[논문]소아 흉부 CT 검사 시 딥러닝 영상 재구성의 유용성

김도훈; 이효영

doi:10.7742/jksr.2023.17.3.297

소아 흉부 CT 검사 시 딥러닝 영상 재구성의 유용성
Usefulness of Deep Learning Image Reconstruction in Pediatric Chest CT 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.17 no.3, 2023년, pp.297 - 303

김도훈 (동의대학교 대학원 보건의과학과) , 이효영 (동의대학교 대학원 보건의과학과)

초록
AI-Helper

소아 전산화단층촬영(Computed Tomography, CT) 검사 시 어린 환자들의 협조가 어려워 검사 실패나 재검사가 빈번히 발생할 수 있다. 딥러닝 이미지 재구성(Deep Learning Image Reconstruction, DLIR) 방법은 방사선 감수성이 높은 소아 환자들의 CT 검사에서 재검사율을 낮추면서 진단적 가치가 높은 영상을 획득할 수 있다. 본 연구에서는 DLIR을 적용하여 소아 흉부 CT 검사에서 호흡이나 움직임으로 인한 노이즈를 줄이고 임상적으로 유용한 영상을 얻기 위한 가능성을 조사하였다. 경상남도 소재의 P병원에서 7세 미만의 소아 43명의 흉부 CT 검사 데이터를 후향적으로 분석하였으며, 필터링 역 투영 재구성법(Filtered Back Projection, FBP), 반복적 재구성법(Adaptive Statistical Iterative Reconstruction, ASIR-50), 딥러닝 알고리즘인 True Fidelity-Middle(TF-M)의 영상을 비교하였다. 조영 증강된 흉부 영상 중 오른쪽 상행 대동맥(Ascending Aorta, AA)과 등 근육(Back Muscle, BM)에 동일한 ROI를 그리고 각 영상에서 HU값을 이용하여 노이즈(Standard deviation, SD)를 측정하였다. 통계분석은 SPSS(ver. 22.0)를 사용하여 세 측정치의 평균값을 일원 배치 분산분석(One-way ANOVA)으로 분석하였다. 연구의 결과로 AA의 SD값은 FBP=25.65±3.75, ASIR-50=19.08±3.93, TF-M=17.05±4.45 로 나타났으며(F=66.72, p=0.00), BM의 SD값은 FBP=26.64±3.81, ASIR-50=19.19±3.37, TF-M=19.87±4.25 로 나타났다(F=49.54, p=0.00). 사후검정의 결과는 세 그룹간 유의한 차이가 있었다. DLIR 재구성 방법은 기존의 재구성 방법과 비교하여 유의하게 낮은 노이즈 값을 보였다. 따라서 딥러닝 알고리즘인 TrueFidelity-Middle(TF-M)의 적용은 소아 흉부 CT 검사 시 호흡이나 움직임에 의한 영상 화질의 저하를 줄일 수 있어 임상적으로 매우 유용하게 활용될 것으로 기대된다.

Abstract ▼ AI-Helper

Pediatric Computed Tomography (CT) examinations can often result in exam failures or the need for frequent retests due to the difficulty of cooperation from young patients. Deep Learning Image Reconstruction (DLIR) methods offer the potential to obtain diagnostically valuable images while reducing the retest rate in CT examinations of pediatric patients with high radiation sensitivity. In this study, we investigated the possibility of applying DLIR to reduce artifacts caused by respiration or motion and obtain clinically useful images in pediatric chest CT examinations. Retrospective analysis was conducted on chest CT examination data of 43 children under the age of 7 from P Hospital in Gyeongsangnam-do. The images reconstructed using Filtered Back Projection (FBP), Adaptive Statistical Iterative Reconstruction (ASIR-50), and the deep learning algorithm TrueFidelity-Middle (TF-M) were compared. Regions of interest (ROI) were drawn on the right ascending aorta (AA) and back muscle (BM) in contrast-enhanced chest images, and noise (standard deviation, SD) was measured using Hounsfield units (HU) in each image. Statistical analysis was performed using SPSS (ver. 22.0), analyzing the mean values of the three measurements with one-way analysis of variance (ANOVA). The results showed that the SD values for AA were FBP=25.65±3.75, ASIR-50=19.08±3.93, and TF-M=17.05±4.45 (F=66.72, p=0.00), while the SD values for BM were FBP=26.64±3.81, ASIR-50=19.19±3.37, and TF-M=19.87±4.25 (F=49.54, p=0.00). Post-hoc tests revealed significant differences among the three groups. DLIR using TF-M demonstrated significantly lower noise values compared to conventional reconstruction methods. Therefore, the application of the deep learning algorithm TrueFidelity-Middle (TF-M) is expected to be clinically valuable in pediatric chest CT examinations by reducing the degradation of image quality caused by respiration or motion.

