Optimization of Dual-energy Spectral Lower-extremity Computed Tomography Venography Scanning Protocol: Phantom Study
-
摘要:
目的：基于模体研究优化能谱下肢CT静脉成像（CTV）方案。方法：在能量CT质控模体的内部孔洞中放置测试插件以模拟临床场景。使用4 mgI/mL碘棒模拟下肢静脉增强；将大小不同的鸭血块放入4 mgI/mL的碘溶液试管中，模拟下肢静脉内的大小血栓。采用Revolution CT对置入碘棒和试管的模体进行CT常规成像（A组）和能谱成像（B组）。A组成像参数：管电压120 kVp，管电流自动调节技术（100~600 mA），噪声指数（NI）为10，采用后置40%的多模型自适应统计迭代重建算法（ASIR-V）进行图像重建；B组成像参数：能谱成像（GSI）模式，管电压80/140 kVp瞬切，管电流采用GSI Assist技术，并根据NI=10、11、12设置3个扫描组。在每个扫描组中重建40~70 keV间隔10 keV的单能量图像，每个单能量图像分别结合后置40%、60%、80% ASIR-V进行图像重建，共得到36组图像。A组和B组其他成像参数均一致。扫描完成后记录A组和B组有效辐射剂量（ED），计算两组碘棒对比噪声比（CNR），评估两组主观图像质量以及识别血栓的真阳性率和假阳性率。结果：B组NI设置为11和12的ED分别比A组低21.5%和32.2%。B组NI为10和11的扫描组中，除了70 keV结合40% ASIR-V和60 keV结合40% ASIR-V的图像外，其余图像的碘棒CNR均高于A组。B组碘棒边缘锐利度得分最高的组别是NI为10的扫描组中，50 keV结合40%、60% ASIR-V的图像，以及NI为11的扫描组中，50 keV结合60% ASIR-V的图像，这3组图像得分均为5（4，5）且优于A组得分3（3，4）。A组图像识别大血栓的真阳性率和假阳性率分别为65.0%和30.0%；识别小血栓的真阳性率和假阳性率分别为55.0%和50.0%。B组NI为10和11的扫描组中，50 keV结合60% ASIR-V图像识别血栓的效能最佳并优于A组，其中识别大血栓的真阳性率和假阳性率分别为90.0%和5.0%，识别小血栓的真阳性率和假阳性率分别为80.0%和5.0%。结论：将NI设置为11，并重建50 keV结合60% ASIR-V的单能量图像是能谱下肢CTV的最佳成像方案，可在模体研究中实现图像质量与辐射剂量之间的平衡。
Abstract:Objective: To optimize a scanning protocol for dual-energy spectral lower-extremity computed tomography venography (CTV) based on a phantom study. Methods: Test plugs were placed in the cavities of an energy CT quality-control phantom to simulate clinical scenarios. A 4 mgI/mL iodine rod was used to mimic venous enhancement in the lower extremities, and duck blood clots of various sizes were placed in test tubes containing 4 mgI/mL of iodine solution to simulate thrombi of different sizes in the lower-extremity veins. Revolution CT was used to perform standard CT imaging (Group A) and spectral imaging (Group B) on phantoms containing iodine rods and test tubes. The imaging parameters for Group A were as follows: tube voltage of 120 kVp, auto tube-current technology (100~600 mA), noise index (NI) of 10, and image reconstruction using 40% posterior multimodel adaptive statistical iterative reconstruction (ASIR-V). The imaging parameters for Group B were spectral imaging (GSI) mode, instantaneous dual tube voltage of 80/140 kVp, tube current with GSI Assist technology, and three scan groups based on NI values of 10, 11, and 12. For each scan group, monoenergetic images at 40~70 keV with 10 keV intervals were reconstructed, each combined with 40%, 60%, and 80% posterior ASIR-V, which resulted in 36 image sets. Other imaging parameters for Groups A and B were consistent. The effective radiation doses (ED) for Groups A and B were recorded after scanning, and the contrast-to-noise ratio (CNR) of the iodine rods was calculated. Subjective image quality and true- and false-positive rates for thrombus identification were assessed. Results: The EDs for Group B, with NI values of 11 and 12, were 21.5% and 32.2% lower than those for Group A, respectively. In Group B, for the scan groups with NI values of 10 and 11, except for the images at 70 keV combined with 40% ASIR-V and at 60 keV combined with 40% ASIR-V, the CNR of the iodine rods was higher than that in Group A. The highest edge-sharpness scores for the iodine rods in Group B were observed in the scan group with an NI value of 10 for images at 50 keV combined with 40% and 60% ASIR-V, and in the scan group with an NI value of 11 for images at 50 keV combined with 60% ASIR-V. These three image sets scored 5 (4, 5) compared with Group A’s score of 3 (3, 4). The true- and false-positive rates for large-thrombus identification in Group A were 65.0% and 30.0%, respectively, whereas those for small-thrombus identification were 55.0% and 50.0%, respectively. In Group B, the best thrombus-identification efficacy was observed in the scan groups, with NI values of 10 and 11 for images at 50 keV combined with 60% ASIR-V. The true- and false-positive rates for large-thrombus identification were 90.0% and 5.0%, respectively, whereas those for small-thrombus identification were 80.0% and 5.0%, respectively. Conclusions: Setting the NI to 11 and reconstructing monoenergetic images at 50 keV combined with 60% ASIR-V is the optimal imaging strategy for dual-energy spectral lower-extremity CTV, which balances between image quality and radiation dose in the current phantom study.
