Contrast Study of Low Tube Current Combined with Deep Learning Algorithms in Paranasal Sinus CT Imaging
-
摘要:
目的：探讨低管电流联合深度学习算法在副鼻窦CT成像中的应用效果，评估其在图像质量与辐射剂量方面的优势。方法：回顾性收集2024年3月至2024年11月在首都医科大学附属北京友谊医院接受副鼻窦CT检查的患者，将其分为3组：常规剂量组、低管电流CI组以及CV组。分别对3组图像的下鼻甲黏膜、翼内肌、颞窝脂肪区域进行CT值、SD值、信噪比（SNR）和对比噪声比（CNR）的测量与计算，客观评估图像质量。同时，由两名头颈影像专业医师基于最薄层厚图像，采用4分法对3组图像进行主观质量评分。比较常规剂量组与低管电流组的辐射剂量。结果：本研究共纳入80例患者。其中常规剂量组40例，低管电流CI组和CV组40例。3组间下鼻甲黏膜、翼内肌、颞窝脂肪CT值差异无统计学意义。在常规剂量组与CI组之间，SD值、信噪比（SNR）及对比噪声比（CNR）的差异无统计学意义。然而，常规剂量组与CV组在下鼻甲黏膜、翼内肌、颞窝脂肪区域的SD值及信噪比（SNR）方面，差异具有统计学意义。同样，CI组与CV组在相应区域的SD值及信噪比（SNR）方面，差异具有统计学意义。对于对比噪声比（CNR），常规剂量组与CV组在下鼻甲黏膜、翼内肌区域的差异具有统计学意义，CI组与CV组在相应区域对比噪声比（CNR）的差异亦具有统计学意义。在图像主观评分方面，常规剂量组和CI组的得分分别为（3.93±0.26）分和（3.88±0.33）分，显著高于CV组的（2.70±0.46）分，差异具有统计学意义。此外，低管电流组的辐射剂量相较于常规剂量组降低约73%，差异具有统计学意义。结论：低管电流联合深度学习算法在副鼻窦CT成像中，能够在保证图像质量前提下，显著降低辐射剂量。
Abstract:Objective: To explore the application effect of a low tube current combined with a deep learning algorithm in paranasal sinus computed tomography (CT) imaging and to evaluate its advantages in terms of image quality and radiation dose. Methods: Patients who underwent paranasal sinus CT examinations at Beijing Friendship Hospital, Capital Medical University, between March and November 2024 were retrospectively collected and divided into three groups: conventional dose group, low tube current with deep clearInfinity (CI) group, and clearView (CV) group. The CT values, SD values, signal-to-noise ratios (SNR), and contrast-to-noise ratios (CNR) of the inferior turbinate mucosa, medial pterygoid muscle, and temporal fossa fat were measured and calculated for each group to objectively assess image quality. In addition, two head and neck radiologists subjectively scored the image quality of the thinnest slice on a 4-point scale. The radiation doses in the conventional and low tube current groups were also compared. Results: A total of 80 patients were included in this study, with 40 in each group. There were no statistically significant differences in the CT values among the three groups for the inferior turbinate mucosa, medial pterygoid muscle, and temporal fossa fat. There were no statistically significant differences in SD values, SNR, and CNR between the conventional-dose and CI groups. However, statistically significant differences were observed in SD values and SNR between the conventional and CV groups, as well as between the CI and CV groups for the inferior turbinate mucosa, medial pterygoid muscle, and temporal fossa fat. For CNR, statistically significant differences were also found between the conventional and CV groups and between the CI and CV groups in the inferior turbinate mucosa and medial pterygoid muscle regions. In terms of subjective image quality scores, the conventional and CI groups scored 3.93±0.26 and 3.88±0.33, respectively, which were significantly higher than the CV group’s score of 2.70±0.46. Additionally, the radiation dose in the low tube current group was reduced by approximately 74.8% compared to that in the conventional group, with a statistically significant difference. Conclusion: Low tube current combined with a deep learning algorithmin paranasal sinus CT imaging can significantly reduce the radiation dose while maintaining image quality.
