Tái tạo ảnh SPECT tim chuẩn hóa suy giảm bằng mô hình sinh học sâu: Hướng tiếp cận hiện đại và đánh giá thực nghiệm
DOI:
https://doi.org/10.54939/1859-1043.j.mst.106.2025.55-62Từ khóa:
Chụp cắt lớp phát xạ đơn photon (SPECT); Xạ hình tưới máu cơ tim (MPI); Hỗ trợ chẩn đoán bằng máy tính (CAD); Mạng sinh đối nghịch (GAN); Mô hình khuếch tán (Diffusion model).Tóm tắt
Chụp xạ hình tưới máu cơ tim (myocardial perfusion imaging - MPI) bằng máy chụp cắt lớp phát xạ đơn photon (single-photon emission computed tomography - SPECT) là công cụ quan trọng trong chẩn đoán bệnh động mạch vành nhưng thường bị ảnh hưởng bởi suy giảm tín hiệu do hấp thụ mô mềm. Trong nghiên cứu này, chúng tôi sử dụng bộ dữ liệu SPECT MPI công bố rộng rãi để xây dựng bộ benchmark đánh giá bài toán tái tạo ảnh hiệu chỉnh suy giảm (attenuation correction - AC) từ ảnh gốc chưa hiệu chỉnh (non-attenuation correction - NC) theo hướng 2D lát cắt (slice-to-slice). Chúng tôi triển khai và so sánh hiệu quả nhiều mô hình sinh ảnh tiên tiến, bao gồm mạng sinh đối nghịch (generative adversarial network - GAN) và mô hình khuếch tán (diffusion model). Các mô hình sinh được thiết kế để huấn luyện trên miền dữ liệu tổng quát (general domain) lẫn miền y học (medical domain). Kết quả cho thấy các phương pháp học sâu hiện đại có thể tái tạo ảnh AC với chất lượng cao, mở ra tiềm năng ứng dụng thực tiễn cho hệ thống hỗ trợ chẩn đoán bằng máy tính (computer-aided diagnosis - CAD) trên dữ liệu SPECT MPI.
Tài liệu tham khảo
[1]. Liu, H., Wu, J., Shi, L., Liu, Y., Miller, E., Sinusas, A., ... & Liu, C. "Post-reconstruction attenuation correction for SPECT myocardium perfusion imaging facilitated by deep learning-based attenuation map generation." Journal of Nuclear Cardiology, 29(6), 2881–2892, (2022).
[2]. Chen, X., Zhou, B., Xie, H., Miao, T., Liu, H., Holler, W., ... & Liu, C. "DuDoSS: Deep‐learning‐based dual‐domain sinogram synthesis from sparsely sampled projections of cardiac SPECT." Medical Physics, 50(1), 89–103, (2023).
[3]. Liu, J., Yang, Y., Wernick, M. N., Pretorius, P. H., & King, M. A. "Deep learning with noise‐to‐noise training for denoising in SPECT myocardial perfusion imaging." Medical Physics, 48(1), 156–168, (2021).
[4]. Ho, J., Jain, A., & Abbeel, P. "Denoising diffusion probabilistic models." Advances in Neural Information Processing Systems, 33, 6840–6851, (2020).
[5]. Rombach, R., Blattmann, A., Lorenz, D., Esser, P., & Ommer, B. "High-resolution image synthesis with latent diffusion models." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 10684–10695, (2022).
[6]. Saharia, C., Chan, W., Chang, H., Lee, C., Ho, J., Salimans, T., Fleet, D., & Norouzi, M. "Palette: Image-to-image diffusion models." Proceedings of the ACM SIGGRAPH Conference, 1–10, (2022).
[7]. Wang, T.-C., Liu, M.-Y., Zhu, J.-Y., Tao, A., Kautz, J., & Catanzaro, B. "High-resolution image synthesis and semantic manipulation with conditional GANs." (2018).
[8]. Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. "Unpaired image-to-image translation using cycle-consistent adversarial networks." Proceedings of the IEEE International Conference on Computer Vision, 2223–2232, (2017).
[9]. Liu, M.-Y., Breuel, T., & Kautz, J. "Unsupervised image-to-image translation networks." Advances in Neural Information Processing Systems, 30, (2017).
[10]. Li, B., Xue, K., Liu, B., & Lai, Y.-K. "BBDM: Image-to-image translation with Brownian bridge diffusion models." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 1952–1961, (2023).
[11]. Armanious, K., Jiang, C., Fischer, M., Küstner, T., Hepp, T., Nikolaou, K., Gatidis, S., & Yang, B. "MedGAN: Medical image translation using GANs." Computerized Medical Imaging and Graphics, 79, 101684, (2020).
[12]. Kong, L., Lian, C., Huang, D., Li, Z., Hu, Y., & Zhou, Q. "Breaking the dilemma of medical image-to-image translation." arXiv preprint arXiv:2110.06465, (2021).
[13]. Esser, P., Rombach, R., & Ommer, B. "Taming transformers for high-resolution image synthesis." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 12873–12883, (2021).
[14]. Ronneberger, O., Fischer, P., & Brox, T. "U-Net: Convolutional networks for biomedical image segmentation." Proceedings of the International Conference on Medical Image Computing and Computer-Assisted Intervention, 234–241, (2015).
[15]. Nguyen, D. T., Nguyen, T. T., Nguyen, H. T., Nguyen, T. T., Pham, H. H., Nguyen, T. H., ... & Le Nguyen, P. "CT to PET Translation: A Large-scale Dataset and Domain-Knowledge-Guided Diffusion Approach." Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 1498–1507, (2025).