-
Keywords:
- tomography /
- X-ray computed /
- dual energy computed tomography /
- venous thrombosis /
- image quality
-
新型冠状病毒感染（coronavirus disease 2019，COVID-19）是由新型冠状病毒引起的呼吸系统疾病，目前仍是全球关注的重要公共卫生问题。研究显示，合并基础病或年龄超过65岁的患者是COVID-19的易感人群，其临床症状明显加重[1-2]。糖尿病的高患病率使之成为COVID-19的常见合并症，存在糖尿病的COVID-19患者的预后更差、死亡率更高，两者之间存在显著相关性[3-4]。同时，糖尿病患者感染COVID-19后，其肺部受累的比例更高、程度更严重，在血糖控制不佳的人群中更显著[5]。已有部分研究显示，基于胸部CT的定量指标不仅可以确定肺部病变的区域，同时可以精准、动态地评估COVID-19的严重程度及发展趋势[6-7]。
本研究回顾性分析糖尿病合并新型冠状病毒感染者的胸部CT定量指标，对其影像学特征进行相关探讨。
1. 资料与方法
1.1 一般资料
回顾性纳入2022年12月至2023年1月首都医科大学附属北京世纪坛医院感染科收治的112例COVID-19患者的临床及影像学数据。纳入标准：①符合《新型冠状病毒感染诊疗方案（试行第十版）》诊断标准[8]，根据标准诊断为轻中型新型冠状病毒感染；②胸部 CT影像显示存在肺部炎性改变。排除标准：①胸部 CT复查患者；②患者存在严重呼吸运动伪影；③临床资料不完整；④免疫受损人群（如肿瘤化疗、长期应用激素、免疫抑制剂使用等）。
糖尿病诊断标准[9]：①患者存在典型的糖尿病症状，包括烦渴多饮、多尿、多食、不明原因体重下降，加上随机血糖≥11.1 mmol/L；②或加上空腹血糖≥7.0 mmol/L；③或加上口服糖耐量试验后 2 h血糖≥11.1 mmol/L；④或加上糖化血红蛋白 A1 c≥6.5％。
1.2 CT检查方法
采用北京赛诺威盛Insitum 32排CT扫描仪。患者选择仰卧位，头先进，双手上举，屏气后行CT扫描，扫描范围包括胸廓入口至肺底。扫描参数：管电压120 kV，管电流150 mAs，层间距及层厚1.5 mm，螺距1.0，矩阵512×512，视野380～450。
1.3 基于深度学习的CT定量指标
通过深睿医疗医学影像辅助诊断软件Version 1.3.0.1获得肺部病灶定量数据。通过该软件获得全肺及双肺各自的肺炎病灶数目、病灶体积、全肺病灶占比及纵隔肿大淋巴结数目；此外，分别获得磨玻璃病灶、实性病灶的体积及其占总病灶的比值、磨玻璃与实性病灶体积比，其中，CT值=-300 HU常被作为定量鉴别磨玻璃病灶及实性病灶的阈值[7]。
1.4 CT图像评估
分析COVID-19患者的病灶情况，主要包括：①分布模式：支气管血管束分布为主、胸膜下分布为主、混合分布为主；②形态特征：结节状、斑片状、大片状及束带状（指位于肺脏外周并与胸膜平行的长径>30 mm的宽带状高密度影）；③特殊征象[10]：晕征（实行密度周围环绕磨玻璃密度影）、反晕征（实性环状影包绕磨玻璃密度影）、蜂窝征（多个泡状或囊状低密度的聚集）、铺路石征（磨玻璃背景上小叶间隔增厚）、空气支气管征（实性病灶内伴充气的支气管影）、空气潴留征（肺实质内异常低密度区）、马赛克灌注（磨玻璃密度影伴马赛克状异常低密度影）、胸膜下线（平行于胸膜的弧形线样影）、胸膜凹陷征（脏层胸膜内陷改变）及胸膜下黑带（胸膜下方条状气体密度）。
以上病灶特征由两名放射科医师独立评估，当意见不一致时由第3名高级医师评定。
1.5 临床及实验室数据
记录患者的临床数据：年龄、性别、发病时间、症状（发热、喘憋、咳嗽、咳痰、咽痛、流涕、肌痛）及实验室指标（C反应蛋白、白细胞、淋巴细胞、淋巴细胞百分比、单核细胞、单核细胞百分比、中性粒细胞及中性粒细胞百分比）。此外，记录患者是否存在糖尿病病史情况。
1.6 统计学分析
通过SPSS 26.0进行统计学分析。通过Shapiro-Wilk检验定量数据的正态性，本研究中均为偏态数据，以
$M(Q_1,Q_3) $ 表示，并采用Mann-Whitney U检验进行组间比较。定性数据通过频数（频率）表示，采用使用$\chi^2 $ 检验或Fisher精确检验进行组间比较。P＜0.05表示两者差异存在统计学意义。2. 结果
2.1 糖尿病合并COVID-19患者的临床资料
共计纳入112例COVID-19患者，年龄26～95岁，平均（70.4±14.4）岁，女性44.6％（50/112例）。根据患者的糖尿病史分为糖尿病组（39例）及非糖尿病组（73例）。
