70kVp联合深度学习图像重建算法对胸主动脉血管内修复术后双低CTA图像质量的影响

目的探讨70 kVp联合深度学习图像重建(DLIR)算法在低辐射剂量低对比剂用量的情况下对胸主动脉血管内修复术(TEVAR)后主动脉CT血管成像(CTA)图像质量的影响。方法前瞻性纳入65例TEVAR术后需接受主动脉CTA扫描的患者,随机分为两组。常规剂量组(A组)接受100 kVp管电压和60 mL对比剂扫描,低剂量组(B组)接受“双低”方案:管电压70 kVp,对比剂用量为0.5 mL·kg^(-1)。A组图像采用50%多模型迭代重建算法(ASIR-V)重建,B组图像分别采用滤波反投影(FBP)算法(B1亚组)、50%ASIR-V(B2亚组)、90%ASIR-V(B3亚组)及DLIR-H算法(B4亚组)重建。测量并比较各组主动脉CT值、图像噪声、对比噪声比(CNR)及品质因数(FOM)。采用5分制对图像噪声、血管锐利度和整体图像质量进行评估。结果B4亚组噪声最低,较A组降低约23.49%(P<0.001)。A组、B4亚组主动脉各感兴趣区(ROI)CT值、CNR值及图像主观评分差异无统计学意义(P>0.05);B4亚组FOM值大于A组(P<0.001)。与A组比较,B组辐射剂量降低约52.38%(P<0.001),对比剂用量和注射流率分别降低约39%和33.6%(P<0.001)。结论采用70 kVp结合DLIR算法在TEVAR术后主动脉CTA扫描中可获得与常规剂量相当的图像质量,且辐射剂量和对比剂用量大幅度降低。

深度学习图像重建算法在低剂量扫描对肺结节显示及测量的影响

目的探讨肺结节胸部CT低剂量对深度学习图像重建(DLIR)图像质量及结节检测的影响。方法选取肺结节患者120例,在低剂量扫描条件下应用低剂量迭代重建算法(ASIR-V),评估低剂量下重建图像总体噪声(NI)、肺组织信噪比(SNR)、对比噪声比(CNR),实性、磨玻璃结节噪声、SNR、CNR及结节可见度、筛查准确性。结果DLIR-H总NI和肺组织CNR为(21.14±1.35)Db、(13.70±1.96),低于ASIR-V和DLIR-M,DLIR-M低于ASIR-V(均P<0.05)。肺组织SNR为(26.85±3.46),高于ASIR-V和DLIR-M,DLIR-M高于ASIR-V(均P<0.05)。实性结节、磨玻璃结节NI和CNR均低于ASIR-V和DLIR-M,DLIR-M低于ASIR-V(均P<0.05)。实性结节、磨玻璃结节SNR高于ASIR-V和DLIRM结果,DLIR-M高于ASIR-V(均P<0.05)。DLIR-H图像质量评分、实性结节、磨玻璃结节可见评分均高于ASIR-V和DLIR-M结果,DLIR-M结果高于ASIR-V(均P<0.05)。DLIR-H肺结节准确率86.67%,高于ASIR-V和DLIR-M(P<0.05)。结论胸部CT扫描肺结节应用低剂量DLIR算法能够有效降低噪声,保证图像质量前提下提高诊断率。

