ĐÁNH GIÁ HIỆU QUẢ MÔ HÌNH HIỆU CHỈNH NHIỄU SUY GIẢM TRONG CHỤP XẠ HÌNH TƯỚI MÁU CƠ TIM BẰNG MÁY SPECT
273 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE5.2021.93-101Từ khóa:
Chụp cắt lớp bằng bức xạ đơn photon (SPECT); Hiệu chỉnh nhiễu suy giảm (AC); Chưa hiệu chỉnh nhiễu suy giảm (NC); Học sâu (DL); Bệnh động mạch vành (CAD); Xạ hình tưới máu cơ tim (MPI).Tóm tắt
Bài báo thực hiện thử nghiệm đánh giá hiệu quả việc sử dụng mô hình mạng học sâu để lọc nhiễu suy giảm cho các ảnh lát cắt trong xạ hình tưới máu cơ tim bằng máy SPECT theo độ nhạy, độ đặc hiệu và độ chính xác. Nhóm tác giả thu thập dữ liệu ảnh từ 88 bệnh nhân được chỉ định chụp xạ hình tưới máu cơ tim (MPI) bằng máy SPECT/CT với độ tuổi trung bình là 62.47 tuổi. Sau đó, hai tập dữ liệu được tạo ra từ dữ liệu gốc ban đầu: tập A bao gồm những ảnh được hiệu chỉnh bằng mô hình học sâu (Generated Attenuation Correction – GenAC) và các ảnh chưa được hiệu chỉnh nhiễu suy giảm NC; tập B chỉ gồm những ảnh NC. Các bộ dữ liệu này được chẩn đoán bởi hai bác sĩ có ít nhất 7 năm kinh nghiệm trong đọc ảnh xạ hình tưới máu cơ tim bằng máy SPECT. Hai bác sĩ sẽ chẩn đoán dựa trên dữ liệu ảnh mà không biết ảnh đó được gán nhãn gì cũng như ảnh đó thuộc bộ dữ liệu nào. Đánh giá trực quan về độ nhạy, độ đặc hiệu, độ chính xác chẩn đoán và tỷ lệ không tổn thương giữa hai tập dữ liệu có và không có ảnh hiệu chỉnh được so sánh. Kết quả: Độ đặc hiệu, độ nhạy và độ chính xác chẩn đoán trung bình của tập có ảnh hiệu chỉnh bởi mô hình học sâu (GenAC) là 0.87, 0.86, 0.86; tập gồm các ảnh chưa được hiệu chỉnh NC là 0.69, 0.83, 0.78.
Tài liệu tham khảo
[1]. Goff D. C., Jr., et al, "2013 ACC/AHA guideline on the assessment of cardiovascular risk: a report of the American College of Cardiology", American Heart Association Task Force on Practice Guidelines, Circulation, 129, 25 Suppl 2, Jun. 2014, 49-73, doi: 10.1161/01.cir.0000437741.48606.98.
[2]. Einstein AJ, "Effects of radiation exposure from cardiac imaging: how good are the data?", J Am Coll Cardiol 59, 2012, pp. 553–565, doi: 10.1016/j.jacc.2011.08.079
[3]. Peter L. Tilkemeier, MD, "Standardized reporting of radionuclide myocardial perfusion and function", Journal of Nuclear Cardiology (2009), doi: https://doi.org/10.1007/s12350-009-9095-8.
[4]. Bateman TM, Dilsizian V, Beanlands RS, DePuey EG, Heller GV, Wolinsky DA, "American society of nuclear cardiology position statement", Journal of Nuclear Cardiology, 2016, doi:10.1007/s12350-016-0626-9.
[5]. Technavio (2017), "Global SPECT Market 2017-2021", https://www.technavio.com/report/globalmedicalimagingglobalspectmarket2017-2021
[6]. Jha AK, Zhu Y, Clarkson E, Kupinski MA, Frey EC (2018), "Fisher information analysis of list-mode SPECT emission data for joint estimation of activity and attenuation distribution", arXiv preprint. arXiv:180701767.
