深度学习图像重建算法用于肥胖个体低剂量冠状动脉CT血管成像

目的 观察深度学习图像重建(DLIR)算法用于肥胖个体低剂量冠状动脉CT血管成像(CCTA)的可行性.方法 纳入30例体质量指数(BMI)≥28 kg/m2的疑诊冠状动脉疾病(CAD)患者,以管电压100 kV行CCTA扫描;采用DLIR(DLIR-M组及DLIR-H组)算法重建图像,并与自适应统计迭代重建(ASIR-V组)图像相比较;测量左心房(LA)、主动脉根部(Ao)、主动脉根部旁前纵隔脂肪(FAT)及各冠状动脉近端CT值、噪声及对比噪声比(CNR),以5-Likert评分比较3种重建图像质量.结果 3组图像中,AoCT值差异无统计学意义(P＞0.05).DLIR-M组、DLIR-H组图像噪声低于ASIR-V组,CNR高于ASIR-V组,其中DLIR-H组与ASIR-V组差异均有统计学意义(P均＜0.05),DLIR-M组与ASIR-V组差异均无统计学意义(P均＞0.05).DLIR-M组及DLIR-H组主观图像质量评价均明显高于ASIR-V组(P均＜0.05),DLIR-H组主观图像评分最高.30例有效辐射剂量(1.12±0.28)mSv.结论 DLIR算法可显著降低肥胖个体CCTA图像噪声,提高图像质量.