高速率生理盐水联合高强度深度学习重建算法对“三低”头颈部CTA图像质量的影响

目的 探讨高速率生理盐水联合高强度深度学习重建(High-Strength Deep Learning Image Reconstruction,DLIR-H)算法对“三低”(低管电压、低对比剂用量、低对比剂注射速率)头颈部CT血管造影(CT Angiography,CTA)图像质量的影响。方法 前瞻性收集于我院行头颈部CTA检查的90例患者,随机分为A、B、C组,每组各30例。A组以4.5 mL/s的速率注射50 mL对比剂,以3.0 mL/s的速率注射40 mL生理盐水,采用120 kVp,使用60%自适应迭代重建(Adaptive Statistical IterativeReconstruction-V,ASIR-V)算法重建;B组以3.0mL/s的速率注射30mL对比剂,以3.0mL/s的速率注射40mL生理盐水,采用80 kVp,使用60%ASIR-V算法重建;C组以3.0 mL/s的速率注射30 mL对比剂,以5.0 mL/s的速率注射40 mL生理盐水,采用80 kVp,使用DLIR-H算法重建。比较3组图像间的CT值、图像噪声(Standard Deviation,SD)、信噪比(Signal to Noise Ratio,SNR)、对比噪声比(Contrast to Noise Ratio,CNR)、CT容积剂量指数(CT Dose Index Volume,CTDIvol)及CT剂量长度乘积,比较3组图像质量的主观评分。结果 3组图像的CT值、SD值、SNR及CNR的差异均具有统计学意义(P<0.001)。C组在上腔静脉处CT值低于A、B组,其余各目标血管CT值、SNR及CNR均高于A、B组。C组各目标血管SD值小于B组,差异具有统计学意义(P<0.05);C组与A组的SD值差异无统计学意义(P>0.05)。C组CTDIvol、有效辐射剂量、对比剂用量较A组分别降低了55%、54%、40%。3组图像的主观评分差异具有统计学意义(P<0.001),C组与A组的差异无统计学意义(P>0.05)。结论 在“三低”技术下高速率生理盐水联合DLIR-H算法在头颈部CTA中的应用不仅能获得与常规剂量相当的图像质量,还可以使辐射剂量、对比剂用量和对比剂注射速率均明显减少。

探讨深度学习重建算法在低剂量CTU检查中的应用价值

目的:探讨深度学习(DL)重建算法在低剂量CT尿路成像(CTU)检查中的临床应用价值。方法:前瞻性收集临床拟行CTU检查患者60例,应用联影uCT760进行扫描,按检查时间分为A组和B组,A组为常规剂量组(120 kV,100 mA,KARL5级迭代重建),B组为低剂量组(120 kV,剂量调制1,DL4级算法重建),每组各30例。记录患者扫描长度,容积CT剂量指数(CTDIvol)、剂量长度乘积(DLP),计算有效剂量(ED)。采用uCT⁃760128 CT图像后处理工作站进行测量分析,在轴位将有造影剂充盈的肾盂及输尿管作为观察对象,测量肾皮质、肾盂、输尿管、椎旁肌的CT值和标准差(SD)值,计算信噪比(SNR)及对比度噪声比(CNR)。重组容积再现(VR)及最大密度投影(MIP)图像对泌尿系统的显示效果进行评估,由2名观察者采用双盲法独立行二维图像和三维重组图像评分(5分制)并行一致性检验。以患者CTU检查前的三期增强为对照,对CTU病变显示能力进行评价。比较主客观图像质量、辐射剂量及2组CTU的诊断性能。结果:2组患者性别比例、年龄、体重指数及扫描长度差异均无统计学意义(均P>0.05);2组肾皮质SNR、CNR,肾盂CNR,输尿管CNR及噪声SD值差异有统计学意义(P<0.05),B组均高于A组,肾盂SNR和输尿管SNR差异无统计学意义(P>0.05);两观察者对图像主观评分一致性好(Kappa值:0.838~0.918),B组二维图像评分高于A组,差异有统计学意义(P<0.05),三维图像质量两组差异无统计学意义(P>0.05),均满足诊断要求;B组较A组CTDIvol降低43.59%,DLP降低41.81%,ED降低41.93%,差异均有统计学意义(P<0.05)。结论:深度学习重建算法能够有效降低图像噪声,显著提高低剂量CTU的图像质量,且保证诊断性能。

