换一批高级别深度学习图像重建算法在低管电压、低对比剂用量冠状动脉CT血管成像中的应用研究
The Application of High Deep Learning Image Reconstruction Algorithm in Coronary CT Angiography with Low Tube Voltage and Low Contrast Agent Dosage
摘要目的:评价高级别深度学习图像重建(DLIR-H)算法在低辐射剂量和低对比剂用量的冠状动脉CT血管成像(CCTA)中的可行性.方法:前瞻性纳入180例行CCTA的病人,随机分为"双低"组(A组)和对照组(B组),各90例.根据体质指数将两组病人分别分为3个亚组(A1组、A2组、A3组和B1组、B2组、B3组),每个亚组30例.A组采用DLIR-H算法进行图像重建;B组采用传统100～120 kV进行CCTA扫描,均采用60％自适应统计迭代重建(ASIR-V)算法进行图像重建.对两组相同体质指数亚组图像质量进行主观评分和客观评价.图像质量主观评分采用5分法;采用图像噪声、信噪比(SNR)和对比噪声比(CNR)对图像质量进行评估.结果:两组图像质量主观评分均满足诊断要求.A组图像质量的主观评分均高于B组,差异有统计学意义(P＜0.001).A1组、A2组、A3组不同冠状动脉节段SNR、CNR均高于B1组、B2组、B3组,A1组、A2组、A3组CT值、噪声均低于B1组、B2组、B3组,差异均有统计学意义(P＜0.001);且A1组、A2组、A3组有效辐射剂量及对比剂用量均低于B1组、B2组、B3组,差异均有统计学意义(P＜0.001).结论:在不同体质指数病人中,低管电压、低对比剂用量扫描联合DLIR-H算法较常规扫描联合60％ASIR-V算法,提高了低管电压CCTA所得图像质量,且病人所接受的辐射剂量与对比剂总量均明显减少.
更多相关知识
关键词
冠状动脉疾病计算机断层成像冠状动脉CT血管成像辐射剂量对比剂深度学习图像重建coronary artery diseasecomputed tomographycoronary CT angiographyradiation dosecontrast agentdeep learning image reconstruction
栏目名称
DOI
10.12102/j.issn.1672-1349.2025.14.021
发布时间
2025-08-05（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
