CTにおける深層学習画像再構成アルゴリズム：ファントムを用いた4つのCTシステムのタスクベース画像品質評価

科学分野:

• 医用画像処理
• 放射線学
• 画像処理

背景:

• 反復再構成（IR）は標準的なCT技術である。
• 深層学習再構成（DLR）は新興の代替技術である。
• ベンダー固有のDLR性能の評価は重要である。

研究 の 目的:

• 4つのCTベンダーのDLRとIRの画像品質を比較すること。
• ノイズ量、テクスチャ、空間分解能を評価すること。
• 検出能指数を用いて病変検出性能を評価すること。

主な方法:

• 4つのCTシステム（G-CT、P-CT、U-CT、C-CT）を使用した。
• 画像品質ファントムを3つの線量レベル（1.8、6、11 mGy）でスキャンした。
• ノイズパワースペクトル、タスクベース伝達関数、検出能指数（d'）を計算した。

主要な成果:

• DLRはベンダー間で同様にノイズ量を低減し、U-CTおよびC-CTでは低線量で最も効果的であった。
• DLRは、U-CTを除くほとんどの場合、ノイズテクスチャを増加させた。
• 空間分解能はDLRで改善されたが、低コントラスト/低線量での例外は少なかった。
• 病変検出能（d'）は、すべてのベンダーと線量レベルでDLRにより大幅に改善された。

結論:

• DLRアルゴリズムはCT画像のノイズを実証的に低減する。
• DLRは腹部病変の検出能を向上させる。
• DLRはIRと比較して同等または優れたノイズテクスチャと空間分解能を提供する。