使用人工智能技术的肺结节检测程序应用于超低剂量CT:各种图像重建方法之间检测能力的差异

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 超低剂量CT (ULDCT) 减少了辐射暴露,但可能会损害图像质量.
• 精确的肺结节检测对于早期肺癌诊断至关重要.
• 人工智能 (AI) 显示出改善医学成像中结节检测的前景.

研究的目的:

• 在ULDCT中评估AI肺结节检测程序的性能.
• 评估不同图像重建方法对AI检测准确性的影响.

主要方法:

• 使用ULDCT协议扫描了带有人工固体和地面玻璃结节 (GGNs) 的胸部幻影.
• 用过后投影 (FBP),混合代重建 (HIR),基于模型的代重建 (MBIR) 和深度学习重建 (DLR) 来重建图像.
• 一个人工智能程序检测到结节,并在重建方法和剂量水平上分析了性能.

主要成果:

• 过后投影 (FBP) 在最低剂量时产生了0%的检测率.
• 混合代重建 (HIR) 和深度学习重建 (DLR) 实现了100%的固体结节≥5mm和GGN≥8mm的检测.
• 没有任何方法检测到3毫米的GGN;DLR显示了最高的检测率,并保持了超低剂量的图像质量.

结论:

• 在ULDCT中基于AI的肺结节检测受到所选择的图像重建技术的显著影响.
• 深度学习重建 (DLR) 在ULDCT中为AI驱动的结节检测提供了卓越的性能.
• 对最佳重建方法的进一步研究对于最大限度地提高ULDCT肺癌查中的AI有效性至关重要.