比较双低扫描深度学习重组、能谱成像单能量重组CTPA图像质量、辐射剂量

目的比较双低扫描(低千伏、低剂量对比剂)深度学习重组(DLIR)与能谱成像单能量重组CT肺动脉造影(CTPA)的图像质量、辐射剂量。方法回顾性分析2021年9月至2022年3月本院行CTPA检查的患者资料。根据扫描方式将患者随机分为DLIR组[管电压80 kV,DLIR高档(DL-H)算法重组]、能谱组(80/140 kV瞬切能谱扫描模式,50%ASIR-V算法重组),并固定两组扫描模式的噪声指数以及对比剂剂量一致。两组对比剂(碘海醇350 mgI/ml)注射剂量均为20 ml,注射流率4.5 ml/s。利用能谱分析软件分别重组40 keV、50 keV、60 keV、70 keV四组单能量图像,比较各组单能量图像质量,获得能谱成像最佳单能量序列。比较DLIR、能谱最佳单能量成像肺动脉及其主要分支CT值、图像噪声、信噪比(SNR)、对比噪声比(CNR)以及图像质量主观评分、诊断信心。分别记录CT容积剂量指数(CTDIvol)、剂量长度乘积(DLP)、有效辐射剂量(ED)等。结果共纳入60例患者,DLIR组、能谱组各30例。40 keV、50 keV、60 keV、70 keV四组单能量图像中,40 keV组肺动脉主干、左右肺动脉干CT值、图像噪声最高,且随着keV的增加而降低。60 keV单能量图像CNR最高,为最佳单能量图像。DLIR组肺动脉主干、左右肺动脉干、左上、左下肺动脉干、右上、右下肺动脉干的CT值、SNR、CNR均高于60 keV组,差异具有统计学意义(P<0.05)。DLIR组的主观评分、诊断信心较60 keV组分别增加32.4%、16.7%,差异具有统计学意义(P<0.01)。DLIR组辐射剂量参数CTDIvol、DLP及ED较60 keV组分别降低约56%、61%、61%,差异均具有统计学意义(P<0.01)。结论CTPA双低扫描模式中,DLIR的图像质量、辐射剂量优于能谱成像60 keV单能量重组。

深度学习图像重组算法对提高薄层增强CT胰腺癌图像质量及肿瘤显著性的价值

目的 探讨深度学习图像重组(DLIR)算法提高胰腺导管腺癌(PDAC)患者薄层增强CT(CECT)扫描的图像质量及肿瘤显著性的可行性,并与滤波反投影(FBP)算法和基于混合模型的自适应统计迭代重组(ASIR-V)算法进行对比。方法 回顾性分析经病理证实为PDAC且术前行双期CECT扫描的44例患者,将门静脉期图像的原始数据采用FBP、60%ASIR-V及低(L)、中(M)和高(H)强度水平的DLIR算法重组为0.625 mm的薄层图像。分别采用方差分析和Friedman检验比较各组间客观评估指标(噪声值、图像纹理、低对比度分辨率、高对比度分辨率)和主观评估指标(图像噪声、锐利度、总体图像质量和肿瘤显著性)。结果 DLIR组图像纹理和低对比度分辨率均与FBP组相当但均优于60%ASIR-V组,DLIR组噪声值显著低于FBP组和60%ASIR-V组(P均<0.05)。DLIR组各主观评估指标均优于或相当于FBP组和60%ASIR-V组。随着DLIR重组强度增大,高对比度分辨率和锐利度评分变化不大,低对比度分辨率和噪声变低,图像纹理变模糊,总体图像质量和肿瘤显著性评分增高。结论 DLIR可显著改善薄层增强CT图像的图像质量,提高PDAC的肿瘤显著性。

TrueFidelity深度学习图像重组技术在儿童副鼻窦超低剂量CT检查中的初步应用研究

目的 探讨TrueFidelity深度学习重组(DLIR)技术在儿童副鼻窦超低剂量CT检查中的价值。方法 回顾性分析因鼻窦炎或鼻部外伤行CT扫描患儿50例的资料,实验组(A组)25例采用100 kVp扫描,Smart mA 60~250 mA,前置多模型自适应统计迭代重组(ASIR-V)权重70%,DLIR图像重组,重组强度分别为高级、中级和低级;对照组(B组)25例采用100 kVp扫描,Smart mA 60~250 mA,前置ASIR-V权重30%,后置ASIR-V重组,重组权重选择70%。比较两组的辐射剂量常、图像噪声、信噪比(SNR)、对比噪声比(CNR)及主观评分。辐射剂量记录剂量长度乘积(DLP)值,并计算有效辐射剂量(ED)值。结果 A、B两组ED差异有统计学意义,A组辐射剂量较B组明显降低(t_(DLP)=-34.56,t_(ED)=-23.00,P<0.05),A组DLP和ED分别比B组降低了83.92%[(36.65±2.44)mGy·cm vs.(227.92±27.58) mGy·cm]和83.17%[(0.17±0.03)mSv vs.(1.01±0.18)mSv]。DLIR不同重组强度中高强度重组(DLIR-High)图像质量最佳,其作为实验组与对照组对比图像质量。A、B组图像噪声、CNR差异有统计学意义(t_(噪声)=3.30,t_(CNR)=4.08,P<0.05),A组图像噪声低于B组,A组CNR高于B组,SNR值差异无统计学意义(t_(鼻甲黏膜SNR)=1.73,t_(颞下窝脂肪SNR)=0.29,P>0.05)。A、B组图像主观评分:筛窦、上颌窦处评分无统计学意义(z_(筛窦)=-0.84,z_(上颌窦)=-1.07,P>0.05);鼻咽处有统计学意义(z_(鼻咽)=-5.21,P<0.05),为A组优于B组。结论 A组图像质量整体优于B组,在儿童副鼻窦扫描中采用超低剂量扫描联合DLIR技术,在显著降低辐射剂量的同时,可保证图像质量。

低剂量条件下深度学习图像重组算法与多模型迭代重组算法对腹部增强CT图像质量的影响

目的比较深度学习重组算法(DLIR)和多模型迭代重组算法(ASIR-V)在腹部低剂量CT增强扫描中对图像质量的影响,探讨DLIR在降噪以及提高图像质量等方面的价值。方法采取前瞻性队列研究的方法,对30例患者行腹部四期增强扫描。选择动脉晚期行低剂量扫描,其他三期行常规扫描。所得动脉晚期低剂量原始数据行ASIR-V40%、DLIR-M(中度)、DLIR-H(高度)3种重组方式进行重组。对3组图像进行肝脏、脾脏、主动脉、腰大肌及腹壁脂肪测量CT值、SD值,并计算相应信噪比及对比噪声比。由两位放射科医师对图像质量进行主观评分。结果两位医师对图像的主观评价一致性高。DLIR组所得评分均高于ASIR-V组;DLIR-H与DLIR-M所得肝脏、脾脏、主动脉及腹壁脂肪的SD值均小于ASIR-V40%(P值均<0.001);DLIR-H与DLIR-M肝脏、脾脏、主动脉的SNR、CNR值均大于ASIR-V40%(P值均<0.001),且DLIR-H较DLIR-M更具优势。结论DLIR相较于ASIR-V对于腹部低剂量图像的重组可以更好的降噪和改善图像质量。