(1) Training 및 test dataset 구축 - FBB, FMM, FPN을 사용한 아밀로이드 PET DICOM 파일을 획득하여 딥러닝 모델의 개발에 사용할 dataset을 구성 - 20분간 촬영한 영상을 표준영상 (ground truth, GT)로 하고, 2분간 얻은 영상을 복원 대상이 되는 단시간 영상 (input data)로 함 - FBB, FMM, FPN의 dataset은 각각 2분의 저화질 영상과 20분의 고화질 원본 영상을 쌍으로 하여 250개, 250개, 180개의 검사로 구성 (2) Dataset의 영상 전처리 - 모든 dataset은 1개의 PET 검사당 110개의 횡단면 영상으로 구성된 DICOM 파일로 저장 - 영상의 크기는 cropping을 통해 224×224로 재구성 (3) 딥러닝 모델 개발 - 인공지능 모델은 선행 연구에서 적용한 것과 마찬가지로 GAN 기반의 딥러닝 모델을 적용 - 모델의 특징 : GAN의 구성은 generator와 discriminator로 구성되며, generator의 구성에서 특이점은 일반 CNN이 아닌 deep convolutional framelets으로 구성됨. - 2분 영상을 input, 20분 영상을 ground-truth로 하여 보정 모델을 학습. Blurry effect를 줄이기 위해 GAN-loss를 활용. Multi-domain 영상을 효과적으로 학습하기 위하여 conditional code, adaptive instance normalization code 방식 등을 활용하여 다약제에 대한 통합 네트워크 개발. - Discriminator는fully connected layer는 제거하고, 1×1 convolution을 추가 - Training dataset과 test dataset은 3종의 방사성의약품에서 각각 85 : 15 정도로 구성 (4) 딥러닝 모델 검증 - 딥러닝 모델의 검증을 위해 temporal & external validation을 시행 - Temporal validation: 동일 병원에서 딥러닝 모델 개발에 사용된 dataset을 얻은 기간과 중복되지 않은 다른 기간에 검사한 3종의 방사성의약품을 사용한 아밀로이드 PET 영상을 이용하여 temporal validation을 진행함 - External validation: 국내에서 관련 dataset은 구하기 어려우므로 공개되어 있는 PET 영상을 이용하며, ADNI (Alzheimer's Disease Neuroimagin (g Initiative) dataset을 이용하여 딥러닝 모델을 검증 (5) 딥러닝 모델 성능 지표 - 모델의 성능 검증을 위해 기술적인 품질 지표 외에 전문의에 의한 정성, 정량 지표를 비교 - 기술적 품질 지표 : PSNR, MSE, SSIM - 전문의 판독 ① Turing test: 원본 영상과 복원된 영상을 동시에 제시하여 전문의가 둘 중 진짜 사진을 육안으로 선택 ② 판독정확도/판독일치도/반복검사: 딥러닝 모델로 복원된 3종의 아밀로이드 PET 영상을 3명의 핵의학과 전문의에게 제시. 육안 판독을 통해 양성/음성으로 표시하여 3명의 전문의의 판독정확도를 각각 측정하며, 2개월 간격으로 반복 실시하여 평균정확도(%)를 계산. 일관성 있는 판독이 가능한 영상의 질을 가졌는지 확인하기 위해 판독자내 판독일치도를 측정. ③ 정량값비교: Composite area의 SUVR 값을 측정하여 원본 영상과 복원된 영상의 SUVR값 오차를 측정. - 전문의 판독 기준 중 임상적으로 중요한 판독정확도와 SUVR 정량값 비교를 구체적 성능 지표로 정하였고, 각각 목표를 판독정확도 95% 이상, 정량값오차 5% 이내로 정함 (6) GUI 기반 응용소프트웨어 개발 - 개발된 딥러닝 모델의 쉬운 활용을 위해 윈도우 환경에서 활용할 수 있는 GUI 기반의 소프트웨어 개발 - 추론 프로그램을 탑재함으로 별도의 프로그램을 설치하지 않아도 동작 가능 - 소프트웨어에서 제공한 DICOM 파일이 딥러닝 모델에서 얻어진 파일과 동일함을 확인하기 위해 동일한 test dataset 영상을 대상으로 PSNR, MSE, SSIM을 비교하여 동일한 영상임을 확인