换一批双低剂量CT联合深度学习图像重建算法实现肺动脉混合现实优化
Double Low-dose CT Combined with Deep Learning Image Reconstruction Algorithm Achieves Pulmonary Artery Mixed Reality Optimization
摘要目的:探讨双低剂量CT联合深度学习图像重建(DLIR)算法实现肺动脉混合现实优化成像的可行性研究.方法:前瞻性收集拟行肺动脉混合现实患者 108例,随机分为:低剂量肺动脉混合现实组(A组,低剂量CT联合DLIR算法,采用管电流 70 kVp,对比剂 300 mgI/mL,n=53),常规剂量肺动脉混合现实组(B组,常规剂量CT,采用管电压 120 kVp,对比剂 370 mgI/mL,n=55);A组和B组管电流均采用自动管电流调制(ATCM).将两组方案获得的CT DICOM数据导入至三维(3D)可视化建模软件,完成混合现实 3D建模.比较两组患者的人口学特征、辐射剂量相关指标采用独立样本t检验;采用Pearson和Bland-Altman分析来评价两组肺动脉混合现实的一致性;混合现实质量的主观评价采用Mann-Whitney U检验,评价者一致性采用Kappa分析.结果:与 B组相比,A组的辐射剂量减少约 41%,且随着 DLIR不同强度的逐渐升高,CT DICOM数据的质量逐渐提高,其中高强度DLIR(DLIR-H)获取的DICOM质量最佳.A组和B组混合现实质量无明显差异;Bland-Altman分析中,A组和B组之间存在良好的一致性,且评分者的主观一致性良好,Kappa值为 0.76.结论:双低剂量CT联合DLIR算法可有效降低肺动脉混合现实辐射剂量和对比剂剂量,且不影响肺动脉混合现实质量,为临床应用推广奠定基础.
更多相关知识
关键词
双低剂量计算机断层扫描肺动脉辐射剂量混合现实深度学习dual low-dosecomputed tomographypulmonary arteryradiation dosemixed realitydeep learning
分类号
TP18R814（放射医学）
栏目名称
DOI
10.15953/j.ctta.2025.188
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）
基金项目
南京鼓楼医院临床研究专项（2024-LCYJ-MS-27）
南京大学中国医院改革发展研究院课题（NDYGN2024012）
- 浏览3
- 被引0
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
