1. Trang chủ
  2. » Luận Văn - Báo Cáo

Nghiên cứu xử lý ảnh spect tim trong hỗ trợ chẩn đoán bệnh động mạch vành745

134 5 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 134
Dung lượng 14,24 MB

Nội dung

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Nguyễn Thành Trung NGHIÊN CỨU XỬ LÝ ẢNH SPECT TIM TRONG HỖ TRỢ CHẨN ĐOÁN BỆNH ĐỘNG MẠCH VÀNH LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ HÀ NỘI, 2021 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Nguyễn Thành Trung NGHIÊN CỨU XỬ LÝ ẢNH SPECT TIM TRONG HỖ TRỢ CHẨN ĐOÁN BỆNH ĐỘNG MẠCH VÀNH LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ Ngành: Kỹ thuật Điện tử Mã số: 9520203 NGƯỜI HƯỚNG DẪN KHOA HỌC: TS NGUYỄN THÁI HÀ GS TS NGUYỄN ĐỨC THUẬN HÀ NỘI, 2021 Lời cam đoan Tác giả xin cam đoan cơng trình nghiên cứu riêng tác giả, không chép người Các số liệu kết nêu luận án hoàn toàn trung thực chưa tác giả khác công bố Hà Nội, ngày 22 tháng 03 năm 2021 T/M tập thể giáo viên hướng dẫn TS Nguyễn Thái Hà Tác giả NCS Nguyễn Thành Trung Lời cảm ơn Tôi xin chân thành cảm ơn TS Nguyễn Thái Hà GS.TS Nguyễn Đức Thuận, người nhiệt tình hướng dẫn giúp đỡ tơi nhiều q trình nghiên cứu hồn thành Luận án Tôi xin chân thành cảm ơn Bộ môn Công nghệ Điện tử Kỹ thuật Y sinh, Phịng Đào tạo, Viện Điện tử -Viễn thơng, Trường Đại học Bách Khoa Hà Nội tạo điều kiện thuận lợi để tơi hồn thành nhiệm vụ nghiên cứu Tơi xin chân thành cảm ơn tới khoa Y học Hạt nhân, bệnh viện Trung ương Quân đội 108; viện Công nghệ Thông tin, viện Khoa học Công nghệ Quân hỗ trợ, cộng tác, tạo điều kiện để tơi hồn thành nhiệm vụ nghiên cứu Tơi bày tỏ lịng biết ơn đến Gia đình tơi, vợ tơi, anh chị em, đồng nghiệp bạn bè người ủng hộ động viên giúp đỡ thời gian làm Luận án MỤC LỤC LỜI CAM ĐOAN………………………………………………………………………………….i LỜI CẢM ƠN………………………………………………………………………………… …ii MỤC LỤC……………………………………………………………………………………… iii DANH MỤC CÁC HÌNH VẼ ………………………………………………………………… vi DANH MỤC CÁC BẢNG BIỂU……………………………………………………………… ix DANH MỤC CÁC TỪ VIẾT TẮT ………………………………………………………… … x MỞ ĐẦU Lý chọn đề tài, mục đích nghiên cứu……………………………………………………… Đối tượng, phương pháp phạm vi nghiên cứu luận án……………………… …… …4 Ý nghĩa khoa học thực tiễn luận án………………………………………………………5 Các đóng góp luận án…………………………… ……………………………………… Bố cục luận án………………………………………………………………….………… CHƯƠNG TỔNG QUAN VỀ PHƯƠNG PHÁP XẠ HÌNH TƯỚI MÁU CƠ TIM BẰNG MÁY SPECT VÀ KỸ THUẬT HỌC SÂU……………………… …………………………….8 1.1 Bệnh lý động mạch vành……………………………………………………………….… 1.1.1 Giải phẫu tim bệnh lý mạch vành………………………………… …….…….8 1.1.2 Các phương pháp chẩn đoán bệnh mạch vành…………………………………….9 1.2 Xạ hình tưới máu tim máy SPECT…………………………………………….… 11 1.2.1 Nguyên lý phương pháp chụp xạ hình tưới máu tim ……………….… 11 1.2.2 Giá trị phương pháp xạ hình tưới máu tim máy SPECT……… ….13 1.2.3 Các yếu tố ảnh hưởng tới độ xác kết chẩn đốn………………… … 15 1.3 Giải pháp xử lý ảnh SPECT tim hỗ trợ chẩn đoán bệnh động mạch vành …… …….17 1.4 1.3.1 Tình hình nghiên cứu giải pháp nước …………………………… ….17 1.3.2 Tình hình nghiên cứu giải pháp nước …………………………….… 18 1.3.3 Nhận xét, đánh giá giải pháp khảo sát đề xuất giải pháp tác giả… 23 Kỹ thuật học sâu………………………………………………………………………….25 1.5 Kết luận chương 1……………………………………………………………… ……… 31 iii CHƯƠNG XÂY DỰNG BỘ CƠ SỞ DỮ LIỆU SPECT TIM…………………………… 33 2.1 Vấn đề nghiên cứu … …………………….……………………………………………….33 2.2 Quy trình thu thập liệu …………………… ……………………………… ………….38 2.2.1 Cơ sở y học hạt nhân tiến hành thu thập liệu……………………………… 38 2.2.2 Quy trình xạ hình tưới máu tim……………………………………… …….40 2.2.2.1 Quy trình thực hành theo vị trí……………………………….……40 2.2.2.2 Quy trình thực kỹ thuật xạ hình tưới máu tim máy SPECT42 2.2.3 Tiêu chuẩn loại trừ mẫu………………………………………………………… 43 2.3 Quy trình xử lý, chuẩn hố liệu………………………………………………………….44 2.3.1 Quy trình chuẩn hố liệu hình ảnh……………………………………………44 2.3.2 Quy trình chuẩn hố liệu thơng tin lâm sàng…………………………………46 2.4 Quy trình gắn nhãn liệu………………………………………………………………….47 2.5 Xây dựng tính sở liệu………………………………………………… 50 2.6 Phân bố liệu, cỡ mẫu nghiên cứu ………………………………………………… …….51 2.7 Nhận xét, đánh giá sở liệu………….………………………………………… …53 2.7 Kết luận chương 2.……………………………………………………………………… …56 CHƯƠNG XÂY DỰNG BỘ LỌC NHIỄU SUY GIẢM SỬ DỤNG MẠNG DEEP LEARNING 58 3.1 3.2 Vấn đề nghiên cứu … ………………………………………………….…………….58 Xây dựng mơ hình lọc nhiễu suy giảm cho ảnh SPECT MPI……………………… …62 3.2.1 Các mơ hình CAE, GAN, U-net…………………………………………… …62 3.2.2 Các thước đo ………………………………………………………………….…67 3.2.3 Dữ liệu thử nghiệm………………………………………………………………70 3.2.4 Đề xuất mơ hình 3D Convolutional Auto-Encoder (3D-CAE) hiệu chỉnh nhiễu suy giảm ……………………………………………………………………….……72 3.2.4.1 Mơ hình đề xuất……………………………………………… …… 72 3.2.4.2 Thử nghiệm kết quả………………………………………………… 75 3.2.5 Đề xuất mơ hình 3DUnet-GAN hiệu chỉnh nhiễu suy giảm…………… ……….77 3.2.5.1 Mơ hình đề xuất…………………………………………………………77 3.2.5.2 Hàm mục tiêu…………………………………………………….…… 78 3.2.5.3 Thiết lập thử nghiệm……………………………………………….……82 3.2.5.4 Kết thử nghiệm mô hình……………………………………….