Application of Deep Learning Reconstruction Algorithm in Upper Abdomen CT
-
摘要: 目的：通过分析比较自适应统计迭代重建（ASIR）算法和深度学习重建（DLIR）算法在上腹部CT成像中的图像质量，探讨DLIR算法在上腹部CT成像中的应用价值。方法：回顾性纳入75例患者上腹部CT平扫图像，利用自适应统计迭代重建算法ASIR（30％、50％、70％、90％）和深度学习重建算法（DL-L、DL-M、DL-H）重建图像，共7组。测量每组图像肝脏、胰腺、竖脊肌的CT值和SD值，并计算信噪比（SNR）和对比噪声比（CNR），采用单因素方差分析对各指标进行客观评价；同时由两位放射医师对图像质量和噪声评分，采用Friedman <i<M</i<检验进行比较。结果：①七组重建图像的SD值、SNR、肝脏CNR差异有统计学意义。②DL-L与ASIR 50％、DL-M与ASIR 70％、DL-H与ASIR 90％ 间各ROI处CT值、SD值、SNR值、CNR值无差异。③三种深度学习重建算法间随等级升高，SNR值升高，差异有统计学意义；且DL-H 算法的SNR值高于ASIR 30％、ASIR 50％，SD值低于除ASIR 90％ 外的其余5组重建算法。④七组图像主观评分差异有统计学意义，算法DL-H具有最佳的图像质量和最低的噪声，DL-M、ASIR 90％、DL-L、ASIR 70％、ASIR 50％、ASIR 30％ 图像噪声依次增加。结论：深度学习重建算法能够降低上腹部图像噪声，提高图像质量，且随等级升高，图像噪声降低、质量提高、信噪比升高。Abstract: Objective: To explore the application of deep learning image reconstruction (DLIR) algorithm in upper abdominal CT imaging by analyzing the image quality of adaptive statistical iterative reconstruction (ASIR) algorithm and DLIR. Methods: Retrospectively included 75 patients’ upper abdominal CT plain scan images, using adaptive statistical iterative reconstruction algorithm ASIR (30%, 50%, 70%, 90%) and deep learning reconstruction algorithm (DL-L, DL-M, DL-H) to reconstruct images, a total of 7 groups. Measured the CT and SD values of the liver, pancreas, and erector spinae , and calculated the signal to noise ratio (SNR) and contrast to noise ratio (CNR). Objective indicators were evaluated by one-way ANOVA. Two radiologists scored the image quality and noise, and compared them with Friedman <i<M</i< test. Results: (1) The SD value, SNR, and liver CNR of the seven reconstructed images had statistically significant differences. (2) The difference in CT value, SD value, SNR value and CNR value at each ROI between DL-L and ASIR 50%, DL-M and ASIR 70%, DL-H and ASIR 90% was small. (3) The SNR value of the three DLIR algorithms increased as the level increased, and the difference was statistically significant; and the SNR value of the DL-H algorithm was higher than ASIR 30% and ASIR 50%, and the SD value was lower than the other five reconstruction algorithms except for the ASIR 90%. (4) The difference in the subjective scores of the seven groups of images was statistically significant. The algorithm DL-H had the best image quality and the lowest noise, DL-M, ASIR 90%, DL-L, ASIR 70%, ASIR 50%, ASIR 30% image noise in sequence increased. Conclusion: The DLIR algorithm can reduce the image noise of the upper abdomen and improve the image quality. As the level increased, the image noise decreased, the quality improved, and the signal-to-noise ratio increased.
