换一批Auto-kV技术联合AI深度学习算法(Clear Infinity)在冠脉"精准"双低成像中的应用
Applications of Auto-kV technique combined with AI deep learning algorithm(Clear Infinity)in coronary CTA with low dose and low iodine load
摘要目的:探讨Auto-kV技术联合AI深度学习算法(Clear Infinity)在冠状动脉"双低"成像中的价值.方法:连续选取62 位行冠脉CTA检查者,分为A、B两组,每组 31 例.A组(实验组)采用Auto-kV技术扫描,O-Dose=0.7;B组(对照组)采用常规 120 kV扫描,O-Dose=1.0.A组对比剂用量依据Auto-kV技术给定管电压:140 kV-0.9 mL/kg;120 kV-0.8 mL/kg;100 kV-0.7 mL/kg;80 kV-0.6 mL/kg;70 kV-0.5 mL/kg;60 kV-0.4 mL/kg,B组对比剂用量统一为 0.8 mL/kg.对比剂注射速率=对比剂用量/12 s.将A组原始数据采用迭代重建算法(Clear View)及AI重建算法(Clear Infinity)重建出两组图像,分别命名为A1 组和A2 组.迭代及AI算法的权重均设定为 70%.B组原始数据采用滤波反投影法(FBP)重建.采用统计学分析图像质量、碘负荷及辐射剂量的差异.结果:A1、A2 组图像冠脉各节段内CT值均高于B组,差异均有统计学意义(P均＜0.001).A1、A2 组的噪声显著低于B组,差异有统计学意义(P均＜0.001).A1、A2 组的信噪比及对比噪声比显著高于B组,差异有统计学意义(P均＜0.001).A、B两组间CTDI、DLP、ED及碘负荷的差异均有统计学意义(P均＜0.001),A组的碘负荷及辐射剂量均显著低于B组.主观评测中三组间对比度无统计学差异;A1、A2 组的主观噪声及诊断置信度优于B组,有统计学意义,A1、A2 组间没有统计学意义;在锐利度及细节显示上三组间均有统计学意义,且A2 组优于A1 组优于B组.结论:Auto-kV技术联合AI深度学习算法(Clear Infinity)应用于冠状动脉CTA中可实现个体化扫描,显著降低对比剂用量及辐射剂量,并保证图像质量.
更多相关知识
- 浏览64
- 被引1
- 下载15
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
