在超低剂量胸部计算机断层扫描上检测肺结节,使用深度学习图像重建算法

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 肺部病理学 肺部病理学

背景情况:

• 肺结节需要准确的检测,以便及时诊断和管理.
• 传统的低剂量CT (LDCT) 平衡图像质量与辐射暴露.
• 图像重建方面的进步对于在减少辐射剂量时提高诊断准确度至关重要.

研究的目的:

• 评估超低剂量 (ULD) 胸部CT使用深度学习图像重建 (DLIR) 检测肺结节的诊断准确性.
• 为了比较DLIR在ULD辐射水平上的性能与传统的重建方法.
• 为了评估ULD-CT的辐射剂量与标准LD-CT相比.

主要方法:

• 一项前性横截面研究,涉及60名怀疑或监测肺结节的患者.
• 在同一会议内获得LDCT和ULD胸部CT扫描.
• 使用DLIR和自适应统计代重建-V (ASIR-V) 重建ULDCT数据;用ASIR-V重建LDCT数据.
• 两个读者在ULD图像和一个经验丰富的胸部放射科医生在LDCT图像上检测结节 (参考标准).

主要成果:

• 对ULDCT的有效辐射剂量明显低 (0.13 mSv) 比LDCT (1.16 mSv).
• 与ULD的ASIR-V相比,DLIR显示出更高的图像质量.
• 用ULD CT和DLIR检测肺结节的总体灵敏度为93%和82%的两个读数器,显示与LD CT的良好或出色的一致性.
• 在中叶获得了最高的灵敏度,分别为97%和85%.

结论:

• 带有DLIR的ULD胸部CT可实现高灵敏度的肺结节检测.
• 在超低辐射剂量下,DLIR重建显著提高了图像质量.
• 这种方法对大规模的肺结节查计划具有前景,因为辐射暴露最小.