目的 深度学习图像重建算法(DLIR)在头部非增强CT中降噪及降低辐射剂量的可能性研究.方法 采用256排CT对成人尸头进行常规剂量(A组)和低剂量(B组)扫描,2组原始数据分别采用滤波反投影法(FBP)和DLIR低(DLIR-L)、中(DLIR-M)、高(DLIR-H)3档重建.测量组织CT值、噪声(SD)值,计算信噪比(SNR)、对比噪声比(CNR);同时对图像噪声和锐利度进行主观评分.比较2组辐射剂量及不同重建算法对图像质量的影响.结果 与FBP相比,DLIR显著降低各组织的SD值(下降14.52％～43.66％),并增加SNR(增加22.07％～82.39％)(P<0.05),且随DLIR重建档位升高,SD值降低,SNR和CNR升高.2组DLIR图像的噪声评分均明显高于FBP.B组DLIR图像的锐利度评分均明显高于FBP(P<0.05).与A组FBP相比,除B组DLIR-M灰质的SD值和SNR值外,其余组织在DLIR-M和DLIR-H的SD值均明显降低而SNR值均明显升高(P<0.05);B组DLIR-M和DLIR-H的噪声得分明显高于A组FBP重建而且锐利度无显著降低.B组容积CT剂量指数(CTDIvol)较A组降低了31.74％.结论 DLIR在常规剂量和低剂量模式下都可以降低头部各组织噪声,增加图像SNR.DLIR-M、DLIR-H档可以显著提高低剂量模式获得的图像质量.

计算机体层成像;深度学习重建算法;头部;尸体

张凯;刘洪川;张帅;曾令明;李玉明;师珂;李真林

四川大学华西医院放射科,四川 成都 610041;GE医疗中国 CT影像研究中心,上海 200000

实用放射学杂志

[1]张凯;刘洪川;张帅;曾令明;李玉明;师珂;李真林-.深度学习图像重建算法在头部非增强扫描中的价值:尸头研究)[J].实用放射学杂志,2022(01):139-143

深度学习图像重建算法,非增强,增强扫描,DLIR,降噪,低辐射剂量,常规剂量,原始数据,滤波反投影法,FBP,SNR,对比噪声比,CNR,图像噪声,锐利度,主观评分,图像质量,建档,档位,灰质,剂量指数,CTDIvol,低头,加图,计算机体层成像,深度学习重建算法,尸体

0.234876