探讨深度学习重建算法对CTPA图像质量的影响

目的:对比滤波反投影重建算法(FBP)及常规迭代重建算法(ASiR-V),研究深度学习重建(DLIR)算法对肺动脉CT血管成像(CTPA)图像质量的影响.方法:在GE APEX CT上收集进行CTPA检查的患者30例,分别采用5种重建方式(FBP,常规临床参数的ASiR-V40%,DLIR-L/M/H)重建.分别测量肺动脉主干、左右肺动脉干、肺动脉主干层面椎旁肌肉的CT值、噪声(SD),计算其信噪比(SNR)、对比度噪声比(CNR),并进行客观评价.由2名高年资医师对所有图像进行评分.结果:5组图像在肺动脉主干、左、右肺动脉干的CT值差异均没有统计学意义(P>0.05);但5组图像的SD、CNR、SNR值差异均有统计学意义(P<0.01).DLIR的图像质量要显著优于ASiR-V,随着DLIR强度升高,SD值降低,SNR值升高.每名医师组内及2名医师组间的主观评分一致性均高,组内相关系数(ICC)值分别为0.838、0.879、0.843,5组图像主观评分差异均有统计学意义(P<0.01).图像质量趋势为DLIR-H>DLIR-M>DLIR-L>ASiR-V40%>FBP.结论:与FBP、ASiR-V40%算法相比,DLIR算法(TrueFidelity^(TM))能够显著降低图像噪声,提高SNR,且DLIR-H提供了最佳的主客观图像.DLIR算法在提高CTPA图像质量临床应用方面表现出巨大潜力.

深度学习重建算法在磁共振颅脑增强中减少钆喷酸葡胺使用剂量的有效性研究

目的探讨通过应用深度学习重建(deep learning reconstruction,DL-Recon)算法提高颅脑MRI图像质量,实现在MRI临床实践中减少对比剂——钆喷酸葡胺(Gd-diethylenetriamine pentametric acid,Gd-DTPA)使用剂量的可行性。材料与方法收集2022年8月1日至2022年9月30日于我院放射科进行头部MRI增强扫描的60例患者。采用随机对照法,按照是否降低Gd-DTPA注射量平均分为正常药量组和降低药量组,并对两组患者分别使用常规重建方法和基于DL-Recon技术获取相应的T1WI图像。由两名医师在双盲条件下圈定感兴趣区进行信噪比(signal-to-noise ratio,SNR)及对比噪声比(contrast-to-noise ratio,CNR)分析,并对图像质量、伪影、均匀度及增强效果进行主观和客观评价,主观评价应用LIKERT五分制法,客观评价中通过分别计算图像背景以及额上回(superior frontal gyrus,SFG)、蛛网膜下腔(subarachnoid space,SAS)和红核(red nucleus,RN)的SNR对图像对比度进行评价。结果Gd-DTPA正常药量组中,相较于采用常规重建方法获得的图像,应用DL-Recon方法获取的图像在图像质量上显著升高(SNRSFG升高48.9%,CNRSFG提高91.5%);DL-Recon获取的图像伪影和图像整体质量得分均显著高于常规重建的图像(P<0.05)。降低药量组中,通过DL-Recon获取的图像与正常药量组的常规重建图像增强效果差异无统计学意义(P>0.05)。结论基于DL-Recon算法的MRI具备在保证图像质量的前提下降低Gd-DTPA注射量的应用能力。

深度学习重建算法在提高门静脉CT图像质量中的应用研究

目的探讨深度学习重建算法(DLIR)在提高门静脉图像质量中的应用研究。方法回顾性纳入32例行腹部双期增强检查的患者,门静脉图像分别采用50%自适应统计迭代重建(ASIR V)及深度学习重建算法的中、高模式(DLIR-M、DLIR-H)进行重建。测量门静脉主干、右支、左支和同层椎旁肌肉的CT值和标准差,计算其对比噪声比,测量门静脉主干血管壁CT值边缘上升斜率(ERS)以评价其空间分辨率。主观评价由两名医师采用5分法分别从整体图像噪声、图像对比度、门静脉小分支显示三个方面进行评分,图像伪影则采用4分法进行评价;此外,单独计算门静脉小分支在三种重建算法中的显示率。结果门静脉主干、右支、左支的噪声在DLIR重建算法下显著低于ASIR-V 50%算法,其中DLIR-H噪声最低,CNR最高;门静脉主干的ERS在DLIR算法下也显著高于ASIR-V 50%算法(P<0.01)。主观评价方面,DLIR算法均显著优于ASIR-V 50%算法(P<0.01);此外,DLIR图像门静脉小分支的显示率分别是DLIR-M 93.75%、DLIR-H 100%,高于ASIR-V 50%(68.75%)。结论与ASIR-V 50%算法相比,DLIR算法能显著降低门静脉图像噪声,提高空间分辨率且可以有效提高门静脉小分支的显示率。

