图像质量和全关节整形术中的金属工件减少CT:基于深度学习的算法与虚拟单能成像和骨科金属工件减少相比

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:

• 来自关节整形术 (THA) 的金属文物显著降低了计算机断层扫描 (CT) 图像质量.
• 对THA患者进行准确的放射性评估对于临床决策至关重要.
• 现有的金属工件减少技术存在局限性.

研究的目的:

• 为了比较基于深度学习的金属工件减少 (DL-MAR) 与传统CT和骨科金属工件减少 (O-MAR) 技术的有效性.
• 为了评估图像质量,金属文物严重性和THA患者的诊断信心.
• 评估不同降噪方法的对比度与噪声比率 (CNR).

主要方法:

• 从28名单边THA患者的CT图像重建使用常规CT图像,130-keV单能图像与O-MAR和没有O-MAR,以及DL-MAR.
• 由两个肌肉骨放射科医生共同评分图像质量,金属文物和诊断信心.
• 测量相关解剖结构 (如膀/脂肪,肌肉/脂肪) 之间的CNR.

主要成果:

• 与没有O-MAR的图像相比,DL-MAR和O-MAR显著减少了金属文物,改善了图像质量和诊断信心 (p < 0.001).
• 与传统CT和130-keV单能图像相比,DL-MAR在图像质量,诊断信心和文物减少 (p ≤0.014) 方面表现优于O-MAR.
• DL-MAR和O-MAR的CNR比没有O-MAR的图像高 (p < 0.001),DL-MAR显示的CNR高于传统和O-MAR增强图像 (p ≤ 0.010).

结论:

• 与传统CT和O-MAR相比,DL-MAR在单边THA患者中提供了优越的图像质量,诊断信心和金属工件减少.
• 基于DL的金属工件减少显示出在骨科成像中临床实施的重大前景.
• DL-MAR通过有效地减轻假肢植入物中的工件来增强放射性评估.