使用自主监督学习和以物理为灵感的U-net变压器架构使用动态非对比计算断层扫描进行 perfusion 估计
Yi-Kuan Liu1, Jorge Cisneros1, Girish Nair2
1Department of Biomedical Engineering, The University of Texas at Austin, Austin, TX, USA.
International journal of computer assisted radiology and surgery
|January 20, 2025
概括
这项研究引入了一种新的深度学习方法,用于预测使用非对比吸入和呼出CT扫描的肺 perfusion 图像. 该方法实现了最先进的准确性,可能改善肺功能评估.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 肺部诊断 肺部诊断 肺部诊断
背景情况:
- 肺 perfusion 成像对于肺部健康评估至关重要,但受到当前核医学技术的限制.
- 现有方法的空间分辨率低,采集时间长,限制临床使用,增加成本.
研究的目的:
- 开发一种新的深度学习方法,用于预测肺 perfusion 成像.
- 使用非对比吸入和呼出计算机断层扫描 (IE-CT) 作为预测模型的输入.
主要方法:
- 开发了一个U-Net变压器架构,修改为姆IE-CT输入.
- 用523张IE-CT图像的自我监督学习来学习一个低维特征空间.
- 在44名IE-CT和SPECT/CT输液扫描患者进行了转移学习的监督训练.
主要成果:
- 深度学习模型实现了0.742 ± 0.037的最先进的空间斯皮尔曼相关性,使用地面真相SPECT perfusion.
- 观察到0.792 ± 0.036的平均中位相关性,表明预测准确度很高.
结论:
- 这种新的方法有效地结合了使用深度学习的吸入和呼出CT功能,与物理建模原则保持一致.
- 这种方法显示了更快,更准确的肺功能成像的潜力,扩大了核医学以外的临床应用.