基于深度学习重建算法对上腹部CT图像质量的研究

目的:对比常规新一代自适应迭代重建算法(ASiR-V),研究基于深度学习的图像重建算法(DLIR)对上腹部增强CT图像质量和诊断信心的提高。方法:纳入30例行上腹部CT增强的患者,对其门静脉期原始数据使用滤波反投影(FBP),30%ASiR-V,70%ASiR-V和DLIR-低(L)、中(M)、高(H)3个重建等级分别进行重建。测量肝脏、脾脏和右侧竖脊肌的CT值,计算相应背景噪声(SD)值、信噪比(SNR)值和对比噪声比(CNR)值。2名放射科医师分别评价6组重建图像的图像噪声、细小结构显示及整体感观。结果:(1)客观评价:6组重建图像在肝脏、脾脏及右侧竖脊肌的SD值、CNR值和SNR值的差异均有统计学意义(P<0.001)。DLIR-H最优,DLIR-M与70%ASiR-V无显著性差异。随DLIR重建强度增加,SD值降低,SNR值和CNR值升高。(2)主观评价:2位放射科医师对图像质量的主观评价一致性尚可(kappa值分别为0.54、0.59、0.62)。DLIR-M和DLIR-H表现出最佳主观图像质量分数。结论:DLIR与FBP、ASiR-V算法相比,降噪效果更好,图像质量更高。DLIR-M和DLIR-H的重建图像提供了最优的主客观图像质量数据。

深度学习重建算法的图像质量体模研究

目的:使用体模比较CT深度学习重建算法和迭代重建算法的图像质量。方法:使用GE Revolution Apex扫描ACR质量控制体模Gammex 464,分别测量module 1~module 4的5种物质CT值准确性、低对比度分辨率、图像均匀性和高对比度分辨率。通过指标比较高剂量下(20 mGy)深度学习重建算法TrueFedelity(TFI)3种等级(DL、DM及DH)和自适应统计迭代重建算法V(AV)3种等级(30%、60%及90%)的图像质量。两种算法的各指标比较采用单因素方差分析。结果:所有6组图像的高/低分辨率均一致(高对比度分辨率:10 lp/cm;低对比度分辨率:6 mm);两种算法都轻微高估聚乙烯、空气以及丙烯酸的CT值,各物质间CT值差异不具有统计学意义。两种算法均低估骨和固态水的CT值,其中,TFI算法对固态水的CT值较AV更接近真实值,但各组图像间不具有统计学差异。6组图像中,TFIDH的图像均匀性最佳;同等级条件下,深度学习重建算法相较IR算法的图像均匀性更佳。结论:深度学习重建算法在高剂量水平下可以在保持图像空间分辨率和CT值准确性的基础上,进一步降低图像噪声。

不同混合权重深度学习重建算法对低剂量CT扫描肺结节定量分析准确性的影响

目的探讨深度学习重建算法对模拟肺结节定量分析准确性及图像质量的影响。方法使用GE Revolution CT对内置9枚模拟结节的仿真胸部体模进行低剂量CT扫描。采用滤波反投影法(Filtered Back Projection,FBP)及不同混合权重的深度学习图像重建(Deep Learning Image Reconstruction,DLIR)和自适应统计迭代重建(Adaptive Statistical Iterative Reconstruction-Veo,ASiR-V)算法对图像进行重建。利用人工智能辅助诊断软件对所有图像进行自动测量,与手动测量结果进行对比,并计算信噪比(Signal to Noise Ratio,SNR)及对比噪声比(Contrast to Noise Ratio,CNR)。结果不同混合权重、不同算法均不影响肺结节的手动测量结果(P>0.05),但DLIR的使用可能影响肺结节大小的自动测量结果(P=0.01);此外,DLIR算法计算的SNR、CNR最高,且DLIR-H拥有最好的图像质量(P<0.05)。结论与ASiR-V和FBP算法相比,DLIR可以显著改善图像质量;且DLIR的混合权重越高,图像质量改善越明显,测量方式不同不会影响这一结果。

