Deep Learning–Based Attenuation Correction Improves Diagnostic Accuracy of Cardiac SPECT
Notice bibliographique
Résumé
To improve diagnostic accuracy, myocardial perfusion imaging (MPI) SPECT studies can use CT-based attenuation correction (AC). However, CT-based AC is not available for most SPECT systems in clinical use, increases radiation exposure, and is impacted by misregistration. We developed and externally validated a deep-learning model to generate simulated AC images directly from non-AC (NC) SPECT, without the need for CT. Methods: SPECT myocardial perfusion imaging was performed using 99mTc-sestamibi or 99mTc-tetrofosmin on contemporary scanners with solid-state detectors. We developed a conditional generative adversarial neural network that applies a deep learning model (DeepAC) to generate simulated AC SPECT images. The model was trained with short-axis NC and AC images performed at 1 site (n = 4,886) and was tested on patients from 2 separate external sites (n = 604). We assessed the diagnostic accuracy of the stress total perfusion deficit (TPD) obtained from NC, AC, and DeepAC images for obstructive coronary artery disease (CAD) with area under the receiver-operating-characteristic curve. We also quantified the direct count change among AC, NC, and DeepAC images on a per-voxel basis. Results: DeepAC could be obtained in less than 1 s from NC images; area under the receiver-operating-characteristic curve for obstructive CAD was higher for DeepAC TPD (0.79; 95% CI, 0.72–0.85) than for NC TPD (0.70; 95% CI, 0.63–0.78; P < 0.001) and similar to AC TPD (0.81; 95% CI, 0.75–0.87; P = 0.196). The normalcy rate in the low-likelihood-of-coronary-disease population was higher for DeepAC TPD (70.4%) and AC TPD (75.0%) than for NC TPD (54.6%, P < 0.001 for both). The positive count change (increase in counts) was significantly higher for AC versus NC (median, 9.4; interquartile range, 6.0–14.2; P < 0.001) than for AC versus DeepAC (median, 2.4; interquartile range, 1.3–4.2). Conclusion: In an independent external dataset, DeepAC provided improved diagnostic accuracy for obstructive CAD, as compared with NC images, and this accuracy was similar to that of actual AC. DeepAC simplifies the task of artifact identification for physicians, avoids misregistration artifacts, and can be performed rapidly without the need for CT hardware and additional acquisitions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».