Name: | Description: | Size: | Format: | |
---|---|---|---|---|
5.54 MB | Adobe PDF |
Abstract(s)
As doenças cardiovasculares são a principal causa de morbilidade e mortalidade a nível mundial. A doença arterial coronária, uma das formas mais prevalentes das doenças cardiovasculares, caracteriza-se pela deposição de placas de ateroma nas artérias coronárias, levando consequentemente a diminuições da passagem do sangue pelas artérias, fenómeno este denominado por isquémia. As isquémias podem ser reversíveis, quando existe uma diminuição da passagem do sangue temporária, causada por exercício físico ou testes de esforço farmacológico ou irreversíveis quando o estreitamento e oclusão do vaso não é revertido em situações de repouso, levando à necrose dos tecidos. Neste sentido, a cintigrafia de perfusão do miocárdio (CPM) por tomografia computorizada por emissão de fotão único (SPECT) é um exame não-invasivo muito utilizado e designado para detetar alterações de perfusão no músculo cardíaco. Na prática, a SPECT utiliza traçadores radioativos que depois de administrados no doente permitem uma visualização do mesmo pelo corpo ou órgão de interesse. Na CPM, após administrado o radiofármaco, este é fixado parcialmente no miocárdio proporcionalmente ao fluxo sanguíneo do músculo. Na prática, em áreas indicativas de baixa perfusão, pode ser indicativo de isquémia reversível ou irreversível (enfarte). Se a região lesada se apresentar menos perfundida num estudo em esforço que num estudo em repouso, estaremos perante uma isquémia reversível. Se a região não apresentar reversibilidade de perfusão no estudo em repouso, estamos perante de uma isquémia irreversível e, portanto, um enfarte. Neste sentido, na CPM, é a comparação entre o estudo em esforço e em repouso que indica a presença ou ausência de estenoses. A quantificação dos estudos de CPM-SPECT envolve tipicamente a extração de parâmetros quantitativos obtidos dos estudos de esforço e repouso. Para isso, são utilizados softwares comercialmente disponíveis como o QPSTM/QGSTM e 4D-MSPECT. No entanto, os sistemas de aquisição sofrem de algumas limitações como a distorção espacial, atenuação dispersa e baixas contagens, o que pode contribuir para elevados níveis de ruído nas imagens. Assim, este aspeto pode levar ao viés na quantificação e consequente classificação, para além de serem processos demorados e muito dependentes do utilizador, levando a variabilidades intra e inter-operador significantes. Além disso, a CPM-SPECT sendo um exame que comporta radiação ionizante para o doente, é o que mais contribui em Portugal para a dose coletiva da população desde 2010. Para ultrapassar tais limitações, novos equipamentos especializados em imagem cardíaca nuclear têm sido desenvolvidos como os de Cádmio-zinco-telureto (CZT), permitindo uma melhor qualidade de imagem e redução de dose. Outra abordagem foi implementar algoritmos iterativos na reconstrução de imagem, melhorando também a relação sinal-ruído das mesmas. No entanto, ambos os métodos estão associados a custos elevados, sendo difíceis de implementar em muitos serviços. Neste sentido, tanto as questões na variabilidade de classificação como as preocupações de redução da dose podem impactar a verdadeira avaliação de estudos CPM-SPECT. Recentemente, com a ascensão do big-data e novos algoritmos de aprendizagem profunda como as redes neuronais, estes começaram a ser utilizados também no contexto da imagiologia médica, particularmente também na CPM. Para contexto, muitas arquiteturas de redes neuronais têm sido utilizadas nas mais variadas tarefas da imagiologia, sendo as redes neuronais convolucionais a que mais se destacou. Uma razão para tal, é a facilidade da sua utilização através de transfer learning, ou seja, a utilização de redes neuronais convolucionais pré-treinadas numa base de dados de grandes dimensões, como por exemplo o ImageNet, em que se congela os pesos das camadas anteriores ou parte deles, de forma a usar o que a rede aprendeu inicialmente num outro problema de classificação. Em adendo, com o desenvolvimento de arquiteturas cada vez mais complexas, a interpretabilidade destes modelos tornou-se mais difícil. Para isso, vários métodos foram desenvolvidos como forma de melhor perceber a tomada de decisão dos algoritmos nas mais variadas tarefas, dentro dos quais destacamos o Grad-CAM. Neste sentido, e para contexto, as redes neuronais convolucionais têm sido utilizadas na cardiologia nuclear nas mais variadas tarefas como na otimização da qualidade de imagens, na reconstrução de dados e na classificação de estudos para apoio ao diagnóstico. Adicionalmente, vários investigadores têm estudado particularmente a classificação em imagens de baixa dose depois de sobreamostragem para dose convencional. No entanto, a literatura ainda carece de estudos relativos à classificação de imagens de dose convencional e reduzida com posterior comparação entre ambas. Neste projeto temos como objetivo desenvolver um modelo de classificação de imagens reais full-time e low-time de perfusão do miocárdio, avaliando a aplicação do uso de imagens sintéticas geradas a partir do método de reamostragem de Poisson em tarefas de classificação.