深度学习重建算法对肝脏图像质量及肝转移瘤诊断的研究

目的对比常规滤波反投影(Filter Back Projection,FBP)和基于多模型迭代重建(Adaptive Statistical Iterative Reconstruction-Veo,ASiR-V)算法,评估深度学习图像重建(Deep Learning Image Reconstruction,DLIR)算法对提高肝转移瘤患者CT图像质量和诊断信心的临床应用可能性。方法连续收集肝转移瘤32例患者,行上腹部动态增强CT扫描,门脉期原始数据使用0%ASiR-V(FBP)、30%ASiR-V及3个重建强度的DLIR(L、M、H)进行重建。分别测量5组重建图像的肝病灶与肝组织CT值、同层面右侧椎旁肌肉噪声标准差(Standard Deviation,SD),并计算信噪比(Signal to Noise Ratio,SNR)和对比噪声比(ContrasttoNoiseRatio,CNR)。同时由2名放射科医师在图像质量、病灶显示及诊断信心方面对5组图像进行主观评分。结果图像质量方面,DLIR组客观图像质量指标均优于FBP及30%ASiR-V(P<0.001)。DLIR-H噪声最低(6.35±1.27),较FBP和30%ASiR-V分别减少70%、53%;进而在肝脏处的SNR(16.32±5.1)较FBP和30%ASiR-V分别增加了64%、53%;病灶处的SNR(10.09±4.16)较FBP和30%ASiR-V分别增加了66%、54%;病灶CNR(6.21±2.61)较FBP和30%ASiR-V分别增加了65%、53%(P<0.001)。病灶诊断信息方面,对于病灶显示及诊断信心的评分显示,DLIR得分均高于FBP、30%ASiR-V。因DLIR-H致细小结构模糊以及过度平滑,所以DLIR-M得分最高。结论DLIR与ASiR-V和FBP相比能显著降低图像噪声、提高图像质量,并提高病灶细节和诊断信心。

深度学习重建算法在低辐射剂量头颈联合CT血管成像中的应用价值

目的探讨深度学习重建算法(DLIR)与自适应统计迭代重建算法(ASiR-V)在头颈部CT血管成像(CTA)中检查剂量和成像质量的差异。方法前瞻性收集因头颈部血管疾病行头颈部CTA检查的患者80例。按照检查的先后顺序分为A组和B组,每组40例。A组采用管电压120kV,噪声指数11.0,ASiR-V50%重建;B组采用管电压80kV,噪声指数9.0,分别采用ASiR-V50%重建(B1组)和DLIR-H重建(B2组)。采用独立样本t检验比较两组的辐射剂量和图像质量。采用Kruskal-wallis检验和Wilcoxon秩和检验用于比较两种成像方式的辐射剂量和主观、客观图像质量。比较组间强化血管CT值,感兴趣区(ROI)的信号与噪声,计算信噪比(SNR)和对比信噪比(CNR)。结果A、B两组有效辐射剂量分别为(0.77±0.08)、(0.45±0.05)mSv,差异有统计学意义(t=21.96,P<0.001)。A、B1、B23组图像的主动脉弓、颈动脉起始部、颈动脉分叉层面、大脑中动脉M1段强化血管CT值、SD、SNR、CNR,差异均有统计学意义(F=67.69、68.50、50.52、74.10、63.10、91.22、69.16,P<0.001)。A、B1、B23组图像质量主观评分差异有统计学意义(Z=71.06,P<0.05)。结论DLIR算法能够在进一步降低头颈部CTA检查辐射剂量的同时,明显地减少图像噪声,保证了图像质量,具有良好的临床应用价值。

CT深度学习重建算法评估心胸部疾病的研究进展

图像重建算法可以在优化辐射剂量的同时,保持或者改善图像质量。随着人工智能快速发展,基于神经网络的新一代深度学习重建算法逐渐得以应用,为CT检查提供了一种在图像质量、辐射剂量和重建速度等方面优于现有重建算法的解决方案,目前在心胸疾病的诊断评估中已取得一些良好的应用。本文主要介绍深度学习重建算法的技术价值及在心胸部CT成像中的初步临床应用。