……84 iv 3.2.6 Kết thực nghiệm……………………………………………………… ……84 3.3 Kết luận chương 3…………………………………………………………………… …87 CHƯƠNG PHÁT TRIỂN GIẢI PHÁP HỖ TRỢ CHẨN ĐOÁN BỆNH MẠCH VÀNH89 4.1 Vấn đề nghiên cứu… …………………………… ……………………………………89 4.2 Đề xuất giải pháp hỗ trợ chẩn đốn nâng cao chất lượng hình ảnh cho máy SPECT thông thường………………………………………………………………………… …92 4.3 4.4 4.2.1 4.2.2 Thu thập liệu thực nghiệm……………………………………………………92 Hiệu chỉnh suy giảm mơ hình 3D Unet GAN………………………… …94 4.2.3 Tập liệu………………………………………………………………….……94 4.2.4 Phương pháp thực nghiệm………………………………………………….……95 4.2.5 Kết thực nghiệm………………………………………………………… …97 Đề xuất giải pháp hỗ trợ định chẩn đoán……………………………….…… 101 4.3.1 Cơ sở liệu …………………… ……………………………….………… 101 4.3.2 Mơ hình chẩn đốn…………………………………………………………… 103 4.3.3 Thử nghiệm kết quả………………………………………… ………… ….105 Kết luận chương 4………………………………………………………………………109 KẾT LUẬN………………………………………………………………………… …… …110 TÀI LIỆU THAM KHẢO…………………………………………………………….…… …112 DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ………………………………… ……….120 v DANH MỤC CÁC HÌNH VẼ Hình 1.1 Bệnh động mạch vành… ………………………………….…………………………8 Hình 1.2 Mạch máu tim Xoang ngang 2.Động mạch vành phải Động mạch vành trái Động mạch mũ tim Động mạch liên thất trước ……………………………………9 Hình 1.3 Đặc trưng hình ảnh khuy ết xạ xạ hình tưới máu tim…………………12 Hình 1.4 Chiến thuật điều trị thiếu máu tim cục dựa xạ hình tưới máu tim……15 Hình 1.5 Sự phát triển học máy tim mạch hạt nhân…………………………… …18 Hình 1.6 So sánh đường ROC SVM bác sĩ dị tìm tổn thương tim … …19 Hình 1.7 Độ nhạy, độ đặc hiệu độ xác thuật tốn ML so với TPD phân tích trực quan chuyên gia ………………………………………………………………………….20 Hình 1.8 Đường cong ROC cho dự đốn biến cố tim bất lợi MACE…………………………21 Hình 1.9 Mơ hình DL dự đốn tắc nghẽn mạch vành…………………………… ……22 Hình 1.10 Mạng nơron tích chập CNN……………………………………… …………… 26 Hình 1.11 Ma trận kích thước 600 * 800…………………………………… ……………….27 Hình 1.12 Biểu diễn ma trận điểm màu…………………………………… ………… ……27 Hình 1.13 Ba ma trận biểu diễn ảnh màu…………………………………… …………….…27 Hình 1.14 Ảnh mầu tensor chiều…………………………………… …… ………28 Hình 1.15 Phép tính tích chập…………………………………… ………………… ………29 Hình 1.16 Phép tính tích chập cho ảnh màu có kênh red, green, blue………………………29 Hình 1.17 Tensor chiều có chiều sâu k…………………………………… ……….………30 Hình 1.18 Lớp gộp kích thước (2,2) …………………………………… …………… ……30 Hình 1.19 Các loại lớp gộp…………………………………… ………………………… …31 Hình 2.1 Hệ thống máy SPECT: Infinia, Optima, Ventri…………………………………… 39 Hình 2.2 Quy trình xạ hình tưới máu tim máy SPECT………………………………42 Hình 2.3 Ảnh lát cắt ảnh cực trình bày theo protocol chẩn đốn ……………… … 45 Hình 2.4 Protocol chuyên lấy ảnh cho học máy………………………………………………45 Hình 2.5 Sơ đồ chuẩn hóa liệu………………………………………………………… …46 Hình 2.6 File trả lời kết quả…………………………………………………………… ……47 Hình 2.7 Ảnh cực tổng hợp từ lát cắt……………………………………….………49 Hình 2.8 Phần mềm gắn nhãn liệu bệnh nhân………………………………………… …50 vi Hình 3.1 Ảnh không hiệu chỉnh suy giảm (NC images) ảnh có hiệu chỉnh suy giảm (AC images) bệnh nhân………………………………………………………………60 Hình 3.2 Mạng CAE lọc nhiễu…………………………………………………… …63 Hình 3.3 Mơ hình mạng U-net………………………………………………………….… …64 Hình 3.4 Phép tính transposed convolution………………………………………… ….……65 Hình 3.5 Sơ đồ mạng GAN…………………………………………………………… … …66 Hình 3.6 Nhóm ảnh lát cắt thành khối mẫu 3D……………………………………… …71 Hình 3.7 Kiến trúc 3D-CAE đề xuất…………………………………………………… ……73 Hình 3.8 Đầu vào NC, ảnh biến đổi ảnh đích thật ………………………………… ……75 Hình 3.9 Kiến trúc 3DUnet-GAN………………………………………………………… …77 Hình 3.10 Đồ thị hàm Sigmoid……………………………………………………………… 78 Hình 3.11 Đồ thị hàm mục tiêu trường hợp yi = 1…………………………………… 80 Hình 3.11 Đồ thị hàm mục tiêu trường hợp yi = 0………………………………….… 80 Hình 3.13 Ảnh đầu vào, ảnh dự đốn ảnh thật……………………………………… ……83 Hình 4.1 Deep learning neural network, Regression, Random Forests, Support vector machine, Gradient Boosting Machines…………………………………………………………90 Hình 4.2 Trích xuất đặc trưng học máy deep learning …………………………… …90 Hình 4.3 Ảnh dự đoán hiệu chỉnh suy giảm GenAC từ mơ hình 3D Unet GAN ảnh chưa hiệu chỉnh suy giảm NC…………………………………………………………………… …94 Hình 4.4 Thứ tự xếp ảnh…………………………………………………….…………….94 Hình 4.5 Phần mềm hỗ trợ đọc kết thực nghiệm………………………… ……….96 Hình 4.6 Độ xác chẩn đốn…………………………………………………………… 97 Hình 4.7 So sánh độ nhạy độ đặc hiệu…………………………………………… 99 Hình 4.8 Gia tăng tỉ lệ phát bệnh nhân không tổn thương dùng GenAC……… ….100 Hình 4.9 Gia tăng tỉ lệ phát nhánh khơng tổn thương……………………….100 Hình 4.10 A Ảnh cắt lát; B Ảnh đồ cực……………………………………… … … 102 Hình 4.11 Khuyết xạ tưới máu hình ảnh SPECT tim……………………… …………102 Hình 4.12 Kiến trúc VGG gồm 16 lớp CNN………………………………………… ….103 Hình 4.13 Kiến trúc mạng deep-learning sử dụng để chẩn đoán CAD……… ………… 104 Hình 4.14 Kiểm tra chéo đoạn (5-fold cross validation) …………………………….……106 Hình 4.15 Độ xác mơ hình sử dụng ảnh cắt lát MPI ảnh cực tập con106 vii Hình 4.16 Độ xác trung bình mơ hình sử dụng ảnh cắt lát MPI ảnh đồ cực………………………………………………………………………………………….