深度学习重建为超低剂量胸部CT更好地检测肺结节

• 作者: 朱慧媛（译） 于红（校）
• 来源期刊: 国际医学放射学杂志
• 年，卷（期）: 2022,（3）
• 所属期刊栏目: 国际期刊连线
• 页码范围: 362
• 页数: 1页
• 语种: 中文
• DOI: 10.19300/j.2022.r0415

摘要

超低剂量（ULD）CT可以促进大规模肺癌筛查的临床实施，同时最大限度地减少辐射剂量。然而，传统的图像重建方法与低剂量采集中的影像噪声有关。目的 比较ULDCT中深度学习图像重建（DLIR）和自适应统计迭代重建-V（ASIR-V）的影像质量和肺结节检测情况。资料与方法 该前瞻性研究纳入2020年4—6月期间接受平扫ULDCT（0.07或0.14 mSv，类似于单次胸片）和胸部增强CT（CECT）的病人。ULDCT影像通过滤过反投影（FBP）、ASIR-V和DLIR重建。对肺组织进行三维分割以评估影像噪声。放射科医生使用基于深度学习的结节评估系统来检测和测量结节，并识别与恶性肿瘤相关的影像特征。采用Bland-Altman分析和重复测量的方差分析评估ULDCT影像和CECT影像之间的差异。结果 共纳入203例病人[平均年龄（61±12）岁；男129例]，共1 066个结节。其中，0.07 mSv扫描100次，0.14 mSv扫描103次。CECT及ULDCT扫描的FBP、ASIR-V-40%水平、ASIR-V-80%水平（ASIR-V-80%）、中强度DLIR和高强度DLIR（DLIR-H）重建影像的平均肺组织噪声分别为46±4、59±4、56±4、53±4、54±4和51±4 HU（P<0.001）。FBP重建、ASIR-V-80%和DLIR-H的结节检出率分别为62.5%（666/1 066）、73.3%（781/1 066）和75.8%（808/1 066）（P<0.001）。Bland-Altman分析显示在FBP、ASIR-V-80%和DLIR-H重建影像上的长径与CECT的百分比差异分别为9.3%（95%CI：8.0~10.6）、9.2%（95%CI：8.0~10.4）和6.2%（95%CI：5.0~7.4）（P<0.001）。结论 与自适应统计迭代重建-V相比，深度学习影像重建降低了ULD胸部CT影像的噪声，提高了结节检出率和测量精度。