低剂量条件下深度学习图像重组算法与多模型迭代重组算法对腹部增强CT图像质量的影响

作者：沈艺; 李露露; 宋建; 王璜; 刘斌^*

来源：临床放射学杂志, 2022, 41(03): 566-570.

DOI：10.13437/j.cnki.jcr.2022.03.004

• 多模型迭代重组算法
• 深度学习图像重组算法
• 低剂量
• 腹部增强CT
• 图像质量

目的 比较深度学习重组算法(DLIR)和多模型迭代重组算法(ASIR-V)在腹部低剂量CT增强扫描中对图像质量的影响，探讨DLIR在降噪以及提高图像质量等方面的价值。方法 采取前瞻性队列研究的方法，对30例患者行腹部四期增强扫描。选择动脉晚期行低剂量扫描，其他三期行常规扫描。所得动脉晚期低剂量原始数据行ASIR-V40%、DLIR-M(中度)、DLIR-H(高度)3种重组方式进行重组。对3组图像进行肝脏、脾脏、主动脉、腰大肌及腹壁脂肪测量CT值、SD值，并计算相应信噪比及对比噪声比。由两位放射科医师对图像质量进行主观评分。结果 两位医师对图像的主观评价一致性高。DLIR组所得评分均高于ASIR-V组；DLIR-H与DLIR-M所得肝脏、脾脏、主动脉及腹壁脂肪的SD值均小于ASIR-V40%(P值均<0.001);DLIR-H与DLIR-M肝脏、脾脏、主动脉的SNR、CNR值均大于ASIR-V40%(P值均<0.001),且DLIR-H较DLIR-M更具优势。结论 DLIR相较于ASIR-V对于腹部低剂量图像的重组可以更好的降噪和改善图像质量。

• 单位
  安徽医科大学第一附属医院