Website được thiết kế tối ưu cho thành viên chính thức. Hãy Đăng nhập hoặc Đăng ký để truy cập đầy đủ nội dung và chức năng. Nội dung bạn cần không thấy trên website, có thể do bạn chưa đăng nhập. Nếu là thành viên của website, bạn cũng có thể yêu cầu trong nhóm Zalo "NCKH Members" các nội dung bạn quan tâm.

Nghiên cứu hiệu quả mô hình hiệu chỉnh nhiễu suy giảm trong SPECT xạ hình tưới máu cơ tim

nckh
Thông tin nghiên cứu
Loại tài liệu
Bài báo trên tạp chí khoa học (Journal Article)
Tiêu đề
Nghiên cứu hiệu quả mô hình hiệu chỉnh nhiễu suy giảm trong SPECT xạ hình tưới máu cơ tim
Tác giả
Chu Minh Đức; Nguyễn Ngọc Dương; Trần Văn Nhuận; Mai Hồng Sơn
Năm xuất bản
2023
Số tạp chí
DB10
Trang bắt đầu
98 - 105
ISSN
1859-2872
Tóm tắt

Đánh giá kiểm tra hiệu quả của việc sử dụng mô hình deep learning (Học sâu) với việc hiệu chỉnh suy giảm nhiễu trong hình ảnh xạ hình tưới máu cơ tim bằng SPECT. Sử dụng kiến trúc mạng 3DUnet-GAN để hiệu chỉnh suy giảm nhiễu đối với các hình ảnh SPECT không hiệu chỉnh suy giảm (NC) để tạo ảnh SPECT có hiệu chỉnh suy giảm (AC). Hình ảnh sinh ra từ mô hình AI đươc so sánh với hình ảnh SPECT/CT (TrueAC). So sánh đánh giá kết quả của mô hình với kiến trúc ResNet và phương pháp Chang AC, xem xét hệ số suy giảm đồng đều trong cơ thể. Đánh giá hình ảnh sinh ra từ mô hình với hiệu quả đem lại trong lâm sàng. Nhìn chung, việc sinh ảnh hiệu chỉnh suy giảm (AC) từ mô hình sử dụng kiến trúc mạng AI dựa trên hình ảnh CT, vượt trội hơn đáng kể so với phương pháp Chang. Các mô hình ResNet và 3DUNet-GAN có kết quả về sai số trung bình ME lần lượt là -6,99 ± 16,72 và -4,41 ± 11,8 và chỉ số cấu trúc tương đồng SSIM lần lượt là 0,99 ± 0,04 và 0,98 ± 0,05. Trong khi phương pháp CHANG có các kết quả ME và SSIM lần lượt là 25,52 ± 33,98 và 0,93 ± 0,09. Phương pháp sử dụng học sâu máy tính để khử nhiễu ảnh SPECT có tiềm năng sử dụng được cho các cơ sở chỉ sử dụng các máy SPECT đơn thuần.

Abstract

To evaluate the effectiveness of using deep learning model with attenuation correction in SPECT myocardial perfusion imaging. Use the 3DUnet-GAN network to attenuation correction for SPECT without attenuation correction (NC) images to generate attenuation corrected (AC) SPECT images. The image generated f-rom the AI model is compared with the SPECT/CT image (TrueAC). Compare and evaluate the results of the model used with ResNet model and Chang AC method, the coefficient of uniform decline in body contour. Evaluate model-generated images with clinical effectiveness. Overall, the deep learning solution exhibited good agreement with the CT-based AC, noticeably outperforming the Chang method. The ResNet and 3DUNet-GAN models resulted in the ME (count) of -6.99 ± 16.72 and -4.41 ± 11.8 and SSIM of 0.99 ± 0.04 and 0.98 ± 0.05, respectively. While the Chang approach led to ME and SSIM of 25.52 ± 33.98 and 0.93 ± 0.09, respectively. Similarly, the clinical evaluation revealed a mean TPD of 12.21 ± 8.28 and 12.00 ± 9.21 for the ResNet and UNet models, respectively, compared to 11.95 ± 9.37 obtained f-rom the reference SPECT CT-AC images. On the other hand, the Chang approach led to a mean TPD of 14.26 ± 8.19. The method of using computer deep learning to attenuation correction SPECT images potential to be used for facilities that only use SPECT machines, assisting doctors in diagnosing images and reducing the pressure on work intensity for medical staff.