对肺RADS的深度学习图像重建和超低剂量胸部CT上的自动结节体积的前性评估

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CT (LDCT) 对于肺结节的检测至关重要.
• 超低剂量CT (ULDCT) 进一步减少了辐射暴露.
• 评估结节特征和肺RADS分类对于肺癌查至关重要.

研究的目的:

• 评估肺RADS分类和体积结节评估的可行性,使用ULD胸部CT扫描与深度学习图像重建 (DLIR).
• 在ULDCT和LDCT上比较DLIR和传统重建方法之间的图像质量和结节评估性能.

主要方法:

• 对40名接受连续LDCT和ULDCT扫描的患者进行前性研究.
• 使用自适应统计代重建-V 50% (ASIR-V50) 和DLIR.图像进行了重建.
• 进行了主观和客观的图像质量评估.
• 肺结节被评估使用 Lung-RADS 1.1 由读者和计算机辅助检测工具.

主要成果:

• 与ASIR-V50.0相比,DLIR显著改善了LDCT和ULDCT的信号噪声比率.
• 对于ULDCT图像来说,DLIR展示了优越的主观图像质量.
• 对肺-RADS 3-4类结节的观察者敏感性在DLIR-LDCT和DLIR-ULDCT之间是可比的.
• 对≥4毫米结节的计算机辅助检测灵敏度与DLIR-LDCT和DLIR-ULDCT相似.
• DLIR-LDCT和DLIR-ULDCT之间的结节体积差异与扫描内部的差异相当,超过88%的结节显示<25%的体积差异.

结论:

• 在ULDCT图像与LDCT图像相比,DLIR可以实现可行和可比的肺RADS和体积结节评估.
• 在肺癌查CT方案中,DLIR可能有助于进一步减少辐射剂量.