GAN-based synthetic FDG PET images from T1 brain MRI can serve to improve performance of deep unsupervised anomaly detection models
Created by
Haebom
저자
Daria Zotova (MYRIAD), Nicolas Pinon (MYRIAD), Robin Trombetta (MYRIAD), Romain Bouet (CRNL), Julien Jung (CRNL, HCL), Carole Lartizien (MYRIAD)
개요
본 논문은 GAN 기반 모델을 사용하여 T1 가중 MRI 데이터로부터 [18F]플루오르데옥시글루코스 (FDG) PET 이미지를 생성하는 다양한 프레임워크를 설계 및 비교합니다. 먼저 표준적인 정성적 및 정량적 화질 평가를 수행하고, 이러한 합성 PET 데이터를 깊이 있는 비지도 이상 탐지 (UAD) 모델 훈련에 사용하는 영향을 추가로 탐구합니다. T1 MRI 및 FDG PET 이미지에서 미세한 간질 병변을 탐지하도록 설계된 UAD 모델은 Siamese autoencoders 기반의 심층 표현 학습과 OC-SVM 밀도 지지 추정 모델을 결합합니다. 정상 피험자의 데이터만으로 훈련된 이 모델은 정상 집단 패턴으로부터의 모든 변화를 감지할 수 있습니다. 35쌍의 정상 피험자 MR T1 데이터에 35장의 실제 PET 이미지 또는 최고 성능의 생성 모델로 생성된 35장의 합성 PET 이미지를 결합하여 훈련된 모델의 탐지 성능을 비교하며, 17건의 수술을 받은 간질 환자 검사를 통해 성능 분석을 수행합니다. 결과적으로 GAN 기반 모델이 트랜스포머 또는 확산 모델보다 우수한 MR T1에서 FDG PET로의 변환에 가장 적합함을 확인하고, 간질 환자의 임상 검사 평가 및 UAD 모델 훈련을 위한 이러한 합성 데이터의 진단적 가치를 보여줍니다. 코드와 정상 이미지 데이터 세트는 공개됩니다.
시사점, 한계점
•
시사점:
◦
GAN 기반 모델이 MRI에서 FDG PET 이미지 생성에 가장 적합함을 보여줌.
◦
합성 PET 데이터를 사용한 UAD 모델 훈련의 진단적 가치를 입증.
◦
74%의 민감도를 달성하는 UAD 모델 개발.
◦
코드와 정상 이미지 데이터셋 공개를 통해 재현성 확보.
•
한계점:
◦
다양한 GAN 모델 외 다른 방식(예: transformer, diffusion model)과의 비교가 제한적일 수 있음.
