基于深度学习的像素闪烁算法对高体质量指数患者低剂量腹部CT平扫图像质量的影响

目的探讨基于深度学习的像素闪烁(PS)算法对体质量指数(BMI)≥25kg/m^2患者低剂量腹部CT平扫图像质量的影响。方法选取59例接受腹部CT检查、BMI≥25kg/m^2的患者,根据管电压分为A组(100kVp,n=30)和B组(120kVp,n=29)。根据不同重建算法和处理方式,将A组分为A1亚组(FBP)、A2亚组(FBP+PS)、A3亚组(50%ASiR-V)和A4亚组(50%ASiR-V+PS);将B组分为B1亚组(FBP)和B2亚组(50%ASiR-V)。测量2组肝右叶、右侧竖脊肌CT值及SD值,计算肝脏SNR、CNR及容积CT剂量指数(CTDI_(vol)),评价2名观察者间所测数值的一致性。结果 2名观察者所测数据的一致性良好(ICC值均>0.80)。A组各亚组间肝脏及竖脊肌CT值差异无统计学意义(P>0.05);肝脏及竖脊肌SD值、肝脏SNR值差异有统计学意义(P均<0.001);两两比较SD_(A4)<SD_(A2)<SD_(A3)<SD_(A1),SNR_(A4)>SNR_(A2)>SNR_(A3)>SNR_(A1);A1与A3亚组间CNR值差异无统计学意义(P=0.078),其余亚组间两两比较CNR_(A4)>CNR_(A2)>CNR_(A3)或CNR_(A1)(P均<0.001)。A2亚组肝脏SD值较B1亚组、A4亚组较B2亚组明显降低,SNR及CNR值明显增高(P均<0.001)。A组CTDI_(vol)明显低于B组(P均<0.001)。结论采用基于深度学习的PS算法可改善高BMI患者低剂量腹部CT平扫图像质量。

80 kVp联合像素闪烁算法在直接法下肢静脉CT血管成像中的应用

目的:评价80k Vp联合像素闪烁(pixel shine,PS)算法在直接法下肢静脉CT血管成像的辐射剂量和图像质量。方法:采用直接法下肢静脉CT血管成像,将41例临床诊断为下肢静脉曲张患者随机分为实验组(80 k V)和对照组(100 k V),对照组采用滤波反投影(filtered back projection,FBP)算法重建,实验组采用PS算法重建。比较2种成像技术的容积CT剂量指数(CTDIvol)和剂量面积乘积(DLP)。分别选取腰5锥体层面图像、股骨头层面图像和腘窝层面图像,由2名放射科医师对以上图像的图像质量和噪声做主观评分,并测量、计算静脉血管CT值、图像噪声、信噪比(signal-to-noise ratio,SNR)和对比噪声比(contrast-to-noise ratio,CNR)。结果:实验组的CTDIvol和DLP明显低于对照组(t=-89.95,P<0.01;t=-35.83,P<0.01);2名医师的主观图像质量评价的一致性较好(κ=0.78,P<0.01),2组图像主观质量评分在下腔静脉、股静脉和腘静脉的差异均无统计学意义(P=0.17,P=0.92,P=0.75);2组患者在图像噪声方面无统计学差异,但在血管CT值、SNR和CNR上,实验组明显高于对照组(均P<0.01)。结论:80kVp联合像素闪烁算法可以常规在直接法下肢静脉CT血管成像中使用,降低辐射剂量,提高血管增强CT值、SNR和CNR。

应用像素闪耀算法提升重建腹部动脉期CT图像质量

目的探讨基于深度学习的去噪声算法——像素闪耀(PixelShine)算法提升70 kVp结合自适应统计迭代重建算法(ASiRV)重建的腹部动脉期CT图像质量的可行性。资料与方法回顾性分析经GE Revolution CT扫描的33例患者[体重指数(BMI)≤20 kg/m^2]的腹部动脉期图像(A组),采用70 kVp管电压、50%ASi R-V技术。应用PixelShine算法B2模式对A组图像进行后处理,获得PixelShine图像(B组)。2名观察者分别对A、B组图像质量进行5分制评分,分析2名观察者评分结果的一致性,比较两组图像的评分差异、噪声以及肝脏与胰腺实质的信噪比(SNR)及对比噪声比(CNR)的差异。结果 A、B两组图像质量评分分别为(3.12±0.33)分、(3.97±0.53)分,噪声值分别为(14.50±1.42)HU、(10.05±1.80)HU,肝脏实质SNR分别为4.51±0.53、6.78±1.27,肝脏实质CNR分别为0.89±0.55、1.42±0.81,胰腺实质SNR分别为9.51±1.69、13.87±3.26,胰腺实质CNR分别为5.83±1.66、8.48±2.46,B组的图像质量评分、肝脏及胰腺实质SNR、CNR均大于A组,B组图像噪声较A组降低约31%,差异均有统计学意义(P<0.05)。结论应用PixelShine算法进行后处理可提高70 kVp腹部动脉期图像质量,显著降低图像噪声,并提升图像SNR及CNR。

