来自患者的PixelPrint幻影用于评估深度学习CT重建算法的临床成像性能
Jessica Y Im1,2, Sandra S Halliburton3, Kai Mei1
1Department of Radiology, University of Pennsylvania, Philadelphia, PA, United States of America.
Physics in medicine and biology
|April 11, 2024
概括
深度学习重建 (DLR) 显著改善CT图像质量,使得辐射剂量大幅减少. 一个新的3D打印的肺幻影验证了DLR的有效性.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是指放射学
- 人工智能在医学中的应用
背景情况:
- 深度学习重建 (DLR) 算法具有对象依赖性性能,挑战了传统的幻影评估.
- 现有的CT幻影可能无法准确地代表DLR的临床成像场景.
研究的目的:
- 为了评估商业DLR算法使用患者衍生的3D打印肺幻影.
- 评估DLR在各种辐射剂量水平和幻影尺寸的性能.
- 将DLR与传统的重建方法 (FBP,代重建) 进行比较.
主要方法:
- 使用PixelPrint技术创建了一个具有现实病理 (磨砂玻璃不透明度) 的3D打印肺幻影.
- 用常规CT扫描仪进行扫描,剂量从0.5到20mGy不等.
- 图像使用FBP,代重建和DLR重建,并使用五个无声化级别重建.
主要成果:
- 在所有图像质量指标 (噪音,CNR,RMSE,SSIM,MS SSIM) 中,DLR的表现优于FBP和代重建.
- DLR表现出优越的性能,增加了无声化水平.
- 估计DLR的剂量减少在25%-83%之间,而不会影响图像质量.
结论:
- 在显著降低的辐射剂量 (高达83%的辐射剂量) 中,DLR可以实现诊断图像质量.
- 像素打印幻影提供了一个比传统幻影更现实的评估环境.
- DLR提高了低剂量CT扫描的临床效用.
更多相关视频
08:41Patient-Specific Polyvinyl Alcohol Phantom Fabrication with Ultrasound and X-Ray Contrast for Brain Tumor Surgery Planning
Published on: July 14, 2020
8.5K
06:33Construction of a Preclinical Multimodality Phantom Using Tissue-mimicking Materials for Quality Assurance in Tumor Size Measurement
Published on: July 29, 2013
11.3K
