深度学习图像重建算法对图像质量的影响:体模研究

目的:基于体模研究探讨深度学习图像重建(DLIR)算法的图像质量是否优于传统的自适应统计迭代重建算法(ASIR-V)。方法:使用GE Revolution Apex CT机对分辨率体模(JIS体模)进行常规剂量(CTDI为11.50 mGy;A组)和低剂量(CTDI为4.22 mGy;B组)扫描。对A组的原始扫描数据采用常规30%权重ASIR-V进行图像重建,B组采用滤波反投影(FBP)、30%-ASIR-V、60%-ASIR-V、90%-ASIR-V及不同级别的深度学习重建(DLIR-L、DLIR-M、DLIR-H)算法进行图像重建。在每组重建图像上测量JIS体模试管内各ROI(圆形,大小135 mm2)的CT值及其SD(图像噪声),计算图像的信噪比(SNR);同时由3位放射科医师对扫描图像的噪声和分辨率(空间分辨率/密度分辨率)两个方面对不同重建算法的图像采用5分法(5分,图像清晰;4分,图像基本清晰;3分,满足临床诊断要求;2分,图像部分勉强辨认;1分,完全不能辨认)进行主观评分。采用单因素方差分析比较不同重建算法图像上测得的CT值、SD及SNR,采用Fleiss Kappa检验比较医师之间主观评分的一致性。结果:B组的CTDI为4.22 mGy,较A组(11.50 mGy)下降了63.3%。在相同权重迭代算法(30%-ASIR-V)下,低剂量与常规剂量相比图像的SD升高了68.33%,低剂量图像噪声和图像分辨率的主观评分低于常规剂量。在低剂量组中,FBP、30%-ASIR-V、60%-ASIR-V、90%-ASIR-V及DLIR-L、DLIR-M、DLIR-H重建图像的SD分别为31.33±2.51、25.21±2.47、19.43±1.76、13.76±1.39和21.33±2.09、21.33±2.09、13.84±1.42,与FBP算法相比,不同权重迭代算法和不同级别的DLIR算法均可减低图像噪声(P<0.05),且随着ASIR-V权重或DLIR级别的升高,SD值越低。图像分辨率主观评分随着ASiR-V权重的升高而降低,但随着DLIR级别的升高而升高。与FBP、30%-ASIR-V、60%-ASIR-V和DLIR-L、DLIR-M算法相比,DLIR-H算法可显著降低图像噪声(P均<0.05);DLIR-H算法的图像噪声和分辨率的主观评分高于其它算法(P均<0.05)。结论:应用深度学习重建算法能够提高图像质量(噪声和分辨率),低剂量扫描结合深度学习图像重建算法,能达到常规剂量扫描的图像质量。