研究显示，糖尿病组与非糖尿病组COVID-19患者的年龄、性别、发病时间未显示明确统计学差异。两组患者临床症状未见明确差异，主要以发热、咳嗽、咳痰、咽痛、流涕、喘憋及肌痛为主。此外，糖尿病组的C反应蛋白水平较非糖尿病组明显升高（35.2（14.2，76.9）比19.9（5.6，44.5）mg/L），差异存在统计学意义（表1）。
表 1 糖尿病合并COVID-19患者的临床资料Table 1. Clinical information of COVID-19 patients with diabetes mellitus临床指标 组别 统计检验 糖尿病组（39例） 非糖尿病组（73例） $Z/\chi ^2 $ P 年龄/岁（$M(Q_1,Q_3)$） 73.0（66.0，84.0） 70.0（62.0，79.5） -1.607 0.108 性别（男，例（％）） 25（64.1） 37（50.7） 1.852 0.174 发病时间/天（$M(Q_1,Q_3)$） 7（5.0，10.0） 7（5.5，10.0） -1.122 0.262 临床症状/例（％） 发热 39（100.0） 73（100.0） － － 喘憋 8（20.5） 14（19.2） 0.029 0.865 咳嗽 36（92.3） 67（91.8） － 1.000 咳痰 20（51.3） 37（50.7） 0.004 0.952 咽痛 16（41.0） 30（41.1） <0.001 0.994 流涕 11（28.2） 26（35.6） 0.631 0.427 肌痛 4（10.3） 4（5.5） － 0.446 实验室指标/（指标值$（M(Q_1,Q_3)$） C反应蛋白/（mg/L） 35.2（14.2，76.9） 19.9（5.6，44.5） -2.519 0.012 白细胞/（×109/L） 6.4（4.5，7.8） 6.4（5.0，8.0） -0.684 0.494 淋巴细胞百分比/％ 21.0（13.3，26.4） 22.8（16.3，32.1） -1.374 0.169 单核细胞百分比/％ 6.3（5.1，9.4） 7.0（5.7，9.0） -0.785 0.432 中性粒细胞百分比/％ 70.1（64.3，81.5） 66.4（58.2，75.5） -1.817 0.069 淋巴细胞/（×109/L） 1.3（0.8，1.9） 1.4（1.1，1.9） -1.655 0.098 单核细胞/（×109/L） 0.4（0.3，0.6） 0.5（0.4，0.6） -1.705 0.088 中性粒细胞/（×109/L） 4.2（3.2，6.0） 4.1（3.1，5.8） -0.037 0.971 2.2 糖尿病合并COVID-19患者的CT影像定量指标
基于深睿医疗医学影像辅助诊断软件获得的CT影像定量指标见表2。与非糖尿病组COVID-19患者相比，糖尿病组患者的全肺及左肺病灶数目（全肺：8.0（5.0，12.0）比6.0（3.0，9.0）；左肺：4.0（2.0，6.0）比2.0（2.0，4.0））、病灶体积（全肺：317.3（69.9，666.4）比152.3（26.3，378.6）cm3；左肺：133.0（24.2，320.6）比36.0（5.9，130.3）cm3）、病灶占比更大（全肺：9.3（1.7，19.0）比4.1（0.6，9.5）；左肺：10.3（1.4，17.3）比2.1（0.4，6.7）），差异存在统计学意义。此外，糖尿病组的纵隔淋巴结数目更多（2.0（1.0，3.0）比1.0（0，2.0））。
表 2 糖尿病合并COVID-19患者的CT影像定量指标情况Table 2. Quantitative CT imaging indicators in COVID-19 patients with diabetes mellitus病变分布 组别 统计检验 糖尿病组（39例） 非糖尿病组（73例） $Z/\chi^2 $ P 病灶数目/（个，$M(Q_1,Q_3)$） 全肺 8.0（5.0，12.0） 6.0（3.0，9.0） -2.269 0.023 左肺 4.0（2.0，6.0） 2.0（2.0，4.0） -2.373 0.018 右肺 3.0（3.0，7.0） 3.0（2.0，5.0） -1.569 0.117 病灶体积/（cm3，$M(Q_1,Q_3)$） 全肺 317.3（69.9，666.4） 152.3（26.3，378.6） -2.648 0.008 左肺 