주제어

표/그림 (5)

표 Table 1. Patients general characteristics and CT exam parameters
그림 Fig. 1. Comparison of FBP, ASIR-50 and TF-M imaging.
그림 Fig. 2. ROI measurements on the ascending aorta and back muscle.
표 Table 2. SD measurements One-way ANOVA test of FBP, ASIR-50 and TF-M (n=43)
표 Table 3. Noise reduction effect of ASIR-50, TF-M compared to FBP

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 소아 흉부 CT 검사 시 호흡이나 움직임으로 인한 motion artifact를 줄이기 위해 DLIR 기법을 적용하여 진단에 우수한 품질을 유지하는 임상적인 유용성을 알아보았다.

제안 방법

각각의 조영증강 된 흉부 영상 중 오름대동맥(ascending aorta, AA)과 등 근육(back muscle, BM)에 동일한 ROI를 그려 각 영상에서 CT HU(Hounsfield Unit)값을 측정하여 노이즈(standard deviation, SD)를 계산하였다. 이와 같은 측정 방법은 Fig.
검사 후 획득된 데이터는 필터링 역 투영 재구성법(Filtered Back Projection, FBP), 반복적 재구성법(Adaptive Statistical Iterative Reconstruction, ASIR-50), 딥러닝 알고리즘인 TrueFidelity-Middle(TF-M) 3가지 방법으로 재구성하였고, 재구성된 영상은 Fig. 1에 나타내었다.
9세, 범위 3개월에서 7세)을 대상으로 하여 연구를 수행하였다. 연구는 후향적으로 진행되었으며, 의료 영상 정보시스템(PACS; Picture Archiving and Communication System)을 사용하여 얻은 흉부 CT 검사 데이터를 분석하였다.

대상 데이터

2021년 10월부터 2022년 9월까지 경상남도 소재의 P 병원에서 7세 미만의 소아 43명(남자 24명, 여자 19명, 평균나이 3.9세, 범위 3개월에서 7세)을 대상으로 하여 연구를 수행하였다. 연구는 후향적으로 진행되었으며, 의료 영상 정보시스템(PACS; Picture Archiving and Communication System)을 사용하여 얻은 흉부 CT 검사 데이터를 분석하였다.

데이터처리

FBP(a), ASIR-50(b), TF-M(c) 세 그룹 간 노이즈 크기의 평균값을 비교하기 위해 일원 배치 분산분석(One-way ANOVA)을 하였다. 그 결과 ascending aorta(AA)의 SD 값은 FBP = 25.
세 그룹간 평균 비교를 위해 일원 분산분석(One-way ANOVA) 방법을 사용하였으며, 범주형 변수는 개수로, 연속형 변수는 평균 ± 표준편차로 표시하였다. 데이터 분포의 정규성을 검사하기 위해 Shapiro-Wilk 방법을 사용하였으며(AA: p=0.254, BM: p=0.572), 사후 검정(Post-Hoc analysis, Follow-up test)을 설명하기 위해 Tukey 보정 계수가 적용되었다. 통계적으로 유의하다고 간주되는 경우는 p < 0.
세 그룹간 평균 비교를 위해 일원 분산분석(One-way ANOVA) 방법을 사용하였으며, 범주형 변수는 개수로, 연속형 변수는 평균 ± 표준편차로 표시하였다

이론/모형

5 cc로 30초간 주입하였다. 또한 흉부와 복부 CT를 동시에 검사할 경우 Smart Prep 기법을 사용하였다. 방사선량은 검사 후 장비에서 제공되는 dose report를 참고하여 CTDIvol (mGy)과 DLP(mGy·cm)로 표기하였다.

