深度学习图像重建算法在80 kV管电压下冠状动脉CT血管造影中的应用

摘要

目的 探讨80 kV深度学习图像重建（DLIR）算法在冠状动脉CT血管造影（CCTA）中的应用价值。方法 将接受心脏CCTA检查的60例患者按扫描方案分为100 kV组（A组，n=30）和80 kV组（B组，n=30）。A组采用60%权重自适应统计迭代重建-Veo(ASIR-V)算法（A-AV60）、DLIR算法（A-DLIR）;B组采用DLIR算法（B-DLIR）。记录2组的CT容积剂量指数（CTDIvol）、剂量长度乘积（DLP），计算有效辐射剂量（ED）。将感兴趣区（ROI）分别置于主动脉根（AR）、左前降支（LAD）、左回旋支（LCX）、右冠状动脉（RCA）及同层胸前脂肪区域，记录各ROI的CT值、噪声值，计算信噪比（SNR）和对比噪声比（CNR）。主观评价2组经2代冻结技术后的原始轴位、曲面重建（CPR）、容积再现（VR）重建和最大强度投影（MIP）重建，并且对2组图像进行主观质量评价。结果B组较A组ED降低45.14%。B-DLIR中AR、LAD、LCX、RCA的CT值均高于A-AV60及A-DLIR，比较差异均有统计学意义（P均<0.001）。A-DLIR与B-DLIR相比，AR、LAD、LCX的噪声值相近，仅在RCA中比较差异有统计学意义（P <0.05）;A-DLIR与B-DLIR的噪声值均小于A-AV60，比较差异均有统计学意义（P均<0.001）。A-DLIR与B-DLIR中AR、LAD、LCX、RCA的SNR、CNR相近，均高于A-AV60(P均<0.05)。B-DLIR主观图像质量平均分高于A-AV60(P <0.05)，但低于A-DLIR(P <0.05)。A-DLIR与B-DLIR的清晰度、伪影、小分支可见度比较差异均无统计学意义（P均> 0.05）。结论 在CCTA检查中，采用80 kV DLIR算法有助于获得质量更优的图像，进一步提高诊断效能，且可减少有效辐射剂量。

关键词

深度学习图像重建 / 自适应统计迭代重建 / 冠状动脉CT血管造影 / 信噪比 / 对比噪声比

基金资助

国家自然科学基金（822021291001447）; 中山大学附属第三医院“五个五”工程项目（2023ww605）