应用U-Net深度学习模型来对单光子发射计算机断层扫描心肌 perfusion 图像进行细分
Ahmad Alenezi1, Ali Mayya2, Mahdi Alajmi3
1Radiologic Sciences Department, Kuwait University, Kuwait City 31470, Kuwait.
Diagnostics (Basel, Switzerland)
|January 8, 2025
概括
深度学习U-Net模型显著改善心肌输液成像 (MPI) 细分精度,用于冠状动脉疾病 (CAD) 诊断. 这种人工智能方法与专家的性能相匹配,有助于复杂的图像分析.
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:
- 使用SPECT进行心肌输液成像 (MPI) 对于诊断冠状动脉疾病 (CAD) 至关重要.
- 精确的MPI细分对于诊断至关重要,但存在重大挑战.
- 机器学习 (ML) 为复杂的图像分割任务提供先进的解决方案.
研究的目的:
- 为了提高MPI中的细分精度,使用深度学习 (DL) 算法,U-Net.
- 评估U-Net模型在为CAD评估分段MPI图像的性能.
- 将基于DL的细分与核医学专家表现进行比较.
主要方法:
- 一个U-Net DL算法应用于1100名患者的MPI数据.
- 通过对100项MPI研究进行专家细分,创建了一个基本真相数据集.
- 该模型在4560张图像的数据集上进行了训练和验证,使用了holdout和k-fold策略.
主要成果:
- 该U-Net模型实现了高精度 (98.9%), IOU (89.6%) 和子系数 (94%) 的持久分割.
- 交叉损失函数和持久分裂产生了最好的细分性能.
- 在统计学上,U-Net的细分表现与专家核医学技术人员的表现相当 (p=0.1).
结论:
- 在MPI中,U-Net模型有效地克服了细分挑战.
- 这种DL方法有助于改善心脏成像中大型数据集的诊断和分析.
- 通过自动化图像细分,U-Net显示了提高CAD诊断精度的前景.