133.0（24.2，320.6） 36.0（5.9，130.3） -3.387 0.001 右肺 134.2（31.8，397.6） 97.8（11.0，242.5） -1.793 0.073 病灶占比/（％，$M(Q_1,Q_3)$） 全肺 9.3（1.7，19.0） 4.1（0.6，9.5） -2.602 0.009 左肺 10.3（1.4，17.3） 2.1（0.4，6.7） -3.232 0.001 右肺 7.2（1.2，25.2） 3.8（0.6，10.3） -1.862 0.063 磨玻璃病灶体积/（cm3，$M(Q_1,Q_3)$） 254.7（62.9，487.5） 125.3（23.3，311.7） -2.483 0.013 实性病灶体积/（cm3， $M(Q_1,Q_3)$） 52.9（6.7，172.2） 18.1（2.2，53.9） -3.020 0.003 磨玻璃病灶占比/（％， $M(Q_1,Q_3)$） 82.6（73.1，91.5） 85.8（79.9，93.7） -2.180 0.029 实性病灶占比/（％， $M(Q_1,Q_3)$） 17.4（8.5，26.9） 14.2（6.3，20.1） -2.177 0.029 磨玻璃实性病灶体积比/（％，$M(Q_1,Q_3)$） 4.8（2.7，10.8） 6.0（4.0，15.0） -2.171 0.030 纵隔淋巴结/（个，$M(Q_1,Q_3)$） 2.0（1.0，3.0） 1.0（0，2.0） -3.848 <0.001 分别获得磨玻璃病灶及实性病灶的体积、占比及二者体积比，两组之间存在显著性差异。糖尿病组患者的磨玻璃病灶体积更大（254.7（62.9，487.5）比125.3（23.3，311.7）cm3）及实性病灶体积更大（52.9（6.7，172.2）比18.1（2.2，53.9）cm3）。糖尿病组患者的磨玻璃病灶占比更小（82.6（73.1，91.5）比85.8（79.9，93.7））、实性病灶占比更大（17.4（8.5，26.9）比14.2（6.3，20.1））。此外，糖尿病组患者磨玻璃实性病灶体积比更小（4.8（2.7，10.8）比6.0（4.0，15.0））。
2.3 糖尿病合并COVID-19患者的CT影像特征
与非糖尿病组COVID-19患者相比，糖尿病组患者的病灶形态呈大片状、束带状比例更高，其存在晕征、空气支气管征、空气潴留征、马赛克灌注及胸膜下黑带的比例更高（表3和图1）。
表 3 糖尿病合并COVID-19患者的胸部CT病灶征象情况Table 3. Chest CT lesion signs in COVID-19 patients with diabetes mellitus影像指标 组别 统计检验 糖尿病组（39例） 非糖尿病组（73例） $\chi^2 $ P 分布模式/（例（％）） 支气管血管束分布 0（0.0） 2（2.7） 2.605 0.107 胸膜下分布 3（7.7） 14（19.2） － 0.542 混合分布 36（92.3） 57（78.1） 4.062 0.044 病变形态/（例（％）） 结节状 26（66.7） 49（68.1） 0.022 0.881 斑片状 37（94.9） 70（95.9） － 1.000 大片状 29（74.4） 38（52.1） 5.261 0.022 束带状 22（56.4） 23（31.5） 6.559 0.010 特殊征象/（例（％）） 晕征 37（94.9） 54（74.0） 7.288 0.007 反晕征 18（46.2） 30（41.1） 0.266 0.606 蜂窝征 2（5.1） 4（5.5） － 1.000 铺路石征 24（61.5） 35（47.9） 1.884 0.170 空气支气管征 34（87.2） 49（67.1） 5.329 0.021 空气潴留征 18（46.2） 19（26.0） 4.655 0.031 马赛克灌注 28（71.8） 28（38.4） 11.369 0.001 胸膜下线 15（38.5） 23（31.5） 0.548 0.459 胸膜凹陷征 26（66.7） 44（60.3） 0.443 0.506 胸膜下黑带 30（76.9） 35（47.9） 8.765 0.003 ![]()
