学科分类
/ 1
1 个结果
  • 简介:摘要目的探讨应用深度学习图像重建(DLIR)算法对实验猪心肌动态CT灌注(CTP)图像质量的提升程度以及该算法对心肌血流量(MBF)计算的影响。方法麻醉状态下对5只家猪进行静息与负荷动态CTP扫描,扫描管电压均为100 kV,低剂量与高剂量管电流分别设置为150、300 mA。低剂量扫描数据图像重建采用传统滤波反投影(FBP)及DLIR 3种不同强度(低、中、高),高剂量扫描数据图像重建仅采用FBP。客观评价及主观评价(5分制)图像质量,客观评价包括图像噪声、信噪比(SNR)、对比噪声比(CNR)。采用线性回归对DLIR算法强度和图像质量的线性趋势进行检验。采用Shapiro-Wilk检验数据正态性,正态数据比较采用配对t检验,非正态数据比较采用Wilcoxon秩和检验。结果高剂量扫描方案与低剂量扫描方案平均有效辐射剂量分别为7.2、3.8 mSv,差异有统计学意义(t=282.50,P<0.001)。低剂量下获得的图像随着DLIR强度的升高图像噪声逐渐减低,图像SNR及CNR逐渐增高(F=60.10、35.87、41.41,P均<0.001)。低剂量下高强度DLIR图像与高剂量FBP图像的噪声分别为(31.7±3.1)、(38.2±1.2)HU,SNR分别为16.6±2.0、13.8±0.8,CNR分别为14.5±1.7、11.6±0.9,差异均有统计学意义(t值分别为5.70、4.15、5.68,P值均<0.05)。低剂量下高强度DLIR图像与高剂量FBP图像主观评分分别为(4.8±0.4)、(4.2±0.6)分,差异有统计学意义(Z=2.12,P<0.05)。低剂量下FBP图像与高强度DLIR图像计算MBF在静息状态下分别为(81.3±17.3)、(79.9±18.3)ml·100 ml-1·min-1,负荷状态下分别为(99.4±24.9)、(100.7±27.3)ml·100 ml-1·min-1,差异均无统计学意义(t值分别为1.10、0.89,P>0.05)。结论应用高强度DLIR算法有利于实现实验猪低剂量心肌动态CTP,可明显提升图像质量,同时对MBF计算无明显影响。

  • 标签: 体层摄影术,X线计算机 心肌灌注 深度学习