换一批深度学习重建算法在超高分辨力颅脑CT中的图像质量改善与剂量降低研究
Deep Learning Reconstruction for Ultra-high-resolution Cranial CT:Image Quality Enhancement and Radiation Dose Reduction
摘要目的:本研究旨在探讨超高分辨力探测器CT联合深度学习重建算法对颅脑CT图像质量的影响及剂量降低潜力.方法:采用 NeuViz Epoch Elite CT机,对Catphan 600模体(设置容积CT剂量指数(CTDIvol)为 50、37.5和 25 mGy)及 3只猕猴(CTDIvol为 50 mGy)进行扫描,准直宽度为 128×0.3125 mm,分别采用滤波反投影(FBP)、自适应迭代重建算法(如ClearView,CV30%、CV60%)及深度学习重建算法(如ClearInfinity,CI30%、CI60%)获取图像.通过调制传递函数(MTF)、对比噪声比(CNR)、伪影程度等客观指标及双盲法主观评分(5分制)评估图像质量,并进行统计学分析.结果:模体实验:所有剂量下,CNR随重建算法等级提升而显著提高,其中CI60%图像的CNR显著优于其他算法;25 mGy下CI60%的CNR与 50 mGy下FBP接近,且MTF10%与MTF50%无显著下降.动物实验中,CI60%图像中的半卵圆层面的CNR显著高于其他算法,伪影随迭代等级升高呈降低趋势.两名医师对图像质量评价一致性好(Kappa值均≥0.75);主观评分整体随CV/CI等级的提高而提高,且均为CI60%最高.结论:超高分辨力探测器CT下深度学习重建算法可在不降低高对比分辨力的前提下,提升颅脑 CT图像的对比度、减少噪声与伪影,具有显著的剂量降低潜力,临床应用价值良好.
更多相关知识
关键词
深度学习重建算法超高分辨力探测器CT颅脑CTdeep learning reconstruction algorithmultra-high-resolution detector CTcranial CT
栏目名称
DOI
10.15953/j.ctta.2025.283
发布时间
2026-03-06（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