深度学习图像重建算法在膝关节加速MRI中的临床应用研究

目的 评估使用和不使用深度学习重建(deep learning reconstruction,DLR)算法的膝关节加速二维(two dimensional,2D)快速自旋回波(fast spin echo,FSE)序列的图像质量和诊断效能。材料与方法前瞻性纳入92名怀疑有膝关节病变的患者,采用3.0 T MRI并行采集(parallel imaging,PI)基于K空间域重建(autocalibrating reconstruction for Cartesian sampling,ARC)算法进行膝关节加速2D FSE序列扫描,设置加速因子为2.0。扫描结束后系统自动保存为不使用DLR的原始图像(original images of FSE,FSE_O)和使用DLR后的FSE(deep learning reconstruction images of FSE,FSE_(DL))两组图像。采用主观(李克特5分量表,内容包括图像的整体质量、清晰度、诊断置信度)与客观定量测定图像信噪比(signal-to-noise ratio,SNR)与对比噪声比(contrast-to-noise ratio,CNR)相结合的方法对两组图像质量进行综合评价。分别测量比较膝关节质子密度加权成像(proton density weighted imaging,PDWI)、T1WI矢状位股骨下端骨髓腔、软骨、滑膜液、髌下脂肪垫、前交叉韧带各组织的SNR和软骨/滑膜液CNR。基于两组图像分别对膝关节结构异常进行评分,同时评估观察者间和观察者内评分一致性。结果四个临床标准方位加速2D FSE序列的MRI采集时间为4 min 39 s。FSE_(DL)的图像整体质量、清晰度及诊断置信度评分均高于FSE_O,其中对FSE_(DL)、FSE_O的图像清晰度评分差异有统计学意义(P<0.05)。两名医师对图像质量主观评价的一致性组内相关系数在0.710~0.898之间。使用DLR的PDWI、T1WI(PDWI_(DL)、T1WI_(DL))图像上股骨外侧髁、股骨外侧髁软骨、滑膜液、髌下脂肪垫SNR明显高于不使用DLR的PDWI、T1WI原始图像(PDWI_O、T1WI_O),PDWI_(DL)图像上软骨/滑膜液CNR明显高于PDWI_O,差异均具有统计学意义(P<0.05)。两名医师分别基于FSE_O及FSE_(DL)对膝关节结构异常进行评分,具有极好的一致性,κ值在0.954~1.000之间。比较同一名医师对两组图像的诊断结果,发现其对软骨缺损的检测和评估具有较好的一致性,κ值分别为0.769和0.771。对半月板、韧带、骨髓及滑膜液的检测和评估,诊断具有极好的一致性,κ值在0.944~1.000之间,FSE_(DL)、FSE_O对上述结构异常的检测无临床相关性差异。结论 DLR可用于膝关节PI ARC技术,在提高图像质量、保证临床诊断效能的同时5 min内完成图像采集,适用于临床各种膝关节疾病患者。

新一代深度学习图像重建算法在腹部低剂量CT中的应用研究

目的探讨深度学习图像重建算法(DLIR)在腹部低剂量CT中提高图像质量和降低伪影方面的价值。方法前瞻性连续纳入2019年10月-2020年6月进行CT尿路造影的患者26例,男14例,女12例,平均年龄(60.35±10.89)岁。所有患者均行常规剂量平扫、门静脉期增强(噪声指数10;体积CT剂量指数:9.61 mGy)和低剂量排泄期扫描(噪声指数23;体积CT剂量指数:2.95 mGy)。排泄期图像采用ASiR-V 50%、低强度DLIR(DLIR-L)、中强度DLIR(DLIR-M)、高强度DLIR(DLIR-H)共4种方式重建,采用重复测量的单因素方差分析和Kruskal-Wallis H检验分别比较4组图像的客观评价[偏度、噪声、信噪比(SNR)及对比噪声比(CNR)]及主观评价内容(图像质量、噪声、伪影),并采用Bonferroni检验进行事后两两比较。结果无论是客观评价还是主观评价方面,DLIR图像的SNR、CNR、整体图像质量评分及噪声均相似或优于ASiR-V 50%,且SNR、CNR和图像质量评分随DLIR权重增加而增加,噪声随着DLIR权重增加而降低。4组图像在失真伪影(P=0.776)和对比剂硬化伪影(P=0.881)主观评分中差异不具有统计学意义。结论与ASiR-V 50%算法相比,DLIR特别是DLIR-M和DLIR-H,可显著提高腹部低剂量CT的图像质量,但在降低对比剂硬化伪影方面应用有限。