-
Keywords:
- deep learning algorithm /
- iterative algorithm /
- paranasal sinus CT /
- low-dose CT
-
副鼻窦疾病是一种临床常见病，它不仅对患者的生存质量造成了很大的影响，还会产生很大的经济负担和潜在的社会危害[1]。因此，能够准确诊断副鼻窦疾病对于制定有效的治疗计划至关重要。副鼻窦疾病的诊断多数依赖于影像学检查，由于计算机断层扫描（CT）对骨骼结构具有清晰显示的能力，其已成为评估副鼻窦疾病的首选方法[2]。
然而，CT扫描的辐射剂量问题也引起了国内外的广泛关注[3]。由于副鼻窦CT扫描范围较广，不可避免地会扫描到副鼻窦周边对辐射剂量较为敏感的器官或组织，如眼球、甲状腺以及晶状体等[4]。因此，在满足临床诊断的前提下，需要尽可能降低副鼻窦CT扫描时的辐射剂量。
相关研究[5]表明降低辐射剂量后图像噪声显著增加，影响整体图像质量，掩盖了相关组织信息的显示，不利于疾病诊断。以往降低图像噪声的方法[6]常使用迭代重建算法进行补偿，但是较低的迭代权重无法改善低管电流模式下图像噪声的增加，以及由于迭代算法原理[7]导致的高迭代权重图像产生的蜡像感。近年来出现的深度学习算法[8]在多项实验中被证实可明显降低图像噪声的同时，并能保持较高的空间分辨率，较传统迭代算法有一定优势，且结合低剂量扫描有显著降低辐射剂量的潜力[9]。
基于上述前提，本研究纳入在低管电流扫描条件下，分别行深度学习算法与传统迭代算法重建后生成的图像，系统性的评估在低管电流CT扫描中，深度学习算法对副鼻窦区域的显示能力，以及辐射剂量减低的程度。
1. 资料与方法
1.1 研究对象
回顾性收集2024年3月至2024年11月首都医科大学附属北京友谊医院急诊放射科分别行副鼻窦CT常规剂量扫描及低管电流扫描患者各40例，共纳入80例，其中男性44例，女性36例，平均年龄为（49±12）岁。
纳入标准：因外伤或副鼻窦其他疾病（鼻窦炎、鼻炎）等行CT检查的就诊患者。排除标准：①年龄18岁以下；②运动伪影、或金属伪影导致图像不能诊断患者。
1.2 设备与方法
低管电流组。采用512层螺旋CT机（NeuViz Epoch CT，东软医疗系统股份有限公司）进行螺旋扫描。选择头先进模式，扫描范围从额窦上界至上颌窦下界水平层面，扫描前嘱咐患者扫描过程中尽量避免运动。扫描参数：管电压120 kV，采用固定管电流50 mAs，探测器宽度40 mm，螺距0.8，重建层厚及间距0.625 mm，像素矩阵
1024 ×1024 。将图像分别重建为 ClearInfinity（CI）组与ClearView（CV）组。经前期预试验并由专业头颈医师以及厂家专业工程师共同评估推荐，CI组与CV组均采用80%的权重进行重建，选定滤波参数为F30。
回顾性纳入既往接受常规剂量副鼻窦CT扫描的40例患者图像，作为常规剂量组。扫描参数：管电压120 kV，管电流150~200 mAs，探测器宽度40 mm，螺距0.8，重建层厚及间距均为0.625 mm。图像以往均采用ClearView（CV）算法进行重建，重建权重50%，滤波参数F30。同时记录两组的辐射剂量。
1.3 图像主客观评价
1.3.1 图像质量客观分析
所有图像数据均传输至AVW 3.0工作站（东软医疗系统股份有限公司）。由一名经验丰富的高年资医师在上颌窦眶下孔层面，分别对下鼻甲黏膜、翼内肌区域放置面积为2 mm2的圆形感兴趣区（region of interest，ROI），用于测量CT值和标准差（standard deviation SD），以SD值做为图像噪声值。为确保测量结果的可比性，测量过程中利用工作站的复制粘贴功能，保证同一解剖部位的ROI在不同重建算法下具有相同的大小和形态。同时，测量位于眶上裂颞窝层面脂肪的CT值和噪声值，作为背景噪声值用于计算对比噪声比（contrast-to-noise ratio，CNR）。每种组织区域的测量均重复3次，取其平均值以提高数据的可靠性。信噪比（signal-to-noise ratio，SNR）和对比噪声比（CNR）的计算公式分别为：
$$ \mathrm{信噪比(SNR)} =\left(\rm {CT值}_{ \mathrm{组织}} \mathrm{/SD}_{ \mathrm{组织}}\right) \mathrm{值\text{，}} $$ (1) $$ \begin{aligned} & \mathrm{对比噪声比(CNR)}= \\ & \left(\mathrm{CT}值_{\mathrm{组织}}\mathrm{\ -\ CT值}_{\mathrm{组织}}\right)/\mathrm{SD值}_{\mathrm{组织}}\mathrm{。}\qquad\; \; \end{aligned} $$ (2) 1.3.2 图像质量主观评分
由两名具有5年以上工作经验的头颈部影像医师，采用独立盲目原则对常规剂量组、低管电流扫描条件下CI组、CV组图像质量进行主观评分，根据图像噪声、伪影、整体图像质量及病变显著性，采用4分制评分：
4分为鼻窦结构显示完整清晰、鼻窦骨壁显示清晰，软组织层次显示清晰，无噪声影响；3分为鼻窦结构显示完整、边界，尚清晰，鼻窦骨壁显示完整，软组织层次欠清晰，噪声较小可满足诊断要求；2分为鼻窦结构显示完整、边界不清，鼻窦骨壁显示完整，软组织层次模糊，噪声明显，不能满足常规诊断要求；1分为鼻窦结构显示及边界不清，鼻窦骨壁不完整，软组织层次模糊，噪声过大，不能满足诊断要求。以两名医师给出评分的均值作为最终评分。
