Nghiên cứu hiệu quả mô hình hiệu chỉnh nhiễu suy giảm trong chụp xạ hình tưới máu cơ tim bằng máy spect

ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Nghiên cứu hiệu mơ hình hiệu chỉnh nhiễu suy giảm chụp xạ hình tưới máu tim máy SPECT Chu Minh Đức Duc.CM212074M@sis.hust.edu.vn Ngành Kỹ thuật Hạt nhân Giảng viên hướng dẫn: TS Nguyễn Văn Thái Chữ ký GVHD Viện: Viện Vật lý Kỹ thuật HÀ NỘI, 07/2023 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn: Chu Minh Đức Đề tài luận văn: Nghiên cứu hiệu mơ hình hiệu chỉnh nhiễu suy giảm chụp xạ hình tưới máu tim máy SPECT Chuyên ngành: Kỹ thuật Hạt nhân Mã số SV: 20212074M Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 11/07/2023 với nội dung sau: Bổ sung cam kết Sửa bảng viết tắt lỗi văn Thêm nội dung mô tả hệ thống SPECT/CT Chỉnh sửa hình vẽ bảng biểu luận văn Ngày 24 tháng 07 năm 2023 Giảng viên hướng dẫn Tác giả luận văn CHỦ TỊCH HỘI ĐỒNG LỜI CAM ĐOAN Tôi xin cam đoan luận văn: “Nghiên cứu hiệu mô hình hiệu chỉnh nhiễu suy giảm chụp xạ hình tưới máu tim máy SPECT” cá nhân chưa công bố Các số liệu kết nghiên cứu luận văn hoàn tồn trung thực hồn tồn khơng chép sử dụng kết đề tài tương tự Mọi giúp đỡ cho việc thực luận văn cám ơn thơng tin trích dẫn luận văn rõ nguồn gốc rõ ràng phép cơng bố Nếu phát có chép kết đề tài nghiên cứu khác, tơi hồn tồn xin chịu trách nhiệm Hà Nội, ngày 24 tháng năm 2023 Tác giả luận văn Chu Minh Đức LỜI CÁM ƠN Để hoàn thành luận văn thạc sỹ xin gửi lời cám ơn sâu sắc đến TS Nguyễn Văn Thái công tác viện Vật lý kỹ thuật tận tình hướng dẫn tơi q trình thực luận văn tốt nghiệp Tôi xin chân thành cám ơn bác sỹ, kỹ thuật viên, cán làm việc Khoa Y học hạt nhân bệnh viện Trung ương Quân Đội 108 tạo điều kiện cho trình thu thập liệu thực luận văn Tôi xin cám ơn các thầy cô viện Vật lý kỹ thuật, Đại học Bách Khoa Hà nội hết lòng giảng dạy, quan tâm tạo điều kiện thuận lợi cho trình học tập thực luận văn tốt nghiệp Cuối tơi xin kính chúc thầy, dồi sức khỏe thành công nghiệp Đồng kính chúc anh, chị cán làm việc Khoa Y học hạt nhân Khoa Trang bị Bệnh viện Trung ương quân đội 108 dồi sức khỏe đạt nhiều thành công sống Hà Nội, ngày 24 tháng 07 năm 2023 Học viên Chu Minh Đức TÓM TẮT LUẬN VĂN Bệnh động mạch vành bệnh lý đáng quan tâm xã hội đại ngày số lượng bệnh nhân mắc bệnh ngày gia tăng Bệnh động mạch vành dẫn đến nhiều di chứng nguy hiểm nhồi máu tim, đột quỵ, phình mạch chí dẫn đến tử vong Bên cạnh đó, chi phí điều trị bệnh động mạch vành cao, đặc biệt bệnh nhân nặng hay có tiền sử bệnh lý phức tạp Do đó, chẩn đốn phát sớm bệnh động mạch vành giúp điều trị hiệu quả, tăng khả sống sót giảm thiểu chi phí cho bệnh nhân Phương pháp chẩn đoán phát bệnh động mạch vành thường dựa kỹ thuật chụp xạ hình tưới máu tim MPI (Myocardial Perfusion Imaging) sử dụng thiết bị chụp ảnh SPECT (Single Photon Emission Computed Tomography) Tuy nhiên, độ xác việc chẩn đốn có bệnh hay khơng có bệnh bác sĩ dựa nhiều yếu tố, số yếu tố quan trọng kể đến như: chất lượng hình ảnh chụp, trình độ, kinh nghiệm bác sĩ Một yếu tố ảnh hưởng đến chất lượng ảnh chụp SPECT hiệu ứng suy giảm xạ qua tế bào, mô, quan thể gây nhiễu suy giảm ảnh Nhiễu suy giảm gây vùng khuyết xạ hình ảnh SPECT MPI, gây khó khăn phân biệt khuyết xạ bệnh động mạch vành hay nhiễu suy giảm, làm giảm độ đặc hiệu phương pháp dẫn đến dương tính giả chẩn đoán Phương pháp hiệu hiệu chỉnh nhiễu suy giảm ảnh chụp SPECT