The Effect of Radiation Dose and Tube Potential on Image Quality of CT: A Task-based Image Quality Assessment
-
摘要: 目的：通过基于任务的图像质量评价参数，研究对比不同辐射剂量和管电压对CT图像的影响。方法：使用GE Revolution Apex扫描美国放射学会（ACR）质量控制体模Gammex 464。采用3种剂量（5、10和20 mGy）和3种管电压（80、100和120 kVp）的扫描方案并重建9组CT图像。选取体模module 1中骨和丙烯酸测量各组图像的任务传递函数（task-based transfer function，TTF，代表空间分辨率）并记录其TTF50％。选取体模module 3测量噪声功率谱（noise power spectrum，NPS，代表噪声）并记录噪声值、空间频率（f-peak）和 NPS peak值。在图像TTF和NPS的基础上进一步计算图像的可检测能力指数（
${d}'$ ，代表对病灶的可检出能力）。剂量和管电压对图像的影响采用单因素方差分析，P值的多重比较采用 FDR校正。结果：管电压较剂量对TTF50％的影响较为明显，但两者在骨和丙烯酸物质中的差异均无统计学意义。噪声和NPS peak随着剂量上升而显著减小；随着管电压的增加而减小，但差异不具有统计学意义。剂量较管电压对f-peak的影响较大，但两者差异均无统计学意义。图像的检出能力随着剂量的增加而显著升高；各管电压下图像的检出能力差异无统计学意义。结论：剂量相比管电压更能影响CT图像质量；随着剂量的增加，图像噪声显著改善，对病灶的检出能力显著提升。基于任务为基础的评价指标可以较为全面地反映CT图像质量。Abstract: Purpose: To compare the effect of radiation dose and tube potential on image quality of CT through the task-based image quality assessment parameters. Methods: We scanned Gammex 464 (the ACR quality assurance phantom) with GE Revolution Apex CT. Three radiation doses (5, 10, 20 mGy) and three tube potentials (80, 100, 120 kVp) were used to reconstruct nine sets of image. Bone and acrylic inserts from module 1 of the phantom was selected for the measurement of task-based transfer function (TTF, representing spatial resolution) and TTF50% was recorded for each set of images. Module 3 was selected for the measurement of noise power spectrum (NPS, representing image noise) and noise value, spatial frequency (f-peak) and NPS peak value were recorded for each set of images. Detestability index (${d}'$ representing lesion detestability) was furtherly calculated based on TTF and NPS of images. The effect of radiation dose and tube potential on image quality was evaluated by One-way Anova analysis. Multiple comparisons for P value were corrected by FDR. Results: Compared with radiation dose, the effect of tube potential on TTF50% was more obvious, but there was no significant difference between them in bone and acrylic substances. Noise and NPS peak significantly decreased with the increase of both radiation dose and tube potential but no statistical difference was found. Compared with tube potential, radiation dose showed greater impact on f-peak, but no statistical difference was found. d’ was significantly improved as radiation dose increased; while no statistical difference was found under different tube potentials. Conclusion: Image quality is predominantly influenced by radiation dose rather than tube potential. Image noise and lesion detestability is signifcantly improved as radiation dose elevates. Image quality could be comprehensively inflected by the task-based image quality assessment.-
