使用低剂量CT与基于深度学习的降噪和CT脂肪分数分析软件的自动肝硬化量化

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:

• 肝硬化症量化对于患者管理至关重要.
• 当前CT衍生脂肪分数 (CDFF) 软件的准确性可能会受到辐射剂量的影响.
• 深度学习 (DL) 在改善医学成像中的图像质量和定量分析方面表现有前途.

研究的目的:

• 评估CDFF软件在不同辐射剂量下量化肝硬化症的准确性.
• 评估DL-based noise reduction (DLDR) 对低剂量CT (LDCT) 扫描中CDFF精度的影响.
• 将CDFF精度与MRI衍生的质子密度脂肪分数 (MRI-PDFF) 作为参考标准进行比较.

主要方法:

• 对125名肝脏供体候选人的回顾性分析,CT和MRI数据没有对比.
• 在全剂量和模拟的LDCT扫描 (50%,25%,10%剂量) 上进行了CDFF测量.
• 使用DLDR对LDCT扫描进行CDFF重新计算;使用Pearson相关性和ROC分析对MRI-PDFF进行准确性评估.

主要成果:

• 全剂量CDFF显示与MRI-PDFF的中等相关性 (r=0.728).
• 与较低剂量相关性下降,但与DLDR应用改善 (r=0.725-0.736).
• 在使用DLDR时,全剂量CDFF的ROC AUC用于肝肥胖症诊断为0.82,在使用DLDR时,在降低剂量下 (除10%外) 的持续性能为0.82.

结论:

• 对于肝硬化症量化的CDFF准确性是剂量依赖的,在较低的辐射水平下降.
• 在降低辐射剂量的情况下,DLDR显著提高了CDFF的准确性,保持了高诊断性能.
• 通过DLDR,可以减少患者的辐射暴露,同时确保可靠的肝硬化评估.