양전자방출단층촬영(positron emission tomography)은 다양한 질병에 대한 보완적인 진단 정보를 제공하기 위해 전산화단층촬영(computed tomography) 또는 자기 공명영상(magnetic resonance imaging)과 병행하여 수행된다. 하지만 반복적인 PET/CT 및 MRI 검사를 위해서는 환자의 불편 및 진단 비용의 증가를 감수해야 한다.

본 연구의 목적은 GAN(generative adversarial network) 기반의 방법을 사용하여 두뇌 FDG(fluorodeoxyglucose) PET/CT 영상으로부터 FLAIR(fluid-attenuated inversion recovery) MRI를 합성하는 것이다. 기존 연구는 주로 Pix2Pix 기반의 지도학습이나 CycleGAN 기반의 비지도학습 중 한 가지의 방법을 사용한다. 이 연구에서는 각 방법의 단점을 보완하기 위해 Pix2Pix 및 CycleGAN를 결합한 신경망 구조를 설계했다. 검증을 위해서, 합성된 영상에 대한 정성적, 정량적 분석을 수행했다.

총 150명의 환자의 뇌에 대해, PET/CT로부터 MRI을 합성하였다. 입력 채널(PET / CT / PET 및 CT)에 따른 PSNR(peak signal-to-noise ratio) 및 SSIM(structural similarity index measure)의 결과값은 각각 21.40 ± 0.55 / 21.62 ± 0.99 / 21.99 ± 0.87 및 0.800 ± 0.022 / 0.806 ± 0.030 / 0.817 ± 0.027 이었다.

본 연구에서는, 두뇌 FDG PET/CT 영상으로부터 FLAIR MRI를 합성하는 방법을 개발하였으며, FLAIR MRI를 합성할 때 CT의 해부학적 정보와 PET의 기능적 정보가 보완적으로 작용한다는 것을 보였다. CT를 이용하여 합성된 FLAIR MRI는 원본 MRI의 해부학적 구조를 잘 보존하고, PET을 이용하여 합성된 MRI의 error map은 더 작은 편차를 보였다. 결과적으로, PET과 CT 모두 이용하여 FLAIR MRI를 합성하였을 경우, 최고 품질을 달성할 수 있었다.