Keywords:
- CT image quality /
- radiation dose /
- image quality assessment
-
骨质疏松是老年人常见的骨代谢疾病，其特点是骨量降低以及骨微结构丧失，容易引发脆性骨折、疼痛等并发症对进入老年的男性和女性的生活质量存在显著的影响[1]。据流行病学调查，随着骨质疏松患病人数逐年攀升，65岁及以上老年人群中男性患病率为10.9％，女性患病率为51.6％，骨质疏松患者常见的并发症是脆性骨折[2]。
全世界50岁以上人群中，有33％～50％ 的女性和20％ 的男性将经历至少1次骨折；而骨质疏松症流行病学调查结果显示40岁及以上人群中，有高达10.5％ 的男性和9.7％ 的女性患者有椎体骨折[3]。骨质疏松性骨折是骨质疏松症最常见的并发症之一，其根源在于骨质疏松导致的骨质脱钙，从而降低了骨骼的承重能力和牢固性，对患者生活造成了严重的影响[4-6]。
目前，双能X线吸收测量仪（dual energy X-ray absorptiometry，DXA）是测量骨密度（bone mineral density，BMD）最广泛的方法。然而，大量研究已经证明，相较于定量计算机断层扫描（quantitative computed tomography，QCT），DXA在骨质疏松的诊断准确率方面存在不足[7-11]。QCT技术通过评估腰椎椎体的小梁骨体积BMD（vBMD）克服了DXA的局限性，对于骨质疏松症患者的识别显示出很高的敏感性[12]。
根据世界卫生组织在1994年确定的诊断标准，基线标准为正常人群中的BMD峰值，T值<-2.5，SD为骨质疏松；而T值>-1.0，SD为正常；而 -1.0≥T值≥-2.5，SD为低骨量。定量CT骨质疏松症诊断指南将骨密度值>120 mg/cm3诊断为骨密度正常，骨密度值于80～120 mg/cm3范围内诊断为低骨量，骨密度值<80 mg/cm3诊断为骨质疏松[13]。
此外，双层光谱CT（dual-layer spectral CT，DLCT）作为一种新兴的成像技术，通过同时捕捉不同能量的X射线，在不增加辐射的情况下可以更准确地测量骨密度。这种技术能够提供更高的空间分辨率和对比度，增强骨质疏松诊断的可靠性。
之前的许多研究已经报道了QCT和DXA测量的骨密度之间的关系和差异。然而，关于DLCT测量的骨密度值在预测骨质疏松方面的价值，以及与QCT和DXA测量的骨密度之间的关系，相关研究却非常少。因此，本研究旨在比较双层光谱CT、QCT和DXA在骨质疏松症诊断中的精确性与效能，期望通过对这3种方法的系统评估，为临床诊断骨质疏松提供更加可靠的依据，进而改善患者的诊疗效果。
1. 材料和方法
1.1 一般资料
本研究回顾性地从影像存储和传输系统（picture archiving and communication system，PACS）上筛选2022年10月至2022年12月北京积水潭医院脊柱门诊患者30例。
纳入标准：①年龄≥18岁；②脊柱门诊患者；③均在双层光谱 CT上进行了腰椎CT平扫。排除标准：①脊柱中存在原发性或转移性骨肿瘤；②严重的脊柱侧弯；③累及两个以上椎骨的骨折；④脊柱手术后腰椎金属植入物；⑤光谱数据缺失。
本研究方案经北京积水潭医院伦理委员会审查批准（批准号：202112-11-01），知情同意被豁免。
1.2 仪器与方法
选用GE Lunar Prodigy DXA扫描仪（GE医疗集团）和双层光谱CT（飞利浦医疗）对患者L1～L3椎体进行骨密度测量和分析。
双层光谱CT扫描参数：患者检查标准管电压120 kV，管电流125 mA，层厚1 mm，矩阵512×512，螺距1。利用IntelliSpace Portal软件（版本11.1.1，Philips Healthcare）将层厚为1 mm的轴位软组织光谱数据包（spectral base image，SBI）重建出50 keV和150 keV的虚拟单能图像（virtual mono-energetic images，VMI）。
另外，将DLCT扫描得到的1 mm软组织原始图像导入QCT Pro软件（Mindways software，Inc.）进行vBMD值测量。所有检查均未注射造影剂。
在本研究中使用4代QCT校准体模，该体模不需要垫放在患者腰下，可以回顾性获得QCT数据。
1.3 体积BMD值的测量
双层光谱CT产生的所有图像都上传PACS。使用飞利浦后处理功能重建50 keV和150 keV的虚拟单能量图像，然后将单能量图像上传飞利浦开发的插件，将HU值转换为骨密度值并使用开源软件3D slicer（版本5.0.3），通过放置多个圆形感兴趣区域（region of interest，ROI）进行体积骨密度测量。感兴趣区域的高度为9 mm，并绘制成圆柱形横截面，尽量大而不与椎体骨皮质相交或包括密集的骨岛、静脉丛或局部病变。如果椎体骨折，将其替换为相邻的椎体。