深度学习图像重建算法在肝脏增强CT成像中改善图像质量及辐射剂量的应用价值

目的探讨深度学习图像重建算法(DLIR)对肝脏增强CT延迟期图像质量、辐射剂量的影响。方法选取因可疑肝肿块行腹部增强CT扫描患者70例,随机分为常规剂量组(A组)35例和低剂量组(B组)35例,对A、B两组患者延迟期数据分别进行30.0%迭代重建算法(ASIR-V 30.0%)、中等级DLIR(DLIR-M)、高等级DLIR(DLIR-H)重建,亚组分别命名为A_(AS-30)、A_(DL-M)、A_(DL-H),B_(AS-30)、B_(DL-M)、B_(DL-H)。比较A_(AS-30)、A_(DL-M)、A_(DL-H)算法间,B_(AS-30)、B_(DL-M)、B_(DL-H)算法间,以及A_(AS-30)与B_(DL-M)、B_(DL-H)算法间图像噪声、信噪比(SNR)、对比噪声比(CNR)及主观图像质量评分的统计学差异。结果在A组间和B组间,DLIR算法图像噪声、SNR、CNR和主观图像质量评分均优于ASIR-V 30.0%图像(均P<0.01),以DLIR-H图像噪声最低,SNR、主观评分最高。在有效辐射剂量降低81.0%时,BDL-M算法图像噪声、SNR、CNR与AAS-30算法差异无统计学意义(均P>0.05),但主观图像质量评分仍略高于A_(AS-30)算法(3.00±0.41 vs 2.32±0.47,P<0.01),B_(DL-H)算法图像噪声、SNR、CNR和主观图像质量评分均优于A_(AS-30)算法(均P<0.01),且B_(DL-M)、B_(DL-H)算法图像主观评分均能基本满足临床诊断需求(主观评分≥3分)。结论DLIR算法可显著提高肝脏增强CT图像质量,并可在保证临床诊断质量的同时,显著降低扫描辐射剂量。

深度学习图像重建算法对图像质量的影响:体模研究

目的:基于体模研究探讨深度学习图像重建(DLIR)算法的图像质量是否优于传统的自适应统计迭代重建算法(ASIR-V)。方法:使用GE Revolution Apex CT机对分辨率体模(JIS体模)进行常规剂量(CTDI为11.50 mGy;A组)和低剂量(CTDI为4.22 mGy;B组)扫描。对A组的原始扫描数据采用常规30%权重ASIR-V进行图像重建,B组采用滤波反投影(FBP)、30%-ASIR-V、60%-ASIR-V、90%-ASIR-V及不同级别的深度学习重建(DLIR-L、DLIR-M、DLIR-H)算法进行图像重建。在每组重建图像上测量JIS体模试管内各ROI(圆形,大小135 mm2)的CT值及其SD(图像噪声),计算图像的信噪比(SNR);同时由3位放射科医师对扫描图像的噪声和分辨率(空间分辨率/密度分辨率)两个方面对不同重建算法的图像采用5分法(5分,图像清晰;4分,图像基本清晰;3分,满足临床诊断要求;2分,图像部分勉强辨认;1分,完全不能辨认)进行主观评分。采用单因素方差分析比较不同重建算法图像上测得的CT值、SD及SNR,采用Fleiss Kappa检验比较医师之间主观评分的一致性。结果:B组的CTDI为4.22 mGy,较A组(11.50 mGy)下降了63.3%。在相同权重迭代算法(30%-ASIR-V)下,低剂量与常规剂量相比图像的SD升高了68.33%,低剂量图像噪声和图像分辨率的主观评分低于常规剂量。在低剂量组中,FBP、30%-ASIR-V、60%-ASIR-V、90%-ASIR-V及DLIR-L、DLIR-M、DLIR-H重建图像的SD分别为31.33±2.51、25.21±2.47、19.43±1.76、13.76±1.39和21.33±2.09、21.33±2.09、13.84±1.42,与FBP算法相比,不同权重迭代算法和不同级别的DLIR算法均可减低图像噪声(P<0.05),且随着ASIR-V权重或DLIR级别的升高,SD值越低。图像分辨率主观评分随着ASiR-V权重的升高而降低,但随着DLIR级别的升高而升高。与FBP、30%-ASIR-V、60%-ASIR-V和DLIR-L、DLIR-M算法相比,DLIR-H算法可显著降低图像噪声(P均<0.05);DLIR-H算法的图像噪声和分辨率的主观评分高于其它算法(P均<0.05)。结论:应用深度学习重建算法能够提高图像质量(噪声和分辨率),低剂量扫描结合深度学习图像重建算法,能达到常规剂量扫描的图像质量。

