CT深度学习图像重建可降低辐射剂量和提高图像质量:基于体模研究
樊丽华1
李明1
贾永军1
韩冬1
于勇2
郑运松2
魏伟1
1.陕西中医药大学附属医院医学影像科,陕西 咸阳 7120002.陕西中医药大学附属医院医学影像科,陕西 咸阳 712000;陕西中医药大学医学技术学院,陕西 咸阳 712046
摘要：目的 通过比较噪声功率谱、基于任务的传递函数以及病变检测能力,评估深度学习图像重建(DLIR)对提升图像质量及降低辐射剂量的潜力.方法 使用GE Revolution APEX CT扫描ACR464体模并设定8个不同噪声指数(NI=10、14、16、18、20、22、24、28),原始数据采用滤波反投影(FBP)、多模型迭代重建算法(ASiR-V)40%、ASiR-V 60%、ASiR-V 80%以及不同级别深度学习图像重建(DLIR-L、DLIR-M、DLIR-H)算法进行图像重建.通过使用imQuest软件计算不同重建算法图像噪声功率谱(NPS)、基于任务的传递函数(TTF)以及检测能力指数(d')评估图像质量.结果 在所有重建算法中,DLIR-H的NPS peak最低.随着噪声指数的增加,NPS fav均向低频率移动;DLIR-H的fav(0.24～0.27 mm-1)仅低于ASiR-V40%(0.26～0.28 mm-1).TTF50%值不受DLIR级别的影响;TTF50%值较ASiR-V 60%和80%分别高出(37.44±10.85)%、(46.24±15.28)%.深度学习图像重建的大小特征检测能力均高于ASiR-V 40%;比较DLIR-H与NI=10时ASiR-V 40%病灶检测能力相当的辐射剂量,小特征辐射剂量减少约76.48%,大特征减少约72.59%.结论 深度学习图像重建不仅可以在不改变噪声纹理的情况下降低噪声、提高空间分辨率和病灶可检测性,而且具有较ASiR-V更加强大的降低辐射剂量的能力.
关键词：深度学习图像重建辐射剂量图像质量体模
资助基金：陕西省重点研发计划项目(2024SF-YBXM-524)
论文发表日期：2025-09-20
在线出版日期：2025-10-22（本平台首次上网日期，不代表文献的发表时间）
页数：7( 1064-1070 )
英文信息