像素闪耀算法在提高单源双能CT低单能量图像对肝内小转移瘤显示的价值

目的:探讨深度学习像素闪烁(Pixel shine,PS)(AlgoMedica,Inc,Sunnyvale,CA)算法提升单源双能CT平扫单能量图像显示肝内小转移瘤图像质量的价值,尤其提高低能量图像对病灶显示的价值。方法:回顾性搜集肝转移瘤的患者14例,共38个病灶。使用单源双能CT(GE Discovery HD 750,USA),行GSI扫描,对AW4.6工作站所得的平扫低单能量图像进行PS算法(A7模式)处理,得到PS前后平扫40~70 KeV单能量图像。由1名影像诊断医师在40~70 KeV单能量图像的同一层面(显示病灶的最大层面)、同一位置分别在肝转移瘤、正常肝实质勾画感兴趣区(ROI),测量并记录各ROI的CT值及SD值,计算PS前后各单能量图像肝转移瘤的SNR、肝转移瘤相对于正常肝实质的CNR以及PS后SNR和CNR较PS前增大的比率。采用Shapiro-Wilk正态分布检验检查数据正态性。比较PS前后40~70 KeV四组单能量图像中肝转移瘤和正常肝实质的CT值、肝转移瘤SNR及CNR,并且,将PS后40 KeV、50 KeV、60 KeV图像中的肝转移瘤SNR、CNR与PS前70 KeV图像相比较。其中符合正态分布的数据使用配对样本t检验比较其差异,余不符合正态分布则使用Wilcoxon符号秩和检验。采用非参数Friedman检验分别比较PS后40~70 KeV各单能量图像SNR和CNR增大比率的差异,若存在差异则采用Wilcoxon符号秩和检验进行两两比较。结果:PS前后40~70 KeV四组单能量图像中肝转移瘤、肝实质的CT值无统计学差异(P>0.05),而PS后40~70 KeV四组单能量图像中肝转移瘤的SNR、CNR均显著大于PS前(P均为0.000)。与PS前70 KeV图像中肝转移瘤SNR、CNR相比,PS后40 KeV图像的肝转移瘤SNR小于PS前70 KeV图像,而PS后50 KeV、60 KeV图像的肝转移瘤SNR以及PS后40 KeV、50 KeV、60 KeV图像的肝转移瘤CNR均明显大于PS前70 KeV图像。Friedman检验显示PS后40~70 KeV单能量图像肝转移瘤SNR和CNR较相应PS前图像SNR和CNR增大的比率之间具有统计学差异(P=0.000,P=0.000),其中40 KeV与50 KeV之间的SNR和CNR的增大比率无统计学差异(P=0.255,P=0.429),40 KeV和50 KeV单能量图像PS后SNR、CNR增大比率均显著大于60 KeV、70 KeV图像。结论:PS算法可以明显提高单源双能CT平扫单能量图像对显示肝内小转移瘤灶的图像质量,并且PS算法在低单能量图像中对病灶显示方面具有更好的效果。

像素闪烁算法在低剂量CTU检查中的应用

目的:探讨像素闪烁(PS)算法在ASiR-V重建算法的基础上对提高低剂量CTU图像质量的价值。方法:前瞻性分析行低剂量Revolution CT CTU检查的患者28例(A组)。A组:年龄45~94岁,平均年龄(63±12)岁,BMI(19.15~25.82)kg/m^2,平均BMI(23.35±1.57)kg/m^2;回顾性搜集与其BMI相匹配的常规剂量Revolution CT CTU检查的患者25例。B组:年龄31~80岁,平均年龄(64±12)岁,BMI(19.94~26.12)kg/m^2,平均BMI(23.40±1.56)kg/m^2。将A组图像上传至GEAW4.6工作站,应用PS软件(AlgoMedica,Inc,Sunnyvale,CA)按A7模式对图像进行后处理,获得PS处理后图像(C组)。测量膀胱及肾盂内对比剂、竖脊肌CT值及竖脊肌的SD值。根据公式计算膀胱及肾盂内对比剂的信噪比(SNR)和对比噪声比(CNR)。记录容积CT剂量指数(CTDIvol)和剂量长度乘积(DLP),计算有效辐射剂量(ED)。采用SPSS19.0进行统计分析。结果两名观察者测得的数据一致性良好。A组与C组间膀胱和肾盂内对比剂以及竖脊肌的CT值分别为729.40±307.76、997.84±663.10、62.74±5.36和729.34±307.73、997.13±661.06、62.61±5.43,其差异均无统计学意义(P>0.05)。B组与C组,A组与C组膀胱及肾盂CNR值和SNR值的差异具有统计学意义(P<0.05),相对于A组和B组,C组膀胱及肾盂CNR值和SNR值升高约2倍。A组和B组有效辐射剂量分别为1.47±0.88、3.35±0.55,相比于B组,A组有效辐射剂量降低了约62%。结论:在低剂量扫描的情况下,应用PS算法在ARiR-V重建算法的基础上可以在保证组织CT值无差异的情况下显著增加图像的对比噪声比和噪声比,进而提高低剂量CTU图像质量。

