评估深度学习重建在减少辐射剂量的有效性,用于肝脏瘤的计算机辅助体积测量:一个幻影研究

科学领域:

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

背景情况:

• 准确的肝脏瘤体积测量对于治疗监测至关重要.
• 存在各种CT重建算法,每个算法都可能对图像质量和测量准确性产生影响.
• 在剂量减少场景下评估这些算法对于临床实践至关重要.

研究的目的:

• 为了比较不同CT重建方法的辐射剂量降低能力.
• 通过计算机辅助体积测量 (CAD v) 软件在这些方法中评估肝脏瘤测量的准确性.
• 在幻影研究中评估过后投影 (FBP),混合类型的代重建 (IR),基于模式的代重建 (MBIR) 和深度学习重建 (DLR).

主要方法:

• 一个人形的腹部幻影被扫描在不同的管电流 (600100 mA).
• 使用FBP,混合型IR,MBIR和DLR重建扫描.
• 测量信号与噪声比率 (SNR) 和瘤体积 (V),并进行统计比较.

主要成果:

• 在MBIR和DLR中,SNR显著高于FBP和混合型IR.
• 在动脉阶段,DLR在降低剂量 (100mA) 时实现了显著较小的平均体积差异.
• 与FBP相比,混合型IR,MBIR和DLR在门静脉阶段在100mA时显示出明显较小的体积差异.

结论:

• 重建方法显著影响腹部CT中的CADv性能,特别是在减少辐射剂量的情况下.
• 深度学习重建 (DLR) 显示出与FBP,混合型IR和MBIR相比,具有更优质的图像质量和更准确的CADv测量的潜力.
• DLR是一种有前途的剂量降低技术,同时保持肝脏瘤体积的诊断准确性.