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

Tóm tắt

Mục tiêu: 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. Đối tượng và phương pháp: 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. Kết quả: 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. Kết luận: 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.