基于深度学习的ClearInfinity算法对腹部体模CT扫描图像质量和辐射剂量的影响

作者：侯平; 刘杰; 陈岩; 高剑波; 李甸源^*; 李雨桐

来源：中国医疗设备, 2022, 37(08): 99-103.

• 迭代算法
• 深度学习
• ClearInfinity算法
• 图像质量
• 辐射剂量

目的 分析基于深度学习的ClearInfinity(CI)算法在上腹部体模CT扫描中降噪和提高图像质量的可行性，探讨优化图像质量的最佳权重比例。方法 以同一管电压（120 kV）、不同容积CT剂量指数（Volume CT Dose Index,CTDIvol）水平（15、10、7.5、5、2.5 mGy）对腹部仿真体模进行扫描，每组图像均采用滤波反投影算法（Filter Back Projection,FBP）、Clear View迭代算法（CV算法，分别采用50%CV、90%CV重建）和深度学习算法（CI算法，分别采用10%CI、30%CI、50%CI、70%CI、90%CI重建）共8种不同方法进行重建，共获得40组图像。测量并记录各组图像肝脏、左侧肾脏及肌肉平均CT值、噪声和主观评分，同时记录各重建算法的重建时间。计算并比较CV算法、CI算法相比FBP算法降低噪声的能力。各组图像主观评分采用Kruskal-Wallis检验，重建时间、CT值和噪声比较采用单因素方差分析和Bonferroni校正进行多重比较。结果 各组中不同部位CT值随不同算法权重比例的增高呈基本稳定状态（P>0.05）；同一辐射剂量水平下，与FBP相比，随着CV及CI算法权重的升高，噪声水平显著下降（P<0.001）；相同权重重建算法下，CI算法降低噪声的能力高于CV算法；主观评分比较，50%CV和10%CI、30%CI、50%CI算法图像质量能满足诊断要求。超低剂量水平（CTDIVOL=2.5mGy）下30%CI图像质量最佳，且50%CI图像质量优于FBP重建（P<0.001）。各组中各重建算法的重建时间比较差异无统计学意义（P>0.05）。结论 基于深度学习的CI算法较迭代算法显著降低了图像噪声，提高了图像质量，且30%～50%权重比例可以显著提高低剂量模式获得的图像质量。

• 单位
  郑州大学第一附属医院; 基础医学院; 郑州大学