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。

深度学习重建算法改善颅脑低剂量CT图像质量的可行性研究

目的探讨深度学习重建算法(DLIR)较自适应统计迭代重建(ASIR-V)算法在改善颅脑低剂量CT图像质量方面的效果。方法回顾性纳入2021年11月至2022年8月在解放军总医院第二医学中心接受颅脑CT检查的患者,对所有患者的低剂量CT采用4种不同算法重建:获得30%强度ASIR-V(ASIR-V-30%)图像、低强度DLIR(DLIR-L)图像、中等强度DLIR(DLIR-M)图像和高强度DLIR(DLIR-H)图像。在4组图像的表浅白质、表浅灰质、深部白质和深部灰质内选取感兴趣区并测量其CT值,计算信噪比(SNR)和对比噪声比(CNR)。由3名神经影像医师按照Likert 5分量表对图像质量进行主观评分。对4组图像的客观、主观评分进行分析,若总体存在差异,则进行组内两两比较。结果共纳入109例患者,男104例、女5例,年龄65~110岁,平均(89.16±9.53)岁。颅脑CT低剂量扫描的辐射剂量为(0.93±0.01)mSv,显著低于常规扫描(2.92±0.01)mSv(t=56.15,P<0.05)。颅脑低剂量CT的4组图像的SNR_(深部灰质)、SNR_(深部白质)、SNR_(表浅灰质)、SNR_(表浅白质)、CNR_(深部灰白质)、CNR_(表浅灰白质)客观图像质量分析差异具有统计学意义(F=98.23、72.95、68.43、58.24、241.13、289.91,P<0.05),其中DLIR-H图像在深部灰质、深部白质、表浅灰质、表浅白质中噪声最低,与其他图像组间差异有统计学意义(t=167.43、275.46、182.32、361.54,P<0.05)。DLIR-H图像质量主观评分优于ASIR-V-30%、DLIR-L、DLIR-M,且差异具有统计学意义(t=7.25、8.32、9.63,P<0.05)。结论与ASIR-V相比,DLIR算法能够有效降低颅脑低剂量CT的图像噪声和伪影,并提高SNR和CNR,其中DLIR-H图像质量最佳。

深度学习重建算法在不同剂量水平下对CT影像组学特征的影响:体模研究

目的探讨不同辐射剂量水平下深度学习(DL)重建算法对CT影像组学特征的影响。方法应用联影uCT760,在120 kVp管电压下,采用高(150 mAs)、中(90 mAs)、低(30 mAs)3种剂量水平对PH-75体模进行扫描。体模中分别置入软组织棒(肝脏等价材料)、碘棒(12 mgI/ml),用于模拟腹部平扫和增强图像。扫描完成后,基于原始扫描数据采用滤波反投影(FBP)、DL(1~4级)算法进行图像重建。以ITK-SNAP软件手动勾画ROI,采用AK软件提取每一ROI的影像组学特征(7类共计107个),包括形状、一阶、灰度相关矩阵、灰度游程矩阵、灰度共生矩阵、灰度区域矩阵及邻域灰度差分矩阵。计算各特征变异系数(CV)以评价不同剂量水平下DL算法不同等级对不同组织CT影像组学特征的影响。结果对于平扫(肝脏等价材料)在高剂量和中剂量下,与FBP算法相比,DL算法使组学特征趋于稳定,随着DL等级的提升,稳定的组学特征数目增多;在低剂量下,变化趋势不显著,即使DL4级重建,部分特征仍变异度较大;相同算法下,随辐射剂量增加,稳定的组学特征数目增多。对于增强(碘棒,12 mgI/ml)在不同剂量水平下,与FBP算法相比,DL算法使组学特征趋于稳定,随着DL等级的提升,中等稳定特征数目减少,稳定及非常稳定特征数目增多,而不稳定特征数目在使用DL1级重建时,数目最少。结论采用DL重建算法可提高影像组学特征的稳定性,在不同剂量水平下均有一定优势。高等级的DL算法更利于组学特征提取,且对于平扫图像中软组织更为显著。

