深度学习算法在超高分辨率腹部 CT 中图像质量的研究
摘要
量的改善效果及可行性。方法 选取 19 例接受常规腹部 CT 检查的受试者，使用超高分辨率 16 cm 宽体探测器 CT（NeuViz
Epoch Elite，46.5 lp/cm）完成扫描（120 kV、350 mA、准直 0.3125 mm）。图像层厚设定为 0.625 mm(A 组，迭代重建
CV50%) 和 0.3125 mm（B 组），B 组 进 一 步 分 为 B1 组（CV50%） 与 B2 组（DLIR-CI 重 建， 分 别 为 CI20%、CI50%、
CI80%）。测量各组图像中肝脏、脾脏、胰腺与肾脏的 CT 值、图像噪声（标准差，SD）及计算信噪比（SNR）。结果 与
A 组相比，B1 组图像噪声显著升高，SNR 降低（p<0.05）；B2 组中，随 CI 重建强度增加，图像噪声逐渐降低，SNR 显
著提升。A 组平均 SD 为 22.16±4.3，B 组中 B1（26.26±5.4）、CI20%（28.03±5.4）、CI50%（16.84±3.3）、CI80%（8.93±1.7）
之间差异具有统计学意义（p<0.05）。B2 组中 CI50% 与 CI80% 的 SNR分别为 3.25±0.7 与 6.17±1.2，显著优于 A 组（2.43±0.5）。
结论 在保持图像分辨率提升的同时，深度学习重建算法（CI50%、CI80%）可显著降低层厚减半后带来的图像噪声，提高
非增强腹部 CT 图像质量。该技术有望优化临床扫描方案，提升诊断准确性，为高分辨率 CT 影像提供有效的重建支持。
关键词
全文:
PDF参考
[1]Catanzano, T. (2024). Abdominal Imaging Techniques.
In: Catanzano, T. (eds) What Radiology Residents Need to Know:
Abdominal Radiology. What Radiology Residents Need to Know.
Springer, Cham. https://doi.org/10.1007/978-3-031-76624-4_1
[2]Qin,L., Zhou, S., Dong, H.et al.Improvement of coronary
stent visualization using ultra-high-resolution photon-counting
detector CT.Eur Radiol34, 6568–6577 (2024).
[3]Choi, K. Self-supervised learning for CT image denoising
and reconstruction: a review.Biomed. Eng. Lett.14, 1207–1220
(2024).
[4] 吴巧玲，王沄，王希恒，等 . 深度学习算法在胰腺
低剂量 CT 扫描中改善图像质量的应用价值 [J]. 中华放射学
杂志，2022,56(4):437-442.
[5] 吕培杰，耿琪，刘娜娜，等，基于深度学习的 CT 图
像重建算法临床初步应用进展 [J]. 中华放射学杂志，2022，
56(11):1261-1266.
[6]Nakamoto, A., Onishi, H., Ota, T.et al.Contrast-enhanced
thin-slice abdominal CT with super-resolution deep learning
reconstruction technique: evaluation of image quality and visibility
of anatomical structures.Jpn J Radiol43, 445–454 (2025).
[7]Cao, L., Liu, X., Qu, T.et al.Improving spatial resolution
and diagnostic confidence with thinner slice and deep learning
image reconstruction in contrast-enhanced abdominal CT.Eur
Radiol33, 1603–1611 (2023).
[8]Sun, J., Li, H., Wang, B.et al.Application of a deep
learning image reconstruction (DLIR) algorithm in head CT
imaging for children to improve image quality and lesion detection.
BMC Med Imaging21, 108 (2021).
[9]Seyyedi, N., Ghafari, A., Seyyedi, N.et al.Deep learning-
based techniques for estimating high-quality full-dose positron
emission tomography images from low-dose scans: a systematic
review.BMC Med Imaging24, 238 (2024).
[10] 相清玉 , 王雅妹 , 王国华 , 等 . 基于深度学习重建算
法对上腹部 CT 图像质量的研究 [J]. 中国医学计算机成像杂
志 ,2022,28(02):203-207.
(2 摘要 Views, 12 PDF Downloads)
Refbacks
- 当前没有refback。