深度学习重建胸部低剂量CT的价值,以改善图像质量和评估肺透膜在肺窗上的肺透膜
Jinhua Wang1, Xin Sui1, Ruijie Zhao1
1Department of Radiology, Peking Union Medical College Hospital, Peking Union Medical College, Chinese Academy of Medical Sciences, Shuaifuyuan No. 1, Wangfujing Street, Dongcheng District, Beijing, 100730, China.
European radiology
|August 15, 2023
概括
深度学习重建 (DLR) 显著提高了低剂量计算机断层扫描 (LDCT) 图像质量,用于评估肺膜. 这种先进的技术可以减少辐射暴露,同时保持许多肺病变的诊断性能.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 低剂量计算机断层扫描 (LDCT) 对于肺部成像至关重要,但通常会受到图像噪音和质量下降的影响.
- 深度学习重建 (DLR) 算法提供了一个潜在的解决方案,以提高医学成像中的图像质量.
- 使用LDCT评估肺膜膜瘤需要高图像质量,以准确检测微妙的异常.
研究的目的:
- 评估深度学习重建 (DLR) 在改善胸部低剂量计算机断层扫描 (LDCT) 图像质量的有效性.
- 与标准剂量CT相比,评估DLR增强的LDCT在评估肺膜膜瘤中的性能.
- 为了确定DLR能否在显著降低的辐射剂量下保持诊断准确性.
主要方法:
- 60名患者接受了定期剂量CT (RDCT) 和LDCT.
- 使用混合代重建 (HIR) 和DLR算法重建LDCT图像.
- 图像噪声,信号与噪声比率和主观图像质量被定量和定性地评估和比较.
主要成果:
- 与LDCT与HIR相比,使用DLR的LDCT实现了显著较低的图像噪声,并且与RDCT相比.
- 使用DLR的LDCT的整体图像质量优于使用HIR的LDCT,并且与RDCT可比.
- 在评估固体结节,增强衰减,线性不透明度和气道病变方面,LDCT DLR的性能与RDCT相当.
结论:
- 深度学习重建 (DLR) 有效地减少了图像噪声,并提高了低剂量计算机断层扫描 (LDCT) 中的图像质量.
- 与DLR配合的LDCT在评估各种肺病变方面表现有前途,但对于亚固体结节和减少肺衰减可能效果较差.
- 在胸部CT中,DLR可以显著降低辐射剂量,同时保持许多临床适应症的诊断图像质量.
