生物医学工程师 Abhinav Jha 是华盛顿大学圣路易斯分校麦凯维工程学院和医学院马林克罗德放射学研究所放射学助理教授，他长期以来一直主张，用于医疗应用的人工智能工具在图像处理中需要根据临床任务来评估，而不是视觉吸引力。

在IEEE 辐射和等离子体医学科学学报上发表的一项研究中，Jha 和他的合作者开发了一种工具，该工具显示出提高临床任务性能的潜力。该工具是在对心肌灌注成像 (MPI) 单光子发射计算机断层扫描 (SPECT) 图像进行去噪的背景下开发的。

为了让医生获得这些有助于评估心肌血流的图像，患者首先要接受一剂放射性示踪剂，然后在扫描期间保持静止长达 15 分钟。

减少示踪剂剂量和/或所需时间将使患者受益，简化扫描过程，并降低成像成本。然而，它也会降低所生成图像的质量，即显示心脏缺陷的能力，而这些图像正是为临床任务而获取的。

受我们对人类视觉系统工作原理的理解的启发，Jha 的团队开发了一种特定于检测任务的基于深度学习的方法，用于对这些低计数 MPI SPECT 图像进行去噪，从而提高质量。这种名为 DEMIST 的新工具利用深度学习框架选择性地清理 MPI SPECT 图像，同时保留影响检测任务的特征。