성능/효과

하지만 CNR과 SNR을 구하는 공식 Eq. 1에 따라 낮은 SD 값은 CNR과 SNR을 높일 수 있다는 점을 고려하면 DLIR을 통해 노이즈를 감소시키고 영상 품질을 개선할 수 있다는 결론을 얻을 수 있었다.
DLIR 재구성 방법은 기존의 재구성 방법과 비교하여 유의하게 낮은 노이즈 값을 보였다. 따라서 딥러닝 알고리즘인 TrueFidelity-Middle (TF-M)의 적용은 소아 흉부 CT 검사 시 호흡이나 움직임에 의한 영상 화질의 저하를 줄일 수 있어 임상적으로 매우 유용하게 활용될 것으로 기대된다.
노이즈 감소율 계산 결과 AA의 경우 FBP에 비해 ASIR-50은 약 25.6%, TF-M는 약 33.5% 낮출 수 있었고 BM의 경우 FBP에 비해 ASIR-50은 약 27.9%, TF-M은 약 25.4% 낮출 수 있었다. 이때 평균 SD는 ASIR-50 보다 TF-M이 더 높게 측정되었다.
본 연구에서는 소아의 흉부 CT 검사 시 FBP, ASIR-50, TF-M 세 가지 재구성법으로 노이즈를 측정하여 영상 화질을 비교하였고, DLIR을 적용하였을 때 기존의 재구성 방법에 비해 노이즈를 25-33%까지 줄일 수 있는 것을 확인할 수 있었다.

후속연구

두 번째로, 본 연구는 이미 획득한 데이터를 후향적으로 분석하는 화질 개선 평가 연구로 진행되었기 때문에 방사선량을 고려하지 않았다는 점이다. 따라서 향후 연구에서는 동일한 조건으로 방사선량을 낮추면서 CNR, SNR 등을 평가하는 정량적인 연구와 함께 이미지 품질을 유지하는 다양한 매개변수를 사용하여 연구를 진행할 필요가 있을 것으로 사료된다.
DLIR 재구성 방법은 기존의 재구성 방법과 비교하여 유의하게 낮은 노이즈 값을 보였다. 따라서 딥러닝 알고리즘인 TrueFidelity-Middle (TF-M)의 적용은 소아 흉부 CT 검사 시 호흡이나 움직임에 의한 영상 화질의 저하를 줄일 수 있어 임상적으로 매우 유용하게 활용될 것으로 기대된다.
두 번째로, 본 연구는 이미 획득한 데이터를 후향적으로 분석하는 화질 개선 평가 연구로 진행되었기 때문에 방사선량을 고려하지 않았다는 점이다. 따라서 향후 연구에서는 동일한 조건으로 방사선량을 낮추면서 CNR, SNR 등을 평가하는 정량적인 연구와 함께 이미지 품질을 유지하는 다양한 매개변수를 사용하여 연구를 진행할 필요가 있을 것으로 사료된다.
연구의 첫 번째 제한점으로는 대조도 잡음비(Contrast to Noise Ratio, CNR)와 신호 대 잡음비(Signal Noise Ratio, SNR)를 측정하지 않았다는 점을 언급할 수 있다. 연구 대상 소아들의 경우 조영제 사용 시 주입 속도와 주입량, 주입 후 검사 시작은 시간이 몸무게에 따라 8 kg 미만, 8-20 kg 사이, 20 kg 이상의 세 그룹으로 나누어져 각 그룹당 조영제 사용의 편차가 발생하였고, 이에 따라 같은 ROI 영역에 유사한 CT의 HU 값을 측정할 수 없었기 때문이다.

