文献速递:深度学习医学影像心脏疾病检测与诊断--基于深度学习的低剂量SPECT心肌灌注图像去噪:定量评估与临床表现

Title 

题目

Deep learning–based denoising of low‑dose SPECT myocardialperfusion images: quantitative assessment and clinical performance

基于深度学习的低剂量SPECT心肌灌注图像去噪:定量评估与临床表现

01

文献速递介绍

单光子发射计算机断层扫描(SPECT)是一种在各种临床领域广泛使用的分子成像技术,包括心血管疾病评估。SPECT心肌灌注成像(MPI)是一种有效的非侵入性方法,用于冠状动脉疾病的诊断、预测疾病进展以及评估急性冠状动脉综合征。为了在核医学中获得高质量图像,应注射足够剂量的放射性药物。超出规定限制的注射剂量将导致信噪比低和图像质量差,从而影响诊断性能。

由于SPECT被认为是医学成像模式中辐射剂量的第二大贡献者(每年在美国进行的约90%的应激成像研究),对该成像模式的辐射风险的关注日益增加。已经进行了多项研究,以应对核医学成像中减少放射性药物注射活性而不损害诊断/临床价值的挑战。提出的策略分为四类:统计迭代图像重建、后重建滤波或后处理、硬件的最新进展以及机器学习技术。

迭代图像重建算法将低剂量图像重建视为一个凸优化问题,并通过对信号形成和噪声进行统计建模来抑制噪声。先进的迭代图像重建算法已经表明,在SPECT-MPI成像中注射剂量或获取时间可以降低两倍或更高。在此方面,Ramon等人量化了SPECT-MPI图像中灌注缺损检测的准确性,作为注射剂量的函数以最小化给药剂量而不影响诊断性能。其他方法依赖于不同的后处理和/或后重建去噪技术,包括非局部均值(NLM)或双边滤波器来抑制低剂量图像中的噪声。最近,创新的碘化物探测器设计和SPECT相机以及新算法主要设计用于减少扫描时间或注射活性,同时保留基础信息和临床价值。装备有光电倍增管和平行孔屏蔽器的传统双头SPECT系统在分辨率和灵敏度上表现不佳,并且通常需要长时间的数据采集、高给药剂量等。专用心脏SPECT仪器在过去几年取得了巨大进步。新的商业化超快固态心脏相机(DSPECT和GE 530c/570c)能够进行低剂量的诊断质量成像。除了前述方法外,一定程度上能够恢复低剂量图像中的基础信号/结构的深度学习算法已经展示出了有前景的性能/潜力,直接从相应的低剂量图像中估计/预测高质量的标准剂量图像。

Abstract

摘要

This work was set out to investigate the feasibility of dose reduction in SPECT myocardial perfusion imaging (MPI) without sacrifcing diagnostic accuracy. A deep learning approach was proposed to synthesize full-dose images from the corresponding low-dose images at diferent dose reduction levels in the projection space.

本研究旨在探究在不损失诊断准确性的情况下,减少SPECT心肌灌注成像(MPI)的剂量是否可行。提出了一种深度学习方法,用于在投影空间中合成对应剂量水平下的低剂量图像的全剂量图像。

Method

方法

Clinical SPECT-MPI images of 345 patients acquired on a dedicated cardiac SPECT camera in list-mode format were retrospectively employed to predict standard-dose from low-dose images at half-, quarter-, and one-eighth-dose levels. To simulate realistic low-dose projections, 50%, 25%, and 12.5% of the events were randomly selected from the list-mode data through applying binomial subsampling. A generative adversarial network was implemented to predict non-gated standarddose SPECT images in the projection space at the diferent dose reduction levels. Well-established metrics, including peak signal-to-noise ratio (PSNR), root mean square error (RMSE), and structural similarity index metrics (SSIM) in addition to Pearson correlation coefcient analysis and clinical parameters derived from Cedars-Sinai software were used to quantitatively assess the predicted standard-dose images. For clinical evaluation, the quality of the predicted standard-dose images was evaluated by a nuclear medicine specialist using a seven-point (−3 to+3) grading scheme.

