3차원 확산 확률론적 생성 모델을 이용한 파킨슨병 환자들의 18F-FP-CIT PET 영상 분석 및 신경학적 응급 환자들의 뇌 CT 영상의 비정상 영역 탐지

Abstract

Purpose This work tried to verify two abilities of deep generative models using several tasks. The first task is the performance to distinguish features in the image analysis task of 18F-FP-CIT PET in Parkinson's Disease patients, and the second is the data distribution learning (generator) performance in unsupervised anomaly detection of non-contrast 3D brain CT. Methods The first study involved 2,672 18F-FP-CIT PET scans retrospectively collected. We build a 3D pre-training model with the generative method and evaluate the model's performance to discriminate features using linear probing and fine-tuning. We did binary classification of Essential Tremor (ET) / early onset Parkinson's disease and multi-class classification of Parkinson's disease (PD), multiple system atrophy (MSA) and progressive supranuclear palsy (PSP). Also, the pre-trained model was used in the motor-symptom onset year regression task, and the model's performance was evaluated similarly to classifications. The second study involved 34,085 non-contrast brain CT scans retrospectively collected with healthy subjects. We trained a 3D generative model using only the normal CT scans. After learning the normal data distribution, this model could detect abnormal scans that deviated from the normal distribution. Results In the first task, the proposed network achieved the area under the receiver operating characteristic curve (AUROC) of 0.997(internal), 0.994 (external) with the area under the precision-recall curve (AUPRC) of 0.998(internal), 0.991(external) in the cross-validation of ET/PD classification and AUROC of 0.920(internal), 0.919(external) with AUPRC of 0.881(internal), 0.670(external) in the cross-validation of PD/MSA/PSP classifications. In the regression task, the model achieved the Mean Absolute Error (MAE) of 2.013(internal) and 1.965(external) with the concordance correlation coefficient (CCC) of 0.701(internal) and 0.733(external). In the second task, our network detected normal and abnormal images with0.91 0.93, 0.91, and 0.91 of accuracy, precision, recall, and F1-score in the internal test set and 82, 0.82, 0.82, and 0.82 in the external test set, respectively. Conclusion This study suggested that the deep generative models could become a discriminant of the functional brain images' clinical features. Also, this could become a distribution learner of the structural brain images, which detect whether an image is in the distribution or deviated.|목적 본 연구에서는 몇 가지 작업을 통해 심층 생성 모델의 두 가지 능력을 검증하고자 했다. 첫 번째는 파킨슨병 환자의 18F-FP-CIT PET 영상 분석에서 영상의 특징을 추출 및 구별하는 능력이고, 두 번째는 3D 뇌 CT의 비지도 이상 검출에서 데이터 분포를 학습(생성자)하는 능력이다. 방법 첫 번째 연구에는 후향적으로 수집된 2,672개의 18F-FP-CIT PET 스캔이 포함된다. 생성 방법으로 3D 사전 훈련 모델을 구축하고 선형 검증 및 미세 조정을 사용하여 특징을 구별하는 모델의 성능을 평가했다. 본태 떨림 / 파킨슨병의 이진 분류와 파킨슨병, 다계통 위축증, 진행성 핵상 마비의 다중 클래스 분류를 수행했다. 또한 사전 훈련된 모델을 운동 증상 발병 연도 회귀 과제에 사용했으며, 모델의 성능을 분류와 유사하게 평가했다. 두 번째 연구는 건강한 피험자를 대상으로 후향적으로 수집한 34,085개의 뇌 CT 스캔을 대상으로 했다. 정상 CT 스캔만을 사용하여 3D 생성 모델을 학습시켰다. 정상 데이터 분포를 학습한 후 이 모델은 정상 분포에서 벗어난 비정상적인 스캔을 감지할 수 있었다. 결과 첫 번째 과제에서 제안된 모델은 본태 떨림 / 파킨슨병의 분류의 교차 검증에서는 수신자 조작 특성 곡선(AUROC) 0.997(내부 검증) 0.994(외부 검증)의 정량결과와 정밀도-재현율 곡선(AUPRC) 0.998(내부), 0.991(외부) 의 정량 결과를 보였다. 파킨슨병 / 다계통 위축증 / 진행성 핵상 마비의 다중 클래스 분류에서는 수신자 조작 특성 곡선에서 0.920(내부 검증), 0.919(외부 검증) 정밀도-재현율 곡선에서 0.881(내부 검증), 0.670(외부 검증)의 정량 결과를 보였다. 회귀 작업에서 모델은 평균 절대 오차(MAE)가 2.013(내부 검증), 1.965(외부 검증) 일치 상관 계수(CCC)는 0.701(내부 검증), 0.733(외부 검증)의 정량 결과를 보였다. 두 번째 과제에서 네트워크는 내부 검증 세트에서 정확도, 정밀도, 재현율, F1 점수가 각각 0.91, 0.93, 0.91, 0.91, 외부 검증 세트에서 82, 0.82, 0.82로 정상 및 비정상 이미지를 탐지했다. 결론 이 연구는 심층 생성 모델이 기능적 뇌 이미지의 임상적 특징을 판별할 수 있는 분류기가 될 수 있음을 시사한다. 동시에 심층 생성 모델이 구조적 뇌 이미지의 정상 분포 학습자가 되어 이미지가 분포 내에 있는지(정상) 또는 이탈했는지(비정상)를 감지할 수 있음을 확인하였다.