关键词:
深度学习重建算法
单能量成像
腹主动脉
低剂量扫描
图像质量评价
图像噪声
信噪比
对比度噪声比
摘要:
目的比较能谱单能量联合基于模型的自适应统计迭代重建技术(Adaptive Statistical Iterative Reconstruction-V,ASIR-V)与固定100 keV下使用深度学习重组(Deep Learning Image Reconstruction,DLIR)对腹主动脉的图像质量与辐射剂量的影响。方法回顾性收集2022年12月至2023年12月间在齐齐哈尔医学院附属第三医院进行的腹部增强扫描病例。将患者按照所接受的扫描技术分为2组,即常规组(100 keV,DLIR-H)和能谱组(80/140 keV,ASIR-V 40%)。常规组进行DLIR-H、DLIR-M、DLIR-L、ASIR-V 40%、ASIR-V 60%、ASIR-V 80%重建。利用能谱分析软件GSI Volume Viewer将原始数据重建ASIR-V 60%、ASIR-V 80%2个等级,在3个ASIR-V等级上以10 keV为间隔重建40~90 keV的图像,与120 kVp-like混合能量图像共同构成19组图像。比较各组图像的噪声(Standard Deviation,SD)、信噪比(Signal to Noise Ratio,SNR)以及对比度噪声比(Contrast to Noise Ratio,CNR),分析得出最佳单能量组。结果60 keV联合ASIR-V 60%的SD、SNR及CNR与120 kVp-like相比,差异无统计学意义(P>0.05);60 keV联合ASIR-V 60%与常规组相比,SNR、CNR及主观评分的差异均无统计学意义(P>0.05),常规组辐射剂量及SD较低,且差异有统计学意义(P<0.05)。结论100 keV下DLIR-H在满足腹主动脉诊断要求的同时还能降低辐射剂量,相对来说,其为腹主动脉的最优重建算法。而60 keV联合ASIR-V 60%为重建腹主动脉的最佳单能量与重建等级的组合。