Deep Learning Reconstruction Algorithm Combined with “Double Low” Dose for Liver CT Enhancement
-
摘要:
目的：探讨在肝脏CT增强中结合低辐射剂量和低碘对比剂，深度学习重建算法（DLIR）与自适应统计迭代重建（ASIR-V）的应用效果。方法：前瞻性收集行腹部增强CT的患者82例，随机分成A组和B组，A组（对照组）常规剂量（管电压120kVp，碘对比剂85mL）下门静脉期采用30%、50%、70% ASIR-V（AV30、AV50、AV70）进行图像重建。B组（实验组）双低剂量（管电压80kVp；碘对比剂65 mL）下门静脉期采用中、高强度深度学习（DLIR-M，DLIR-H）进行图像重建。计算了图像噪声（SD）、信噪比（SNR）、对比噪声比（CNR）、病灶对比噪声比（LLR）、品质因数（FOM）、有效辐射剂量（ED）及碘摄入量。两名诊断医生评估不同剂量下不同重建方式的主观图像质量。结果：A组和B组的性别、年龄、体重指数BMI差异均无统计学意义。在有效剂量降低38.40%，对比剂用量降低23.53%下，DLIR-M与AV50、DLIR-H与AV70肝实质、门静脉SD值差异均无统计学意义，肝实质、门静脉SNR中仅DLIR-M与AV50不具有统计学意义，肝实质、门静脉CNR中仅DLIR-M与AV70差异无统计学意义，病灶对比噪声比（LLR）与品质因数（FOM）中，仅DLIR-M与AV70差异无统计学意义。在各项主观图像质量评估中，双低剂量下的DLIR表现优于常规剂量的AVIR-V，尤其是DLIR-H表现最佳。结论：与常规剂量下ASIR-V相比，DLIR在“双低”（低辐射剂量低对比剂）剂量下可以提高图像质量和肝脏低对比度病灶的检测能力。
Abstract:Objective: Exploration of the application of a deep-learning reconstruction algorithm (DLIR) and adaptive statistical iterative reconstruction (ASIR-V) based on the combination of low radiation dose and low iodine contrast agent in liver CT enhancement. Methods: A total of 82 patients who underwent abdominal enhanced CT were prospectively selected and randomly separated into groups A and B. Group A (control group) received a conventional dose (tube voltage 120 kVp; iodine contrast 85mL) and inferior portal image reconstruction was applied using 30%, 50%, and 70% ASIR-V (AV 30, AV 50, AV 70). In Group B (experimental group), image reconstruction was based on medium- and high-intensity deep learning (DLIR-M, DLIR-H). Image noise (SD), signal-to-noise ratio (SNR), contrast-to-noise ratio (CNR), lesion contrast-to-noise ratio (LLR), quality factor (FOM), effective radiation dose (ED), and iodine intake were calculated. Subjective image quality results were obtained for different reconstruction methods at different doses. No significant differences in gender, age, and BMI between groups A and B were found. For 38.40% effective dose and 23.53% reduction in the contrast agent dosage, no significant SD differences were found between DLIR-M and AV 50, DLIR-H and liver parenchyma and AV 70. Only DLIR-M and AV 50 in the portal SNR were not statistically significant. No significant differences were found between DLIR-M and AV 70 in liver parenchyma and portal CNR. Concerning LLR and FOM, no significant differences were found between DLIR-M and AV 70. For various subjective image quality assessments, DLIR at double low doses outperformed AVIR-V, especially DLIR-H. Conclusions: DLIR can improve image quality and the ability to detect liver low contrast lesions at “double low” (low radiation dose low contrast) compared to ASIR-V.
