深度学习图像重建生成更薄的切片图片,具有更好的图像质量,以提高诊断接受度和病变显著性:对腹部双能量CT的前性研究

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 计算成像技术的成像

背景情况:

• 在腹部双能CT (DECT) 中评估较薄切片图的图像质量和诊断接受度.
• 评估深度学习图像重建 (DLIR) 对图像分析的影响.

研究的目的:

• 为了评估图像质量和诊断可接受性的改善,使用DLIR在腹部DECT中生成的薄片地图.
• 为了比较DLIR与传统的自适应统计代重建-V (Asir-V) 用于地图生成.

主要方法:

• 对104名患有136个病变的参与者进行前性研究,他们接受了对比度增强的腹部DECT.
• 使用Asir-V (AV-50) 制作5mm和1.25mm图,使用DLIR (中高强度) 制作1.25mm图.
• 对度 (IC),变化系数 (CV),噪声功率谱 (NPS) 和边缘上升斜率 (ERS) 的定量分析;五名放射科医生对图像质量和损伤明显性的定性评估.

主要成果:

• 与AV-50相比,DLIR重建保持了IC值,并显著降低了CV (p < 0.001).
• 与5毫米AV-50相比,DLIR的噪声和噪声峰值较低 (p < 0.001),边缘上升斜率改善 (p < 0.001).
• 1.25毫米的DLIR-M图像显示出比5毫米和1.25毫米的AV-50图像更高的诊断可接受性和病变明显性 (P < 0.001).

结论:

• 在腹部DECT中,DLIR促进了更薄的切片映射.
• DLIR显著提高了图像质量,诊断可接受性和病变明显性.
• 在腹部DECT成像中,DLIR显示了增强诊断性能的潜力.