应用深度学习图像重建算法提升多发性大动脉炎患儿增强CT血管壁测量精度的研究
Chinese Journal of Radiology(2021)
Abstract
目的:探讨深度学习图像重建(DLIR)算法优化儿童多发性大动脉炎增强CT(CECT)图像质量和提升血管壁测量精度的价值。方法:回顾性收集2019年9月至2020年4月于首都医科大学附属北京儿童医院32例进行低辐射剂量体部CECT的多发性大动脉炎患儿,扫描管电压100 kVp,将原始数据采用滤波反投影(FBP)、50%自适应统计迭代重建(ASIR-V)、100%ASIR-V、DLIR重建为0.625 mm的薄层图像。主观评价由两名医师采用5分法评估整体图像噪声、血管壁的显示能力以及诊断信心指数。客观评价测量各组图像血管壁厚度,计算测量标准差和变异系数(CV),同时计算对比噪声比。使用Friedman检验比较4组图像间主观评分的差异,采用随机区组的方差分析比较客观测量指标的差异。结果:整体噪声方面100%ASIR-V、DLIR间评分差异无统计学意义( P>0.05),此两组图像评分均高于FBP、50%ASIR-V( P均<0.05),血管壁显示能力与诊断信心指数DLIR优于其他图像( P均<0.05)。客观测量结果显示,DLIR图像管壁厚度标准差和CV小于其他图像,差异有统计学意义( P均<0.05),100%ASIR-V与DLIR间血管噪声值、肌肉噪声值、对比噪声比的差异无统计学意义( P均>0.05),均低于FBP和50%ASIR-V图像( P均<0.05)。与50%ASIR-V图像相比,DLIR图像的CV降低了22.9%,对比噪声比提升了46.8%。 结论:DLIR可改善大动脉炎患儿的CECT图像质量,提升血管壁的测量精度,使进一步降低辐射剂量成为可能。
MoreTranslated text
Key words
Tomography, X-ray computed,Takayasu arteritis,Child,Radiation dosage,Deep learning
AI Read Science
Must-Reading Tree
Example
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
Generate MRT to find the research sequence of this paper
Chat Paper
Summary is being generated by the instructions you defined