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

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。