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

摘要：

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。

关键词：深度学习重建算法、迭代重建、低辐射剂量、图像质量、腔隙性梗死灶

所属期刊栏目：43

资助基金：国家自然科学基金面上项目82172018;军队保健专项课题21BJZ21;科技创新20302022ZD0211600;National Natural Science Foundation of China82172018;Special Fund for Military Health CommitteeNo. 21BJZ21;Science and Technology Innovation 2030-Major Projects2022ZD0211600

在线出版日期：2024-01-30（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：736-740