目的 探讨深度学习图像重建算法(DLIR)对冠状动脉CT血管成像(CCTA)图像质量的应用价值.方法 前瞻性选取疑似冠心病行CCTA检查的患者23例,采用自适应统计迭代重建(ASiR-V)为50％[标准(SD)和高清(HD)]进行图像重建,再对原始图像采用DLIR分级处理,共4组重建算法图像:ASiR-V 50％SD(A组),ASiR-V 50％HD(B组)、DLIR-中(M)(C组)和DLIR-高(H)(D组).测量主动脉根部、左主干(LMA)、左前降支(LAD)近中段、左回旋支(LCX)近段及右冠状动脉(RCA)近中段图像的CT值、噪声,计算信噪比(SNR)及对比噪声比(CNR).采用单因素方差分析,比较各组血管CT值、噪声、SNR、CNR及主观评分的差异,并通过Bonferroni法进行组间两两比较.结果(1)C组、D组图像主动脉根部的噪声明显低于A组、B组(23.96±3.42、20.72±2.95 vs 32.23±5.53、50.17±7.84,P<0.01),SNR、CNR显著高于A组、B组(SNR=17.9±3.32、20.69±3.70 vs 13.33±2.51、8.53±1.43;CNR=21.72±6.27、25.09±7.28 vs 15.65±2.90、4.95±1.24,P<0.01).与B组图像相比,C组和D组图像LMA、RCA近段的噪声明显降低(P<0.01),SNR、CNR显著优于B组图像质量(P<0.01).(2)C组和D组的主观图像质量评分明显优于A组和B组(4.34±0.48、4.43±0.71 vs 3.48±0.59、3.30±0.47,P<0.01).A组和B组相比,主观图像质量评分无统计学差异(P=1.000).结论 DLIR在相同扫描条件下能够显著降低图像噪声并提高图像质量,为CCTA检查中进一步降低辐射剂量提供了可能性.

深度学习重建算法;冠状动脉CT血管成像;图像质量

郑州大学第一附属医院放射科,河南 郑州 450052

[1]詹鹤凤;王怡然;吴文杰;张永高;高剑波-.评价深度学习重建算法对冠状动脉CT血管成像图像质量的应用价值)[J].实用放射学杂志,2022(04):651-655,660

深度学习重建算法,血管成像,图像质量,量的应用,深度学习图像重建算法,DLIR,CCTA,冠心病,自适应统计迭代重建,ASiR,高清,HD,原始图像,分级处理,主动脉根部,左主干,LMA,左前降支,LAD,中段,回旋支,LCX,右冠状动脉,RCA,SNR,对比噪声比,CNR,单因素方差分析,主观评分,Bonferroni,声明,质量评分,统计学差异,扫描条件,图像噪声,低辐射剂量

0.282116