高权重深度学习图像重建算法在冠状动脉CT血管造影中的应用价值

目的:比较高权重深度学习图像重建(high-strength deep learning image reconstruction,DLIR-H)与60%自适应统计迭代重建技术(adaptive statistical iterative reconstruction-V,60%ASIR-V)在冠状动脉CT血管造影(coronary CT angiography,CCTA)的应用价值。评估DLIR对冠状动脉的噪声,伪影,清晰度的质量优势。方法:选取2021年9月—11月在中山大学附属第三医院接受CCTA检查的患者,分别用60%自适应统计迭代重建-V(60%ASIR-V)和高权重深度学习图像重建(DLIR-H)技术处理原始图像。由两名临床经验丰富的诊断医生对两组原始轴位影像进行曲面重建(curved planar reconstruction,CPR)、容积再现(volume rendering,VR)和最大强度投影(maximum intensity projection,MIP)重建,并且对两组图像进行双盲法主观评分。结果:主观评分DLIR-H在血管噪声,伪影,轮廓清晰度,诊断可信度方面均高于60%ASIR-V组,差异有统计学意义(P<0.001)。结论:在冠状动脉CCTA中应用DLIR-H重建算法,可以显著降低噪声,不改变其纹理,相比ASIR-V算法可以获得更好的图像质量。

CT深度学习图像重建算法临床应用中国专家共识

图像重建算法是CT算法中的核心。近年来深度学习图像重建(DLIR)算法逐渐应用于临床, 显著改善CT的图像质量和辐射剂量, 在疾病的诊断中发挥重要作用。为推动 DLIR在我国的规范化应用, 中国医师协会放射医师分会和医学技师专业委员会、中华医学会影像技术分会和中国医学装备协会放射影像装备分会组织专家参考大量文献并结合我国的临床实践, 经过多次讨论达成以下共识, 包括DLIR的技术特点和临床前实验研究, 以及在头颈、心脏大血管、胸部、腹部、骨肌、儿童、急诊和能谱方面的临床应用。

深度学习图像重建算法在门静脉CT血管成像中的应用研究

目的探讨深度学习图像重建(DLIR)在100 kV门静脉CT血管成像(CTPV)降低辐射剂量且提高图像质量的可行性,并与传统120 kV CTPV进行图像质量比较。方法前瞻性纳入中山大学附属第三医院2021年6月至2022年12月行上腹部CTPV检查的患者,分为120 kV标准剂量组(S组)和100 kV低剂量组(L组)。S组采用自适应统计迭代-Veo算法(ASIR-V)及中等强度的DLIR(S-DM)进行重建,ASIR-V的权重分别采用40%、60%和80%(S-AV40、S-AV60和S-AV80)。L组采用60%和80%2种权重的ASIR-V(L-AV60和L-AV80)和中、高强度的DLIR(L-DM和L-DH)进行重建。2名医师分别进行客观指标测量,包括门静脉主干(MPV)、门静脉右支(RPV)、门静脉左支(LPV)、肝实质和右侧竖脊肌的CT值和SD值,并且计算信噪比(SNR)和对比噪声比(CNR)。3名医师分别对8组图像进行5分盲法评价。记录两组容积CT剂量指数(CTDIvol)和剂量长度乘积(DLP),计算有效剂量(ED)。采用单因素方差分析对客观指标、Kruskal-Wallis H检验对主观评分进行统计分析。结果共纳入100例患者,标准剂量组(S组)和低剂量组(L组)各50例。L组的有效剂量比S组减少了51%。MPV、RPV、LPV的SD、SNR和CNR在8组图像之间差异有统计学意义(P值均<0.001)。L-DH的SD与S-AV80组间差异无统计学意义(P>0.05),但显著低于其余6组(P值均<0.05);除MPV的CNR在L-DH与S-AV80组之间差异无统计学意义(P>0.05)外,3支门静脉的SNR和CNR在L-DH组均高于其他组,差异具有统计学意义(P值均<0.001)。L-DH组的主观图像质量评分最高(4.61±0.16),除和S-DM组(4.31±0.19)外的其余6组差异均有统计学意义(P值均<0.001)。医师间的客观指标测量和主观图像质量评分均具有良好的一致性(ICC=0.584~0.960)。结论与常规120 kV CTPV相比,100 kV结合DLIR算法可显著降低CTPV 51%的辐射剂量,并在降低噪声的同时保持更高的SNR、CNR和主观评分。高强度DLIR算法获得的100 kV CTPV图像质量最佳。