图 1 糖尿病合并COVID-19患者的胸部CT病灶征象患者，男，82岁，发热、咳嗽、咳痰3日就诊，既往合并糖尿病病史，就诊时C反应蛋白为82.61 mg/L、淋巴细胞百分比10.30％、中性粒细胞百分比为85.10％。（a）～（c）显示了基于深度学习的CT定量软件对病灶的划分；（d）～（f）显示了患者胸部CT病灶呈斑片状、大片状、束带状分布，可见马赛克灌注（（d）星号）、铺路石征（（d）箭头）、胸膜下黑带（（e）箭头）及胸膜凹陷征（（f）箭头）。Figure 1. Chest CT lesion signs in COVID-19 patients with diabetes mellitus3. 讨论
本研究基于深度学习的CT定量指标回顾性分析糖尿病合并新型冠状病毒感染患者的影像学特征，结果显示，糖尿病组COVID-19患者的肺部病灶数目更多、体积及病灶占比更大，纵隔淋巴结数目更多，磨玻璃病灶及实性病灶体积更大，实性病灶占比更高且磨玻璃实性病灶体积比更小。此外，糖尿病组病灶呈大片状、束带状比例更高，合并晕征、空气支气管征、空气潴留征、马赛克灌注及胸膜下黑带的比例更高。
在临床方面，本研究显示两组COVID-19患者的C反应蛋白明显升高，但糖尿病组患者的升高更显著，这支持了既往研究[11]。目前认为发生重症的COVID-19患者的血清CRP显著升高，而该物质是由肝脏产生的、与感染和炎症显著相关的生物标记物[12-13]。糖尿病患者处于慢性炎症状态，其一系列的炎性细胞反应会导致肝脏C反应蛋白生成增加[14]；当其发生COVID-19感染后，其促炎细胞因子反应强烈、免疫功能障碍且血管紧张素转化酶2的水平下调，进而其预后不良的比例也相应增高[15-16]。
COVID-19感染相关性肺炎的临床症状严重程度与CT肺部感染情况具有高度相关性[17]，研究显示其肺部磨玻璃灶及实性病灶的体积占比越大，患者的临床分型越严重；同时，实性病灶体积与磨玻璃病灶体积比也随着临床分型的加重而增大。同时病理相关研究表明，磨玻璃病变反应了肺泡腔的肿胀、炎性渗出等，而当渗出进一步增加，细胞纤维黏液样渗出物比例增多，其密度相应增高[7]。当而本研究显示，糖尿病组的病灶体积更大、实性成分占比更高、呈大片状或束带状比例更高，进一步说明其临床症状越严重。这支持了Koh等[18]研究，即糖尿病患者发生不良预后的比例明显增加。
本研究进一步支持了上述发现，糖尿病合并COVID-19患者的肺部感染情况更重、范围更大，故对其应进行及时有效的干预治疗。此外，在CT征象方面，糖尿病合并COVID-19患者出现空气支气管征、空气潴留征、马赛克灌注及胸膜下黑带的比例更高，而以上征象反应了病变累及小气道导致的气体潴留，同时反应了其合并细菌性感染的可能。而糖尿病患者机体免疫力相对下降，其合并不同菌群感染的风险相应上升[19]。
本研究的局限性：①本研究为单中心、回顾性研究，样本量较小，有待于进一步的大样本研究；②本研究仅将 COVID-19分为糖尿病组及非糖尿病组，未对其血糖水平进行进一步划分，原因主要是门诊患者的血糖资料不足；③本研究未对糖尿病 COVID-19患者的预后情况进行分析，下一步将进行相关随访、开展研究。
本研究表明，糖尿病合并COVID-19患者的肺部病变具有相对的特征性，基于深度学习的CT定量学指标显示糖尿病组的COVID-19患者肺部受累的病变范围更大、程度更重，其实性病灶成分占比相对增加，基于以上发现，及时对糖尿病合并COVID-19患者进行临床干预治疗具有重要意义。
-
![]()
图 1 模体中碘棒与模拟血栓试管的放置示意图
注：（a）碘棒在模体中的放置示意图，“1”为碘棒具体放置位置，其余插件均为与模体材质相同的填充棒；（b）模拟大血栓的试管在模体中的放置示意图，“2”为含有大血块试管的具体放置位置，其余插件均为不含血块的试管；（c）模拟小血栓的试管在模体中的放置示意图，“3”为含有小血块试管的具体放置位置，其余插件均为不含血块的试管。
Figure 1. Schematic diagram of placement of iodine rods and simulated thrombus test tubes in the phantom
![]()
图 2 大小血块以及含有血块的试管
注：（a）4枚最大横径大于5 mm的血块（模拟大血栓）；（b）4枚最大横径小于5 mm的血块（模拟小血栓）；（c）含有大、小血块的试管，试管内部充填了浓度为4 mgI/mL的碘溶液；（d）试管通过填充棒被置入模体孔洞内。图下标尺最小刻度为1 mm。
Figure 2. Large and small blood clots and test tubes containing blood clots
![]()
图 3 碘棒在常规120 kVp图像（A组）和能谱成像（B组）中CT值和SD值的变化趋势图