-
新型冠状病毒感染（coronavirus disease 2019，COVID-19）自2019年底开始持续流行，SARS-CoV-2经过了多次的突变和变异，从原始株、德尔塔株，再到目前流行的奥密克戎（Omicron）株，已出现了多种变异毒株谱系[1-2]。
COVID-19病毒为β属的新型冠状病毒[3]，其传播能力强，3年来已在全球多国蔓延。胸部CT检查在COVID-19的早期筛查、临床诊治以及病程观察中起着非常重要的作用[4-5]。按照新型冠状病毒感染诊疗方案（试行第十版）[6]进行COVID-19临床分型，轻型胸部CT表现无异常，本研究未纳入。既往COVID-19死亡病例多为重症（重型、危重型）患者，因此对于中型患者临床转归的研究就显得尤为重要。
本研究回顾性分析126例内蒙古自治区人民医院就诊的感染奥密克戎BF.7毒株的不同临床转归的中型COVID-19患者胸部CT，为临床诊治、预后评估提供参考。
1. 资料与方法
1.1 病例资料
回顾性分析2022年12月1日至2023年1月31日在内蒙古自治区人民医院确诊的126例Omicron变异株BF.7感染临床分型为中型的成年COVID-19病例，均有流行病学史。根据《新型冠状病毒感染诊疗方案（试行第十版）》临床诊断是否转为重症（重型/危重型）分为A组（未转为重症）、B组（转为重症）。A组103例，男65例，女38例，平均年龄（73.98±11.53）岁；B组23例，B组23例，男16例，女7例，平均年龄（73.43±12.53）岁。
纳入标准：符合新型冠状病毒感染诊疗方案（试行第十版）的临床诊断标准，具有完整CT检查资料且图像无伪影；排除标准：轻型及首诊即为重症患者；未成年（18岁以下）病例；患有肺部肿瘤、肺结核及其他肺部感染性疾病的病例；患有基础疾病如肺气肿，肺间质纤维化等影响病灶准确判断的病例；图像质量差、呼吸伪影严重等影像观察的病例。
1.2 影像检查方法
使用64排及以上螺旋CT，患者采用仰卧位，扫描范围从胸廓入口至包全肺底。扫描参数：管电压120 kV，自动管电流，层厚5 mm，重建1～1.25 mm，矩阵512×512。
1.3 资料分析
胸部CT薄层图像由两名高年资影像诊断医师进行阅片，统计病灶的分布特点及CT影像征象特征，当诊断结果出现争议时，再由第3名工作10年以上经验丰富的影像医学科胸组医生裁定。
1.4 统计学方法
A组（未转为重症）与B组（转为重症）两组患者性别构成、病灶分布及特征采用例数（构成比）描述，患者平均年龄采用（均数±标准差）描述，采用t检验比较，患者感染病灶占比采用中位数（四分位间距）描述，组间比较采用非参数U检验。以P≤0.05为差异具有统计学意义。
2. 结果
本研究126例患者，根据不同临床转归分为A组和B组，两组病例性别、平均年龄差异无统计学意义；病灶在左肺上叶、下叶、右肺上叶、中叶、下叶及双肺中分布体积占比高于A组（表1）。
表 1 126例中型COVID-19患者分组情况Table 1. Grouping of 60 patients with COVID-19分组 组别 统计检验 A组（n=103） B组（n=23） 统计量 P 病灶分布体积占比（％） 左肺上叶 11.0（16.6） 36.7（26.7） 4.623 ＜0.001 左肺下叶 32.7（29.3） 56.3（30.4） 3.278 0.001 右肺上叶 12.6（28.6） 36.4（29.5） 4.282 ＜0.001 右肺中叶 15.5（29.4） 34.7（32.7） 3.246 0.001 右肺下叶 30.9（30.9） 58.0（29.8） 4.067 ＜0.001 双肺 19.0（19.7） 40.5（12.0） 5.444 ＜0.001 年龄 平均年龄/岁 73.98±11.53 73.43±12.53 0.202 0.192 ${M}({Q_2}～{Q_3})$ 74.0（16.0） 75.0（19.0） 0.840 0.957 年龄范围/岁 44～95 48～89 两组病灶均以双肺分布磨玻璃阴影、实变为主。大部分呈双肺多叶分布。A组右肺上叶7例（7/103）、右肺中叶2例（2/103），左肺上叶、下叶各1例（1/103）无病灶分布；B组除1例（1/23）左肺下叶无病灶分布外其余22例（22/23）均为双肺5个肺叶分布。两组均可见大小不等磨玻璃斑片影、磨玻璃结节影，部分较淡薄，或部分实变影，索条、实变、铺路石征、小叶间隔增厚及病灶内增粗血管影，沿支气管血管束分布或肺叶外周带及胸膜下分布多见（图1和图2）。B组呈双肺胸膜下及肺叶外周带为主磨玻璃斑片影及实变，部分实变范围扩大，表现为双肺大片状磨玻璃影、实变，沿支气管血管束分布，可见多发条索及空气支气管征；B组病灶吸收较普通型A组慢。B组复查可见1例胸腔积液（图3），均未见纵隔、肺门淋巴结肿大。
![]()
图 1 COVID-19中型未转重症病例男，83岁。（a）2022.12.29双肺条片状磨玻璃密度影，胸膜下分布为主，可见增粗小血管。（b）2023.01.04磨玻璃影伴部分实变，可见小叶间隔增厚，可见索条。Figure 1. COVID-19 medium type that did not progress to a severe case![]()
