基于深度学习的第二代超高分辨率重建的诊断价值与盆腔CT的金属工件减少算法相结合

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
• 生物医学工程 生物医学工程

背景情况:

• 在CT扫描中金属植入物会导致人工物,降低图像质量并阻碍诊断.
• 基于深度学习的重建 (DLR) 算法为减少文物提供了潜在的潜力.
• 评估先进的重建技术对于改善骨科植入物患者的诊断准确性至关重要.

研究的目的:

• 评估将第二代基于深度学习的重建 (DLR2) 与金属工件减少 (MAR) 结合用于部植入患者CT图像的有效性.
• 将DLR2+MAR与其他重建方法进行比较,包括第一代DLR (DLR1) 和常规混合代重建 (HIR),两者都使用MAR.
• 评估定量指标和定性读者对图像质量和文物减少的评估.

主要方法:

• 从40名带有金属部植入物的患者CT图像的回顾性分析.
• 使用DLR2+MAR,DLR1+MAR,HIR+MAR和仅使用DLR2进行图像重建.
• 在感兴趣的区域和人工物指数 (AI_肌肉,AI_脂肪) 中对信号与噪声比 (SNR) 的定量分析.
• 由三名放射科医生进行的定性评估,对骨盆结构可视化,人工物减少和诊断可用性进行评分.

主要成果:

• 在所有感兴趣的区域中,DLR2+MAR的标准偏差 (SDs) 与其他MAR组合方法和DLR2-only相比显著较低 (p <0.01-0.02).
• DLR2+MAR产生了肌肉和脂肪的最低人工物指数,显示了与DLR1+MAR相似的结果.
• 放射科医生评价DLR2+MAR在可视化大腿动脉和直肠方面明显高于其他MAR方法 (p <0.01-0.04).
• 对于定性评估,观察到实质性的评价者间一致性 (0.670.77).

结论:

• DLR2和MAR的组合显著提高了金属部植入物患者的CT图像质量.
• 这种先进的重建技术可以改善关键骨盆结构的可视化.
• 与传统和前一代重建方法相比,DLR2+MAR提供了更高的诊断性能.