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:/a/603170.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

uniapp + vue3 设置 axios proxy 代理,并重写路径

uniapp vue2 设置代理如下: 已生成的项目架构里面找到manifest.json文件,通过源码视图的方式打开文件,在文件中添加一下代码即可完成代理: "h5": {"devServer": {"disableHostCheck": true, //禁…

基于StatefulSet控制器在Kubernetes上部署MySQL一主多从

一、前提--StatefuSet特性 1.1 有状态的节点控制器 -- StatefulSet 及其网络状态 容器的解决方案是针对无状态应用场景的最佳实践,但对于有状态应用来说,就并非如此了。Kubernetes 用 StatefulSet 解决了有状态应用编排的问题,本文我们就来…

GitHub介绍,GitHub如何订阅充值?

一、GitHub介绍 GitHub是一个面向开源及私有软件项目的托管平台,因为只支持git 作为唯一的版本库格式进行托管,故名Github。 GitHub于2008年4月10日正式上线,除了git代码仓库托管及基本的Web管理界面以外,还提供了订阅、讨论组、…

爬取深圳2024年链家二手房数据,共3000条数据(其他城市也可)

文章目录 专栏导读1.目标2.导入相关库3.获取每个二手房的链接4.获取每个链接中的相关数据5.保存数据6.数据展示 专栏导读 ✍ 作者简介:i阿极,CSDN 数据分析领域优质创作者,专注于分享python数据分析领域知识。 ✍ 本文录入于《python网络爬虫…

探索数据结构

什么是数据结构 数据结构是由:“数据”与“结构”两部分组成 数据与结构 数据:如我们所看见的广告、图片、视频等,常见的数值,教务系统里的(姓名、性别、学号、学历等等); 结构:当…

Pandas进阶

文章目录 第1关:Pandas 分组聚合第2关:Pandas 创建透视表和交叉表 第1关:Pandas 分组聚合 编程要求 使用 Pandas 中的 read_csv() 函数读取 step1/drinks.csv 中的数据,数据的列名如下表所示,请根据 continent 分组并…

VMware 虚拟机自定义规范 - 更优雅的虚拟机开局

介绍 虚拟机自定义规范可以在你克隆虚拟机的时候在vCenter 的Web界面设定虚拟机的主机名、单/多网卡IP的IP和网关、DNS服务器、唯一标识符重置(SID等)、硬盘分区自动扩容、设定密码、密钥、时区等信息。 让管理员不需要进入虚拟机系统内部进行配置&…

10000字讲解IoC 思想以及五大注解

文章目录 IoC 思想通过案例讲解 IoC1.传统的开发方式 SpringIoC 和 DI五大注解ControllerServiceComponentRepositoryConfiguration 为什么要有这么多的类注解类注解之间的关系方法注解 Bean重命名 bean扫描路径 IoC 思想 什么是 Spring 呢? 我们经常听到的都是说…

Android 13 aosp 默认关闭SELinux

通过adb修改 adb root adb shell setenforce 0 // 开SELinux,设置成模式permissive adb shell setenforce 1 // 关SELinux,设置成模式enforce adb shell getenforce // 获取当前SELinux状态源码修改 Android_source/system/core/init/selinu…

JS-导入导出

export和export default是ES6中导出模块中变量的语法 导入导出变量 //导出方法(js文件中) export const 变量名值//导入方法 对应导入的变量,一定要加花括号 import {变量名} from js文件路径 导入导出函数 //导出方法(js文件中…

2024.1IDEA 到2026年

链接:https://pan.baidu.com/s/1hjJEV5A5k1Z9JbPyBXywSw?pwd9g4i 提取码:9g4i解压之后,按照 操作说明.txt 操作; IntelliJ IDEA 2024.1 (Ultimate Edition) Build #IU-241.14494.240, built on March 28, 2024 Licensed to gurgles tumbles You have…

福汇美股开户教程

福汇作为全球知名的外汇交易平台,也提供美股交易服务。在福汇交易美股,首先需要开立一个福汇账户。本教程将详细介绍福汇美股开户流程。 第一步:访问福汇官网并填写开户表格 访问福汇美股入口点击页面顶部的“开户”按钮。选择您的国籍&…

JetsonNano —— Windows下对Nano板卡烧录刷机(官方教程)

介绍 NVIDIA Jetson Nano™ 开发者套件是一款面向创客、学习者和开发人员的小型 AI 计算机。按照这个简短的指南,你就可以开始构建实用的 AI 应用程序、酷炫的 AI 机器人等了。 烧录刷机 1、下载 Jetson Nano开发者套件SD卡映像,并记下它在计算机上的保存…

初探MFC程序混合使用QT

一、背景 随着操作系统国产化替代的趋势越发明显,软件支持国际化、跨平台,已然是必须做的一件事情。原有的软件UI层用的是MFC,将其换成QT,想必是一种较好的方案。对于大型软件,特别是已发布,但还处于不断迭…

vue 开发环境的搭建

一、整个流程: 安装nodejs >> 安装vue >> 安装vue-cli >> 初始化 webpack(生成代码) >> 安装依赖 >> 运行vue程序 二、详细安装流程: 1.安装nodejs 下载:https://nodejs.org/dist/v12.18.3/node-v12.18.3-x…

《米小圈上学记》|快乐读书,从身边的人身边的事开始!

时间,抓住了就是黄金,虚度了就是流水;书,看了就是学问,没看就是废纸:抱负,努力了才叫幻想,放弃了那只是妄想。读书,不一定能转变命运,但肯定能让我们安静,安静本身就是一…

【触摸案例-手势解锁案例-连线到按钮 Objective-C语言】

一、接下来,我们接着来说这个,连线的问题啊, 1.连线的问题啊,也就是说,我现在点击一个按钮, 在移动到下一个按钮的时候,在两个按钮中间,在两个按钮都亮起来的时候呢,我们肯定是让它去画一条线的,那么, 1)首先,如果我现在从第一个按钮,连到第二个按钮,那么,这条…

二叉树的实现(详解,数据结构)

目录 一,二叉树需要实现的功能 二,下面是各功能详解 0.思想: 1.创建二叉树结点: 2.通过前序遍历的数组"ABD##E#H##CF##G##"构建二叉树 3.二叉树销毁: 4.前序遍历: 5.中序遍历:…

小红书「打工人」生存现状实录

近年来,“打工人”一词频繁出现在内容场景中。调研小红书数据显示,近一年“打工人、职场”相关笔记声量增长440%,预估互动总量增长128%,热度高涨。 职场年轻人正披着“打工人”的外壳,不断自嘲中寻求身份认同。基于此&…

各种流量包特征

[CVE-2013-1966] Apache Struts2 远程命令执行漏洞 要执行的命令在exec里面,而且回显数据包里面有明显执行结果回显 [CVE-2017-8046] Spring Data Rest 远程命令执行漏洞 回显不明显,考试提供的解码工具不能解密, [CVE-2017-12149] JBOSS…