使用SPECT-to-PET转换进行深度学习方法,用于CT无心肌 perfusion SPECT成像中的衰减校正

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 心脏病学 心脏病学

背景情况:

• 单光子发射计算断层扫描 (SPECT) 广泛用于心肌 perfusion 成像.
• 众所周知,SPECT成像有衰减器件,特别是在下壁,可能会影响诊断的准确性.
• 深度学习 (DL) 为提高医学成像中的图像质量和准确性提供了有希望的途径.

研究的目的:

• 为SPECT-to-PET图像翻译提出和评估一种新的深度学习方法.
• 评估SPECT-to-PET转换模型生成的SPECT (SPECT_SPT) 和实际PET数据之间的代表性声音值和 perfusion 评分之间的一致性.
• 分析了美国心脏协会 (AHA) 对于压力和休息条件定义的17个部分的表现.

主要方法:

• 这是一项追溯性研究,涉及71名患有双重压力,静止SPECT和PET数据集的患者.
• 通过使用SPECT和PET图像对进行图像对图像翻译网络的训练和验证.
• 该模型从40个患者数据集中生成了SPECT_SPT图像,然后将voxel值和 perfusion分数与17个AHA段的参考PET数据进行比较.

主要成果:

• 与PET相比,标准SPECT在压力期间在基底前部和中部下部区域以及在休息期间在基底前部和中部下部区域显示出显著的voxel值误差.
• 与标准SPECT相比,SPECT_SPT显示出明显减少的错误,在压力状态下没有明显的过分得分.
• 虽然标准SPECT在压力期间在较低区域显示出显著的过分得分,但SPECT_SPT在休息期间在基底较低区域仅显示了中度的过分和低分.

结论:

• 拟议的PET监督深度学习模型在SPECT心肌输液成像中有效地纠正下壁衰减.
• SPECT_SPT生成模型代表了一种新的,低成本和实用的临床工具,用于改善心肌动脉血流的诊断.
• 这种方法具有显著的潜力,可以提高全球依赖独立SPECT系统的中心的诊断能力.