为了测量L1～L3椎体的QCT vBMD（mg/cm3），将双层光谱CT产生的常规数据导入QCT pro软件，该方法可以自动分析ROI得出体积BMD值，但如发生识别错误的情况则需手动调整，使ROI大小和上述保持一致（图1）。所有感兴趣区测量由两位观察者独立进行。
![]()
图 1 使用3D slicer在50 keV单能量图像（a）和使用QCT软件在QCT格式图像上进行测量L1-L3体积BMD值（b）Figure 1. L1～L3 bone mineral density (BMD) values measured by the 3D slicer using 50 keV single-energy images (a) and quantitative computed tomography (QCT) software using QCT format images (b)1.4 统计学分析
所有数据均使用SPSS 26.0进行统计分析。使用夏皮洛-威尔克（S-W）进行正态性检验，正态数据使用（均值±标准差）表示，偏态数据使用中位数（上四分位数，下四分位数）表示；使用配对t检验比较双层光谱 CT、QCT和DXA测量的骨密度是否有差异；使用皮尔逊（Pearson）对面积骨密度值和体积QCT值进行相关性分析；使用Fisher确切概率法对双层光谱CT、QCT和DXA测量的骨密度诊断骨质疏松的准确率进行比较以及使用ROC曲线计算双层光谱CT测量的体积骨密度值诊断骨质疏松的敏感度和特异度。P<0.05为差异有统计学意义。
2. 结果
2.1 受检者基本信息分析
经过纳入排除标准，最终纳入30例患者，其中男性15例，女性15例，基本信息见表1。
表 1 患者的一般资料Table 1. General data of the study participants项目 总数（n=30） 女（n=15） 男（n=15） 年龄/岁 60.87±8.77 65.13±7.16 56.6±8.31 身高/cm 165.6±8.48 158.87±4.85 172.33±5.33 体重/kg 65.7±13.91 59.27±9.85 72.13±14.68 BMI/（kg/cm2） 23.80±3.67 23.43±3.42 24.17±4.0 QCT L1/（mg/cm3） 114.06±40.17 102.71±38.52 125.41±39.78 QCT L2/（mg/cm3） 109.07±42.05 94.97±38.27 123.17±42.09 QCT L3/（mg/cm3） 102.77±40.03 90.30±34.37 115.24±42.48 DLCT L1/（mg/cm3） 89.62±30.91 78.93±25.32 100.30±33.07 DLCT L2/（mg/cm3） 87.23±33.69 75.31±29.44 99.15±34.35 DLCT L3/（mg/cm3） 82.72±32.65 69.57±22.78 95.86±36.32 DXA L1 -0.58±1.42 -1.1±1.17 -0.06±1.50 DXA L2 -0.85±1.59 -1.6±1.14 -0.1±1.66 DXA L3 -0.7±1.79 -1.58±1.35 0.19±1.77 QCT均值 108.63±40.35 98.86±22.27 118.45±51.69 DLCT均值 86.52±31.91 79.65±21.55 93.39±39.29 DXA均值 -0.71±1.56 -1.21±1.27 -0.21±1.70 注：QCT均值：L1～L3三个椎体基于QCT测量的体积BMD均值；DLCT均值：L1～L3三个椎体基于双层光谱CT测量的体积骨密度均值；DXA均值：L1～L3三个椎体基于DXA测量的BMD均值。 2.2 面积BMD值和体积骨密度值之间的相关性分析
采用Pearson相关性两两分析双层光谱CT、QCT和DXA测量的骨密度之间的相关性，发现三者之间均有极好的相关性（图2）。
![]()
图 2 双层光谱CT、QCT以及DXA测量骨密度的相关性Figure 2. Correlations among the BMD measurements of dual-layer spectral CT, QCT, and dual X-ray absorptiometry (DXA)2.3 不同性别和方法骨量异常诊断正确率的差异
无论在男性还是女性中，双层光谱CT测量的体积骨密度值诊断骨量异常的准确率高于QCT和DXA，均有统计学差异；同一方法下，男性和女性之间骨质疏松诊断准确率并无统计学差异（表2）。
表 2 不同性别和方法骨量异常诊断正确率的比较Table 2. Comparison of the diagnostic accuracies of different methods for bone mass abnormalities性别 人数 QCT（n（％）） DLCT（n（％）） DXA（n（％）） P 骨量正常 骨量异常 骨量正常 骨量异常 骨量正常 骨量异常 男 15 7（46.7） 8（53.3） 5（33.3） 10（66.7） 9（60） 6（40） <0.05 女 15 2（13.3） 13（86.7） 1（6.7） 14（93.3） 6（40） 9（60） <0.05 P 0.109 0.169 0.466 2.4 双层光谱CT预测骨质疏松的效能
