[논문]MDCT에서 선량 변화에 따른 딥러닝 재구성 기법의 유용성 연구

김가현; 김지수; 김찬들; 이준표; 홍주완; 한동균

doi:10.7742/jksr.2023.17.1.37

[국내논문] MDCT에서 선량 변화에 따른 딥러닝 재구성 기법의 유용성 연구
A Study on the Usefulness of Deep Learning Image Reconstruction with Radiation Dose Variation in MDCT 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.17 no.1, 2023년, pp.37 - 46

김가현 (을지대학교 보건과학대학 방사선학과) , 김지수 (을지대학교 보건과학대학 방사선학과) , 김찬들 (을지대학교 보건과학대학 방사선학과) , 이준표 (서울아산병원 영상의학과) , 홍주완 (을지대학교 보건과학대학 방사선학과) , 한동균 (을지대학교 보건과학대학 방사선학과)

초록
AI-Helper

MDCT의 딥러닝 재구성 기법(TrueFidelity, TF)의 유용성을 평가하고자 기존의 필터보정역투영법(Filtered back projection, FBP)과 적응형 통계적 재구성 기법(Adaptive Statistical Iterative Reconstruction-Veo, ASIR-V)의 화질을 비교 평가하였다. FBP, ASIR-V 50%, TF-H의 재구성 기법에서 선량을 17.29 mGy로 고정한 것과 10.37 mGy, 12.10 mGy, 13.83 mGy, 15.56 mGy로 변화시킨 영상을 획득하여 노이즈, CNR, SSIM을 측정하였다. 17.29 mGy에서 재구성 기법 변화를 주었을 때 TF-H가 FBP, ASIR-V에 비해 화질이 우수하다. 선량에 변화를 주었을 때 10.37 mGy TF-H와 FBP 비교 시 노이즈, CNR, SSIM은 유의한 차이가 있고(p<0.05), 10.37 mGy TF-H와 ASIR-V 50% 비교 시 유의한 차이가 없다(p>0.05). 선량이 가장 높은 15.56 mGy ASIR-V 50%와 선량이 가장 낮은 10.37 mGy TF-H 화질이 동일하므로 TF-H는 30%의 선량 감소 효과가 있다. 따라서 딥러닝 재구성 기법(TF)은 반복적 재구성 기법(ASIR-V)과 필터보정역투영법(FBP)보다 선량을 감소시킬 수 있었다. 이로 인해 환자의 피폭선량을 감소시킬 것으로 사료된다.

Abstract ▼ AI-Helper

This study aims to evaluate the usefulness of Deep Learning Image Reconstruction (TrueFidelity, TF), the image quality of existing Filtered Back Projection (FBP) and Adaptive Statistical Iterative Reconstruction-Veo (ASIR-V) were compared. Noise, CNR, and SSIM were measured by obtaining images with doses fixed at 17.29 mGy and altered to 10.37 mGy, 12.10 mGy, 13.83 mGy, and 15.56 mGy in reconstruction techniques of FBP, ASIR-V 50%, and TF-H. TF-H has superior image quality compared to FBP and ASIR-V when the reconstruction technique change is given at 17.29 mGy. When dose changes were made, Noise, CNR, and SSIM were significantly different when comparing 10.37 mGy TF-H and FBP (p0.05). TF-H has a dose-reduction effect of 30%, as the highest dose of 15.56 mGy ASIR-V has the same image quality as the lowest dose of 10.37 mGy TF-H. Thus, Deep Learning Reconstruction techniques (TF) were able to reduce dose compared to Iterative Reconstruction techniques (ASIR-V) and Filtered Back Projection (FBP). Therefore, it is considered to reduce the exposure dose of patients.