图 2 COVID-19中型未转重症病例男，52岁。（a）和（b）2022.12.19双肺斑片状磨玻璃密度影，胸膜下分布为主，部分沿支气管血管束分布。（c）和（d）2022.12.22双肺斑片状磨玻璃影范围较前增大，密度较前增高，伴部分实变，可见索条。Figure 2. COVID-19 medium type that did not progress to a severe case![]()
图 3 男，COVID-19中型转重症病例男，50岁。（a）2022.11.30左肺不规则片状实变，胸膜下为著，另多发小片状磨玻璃影。（b）2022.12.03病灶范围较前增大，密度增高，左侧少量胸腔积液。Figure 3. COVID-19 medium type that progressed to a severe case3. 讨论
随着SARS-CoV-2的不断变异，越来越多的不同变异株相继出现且倍受关注[7]。普通X线检查由于密度分辨率较差，肺部病灶特别是早期病灶漏诊率高，主要用于部分危重症患者的床旁摄影。胸部CT检查在COVID-19的早期筛查、快速检出微小病灶、临床病情评估以及病程观察中起着非常重要的作用[8]。本研究希望通过对比不同临床转归Omicron BF.7感染患者胸部CT特征的差异，为临床诊治、评估预后提供参考。
本研究中型COVID-19胸部CT多呈双肺多发形态不规则病灶，呈多样性，多为斑片状、楔形、类圆形，病灶多呈淡薄磨玻璃影，密度不均，可夹杂实变病灶，也可呈边缘模糊、伴有晕征的小叶中心结节，部分可见小血管增粗及空气支气管征；多以胸膜下肺外周分布为主，更容易出现沿支气管血管束分布，与之前研究报道结果基本一致[9]，可能由于Omicron变异株在支气管中的复制优于在肺实质内[10]。病灶以肺外周带、下肺背侧胸膜下区及肺底多见，内可见小血管增粗或网格状小叶间隔增厚，随着病变进展表现为呈双侧非对称性胸膜下实变病灶，以双肺下叶分布为主，部分沿支气管血管束分布，同之前的研究[11]。转为重症（重型/危重型）的B组平均年龄较A组差异无统计学意义，与之前的研究结果不同[12]，考虑与B组样本量较小及本研究未纳入可能病情较轻未至医院就诊的病例有关，存在病例选择偏倚。
胸部CT多表现为双肺弥漫磨玻璃密度影合并实变，可见空气支气管征，病灶分布随病情进展自胸膜下向肺门方向播散，病灶累及肺叶数量高于A组患者，两组患者均未见淋巴结肿大。本研究患者胸部CT可见斑片状磨玻璃密度影，可能是由于病毒定植于肺泡和呼吸性细支气管上皮[13]，而病灶右肺下叶较常见可能与病毒更容易进入粗而短的右肺下叶支气管有关，同之前研究[12]。
同种类型病毒性肺炎可有类似表现[14]，单纯影像表现很难鉴别；严重急性呼吸综合征和中东呼吸综合征的胸部影像学异常常见于单侧[15]，有研究报道严重急性呼吸综合征单侧病灶的发病概率为54.6％[16]，但新冠感染患者更倾向于累及双肺。另外，胸腔积液较COVID-19较常见[17-18]。甲型H1N1肺炎常合并胸腔积液和纵隔、肺门淋巴结轻度肿大[19]，且患者多以中青年为主，临床进展较缓慢[20]。H7 N9禽流感肺炎早期可见病变同时发生于中心及外周，以一侧肺多见[21]，胸腔积液较常见[22]。隐源性机化性肺炎以复发性或游走性的斑片状磨玻璃密度灶或实变灶为特征性CT表现[23-24]。
本研究的不足与局限：①未考虑患者治疗过程对临床转归的影响，譬如是否使用小分子抗病毒药物以及使用的时间等，对研究结果有一定的影响；②转为重症的病例均直接来自于临床指标的诊断，缺少24～48 h内的胸部影像学明显进展＞50％ 的影像证据；③本研究的图像来源于不同品牌的 CT设备，对病灶细节的观察略有影响。
综上所述，中型COVID-19不同临床转归病例胸部CT具有一定特点，对有重症转归倾向患者及早评估有助于COVID-19重症率的控制。
-
![]()
图 1 上腹部7组重建图像
（a）～（g）依次是算法DL-L、DL-M、DL-H、ASIR 30％、ASIR 50％、ASIR 70％、ASIR 90％。
Figure 1. 7 groups of reconstructed images of upper abdomen
![]()
图 2 上腹部7组重建图像局部放大图
（a）～（g）依次是算法DL-L、DL-M、DL-H、ASIR 30％、ASIR 50％、ASIR 70％、ASIR 90％。
Figure 2. Partial enlarged view of 7 groups of reconstructed images of upper abdomen
表 1 图像主观评价5级评分标准
Table 1 5-level scoring standard for subjective image evaluation
