高分辨率CT的深度学习重建改善了对肺纤维化评估观察者间协议

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 肺部医学 肺部医学

背景情况:

• 间歇性肺病 (ILD) 诊断严重依赖于高分辨率计算机断层扫描 (CT) 结果.
• 精确的CT图像解释,特别是蜂巢图像,对于ILD患者的管理至关重要.
• 在CT解释中观察者间的协议可以成为一致的ILD诊断中的限制因素.

研究的目的:

• 为了比较深度学习重建 (DLR) 与混合代重建 (HIR) 在改善ILD患者蜂巢检测的观察者间协议方面的有效性.
• 评估DLR对ILD患者高分辨率CT扫描中的图像质量,噪音和文物的影响.

主要方法:

• 对35名疑似ILD患者的高分辨率CT扫描进行了回顾性分析.
• 使用DLR和HIR技术重建肺部图像.
• 图像噪声的定量评估和图像质量的定性评估,文物,蜂巢和5名失明放射科医生的网络.

主要成果:

• 与HIR相比,DLR显著降低了图像的定量和质量噪声 (P < .001).
• 与HIR相比,DLR显示出更好的图像质量和更少的文物 (P < .001对于4/5的读者).
• 对蜂巢和网状组织的观察者间一致性与DLR相比,与HIR相比显著高 (P = .014).

结论:

• 深度学习重建 (DLR) 增强了在CT上ILD患者蜂结合的评估中观察者间的协议.
• DLR提供卓越的图像质量和降低噪音,使ILD特征的诊断更加可靠.
• 这些发现表明DLR是改善ILD成像诊断一致性的宝贵工具.