…107 Hình 4.17 ROC mơ hình sử dụng ảnh cắt lát MPI ảnh đồ cực…… …………107 viii có 285 ảnh) với phân bố trung bình 154 (±7) CAD 128 (±8) non-CAD Trong đó, tập dùng để huấn luyện tập lại dùng để kiểm tra Tác giả lặp lại trình huấn luyện kiểm tra, lần thử dùng tập kiểm tra khác (hình 4.14) Độ xác tập kiểm tra lần tính tốn ghi lại Độ xác giá trị trung bình giá trị ghi Dữ liệu tổng Các thử nghiệm Tập huấn luyện Tập kiểm tra Hình 4.14 Kiểm tra chéo đoạn (5-fold cross validation) Mơ hình mạng xây dựng Python với Keras API Mạng huấn luyện máy tính với cấu hình CPU Intel Core i3-6100 @ 3.70GHz; RAM: 8Gb; GPU: Nvidia GeForce GTX 1060 3GB Thời gian huấn luyện mơ hình Hình 4.15 Độ xác mơ hình sử dụng ảnh cắt lát MPI ảnh cực tập 106 Độ xác trung bình Hình 4.16 Độ xác trung bình mơ hình sử dụng ảnh cắt lát MPI ảnh đồ cực Kết thử nghiệm huấn luyện mơ hình học sâu với ảnh cắt lát MPI tạo độ xác chẩn đốn cao tất tập hợp so với sử dụng hình ảnh đồ cực (Hình 4.15) Hình 4.16 cho thấy độ xác trung bình mạng học sâu đề xuất cách sử dụng hình ảnh cắt lát MPI (86,14% ± 2,14%) hình ảnh đồ cực (82,57% ± 2,33%) Hình 4.17 ROC mơ hình sử dụng ảnh cắt lát MPI ảnh đồ cực 107 Bên cạnh đó, tác giả phân tích đường cong ROC (receiver operating characteristic) để minh họa khả chẩn đốn Hình 4.17 cho thấy ROC mơ hình huấn luyện ảnh cắt lát MPI mơ hình huấn luyện ảnh đồ cực Kết đường cong mơ hình sử dụng hình ảnh cắt lát MPI cao mơ hình huấn luyện ảnh đồ cực Điều mơ hình sử dụng hình ảnh MPI cắt lát có khả chẩn đốn cao mơ hình sử dụng hình ảnh đồ cực Mơ hình học sâu hỗ trợ chẩn đoán luận án so sánh với mơ hình nghiên cứu [30] Để so sánh hiệu liệu chung để huấn luyện hai mơ hình điều cần thiết điều chưa thực việc tiếp cận liệu nghiên cứu [30] khó khăn Một cách so sánh khác xây dựng lại mơ hình nghiên cứu [30] huấn luyện tập liệu luận án Mơ hình học sâu theo mơ tả nghiên cứu [30] gồm lớp tích chập, lớp kết nối đầy đủ FC với đầu ứng với xác xuất tổn thương nhánh LAD, LCx, RCA Tham số giới tính (1 nam nữ) đươc đưa vào lớp FC thứ Bệnh nhân xác định có tổn thương ba nhánh có số điểm lớn 0,7 Tuy nhiên, nghiên cứu tác giả Bentacur khơng nói rõ kích thước lớp Do đó, việc xây dựng lại mơ hình nghiên cứu [30] để huấn luyện tập liệu luận án không thực Tuy vậy, mặt phương pháp, nghiên cứu sinh nhận thấy vài điểm sau: Dữ liệu đầu vào cho mơ hình nghiên cứu [30] ảnh đồ cực ảnh đồ cực định lượng Ảnh đồ cực ảnh tổng hợp từ ảnh lát cắt theo thuật tốn khuyến cáo [63,64] Phép tổng hợp khơng bảo tồn hết đặc trưng tổn thương từ ảnh lát cắt Điều minh chứng thực nghiệm luận án ảnh lát cắt cho độ xác tốt ảnh đồ cực cho hai loại ảnh vào mơ hình huấn luyện Bên cạnh đó, ảnh đồ cực định lượng tạo thành từ kết so sánh ảnh đồ cực bệnh nhân xứ ảnh đồ cực bệnh nhân bình thường phương Tây (thường dân Mỹ) Mà chủng người có đặc điểm hình ảnh SPECT tim khác trình bày chương Do đó, độ xác mơ hình giảm yếu tố đầu vào khơng bảo đảm 108 4.4 Kết luận chương Trong chương 4, tác giả tiến hành thử nghiệm đưa đề xuất: Một, tác giả đề xuất giải pháp hỗ trợ chẩn đoán bệnh động mạch vành sử dụng mơ hình học sâu 3D Unet GAN ảnh SPECT tim cho máy SPECT khơng có chức hiệu chỉnh suy giảm CT Phương pháp sử dụng mơ hình học sâu 3D Unet GAN sinh ảnh có hiệu chỉnh suy giảm GenAC cho máy SPECT khơng có chức hiệu chỉnh suy giảm CT giúp bác sĩ tăng thêm độ xác %, độ nhạy 3% , độ đặc hiệu 18% Thêm vào đó, điều giúp bác sĩ phát nhiều bệnh nhân khơng có tổn thương tim trung bình 9,1% , nhánh có lúc lên đến 13,56% Kết nghiên cứu này, tác giả gửi tới tạp chí Khoa học Kỹ thuật, Học viện Kỹ thuật Quân Hai, tác giả đề xuất phương pháp học sâu để chẩn đốn CAD cách sử dụng hình ảnh cắt lát MPI thu từ máy ảnh SPECT Hiệu suất phương pháp tốt phương thức có sử dụng hình ảnh đồ cực Với mạng học sâu, việc học từ hình ảnh lát MPI cung cấp độ xác cao việc phát CAD so với hình ảnh đồ cực Điều hợp lý hình ảnh cực tổng hợp từ hình ảnh lát cắt việc tổng hợp khơng bảo tồn tất đặc trưng hình ảnh lát cắt Các kết thử nghiệm cho thấy hình ảnh lát cắt hữu ích nên sử dụng việc tạo hệ thống chẩn đoán hỗ trợ máy tính Nghiên cứu đề xuất mơ hình hỗ trợ chẩn đốn với độ xác (86,14% ± 2,14%), cho thấy tiềm việc sử dụng hình ảnh lát cắt SPECT MPI chẩn đoán CAD phương pháp học sâu Tuy nhiên, cịn khơng gian để cải thiện độ xác việc phát CAD tiền xử lý ảnh đầu vào, thêm thông tin bệnh nhân, ví dụ thơng số tổng khuyết xạ tưới máu TPD, tuổi, giới tính, lịch sử y tế… Kết nghiên cứu đăng Tạp chí Khoa học Cơng nghệ – Số 144 (06/2020) đại học Bách khoa Hà Nội 109 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận Trong luận án này, tác giả trình bày tổng quan phương pháp chẩn đoán bệnh động mạch vành với kỹ thuật xạ hình tưới máu tim máy SPECT, điểm hạn chế ảnh hưởng tới độ xác chẩn đốn kỹ thuật từ đề xuất giải pháp nhằm cải thiện độ xác Đồng thời, tác giả đề xuất sở liệu SPECT tim mang đặc trưng người Việt Nam để thử nghiệm đánh giá mơ hình học máy (được trình bày chương 2), đề xuất mơ hình học sâu để lọc nhiễu suy giảm (trình bày chương 3) hỗ trợ chẩn đốn (trình bày chương 4) Cơ sở liệu SPECT tim xây dựng theo quy trình chuẩn thực hành chuẩn Y học Hạt nhân kinh nghiệm xây dựng sở liệu tiếng giới Các mơ hình lọc nhiễu suy giảm mơ hình hỗ trợ chẩn đốn ảnh