xạ hình MPI trang bị thêm thiết bị chụp cắt lớp CT Bên cạnh việc cung cấp hình ảnh cấu trúc có độ phân giải cao (thơng tin giải phẫu bổ sung), kỹ thuật tạo đồ hiệu chỉnh suy giảm cho bệnh nhân với độ nhiễu tương đối thấp chất lượng hình ảnh cao Tuy nhiên, đồ hiệu chỉnh suy giảm thường xuất sai lệch trình chụp ảnh phát xạ chụp ảnh truyền qua chuyển động không đồng khối ghi nhận hình ảnh chuyển động tự phát bệnh nhân, gây tăng liều cho bệnh nhân giá thành thiết bị Bên cạnh đó, theo thống kê số lượng hệ thiết bị kết hợp chụp SPECT CT chiếm khoảng 20% tổng số thiết bị chụp ảnh SPECT giới Gần đây, phương pháp tiếp cận dựa trí tuệ nhân tạo, đặc biệt thuật toán học sâu, cách mạng hóa việc tạo đồ hiệu chỉnh suy giảm cho bệnh nhân mà không cần hình ảnh giải phẫu từ thiết bị chụp cắt lớp CT Do đề tài nghiên cứu luận văn thực nhằm khảo sát hiệu đánh giá khả áp dụng số mơ hình học sâu tự tạo đồ hiệu chỉnh nhiễu suy giảm ứng dụng chụp xạ hình tưới máu tim thiết bị SPECT Bệnh viện Trung ương Quân đội 108 Chương luận văn trình bày tổng quan kỹ thuật xạ hình tưới máu tim ứng dụng chẩn đoán bệnh lý động mạch vành, phương pháp hiệu chỉnh nhiễu suy giảm, từ tập trung phân tích tổng quan tình hình nghiên cứu áp dụng mơ hình học sâu để hiệu chỉnh nhiễu suy giảm kỹ thuật xạ hình tưới máu tim MPI sử dụng thiết bị SPECT để đưa luận chứng luận cho mục tiêu đối tượng đề tài Chương tập trung trình bày mơ hình kiến trúc mạng học sâu sử dụng nghiên cứu trước để hiệu chỉnh nhiễu suy giảm xạ hình tưới máu tim, có sâu phân tích ưu nhược điểm phương pháp từ lựa chọn cấu trúc mạng phù hợp với liệu tốn nghiên cứu, thơng số phương pháp đánh giá độ đặc hiệu phương pháp Chương trình bày kết phân tích đánh giá thơng số, so sánh độ đặc hiệu mơ hình học sâu tiên tiến với mơ hình lựa chọn, từ đưa khuyến cáo đề xuất cho nghiên cứu ứng dụng tiềm tương lai Từ khố: Xạ hình tưới máu tim, mạng học sâu, nhiễu suy giảm MỤC LỤC DANH MỤC HÌNH VẼ DANH MỤC BẢNG 11 MỞ ĐẦU 12 CHƯƠNG I NGHIÊN CỨU TỔNG QUAN 14 1.1 Bệnh lý tim mạch phương pháp xạ hình tưới máu tim 14 1.1.1 Bệnh lý tim mạch 14 1.1.2 Xạ hình tưới máu tim 17 1.2 Hệ thống gamma camera SPECT 20 1.2.1 Cấu tạo hệ thống SPECT 21 1.2.2 Nguyên lý hoạt động 24 1.3 Suy giảm xạ phương pháp hiệu chỉnh hình ảnh tưới máu tim 25 1.3.1 Suy giảm xạ 25 1.3.2 Phương pháp hiệu chỉnh nhiễu suy giảm xạ hình tưới máu tim 28 1.4 Đối tượng mục tiêu nghiên cứu 33 CHƯƠNG II PHƯƠNG PHÁP NGHIÊN CỨU 35 2.1 Quy trình xạ hình tưới máu tim thơng số đánh giá 35 2.2 Mơ hình hiệu chỉnh nhiễu suy giảm xạ hình SPECT tim 37 2.2.1 Mơ hình máy học hiệu chỉnh suy giảm 37 2.2.2 Các mơ hình máy học tiêu biểu 40 2.3 Thiết lập toán phương pháp nghiên cứu 47 2.3.1 Lựa chọn kiến trúc mạng 47 2.3.2 Phương pháp huấn luyện thử nghiệm 49 2.3.3 Phương pháp đánh giá kết qủa 51 2.3.4 Đánh giá giá trị hình ảnh hiệu chỉnh hình ảnh lâm sàng 53 CHƯƠNG III KẾT QUẢ VÀ THẢO LUẬN 56 3.1 Kết đánh giá 56 3.2 Bàn luận 68 Kết luận 70 TÀI LIỆU THAM KHẢO 71 DANH MỤC TỪ NGỮ VIẾT TẮT Tên viết tắt AC AI ANT BMI CAD CAE CNN CT DCPX DICOM ĐVPX ECG GAN LAD LCX MPI MIBI MSE NC PET POS PSNR RCA SA SDS SEP SPECT SSIM SSS TPD VLA Tên tiếng anh Attenuation Correction Artificial Intelligence Anterior Body Mass Index Coronary Artery Disease Convolutional Autoencoder Convolutional Neural Network Computerized Tomography Digital Imaging and Communications in Medicine Electrocardiogram Global Area