探讨深度学习重建算法对CTPA图像质量的影响

摘要：

目的:对比滤波反投影重建算法(FBP)及常规迭代重建算法(ASiR-V),研究深度学习重建(DLIR)算法对肺动脉CT血管成像(CTPA)图像质量的影响.方法:在GE APEX CT上收集进行CTPA检查的患者30例,分别采用5种重建方式(FBP,常规临床参数的ASiR-V40％,DLIR-L/M/H)重建.分别测量肺动脉主干、左右肺动脉干、肺动脉主干层面椎旁肌肉的CT值、噪声(SD),计算其信噪比(SNR)、对比度噪声比(CNR),并进行客观评价.由2名高年资医师对所有图像进行评分.结果:5组图像在肺动脉主干、左、右肺动脉干的CT值差异均没有统计学意义(P＞0.05);但5组图像的SD、CNR、SNR值差异均有统计学意义(P＜0.01).DLIR的图像质量要显著优于ASiR-V,随着DLIR强度升高,SD值降低,SNR值升高.每名医师组内及2名医师组间的主观评分一致性均高,组内相关系数(ICC)值分别为0.838、0.879、0.843,5组图像主观评分差异均有统计学意义(P＜0.01).图像质量趋势为DLIR-H＞DLIR-M＞DLIR-L＞ASiR-V40％＞FBP.结论:与FBP、ASiR-V40％算法相比,DLIR算法(TrueFidelityTM)能够显著降低图像噪声,提高SNR,且DLIR-H提供了最佳的主客观图像.DLIR算法在提高CTPA图像质量临床应用方面表现出巨大潜力.

关键词：深度学习重建算法、迭代重建算法、CT血管成像、肺动脉、噪声、图像质量

所属期刊栏目：29

分类号：R445.3(诊断学)

在线出版日期：2023-03-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：87-91