1.4 辐射剂量
分别记录低管电流组与常规剂量组的剂量长度乘积（dose length product，DLP）和容积CT剂量指数（volume CT dose index，CTDIvol）。上述数据均由CT扫描仪自动生成，头模直径为160 mm。基于上述数据，进一步计算有效辐射剂量（effective dose，ED），计算公式为：
$$ \mathrm{ED=DLP}\times\mathit{K}\mathrm{\text{。}} $$ (3) 根据《欧共体CT影像质量标准》文件，头部辐射剂量权重因子为K=
0.0021 。1.5 统计学方法
采用SPSS 23.0软件进行统计学分析。两名医师的主观评分采用Mann-Whitney U秩和检验；医师间主观评价的一致性采用Kappa检验评估，Kappa值判定标准为：＜0.40为一致性较差，0.40~0.75为一致性较好，≥0.75为一致性好。
CI组与CV组的下鼻甲黏膜、翼内肌、颞窝脂肪的CT值、SD值、信噪比（SNR）和对比噪声比（CNR）采用配对样本t检验进行分析。常规剂量组与低管电流（CI组和CV组）的图像质量指标及辐射剂量差异，采用独立样本t检验进行比较。P＜0.05为差异具有统计学意义。
2. 结果
2.1 主观评分结果
常规剂量组以及低管电流（CI组和CV组）图像质量主观评分分别为（3.93±0.26）、（3.88±0.33）和（2.70±0.46），两名医师经分析一致认为常规剂量组与CI组图像质量无明显差异（Kappa=0.842）。3组中常规剂量组与CI组整体评分高于CV组，经检验差异具有统计学意义；常规剂量组与CI组无统计学差异（表1、图1和图2）。
表 1 常规剂量组与低管电流CI组、CV组图像主观评分比较结果Table 1. Comparison results of subjective image scores between the conventional, low-tube-current CI, and CV groups评分 组别 统计检验 常规剂量组/例 CI组/例 CV组/例 Z1/Z2/Z3 P1/P2/P3 4 37 35 0 −16.352 0.459＜0.001＜0.001 3 3 5 28 2 0 0 12 1 0 0 0 注：CI组为低管电流ClearInfinity算法组；CV组为低管电流ClearView算法组；Z1、P1为常规剂量组与CI组对比结果；Z2、P2为常规剂量与CV组对比结果；Z3、P3为CI组与CV组对比结果。 ![]()
图 1 低管电流CI与CV整体图像质量比较Figure 1. Comparison of overall image quality between ClearInfinity and Clearview with low tube current![]()
图 2 常规剂量组与低管电流（CI、CV）组图像质量比较Figure 2. Comparison of image quality between conventional and low tube current CI and CV groups如图1所示，（a）~（d）为同一颧骨、颌面骨骨折患者横轴位及冠状位示意图，图中白箭为所示为骨折具体部位细节对比，（a）和（c）为CI组重建后生成图像，（b）和（d）为低管电流CV组重建后生成图像。两组整体图像质量比较（a）和（c）的图像质量优于图（b）和（d），（b）和（d）噪声水平明显增高，对于微小骨折的显示不佳。（e）~（h）为同一上颌窦息肉患者，图中红箭所示为患者鼻窦息肉位置及形态展示；（e）和（g）展示为CI组重建后生成图像，（f）和（h）为低管电流CV组重建后生成图像，可见CI组图像对息肉形态、范围以及噪声和信噪比水平优于CV组。
如图2所示，为同一患者不同时间段图像，（a）和（d）为常规剂量组图像，（b）和（e）为CI组图像，（c）和（f）组为CV组图像，可见CI组较常规剂量组图像质量无明显差异，能够符合诊断要求，而CV组图像噪声较大不利于对疾病的诊断。
2.2 客观评分结果
（1）常规剂量组与低管电流扫描条件下CI组的比较。
在下鼻甲黏膜、翼内肌、颞窝脂肪的CT值方面，两组间差异无统计学意义。下鼻甲黏膜、翼内肌、颞窝脂肪SD值方面，常规剂量组为（14.82±5.38）、（60.73±15.59）、（16.37±5.45），CI组为（15.62±2.54）、（65.85±9.70）、（16.80±3.53），差异无统计学意义。常规剂量相应区域信噪比（SNR）为（2.96±1.17）、（0.97±0.29）、（−5.94±1.81），CI组为（2.93±0.63）、（0.86±0.21）、（−5.27±1.59），经检验两组间差异无统计学意义。两组间下鼻甲黏膜、翼内肌对比噪声比（CNR），常规剂量组为（8.66±2.70）、（9.64±2.89），CI组为（8.14±2.35）、（8.78±2.39）差异无统计学意义。
（2）常规剂量组与低管电流扫描条件下CV组的比较。
在下鼻甲黏膜、翼内肌、颞窝脂肪的CT值方面，两组间差异无统计学意义。常规剂量组的下鼻甲黏膜、翼内肌、颞窝脂肪的SD值显著低于CV组（49.62±6.87）（182.40±22.49）、（46.78±8.76），差异具有统计学意义。常规剂量图像信噪比（SNR）高于CV组（0.98±2.4）、（0.33±0.07）、（−1.84±0.44）差异具有统计学意义。常规剂量组下鼻甲黏膜、翼内肌的对比噪声比（CNR）优于CV组（2.89±0.60）、（3.13±0.62），差异具有统计学意义。
