机器学习驱动锅炉燃烧优化技术的现状与展望

伴随可再生能源发电装机容量快速增加,深度调峰过程中负荷多变、燃烧失稳等不稳定工况对火电机组的燃烧优化控制提出了更高要求,快速发展的人工智能技术与深度学习算法为锅炉参数预测建模及优化提供了重要手段。在机器学习算法方面,总结了特征筛选与建模算法的研究现状,提出了传统统计学方法与线性降维方法的科学解释性较差且不能很好地辨识高维数据,结合深度学习算法的特征筛选方法在处理复杂的火电机组数据时优势更明显;对比了多种神经网络在NO_(x)排放浓度建模中的优缺点,其中长短期记忆神经网络与卷积神经网络在处理时序数据时效果更好、集成模型通过组合不同学习器的优势可提高整个模型的泛化能力和鲁棒性。在预测模型的应用方面,通过对SCR脱硝系统建立预测模型可以方便运行人员模拟并修正可调参数,同时作为软测量手段监测燃烧系统运行状态;引入NO_(x)排放浓度预测模型的前馈控制和模型预测控制等先进控制手段可有效改善火电机组传统PID控制效果较差的问题;在多目标优化中NO_(x)脱除效率通常与锅炉效率或脱硝成本共同作为优化目标,以期实现经济效益与社会效益的和谐统一。

投影域与图像域联合学习重建网络用于重建有限角度胸部CT图像

目的观察双域(投影域与图像域)联合学习重建网络(DDRNet)用于重建胸部有限角度CT图像的价值。方法回顾性收集65例胸部肿瘤患者共4300幅胸部增强CT图像,以DDRNet进行重建,并将三维与二维投影信息融合;评估重建效果,并与单域重建,滤波反投影法(FBP)、基于残差的编码/解码网络(RED-CNN)、Resnet+反卷积网络(RDN)及生成对抗网络(GAN)重建结果进行比较。结果DDRNet重建图像峰值信噪比(PSNR)于迭代约60轮后,而投影域和图像域学习网络则于迭代约90轮和80轮后趋于稳定。训练稳定后,相比投影域学习网络,DDRNet和图像域学习网络输出结果波动更小;训练200轮后,DDRNet重建图像PSNR显著高于投影域和图像域学习网络。DDRNet重建图像质量明显优于FBP、RED-CNN、RDN及GAN。结论DDRNet可有效重建高质量胸部有限角度CT图像。

深度学习迭代重建算法优化儿童头颅CT图像噪声和图像纹理的可行性

目的评价深度学习迭代重建(DLIR)算法与常规自适应迭代重建(ASIR-V)算法对儿童头颅外伤CT图像噪声和图像纹理的优化程度及图像显示效果的差异。资料与方法回顾性选取2020年12月7—11日首都医科大学附属北京儿童医院影像中心80例儿童头颅CT,扫描方案为低辐射剂量轴扫,电压120 kV,电流150~220 mA。将得到的原始数据重建为5 mm厚层与0.625 mm薄层的脑窗、骨窗图像,分别重建为50%ASIR-V、高权重DLIR图像(DL-H),共8组图像。应用4分制主观评价脑沟脑室、脑灰白质与颅骨显示情况,并统计各组图像的病变数量;客观评价测量基底节层面的灰质和白质的CT值和噪声值,并计算对比噪声比,同时在同层面测量模糊程度指数,比较两种图像重建方法的差异。结果相较于50%ASIR-V图像,2种层厚的DL-H均可以提升脑沟脑室、脑实质显示能力(W=5.5~22.2,P均<0.05),5 mm的50%ASIR-V与0.625 mm的DL-H图像脑沟脑室、脑实质显示能力差异无统计学意义(W=0.9、2.0,P=0.32、0.05)。骨质显示能力方面,所有图像均可以达到满分4.0分。5 mm的50%ASIR-V与DL-H图像均可以在80例患者中发现共35处病变,包括出血病变12处,颅内积气1处,骨折9处,头皮软组织肿胀13处。客观评分方面,DL-H图像噪声低于50%ASIR-V图像(t=21.4~35.7,P均<0.05),0.625 mm的DL-H与5 mm的50%ASIR-V图像噪声及对比噪声比差异无统计学意义(t=1.7~2.2,P均≥0.05)。模糊程度指数显示DL-H优于50%ASIR-V图像(t=6.1、10.0,P均<0.05),0.625 mm的DL-H与5 mm的50%ASIR-V模糊程度指数差异无统计学意义(t=2.6,P=0.28)。结论DLIR可以降低图像噪声,改善图像纹理,整体提升儿童头颅外伤CT图像质量,0.625 mm的DL-H图像质量接近5 mm的50%ASIR-V图像,可以达到诊断要求,使进一步降低儿童头颅外伤的辐射剂量成为可能。

