用深度学习对心脏 perfusion SPECT 的呼吸信号进行估计
Yuan Chen1, P Hendrik Pretorius1, Clifford Lindsay1
1Department of Radiology, University of Massachusetts Medical School, Worcester, Massachusetts, USA.
Medical physics
|July 31, 2023
概括
一种新的深度学习 (DL) 方法从SPECT投影数据中估计呼吸运动,减少心脏 perfusion 成像中的工件. 这种方法实现了与外部跟踪系统相似的量化,可以在没有额外设备的情况下进行自动运动校正.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心脏病学 心脏病学
背景情况:
- 呼吸运动显著降低心脏 perfusion SPECT 图像质量.
- 目前的呼吸运动校正方法通常需要外部跟踪设备,增加临床复杂性和成本.
研究的目的:
- 开发一种深度学习 (DL) 方法,仅使用SPECT投影数据来估计呼吸信号.
- 为了使无需外部跟踪系统的自动呼吸运动校正.
主要方法:
- 一个经过修改的U-Net模型处理了精细采样的SPECT子投影数据.
- 网络生成了一个呼吸运动信号,从投影角度汇总.
- 培训使用视觉跟踪系统 (VTS) 作为参考,与质量中心 (CoM) 方法进行比较.
主要成果:
- DL方法与VTS参考信号实现了高相关性 (0.90),超过了CoM方法 (0.70).
- 基于DL的运动校正减少了图像模糊,提高了量化准确性,与VTS相比,显著运动的平均绝对差异为1.7%.
- DL方法证明了与VTS相比较的区域量化,优于CoM方法,没有修正.
结论:
- 深度学习有效地估计了用于心脏 perfusion 成像的 SPECT 投影数据的呼吸信号.
- 基于DL的运动校正减少了工件,并提供了准确的量化,与外部跟踪相比较.
- 这项技术在临床SPECT成像中促进了全自动,数据驱动的呼吸运动校正.
