핵의학 갑상샘 팬텀 영상에서 보간법이 초고분해능 ResNet 모델성능에 미치는 영향에 관한 연구

• 영문명: Study on Impact of Interpolation Methods on Performance of Super-Resolution ResNet Model in Nuclear Medicine Thyroid Phantom Imaging
• 발행기관: 대한방사선과학회(구 대한방사선기술학회)
• 저자명: 김민하(Minha Kim) 박찬록(Chanrok Park)
• 간행물 정보: 『방사선기술과학』제47권 제6호, 433~439쪽, 전체 7쪽
• 주제분류: 의약학 > 방사선과학
• 파일형태: PDF
• 발행일자: 2024.12.31

국문 초록

핵의학 영상은 다양한 보간법을 적용하여 획득 영상의 축소 및 확대를 통하여 영상의 질을 개선한다. 또한, 입력 데이터셋과 정답 데이터셋 간의 특징을 추출하는 딥러닝 알고리즘 기반의 영상처리 기술도 영상의 질 향상에 크게 작용하고 있다. 이에 본 연구의 목적은 갑상샘 팬텀 영상을 이용하여 다양한 보간 방법을 적용하여 획득한 입력 데이터에 따른 딥러닝 알고리즘의 성능을 정량적 분석 인자를 이용하여 평가하고자 한다. 256 × 256 크기의 매트릭스로 갑상샘 팬텀 영상을 99mTcO₄- 37M㏃로 총 200장을 각각 1분씩 획득하여 정답 영상을 생성하였다. 최근접 이웃, 선형, 이차, 삼차, 오차 보간 방법을 다운샘플링과 업샘플링에서 적용하여 입력 데이터셋을 구축하였다. 학습률 0.0001, 학습횟수 300회로 설정된 초고분해능 잔차학습네트워크 (super resolution residual network, SRResNet) 구조를 구현하였으며, 데이터셋은 8:1:1 비율로 훈련, 검증 및 테스트 세트로 분할하여 학습하였다. 생성된 출력 영상은 변동계수 (coefficient of variationi, COV) 및 신호대잡음비 (contrast to noise ratio, CNR)를 사용하여 분석하였다. 그 결과 SRResNet 네트워크는 저분해능 영상을 생성하는데 삼차 보간법을 적용했을 때 가장 우수한 COV 및 CNR 값을 보였다. 그러므로 본 연구는 보간법 기반 딥러닝 알고리즘을 적용한 핵의학 갑상샘 영상의 질화질 개선 측면에서 입력 데이터로써의 적절한 보간법 적용이 생성 영상에 미치는 영상이 크다는 것을 확인하였으며, 영상의 질 향상을 위한 검사에 따른 적절한 보간법이 설정되어야 함을 증명하였다.

영문 초록

The nuclear medicine imaging can improve the image quality through the application of various interpolation techniques. Additionally, deep learning algorithm, which perform feature extraction between input and label datasets, is widely utilized to improve image quality in nuclear medicine. Thus, the purpose of this study was to confirm the performance of deep learning algorithm according to applied various interpolation methods as input data using the thyroid phantom images. A total of 200 thyroid phantom images, each sized 256 × 256, were acquired at an activity of 37 M㏃ for 1 minute to generate the label images. Interpolation methods including nearest neighbor, bilinear, biquadratic, bicubic, biquartic, and biquintic were applied during both downsampling and upsampling processes. The super-resolution residual network (SRResNet) architecture was implemented with a learning rate of 0.0001 and 300 epochs, using an 8:1:1 ratio for train, validation, and test sets, respectively. The generated output images analyzed using coefficient of variation (COV) and contrast to noise ratio (CNR). Consequently, the SRResNet algorithm, which used low-resolution images generated with the bicubic interpolation method, showed the highest performance. This study demonstrates the importance of selecting appropriate interpolation methods for generating input images to improve the accuracy of the SRResNet algorithm in nuclear medicine thyroid imaging and even in other medical fields for diagnosis.

목차

Ⅰ. 서 론

Ⅱ. 대상 및 방법

Ⅲ. 결 과

Ⅳ. 고 찰

Ⅴ. 결 론

REFERENCES

키워드

핵의학 보간법 ResNet모델 정량분석 Nuclear medicine Interpolation techniques ResNet model Quantitative analysis