摘要目的:探讨在胸腹部联合增强CT扫描中,应用低管电压联合深度学习图像重建算法(DLIR)对降低辐射剂量及图像质量的影响.方法:①模体实验.确定低管电压结合深度学习算法对低对比度分辨力鉴别的可行性.按照不同图像质量参数噪声指数(NI)扫描Catphan 500模体,使用两种扫描条件,优化组扫描参数选择低管电压 80kV结合DLIR进行扫描和图像重建;常规组扫描参数和图像重建算法选择管电压 120 kV结合自适应统计迭代重建(ASiR-V),确定优化组条件使用低剂量(NI>9)时低对比度分辨力相对于常规组使用常规剂量(NI=9)的NI值和有效性.②前瞻性实验.前瞻性收集常规进行胸腹部联合增强CT扫描的患者 160例,随机分为低剂量优化组和常规剂量常规组,最终入组 149例,低剂量优化组 61例,常规剂量常规组 88例.根据模体实验的结果确定的低剂量优化组NI优,扫描参数选择优化组条件;常规剂量常规组NI为 9,扫描参数和图像重建算法选择常规组条件.记录并计算两组间的辐射剂量并对两组的图像质量进行主、客观评价.结果:低剂量优化组使用NI优=12可以获得常规剂量组NI=9等效的低对比度分辨能力;低剂量优化组的有效剂量(9.56±2.34)mSv低于常规剂量常规组(17.82±5.22)mSv;低剂量优化组的肝脏衰减值、主动脉衰减值显著高于常规剂量常规组,肝脏及主动脉CNR和SNR值显著高于常规剂量常规组,主动脉空间分辨力、肝总动脉空间分辨力、门静脉空间分辨力及小血管/支气管显示情况也均优于常规剂量常规组.结论:低管电压联合深度学习图像重建算法能够在降低辐射剂量的条件下,仍保证同等甚至更高的胸腹部联合CT扫描图像质量,为大范围CT扫描辐射剂量的优化提供一个可行方案.