新一代深度学习图像重建算法在腹部低剂量CT中的应用研究

摘要：

目的 探讨深度学习图像重建算法(DLIR)在腹部低剂量CT中提高图像质量和降低伪影方面的价值.方法 前瞻性连续纳入 2019 年 10 月-2020 年 6 月进行 CT 尿路造影的患者 26 例,男 14 例,女 12 例,平均年龄(60.35±10.89)岁.所有患者均行常规剂量平扫、门静脉期增强(噪声指数 10;体积CT剂量指数:9.61 mGy)和低剂量排泄期扫描(噪声指数 23;体积 CT 剂量指数:2.95 mGy).排泄期图像采用 ASiR-V 50％、低强度 DLIR(DLIR-L)、中强度DLIR(DLIR-M)、高强度DLIR(DLIR-H)共 4 种方式重建,采用重复测量的单因素方差分析和Kruskal-Wallis H 检验分别比较 4 组图像的客观评价[偏度、噪声、信噪比(SNR)及对比噪声比(CNR)]及主观评价内容(图像质量、噪声、伪影),并采用Bonferroni检验进行事后两两比较.结果 无论是客观评价还是主观评价方面,DLIR 图像的 SNR、CNR、整体图像质量评分及噪声均相似或优于 ASiR-V 50％,且 SNR、CNR 和图像质量评分随 DLIR 权重增加而增加,噪声随着DLIR权重增加而降低.4 组图像在失真伪影(P=0.776)和对比剂硬化伪影(P=0.881)主观评分中差异不具有统计学意义.结论 与 ASiR-V 50％算法相比,DLIR 特别是 DLIR-M和 DLIR-H,可显著提高腹部低剂量CT的图像质量,但在降低对比剂硬化伪影方面应用有限.

关键词：深度学习图像重建(DLIR)、X线计算机、伪影、低剂量

所属期刊栏目：44

分类号：R445(诊断学)

资助基金：陕西省高校联合项目;西安交通大学第一附属医院科研发展基金

在线出版日期：2023-05-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：466-472