Myocardial perfusion imaging (MPI) by single-photon emission computed tomography (SPECT) plays a crucial role in the diagnosis of coronary artery disease. Moreover, the quantification of these images typically involves the extraction of quantitative parameters obtained from the rest stress perfusion. However, the acquisition systems have some limitations such as spatial blurring and low-count data, which may introduce bias in the classification. Additionally, these processes are time-consuming and user-dependent, leading to significant intra and inter-operator variability. Furthermore, over the years there has been a constant effort to reduce the dose of MPI. In this sense, both the variability classification issues and the dose reduction concerns can impact the true assessment of SPECT-MPI. In recent years, with the rise of artificial intelligence algorithms, several studies have proposed automatic Deep Learning techniques for the classification of MPI, moreover regarding low-count data. In this project, we ran 5 Convolutional Neural Network models with pre-trained weights: one trained on stress real full-time data (100%, as 100R), three individual models with synthetic 75%, 50% and 25% count settings and another one with all datasets combined (ALL). Thus, we compared their performance when tested on full-time and low-time studies and assessed the application of synthetic subsampled data from the Poisson Resampling technique in SPECT-MPI classification tasks. As a conclusion, both 100R and ALL models achieved good and similar results when tested with real full-time (100R model achieved an accuracy of 0.70 and ALL model achieved na accuracy of 0.65) and real low-time at 75% (both models achieved and accuracy of 0.71). Bellow this percentage, the models’ accuracy began to drop, possibly due to the limited information these images contain. Thus, subsampled data from a Poisson resampling method may be a possible solution to conduct further studies regarding the classification of low-time SPECT-MPI.
Myocardial perfusion imaging (MPI) by single-photon emission computed tomography (SPECT) plays a crucial role in the diagnosis of coronary artery disease. Moreover, the quantification of these images typically involves the extraction of quantitative parameters obtained from the rest stress perfusion. However, the acquisition systems have some limitations such as spatial blurring and low-count data, which may introduce bias in the classification. Additionally, these processes are time-consuming and user-dependent, leading to significant intra and inter-operator variability. Furthermore, over the years there has been a constant effort to reduce the dose of MPI. In this sense, both the variability classification issues and the dose reduction concerns can impact the true assessment of SPECT-MPI. In recent years, with the rise of artificial intelligence algorithms, several studies have proposed automatic Deep Learning techniques for the classification of MPI, moreover regarding low-count data. In this project, we ran 5 Convolutional Neural Network models with pre-trained weights: one trained on stress real full-time data (100%, as 100R), three individual models with synthetic 75%, 50% and 25% count settings and another one with all datasets combined (ALL). Thus, we compared their performance when tested on full-time and low-time studies and assessed the application of synthetic subsampled data from the Poisson Resampling technique in SPECT-MPI classification tasks. As a conclusion, both 100R and ALL models achieved good and similar results when tested with real full-time (100R model achieved an accuracy of 0.70 and ALL model achieved na accuracy of 0.65) and real low-time at 75% (both models achieved and accuracy of 0.71). Bellow this percentage, the models’ accuracy began to drop, possibly due to the limited information these images contain. Thus, subsampled data from a Poisson resampling method may be a possible solution to conduct further studies regarding the classification of low-time SPECT-MPI.
Description
Thesis to obtain the Master of Science Degree in Biomedical Engineering
Keywords
Aprendizagem profunda Redes Neuronais Convolucionais Classificação de imagens SPECT Cintigrafia de perfusão do miocárdio Deep learning Convolutional neural networks Image classification SPECT Myocardial perfusion imaging
Citation
GONÇALVES, Gonçalo Cravo de Jesus - Convolutional neural networks for myocardial perfusion SPECT imaging classification: a full and low-dose study. Lisboa: Instituto Superior de Engenharia de Lisboa, 2023. Dissertação de Mestrado