基于深度学习的重建算法在健康志愿者肝脏低剂量薄层CT检查中的应用研究

目的 比较基于深度学习(deep learning,DL)的重建算法、滤波反投影(filtered back projection filtering,FBP)重建算法和迭代重建(iterative reconstruction,IR)算法,探讨DL重建算法在健康志愿者肝脏低剂量薄层CT检查中临床应用的可行性.方法 采用联影160层CT对直径180 mm的标准水模进行扫描,比较DL、FBP和IR算法的噪声功率谱.前瞻性纳入健康志愿者100例,其中常规剂量组(normal dose,ND)50例、低剂量组(low dose,LD)50例.ND组采用IR算法;LD组分别采用DL、FBP和IR算法.使用单因素方差分析比较ND-IR、LD-FBP、LD-IR和LD-DL 4组的肝CT值、肝噪声、肝信噪比(signal-to-noise ratio,SNR)、对比噪声比(contrast noise ratio,CNR)和质量因数(figure of merit,FOM).采用Kruskal-Wallis检验比较4组图像的解剖结构主观评分.结果 DL噪声功率谱平均峰值最低,形态与中等迭代等级IR算法相似.ND-IR、LD-FBP、LD-IR和LD-DL的肝CT值差异无统计学意义,LD-DL的噪声低于LD-FBP、LD-IR和ND-IR(P<0.05),LD-DL的SNR、CNR和FOM均高于LD-FBP、LD-IR和ND-IR(P<0.05).LD-DL解剖结构的主观评分均与ND-IR无明显差异(P>0.05),且均高于LD-FBP和LD-IR(P<0.05).LD组相对于ND组减少约50.2％辐射剂量.结论 噪声形态与临床常用的中等迭代等级IR相近的DL算法降噪能力高于IR,与FBP相比噪声形态较平滑但降噪能力大幅提高,在健康志愿者肝脏低剂量薄层CT检查中可获得肝脏常规剂量厚层CT的图像质量.