超低剂量胸部CT结合深度学习重建可用于肺结节评估

摘要

目的 探讨超低剂量CT(ULDCT)结合深度学习重建（DLIR）算法在肺结节评估中的可行性。方法 于2023年6月～11月在陕西中医药大学附属医院前瞻性纳入142例因肺结节复查的患者，同时接受标准剂量CT检查（SDCT）和超低剂量CT检查（ULDCT）。SDCT采用基于多模型的迭代重建40%(ASIR-V40%)(A组)，ULDCT分别采用ASIR-V40%(B组)和高强度深度学习重建（DLIR-H）(C组)。记录两种扫描方式的辐射剂量和3组图像人工检测结节数。测量3组图像肺组织、主动脉、肌肉的CT值和噪声值（SD），并计算各组织的信噪比（SNR）。采用双盲法对3组图像肺结节的恶性征象（毛刺、分叶、空洞或空泡、胸膜牵拉征、血管穿行）进行5分制主观评分。以病理诊断为金标准，对比分析超低剂量和常规剂量胸部CT检查对肺结节恶性征象的诊断效能。对3组图像的定量指标和主观评分进行统计学分析。结果 ULDCT相较于SDCT辐射剂量降低约92.7%，差异有统计学意义（P<0.05）。C组图像肺组织、主动脉和肌肉的SD值低于B组，信噪比高于B组，肺结节恶性征象的显示能力优于B组（P<0.05），与A组的差异无统计学意义（P>0.05）。3组图像肺结节检出数量分别为187、179、187个。与病理结果对照，A组和C组诊断恶性肺结节的效能均高于B组，差异有统计学意义（P<0.05）。结论 超低剂量胸部CT结合深度学习重建能够获得与标准剂量ASIR-V40%重建相当的图像质量，且对肺结节的检出及征象显示良好，临床可用于对肺结节的评估。

关键词

肺结节 / 超低剂量 / 深度学习重建 / 图像质量