-
Keywords:
- upper abdominal enhanced CT /
- liver /
- deep learning /
- double low dose
-
CT扫描是诊断肝脏肿瘤的常用方法，随着人们对健康保护意识的增强，减少不必要的辐射暴露和对比剂使用已成为放射学检查的重要考量[1]。辐射剂量的降低可以减少因长期、大剂量辐射暴露导致的癌症风险。对比剂的使用虽然可以增强影像的清晰度，提高诊断的准确性，但对比剂的使用也存在一定的风险，包括过敏反应、肾功能损伤、甲状腺功能障碍等[2-4]。如何在减少辐射剂量与对比剂使用的同时，确保图像质量，成为当前研究的热点。自适应统计迭代算法（adaptive statistical iterative reconstruction-volume rendering，ASIR-V）能在一定程度上提高图像质量并降低辐射剂量，但在图像质量的提升有一定的限制。随着迭代次数的增加，图像的高频信息可能会丢失，导致图像过度平滑，从而影响诊断的准确性，并且在处理病灶时重建速度也会增加[5-7]。深度学习重建算法（deep learning image reconstruction，DLIR）是近年来快速发展的一种图像处理技术，它通过深度卷积神经网络（deep convolutional neural network，DCNN）的学习和训练，能够有效识别和优化图像中的噪声和信号。当前研究表明，DLIR算法能在低剂量条件下显著提高图像质量，同时保持图像的纹理细节，并且重建速度不受影响[8-10]。目前，对“双低”剂量在腹部中的报道较少，缺乏DLIR联合“双低”剂量技术在肝脏增强CT扫描中的研究。
本研究旨在比较双低剂量下DLIR中、高等强度重建算法与常规剂量下30%、50%、70%ASIR-V重建算法在上腹部CT增强中的应用效果，评估DLIR在提高图像质量和检测病灶能力方面的表现。
1. 材料与方法
1.1 一般资料
前瞻性收集了我院2024年10月至2024年12月期间行上腹部增强CT的82例患者资料，其中男性43例，女性39例。所有患者均在检查前签署了知情同意书，且本研究已通过医院伦理委员会的批准。纳入标准：①年龄大于18岁者；②影像资料全；③体重质量指数（body mass index，BMI）在16~29 kg/m2之间。排除标准：①碘对比剂过敏、肝肾功能不全者；②体内上腹部含金属物者；③因屏气不佳等因素影响图像评估与测量的患者。将患者随机分为A组和B组（n=41），常规剂量A组的BMI值为22.30±5.30，低密度病灶数为103（n=27）；而双低剂量B组的BMI值为22.18±2.90，低密度病灶数为80（n=22）。
1.2 扫描方法及参数
所有患者均采用GE Revolution APEX CT（GE Health Care）进行增强CT扫描，扫描范围膈顶至肝脏下缘。患者均采取足先进的方式，保持仰卧位，双手上举，并在检查前去除上腹部区域内的表面金属异物，随后进行呼气末屏气扫描。上腹增强CT行三期增强扫描，包括动脉期、门脉期、静脉期。参数：探测器宽度为80 mm，常规剂量A组管电压为120 kVp，对比剂85 mL，使用30%ASIR-V（AV30）、50%ASIR-V（AV50）和70% ASIR-V（AV70）进行图像重建，双低剂量B组管电压为80 kVp，对比剂65 mL，使用深度学习中等强度（DLIR-M）和深度学习高等强度（DLIR-H）进行图像重建。使用自动管电流调制（SmartmA 250~600），噪声指数（noise index，NI）为10 HU，螺距0.992∶1，转速0.5 s，重建层厚1.25 mm，所有患者均采用高压注射器经肘静脉团注非离子型对比剂（碘帕醇注射液（370 mgI/mL）），注射速率2.3 mL/s，对比剂注入后15 s行腹主动脉检测，阈值达到150 HU，触发扫描第一期动脉期，延迟10 s后进行门静脉期扫描，然后20 s后进行静脉期扫描。我们将A组B组门静脉期纳入研究[11-12]。
1.3 图像评价
1.3.1 客观评价
将所有图像传至GE工作站AW4.7进行数据测量，分别在层厚1.25 mm的A组图像（AV30、AV50、AV70）与层厚1.25 mm的B组图像（DLIR-M、DLIR-H）进行感兴趣区（region of interesting，ROI）绘制，测量肝实质（左内叶、右前叶、右后叶）、门静脉、左侧椎旁肌、病灶的CT值和标准差SD，每组数据测量3次，取平均值，以最大限度减小误差。其中肝实质避开血管、胆管等结构，ROI面积大小为（0.5±0.1）cm2，3个叶面取平均值来计算肝实质的CT值和SD值；门静脉中ROI占血管的2/3左右；病灶选择最大的，在最大层面勾画ROI。以肌肉为背景噪声，计算肝实质、门静脉的信噪比（signal to noise ratio，SNR）和对比噪声比（contrast to noise ratio，CNR）：
$$ SNR=\frac{CT{值}_{目标}}{SD{值}_{目标}} \text{，} $$ (1) $$ CNR=\frac{CT{值}_{目标}-CT{值}_{肌肉}}{SD{值}_{肌肉}} \text{，} $$ (2) 其中CT值目标、CT值肌肉分别代表目标结构与椎旁肌肉的平均衰减，SD值肌肉代表图像噪声[13]。以肝脏为背景，计算肝脏病灶对比噪声比（liver lesion to noise ratio，LLR）：