주제어

표/그림 (12)

그림 Fig. 1. Noise ROI in Module 3 of ACR Phantom.
그림 Fig. 2. CNR ROI in Module 2 of ACR Phantom.
그림 Fig. 3. Noise measured at 17.29 mGy (a) FBP is measured at 5.63 HU, (b) ASIR-V 50% is measured at 3.74 HU, (c) TF-H is measured at 3.76 HU.
그림 Fig. 4. Noise of FBP, ASIR-V 50%, TF. Differed significantly between FBP and TF(p0.05).
그림 Fig. 6. SSIM of FBP, ASIR-V, TF. Differed significantly between FBP and TF, ASIR-V 50% and TF(p<0.05).
표 Table 1. Noise, CNR, SSIM measured by ACR Phantom from different reconstruction techniques in 17.29 mGy
그림 Fig. 5. CNR of FBP, ASIR-V 50 %, TF. Differed significantly between FBP(p0.05).
그림 Fig. 7. Noise with similar to 10 mGy TF-H for each reconstruction (a) 15.56 mGy FBP is measured at 5.97 HU, (b) 13.83 mGy ASIR-V 50% is measured at 4.27 HU, (c) 10.37 mGy TF-H is measured at 4.13 HU.
그림 Fig. 8. Noise of dose and FBP, ASIR-V 50%, TF-H. 10.37 mGy TF-H is 4.13±0.26 HU, 15.56 mGy FBP is 5.97±0.12 HU, 15.56 mGy ASIR-V 50% is 3.96±0.09 HU, Differed significantly between 12.10 mGy, 13.83 mGy, 15.56 mGy FBP and 10.37 mGy TF-H(p<0.05).
표 Table 2. Image Noise(SD), CNR, SSIM measured by ACR Phantom from different reconstruction techniques and doses
그림 Fig. 9. CNR of dose and FBP, ASIR-V 50% , TF-H. 10.37 mGy TF-H is 0.67±0.09%, 15.56 mGy FBP is 0.46±0.12%, 15.56 mGy ASIR-V 50% is 0.71±0.04%. Differed significantly between 12.10 mGy, 13.83 mGy, 15.56 mGy FBP and 10.37 mGy TF-H(p<0.05).
그림 Fig. 10. SSIM of dose and FBP, ASIR-V, TF. 10.37 mGy TF-H is 0.79±0.01. 15.56 mGy FBP is 0.74, 15.56 mGy ASIR-V 50% is 0.79. Differed significantly between 12.10 mGy, 13.83 mGy, 15.56 mGy FBP and 10.37 mGy TF-H(p<0.05).

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 ACR 팬텀을 이용하여 최근 도입된 딥러닝 재구성 기법(TF)의 선량 감소 효과를 평가하기 위해 기존의 필터보정역투영법(FBP), 적응형 통계적 재구성 기법(ASIR-V)을 선량을 변화시키며 화질을 비교 평가하였다. 17.
본 연구에서는 MDCT에서 필터보정역투영법, 모델기반 반복적 재구성법인 적응형 통계적 반복적 재구성법(Adaptive Statistical Iterative Reconstruction-Veo, ASIR-V)과 딥러닝 반복적 재구성법(TrueFidelity, TF)의 선량 변화에 따른 화질 평가를 통해 딥러닝 반복적 재구성법의 유용성을 알아보고자 하였다.

대상 데이터

팬텀(Phantom)은 화질을 평가하기 위해 CT ACR 464 Phantom (American College of Radiology, Sun Nuclear)을 사용하였다. ACR 팬텀은 지름 20 cm, 길이 16 cm, 무게 5.

데이터처리

0을 사용하였다. 노이즈와 대조도대잡음비, SSIM에서 일원배치분산분석과 Wilcoxon signed rank test를 이용하여 검증하였다. 통계에 사용된 신뢰구간은 95%이며.
모듈 3에서 원본 영상에 대한 구조적 유사성 지수(Structural Similarity Index, SSIM)를 측정하고자 ICY 2.4.2.0 프로그램을 사용하였다. 기준 영상은 250 mAs, FBP로 설정하였으며 수식은 Eq.

