FDG-PET腫瘍診断における人工知能技術を用いた新たな統計雑音低減処理法の開発

点击翻译按钮获取中文摘要

本研究計画では、FDG-PET腫瘍診断においてAI技術による新たな統計雑音低減処理法を用いて、信号雑音比の高い良質ながん病変の描出を確立し、がん診断成績の向上を目指し、令和4年度はがん病変内部の代謝活性の違いによる描出特性を理論的に検討した。NEMA/IEC body phantomを使用し、その内部に異なる大きさの球体および2層構造から成るがん病変を模した球体を用いて基礎実験を実施した。2層構造から成る球体へ封入するFDGの放射能濃度差を変化せたFDG-PET画像を取得した。外層とバックグラウンドの境界面を明瞭に描出するためには、画像再構成アルゴリズムの過程におけるフィルタ処理を至適化することが必要と考えられるため、至適な補正処理を特定し、がん病変内部の不均一性を考慮した代謝活性の違いによる描出特性を理論的に検討した。続いて、FDG-PET/CT検査を受けた症例の既存画像データ49症例について、呼吸運動の影響を受けていない頭頸部領域へFDG集積がある症例の画像データを後ろ向きに解析した。一般診療にて実施された、TOF-OSEM法(PSF+、Iteration:3、Subset:10)で画像再構成された画像データを基準画像とし、画像データには新たな統計雑音低減処理法：Clear Adaptive Low-Noise Method (CaLM)の3つのパラメータ(Mild、Standard、Strong)を組み込んで画像再構成した。得られた画像データ(処理画像)に対して、定量的評価を行った。本研究は、順天堂大学保健医療学部研究等倫理委員会および順天堂大学医学部医学系研究等倫理委員会で承認され実施した。本研究の結果、実験的検討および臨床的検討ともにFDG-PET/CT検査において、CaLMを用いた画像再構成法では、パラメータとしてStandardが有用であると示唆された。