深度学习重建算法对肺部CT定量分析及图像质量的影响

目的:通过与滤波反投影(FBP)算法和自适应统计迭代重建(ASIR-V)算法对比,探讨深度学习图像重建(DLIR)算法对肺部CT定量分析及图像质量的影响.方法:回顾性搜集46例肺部体检患者的CT平扫数据,采用FBP、不同混合权重(BW=50％、100％)ASIR-V算法及不同级别深度学习迭代重建(DLIR-L、DLIR-M、DLIR-H)算法进行图像重建.测量并比较不同重建算法图像上各结构及病灶的定量参数,包括肺结节的平均CT值及实性和非实性部分的体积、全肺容积、肺气肿指数(EI)、右肺上叶尖段支气管的气道面积和平均直径、气道壁的面积、面积百分比和平均厚度、气管分叉层面气道内空气和降主动脉CT值及其标准差(图像噪声).由两位放射科医师从图像质量及噪声水平两方面对不同重建算法图像采用5分法(1分:极差,2分:差,3分:满足诊断要求,4分:好,5分:极佳)进行主观评价并进行统计学分析.测量数据符合正态分布的连续变量采用单因素方差分析,不符合者采用非参数检验,P<0.05时,进一步组间两两比较,采用Kappa检验比较两位医师主观评分的一致性.结果:与FBP算法相比,不同级别DLIR及50％和100％权重ASIR-V算法可显著降低图像噪声(P均<0.001).与FBP、50％BW-ASIR-V、DLIR-L和DLIR-M算法相比,DLIR-H算法可显著降低图像噪声(P均<0.001).不同算法对肺气肿指数测量值具有显著影响(P<0.001).不同算法对全肺容积、右肺上叶尖段支气管的气道腔面积、气道壁面积、气道壁平均厚度和气道平均直径、气道内空气及降主动脉CT值及结节体积的测量结果无显著影响(P均>0.05).DLIR-H算法图像质量主观评分高于其它算法(P均<0.05),图像噪声的主观评分高于FBP、50％-ASIR-V、DLIR-L及DLIR-H(P均<0.05).结论:与FBP算法相比,DLIR算法和ASIR-V算法能够在降低图像噪声和提高图像质量的同时不影响肺部各结构及肺结节定量指标的测量结果;与ASIR-V算法相比,DLIR-H算法对图像噪声有显著改善且图像质量更符合临床诊断需求.