이론/모형

ASIR-V는 FBP와 ASIR 영상의 혼합에 따라 강도가 10%~100%로 나누어지고, TF는 노이즈 감소량에 따라 강도가 TF-L(Low), TF-M (Medium), TF-H (High)로 나누어진다. 본 연구에서는 ASIR-V 50%, TF-H를 적용하였다. 노이즈, 대조도대잡음비, 구조성유사성지수를 측정하였으며 각각의 측정 방법은 다음과 같다.
56 mGy (225 mAs)로 변화시키며 시행하였다. 선량 측정은 CT 장치에서 제시하고 있는 용적 CT 선량지수(Volume CT Dose Index, CTDIvol)를 이용하였다. Scan type은 Helical, Slice thickness는 5 mm, Algorithm은 Standard, SFOV는 Large, DFOV는 250 mm, Rotation time (sec)은 1, Pitch는 0.
재구성 기법은 퓨리에 변환을 기반으로 하는 분석학적 재구성 기법인 FBP, 픽셀의 예측값과 이상 값을 비교하여 재구성하는 ASIR-V, 딥러닝을 통해 저선량 영상과 실측 영상의 차이를 줄이는 재구성 기법인 TF를 이용하였다. ASIR-V는 FBP와 ASIR 영상의 혼합에 따라 강도가 10%~100%로 나누어지고, TF는 노이즈 감소량에 따라 강도가 TF-L(Low), TF-M (Medium), TF-H (High)로 나누어진다.

성능/효과

본 연구에서는 ACR 팬텀을 이용하여 최근 도입된 딥러닝 재구성 기법(TF)의 선량 감소 효과를 평가하기 위해 기존의 필터보정역투영법(FBP), 적응형 통계적 재구성 기법(ASIR-V)을 선량을 변화시키며 화질을 비교 평가하였다. 17.29 mGy를 100%로 하여 10%, 20%, 30%, 40%까지 선량을 감소시켜 노이즈를 평가한 결과 FBP기법에서 40%의 선량 감소와 ASIR-V 50%기법에서 10%의 선량 감소에도 화질이 유지되었다. 따라서 기존의 재구성 기법에 비해 딥러닝 재구성 기법인 TF-H를 이용한다면 저선량으로도 화질이 저하되지 않는 영상을 구현할 것으로 기대된다.
8과 같다. 결과적으로 10.37 mGy의 TF-H 의 노이즈가 15.56 mGy의 FBP의 노이즈 보다 낮게 나타났다. 그리고 ASIR-V 50%와는 유사하게 나타났다.
결과적으로 10.37 mGy의 TF-H의 구조적 유사성 지수가 15.56 mGy의 FBP의 구조적 유사성 지수보다 높게 나타났다. 그리고 ASIR-V 50%는 유사하게 나타났다.
결과적으로 동일 선량에서 노이즈와 CNR, SSIM을 FBP, ASIR-V와 TF-H의 재구성 기법에 따라 비교한 결과 TF-H가 우수한 화질을 나타내었다.

후속연구

마지막으로 본 실험 장치에서의 TF-H 재구성 기법은 Standard 알고리즘 이외에는 Edge, Soft 등의 다른 영상처리 알고리즘을 지원하지 않기에 다양한 영상처리 알고리즘을 적용하여 실험을 진행하지는 못했다. TF-H에 Soft 알고리즘을 적용할 수 있다면 더 적은 선량으로 화질을 유지할 수 있을 것으로 사료된다. 따라서 다양한 알고리즘을 적용한 TF-H, FBP, ASIR-V의 재구성 기법을 비교한다면 더욱 유용할 것이라고 생각한다.
29 mGy를 100%로 하여 10%, 20%, 30%, 40%까지 선량을 감소시켜 노이즈를 평가한 결과 FBP기법에서 40%의 선량 감소와 ASIR-V 50%기법에서 10%의 선량 감소에도 화질이 유지되었다. 따라서 기존의 재구성 기법에 비해 딥러닝 재구성 기법인 TF-H를 이용한다면 저선량으로도 화질이 저하되지 않는 영상을 구현할 것으로 기대된다.
TF-H에 Soft 알고리즘을 적용할 수 있다면 더 적은 선량으로 화질을 유지할 수 있을 것으로 사료된다. 따라서 다양한 알고리즘을 적용한 TF-H, FBP, ASIR-V의 재구성 기법을 비교한다면 더욱 유용할 것이라고 생각한다.
마지막으로 본 실험 장치에서의 TF-H 재구성 기법은 Standard 알고리즘 이외에는 Edge, Soft 등의 다른 영상처리 알고리즘을 지원하지 않기에 다양한 영상처리 알고리즘을 적용하여 실험을 진행하지는 못했다. TF-H에 Soft 알고리즘을 적용할 수 있다면 더 적은 선량으로 화질을 유지할 수 있을 것으로 사료된다.

