手机知网 App
24小时专家级知识服务
打 开
自动化技术
深度学习重建算法对肝脏图像质量及肝转移瘤诊断的研究
目的对比常规滤波反投影(Filter Back Projection,FBP)和基于多模型迭代重建(Adaptive Statistical Iterative Reconstruction-Veo,ASiR-V)算法,评估深度学习图像重建(Deep Learning Image Reconstruction,DLIR)算法对提高肝转移瘤患者CT图像质量和诊断信心的临床应用可能性。方法连续收集肝转移瘤32例患者,行上腹部动态增强CT扫描,门脉期原始数据使用0%ASiR-V(FBP)、30%ASiR-V及3个重建强度的DLIR(L、M、H)进行重建。分别测量5组重建图像的肝病灶与肝组织CT值、同层面右侧椎旁肌肉噪声标准差(Standard Deviation,SD),并计算信噪比(Signal to Noise Ratio,SNR)和对比噪声比(ContrasttoNoiseRatio,CNR)。同时由2名放射科医师在图像质量、病灶显示及诊断信心方面对5组图像进行主观评分。结果图像质量方面,DLIR组客观图像质量指标均优于FBP及30%ASiR-V(P<0.001)。DLIR-H噪声最低(6.35±1.27),较FBP和30%ASiR-V分别减少70%、53%;进而在肝脏处的SNR(16.32±5.1)较FBP和30%ASiR-V分别增加了64%、53%;病灶处的SNR(10.09±4.16)较FBP和30%ASiR-V分别增加了66%、54%;病灶CNR(6.21±2.61)较FBP和30%ASiR-V分别增加了65%、53%(P<0.001)。病灶诊断信息方面,对于病灶显示及诊断信心的评分显示,DLIR得分均高于FBP、30%ASiR-V。因DLIR-H致细小结构模糊以及过度平滑,所以DLIR-M得分最高。结论 DLIR与ASiR-V和FBP相比能显著降低图像噪声、提高图像质量,并提高病灶细节和诊断信心。
0 97
手机阅读本文
下载APP 手机查看本文
中国医疗设备
2021年10期
相似文献
图书推荐
相关工具书

搜 索