[论文解读] Deep learning-based attenuation correction in the image domain for myocardial perfusion SPECT imaging

Samaneh Mostafapour, Faeze Gholamiankhah+5 more|arXiv (Cornell University)|Feb 9, 2021

Medical Imaging Techniques and Applications参考文献 45被引用 6

一句话总结

本研究提出了一种基于深度学习的图像域衰减校正（AC）方法，用于心肌灌注SPECT（MPI-SPECT），采用ResNet和UNet架构，直接从非衰减校正的SPECT扫描预测基于CT的AC图像。与传统的Chang方法相比，该方法表现出更优的准确性，平均绝对误差（MAE）分别为-6.99±16.72和-4.41±11.80，结构相似性指数（SSIM）分别为0.99±0.04和0.98±0.05，显示出与参考CT-AC图像高度一致的临床表现。

ABSTRACT

Objective: In this work, we set out to investigate the accuracy of direct attenuation correction (AC) in the image domain for the myocardial perfusion SPECT imaging (MPI-SPECT) using two residual (ResNet) and UNet deep convolutional neural networks. Methods: The MPI-SPECT 99mTc-sestamibi images of 99 participants were retrospectively examined. UNet and ResNet networks were trained using SPECT non-attenuation corrected images as input and CT-based attenuation corrected SPECT images (CT-AC) as reference. The Chang AC approach, considering a uniform attenuation coefficient within the body contour, was also implemented. Quantitative and clinical evaluation of the proposed methods were performed considering SPECT CT-AC images of 19 subjects as reference using the mean absolute error (MAE), structural similarity index (SSIM) metrics, as well as relevant clinical indices such as perfusion deficit (TPD). Results: Overall, the deep learning solution exhibited good agreement with the CT-based AC, noticeably outperforming the Chang method. The ResNet and UNet models resulted in the ME (count) of ${-6.99\pm16.72}$ and ${-4.41\pm11.8}$ and SSIM of ${0.99\pm0.04}$ and ${0.98\pm0.05}$, respectively. While the Change approach led to ME and SSIM of ${25.52\pm33.98}$ and ${0.93\pm0.09}$, respectively. Similarly, the clinical evaluation revealed a mean TPD of ${12.78\pm9.22}$ and ${12.57\pm8.93}$ for the ResNet and UNet models, respectively, compared to ${12.84\pm8.63}$ obtained from the reference SPECT CT-AC images. On the other hand, the Chang approach led to a mean TPD of ${16.68\pm11.24}$. Conclusion: We evaluated two deep convolutional neural networks to estimate SPECT-AC images directly from the non-attenuation corrected images. The deep learning solutions exhibited the promising potential to generate reliable attenuation corrected SPECT images without the use of transmission scanning.

研究动机与目标

• 开发一种基于深度学习的直接衰减校正方法，仅使用发射图像进行心肌灌注SPECT（MPI-SPECT）的衰减校正。
• 通过直接从非衰减校正的SPECT图像学习衰减校正，消除对传输扫描的需求。
• 评估深度学习模型（ResNet和UNet）与传统Chang AC方法及基于CT的参考图像的性能表现。
• 通过灌注缺损（TPD）和图像质量指标（MAE、SSIM）等临床指标评估其临床相关性。
• 证明深度学习可生成与金标准CT-AC图像相当的可靠AC图像，且无需额外的成像协议。

提出的方法

• 在99例MPI-SPECT 99mTc-sestamibi研究中训练了两个深度卷积神经网络——ResNet和UNet。
• 以非衰减校正的SPECT图像作为输入，以基于CT的衰减校正SPECT图像作为真实标签参考。
• 在ResNet中应用残差连接，在UNet中应用跳跃连接，以改善特征学习和梯度传播。
• 端到端训练模型，直接在图像域中预测衰减校正后的SPECT图像。
• 使用平均绝对误差（MAE）、结构相似性指数（SSIM）以及临床灌注缺损（TPD）评估性能。
• 使用相同数据集和参考图像，将结果与传统的Chang AC方法进行对比。

实验结果

研究问题

• RQ1 深度学习模型是否能够在无传输扫描的情况下，直接在图像域中学习到准确的衰减校正？
• RQ2 与传统的Chang方法相比，基于ResNet和UNet的AC在图像质量和定量指标方面表现如何？
• RQ3 基于深度学习的AC结果在多大程度上与金标准CT-AC图像的临床指标（如TPD）相匹配？
• RQ4 所提出的方法是否能在避免CT传输扫描的同时，保持高结构相似性和低误差？
• RQ5 该深度学习方法是否足够稳健，能够针对不同患者解剖结构生成临床可靠的衰减校正SPECT图像？

主要发现

• ResNet模型实现了-6.99±16.72的平均误差（ME）和0.99±0.04的SSIM，表明其与CT-AC参考图像具有高度的结构保真度。
• UNet模型实现了ME为-4.41±11.80和SSIM为0.98±0.05，表现出优异的图像质量和一致性。
• Chang方法的误差显著更高（ME: 25.52±33.98），SSIM更低（0.93±0.09），表明其性能较差。
• 临床评估显示，ResNet的平均TPD为12.78±9.22，UNet为12.57±8.93，与参考CT-AC的平均TPD（12.84±8.63）非常接近。
• Chang方法的平均TPD为16.68±11.24，表明其对灌注缺损存在临床相关的过度估计。
• 总体而言，深度学习模型在定量和临床指标上均优于传统Chang方法，显示出在MPI-SPECT中替代基于CT的AC的强大潜力。