European Radiology：利用深度学习重建算法，实现腹部CT图像的“减价不减量”

近年来，基于深度学习（DLR）的重建算法已经被开发出来并广泛应用于CT图像的后处理。通过这些算法，可以将信号与噪声区分开来以提高图像质量并尽可能地保留图像纹理。现阶段，有两种DLR算法被用于临床常规实践，为GE医疗系统公司开发的TrueFidelityTM和佳能医疗系统公司开发的AiCE。这两种DLR算法的特点是使用高质量的数据集训练的深度神经网络：前者是过滤后投影（FBP）数据集，后者是基于模型的迭代重建数据集。

飞利浦医疗集团开发的新的人工智能深度学习重建（AI-DLR）算法具有卷积神经网络（CNN）的特点，该网络经过训练可以再现常规剂量患者的图像外观（噪声大小、噪声纹理）。这个新算法有五个级别，分别为更佳平滑、平滑、标准、锐利和更加锐利。从 "标准 "到 "平滑"，噪声减少，但图像纹理和空间分辨率发生改变，而从 "标准 "到 "清晰 "则相反。

据我们所知，没有研究比较过这种新算法对腹部CT条件下的图像质量和剂量优化的影响。腹部CT图像的质量是一个真正的挑战，因为结构的自发对比度低，强烈限制了剂量的优化。图像必须是低噪音、低平滑度和高对比度的，这在通常使用的红外算法中很难实现。算法难以实现。这种新的DLR算法可以帮助应对。

近日，发表在European Radiology杂志的一项研究评估了这种新的人工智能-DLR算法与腹部CT中的混合红外算法相比，对不同临床适应症的图像质量的影响，并进行了基于任务的图像质量评估和主观图像质量评估，在保持足够的诊断图像质量同时为临床进一步降低辐射剂量提供了技术支持。

本研究在5个剂量水平（CTDIvol：13/11/9/6/1.8 mGy）下对模型进行了采集。原始数据使用iDose4（i4）的4级和AI-DLR的3级（更加平滑/平滑/标准）进行重建。计算了噪声功率谱（NPS）、基于任务的转移函数（TTF）和可检测性指数（d'）：d'模拟了肝转移瘤（LM）和门脉期（HCCp）和动脉期（HCCa）的肝细胞癌的检测。图像质量由2名放射科医生在一个拟人模型上进行主观评估。 

从标准水平到平滑水平，噪声大小和平均NPS空间频率下降，所有模拟病变的可探测性（d'）增加。对于两种插入物，从13到6mGy的所有三个AI-DLR水平的TTF值是相似的，但在1.8mGy时从标准水平到平滑水平有所下降。与临床实践中使用的i4相比，使用更加平滑和平滑水平的d'值较高，而标准水平的d'值则接近。对于所有的剂量水平，除了1.8 mGy，放射科医生认为3个级别的AI-DLR的图像都能满足临床使用，但使用平滑级的图像被评为更加光滑。 

图 对所有剂量水平和所有重建类型获得的噪声功率谱曲线

本项研究评估了新的人工智能深度学习重建算法在不同临床适应症的腹部CT中对图像质量的影响。研究表明，与临床实践中使用的IR算法相比，使用平滑和更加平滑级别降低了图像噪声并提高了肝脏病变的可探测性；其中，使用 "平滑 "级别可在最低剂量水平（即5.5mGy）和足够的图像质量（尤其是图像噪声和图像平滑）之间获得最佳折衷。

原文出处：

Joël Greffier,Quentin Durand,Julien Frandon,et al.Improved image quality and dose reduction in abdominal CT with deep-learning reconstruction algorithm: a phantom study.DOI:10.1007/s00330-022-09003-y