| 研究課題/領域番号 |
20K16758
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分52040:放射線科学関連
|
|---|
| 研究機関 | 神戸大学 |
|---|
研究代表者 |
曽 菲比 神戸大学, 医学部附属病院, 医員 (50837680)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2023年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2022年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2021年度: 130千円 (直接経費: 100千円、間接経費: 30千円)
2020年度: 2,470千円 (直接経費: 1,900千円、間接経費: 570千円)
|
|---|
| キーワード | PET/MRI / 減弱補正 / 深層学習 / in-phase Zero echo-time / 吸収補正 |
|---|
| 研究開始時の研究の概要 |
本研究の目的は，胸部を対象としたPET/MRIにおいて，MR画像から深層学習を行いてγ線吸収補正マップを作成することにより，定量精度の高いPETをPET/MRI装置を用いて得ることである.従来法およびZTE法によるMRI画像から，深層学習を用いて骨の情報を抽出することで，骨を含めた5つの組織のMRI吸収補正マップが作成可能となると考えた．また胸部領域では，複雑な形態の骨が存在するとともに，呼吸運動や心臓の運動による画像の劣化が想定されるため，MRIは呼吸同期法を用いて撮像するとともに，中心周波数を調整して撮像したipZTE法を用いる.
|
| 研究実績の概要 |
In our previous study, pseudo-CT (pCT) with bone components from 360 ZTE-MRI training data set using the 2-dimensional (2D) deep learning (DL) method including unsupervised generative adversarial networks (GAN) yielded μmaps with bone components (μmapbone-2D) in combination with conventional bone-lacking μmaps (μmapno-bone) in the chest. We aimed to assess the feasibility of pCT and μmap (μmapbone-2.5D) from ZTE using 2.5 dimensional (2.5D) DL method and compare the quantitative values of the normal tissues and lesions between μmapno-bone-, μmapbone-2D-, and μmapbone-2.5D-besed reconstruction.
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
μmapbone-2.5D was significantly larger than μmapbone-2D in the normal bone and the liver (p=0.0009, p< 0.0001). The SUVmax by μmapbone-2.5D was significantly larger than μmapbone-2D in all regions (p= 0.0176). The correlation coefficients of the histogram for μmapbone-2.5D and μmapbone-2D were significantly higher than μmapno-bone in the bone (p<0.0001). The image-quality scores of pCT bone-2.5D for bone delineation and bone continuity were significantly higher than pCTbone-2D in both readers (p= 0.0106, p< 0.0001). μmapbone-2.5D are assumed to yield smaller differences in SUV with μmapCT than μmapno-bone and μmapbone-2D in normal tissues and lesions. The result supports the feasibility of using the 2.5D method for the generation of bone components from ZTE with DL.
|
| 今後の研究の推進方策 |
Attenuation correction (AC) of bone components in the chest on positron emission tomography-magnetic resonance images (PET/MRI) is challenging due to the complicated anatomical structures and limited delineation of the bone on MRI. A deep learning approach using unsupervised generative adversarial networks (GANs) with adaptive layer-instance normalization for image-to-image translation (U-GAT-IT) in combination with a modality-independent neighborhood descriptor (MIND) performed in our previous study yielded a pseudo-CT (pCT) generation with bone components from Zero echo-time (ZTE) MRI for AC in the chest. The purpose of this study was the external validation of the deep learning approach.
|