[7]. Hesse B, et al, "EANM/ESC procedural guidelines for myocardial perfusion imaging in nuclear cardiology", European journal of nuclear medicine and molecular imaging, 32(7), 2005, pp. 855-897, doi: 10.1007/s00259-005-1779-y.
[8]. Holly T. A., et al, "Single photon-emission computed tomography", J Nucl Cardiol, 17(5), 2010, pp. 941-973, doi: 10.1007/s12350-010-9246-y.
[9]. Chien-Shun Lo, Chuin-Mu Wang, "Support vector machine for breast MR image classification", Computers & Mathematics with Applications, Volume 64, Issue 5, 2012, pp. 1153-1162, doi: 10.1016/j.camwa.2012.03.033.
[10]. Z. Camlica, H. R. Tizhoosh and F. Khalvati, "Medical Image Classification via SVM Using LBP Features from Saliency-Based Folded Data," 2015 IEEE 14th International Conference on Machine Learning and Applications (ICMLA), Miami, FL, 2015, pp. 128-132, doi: 10.1109/ICMLA.2015.131.
[11]. Jiang, Yun & Li, Zhanhuai & Zhang, Longbo & Sun, Peng, “An Improved SVM Classifier for Medical Image Classification”, 2007, pp. 764-773, doi: 10.1007/978-3-540-73451-2_80.
[12]. Hongkai Wang, Zongwei Zhou, "Comparison of machine learning methods for classifying mediastinal lymph node metastasis of non-small cell lung cancer from 18F-FDG PET/CT images", EJNMMI Research, 2017, doi: 10.1186/s13550-017-0260-9.
[13]. Ryo Nakazato, Balaji K. Tamarappoo, Xingping Kang, Arik Wolak, Faith Kite1, Sean W. Hayes, Louise E.J. Thomson, John D. Friedman, Daniel S. Berman and Piotr J. Slomka, "Quantitative Upright–Supine High-Speed SPECT Myocardial Perfusion Imaging for Detection of Coronary Artery Disease: Correlation with Invasive Coronary Angiography", Journal of Nuclear Medicine, vol. 51(11), 2010, pp. 1724-1731, doi: 10.2967/jnumed.110.078782.
[14]. Yann LeCun, Yoshua Bengio & Geoffrey Hinton, "Deep learning", Nature, vol. 521(7553) 2015, pp. 436-444, doi: 10.1038/nature14539.
[15]. Varun Gulshan, PhD; Lily Peng, MD, PhD; Marc Coram, PhD; et al, "Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs", JAMA, vol. 316(22), Dec. 2016, pp. 2402-2410, doi: 10.1001/jama.2016.17216.
[16]. Betancur, Commandeur, Motlagh, "Deep Learning for Prediction of Obstructive Disease from Fast Myocardial Perfusion SPECT", JACC: Cardiovascular Imaging, vol. 11(11), 2018, pp. 1654-1663, doi: 10.1016/j.jcmg.2018.01.020.
[17]. Karen Simonyan, Andrew Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition”, ICLR (2015).
[18]. Nguyễn Thành Trung, Nguyễn Chí Thành, Đặng Hoàng Minh, Nguyễn Thái Hà, Nguyễn Đức Thuận, “3D Convolutional Auto-Encoder for Attenuation Correction of Cardiac SPECT Images”, Proceedings of the 2020 IEEE Eighth International Conference on Communications and Electronics (ICCE2020), 2021,
[19]. Nguyễn Thành Trung, Nguyễn Chí Thành, Đặng Hoàng Minh, Nguyễn Thái Hà, Nguyễn Đức Thuận (2020). “3D Unet Generative Adversarial Network for Attenuation Correction of Spect Images”. Proceedings of the 2020 4th International Conference on Recent Advances in Signal Processing, Telecommunications & Computing (SigTelCom2020), Vietnam, Aug 2020, doi: 10.1109/SigTelCom49868.2020.9199018
