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。