SPECT tim lập luận chặt chẽ sở lý thuyết, so sánh đánh giá kết Những đóng góp luận án Xây dựng sở liệu xạ hình tưới máu tim máy SPECT có số lượng lớn, tin cậy, làm tiền đề để phát triển thuật toán học sâu Kết nghiên cứu tác giả cơng bố cơng trình nghiên cứu thứ 2 Đề xuất giải pháp lọc nhiễu suy giảm mơ hình học sâu có chất lượng tương đương với việc lắp thêm máy chụp cắt lát CT thuật toán phức tạp vào máy SPECT thông thường Kết nghiên cứu tác giả cơng bố cơng trình nghiên cứu số 3, số gửi tiếp công bố đợi kết 110 Đề xuất giải pháp hỗ trợ chẩn đoán cho bác sĩ ảnh SPECT tim với độ xác cao lên tới 86,14% ± 2,14% Kết nghiên cứu tác giả trình bày cơng bố cơng trình nghiên cứu số Hướng phát triển luận án Nội dung nghiên cứu luận án tiếp tục nghiên cứu phát triển theo hướng sau: • Tiếp tục lấy số liệu hình ảnh yếu tố nguy cơ, xây dựng sở liệu có số lượng mẫu lớn nhằm nâng cao độ xác mơ hình lọc nhiễu hỗ trợ chẩn đốn • Tiếp tục nâng cao độ xác phần mềm hỗ trợ chẩn đốn động mạch vành sử dụng deep learning • Phát triến nghiên cứu định vị, định lượng tổn thương tim ảnh SPECT tim xây dựng công cụ hỗ trợ chẩn đoán 111 TÀI LIỆU THAM KHẢO [1] Goff D C., Jr., et al (2014), “2013 ACC/AHA guideline on the assessment of cardiovascular risk: a report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines", Circulation, Vol.129, pp.49-73 [2] Amsterdam E A., et al (2014), “2014 AHA/ACC Guideline for the Management of Patients with Non-ST-Elevation Acute Coronary Syndromes: a report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines", J Am Coll Cardiol, Vol.64, pp.139-228 [3] American College of Emergency Physicians, et al (2013), “2013 ACCF/AHA guideline for the management of ST-elevation myocardial infarction: a report of the American College of Cardiology Foundation/American Heart Association Task Force on Practice Guidelines.", J Am Coll Cardiol, Vol 61, pp 78-140 [4] Fihn S D., et al (2014)," 2014 ACC/AHA/AATS/PCNA/SCAI/STS focused update of the guideline for the diagnosis and management of patients with stable ischemic heart disease: a report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines, and the American Association for Thoracic Surgery, Preventive Cardiovascular Nurses Association, Society for Cardiovascular Angiography and Interventions, and Society of Thoracic Surgeons.", Circulation, Vol 130, pp 1749-1767 [5] Lê Ngọc Hà cộng (2019), “ Xạ hình tưới máu tim“, Giáo trình đào tạo liên tục dành cho bác sĩ Y học Hạt nhân, tr 143-166 [6] Malkerneker D, Brenner R, Martin WH, Sampson UK, Feurer ID, Kronenberg MW, et al (2007), “CT-based attenuation correction versus prone imaging to decrease equivocal interpretations of rest/stress Tc-99m tetrofosmin SPECT MPI.“, J Nucl Cardiol, Vol 14, pp 314–323 [7] Pitman AG, Kalff V, Van Every B, Risa B, Barnden LR, Kelly MJ (2005),“ Contributions of subdiaphragmatic activity, attenuation, and diaphragmatic motion to inferior wall artifact in attenuation-corrected Tc-99m myocardial perfusion SPECT.“, J Nucl Cardiol, Vol 12, pp 401–409 [8] Singh B, Bateman TM, Case JA, Heller G (2007), “Attenuation artifact, attenuation correction, and the future of myocardial perfusion SPECT”, J Nucl Cardiol, Vol 14, pp.153–164 [9] Grossman GB, Garcia EV, Bateman TM, Heller GV, Johnson LL, Folks RD, et al (2004), “Quantitative Tc-99m sestamibi attenuation-corrected SPECT: Development and multicenter trial validation of myocardial perfusion stress gender-independent normal database in an obese population“, J Nucl Cardiol, Vol.11, pp 263–272 [10] Hayes SW, De Lorenzo A, Hachamovitch R, Dhar SC, Hsu P, Cohen I, et al Prognostic implications of combined prone and supine acquisitions in patients with equivocal or abnormal supine myocardial perfusion SPECT J Nucl Med 2003;44:1633–40 [PubMed] [Google Scholar] 112 [11] Huang R, Li F, Zhao Z, Liu B, Ou X, Tian R, et al (2011), ”Hybrid SPECT/CT for attenuation correction of stress myocardial perfusion imaging.“, Clin Nucl Med, Vol 36, pp 344–349 [12] Goetze S, Brown TL, Lavely WC, Zhang Z, Bengel FM (2007),“Attenuation correction in myocardial perfusion SPECT/CT: Effects of misregistration and value of reregistration.“ , J Nucl Med, Vol 48, pp 1090–1095 [13] Leila Saleki, Pardis Ghafarian, Ahmad Bitarafan-Rajabi, Nahid Yaghoobi, Babak Fallahi, Mohammad Reza Ay (2019), “The influence of misregistration between CT and SPECT images on the accuracy of CT-based attenuation correction of cardiac SPECT/CT imaging: Phantom and clinical studies.“, Iranian Journal of Nuclear Medicine, Vol 27, pp 63-153 [14] Sharyl Nass (2015), “Improving Diagnosis in Health Care“, Washington, DC: The National Academies Press [15] Graber ML (2013), “The incidence of diagnostic error in medicine.“, BMJ Qual Saf [16] Leonard Berlin (2007), “ Radiologic Errors and Malpractice: A Blurry Distinction“, American Journal of Roentgenology, Vol 189, pp 517-522 [17] Leonard Berlin (2007), “Accuracy of Diagnostic Procedures: Has It Improved Over the Past Five Decades?