"超分辨率"深度学习图像重建在动态心肌输液:图像质量和血液动力学参数的前性评估

科学领域:

• 心血管成像 - 心血管成像
• 医学物理 医学物理
• 人工智能在医学中的应用

背景情况:

• 动态心肌计算机断层扫描 (CT) 输液对于评估冠状动脉疾病至关重要.
• 传统的图像重建方法,如过后投影 (FBP) 和混合代重建 (IR),可以通过图像噪声和低于最佳的信号对噪声比率 (SNR) 来限制.
• 深度学习重建 (DLR) 技术为CT应用提供了潜在的图像质量改进.

研究的目的:

• 评估超分辨率深度学习重建 (SR-DLR) 对动态心肌CT perfusion 图像质量和心肌动力学参数的影响.
• 将SR-DLR与传统的过后投影 (FBP),混合代重建 (IR) 和正常分辨率深度学习重建 (NR-DLR) 进行比较.

主要方法:

• 一项前性单中心研究包括25名接受动态心肌CT输液的患者.
• 图像噪声,信号与噪声比率 (SNR) 和对比与噪声比率 (CNR) 被量化评估.
• 在四种重建方法中分析了整体图像质量,病变可见性,心肌血流 (MBF) 和冠状动脉流量储备 (CFR):FBP,混合IR,NR-DLR和SR-DLR.

主要成果:

• 与FBP,混合IR和NR-DLR相比,SR-DLR在休息和应力成像中显示出显著较低的图像噪声和更高的SNR和CNR (P < 0.001).
• 定性分析显示,SR-DLR实现了最高的整体图像质量和病变可见性,优于FBP,与混合IR和NR-DLR相比.
• 在重建方法之间没有观察到冠状动脉流量储备 (CFR) 的统计学上显著差异.

结论:

• 超分辨率深度学习重建 (SR-DLR) 通过减少噪音和改善SNR和CNR,显著提高动态心肌CT输液中的图像质量.
• SR-DLR保持了准确的血液动力学量化,与其他重建方法相比.
• 无论是SR-DLR还是正常分辨率深度学习重建 (NR-DLR),都为心肌CT输液成像提供了显著的图像质量改进.