用深度学习网络进行心脏运动校正,用于在单光子发射计算机断层扫描中评估 perfusion 缺陷,用于心肌 perfusion 成像
Xirang Zhang1, Yongyi Yang1, P Hendrik Pretorius2
1Medical Imaging Research Center, Department of Electrical and Computer Engineering, Illinois Institute of Technology, Chicago, IL, USA.
概括
深度学习运动校正显著改善了在单光子发射计算机断层扫描心肌 perfusion 成像 (SPECT-MPI) 研究中检测 perfusion 缺陷的性能,即使图像数量减少.
科学领域:
- 医疗成像医学成像
- 心脏病学 心脏病学
- 人工智能的人工智能
背景情况:
- 使用单光子发射计算机断层扫描 (SPECT) 进行心肌 perfusion imaging (MPI) 时,在未进行的研究中经常出现动作模糊,阻碍了精确的 perfusion 缺陷评估.
- 深度学习 (DL) 在这些心脏成像研究中为运动校正提供了潜在的解决方案.
研究的目的:
- 调查深度学习 (DL) 网络用于心脏运动校正的有效性,以改善SPECT-MPI中输液缺陷的检测.
- 在标准和减少数量的SPECT-MPI研究中评估DL运动校正的性能.
主要方法:
- 开发并训练了一个DL网络,用于ECG导入的SPECT-MPI图像中的心脏运动校正.
- 通过对194名模拟 perfusion 缺陷的临床受试者的数据集进行接收器操作特征 (ROC) 分析来评估 DL 网络.
- 在标准计数和减少计数 (2倍和4倍) 研究中评估了性能,考虑了不同的心脏参考阶段.
主要成果:
- 深度学习运动校正显著提高了输液缺陷的检测能力,如ROC曲线下面积 (AUC) 值所示.
- 与未检查的全数数据相比,DL方法在减少数量的研究中表现优越.
- 使用两个参考心脏相的联合评估在季度计数数据上产生了最高的AUC (0.841).
结论:
- 深度学习运动校正是评估标准和减少数量的SPECT-MPI研究中的 perfusion 缺陷的有益工具.
- 使用多个心脏阶段进行评估可以提高DL校正的输液图像的诊断价值.