参照QCT和DXA诊断标准，分别采用双层光谱CT测量L1～L3的平均体积骨密度值，探讨双层光谱CT预测骨质疏松的效能。
本研究中，ROC曲线下面积分别为0.995和0.784；使用QCT诊断标准作为参考标准，发现当体积骨密度值取值为86.7时，其预测骨质疏松具有较好的准确性，敏感度为90.5％，特异度为88.9％；使用DXA诊断标准作为参考标准时，发现体积骨密度值取值为89.38时，其预测骨骨质疏松具有较好的准确性，敏感度为60％，特异度为93.3％（图3）。
![]()
图 3 根据QCT和DXA诊断标准分别绘制的ROC曲线Figure 3. Receiver operating characteristic (ROC) curves based on QCT and DXA diagnostic criteria3. 讨论
随着人口老龄化加剧，椎体BMD呈下降的趋势，但是人们对骨质疏松以及带来的后果明显认知不足。据调查成年人群对骨质疏松相关知识知晓率仅为11.7％，而50岁以上接受过骨密度检查的人群仅有3.7％，这提示早期对骨质疏松的筛查十分必要[14]。
本研究通过对双层光谱CT和QCT获取的体积骨密度以及DXA测量的面积骨密度值之间的相关性分析，评估了三者对骨质疏松的诊断效能，表明双层光谱CT在骨质疏松中的诊断准确率与QCT相当，但远高于DXA。因此体积骨密度相比面积骨密度诊断骨质疏松有更高的诊断效能。此外，CT技术可以利用大量现有的临床数据进行体积骨密度评估和骨质疏松筛查，因此有潜力成为临床早期筛查骨质疏松的有效辅助方法[15-18]。这不仅有助于提高骨质疏松的早期诊断率，还能够为患者提供及时的干预和治疗，降低骨折风险，改善患者预后。
本研究的结果显示3种方法测量的骨密度之间存在较好的相关性，其中DLCT测量的体积骨密度与QCT测量的体积骨密度之间的相关性更好。主要原因是DXA测量的是二维骨密度，容易受到椎体周围附件以及人体腹部组织的影响，对测量结果造成一定的误差；而QCT和DLCT测量的三维骨密度则避免了上述弊端。这在既往的研究中已有报道，QCT对骨质疏松检测的敏感性略高于DXA，是因为QCT测量的体积骨密度排除了椎体边缘的骨皮质的影响[19-20]。
本组研究病例中女性的年龄略高于男性，因此骨质疏松的检出率相比男性更高，但是在3种方法中，性别之间骨质疏松症的检出率并没有统计学差异。此外，本研究结果显示DLCT和QCT对骨质疏松检出率略微优于DXA。在既往关于体积骨密度（QCT）和面积骨密度（DXA）预测骨质疏松的研究中也报道了同样的结果[19]。表明DXA测量的面积骨密度不能代表整个脊柱的骨质，其结果可能会因为椎体解剖结构变化和退行性改变造成假阴性或假阳性。而双层光谱CT和QCT测量的体积骨密度则避免了上述影响。
本研究结果显示，当分别参照QCT和DXA诊断标准时，双层光谱CT测量的体积骨密度值分别低于86.7 mg/cm3和89.38 mg/cm3时，则预示患者可能出现骨质疏松的情况，表明参照QCT诊断标准诊断骨质疏松的阈值略低于参照DXA诊断标准的阈值。本研究结果和既往研究类似[21-23]。出现这种差异可能是由于两种设备之间测量的骨密度存在差异，以及DXA测量的面积骨密度易受到骨质增生、主动脉粥样硬化以及体质指数的影响，尤其是在老年人中影响更显著。
本研究存在一些限制。①本研究为回顾性研究，因此可能存在选择偏倚；②本研究只使用了DLCT重建的50 keV和150 keV单能量图像去计算骨密度，并没有讨论其他单能量数据的测量结果；③本研究只纳入了 DLCT测量的体积骨密度值，得出的结果可能并不适用于其他CT，临床应用有一定的局限性。
我们认为，上述局限性并不能掩盖本研究结果显示的双层光谱CT在骨质疏松筛查和诊断中的潜在应用前景。由于双层光谱CT易于获得并利用现有临床数据进行骨密度评估，这对于早期骨质疏松的筛查，尤其是老龄人口持续增加的今天，对于骨质疏松性骨折的预防和治疗至关重要。未来的研究可以考虑扩大样本规模，以进一步验证本研究的结果。此外，还可以考虑进行双层光谱CT在不同年龄、性别和骨质疏松程度组的患者检测效果的研究，以更全面地了解其潜在应用价值。同时，研究不同CT设备之间的可比性也值得进一步探讨。
综上所述，本研究通过对双层光谱CT、QCT及DXA在骨质疏松诊断中的精确性与效能进行比较，发现双层光谱CT在诊断骨质疏松方面作用突出，与QCT相当且优于DXA。双层光谱CT不仅在性别差异上表现出一致性，还通过全面的体积骨密度评估，提供了更准确的骨质疏松诊断，有望成为临床早期筛查和诊断骨质疏松的新的重要方法。
-
![]()
图 1 任务传递函数TTF和噪声功率谱NPS的测量图示
Figure 1. Diagram for task-based transfer function and noise power spectrum
表 1 本研究CT扫描参数
Table 1 CT Scanning parameters in this study
分组 管电压/kVp 管电流/mA 剂量/mGy 旋转时间/s 螺距 A 80 285 5 0.8 0.984 B 80 570 10 0.8 0.984 C 80 795 20 0.6 0.516 D 100 145 5 0.8 0.984 E 100 290 10 0.8 0.984 F 100 405 20 0.6 0.516 G 120 90 5 0.8 0.984 H 120 180 10 0.8 0.984 I 120 215 20 0.7 0.516 
