首页 > 分子影像学杂志 > 深度学习图像重建实现胸部能谱CT虚拟平扫对真实平扫的临床替代

深度学习图像重建实现胸部能谱CT虚拟平扫对真实平扫的临床替代

Deep learning image reconstruction enables virtual non-contrast to replace true non-contrast in chest spectral CT

二维码有效期 120s

摘要目的探索深度学习图像重建(DLIR)在优化胸部能谱CT虚拟平扫(VNC)图像质量的应用价值.方法前瞻性收集2024年6～10月于陕西中医药大学附属医院行胸部能谱CT真实平扫(TNC)及双期增强扫描的45例患者.采用ASIR-V50%权重重建120 kVp-like图像作为真实平扫对照图像(TNC-AR50),基于动脉期和静脉期增强数据,分别采用中、高等级DLIR(DLIR-M和DLIR-H)重建4组VNC图像(VP-VNC-DM、VP-VNC-DH、AP-VNC-DM、AP-VNC-DH).在5组图像(TNC-AR50+4组VNC)上测量主动脉、皮下脂肪、竖脊肌及病灶的CT值、噪声(SD),并计算信噪比(SNR)和对比噪声比(CNR).采用单因素方差分析和Kruskal-Wallis检验比较客观指标.2位放射科医师独立采用5分制Likert量表对整体图像质量及病灶可见性进行主观盲法评价.结果在客观图像质量评价上,VP-VNC-DH组图像质量优于TNC-AR50,且5组图像间的CT值差异无统计学意义(P>0.05);VP-VNC-DH组的图像噪声最低,SNR、CNR最高.在主观评价方面,VP-VNC-DH组的图像质量评分最高且在病灶显示度方面表现最佳.胸部CT增强扫描时,有、无TNC扫描的总有效辐射剂量分别为9.40±0.41 mSv和6.27±0.28 mSv.无TNC扫描,总辐射剂量减少约33.3%.结论在胸部增强CT检查中,基于DLIR(尤其是静脉期DLIR-H)重建的VNC图像质量显著优于基于ASIR-V 50%重建的TNC,且CT值一致性良好.推荐采用静脉期DLIR-H重建VNC图像替代真实平扫,以有效降低辐射剂量.

作者徐龙 ^[1] 李鑫 ^[2] 党珊 ^[3] 于楠 ^[2] 贾永军 ^[3] 段海峰 ^[4] 学术成果认领

作者单位西电集团医院医学影像科,陕西西安 710077 ^[1] 陕西中医药大学医学技术学院,陕西咸阳 712046 ^[2] 陕西中医药大学附属医院医学影像科,陕西咸阳 712000 ^[3] 西电集团医院医学影像科,陕西西安 710077;陕西中医药大学医学技术学院,陕西咸阳 712046 ^[4]

关键词深度学习重建算法虚拟平扫胸部CT 辐射剂量 deep learning reconstruction algorithm virtual plain scan chest CT radiation dose

栏目名称

临床研究

DOI 10.12122/j.issn.1674-4500.2026.01.07

发布时间 2026-02-04（万方平台首次上网日期，不代表论文的发表时间）

基金项目

陕西省教育厅青年创新团队科学研究计划项目（24JP049）