能谱CT深度学习图像重建与迭代重建算法图像质量对比的体模和动物模型研究

作者：姜江; 陈勇; 石骁萌; 陆伟; 王柏松; 石博文; 王雯芳; 朱兰; 潘自来; 张欢^*

来源：中华放射学杂志, 2023, 57(12).

• 体层摄影术
• X线计算机
• 深度学习
• 迭代重建
• 图像质量

目的探讨基于体模和动物模型的深度学习重建算法(TF-GSI)和自适应统计迭代重建算法(ASiR-V)对于能谱CT图像质量的影响。方法使用GE Revolution Apex能谱CT对ACR 464体模和胃癌淋巴结转移小鼠模型(n=16)进行扫描。分别在体模和小鼠的70 keV虚拟单能图像上重建TF-GSI和ASiR-V的中、高两档等级图像(TF-GSI-M、TF-GSI-H、ASiR-V50%和ASiR-V100%)。评价体模各组图像骨和丙烯酸的任务传递函数(TTF)、图像噪声功率谱(NPS)以及可检测能力指数(d′)。使用单因素方差分析对比小鼠图像噪声、脑组织和肝脏的信噪比(SNR)和对比噪声比(CNR)。2名医师(A和B)评价TF-GSI-H和ASiR-V100% 2种重建算法图像对微小病灶检出的一致性采用Kappa检验。结果体模方面, TF-GSI-H组图像在TTF、NPS和d′的表现均最佳:相较ASiR-V100%, TF-GSI-H组图像骨和丙烯酸的TTF50%分别升高了2.4%和8.9%, TF-GSI-H组图像的NPS peak下降了54.1%, TF-GSI-H相对ASiR-V100%对骨和丙烯酸的检出能力分别提升了52.7%和59.5%。TF-GSI组相较ASiR-V组图像噪声降低, 2种组织的SNR和CNR均升高, 但各组图像间差异不具有统计学意义(P>0.05)。2名医师对2种重建算法图像评价的一致性良好(A, Kappa=0.875, P<0.001;B, Kappa=0.625, P=0.012)。2种重建算法图像对小鼠微小转移灶的检出方面, TF-GSI组高于ASiR-V组(准确度分别为83.5%、71.9%;灵敏度分别为77.8%、61.2%;特异度分别为85.7%、85.7%)。结论 TF-GSI相对ASiR-V可以提高能谱CT虚拟单能图像的空间分辨率, 改善图像噪声并具有提高微小病灶检出的潜在价值。

• 单位
  上海交通大学医学院附属瑞金医院; 上海交通大学