68Ga PET 영상의 조직 의존적 양자점 범위 보정: 3D RED‑CNN 기반 딥러닝 접근

초록

본 연구는 고에너지 방사성동위원소 68Ga의 양자점(range)으로 인한 해상도 저하와 정량오차를 해결하기 위해, 조직‑특이적 µ‑map 정보를 손실함수에 통합한 3차원 잔차 인코더‑디코더 CNN(3D RED‑CNN) 모델을 제안한다. 시뮬레이션 데이터와 실제 마우스 PET/CT 영상을 이용해 Single‑Channel, Two‑Channel, DualEncoder 세 가지 아키텍처를 학습·평가했으며, Richardson‑Lucy 기반 전통적 보정(RL‑PRC)과 비교해 구조유사도(SSIM) 19 % 향상, 평균절대오차(MAE) 13 % 감소, 대비복구(CR)·대비‑노이즈비(CNR)에서도 우수한 성능을 보였다. 특히 Two‑Channel 모델이 가장 높은 CR·CNR을 달성했으며, 실제 68Ga‑FH 및 68Ga‑PSMA‑617 마우스 실험에서 종양 경계와 스필오버 감소 효과가 관찰되었다. 향후 도메인 적응 및 하이브리드 학습을 통해 일반화를 강화하고, 다른 고에너지 PET 동위원소에도 적용할 계획이다.

상세 분석

본 논문은 68Ga와 같이 평균 에너지가 높은 양전자 방출 동위원소가 초래하는 양자점(positron range, PR) 블러링을 정량적·공간적 해상도 측면에서 크게 제한한다는 점에 착안한다. 기존 PR 보정 방법은 Fourier deconvolution, 시스템 응답 행렬(SRM) 내 PSF 모델링, 조직‑별 커널 기반 Richardson‑Lucy(RL) 디컨볼루션 등으로, 각각 잡음 증폭, 조직 경계에서의 과·과소 보정, 계산 복잡도 등의 한계를 가지고 있다. 최근 딥러닝 기반 접근이 제시됐지만, 대부분 2‑D 슬라이스 입력에 머물렀고, 조직 밀도 정보를 손실함수에 명시적으로 반영하지 않아 실제 데이터 적용 시 일반화 문제가 있었다.

이에 저자들은 세 가지 핵심 혁신을 도입한다. 첫째, 2‑D CNN을 3‑D 잔차 인코더‑디코더(RED‑CNN) 구조로 확장해 부피적 공간 정보를 완전히 활용함으로써 인접 슬라이스 간 불연속성을 최소화한다. 둘째, µ‑map(CT 기반 선형 감쇠 지도)을 손실함수에 통합하는 ‘tissue‑dependent loss’를 설계한다. 구체적으로 MAE와 전역 상호정보(MI) 차이를 결합한 형태(Loss = MAE + λ·|MI(X,Y)−MI(Ŷ,Y)|)를 사용해, 예측된 68Ga PET 이미지와 실제 18F(PR 보정이 이미 적용된) 이미지 사이의 정량적 차이뿐 아니라, 예측 이미지와 µ‑map 사이의 구조적 일관성도 동시에 최적화한다. λ는 0.01로 설정해 정량·해부학적 일치를 균형 있게 유지한다.

셋째, 조직 정보를 네트워크에 통합하는 방식을 세 가지 아키텍처로 비교한다. Single‑Channel은 PET만 입력하고 손실함수에서만 µ‑map을 활용한다. Two‑Channel은 PET와 µ‑map을 두 채널로 동시에 입력해 초기 특징 추출 단계에서 직접적인 조직 정보를 제공한다. DualEncoder는 별도의 인코더 경로를 통해 µ‑map을 별도로 처리한 뒤, 중간 레이어에서 병합함으로써 보다 깊은 수준의 해부학적 특징을 학습한다. 이러한 설계는 조직 경계에서의 PR 차이를 보다 정밀하게 모델링할 수 있게 한다.

학습 데이터는 MOBY와 Digimouse 해부학적 모델을 기반으로 PenEasy와 PenNuc을 이용해 실제 물리적 PR을 시뮬레이션한 68Ga와 18F PET 이미지, 그리고 해당 µ‑map을 포함한다. 시뮬레이션 파이프라인은 2 M 이벤트를 5번 반복해 현실적인 노이즈 레벨을 재현하고, PSF‑3D‑OSEM 재구성을 통해 0.78 mm³ 해상도의 이미지로 변환한다. 이렇게 생성된 15개의 디지털 해부학 모델은 공개 저장소에 업로드돼 재현성을 확보한다.

성능 평가는 MAE, SSIM, CR, CNR, 그리고 노이즈 증가율(%)을 사용한다. 시뮬레이션 결과, Three‑Channel CNN은 RL‑PRC 대비 SSIM이 최대 19 % 상승하고 MAE가 13 % 감소했으며, 특히 Two‑Channel 모델이 CR·CNR에서 가장 높은 값을 기록했다(폐 조직에서 97 %의 ground‑truth 일치도, RL‑PRC는 77 %). 노이즈 측면에서는 CNN이 약 5.9 % 수준을 유지한 반면, RL‑PRC는 5.8 % 추가 노이즈를 야기했다. 실제 마우스 실험(68Ga‑FH, 68Ga‑PSMA‑617)에서도 Two‑Channel 모델이 가장 높은 CNR(9.6 % 노이즈)과 함께 종양 경계가 선명해지고 스필오버 현상이 감소했다. 정량적 ground‑truth이 없으므로 시각적·정성적 평가에 의존했지만, 전문가 판독에서 두드러진 개선이 확인되었다.

한계점으로는 (1) 도메인 차이(시뮬레이션 vs 실제)로 인한 일반화 불확실성, (2) λ 파라미터와 MI 손실의 민감도 분석 부족, (3) 68Ga 외 다른 고에너지 동위원소에 대한 검증이 미비함을 들 수 있다. 저자들은 향후 도메인 적응(transfer learning)과 하이브리드(실제+시뮬레이션) 학습 전략을 통해 모델 일반화를 강화하고, 68Ga 외 124I, 89Zr 등에도 적용 가능한 프레임워크로 확장할 계획이라고 제시한다.

전반적으로, 조직‑특이적 손실함수를 도입한 3D RED‑CNN은 기존 RL‑PRC 대비 정량·정성적 성능에서 현저히 우수하며, 특히 두 번째 채널을 통한 µ‑map 직접 입력이 PR 보정에 가장 효과적임을 실증한다. 이는 고에너지 PET 동위원소를 사용하는 전임상·임상 연구에서 이미지 품질을 크게 향상시킬 수 있는 실용적인 솔루션으로 평가된다.