345名患者的临床SPECT-MPI图像,采用专用心脏SPECT摄像机以列表模式格式获取,被用于回顾性地从低剂量图像预测标准剂量图像,分别在一半、四分之一和八分之一的剂量水平上。为了模拟真实的低剂量投影,从列表模式数据中通过二项子采样随机选择了50%、25%和12.5%的事件。实现了一个生成对抗网络,用于在不同剂量水平上的投影空间中预测非门控标准剂量SPECT图像。使用成熟的指标,包括峰值信噪比(PSNR)、均方根误差(RMSE)和结构相似性指标(SSIM),以及皮尔逊相关系数分析和从Cedars-Sinai软件导出的临床参数,对预测的标准剂量图像进行定量评估。对于临床评估,核医学专家使用七点(-3到+3)评分方案评估了预测的标准剂量图像的质量。

Results

结果

The highest PSNR (42.49±2.37) and SSIM (0.99±0.01) and the lowest RMSE (1.99±0.63) were achieved at a half-dose level. Pearson correlation coefcients were 0.997±0.001, 0.994±0.003, and 0.987±0.004 for the predicted standard-dose images at half-, quarter-, and one-eighth-dose levels, respectively. Using the standard-dose images as reference, the Bland–Altman plots sketched for the Cedars-Sinai selected parameters exhibited remarkably less bias and variance in the predicted standard-dose images compared with the low-dose images at all reduced dose levels. Overall, considering the clinical assessment performed by a nuclear medicine specialist, 100%, 80%, and 11% of the predicted standard-dose images were clinically acceptable at half-, quarter-, and one-eighth-dose levels, respectively.

在一半剂量水平上获得了最高的PSNR(42.49±2.37)和SSIM(0.99±0.01),以及最低的RMSE(1.99±0.63)。对于在一半、四分之一和八分之一剂量水平上预测的标准剂量图像,皮尔逊相关系数分别为0.997±0.001、0.994±0.003和0.987±0.004。使用标准剂量图像作为参考,对于Cedars-Sinai选定的参数所绘制的Bland-Altman图表,与所有减少剂量水平下的低剂量图像相比,预测的标准剂量图像显示出显着更少的偏差和方差。总体而言,考虑到核医学专家的临床评估,在一半、四分之一和八分之一剂量水平上,预测的标准剂量图像分别有100%、80%和11%是临床可接受的。

Conclusion

结论

The noise was efectively suppressed by the proposed network, and the predicted standard-dose images were comparable to reference standard-dose images at half- and quarter-dose levels. However, recovery of the underlying signals/information in low-dose images beyond a quarter of the standard dose would not be feasible (due to very poor signal-to-noise ratio) which will adversely afect the clinical interpretation of the resulting images.

提出的网络有效地抑制了噪声,并且在一半和四分之一剂量水平上,预测的标准剂量图像与参考标准剂量图像相媲美。然而,在低于标准剂量四分之一的剂量水平上,恢复低剂量图像中的潜在信号/信息将是不可行的(由于信噪比非常低),这将不利于对结果图像的临床解释。

Figure

图片

Fig. 1 Architecture of the generator network in the GAN model

图1 GAN模型中生成器网络的架构

图片

Fig. 2 Architecture of the discriminator network in the GAN model. Conv2D, 2D convolutional layer; BN, batch normalization layer; Lrelu, Leaky ReLU activation function

图2 GAN模型中鉴别器网络的架构。Conv2D,2D卷积层;BN,批归一化层;Lrelu,泄漏线性整流激活函数

图片

Fig. 3 The predicted non-gated projections for a randomly selected patient from the test dataset at half-, quarter-, and one-eighth-dose levels compared to the reference standarddose and low-dose projections

图3 在测试数据集中随机选择的一个患者的预测非门控投影图像,与参考标准剂量和低剂量投影图像进行对比,分别在一半、四分之一和八分之一剂量水平上。

图片

Fig. 4 Reconstructed non-gated images for a patient with severerisks. a Short-axis view, b long vertical-axis view, and c horizontal long-axis view. In a, b, and c, the rows from top to bottom correspond to the standard-dose (SD), half-dose (HD), quarter-dose (QD), oneeighth-dose (OD), predicted half-dose (PHD), predicted quarter-dose (PQD), and predicted one-eighth-dose (POD), respectively

