计算机断层扫描与深度学习重建中的潜在辐射剂量减少:一项回顾性单心研究

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 计算机断层扫描 (CT) 使用电离辐射,需要剂量减少策略.
• 代重建 (IR) 算法改善了CT图像质量和剂量效率.
• 深度学习重建 (DLR) 是CT图像重建的新方法.

研究的目的:

• 评估深度学习重建 (DLR) 在常规临床CT扫描中减少辐射剂量的有效性.
• 将DLR实现的图像质量与传统代重建 (IR) 方法进行比较.
• 评估DLR性能在各种CT成像协议中的一致性.

主要方法:

• 一个回顾性单心研究,涉及13060名接受CT扫描的患者.
• 使用DLR (CT-DLR) 与IR (CT-IR) 算法重建的CT扫描的比较.
• 通过对200名患者的亚样本进行信号与噪声和对比与噪声比率的定性评估和定量测量来评估图像质量.

主要成果:

• 与CT-IR相比,CT-DLR观察到约20%的总辐射剂量减少.
• 具体剂量减少包括胸部CT的22%,CAP瘤的21%,下肢CTA的20%,头部CT的19%.
• CT-DLR组表现出优越的主观和客观图像质量.

结论:

• 深度学习重建 (DLR) 能够在CT成像中显著减少辐射剂量.
• 与代重建 (IR) 算法相比,DLR实现了更高的图像质量.
• 在多个协议中DLR的一致性能支持其更广泛的临床采用,以提高患者安全.