แนวคิดหลัก
구조적 MRI 데이터를 이용하여 기능적 PET 영상을 고품질로 합성하는 새로운 기능적 영상 제약 확산 모델 (FICD) 프레임워크를 제안한다.
บทคัดย่อ
이 연구는 구조적 MRI 데이터를 이용하여 기능적 PET 영상을 고품질로 합성하는 새로운 기능적 영상 제약 확산 모델 (FICD) 프레임워크를 제안한다.
FICD 프레임워크는 두 단계로 구성된다. 첫째, 순방향 확산 과정에서 PET 영상에 점진적으로 가우시안 노이즈를 추가한다. 둘째, 역방향 탈노이즈 과정에서 제안된 제약 확산 모델 (CDM)을 통해 노이즈를 점진적으로 제거한다. CDM은 MRI 데이터를 조건으로 사용하며, 기능적 영상 제약을 도입하여 합성된 PET 영상과 실제 PET 영상 간의 voxel 단위 정렬을 보장한다.
정량적 및 정성적 분석 결과, FICD는 기존 최신 방법들에 비해 우수한 FDG-PET 합성 성능을 보였다. 또한 FICD를 활용하여 전구 알츠하이머 질환 진행 예측, 미래 인지 기능 예측 등의 다운스트림 작업에서도 개선된 성능을 달성하였다. 나아가 FICD 모델을 아밀로이드 PET 영상 합성에 적용하여 일반화 가능성을 검증하였다.
สถิติ
구조적 MRI와 기능적 PET 영상 간의 voxel 단위 정렬을 보장하는 것이 PET 영상 합성에 중요하다.
제안된 FICD 모델은 기존 방법들에 비해 더 높은 PSNR, SSIM, NMI 값과 더 낮은 MAE 값을 달성하였다.
FICD를 활용하여 전구 알츠하이머 질환 진행 예측 및 미래 인지 기능 예측 작업에서 개선된 성능을 보였다.
FICD 모델을 아밀로이드 PET 영상 합성에 적용하여 일반화 가능성을 검증하였다.
คำพูด
"구조적 MRI와 기능적 PET 영상은 신경퇴행성 질환 연구에 시너지 효과를 발휘한다."
"PET 영상 획득의 어려움으로 인해 다중 모달 연구에 제한이 있다."
"제안된 FICD 프레임워크는 구조적 MRI를 이용하여 고품질의 기능적 PET 영상을 합성할 수 있다."