基于深度学习的头部和部计算机断层扫描骨移除血管学:与传统算法进行比较研究
Jie Gao1, Yicun Zhang2, Beibei Shao2
1School of Computer Science, Zhengzhou University of Aeronautics, Zhengzhou, China.
Quantitative imaging in medicine and surgery
|November 10, 2025
概括
一种新的深度学习算法显著改善了头部和部CT血管造影 (CTA) 中的骨去除,提高了图像质量,并使辐射剂量降低,特别是在100kVp.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 头部和部计算机断层扫描血管造影 (CTA) 由于邻近的结构,在骨去除方面存在挑战.
- 传统的骨移除技术往往无法满足临床诊断需求.
- 精确的骨摘除对于复杂解剖区域的有效诊断至关重要.
研究的目的:
- 评估一个新的基于深度学习的头部和部CTA的骨去除算法.
- 为了比较其性能与传统方法在图像质量和辐射剂量方面.
- 为了评估算法的有效性在不同的管电压设置 (100和120kVp).
主要方法:
- 一个单一中心随机对照试验,涉及119名患者接受头CTA.
- 患者被随机分配到100kVp或120kVp的协议.
- 图像使用常规和深度学习 (基于CNN) 算法进行处理.
- 盲目放射科医生使用利克尔特尺度评估图像质量;记录了辐射剂量.
主要成果:
- 与传统方法相比,深度学习算法显示出明显优异的图像质量 (骨移除,血管完整性) (P<0.001).
- 在100kVp的深度学习算法下,与120kVp (P=0.002) 相比,观察到更高的骨移除得分.
- 较低的辐射剂量 (CTDIvol) 在100kVp (8.4±0.9mGy) 与120kVp (12.5±1.2mGy) (P<0.001) 之间实现.
结论:
- 基于CNN的骨移除算法显著增强了头部和部CTA中的血管可视化.
- 该算法在100kVp时性能最佳,在减少辐射暴露的情况下提供更高的精度.
- 建议将其整合到临床工作流程中,以改善脑血管诊断.
