目的:构建基于深度学习的胸部CT图像超高分辨率模型,并评价生成的超高分辨CT(SRCT)图像质量,探讨其对放射组学特征稳定性的影响.方法:对2020年10月至2021年5月期间行肺结节复查的53例患者进行了 512×512矩阵高分辨率CT(HRCT)、1 024x1 024矩阵超高分辨率CT(UHRCT)靶扫描,基于24例患者的7 680幅HRCT图像、2 160幅UHRCT图像构建了基于深度学习的胸部CT图像超分辨率模型,并生成SRCT图像.3名放射科医生使用利克特5分法评分表对29名患者的SRCT、HRCT和UHRCT图像的噪声、条纹伪影、结节边缘、小血管清晰度、正常肺实质的均匀性和整体图像质量进行主观视觉评估,并使用组学软件提取29名患者的SRCT、HRCT和UHRCT图像肺结节的放射组学特征.采用单因素重复测量方差分析比较SRCT、HRCT和UHRCT图像的噪声、条纹伪影、结节边缘、小血管清晰度、正常肺实质的均质性和整体图像质量.使用组内相关系数(ICC)计算3名放射科医生在SRCT、HRCT和UHRCT图像上肺结节的组学特征一致性.结果:对于噪声和条纹伪影的评分由高到低依次为HRCT、SRCT、UHRCT(P＜0.05);对于小血管清晰度和整体图像质量的评分由高到低依次为SRCT、UHRCT、HRCT(P＜0.05);对于结节边缘和正常肺实质的均质性的评分SRCT与UHRCT无差异(P＞0.05),但明显优于HRCT(P＜0.05).SRCT与HRCT、UHRCT图像的组学特征总体较为一致,SRCT和HRCT的组学特征ICC平均值最高(3名医生结果分别为0.90、0.90、0.93).结论:该研究构建的深度学习模型显著提高了HRCT图像质量,生成的SRCT图像的组学特征稳定性较好.

深度学习;肺结节;计算机体层成像;放射组学

孙瑶;王祥;彭思粤;潘博洋;李清楚;陈如潭;龚南杰;萧毅;刘士远

海军军医大学第二附属医院放射诊断科;苏州影动医疗科技有限公司研发部;清华国际创新中心

中国医学计算机成像杂志

[1]孙瑶;王祥;彭思粤;潘博洋;李清楚;陈如潭;龚南杰;萧毅;刘士远-.深度学习CT超高分辨图像组学特征稳定性研究)[J].中国医学计算机成像杂志,2022(02):196-202

024x1,UHRCT

图像组,稳定性研究,胸部,超高分辨率,SRCT,图像质量,放射组学,肺结节,复查,靶扫描,图像超分辨率,放射科,利克特,评分表,条纹,伪影,清晰度,视觉评估,重复测量方差分析,均质性,ICC,分由,名医,研究构建,深度学习模型,计算机体层成像

0.162647