Network Left Anterior Descending Left Circumflex Myocardial Perfusion Imaging 99m Tên tiếng việt Hiệu chỉnh suy giảm Trí tuệ nhân tạo Chụp phía trước Chỉ số khối thể Bệnh động mạch vành Bộ mã tự động tích chập Mạng tích chập Chụp cắt lớp vi tính Dược chất phóng xạ Hình ảnh kỹ thuật số truyền thông y học Đồng vị phóng xạ Điện tâm đồ Kiến trúc mạng GAN Nhánh tim trước trái Nhánh tim mũ trái Kỹ thuật xạ hình tưới máu tim 99m Tc-sestamibi Tc-sestamibi Mean Square Error Non-Attenuation Correction Positron Emission Tomography Posterior Peak Signal-to-Noise Ratio Right Coronary Arteries Short Axis Summed Differences Score Septal Single Photon Emission Computed Tomography Structural Similarity Index Measurement Summed Stress Score Total Perfusion Deficit Vertical Long Axis Sai số tồn phương trung bình Khơng hiệu chỉnh suy giảm Chụp cắt lớp phát xạ positron Chụp từ phía sau Tỉ số tín hiệu cực đại nhiễu Nhánh tim phải Lát cắt trục ngắn Tổng điểm khuyết xạ Vách Chụp cắt lớp phát xạ đơn photon Chỉ số cấu trúc tương đồng Tổng điểm tưới máu pha gắng sức Tổng lượng máu thiếu hụt Lát cắt dài dọc DANH MỤC HÌNH VẼ Hình 1.1 Bệnh động mạch vành 15 Hình 1.2 Phương pháp điện tâm đồ 16 Hình 1.3 Phương pháp siêu âm tim 17 Hình 1.4 Hình ảnh lát cắt tim cắt theo trục người bình thường, theo trục không gian: trục ngắn (Short Axis), trục dài nằm ngang (Horizontal Long Axis), trục dài đứng dọc (Vertical Long Axis) Ghi hình máy SPECT với 99mTc - MIBI, hai pha: Pha gắng sức (stress) pha nghỉ (rest) 19 Hình 1.5 Các trục cắt theo cấu trúc tim 20 Hình 1.6 17 phân bố vùng tim (bull’s eye) LAD = left anterior descending (nhánh xuống trước trái), LCX = left circumflex (nhánh mũ trái), RCA = right coronary arteries (các động mạch vành phải) 20 Hình 1.7 Phát triển y học hạt nhân Việt Nam giai đoạn 2012-2020 21 Hình 1.8 Sơ đồ khối hệ thống SPECT 21 Hình 1.9 Cấu tạo khối đầu đo 22 Hình 1.10 Các loại ống chuẩn trực 22 Hình 1.11 Cấu tạo ống nhân quang 23 Hình 1.12 Đường tín hiệu từ PMT tới tiền khuyếch đại 24 Hình 1.13 Hệ số suy giảm khối (μm) cho xương khoảng 10 đến 1000 keV [5] 26 Hình 1.14 Hình ảnh khuyết xạ nhiễu suy giảm chụp xạ hình tim 27 Hình 1.15 Hình ảnh lát cắt tim bình thường bất thường 27 Hình 1.16 Hình ảnh máy SPECT/CT discovery 670 hãng Ge health care 29 Hình 1.17 Hình ảnh sinh từ mơ hình học máy so với ảnh hiệu chỉnh từ CT 31 Hình 1.18 Gia tăng tỉ lệ phát nhánh không tổn thương hiệu chỉnh suy giảm hình ảnh 33 Hình 2.1 Quy trình chụp xạ hình tưới máu tim ngày sử dụng TC99m 35 Hình 2.2 Giao diện làm việc với hình ảnh SPECT tim 36 Hình 2.3 Hình ảnh bệnh nhân với tim bình thường 36 Hình 2.4 Sơ đồ quy trình trình học máy sinh ảnh 38 Hình 2.5 Dữ liệu hình ảnh lưu trữ file DICOM 39 Hình 2.6 Quy trình thu thập liệu file DICOM 40 Hình 2.7 Kiến trúc tổng quát AutoEncoder 40 Hình 2.8 Mơ hình AutoEncoder thơng thường 41 Hình 2.9 Mơ hình AutoEncoder lọc nhiễu 41 Hình 2.10 Mơ hình AutoEncoder nghiên cứu nhóm tác giả Murata 2021 42 Hình 2.11 Kiến trúc mạng U-Net 43 Hình 2.12 Mơ hình U-Net nghiên cứu nhóm tác giả Sakaguchi 2021 44 Hình 2.13 Mơ hình Unet nghiên cứu nhóm tác giả Yang 2021 45 Hình 2.14 Quy trình huấn luyện mạng GAN 46 Hình 2.15 Kiến trúc 3DUnet-GAN hiệu chỉnh suy giảm 48 Hình 2.16 : Sơ đồ huấn luyện mơ hình học máy hiệu chỉnh suy giảm 49 Hình 2.17 Quy trình huấn luyện mơ hình học máy 50 Hình 2.18 Giao diện phần mềm hiệu chỉnh suy giảm ảnh SPECT 54 Hình 2.19 