🧠“MRI/CT → Atlas 기반 parcellation → PET 정합 → SUV/SUVr → Excel”을 3D Slicer GUI로[pe]

 3D Slicer 4.13–5.6 (현재 최신 안정판 5.x 계열)에서 모두 가능한 워크플로우입니다. 아래는 “MRI/CT → Atlas 기반 parcellation → PET 정합 → SUV/SUVr → Excel”을 3D Slicer GUI로 실제 클릭 순서 기준으로 풀어서 정리한 매뉴얼입니다.github+1

---

0. 공통 준비: 버전·확장 설치

• 권장 버전: 3D Slicer 5.6 (또는 5.x), Windows/Linux/macOS 모두 동일한 GUI 구조.[github]​

• 필수/추천 확장:

  • PET DICOM Extension (PETStandardUptakeValueComputation, PET DICOM loader).discourse.slicer+1

  • Segment Editor, Segment Statistics (기본 포함).[discourse.slicer]​

  • (MRI Atlas 기반 parcellation에 MONAI 쓸 경우) MONAILabel, MONAI Toolkit.

설치 절차 (5.6 기준):

• 상단 메뉴에서 “View → Extension Manager” 선택.[github]​

• “Search” 탭에서 “PET DICOM” 검색 후 “Install” 클릭, Slicer 재시작.[github]​

• 필요 시 “MONAILabel”도 동일 방법으로 설치.[pmc.ncbi.nlm.nih]​

---

1. Brain parcellation + 세그먼트 저장

1-1. CT 기반 parcellation (Atlas 이용)

목표: CT로 두개골/뇌를 정렬하고, Atlas를 CT에 정합해 labelmap/segmentation으로 저장합니다.[slicer]​

1. 데이터 불러오기

• “File → Add Data…” 클릭.

• CT DICOM이면 “DICOM Browser”로 불러오고, “Load”로 CT volume 선택.[pmc.ncbi.nlm.nih]​

• 좌측 상단 “Data” 모듈에서 CT volume 이름 확인.

2. Atlas 로딩

• Brain atlas(NAC Brain Atlas, MNI atlas 기반 NIfTI 등)를 준비했다면, “File → Add Data…”로 atlas T1/CT와 atlas label(volume or segmentation)을 함께 불러옵니다.[youtube]​

• “Data” 모듈에서 atlas image와 atlas label이 보이는지 확인.

3. Atlas→CT registration

• “Modules” 드롭다운에서 “Transforms” 또는 “General Registration (BRAINS)” / “Elastix” 등 registration 모듈 선택 (Slicer 5.x에서는 “Registration → General Registration (BRAINS)” 사용 가능).[slicer]​

• Moving: atlas image, Fixed: CT volume 지정.

• Rigid 또는 Affine (필요하면 deformable) 옵션 선택 후 “Apply”.[slicer]​

• “Data” 모듈에서 atlas label을 선택한 뒤, “Transform” 노드(방금 생성된 변환)를 적용하고 “Harden Transform” 실행.

4. Label → Segmentation 변환

• “Segmentations” 모듈로 이동.

• “Create new segmentation” 클릭, “Add”로 segmentation node 생성.

• “Import” 또는 “Copy” 옵션에서 “Labelmap” → “Segmentation” 선택 후 atlas label volume 지정하여 불러오기.[slicer]​

• 각 교육영역(ROI)이 Segment로 들어온 것 확인.

5. 세그먼트 파일 저장

• “File → Save” 클릭.

• segmentation 노드의 “File Format”을 NRRD 또는 .seg.nrrd로 설정.[discourse.slicer]​

• 원하는 경로에 저장 (예: sub001_MRI_atlas.seg.nrrd).

CT 기반 parcellation은 CT–atlas registration 품질이 좋지 않은 경우가 많으므로, 실제 뇌 구조 ROI 정확도는 MRI 기반보다 떨어질 수 있습니다.[pmc.ncbi.nlm.nih]​

---

1-2. MRI 기반 parcellation (Atlas 또는 MONAI)

MRI 기반이 ADNI 스타일 파이프라인과 가장 잘 맞습니다.[pmc.ncbi.nlm.nih]​

1. MRI 불러오기

• “File → Add Data…” 또는 DICOM Browser로 T1-weighted MRI 불러오기.