评分 评分细节 5分 肝脏、胰腺等上腹部组织结构显示非常清晰，图像细腻，能提供充分的诊断信息 4分 肝脏、胰腺等上腹部组织结构显示较为清晰，图像较细腻，能提供足够的诊断信息 3分 肝脏、胰腺等上腹部组织结构显示欠清晰，图像欠细腻，能提供一定的诊断信息 2分 肝脏、胰腺等上腹部组织结构显示模糊，图像粗糙，图像提供的诊断信息不足 1分 肝脏、胰腺等上腹部组织结构无法清晰显示，伪影重，图像不清，不能提供诊断信息 
下载: 导出CSV
表 2 七组重建图像的CT值、SD值分析
Table 2 Analysis of CT value and SD value of seven groups of reconstructed images
算法 CT值/HU SD值/HU ROI1 ROI2 ROI3 ROI1 ROI2 ROI3 DL-L 60.65±8.64 44.63±7.45 49.43±8.70 14.05±4.21 15.38±4.73 15.25±5.57 DL-M 61.24±9.62 44.33±7.46 49.46±8.67 11.38±3.27 12.81±3.94 12.68±4.97 DL-H 60.64±8.43 44.33±7.27 49.48±8.66 8.41±2.15 9.53±3.16 9.90±4.54 ASIR 30％ 60.58±8.80 44.50±7.68 49.46±8.55 17.70±5.25 19.34±5.54 18.79±6.26 ASIR 50％ 60.65±8.81 44.29±7.48 49.45±8.60 14.69±4.33 16.14±4.95 15.77±5.46 ASIR 70％ 60.59±8.96 44.32±7.28 49.51±8.66 11.86±4.43 13.07±4.24 12.85±4.92 ASIR 90％ 60.75±8.70 44.29±7.53 49.55±8.88 8.74±2.83 10.1±3.57 10.27±4.70 P >0.05 >0.05 >0.05 <0.05 <0.05 <0.05
下载: 导出CSV
表 3 七组重建图像的SNR值、CNR值分析
Table 3 Analysis of SNR and CNR values of seven groups of reconstructed images
算法 SNR CNR ROI1 ROI2 ROI3 ROI1 ROI2 DL-L 4.67±1.53 3.18±1.05 3.67±1.30 0.71±0.70 -0.41±0.52 DL-M 5.80±1.91 3.80±1.28 4.47±1.64 0.90±0.89 -0.53±0.64 DL-H 7.66±2.30 5.11±1.64 5.85±2.17 1.07±1.03 -0.70±0.80 ASIR 30％ 3.71±1.28 2.51±0.86 2.94±1.03 0.58±0.58 -0.33±0.42 ASIR 50％ 4.49±1.58 3.02±1.04 3.54±1.29 0.70±0.67 -0.42±0.51 ASIR 70％ 5.67±2.09 4.47±1.76 4.42±1.67 0.84±0.86 -0.22±0.63 ASIR 90％ 7.70±2.94 4.96±1.83 5.79±2.48 1.09±1.05 -0.72±0.84 P <0.05 <0.05 <0.05 <0.05 >0.05
下载: 导出CSV
表 4 图像质量主观评分分析
Table 4 Image quality subjective scoring analysis
评分内容 评分者 DL-L DL-M DL-H ASIR 30％ ASIR 50％ ASIR 70％ ASIR 90％ 质量 Reader 1 4.41±0.59 4.79±0.41 4.97±0.16 3.57±0.68 3.89±0.68 4.42±0.57 4.71±0.45 Reader 2 4.30±0.56 4.84±0.36 4.96±0.19 3.53±0.57 3.87±0.61 4.36±0.48 4.75±0.43 噪声 Reader 1 2.21±0.57 1.18±0.39 1.01±0.11 3.79±0.41 3.37±0.56 2.66±0.55 1.83±0.50 Reader 2 2.18±0.51 1.11±0.31 1.05±0.22 3.91±0.29 3.18±0.39 2.36±0.55 1.68±0.46
下载: 导出CSV
-
[1] 张卓璐, 王征, 刘卓, 等. 迭代重建算法对冠状动脉Agatston钙化积分的影响[J]. 临床放射学杂志, 2020,39(10): 2093−2097. ZHANG Z L, WANG Z, LIU Z, et al. Influence of iterative reconstruction algorithm on coronary artery agatston calcium score[J]. Journal of Clinical Radiology, 2020, 39(10): 2093−2097. (in Chinese).