深度学习图像重建算法对能谱CT单能量图像质量影响的体模研究

目的 探讨基于深度学习的图像重建算法(DLIR)对能谱CT单能量图像及能谱曲线图像质量的影响。方法 将9支装有不同管径及不同浓度碘造影剂及水和钙溶液的聚丙烯试管放置在1个直径为20 cm的圆柱形聚丙烯体模(QSP)内,采用Revolution APEX CT对体模进行能谱CT成像,利用能谱分析软件重建出40~140 keV单能量图像及能谱曲线,选取碘造影剂浓度为3.75 mgI/mL(可模拟延迟期或实质脏器增强等)、15 mgI/mL(可模拟动脉期的腹主动脉)及Water(可模拟平扫期及囊肿、肌肉等用于图像背景的非增强物质)3支试管进行数据测量,分别在FBP、40%ASIR-V(常规临床检查参数)及True FidelityTM(DLIR-L、DLIR-M、DLIR-H)5组图像测量单能量图像(40 keV、70 keV、100 keV)的CT值,计算图像的信噪比(SNR),对比5组图像质量的差异。结果 低浓度碘造影剂(3.75 mgI/mL)、高浓度碘造影剂(15.00 mgI/mL)及水试管内FBP、40%ASIR-V及True FidelityTM(DLIR-L、DLIR-M、DLIR-H)5组图像40 keV、70 keV、100 keV的CT值比较,差异无统计学意义(P>0.05)。40 keV、70 keV、100 keV图像噪声及图像信噪比5组比较,差异均有统计学意义(P<0.05)。True FidelityTM下的噪声值均较FBP及40%ASIR-V降低,图像信噪比提高(P<0.05),True FidelityTM-DLIR-H噪声最小,信噪比最高。结论 在能谱CT成像中,True FidelityTM较FBP及40%ASIR-V在单能量图像噪声降低,信噪比提高。

基于增强CT的深度学习模型预测胃肠道间质瘤Ki-67表达的双中心研究

目的探讨基于增强CT的深度学习模型术前无创预测胃肠道间质瘤(GIST)Ki-67表达的价值。方法回顾性收集2所医院经手术病理证实且行免疫病理学染色的262例GIST病人的临床及影像学资料,其中男140例、女122例,平均年龄(55.82±10.13)岁。将一所医院收集的190例病人使用随机分层抽样法以7∶3的比例分为训练组(133例)和内部验证组(57例);将另一所医院收集的病人作为外部验证组(72例)。应用Resnet34、Resnet50、Densenet、Efficientnet和Efficientnetv2等5种基础网络进行模型训练和优化。采用受试者操作特征曲线下面积(AUC)、准确度、特异度、敏感度评估模型的预测效能。使用DeLong检验比较各模型间AUC值差异,得到最佳网络模型。应用梯度类加权激活映射(Grad-CAM)可视化的方法在原始CT图像上生成注意力热图。结果当学习率(Lr)为0.0005时,5种模型在训练组、内部验证组、外部验证组中预测Ki-67表达的AUC值均高于Lr=0.0001时。Densenet(Lr=0.0005)模型在训练组、内部验证组、外部验证组中对Ki-67表达的预测效能、准确度均最佳,AUC分别为0.983、0.930、0.925,预测准确度分别为92.77%、88.14%、87.77%。Efficientnet模型的预测敏感度最佳,Efficientnetv2模型的预测特异度最佳,但两者准确度均低于其他模型。注意力热图显示模型可以从矩形兴趣区(ROI)中正确识别肿瘤区域,合理解释模型的决策逻辑。结论基于增强CT的深度学习模型具有良好的稳定性和诊断效能,是一种无创预测GIST Ki-67表达的潜在方法。

