脳PET/MRIのAI駆動型減衰補正：認知症コホートの臨床評価とトレーニンググループサイズの重要性

はじめに：堅牢で信頼できる減衰補正（AC）は、活動濃度の正確な定量化の前提条件です。PET/MRIの組み合わせでは、ACは、ACマップを導出する必要があるMRIの骨信号の欠如によって挑戦されます。ディープラーニングベースの画像から画像への翻訳ネットワークは、MRI由来AC（MR-AC）の最適なソリューションとして存在します。これらのネットワークの高い堅牢性と一般化は、大規模なトレーニングコホートを通じて達成されると予想されます。この研究では、ディープラーニングに基づいてMR-ACメソッドを実装し、トレーニングコホートサイズ、転送学習、MR入力が堅牢性にどのように影響するかを調査し、その後、この方法をPET/MRI検査の臨床ルーチンで実装できるかどうかを全体的に探求することを目的としています。 方法：2つの異なるソフトウェアバージョン（VB20PとVE11P）を備えたSiemens Biograph MMRの1037人の成人被験者の合計コホートが使用されました。ソフトウェアアップグレードには、すべてのMRIシーケンスの更新が含まれていました。トレーニンググループのサイズの影響は、10から403に増加するトレーニンググループサイズで畳み込みニューラルネットワーク（CNN）をトレーニングすることにより調査されました。ソフトウェアバージョン間の入力画像の変更に適応する能力は、大規模なコホートから小規模コホートへの転送学習を使用して、51人から91人の被験者から91人の被験者までのさまざまなトレーニンググループサイズを使用して評価されました。MRIシーケンスの影響は、Dixon Vibeシーケンス（DeepDixon）、T1強調MPRAGE（DEEPT1）、および超ショートエコー時間（UTE）シーケンス（DEEPUTE）に基づいて3つのネットワークをトレーニングすることで評価されました。参照低用量CT（CT-AC）に関連する盲検化された臨床評価は、統計表面投影を使用した神経脱脂障害の疑いのために行われた104の独立2- [18F] Fluoro-2-デオキシ-D-グルコース（[18F] FDG）PET患者研究でDeepDixonに対して実施されました。 結果：トレーニングデータセットのグループサイズとともに堅牢性が増加しました：最先端のセグメンテーションベースの方法と比較して外れ値の数を減らすために100人の被験者が必要でした。コホートを超える被験者は、変動の減少と外れ値の点で堅牢性をさらに高めました。MRI入力の変化に適応するために転送学習を使用する場合、わずか5人の被験者が外れ値を最小限に抑えるのに十分でした。20人の被験者で完全な堅牢性が達成されました。脳領域のCT-ACと比較して、3種類のMRI入力すべてを使用して、3種類のMRI入力すべてを使用して、同等の堅牢で正確な結果が得られました。DeepDixonを使用した臨床PET評価では、CT-ACと比較して臨床的に関連する違いは示されませんでした。 結論：ディープラーニングベースのACには、正確で堅牢なパフォーマンスを実現するために、大規模なトレーニングコホートが必要です。転送学習を使用して、入力画像の大きな変更にメソッドを微調整するために5人の被験者のみが必要でした。CT-ACと比較して臨床的に関連する違いは見つかりませんでした。これは、ディープラーニングベースのMR-ACメソッドの臨床的実装が、転送学習と限られた数の被験者を使用してMRIシステムタイプ全体で実行可能であることを示しています。

INTRODUCTION: Robust and reliable attenuation correction (AC) is a prerequisite for accurate quantification of activity concentration. In combined PET/MRI, AC is challenged by the lack of bone signal in the MRI from which the AC maps has to be derived. Deep learning-based image-to-image translation networks present itself as an optimal solution for MRI-derived AC (MR-AC). High robustness and generalizability of these networks are expected to be achieved through large training cohorts. In this study, we implemented an MR-AC method based on deep learning, and investigated how training cohort size, transfer learning, and MR input affected robustness, and subsequently evaluated the method in a clinical setup, with the overall aim to explore if this method could be implemented in clinical routine for PET/MRI examinations. METHODS: A total cohort of 1037 adult subjects from the Siemens Biograph mMR with two different software versions (VB20P and VE11P) was used. The software upgrade included updates to all MRI sequences. The impact of training group size was investigated by training a convolutional neural network (CNN) on an increasing training group size from 10 to 403. The ability to adapt to changes in the input images between software versions were evaluated using transfer learning from a large cohort to a smaller cohort, by varying training group size from 5 to 91 subjects. The impact of MRI sequence was evaluated by training three networks based on the Dixon VIBE sequence (DeepDixon), T1-weighted MPRAGE (DeepT1), and ultra-short echo time (UTE) sequence (DeepUTE). Blinded clinical evaluation relative to the reference low-dose CT (CT-AC) was performed for DeepDixon in 104 independent 2-[18F]fluoro-2-deoxy-d-glucose ([18F]FDG) PET patient studies performed for suspected neurodegenerative disorder using statistical surface projections. RESULTS: Robustness increased with group size in the training data set: 100 subjects were required to reduce the number of outliers compared to a state-of-the-art segmentation-based method, and a cohort >400 subjects further increased robustness in terms of reduced variation and number of outliers. When using transfer learning to adapt to changes in the MRI input, as few as five subjects were sufficient to minimize outliers. Full robustness was achieved at 20 subjects. Comparable robust and accurate results were obtained using all three types of MRI input with a bias below 1% relative to CT-AC in any brain region. The clinical PET evaluation using DeepDixon showed no clinically relevant differences compared to CT-AC. CONCLUSION: Deep learning based AC requires a large training cohort to achieve accurate and robust performance. Using transfer learning, only five subjects were needed to fine-tune the method to large changes to the input images. No clinically relevant differences were found compared to CT-AC, indicating that clinical implementation of our deep learning-based MR-AC method will be feasible across MRI system types using transfer learning and a limited number of subjects.