深度学习重建算法在低辐射剂量头颈联合CT血管成像中的应用价值
Application value of the deep learning⁃based image reconstruction algorithm in combined head and neck CT angiography with low radiation dose作者机构:浙江省台州医院放射科临海317000
出 版 物:《中华放射医学与防护杂志》 (Chinese Journal of Radiological Medicine and Protection)
年 卷 期:2024年第44卷第1期
页 面:53-59页
核心收录:
学科分类:1004[医学-公共卫生与预防医学(可授医学、理学学位)] 100402[医学-劳动卫生与环境卫生学] 10[医学]
主 题:X射线计算机体层摄影术 辐射剂量 深度学习重建算法 图像质量
摘 要:目的探讨深度学习重建算法(DLIR)与自适应统计迭代重建算法(ASiR-V)在头颈部CT血管成像(CTA)中检查剂量和成像质量的差异。方法前瞻性收集因头颈部血管疾病行头颈部CTA检查的患者80例。按照检查的先后顺序分为A组和B组,每组40例。A组采用管电压120kV,噪声指数11.0,ASiR-V50%重建;B组采用管电压80kV,噪声指数9.0,分别采用ASiR-V50%重建(B1组)和DLIR-H重建(B2组)。采用独立样本t检验比较两组的辐射剂量和图像质量。采用Kruskal-wallis检验和Wilcoxon秩和检验用于比较两种成像方式的辐射剂量和主观、客观图像质量。比较组间强化血管CT值,感兴趣区(ROI)的信号与噪声,计算信噪比(SNR)和对比信噪比(CNR)。结果A、B两组有效辐射剂量分别为(0.77±0.08)、(0.45±0.05)mSv,差异有统计学意义(t=21.96,P0.001)。A、B1、B23组图像的主动脉弓、颈动脉起始部、颈动脉分叉层面、大脑中动脉M1段强化血管CT值、SD、SNR、CNR,差异均有统计学意义(F=67.69、68.50、50.52、74.10、63.10、91.22、69.16,P0.001)。A、B1、B23组图像质量主观评分差异有统计学意义(Z=71.06,P0.05)。结论DLIR算法能够在进一步降低头颈部CTA检查辐射剂量的同时,明显地减少图像噪声,保证了图像质量,具有良好的临床应用价值。