$$ LLR=\frac{C{T}_{肝实质}-C{T}_{病灶}}{SD{}_{肝实质}} 。 $$ (3) 为了量化评估不同重建算法在不同辐射剂量、对比剂的图像上图像质量差异，计算品质因数（figure of merit，FOM）[14]：
$$ FOM=\frac{SN{R}_{肌肉}\text{2}}{DLP\times 0.015} 。 $$ (4) 1.3.2 主观评价
由2名腹部CT成像经验丰富的放射科诊断医师采用独立和双盲法进行评估图像质量，预设窗宽400 HU，窗位60 HU，采用5点李克特量表评估整体图像主观噪声、图像清晰度、病灶显著度以及诊断置信度[6]（表1）。
表 1 主观图像评价标准Table 1. Subjective image evaluation criteria评分 主观图像噪声 图像清晰度 病灶显著度 诊断置信度 1 不可接受的噪声 模糊 无法识别 无法诊断 2 高于平均水平 差于平均水平 显示差，识别困难 低 3 平均水平 平均 显示一般，可识别 平均 4 低于平均水平 优于平均水平 显示较好，易识别 高 5 极小 极好 显示明显，容易识别 极好 1.4 辐射剂量与碘摄入量
记录A组和B组门静脉期剂量长度乘积（dose length product，DLP），计算有效辐射剂量
$ ED = DLP \times k $ （mSv），其中腹部剂量转化系数k=0.015 mSv/（mGy·cm）。根据公式，碘总量TIL（mgI）=对比剂浓度（mgI/mL）×对比剂剂量（mL），分别计算A组和B组含碘摄入量。1.5 统计学分析
在使用SPSS 26.0统计软件进行数据统计学分析时，首先进行K-S检验以评估数据的正态性。对于符合正态分布的计量资料，采用均数±标准差表示，而计量资料则以频数（n）和百分率（%）表示。性别差异通过卡方检验进行比较，年龄、BMI、辐射剂量、含碘摄入量等变量的比较则采用独立样本t检验。主观评价采用Kruskal-Wallis非参数检验，并通过Bonferroni校正法进行两两比较。A组和B组间比较使用单因素方差分析，进一步的两两比较则采用LSD-t检验。放射科医生的主观评分一致性通过Kappa检验评估，其中Kappa值≥0.75表示一致性好，0.4＜Kappa值＜0.75表示一致性较好，Kappa值≤0.4表示一致性差。P＜0.05认为差异具有统计学意义。
2. 结果
2.1 一般资料的比较
两组患者性别、身高以及BMI均无统计学差异（表2）。
表 2 两组一般资料Table 2. Two groups of general information组别 例数/n 男/女（n/（%）） 年龄/岁 BMI/（kg/m2） 常规剂量 A组41 19（46.34）/22（53.66） 54.12±14.43 22.95±5.71 双低剂量 B组41 24（58.54）/17（41.46） 56.49±14.00 22.48±2.79 X2/t 1.222 0.754 0.474 P 0.269 0.453 0.637 2.2 图像客观评价
表3显示了肝实质、门静脉的SD值、SNR值、CNR值、LLR值及FOM值各数值在A、B两组不同重建方式下的差异具有统计学意义。A组和B组组内，随着迭代等级和DLIR强度的升高，SD值逐渐降低，SNR值、CNR值、LLR值及FOM值均逐渐上升，差异具有统计学意义。DLIR-H重建方式在降低噪声SD值和提高信噪比（SNR）、对比噪声比（CNR）、对比噪声比（LLR）及图像质量指标（FOM）方面均表现出色。A组和B组两组间，肝实质和门静脉SD值中，AV50 vs. DLIR-M和AV70 vs. DLIR-H差异不明显，不具有统计学意义，其余两两比较均具有统计学意义（表1和表2）。肝实质与门静脉SNR值中，除AV50 vs DLIR-M不具有统计学意义，其余两两比较均具有统计学意义（表3和表4）。肝实质与门静脉CNR中，AV70 vs. DLIR-M不具有差异性，其他各重建方式间具有差异性（表5和表6）。在LLR和FOM中，AV70 vs. DLIR-M不具有差异性，其余两两比较差异具有统计学意义（表7和表8）。
表 3 不同重建方式图像客观指标比较结果Table 3. Comparison results of image objective indexes for different reconstruction methods参数 A组重建方式 B组重建方式 F P AV30 AV50 AV70 DLIR-M DLIR-H SD值 肝实质 16.00±3.54 12.54±3.18 9.45±2.09 13.47±1.99 9.10±1.58 50.06 < 0.001 门脉 21.94±5.11 17.43±4.49 14.1±4.51 18.01±2.40 13.19±2.66 31.27 < 0.001 SNR值 肝实质 7.79±2.74 10.16±4.46 12.84±3.09 10.03±2.23 14.87±3.35 29.19 < 0.001 门脉 8.37±2.67 10.57±2.96 13.17±3.26 11.76±2.02 16.21±2.80 45.86 < 0.001 CNR值 肝实质 2.96±1.31 3.72±1.54 4.52±1.59 4.17±1.37 6.18±2.00 23.39 < 0.001 门脉 5.98±2.20 7.63±2.50 9.41±2.72 9.3±2.66 13.79±3.84 43.14 < 0.001 LLR值 病灶 5.68±1.45 7.24±2.16 9.28±2.65 7.72±2.25 10.97±3.63 15.91 < 0.001 