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(Contrast to Noise Ratio,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.