深度学习像素闪耀算法改善中低体重指数者腹部70kVp动脉期图像质量

目的探讨深度学习像素闪耀(PS)算法在提高中低体重指数(BMI)者70 k Vp腹部CT血管成像(CTA)动脉期实质器官图像质量的价值。资料与方法回顾性收集2015年11月至2016年4月因腹部肿瘤或血管性疾病于大连医科大学附属第一医院施行全腹CTA扫描、BMI<22 kg/m2的患者62例,包括低管电压组(70 k Vp,A组)42例、常规管电压组(120 k Vp,B组)20例,A组经PS处理后的图像为C组(42例)。测量各组肝脏CT值、竖脊肌CT值及标准差(SD),并计算肝脏对比噪声比(CNR)、信噪比(SNR)。记录辐射剂量,并对各组图像右肾动脉进行主观质量评分。结果 A、B、C组间肝脏CT值、竖脊肌CT值差异均无统计学意义(P均>0.05);竖脊肌SD值、肝CNR、肝SNR差异均有统计学意义(P均<0.05),C组较A组CNR提高了133.07%(1.69/1.27),SNR提高了137.74%(10.00/7.26)。3组右肾动脉的重建图像评分中位数均为5.00(1.00)分,差异无统计学意义(χ~2=0.381,P>0.05)。A组和B组的CT容积剂量指数分别为(2.05±0.12)m Gy、(7.36±0.89)m Gy,有效剂量分别为(1.53±0.12)m Sv、(5.51±0.72)m Sv,A组的CT容积剂量指数和有效剂量明显低于B组,差异均有统计学意义(P<0.05)。结论针对BMI<22 kg/m^2患者,采用低管电压扫描并PS处理后图像,在不影响实质器官CT值并保证血管成像质量的同时,提高了实质器官的图像质量,有效降低辐射剂量。

像素闪烁算法在肾脏低剂量CT灌注扫描中的应用

目的 探讨深度学习像素闪烁算法在低剂量一站式肾脏CT灌注扫描（CTP）检查中提高图像质量的应用价值。方法 回顾性收集2017年3月至8月本院行全肾脏CT增强及灌注扫描的患者21例。采用Revolution CT机，先行肾脏平扫，然后进行灌注和增强3期扫描，管电压120 kVp，CTP采集管电流为20 mA，增强3期管电流为100 mA，轴扫模式，ASiR-V 80%，X射线管旋转时间0.5 s，z轴覆盖范围160 mm，扫描层厚5 mm，层间隔5 mm。首次28 s采用屏气扫描，共获得15期图像，然后分别于第39、43、47、51、63、83、113、153、213、353、593 s各采集1次，其中第22、51及153 s分别采集增强的皮质期、髓质期及排泄期3期图像。所有CTP数据经深度学习的A7模式进行处理，处理前数据为A组，处理后数据为B组。比较皮质期A、B组肾皮质CT值、CT值标准差、竖脊肌CT值标准差、对比噪声比（CNR）、信噪比（SNR），比较A、B组肾皮质的血流量、血容量、达峰时间和表面通透性。结果 A、B组图像肾皮质标准差（SD）值（9.04±1.77和5.75±1.00）、竖脊肌SD值（8.52±2.28和5.67±0.98）、CNR（16.28±6.61和28.90±1.50）、SNR（21.41±6.67和30.65±7.67）差异均有统计学意义（t=1.562、6.286、5.925、-5.892、-17.274，P〈0.05）；像素闪烁算法处理之后的图像其SD值明显减低，SNR明显升高。两组的肾皮质、肾髓质血流量（BF）值、血容量（BV）值、达峰时间（TP）值及肾髓质的表面通透性（PS）值差异均无统计学意义（P〉0.05）。结论 深度学习像素闪烁算法可以减小低条件扫描图像的噪声，增加图像的对比噪声比，从而提高图像质量，并且不影响灌注参数值。