참고문헌 (19)

K. J. Seo, H. J. Yoo, D. S. Suh, K. B. Lee, "Study？on dose reduction and image quality improvement by？decreasing motion artifact using flash mode with？respiratory motion phantom", Journal of Korean？society of cumputed tomographic technology, Vol. 14,？No. 2, pp. 239-248, 2012.
K. J. Strauss, S. C. Kaste, "The ALARA (as low as？reasonably achievable) concept in pediatric CT？intelligent dose reduction. Multidisciplinary conference？organized by the Society of Pediatric Radiology.？August 18-19, 2001", Pediatric Radiology, Vol. 32,？No. 4, pp. 217-313, 2002. http://dx.doi.org/10.1007/s00247-002-0665-z

상세보기
P. P. Bruyant, J. Sau, J. J. Mallet, "Streak artifact？reduction in filtered backprojection using a level？line-based interpolation method", Journal of Nuclear？Medicine, Vol. 41, No. 11, pp. 1913-1919, 2000.
Zh. Zhu, Y. Zhao, Xi. Zhao, Xi. Wang, W. Yu, M.？Hu, X. Zhang, Ch. Zhou, "Impact of preset and？postset adaptive statistical iterative reconstruction-V？on image quality in nonenhanced abdominal-pelvic？CT on wide-detector revolution CT", Quantitative？Imaging in Medicine and Surgery, Vol. 11, No. 1,？pp. 264-275, 2021. http://dx.doi.org/10.21037/qims-19-945

상세보기
A. H. Goenka, B. R. Herts, F. Dong, N. A.？Obuchowski, A. N. Primak, W. Karim, M. E. Baker,？"Image Noise, CNR, and Detectability of？Low-Contrast, Low-Attenuation Liver Lesions in a？Phantom: Effects of Radiation Exposure, Phantom？Size, Integrated Circuit Detector, and Iterative？Reconstruction", Radiology, Vol. 280, No. 2, pp.？475-482, 2016. http://dx.doi.org/10.1148/radiol.2016151621

상세보기
Ch. Yan, J. Xu, Ch. Liang, Q. Wei, Y. Wu, W.？Xiong, H. Zheng, Y. Xu, "Radiation Dose Reduction？by Using CT with Iterative Model Reconstruction in？Patients with Pulmonary Invasive Fungal Infection",？Radiology, Vol. 288, No. 1, pp. 285-292, 2018.？http://dx.doi.org/10.1148/radiol.2018172107

상세보기
Joel Greffier, Aymeric Hamard, Fabricio Pereira,？Corinne Barrau, Hugo Pasquier, Jean Paul Beregi,？Julien Frandon, "Image quality and dose reduction？opportunity of deep learning image reconstruction？algorithm for CT: a phantom study", European？radiology, Vol. 30, pp. 3951-3959, 2020. http://dx.doi.org/10.1007/s00330-020-06724-w
Zh. Ren, Xi. Zhang, Zh. Hu, D. Li, Zh. Liu, D.？Wei, Y. Jia, N. Yu, Y. Yu, Y. Lei, Xi. Chen, Ch.？Guo, Zh. Ren, T. He, "Application of Adaptive？Statistical Iterative Reconstruction-V With？Combination of 80 kV for Reducing Radiation Dose？and Improving Image Quality in Renal Computed？Tomography Angiography for Slim Patients",？Academic Radiology, Vol. 26, No. 11, pp.？e324-e332, 2019. http://dx.doi.org/10.1016/j.acra.2018.12.021

상세보기
D. C. Benz, G. Benetos, G. Rampidis, E. von Felten,？A. Bakula, A. Sustar, K. Kudura, M. Messerli, T. A.？Fuchs, C. Gebhard, A. P Pazhenkottil, Ph. A？Kaufmann, R. R Buechel, "Validation of？deep-learning image reconstruction for coronary？computed tomography angiography: Impact on noise,？image quality and diagnostic accuracy", Journal of？cardiovascular computed tomography, Vol. 14, No. 5,？pp 444-451, 2020.？http://dx.doi.org/10.1016/j.jcct.2020.01.002