进展期胃癌生存预测:基于增强CT深度学习模型的构建

目的:探讨基于术前增强CT构建的深度学习(DL)模型对进展期胃癌(AGC)1、2、3年生存概率的预测价值。方法:回顾性分析2013年1月-2015年12月在本院经病理证实为AGC的337例患者的临床和CT资料。按照7:3的比例将患者随机分为训练集(n=237)和验证集(n=100)。采用数据增强技术增加训练集的数据量,随后基于术前CT增强静脉期图像构建残差卷积神经网络结构的DL模型,预测AGC患者1、2、3年的生存概率。经Cox单因素及多因素分析构建临床模型,然后联合DL模型和临床模型构建综合模型并绘制其诺莫图。计算各模型的Harrel一致性指数(C-index)和风险比(HR),并应用Kaplan-Meier曲线、校准曲线及临床决策曲线比较3种模型对OS的预测效能。结果:在训练集和验证集中,临床模型、DL模型和综合模型的C-index值分别为0.70(95%CI:0.65~0.75)、0.72(95%CI:0.67~0.76)、0.74(95%CI:0.69~0.78)和0.64(95%CI:0.56~0.71)、0.66(95%CI:0.58~0.73)、0.67(95%CI:0.59~0.74),表明综合模型具有最优的生存期预测能力;三个模型的HR分别为2.72(95%CI:2.06~4.02)、2.88(95%CI:1.89~4.39)、2.72(95%CI:2.13~3.49)和2.11(95%CI:1.43~3.11)、4.32(95%CI:1.66~11.24)、1.89(95%CI:1.36~2.60),均以DL模型的HR最高,表明DL模型预测的高危人群具有更高的死亡风险。校准曲线分析显示基于综合模型的诺莫图预测AGC患者1、2、3年生存概率与实际的预后随访结果具有较高的一致性。临床决策曲线显示综合模型的净收益优于其它2种模型。结论:基于CT增强静脉期图像利用残差卷积神经网络构建的DL模型是一种良好的AGC患者生存风险评估模型,对AGC患者生存期的早期预判具有较高的临床应用价值。

基于CT影像的人工智能在肾上腺良性肿瘤中的应用进展

CT是诊断肾上腺良性肿瘤的重要手段,但仍有少部分肾上腺良性肿瘤难以确诊。人工智能(AI)可以运用计算机算法模仿人脑且具有学习和解决问题等任务的能力,包括机器学习和深度学习,已广泛应用于肾上腺良性肿瘤的诊断、鉴别诊断及治疗。就目前基于CT影像的人工智能在肾上腺良性肿瘤中的应用进展进行综述。

深度学习重建算法在超重者低剂量骶髂关节CT中的价值

目的探索基于深度学习重建算法的低剂量CT检查在评价超重者骶髂关节病变中的应用价值。方法回顾性分析2017年3月—2023年5月于我院行骶髂关节CT检查的超重者(BMI≥24 kg/m2)。依据扫描条件分为常规剂量组(SDCT)、低剂量组(LDCT)和超低剂量组(ULDCT)。SDCT图像由混合迭代重建(HIR)算法重建,LDCT和ULDCT由深度学习重建(DLR)算法重建。测量并计算三组图像的噪声、第一骶椎信噪比(SNR)及对比信噪比(CNR)。采用五分制评分法对三组图像整体图像质量及骶髂关节病变特征显示进行主观评价。采用单因素或Kruskal-Wallis ANOVA检验比较三组患者的辐射剂量与图像质量。结果LDCT和ULDCT组的有效辐射剂量为(1.01±0.07)mSv、(0.43±0.02)mSv,相较于SDCT组[(1.49±0.10)mSv]降低了32.2%和71.1%,差异有统计学意义(P<0.001)。噪声、骶椎SNR和CNR在三组间有统计学差异(P<0.001),LDCT组噪声(25.05±2.75)低于ULDCT组(31.26±3.51)和SDCT组(51.25±1.59),LDCT组SNR和CNR(10.38±0.56和7.92±0.50)高于ULDCT组和SDCT组(8.27±0.60和6.71±0.49、4.70±0.23和3.55±0.20),组间比较差异均有统计学意义(P均<0.05)。LDCT组图像整体评分高于SDCT组和ULDCT组(P=0.001、0.018),后两组整体评分无统计学差异(P=0.364);DLR-LDCT组对关节面骨质破坏、关节面间隙狭窄或增宽、关节面下骨质囊变等病变特征显示的评分高于HIR-SDCT组(P均<0.05)。结论在超重者中,应用DLR算法能改善低剂量和超低剂量骶髂关节CT的图像质量,优化病变特征的显示,降低辐射剂量。

