Algoritmos de reconstrucción de imágenes de aprendizaje profundo para TC: una evaluación de la calidad de imagen...

Área de la Ciencia:

• Imágenes Médicas; Radiología; Procesamiento de Imágenes

Sus antecedentes:

• La reconstrucción iterativa (IR) es una técnica estándar de TC.; La reconstrucción de aprendizaje profundo (DLR) es una alternativa emergente.; Es crucial evaluar el rendimiento específico del proveedor de DLR.

Objetivo del estudio:

• Comparar la calidad de imagen de los algoritmos DLR frente a IR de cuatro proveedores de TC.; Evaluar la magnitud del ruido, la textura y la resolución espacial.; Evaluar el rendimiento de detección de lesiones utilizando índices de detectabilidad.

Principales métodos:

• Se utilizaron cuatro sistemas de TC (G-CT, P-CT, U-CT, C-CT).; Se escaneó un fantoma de calidad de imagen a tres niveles de dosis (1,8, 6, 11 mGy).; Se calcularon el espectro de potencia del ruido, la función de transferencia basada en tareas y los índices de detectabilidad (d').

Principales resultados:

• El DLR redujo la magnitud del ruido de manera similar entre los proveedores, siendo más efectivo a dosis más bajas para U-CT y C-CT.; El DLR generalmente aumentó la textura del ruido, excepto para U-CT.; La resolución espacial mejoró con DLR, con pocas excepciones a bajo contraste/dosis.; La detectabilidad de lesiones (d') mejoró significativamente con DLR en todos los proveedores y dosis.

Conclusiones:

• Los algoritmos de DLR reducen demostrablemente el ruido de la imagen de TC.; El DLR mejora la detectabilidad de las lesiones abdominales.; El DLR proporciona una textura de ruido y una resolución espacial comparables o superiores a la IR.