• “Volumes” 모듈에서 윈도우/레벨 확인, 좌표계(프레임) 확인.

2-A) Atlas 기반 (고전 방식)

• 위 CT 섹션과 동일하게 atlas T1/label 불러오기.[slicer]​

• Registration 모듈에서 Fixed: MRI, Moving: atlas T1, Rigid+Affine(+Deformable) 정합 수행.[slicer]​

• Atlas label에 변환 적용 후 “Harden Transform”.[slicer]​

• “Segmentations” 모듈에서 label을 segmentation으로 변환 후 각 ROI segment 확인, 저장.[slicer]​

2-B) MONAI 기반 자동 parcellation (권장, 현대식)

• Extension Manager에서 “MONAILabel” 설치 후 재시작.[pmc.ncbi.nlm.nih]​

• “Modules → Active Learning → MONAILabel” 선택.

• 서버 설정:

  • 로컬 MONAI Label 서버를 MRI(freesurfer-style parcellation model)와 연결하거나, 제공되는 public server 중 brain parcellation 모델 선택.[pmc.ncbi.nlm.nih]​

• “Input volume”에 MRI 지정 후 “Segment” 버튼 클릭.

• 자동 생성된 segmentation이 “Segment Editor/Segmentations” 노드에 들어옵니다.

• 결과를 “File → Save”에서 .seg.nrrd 또는 NRRD labelmap으로 저장.

MONAI 기반 parcellation은 ADNI 스타일 MRI 구조 parcellation과 유사한 수준의 자동 레이블링을 제공합니다.[pmc.ncbi.nlm.nih]​

---

2. Image registration (CT/MRI ↔ PET)

2-1. CT–PET registration

1. PET 데이터 불러오기

• DICOM PET의 SUV 변환까지 고려할 경우, PET DICOM Extension이 설치된 상태에서 “DICOM Browser”에서 PET series 선택.discourse.slicer+1

• “Advanced” 탭에서 “Use PET SUV factor” 또는 SUV-corrected series를 선택하고 “Load” (PETDICOM extension 문서 참고).[youtube]​[github]​

2. CT–PET 자동 정합

• “Modules → Registration → General Registration (BRAINS)” 또는 “Rigid Registration” 선택.[slicer]​

• Fixed volume: CT, Moving volume: PET 설정.

• “Rigid” 또는 CT–PET이면 대부분 Rigid + Affine으로 충분.

• “Apply” 클릭.

• 출력 transform (예: PET_to_CT_Transform) 생성.

3. PET resampling (정합된 PET 저장)

• “Modules → Resample Scalar/Vector/DWI Volume” (또는 “Transforms” 모듈에서 direct resample 기능 사용).[pmc.ncbi.nlm.nih]​

• Input volume: PET, Reference volume: CT, Transform: PET_to_CT_Transform 선택.

• “Apply”로 CT 공간으로 정합된 PET volume 생성.

• “File → Save”에서 CT 공간 PET를 NRRD 또는 NIfTI로 저장.

2-2. MRI–PET registration

MRI–PET 정합도 동일 패턴이며, SUVr 파이프라인에서 핵심 단계입니다.[pmc.ncbi.nlm.nih]​

1. MRI, PET 둘 다 불러오기.

• MRI: NIfTI/DICOM.

• PET: PET DICOM Extension을 통해 SUV-corrected 로딩 (가능할 경우).[github]​

2. Registration

• “General Registration (BRAINS)” 모듈 열기.

• Fixed: MRI, Moving: PET.

• Brain only 영역을 맞춘다고 가정하고, Rigid + Affine 옵션으로 먼저 시도.[slicer]​

• 필요시 mask 옵션 사용 (Segment Editor로 brain mask 만들어서 registration mask로 지정 가능).[slicer]​

• “Apply” 후 transform 생성.

3. Resample PET to MRI space

• “Resample Scalar/Vector/DWI Volume” 모듈.

• Input: PET, Reference: MRI, Transform: PET_to_MRI_Transform.

• “Apply”.

• MRI 공간 PET를 새로운 volume으로 저장.

