연구진은 LAFOV PET 스캐너의 사건별 배경 거부를 위해 XGBoost, AdaBoost, Neural Network 분류기를 평가했어요. 시뮬레이션을 통해 4가지 특징(감쇠 인자, 광자 시간 차이, 에너지 합, 에너지 차이)과 6가지 특징(위상 기반 변수 포함)을 사용했어요.
4가지 특징 모델이 다양한 팬텀 형상에서 더 나은 일반화 성능을 보였으며, XGBoost는 정확도 손실이 0.04에 불과한 반면 6가지 특징 변형은 0.13이었어요. NEMA IEC 팬텀에서 최대 0.74, XCAT 팬텀에서 0.69의 정확도를 달성하여 기존 기하학 기반 절단을 능가했어요.
연구 결과, 4가지 특징 집합은 팬텀 내 산란 동시 발생을 효과적으로 억제하지 못하고 공간 패턴을 유발할 수 있었어요. 임상 조건에서 산란 동시 발생이 주요 배경 구성 요소이므로, 추가적인 개선을 위해서는 더 큰 입력 표현 또는 팬텀 산란 구성 요소에 대한 전용 처리가 필요해요.
본 연구는 기존 기하학 기반 선택을 대체할 수 있는 효과적이고 기하학적으로 독립적인 방법이지만, 이미지 품질 향상을 위해서는 더 많은 노력이 필요함을 시사해요.