基于深度学习的方法,以减少肺移植后患者的通风SPECT的获得时间
Masahiro Nakashima1, Ryohei Fukui2, Seiichiro Sugimoto3
1Division of Radiological Technology, Okayama University Hospital, 2-5-1 Shikatacho, Kitaku, Okayama, 700-8558, Japan. nakas-m@cc.okayama-u.ac.jp.
Radiological physics and technology
|October 23, 2024
概括
使用卷积神经网络 (CNN) 的深度学习方法可以显著减少肺透气单光子发射计算机断层扫描 (SPECT) 采集时间. 这种方法可以保持图像质量和诊断准确性,以检测肺移植接受者的慢性肺异位功能障碍 (CLAD).
科学领域:
- 放射学和成像学 放射学和成像学
- 肺部医学 肺部医学
- 移植医学 移植医学
- 人工智能在医学中的应用
背景情况:
- 慢性肺异位移植功能障碍 (CLAD) 是肺移植后的一个主要并发症.
- 对CLAD的准确评估通常依赖于肺呼吸成像,例如单光子发射计算机断层扫描 (SPECT).
- 传统的SPECT采集时间可能很长,可能会影响患者的舒适性和吞吐量.
研究的目的:
- 使用卷积神经网络 (CNN) 评估缩短肺透气SPECT的图像质量和诊断性能.
- 评估在肺移植接受者中显著减少SPECT获得时间的可行性.
- 确定缩短的获取时间是否会影响CLAD.的诊断准确性.
主要方法:
- 对93名接受肺移植的接受者进行了回顾性分析,他们接受了通风SPECT/CT.
- 一个CNN被开发和训练,以区分全职和短期的SPECT收购.
- 使用结构相似性指数 (SSIM) 和规范平均平方误差 (NMSE) 评估图像质量;使用曲线下的面积 (AUC) 评估诊断性能.
主要成果:
- 与短时间图像相比,CNN预测的SPECT图像显示出显著改善的图像质量 (较低的NMSE,更高的SSIM).
- 在全日制和预测的SPECT图像的功能/形态 (F/M) 体积比率之间观察到强烈的相关性 (r=0.955).
- 对CLAD的诊断性能 (AUC) 在全日制图像 (0.942) 和预测的SPECT图像 (0.934) 中高,在短时间图像 (0.872) 中较低.
结论:
- 基于深度学习的方法,利用CNN,可以有效地减少肺透气SPECT获取时间.
- 这种缩短的方法保持了高图像质量和CLAD检测的诊断准确性.
- 缩短的SPECT获取是可行的,为肺移植患者的管理提供了潜在的好处.