FOM值 2.67±1.80 4.25±2.68 6.22±2.34 7.19±2.39 15.95±5.53 104.76 < 0.001 表 4 不同重建方式进行主观图像分析Table 4. Subjective image analysis for different reconstruction methods分组 主观图像噪声 图像清晰度 病灶显著度 诊断置信度 reader l reader 2 reader l reader 2 reader l reader 2 reader l reader 2 常规剂量A组 AV30 2.56±0.5 2.61±0.49 2.46±0.51 2.54±0.51 2.59±0.55 2.66±0.53 2.51±0.51 2.61±0.49 AV50 3.05±0.31 3.02±0.27 3.32±0.47 3.34±0.48 3.24±0.44 3.29±0.46 3.17±0.38 3.27±0.45 AV70 3.63±0.49 3.63±0.49 3.76±0.58 3.85±0.53 3.71±0.6 3.61±0.49 3.85±0.62 3.98±0.57 双低剂量B组 DLIR-M 3.85±0.36 3.9±0.44 4.02±0.69 4.05±0.63 4.1±0.63 4±0.55 4.07±0.57 4.17±0.54 DLIR-H 4.34±0.48 4.39±0.49 4.44±0.5 4.46±0.51 4.56±0.5 4.49±0.51 4.49±0.51 4.54±0.51 k 0.824* 0.829 0.798* 0.822* 注：*表示kappa检验中的P < 0.05，差异具有统计学意义。 表 5 不同重建方式下主观评分差异性比较（Bonferroni校正P值）Table 5. Comparison of subjective scores for different reconstruction methods (Bonferroni correction P value )指标 主观图像噪声 图像清晰度 病灶显著度 诊断置信度 AV30 vs. AV50 0.025 < 0.001 0.003 0.004 AV30 vs. AV70 < 0.001 < 0.001 < 0.001 < 0.001 AV30 vs. DLIR-M < 0.001 < 0.001 < 0.001 < 0.001 AV30 vs. DLIR-H < 0.001 < 0.001 < 0.001 < 0.001 AV50 vs. AV70 < 0.001 0.01 0.007 < 0.001 AV50 vs. DLIR-M < 0.001 < 0.001 < 0.001 < 0.001 AV50 vs. DLIR-H < 0.001 < 0.001 < 0.001 < 0.001 AV70 vs. DLIR-M 0.118 0.166 0.034 0.216 AV70 vs. DLIR-H < 0.001 < 0.001 < 0.001 0.001 DLIR-M vs. DLIR-H 0.012 0.025 0.019 0.036 2.3 图像主观评价
两名诊断医生对主观图像噪声、图像清晰度、病灶显著度和诊断置信度评分具有很好的一致性（k=0.798~0.829；P < 0.001）。常规剂量A组与双低剂量B两组各项主观评分在AV30、AV50、AV70、DLIR-M、DLIR-H的重建下依次升高，且B组评分均高于A组，DLIR-H显示出评分最高（表4）。各重建方式比较下，常规剂量AV70与双低剂量DLIR-M在主观图像噪声、图像清晰度和诊断置信度上差异不明显（P=0.118、0.166、0.216），其余各重建方式的主观评分差异具有统计学意义（表5）。常规剂量下，AV30重建图像噪声显著，清晰度不足，病灶显示不够突出，诊断置信度评分为2分；AV50重建图像噪声、清晰度及病灶显著性均处于中等水平，诊断置信度评分为3分；AV70重建图像噪声较小，清晰度高于平均水平，病灶显示较好，诊断置信度评分为4分（图1）。双低剂量下，DLIR-M重建图像主观图像噪声小于一般水平，图像清晰度高于一般水平，病灶显著度较好、诊断置信度4分；DLIR-H重建图像，主观噪声较小、图像清晰度极好、病灶显著度极好、诊断置信度5分（图2）。
![]()
图 1 常规剂量下门静脉期图像（窗宽400，窗位60）注：（a）~（c）为一名46岁女性患者，BMI为20.56 kg/m2，肝脏右前叶5.20 mm低密度病灶。Figure 1. Portal vein phase images at conventional dose (window width 400, window level 60)![]()
图 2 双低剂量下门静脉期图像（窗宽400；窗位60）注：（a）和（b）一名68岁女性患者，BMI为21.64 kg/m2，肝脏右前叶5.56 mm低密度病灶。Figure 2. Image of double low dose inferior portal phase (window width: 400; window position: 60)2.4 辐射剂量与碘摄入量
常规剂量A组的ED值为（4.74±1.08）mSv，B组为（2.92±0.47）mSv。与A组相比，B组的有效剂量降低了约38.40%，且两组间的差异具有统计学意义（t=9.908，P < 0.001）。B组使用对比剂65 mL，相较于A组对比剂85 mL，用量减少23.53%。
