Baidu
map

European Radiology:基于深度学习的CCTA超分辨率图像重建

2024-04-02 shaosai MedSci原创 发表于上海

深度学习技术不仅可以用于降噪,还可以用于超分辨率(SR)以提高数字图像的空间分辨率。现阶段,SR-DLR有望改善CCTA的图像质量和心脏结构的描述。

冠状动脉CT血管造影 (CCTA) 在冠心病诊断和治疗中起着至关重要的作用。尽管CCTA对阻塞性CAD具有良好的敏感性和阴性预测值,但部分容积效应和与有限空间分辨率相关的伪影可导致假阳性诊断。图像噪声与空间分辨率和辐射剂量之间存在权衡关系,也可能影响对血管狭窄的准确评估。在不放大图像噪声的情况下提高空间分辨率是CCTA精确判析的关键。

为克服空间分辨率限制超高分辨率CT (UHRCT) 是新兴的高分辨率CT扫描仪。多项研究表明,UHRCT可以为CCTA图像提供良好的空间分辨率,并有可能对CAD进行改进评估。

随着人工智能技术的创新,将卷积神经网络CNN) 引入CT图像重建的基于深度学习的重建DLR) 技术得到了越来越多的应用。NR-DLR通过使用一对高噪声和低噪声图像进行训练,与混合迭代重建 (HIR)和基于模型的迭代重建 (MBIR)相比达到了相当大的降噪效果,并提供了更好的噪声纹理。

深度学习技术不仅可以用于降噪,还可以用于超分辨率(SR)以提高数字图像的空间分辨率。现阶段SR-DLR有望改善CCTA的图像质量和心脏结构的描述。


近日,发表在European Radiology杂志上的一篇研究评估了基于深度学习的超分辨率重建(SR-DLR)对冠状动脉CT血管造影(CCTA)图像质量的影响及价值。 

本项研究回顾性纳入41名使用320排扫描仪进行CCTA检查的患者。采用混合(HIR)、基于模型的迭代重建(MBIR)、基于正常分辨率深度学习的重建(NR-DLR)和 SR-DLR 算法重建图像。对每个图像系列的左主干、右冠状动脉、左前降支动脉和左回旋动脉的图像噪声和对比度-噪声比(CNR)进行了量化测量了钙化斑块产生的出血伪影。图像的锐利度、噪声大小、噪声纹理、边缘平滑度、整体质量以及冠状动脉壁、钙化和非钙化斑块、心肌和瓣膜的划分按4分制进行主观评分(1分,最差;4分,最佳)。对四种重建的定量参数和主观评分进行比较使用物理评估模型对基于任务的图像质量进行评估。通过噪声功率谱(NPS)和基于任务的传递函数(TTF)计算模拟冠状动脉管腔、钙化斑块和非钙化斑块对象的可探测性指数。 

与HIR、MBIR和NR-DLR相比,SR-DLR的图像噪声和伪影明显更低,CNR更高(均p < 0.001)。SR-DLR在所有评估标准中都获得了最佳主观评分,与所有其他重建方法相比差异显著(p<0.001)。在模型研究中,SR-DLR 提供了最高的NPS平均频率、TTF50%和所有任务对象的可探测性。 


 
 基于任务的结果图像质量模型评估

研究表明,相对于HIR、MBIR和NR-DLR算法,SR-DLR大大提高了 CCTA的主观和客观图像质量以及对象可探测性,可进一步促进CCTA对冠状动脉疾病进行准确评估。

原文出处:

Yasunori Nagayama,Takafumi Emoto,Yuki Kato,et al.Improving image quality with super-resolution deep-learning-based reconstruction in coronary CT angiography.DOI:10.1007/s00330-023-09888-3

版权声明:
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
评论区 (1)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=2196658, encodeId=57a5219665867, content=<a href='/topic/show?id=e4cb6612395' target=_blank style='color:#2F92EE;'>#深度学习#</a> <a href='/topic/show?id=2238424480' target=_blank style='color:#2F92EE;'>#CCTA#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=46, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=4244, encryptionId=2238424480, topicName=CCTA), TopicDto(id=66123, encryptionId=e4cb6612395, topicName=深度学习)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=cade5395722, createdName=梅斯管理员, createdTime=Tue Apr 02 15:52:13 CST 2024, time=2024-04-02, status=1, ipAttribution=上海)]
    2024-04-02 梅斯管理员 来自上海

相关资讯

European Radiology:基于深度学习的MRI下咽癌全自动分割和放射组学特征提取

多项研究显示,磁共振放射组学可以作为一个生物标志物预测HNSCC的治疗预效果和生存率。然而,以一层接一层的方式手工勾画肿瘤轮廓非常耗时,而且容易出现间隙。

Radiology:MRI深度学习模型在直肠癌预后预测中的应用

深度学习作为一种新兴的机器学习技术,有望克服以上这些问题。在计算机ViT领域基于变换器的模型在21000幅自然图像上进行预先训练,在许多任务上取得了最先进的性能。

Eur J Radiol:基于深度学习的图像重建提高了垂体腺瘤的影像学划分

现阶段,基于深度学习的图像重建(DLR)最近被引入临床以解决这些空间分辨率的妥协问题。通过对以前的数据进行训练,DLR可以学习重建图像、识别低分辨率和噪声的模式,从而只重建理想的图像。

European Radiology:肺腺癌的深度学习预后预测

到目前为止,已经有一些研究者来用自动方法测量LUAD病变;其中,分割是获得精确图像的前提条件,人工调整可以大大提高分割精度。

European Radiology:深度学习在乳腺钼靶中检测乳腺癌的价值

现阶段,深度学习技术在乳腺钼靶的癌症检测中得到了很好的研究,许多研究者报告了出色的结果。

European Radiology:利用人工智能进行多参数MRI的深度学习转诊建议和肿瘤识别

深度学习网络可以利用成像数据中的高层次潜在特征来提高对各种疾病的诊断性能。然而,大多数DL系统已被用于图像重建、病变检测、或病变分割,在多参数MRI上遇到的众多脑部疾病的诊断中尚未得到充分利用。

European Radiology:MRI对良、恶性椎体压缩骨折的深度学习评估

机器学习的最新进展允许在放射检查中对各种情况进行敏感、准确和具体的诊断。计算机辅助诊断可以检测VCF并区分良性和恶性骨折椎体。

European Radiology:基于CT的细菌、真菌和病毒性肺炎鉴别诊断的深度学习模型

现阶段,人工智能(AI)在临床中得到了广泛的应用,可有效提高成像的准确性和速度肺炎的诊断 。

European Radiology:使用深度学习评估早期妊娠周数

现阶段,深度学习 (DL) 和生物测量学已被广泛用于评估胚胎的发育。然而,临床上没有人工智能 (AD)的自动评估工具。

European Radiology:深度学习在胸腺上皮肿瘤组织学亚型鉴别诊断中的应用

增强计算机断层扫描(CECT)可以提供纵隔软组织病变的详细形态学信息,是一种有无创诊断和评估TET的重要临床工具。

Baidu
map
Baidu
map
Baidu
map