（3）低管电流扫描条件下CI组与CV组的比较。
在下鼻甲黏膜、翼内肌、颞窝脂肪的CT值方面，两组间差异无统计学意义。CI组各部位的SD值均低于CV组，差异具有统计学意义。CI组各部位的信噪比（SNR）和对比噪声比（CNR）均高于CV组，差异具有统计学意义（表2和表3）。
表 2 常规剂量组与低管电流CI组、 CV组下鼻甲黏膜、翼内肌、颞窝脂肪CT值（HU）、SD值比较结果Table 2. Comparison of CT values (HU) and SD values of the inferior turbinate mucosa, medial pterygoid muscle, and temporal fossa fat between the conventional dose group and low-tube-current CI and CV groups组别 统计检验 常规剂量组 CI组 CV组 t1 t2 t3 P1 P2 P3 CT值 下鼻甲黏膜 41.25±15.75 45.73±9.22 47.93±13.20 1.551 2.054 −0.765 0.125 0.053 0.449 翼内肌 55.23±6.34 55.72±9.24 58.67±12.76 0.275 1.525 −2.008 0.784 0.131 0.051 颞窝脂肪 −88.95±10.78 −84.78±14.51 −84.08±15.88 1.460 1.606 −0.195 0.148 0.112 0.847 SD 值 下鼻甲黏膜 14.82±5.38 15.62±2.54 49.62±6.87 1.083 25.475 −24.777 0.282 ＜0.001 ＜0.001 翼内肌 60.73±15.59 65.85±9.70 182.40±22.49 1.765 28.115 −45.522 0.082 ＜0.001 ＜0.001 颞窝脂肪 16.37±5.45 16.80±3.53 46.78±8.76 0.419 18.638 −20.771 0.676 ＜0.001 ＜0.001 注：SD值为图像噪声；t1、P1为常规剂量组与CI组对比结果；t2、P2为常规剂量与CV组对比结果；t3、P3为CI组与CV组对比结果。 表 3 常规剂量组与低管电流CI组、CV组图像下鼻甲黏膜、翼内肌、颞窝脂肪SNR、CNR比较结果Table 3. Comparison of SNR and CNR of the inferior turbinate mucosa, medial pterygoid muscle, and temporal fossa fat between the conventional and low-tube-current CI and CV groups项目 组别 统计检验 常规剂量组 CI组 CV组 t1 t2 t3 P1 P2 P3 SNR 下鼻甲黏膜 2.96±1.17 2.93±0.63 0.98±2.4 −0.185 −10.431 17.528 0.853 ＜0.001 ＜0.001 翼内肌 0.97±0.29 0.86±0.21 0.33±0.07 1.856 13.621 18.994 0.068 ＜0.001 ＜0.001 颞窝脂肪 −5.94±1.81 −5.27±1.59 −1.84±0.44 1.749 13.884 −13.125 0.084 ＜0.001 ＜0.001 CNR 下鼻甲黏膜 8.66±2.70 8.14±2.35 2.89±0.60 −0.962 −13.175 14.911 0.039 ＜0.001 ＜0.001 翼内肌 9.64±2.89 8.78±2.39 3.13±0.62 −1.469 −13.911 14.725 0.146 ＜0.001 ＜0.001 注：SNR为信噪比，CNR为对比噪声比；t1、P1为常规剂量组与CI组对比结果；t2、P2为常规剂量与CV组对比结果；t3、P3为CI组与CV组对比结果。 2.3 辐射剂量结果
低管电流组各辐射剂量指标（CTDIvol、DLP及ED）均低于常规剂量组，差异具有统计学意义（表4）；低管电流组与常规剂量组相比，CTDIvol及DLP降低约73%，有效辐射剂量降低约3/4。
表 4 低管电流组与常规剂量组辐射剂量比较Table 4. Comparison of radiation doses between low-tube-current and standard-dose groups组别 统计检验 低管电流组 常规剂量组 t P 例数 40 40 CTDIvol/mGy 10.39±0.63 37.86±3.39 DLP/（$\bar{x}\pm {\rm{s }}$，mGy·cm） 111.17±7.89 411.71±34.59 −54.932 ＜0.001 ED/（$\bar{x} \pm {\rm{s}}$，mSv） 0.23±0.02 0.86±0.13 −54.915 ＜0.001 注：CTDIvol为容积CT剂量指数；DLP为剂量长度乘积；ED为有效剂量，低管电流组为低管电流（CI组和CV组）。 3. 讨论
