在脑电脑断层扫描中,供应商不可知深度学习图像的价值:一项多扫描仪研究

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 计算机断层扫描 (CT) 技术

背景情况:

• 无对比的头骨计算机断层扫描 (ncCT) 中的诊断图像质量对于评估轻微的头部创伤至关重要.
• 传统的过后投影 (FBP) 重建方法可能受到图像噪声和文物限制.
• 深度学习 (DL) 算法显示出改善医疗图像重建的前景.

研究的目的:

• 评估一个无关供应商的深度学习 (DLD) 算法对ncCT诊断图像质量的有效性.
• 为了评估五种不同的CT扫描仪的DLD性能.
• 为了将DLD与标准过后投影 (FBP) 重建进行比较.

主要方法:

• 在五台CT扫描仪上对150名轻微头部创伤患者的150个ncCT扫描进行了回顾性分析.
• 图像使用FBP和供应商无关的DLD算法进行了重建.
• 由三个读者 (利克尔特尺度) 进行的主观评估和客观分析 (噪声,CNR,SNR,文物指数).

主要成果:

• 与所有扫描仪 (p<0.05) 的FBP相比,DLD在所有类别 (噪音,GM-WM差异化,文物,清晰度,信心) 中始终表现出优越的主观图像质量.
• 客观分析显示,在所有扫描仪中,DLD显著改善了降噪,CNR,SNR和文物指数 (p<0.001).
• 在对ncCT图像的主观和客观评估中,DLD算法显示出显著的好处.

结论:

• 与FBP相比,与供应商无关的DLD算法显著提高了ncCT扫描的诊断图像质量.
• 这些图像质量的改进,包括在后腔中减少文物,在五种不同的CT扫描仪中都是一致的.
• DLD提供了一种有价值的工具来提高ncCT图像质量,可能有利于老式扫描仪和各种供应商平台.