下载: 导出CSV
表 2 各组图像基于任务的图像质量评价参数结果
Table 2 Assessment results for images based on task-based image image quality assessment
分组 骨TTF50％/mm-1 丙烯酸TTF50％/mm-1 噪声/HU f-peak/mm-1 NPS peak /HU2mm2 ${d}'$ A 0.43 0.46 24.2 0.28 678.5 13.07 B 0.43 0.40 23.0 0.30 607.8 15.45 C 0.43 0.40 22.8 0.30 586.3 16.85 D 0.42 0.42 17.2 0.25 316.2 16.73 E 0.44 0.42 16.2 0.27 297.6 19.57 F 0.43 0.40 16.1 0.28 314.7 21.63 G 0.42 0.42 11.6 0.27 158.9 24.01 H 0.44 0.43 10.9 0.27 137.3 27.95 I 0.43 0.40 10.8 0.28 132.5 32.09
下载: 导出CSV
-
[1] LI K, GOMEZ-CARDONA D, HSIEH J, et al. Statistical model based iterative reconstruction in clinical CT systems. Part III: Task-based kV/mAs optimization for radiation dose reduction[J]. Medical Physics, 2015, 42(9): 5209−5221. DOI: 10.1118/1.4927722.
[2] KHOBRAGADE P, RUPCICH F, FAN J, et al. CT automated exposure control using a generalized detectability index[J]. Medical Physics, 2019, 46(1): 140−151. DOI: 10.1002/mp.13286.
[3] GREFFIER J, FRANDON J, LARBI A, et al. CT iterative reconstruction algorithms: A task-based image quality assessment[J]. European Radiology, 2020, 30(1): 487−500. DOI: 10.1007/s00330-019-06359-6.
[4] LARBI A, ORLIAC C, FRANDON J, et al. Detection and characterization of focal liver lesions with ultra-low dose computed tomography in neoplastic patients[J]. Diagnostic and Interventional Imaging, 2018, 99(5): 311−320. DOI: 10.1016/j.diii.2017.11.003.
[5] 张俊, 刘佳怿, 梁志鹏. 低管电压结合迭代重建在下肢动脉CT血管成像中的临床应用[J]. CT理论与应用研究, 2020,29(1): 55−60. DOI: 10.15953/j.1004-4140.2020.29.01.07. ZHANG J, LIU J Y, LIANG Z P. Clinical application of low tube voltage combined with iterative reconstruction in lower extremity arterial CTA[J]. CT Theory and Applications, 2020, 29(1): 55−60. DOI: 10.15953/j.1004-4140.2020.29.01.07. (in Chinese).
[6] 胡启云, 董越, 张瑞, 等. 结合迭代重建算法的低剂量CT在颈部的应用研究[J]. CT理论与应用研究, 2018,27(4): 447−453. DOI: 10.15953/j.1004-4140.2018.27.04.04. HU Q Y, DONG Y, ZHANG R, et al. The study of low-dose computed tomography with iterative reconstruction in neck[J]. CT Theory and Applications, 2018, 27(4): 447−453. DOI: 10.15953/j.1004-4140.2018.27.04.04. (in Chinese).
[7] SAMEI E, BAKALYAR D, BOEDEKER K L, et al. Performance evaluation of computed tomography systems: Summary of AAPM task group 233[J]. Medical Physics, 2019, 46(11): e735−e56. DOI: 10.1002/mp.13763.