深度学习重建算法在提升冠状动脉CT血管成像钙化所致血流梗阻性病变诊断准确性中的价值

目的探讨基于深度学习重建算法(DLR)的冠状动脉CT血管成像(CCTA)图像质量和对钙化病变所致冠状动脉狭窄的诊断价值。方法前瞻性纳入2020年2月至2021年2月北京协和医院放射科确诊或拟诊冠心病的33例患者,其中男26例,女7例,年龄45~86(61.9±9.0)岁。所有患者接受CCTA检查并于1个月内进行有创冠状动脉造影(ICA)检查。采用DLR和混合迭代重建算法(HIR)重建CCTA图像。分别在主动脉根部、左主干开口、左前降支近段、左回旋支近段及右冠状动脉近段选取不同的感兴趣区测量两种图像的噪声、信噪比(SNR)、对比噪声比(CNR),并以Likert 4级评分法进行图像质量主观评分(1分,优秀;4分,不能诊断)。以ICA为金标准,计算基于DLR和HIR的CCTA诊断钙化斑块所致冠状动脉血流梗阻性病变的诊断效能。结果共33例患者的123处病变纳入分析。DLR图像的噪声低于HIR图像(定义为主动脉根部CT值的标准差:18.12±3.66比24.19±5.71,P<0.001),CNR和SNR均高于HIR图像(主动脉根部CNR:43.83±23.73比26.38±9.69,P<0.001,SNR:26.66±7.83比21.23±8.65,P<0.001),主观评分优于HIR图像(1.12±0.41比1.46±0.60,P<0.001)。DLR与HIR对于诊断钙化病变所致冠状动脉血流梗阻性病变的灵敏度、特异度和准确度分别为100.0%、77.4%、78.9%和100.0%、63.5%、65.9%。与HIR相比,DLR图像上CCTA的假阳性病例减少38%。结论基于人工智能的DLR重建算法能够显著降低CCTA图像噪声并提高图像质量。DLR有助于提高CCTA对钙化斑块所致冠状动脉血流梗阻性病变的诊断效能,具有良好的临床应用价值。

低辐射剂量联合深度学习重建算法在肝转移图像质量和诊断能力中研究

目的 探讨低辐射剂量联合深度学习重建算法(DLIR)在提高肝转移图像质量和诊断能力中的应用价值。方法 前瞻性搜集因临床需要行上腹部CT增强检查的肝转移患者30例,静脉期采用标准辐射剂量扫描联合前置多模型迭代重建算法V(ASiR-V)40%算法行图像重建(对照组),加扫第二静脉期采用50%低辐射剂量扫描并联合DLIR算法三个强度水平[低(L)、中(M)、高(H)]行图像重建(实验组)。对所有图像行客观评价[图像噪声、肝转移病灶的对比噪声比(CNR)、肝脏和门静脉的信噪比(SNR)]及主观评价[总体图像质量和病灶显示能力]。采用单因素方差分析和Kruskal-Wallis H检验比较4组图像的客观和主观评价指标。结果 DLIR-L组的噪声高于ASiR-V40%组(P<0.05),病灶CNR、肝脏和门静脉SNR、总体图像质量和病灶显示能力均低于ASiR-V40%,但两组的肝脏SNR与总体图像质量差异均无统计学意义。DLIR-M组和ASiR-V40%组的噪声、病灶CNR、肝脏和门静脉SNR、总体图像质量与病灶显示能力差异均无统计学意义。与ASiR-V40%组相比,DLIR-H组的噪声减低(P<0.05),病灶CNR、肝脏和门静脉SNR和病灶显示能力相当,总体图像质量提高(P<0.05)。在DLIR 3组间,噪声随重建强度水平(DLIR-L、DLIR-M、DLIR-H)的升高而降低,总体图像质量和病灶显示能力随强度水平的提高而提高,且各组间差异有统计学意义(P<0.05)。病灶CNR、肝脏和门静脉SNR随DLIR强度的提高而降低,但仅DLIR-H与DLIR-L组差异有统计学意义(P<0.05)。结论 与ASiR-V40%相比,采用DLIR-H重建在减低50%辐射剂量条件下提高总体图像质量且保持肝转移病灶诊断能力不降低。