改进YOLOv7的X光图像危险品检测算法

针对X光安检图像在危险品检测时背景复杂、遮挡严重、尺度多变等问题,对YOLOv7算法进行了改进,在提高检测精度的同时使网络更加轻量化。首先构建PS-ELAN模块替换原主干网络中的ELAN模块,减少网络计算量和内存占用,同时提升网络的特征提取能力。其次将无参注意力机制SimAM与可变形卷积DCNv2融合至颈部网络的下采样阶段,提高网络对X光图像危险品关键特征的捕捉能力。最后引入Dynamic Head模块,增强检测头的尺度感知、空间感知和任务感知,提高网络的检测性能。实验结果表明,改进后的算法在自制数据集和CLCXray数据集上的平均精度均值(mean average precision,mAP)比原YOLOv7模型分别提高了4.7个百分点和1.2个百分点,参数量和计算量分别下降了16.2%和23.1%。改进后的算法提高了检测能力,同时更为轻量化,可在实际安检中起到很好的辅助作用。

塔里木盆地顺北地区顺北84X井超千米含油气重大发现及其意义

塔里木盆地顺北中部北东向走滑断裂带长期处于油气运聚富集的优势区,顺北8号走滑断裂带实钻揭示沿断裂带发育断控缝洞型油气藏,顺北84X井纵向上沿断裂带含油气高度高达1088 m,揭示断控缝洞型油气藏含油气高度大、不受现今构造高低控制。为查明断控缝洞型油气藏含油气高度的主控因素,立足顺北中部奥陶系碳酸盐岩油气藏的成藏地质条件和钻探成果,开展顺北84X井的储层、圈闭及成藏特征等石油地质条件分析,为深化断控缝洞型油气藏认识和向深层评价拓展提供支撑。研究表明:①走滑构造破碎是致密碳酸盐岩成储的关键,其储层发育深度不受碳酸盐岩地层埋深的控制,在近9000 m的埋深条件下仍发育断控缝洞型储集体;②上覆巨厚泥岩盖层顶封、两侧致密灰岩侧封、走滑断裂平面分段和纵向分层变形是形成断控缝洞型圈闭的关键;③油-源对比分析表明油气来自寒武系玉尔吐斯组烃源岩,证实了前期顺北中、东部“寒武多期供烃、构造破裂成储、原地垂向输导、晚期成藏为主、走滑断裂控富”的成藏模式的合理性。顺北84X井的发现揭示塔里木盆地超深层致密碳酸盐岩发育受走滑断裂控制,储层纵向深度大,油气充注足,超深层勘探潜力巨大。

基于深度学习的焊缝缺陷X射线检测图像识别与增强

为了提高焊缝缺陷X射线图像识别的准确率,需要采用有效的图像增强技术,笔者研究了不同图像增强方法对焊缝图像质量的影响,用峰值信噪比、结构相似度、结构清晰度、信息熵等参数对图像增强质量进行评价。试验结果表明,直方图均衡化(HE)与限制对比度自适应直方图均衡化(CLAHE)有较好的对比度增强效果,非局部均值滤波(NLM)与小波降噪(DWT)的去噪综合表现较好。基于CLAHE-NLM的图像增强处理可以更有效地帮助深度学习模型进行焊缝缺陷分类识别,焊缝缺陷分类的准确率与F1值达97.6%和96.93%,相较于未增强处理的数据集提高了3.2%与5.23%。

