深度学习图像重建低千电子伏特虚拟单能图像在腹部双能CT:中等强度提供更高的损伤明显性

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 在腹部低千电子伏特 (keV) 虚拟单能成像 (VMI) 中进行深度学习图像重建 (DLIR) 的最佳设置需要确定.
• 当前的VMI协议可能无法充分利用腹部成像的先进重建技术.

研究的目的:

• 在腹部低keVVVMI中确定DLIR算法的最佳参数.
• 将DLIR性能与腹部CT扫描的传统重建方法进行比较.

主要方法:

• 在109名参与者的计算机断层扫描 (CT) 扫描中,使用适应性统计代重建 (Asir-V) 和DLIR在40 keV和50 keV的VMI不同强度 (中高) 进行了重建.
• 定量分析包括信号与噪声比 (SNR),对比与噪声比 (CNR),噪声功率频谱 (NPS) 和边缘上升斜率 (ERS).
• 放射科医生评估了图像质量,诊断的可接受性和病变的明显性.

主要成果:

• 与Asir-V相比,DLIR显著降低了所有解剖部位的噪音,并改善了SNR/CNR.
• 40keV VMI显示出比50keV VMI更高的图像清晰度 (ERS).
• 40keV的DLIR-M在诊断接受度和病变明显性方面获得了比DLIR-H.更高的评级.

结论:

• DLIR通过减少噪音,增加清晰度,并提供更自然的纹理来增强腹部VMI,支持40 keV作为新的标准.
• 推使用中强度DLIR (DLIR-M) 设置用于例行腹部VMI,因为其具有卓越的诊断性能.
• 对于腹部低keV VMI 协议来说,DLIR 是一个重要的进步.