深度学习图像重建法可降低冠状动脉CT血管造影患者检查时的辐射剂量及对比剂用量

摘要

目的 验证深度学习图像重建（DLIR）算法在低辐射剂量、低对比剂用量条件下冠状动脉CT血管造影（CCTA）的可行性。方法 前瞻性纳入2021年11月～2022年4月在南京医科大学附属明基医院行CCTA检查的BMI正常患者86例，随机分成A、B两组，两组患者均采用Smart-mA管电流自动控制技术、Auto Gating、Smart Phase及冠状动脉冻结技术，噪声指数（NI）均设置为12.2 HU，对比剂均选用碘海醇（350 mgI/mL）。A组管电压为70 kV，对比剂用量为（体质量×0.275）mL;B组管电压为120 kV，对比剂用量为（体质量×0.55）mL。A组采用DLIR算法进行图像重建，B组采用50%ASIR-V算法进行图像重建。分别测量并计算主动脉根部、左主干、左冠状动脉前降支、左冠状动脉回旋支及右冠状动脉近段CT值及其噪声，并计算信噪比、对比噪声比及边缘清晰度等客观评价指标，采用双盲法比较2种重建方法主观图像质量。结果 A、B两组患者在左主干动脉兴趣区CNR和左回旋支动脉近段兴趣区SNR的差异无统计学意义（P=0.358、0.252），其余兴趣区CNR和SNR均为A组大于B组（P<0.001）,A组左前降支动脉近段兴趣区边缘上升距离小于B组（P<0.001）;A、B两组患者的图像质量均能满足诊断需求，但A组患者图像质量主观评分优于B组（P<0.001）；辐射剂量：A组ED为0.81±0.40 mSv,B组ED为2.84±1.50 mSv，差异有统计学意义（P<0.001）。对比剂用量：A组为22.11±3.31 mL,B组为34.40±2.98 mL，差异有统计学意义（P<0.001）。结论 DLIR算法能够降低CCTA检查患者的辐射剂量和对比剂用量，具有一定的推广价值。

关键词

深度学习图像重建 / 辐射剂量 / 冠状动脉CT血管造影