通过深度学习重建改善图像质量 - - 一项对半人类形态的腹部上部幻影的研究

科学领域:

• 医学成像医学成像
• 放射学 放射学是一门学科.
• 图像处理 图像处理

背景情况:

• 计算机断层扫描 (CT) 重建算法旨在平衡图像质量与辐射剂量.
• 过后投影 (FBP) 是一个基本的方法,而代重建 (IR) 提供了改进,但可以引入文物.
• 深度学习重建 (DLR) 是一种新兴的技术,有可能提高图像质量和减少噪音.

研究的目的:

• 为了评估新型深度学习重建 (DLR) 算法的图像质量.
• 为了比较DLR性能与过后投影 (FBP) 和混合代重建 (IR) 在不同的辐射剂量水平.
• 评估在腹部CT成像中使用DLR减少辐射剂量的潜力.

主要方法:

• 在五个剂量级 (5-25 mGy CTDIvol) 中扫描了一种半人形的腹部上部幻体.
• 使用FBP,混合IR (IR50,IR70,IR90) 和DLR (低,中,高强度) 在0.625毫米和2.5毫米切片中重建扫描.
• 分析了图像质量指标,包括CT数,噪声,对比度,CNR,NPS和TTF.

主要成果:

• 在所有重建方法中,CT数量一致.
• DLR显著降低了图像噪声,更高的DLR强度产生了更大的噪声降低.
• 与混合IR不同的是,DLR保留了噪声纹理 (NPS,NTD),DLR显示了与IR50.0相比的35-74%剂量降低的潜力.

结论:

• DLR算法有效地减少噪音,同时保持图像纹理,超越传统IR的限制.
• 在腹部CT中,DLR显示了显著的辐射剂量降低潜力.
• 使用DLR进行薄切片重建可能会带来额外的成像效益.