基于深度学习的初级肝癌病变的计算机断层扫描图像质量的评估分析图像重建
Yan Sun1, De-Zheng Sun1, Chun-Lei Han1
1Department of Radiology, Qingdao Municipal Hospital, Qingdao, Shandong 266011, China.
Current medical imaging
|February 23, 2024
概括
深度学习图像重建 (DLIR) 在初级肝癌患者中显著降低了对比度增强CT图像噪声. 与传统方法相比,DLIR提供了较好的病变结构可视化.
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:
- 腹部多切片螺旋计算断层扫描 (CT) 具有对比度增强是一种标准的临床工具.
- 评估原发性肝癌需要高质量的动态对比增强CT成像.
研究的目的:
- 评估深度学习图像重建 (DLIR) 对初级肝癌动态对比增强CT成像质量的影响.
- 将DLIR与过后投影 (FBP) 和自适应统计代重建-V (ASIR-V) 进行比较.
主要方法:
- 在48名肝癌患者中评估了图像噪声,病变结构和诊断信心.
- 计算了信号与噪声比率 (SNR) 和对比信号与噪声比率 (CNR).
- 图像噪声是用右侧脊柱肌肉的标准偏差 (SD) 来测量的.
主要成果:
- DLIR在图像噪声评估方面表现出很高的一致性 (卡帕 = 0.717).
- DLIR在显示病变边缘,内部结构和提高诊断信心方面表现出卓越的表现.
- 在重建方法中观察到SD,SNR和CNR的统计学上显著差异.
结论:
- 深度学习图像重建 (DLIR-H) 在原发性肝癌门静脉阶段显著降低了对比度增强CT图像噪声.
- 与ASIR-V和FBP相比,DLIR提供了优越的损伤结构显示.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.8K
09:49Dual-phase Cone-beam Computed Tomography to See, Reach, and Treat Hepatocellular Carcinoma during Drug-eluting Beads Transarterial Chemo-embolization
Published on: December 2, 2013
10.3K
