基于深度学习的图像重建对冠状动脉评分的定量结果的影响

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 心血管成像 - 心血管成像

背景情况:

• 冠状动脉评分 (CACS) 对心血管风险评估至关重要.
• 传统的图像重建方法,如过后投影 (FBP),在图像噪声和辐射剂量方面存在局限性.
• 基于深度学习的图像重建 (DLIR) 是一种新兴的技术,有可能提高图像质量并减少辐射暴露.

研究的目的:

• 评估DLIR对CACS定量准确性的影响.
• 评估在CACS程序中使用DLIR减少辐射剂量的可行性.

主要方法:

• 以FBP,自适应统计代重建 (ASiR-V) 和不同强度的DLIR重建的100名患者CACS扫描的回顾性分析.
• 使用人形胸部幻影的幻影研究,以评估不同辐射剂量和DLIR强度的CACS量化.
• 通过不同重建技术和辐射剂量的CACS量化,与以标准剂量为参考的FBP进行比较.

主要成果:

• 与ASiR-V相比,DLIR导致Agatston分数的低估程度较小.
• 在幻影研究中,中强度的DLIR与50%的剂量减少,高强度的DLIR与75%的剂量减少产生了与标准剂量FBP可比的CACS结果.
• 量化CACS结果随着辐射剂量减少而增加,随着DLIR强度增加而减少.

结论:

• 与FBP相比,DLIR提供了较为温和的CACS低估,而ASiR-V则与FBP相比较.
• DLIR可以有效地减轻与减少辐射剂量相关的图像噪声和分数的增加.
• 在不影响定量准确性的情况下,DLIR有望在CACS研究中实现显著的辐射剂量减少.