Giao diện phần mềm đọc ảnh SPECT tim 54 Hình 3.1 Biểu đồ kết ME MAE 58 Hình 3.2 Biểu đồ RMSE 59 Hình 3.3 Biểu đồ kết SSIM PSNR 59 Hình 3.4 Kết định lượng số SSS hình ảnh xạ hình tim mơ hình hiệu chỉnh suy giảm 61 Hình 3.5 Kết định lượng số TDP (%) hình ảnh xạ hình tim mơ hình hiệu chỉnh suy giảm 61 Hình 3.6 Kết định lượng số SS (%) hình ảnh xạ hình tim mơ hình hiệu chỉnh suy giảm 62 Hình 3.7 Hình ảnh cực so sánh ảnh NAC- AC- Gen AC 62 Hình 3.8 Khuyết xạ bệnh nhân có BMI lớn hình NC AC 65 Hình 3.9 Hình ảnh lát cắt dài dọc (VLA) lát cắt trục ngắn (SA) tim khiếm khuyết 65 Hình 3.10 Hình ảnh lát cắt tim bệnh nhân nữ có khuyết xạ LCX 66 Hình 3.11 Bảng kết độ nhạy đồ đặc hiệu bác sỹ với ảnh liệu 68 10 Bảng 3.4 Thống kê mơ tả phân tích q trình tưới máu tim qua hình ảnh MPISPECT cho mơ hình hiệu chỉnh suy giảm phần mềm Xeleris Phương pháp SSS SS (%) TPD (%) Defect (cm2) Extend (%) Volum e (ml) Area (cm2) CT-AC 5.92± 3.62 9.42± 7.75 11.95± 9.37 18.23± 9.32 12.42± 6.82 88.42± 30.45 122.3±26±24 3DUNet -GAN 6.14± 3.76 9.52± 7.35 12.00± 9.21 18.56± 9.24 12.65± 5.68 89.65± 36.8 120.23±26.1 ResNet 6.05± 3.47 9.57± 7.06 12.21± 8.28 18.26± 8.63 12.89± 6.34 90.18± 28.6 124.31±24.25 CHANG 8.26± 4.68 12.00 ±7.35 14.26± 8.19 20.34± 9.21 14.85± 8.24 86.59± 31.2 118.68±26.92 Với việc đánh giá trình tưới máu tim kết phân tích từ hình ảnh có số quan TDP, SSS, SS… Với số TDP (Total Perfusion Deficit) xạ hình tưới máu tim dùng để đánh giá mức độ thiếu hụt tưới máu tổng thể tim Nó tính cách đo lường khác biệt lưu lượng máu thực tế lưu lượng máu dự đoán vùng tim khác Chỉ số SSS (Summed Stress Score) thước đo sử dụng xạ hình tưới máu tim để đánh giá mức độ bất thường tưới máu tim sau đặt tim tải trọng căng thẳng SSS thường tính cách chia tim thành vùng ghi điểm từ đến cho vùng dựa mức độ bất thường tưới máu Sau đó, điểm tổng hợp lại để tạo thành SSS SSS cao, điều cho thấy mức độ bất thường tưới máu tim nặng Chỉ số số quan trọng sử dụng để đánh giá mức độ bệnh lý mạch máu tim hỗ trợ việc đưa định chẩn đoán điều trị Chỉ số SS (Summed Stress Percent) thước đo xạ hình tưới máu tim để đánh giá phần trăm mức độ bất thường tưới máu tim sau đặt tim trạng thái căng thẳng SSP thường tính cách chia tổng điểm Summed Stress Score (SSS) cho điểm tối đa đạt khu vực tim, sau nhân với 100 để tính phần trăm Tổng điểm SSS thường gán cho vùng tim dựa mức độ bất thường tưới máu SSP cung cấp thông tin phần trăm mức độ bất thường so với tưới máu tối đa đạt vùng tim Chỉ số số hữu ích đánh giá bệnh lý mạch máu tim, giúp xác định mức độ nghiêm trọng phân loại vùng tim theo mức độ bất thường tưới máu Với việc nhận định kết phân tích phần mềm đọc ảnh tim, bảng 3.4 đưa kết số SSS TPD mơ hình 3DUNet-GAN 6.14± 3.76 & 12.00±9.21 so với hình anht AC từ CT 5.92±3.62 & 11.95±9.37 60 Bên cạnh mơ hình RestNet xem có kết tốt so với việc sử dụng hình ảnh CT để hiệu chỉnh suy giảm, mơ hình học máy có ưu vượt trội mơ hình Chang Các kết liệu thống kê thể qua hình vẽ 3.4, 3.5, 3.6 Hình 3.4 Kết định lượng số SSS hình ảnh xạ hình tim mơ hình hiệu chỉnh suy giảm Hình 3.5 Kết định lượng số TDP (%) hình ảnh xạ hình tim mơ hình hiệu chỉnh suy giảm 61 Hình 3.6 Kết định lượng số SS (%) hình ảnh xạ hình tim mơ hình hiệu chỉnh suy giảm Kết từ đại lượng so sánh cho thấy mơ hình 3DUnet-Gan ResNet thể sinh ảnh cho đại lượng đánh giá tốt hẳn so với mô hình sử dụng phương pháp Chang Tuy vậy, kết hợp mơ hình