图4 对一位风险严重的患者进行的重建的非门控图像。a 短轴视图,b 长纵轴视图,以及 c 水平长轴视图。在 a、b 和 c 中,从上到下的行对应于标准剂量(SD)、一半剂量(HD)、四分之一剂量(QD)、八分之一剂量(OD)、预测的一半剂量(PHD)、预测的四分之一剂量(PQD)和预测的八分之一剂量(POD)。

图片

Fig. 5 Comparison of Pearson correlation coefcients obtained from the low-dose and predicted standard-dose reconstructed images at half-, quarter-, and one-eighth-dose levels

图5 在一半、四分之一和八分之一剂量水平上,低剂量和预测的标准剂量重建图像所获得的皮尔逊相关系数的比较。

图片

Fig. 6 Bland–Altman plots of SSS index for the low-dose and predicted standard-dose images at a half-dose, b quarter-dose level, and c one-eighth-dose levels compared with the reference standard-dose images. The blue and red dashed lines indicate the mean and 95% confdence interval of the SSS diferences in the low-dose and predicted standard-dose images, respectively. HD, half-dose; PHD, predicted half-dose; QD, quarter-dose; PQD, predicted quarter-dose; OD, one-eighthdose; POD, predicted oneeighth-dose

图6 在一半剂量、四分之一剂量和八分之一剂量水平上,低剂量和预测的标准剂量图像的SSS指数的Bland-Altman图。与参考标准剂量图像进行比较。蓝色和红色虚线表示低剂量图像和预测的标准剂量图像中SSS差异的均值和95%置信区间,分别。HD,一半剂量;PHD,预测的一半剂量;QD,四分之一剂量;PQD,预测的四分之一剂量;OD,八分之一剂量;POD,预测的八分之一剂量

图片

Fig. 7 Bland–Altman plots of TPD% index for the low-dose and predicted standard-dose images at a half-dose, b quarterdose, and c one-eighth-dose levels compared with the reference standard-dose images. The blue and red dashed lines designate the mean and 95% confdence interval of the TPD% diferences in the low-dose and predicted standard-dose images, respectively. HD, half-dose; PHD, predicted half-dose; QD, quarter-dose; PQD, predicted quarter-dose; OD, one-eighthdose; POD, predicted oneeighth-dose

图7 在一半剂量、四分之一剂量和八分之一剂量水平上,低剂量和预测的标准剂量图像的TPD%指数的Bland-Altman图。与参考标准剂量图像进行比较。蓝色和红色虚线表示低剂量图像和预测的标准剂量图像中TPD%差异的均值和95%置信区间,分别。HD,一半剂量;PHD,预测的一半剂量;QD,四分之一剂量;PQD,预测的四分之一剂量;OD,八分之一剂量;POD,预测的八分之一剂量

图片

Fig. 8 Results of image quality assessment (summed score diference) by the nuclear medicine specialist for the low-dose and predicted standard-dose images at the three reduced dose levels. Clinically acceptable cases are hatched. HD, half-dose, PHD, predicted half-dose, QD, quarter-dose, PQD, predicted quarter-dose, OD, one-eighth-dose, POD, predicted one-eighth-dose

图8 核医学专家对三个减少剂量水平下的低剂量和预测的标准剂量图像的图像质量评估结果(总和评分差异)。临床可接受的情况用斜线标记。HD,一半剂量;PHD,预测的一半剂量;QD,四分之一剂量;PQD,预测的四分之一剂量;OD,八分之一剂量;POD,预测的八分之一剂量

图片

Fig. 9 The predicted gated projections for a randomly selected patient from the test dataset at the half-dose level compared to the reference standard-dose and low-dose projections

图9 在一半剂量水平上,从测试数据集中随机选择的一个患者的预测门控投影图像,与参考标准剂量和低剂量投影图像进行对比

Table

图片

Table 1 Quantitative results associated with the diferent dose levels in the projection space. The p value between the low-dose and the predicted standard-dose projections at each reduced dose level is given

表1 在投影空间中不同剂量水平相关的定量结果。给出了每个减少剂量水平下低剂量和预测的标准剂量投影之间的p值。

图片

Table 2 Quantitative results associated with diferent dose levels in the image space. The p value between the low-dose and the predicted standard-dose projections at each reduced dose level is given