---

3. 정규화(normalization) – 3D Slicer에서 가능한 옵션들

목표: PET voxel 값을 SUV로 정규화하거나, 참조 조직 대비 ratio를 구할 수 있는 형태로 만듭니다.qiicr+2

3-1. PET DICOM Extension을 사용한 SUV 변환

• PETDICOM Extension 문서에 따르면, DICOM header에서 injected dose, patient weight, decay factor 등을 읽어 vendor-neutral SUV를 계산합니다.discourse.slicer+1

• 절차:

  • PET DICOM Extension 설치 후 Slicer 재시작.[github]​

  • “DICOM” 모듈에서 PET series 선택.

  • “Advanced” 탭에서 “Load as SUV corrected” 또는 PETDICOM extension이 제공하는 “PET SUV” 옵션을 선택 후 로딩.[discourse.slicer]​[youtube]​

  • 또는 “Modules → Quantification → PETStandardUptakeValueComputation” 모듈에서 원본 PET와 DICOM metadata를 이용하여 SUVbw/SUVlbm 등의 map을 계산.[discourse.slicer]​

• 결과: SUVbw (body weight normalized SUV) 등 SUV scalar volume 생성.

3-2. 단순 intensity scaling (수동 normalization)

SUV 맵이 이미 있고, SUVmax나 특정 참조 ROI 값으로 intensity normalization 하고 싶을 때 Segment Statistics + Simple Filters 조합으로 가능합니다.[discourse.slicer]​

가능한 접근:

• Segment Statistics로 특정 reference ROI(예: 소뇌) 평균·최대 SUV 추출.qiicr+1

• “Simple Filters” (ITK filters) / Python Interactor를 이용해 모든 voxel을 그 값으로 나누는 이미지 생성.

  • 예: Simple Filters → “ShiftScaleImageFilter”, Scale = 1 / SUV_cerebellum_mean 설정.[pmc.ncbi.nlm.nih]​

• 결과: “SUV normalized by cerebellum” volume.

3-3. 단순 Z-score normalization (연구용)

• 전체 brain mask 기반으로 mean/SD를 구해 Z-score map을 만드는 것도 가능합니다.[pmc.ncbi.nlm.nih]​

• steps:

  • Segment Editor에서 brain mask 생성 (Threshold + Islands 등).

  • Segment Statistics에서 brain mask로 mean/SD 추출.[discourse.slicer]​

  • Python Interactor (Slicer의 Python 콘솔)에서 PET volume의 intensity에 $(I - mean) / SD$ 연산을 적용하는 스크립트 실행.[pmc.ncbi.nlm.nih]​

임상 SUVr 목적에는 PETDICOM 기반 SUVbw 맵 + reference region ratio가 가장 표준적입니다.qiicr+1

---

4. PET + Segment 로딩 및 SUV 추출

4-1. PET, segmentation 로딩

1. “File → Add Data…”에서 정합된 PET volume (MRI 또는 CT 공간)을 불러옵니다.

2. 동일 공간의 segmentation(.seg.nrrd) 파일을 같이 불러옵니다.

3. “Data” 모듈에서 PET volume과 segmentation node가 같은 공간에 제대로 겹치는지 확인.

4-2. Segment Statistics로 SUV 추출

1. “Modules → Quantification → Segment Statistics” 선택.qiicr+1

2. Inputs 설정:

   • Input segmentation: parcellation segmentation node.[discourse.slicer]​

   • Scalar Volume: SUV map (PET SUVbw volume).[qiicr]​

   • 필요한 경우, “Labelmap statistics”, “Closed surface” 등은 체크 해제하고 “Scalar Volume” 중심으로 사용.[discourse.slicer]​

3. Parameters:

   • “Compute” 항목에서 “Mean”, “Maximum”, “Minimum”, “Volume cc” 등을 체크.qiicr+1

4. “Apply” 클릭.

5. 결과:

   • 하단 테이블에 각 Segment(ROI)별 SUVmean, SUVmax 등 통계가 표시됩니다.[qiicr]​

   • “Export to table” 버튼 클릭하여 table node 생성.

