基于深度学习的超分辨率重建对Agatston分数的影响

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 心血管成像 - 心血管成像

背景情况:

• 基于深度学习的超分辨率重建 (DLSRR) 越来越多地用于医学成像.
• 它对诸如心脏CT中的Agatston得分等定量指标的影响尚未完全理解.
• 评估DLSRR对图像质量和冠状动脉 (CAC) 评估的影响对于临床应用至关重要.

研究的目的:

• 评估DLSRR对心脏CT图像质量的影响.
• 为了确定DLSRR对Agatston得分和冠状动脉 (CAC) 量的影响.
• 评估CAC风险分类在DLSRR和传统过后投影 (FBP) 之间的一致性.

主要方法:

• 来自111名患者的心脏CT数据集使用过后投影 (FBP) 和三个DLSRR强度进行了重建.
• 通过测量噪声,SNR,CNR和边缘上升斜率 (ERS) 来评估图像质量.
• 对比了阿加斯顿分数,CAC体积和冠状动脉数据和报告系统 (CAC-DRS) 的分类.

主要成果:

• DLSRR显著降低了图像噪声,并改善了SNR和CNR,在更高强度时效果得到了增强.
• 与FBP相比,DLSRR显著改善了边缘上升斜率 (ERS),但DLSRR的强度没有显著差异.
• 阿加斯顿分数和CAC数量没有受到DLSRR的影响 (p > 0.90).
• 在FBP和DLSRR之间,CAC-DRS分类的一致率高达93%.

结论:

• 通过减少噪音和提高清晰度,DLSRR有效地提高心脏CT图像质量.
• DLSRR不会显著改变Agatston分数或CAC数量,保留定量评估.
• 虽然一致性很高,但DLSRR可能会导致CAC-DRS风险类别中的一些重新分类,需要谨慎的临床实施.