“, American Journal of Roentgenology, Vol 188, pp 1173-1178 [18] Lomsky M, Gjertsson P, Johansson L, Richter J, Ohlsson M, Tout D, et al (2008), “Evaluation of a decision support system for interpretation of myocardial perfusion gated SPECT“, Eur J Nucl Med Mol Imaging, Vol 35, pp 1523 –1529 [19] Garcia EV, Klein JL, Taylor AT (2014), “Clinical decision support systems in myocardial perfusion imaging.“, J Nucl Cardiol, Vol 21, pp 427 – 439 [20] Nguyễn Việt Dũng (2015), “ Nghiên cứu, phát triển giải pháp hỗ trợ phát dấu hiệu tổn thương hình khối ảnh chụp x-quang vú“, Luận án tiến sĩ Kỹ thuật Điện tử, Đại học Bách khoa Hà Nội [21] Nguyen Đức Thảo (2015), “ Nâng cao chất lượng nhận dạng tín hiệu điện tim dựa giải pháp loại bỏ ảnh hưởng từ nhịp thở người bệnh,“ Luận án tiến sĩ Kỹ thuật điều khiển Tự động hoá, Trường đại học Bách khoa Hà Nội [22] Cerqueira MD, Weissman NJ, Dilsizian V, Jacobs AK, Kaul S, Laskey WK, et al (2002), “Standardized myocardial segmentation and nomenclature for tomographic imaging of the heart: A statement for healthcare professionals from the Cardiac Imaging Committee of the Council on Clinical Cardiology of the American Heart Association,“ Circulation, Vol 105, pp 539 – 542 [23] Klocke FJ, Baird MG, Lorell BH, Bateman TM, Messer JV, Berman DS, et al (2003), “ACC/AHA/ASNC guidelines for the clinical use of cardiac radionuclide imaging – executive summary: A report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines (ACC/AHA/ASNC Committee to Revise the 1995 Guidelines for the Clinical Use of Cardiac Radionuclide Imaging),“ Circulation, Vol 108, pp.1404 – 1418 [24] Slomka PJ, Nishina H, Berman DS, Akincioglu C, Abidov A, Friedman JD, et al (2005), “Automated quantification of myocardial perfusion SPECT using simplified normal limits,“ J Nucl Cardiol, Vol 12, pp 66 – 77 113 [25] Sharir T, Germano G, Kang X, Lewin HC, Miranda R, Cohen I, et al (2001), “Prediction of myocardial infarction versus cardiac death by gated myocardial perfusion SPECT: Risk stratification by the amount of stress-induced ischemia and the poststress ejection fraction,“ J Nucl Med, Vol 42, pp 831 – 837 [26] Shaw LJ, Iskandrian AE (2004), “Prognostic value of gated myocardial perfusion SPECT,“ J Nucl Cardiol, Vol.11, pp.171 – 185 [27] Arsanjani R, Xu Y, Dey D, Fish M, Dorbala S, Hayes S, et al (2013), “Improved accuracy of myocardial perfusion SPECT for the detection of coronary artery disease using a support vector machine algorithm,“ J Nucl Med, Vol 54, pp 549 – 555 [28] Arsanjani R, Xu Y, Dey D, Vahistha V, Shalev A, Nakanishi R, et al (2013), “Improved accuracy of myocardial perfusion SPECT for detection of coronary artery disease by machine learning in a large population,“ J Nucl Cardiol, Vol.20, pp 553 – 562 [29] Betancur J, Otaki Y, Motwani M, Fish MB, Lemley M, Dey D, et al (2018), “Prognostic value of combined clinical and myocardial perfusion imaging data using machine learning,“ JACC Cardiovasc Imaging, Vol 11, pp 1000 – 1009 [30] Betancur J, Commandeur F, Motlagh M, Sharir T, Einstein AJ, Bokhari S, et al (2018), “Deep learning for Prediction of Obstructive Disease From Fast Myocardial Perfusion SPECT: a multicenter study,“ JACC Cardiovasc Imaging, Vol 11, pp 1654 – 1663 [31] K Suzuki, J Liu, A Zarshenas, T Higaki, W Fukumoto, and K Awai (2017), "Neural network convolution (nnc) for converting ultra-low-dose to “virtual” high-dose ct images," International Workshop on Machine Learning in Medical Imaging, , pp 334-343 [32] M Nishio et al (2017), "Convolutional auto-encoder for image denoising of ultra-low-dose CT," Heliyon, Vol 3, pp e00393 [33] H Chen et al (2017), "Low-dose CT with a residual encoder-decoder convolutional neural network," IEEE transactions on medical imaging, Vol 36, no 12, pp 2524-2535 [34] Akagi M, Nakamura Y, Higaki T, Narita K, Honda Y, Zhou J, Yu Z, Akino N, Awai K (2019), “Deep learning reconstruction improves image quality oabdominal ultra-highresolution CT,” Eur Radiol, Vol 29, pp 6163-6171 [35] Arsanjani R, Dey D, Khachatryan T, Shalev A, Hayes SW, Fish M, et al (2015), “Prediction of revascularization after myocardial perfusion SPECT by machine learning in a large population,“ J Nucl Cardiol, Vol 22, no 5, pp 877 – 884 [36] Betancur J, Rubeaux M, Fuchs TA, Otaki Y, Arnson Y, Slipczuk L, et al (2017), “Automatic valve plane localization in myocardial perfusion SPECT/CT by machine learning: anatomic and clinical validation,“ J Nucl Med, Vol 58, no 6, pp 961 – 967 [37] Haro Alonso D, Wernick MN, Yang Y, Germano G, Berman DS, Slomka P (2018), “Prediction of cardiac death after adenosine myocardial perfusion SPECT based on machine learning,“ J Nucl Cardiol, Vol 26, no 5, pp 1746-1754 [38] Nakajima K, Kudo T, Nakata T, Kiso K, Kasai T, Taniguchi Y, et al (2017), “Diagnostic accuracy of an artificial neural network compared with statistical quantitation of myocardial perfusion images: a Japanese multicenter study,“ Eur J Nucl Med Mol Imaging, Vol 44, no 13, pp 2280 – 2289 114 [39] Guner LA, Karabacak NI, Akdemir OU, Karagoz PS, Kocaman SA, Cengel A, et al (2010), “An open-source framework of neural networks for diagnosis