基于深度学习的图像重建对瘤可见性和计算机断层扫描诊断信心的影响
Marie Bertl1, Friedrich-Georg Hahne1, Stephanie Gräger1
1Department of Radiology, Jena University Hospital, Friedrich Schiller University, 07747 Jena, Germany.
Bioengineering (Basel, Switzerland)
|January 8, 2025
概括
深度学习图像重建 (DLIR) 显著提高了用于瘤分期的计算机断层扫描 (CT) 图像质量. 所有经验水平的放射科医生都发现DLIR在诊断任务中优越,显示了其在改善临床CT成像方面的潜力.
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:
- 深度学习图像重建 (DLIR) 显示了增强计算机断层扫描 (CT) 图像质量的前景.
- 它对瘤可见性的影响和在不同放射科医生经验水平的采用需要进一步调查.
研究的目的:
- 为了比较DLIR和其他重建方法 (Pixelshine,ASIR-V,FBP) 在对比增强CT瘤分期中的性能.
- 为了评估放射科医生的感知和诊断性能在不同的经验水平.
主要方法:
- 使用DLIR,Pixelshine,ASIR-V和FBP重建了33个对比增强CT检查.
- 测量了信号与噪声比率 (SNR) 和对比度与噪声比率 (CNR).
- 20-24名放射科医生参与了盲目调查,对重建进行了排名,并评估了图像质量和诊断确定性.
主要成果:
- 在SNR,CNR,图像质量和诊断确定性方面,DLIR始终优于所有其他方法.
- 像素光的性能仅与ASIR-V的50%可比.
- 在初级和高级放射科医生之间,在绩效评估中没有发现显著差异.
结论:
- DLIR技术为临床CT瘤分期提供了卓越的图像质量和诊断能力.
- DLIR有可能在CT成像中制定新的标准,并无地融入临床工作流程.
- 放射科医生不需要广泛的学习曲线才能有效地利用DLIR.


