在部CT中检测低对比度损伤:一个多读者研究,比较深度学习,代和过后投影重建,使用现实的幻影
Quirin Bellmann1, Yang Peng1,2, Ulrich Genske1
1Department of Radiology, Charité-Universitätsmedizin Berlin, Corporate Member of Freie Universität Berlin, Humboldt-Universität zu Berlin, and Berlin Institute of Health, Charitéplatz 1, 10117, Berlin, Germany.
European radiology experimental
|July 24, 2024
概括
深度学习重建 (DLR) 与传统方法相比,在部CT扫描中显著改善了病变检测和定位. 此外,DLR还可以有效地降低剂量,而不会影响诊断准确度.
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:
- 计算机断层扫描 (CT) 重建算法提高了图像质量.
- 深度学习重建 (DLR) 显示了改善CT图像质量的前景.
- 对DLR,代重建 (IR) 和过后投影 (FBP) 的比较对于部CT病变检测至关重要.
研究的目的:
- 为了比较DLR,IR和FBP在检测和定位部病变中的有效性.
- 通过不同的重建算法评估不同辐射剂量对病变检测的影响.
- 为了确定DLR是否可以在减少辐射剂量时保持诊断性能.
主要方法:
- 使用320切片CT扫描仪,用6种不同的辐射剂量 (0.55.2mGy) 扫描了9个模拟病变的子幻影.
- 图像使用FBP,IR和DLR算法进行了重建.
- 13名读者使用接收器操作特征 (ROC) 和定位ROC (LROC) 分析评估了病变的检测能力和定位.
主要成果:
- 与IR (0.696) 和FBP (0.671) 相比,DLR显示出更高的损伤检测 (ROC AUC 0.724) 和FBP (0.671).
- 此外,DLR还显示了较好的病变局部化 (LROC AUC 0.407) 与IR (0.338) 和FBP (0.313) 相比.
- 低剂量CT (0.5mGy) 与DLR或IR保持病变检测,与FBP不同,检测受到损害.
结论:
- 深度学习重建显著提高了部CT成像中的病变检测和定位.
- 与IR和FBP相比,DLR提供了更好的诊断性能.
- DLR有助于有效降低辐射剂量,同时保持病变的检测能力.
