CT深度学习图像重建可降低辐射剂量和提高图像质量：基于体模研究

摘要

目的 通过比较噪声功率谱、基于任务的传递函数以及病变检测能力，评估深度学习图像重建（DLIR）对提升图像质量及降低辐射剂量的潜力。方法 使用GE Revolution APEX CT扫描ACR464体模并设定8个不同噪声指数（NI=10、14、16、18、20、22、24、28），原始数据采用滤波反投影（FBP）、多模型迭代重建算法（ASiR-V）40%、ASiR-V 60%、ASiR-V 80%以及不同级别深度学习图像重建（DLIR-L、DLIR-M、DLIR-H）算法进行图像重建。通过使用imQuest软件计算不同重建算法图像噪声功率谱（NPS）、基于任务的传递函数（TTF）以及检测能力指数（d'）评估图像质量。结果 在所有重建算法中，DLIR-H的NPS peak最低。随着噪声指数的增加，NPS fav均向低频率移动；DLIR-H的fav(0.24～0.27 mm^-1)仅低于ASiR-V40%(0.26～0.28 mm^-1)。TTF_50%值不受DLIR级别的影响；TTF_50%值较ASiR-V 60%和80%分别高出（37.44±10.85）%、（46.24±15.28）%。深度学习图像重建的大小特征检测能力均高于ASiR-V 40%；比较DLIR-H与NI=10时ASiR-V 40%病灶检测能力相当的辐射剂量，小特征辐射剂量减少约76.48%，大特征减少约72.59%。结论 深度学习图像重建不仅可以在不改变噪声纹理的情况下降低噪声、提高空间分辨率和病灶可检测性，而且具有较ASiR-V更加强大的降低辐射剂量的能力。

关键词

深度学习图像重建 / 辐射剂量 / 图像质量 / 体模