合成减弱校正地图用于使用深度学习的SPECT成像:对心肌输液成像的研究
Mariana Andrea Prieto Canalejo1, Aley Palau San Pedro2, Ricardo Geronazzo2
1Facultad Regional Buenos Aires, Universidad Tecnológica Nacional, Buenos Aires C1179AAS, Argentina.
Diagnostics (Basel, Switzerland)
|July 14, 2023
概括
深度学习可以从SPECT图像中创建准确的减弱校正图,消除在心脏成像中需要额外的CT扫描. 这种方法提高了SPECT心肌输液成像质量和患者安全.
科学领域:
- 核医学是一种核医学.
- 医疗成像医学成像
- 医疗保健中的人工智能
背景情况:
- 基于CT的减弱校正对于准确的SPECT心血管成像至关重要.
- 许多SPECT摄像头缺乏CT扫描仪,特别是在发展中国家.
- 额外的CT扫描增加了患者的辐射剂量和后勤挑战.
研究的目的:
- 开发一个深度学习模型,从SPECT图像中生成线性衰减系数图.
- 评估使用这些合成地图在肌肉输血SPECT中进行衰减校正的可行性.
主要方法:
- 在312个心肌 perfusion SPECT研究 (99mTc-sestamibi) 上训练了一个 2D U-Net 深度学习模型.
- 对66名试验患者生成了合成减弱校正图 (ACM).
- 合成ACM和重建的SPECT图像的质量使用指标进行评估,并与标准数据进行比较.
主要成果:
- 高质量的合成ACM实现了0.97%的MSSIM和3.08%的NMAE.
- 重建的SPECT图像显示出出色的质量,MSSIM为0.99,NMAE为0.23%.
- 重建图像的voxel水平一致性在[-9.04; 9.00]%以内,对临床评分的影响最小.
结论:
- 深度学习有效地从心脏SPECT数据中生成准确的衰减校正图.
- 这些合成ACM适用于心肌 perfusion SPECT,可能取代额外的CT扫描.
- 这种方法提高了SPECT成像的可访问性,并减少了患者的辐射暴露.