本研究通过降低管电流的方式对副鼻窦区域实施低剂量CT扫描，对低管电流条件下的CI组、CV组以及常规剂量组扫描副鼻窦的辐射剂量与图像质量展开系统性评估。结果表明，在低管电流扫描条件下，CI组在确保图像质量与常规剂量组基本一致的同时，成功降低了辐射剂量。此外，低管电流扫描条件下的CI组整体图像质量优于CV组。
副鼻窦的解剖学特征为含气的骨性空腔，具有较好的自然对比度[10]，这为针对副鼻窦开展低剂量 CT扫描提供了生理基础。依据辐射剂量与管电流成正比的原理，降低管电流是减少辐射剂量的有效方法[11]，相比降低管电压，能够更有效地减少受检者体表的入射剂量。在本研究中，低管电流组的DLP和ED分别为（111.17±7.89）和（0.23±0.02），而常规剂量组分别为（411.71±34.59）和（0.86±0.13），低管电流组的辐射剂量较常规剂量组降低了约73%。
随着管电流和辐射剂量的降低，CT扫描中的图像噪声相应增加。已有相关研究[12-14]证实，迭代算法和深度学习算法均能有效降低图像噪声。然而，目前关于ClearInfinity（CI）算法在副鼻窦低剂量扫描中的应用研究还较为有限。在本研究中，与CV组相比，CI组进一步将翼内肌及颞窝脂肪的SD值降低了约2/3，并且在相关组织的信噪比（SNR）和对比噪声比（CNR）方面提升约65%。
值得注意的是，在低管电流扫描条件下，CI组与常规剂量组在整体图像质量以及信噪比、对比噪声比方面无明显差异。
本研究采用的ClearInfinity（CI）算法是一种基于原始数据域的先进算法，它利用深度神经网络模型，以低剂量CT数据为输入，同时以标准或高剂量扫描的滤波反投影（filtered back projection ，FBP）重建图像作为训练目标。这一过程旨在实现与正常剂量CT图像质量相当或更优的效果。该算法能够在保留与FBP重建图像相似的纹理、解剖细节和病理特征的同时，有效降低图像噪声。
此外，以高质量的FBP重建图像作为学习目标，可以在超低剂量[15]采集模式下获得高质量图像。相关研究[16-17]结果表明，ClearInfinity（CI）算法对于改善低剂量扫描其他组织器官时的图像质量能够起到一定性的帮助，有效降低了图像噪声，对于疾病的诊断以及辐射剂量的降低提供支持。由于不同的算法及重建权重适用的扫描部位及扫描条件均不相同，经前期预实验与专业工程师推荐，本研究选择80%的算法权重进行图像重建。
基于副鼻窦CT扫描的低辐射剂量问题，可以通过管电压与管电流的优化、算法改进和AI技术的应用等多种方法来解决。随着深度学习算法在CT领域的应用[18-19]，能够分析比较图像的降噪精度、以及各部位病变识别能力，并且保持精细结构和纹理细节等方面的重建能力，将会显著提高CT图像重建的整体性能，本研究将低管电流与ClearInfinity（CI）算法结合应用与副鼻窦扫描，这种方法在降低辐射剂量的同时能够有效保持图像质量，在临床上具有重要意义，为减少患者辐射剂量提供了新的技术手段。
本研究局限性包括样本量有限，需要在更广泛的临床实践中进一步验证。此外虽然ClearInfinity（CI）算法在图像质量上表现出色，但由于两名医师对算法效果的感知可能受到算法效果明显差异的影响，在主观评估中可能存在一定的偏差，在收集辐射剂量数据时，尽管我们努力确保低管电流组和常规剂量组的扫描范围保持一致，但患者个体之间副鼻窦范围的显著差异，仍可能导致DLP和CTDI的差异。
综上所述，低管电流联合深度学习算法在副鼻窦CT成像中是一种有效的技术手段，能够在保证图像质量的前提下，显著降低辐射剂量。
-
![]()
图 1 低管电流CI与CV整体图像质量比较
Figure 1. Comparison of overall image quality between ClearInfinity and Clearview with low tube current
![]()
图 2 常规剂量组与低管电流（CI、CV）组图像质量比较
Figure 2. Comparison of image quality between conventional and low tube current CI and CV groups
表 1 常规剂量组与低管电流CI组、CV组图像主观评分比较结果
Table 1 Comparison results of subjective image scores between the conventional, low-tube-current CI, and CV groups
评分 组别 统计检验 常规剂量组/例 CI组/例 CV组/例 Z1/Z2/Z3 P1/P2/P3 4 37 35 0 −16.352 0.459＜0.001＜0.001 3 3 5 28 2 0 0 12 1 0 0 0 注：CI组为低管电流ClearInfinity算法组；CV组为低管电流ClearView算法组；Z1、P1为常规剂量组与CI组对比结果；Z2、P2为常规剂量与CV组对比结果；Z3、P3为CI组与CV组对比结果。 
下载: 导出CSV
表 2 常规剂量组与低管电流CI组、 CV组下鼻甲黏膜、翼内肌、颞窝脂肪CT值（HU）、SD值比较结果
Table 2 Comparison of CT values (HU) and SD values of the inferior turbinate mucosa, medial pterygoid muscle, and temporal fossa fat between the conventional dose group and low-tube-current CI and CV groups
