肠系膜下动脉CTA应用深度学习重建算法降低辐射剂量的可行性研究

目的:探究不同等级的深度学习重建算法(DL)对低剂量肠系膜下动脉(IMA)CT血管成像(CTA)图像质量的影响,并获得IMACTA图像最佳DL等级。方法:前瞻性收集行IMACTA的患者60例,随机分为A组和B组。A组(n=30)管电压120kV,管电流为剂量调制等级3,重建Karl5图像;B组(n=30)管电压120kV,管电流为剂量调制等级2,重建DL(1~4)等级图像,记为B1~B4组,并记录2组的辐射剂量。在轴位图像上测量IMA主干、同层腹主动脉和竖脊肌的CT值和噪声(SD)值,计算各血管的信噪比(SNR)对比度噪声比(CNR)和质量因数(FOM)。重组容积再现(VR)和最大密度投影(MIP)图像,由2名诊断医师对二维和三维图像进行5分制评分。结果:B组有效辐射剂量(ED)与A组相比降低了42.08%(P<0.05)。随着DL等级的提高,B1~B4组SD值逐渐降低,SNR,CNR和FOM逐渐提高(P<0.05)。B3、B4组腹主动脉的SNR、CNR、FOM优于A组(P<0.05)。2名诊断医师对图像主观评分一致性良好(Kappa值0.795~0.891,P<0.05)。B2、B3组与A组主观评分差异均无统计学意义(均P>0.05)。结论:深度学习重建算法在保证IMACTA图像质量的前提下实现了降低辐射剂量的目的。在满足诊断需求的情况下,DL3为临床推荐的最优重建等级。

低剂量一站式全脑CTP-CTA中灌注CTA及CTV的重组期相选择

目的在一站式全脑CT灌注成像（CTP）-CT血管造影（CTA）扫描过程中探究灌注CTA及CT静脉造影（CTV）的最佳重组期相。方法对32名受试者行一站式全脑CTP-CTA扫描。分别选取动脉CT值峰值期、动-静脉CT值最大差值期相的原始数据进行CTA重组,选取静脉CT值峰值期、静-动脉CT值最大差值期相的原始数据重组CTV。比较CTA、CTV图像的图像噪声、图像信噪比（SNR）、对比噪声比（CNR）及主观评分。结果选取动-静脉最大差值期原始数据重组的CTA图像噪声明显低于动脉峰值期（P=0.00）,且前者静脉干扰程度较后者明显减轻（P=0.00）,两期相重组图像的SNR、CNR无明显差异（P（SNR）=0.082,P（CNR）=0.467）,均可较清晰地显示颅内动脉血管情况（P=0.248）。静脉峰值期、静-动脉最大差值期原始数据重组CTV图像的图像噪声、SNR及CNR无明显差异（P（噪声）=0.456,P（SNR）=0.875,P（CNR）=0.971）,两者均可清晰显示颅内静脉（P=0.180）,但后者的动脉干扰程度较前者明显减轻（P=0.00）。结论在颅脑CTP扫描过程中,建议通过选取合适期相（动-静脉CT值最大差值期、静-动脉CT值最大差值期）的原始数据重组灌注CTA、CTV图像,以降低静脉、动脉干扰程度。