CT引导下低辐射剂量扫描联合深度学习重建算法在肺穿刺活检术中的应用

摘要

目的 探讨低辐射剂量扫描联合深度学习重建（DLIR）算法在CT引导下肺穿刺活检中应用的可行性及临床价值。方法选取2023年9月～2024年3月在陕西中医药大学附属医院行CT引导下肺穿刺患者，根据扫描方案不同，将60例肺穿刺活检患者分为常规剂量组（A组）和低剂量组（B组）。A组为100 kV，噪声指数（NI）=15;B组NI=45，其余扫描参数均相同。在常规剂量组中首次和末次全肺扫描分别采用A、B组参数扫描，用于评价深度学习重建算法（DLIR）改善图像质量潜能。A组中首次全肺扫描采用滤波反投影（FBP）和权重为50%自适应统计迭代重建-V(50%ASIR-V)重建，末次全肺扫描采用深度学习重建算法的3种强度（DLIR-L、DLIR-M、DLIR-H）重建图像。分别测量脊柱旁肌肉、皮下脂肪及主动脉血管CT值和SD值，计算信号噪声比（SNR）和对比噪声比（CNR）。对比A、B两组的患者基线特征、穿刺过程中总的辐射剂量、病理阳性率及并发症发生率。结果 5种不同条件下重建图像在肌肉、皮下脂肪及主动脉血管处CT值差异无统计学意义（P>0.05）,SD值、SNR和CNR值差异有统计学意义（P<0.05），组间两两比较分析显示，DLIR-H图像与50%ASIR-V图像在肌肉、脂肪、血管SD和SNR的差异无统计学意义（P>0.05）;FBP vs DLIR-H和DLIR-L vs DLIR-H组的CNR值差异有统计学意义（P<0.05）。与A组总辐射剂量相比，B组总辐射剂量减少约93.6%(P<0.001)。两组图像质量均能满足临床穿刺需要，两组患者的基线特征、病理阳性率及并发症发生率的差异均无统计学意义（P>0.05）。结论 低剂量CT扫描结合DLIR重建，可以显著降低图像噪声，提高图像质量，且不影响穿刺安全性和病理阳性率。

关键词

深度学习 / 穿刺活检 / 低剂量 / 辐射剂量 / 肺