Unet GAN khn khổ luận văn cho kết tốt Hình ảnh từ mơ hình 3DUnet-GAN có kết độ tương đồng cao, so với hình ảnh từ hiệu chỉnh AC từ máy SPECT/CT tạo ra, song song với thông số để đánh giá chức tim hình ảnh hiệu chỉnh suy giảm từ mơ hình sử dụng có độ tương đồng cao với hình ảnh SPECT/CT tương ứng Dựa vào kết nhận được, nói với hiệu lâm sàng, kết bước đầu sử dụng mơ hình suy giảm nhiễu hình ảnh hình ảnh xạ hình tưới máu tim giải mốt số tồn tại sở y học hạt nhân Hình 3.7 Hình ảnh cực so sánh ảnh NAC- AC- Gen AC 62 Kết thu sau phân tích tập ảnh phương pháp so sánh việc dự đốn ảnh có chứa tập ảnh hiệu chỉnh máy có kết tốt tương đồng so với việc chẩn đoán với ảnh hiệu chỉnh máy CT Hai kết có tương đồng lên đến 98% có hiệu hẳn so với việc chẩn đoán dựa ảnh SPECT thông thường Các kết dự đoán bệnh lý tim thống kê qua tập ảnh chưa hiệu chỉnh suy giảm thống kê qua bảng 3.5 Bảng 3.5 Thống kê chẩn đoán tập ảnh chưa hiệu chỉnh Bệnh nhận 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 RCA x x BS LAD x x x LCX x x x x x x RCA x x BS LAD LCX x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x 63 x x x 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49-100 x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x Không Bệnh x x Đối với việc chẩn đốn khơng có hiệu chỉnh nhiễu, kể CT tức hình ảnh SPECT đơn thuần, kết chẩn đoán bác sỹ bị ảnh hưởng yếu tố nhiễu ảnh dẫn đến việc chẩn đốn chưa xác, bệnh nhân với ngoại hình to béo vòng ngực to dẫn đến khuyết xạ vùng RCA LCX dẫn đến chẩn đoán sai vùng có bệnh lý Vì ca gây phân vân cần phải hiệu chỉnh suy giảm nhiễu, xử lý hình ảnh sau chẩn đốn lại Một ví dụ điển hình bệnh nhân nam có ngoại hình lớn, hình NC bên trái, khuyết xạ hiển thị rõ vùng RCA (Hình 3.8) sau hiệu chỉnh suy giảm hình ảnh khuyết xạ lại bình thường vùng bệnh nhân bị khuyết xạ vùng động mạch mũ (LCX) Điều xảy nhiều bệnh nhân nam giới Phân tích lát cắt với tập ảnh bệnh nhân (Hình 3.9), hình ảnh lát cắt trục dài dọc (VLA) trục ngắn (SA) thấy rõ hình ảnh có hiệu chỉnh suy giảm SPECT/CT ảnh Gen AC sinh từ mơ hình thể trạng thái bình thường tim, với thang màu hình lát cắt sáng không bị đứt đoạn Điều bị phản ảnh khơng hình ảnh SPECT đơn khơng 64 hiệu chỉnh suy giảm, hình ảnh lát cắt bị đứt đoạn khoảng màu thể lưu thông máu bị tối hẳn hướng bác sỹ theo kết không hợp lý Hình 3.8 Khuyết xạ bệnh nhân có BMI lớn hình NC AC Hình 3.9 Hình ảnh lát cắt dài dọc (VLA) lát cắt trục ngắn (SA) tim khiếm khuyết Tương tự trường hợp bệnh nhân nam giới, hình 3.10 với bệnh nhân nữ giới Do ảnh hưởng vú làm xuất khuyết xạ gấy dương tính giả vùng động mạch mũ trái ( LAD ) động mạch mũ ( LCX ) Điều phản ảnh tốt bệnh nhân tiếp cận với máy SPECT có hệ thống CT hiệu chỉnh nhiễu 65 Hình 3.10 Hình ảnh lát cắt tim bệnh nhân nữ có khuyết xạ LCX Tổng hợp kết cho thấy nam giới thường bị ảnh hưởng nhiễu phóng xạ nữ giới, nửa hoành bên trái dẫn đến khuyết xạ giả tưới máu tiềm ẩn vùng động mạch vành phải (RCA), điều nhấn mạnh với lồi lõm bụng, nửa hồnh bên trái nhơ cao béo phì Ảnh hưởng đứng thứ hai phụ nữ thường xuyên nam giới giảm đậm độ vú gây khuyết xạ tạo tưới máu tiềm ẩn động mạch trái (LAD) động mạch mũ (LCX) Kết sử dụng hình ảnh hiệu chỉnh nhiễu suy giảm từ máy CT từ mơ hình suy giảm nhiễu tương đồng mặt hiệu quả, làm tăng độ đặc hiệu độ nhạy Hiện tượng ảnh bị nhiễu chưa hiệu chỉnh xảy bệnh nhân di động chụp vùng tạng bị chèn ép dẫn đến che khuất phần