摘要目的 观察深度学习重建(DLR)联合 Smart去金属伪影(MAR)算法对颈部 CT图像中口腔金属植入物伪影的影响.方法 回顾性分析 60 例口腔内存在金属植入物患者的颈部 CT 资料,其中 19 例存在颈部病变且受金属伪影干扰;分别以自适应迭代重建(ASIR-V,重建百分比为 50%)联合 Smart MAR(IR+S组)、DLR-H(重建强度为高水平)联合Smart MAR(DH+S组)、DLR-M(重建强度为中水平)联合 Smart MAR(DM+S组)、DLR-H(DH 组)及DLR-M(DM组)重建静脉期图像,通过计算各组病变/舌部软组织噪声(SD1)、头夹肌噪声(SD2)及伪影指数(AI)对图像进行客观评估;以Likert量表对图像整体及显示病灶质量进行主观评分;比较各组主、客观评估结果的差异.结果 5 组图像 SD1、SD2 及AI差异均有统计学意义(P均<0.05).SD1 及 AI 在 DH+S组、DM+S组、IR+S组、DH 组及 DM组依次升高(P均<0.05);SD2 在DH+S组、DM+S组及IR+S组依次升高(P均<0.05),而在DH+S组与DH 组、DM+S组与DM组均无统计学差异(P均>0.05).存在颈部病变的 6 例(6/19,31.58%)及无颈部病变的 4 例(4/41,9.76%)可于 IR+S 组、DH+S组及DM+S组中发现DH 组及DM组中不存在的伪影.5 组图像整体及显示病灶质量评分差异均有统计学意义(P均<0.05),在DH+S组、DM+S组及 IR+S组依次降低(P 均<0.05),但均高于 DH 组及 DM组(P 均<0.05),而DM组与DH 组间差异均无统计学意义(P均>0.05).结论 以DLR联合Smart MAR算法重建口腔金属植入物患者颈部CT图像的噪声、AI、图像整体质量及显示病灶质量均较好,但存在无法去除金属伪影的可能.