of coronary artery disease from myocardial perfusion SPECT,“ J Nucl Cardiol, Vol 17, no 3, pp 405 – 413 [40] Gemma Cuberas-Borrós, Santiago Aguadé-Bruix, et al (2010), “ Normal myocardial perfusion spect database for the spanish population,“ Rev Esp Cardiol, Vol 63, no 8, pp 934-942 [41] Kenichi Nakajima (2010), “ Normal values for nuclear cardiology: japanese databases for myocardial perfusion, fatty acid and sympathetic imaging and left ventricular function,“ Ann Nucl Med, Vol 24, no 3, pp 125-135 [42] Karthik Seetharam, Sirish Shresthra, James D Mills, Partho P Sengupta (2019), “ Artificial intelligence in nuclear cardiology: adding value to prognostication,“ Current Cardiovascular Imaging Reports [43] Technavio(2017), “Global SPECT Market 2017-2021,“ https://www.technavio.com/report/globalmedicalimagingglobalspectmarket2017-2021 , [44] Jha AK, Zhu Y, Clarkson E, Kupinski MA, Frey EC (2018), “Fisher information analysis of list-mode SPECT emission data for joint estimation of activity and attenuation distribution,“ arXiv preprint arXiv:180701767 [45] Nishikawa, R M & Gur (2014), “D CADe for early detection of breast cancer-current status and why we need to continue to explore new approaches,“ Acad Radiol, Vol 21, pp 1320–1321 [46] Doi, K (2007), “Computer-aided diagnosis in medical imaging: Historical review, current status and future potential,“ Comput Med Imaging Graph, Vol 31, pp 198–211 [47] Deng, J et al (2009), “ImageNet: A large-scale hierarchical image database,” in IEEE Conference on Computer Vision and Pattern Recognition, pp 248–255 [48] LeCun, Y., Cortes, C & Burges, C (1998), “MNIST handwritten digit database,” Available at http://yann.lecun.com/exdb/mnist/ [49] Griffin, G., Holub, A & Perona, P (2007), “Caltech-256 object category dataset,” Available at http://www.vision.caltech.edu/ Image_Datasets/ Caltech256/ [50] Karssemeijer, N & te Brake, G M (1996), “Detection of stellate distortions in mammograms,” IEEE Trans Med Imaging, Vol 15, No 5, pp 611–619 [51] Mudigonda, N R., Rangayyan, R M & Desautels, J E L (2001), “Detection of breast masses in mammograms by density slicing and texture flow-field analysis,” IEEE Trans Med Imaging, Vol 20, No 12, pp 1215–1227 [52] Liu, S., Babbs, C F & Delp, E J (2001), “Multiresolution detection of spiculated lesions in digital mammograms,” IEEE Trans IMAGE Process, Vol 10, No 6, pp 874–884 [53] Li, L., Clark, R A & Thomas, J A (2002), “Computer-aided diagnosis of masses with fullfield digital mammography,” Acad Radiol, Vol 9, No 1, pp 4–12 [54] Baum, F., Fischer, U., Obenauer, S & Grabbe, E (2002),” Computer-aided detection in direct digital full-field mammography: initial results,” Eur Radiol, Vol 12, No 12, pp 3015–3017 115 [55] Kim, S J et al (2006), “Computer-aided detection in digital mammography: Comparison of craniocaudal, mediolateral oblique, and mediolateral views,” Radiology, Vol 241, No 3, pp 695–701 [56] Yang, S K et al (2007), “Screening mammography—detected cancers: Sensitivity of a computer-aided detection system applied to fullfield digital mammograms,” Radiology, Vol 244, No 1, pp 104–111 [57] The, J S., Schilling, K J., Hoffmeister, J W & Mcginnis, R (2009), “Detection of breast cancer with full-field digital mammography and computer-aided detection,” Am J Roentgenol, Vol 192, No 2, pp 337–340 [58] Sadaf, A., Crystal, P., Scaranelo, A & Helbich, T (2011), “Performance of computer-aided detection applied to full-field digital mammography in detection of breast cancers,” Eur J Radiol, Vol 77, No 3, pp 457–461 [59] Chu, J., Min, H., Liu, L & Lu, W (2015), “A novel computer aided breast mass detection scheme based on morphological enhancement and SLIC superpixel segmentation,” Med Phys, Vol 42, No 7, pp 3859–3869 [60] Heath, M., Bowyer, K., Kopans, D., Moore, R & Kegelmeyer, W P (2001),” The Digital Database for Screening Mammography,” Proceedings of the Fifth International Workshop on Digital Mammography (2001), pp 212–218 [61] Suckling, J et al (1994), “The Mammographic Image Analysis Society digital mammogram database,” Exerpta Medica, pp 375–378 [62] Lehmann, T M et al (2004), ”Content-based image retrieval in medical applications,” Methods Inf Med, Vol 43, No 4, pp 354–361 [63] Hesse B, et al (2005), “EANM/ESC procedural guidelines for myocardial perfusion imaging in nuclear cardiology,“ European journal of nuclear medicine and molecular imaging, Vol 32, no 7, pp 855-897 [64] Holly T A., et al (2010), “Single photon-emission computed tomography,“ J Nucl Cardiol, Vol 17, no 5, pp 941-973 [65] Slomka PJ, Nishina H, Berman DS, et al 2005, “Automated quantification of myocardial perfusion SPECT using simplified normal limits,“ J Nucl Cardiol, Vol 12, pp 66–77 [66] Tilkemeier Peter L, et al (2009.)," ASNC Imaging Guidelines for Nuclear Cardiology Procedures: Standardized reporting of radionuclide myocardial perfusion and function." Am Soc Nucl Cardiol doi, 10: p 1007 [67] Karen Simonyan, Andrew Zisserman (2014), “Very Deep Convolutional Networks for Large-Scale Image Recognition,” arXiv:1409.1556 [68] Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jonathon Shlens, Zbigniew Wojna (2015), “Rethinking the Inception Architecture for Computer Vision,” arXiv:1512.00567 [69] Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun (2015), “Deep Residual Learning for Image Recognition,” arXiv:1512.03385 [70] Mingxing Tan, Quoc V Le (2019), “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” arXiv:1905.11946 116 [71] M Beister, D Kolditz, and W A Kalender (2012), “Iterative reconstruction methods in Xray CT,” Physica Medica, Vol 28, no 2, pp 94–108 [72] Lu Liu Honours BSc (2014), “Model-based Iterative Reconstruction: A Promising Algorithm for Today's Computed Tomography Imaging,“ Journal of Medical Imaging and Radiation Sciences, Vol 45, pp 131-136 [73] S Ramani and J A Fessler (2012), “A splitting-based iterative algorithm for accelerated statistical X-ray CT reconstruction,” IEEE Transactions on Medical Imaging, vol 31, no 3, pp 677–688 [74] E Y Sidky and X Pan (2008), “Image reconstruction in circular cone-beam computed tomography by constrained, total-variation minimization,” Physics in Medicine and Biology, vol 53, no 17, pp 4777–4807 [75] S Singh, M.K Kalra, S Do, et al (2012), “Comparison of hybrid and pure iterative reconstruction techniques with conventional filtered back projection: dose reduction potential in the abdomen,“ J Comput Assist Tomogr, Vol 36, pp 347-353 [76] K Bahrami, F Shi, I Rekik, D Shen (2016), “Convolutional neural network for reconstruction of 7T-like images from 3T MRI using appearance and anatomical features,“ International Conference On Medical Image Computing and Computer Assisted Intervention, pp 39-47 [77] O Oktay, W Bai, M.C.H Lee, R Guerrero, K Kamnitsas, J Caballero, A de Marvao, S.A Cook, D.P O’Regan, D Rueckert (2016), “Multi-input cardiac image super-resolution using convolutional neural networks,“ International Conference On Medical Image Computing and Computer Assisted Intervention [78] J.L Rodgers, J L and W.A Nicewander (1995), “Thirteen Ways to Look at the Correlation Coefficient”, American Statistician, Vol 42, pp 59-66 [79] M Jenkin, A.D Jepson, and J.L Tsotsos (1991), “Techniques for Disparity Measurement”, CVGIP: Image Understanding, Vol 53, pp 14-30 [80] R.Y Wong, E.L Hall, and J Rouge (1976), “Hierarchical Search for Image Matching”, Proceedings of the IEEE Conference on Decision Control, pp 405-408 [81] M James (1988), “Pattern Recognition“ , John Wiley and Sons, New York, pp 36-40 [82] D.I Barnea and H.F Silverman (1972), “A class of Algorithms for Fast Digital Image Registration”, IEEE Transactions on Computers C-21, pp 179-186 [83] E.H Hall (1979), “Computer Image Processing and Recognition“ York, pp 480-485 , Academic, New [84] W.H Press, B.P Flannery, S.A Teukolsky, and W.T Vetterling (1989), Recipes in Pascal,“ Cambridge University Press, New York, pp 532-534 “Numerical [85] J Lee (1992), “A Cautionary Note on the Use of the Correlation-Coefficient”, British Journal of Industrial Medicine 49, 526-527 [86] Zhou Wang, Student Member, IEEE, and Alan C Bovik (2002),“ A Universal Image Quality Index,“ Ieee signal processing letters, Vol 9, no 3, pp 81-84 [87] Masci J., Meier U., Cireşan D., Schmidhuber J (2011), “Stacked Convolutional AutoEncoders for Hierarchical Feature Extraction In: Honkela T., Duch W., Girolami M., Kaski 117 S (eds) Artificial Neural Networks and Machine Learning – ICANN 2011 ICANN 2011,” Lecture Notes in Computer Science, Vol 6791, pp 52-59 [88] A Borji (2018), “Pros and Cons of GAN Evaluation Measures,” Computer Vision and Pattern Recognition [89] Kirch W (2008), “Pearson’s Correlation Coefficient,” Encyclopedia of Public Health Springer, Dordrecht [90] Z Wang, A.C Bovik, H.R Sheikh, E.P Simoncelli (2004), “Image quality assessment: from error visibility to structural similarity,” IEEE Transactions on Image Processing, Vol 13, pp 600-612 [91] Olaf Ronneberger, Philipp Fischer, “Thomas Brox U-Net: Convolutional Networks for Biomedical Image Segmentation,“ arXiv:1505.04597 [92] Phillip Isola, Jun-Yan Zhu, Tinghui Zhou, Alexei A Efros (2016), “Image-to-Image Translation with Conditional Adversarial Networks,” arXiv:1611.07004 [93] A Borji (2018), “Pros and Cons of GAN Evaluation Measures,” Computer Vision and Pattern Recognition [94] Einstein AJ (2012), “Effects of radiation exposure from cardiac imaging: how good are the data?,” J Am Coll Cardiol, Vol 59, pp 553–565 [95] LeCun Y, Bengio Y, Hinton G (2015), “Deep learning,” Nature, Vol 521, pp 436–444 [96] Andre Esteva, Brett Kuprel, Roberto A Novoa, Justin Ko, Susan M Swetter, Helen M Blau & Sebastian Thrun (2017), “Derma-tologist-level classification of skin cancer with deep neural networks,” Nature, Vol 542, pp 115–118 [97] Varun Gulshan, Lily Peng, Marc Coram, Martin C Stumpe, Derek Wu, Arunachalam Narayanaswamy, Subhashini Venugopalan, Kasumi Widner, Tom Madams, Jorge Cuadros, Ramasamy Kim, Rajiv Raman, Philip C Nelson, Jessica L Mega, Dale R Webster (2016), “Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs,” JAMA, Vol 316, pp 