참고문헌 (18)

A. Korn, M. Fenchel, B. Bender, S. Danz, T. K. Hauser, D. Ketelsen, T. Flohr, C. D. Claussen, M. Heuschmid, U. Ernemann, H. Brodoefel "Iterative Reconstruction in Head CT; Image Quality of Routine and Low-Dose Protocols in Comparision with Standard Filtered Back Projection", American journal of neuroradiology, Vol. 33, No. 2, pp. 218-224, 2012. https://doi.org/10.3174/ajnr.a2749？

상세보기
L. L. Geyer, U. J. Schoeppf, F. G. Meinel, J. W. Nance, G. Bastarrika, J. A. Leipsic, N. S. Paul, M. Rengo, A. Laghi, C. N. D. Cecco, "State of the Art; Iterative CT Reconstruction Techniques", Radiology, Vol. 276, No. 2, pp. 339-357, 2015. https://doi.org/10.1148/radiol.2015132766？

상세보기
O. Baskan, C. Erol, H. Ozbek, Y. Paksoy, "Effect of radiation dose reduction on image quality in adult head CT with noise-suppressing reconstruction system with a 256 slice MDCT", Journal of Applied Clinical Medical Physics, Vol. 16, No. 3, pp. 285-296, 2015. https://doi.org/10.1120/jacmp.v16i3.5360？

상세보기
R. Singh, S. R. Digumarthy, V. V. Muse, A. R. Kambadakone, M. A. Black, A. Tabari, Y. Hoi, N. Akino, E. Angel, R. Madan, M. K. Kalra, "Image Quality and Lesion Detection on Deep Learning Reconstruction and Iterative Reconstruction of Submillisievert Chest and Abdominal CT", American Roentgen Ray Society, Vol. 214, No. 3, pp. 566-573, 2020. https://doi.org/10.2214/ajr.19.21809？

상세보기
M. Anthimopoulos, S. Christodoulidis, L. Ebner, A. christe, S. Mougiakakou, "Lung Pattern Classification for Interstitial Lung Diseases Using a Deep Convolution Neural Network", IEEE transactions on medical imaging, Vol. 35, No. 3, pp. 1207-1216, 2016. https://doi.org/10.1109/TMI.2016.2535865？

상세보기
G. Chartrand, P. M. Cheng, E. Vorontsov, M. Drozdzal, S. Turcotte, C. J. Pal, S. Kadoury, A. Tang, "Deep Learning; A Primer for Radiologists", Radiographics, Vol. 37, No. 7, pp. 2113-2131, 2017. https://doi.org/10.1148/rg.2017170077？

상세보기
A. Hamidinekoo, E. Denton, A. Rampun, K. Honnor, R. Zwiggelaar, "Deep Learning in Mammography and Breast Histology, an Overview and Future Trends", Medical image analysis, Vol. 47, pp. 45-67, 2018. https://doi.org/10.1016/j.media.2018.03.006？

상세보기
J. Hsieh, E. Liu, B. Nett, J. Tang, J. B. Thibault, S. Sahney, "A New Era of Image Reconstruction", TrueFidelityTM Technical White Paper on Deep Learning Image Reconstruction, 2018.？
C. H. McCollough, L. Yr, J. M. Kofler, S. Leng, Y. Zhang, Z. Li, R. E. Carter, "Degradation of CT Low-Contratst Spatial Resolution Due to the Use of Iterative Reconstruction and Reduced Dose Levels", Radiology, Vol. 276, No. 2, pp. 499-506, 2015. https://doi.org/10.1148/radiol.15142047？

