Auto-kV技术联合AI深度学习算法（Clear Infinity）在冠脉“精准”双低成像中的应用

摘要

目的：探讨Auto-kV技术联合AI深度学习算法（Clear Infinity）在冠状动脉“双低”成像中的价值。方法：连续选取62位行冠脉CTA检查者，分为A、B两组，每组31例。A组（实验组）采用Auto-kV技术扫描，O-Dose=0.7;B组（对照组）采用常规120kV扫描，O-Dose=1.0。A组对比剂用量依据Auto-kV技术给定管电压：140kV-0.9mL/kg;120kV-0.8mL/kg;100kV-0.7mL/kg;80 kV-0.6 mL/kg;70 kV-0.5 mL/kg;60 kV-0.4 mL/kg,B组对比剂用量统一为0.8 mL/kg。对比剂注射速率=对比剂用量/12 s。将A组原始数据采用迭代重建算法（Clear View）及AI重建算法（Clear Infinity）重建出两组图像，分别命名为A1组和A2组。迭代及AI算法的权重均设定为70%。B组原始数据采用滤波反投影法（FBP）重建。采用统计学分析图像质量、碘负荷及辐射剂量的差异。结果：A1、A2组图像冠脉各节段内CT值均高于B组，差异均有统计学意义（P均<0.001）。A1、A2组的噪声显著低于B组，差异有统计学意义（P均<0.001）。A1、A2组的信噪比及对比噪声比显著高于B组，差异有统计学意义（P均<0.001）。A、B两组间CTDI、DLP、ED及碘负荷的差异均有统计学意义（P均<0.001）,A组的碘负荷及辐射剂量均显著低于B组。主观评测中三组间对比度无统计学差异；A1、A2组的主观噪声及诊断置信度优于B组，有统计学意义，A1、A2组间没有统计学意义；在锐利度及细节显示上三组间均有统计学意义，且A2组优于A1组优于B组。结论：Auto-kV技术联合AI深度学习算法（Clear Infinity）应用于冠状动脉CTA中可实现个体化扫描，显著降低对比剂用量及辐射剂量，并保证图像质量。

关键词

冠状血管 / 体层摄影术,X线计算机