应用深度学习重建与时间解析后处理方法相结合,以改善来自低剂量脑CT输液数据的CTA图像质量
Jiajing Tong1, Tong Su1, Yu Chen2
1Department of Radiology, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences & Peking Union Medical College, No.1 Shuaifuyuan, Dongcheng District, Beijing, 100730, China.
BMC medical imaging
|April 29, 2025
概括
深度学习重建 (DLR) 以时间解析的最大强度投影 (tMIP) 或平均 (tAve) 显著降低CT肺血管造影 (CTA) 中的辐射剂量,同时提高图像质量. 这种组合可以提高脑电图输液 (CTP) 扫描的诊断准确度.
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:
- 大脑计算机断层扫描输液 (CTP) 对于诊断脑血管疾病至关重要.
- 优化CTP协议以减少辐射剂量,同时保持诊断图像质量是一个持续的挑战.
- 深度学习重建 (DLR) 和先进的后处理技术为低剂量CTP成像提供了潜在的解决方案.
研究的目的:
- 评估将深度学习重建 (DLR) 与时间解析最大强度投影 (tMIP) 或时间解析平均值 (tAve) 结合对来自低剂量脑CTP的CT血管造影 (CTA) 图像质量的影响.
- 在低剂量CTP协议中,将DLR增强的CTA与传统混合代重建 (HIR) 的有效性进行比较.
主要方法:
- 追溯招募60名患者,分为用R-HIR重建的定期剂量CTP组 (A组,n=30) 和低剂量CTP组 (B组,n=30).
- 在B组中,生成了四个CTA数据集:L-HIR,L-DLR,L-DLRtMIP和L-DLRTtAve.
- 定量分析包括CT衰减,图像噪声,信号噪声比 (SNR),对比噪声比 (CNR) 和主观图像质量评估. 类内相关性 (ICC) 用于比较CTA和MRA.
主要成果:
- 低剂量的CTP实现了与常用剂量的CTP相比,单次峰值动脉阶段减少33%,总辐射剂量减少18%.
- 在血管中,L-DLRtMIP显示CT值高于R-HIR (P<0.05).
- 与R-HIR相比,L-DLRtMIP和L-DLRTtAve的图像噪声明显降低,CNR更高,主观图像质量得分优越 (CNR的P<0.05,主观得分的P<0.001).
- 在低剂量组 (B组) 的诊断准确性很好 (ICC = 0.944).
结论:
- 将DLR与tMIP或 tAve后处理相结合,可以有效地将CTP中的辐射剂量降低约18-33%.
- 与传统的HIR相比,这种方法显著提高了来自低剂量CTP数据的CTA图像质量.
- 这些发现支持使用DLR与tMIP/tAve用于低剂量CTP协议,提供更好的图像质量和诊断信心.
