Development of an image reconstruction method for the data driven SPECT system with deep learning

今年度はマルチピンホールコリメータ（ピンホール数：11）を想定した静止型データ収集を可能とするSPECTシステムを対象にして、その空間分解能および量子雑音の影響を低減する画像再構成法を研究した。具体的には従来型のデコンボリューション技術を基礎とするアプローチと深層学習を利用したアプローチの比較研究を行った。前者のデコンボリューション技術では、シフトバリアントな影響を考慮したそれぞれのピンホール位置での点広がり関数を用いて、リチャードソン・ルーシーアルゴリズムによって最尤推定を行う形でボケを削減した投影データを求めた。後者の深層学習を用いた方法では、ネットワークへの入力はモンテカルロ計算で得られたボケのある投影データとし、ボケのない無限小ピンホールの理想投影データを教師データとして学習させた。利用した深層学習のアーキテクチャはU-netおよびU-net++である。学習に用いるデータを作成するため、公開されている磁気共鳴イメージングのT2強調画像を用いて、脳の白質や灰白質部分を抽出した。このようなファントムを8個作成して本研究に利用した。さらにこれらのファントムを3次元的に回転させ学習に用いるファントムとし、これらに対しモンテカルロ計算でピンホール投影データを計算した。そして計864個の投影データのうち756個を訓練データ、108個をテストデータとしてネットワークの学習と評価を行った。結果として従来法との比較では、深層学習を用いた手法は計算量が減る点と画質が相対的に優れるという利点が明らかになったが、学習パターン数をさらに増加させることで、さらなる画質の改善が期待できるため、今後ファントム数を増やして画質改善を図っていく予定である。

今年度はマルチピンホールコリメータ（ピンホール数：11）を想定した静止型データ収集を可能とするSPECTシステムを対象にして、その空間分解能および量子雑音の影響を低減する画像再構成法を研究した。具体的には従来型のデコンボリューション技術を基礎とするアプローチと深層学習を利用したアプローチの比較研究を行った。前者のデコンボリューション技術では、シフトバリアントな影響を考慮したそれぞれのピンホール位置での点広がり関数を用いて、リチャードソン・ルーシーアルゴリズムによって最尤推定を行う形でボケを削減した投影データを求めた。後者の深層学習を用いた方法では、ネットワークへの入力はモンテカルロ計算で得られたボケのある投影データとし、ボケのない無限小ピンホールの理想投影データを教師データとして学習させた。利用した深層学習のアーキテクチャはU-netおよびU-net++である。学習に用いるデータを作成するため、公開されている磁気共鳴イメージングのT2強調画像を用いて、脳の白質や灰白質部分を抽出した。このようなファントムを8個作成して本研究に利用した。さらにこれらのファントムを3次元的に回転させ学習に用いるファントムとし、これらに対しモンテカルロ計算でピンホール投影データを計算した。そして計864個の投影データのうち756個を訓練データ、108個をテストデータとしてネットワークの学習と評価を行った。結果として従来法との比較では、深層学習を用いた手法は計算量が減る点と画質が相対的に優れるという利点が明らかになったが、学習パターン数をさらに増加させることで、さらなる画質の改善が期待できるため、今後ファントム数を増やして画質改善を図っていく予定である。