基于深度学习的电阻抗断层成像图像重建算法研究综述

介绍了电阻抗断层成像(electrical impedance tomography,EIT)传统图像重建算法的局限性和深度学习在非线性图像重建中的优点,综述了基于深度学习的直接重建法、间接重建法和隐式重建法3种EIT图像重建算法的研究进展,分析了基于深度学习的EIT图像重建算法存在的不足,指出了基于深度学习的EIT图像重建算法应在提高数据集质量、增强图像可解释性以及改善成像分辨力等方面实现进一步的技术突破。

基于深度学习的多帧遥感降质图像三维重建算法

为提升多帧遥感降质图像对比度以及图像质量,提出一种基于深度学习的多帧遥感降质图像三维重建算法。采用三角函数变换方法并结合高通滤波器,增强多帧遥感降质图像对比度;再以包含生成器和判别器的生成对抗网络为基础,在判别器中引入自注意力层,设计自注意力机制残差模块,生成自注意力生成对抗网络模型;最后将增强后的图像输入模型进行学习和训练,获取多帧遥感降质图像的全局特征后,实现多帧遥感降质图像三维重建。测试结果表明,所提算法具有较好的多帧遥感降质图像增强能力,能够提升图像对比度,并且渗透指数(PI)均在0.92以上,重构效果良好。

深度学习重建提高腹部能谱CT图像质量和病灶诊断的可行性研究

目的 与常规多模型迭代重建(adaptive statistica literative reconstruction Veo,ASIR-V)相比,评估深度学习图像重建(deep learning image reconstruction,DLIR)提高能谱CT单能量图像的图像质量和病灶诊断检出率的可行性。方法随机纳入65例完成腹部能谱CT扫描的患者,对病人的门脉期扫描数据分别增加在薄层(1.25mm)层厚下的ASIR-V40%、DLIR-M(中度)、DLIR-H(高度)三种重建方式进行重建。获取70keV条件下常规5m m的A SIR-V40%及薄层(1.25mm)的ASIR-V40%、DLIR-M、DLIR-H共4组的门脉期图像。对4组图像的肝脏、脾脏、竖脊肌及背部脂肪进行CT值、SD值的测量,并计算相应的SNR及CNR。此外,计算薄层(1.25m m)的3组数据中肝脏病灶在门脉期图像的检出率。图像质量主观评分及病灶的诊断信心由2名有着丰富阅片经验的放射科医师进行评分。结果对于能谱扫描下70keV的薄层(1.25mm)图像,DLIR-M组和DLIR-H组较ASIR-V4 0%组的肝脏、脾脏、竖脊肌及背部脂肪的SD值更低,SNR、CNR更高(P均<0.001),且三组数据的病灶检出率一致,而DLIR-M组和DLIR-H组的诊断信心和图像质量主观评分均高于ASIR-V40%组,其中DLIR-H组分数最佳。此外,70keV的薄层(1.25mm)DLIR-H组图像的SD值、CNR较70keV的常规5mmASIR-V40%组比较无明显统计学差异(P=0.211,0.358,0.208,0.052)。结论和常规的多模型迭代重建算法(ASIR-V)相比,用深度学习重建算法(DLIR)获得的能谱单能量图像能在保证理想的诊断性能的前提下,进一步降低腹部CT的图像噪声,获得更好的图像质量和更高的病灶诊断信心。同时,与70keV+ASIR-V40%相比,70keV+DLIR-H能够在相似图像噪声的情况下实现更薄层厚图像重建。

MRI深度学习图像重建技术在肌骨系统疾病诊断的应用进展

深度学习图像重建(deep learning-based reconstruction,DLR)技术是目前MRI图像重建领域最为前沿的技术进展之一。相对于常规MRI图像重建技术而言,DLR技术重新定义了MRI的信噪比、空间分辨率和扫描时间之间新的边界,其突出的技术优势是有效去除图像噪声及伪影,大幅缩短扫描时间,且在提高病灶的检出率和定性准确率方面也具有潜在优势。随着算法的不断优化和模型泛化性的提升,DLR目前已被广泛应用于神经系统、肌骨系统及心脏等多部位的MRI检查,其适用的扫描序列及临床应用场景也在不断拓展。DLR技术在维持原有空间分辨率条件下,通过减少信号采集次数联合增加并行采集加速因子,将成像时间缩短50%以上,实现肌骨系统快速成像,且所获得图像质量明显优于传统重建图像。目前,DLR在膝关节、肩关节、手腕关节及脊柱等肌骨系统的MRI检查中被广泛应用,并证实了其在缩短成像时间、提升图像信噪比和提高分辨率方面具有卓越表现。

