Publications

Detailed Information

Generative Adversarial Network based Quantitative Cone Beam CT for Bone Mineral Density : 골밀도 측정을 위한 적대적생성신경망 기반 정량적 CBCT 측정

Cited 0 time in Web of Science Cited 0 time in Scopus
Authors

용태훈

Advisor
이원진
Issue Date
2021
Publisher
서울대학교 대학원
Keywords
Bone mineral densityQuantitative CBCTDeep learningGenerative adversarial network (GAN)U-Net골밀도정량적 CBCT딥러닝적대적생성신경망U 자형 신경망
Description
학위논문(석사) -- 서울대학교대학원 : 융합과학기술대학원 응용바이오공학과, 2021.8. 용태훈.
Abstract
The purpose of this study was to directly and quantitatively measure BMD from Cone-beam CT (CBCT) images by enhancing the linearity and uniformity of the bone intensities based on a hybrid deep-learning model (QCBCT-NET) of combining the generative adversarial network (Cycle-GAN) and U-Net, and to compare the bone images enhanced by the QCBCT-NET with those by Cycle-GAN and U-Net. We used two phantoms of human skulls encased in acrylic, one for the training and validation datasets, and the other for the test dataset. We proposed the QCBCT-NET consisting of Cycle-GAN with residual blocks and a multi-channel U-Net using paired training data of quantitative CT (QCT) and CBCT images. The BMD images produced by QCBCT-NET significantly outperformed the images produced by the Cycle-GAN or the U-Net in mean absolute difference (MAD), peak signal to noise ratio (PSNR), normalized cross-correlation (NCC), structural similarity (SSIM), and linearity when compared to the original QCT image. The QCBCT-NET improved the contrast of the bone images by reflecting the original BMD distribution of the QCT image locally using the Cycle-GAN, and also spatial uniformity of the bone images by globally suppressing image artifacts and noise using the two-channel U-Net. The QCBCT-NET substantially enhanced the linearity, uniformity, and contrast as well as the anatomical and quantitative accuracy of the bone images, and demonstrated more accuracy than the Cycle-GAN and the U-Net for quantitatively measuring BMD in CBCT.
골다공증은 골의 밀도가 낮아 쉽게 골절되는 골격계 질환이며, 골다공증은 그 자체만으로는 거의 증상을 일으키지 않고 뼈가 부러져서 골다공증을 발견하게 되는 경우가 많다. 골다공증을 진단하고 향후 골절 위험을 예측하기 위한 방법으로 골밀도(bone mineral density)를 측정하는 방법이 있다. BMD 측정은 사람의 골의 밀도를 추정하는 직접적인 방법이고, 정확한 골의 밀도 측정은 매우 중요하다. 골밀도를 측정하기 위해서는 CT 스캔 시, 골밀도 팬텀을 함께 스캔한 후, QCT 방법을 사용하여 CT 영상의 Hounsfield Units 으로부터 BMD를 정량적으로 계산하게 된다. 환자와 함께 촬영한 골밀도 BMD 팬텀을 통해 Hounsfield Units과 BMD간의 선형 관계를 측정함으로서 평가할 수 있다. 최근 CBCT는 MDCT에 비해 낮은 방사선량과 짧은 획득 시간, 그리고 더 높은 해상도 등 다양한 장점을 포함하여 많은 이점을 제공하기 때문에 치과 치료 및 계획에 널리 사용되고 있지만, CBCT 시스템의 복셀값은 임의적이며 정확한 HU를 구할 수 없으므로 골밀도에 대한 평가를 허용하지 않는 단점이 있다. CBCT로부터 정확한 BMD를 측정하기 위해서는 균일하고 정확한, 높은 퀄리티의 CBCT 영상을 필요로 한다. 본 연구에서는 적대적 생성 신경망(Cycle-GAN)과 인코더 및 디코더 구조의 U-Net을 결합한 하이브리드 딥러닝 모델(QCBCT-NET)을 기반으로 골 영역의 선형성과 균일성을 향상시켜 Cone-beam CT(CBCT) 영상에서 BMD를 직접적 그리고 정량적으로 측정하며, QCBCT-NET에 의해 선형성과 균일성이 강화된 골 이미지와 기존의 영상 생성 분야에서 state-of-the-art를 기록한 Cycle-GAN 및 U-Net에 의해 강화된 골 영상을 비교하였다. 아크릴로 둘러싸인 인간 두개골의 두 팬텀을 사용하였고, 하나는 훈련 및 검증 데이터 세트로서 금속 수복물이 없는 팬텀이고, 다른 하나는 테스트 데이터 세트용으로서 금속 수복물을 포함하여 영상의 잡음을 발생시키는 팬텀이다. 우리는 QCT(quantitative CT)와 CBCT 이미지의 짝을 이룬 학습 데이터를 사용하여 잔차(residual) 블록을 포함하는 Cycle-GAN과 다중 채널 U-Net으로 구성된 QCBCT-NET을 제안하였다. QCBCT-NET에 의해 생성된 BMD 이미지는 평균 절대차(MAD), 최대 신호 대 잡음비(PSNR), 정규화된 교차 상관 계수(NCC), 구조적 유사성(SSIM) 그리고 선형성(linearity)에서 Cycle-GAN 또는 U-Net에 의해 생성된 이미지보다 훨씬 우수한 성능을 보였다. QCBCT-NET은 Cycle-GAN을 사용하여 QCT 영상의 원래 BMD 분포를 국부적으로 반영하여 골 영상의 대비도(contrast)를 향상시켰고, 다중채널 U-Net을 사용하여 영상 잡음과 노이즈를 전역적으로 억제하여 골 영상의 공간적 균일성(uniformity)을 향상시켰다. QCBCT-NET은 골 영상의 해부학적 및 정량적 정확도뿐만 아니라 선형성, 균일성, 대비도를 크게 향상시켰으며 CBCT에서 BMD를 정량적으로 측정하는 Cycle-GAN 및 U-Net보다 더 높은 정확도를 보여주었다.
Language
eng
URI
https://hdl.handle.net/10371/177778

https://dcollection.snu.ac.kr/common/orgView/000000166840
Files in This Item:
Appears in Collections:

Altmetrics

Item View & Download Count

  • mendeley

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

Share