基于深度学习的图像重建对肝转移的损伤相关性在比较前后增强计算机断层扫描中的影响

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
• 瘤成像学成像学

背景情况:

• 准确检测肝转移对于患者管理至关重要.
• 传统的混合代重建 (IR) 方法在可视化小病变方面可能存在局限性.
• 深度学习图像重建 (DLIR) 提供了改善图像质量和诊断性能的潜力.

研究的目的:

• 评估深度学习图像重建在中 (DLIR-M) 和高 (DLIR-H) 强度水平对划分肝转移的有效性.
• 为了比较DLIR性能与传统混合IR方法在前后对比CT扫描中的性能.
• 评估放射科医生在诊断肝转移时对不同的重建技术的偏好.

主要方法:

• 对41名肝转移患者腹部CT扫描的回顾性分析.
• 使用混合IR (ASiR-V 50%),DLIR-M (TrueFildelity-M) 和DLIR-H (TrueFildelity-H) 来重建原始CT数据.
• 由三名经验丰富的放射科医生使用5分尺度和偏好选择对病变显著性的定性评估.

主要成果:

• 在三名观察者中,DLIR-H和DLIR-M在两名观察者中显示,在对比前CT中,损伤明显度得分明显高于混合IR.
• 对于三名观察者中的两名,DLIR-H在对比后CT上取得了明显高于DLIR-M的可见性得分.
• 所有观察者都更喜欢DLIR-H用于对比后CT的肝转移诊断,但对比前CT的偏好各不相同.

结论:

• 深度学习图像重建,特别是DLIR-H,增强了CT上肝转移的明显性,特别是在对比后成像中.
• 在对比CT肝转移后的CT肝转移评估中,DLIR-H表现优于DLIR-M和混合IR.
• 虽然DLIR显示出有希望的结果,但需要进一步的研究来优化其在肝转移检测前对比CT中的效用.