换一批深度学习图像重建算法联合自适应滤波在减轻胸廓入口处伪影的应用
Application of Deep Learning Image Reconstruction Algorithm Combined with Adaptive Filter Function in Reducing Artifacts at Thoracic Entrance
摘要目的:探究在胸部低剂量CT中应用深度学习图像重建算法(DLIR)联合自适应滤波(AF)在减少胸廓入口处伪影方面的临床价值.方法:回顾性收集行胸部低剂量CT筛查并偶发甲状腺疾病的患者150例.扫描完成后对原始数据进行图像重建.A组(常规组)采用常规迭代算法进行重建;B组采用DLIR进行重建,并根据DLIR 1～4等级分为B1～B4四个亚组;C组使用DLIR联合AF进行图像重建,也根据DLIR的等级分为C1～C4四个亚组.由2名观察者对图像伪影和病灶显示清晰度进行5分制主观评分.在胸廓入口的横断面上,选择伪影最明显的层面分别测量甲状腺、肌肉均匀处及肌肉伪影处的CT值和噪声(SD)值,并计算相应的信噪比(SNR)、对比度噪声比(CNR)及伪影指数(AI).结果:2名观察者的主观评分一致性良好(Kappa值范围为0.751～0.953,P＜0.05).在图像伪影评估方面,B组内各亚组得分均低于A组,但C组得分相较于B组大幅度提高,其中C4组得分最高且优于A组(P＜0.05).在病灶显示清晰度方面,C3组得分最高并优于A组(P＜0.05).B1～B3组的SNR和CNR均低于A组,但C组SNR和CNR相较于B组有大幅度提升,其中C4组最高并优于A组(P＜0.05).C3组和C4组的AI值最低,且低于A组(P＜0.05).结论:随着人工智能和医学成像技术的不断发展与融合,在胸部低剂量CT中使用DLIR等级3联合AF可以明显减少胸廓入口处条状伪影,从而更准确地识别肺外甲状腺疾病.
更多相关知识
关键词
计算机体层成像深度学习图像重建算法自适应滤波伪影Computed tomographyDeep-learning image reconstruction algorithmAdaptive filteringArtifacts
栏目名称
DOI
10.3969/j.issn.1006-5741.2024.06.019
发布时间
2025-01-17（万方平台首次上网日期，不代表论文的发表时间）
- 浏览7
- 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