3. 讨论
肝脏成像必须具备较高的图像质量，从而发现肝脏病变[14]。辐射剂量和对比剂量的降低会导致图像质量和诊断能力的下降，而迭代重建算法AVIR-V在抑制噪声的过程中，可能会出现过度平滑图像的情况，导致不自然的视觉效果[15-16]，深度学习重建DLIR的应用则克服了这一缺点。本研究采用降低管电压和对比剂用量来探讨DLIR在肝脏CT增强中的应用，由于X线能量与千伏值成正比，降低管电压减弱了X线的穿透力，进而减少了CT辐射剂量，具体表现为DLP、ED的降低。同时，组织结构对X线的衰减增强，图像噪声增加。尽管低辐射剂量会导致CT值上升，但适度的CT值增加对图像内部结构的影响并不显著[17-18]。肝脏CT增强扫描中，管电压降低时，X线能量随之降低，X射线光子的能量更接近碘原子K层电子的结合能（33.2 keV），碘对比剂对X射线的光电吸收显著增强[19]，使得降低管电压能显著增强碘对比剂的吸收差异，从而在一定程度上优化肝脏病变的显示效果。然而，减少对比剂用量会削弱肝脏病变的显示效果[20]，所以我们将低辐射剂量、低对比剂用量与DLIR重建算法结合，与常规剂量AVIR-V重建算法进行比较，结果显示在双低剂量的情况下的DLIR仍优于常规剂量的AVIR-V。
本研究对比了常规剂量下的自适应迭代重建AVIR-V（分别为30%、50%、70%的重建水平）与双低剂量下的中、高强度深度学习重建DLIR。结果表明，在辐射剂量降低38.40%（4.74±1.08 mSv vs. 2.92±0.47 mSv）和对比剂用量降低23.53%（85 mL vs. 65 mL）的情况下，DLIR算法仍能保持较好的客观图像质量和更佳的主观图像质量。据有关研究，Lyu等[21]在检测低对比度肝转移时，DLIR的辐射剂量水平可以降低到全剂量FBP和IR的50%，同时保持相当的图像质量和检测能力。DLIR将辐射减少70%在临床上是可以接受，但不足以检测小的低对比肝转移（< 1 cm）；Kang等[2]比较了标准剂量IMR和同时减少30%和20%造影剂和辐射剂量的深度学习的增强对比（DL-CB）图像，DL-CB算法不会损害图像质量并且能提供明显更高的CNR值和更好的血管显度，这一结果与本研究相似；June等[22]采用混合迭代重建（h-IR）和DLIR的低剂量图像与常规剂量h-IR比较发现，DLIR-M的低剂量（与常规剂量相比剂量减少35.1%）图像显示出与使用h-IR图像的常规剂量图像相似的定量分析结果，而采用低剂量的DLIR-M图像显示出更好的主观整体图像质量和更少的图像噪声。这一结果也与本研究相似，我们发现尽管DLIR-M在低剂量下展现出略低与常规剂量70% AVIR-V的定量数据结果，但其主观图像质量却优于70% AVIR-V，原因可能是诊断医生更喜欢DL-M的图像质量[23]。与该研究不同的是，我们将DLIR-H和可检测性也进行对比分析，结果显示DLIR-H的图像质量表现最佳，并且通过对病灶的对比噪声比（LLR）的量化分析和病灶显著度的主观分析，DLIR在病灶的可检测性上得到了很大的提升。然而一些报道指出[24-25]，随着对比度降低、辐射剂量减少或DLIR降噪强度增加，DLIR低对比度空间分辨率有所下降。所以在保证图像质量的同时，通过深度学习重建显著降低辐射剂量与对比剂用量，需要进一步的研究来寻找最佳平衡点。
本研究尚存在一定局限性。①研究样本量较小，可能具有一定的偶然性，应进一步加大样本量验证实验结果。②本研究未对低对比度病灶的大小进行分类来评估不同重建算法的检测能力。③本研究对照组仅采用30%、50%、70% ASIR-V，后续可将其他重建水平与DLIR进行结合纳入研究。④本次研究对象均为正常体重范围的个体，至于在肥胖人群中，DLIR技术是否能在双低剂量条件下维持高质量的图像表现，尚需进一步探索。
综上所述，“双低”剂量结合DLIR重建算法能保持较好的图像质量和低对比度病灶检测能力，即满足临床诊断需求，又减少了辐射剂量、碘对比剂用量，增加了检查的安全性。
-
![]()
图 1 常规剂量下门静脉期图像（窗宽400，窗位60）
注：（a）~（c）为一名46岁女性患者，BMI为20.56 kg/m2，肝脏右前叶5.20 mm低密度病灶。
Figure 1. Portal vein phase images at conventional dose (window width 400, window level 60)
![]()
图 2 双低剂量下门静脉期图像（窗宽400；窗位60）
注：（a）和（b）一名68岁女性患者，BMI为21.64 kg/m2，肝脏右前叶5.56 mm低密度病灶。
Figure 2. Image of double low dose inferior portal phase (window width: 400; window position: 60)
表 1 主观图像评价标准
Table 1 Subjective image evaluation criteria
评分 主观图像噪声 图像清晰度 病灶显著度 诊断置信度 1 不可接受的噪声 模糊 无法识别 无法诊断 2 高于平均水平 差于平均水平 显示差，识别困难 低 3 平均水平 平均 显示一般，可识别 平均 4 低于平均水平 优于平均水平 显示较好，易识别 高 5 极小 极好 显示明显，容易识别 极好 
下载: 导出CSV
表 2 两组一般资料
Table 2 Two groups of general information