组别 统计检验 常规剂量组 CI组 CV组 t1 t2 t3 P1 P2 P3 CT值 下鼻甲黏膜 41.25±15.75 45.73±9.22 47.93±13.20 1.551 2.054 −0.765 0.125 0.053 0.449 翼内肌 55.23±6.34 55.72±9.24 58.67±12.76 0.275 1.525 −2.008 0.784 0.131 0.051 颞窝脂肪 −88.95±10.78 −84.78±14.51 −84.08±15.88 1.460 1.606 −0.195 0.148 0.112 0.847 SD 值 下鼻甲黏膜 14.82±5.38 15.62±2.54 49.62±6.87 1.083 25.475 −24.777 0.282 ＜0.001 ＜0.001 翼内肌 60.73±15.59 65.85±9.70 182.40±22.49 1.765 28.115 −45.522 0.082 ＜0.001 ＜0.001 颞窝脂肪 16.37±5.45 16.80±3.53 46.78±8.76 0.419 18.638 −20.771 0.676 ＜0.001 ＜0.001 注：SD值为图像噪声；t1、P1为常规剂量组与CI组对比结果；t2、P2为常规剂量与CV组对比结果；t3、P3为CI组与CV组对比结果。
下载: 导出CSV
表 3 常规剂量组与低管电流CI组、CV组图像下鼻甲黏膜、翼内肌、颞窝脂肪SNR、CNR比较结果
Table 3 Comparison of SNR and CNR of the inferior turbinate mucosa, medial pterygoid muscle, and temporal fossa fat between the conventional and low-tube-current CI and CV groups
项目 组别 统计检验 常规剂量组 CI组 CV组 t1 t2 t3 P1 P2 P3 SNR 下鼻甲黏膜 2.96±1.17 2.93±0.63 0.98±2.4 −0.185 −10.431 17.528 0.853 ＜0.001 ＜0.001 翼内肌 0.97±0.29 0.86±0.21 0.33±0.07 1.856 13.621 18.994 0.068 ＜0.001 ＜0.001 颞窝脂肪 −5.94±1.81 −5.27±1.59 −1.84±0.44 1.749 13.884 −13.125 0.084 ＜0.001 ＜0.001 CNR 下鼻甲黏膜 8.66±2.70 8.14±2.35 2.89±0.60 −0.962 −13.175 14.911 0.039 ＜0.001 ＜0.001 翼内肌 9.64±2.89 8.78±2.39 3.13±0.62 −1.469 −13.911 14.725 0.146 ＜0.001 ＜0.001 注：SNR为信噪比，CNR为对比噪声比；t1、P1为常规剂量组与CI组对比结果；t2、P2为常规剂量与CV组对比结果；t3、P3为CI组与CV组对比结果。
下载: 导出CSV
表 4 低管电流组与常规剂量组辐射剂量比较
Table 4 Comparison of radiation doses between low-tube-current and standard-dose groups
组别 统计检验 低管电流组 常规剂量组 t P 例数 40 40 CTDIvol/mGy 10.39±0.63 37.86±3.39 DLP/（$\bar{x}\pm {\rm{s }}$，mGy·cm） 111.17±7.89 411.71±34.59 −54.932 ＜0.001 ED/（$\bar{x} \pm {\rm{s}}$，mSv） 0.23±0.02 0.86±0.13 −54.915 ＜0.001 注：CTDIvol为容积CT剂量指数；DLP为剂量长度乘积；ED为有效剂量，低管电流组为低管电流（CI组和CV组）。
下载: 导出CSV
-
[1] 中华耳鼻咽喉头颈外科杂志编辑委员会鼻科组, 中华医学会耳鼻咽喉头颈外科学分会鼻科学组. 中国慢性鼻窦炎诊断和治疗指南(2018)[J]. 中华耳鼻咽喉头颈外科杂志, 2019, 54(2): 81-100. DOI: 10.3760/cma.j.issn.1673-0860.2019.02.001. Chinese Journal of Otorhinolaryngology Head and Neck Surgery Editorial Committee Rhinology Group, & Chinese Medical Association Otorhinolaryngology Head and Neck Surgery Branch Rhinology Group. Chinese guideline for diagnosis and treatment of chronic rhinosinusitis (2018)[J]. Chinese Journal of Otorhinolaryngology Head and Neck Surgery, 2019, 54(2): 81-100. DOI: 10.3760/cma.j.issn.1673-0860.2019.02.001. (in Chinese).
