低剂量计算机断层扫描与深度学习图像重建在评估肺部亚固体结节的可行性:一个潜在的个体内比较研究

科学领域:

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

背景情况:

• 由于图像噪声,肺部亚固体结节存在诊断挑战.
• 低剂量计算机断层扫描 (LDCT) 旨在减少辐射暴露,但可以增加噪音.
• 深度学习图像重建 (DLIR) 是一种提高LDCT图像质量的新技术.

研究的目的:

• 评估LDCT与DLIR用于肺亚固体结节评估的可行性.
• 为了比较DLIR性能与传统的重建方法在低辐射剂量.
• 为了确定LDCT与DLIR是否可以保持亚固体结节的诊断准确性.

主要方法:

• 对接受标准剂量CT (SDCT) 和LDCT的患者的潜在招募.
• 使用DLIR (高强度和中强度),ASIR-V和FBP重建的LDCT图像.
• 进行了客观的图像质量指标 (噪音,CNR,SNR) 和主观的放射科医生评估.
• 分析了结节检测,错误阳性率和形态特征识别.

主要成果:

• 与SDCT (5.37 mSv) 相比,LDCT的有效剂量显著降低 (0.86 mSv).
• DLIR-H表现出最低的噪音和最高的CNR/SNR,接近SDCT质量.
• 在DLIR-H中,结节 (76.5%) 和形态特征 (79.4%-95.2%) 的检测率很高,假阳性率很低 (2.5%).
• 对于DLIR-H的检测率与ASIR-V-50%相当,但具有更高的图像质量和特征识别.

结论:

• 使用DLIR-H的亚毫西弗特LDCT可用于肺亚固体结节的评估.
• 在不影响诊断图像质量的情况下,DLIR-H可大幅降低辐射剂量.
• 这种技术有望改善亚固体结节的检测和表征.