基于优化深度学习的低照度图像超分辨率重建方法的研究

为提升低照度多波段谱密度图像的分辨和检测能力,本文提出基于优化深度学习的低照度图像超分辨率重建方法。首先,构建低照度多波段谱密度图像超分辨特征采样模型,通过图像压缩感知方法实现对低照度图像的向量像素重构;其次,通过模糊度辨识和匹配滤波方法进行低照度图像的降噪滤波,构建低照度多波段谱密度图像的压缩光谱维度检测模型;再次,通过图像去噪、压缩重建和谱特征重组建立正则化约束模型来恢复图像的光谱信息;最后,根据同一空间区域的全体光谱数据的关联性特征分布,采用优化深度学习算法实现对低照度图像的特征分配和结构重组,实现对低照度图像的超分辨率重建。该方法对低照度图像超分辨率重建时可对图像细节部分进行补全,且其去噪和去模糊能力较好,可有效保留图像的关键信息,其信噪比均为26 dB,结构相似度高于0.94,均优于对比方法,具有较好的应用价值。

基于深度学习的红外图像超分辨率重建方法

为了提高红外图像的超分辨率重建效果,提出基于深度学习的红外图像超分辨率重建方法。利用红外图像的反射特性与红外辐射特性建立红外图像的显著性区域检测模型;通过可见光与近红外图像之间样貌差异度水平检测图像的边缘轮廓特征,提取可见光与近红外光融合性特征参数;根据融合层次不同对图像信号级、像素级、特征级、决策级四个维度进行重建,提取图像的边缘、形状、纹理特征;根据特征分布的噪声水平与配准质量,采用深度学习算法实现对红外图像超分辨率重建。仿真测试结果得出,该方法进行红外图像重建的显著性特征检测能力较强,重建后将图像分辨率提升到1280×960 PPI,模板匹配准确率为49.4%,峰值信噪比PSNR值高于36.34 dB,结构相似度SSIM值高于0.972,重建效果较好,更适合用于特定场景下的红外图像目标特征识别。

深度学习重建算法联合低管电压在头颈部CT血管成像中的应用

目的探讨深度学习图像重建(DLIR)算法联合低管电压(70 kVp)在头颈部CT血管成像中的应用价值。资料与方法回顾性收集2021年11月—2022年11月宁夏回族自治区人民医院行头颈部CT血管成像检查的40例患者,管电压70 kVp,管电流智能调控SmartmA模式。对原始数据进行自适应统计迭代重建(ASiR-V60%、ASiR-V90%)及DLIR(DLIR-L、DLIR-M、DLIR-H),比较不同算法及水平重建图像的主观及客观评价指标。结果颈部及颅内动脉不同水平ASiR-V及DLIR重建图像CT值差异均无统计学意义(P>0.05)。随着ASIR-V及DLIR重建水平增加,颈部及颅内图像噪声均减低,DLIR-H与ASiRV60%差异均有统计学意义(P<0.05),分别减低24.30%、29.42%;颈部及颅内图像信噪比(SNR)、对比噪声比(CNR)均升高,DLIR-H重建图像SNR、CNR最高。颈总动脉分叉部、颈内动脉C4段、椎动脉V4段SNR、CNR与ASiR-V60%差异均有统计学意义(P<0.05),SNR分别提高55.60%、43.90%、44.66%,CNR分别提高55.57%、44.24%、45.10%;大脑中动脉SNR、CNR较ASiR-V60%提高45.39%、45.89%,差异有统计学意义(P<0.05)。ASiR-V90%主观评分较ASiR-V60%降低,差异无统计学意义(P>0.05)。DLIR主观评分随重建水平升高而升高,DLIR-H较DLIR-M、DLIR-L差异有统计学意义(P均<0.05),DLIR-H及DLIR-M的主观评分高于ASiR-V60%与ASiR-V90%,差异有统计学意义(P均<0.05)。结论在低管电压头颈部CT血管成像中,与ASiR-V相比,DLIR可以进一步降低图像噪声,提升图像质量和诊断信心,其中DLIR-H表现最佳。

