换一批基于深度学习的图像重建算法改善儿童超低剂量CT气道自动分割效果的研究
Improved effect of image reconstruction algorithm on the basis of deep learning for automatic segmentation of ultralow dose CT on airway of children
摘要目的:评价基于深度学习(DL)的重建图像在提升儿童超低剂量胸部CT气道自动分割的成功率及气道图像显示质量.方法:连续选取2020年2至9月首都医科大学附属北京儿童医院采用超低剂量进行胸部CT复查的41例患儿的临床资料,患儿平均年龄(4.43±1.61)岁,超低剂量CT扫描方案剂量为0.05 mGy,重建为0.625 mm层厚的滤过反投影(FBP)图像,50%及100%自适应统计迭代重建-V(ASIR-V)图像以及低能级、中能级、高能级DL(DL-L、DL-M、DL-H)共6组图像.使用自动分割软件对6组图像自行气道自动分割,记录自动分割成功率,对成功分割的图像采用5分制主观评价气道显示质量(5分最好).客观测量6组图像气管的CT值及噪声值.结果:DL-H图像自动分割成功率最高(60.98%),100%ASIR-V成功率最低(39.02%).自动分割图像主观评分结果DL-H图像最高(4.06±0.55)分,100%ASIR-V最低(2.44±0.76)分,DL-H可以显示更多的细小气道.客观测量噪声值显示DL-H及100%ASIR-V噪声值最低,两者比较差异无统计学意义(P＞0.05).结论:使用高强度深度学习迭代重建(DLIR)算法,可以提升儿童胸部超低剂量CT气道自动分割成功率及显示效果,DLIR有助于提升人工智能自动分割算法的准确性.
更多相关知识
关键词
超低剂量CT儿童气道自动分割图像重建深度学习(DL)Ultralow dose CTChildrenAutomatic segmentation of airwayImage reconstructionDeep learning(DL)
分类号
R816.92（放射医学）
栏目名称
DOI
10.3969/j.issn.1672-8270.2025.07.005
发布时间
2025-08-11（万方平台首次上网日期，不代表论文的发表时间）
- 浏览9
- 被引1
- 下载13
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
