深度学习重建算法在低管电压冠状动脉CT血管成像中的应用

摘要：

目的:比较深度学习重建算法(deep learning-based image reconstruction,DLIR)、自适应统计迭代重建算法(adaptive statistical iterative reconstruction-veo,ASiR-V)和滤波反投影重建算法(filtered back-projection,FBP)对低管电压冠状动脉CT血管成像(coronary computed tomographic angiography,CCTA)图像质量的优化效果.方法:前瞻性纳入100例行CCTA扫描的患者,根据其身体质量指数(body mass index,BMI),选择使用70 kVp(50例,BMI≤26 kg/m2)或80 kVp(50例,BMI>26 kg/m2)管电压扫描,每例患者的图像分别用FBP(A组)、ASiR-V 50％(B组)、中级DLIR(DLIR-Medium,DLIR-M,C组)和高级DLIR(DLIR-High,DLIR-H,D组)进行重建,比较4组重建算法图像的CT值、噪声、信噪比(signal-to-noise ratio,SNR)和对比噪声比(contrast-noise ratio,CNR),并采用李克特5级评分法对图像质量进行主观评价.结果:在客观图像质量评价中,A、B、C、D 4组两两组间比较,图像噪声、SNR、CNR差异均有统计学意义(P<0.05),其中D组的图像噪声最低,而SNR和CNR最高;在主观图像质量评价中,C组与D组间差异无统计学意义,但均明显高于A组及B组(P<0.05).结论:在低管电压CCTA扫描中,使用DLIR重建的图像质量优于ASiR-V 50％ 和FBP,提示DLIR适用于临床低管电压CCTA扫描.

关键词：冠状动脉CT血管成像、深度学习、迭代重建、辐射剂量、图像质量

所属期刊栏目：21

分类号：R445.4(诊断学)

在线出版日期：2022-08-24（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：374-379