组别 例数/n 男/女（n/（%）） 年龄/岁 BMI/（kg/m2） 常规剂量 A组41 19（46.34）/22（53.66） 54.12±14.43 22.95±5.71 双低剂量 B组41 24（58.54）/17（41.46） 56.49±14.00 22.48±2.79 X2/t 1.222 0.754 0.474 P 0.269 0.453 0.637
下载: 导出CSV
表 3 不同重建方式图像客观指标比较结果
Table 3 Comparison results of image objective indexes for different reconstruction methods
参数 A组重建方式 B组重建方式 F P AV30 AV50 AV70 DLIR-M DLIR-H SD值 肝实质 16.00±3.54 12.54±3.18 9.45±2.09 13.47±1.99 9.10±1.58 50.06 < 0.001 门脉 21.94±5.11 17.43±4.49 14.1±4.51 18.01±2.40 13.19±2.66 31.27 < 0.001 SNR值 肝实质 7.79±2.74 10.16±4.46 12.84±3.09 10.03±2.23 14.87±3.35 29.19 < 0.001 门脉 8.37±2.67 10.57±2.96 13.17±3.26 11.76±2.02 16.21±2.80 45.86 < 0.001 CNR值 肝实质 2.96±1.31 3.72±1.54 4.52±1.59 4.17±1.37 6.18±2.00 23.39 < 0.001 门脉 5.98±2.20 7.63±2.50 9.41±2.72 9.3±2.66 13.79±3.84 43.14 < 0.001 LLR值 病灶 5.68±1.45 7.24±2.16 9.28±2.65 7.72±2.25 10.97±3.63 15.91 < 0.001 FOM值 2.67±1.80 4.25±2.68 6.22±2.34 7.19±2.39 15.95±5.53 104.76 < 0.001
下载: 导出CSV
表 4 不同重建方式进行主观图像分析
Table 4 Subjective image analysis for different reconstruction methods
分组 主观图像噪声 图像清晰度 病灶显著度 诊断置信度 reader l reader 2 reader l reader 2 reader l reader 2 reader l reader 2 常规剂量A组 AV30 2.56±0.5 2.61±0.49 2.46±0.51 2.54±0.51 2.59±0.55 2.66±0.53 2.51±0.51 2.61±0.49 AV50 3.05±0.31 3.02±0.27 3.32±0.47 3.34±0.48 3.24±0.44 3.29±0.46 3.17±0.38 3.27±0.45 AV70 3.63±0.49 3.63±0.49 3.76±0.58 3.85±0.53 3.71±0.6 3.61±0.49 3.85±0.62 3.98±0.57 双低剂量B组 DLIR-M 3.85±0.36 3.9±0.44 4.02±0.69 4.05±0.63 4.1±0.63 4±0.55 4.07±0.57 4.17±0.54 DLIR-H 4.34±0.48 4.39±0.49 4.44±0.5 4.46±0.51 4.56±0.5 4.49±0.51 4.49±0.51 4.54±0.51 k 0.824* 0.829 0.798* 0.822* 注：*表示kappa检验中的P < 0.05，差异具有统计学意义。
下载: 导出CSV
表 5 不同重建方式下主观评分差异性比较（Bonferroni校正P值）
Table 5 Comparison of subjective scores for different reconstruction methods (Bonferroni correction P value )
指标 主观图像噪声 图像清晰度 病灶显著度 诊断置信度 AV30 vs. AV50 0.025 < 0.001 0.003 0.004 AV30 vs. AV70 < 0.001 < 0.001 < 0.001 < 0.001 AV30 vs. DLIR-M < 0.001 < 0.001 < 0.001 < 0.001 AV30 vs. DLIR-H < 0.001 < 0.001 < 0.001 < 0.001 AV50 vs. AV70 < 0.001 0.01 0.007 < 0.001 AV50 vs. DLIR-M < 0.001 < 0.001 < 0.001 < 0.001 AV50 vs. DLIR-H < 0.001 < 0.001 < 0.001 < 0.001 AV70 vs. DLIR-M 0.118 0.166 0.034 0.216 AV70 vs. DLIR-H < 0.001 < 0.001 < 0.001 0.001 DLIR-M vs. DLIR-H 0.012 0.025 0.019 0.036
下载: 导出CSV
-
[1] MAYO-SMITH W W, HARA A K, MAHESH M, et al. How I do it: Managing radiation dose in CT[J]. Radiology, 2014, 273(3): 657-672. DOI: 10.1148/radiol.14132328.