2402–2410 [98] Greenspan H, Ginneken BV, Summers RM (2016), “Guest editorial deep learning in medical imaging: overview and future promise of an exciting new technique,” IEEE Trans Med Imaging, Vol 35, pp 1153–1159 [99] Shen D, Wu G, Suk H-I (2017), “Deep learning in medical image analysis,” Annu Rev Biomed Eng, Vol 19, pp 221–248, [100] Geert Litjens, Thijs Kooi, Babak Ehteshami Bejnordi, Arnaud Arindra Adiyoso Setio, Francesco Ciompi, Mohsen Ghafoorian, Jeroen A.W.M.van der Laak, Bramvan Ginneken, Clara I.Sánchez (2017), “A survey on deep learning in medical image analysis,” Med Image Anal, Vol 42, pp 60–88 [101] Krittanawong C, Zhang H, Wang Z, Aydar M, Kitai T (2017), “Artificial intelligence in precision cardiovascular medicine,” J Am Coll Cardiol, Vol 69, pp 2657–2664 [102] Krittanawong C, Tunhasiriwet A, Zhang H, Wang Z, Aydar M, Kitai T (2017), “Deep learning with unsupervised feature in echocardiographic imaging,” J Am Coll Cardiol, Vol 69, pp 2100–2101 118 [103] Narula S, Shameer K, Salem Omar AM, Dudley JT, Sengupta PP (2017), “Reply: deep learning with unsupervised feature in echocardiographic imaging,” J Am Coll Cardiol, Vol 69, pp 2101 – 2102 [104] Ryo Nakazato, Balaji K Tamarappoo, Xingping Kang, Arik Wolak, Faith Kite1, Sean W Hayes, Louise E.J Thomson, John D Friedman, Daniel S Berman and Piotr J Slomka (2010), “Quantitative Upright–Supine High-Speed SPECT Myocardial Perfusion Imaging for Detection of Coronary Artery Disease: Correlation with Invasive Coronary Angiography”, Journal of Nuclear Medicine, Vol 51, no 11, pp 1724-1731 [105] Peter L Tilkemeier MD, C David Cooke MSEE, Gabriel B Grossman MD, PhD, Benjamin D McCallister Jr MD & R Parker Ward MD (2009), “Standardized reporting of radionuclide myocardial perfusion and function”, Journal of Nuclear Cardiology [106] Bateman TM, Dilsizian V, Beanlands RS, DePuey EG, Heller GV, Wolinsky DA (2016), “American society of nuclear cardiology position statement”, Journal of Nuclear Cardiology [107] Matthew D Zeiler and Rob (2014) , “Visualizing and Understanding Convolutional Networks,” ECCV 2014: Computer Vision – ECCV, pp 818-833 [108] Karen Simonyan, Andrew Zisserman (2015), “Very Deep Convolutional Networks for Large-Scale Image Recognition”, ICLR [109] Luyao Shi, John A Onofrey, Hui Liu, Yi-Hwa Liu, Chi Liu (2020), “Deep learning based attenuation map generation for myocardial perfusion SPECT”, European Journal of Nuclear Medicine and Molecular Imaging [110] Mingxing Tan, Quoc V Le (2019), “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks”, Proceedings of the 36 th International Conference on Machine Learning [111] Kenichi Nakajima, Koichi Okuda, Masaya Kawano, Shinro Matsuo (2009), “The importance of population-specific normal database for quantification of myocardial ischemia: comparison between Japanese 360 and 180-degree databases and a US database”, J Nucl Cardiol, Vol 16, no 3, pp 422-430 [112] Dianfu Li, Dong Li, Jianlin Feng, Donglan Yuan, Kejiang Cao (2010),” Quantification of myocardial perfusion SPECT studies in Chinese population with Western normal databases”, J Nucl Cardiol, Vol 17, no 3, pp 486-493 119 DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA LUẬN ÁN [1] Nguyen Thanh Trung, Nguyen Thai Ha, Nguyen Duc Thuan, Dang Hoang Minh (2020) A Deeplearning Method for Diagnosing Coronary Artery Disease using SPECT Images of Heart Journal of Science and Technology No 144, 2020, ISSN: 2354-1083 [2] Nguyễn Thành Trung, Nguyễn Chí Thành , Đặng Hoàng Minh, Nguyễn Thái Hà , Nguyễn Đức Thuận (2020) Về liệu xạ hình tưới máu tim phục vụ việc xây dựng, đánh giá mô hình học máy dị tìm tổn thương tim Tạp chí nghiên cứu khoa học cơng nghệ qn sự, số 67, 6-2020, ISSN: 1859-1043 [3] Nguyễn Thành Trung, Nguyễn Chí Thành , Đặng Hồng Minh, Nguyễn Thái Hà , Nguyễn Đức Thuận (2020) 3D Unet Generative Adversarial Network For Attenuation Correction Of Spect Images Proceedings of the 2020 4th International Conference on Recent Advances in Signal Processing, Telecommunications & Computing (SigTelCom2020), Vietnam, Aug 2020 [4] Nguyễn Thành Trung, Nguyễn Chí Thành , Đặng Hồng Minh, Nguyễn Thái Hà , Nguyễn Đức Thuận (2021) 3D Convolutional Auto-Encoder for Attenuation Correction of Cardiac SPECT Images Proceedings of the 2020 IEEE Eighth International Conference on Communications and Electronics (ICCE2020), Vietnam, Jan 2021 120 ... trưng hình ảnh SPECT tim người Việt Nam Đây không phục vụ cho nghiên cứu tác giả mà phục vụ nghiên cứu khác xử lý ảnh, hỗ trợ chẩn đoán bệnh động mạch vành ảnh SPECT tim sau • Vấn đề xử lý nhiễu... máu tim máy SPECT? ??…… ….13 1.2.3 Các yếu tố ảnh hưởng tới độ xác kết chẩn đốn………………… … 15 1.3 Giải pháp xử lý ảnh SPECT tim hỗ trợ chẩn đoán bệnh động mạch vành …… …….17 1.4 1.3.1 Tình hình nghiên. .. 1.2 Mạch máu tim Xoang ngang 2 .Động mạch vành phải Động mạch vành trái Động mạch mũ Động mạch liên thất trước 1.1.2 Các phương pháp chẩn đoán bệnh mạch vành Trong thời gian qua, ngành tim mạch

Ngày đăng: 12/03/2022, 05:21

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w