[2] 张晓慧. 不同扫描方式对副鼻窦CT图像质量和辐射剂量的影响[J]. 影像研究与医学应用, 2023, 7(17): 61-63. DOI: 10.3969/j.issn.2096-3807.2023.17.019. ZHANG X H. The impact of different scanning methods on paranasal sinus CT image quality and radiation dose[J]. Imaging Research and Medical Application, 2023, 7(17): 61-63. DOI: 10.3969/j.issn.2096-3807.2023.17.019. (in Chinese).
[3] 张斌, 杜静波, 张博洋, 等. 成年人CT检查辐射剂量及其典型值调查与分析[J]. CT理论与应用研究(中英文), 2025, 34(3): 339-344. DOI: 10.15953/j.ctta.2024.139. ZHANG B, DU J B, ZHANG B Y, et al. Investigation and analysis of radiation dose and typical values in adult computed tomography examinations[J]. CT Theory and Applications, 2025, 34(3): 339-344. DOI: 10.15953/j.ctta.2024.139. (in Chinese).
[4] 杨德武, 隋岩, 刘康, 等. 器官剂量调制技术对鼻窦CT图像质量和辐射剂量的影响[J]. 中华放射医学与防护杂志, 2022, 42(3), 237-242. DOI: 10.3760/cma.j.cn112271-20211010-00407. YANG D W, SUI Y, LIU K, et al. The impact of organ dose modulation technology on the image quality and radiation dose of sinus CT[J]. Chinese Journal of Radiological Medicine and Protection, 2022, 42(3): 237-242. DOI:10.3760/cma.j.cn112271-20211010-00407. (in Chinese).
[5] 徐蕊, 王云玲, 谷子君, 等. 640层冠脉CTA前瞻性扫描技术辐射剂量的多因素分析[J]. 临床医学进展, 2023, 13(7): 10873-10878. DOI: 10.12677/acm.2023.1371518. XU R, WANG Y L, GU Z J, et al. Multivariate analysis of the radiation dose of the 640-slice coronary CTA prospective scanning technique[J]. Clinical Medicine Progress, 2023, 13(7): 10873-10878. DOI: 10.12677/acm.2023.1371518. (in Chinese).
[6] 王明, 王怡宁, 于敏, 等. AI成像优化联合迭代算法在“双低”主动脉CTA的初步应用[J]. 放射学实践, 2018, 33(10): 1009-1016. DOI: 10.13609/j.cnki.1000-0313.2018.10.007. WANG M, WANG Y N, YU M, et al. Preliminary application of AI imaging optimization combined with iterative algorithm in "double-low" aortic CTA[J]. Radiological Practice, 2018, 33(10): 1009-1016. DOI: 10.13609/j.cnki.1000-0313.2018.10.007. (in Chinese).
[7] 张卓璐, 陈菁, 刘卓, 等. 深度学习重建算法对肺部CT定量分析及图像质量的影响[J]. 放射学实践, 2023(4): 434-440. DOI: 10.13609/j.cnki.1000-0313.2023.04.011. ZHANG Z L, CHEN J, LIU Z, et al. The impact of deep learning reconstruction algorithm on quantitative analysis and image quality of lung CT images[J]. Radiology Practice, 2023(4): 434-440. DOI: 10.13609/j.cnki.1000-0313.2023.04.011. (in Chinese).
[8] 侯平, 刘杰, 陈岩, 等. 基于深度学习的ClearInfinity算法对腹部体模CT扫描图像质量和辐射剂量的影响[J]. 中国医疗设备, 2022, 37(8): 99-103. DOI: 10.3969/j.issn.1674-1633.2022.08.020. HOU P, LIU J, CHEN Y, et al. Impact of Clearinfinity algorithm based on deep learning on image quality and radiation dose of abdominal CT in phantom[J]. China Medical Equipment, 2022, 37(8): 99-103. DOI: 10.3969/j.issn.1674-1633.2022.08.020. (in Chinese).
