通过深度学习模型从增强CT图像合成平扫CT图像的质量分析

作者：刘礼健; 刘周; 钟贻洪; 康文焱; 李天然; 罗德红^*

来源：中华放射医学与防护杂志, 2023, 43(02).

• 深度学习
• 增强CT
• 合成平扫CT
• 图像质量

目的通过基于卷积神经网络深度学习方法从增强CT合成平扫CT图像, 临床主观和客观评估合成平扫CT图像(DL-SNCT)与金标准平扫CT图像的相似性, 探讨其潜在临床价值。方法同时行常规平扫和增强CT扫描的患者34例, 通过深度学习模型将增强CT图像合成DL-SNCT图像, 以平扫CT图像为金标准, 主观评价DL-SNCT的图像质量(评价指标包括解剖结构清晰度、伪影、噪声、图像结构完整性、图像变形, 均采用4分制);利用配对t检验比较DL-SNCT与金标准平扫CT图像不同血供特点的解剖部位(主动脉、肾脏、肝实质、臀大肌)以及不同强化模式的肝脏病变(肝癌、肝血管瘤、肝转移瘤、肝囊肿)的CT值。结果主观评价上, DL-SNCT图像在伪影、噪声、图像结构完整性、图像变形方面评分都达到4分, 与平扫CT图像评分相一致(P>0.05);在解剖结构清晰度方面评分略低于平扫CT图像[(3.59±0.70)分vs. 4分)], 差异有统计学意义(Z=-2.89, P <0.05)。对于不同解剖部位而言, DL-SNCT图像主动脉、肾脏的CT值显著高于平扫CT图像(t=-12.89、-9.58, P <0.05), 而肝实质、臀大肌CT值与平扫CT图像差异无统计学意义(P>0.05)。对于不同强化模式肝脏病变而言, DL-SNCT图像肝癌、肝血管瘤、肝转移瘤的CT值显著高于平扫CT图像(t=-10.84、-3.42、-3.98, P <0.05), 而肝囊肿CT值与平扫CT图像差异无统计学意义(P>0.05)。结论 DL-SNCT在图像质量上以及一些强化方式比较单一的解剖部位的CT值已接近金标准平扫CT, 但对于强化程度变化大的解剖部位, 以及有着不同强化模式的肝脏病变, DL-SNCT在临床应用前还有很大的改进空间。

• 单位
  中国医学科学院北京协和医学院