深度学习图像重建算法的价值在急性缺血性中风患者的全脑计算机断层扫描输液中

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 神经学 神经学

背景情况:

• 计算机断层扫描输液 (CTP) 和计算机断层扫描血管造影 (CTA) 对于诊断急性缺血性中风 (AIS) 至关重要.
• 高质量的CTP和CTA成像对于及时诊断和治疗AIS至关重要.
• 深度学习图像重建 (DLIR) 算法为提高CTP和CTA中的图像质量提供了潜力.

研究的目的:

• 评估使用DLIR重建的大脑CTP和CTA图像的图像质量和诊断性能.
• 将DLIR与自适应统计代重建-Veo (ASIR-V) 和过后投影 (FBP) 算法进行比较.
• 评估DLIR对AIS患者心脏病发作核心病变检测准确性的影响.

主要方法:

• 54名怀疑患有AIS的患者接受了非对比CT和CTP.
• 使用ASIR-V (0%,40%,80%) 和DLIR (低,中,高) 重建了CTP数据集.
• 从CTP数据集生成CTA图像;评估客观 (SNR,CNR) 和主观图像质量,以及心脏病发作核心检测准确度.

主要成果:

• 与FBP和较低的ASIR-V水平相比,DLIR和更高的ASIR-V水平降低了图像噪声和增加了SNR/CNR.
• DLIR-H,DLIR-M和ASIR-V80%获得了比ASIR-V40%和FBP更高的主观图像质量得分.
• DLIR-H显示了最高的降噪率,并提高了对心脏病发作核心病变的检测准确度.

结论:

• 在AIS患者中,DLIR,特别是DLIR-H显著提高了CTP和CTA的图像质量.
• 与传统方法相比,DLIR提高了检测脑梗塞的诊断性能.
• 使用DLIR从CTP数据集中重建CTA可能会减少对比剂和辐射暴露.