注：单元格内的数值表示能谱成像中碘棒平均SD值。颜色标尺中蓝色刻度线表示常规120 kVp图像中碘棒平均SD值。NI为噪声指数；AR为ASIR-V，多模型自适应统计迭代重建算法。
Figure 3. Trend charts showing CT and SD values of iodine rods in conventional 120 kVp images (Group A) and dual-energy spectral imaging (Group B)
![]()
图 4 碘棒在常规120 kVp图像（A组）和能谱成像（B组）中SNR和CNR的变化趋势图
注：单元格颜色越接近深绿色，表示SNR和CNR就越大。单元格内的数值表示碘棒SNR和CNR的平均值。颜色标尺中蓝色刻度线表示常规120 kVp图像中碘棒SNR和CNR的平均值。NI为噪声指数；AR为ASIR-V，多模型自适应统计迭代重建算法。
Figure 4. Trend charts of SNR and CNR of iodine rods in conventional 120 kVp images (Group A) and dual-energy spectral imaging (Group B)
表 1 模体图像质量评分标准
Table 1 Phantom image-quality scoring criteria
评分 碘棒强化程度 碘棒边缘锐利度 5 好，对比度极好 锐利，界限非常明确 4 较好，对比度良好 清晰，界限明显 3 适中，对比度可接受 能分辨，清晰度一般 2 较低，对比度较差 欠清晰，界限不明确 1 差，对比度极差 不清晰，无法确定边界 
下载: 导出CSV
表 2 不同扫描方式下血栓的识别效能比较
Table 2 Comparison of thrombus-detection performance demonstrated by different scanning methods
类别 NI=10 NI=11 NI=12 40%AR 60%AR 80%AR 40%AR 60%AR 80%AR 40%AR 60%AR 80%AR 大血栓 40 keV 80.0/10.0 85.0/10.0 80.0/10.0 80.0/10.0 80.0/10.0 80.0/10.0 80.0/15.0 80.0/15.0 80.0/15.0 50 keV 90.0/10.0 90.0/5.0 90.0/10.0 90.0/10.0 90.0/5.0 90.0/10.0 85.0/10.0 85.0/10.0 85.0/10.0 60 keV 80.0/15.0 80.0/15.0 75.0/15.0 80.0/15.0 80.0/15.0 75.0/15.0 75.0/25.0 80.0/15.0 75.0/25.0 70 keV 70.0/25.0 75.0/25.0 70.0/25.0 70.0/25.0 70.0/25.0 70.0/25.0 65.0/30.0 65.0/30.0 65.0/30.0 小血栓 40 keV 70.0/10 80.0/10.0 70.0/10.0 70.0/10.0 70.0/10.0 70.0/10.0 70.0/15.0 70.0/15.0 70.0/15.0 50 keV 80.0/15.0 80.0/5.0 75.0/5.0 75.0/5.0 80.0/5.0 75.0/5.0 80.0/15.0 80.0/15.0 80.0/15.0 60 keV 60.0/20.0 60.0/20.0 55.0/20.0 60.0/20.0 60.0/20.0 55.0/20.0 55.0/30.0 60.0/20.0 55.0/30.0 70 keV 55.0/45.0 50.0/40.0 55.0/45.0 55.0/45.0 55.0/45.0 55.0/45.0 50.0/45.0 50.0/45.0 50.0/45.0 注：“/”前表示真阳性率，“/”后表示假阳性率，单位均为%。AR为ASIR-V多模型自适应统计迭代重建算法。
下载: 导出CSV
-
[1] ROGNONI C, LUGLI M, MALETI O, et al. Clinical guidelines versus current clinical practice for the mana-gement of deep vein thrombosis[J]. Journal of Vascular Surgery: Venous and Lymphatic Disorders, 2021, 9(5): 1334-1344. DOI: 10.1016/j.jvsv.2021.01.020.
