基于深度学习的新型金属工件校正算法的临床前验证,用于骨科CT成像

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 计算机断层扫描 (CT) 技术

背景情况:

• 金属文物显著降低CT图像质量,阻碍了准确的诊断.
• 传统的金属工件校正 (MAC) 和虚拟单色成像 (VMI) 在工件减少方面存在局限性.
• 深度学习方法为先进的图像重建和文物校正提供了潜力.

研究的目的:

• 验证一种基于深度学习的新型金属工件校正 (AI-MAC) 算法,用于CT.
• 在临床前环境中,将AI-MAC的性能与传统的MAC和VMI进行比较.
• 评估AI-MAC在金属植入物存在的软组织和骨结构的表征方面的有效性.

主要方法:

• 一个临床前CT幻影模型是使用植入脚螺丝的脊椎样本创建的.
• 图像使用传统的MAC,VMI和AI-MAC算法进行了重建.
• 图像质量使用主观评分,CT减弱,噪声,SNR,CNR和对准脊柱肌肉和脊椎体的细分精度与无金属参考进行了评估.

主要成果:

• 人工智能-MAC和VMI比传统的MAC (p <0.05) 获得了明显更高的主观得分.
• 在AI-MAC中,SNR和CNR与无金属参考值 (p > 0.05) 相似,表现优于VMI (p < 0.05).
• 与VMI和MAC相比,AI-MAC提供了更完整的副脊髓肌肉细分,而VMI提供了最接近参考的脊椎体细分.

结论:

• 在金属文物存在的情况下,AI-MAC在软组织表征方面明显优于VMI.
• 在骨描绘方面,VMI仍然很有价值,可以提供准确的脊椎身体可视化.
• 人工智能-MAC算法显示,它有望改善金属植入物患者的CT图像质量.