深度学习重建算法改善腹部门静脉期CT图像质量的应用价值OA北大核心CSTPCD

目的:探究深度学习重建算法(Deep learning image reconstruction,DLIR)、传统滤波反投影(Filered back-projection,FBP)及自适应迭代重建算法(Adaptive statistical iterative reconstruction-veo,ASIR-V)对改善腹部门静脉期CT图像质量差异及临床获益。方法:前瞻性纳入45例行腹部增强CT扫描患者,其中包括18例肝硬化失代偿期患者,对门静脉期图像进行FBP、30%ASIR-V、80%ASIR-V及DLIR-H重建,并测量比较4组重建图像肝脏、脾脏、脾静脉、门静脉及左右支CT值、噪声、信噪比(Signal-to-noise ratio,SNR)及对比信噪比(Contrast-to-noise ratio,CNR);比较各重建算法图像主观评价,包括18例肝硬化失代偿期患者交通支血管。结果:4组重建算法图像CT值无统计学差异(P>0.05),噪声、SNR、CNR均有统计学差异,两两比较FBP与30%ASIR-V,80%ASIR-V与DLIR-H在CNR、SNR值中无统计学差异(校正P<0.008),80%ASIR-V与DLIR-H算法在SD值无统计学差异(校正P<0.008),余均有统计学差异。主观评价DLIR图像整体质量、对比度、失真伪影与其他各组有显著性差异(校正P<0.008),仅图像噪声与80%ASIR-V无显著性差异(校正P≥0.008)。DLIR交通支血管轮廓、清晰度与各组有显著性差异(校正P<0.008),噪声与80%ASIR-V无显著性差异(校正P≥0.008)。结论:DLIR算法降低腹部CT图像噪声,改善图像质量具有优势,尤其是肝硬化失代偿期微小血管结构,该重建算法可能为患者的精准诊断、风险评估提供更多信息。