[9] 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. DOI: 10.12182/20210360506. ZENG W, ZENG L M, XU X, et al. Evaluation of the noise reduction effect of deep learning-based image reconstruction algorithm in thin-section CT of the chest[J]. Journal of Sichuan University (Medical Science Edition), 2021, 52(2): 286-292. DOI: 10.12182/20210360506. (in Chinese).
[10] 胡文业, 郭文强. 低管电压联合快速迭代重建技术在副鼻窦CT检查中的应用[J]. 山西大同大学学报(自然科学版), 2023, 39(5): 75-77. DOI: 10.3969/j.issn.1674-0874.2023.05.016. HU W Y, GUO W Q. Application of low tube voltage combined with rapid iterative reconstruction technology in paranasal sinus CT examination[J]. Journal of Shanxi Datong University (Natural Science Edition), 2023, 39(5): 75-77. DOI: 10.3969/j.issn.1674-0874.2023.05.016. (in Chinese).
[11] PAPROTTKA K J, SCHULTZ V, KUPFER K, et al. Tube current reduction and iterative image reconstruction for computed tomography myelography[J]. Scientific Reports, 2024, 14(1): 20247. DOI: 10.1038/s41598-024-79374-3.
[12] 陈晓宇, 张晓鹏, 李明, 等. 能谱CT深度学习图像重建与迭代重建算法图像质量对比的体模和动物模型研究[J]. 中华放射学杂志, 2025, 59(1): 45-52. DOI: 10.3760/cma.j.cn112149-20230824-00126. CHEN X Y, ZHANG X P, LI M, et al. Comparison of image quality based on deep-learning image reconstruction and iterative reconstruction algorithm for dual-energy CT: A phantom and animal-model study[J]. Chinese Journal of Radiology, 2025, 59(1): 45-52. DOI: 10.3760/cma.j.cn112149-20230824-00126. (in Chinese).
[13] LIU R, XIAO S, LIU T, et al. Dual stage MRI image restoration based on blind spot denoising and hybrid attention[J]. BMC Medical Imaging, 2024, 24(1): 259. https://DOI.org/10.1186/s12880-024-01437-8.
[14] 申利, 彭荟, 任占丽, 等. 深度学习图像重建联合“双低”技术对超重患者冠状动脉CT血管成像图像质量的影响[J]. 实用放射学杂志, 2024, 40(10): 1712-1716. DOI: 10.3969/j.issn.1002-1671.2024.10.031. SHEN L, PENG H, REN Z L, et al. Impact of deep learning image reconstruction combined with “double-low” technology on coronary artery CT angiography image quality in overweight patients[J]. Journal of Practical Radiology, 2024, 40(10): 1712-1716. DOI: 10.3969/j.issn.1002-1671.2024.10.031. (in Chinese).
[15] ZHONG J, XIA Y, CHEN Y, et al. Deep learning image reconstruction algorithm reduces image noise while alters radiomics features in dual-energy CT in comparison with conventional iterative reconstruction algorithms: A phantom study[J]. European Radiology, 2023, 33(2): 812-824. DOI: 10.1007/s00330-022-09119-1.
[16] 李明昕, 刘杰, 陈岩, 等. 60kV联合深度学习重建算法在主动脉CT血管造影中的可行性研究[J]. 影像研究与医学应用, 2024, 8(6): 62-64. DOI: 10.3969/j.issn.2096-3807.2024.06.020. LI M X, LIU J, CHEN Y, et al. Feasibility study of 60kV combined with deep learning reconstruction algorithm in aortic CT angiography[J]. Imaging Technology, 2024, 8(6): 62-64. DOI: 10.3969/j.issn.2096-3807.2024.06.020. (in Chinese).
[17] PULA M, KUCHARCZYK E, ZDANOWICZ A, et al. Image quality improvement in deep learning image reconstruction of head computed tomography examination[J]. Tomography, 2023, 9(4): 1485-1493. DOI: 10.3390/tomography9040118.
[18] 中国医师协会放射医师分会. CT深度学习图像重建算法临床应用中国专家共识[J]. 中华放射学杂志, 2024, 58(7): 697-706. DOI: 10.3760/cma.j.cn112149-20240111-00021. Clinical Application of CT deep learning image reconstruction algorithm: Chinese expert consensus[J]. Chinese Journal of Radiology, 2024, 58(7): 697-706. DOI:10.3760/cma.j.cn112149-20240111-00021.(in Chinese).
[19] KANG H, YOON H J, CHUNG B M, et al. Deep learning-based image reconstruction for brain CT: Improved image quality compared with adaptive statistical iterative reconstruction-Veo (ASIR-V)[J]. Neuroradiology, 2021, 63(9): 905-912. DOI: 10.1007/s00234-020-02574-x.
计量
- 文章访问数: 44
- HTML全文浏览量: 17
- PDF下载量: 10
