• Search Research Projects
  • Search Researchers
  • How to Use
  1. Back to project page

2018 Fiscal Year Research-status Report

Novel pharmacokinetic analysis for PET molecular imaging based on neural network approach

Research Project

Project/Area Number 18K12073
Research InstitutionNational Cardiovascular Center Research Institute

Principal Investigator

越野 一博  国立研究開発法人国立循環器病研究センター, 研究所, 室長 (90393206)

Co-Investigator(Kenkyū-buntansha) 平野 祥之  名古屋大学, 医学系研究科(保健), 准教授 (00423129)
Project Period (FY) 2018-04-01 – 2021-03-31
Keywordsニューラルネットワーク / ノイズ除去 / PETイメージング
Outline of Annual Research Achievements

本研究の目的は、ニューラルネットワークを持つ機械学習を用いて、PET(陽電子断層撮影)・時空間4次元データに対する新たな薬物動態解析法を構築することである。PET画像には、放射性同位元素の崩壊に起因する統計ノイズが含まれる。これが、PET画像における誤差の本質的な原因であり、特に投与放射能量が低いときにその影響は支配的になる。ノイズを除去し、正確なPET画像を提供することは、画像診断精度の向上に貢献する。
当該年度はPET画像の元になる投影データに含まれるノイズ除去のためのニューラルネットの構築とその性能評価を行った。
頭部MRI(核磁気共鳴画像法)画像を灰白質、白質、脳脊髄液、骨、軟組織、空気/バックグラウンドに領域分割した後、灰白質、白質、軟組織に対して、放射性同位元素標識薬剤の集積濃度比を文献調査により定め、現在のPET装置を想定した放射能濃度を与えた数値ファントム(教師データ)を作成した。ポアソン分布により発生させたノイズを付与したデータを入力として、ノイズの存在しない教師データを再現するように、ニューラルネットを学習させた。
ノイズ除去性能は、ノイズなし画像を基準とするピーク信号対雑音比を指標とした。学習では使用しないノイズなし投影データ30個と、それに対応するノイズあり投影データ、ノイズ除去後の投影データのピーク信号対雑音比はそれぞれ、16.4±0.8 dB、31.9±6.0 dBであった。ピーク信号対雑音比が向上したことから、ニューラルネットによるノイズ除去の有効性が示せた。
数値ファントムデータよりも現実に即した状況での評価のため、臨床PET装置を忠実に再現したモンテカルロ・シミュレーション系の構築と、シミュレーションデータに対する画像再構成プログラムを開発した。

Current Status of Research Progress
Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

数値ファントムを対象とした検討の結果、細部の構造については、教師データを完全に再現できておらず、本手法には改良の余地がある。しかしながら、ピーク信号対雑音比については顕著な改善が認められている。
PETイメージングのためのモンテカルロ・シミュレーション系を構築済みであり、より現実の状況に近いデータを使っての性能評価や手法の改良を行う準備が整っている。
以上から、研究の進捗状況としては、順調に進んでいると言える。

Strategy for Future Research Activity

今年度は、以下の2点を重点的に遂行する。
1) PETイメージングのためのモンテカルロ・シミュレーション系から生成した投影データを対象として、本手法の性能評価を行う。本手法、FBP (filtered back-projection) 法、OSEM (ordered subset expectation maximization) 法による4次元画像を、教師データに対する忠実度について比較する。
2) 薬物動態パラメータ推定のためのニューラルネットワーク構築とその性能評価を行う。薬物動態パラメータの推定精度を、既存解析手法(非線形最小二乗法、基底関数法、グラフプロット)と比較する。

Causes of Carryover

本年度は数値ファントムを対象とした基礎的検討を行った。ニューラルネットワークを持つ機械学習に対して、性能要件を満たすコンピュータリソースが、研究計画調書作成時よりも低額で購入可能であったため、本年度の計画遂行に最低限必要な助成金の支出に留めた。

URL: 

Published: 2019-12-27  

Information User Guide FAQ News Terms of Use Attribution of KAKENHI

Powered by NII kakenhi