表2 在图像空间中与不同剂量水平相关的定量结果。给出了每个减少剂量水平下低剂量和预测的标准剂量投影之间的p值。

图片

Table 3 Pearson correlation coefcients of the QPS quantitative parameters considering the actual standarddose images as reference

表3 考虑实际标准剂量图像作为参考的QPS定量参数的皮尔逊相关系数

图片

Table 4 Pearson correlation coefcients for SS values assigned by the nuclear medicine specialist. The p value between the low-dose and the predicted standard-dose projections at each reduced dose level are given

表4 核医学专家分配的SS值的皮尔逊相关系数。给出了每个减少剂量水平下低剂量和预测的标准剂量投影之间的p值。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/12225.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Spring的IOC和AOP机制?

我们是在使用Spring框架的过程中,其实就是为了使用IOC,依赖注入,和AOP,面向切面编程,这两个是Spring的灵魂。 主要用到的设计模式有工厂模式和代理模式。 IOC就是典型的工厂模式,通过sessionfactory去注入…

leetcode刷题指南

本文我将分享给大家一套我自己使用良久并觉得非常高效的 学习论,它可以运用到 Leetcode 上的刷题,也可以 generalize 到生活中涉及到学习以及记忆的方方面面。当然,本文将以 Leetcode 刷题为 case study 去进行讲解。 更具体一点, 我会教大家…

JavaScript的综合案例

案例要求&#xff1a; 实现一个表单验证 1.当输入框失去焦点时&#xff0c;验证输入的内容是否符合要求 2.当点击注册按钮时&#xff0c;判断所有输入框的内容是否都符合要求&#xff0c;如果不符合要求阻止表单提交 简单的页面实现 <!DOCTYPE html> <html lang&…

在阿里云服务器上安装MySQL

目录 一、先卸载不需要的环境 1.关闭MySQL服务 2.查看安装包以及卸载安装包 3.依次卸载所有包 4. 获取mysql官⽅yum源 二、安装&#xff08;密钥过期解决方法&#xff09; 三、启动并进入 关于MySQL MySQL是一个广泛使用的开源关系型数据库管理系统&#xff08;RDBMS&…

Linux中如何配置虚拟机网络(NAT方法)

首先我们要在Linux中找到配置文件的路径/etc/sysconfig/network-scripts/&#xff0c;然后找到配置文件的名称ifcfg-xxx&#xff08;如&#xff1a;ifcfg-ens33&#xff09;&#xff0c;然后打开这个文件内 容如下&#xff1a; TYPEEthernet # 指定网卡类型是以太网 BOOTPROT…

【平衡二叉树】AVL树(双旋)

&#x1f389;博主首页&#xff1a; 有趣的中国人 &#x1f389;专栏首页&#xff1a; C进阶 &#x1f389;其它专栏&#xff1a; C初阶 | Linux | 初阶数据结构 小伙伴们大家好&#xff0c;本片文章将会讲解AVL树的左双选和右双旋的相关内容。 如果看到最后您觉得这篇文章写…

C++基础语法之数组

一、一维数组 在C中&#xff0c;一维数组是一系列具有相同数据类型的元素的集合。它们在内存中是连续存储的&#xff0c;可以通过索引访问每个元素。 一维数组的声明形式如下&#xff1a; 数据类型 数组名[常量表达式] 例如&#xff1a; // 声明一个能存储10个整数的数组 in…

【AI学习】对指令微调(instruction tuning)的理解

前面对微调&#xff08;Fine-tuning&#xff09;的学习中&#xff0c;提到指令微调。当时&#xff0c;不清楚何为指令微调&#xff0c;也一直没来得及仔细学习。 什么是指令微调&#xff1f;LLM经过预训练后&#xff0c;通过指令微调提升模型的指令遵循能力。所谓指令&#xf…

车载GPT爆红前夜:一场巨头竞逐的游戏

在基于GPT-3.5的ChatGPT问世之前&#xff0c;OpenAI作为深度学习领域并不大为人所看好的技术分支玩家&#xff0c;已经在GPT这个赛道默默耕耘了七八年的时间。 好几年的时间里&#xff0c;GPT始终没有跨越从“不能用”到“能用”的奇点。转折点发生在2020年6月份发布的GPT-3&a…