[2] KAKKOS S K, GOHEL M, BAEKGAARD N, et al. Editor’s choice-european society for vascular surgery (ESVS) 2021 clinical practice guidelines on the management of venous thrombosis[J]. European Journal of Vascular and Endovascular Surgery, 2021, 61(1): 9-82. DOI: 10.1016/j.ejvs.2020.09.023.
[3] 中国医师协会血管外科医师分会静脉学组. 常见静脉疾病诊治规范(2022年版)[J]. 中华血管外科杂志, 2022, 7(1): 12-29. DOI: 10.3877/cma.j.issn.1674-0793.2022.04.002. [4] TANOUE S, NAKAURA T, IYAMA Y, et al. Diagnostic performance of dual-layer computed tomography for deep vein thrombosis in indirect computed tomography venography[J]. Circulation Journal, 2020, 84(4): 636-641. DOI: 10.1253/circj.CJ-19-0722.
[5] 王诗耕, 刘义军, 李贝贝, 等. 下肢能谱CT静脉成像最佳重建能级和自适应统计迭代重建权重[J]. 中国介入影像与治疗学, 2023, 20(10): 625-629. DOI: 10.13929/j.issn.1672-8475.2023.10.012. WANG S G, LIU Y J, LI B B, et al. Optimal reconstructive combination of keV and adaptive statistical iterative reconstruction-V level for energy spectral CT venography of lower extremity[J]. Chinese Journal of Interventional Imaging and Therapy, 2023, 20(10): 625-629. DOI: 10.13929/j.issn.1672-8475.2023.10.012. (in Chinese).
[6] 王伟新, 张秋奂, 郭鹏德, 等. 能谱CT单能量结合ASiR技术对腹部静脉成像质量的优化研究[J]. CT理论与应用研究, 2019, 28(1): 61-72. DOI: 10.15953/j.1004-4140.2019.28.01.07. WANG W X, ZHANG Q H, GUO P D, et al. The evaluation of imaging quality of abdominal vein by combining spectral CT optimal monotromatic imging and ASiR technique[J]. CT Theory and Applications, 2019, 28(1): 61-72. DOI: 10.15953/j.1004-4140.2019.28.01.07. (in Chinese).
[7] 王宏, 李玲, 逯瑶, 等. 乳腺癌颈胸腹盆增强CT: 能谱与常规扫描模式比较[J]. CT理论与应用研究, 2022, 31(4): 489-498. DOI: 10.15953/j.ctta.2022.094. WANG H, LI L, LU Y, et al. Neck-chest-abdomen-pelvis combined enhanced CT in breast cancer patients: Comparison between dual-energy and conventional scanning mode[J]. CT Theory and Applications, 2022, 31(4): 489-498. DOI: 10.15953/j.ctta.2022.094. (in Chinese).