tim, làm hình ảnh xạ hình tim khơng hiển thị hồn chỉnh Bảng 3.6 Thống kê chẩn đốn tập ảnh có hiệu hình máy CT mô hiệu chỉnh suy giảm Bệnh nhận RCA x BS LAD LCX RCA x x x x x BS LAD LCX x x x x x x x x x x x 66 x 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45-100 x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x x Không Bệnh Kết chẩn đoán đưa tệp ảnh, tệp ảnh A ( NC + AC) tệp ảnh B (NC + GenAC) đưa kết giống nhau, điều khẳng định 67 tính đắn mơ hình suy giảm nhiễu kết đưa từ phần trước luận văn Những bệnh nhân béo phì có hồnh che lấp phần tim loại bỏ nhận định tổn thương phần động mạch vành phải, trường hợp tạng chèn ép tim cải thiện rõ ràng đưa cho bác sỹ nhìn thực tế so với bệnh lý để chẩn đoán Với số lượng mẫu luận văn, theo kết thống kê Trên tập ảnh có hiệu chỉnh suy giảm bảo gồm hình ảnh AC Gen AC, kết bác sỹ đưa kết chuẩn xác giống Cải thiện rõ rệt mặt kết tệp ảnh có ảnh SPECT đơn thuần, nghi vấn khuyết xạ giả tạo nhiễu suy giảm sinh từ mô thể bị loại bỏ Kết hình ảnh phân tích theo kinh nghiệm chẩn đoán bác sỹ Đối với bác sỹ có kinh nghiệm nhiều năm lĩnh vực y học hạt nhân cơng cụ thực hữu ích giúp giảm tải lượng cơng việc Về độ nhạy độ đặc hiệu (Hình 3.11) kết cho thấy cải thiện rõ rệt tệp ảnh chưa có hiệu chỉnh suy giảm ảnh có suy giảm hiệu chỉnh phần mềm Trong không gian mẫu thuộc luận văn độ nhạy độ đặc hiệu bác sỹ tăng 8% dẫn đến độ xác cao 120 100 80 60 40 20 Độ đặc hiệu 97 84 78 100 97 80 tỷ lệ % tỷ lệ % Độ nhạy 95 95 AC GenAC 74 67 60 40 20 Non AC AC GenAC Non AC Bộ liệu ảnh Bác sỹ Bộ liệu ảnh Bác sỹ Bác sỹ Bác sỹ Hình 3.11 Bảng kết độ nhạy đồ đặc hiệu bác sỹ với ảnh liệu 3.2 Bàn luận Vấn đề áp dụng AI áp dụng lĩnh vực y tế nhiều giai đoạn nay, học sâu đóng vai trị cơng cụ mạnh mẽ phổ biến lĩnh vực tim mạch hạt nhân đem theo tiềm hy vọng cải thiện chất lượng hình ảnh, hỗ trợ bác sỹ nhân viên y tế việc phát phân lọaị bệnh lý Áp dụng tình hình thực tế Việt Nam phương pháp xạ hình tưới máu tim máy SPECT, chẩn đoán sử dụng học máy đưa kết ban đầu có tiềm tính ứng dụng cao việc sinh ảnh khử nhiễu từ ảnh chụp SPECT ban đầu 68 Vấn đề nhiễu ảnh y tế thách thức gấy khó khăn phương pháp chẩn đốn ảnh, cụ thể hình ảnh SPECT phương pháp xạ hình tưới máu tim Hiện để khắc phục nhiễu ảnh xạ hình, sở sử dụng biện pháp chụp bệnh nhân nằm nằm ngửa, sử dụng thêm điện tim đồ cải thiện tốt sử dụng máy SPECT đại có lắp thêm hệ thống CT Tuy nhiên phương pháp sử dụng máy SPECT/CT tồn nhiều điểm hạn chế phòng ốc, an tồn phóng xạ quan trọng đầu tư thiết bị giá thành cao Số liệu thống kê cho thấy tới 80% Việt Năm sử dụng hệ thống SPECT đơn lẻ khơng có hệ thống CT kèm có nghĩa khơng có chức hiệu chỉnh nhiễu suy giảm từ hệ thống phần cứng Do việc nghiên cứu phát triển áp dụng mơ hình học sâu vào lĩnh vực khử nhiễu suy giảm từ hình ảnh SPECT thực cần thiết xu Tuy nhiên tình hình thực tế cho thấy phương pháp gặp số thách thức nhân lực số lượng mẫu thực nghiệm không cao chưa kiểm chứng thực nghiệm lâm sàng Phương pháp học sâu áp dụng khoa Y học hạt nhân áp dụng thử nghiệm số mẫu lớn thực nghiệm trực tiếp khoa bác sỹ giàu kinh nghiệm sử dụng đánh giá Các kết ban đầu cho thấy việc áp dụng phần mềm vào sử lý hình ảnh xạ hình tưới máu tim có tính ứng dụng cao Kết cho thấy độ nhạy độ đặc hiệu ảnh khử nhiễu tăng lên 20% So sánh mặt hình ảnh ảnh hiệu chỉnh hệ thống máy SPECT/CT ảnh sinh từ phần mềm học sâu có độ tương đồng lên đến 98% Phương