深度学习算法优化儿童超低剂量气道CT的可行性

• 作者: 孙记航 高军 王帆宁 王蓓 霍爱华 刘志敏 彭芸
• 来源期刊: 影像诊断与介入放射学
• 关键词: 体层摄影术 X线计算机 儿童 气管 图像重组 深度学习
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: RSNA 2020专栏
• 页码范围: 10-14
• 页数: 5页
• 语种: 中文
• DOI: 10.3969/j.issn.1005-8001.2021.01.002

摘要

目的 评价利用深度学习重组算法(DLIR)对儿童超低剂量胸部CT大气道的显示能力.方法 连续选取17例[平均年龄(6.5±3.0)岁,范围3～12岁]需要复查胸部CT平扫的患儿入组,采用超低剂量CT扫描方案,管电压80 kV(3～6岁)或100 kV(7～12岁),管电流10 mA,转速0.35 s,重组为0.625 mm的50％自适应迭代重组(ASIR-V)图像,低强度DLIR(DL-L),中强度DLIR(DL-M)及高强度DLIR(DL-H)图像,作为观察组图像.患儿3个月内常规低剂量胸部CT作为对照组.采用5分制主观评价气道显示质量(5分最好,3分合格).客观测量5组图像肺野的CT值及噪声值,统计两组患儿的有效剂量并比较.结果 超低剂量组的CTDIvol和有效剂量为(0.07±0.03)mGy及(0.04±0.01)mSv,较低剂量组降低了98％.超低剂量组图像噪声值50％ASIR-V图像为50.6±10.1,DL-L为57.5±11.5,DL-M为52.2±10.8,DL-H为43.2±10.0,较对照组(27.5±8.2)明显增高.主观评价所有大气道评分均高于3分,其中DL-H为(4.7±0.3)分,接近对照组的(4.9±0.1)分.结论 使用高强度DLIR优化超低剂量胸部CT的大气道显示,可在降低98％放射剂量的基础上,得到可供满意诊断的气道图像.