Data-driven respiratory motion correction of cardiac SPECT using a convolutional neural network
Notice bibliographique
Résumé
Respiratory motion leading to degradation of image quality can reduce the diagnostic utility of SPECT myocardial perfusion imaging (MPI) studies. While retrospective motion compensation (MC) is possible with listmode acquisitions, many methods for doing so require additional equipment or time-consuming analysis, making it difficult to incorporate in a routine clinical workflow. This work presents an AI-based tool for motion detection in cardiac pinhole SPECT scans that does not need image reconstruction. This tool makes use of a convolutional neural network trained on respiratory-gated MPI studies from 90 patients (179 scans) supplemented with simulated scans using the NCAT digital torso phantom. Data are binned into respiratory gates based on the amplitude of detected count rate in 100 ms frames, and gated projection data are processed to determine if motion compensation is necessary based on a motion amplitude threshold of 12 mm. A beta version of this tool is currently in use at the University of Ottawa Heart Institute where it was installed on the Windows workstation used for processing scans. The AI tool provides feedback within 10 seconds, allowing technologists to immediately flag studies for further follow-up with minimal disruption to workflow. On an initial evaluation of 21 studies the tool shows a 73.3% success rate in identifying scans that do not require additional MC processing. In the first week of usage, seven studies were flagged including four showing a visual improvement with MC. Using feedback from clinical technologists and initial findings, modifications to the AI tool are still being implemented.
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 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».