Euro Radio:对双能CT图像深度学习重建的定量和定性评估

2022-12-01 shaosai MedSci原创

现阶段,临床上引入了一种用于单能量CT的新型深度学习图像重建(DLIR)技术进入临床应用。

双能量CT(DECT)使用两种不同的光子能量,根据组织的原子成分来分离组织成分。DECT可以进行碘和脂肪部分的量化以及各种如虚拟单能(VM)、虚拟非增强和碘图重建。低千电子伏特的VM重建可以改善各种病症的诊断但会增加图像噪声。

现阶段如自适应统计IR(ASIR和ASIR-V,GE Healthcare)多代迭代重建(IR)和IR混合技术可在减少检查辐射剂量同时保持图像质量。然而,IR也有一定的缺点,改变图像纹理而影响图像评估

现阶段临床上引入了一种用于单能量CT的新型深度学习图像重建(DLIR)技术进入临床应用。以前的研究表明,VM成像不仅存在噪声水平的差异,而且单能量CT和低千伏VM图像的噪声功率谱也有不同的频率分布。最近的一项研究表明,在70KeV下使用DLIR有明显的降噪能力;然而,这种DLIR算法在低、高KeV环境下的性能还没有得到评估。
近日,发表在European Radiology杂志的一项研究比较了DLIR与ASIR-V VM重建在40、50、74和100KeV增强腹部DECT中的降噪能力,并对40和50KeV VM图像进行了定性评估,在保证CT图像质量的同时实现了CT检查的低剂量输出,进一步提高了CT检查的临床适用范围并降低了患者辐射负担。本研究共分析了30张静脉期急性腹部DECT(80/140 kVp)扫描图像。在四个不同的KeV水平(40、50、74和100)上,数据被重建为ASIR-V和DLIR-High,厚为1和3毫米。在肝脏、主动脉、脂肪和肌肉内测量了定量的霍恩斯菲尔德单位(HU)和噪评估。由两位经委员会认证的放射科医生对图像噪、清晰度、质地和整体质量进行主观评估。 
与ASIR-V相比,DLIR在相同的KeV水平下的所有重建中减少了19.9-35.5%(P < 0.001)的图像噪声。与ASIR-V 50 keV相比,DLIR 40 keV图像的对比度-噪声比(CNR)增加了49.2-53.2%(p < 0.001),而除了1和3毫米的主动脉和1毫米的肝脏测量,ASIR-V 50 keV显示出5.5-6.8%(p < 0.002)的噪声水平,没有发现明显的差异。定性评估显示,特别是在1毫米的重建中,有明显的改善(p < 0.001)。最后,与ASIR-V 50 keV相比,DLIR 40 keV显示出相当或更好的图像质量评级(p < 0.001至0.22)


 使用DLIR和ASIR-V进行的40和50-keV1-mm轴位重建。放置ROI(用红色圆圈表示)以测量HU和标准偏差(SD)。与ASIR-V(左侧图像)相比,DLIR图像(右侧)显示出较低的噪声水平

本研究表明,在所有评估的keV水平上,DLIR在图像降噪方面优于ASIR-V。此外,对于低keV VM重建,DLIR改善了图像质量,特别是对于薄层图像来说更为明显,使40keV成为常规增强腹部DECT的潜在新标准,在保持图像质量和噪音水平的同时为临床提供了更高的CNR和SNR。

原文出处:

Jack Junchi Xu,Lars Lönn,Esben Budtz-Jørgensen,et al.Quantitative and qualitative assessments of deep learning image reconstruction in low-keV virtual monoenergetic dual-energy CT.DOI:10.1007/s00330-022-09018-5

作者:shaosai



版权声明:
本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言

相关资讯

European Radiolog:平扫VI-RADS在评估膀胱癌肌肉侵犯的临床价值

随着降噪深度学习重建(dDLR)在临床上的广泛应用,高梯度(HG)MRI扫描仪可以在相同的带宽下产生更薄层面的图像,且不需要增加扫描时间。

European Radiology:基于深度学习的冠状动脉粥样硬化斑块分割在CCTA上的应用

冠状动脉计算机断层扫描(CCTA)是可视化和量化CAD的有效无创工具。最近的社会指南已经认可CCTA作为评估有症状患者的CAD的首要工具。

European Radiology:在评价骨质方面,如何让MR图像更快更好?

最近,人们提出了不同的包括使用卷积神经元网络(CNN)或生成对抗网络(GAN)等基于深度学习的方法,从MRI图像中创建"合成"或"伪 "CT图像。

European Radiology:深度学习模型对脂肪和淋巴水肿患者的标准化评估

近年来,DL方法已经显示出其在医学图像分析中自动量化组织体积的潜力。因此,DL也可以为临床提供一个有用的评估工具,对疑似脂肪水肿或淋巴水肿的患者进行基于影像的组织体积自动评估。

Nature子刊:多用途深度学习方法sciPENN,可预测、插补scRNA-seq、CITE-seq蛋白质表达

研究团队开发了sciPENN深度学习模型,可以预测和估算蛋白质表达,集成多个CITE-seq数据集,量化预测和估算不确定性。

European Radiology:深度学习,让年轻放射科医生轻轻松松面对前列腺癌的MR判析!

随着深度学习(DL)框架在自动图像识别分析方面的巨大成功,许多计算机辅助诊断(CAD)系统已经被开发出来用于各种恶性肿瘤的影像学图像解释。