🧠 이 워크플로우의 한계점 [pe] (MRI/CT 기반 parcellation → MRI/CT–PET registration → SUV → SUVr)

🧠 이 워크플로우의 한계점 [pe] (MRI/CT 기반 parcellation → MRI/CT–PET registration → SUV → SUVr)

 이 워크플로우(MRI/CT 기반 parcellation → MRI/CT–PET registration → SUV → SUVr)의 정량 정확도는 여러 근본적인 한계와 선택 편향을 내포합니다.pmc.ncbi.nlm.nih+2

---

1. PET 자체 한계: 해상도·Partial Volume Effect

• PET의 낮은 공간 해상도로 인해 회백질 두께와 비슷한 크기의 구조에서 신호가 주변 조직으로 퍼지는 **partial volume effect(PVE)**가 발생합니다.pmc.ncbi.nlm.nih+2

• PVE는 회백질 신호를 저평가하고 인접 백질/뇌척수액(또는 고집적 병변) 신호를 섞어 SUV/SUVr를 체계적으로 왜곡합니다.nature+2

• PVE 교정(예: 2‑compartment/3‑compartment PVC)을 적용하면 민감도는 증가하지만, 모델링 가정과 세그멘테이션 품질에 따라 새로운 불확실성과 잡음을 도입할 수 있습니다.pmc.ncbi.nlm.nih+1

---

2. 세그멘테이션/Parcellation 오차

• SUVr는 ROI 평균에 매우 민감하며, ROI 정의는 atlas 또는 AI(MONAI) segmentation 품질에 의존합니다.[pmc.ncbi.nlm.nih]​

• Shan et al.은 서로 다른 brain segmentation 전략(FreeSurfer, SPM, deep learning 등)이 FDG‑PET regional metabolism 추정에 의미 있는 편차를 만든다고 보고했습니다.[pmc.ncbi.nlm.nih]​

• MONAI 기반 자동 parcellation은 고속이지만, 드물거나 심한 위축/병변이 있는 경우 atlas 기반 또는 수동 교정 없이 사용할 때 ROI 경계가 부정확해져 SUV/SUVr에 systematic bias를 유발할 수 있습니다.[pmc.ncbi.nlm.nih]​

---

3. Registration 오차 (MRI/CT ↔ PET)

• SUVr 파이프라인에서 parcellation은 MRI/CT 공간, PET은 정합 후 그 공간으로 resampling 됩니다.

• 정합(registration)이 rigid/affine 수준에서 충분히 맞지 않으면, 얇은 cortex나 작은 nuclei에서 ROI와 실제 PET 신호의 misalignment가 생겨 ROI 평균 SUV가 잘못 측정됩니다.nature+1

• 특히:

  • 심한 위축(AD, 전두측두치매), 뇌실 확대, 수술/병변이 있는 환자에서 atlas 기반 registration이 실패할 수 있습니다.[pmc.ncbi.nlm.nih]​

  • CT 기반 정합은 골 구조를 기준으로 하므로, 두개골 아티팩트나 자세 차이에 민감합니다.

---

4. Reference region 선택에 따른 체계적 편향

• Reference region 선택(소뇌, pons, subcortical white matter 등)은 SUVr 크기와 longitudinal 변화율에 직접적인 영향을 줍니다.pmc.ncbi.nlm.nih+1

• Heeman et al.은 11C‑PiB amyloid PET에서 reference region에 따라 SUVR와 Logan DVR 간의 bias와 variability가 의미 있게 달라진다고 보고했습니다.[pmc.ncbi.nlm.nih]​

• Young et al.은 tau PET에서 reference region 종류(소뇌, pons, white matter 등)가 baseline disease stage 구분과 longitudinal 변화 추정에 서로 다른 영향을 미친다고 보여줍니다.[sciencedirect]​

• 따라서:

  • 서로 다른 reference region을 사용한 연구 간 SUVr를 직접 비교하기 어렵고, cutoff/효과 크기도 reference 정의에 따라 재검증이 필요합니다.pubmed.ncbi.nlm.nih+2

---

5. 단일 정적 SUVR의 근본적 한계 (동적 지표 대비)

• SUVR는 특정 시간창(예: 50–70분)의 정적 평균 시점을 사용하는 간략 지표이며, 정준 reference kinetic 지표(DVR, BP*) 대비 시간창·혈류 변화에 더 민감합니다.journals.sagepub+1