【STM32】状态机实现定时器按键消抖,处理单击、双击、三击、长按事件

目录 一、简单介绍 二、模块与接线 三、cubemx配置 四、驱动编写 状态图 按键类型定义 参数初始化/复位 按键扫描 串口重定向 主函数 五、效果展示 六、驱动附录 key.c key.h 一、简单介绍 众所周知&#xff0c;普通的机械按键会产生抖动&#xff0c;可以采取硬件…

注意力机制篇 | YOLOv8改进之在C2f模块引入反向残差注意力模块iRMB | CVPR 2023

前言:Hello大家好,我是小哥谈。反向残差注意力模块iRMB是一种用于图像分类和目标检测的深度学习模块。它结合了反向残差和注意力机制的优点,能够有效地提高模型的性能。在iRMB中,反向残差指的是将原始的残差块进行反转,即将卷积操作和批量归一化操作放在了后面。这样做的好…

软件工程期末复习(6)需求分析的任务

需求分析 需求分析的任务 “建造一个软件系统的最困难的部分是决定要建造什么……没有别的工作在做错时会如此影响最终系统&#xff0c;没有别的工作比以后矫正更困难。” —— Fred Brooks 需求难以建立的原因&#x…

矩阵相关运算1

矩阵运算是线性代数中的一个核心部分&#xff0c;它包含了许多不同类型的操作&#xff0c;可以应用于各种科学和工程问题中。 矩阵加法和减法 矩阵加法和减法需要两个矩阵具有相同的维度。操作是逐元素进行的&#xff1a; CAB or CA−B其中 A,B 和 C 是矩阵&#xff0c;且 C…

7nm项目之模块实现——02 Placeopt分析

一、Log需要看什么 1.log最后的error 注意&#xff1a;warnning暂时可以不用过于关注&#xff0c;如果特别的warning出现问题&#xff0c;在其他方面也会体现 2.run time 在大型项目实际开发中&#xff0c;周期一般较长&#xff0c;可能几天过这几周&#xff0c;所以这就需要…

探讨 cs2019 c++ 的STL 库中的模板 conjunction 与 disjunction

&#xff08;1&#xff09;在 STL 库源码中这俩模板经常出现&#xff0c;用来给源码编译中的条件选择&#xff0c;模板的版本选择等提供依据。先给出其定义&#xff1a; 以及&#xff1a; 可以得出结论&#xff1a; conj 是为了查找逻辑布尔型模板参数中的第一个 false &#x…

vs2019中__cplusplus一直显示199711

vs2019中__cplusplus一直显示199711&#xff0c;如何修改&#xff1f; 打开属性->C/C->命令行&#xff0c;其他选项&#xff0c;输入&#xff1a;/Zc:__cplusplus

aws s3

列出关键点 创建s3 设置s3策略&#xff0c;所有人访问 { "Version": "2012-10-17", "Statement": [ { "Sid": "VisualEditor1", "Effect": "Allow", …

C#窗体程序设计笔记:如何调出控件工具箱,并设置控件的属性

文章目录 调出控件工具箱设置控件属性 调出控件工具箱 使用Visual Studio打开C#解决方案后&#xff0c;初始界面如下图所示&#xff1a; 接着&#xff0c;在上方的菜单栏依次选择“视图”“工具箱”&#xff0c;即可打开工具箱&#xff0c;如下图所示&#xff1a; 设置控件属…

Android开发,日志级别

5个日志级别 Verbose (VERBOSE): 这是最低的日志级别&#xff0c;用于输出最为详尽的信息&#xff0c;包括开发和调试过程中的各种细节。在Log类中对应的方法是Log.v()。Debug (DEBUG): 此级别用于输出调试信息&#xff0c;帮助开发者理解程序运行流程或状态。通过Log.d()方法…

产品品牌CRUD

文章目录 1.renren-generator生成CRUD1.数据库表设计1.数据表设计2.分析 2.代码生成器生成crud1.查看generator.properties&#xff08;不需要修改&#xff09;2.修改application.yml 连接的数据库修改为云数据库3.启动renren-generator模块4.浏览器访问 http://localhost:81/5…