提高内动脉瘤的图像质量和诊断信心,通过深度学习重建在内CT血管学中进行内CT血管学

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 脑血管疾病 脑血管疾病

背景情况:

• 深度学习 (DL) 对计算机断层扫描 (CT) 重建在识别内动脉瘤 (IA) 的诊断实用性尚未得到充分证实.
• 目前使用标准CT血管造影 (CTA) 重建方法对IA的诊断信心需要进一步评估.

研究的目的:

• 为了比较使用深度学习训练算法 (DELTA) 检测IA的图像质量和诊断信心,与椎CT血管学 (CTA) 中的混合代重建 (HIR) 相比.
• 量化DELTA和HIR重建之间的噪声,信号与噪声比率 (SNR) 和对比与噪声比率 (CNR) 的差异.

主要方法:

• 对60名被诊断为AI的患者进行了回顾性分析,这些患者接受了骨CTA.
• 使用DELTA和HIR技术进行图像重建.
• 图像质量的客观评估 (噪音,SNR,CNR) 和两个放射科医生的主观评估 (噪音,清晰度,血管可见性,化明显性,整体质量,IA大小的诊断信心).

主要成果:

• 与HIR相比,DELTA重建显示噪声明显降低,SNR和CNR较高 (P<0.05).
• 两位读者在所有主观质量指标和IA检测的诊断信心方面都对DELTA图像进行了更高的评级 (P < 0.05).
• 在DELTA重建的较小IA (≤3毫米) 中,诊断信心显著更高.

结论:

• 经过深度学习训练的算法 (DELTA) 显示出显著的潜力,可以提高骨CTA的图像质量.
• 德尔塔重建改善了对内动脉瘤的诊断信心,特别是较小的动脉瘤.
• 德尔塔可能是常规的骨关节CTA应用的宝贵工具,有助于更准确的IA诊断.