深度学习图像算法用于改进大动脉炎CTA图像质量的研究

Study of deep learning image post-processing algorithm for CTA image improvement in patients with Takayasu arteritis

二维码有效期 120s

摘要目的探究深度学习重建算法对大动脉炎患者主动脉CT血管造影(CTA)图像质量的改善效果.方法回顾性收集我院53例行主动脉CTA检查的大动脉炎患者,动脉期和延迟期图像分别经基于深度学习的高级智能Clear-IQ引擎(AiCE)重建和三维自适应迭代重建(AIDR 3D)得到4组图像.比较主观指标及客观指标[升主动脉、降主动脉、腹主动脉、左髂动脉、右髂动脉及同层面脊柱旁肌肉的CT值和标准差(SD)、计算信噪比(SNR)和对比噪声比(CNR)]的差异.结果动脉期AiCE组各部位CT值均略高于AIDR 3D组,差异比较具有统计学意义(P＜0.001),延迟期两组图像左髂动脉CT值比较无统计学意义(P＞0.05),其余各血管的CT值比较均有统计学意义(P＜0.05).AiCE组SD值均低于AIDR 3D组,差异有统计学意义(P＜0.001).AiCE两组图像的SNR、CNR高于AIDR 3D两组,应用AiCE重建算法动脉期组SNR平均提高约55.7％,CNR平均提高约81.9％,延迟期组SNR平均提高约56.1％,CNR平均提高约75.7％,差异均有统计学意义(P＜0.001).两位医生主观评分的一致性较好,Kappa值在0.64～0.88.AiCE组总体图像质量主观评分优于AIDR 3D组,主观评分差异有统计学意义(P＜0.001).结论 AiCE算法与AIDR 3D算法相比,AiCE算法能有效改善主动脉CTA图像质量,提高主动脉CTA在大动脉炎临床诊断中的应用价值.