상세보기
Ashhar, S. M., Mokri, S. S., Abd Rahni, A. A.,？Huddin, A. B., Zulkarnain, N., Azmi, N. A., &？Mahaletchumy, T. Comparison of deep learning？convolutional neural network (CNN) architectures for？CT lung cancer classification. International Journal？of Advanced Technology and Engineering？Exploration, Vol. 74, No. 8, pp. 126-134, 2021.？http://dx.doi.org/10.19101/IJATEE.2020.S1762126

상세보기
Ch. K. Park, K. S. Choo, Y. S. Jung, H S Jeong,？J. Y. Hwang, M. S. Yun, "CT iterative vs deep？learning reconstruction: comparison of noise and？sharpness", European radiology, Vol. 31, No. 5, pp.？3156-3164, 2021. http://dx.doi.org/10.1007/s00330-020-07358-8

상세보기
A. Bernard, P. O. Comby, B. Lemogne, K. Haioun,？F. Ricolfi, O. Chevallier, R. Loffroy, "Deep learning？reconstruction versus iterative reconstruction for？cardiac CT angiography in a stroke imaging？protocol: reduced radiation dose and improved image？quality", Quantitative Imaging in Medicine and？Surgery, Vol. 11, No. 1, pp. 392-401, 2021.？http://dx.doi.org/10.21037/qims-20-626

상세보기
B. Newman, A. Ganguly, J. E. Kim, T. Robinson,？"Comparison of different methods of calculating CT？radiation effective dose in children", American？Journal of Roentgenology, Vol. 199, No. 2, pp.？W232-W239, 2012. http://dx.doi.org/10.2214/AJR.10.5895

상세보기
H. Y. Jang, J. H. Jung, Y. Y. Kyong, K. H. Kim,？D. K. Kim, M. R. Kim, J. J. Kim, E. Ryoo, K. Ch.？Noh, J. S. Seo, S. B. Oh, W. J. Hee, J. M. Ryu, J.？S. Lee, J. H. Lee, S. B. Han, "Korean Guidelines？for Pediatric Procedural Sedation and Analgesia",？Journal of the Korean Society of Emergency？Medicine, Vol. 23, No. 3, pp. 303-314, 2012.
Joseph P. Cravero, George T. Blike, Michael Beach,？Susan M. Gallagher, James H. Hertzog, Jeana E.？Havidich, Barry Gelman, "Incidence and Nature of？Adverse Events During Pediatric Sedation/Anesthesia？for Procedures Outside the Operating Room: Report？From the Pediatric Sedation Research Consortium",？Pediatrics Vol. 118, No. 3, pp. 1087-1096, 2006. http://dx.doi.org/10.1542/peds.2006-0313

상세보기
M. M Lell, M. May, P. Deak, S. Alibek, M.？Kuefner, A. Kuettner, H. Kohler, S. Achenbach, M.？Uder, T. Radkow, "High-pitch spiral computed？tomography: effect on image quality and radiation？dose in pediatric chest computed tomography",？Investigative Radiology, Vol. 46, No. 2, pp.？116-123, 2011. http://dx.doi.org/10.1097/RLI.0b013e3181f33b1d

상세보기
A. Kino, E. J. Zucker, A. Honkanen, J. Kneebone,？J. Wang, F. Chan, B. Newman, "Ultrafast pediatric？chest computed tomography: comparison of？free-breathing vs. breath-hold imaging with and？without anesthesia in young children", Pediatric？Radiology, Vol. 49, No. 3, pp. 301-307, 2018. http://dx.doi.org/10.1007/s00247-018-4295-5

상세보기
S. Schalekamp, W. M Klein, K. G van Leeuwen,？"Current and emerging artificial intelligence？applications in chest imaging: a pediatric？perspective", Pediatric Radiology, Vol. 52, No. 11,？pp. 2120-2130, 2022. http://dx.doi.org/10.1007/s00247-021-05146-0

상세보기
J. Sun, H. Li, J. Li, T. Yu, M. Li, Z. Zhou, Y.？Peng, "Improving the image quality of pediatric？chest CT angiography with low radiation dose and？contrast volume using deep learning image？reconstruction", Quantitative Imaging in Medicine？and Surgery, Vol. 11, No. 7, pp. 3051-3058, 2021.？https://doi.org/10.21037/qims-20-1158？

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