深度学习重建联合Smart去金属伪影算法在口腔金属植入物患者头颈CT血管成像中的应用

目的:探讨深度学习重建(DLR)联合Smart去金属伪影(MAR)算法在口腔金属植入物患者头颈CT血管成像(CTA)中的应用价值。方法:选择郑州大学第一附属医院2023年2月至6月口腔有不可拆卸金属植入物行头颈CTA的患者70例,采用以下3种方法重建图像:基于混合模型的自适应迭代重建(ASIR-V)50%算法(IR),ASIR-V50%联合Smart MAR算法(IR-S),高水平DLR联合Smart MAR算法(DLR-S)。测量不受伪影影响的颈内动脉C1段和头夹肌感兴趣区CT值的标准差(SD)2和SD4,作为图像噪声指标;计算颈内动脉C1段和舌部的金属伪影指数(AI)1和AI2;对颈内动脉C1段和口腔整体图像质量进行主观评分。结果:与IR组和IR-S组比较,DLR-S组SD2和SD4降低(P<0.05)。与IR组比较,IR-S组和DLR-S组AI1、AI2降低;与IR-S组比较,DLR-S组AI1、AT2降低(P<0.05)。与IR组比较,IR-S组和DLR-S组口腔整体和颈内动脉C1段图像质量主观评分均增高;与IR-S组比较,DLR-S组图像质量主观评分增高(P<0.05),9例患者舌部可见新的伪影。结论:Smart MAR联合DLR可减少口腔植入物造成的金属伪影,提高头颈CTA图像质量。但Smart MAR可能引入新的伪影,需联合未加入Smart MAR的图像进行分析。

深度学习图像重建算法对改善直肠CT图像质量的临床应用价值

目的:探索深度学习图像重建(DLIR)算法是否可以改善静脉期肛管直肠的CT图像质量。方法:回顾性纳入进行腹部CT增强扫描的71例患者,所有影像资料使用50%ASiR-V和DLIR低、中、高(DLIR-L、DLIR-M、DLIR-H)3个强度的DLIR重建静脉期薄层图像。测量各组图像的肛管和臀部脂肪的CT值和标准差(SD),以臀部脂肪SD作为背景噪声,计算肛管对比噪声比(CNR)和信噪比(SNR)。两名影像科医师使用Likert5分量表法独立进行图像质量评估和直肠癌局部侵犯情况诊断信心评价。分析比较客观测量指标和图像主观评分,采用Kappa检验评估一致性。结果:各组间肛管CT值及臀部脂肪CT值比较差异没有统计学意义(P>0.05),脂肪SD、肛管SNR及CNR比较差异有统计学意义(P<0.05),DLIR-H组脂肪SD最低,SNR及CNR最高,而50%ASiR-V组脂肪SD最高,SNR及CNR最低。与50%ASiR-V组相比,DLIR-H组脂肪SD降低44.3%,肛管SNR及CNR分别提升89.5%和92.1%(P<0.05)。4组图像质量主观评分比较差异有统计学意义(P<0.05),从DLIR-H到50%ASiR-V依次降低。其中50%ASiR-V、DLIR-L组间比较差异没有统计学意义(P>0.05),其余各组间比较差异均有统计学意义(P<0.05)。各组间直肠癌局部侵犯情况诊断信心评分比较差异有统计学意义(P<0.05),DLIR-M及DLIR-H组优于50%ASiR-V组(P<0.05)。结论:与标准50%ASiR-V图像相比,DLIR-M和DLIR-H重建算法能有效提高图像质量,重建强度越高,图像质量越好,显示细微结构的能力越强,能为临床精准评估及个体化精准治疗提供更多的依据。

