基于深度学习的减弱校正模型的临床可行性,用于TL-201心肌 perfusion SPECT

科学领域:

• 核医学是一种核医学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 减弱校正对于精确的心肌 perfusion SPECT (MPS) 定量分析至关重要.
• 目前基于CT的减弱校正 (CT AC) 需要双模式SPECT/CT扫描仪,这限制了其广泛使用.
• 开发替代,高效和准确的减弱校正方法对于改善MPS诊断至关重要.

研究的目的:

• 为 Tl-201 MPS 开发和评估基于深度学习 (DL) 的减弱校正模型.
• 与传统的CT AC方法相比,评估基于DL的减弱校正的临床可行性.

主要方法:

• 一项回顾性研究,利用TIl-201 MPS数据从怀疑冠状动脉疾病的患者.
• 开发DL图像到图像转换模型 (修改后的U-Net) 来从未经校正的SPECT数据中生成减弱校正 (GEN AC) 图像.
• 使用结构相似度指数 (SSIM) 和平均平方误差 (MSE) 损失训练DL模型,然后进行细分分析和视觉评估.

主要成果:

• 经过修改的U-Net DL模型表现出高性能,平均MAE为0.003和SSIM为0.990.
• 与未经校正的图像相比,GEN AC图像显示了明显更高的下壁心肌输液 (P <0.05).
• 视觉评估显示,大多数GEN AC图像与CT AC图像相似或无法区分,特别是在隔膜衰减的情况下.

结论:

• 基于DL的临床可行的减弱校正模型可以有效地取代基于CT的方法在Tl-201 MPS中.
• 这些DL模型在SPECT/CT无法使用时,为减弱校正提供了有价值的替代方案.
• 开发的DL方法提高了MPS成像的诊断准确性和可访问性.