深度学习重建算法改善腹部门静脉期CT图像质量的应用价值

摘要

目的 ：探究深度学习重建算法（Deep learning image reconstruction,DLIR）、传统滤波反投影（Filered back-projection,FBP）及自适应迭代重建算法（Adaptive statistical iterative reconstruction-veo,ASIR-V）对改善腹部门静脉期CT图像质量差异及临床获益。方法：前瞻性纳入45例行腹部增强CT扫描患者，其中包括18例肝硬化失代偿期患者，对门静脉期图像进行FBP、30%ASIR-V、80%ASIR-V及DLIR-H重建，并测量比较4组重建图像肝脏、脾脏、脾静脉、门静脉及左右支CT值、噪声、信噪比（Signal-to-noise ratio,SNR）及对比信噪比（Contrast-to-noise ratio,CNR）；比较各重建算法图像主观评价，包括18例肝硬化失代偿期患者交通支血管。结果：4组重建算法图像CT值无统计学差异（P>0.05），噪声、SNR、CNR均有统计学差异，两两比较FBP与30%ASIR-V,80%ASIR-V与DLIR-H在CNR、SNR值中无统计学差异（校正P<0.008）,80%ASIR-V与DLIR-H算法在SD值无统计学差异（校正P<0.008），余均有统计学差异。主观评价DLIR图像整体质量、对比度、失真伪影与其他各组有显著性差异（校正P<0.008），仅图像噪声与80%ASIR-V无显著性差异（校正P≥0.008）。DLIR交通支血管轮廓、清晰度与各组有显著性差异（校正P<0.008），噪声与80%ASIR-V无显著性差异（校正P≥0.008）。结论：DLIR算法降低腹部CT图像噪声，改善图像质量具有优势，尤其是肝硬化失代偿期微小血管结构，该重建算法可能为患者的精准诊断、风险评估提供更多信息。

关键词

腹部 / 肝硬化 / 体层摄影术,X线计算机