[8] WOO H, CHAI J W, CHOI Y H, et al. Metal artifact reduction for orthopedic prosthesis in lower extremity CT venography: Evaluation of image quality and vessel conspicuity[J]. Cardiovascular and Interventional Radiology, 2019, 42(11): 1619-1626. DOI: 10.1007/s00270-019-02326-2.
[9] ZHAO F L, GOU Y L, LAN Y S. Experimental study on the effects of different exposure conditions and contrast agent concentrations on spectral computed tomography virtual non-contrast images[J]. Quantitative Imaging in Medicine and Surgery, 2024, 14(1): 986-994. DOI: 10.21037/qims-23-1092.
[10] KIM K A, CHOI S Y, KIM R. Endovascular treatment for lower extremity deep vein thrombosis: An overview[J]. Korean Journal of Radiology, 2021, 22(6): 931-943. DOI: 10.3348/kjr.2020.0675.
[11] 王诗耕, 刘义军, 李贝贝, 等. 能谱CT单能级成像结合ASIR-V对下肢深静脉血栓清晰度的影响[J]. 临床放射学杂志, 2023, 42(8): 1337-1343. DOI: 10.13437/j.cnki.jcr.2023.08.020. WANG S G, LIU Y J, LI B B, et al. The effect of virtual monochromatic images on the clarity of lower extremity deep vein thrombosis with spectral CTV combined with ASIR-V reconstruction strategy[J]. Journal of Clinical Radiology, 2023, 42(8): 1337-1343. DOI: 10.13437/j.cnki.jcr.2023.08.020. (in Chinese).
[12] 中华医学会放射学分会, 中国医师协会放射医师分会, 安徽省影像临床医学研究中心. 能量CT临床应用中国专家共识[J]. 中华放射学杂志, 2022, 56(5): 476-487. DOI: 10.3760/cma.j.cn112149-20220118-00051. [13] 刘娜, 周宇婧, 赵明月, 等. 头颈部CTA中GSI Assist单能量成像结合个体化对比剂注射方案的应用研究[J]. 临床放射学杂志, 2022, 41(4): 741-746. DOI: 10.13437/j.cnki.jcr.2022.04.013. LIU N, ZHOU Y J, ZHAO M Y, et al. Application study of the GSI monoenergetic imaging combined with individualized contrast injection scheme in head and neck CT angiography[J]. Journal of Clinical Radiology, 2022, 41(4): 741-746. DOI:10.13437/j.cnki.jcr.2022.04.013. (in Chinese).
[14] GAUNTT D M. A suggested method for setting up GSI profiles on the GE Revolution CT scanner[J]. Journal of Applied Clinical Medical Physics, 2019, 20(12): 169-179. DOI: 10.1002/acm2.12754.
[15] 王永胜, 张鹏宇, 李方中, 等. 不同管电压对头颈部CTA图像质量影响的研究[J]. CT理论与应用研究, 2022, 31(5): 631-638. DOI: 10.15953/j.ctta.2022.026. WANG Y S, ZHANG P Y, LI F Z, et al. Study on the influence of head and neck CTA image quality under different tube voltages[J]. CT Theory and Applications, 2022, 31(5): 631-638. DOI: 10.15953/j.ctta.2022.026. (in Chinese).
[16] 孙杰, 倪亚博, 沈云, 等. 联合全新迭代算法(ASiR-V)的Revolution CT低keV单能量优化腹部血管成像的价值[J]. 放射学实践, 2022, 37(10): 1238-1242. DOI: 10.13609/j.cnki.1000-0313.2022.10.009. SUN J, NI Y B, SHEN Y, et al. The optimization abdominal angiography value of revolution CT low-keV single energy combines with the new iterative algorithm (ASIR-V)[J]. The American Journal of Cardio-logy, 2022, 37(10): 1238-1242. DOI: 10.13609/j.cnki.1000-0313.2022.10.009. (in Chinese).
-
期刊类型引用(1)
1. 张明霞，李玲，高兰，王玉华，孙莹，孙磊，霍萌，张春燕，王仁贵. 不同预后的抗MDA5抗体阳性IIMs患者肺部HRCT定量指标与临床研究. CT理论与应用研究. 2024(03): 351-358 . 
本站查看
其他类型引用(0)
计量
- 文章访问数: 134
- HTML全文浏览量: 25
- PDF下载量: 13
- 被引次数: 1
