基于深度学习的虚拟单能图像的图像质量评估来自单能CT肺血管图像

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 心血管成像 - 心血管成像

背景情况:

• 低keV虚拟单能 (VME) 图像可以增强CT血管造影,但通常需要双能CT (DECT).
• 深度学习 (DL) 提供了一种从单能CT (SECT) 生成VME图像的潜在方法,扩大了临床可访问性.
• 之前对基于DL的VME进行肺血管造影的评估是有限的.

研究的目的:

• 评估DL生成的VME图像的客观和主观图像质量,用于CT肺血管造影.
• 在临床环境中,将从SECT获得的DL-VME图像与标准SECT进行比较.

主要方法:

• 进行了对52个SECT肺血管造影数据集的回顾性分析.
• 一个深度学习模型 (Deep-En-Chroma DL) 从SECT数据生成了40keV的VME图像.
• 两位放射科医生评估了主观图像质量和容器模糊;客观指标包括容器对比度和对比度与噪声比率 (CNR).

主要成果:

• DL-VME图像显示主观图像质量和容器模糊度得分明显高于SECT (P≤0.008).
• DL-VME显示出优异的栓塞对比 (1085对331 HU,P<0.001) 和改善的CNR (17.8对11.1,P<0.001).
• 性能在各种患者和扫描器变量中是一致的,VME对更轻和更重的患者都显示出好处.

结论:

• 来自SECT的40 keV DL-VME图像有效地提高了CT肺血管图像中的血管模糊和图像质量.
• 与SECT相比,DL-VME的图像质量优势在各种采集参数和患者特征中是强大的和一致的.