[2] 张喜荣, 贺太平, 贾永军, 等. 低辐射剂量下FBP、ASIR和ASIR-V 3种不同重建算法对上腹部CT图像质量的影响[J]. 中国中西医结合影像学杂志, 2020,18(3): 305−308. doi: 10.3969/j.issn.1672-0512.2020.03.027 ZHANG X R, HE T P, JIA Y J, et al. Effect of three different reconstruction algorithms (FBP, ASIR and ASIR-V) on the upper abdominal CT image quality with low radiation dose[J]. Chinese Imaging Journal of Integrated Traditional and Western Medicine, 2020, 18(3): 305−308. (in Chinese). doi: 10.3969/j.issn.1672-0512.2020.03.027
[3] 贾永军, 于勇, 贺太平, 等. 新一代基于模型的迭代重建在低剂量上腹部CT中的应用[J]. 中国医学影像技术, 2017,33(12): 1882−1887. JIA Y J, YU Y, HE T P, et al. Application of new model-based iterative reconstruction in low-dose upper abdominal CT[J]. Chinese Journal of Medical Imaging Technology, 2017, 33(12): 1882−1887. (in Chinese).
[4] 陈其锋, 林梓朗, 杨宇凌. 低剂量扫描联合迭代重建CTA在颈部疾病患者中的应用效果及价值研究[J]. 医学理论与实践, 2021,34(7): 1205−1207. [5] 姜一, 秦立新, 李宝学, 等. 80kV结合低剂量对比剂和迭代重建在胸部CT增强检查中的运用[J]. 中国医疗设备, 2021,36(3): 102−105. doi: 10.3969/j.issn.1674-1633.2021.03.022 JIANG Y, QIN L X, LI B X, et al. Application of 80kV Combined with low-dose contrast medium and iterative reconstruction in enhanced chest CT examination[J]. China Medical Devices, 2021, 36(3): 102−105. (in Chinese). doi: 10.3969/j.issn.1674-1633.2021.03.022
[6] FRANCK C, ZHANG G, DEAK P, et al. Preserving image texture while reducing radiation dose with a deep learning image reconstruction algorithm in chest CT: A phantom study[J]. Physica Medica, 2021, 81: 86−93. doi: 10.1016/j.ejmp.2020.12.005
[7] BENZ D C, BENETOS G, RAMPIDIS G, et al. Validation of deep-learning image reconstruction for coronary computed tomography angiography: Impact on noise, image quality and diagnostic accuracy[J]. Journal of Cardiovascular Computed Tomography, 2020, 14(5): 444−451. doi: 10.1016/j.jcct.2020.01.002
[8] PARAKH A, CAO J, PIERCE T T, et al. Sinogram-based deep learning image reconstruction technique in abdominal CT: Image quality considerations[J]. European Radiology, 2021: 1−12.
[9] NJØLSTAD T, SCHULZ A, GODT J C, et al. Improved image quality in abdominal computed tomography reconstructed with a novel deep learning image reconstruction technique: Initial clinical experience[J]. Acta Radiologica Open, 2021, 10(4): 20584601211008391.
