一种深度学习图像重建算法,用于改善腹部双能量计算机断层扫描中的图像质量和肝损伤检测能力:初步结果

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 计算机断层扫描 (CT) 是一种计算机断层扫描.

背景情况:

• 双能计算断层扫描 (DECT) 为腹部成像提供了有价值的光谱信息.
• 图像重建技术对于优化DECT图像质量和诊断性能至关重要.
• 像自适应统计代重建-Veo (ASIR-V) 这样的传统方法在降噪和图像细节方面存在局限性.

研究的目的:

• 为了比较深度学习图像重建 (DLIR) 与ASIR-V在提高腹部DECT图像质量和诊断性能方面的有效性.
• 评估不同DLIR水平 (中高) 对虚拟单色光谱图像的影响.
• 在各种重建技术中评估病变检测率和诊断信心.

主要方法:

• 对62名接受腹部DECT的患者进行前性研究.
• 在5mm和1.25mm切片厚度的70keVDECT图像的重建使用ASIR-V40%和DLIR (中高水平).
• 对CT衰减,标准偏差 (SD),信号与噪声比 (SNR) 和对比与噪声比 (CNR) 的定量分析;放射科医生对图像质量和诊断信心的主观评估.

主要成果:

• 与ASIR-V40% (P < 0.001) 相比,在1.25毫米切片厚度的DLIR-M和DLIR-H重建显示了显著较低的SD,更高的SNR和CNR,以及更好的主观图像质量.
• 在1.25mm的DLIR-H实现了与ASIR-V40%在5mm切片厚度 (P>0.05) 的相似的图像质量指标 (SD,SNR,CNR).
• 所有重建组都显示出类似的病变检测率,但DLIR组报告了更高的诊断信心.

结论:

• 具有DLIR-H重建的70-keV DECT有效地减少了图像噪声,并提高了腹部成像中的图像质量.
• 与ASIR-V40%相比,DLIR可以提高诊断信心,但不会影响病变检测率.
• DLIR代表了腹部DECT图像重建的重大进步,提供了卓越的性能和诊断实用性.