计算机断层扫描在深度学习中的有效剂量和图像质量 密集护理患者的图像重建与代算法相比

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
• 诊断成像技术 诊断成像技术

背景情况:

• 深度学习图像重建 (DLIR) 使用卷积神经网络 (CNN) 来进行CT图像重建.
• DLIR的目标是达到非常低的噪音水平,即使在减少辐射剂量时也是如此.
• 目前的CT重建方法包括过后投影 (FBP) 和代重建 (IR).

研究的目的:

• 评估DLIR是否降低了重症监护室 (ICU) 患者的CT有效剂量 (ED).
• 为了比较DLIR和FBP/IR算法之间的CT图像质量,特别是噪声和信号噪声比 (SNR).
• 评估DLIR在临床ICU环境中的整体性能.

主要方法:

• 连续30天内接受对比度增强的胸部/腹部CT扫描的ICU患者的回顾性分析.
• 用DLIR重建的扫描与FBP或IR算法 (ADMIRE,AIDR 3D) 的比较.
• 使用威尔科克森测试 (p < 0.05) 的辐射ED,图像噪声和SNR的统计比较.

主要成果:

• 与FBP相比,DLIR显著降低了有效剂量 (ED) (18.45 ± 13.16 mSv与22.06 ± 9.55 mSv相比,p < 0.05).
• 与FBP,ADMIRE和AIDR3D相比,DLIR显著降低了图像噪声 (8.45 ± 3.24对比14.85 ± 2.73,14.77 ± 32.77,11.17 ± 32.77,p < 0.05).与FBP,ADMIRE和AIDR3D相比,DLIR显著降低了图像噪声 (8.45 ± 3.24对比14.85 ± 2.73,14.77 ± 32.77,11.17 ± 32.77,p < 0.05).
• 与FBP,ADMIRE和AIDR3D相比,DLIR显著增加了SNR (11.53 ± 9.28与3.99 ± 1.23,5.84 ± 2.74,3.58 ± 2.74,p <0.05).与FBP,ADMIRE和AIDR3D相比,DLIR显著增加了SNR (11.53 ± 9.28与3.99 ± 1.23,5.84 ± 2.74,3.58 ± 2.74,p <0.05).

结论:

• 对于ICU患者来说,DLIR提供了降低的CT有效剂量.
• 通过减少噪声和增加SNR,DLIR显著提高了CT图像质量.
• DLIR代表了CT重建的宝贵进步,以提高重症监护机构的诊断准确性.