pháp sử dụng học sâu máy tính để khử nhiễu ảnh SPECT có tiềm sử dụng cho sở sử dụng máy SPECT đơn thuần, hỗ trợ bác sỹ chẩn đốn hình ảnh làm giảm áp lực cường độ công việc nhân viên y tế 69 Kết luận Trong luận văn đề cập đến việc sử dụng mơ hình hiệu chỉnh suy giảm nhiễu với hình ảnh SPECT tim Các kết định lượng để đánh giá hình ảnh sinh với mơ hình ảnh chuẩn ảnh hiệu chỉnh từ máy SPECT/CT chứng minh tốt với số SSIM = 0.98±0.05, độ lệch ME = -4.41±11.85 Đối với hiệu mặt hình ảnh thực hành lâm sàng Kết cho thấy việc sử dụng ảnh hiệu chỉnh nhiễu suy giảm từ phần mềm giúp bác sỹ có kinh nghiệm nâng độ xác lên trường hợp bệnh lý động mạch vành trái (LCX) trường hợp không tổn thương Độ nhạy độ đặc hiệu cải thiện rõ rệt Những kết khả quan thực giúp ích cho bác sỹ nhân viên y tế việc giảm tải cường độ làm việc chất lượng làm việc Việc sử dụng phầm mềm sử dụng phương án tham khảo cho bác sỹ trước đưa kết chẩn đoán cho bệnh nhân Kết thu từ luận văn bước đầu nghiên cứu việc áp dụng AI vào việc hỗ trợ sử lý hình ảnh xạ hình tưới máu tim máy SPECT, bước đầu có kết khả quan tương đồng hình ảnh khử nhiễu máy SPECT có hệ thống CT hình ảnh khử nhiễu AI đưa tương đồng lên tới 98% Cần thực đánh giá hiệu ảnh nhiều mẫu ảnh đánh giá qua nhiều bác sỹ có kinh nghiệm Phát triển phương hướng tính tốn đưa dự đoán liều điều trị bệnh nhân chẩn đoán bệnh lý tim Phát triển đánh giá hiệu xử lý ảnh hệ thống sở y tế lân cận, nhằm hỗ trợ bác sỹ nhân viên y tế 70 TÀI LIỆU THAM KHẢO [1] E V G ( Ami E Iskandrian (ed.), Nuclear Cardiac Imaging: Principles and Applications, 2015 [2] Nuclear Cardiology: Guidance on the Implementation of SPECT Myocardial Perfusion Imaging, IAEA HUMAN HEALTH SERIES, 2016 [3] Emelia J Benjamin, Paul Muntner, Alvaro Alonso, Marcio S Bittencourt, Clifton W Callaway, April P Carson, Alanna M Chamberlain, Alexander R Chang, Susan Cheng, Sandeep R Das, Francesca N Delling, Luc Djousse, Mitchell S V Elkind, Jane F Ferguson, Myriam F, "Heart Disease and Stroke Statistics-2019 Update: A Report From the American Heart Association," American Heart Association Council on Epidemiology and Prevention Statistics Committee and Stroke Statistics Subcommittee, 2019 [4] C a t b xạ, "Thống kê sở y học nhân," 2020 [5] K Y h h n b v 108, Tài liệu kỹ thuật y học hạt nhân bản, 2020 [6] Kinahan PE, Townsend DW, Beyer T, Sashin D, "Attenuation correction for a combined 3D PET/CT scanner," p Med Phys, 1998 [7] Tzu C Lee, Adam M Alessio, Robert M Miyaoka, and Paul E Kinahan, "Morphology supporting function: attenuation correction for SPECT/CT, PET/CT, and PET/MR imaging," 2016 [8] T T Patton JA, "SPECT/CT physical principles and attenuation correction," J Nucl Med Technol, 2008 [9] Jei-Yie Huang, Chun-Kai Huang, Ruoh-Fang Yen, Kuo-Liong Chien, and Yen-Wen Wu, "Diagnostic Effect of Attenuation Correction in Myocardial Perfusion Imaging in Different Coronary Arteries: A Systematic Review and Meta-Analysis," 2021 [10] Hidetaka Nishina, Piotr J Slomka, Aiden Abidov, Shunichi Yoda, Cigdem Akincioglu, Xingping Kang, Ishac Cohen, Sean W Hayes, John D Friedman, Guido Germano, Daniel S Berman, "Combined supine and prone quantitative myocardial perfusion SPECT: method development 71 and clinical validation in patients with no known coronary artery disease," 2006 [11] T M Bateman , D S Berman, G V Heller, K A Brown, M D Cerqueira, M S Verani, J E Udelson, "American