深度学习重建用于儿童头颅CT图像

摘要：

目的 观察深度学习重建(DLR)用于儿童头颅CT图像的价值.方法 回顾性分析61例患儿头颅CT资料,分别采用多模型自适应性迭代重建(ASIR-V)0％、ASIR-V20％、ASIR-V40％、ASIR-V60％、ASIR-V80％、ASIR-V100％、DLR-low(L)、DLR-middle(M)及DLR-high(H),层厚和层间距均为1.25 mm进行重建;计算各组重建图像的信噪比(SNR)、对比噪声比(CNR)、图像噪声及降噪率(NRR),并以5分法评估图像质量,评估DLR的价值.结果 随ASIR-V和DLR级别增高,小脑半球、小脑中脚、额叶白质、背侧丘脑、半卵圆中心和顶叶皮层SNR,以及颅后窝、基底核和半卵圆中心层面CNR均基本呈升高趋势,幕上和幕下图像噪声则基本呈降低趋势.DLR-H图像中,幕上及幕下NRR(0.62±0.04、0.61±0.04)均高于ASIR-V100％(0.59±0.04、0.59±0.05),差异均有统计学意义(t=4.436、4.368,P均<0.001).随重建级别增高,ASIR-V图像主观评分基本呈先升后降改变,以ASIR-V60％ 评分最高;DLR图像主观评分基本呈升高趋势,以DLR-H评分最高,且DLR-M和DLR-H图像评分均高于ASIR-V全部级别图像(P均<0.05).结论 DLR可在降低辐射剂量的同时有效提高儿童头颅CT图像质量.

关键词：儿童、脑、深度学习、体层摄影术、X线计算机

所属期刊栏目：20

分类号：R726;R814.4(儿科学)

在线出版日期：2023-02-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：112-116