深度学习图像重建算法的影响图像质量和检测固体肺病变
Joël Greffier1, Maxime Pastor1, Quentin Durand1
1Imagine UR UM 103, université de Montpellier, Department of Medical Imaging, centre hospitalier universitaire de Nîmes, Nîmes, France.
Research in diagnostic and interventional imaging
|June 13, 2025
概括
与代方法相比,深度学习图像重建显著提高了胸部CT图像质量,用于检测固体肺病变. 平滑和平滑的水平为临床后续提供更优质的图像质量.
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
- 诊断成像技术 诊断成像技术
背景情况:
- 代重建算法是胸部CT的标准,但深度学习为增强图像质量提供了潜力.
- 优化图像重建对于准确检测和描述固体肺病变至关重要.
研究的目的:
- 将一个深度学习算法 (Precise Image) 与一个代算法进行胸部CT图像质量和固体肺损伤检测的比较.
- 评估不同深度学习重建级别 (标准,光滑,更光滑) 与代重建 (i4) 的影响.
主要方法:
- 对30名患有固体肺病变的患者的回顾性分析,用i4和精确图像 (标准,光滑,更光滑的水平) 重建.
- 在各种组织和病变中对比度与噪声比率 (CNR) 的定量分析.
- 放射科医生对图像噪声,光滑度,整体质量和使用利克特尺度的诊断信心进行定性评估.
主要成果:
- 深度学习重建 (Smooth,Smoother级别) 与i4和标准深度学习级别相比显著增加了CNR.
- 放射科医生报告说,与i4.4相比,Smooth和Smoother深度学习水平显著降低了图像噪声.
- 使用Smooth和Smoother深度学习重建级别实现了最高的整体图像质量得分.
结论:
- 深度学习图像重建,特别是Smooth和Smoother级别,增强图像质量,并降低在固体肺病变的胸部CT中的噪音.
- 这些先进的深度学习级别适合在固体肺病变的后续成像中临床使用.
