深度学习图像重建算法用于"双低"脑CT灌注成像
Deep learning image reconstruction algorithm in brain CT perfusion imaging with low tube voltage and reduced contrast agent dosage
摘要目的 观察深度学习图像重建(DLIR)算法用于70 kVp、40 ml对比剂用量方案("双低")全脑CT灌注成像(CTP)的价值.方法 前瞻性纳入105例疑诊急性缺血性脑卒中患者并随机将其分为3组,分别接受常规标准剂量80 kVp、150 mA扫描联合自适应统计迭代重建(ASIR-V)50%水平重建(CN组,n=35),低剂量(LD)70 kVp、100 mA扫描联合DLIR最高档(DLIR-H)重建(LD组,n=35),以及超低剂量(ULD)70 kVp、70 mA扫描联合DLIR-H重建(ULD组,n=35),比较各组辐射剂量.测量额叶、顶叶、颞叶灰质和白质ROI内的CT值及CT值标准差(SDCT),计算信噪比(SNR)及灰质与白质的对比度噪声比(CNR)并进行组间比较.生成脑血容量(CBV)、脑血流量(CBF)、平均通过时间(MTT)及残余组织达峰时间(Tmax)伪彩图并进行主观评分,以Kappa检验分析其主观评分的一致性;测量灌注参数值并进行组间比较.结果 相比CN组,LD组与ULD组容积CT剂量指数(CTDIvol)、剂量长度乘积(DLP)及有效剂量(ED)均降低(校正P均<0.05).ULD组额叶、顶叶及颞叶白质SDCT均高于CN组,顶叶白质SDCT高于LD组(校正P均<0.05),组间灰质SDCT差异均无统计学意义(P均>0.05).LD组及ULD组顶叶及颞叶白质SNR均低于CN组(P均<0.05),组间额叶白质及额叶、顶叶及颞叶灰质SNR差异均无统计学意义(P均>0.05).3组间额叶、顶叶、颞叶灰质与白质CNR差异均无统计学意义(P均>0.05).观察者间对于CBV图、CBF图及Tmax图的主观评分一致性均较高(Kappa分别为0.623、0.644、0.638),而对MTT图的一致性良好(Kappa=0.560).针对不同CTP伪彩图的观察者内主观评分差异均无统计学意义(P均>0.05).3组伪彩图额叶、顶叶、颞叶灰质、白质的CBV、CBF、MTT及Tmax值差异均无统计学意义(P均>0.05).结论 DLIR算法用于"双低"CTP扫描可保证成像质量.
更多相关知识
- 浏览21
- 被引2
- 下载9

相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文


换一批



