使用深度学习重建的低剂量CT图像质量的定量评估:对Philips精确图像和GE TrueFidelity进行比较研究

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 医疗保健中的人工智能

背景情况:

• 在CT扫描中减少辐射暴露对于患者的安全至关重要,特别是在例行和重复成像中.
• 深度学习图像重建 (DLIR) 为在减少辐射剂量时保持诊断图像质量提供了一个有希望的解决方案.

研究的目的:

• 为了比较两种领先的DLIR算法的性能,飞利浦精确图像 (PI) 和GE真实效率 (TF),在低剂量CT条件下.
• 评估不同DLIR预设在保护图像质量和诊断信息方面的有效性.

主要方法:

• 在飞利浦CT5300和GE革命CT扫描仪上使用低剂量80kVp协议扫描了AAPM CIRS-610幻影.
• 用五个DLIR预设重建图像:PI (更光滑,标准,更清晰) 和TF (中,高).
• 评估使用了包括SNR,CNR,nRMSE,PSNR,SSIM,FSIM,UQI,GMSD和梯度大小在内的定量指标.

主要成果:

• 通用电气TrueFidelity (TF) -High显示了最高的信号与噪声比率 (SNR),比飞利浦精确图像 (PI) -Smoother.com提高了54-57%.
• TF-High还实现了优异的峰值信号与噪声比率 (PSNR) 和最低的几何平均平方差 (GMSD),表明结构保存更好.
• 飞利浦精确图像 (PI) -Sharper提供了最强的梯度大小,有效地增强了细节的边缘细节.

结论:

• 在低剂量CT成像中,GE TrueFidelity (TF) -High提供了降噪和结构保真之间的最佳平衡.
• 飞利浦精确图像 (PI) -Sharper是有效的突出细节,当边缘增强是优先考虑.
• 选择DLIR算法和预设应根据低剂量CT协议的特定临床要求进行量身定制.