检索历史 清除

目的:探索深度学习图像重建(DLIR)算法是否可以改善静脉期肛管直肠的CT图像质量.方法:回顾性纳入进行腹部CT增强扫描的71例患者,所有影像资料使用50%ASiR-V和DLIR低、中、高(DLIR-L、DLIR-M、DLIR-H)3个强度的DLIR重建静脉期薄层图像.测量各组图像的肛管和臀部脂肪的CT值和标准差(SD),以臀部脂肪SD作为背景噪声,计算肛管对比噪声比(CNR)和信噪比(SNR).两名影像科医师使用Likert 5分量表法独立进行图像质量评估和直肠癌局部侵犯情况诊断信心评价.分析比较客观测量指标和图像主观评分,采用Kappa检验评估一致性.结果:各组间肛管CT值及臀部脂肪CT值比较差异没有统计学意义(P>0.05),脂肪SD、肛管SNR及CNR比较差异有统计学意义(P<0.05),DLIR-H组脂肪SD最低,SNR及CNR最高,而50%ASiR-V组脂肪SD最高,SNR及CNR最低.与50%ASiR-V组相比,DLIR-H组脂肪SD降低44.3%,肛管SNR及CNR分别提升89.5%和92.1%(P<0.05).4组图像质量主观评分比较差异有统计学意义(P<0.05),从DLIR-H到50%ASiR-V依次降低.其中50%ASiR-V、DLIR-L组间比较差异没有统计学意义(P>0.05),其余各组间比较差异均有统计学意义(P<0.05).各组间直肠癌局部侵犯情况诊断信心评分比较差异有统计学意义(P<0.05),DLIR-M及DLIR-H组优于50%ASiR-V组(P<0.05).结论:与标准50%ASiR-V图像相比,DLIR-M和DLIR-H重建算法能有效提高图像质量,重建强度越高,图像质量越好,显示细微结构的能力越强,能为临床精准评估及个体化精准治疗提供更多的依据.