基于深度学习的X射线燃料棒端塞缺陷自动检测方法研究

为了提高深度学习在X射线燃料棒端塞缺陷检测中的准确性,实现更高精度的无损检测,本文基于YOLOX的目标检测模型,针对该场景下目标缺陷尺寸极小的特点,对网络结构和损失函数进行了相应的改进,并在工业数据集上进行了验证。结果表明,该算法方案在保持较高识别速度的同时,识别精度获得了明显的提升,达到生产检测要求。该研究方法为今后燃料棒端塞焊缝X射线数字检测图像的高精度自动分析评价打下了坚实的基础。

深度学习重建算法对肾上腺肿瘤的检出及鉴别效能的影响

目的:探讨不同等级深度学习图像重建(DLIR)算法对肾上腺肿瘤的检出、组学特征可重复性和组学模型鉴别肿瘤类型效能的影响。方法:回顾性收集41例肾上腺功能性腺瘤(FAA)和46例肾上腺转移瘤(AM)患者的临床和影像资料。CT增强扫描完成后,对静脉期的原始数据采用4种强度等级(DL1、DL2、DL3、DL4)的DLIR算法进行重建。首先采用主、客观指标比较4种等级间图像质量的差异;然后使用Research Portal V1.1科研平台对各组重建图像上肾上腺肿瘤进行分割并提取450个影像组学特征,包括原始图像特征90个和拉普拉斯(LoG)滤波后的高阶特征(高斯核:0.5、1.0、1.5、2.0)360个。采用一致性相关系数(CCC)评估采用不同图像重建等级测量的FAA和AM组学特征的可重复性。最后,在各组重建图像中采用逐步特征选择策略,筛选出最优特征集并构建鉴别FAA和AM的组学模型。利用五折交叉验证法验证4个组学模型的鉴别效能,利用分层交叉验证法测评4个模型的泛化能力。结果:DL2和DL3在肾显示上腺肿瘤的清晰度方面最优,得分为4(4,5),优于DL1相应得分4(3,5)和DL4相应得分4(3,4),且差异具有统计学意义(F=139.045,P<0.05)。随着DLIR降噪等级的提升,原始特征CCC值>0.85的个数逐渐减少,DL4中FAA和AM特征可重复的比例仅占39.3%(21/90)和50.9%(29/90)。组学特征经过LoG滤波(高斯核2.0)处理后,CCC值>0.85的个数增加,DL4中FAA和AM特征可重复的比例占91.1%(82/90)和93.3%(84/90)。4个组学模型在测试集中的曲线下面积(AUC)和符合率均>0.75,DeLong检验显示AUC的差异无统计学意义(Z=0.177~1.284,P=0.199~0.859)。但分层交叉验证显示,DL4重建图像的泛化能力最弱,AUC和符合率均<0.75。结论:高降噪等级的DLIR算法会降低对肾上腺肿瘤显示的清晰度以及组学模型的泛化性。虽然LoG滤波器(高斯核:2.0)有助于提升组学特征测量的可重复性,但仍建议在肾上腺影像诊断和组学模型训练时,使用中低降噪等级的DLIR图像。

超临界对冲燃烧锅炉低负荷运行及环保性能的模拟研究

为获得某电厂超临界对冲燃烧锅炉低负荷工况下的运行及环保性能,基于锅炉设计参数与现场试验数据,采用ANSYS Fluent软件对低负荷运行状态进行数值模拟研究,根据现场实际试验的情况控制燃烧器的投运方式、风速和风量等边界条件,模拟结果直观反映炉膛内的燃烧状态,并进一步对比25%和30%负荷工况的计算情况。结果表明,在25%负荷工况下,温度场及速度场表现均匀对称,整体稳燃性能优于30%负荷工况;30%负荷工况供风量大,O_(2)充足,CO浓度低于25%工况,但由于30%负荷工况多投运后墙中层燃烧器,对冲性能差,不仅容易造成前墙水冷壁超温,还会产生更多的NO_(x)堆积于前墙,出口的NO_(x)排放浓度为531.69 mg/m^(3),约为25%负荷工况的1.35倍。