   • “File → Save”에서 table node를 .csv로 저장 (이 파일을 Excel에서 직접 열 수 있음).[qiicr]​

Segment Statistics는 PET-IndiC extension과 유사하게, ROI 단위 SUV quantification을 지원하며, PET-IndiC는 SUVpeak, TLG 등 추가 지표를 제공합니다.[qiicr]​

---

5. SUVr 계산 및 Excel 저장

SUVr은 각 ROI SUVmean을 reference tissue(예: 소뇌) SUVmean으로 나눈 값입니다.[qiicr]​

5-1. 소뇌 reference SUV 추출

1. Parcellation segmentation에서 “Cerebellum” 또는 소뇌에 해당하는 segment를 식별.

2. Segment Statistics 실행 시 해당 segment에 대한 SUVmean 결과를 확인.discourse.slicer+1

3. table 내에서 ref_SUVmean 값을 기록.

5-2. SUVr 계산

옵션 A: Slicer 내부 Table Calculator (5.x에서 Script/Extension 활용)

• 일부 Slicer 빌드에서는 Table Calculator extension을 사용해 table column 간 연산이 가능합니다.[pmc.ncbi.nlm.nih]​

• Table Calculator 미설치 시 다음 옵션 B가 더 실용적입니다.

옵션 B: Excel/외부에서 계산 (실무에서 가장 간단)

1. Segment Statistics table을 .csv로 저장.[qiicr]​

2. Excel에서 .csv 열기.

3. 열 구조 예:

   • Column A: SegmentID

   • Column B: SegmentName

   • Column C: SUVmean

4. Excel에서 소뇌 row의 SUVmean (예: CEREBELLUM row) 값을 고정 셀(예: $C$5)에 둡니다.

5. 새 열 “SUVr”을 만들고, 각 row에서:

   • SUVr = ROI_SUVmean / Cerebellum_SUVmean (예: =C2/$C$5).

6. Excel 파일(.xlsx)로 저장.

SUVr은 실제 임상/연구에서 reference region (소뇌, pons, cerebellar cortex 등) 대비 비율로 정의되며, Slicer는 ROI SUV 추출까지 담당하고 비율 계산은 흔히 외부에서 수행합니다.[qiicr]​

---

6. 위 과정을 지원하는 Slicer 버전 및 참고문헌

권장/호환 버전

• 3D Slicer 4.10–4.13:

  • PET DICOM Extension 사용 가능, PETStandardUptakeValueComputation 모듈 지원.discourse.slicer+1

  • Segment Editor, Segment Statistics, registration 모듈 모두 포함.[discourse.slicer]​

• 3D Slicer 5.0–5.6:

  • 위 모듈 대부분 유지, Extension Manager에서 PETDICOM, MONAILabel 설치 가능.github+1

  • 본 매뉴얼은 3D Slicer 5.6 기준 GUI를 상정하였고, 4.13에서도 메뉴 구조는 대부분 동일합니다.[discourse.slicer]​

참고문헌/공식 문서 (설명 정당성 근거)

• QIICR, “Slicer PETDICOM Extension: SUV computation and DICOM PET import.”[github]​

• Slicer Discourse, “PET Standard Uptake Value Computation” – SUV 공식 정의 및 모듈 설명.[discourse.slicer]​

• Slicer Discourse, “SUV quantification modules and Segment Statistics” – Segment Statistics에서 SUVmean/SUVmax 사용하는 방법 논의.[discourse.slicer]​

• QIICR PET-IndiC 문서 – SUV 기반 ROI 통계 및 SUVpeak, TLG, SAM 등 계산 모듈 설명.[qiicr]​

• Keijzer K et al., “Semi-automated 18F-FDG PET segmentation methods …” Frontiers/PMC – 3D Slicer 기반 PET/CT, atlas 기반 VOI 사용과 SUV 기반 biomarker 추출 예시.[pmc.ncbi.nlm.nih]​

• Slicer EMSegmenter/atlas 튜토리얼 – atlas 기반 registration 및 label segmentation pipeline.[slicer]​

• Slicer Discourse, “Normalization SUVPET” – PET DICOM extension을 통한 SUV-normalized PET loading 방법.[discourse.slicer]​

• PET DICOM extension YouTube demo – DICOM Browser에서 SUV-normalized PET 로딩 GUI 예시.[youtube]​

이 워크플로우를 그대로 구현하면,
MRI/CT → Atlas/MONAI parcellation → MRI/CT–PET registration → PET SUV 변환 → Segment Statistics로 ROI SUV 추출 → Excel에서 SUVr 계산
까지 “임상/연구용 PET SUVr” 파이프라인을 3D Slicer 4.13–5.6 환경에서 재현할 수 있습니다.github+2

관련된