像素闪耀算法在提高低剂量全肝CT灌注“一站式”成像图像质量中的应用

目的探讨在低剂量全肝CT灌注成像(CTP)"一站式"成像中应用像素闪耀算法(PS)提高图像质量的可行性。方法前瞻性搜集24例患者[体质指数(BMI)>25 kg/m^2]行Revolution CT上腹部增强扫描,CTP管电压120 kV,管电流20 mA,共获得26期全肝CTP图像,在第11、19、23期提高管电流至100 mA,采集增强扫描三期图像。所有CTP图像经PS软件的A7模式进行重组,重组前后分别命名为A、B组,分别应用AW 4.7工作站重组并在肝右叶放置3个感兴趣区(ROI),在两组动脉期图像的肝右叶与右侧竖脊肌各放置3个ROI,并记录CTP参数、肝脏及右侧竖脊肌的CT、标准差(SD)值,并取平均值。记录CTP的有效辐射剂量(ED)。采用配对t检验比较A、B组CTP参数、信噪比(SNR)、对比噪声比(CNR)差异性。结果两组肝右叶CTP参数均无差异。肝右叶动脉期图像SNR及CNR均有明显差异性(P<0.05)。ED为11.56 mSv。结论在低辐射剂量全肝CTP检查中应用PS算法能够提高图像质量,且不影响灌注参数值,使低剂量全肝CTP"一站式"成像可广泛应用于临床。

像素闪烁算法对提升高BMI者Revolution CT单能量图像质量的价值

目的探讨基于深度学习的像素闪烁算法(PS)对提升高身体质量指数(BMI)者RevolutionCT单能量图像质量中的价值。方法回顾性分析行RevolutionCT能谱成像(GSI)检查的患者资料,首先选取行腹部平扫的高BMI(≥25kg/m^2)患者共38例,测量其肝门水平腹部皮下脂肪噪声(SD)值,计算皮下脂肪的SD均值,选取高于平均值(6HU)的患者共20例,并排除弥漫性肝脏病变(脂肪肝、肝硬化等)、右肾占位性病变(病灶体积大于右肾体积的1/2)、图像有呼吸运动伪影的患者5例。最终入组病例15例,男7例,女8例,年龄48~81岁,平均(62±9)岁,BMI25~34kg/m^2,平均BMI为(28±3)kg/m^2。扫描参数:GSI成像模式,螺距0.992,转速0.8s/r,探测器宽度80mm,140~80kVp瞬时(0.5ms)切换,管电流320~400mA,层厚5mm,层间距5mm,重组方法50%自适应统计迭代重组(ASIR-V)。重组得到70keV单能量图像。在GEAW4.6工作站应用PS软件A7模式后处理,获得的PS图像。将处理前后的图像分为A组(PS前)、B组(PS后)。由2名放射科医师(诊断经验分别为5年和3年)采用双盲法对两组图像进行测量。测量肝门水平肝右叶、右侧肾门水平肾脏、右侧肝门水平腹部皮下脂肪的CT值以及腹部皮下脂肪的SD值,并分别计算肝脏、肾脏实质的信噪比(SNR)和对比噪声比(CNR)。采用Shapiro-Wilk检验数据的正态性。采用Levene检验分析数据的方差齐性。应用Spearman相关分析检验2名观察者所测得数据的一致性,若一致性良好则取年资高者所测得的数据进行后续的统计分析。采用秩和检验比较两组肝右叶、右侧肾脏、腹部皮下脂肪CT值、腹部皮下脂肪的SD值以及肝脏、肾脏的CNR值和SNR值。结果两组数据一致性良好。两组间肝脏、肾脏、皮下脂肪CT值差异无统计学意义(P>0.05);两组间皮下脂肪SD值分别为7.83HU(6.93,9.32)、2.47HU(2.27,2.97),差异具有统计学意义(P<0.05),B组SD值较A组相比降低了约68%;两组间肝脏、肾脏的SNR值和CNR值分别为7.51(5.90,8.13)、21.09(18.16,24.31)、4.55(3.92,5.12)、18.29(15.95,21.46)和23.11(18.95,23.11)、67.15(54.18,73.77)、13.89(11.78,15.51)、57.96(48.75,64.48),差异具有统计学意义(P<0.05),B组肝脏、肾脏的CNR、SNR约是A组的3倍。结论基于深度学习PS可以减少图像噪声,增加图像的CNR,从而提升高BMI者RevolutionCTGSI的单能量图像质量。