首页 > 中国医学计算机成像杂志 > 深度学习重建算法联合低剂量增强CT对肝脏低对比度病灶显示的影响

深度学习重建算法联合低剂量增强CT对肝脏低对比度病灶显示的影响

Effect of Deep Learning Reconstruction Algorithm Combined with Low-dose Contrast-Enhanced CT on Liver Low-Contrast Lesion

二维码有效期 120s

摘要目的:通过门静脉期肝脏图像质量评价,探究不同级别深度学习(DL)重建算法在低剂量CT增强对肝脏低对比度病变显示的影响.方法:前瞻性收集2022年4月-2022年8月行全腹部增强扫描的患者62例,随机分为A组和B组:A组(n=27)为常规辐射剂量组,管电压120kV,自动管电流(剂量调制3级),重建Karl 5级图像;B组(n=35)为低辐射剂量组:管电压120 kV,自动管电流(剂量调制2级),重建DL(1～4)4个等级图像,记为B1～B4.记录A、B组剂量长度乘积(DLP),并计算有效辐射剂量(ED).在轴位图像上测量肝实质、门静脉、病灶以及同层面竖脊肌的CT值和SD值,计算信噪比(SNR)和对比度噪声比(CNR);统计A、B组病灶检出数量并测量病灶的最大直径.2名观察者采用5分法评估A、B组图像质量以及病灶的显示情况.结果:A、B组患者性别、年龄及身高、体重及体重指数(BMI)差异均无统计学意义;B组ED相较于A组降低了33.96％(P＜0.05);A、B各组CT值均无统计学差异(P＞0.05).B组组内肝实质、门静脉SNR、CNR随着DL等级升高逐渐升高(P＜0.05);A、B两组比较,仅B3组肝实质、门静脉的SD值、SNR及CNR与A组无统计学差异,仅B4组病灶CNR与A组有统计学差异(P＜0.05).2名观察者对图像主观评分一致性较好(Kappa值为0.824～0.878,P＜0.05),B3组与A组主观评分无统计学差异(P＞0.05),其余各组均低于A组(P＜0.05).结论:DL算法可显著减少低剂量图像噪声,保证肝脏低对比度病灶的清晰显示,DL3为推荐的最佳重建等级.