基于磁共振深度学习重建算法缩短扫描时间的可行性分析:水模研究

目的:旨在评估深度学习重建(deep learning reconstruction, DLR)算法在缩短磁共振成像(magnetic resonance imaging, MRI)扫描时间方面的应用潜力。方法:利用水模,采用控制变量法描绘扫描时间随着激励次数(number of excitation,NEX)、矩阵(l-to-noise ratio,SNR)及主观图像质量变化(包括锐利度及细节清晰度、失真度的四分制评估),并描绘变化曲线、计算拟合曲线。结果:在传统重建和不同降噪水平的DLR重建中,NEX和分辨率与MRI扫描时间和SNR之间存在正相关性。在相同的NEX和分辨率条件下,传统重建、DLR_L、DLR_M和DLR_H的SNR依次升高。以主观评价3或者4分为令人满意的图像,当矩阵固定为512×512时,不同NEX值下,DLR重建的图像在锐利度、失真度和细节显示方面均表现出色,且在NEX为3、5、7和11时,图像细节显示最佳,同时显著缩短了扫描时间。当NEX为2、4、5、6时,图像的失真令人满意,当NEX为3、5、7和11时,可获得满意的细节显示。以上所有组合,可节省扫描时间31~244 s。随着分辨率的增加,图像质量在锐利度、失真度和细节显示方面均有所提升,失真度较低。当NEX固定为6时,DLR_H、DLR_M、DLR_L及传统重建的图像分别在矩阵为320×320、384×384、448×448及640×640时,即扫描时间分别为141 s、141 s、187 s及232 s时,可获得令人满意的锐利度。DLR_H和DLR_M在512×512矩阵下实现了较小的失真度,而DLR_L和传统重建需要更高的成像矩阵和更长的扫描时间以获得类似的图像质量。对于细节显示的清晰度,DLR_H在512×512矩阵下的表现尤为突出,扫描时间少于DLR_M、DLR_L及传统重建。结论:DLR,特别是DLR_H,可在降低NEX和分辨率以缩短MRI扫描时间的同时,不仅能保持令人满意的SNR和图像细节显示,还有可能实现更高的图像清晰度和更低的失真度。

胸部低剂量CT联合深度学习重建算法在小儿支原体肺炎诊断中的可行性研究

目的:探讨胸部低剂量(60kV)CT扫描技术联合深度学习重建算法(ClearInfinity)在小儿支原体肺炎诊断中的可行性。方法:选取2023年12月至2024年1月湖北医药学院附属太和医院收治的132例经临床确诊的支原体肺炎患儿,均行胸部CT扫描,并将其按照就诊序号随机分为常规剂量组(66例)和低剂量ClearView和ClearInfinity组(66例)。常规剂量组胸部CT扫描管电压100kV,采用50%ClearView迭代算法重建;低剂量ClearView和ClearInfinity组胸部CT扫描管电压均为60kV,分别使用50%ClearView迭代算法重建和50%ClearInfinity深度学习重建算法重建;比较3组辐射剂量的差异;测量并计算3组图像感兴趣区(ROI)的CT值和标准偏差值(SD),信噪比(SNR)和对比噪声比(CNR);由两名10年工作经验的影像诊断主治医师对图像进行主观评价,采用Kappa检验分析评分结果的一致性。结果:低剂量ClearView组和ClearInfinity组的容积CT剂量指数(CTDIvol)、剂量-长度乘积(DLP)、有效辐射剂量(ED)与常规剂量组比较,分别降低了87.58%、87.24%和88.00%,差异有统计学意义(t=4584.07、63.73、61.27,P<0.01)。常规剂量组的左、右肺噪声值低于低剂量ClearView组,而高于ClearInfinity组,差异有统计学意义(Z=-9.912、-7.013,P<0.01),低剂量ClearView组与ClearInfinity组比较,差异有统计学意义(Z=-9.912,P<0.01)。低剂量ClearView组的左、右肺SNR和CNR低于常规剂量组,差异有统计学意义(t=-34.810、5.522,P<0.01);低剂量ClearInfinity组的SNR和CNR高于常规剂量组,差异有统计学意义(t=3.544、-8.674,P<0.05)。两名主治医师对图像主观评价具有较好的一致性(Kappa>0.75,P<0.01);常规剂量组的主观评分与低剂量ClearInfinity组比较,差异无统计学意义(P>0.05),但优于低剂量ClearView组,差异有统计学意义(Z=-6.425,P<0.01)。结论:针对小儿支原体肺炎的患儿,60kV胸部低剂量CT结合ClearInfinity深度学习重建算法能在降低辐射的前提下保证图像质量,保障了诊断效果。