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

作者：程燕南; 孙精涛; 李雅楠; 郭银霞; 曹乐; 杨建; 杨健; 郭建新^*

来源：西安交通大学学报（医学版）, 2023, 44(03): 466-472.

DOI：10.7652/jdyxb202303021

• 深度学习图像重建(DLIR)
• X线计算机
• 伪影
• 低剂量

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。

• 单位
  西安交通大学第一附属医院