典型文献
深度学习重建算法的图像质量体模研究
文献摘要：
目的:使用体模比较CT深度学习重建算法和迭代重建算法的图像质量.方法:使用GE Revolution Apex 扫描 ACR 质量控制体模 Gammex 464,分别测量 modulel～module4 的 5种物质CT值准确性、低对比度分辨率、图像均匀性和高对比度分辨率.通过指标比较高剂量下(20mGy)深度学习重建算法TrueFedelity?(TFI)3种等级(DL、DM及DH)和自适应统计迭代重建算法V(AV)3种等级(30％、60％及90％)的图像质量.两种算法的各指标比较采用单因素方差分析.结果:所有6组图像的高/低分辨率均一致(高对比度分辨率:101p/cm;低对比度分辨率:6mm);两种算法都轻微高估聚乙烯、空气以及丙烯酸的CT值,各物质间CT值差异不具有统计学意义.两种算法均低估骨和固态水的CT值,其中,TFI算法对固态水的CT值较AV更接近真实值,但各组图像间不具有统计学差异.6组图像中,TFIDH的图像均匀性最佳;同等级条件下,深度学习重建算法相较IR算法的图像均匀性更佳.结论:深度学习重建算法在高剂量水平下可以在保持图像空间分辨率和CT值准确性的基础上,进一步降低图像噪声.
文献关键词：
深度学习重建算法;迭代重建算法;图像质量
中图分类号：
作者姓名：
刘方韬;刘崔是;陈勇;姜江;王凌云;董海鹏;张勇;张璇;孔德艳;常蕊
作者机构：
上海交通大学医学院附属瑞金医院放射科,上海200025;通用电气医疗CT研发部,上海201203
文献出处：
引用格式：
[1]刘方韬;刘崔是;陈勇;姜江;王凌云;董海鹏;张勇;张璇;孔德艳;常蕊-.深度学习重建算法的图像质量体模研究)[J].CT理论与应用研究,2022(03):351-356
A类：
Gammex,modulel,module4,20mGy,TrueFedelity,101p,TFIDH
B类：
深度学习重建算法,图像质量,GE,Revolution,Apex,ACR,低对比度,高对比度,高剂量,DL,DM,自适应统计迭代重建算法,AV,单因素方差分析,低分辨率,均一,6mm,高估,聚乙烯,丙烯酸,低估,固态,真实值,统计学差异,剂量水平,图像空间,空间分辨率,图像噪声
AB值：
0.204046
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