[2] HYOJIN K, MIN J L, CHULKYUN A, et al. Low dose of contrast agent and low radiation liver computed tomography with deep-learning-based contrast boosting model in participants at high-risk for hepatocellular carcinoma: prospective, randomized, double-blind study[J]. European Radiology, 2023, 33(5): 3660-3670. DOI: 10.1007/s00330-023-09520-4.
[3] HAUBOLD J, HOSCH R, UMUTLU L, et al. Contrast agent dose reduction in computed tomography with deep learning using a conditional generative adversarial network[J]. European Radiology, 2021, 31(8): 1-9.
[4] SAE-JIN P, DONG-YOON K, KYOUNG-HEE S, et al. Immediate Mild Reactions to CT with Iodinated Contrast Media: Strategy of Contrast Media Readministration without Corticosteroids[J]. Radiology, 2018, 288(3): 710-716. DOI: 10.1148/radiol.2018172524.
[5] KUN K H, SEOK K C, KYOUNG N J, et al. Cardiac CTA image quality of adaptivestatistical iterative reconstruction-V versus deep learning reconstruction “TrueFidelity” in children with congenital heart disease[J]. Medicine, 2022, 101(42): e31169-e31169. DOI: 10.1097/MD.0000000000031169.
[6] LE C, XIANG L, JIANYING L, et al. A study of using a deep learning image reconstructionto improve the image quality of extremely low dose contrast-enhanced abdominal CT for patients with hepatic lesions[J]. The British Journal of Radiology, 2020, 94(1118): 20201086-20201086.
[7] 汪琴, 严伟杰, 袁元, 等. 深度学习重建算法在上腹部能谱CT小血管显示中的研究[J]. CT理论与应用研究, 2025, 34(1): 37-43. DOI: 10.15953/j.ctta.2024.168. WANG Q, YAN W J, YUAN Y, et al. Study of deep learning reconstruction algorithmin the display of CT[J]. Research on CT Theory and Applied Technology, 2025, 34(1): 37-43. DOI: 10.15953/j.ctta.2024.168.
[8] TAEHEE L, HEE J Y, YOUNG J P, et al. Deep learning-based iodine contrast-augmenting algorithm for low-contrast-dose liver CT to assess hypovascular hepatic metastasis[J]. Abdominal radiology (New York), 2023, 48(11): 3430-3440. DOI: 10.1007/s00261-023-04039-0.
[9] PEIJIE L, ZHEN L, YAN C, et al. Deep learning reconstruction CT for liver metastases: Low-dose dual-energy vs standard-dose single-energy[J]. European Radiology, 2023, 34(1): 28-38. DOI: 10.1007/s00330-023-10033-3.
[10] 温德英, 杨杰尹, 汪琴, 等. 深度学习重建算法在上腹部CT成像中的应用[J]. CT理论与应用研究, 2022, 31(3): 329-336. DOI: 10.15953/j.ctta.2021.005. WEN D Y, YANG J Y, WANG Q, et al. Application of a deep learning reconstructionalgorithm in CT imaging of the upper abdomen[J]. CT Theory and Applied Research, 2022, 31(3): 329-336. DOI: 10.15953/j.ctta.2021.005.
[11] 褚冰倩, 沈艺, 宋建, 等. 深度学习重建提高腹部能谱CT图像质量和病灶诊断的可行性研究[J]. 中国CT和MRI杂志, 2024, 22(6): 154-157. DOI: 10.3969/j.issn.1672-5131.2024.06.049. CHU B Q, SHEN Y, SONG J, et al. Feasibility study of deep learning reconstruction to improve CT image quality of abdominal energy spectrum and lesion diagnosis[J]. Chinese Journal of CT and MRI, 2024, 22(6): 154-157. DOI: 10.3969/j.issn.1672-5131.2024.06.049.