基于自监督特征提取的骨骼X线影像异常检测方法

为探索自监督特征提取方法在骨骼X线影像异常检测方面的可行性,提出了基于自监督特征提取的骨骼X线影像异常检测方法。将自监督学习框架与ViT(Vision Transformer)模型结合用于骨骼异常检测的特征提取,并通过线性分类器进行异常检测分类,在特征提取阶段可有效避免有监督模型对大规模有标注数据的依赖性。在公开的骨骼X线影像数据集上进行实验,采用准确率分别评估预训练的卷积神经网络(CNN)和自监督特征提取的骨骼异常检测模型。实验结果表明,自监督特征提取模型相较于一般的CNN模型效果更优,在7个部位分类结果与有监督的CNN模型ResNet50相差无几,但在肘部、手指、肱骨的异常检测中准确率均取得了最优值,平均准确率提升了5.37个百分点。所提方法易于实现,可以作为放射科医生初步诊断的可视化辅助工具。

基于神经网络深度学习模型的踝关节X线片标志点自动定位研究

目的探索基于神经网络深度学习模型的踝关节X线片标志点自动定位方法及其应用价值。方法选取陕西省人民医院2019年1月至2022年11月间行X线检查的360例成年人正常左踝关节正、侧位片影像资料为研究对象,将其随机分配至训练集(210例)、验证集(90例)和测试集(60例)。以人工标注作为参考,对图像预处理后分别建立基于神经网络Unet架构的踝关节X线片标志点预测模型,生成对应的热力图,并用测试集数据进行验证。结果在踝关节X线正位片6个标志点的预测中,2 mm阈值的平均正确估计比例(Percentage of Correct Keypoints,PCK)可达99.7%,总体平均径向误差(Mean Radial Errors,MRE)为0.411,总体标准差(Standard Deviation,SD)为0.290。距骨顶端内点的预测准确度最高,1 mm阈值时的PCK可达100%,同时其MRE及SD在正位片6个点中最小,分别为0.290和0.178。在踝关节X线侧位片9个标志点的预测中,2 mm阈值的平均PCK达到95.0%,总体MRE为0.669,总体SD为0.710。胫骨下段最前点的预测准确度最高,1 mm阈值时的PCK可达100%,同时其MRE及SD在侧位片9个点中最小,分别为0.334和0.173。正位片和侧位片所有标志点的预测位置坐标与对应参考标准标志点位置坐标差异均无统计学意义(P>0.05)。结论基于神经网络深度学习模型能够实现对踝关节X线片标志点的有效自动定位,对辅助踝关节X线片形态学自动测量和疾病诊疗具有应用价值。

深度学习用于颞骨CT成像应用进展

颞骨CT成像对诊治耳科疾病十分重要,但低剂量条件下存在图像分辨率不足、伪影强及信噪比低等问题,使其临床应用受限。近年深度学习(DL)已在分类、分割及重建医学图像等方面展现出巨大潜力,为提高颞骨CT图像质量提供了新的思路。本文围绕DL用于颞骨CT成像应用进展进行综述。

X射线数字图像缺陷自动识别应用

针对目前无损检测结果评定主要采用人工方式,采用缺陷智能识别技术对X射线数字图像缺陷进行自动识别,通过深度学习功能模仿人脑并建立一个类似的学习策略,使缺陷智能识别技术辅助检测人员对检测图像进行评估,减少缺陷的漏检率,提高产品质量的一致性。

