European Radiology:深度学习算法在胰腺DECT扫描中的应用
2022-02-16 shaosai MedSci原创
由胰腺期(PP)和门静脉期(PVP)组成的多期胰腺CT扫描是胰腺癌(PC)的首选筛查及随访影像学手段。PP可以看到血管、胰腺周围动脉以及其受累情况。
由胰腺期(PP)和门静脉期(PVP)组成的多期胰腺CT扫描是胰腺癌(PC)的首选筛查及随访影像学手段。PP可以看到血管、胰腺周围动脉以及其受累情况。PVP可以评估门-肠血管和检测PC的局部低密度肝转移灶。
双能量CT(DECT)是基于在不同能量水平下同时获得的两个数据集,可以在首选能量水平(40-190KeV)下创建虚拟单色图像(VMIs)。65-70KeV的VMIs对应于120千伏峰值(kVp)的单能量CT扫描获得的CT图像。DECT数据还可以创建组织分解(MD)图像,并从这些图像中获得的碘浓度(IC;mg/mL)值确定定量成像生物标志物。
深度学习图像重建(DLIR)算法,使用专门的深度神经网络,以减少背景噪声和提高图像质量。在先前的大多数研究中,DLIR较多用于单能量的CT扫描。然而现阶段,这种算法在DECT扫描中运用越来越广泛。
近日,发表在European Radiology杂志的一项研究评估了DLIR算法在胰腺DECT中的可行性,并将其图像质量、CT数字和IC值与混合IR进行了比较,为DLIR算法在临床的广泛应用提供了参考。
本研究对30名患有胰腺癌(PC)的连续参与者进行了胰腺协议DECT的初步评估。使用40%的自适应统计迭代重建-Veo(混合-IR)和中、高水平的DLIR(分别为DLIR-M和DLIR-H)在70KeV下重建DECT数据。使用5分制对PC的诊断可接受性和显着性进行定性评估。计算了腹主动脉、胰腺、PC、肝脏和门静脉的IC值、标准差(SD)和变异系数(CV)。比较了混合IR组、DLIR-M组和DLIR-H组之间的定性和定量参数。
与其他组相比,DLIR-M组对PC的诊断可接受性和显着性明显更好(P < .001-.001)。三组之间解剖结构的IC值具有可比性(p = .001-.9)。DLIR-H组的IC值的SD明显较低(p < .001),与混合IR和DLIR-M组相比,CV最低(p < .001-.002)。
图 使用(a)40%ASiR-V、(b)DLIR-M、(c)DLIR-H的70keV的VMIs,使用(d)40%ASiR-V、(e)DLIR-M和(f)DLIR-H的碘基MD图像,在同一参与者的门静脉期相图像。DLIR显示出明显图像噪声的减少。
本研究表明,DLIR算法可以显著提高图像质量,减少背景噪音,并在胰腺DECT中表现出较少的IC值变异性。
原文出处:
Yoshifumi Noda,Nobuyuki Kawai,Shoma Nagata,et al.Deep learning image reconstruction algorithm for pancreatic protocol dual-energy computed tomography: image quality and quantification of iodine concentration.DOI:10.1007/s00330-021-08121-3
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#PE#
69
#CT扫描#
76