상세보기
J. E. Lee, S. Y. Choi, J. A. Hwang. S. H. Lim, M. H. Lee, B. H. Yi, J. G. Cha, "The Potential for Reduced Radiation Dose From Deep Learning-Based CT Image Reconstruction: A Comparison with Filtered Back Projection and Hybrid Iterative Reconstruction using a Phantom", Medicine(Baltimore), Vol. 100, No. 19, pp. 25814, 2021. https://doi.org/10.1097/md.0000000000025814？

상세보기
C. T. Jensen, X. Liu, E. P. Tamm, A. G. Chandler, J. Sun, A. C. Morani, S. Javadi, N. A. W. Bartak, "Image Quality Assessment of Abdominal CT by Use of New Deep Learning Image Reconstruction; Initial Experience", American Roentgen Ray Society, Vol. 215, No. 1, pp. 50-57, 2020. https://doi.org/10.2214/ajr.19.22332？

상세보기
J. Greffier, A. Hamard, F. Pereira, C. Barrau, H. Pasquier, J. P. Beregi, J. Frandon, "Image Quality and Dose Reduction Opportunity of Deep Learning Image Reconstruction Algorithm for CT; A Phantom Study", European Society of Radiology, Vol. 30, No. 7, pp. 3951-3959, 2020. https://doi.org/10.1007/s00330-020-06724-w？

상세보기
C. Frank, G. Zhang, P. Deak, F. Zanca, "Preserving image texture while reducing radiation dose with a deep learning image reconstruction algorithm in chest CT: A phantom study", Physica Media, Vol. 82, pp. 86-93, 2021. https://doi.org/10.1016/j.ejmp.2020.12.005？

상세보기
Z. Alagic, J. D. Cardenas, K. Halldorsson, V. Grozman, S. Wallgren, C. Suzuki, J. Helmenkamp, S. K. Koskinen, "Deep learning versus iterative reconstruction algorithm for head CT in trauma", Emergency Radiology, Vol. 29, pp. 339-352, 2022. https://doi.org/10.1007/s10140-021-02012-2？

상세보기
C. S. Ko, I. W. Cho, J. W. Kang, W. J. Jeong, H. Song, "Comparative Analysis and Usefulness by Quantitative Evaluation of Deep Learning Image Reconstruction and Adaptive Statistical Iterative Reconstruction-V in Aortic Vessels CT", Journal of Korean Society of Computed Tomographic Technology, Vol. 23, No. 2, pp 9-19, 2021.？
H. B. Shim, K. H. Lee, R. H. Kim, S. K. Park, J. N. Shim, "A Study on Image Quality and Dose Comparison of Abdominal CT with Deep Learning Iterative Reconstruction Method and Model-Based Iterative Reconstruction Method", Journal of Korean Society of Computed Tomographic, Vol. 23, No. 1, pp. 57-65, 2021.？
Y. Bie, S. Yang, Z. Li, K. Zhao, C. Zhang, H. Zhong, "Impact of deep learning-based image reconstruction on image quality compared with adaptive statistical iterative reconstruction-Veo in renal and adrenal computed tomography", Journal of Z-ray Science and Technology, Vol. 30, No. 3, pp. 409-418, 2022. https://doi.org/10.3233/xst-211105？

상세보기
M. Akagi, Y. Nakamura, T. Higaki, K. Narita, Y. Honda, J. Zhou, Z. Yu, M. Akino, K. Awai, "Deep learning reconstruction improveds image quality of abdominal ultra-high-resolution CT", European Society of Radiology, Vol. 29, No. 11, pp. 6163-6171, 2019. https://doi.org/10.1007/s00330-019-06170-3

상세보기

저자의 다른 논문 :

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