[8] VAISHNAV J Y, JUNG W C, POPESCU L M, et al. Objective assessment of image quality and dose reduction in CT iterative reconstruction[J]. Medical Physics, 2014, 41(7): 071904. DOI: 10.1118/1.4881148.
[9] YU L, VRIEZE T J, LENG S, et al. Technical note: Measuring contrast- and noise-dependent spatial resolution of an iterative reconstruction method in CT using ensemble averaging[J]. Medical Physics, 2015, 42(5): 2261−2267. DOI: 10.1118/1.4916802.
[10] SAMEI E, RICHARD S. Assessment of the dose reduction potential of a model-based iterative reconstruction algorithm using a task-based performance metrology[J]. Medical Physics, 2015, 42(1): 314−323. DOI: 10.1118/1.4903899.
[11] SOLOMON J, MARIN D, Roy CHOUDHURY K, et al. Effect of radiation dose reduction and reconstruction algorithm on image noise, contrast, resolution, and detectability of subtle hypoattenuating liver lesions at multidetector CT: Filtered back projection versus a commercial model-based iterative reconstruction algorithm[J]. Radiology, 2017, 284(3): 777−787. DOI: 10.1148/radiol.2017161736.
[12] McCOLLOUGH C H, YU L, KOFLER J M, et al. Degradation of CT low-contrast spatial resolution due to the use of iterative reconstruction and reduced dose levels[J]. Radiology, 2015, 276(2): 499−506. DOI: 10.1148/radiol.15142047.
[13] MILETO A, GUIMARAES L S, McCOLLOUGH C H, et al. State of the art in abdominal CT: The limits of iterative reconstruction algorithms[J]. Radiology, 2019, 293(3): 491−503. DOI: 10.1148/radiol.2019191422.
[14] GREFFIER J, HAMARD A, PEREIRA F, et al. Image quality and dose reduction opportunity of deep learning image reconstruction algorithm for CT: A phantom study[J]. European Radiology, 2020, 30(7): 3951−3959. DOI: 10.1007/s00330-020-06724-w.
[15] GREFFIER J, SI-MOHAMED S, DABLI D, et al. Performance of four dual-energy CT platforms for abdominal imaging: A task-based image quality assessment based on phantom data[J]. European Radiology, 2021, 31(7): 5324−5334. DOI: 10.1007/s00330-020-07671-2.
-
期刊类型引用(9)
1. 周雨晴，张佳佳，张广智，蔺营. 致密砂岩储层岩石物理建模及“甜点”预测. 地球物理学进展. 2025(01): 255-265 . 
百度学术
2. 马宝，邵彪，赵昊洋，赵艺，赵东山，武周杰，孙朗秋. 页岩气储层岩石背散射图像中多种组分的人工智能识别. 科技创新与应用. 2025(17): 10-13+19 . 百度学术
3. 汪锐，李芳，刘仕友，孙万元，李松龄，黄晟. 岩石物理建模引导的低渗储层参数预测方法. 煤田地质与勘探. 2024(08): 187-197 . 百度学术
4. 钱佩璋，乔志伟，杜聪聪. 基于3MNet去噪网络的快速EPRI成像. CT理论与应用研究. 2023(01): 55-66 . 本站查看
5. 王迪，张益明，张繁昌，丁继才，牛聪. 利用先验信息约束的深度学习方法定量预测致密砂岩“甜点”. 石油地球物理勘探. 2023(01): 65-74 . 百度学术
6. 张傲，李宗杰，刘军，闫星宇，李伟，顾汉明. 基于Yolox算法的碳酸盐岩储层溶洞“串珠状”异常反射智能检测. 石油地球物理勘探. 2023(03): 540-549 . 百度学术
7. 杜聪聪，乔志伟. 基于对抗式残差密集深度神经网络的CT稀疏重建. CT理论与应用研究. 2022(02): 163-172 . 本站查看
8. 刘仕友，曲福良，周凡，邓利峰. 基于地震属性约简的深度学习储层物性参数预测:以莺歌海盆地乐东区为例. CT理论与应用研究. 2022(05): 577-586 . 本站查看
9. 郑琳. 基于物联网边缘计算的数据挖掘方法研究. 无线互联科技. 2022(15): 140-142 . 百度学术
其他类型引用(23)
计量
- 文章访问数: 820
- HTML全文浏览量: 108
- PDF下载量: 79
- 被引次数: 32
