适应性统计代重建-V算法和深度学习图像重建算法的对COPD患者在超低剂量条件下的图像质量和肺气量化的影响

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:

• 慢性阻塞性肺病 (COPD) 管理依赖于精确的成像来评估肺气.
• 超低剂量CT (ULDCT) 扫描减少了辐射暴露,但可能会损害图像质量和量化.
• 先进的重建算法对于优化ULDCT性能至关重要.

研究的目的:

• 评估不同重建算法 (ASIR-V和DLIR) 对图像质量的影响.
• 用ULDCT评估COPD患者肺气量化的准确性.
• 将ULDCT重建技术与标准剂量CT (SDCT) 进行比较.

主要方法:

• 一项前性研究包括62名COPD患者接受PFT,SDCT和ULDCT.
• 使用过后投影 (FBP),ASIR-V (30-90%),以及DLIR (低,中,高强度) 重建ULDCT图像.
• 图像噪声,肺体积 (LV),肺气泡指数 (EI),平均肺密度 (MLD) 和肺密度的第15百分位 (PD15) 被测量和比较.

主要成果:

• 与SDCT相比,ULDCT实现了93.8%的辐射剂量减少.
• 90%的ASIR-V和中强度DLIR (DLIR-M) 的ULDCT显示了与SDCT-FBP相比较的图像噪声和EI/PD15值.
• DLIR-M重建结果显示EI和肺功能测试 (PFT) 索引之间的最佳相关性,与SDCT-FBP的偏差最小.

结论:

• 对于COPD患者来说,DLIR-M重建在ULDCT中提供了优越的图像质量和肺气量化.
• ULDCT与DLIR-M重建相结合是用于定量肺瘤分析的SDCT的可行替代方案.
• 这种方法提高了诊断准确度,同时显著降低了辐射剂量.