Society of Nuclear Cardiology position statement on electrocardiographic gating of myocardial perfusion SPECT scintigrams," 1999 [12] M Erin McNemar, "How Can Artificial Intelligence Change Medical Imaging?" [13] Michaela Cellina, Maurizio Cè,Giovanni Irmici,Velio Ascenti, "Artificial Intelligence in Lung Cancer Imaging: Unfolding," 2022 [14] Luyao Shi, John A Onofrey , Hui Liu, Yi-Hwa Liu , Chi Liu , "Deep learning-based attenuation map generation for myocardial perfusion SPECT," 2020 [15] Samaneh Mostafapour, Faeze Gholamiankhah, Sirvan Maroofpour, Mahdi Momennezhad, Mohsen Asadinezhad, Seyed Rasoul Zakavi, Hossein Arabi, "Deep learning-based attenuation correction in the image domain for myocardial perfusion SPECT imaging," 2021 [16] Jaewon Yang , Luyao Shi , Rui Wang , Edward J Miller , Albert J Sinusas , Chi Liu , Grant T Gullberg, Youngho Seo, "Direct Attenuation Correction Using Deep Learning for Cardiac SPECT: A Feasibility Study," 2021 [17] Xiongchao Chen, Bo Zhou, Huidong Xie, Luyao Shi, Hui Liu, Wolfgang Holler, MingDe Lin, Yi-Hwa Liu, Edward J Miller, Albert J Sinusas & Chi Liu, "Direct and indirect strategies of deep-learning-based attenuation correction for general purpose and dedicated cardiac SPECT," 2022 [18] Kenta Sakaguchi, Hayato Kaida, Shuhei Yoshida & Kazunari Ishii , "Attenuation correction using deep learning for brain perfusion SPECT images," 2021 [19] Trung Thanh Nguyen; Thanh Nguyen Chi; Minh Dang Hoang; Ha Nguyen Thai; Thuan Nguyen Duc, "3D Unet Generative Adversarial Network for Attenuation Correction of SPECT Images," 2020 72 [20] Manuel Cerqueira, MD, Kevin C Allman, MBBS, Edward P Ficaro, PhD,, "Recommendations for reducing radiation," 2010 [21] Amelia Swift ,Roberta Heale, Alison Twycross, "What are sensitivity and specificity?," 2019 [22] M Troy LaBounty, "What’s the Best Test for Suspected CAD?" [23] P Potrimba, "What is an Autoencoder?," 2022 [24] N Tomar, "Introduction to Autoencoders," 2020 [25] H Y R Y T H M T R K T H J O K S T I Y M Taisuke Murata, "Development of attenuation correction methods using deep learning in brain-perfusion single-photon," 2021 [26] O Ronneberger, P Fischer, and T Brox, "U-net: convolutional networks for biomedical image segmentation,” in Proceedings of the Medical Image Computing and Computer-Assisted Intervention," 2015 [27] Ian J Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, "Generative Adversarial Networks," 2014 [28] Han Zhang, Tao Xu, Hongsheng Li, Shaoting Zhang, Xiaogang Wang, Xiaolei Huang, Dimitris N Metaxas, "StackGAN: Text to Photo-Realistic Image Synthesis With Stacked Generative Adversarial Networks," 2017 [29] Christian Ledig, Lucas Theis, Ferenc Huszar, Jose Caballero, Andrew Cunningham, Alejandro Acosta, Andrew Aitken, Alykhan Tejani, Johannes Totz, Zehan Wang, Wenzhe Shi, "Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network," 2017 [30] Samaneh Mostafapour,Faeze Gholamiankhah, Sirwan Maroufpour, Mehdi Momennezhad,Mohsen Asadinezhad, "Deep learning-guided attenuation correction in the image domain for myocardial perfusion," Journal of Computational Design and Engineering, 2022, 2022 Anh Tuấn, Đỗ Ngọc Điệp, "Đánh giá trạng triển vọng ứng dụng," Khoa học Kỹ thuật Công nghệ, 2021 [31] Hoàng 73 [32] A M A M M P E K Tzu C Lee, "Morphology supporting function: attenuation correction for SPECT/CT, PET/CT, and PET/MR imaging," 2015 74