• FE‑PE2I validation 연구에서, SUVR는 DVR와 높은 상관을 보이지만, binding level이 높을수록 체계적 과대/과소 추정 bias가 나타나며, 시간창을 바꾸면 bias와 test–retest 변동성이 달라집니다.[journals.sagepub]​

• 11C‑PiB 연구에서도, 40–60분 SUVR가 60–90분 SUVR보다 variability가 낮지만, 여전히 Logan DVR 대비 참값에서 일관된 편향이 존재한다고 보고됩니다.[pmc.ncbi.nlm.nih]​

• 결과적으로, SUVr는:

  • 프로토콜·스캐너·혈류 상태에 따라 변동성이 큰 근사치이고,

  • kinetic modeling(DVR, RLogan 등)을 쓰는 경우보다 정량 정확도가 낮습니다.journals.sagepub+1

---

6. 표준화·재현성 문제 (스캐너·프로토콜·전처리)

• PET 스캐너별 해상도·감도·reconstruction 알고리즘, smoothing kernel, framing scheme 차이로 동일 피험자라도 SUV/SUVr가 달라질 수 있습니다.sciencedirect+1

• Radiomics 문헌에서 지적되듯, SUV re‑binning/discretization, smoothing, URL/LRL clipping, reconstruction parameter 등은 텍스처뿐 아니라 단순 SUV 통계 값에도 영향이 크며, 표준화 없이는 센터 간 비교가 어렵습니다.nature+1

• Preprocessing pipeline (motion correction, partial volume correction, intensity normalization 방식, atlas 공간으로의 spatial normalization 등)의 작은 차이도 ROI SUVr 값에 누적되어 재현성을 떨어뜨립니다.sciencedirect+2

---

7. 소규모 ROI·off‑target 신호의 영향

• 작은 구조(hippocampal subfields, brainstem nuclei 등)는 voxel 수가 적어 PVE와 registration 오차에 더 취약하며, noise와 outlier voxel의 영향이 큽니다.pmc.ncbi.nlm.nih+1

• Tau PET 등에서는 off‑target 결합(예: choroid plexus, meninges, white matter) 신호가 인접 target ROI에 spill‑in 하여, ROI 평균 SUVr를 과대평가할 수 있습니다.sciencedirect+1

• Costoya‑Sánchez et al.은 longitudinal tau PET에서 white matter off‑target signal 및 PVE가 SUVR 변화율 추정에 의미 있는 왜곡을 일으키며, 적절한 partial volume correction과 off‑target 처리 없이는 민감도·특이도가 떨어진다고 보고합니다.[sciencedirect]​

---

8. 실무적 요약: 이 워크플로우에서 기대 가능한 정확도와 주의점

• 장점:

  • MRI/CT 기반 parcellation + SUVr는 임상·연구 현실에서 구현이 쉬우며, ADNI 등 대형 코호트가 이미 사용하는 검증된 파이프라인입니다.adni.loni.usc+2

• 한계:

  • PET 해상도와 PVE로 인한 구조적 정량 한계.

  • 자동 parcellation·registration 오차에 따른 ROI 정의 불확실성.pmc.ncbi.nlm.nih+1

  • reference region·시간창·scanner 설정 등에 따른 체계적 bias와 센터 간 비가역적 차이.sciencedirect+2

  • SUVR가 kinetic gold standard(DVR 등) 대비 근사치에 불과하며, 특히 고결합 영역·longitudinal 평가에서 bias와 variability가 존재.sciencedirect+2

따라서, 이 워크플로우를 사용할 때는
(1) 한 파이프라인 안에서의 내부 비교/추세 분석에 집중하고 센터 간 절대 값 비교를 조심하며,
(2) 가능하다면 부분집합에서 kinetic modeling, PVE correction, reference region sensitivity 분석으로 SUVr 기반 결과를 교차 검증하는 것이 권장됩니다.pmc.ncbi.nlm.nih+3

관련된

이 한계 극복을 위한 PVC 방법 상세 설명

SUVr 참조 영역 선택 최적화 가이드라인

MONAI Parcellation 정확도 향상 팁

PET 워크플로우 대안 소프트웨어 비교

임상 적용 시 한계 완화 체크리스트