Browse

Measurement of Glomerular Filtration Rate using Quantitative SPECT/CT and Deep-learning-based Kidney Segmentation

Cited 0 time in Web of Science Cited 0 time in Scopus
Authors
박준영
Advisor
이재성
Major
의과대학 의과학과
Issue Date
2019-02
Publisher
서울대학교 대학원
Description
학위논문 (석사)-- 서울대학교 대학원 : 의과대학 의과학과, 2019. 2. 이재성.
Abstract
사구체여과율 (GFR)은 신장질환의 단계를 결정하고, 신장 기능의 단계를 측정하는데 가장 유용한 테스트 중 하나로 활용되고 있다. 이러한 GFR을 측정하는데 있어서 정량적인 단일광자 단층촬영/컴퓨터 단층촬영 (SPECT/CT)은 기존의 Planar scintigraphy에 비해 더욱 정확하고 신뢰할 수 있는 GFR의 측정이 가능하다. 그러나 SPECT/CT를 활용해 GFR을 측정하기 위해서는 CT 영상에서 신장 실질 만을 관심 볼륨 (VOI)으로 그려야 하는 단점이 있다. 이러한 수동적인 작업은 숙련된 전문의가 20여분 정도 시간을 투자해야 하는 번거로운 작업이다. 본 연구의 목적은 딥러닝을 이용하여 CT 영상에서 신장 실질을 3D로 분할하고, GFR의 정량화를 자동화 하는 것 이다.
정략적 99mTc-DTPA SPECT/CT 촬영을 한 393명의 환자 데이터가 사용되었다. 정맥내 추적자 주사 후 2분뒤에 1분 SPECT 데이터가 수집된 이후 핵의학 전문의가 제조사의 프로그램을 이용해서 신장 실질의 VOI를 그렸다. 이렇게 그려서 분할된 신장 실질의 VOI와 CT 영상을 1대1로 학습할 수 있도록 수정된 3D U-Net이 딥러닝 네트워크 모델로 사용되었다. 정량적인 성능 평가를 위해서 수동으로 그린 결과와 딥러닝 출력 결과 간의 다이스 유사도 계수 (DSC)를 계산하였다. 또한 수동과 딥러닝의 분할된 신장 결과와 정량적인 SPECT영상을 이용해서 주입된 선량 백분율 (%ID)를 계산하였다. 이를 통해 GFR 측정 결과를 얻고, 수동 분할과 딥러닝 분할 결과 간의 상관관계를 평가하였다. 또한 요로결석 환자 (63명)와 신장기증 예정 환자(25명)에서의 신장 분할의 임상적인 검증을 진행하였다. 총 173개의 신장을 방사선 비투과 결석 (Radio-opaque stone)의 존재 유무, 위치 (신장 혹은 요관), 크기 (10 mm 초과)에 따라 정상 (신장기증 예정 환자), 무증상 및 증상 (요로결석 환자) 신장 그룹으로 분류하였다. 각각 다른 환자 및 그룹의 신장에서 전체 및 개별 신장의 GFR을 통해 네트워크의 성능을 평가하였다.
제안하는 방법을 통해 CT 영상에서 자동으로 신장 분할을 할 수 있었고, 수동 분할과 비교하여 매우 높은 DSC (평균 0.89)를 얻을 수 있었다. 또한 GFR 측정 결과 역시 두 가지 분할 방법이 매우 밀접하게 상관관계가 있음 (R2 = 0.96)을 확인할 수 있었다. 두 가지 분할 방법 간의 GFR 값의 절대 차이는 2.9%에 불과했다. 또한 요로결석 환자와 신장 기증 환자에서 두 가지 분할 방법을 통한 GFR결과가 통계적으로 유의함을 확인하였으며, 증상 신장이 무증상 혹은 정상 신장에 비해서 매우 낮은 GFR을 보였다.
본 연구에서 개발된 방법을 통해서 빠르고 정확한 GFR 측정을 할 수 있음을 확인하였다.
Quantitative SPECT/CT is potentially useful for more accurate and reliable measurement of glomerular filtration rate (GFR) than conventional planar scintigraphy. However, manual drawing of a volume of interest (VOI) on renal parenchyma in CT images is a labor-intensive and time-consuming task. The aim of this study is to develop a fully automated GFR quantification method based on a deep learning approach to the 3D segmentation of kidney parenchyma in CT.
Totally, 393 patients underwent quantitative 99mTc-DTPA SPECT/CT scans. One-minute SPECT data were acquired 2 min after the intravenous tracer injection. Nuclear medicine physicians drew VOIs on renal parenchyma using the vendor’s software. A modified 3D U-Net that learns an end-to-end mapping between CT and renal parenchyma segmented volumes was used. For quantitative performance evaluation, the Dice similarity coefficient between manual drawing and deep learning output was calculated. I calculated the percentage injected dose (%ID) by applying the deep learning output (3D VOI) to the quantitative SPECT images, and assessed the correlation between the measurement of GFR using both segmentation methods. Clinical validation of automatic segmentation was also done in urolithiasis patients (n = 63) and kidney donors (n = 25). Totally, 176 kidneys were classified into three groups depending on the presence, location (ureter or renal), and size (cutoff size: 10 mm) of the radio-opaque stone: normal, asymptomatic, or symptomatic kidneys. The performance of the network was evaluated considering total GFR and individual GFR values in different groups of patients and kidneys.
I automatically segmented the kidneys in CT images using the proposed method with remarkably high Dice similarity coefficient relative to the manual segmentation (mean = 0.89). The GFR values derived using manual and automatic segmentation methods were strongly correlated (R2 = 0.96). The absolute difference between the individual GFR values using manual and automatic methods was only 2.90%. Moreover, the two segmentation methods had comparable performance in the urolithiasis patients and kidney donors. Furthermore, both segmentation modalities showed significantly decreased individual GFR in symptomatic kidneys compared with the normal or asymptomatic kidney groups.
The proposed approach enables fast and accurate GFR measurement.
Language
eng
URI
http://hdl.handle.net/10371/151435
Files in This Item:
Appears in Collections:
College of Medicine/School of Medicine (의과대학/대학원)Dept. of Biomedical Sciences (대학원 의과학과)Theses (Master's Degree_의과학과)
  • mendeley

Items in S-Space are protected by copyright, with all rights reserved, unless otherwise indicated.

Browse