深度学习重建算法在提高门静脉CT图像质量中的应用研究

摘要：

目的 探讨深度学习重建算法(DLIR)在提高门静脉图像质量中的应用研究.方法 回顾性纳入32例行腹部双期增强检查的患者,门静脉图像分别采用50％自适应统计迭代重建(ASIR V)及深度学习重建算法的中、高模式(DLIR-M、DLIR-H)进行重建.测量门静脉主干、右支、左支和同层椎旁肌肉的CT值和标准差,计算其对比噪声比,测量门静脉主干血管壁CT值边缘上升斜率(ERS)以评价其空间分辨率.主观评价由两名医师采用5分法分别从整体图像噪声、图像对比度、门静脉小分支显示三个方面进行评分,图像伪影则采用4分法进行评价;此外,单独计算门静脉小分支在三种重建算法中的显示率.结果 门静脉主干、右支、左支的噪声在DLIR重建算法下显著低于ASIR-V 50％算法,其中DLIR-H噪声最低,CNR最高;门静脉主干的ERS在DLIR算法下也显著高于ASIR-V 50％算法(P<0.01).主观评价方面,DLIR算法均显著优于ASIR-V 50％算法(P<0.01);此外,DLIR图像门静脉小分支的显示率分别是DLIR-M 93.75％、DLIR-H 100％,高于ASIR-V 50％(68.75％).结论 与ASIR-V 50％算法相比,DLIR算法能显著降低门静脉图像噪声,提高空间分辨率且可以有效提高门静脉小分支的显示率.

关键词：门静脉、深度学习重建算法、自适应统计迭代重建、空间分辨率

所属期刊栏目：43

分类号：R445(诊断学)

在线出版日期：2022-11-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：912-917