[12] 魏巍, 杨旭, 童小雨, 等. 深度学习重建算法联合低剂量增强CT对肝脏低对比度病灶显示的影响[J]. 中国医学计算机成像杂志, 2024, 30(3): 333-337. DOI: 10.3969/j.issn.1006-5741.2024.03.013. WEI W, YANG X, TONG X Y, et al. Effect of deep learning reconstruction algorithm combined with low dose enhanced CT on liver low contrast focus display[J]. Chinese Journal of Medical Computer Imaging, 2024, 30(3): 333-337. DOI: 10.3969/j.issn.1006-5741.2024.03.013.
[13] MARIN D, NELSON R C, SCHINDERA S T, et al. Low-tube-voltage, high-tube-current multidetector abdominal CT: improved image quality and decreased radiation dose with adaptive statistical iterative reconstruction algorithm--initial clinical experience[J]. Radiology, 2010, 254(1): 145-53.
[14] DAMIANO C, DOMENICO S D, ANTONELLA G D, et al. Low-dose liver CT: Image quality and diagnostic accuracy of deep learning image reconstruction algorithm[J]. European Radiology, 2023, 34(4): 2384-2393. DOI: 10.1007/s00330-023-10171-8.
[15] JIUMING J, LEI M, XIN L, et al. The value of deep learning image reconstruction in improving the quality of low-dose chest CT images[J]. Diagnostics, 2022, 12(10): 2560-2560. DOI: 10.3390/diagnostics12102560.
[16] YIFAN B, SHUO Y, XINGCHAO L, et al. Impact of deep learning-based image reconstruction on image quality and lesion visibility in renal computed tomographyat different doses[J]. Quantitative Imaging in Medicine and Surgery, 2023, 13(4): 2197-2207. DOI: 10.21037/qims-22-852.
[17] 姜宁宁. 多层螺旋CT双低剂量和常规剂量在结肠癌肿瘤侵犯、肠系膜血管分布中准确率的效果对比[J]. 中外医学研究, 2024, 22(24): 83-86. JIANG N N. Comparison of the accuracy of multi-layer spiral CT double low dose andconventional dose in tumor invasion and mesenteric vascularity of colon cancer[J]. Chinese and Foreign Medical Research, 2024, 22(24): 83-86.
[18] 胡淑敏, 祁冬, 乔晓春, 等. “双低”(低对比剂、低管电压)技术结合多模型迭代重建算法在肾脏双期CT增强扫描中的可行性[J]. 吉林医学, 2021, 42(9): 2123-2125. HU S M, QI D, QIAO X C, et al. The feasibility of "double low" (low contrastagent, low tube voltage) technology combined with multi-model iterative reconstruction algorithm in kidney dual-stage CT enhanced scan[J]. Jilin Medical, 2021, 42(9): 2123-2125.
[19] MENG B, CONG W, XI Y, et al. Model and reconstruction of a K-edge contrast agent distribution with an X-ray photon-counting detector[J]. Optics Express, 2017, 25(8): 9378-9392. DOI: 10.1364/OE.25.009378.
[20] CHUNG E Y, YOU S J, LEE H, et al. Possible contrast media reduction with low kev monoenergetic images in the detection of focal liver lesions: A dual-energy CT animal study[J]. PLoS ONE, 2017, 10(7): e0133170.
[21] PEIJIE L, NANA L, BRIAN H, et al. Is it possible to use low-dose deep learning reconstruction for the detection of liver metastases on CT routinely?[J]. European Radiology, 2022, 33(3): 1629-1640. DOI: 10.1007/s00330-022-09206-3.
[22] JUNE P, JAESEUNG S, KYUNG I M, et al. Image quality and lesion detectability of lower-dose abdominopelvic CT obtained using deep learning image reconstruction[J]. Korean journal of radiology, 2022, 23(4):
[23] XIE, Y R, WANG Y C, SHAN H, et al. Application of deep-learning reconstruction algorithm for enhanced CT scan of upper abdomen under different radiation doses: focus on noise, contrast-to-noise ratio and image quality[J]. Chinese Journal of Academic Radiology, 2022, 5(2): 107-121. DOI: 10.1007/s42058-021-00086-y.
[24] ZHOU Z, GONG H, HSIEH S, et al. Image quality evaluation in deep-learning-based CT noise reduction using virtual imaging trial methods: Contrast-dependent spatial resolution[J]. Medical Physics, 2024, 51(8): 5399-5413. DOI: 10.1002/mp.17029.
[25] SOLOMON J, LYU P, MARIN D, et al. Noise and spatial resolution properties of a commercially available deep learning based CT reconstruction algorithm[J]. Medical Physics, 2020, 47(9): 3961-3971. DOI: 10.1002/mp.14319.
计量
- 文章访问数: 28
- HTML全文浏览量: 3
- PDF下载量: 7