[10] 贾秀川, 陈英敏, 暴云锋, 等. 双源CT小肠造影双能量虚拟平扫与常规平扫对比研究[J]. 中国医疗设备, 2021,36(1): 87−89, 93. doi: 10.3969/j.issn.1674-1633.2021.01.018 JIA X C, CHEN Y M, BAO Y F, et al. Comparative study of virtual and conventional non-contrast CT enterography using dual-source and energy CT[J]. China Medical Devices, 2021, 36(1): 87−89, 93. (in Chinese). doi: 10.3969/j.issn.1674-1633.2021.01.018
[11] 曾文, 曾令明, 徐旭, 等. 基于深度学习的图像重建算法在胸部薄层CT中的降噪效果评估[J]. 四川大学学报(医学版), 2021,52(2): 286−292. ZENG W, ZENG L M, XU X, et al. Noise reduction effect of deep-learning-based image reconstruction algorithms in thin-section chest CT[J]. Journal of Sichuan University (Medical Sciences), 2021, 52(2): 286−292. (in Chinese).
[12] SILVA A C, LAWDER H J, HARA A, et al. Innovations in CT dose reduction strategy: Application of the adaptive statistical iterative reconstruction algorithm[J]. American Journal of Roentgenology, 2010, 194(1): 191−199. doi: 10.2214/AJR.09.2953
[13] JENSEN C T, WAGNER-BARTAK N A, VU L N, et al. Detection of colorectal hepatic metastases is superior at standard radiation dose CT versus reduced dose CT[J]. Radiology, 2019, 290(2): 400−409. doi: 10.1148/radiol.2018181657
[14] LI L L, WANG H, SONG J, et al. A feasibility study of realizing low-dose abdominal CT using deep learning image reconstruction algorithm[J]. Journal of X-ray Science and Technology, 2021, 29(2): 361−372. doi: 10.3233/XST-200826
[15] 孙记航, 王帆宁, 段晓岷, 等. 自适应迭代重建技术结合高分辨算法提高儿童低剂量胸部CT肺脏病变显示的能力[J]. 中国医学影像技术, 2017,33(5): 773−777. SUN J H, WANG F N, DUAN X M, et al. Improve image resolution in low-dose pediatric chest CT scans with combination of adaptive statistical iterative reconstruction and sharp recon kernel[J]. Chinese Journal of Medical Imaging Technology, 2017, 33(5): 773−777. (in Chinese).
[16] HATA A, YANAGAWA M, YOSHIDA Y, et al. The image quality of deep-learning image reconstruction of chest CT images on a mediastinal window setting[J]. Clinical Radiology, 2021, 76(2): 155.e15−155.e23. doi: 10.1016/j.crad.2020.10.011
[17] SINGH R, DIGUMARTHY S R, MUSE V V, et al. Image quality and lesion detection on deep learning reconstruction and iterative reconstruction of submillisievert chest and abdominal CT[J]. American Journal of Roentgenology, 2020, 214(3): 566−573. doi: 10.2214/AJR.19.21809
[18] HIGAKI T, NAKAMURA Y, ZHOU J, et al. Deep learning reconstruction at CT: Phantom study of the image characteristics[J]. Academic radiology, 2020, 27(1): 82−87. doi: 10.1016/j.acra.2019.09.008
[19] KIM J H, YOON H J, LEE E, et al. Validation of deep-learning image reconstruction for low-dose chest computed tomography scan: Emphasis on image quality and noise[J]. Korean Journal of Radiology, 2021, 22(1): 131. doi: 10.3348/kjr.2020.0116
[20] NODA Y, KAGA T, KAWAI N, et al. Low-dose whole-body CT using deep learning image reconstruction: Image quality and lesion detection[J]. The British Journal of Radiology, 2021, 94: 20201329. doi: 10.1259/bjr.20201329
[21] NAM J G, HONG J H, KIM D S, et al. Deep learning reconstruction for contrast-enhanced CT of the upper abdomen: Similar image quality with lower radiation dose in direct comparison with iterative reconstruction[J]. European Radiology, 2021, 31(8): 5533−5543. doi: 10.1007/s00330-021-07712-4
[22] CHENG Y, HAN Y, LI J, et al. Low-dose CT urography using deep learning image reconstruction: A prospective study for comparison with conventional CT urography[J]. The British Journal of Radiology, 2021, 94(1120): 20201291. doi: 10.1259/bjr.20201291
计量
- 文章访问数: 507
- HTML全文浏览量: 330
- PDF下载量: 80
