深度学习图像重建算法在提高CCTA图像质量中的临床价值研究
目的 对比常规迭代重建算法,评价深度学习图像重建(DLIR)算法(TrueFidelityTM)在提高冠状动脉CT血管造影(CCTA)图像质量中的临床应用价值.方法 回顾性纳入40例接受相同扫描条件CCTA检查的患者.用ASiR-V 0％、ASiR-V 50％、ASiR-V 80％和DLIR两个水平(中[M]和高[H])重建CCTA数据.通过对比图像噪声(SD)、信噪比(SNR)、对比度噪声比(CNR)进行不同图像重建算法间的客观评价.由两位高年资影像医师双盲对主干血管图像质量进行主观评价(Liker 4分制).结果 ASiR-V 0％、ASiR-V 50％、ASiR-V 80％、DLIR-M、DLIR-H重建图像的整体对比图像噪声逐渐降低,差异具有统计学意义(P＜0.05),经DLIR-H处理后的图像噪声明显低于其他处理方式(P＜0.05),SNR和CNR值逐渐升高,差异具有统计学意义(P＜0.01),DLIR-H重建图像的 SNR 和 CNR 均优于其他重建图像(P＜0.05).ASiR-V 0％、ASiR-V 50％、ASiR-V 80％、DLIR-M、DLIR-H 算法在冠状动脉主要分支的主观评分均无显著性差异(P＞0.05).结论 与ASiR-V算法相比,DLIR算法能显著降低噪声,提高CCTA的SNR和CNR.因此在提高CCTA图像质量的临床应用方面,DLIR算法具有较大的应用潜力.
冠状动脉CT血管造影、深度学习图像重建、图像质量、迭代重建技术
40
R735.7;R816.2;R541.4
2021-09-16（万方平台首次上网日期，不代表论文的发表时间）
共5页
1126-1130
