深層学習ノイズ除去アルゴリズムは、高速全身360°CZTカメラ骨シンチグラフィーで従来必要とされていた空間フィルターを上回る

科学分野:

• 医用画像処理
• 医療における人工知能
• 核医学

背景:

• 空間フィルター（CSF）は、シンチグラフィー画像においてノイズを低減するが、画像を平滑化し、SUVとコントラストを低下させる。
• 骨シンチグラフィーの撮影時間を短縮するために、深層学習ノイズ除去（DLNR）アルゴリズムが開発された。
• 本研究では、DLNRを従来の空間フィルターの代替として評価するものであり、追加としてではない。

研究 の 目的:

• 骨シンチグラフィーにおける単独のノイズ低減技術としてのDLNRアルゴリズムの性能を評価すること。
• 画像品質と病変定量化の観点から、従来の空間フィルター（CSF）に対するDLNRの有効性を比較すること。
• コントラスト対ノイズ比（CNR）と病変検出率に対するDLNRの影響を評価すること。

主な方法:

• 深層学習ノイズ除去（DLNR）アルゴリズムを骨シンチグラフィー画像に適用した。
• DLNRの性能を、従来の空間フィルター（CSF）および組み合わせたCSF-DLNRアプローチと比較した。
• 定量的分析には、病変のSUVmax、解像度回復係数、相対ノイズ、およびコントラスト対ノイズ比（CNR）が含まれた。
• 解像度とCNRを評価するために、小および中規模の球体を用いたファントム研究を使用した。

主要な成果:

• DLNRは、CSFと比較して骨病変のSUVmaxおよび解像度回復係数を有意に増加させた（p < 0.001）。
• DLNRおよびCSF-DLNRは、CSFよりも低い相対ノイズを示した（p < 0.001）。
• DLNRは、特に小〜中規模構造においてCNRを劇的に増加させ、1 cm³程度の病変ではほぼ倍増させた。
• DLNRは、同等のノイズ低減レベルにおいて、他のフィルター（中央値、カーネル、バターワース、ガウス）を上回った。

結論:

• 単独で使用した場合、DLNRアルゴリズムは、特に小〜中規模の病変において、骨シンチグラフィーにおけるCNRと病変定量化を向上させる。
• DLNRは、従来のフィルターと比較して、高速CZTカメラを用いた日常的な骨シンチグラフィー解析において優れた画質を提供する。
• DLNRの広範な臨床導入には、さらなる検証が必要である。