10.13609/j.cnki.1000-0313.2023.08.004
深度学习重建算法对胸部低剂量CT肺结节测量及显示影响的模体研究
目的:基于胸部模体探讨不同强度深度学习重建算法(DLIR)对低剂量CT图像上肺结节显示及测量的影响.方法:采用包括纵隔、支气管血管束、软组织及骨骼的成年男性胸部仿真模型,内置直径(体积)为5mm(66mm3)、8mm(268mm3)和10mm(523mm3)的实性结节(SN)及磨玻璃结节(GGN),对其进行低剂量CT扫描(100kVp、40mA,CTDIVOI=0.84mGy),采用标准卷积核的自适应统计迭代重建算法(ASIR-V)及中档(DLIR-M)和高档(DLIR-H)深度学习重建算法分别进行图像重建.在肺组织内放置ROI(面积100mm2)测量肺组织CT值的标准差(SD)作为肺组织噪声(N肺组织).选用肺结节CT影像辅助检测系统自动计算得到10mmSN及10mmGGNCT值的SD(即N结节).计算3组图像上肺组织以及直径10mm的SN和GGN的信噪比(SNR)及对比噪声比(CNR),以及所有结节的CT值和体积及其偏差度.对各组图像上肺组织及所有结节的噪声、支气管血管束的锐利度、SN和GGN的显示情况进行主观评价.结果:①在3组图像上,DLIR-H的肺组织、SN和GGN的噪声均为最低,肺组织的SNR、SN和GGN的SNR和CNR均为最高(P均<0.05),肺组织、SN和GGN显示情况的主观评分为最高(P均<0.001).②三组图像上,三种直径SN的平均CT值偏差度的总体差异均无统计学意义(P均>0.05),三种直径GGN的平均CT值偏差度的总体差异均有统计学意义(P均<0.001);对于直径10mm及5mm的GGN,DLIR-M和DLIR-H图像上测得的平均CT值偏差度均小于ASIR-V(P均<0.001),DLIR-M和DLIR-H图像上测得的平均CT值偏差度的差异无统计学意义(P>0.05);对于直径8mm的GGN,ASIR-V图像测得的平均CT值偏差度均小于DLIR-M、DLIR-H图像(P均<0.001),而DLIR-M与DLIR-H图像上测得的此指标值的差异无统计学意义(P=0.535).③三组重建图像上测得10mm、8mm直径的SN及GGN体积偏差度的总体差异均无统计学意义(P均>0.05);对于直径5mm的SN,ASIR-V与DLIR-M组间、DLIR-M与DLIR-H组间均无统计学差异(P均>0.05),ASIR-V图像测得偏差度小于DLIR-H(P=0.020);对于直径5mmGGN,在DLIR-M、DLIR-H图像上测得的体积偏差度均较ASIR-V图像更小(P均<0.05),而DLIR-M、DLIR-H图像间偏差度的总体差异无统计学意义(P=0.476).④主观评价结果:三组重建图像上肺组织噪声评分的总体差异具有统计学意义(H=15.58,P<0.001),在DLIR-H图像上该指标评分高于ASIR-V和DLIR-M图像(P<0.05),而ASIR-V与DLIR-M图像之间该指标评分的总体差异无统计学意义(P=0.849);三组重建图像的支气管血管束锐利度以及SN和GGN可见度主观评分的总体差异均无统计学意义(P均>0.05).结论:低剂量下DLIR图像对结节CT值和体积的测量及显示情况与ASIR-V算法相当,而且在DLIR-M和DLIR-H图像上测得的5mmGGN的平均CT值及体积更准确.对于肺结节的低剂量CT筛查及随访,采用深度学习重建算法是值得推荐的.
肺结节、深度学习、图像重建、体层摄影术、X线计算机、图像质量、模体研究
R814.42;R734.2(放射医学)
2023-09-08(万方平台首次上网日期,不代表论文的发表时间)
共8页
977-984