结合深度学习图像重建和金属人工物减少算法的CT图像质量在不同的扫描条件下对用金属植入物扫描面区域的影响:一个幻影研究

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 图像重建技术 图像重建技术

背景情况:

• 金属文物在CT成像中构成重大挑战,降低图像质量并可能阻碍诊断.
• 传统的图像重建方法难以有效地减轻金属植入物造成的文物.

研究的目的:

• 评估深度学习图像重建 (DLIR) 和金属工件减少 (MAR) 对用金属植入物进行CT图像质量的综合影响.
• 为了比较DLIR和MAR的性能与传统的方法,如过后投影 (FBP) 和自适应的统计代重建 (AV50).

主要方法:

• 使用不同剂量水平 (20/10/5 mGy) 的各种金属植入物进行猪面CT图像.
• 使用FBP,AV50和DLIR (低,中,高水平) 重建的图像.
• 使用标准偏差 (SD),信号与噪声比 (SNR),对比与噪声比 (CNR) 和金属文物指数 (MAI) 的量化图像质量,以及主观放射科医生评估.

主要成果:

• 与非MAR方法相比,MAR在大多数组织中显著降低了文物得分.
• 与FBP和AV50.0相比,DLIR显示了较低的SD,更好的MAI减少,以及改善的SNR/CNR.
• 随着DLIR水平的增加,主观图像质量和文物减少都更好.

结论:

• 在金属植入物存在的情况下,DLIR和MAR算法的组合有效地提高了CT图像质量.
• 与传统的重建方法相比,DLIR提供了卓越的文物减少和图像质量改进.
• 这种综合方法具有显著的临床价值,可以提高金属假肢或植入物患者的诊断准确度.