DuDoCS-Net: dual-domain and self-attention based CycleGAN for low-dose SPECT myocardial perfusion image enhancement
Notice bibliographique
Résumé
Objectives We aimed to develop a deep learning (DL) framework to predict standard-dose images from low-dose images for both reconstruction and projection domains in SPECT myocardial perfusion imaging (MPI). Methods We retrospectively enrolled 359 patients who underwent SPECT MPI, to estimate standard-dose data, using half-, quarter-, and one-eighth-dose data. A CycleGAN integrated with self-attention mechanism and skip connection was employed to restore standard-dose SPECT images at different dose levels for reconstruction and projection domains. Quantitative metrics (structural similarity index metrics, SSIM; peak signal-to-noise ratio, PSNR; root mean square error, RMSE) and clinical parameters were calculated to evaluate the image quality. We first evaluated the predicted image quality by conventional PSNR, SSIM and RMSE, based on which, clinical parameters including left ventricular volume (LV), end-systolic volume (ESV), end-systolic volume (EDV) and ejection fraction (EF) were then adopted to assess the clinical feasibility. A commercially available software (PMOD) was adopted to assess the diagnostic accuracy. Furthermore, a comparison experiment was conducted to explore whether projection-domain denoising is superior to the reconstruction domain. Results For non-gated cases, the lowest RMSE (1.56 ± 0.56) and highest PSNR (44.63 ± 1.69), SSIM (0.99 ± 0.01) were achieved in half-dose reconstructed images. For gated data, the lowest RMSE (2.18 ± 0.56) and highest PSNR (43.18 ± 1.69), SSIM (0.99 ± 0.01) were achieved. The proposed method achieved a performance that surpassed the advanced approaches with lowest RMSE (2.34 ± 0.48) and highest PSNR (42.07 ± 1.69), SSIM (0.99 ± 0.01), maintaining the fastest inference speed. The quantitative performance of the projection domain is superior to that of the reconstruction domain at different dose levels with lowest RMSE (half: 1.24 ± 0.42; quarter: 1.97 ± 0.46; one-eighth: 3.86 ± 0.62) and highest PSNR (half: 46.18 ± 1.67; quarter: 45.57 ± 1.52; one-eighth: 40.16 ± 1.63), SSIM (half:0.99 ± 0.01; quarter: 0.99 ± 0.01; one-eighth: 0.99 ± 0.01). The polar map analysis demonstrated the improved RMSEs (LAD: 2.02 ± 0.37; LCX: 2.15 ± 0.41; RCA: 2.02 ± 0.35). Conclusion The proposed method improves the quality of the estimated images in both reconstruction and projection domains. Projection-domain denoising surpasses the reconstruction domain for SPECT MPI.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».