biomedical and？health informatics, Vol. 21, No. 1, pp. 4-21, 2016.？http://dx.doi.org/10.1109/JBHI.2016.2636665

상세보기
I. Castiglioni, L. Rundo, M. Codari, G. Di Leo, C.？Salvatore, M. Interlenghi, F. Gallivanone, A. Cozzi,？N. C. D'amico, F. Sardanelli, "AI applications to？medical images: From machine learning to deep？learning", Physica Medica, Vol. 83, pp. 9-24, 2021.？https://doi.org/10.1016/j.ejmp.2021.02.006

상세보기
T. Wang, Y. Lei, Y. Fu, J. F. Wynne, W. J. Curran, T. Liu, X. Yang, "A review on medical imaging？synthesis using deep learning and its clinical？applications", Journal of applied clinical medical？physics, Vol. 22, No. 1, pp. 11-36, 2021.？https://doi.org/10.1002/acm2.13121

상세보기
H. Arabi, A. AkhavanAllaf, A. Sanaat, I. Shiri, H.？Zaidi, "The promise of artificial intelligence and deep？learning in PET and SPECT imaging", Physica？Medica, Vol. 83, pp. 122-137, 2021.？https://doi.org/10.1016/j.ejmp.2021.03.008

상세보기
M. F. Spadea, M. Maspero, P. Zaffino, J. Seco,？"Deep learning based synthetic-CT generation in？radiotherapy and PET: A review", Medical physics,？Vol. 48, No. 11, pp. 6537-6566, 2021.？https://doi.org/10.1002/mp.15150

상세보기
F. Cayouette, D. Laurendeau, C. Moisan,？"DETECT2000: an improved Monte-Carlo simulator？for the computer aided design of photon sensing？devices", Proceedings of SPIE, Quebec, Vol. 4833,？pp. 69-76, 2003. https://doi.org/10.1117/12.474315
F. Cayouette, C. Moisan, N. Zhang, C. J.？Thompson, "Monte Carlo Modeling of Scintillator？Crystal Performance for Stratified PET Detectors？With DETECT2000", IEEE Transactions on Nuclear？Science, Vol. 49, No. 3, pp. 624-628, 2002.？https://doi.org/10.1109/TNS.2002.1039539

상세보기
https://www.epic-crystal.com/oxide-scintillators/gagg-ce-scintillator.html
https://www.hamamatsu.com/content/dam/hamamatsu-photonics/sites/documents/99_SALES_LIBRARY/ssd/s13360_series_kapd1052e.pdf
https://www.hamamatsu.com/content/dam/hamamatsu-photonics/sites/documents/99_SALES_LIBRARY/etd/H12700_H14220_TPMH1379E.pdf
https://eljentechnology.com/images/products/data_sheets/EJ-550_EJ-552.pdf

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증