联合CT影像组学与深度学习特征建立列线图预测食管鳞癌放疗近期疗效

目的:探讨基于CT影像组学特征与深度学习特征建立列线图对食管癌放疗近期疗效的预测价值。方法:回顾性分析137例食管鳞癌患者的临床及影像资料。从CT图像中提取影像组学特征和深度学习特征。通过最小绝对收缩和选择算子方法分别对影像组学特征和深度学习特征进行降维并计算得到影像组学得分(Radscore)和深度学习得分(Deepscore)。采用多因素logistic回归分析建立预测模型,并绘制列线图。对列线图的校准度、诊断效能和临床价值进行评价。结果:筛选得到6个影像组学特征参与计算Radscore,6个深度学习特征参与计算Deepscore。多因素logistic回归结果显示Radscore、Deepscore、TNM分期为联合模型的独立预测因子。联合预测模型在训练集中预测食管鳞癌患者放疗近期疗效的曲线下面积(AUC)为0.904,高于临床模型(AUC=0.662)和影像组学模型(AUC=0.814),且AUC差异均有统计学意义(P<0.001、P=0.004)。验证集中联合模型的AUC为0.938,高于临床模型(AUC=0.644)和影像组学模型(AUC=0.852),联合模型与临床模型间AUC差异有统计学意义(P<0.001),与影像组学模型间AUC差异无统计学意义(P=0.091)。决策曲线分析发现联合预测列线图在0.1~0.9和0.97~0.99的阈值范围内表现出较好的临床实用性。结论:CT影像组学特征联合深度学习特征能较好地预测食管癌放疗近期疗效。

深度学习重建在低剂量颅脑CT灌注的研究

目的评价基于低辐射剂量的深度学习重建(DLR)算法颅脑CT灌注(CTP)的灌注参数及动脉峰值期图像质量,与常规辐射剂量的混合迭代重建(HIR)进行比较。方法回顾性搜集疑似或已有缺血性脑卒中的60例连续病例并分为两组(A组和B组),每组30例。A组采用常规剂量进行颅脑CTP扫描,使用HIR获得三维自适应迭代剂量降低(AIDR 3D)序列,并命名为AIDR-R;B组采用低剂量头灌注序列扫描,使用剂量长度乘积(DLP)重建得到AiCE序列(AiCE-L),同时使用HIR获得AIDR 3D序列(AIDR-L)。对3个灌注序列(AIDR-R、AIDR-L、AiCE-L)分别重建灌注参数:脑血流量(CBF)、脑容量(CBV)及平均通过时间(MTT)。比较三个序列灌注参数的差异。分别选取3个灌注序列的动脉峰值期图像,测量半卵圆中心、颈动脉虹吸段、基底动脉及脑干的CT值、标准差(SD)值,计算半卵圆中心、颈内动脉虹吸段、基底动脉及脑干的信噪比(SNR),颈内动脉虹吸段及基底动脉的对比噪声比(CNR)。同时比较AIDR-R、AIDR-L、AiCE-L序列的额叶、颞叶、枕叶及基底节供血区CBF、CBV及MTT中位数的差异,以及比较AIDR-L、AiCE-L灌注序列在额叶、颞叶、枕叶区、基底节区的动脉峰值图像的CT值、SD值、SNR及CNR值。结果AIDR-R及AiCE-L在额叶、颞叶、枕叶、基底节区的CBF和CBV值均无统计学差异(P>0.05)。AiCE-L序列在额叶、颞叶、枕叶、基底节区的MTT值均高于AIDR-R序列(4.03±0.61比4.56±0.84、4.18±0.68比4.76±0.87、4.21±0.62比4.79±0.82、4.05±0.68比4.65±0.91,单位s)(P<0.001)。与AIDR-R动脉峰值期图像比较,AiCE-L序列在半卵圆中心及脑干的CT值低于AIDR-R[脑干(47.18±4.11)HU比(50.62±5.17)HU、半卵圆中心(40.93±4.64)HU比(47.96±4.11)HU](P<0.05)。AiCE-L序列在颈内动脉虹吸段及基底动脉SD值低于AIDR-R[颈内动脉虹吸段(9.62±4.83)HU比(9.85±3.46)HU、基底动脉(9.95±4.96)HU比(11.08±4.62)HU](P<0.05),CT值、SNR及CNR无显著差异(P>0.05)。结论与正常辐射剂量的HIR相比,低辐射剂量组DLR的CBF和CBV参数无统计学差异。DLR可以降低低辐射剂量的颅脑CTP图像动脉峰值期的SD值,提高图像质量,达到与常规剂量HIR相似的结果。