深度学习图像重建联合器官剂量调制在颅脑低剂量CT中的图像质量与晶状体防护优化研究

摘要

目的 探讨深度学习图像重建（DLIR）算法在补偿器官剂量调制（ODM）技术所致噪声升高方面的有效性，并与传统自适应统计迭代重建-Veo（ASIR-V）算法比较，以实现在低辐射剂量下对颅脑CT图像噪声的优化及灰白质对比度的增强。方法 回顾性纳入2022年3月至2023年4月在中山大学附属第三医院接受2次非增强颅脑CT扫描的30例患者，收集其首次检查（A组，常规扫描方案）及短期随访检查（B组，启用ODM的扫描方案）的数据，分别重建2组图像，其中A组采用30%ASIR-V（A-AV30组）；B组采用30%ASIR-V（B-AV30组）、中等强度DLIR（B-DM组）及高等强度DLIR（B-DH组）。记录晶状体区域前、后、左、右方向的管电流，测量CT值、噪声标准差（SD），计算信噪比（SNR）、对比噪声比（CNR）和灰白质比（GWR）。客观测量一致性使用组内相关系数（ICC）评价，主观评价由2名放射科医师采用5分制对图像质量进行评估。结果 B组的容积CT剂量指数(CTDI_vol)和剂量长度乘积（DLP）均低于A组（均P<0.05）。客观数据中，各结构的ICC值均超过0.75。在相同30%ASIR-V算法下，B-AV30组的噪声SD值高于A-AV30组，而其SNR、CNR和GWR值均较低（均P<0.001）。在B组中，采用高等强度DLIR算法（B-DH组）重建图像的噪声SD值最低，SNR、CNR、GWR值及主观评分最高（均P<0.001）。2名放射科医师的主观评价Kappa值介于0.792～0.852（均P<0.001）。结论 高级DLIR算法能够有效补偿因ODM技术造成的图像质量下降，在降低辐射剂量、保护晶状体的同时，实现更优的噪声控制和灰白质对比度，其性能优于传统ASIR-V算法，为临床颅脑低剂量CT扫描提供了一种有效的综合优化策略。

关键词

器官剂量调制 / 深度学习图像重建 / 自适应统计迭代重建-Veo / 晶状体 / 低剂量CT / 图像质量