深度学习图像重建实现胸部能谱CT虚拟平扫对真实平扫的临床替代

摘要

目的 探索深度学习图像重建（DLIR）在优化胸部能谱CT虚拟平扫（VNC）图像质量的应用价值。方法 前瞻性收集2024年6～10月于陕西中医药大学附属医院行胸部能谱CT真实平扫（TNC）及双期增强扫描的45例患者。采用ASIR-V50%权重重建120 kVp-like图像作为真实平扫对照图像（TNC-AR50），基于动脉期和静脉期增强数据，分别采用中、高等级DLIR(DLIR-M和DLIR-H)重建4组VNC图像（VP-VNC-DM、VP-VNC-DH、AP-VNC-DM、AP-VNC-DH）。在5组图像（TNC-AR50+4组VNC）上测量主动脉、皮下脂肪、竖脊肌及病灶的CT值、噪声（SD），并计算信噪比（SNR）和对比噪声比（CNR）。采用单因素方差分析和Kruskal-Wallis检验比较客观指标。2位放射科医师独立采用5分制Likert量表对整体图像质量及病灶可见性进行主观盲法评价。结果 在客观图像质量评价上，VP-VNC-DH组图像质量优于TNC-AR50，且5组图像间的CT值差异无统计学意义（P>0.05）;VP-VNC-DH组的图像噪声最低，SNR、CNR最高。在主观评价方面，VP-VNC-DH组的图像质量评分最高且在病灶显示度方面表现最佳。胸部CT增强扫描时，有、无TNC扫描的总有效辐射剂量分别为9.40±0.41 mSv和6.27±0.28 mSv。无TNC扫描，总辐射剂量减少约33.3%。结论 在胸部增强CT检查中，基于DLIR（尤其是静脉期DLIR-H）重建的VNC图像质量显著优于基于ASIR-V 50%重建的TNC，且CT值一致性良好。推荐采用静脉期DLIR-H重建VNC图像替代真实平扫，以有效降低辐射剂量。

关键词

深度学习重建算法 / 虚拟平扫 / 胸部CT / 辐射剂量