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。

CT血管造影对冠状动脉疾病诊断的临床价值

目的:探讨计算机断层扫描(CT)血管造影对于冠状动脉疾病诊断的临床价值。方法:选取2019年1月—2024年1月华池县人民医院收治的疑似冠心病患者80例作为研究对象。所有患者均接受冠状动脉CT血管造影检查,运用深度学习重建(DLIR)算法、自适应统计迭代重建(ASIR)算法对CT血管造影图像进行重建处理,对比不同算法的噪声、图像质量评分。以有创冠状动脉造影检查结果作为冠心病诊断的金标准,对比在冠心病诊断中应用不同算法进行CT血管造影检查的诊断结果,并对比不同算法对于冠状动脉不同狭窄程度的检出率。结果:DLIR算法的噪声低于ASIR算法,但图像质量评分高于ASIR算法(P<0.001)。对冠心病进行诊断时,DLIR算法的诊断灵敏度、特异度、准确率、阳性预测值、阴性预测值均高于ASIR算法(P<0.05)。DLIR算法检查中度冠状动脉狭窄的检出率高于ASIR算法(P<0.05);对于重度冠状动脉狭窄,两种算法的检出率比较差异无统计学意义(P>0.05)。结论:CT血管造影对于冠心病具有良好的诊断价值,尤其是应用DLIR算法对CT血管造影图像进行重建处理,可起到降低噪声、提高图像质量的作用,提高对冠状动脉病变诊断的准确性。

深度学习图像重建算法对低辐射剂量下乏血供肝转移瘤CT图像质量及检出效能的影响

目的通过与多模型迭代重建算法(ASiR-V)对比, 探讨深度学习图像重建(DLIR)算法在低辐射剂量下对乏血供肝转移瘤CT图像质量及检出效能的影响。方法前瞻性收集2021年1月至4月郑州大学第一附属医院因乏血供肝转移病变需行全腹部增强CT的56例患者, 增强后第1静脉期均行常规辐射剂量(400 mA)CT扫描, 根据第2静脉期管电流的不同将患者分为A(280 mA, 19例)、B(200 mA, 19例)、C(120 mA, 18例)组。各组第1静脉期和第2静脉期图像均进行权重为60%的ASiR-V(ASiR-V60%)和高强度的DLIR(DLIR-H)重建。图像质量客观评价指标包括噪声、肝脏的信噪比(SNR肝脏)和门静脉的信噪比(SNR门静脉)、病灶的对比噪声比(CNR病灶), 主观评价指标包括总体图像质量评分、病灶显示能力评分、诊断信心度评分, 并记录各组有效辐射剂量(ED)和病灶检出率。采用配对t检验比较ASiR-V60%和DLIR-H图像间客观指标的差异, 采用配对资料的Wilcoxon符号秩和检验比较主观评价指标。结果第2静脉期A、B、C组ED分别为(5.56±0.35)、(3.88±0.23)、(2.42±0.23)mSv。A、B、C组第2静脉期的ED分别比第1静脉期的ED降低30%、50%、70%。随着辐射剂量的降低, 噪声逐渐增加, CNR病灶、SNR肝脏、SNR门静脉逐渐降低。在相同辐射剂量条件下, DLIR-H的图像的客观评价指标均优于ASiR-V60%, 差异有统计学意义(P均<0.001)。各组的主观评分随辐射剂量的降低而降低, 在相同辐射剂量条件下, DLIR-H的总体图像质量、病灶显示能力和诊断信心评分均高于ASiR-V60%(P均<0.001)。A组的ASiR-V60%和DLIR-H均将全部病灶检出, 检出率为100%(84/84), B组检出率均为92.0%(75/81), C组检出率均为88.0%(79/89)。结论与ASiR-V60%相比, DLIR-H在低辐射剂量下均可提高总体图像质量及乏血供肝转移病灶的显示能力, 增加诊断信心。

非视域成像三维图像重建技术分析研究与展望

非视域成像(non-line-of-sight, NLOS)技术是相对于视域成像而言的,传统光学成像技术只能对视线范围内的场景进行成像,而非视域成像则通过先进的光学成像技术,能够对视线范围以外的隐藏目标进行成像,其通过光子的多次散射获取隐藏目标的信息后,需要通过后期图像重建算法对隐藏目标进行恢复,因此图像重建技术对非视域成像至关重要,是评估其成像系统的重要指标。本文针对现有的非视域成像的图像重建技术进行分析、总结归纳,将重建算法分为四大类:经典反投影图像重建方法、基于波场域的图像重建方法、基于最优化图像重建方法和基于深度学习重建方法。并对几种不同的重建技术进行对比分析,最后讨论了非视域成像三维图像重建技术的发展前景。